(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111567179.5 (22)申请日 2021.12.15 (71)申请人 重庆交通大 学 地址 400060 重庆市南岸区学府大道6 6号 (72)发明人 刘洋　范英齐　黄莉媛　黄大荣　 米波　 (51)Int.Cl. G06F 30/22(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/04(2020.01) G06F 111/08(2020.01) (54)发明名称 基于SPZN的智能网联汽车系统随机事件预 测方法 (57)摘要 本发明涉及基于SPZN的智能网联汽车系统 随机事件预测方法， 属于无人驾驶、 预测和控制 策略领域； 通过将Z语言形式化描述和SPN模型融 合成为新的SP ZN模型来实现功能， 能够有效的解 决SPN网因节点设备众多而带来的状态爆炸问题 和Z框架动态能力和实时性不足的问题； 结合通 信实时获取汽车电子控制单元信息并依据相关 交通规则， 建立的智能网联汽车系统的SP ZN形式 化模型， 能够实现多源异构复杂环 境下的智能网 联汽车系统针对随机事件的预防， 提升智能网联 汽车行驶的安全性和可靠性， 同时， 基于深度学 习的相关约束规则参数调整能够更加准确的选 择对应策略。 权利要求书2页 说明书7页 附图6页 CN 114297883 A 2022.04.08 CN 114297883 A 1.基于SPZN的智能网联汽车系统随机事件预测方法， 通过智能网联汽车系统进行实 现； 所述的智能网联汽车系统由多辆智能网联汽车的车载自组织网络和分别与之相连的汽 车电子控制单元和智能控制系统构成； 所述的车载自组织网络由多个车载短程通信装置联 网实现， 可实现车与车之间的通信及车与路之间的通信； 所述的汽车电子控制单元为汽车 上安装的传感器、 控制器和执 行机构； 智能控制系统为带有S PZN控制算法的中央处 理器； 其特征在于， 该 方法包含以下步骤： S1： 智能控制系统通过通信实时获取汽车电子控制单元信息并依据相关交通规则， 进 行车辆控制信息流传输相关约束规则制定； S2： 基于汽车电子控制单元信息的特点以及汽车控制信息流传输相关约束规则的特 点， 利用Z语言对智能网联汽车系统进行状态和变迁的框架形式化描述； S3： 根据车辆控制信息流、 传输过程中相关约束规则、 智能网联汽车状态、 状态在某一 时段内出现的概率、 变迁的前置条件、 后置条件， 建立智能网联汽 车系统的融合St ochastic  Petri网(SPN)模型； S4： 融合Z语言形式化描述和融合Stochastic  Petri网模型， 建立智能网联汽车系统协 同控制的S PZN形式化模型； S5： 根据智能网联汽车系 统协同控制的SPZN形式化模型， 将该模型的可达性问题转换 为图同构的马尔科 夫链模型； S6： 分析该系统同构的马尔科 夫链模型， 根据稳态概 率状态选择对应策略； S7： 针对步骤S6中预测汽车发生事故的情形， 对车辆控制信息流传输相 关约束规则进 行修改。 2.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 单个所述的汽车电子控制单元信息包含汽车电子控制单元唯一标识名称Id ‑name和汽 车电子控制单元属性； 所述的汽车电子控制单元属性包含所有的汽车电子控制单元所有存 在的状态P＝{pi|i＝1， 2， …， m}、 所有的汽车电子控制单元对 应的所有存在的变迁T＝{tj|j ＝1， 2，…， n}以及对应的所有存在的操作的变迁 实施速率λ＝{ λj|j＝1， 2， …， n}； 其中， m、 n 为所有汽车电子控制单元对应的状态和操作的总数， 所述的变迁实施速率即为变迁发生的 平均时延的倒数。 3.根据权利要求2所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 所述的含所有的汽车电子控制单元状态P可以按照理论推导、 人为经验或者深度学习分 类器训练将其分为 正常驾驶状态和非正常驾驶状态。 4.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 所述的车辆控制信息流传输相关约束规则为车辆控制信息流传输的方向和关系； 所述 的车辆控制信息流传输的方向包含所有车辆各个汽车电子控制设备的输入I、 输出O； 所述 的车辆控制信息流传输的关系包含所有车辆的各个汽车电子控制单元的状态和操作之间 的前置条件P ×T和后置条件T ×P。 5.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 步骤S3所述的智能网联汽车系统的融合Stochastic  Petri网模型为(P， T， F， M0， λ )五元 组的融合Stoc hastic Petri网模型； 其中， (1) 为各个汽车电子控制单元操作变迁的前置条件或者后置条件的集权　利　要　求　书 1/2 页 2 CN 114297883 A 2合， 等价于有向弧集 合； (2)Mi＝(vol(p1)， vol(p2)，…， vol(pm))为智能网联汽车系统操作变迁前的状态向量， 其中， 初始时刻i ＝0， vol(pj)为当前状态pj的汽车电子控制单 元数量。 6.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 步骤S4所述的智能网联汽车系统协同控制的SPZN形式化模型为融合Z语言形式化描述 和SPN模型的(P， T， F， ZP， ZT， S， C， M0， λ )九元组的形式化描述的模型； 其中， (1)ZP， ZT分别为采用Z语言框架抽象描述的汽车电子控制设备状态P和汽车电子控制设 备对应的所有状态变迁T； (2)S是P→ZP的一一映射关系， C是T →ZT的一一映射关系。 7.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 所述的步骤S5具体为： S501： 定义一个s ×s维的状态转移矩阵Q＝[qi， j]1≤i， j≤s， 其中， s为SPZN模型中所有 可达 的状态数； S502： 当i≠j时， 若存在操作tk∈T， 使得从当前状态Mi变迁到另一状态Mj， 则qi， j＝ λk； S503： 当i≠j时， 若不存在任何操作， 使得从当前状态Mi变迁到另一状态Mj， 则qi， j＝0； S504： 当i＝j时， S505： 令智能网联汽车从状态Mi开始， 经过变迁到另一状态Mj的稳态概率为向量X＝ [x1， ...， xs]， 那么根据 马尔科夫过程， 可达性问题转换为马尔科 夫模型如下： 8.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 所述的步骤S6具体为： 通过马尔科夫模型通过线性方程求解， 得到各个状态{Mi|i＝ 1，…， s}在相应的变迁平均实施速率时发生的概率， 对于概率较高或较低的状态说明在整 个智能网联汽车系统的运行过程中起到至 关重要的作用或者 发生的概率较大或较小， 可以 对其采取相关的措施和策略进行防护， 以达到降低随机事件概率的目的， 从而提高系统的 稳定性。 9.根据权利要求1所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 步骤S7所述的对车辆控制信息流传输相关约束规则进行修改具体为： 当智能网联汽车 通过任意操作集合 从某个状态Mi变迁到正常状态状态Mj的概率过低或某个状态Mi变迁 到异常状态Mj的概率过高时， 结合 车辆汽车电子控制设备状态 ZP， 基于深度学习方 法对车辆 汽车电子控制设备操作ZT中相关参数进行调整。 10.根据权利要求9所述的基于SPZN的智能网联汽车系统随机事件预测方法， 其特征在 于， 所述的深度学习方法为CNN神经网络， 所述的参数调整包含对操作的变迁实施速率λ 以 及F中的前置条件或后置条件进行调整。权　利　要　求　书 2/2 页 3 CN 114297883 A 3