[發明專利]基于自動編碼機的駕駛行為異質性特征的識別方法

在審

• 申請號: 201810156546.4
• 申請日: 2018-02-11
• 公開（公告）號: CN108491859A
• 公開（公告）日: 2018-09-04
• 發明（設計）人: 郭靜秋;劉洋澤西
• 申請（專利權）人: 郭靜秋;劉洋澤西
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于自動編碼機的駕駛行為異質性特征的識別方法，其特征在于：所述基于自動編碼機的駕駛行為異質性特征的識別方法包括如下步驟：

第一步：存儲駕駛員在使用手機端導航軟件的過程中產生的原始GPS數據。其中，原始GPS數據包括時間、經緯度、用戶id、速度、方向角的字段信息；

第二步：根據原始低維度的GPS數據，重新構建以下8大特征以擴充數據信息維度：

(1)速度相關參數

在城市交通里，車速因素對交通安全有較大影響。一般道路最高限速為v_max＝80km/h；以最高限速的α(0＜α＜1)作為高速行駛閾值v_f；

v_f＝α·v_max

設車輛的車速超過該閾值時則具備超速傾向。車速超過最高限速α的時間比例為：

式中，T為車輛在道路上行駛的總時間；T_lα為車輛在道路上超過速度閾值的時間；δ為車輛速度超過速度閾值的時間比例；

將車速的平均值、標準差納入決定駕駛行為的重要參數，即

式中，v_m為GPS第m次返回的車輛瞬時車速；n為車速采樣量；v_a為車輛在道路上的車速平均值；v_s為車輛車速標準差；

(2)加速度相關參數

加速度參數具體可細分為加速度標準差α_s、正加速度平均值正標準差負加速度平均值和負標準差具體計算方法如下：

式中，a_m為車輛在道路上第m次采集數據所對應的加速度；a_a為車輛在道路上的加速度平均值；

第三步：構建深度學習中的自動編碼機，自編碼是深度學習中一種快速學習模型，其基本原理利用了人工神經網絡的層次結果體系，在構建網絡結構時，假設網絡模型的輸出與輸入節點形式同構，模型采用8-6-3-6-8的五層結構的自編碼網絡，目的在于壓縮輸入信息，提取出樣本的核心特征并用于接下來的步驟分析，在自編碼網絡中，第一層為輸入層，第二至第四層為隱藏層，第五層為輸出層，其中，第一隱藏層主要提取各特征參數自身的時變規律，第二隱藏層主要提取特征參數間的時變規律；

在本模型中，激活函數采用tanh函數：

自編碼器的迭代目標為：

其中，表示網絡輸入向量x_i的輸出向量。以第二層為例，當加入稀疏約束時，激活度在訓練集上的平均值為：

其中，表示隱藏神經元j的激活度，則為隱藏神經元j的平均激活度。網絡的目標函數為：

其中，s為隱藏層神經元j所在的隱藏層。在BP訓練步驟中，對隱藏層的權值更新按下式計算：

導入處理后的8維度GPS數據后，取第二隱藏層輸出結果作為自動編碼機的降維結果；

第四步：將上述結果導入到K-means聚類算法中，以實現對群體駕駛員的駕駛行為的無監督分析功能；

聚類分析的職能是建立一種分類方法，它是將一批樣本或變量，按照它們在性質上的親疏程度進行分類，對于給定的一個包含n個d維數據點的數據集其中，以要生成的數據子集的數目K，K-means聚類算法將數據對象組織為K個劃分C＝{c_k，i＝1，2，...，K}。每個劃分代表一個類，每個類c_k有一個類別中心μ，選取歐氏距離作為相似性和距離判斷準則，聚類目標則是計算該類內各點到聚類中心μ_i的距離平方和最小，即

其中，

K-means聚類算法從一個初始的K類別劃分開始，然后將各數據點指派到各個類別中，以減小總的平方和，因為K-means聚類算法中總的距離平方和隨著類別個數K的增加而趨向于減小(當K＝n時，J(C)＝0)，因此，總的距離平方和只能在某個確定的類別個數K下，取得最小值。