[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法

有效

• 申請?zhí)枺?/td>: 201911153335.6
• 申請日: 2019-11-22
• 公開（公告）號: CN110889444B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設計）人: 張登銀;楊小潤;丁飛;李永軍;張念啟
• 申請（專利權(quán)）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06Q10/06
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

1.一種基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法，其特征是，包括如下步驟：

對目標車輛軌跡數(shù)據(jù)進行分段處理；

將處理后的目標車輛軌跡數(shù)據(jù)輸入預先訓練好的卷積神經(jīng)網(wǎng)絡，獲取目標車輛軌跡數(shù)據(jù)所對應的駕駛風格；

在將處理后的目標車輛軌跡數(shù)據(jù)輸入預先訓練好的卷積神經(jīng)網(wǎng)絡之前，還包括：

基于歷史或/和實時車輛軌跡數(shù)據(jù)構(gòu)建訓練樣本集；

對訓練樣本集中車輛軌跡數(shù)據(jù)進行標簽化處理和分段處理；

利用訓練樣本集中處理后的車輛軌跡數(shù)據(jù)對預構(gòu)建的卷積神經(jīng)網(wǎng)絡進行訓練；

所述標簽化處理包括利用時域分析法或/和違章分析法對訓練樣本集中車輛軌跡數(shù)據(jù)進行標簽化處理，所述時域分析法包括：

對訓練樣本集中車輛軌跡數(shù)據(jù)的軌跡點進行時域分析，獲取所述軌跡點中急加速或/和急減速的軌跡點數(shù)；

基于所述急加速或/和急減速的軌跡點數(shù)以及車輛軌跡數(shù)據(jù)的軌跡點總數(shù)，獲取所述車輛軌跡數(shù)據(jù)對應的車輛駕駛安全性評分；

基于車輛駕駛安全性評分值大小，確立所述車輛軌跡數(shù)據(jù)對應的車輛軌跡數(shù)據(jù)標簽；

所述車輛駕駛安全性評分，其計算公式如下：

式中，ρ為車輛駕駛安全性評分，a_neg為車輛軌跡數(shù)據(jù)的軌跡點中急減速的軌跡點數(shù)，a_pos為車輛軌跡數(shù)據(jù)的軌跡點中急加速的軌跡點數(shù)，a_all為車輛軌跡數(shù)據(jù)的軌跡點總數(shù)。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法，其特征是，在利用訓練樣本集中處理后的車輛軌跡數(shù)據(jù)對預構(gòu)建的卷積神經(jīng)網(wǎng)絡進行訓練之前，還包括：對訓練樣本集中車輛軌跡數(shù)據(jù)進行時空信息映射處理，所述時空信息映射處理包括：

對訓練樣本集中車輛軌跡數(shù)據(jù)的軌跡點進行時域分析或/和空間分析，獲取所述軌跡點所處的時間段或/和功能區(qū)，所述時間段包括早高峰時段、白天非高峰時段、晚高峰時段、夜間非高峰時段中的至少任一項，所述功能區(qū)包括商業(yè)區(qū)、住宅區(qū)、工作區(qū)、混合區(qū)、工業(yè)區(qū)中的至少任一項。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法，其特征是，所述車輛軌跡數(shù)據(jù)標簽包括安全、低風險、高風險、危險中的至少任一項。

4.根據(jù)權(quán)利要求1至3中任一項所述的基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法，其特征是，將處理后的目標車輛軌跡數(shù)據(jù)輸入預先訓練好的卷積神經(jīng)網(wǎng)絡，獲取目標車輛軌跡數(shù)據(jù)所對應的駕駛風格，包括：

獲取分段處理后每段目標車輛軌跡數(shù)據(jù)對應的車輛軌跡數(shù)據(jù)標簽；

基于每段目標車輛軌跡數(shù)據(jù)對應的車輛軌跡數(shù)據(jù)標簽獲取分段處理前目標車輛軌跡數(shù)據(jù)的車輛駕駛安全性評分；

基于分段處理前目標車輛軌跡數(shù)據(jù)的車輛駕駛安全性評分獲取目標車輛軌跡數(shù)據(jù)所對應的車輛軌跡數(shù)據(jù)標簽。

5.根據(jù)權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法，其特征是，所述分段處理前目標車輛軌跡數(shù)據(jù)的車輛駕駛安全性評分，其計算公式如下：

式中，S為分段處理前目標車輛軌跡數(shù)據(jù)的車輛駕駛安全性評分，k為車輛軌跡數(shù)據(jù)標簽類別數(shù)，a₁為第1類車輛軌跡數(shù)據(jù)標簽在分段處理后每段目標車輛軌跡數(shù)據(jù)對應的車輛軌跡數(shù)據(jù)標簽中所占比例，a₂為第2類車輛軌跡數(shù)據(jù)標簽在分段處理后每段目標車輛軌跡數(shù)據(jù)對應的車輛軌跡數(shù)據(jù)標簽中所占比例，a_k為第k類車輛軌跡數(shù)據(jù)標簽在分段處理后每段目標車輛軌跡數(shù)據(jù)對應的車輛軌跡數(shù)據(jù)標簽中所占比例。

6.根據(jù)權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法，其特征是，基于分段處理前目標車輛軌跡數(shù)據(jù)的車輛駕駛安全性評分獲取目標車輛軌跡數(shù)據(jù)所對應的車輛軌跡數(shù)據(jù)標簽，包括：

將分段處理前目標車輛軌跡數(shù)據(jù)的車輛駕駛安全性評分代入預設函數(shù)；

提取任一類車輛軌跡數(shù)據(jù)標簽代入所述預設函數(shù)；

如果所述預設函數(shù)成立，獲取所提取的車輛軌跡數(shù)據(jù)標簽。

7.根據(jù)權(quán)利要求6所述的基于卷積神經(jīng)網(wǎng)絡的駕駛軌跡特征分類方法，其特征是，所述預設函數(shù)，其表達式如下：

式中，S為分段處理前目標車輛軌跡數(shù)據(jù)的車輛駕駛安全性評分，k為車輛軌跡數(shù)據(jù)標簽類別數(shù)，n為所提取的第n類車輛軌跡數(shù)據(jù)標簽，N為正整數(shù)。