[發明專利]一種基于卷積神經網絡的駕駛軌跡特征分類方法

有效

• 申請號: 201911153335.6
• 申請日: 2019-11-22
• 公開（公告）號: CN110889444B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 張登銀;楊小潤;丁飛;李永軍;張念啟
• 申請（專利權）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: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

本發明公開了交通數據信息挖掘技術領域的一種基于卷積神經網絡的駕駛軌跡特征分類方法，旨在解決現有技術中從車輛軌跡數據中挖掘駕駛風格時，由于車輛定位受道路環境等因素影響，加之對車輛軌跡數據的分析不足，無法有效獲取駕駛員的駕駛風格的技術問題。所述方法包括如下步驟：對目標車輛軌跡數據進行分段處理；將處理后的目標車輛軌跡數據輸入預先訓練好的卷積神經網絡，獲取目標車輛軌跡數據所對應的駕駛風格。

技術領域

本發明涉及一種基于卷積神經網絡的駕駛軌跡特征分類方法，屬于交通數據信息挖掘技術領域。

背景技術

相關研究報告顯示，由于駕駛風格差異導致的人為失誤占交通事故總數的54％。通過研究不同駕駛員的駕駛風格，分析駕駛風格與行車安全的內在聯系，針對不同駕駛風格的駕駛員生成駕駛風格報告，對駕駛員提出改進建議，對于降低交通事故發生率具有現實意義。例如，UBI保險(Usage-based insurance，基于使用量定價保險，后被擴大概念范疇包含基于駕駛風格定價)可以利用駕駛員不同的駕駛風格來制定階梯段保費，以鼓勵合規穩健駕駛。

駕駛員的駕駛行為，是獨立于車輛硬件狀態而影響交通事故的重要因素。目前，通常采用視頻攝像頭或慣導傳感器等采集駕駛員的駕駛行為，進而分析其駕駛風格。由于采集設備需要獨立安裝并供電，該方案投入成本較大，不利于全面推廣應用。車輛軌跡分析旨在通過車輛軌跡數據評估和分析駕駛員的駕駛行為。隨著車載定位系統以及車聯網通信技術的迅速發展，車輛位置信息的獲取與數據傳輸變得更為容易。運用車輛軌跡數據進行安全駕駛行為分析，具有位置實時性、軌跡連續性等重要優勢。但由于車輛定位受道路環境等因素影響，存在定位誤差、數據丟失、采集頻率受限等一系列問題，無形中降低了車輛軌跡數據的實用價值。

發明內容

針對現有技術的不足，本發明的目的在于提供一種基于卷積神經網絡的駕駛軌跡特征分類方法，以解決現有技術中從車輛軌跡數據中挖掘駕駛風格時，由于車輛定位受道路環境等因素影響，加之對車輛軌跡數據的分析不足，無法有效獲取駕駛員的駕駛風格的技術問題。

為解決上述技術問題，本發明所采用的技術方案是：

一種基于卷積神經網絡的駕駛軌跡特征分類方法，包括如下步驟：

對目標車輛軌跡數據進行分段處理；

將處理后的目標車輛軌跡數據輸入預先訓練好的卷積神經網絡，獲取目標車輛軌跡數據所對應的駕駛風格。

進一步地，在將處理后的目標車輛軌跡數據輸入預先訓練好的卷積神經網絡之前，還包括：

基于歷史或/和實時車輛軌跡數據構建訓練樣本集；

對訓練樣本集中車輛軌跡數據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據對預構建的卷積神經網絡進行訓練。

進一步地，在利用訓練樣本集中處理后的車輛軌跡數據對預構建的卷積神經網絡進行訓練之前，還包括：對訓練樣本集中車輛軌跡數據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據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，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，所述功能區包括商業區、住宅區、工作區、混合區、工業區中的至少任一項。

進一步地，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據進行標簽化處理，所述時域分析法包括：

對訓練樣本集中車輛軌跡數據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；

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