[發明專利]一種基于改進K-means的駕駛行為分析方法

在審

• 申請號: 202010198869.7
• 申請日: 2020-03-19
• 公開（公告）號: CN111461185A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 吳艷霞;李儲巖;王旭;王青文
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/06
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

一種基于改進K?means的駕駛行為分析方法，它屬于駕駛行為分析技術領域。本發明解決了現有K?means方法對駕駛行為聚類結果的科學性、準確性欠佳的問題。本發明為選取最佳的初始中心，提出了DC算法，該算法通過計算數據集中樣本密度、類中樣本之間平均差異度的倒數以及簇之間差異度三者的乘積作為其中心指標，初始中心由中心指標確定。然后將通過DC算法獲取到的初始中心作為默認參數輸入K?means算法中，用以提高K?means算法對駕駛行為聚類結果的準確率和穩定性，改進的K?means算法對駕駛行為的聚類結果更加科學。實驗結果表明，在對駕駛行為聚類分析的研究上，本發明改進算法的準確率更高、抗干擾能力更強，準確率達到90％。本發明可以應用于駕駛行為分析。

技術領域

本發明屬于駕駛行為分析技術領域，具體涉及一種基于改進K-means的駕駛行為分析方法。

背景技術

目前，研究者們對駕駛行為的研究主要從駕駛行為評價和駕駛行為分析兩個角度出發。公平、合理地評價駕駛員，以及準確識別駕駛員駕駛行為的目的，對于挖掘出對駕駛行為有重要影響的客觀因素，進而為交通運輸企業評價駕駛員提供了有力指標和科學依據。

鄭恒杰學者基于數據挖掘的方法，運用Isolation Forest算法和SOM算法對交通數據進行預處理并提取特征值，再通過K-means聚類算法和BP神經網絡構建分類器，實現對駕駛行為的分類和評價。但是聚類算法得到的聚類結果的精確度不高。

吳紫恒學者在結合道路交通狀態的情況下，否定了通過打分機制評價駕駛員以及主觀選取駕駛行為特征參數的方案，并提出利用改進的K-means算法結合BP神經網絡建立客觀、高效的駕駛行為評價模型。但是并沒有深入分析駕駛行為特點。

牛增良等學者從不安全駕駛行為角度出發，通過模糊聚類、系統聚類方法對特大交通事故聚類，研究外部客觀因素與駕駛行為之間的聯系。

孫川等學者基于存儲的車聯網數據，從中選取了多個與速度、加速度有關的參數。并將研究對象的多個參數降為少數綜合參數，這些綜合參數能全面地表示原參數的信息。以綜合參數為變量通過系統聚類的方法，對駕駛行為進行聚類分析，最終將駕駛行為有效分為加速、減速、超速和變速行為。

任慧君學者提出一種利用車載GPS采集車輛軌跡數據的方法，在軌跡數據中提取與速度和加速度有關的駕駛行為信息，從而評估駕駛行為的安全性。缺點是并未深入挖掘探索不安全駕駛行為背后的信息。

Guo F等學者認為駕駛風險在不同的駕駛員之間存在差異性，他們一方面基于收集到的車輛數據呈現負二項分布的特點，因而采用了負二項回歸方法對危險駕駛行為建立識別模型，探索出對駕駛行為有顯著影響的多種因子。另一方面利用K-means聚類算法把駕駛員的駕駛行為分為三類，分別為高風險司機組，中等風險司機組，低風險司機組。

OBD、GPS等傳感器被廣泛應用于車輛信息采集，Meseguer J E等學者通過這兩種傳感器設備重點采集車輛的速度和加速度信息。首先，創建了神經網絡模型并對駕駛行為進行訓練，然后，利用經訓練后的模型對駕駛員駕駛行為實現快速、準確的分類功能。

Vatikus V等學者認為車輛的加速度信息更能體現一個駕駛員駕駛特點，因此他們利用三軸加速度計收集車輛信息。然后建立了駕駛員風格識別模型，該模型的輸入是加速度方差，加速度均值，模型的輸出是判別每個駕駛員的駕駛風格是緩和型還是激進型。該模型最大的特點是不需要人工的參與。

Qi G等學者相對與其他研究者而言，在提取駕駛行為信息時，將重點放在跟車距離上，將主題模型(Latent Dirichlet Allocation，LDA)的優點和模糊C均值算法(FuzzyC-Means，FCM)優點相結合，得到駕駛行為分類器，該分類器將駕駛行為分成3類：激進型、適度型和謹慎型。