[發明專利]基于局部時間序列提取算法的駕駛風格識別方法及裝置

有效

• 申請號: 202111005909.2
• 申請日: 2021-08-30
• 公開（公告）號: CN113635906B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 魏翼鷹;李志成;袁鵬舉;鄒琳;張暉;楊杰;張勇;文寶毅
• 申請（專利權）人: 武漢理工大學
• 主分類號: B60W40/09
• 分類號: B60W40/09
• 代理公司: 武漢智嘉聯合知識產權代理事務所(普通合伙) 42231
• 代理人: 萬青青

1.一種基于局部時間序列提取算法的駕駛風格識別方法，其特征在于，包括：

確定駕駛風格不同的至少兩個駕駛風格樣本集；

采用預設的時間序列分割方法將所述至少兩個駕駛風格樣本集中的每一個駕駛風格樣本集分割為多個初始時間子序列；

采用預設的局部時間序列提取算法從所述多個初始時間子序列中提取出多個目標時間子序列；

根據所述多個目標時間子序列構建相似度識別模型，并根據所述相似度識別模型對待識別駕駛數據的駕駛風格進行識別；

所述確定駕駛風格不相同的至少兩個駕駛風格樣本集包括：

獲取初始駕駛數據集；

采用預設的降維算法將所述初始駕駛數據集進行降維，生成待處理駕駛數據集；

采用聚類算法將所述待處理駕駛數據集進行聚類，生成所述至少兩個駕駛風格樣本集；

所述初始駕駛數據集包括多個駕駛人的多維初始駕駛數據；所述預設的降維算法為主成分分析法；所述采用預設的降維算法將所述初始駕駛數據集進行降維，生成待處理駕駛數據集包括：

根據所述初始駕駛數據集構造初始駕駛數據矩陣，所述初始駕駛數據矩陣的行數與所述多維初始駕駛數據的維數相等，所述初始駕駛數據矩陣的列數與所述多個駕駛人的個數相等；

將所述初始駕駛數據矩陣的每一行進行零均值化，生成零均值矩陣；

計算所述零均值矩陣的協方差矩陣；

計算所述協方差矩陣的多個特征值及與所述多個特征值一一對應的多個特征向量；

按照所述多個特征值從大到小的順序，將所述多個特征向量排列成備選矩陣；

從所述備選矩陣中選取前第一閾值行，生成所述待處理駕駛數據集；

所述根據所述多個目標時間子序列構建相似度識別模型包括：

采用符號集合近似算法將所述多個目標時間子序列符號化，生成多個目標字符串；

計算所述多個目標字符串的多個TF-IDF權重向量，并根據所述多個TF-IDF權重向量生成所述相似度識別模型；

所述根據所述相似度識別模型對待識別駕駛數據的駕駛風格進行識別包括：

采用符號集合近似算法將所述待識別駕駛數據符號化，生成多個駕駛字符串；

計算所述多個駕駛字符串中每一個駕駛字符串的頻率，生成頻率向量；

計算所述頻率向量與所述多個TF-IDF權重向量的多個余弦相似度值；

確定所述多個余弦相似度值中的最大余弦相似度值，并確定與所述最大余弦相似度值對應的最相似目標時間子序列，與所述最相似目標時間子序列對應的駕駛風格樣本集的駕駛風格即為所述待識別駕駛數據的駕駛風格。

2.根據權利要求1所述的基于局部時間序列提取算法的駕駛風格識別方法，其特征在于，所述預設的局部時間序列提取算法為shapelets提取算法。

3.根據權利要求1所述的基于局部時間序列提取算法的駕駛風格識別方法，其特征在于，所述預設的時間序列分割方法為滑窗法。

4.根據權利要求1所述的基于局部時間序列提取算法的駕駛風格識別方法，其特征在于，在所述生成所述至少兩個駕駛風格樣本集之后還包括：

獲取駕駛數據驗證集；

通過所述駕駛數據驗證集驗證所述至少兩個駕駛風格樣本集的準確度。

5.根據權利要求1所述的基于局部時間序列提取算法的駕駛風格識別方法，其特征在于，所述采用符號集合近似算法將所述多個目標時間子序列符號化，生成多個目標字符串包括：

對所述多個目標時間子序列進行標準化，生成多個標準化目標時間子序列；所述多個標準化目標子序列的均值為0，標準方差為1；

基于分段累積近似方法將多個標準化目標子序列進行降維處理，生成多個降維子序列；

將所述多個降維子序列用字符表示，生成所述多個目標字符串。

6.一種基于局部時間序列提取算法的駕駛風格識別裝置，其特征在于，包括：

樣本集確定單元，用于確定駕駛風格不同的至少兩個駕駛風格樣本集；

樣本集分割單元，用于采用預設的時間序列分割方法將所述至少兩個駕駛風格樣本集中的每一個駕駛風格樣本集分割為多個初始時間子序列；

局部時間序列提取單元，用于采用預設的局部時間序列提取算法從所述多個初始時間子序列中提取出多個目標時間子序列；

駕駛風格識別單元，用于根據所述多個目標時間子序列構建相似度識別模型，并根據所述相似度識別模型對待識別駕駛數據進行識別，識別出所述待識別駕駛數據的駕駛風格；

所述確定駕駛風格不相同的至少兩個駕駛風格樣本集包括：

獲取初始駕駛數據集；

采用預設的降維算法將所述初始駕駛數據集進行降維，生成待處理駕駛數據集；

采用聚類算法將所述待處理駕駛數據集進行聚類，生成所述至少兩個駕駛風格樣本集；

所述初始駕駛數據集包括多個駕駛人的多維初始駕駛數據；所述預設的降維算法為主成分分析法；所述采用預設的降維算法將所述初始駕駛數據集進行降維，生成待處理駕駛數據集包括：

根據所述初始駕駛數據集構造初始駕駛數據矩陣，所述初始駕駛數據矩陣的行數與所述多維初始駕駛數據的維數相等，所述初始駕駛數據矩陣的列數與所述多個駕駛人的個數相等；

將所述初始駕駛數據矩陣的每一行進行零均值化，生成零均值矩陣；

計算所述零均值矩陣的協方差矩陣；

計算所述協方差矩陣的多個特征值及與所述多個特征值一一對應的多個特征向量；

按照所述多個特征值從大到小的順序，將所述多個特征向量排列成備選矩陣；

從所述備選矩陣中選取前第一閾值行，生成所述待處理駕駛數據集；

所述根據所述多個目標時間子序列構建相似度識別模型包括：

采用符號集合近似算法將所述多個目標時間子序列符號化，生成多個目標字符串；

計算所述多個目標字符串的多個TF-IDF權重向量，并根據所述多個TF-IDF權重向量生成所述相似度識別模型；

所述根據所述相似度識別模型對待識別駕駛數據的駕駛風格進行識別包括：

采用符號集合近似算法將所述待識別駕駛數據符號化，生成多個駕駛字符串；

計算所述多個駕駛字符串中每一個駕駛字符串的頻率，生成頻率向量；

計算所述頻率向量與所述多個TF-IDF權重向量的多個余弦相似度值；

確定所述多個余弦相似度值中的最大余弦相似度值，并確定與所述最大余弦相似度值對應的最相似目標時間子序列，與所述最相似目標時間子序列對應的駕駛風格樣本集的駕駛風格即為所述待識別駕駛數據的駕駛風格。