[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

本發明提供了一種基于局部時間序列提取算法的駕駛風格識別方法和裝置，其方法包括：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。本發明提高了駕駛風格識別方法的時效性和魯棒性。

技術領域

本發明涉及自主駕駛技術領域，具體涉及一種基于局部時間序列提取算法的駕駛風格識別方法及裝置。

背景技術

駕駛風格是駕駛者個性化駕駛的體現，駕駛風格的研究包括駕駛員注意力的集中程度、駕駛員對車輛運動狀態的主觀需求等多個方面的內容。由于人的駕駛風格涉及到人的復雜性和不確定性，因而學習駕駛風格涉及的相關內容比較廣泛，包括駕駛人對交通環境的反應機理、駕駛人的年齡、心理、駕駛經驗等。作為一種新的評價指標，駕駛風格可以使駕駛行為得到整體性解釋，使車輛發出的預警或強制執行動作滿足駕駛人意愿，提高駕駛人對汽車系統的認可度和利用率。

現有的研究技術主要包括基于機器學習的方法。但基于機器學習的方法存在以下缺陷：(1)基于機器學習的方法需要構建神經網絡對駕駛風格進行識別，神經網絡結構復雜，從而降低了駕駛風格的識別時效性；(2)基于機器學習的方法需要大量駕駛數據訓練樣本，導致駕駛風格的識別過程非常耗時，進而進一步降低了效性；(3)由于駕駛數據的高維性和變量間的復雜關系，現有的機器學習方法無法有效地處理多變量駕駛數據，導致機器學習方法的魯棒性較差。

發明內容

有鑒于此，有必要提供一種基于局部時間序列提取算法的駕駛風格識別方法及裝置，用以解決現有技術中存在的駕駛風格識別方法時效性差、魯棒性差的技術問題。

為了解決上述技術問題，本發明提供了一種基于局部時間序列提取算法的駕駛風格識別方法，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。

在一種可能的實現方式中，所述預設的局部時間序列提取算法為shapelets提取算法。

在一種可能的實現方式中，所述預設的時間序列分割方法為滑窗法。

在一種可能的實現方式中，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數據進行聚類，生成所述至少兩個駕駛風格樣本集。

在一種可能的實現方式中，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；