[發明專利]一種基于基本駕駛操作事件的無監督駕駛風格分析方法

在審

• 申請號: 202210176012.4
• 申請日: 2022-02-25
• 公開（公告）號: CN114707573A
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 李顯生;崔曉彤;鄭雪蓮;任園園;趙蘭
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 洪秀鳳

本發明提供一種基于基本駕駛操作事件的無監督駕駛風格分析方法，包括：獲取數據并預處理；提取基本駕駛操作事件；對基本駕駛操作事件中每個事件進行特征構造和提取，得事件強度特征；通過k?means進行事件強度聚類并打事件強度類別標簽；獲取動態時間窗，構造表征動態時間窗內駕駛風格的已具有事件強度類別標簽的事件隨時間變化曲線；基于融合DTW的曲線聚類算法，對各動態時間窗的曲線聚類，得各類時間窗曲線并打駕駛風格類型標簽。本發明以基本駕駛操作事件為基本單元，考慮事件強度和事件轉移特征，以事件隨時間的變化曲線作為描述駕駛風格的特征，體現駕駛行為的動態決策信息、數據連續性和時間特性，保留數據原始信息，提高駕駛風格分析準確性。

技術領域

本發明涉及交通分析技術領域，具體而言，涉及一種基于基本駕駛操作事件的無監督駕駛風格分析方法。

背景技術

隨著社會科技的發展，駕駛風格分析已成為研究熱點。駕駛風格在道路安全、車輛經濟性、車輛保險以及智能車設計等方面有著重要作用：對駕駛風格進行檢測并實時向駕駛人反饋能夠有效減少道路交通事故的發生；駕駛風格很大程度上影響了車輛的燃油經濟性，越激進的駕駛行為，其燃油經濟性越低；車輛保險費用也取決于車輛使用者的駕駛風格，對不同駕駛風格駕駛人制定不同保費能使保險公司利益最大化；隨著人工智能的發展，智能車輛成為車輛相關行業發展新趨勢，智能車輛的決策過程很大程度依賴于駕駛行為的分析，要想保證智能車輛的決策安全性以及提高用戶的接受程度，駕駛風格有效分析是關鍵技術。因此，準確并高效的實現駕駛風格識別是當前關注的重點。

在大數據背景下，面對海量的自然駕駛數據，每一個小時的自然駕駛數據大約需要800工時標定，因此采用無監督方法對駕駛風格進行聚類分析是十分有必要的。聚類分析是一種用來數據挖掘的無監督機器學習算法，聚類分析可以尋找數據內在的分布結構，將特性相似的數據聚為一類，不同類型數據之間具有明顯差異，擴大相似數據的相似性以及不同類型數據之間的差異，以提高解釋性以及方便后續研究分析。

然而，現有駕駛風格分析仍然存在以下缺點：(1)缺乏從基本駕駛操作事件出發，同時考慮事件強度與事件轉移特征的駕駛風格分析方法；(2)現有技術大多利用離散特征點表征駕駛風格，無法保留自然駕駛數據的連續性，遺漏時間特性；(3)現有駕駛風格聚類算法均是針對離散點的聚類算法，缺少針對不同長度連續曲線的聚類算法，無法實現基于連續型曲線特征對不同長度的數據樣本進行駕駛風格高效準確的聚類分析。

發明內容

本發明提供了一種基于基本駕駛操作事件的無監督駕駛風格分析方法，以解決現有駕駛風格分析方法存在的未從基本駕駛操作事件出發、未考慮事件強度與事件轉移特征；利用離散特征點表征駕駛風格，無法保留自然駕駛數據的連續性，遺漏時間特性；缺少針對不同長度連續曲線的聚類算法，無法實現基于連續型曲線特征對不同長度的數據樣本進行駕駛風格高效準確的聚類分析的問題。

本發明提供了一種基于基本駕駛操作事件的無監督駕駛風格分析方法，包括以下步驟：S1、獲取自然駕駛數據，并對所述自然駕駛數據進行預處理，得到有效自然駕駛數據；S2、基于所述有效自然駕駛數據，提取基本駕駛操作事件；S3、基于所述有效自然駕駛數據，通過駕駛行為特征對所述基本駕駛操作事件中的每個事件進行特征構造和特征提取，得到表征每個事件強度的事件強度特征；S4、基于所述事件強度特征，通過k-means聚類算法對基本駕駛操作事件中的每個事件按照直行事件和轉向事件進行事件強度聚類，并根據事件強度特征的統計值，對聚類得到的各類事件打事件強度類別標簽；S5、基于所述有效自然駕駛數據獲取道路線形，并基于道路線形的變化按照直線路段和曲線路段獲取動態時間窗；基于動態時間窗內事件強度類別和事件轉移特征，構造表征動態時間窗內駕駛風格的已具有事件強度類別標簽的事件隨時間的變化曲線；基于融合DTW的曲線聚類算法，按照直行事件和轉向事件對各動態時間窗的所述曲線進行聚類，得到各類時間窗曲線；基于事件強度特征和事件轉移特征，對各類時間窗曲線打駕駛風格類型標簽。

在本發明的一些實施方式中，所述自然駕駛數據包括速度、縱向加速度和側向加速度，所述預處理包括異常數據剔除和數據平滑處理。