本發(fā)明涉及智能交通安全的，特別涉及一種基于自然駕駛數(shù)據(jù)的駕駛風(fēng)格智能識別方法。

背景技術(shù)：

1、機(jī)動車持有量的激增，為人們提供了良好的交通出行體驗，但也伴隨著交通擁堵、環(huán)境污染等問題。于是，為了保障出行的高效、便捷、綠色和安全，智能交通的發(fā)展，無人駕駛、智能網(wǎng)聯(lián)汽車技術(shù)成為當(dāng)前發(fā)展潮流。駕駛風(fēng)格研究與道路安全、環(huán)境保護(hù)、自動駕駛都有著密切關(guān)系。駕駛風(fēng)格會影響駕駛?cè)说鸟{駛行為，包括超速、闖紅燈、強(qiáng)行變道等。研究駕駛風(fēng)格，可以識別出高風(fēng)險駕駛?cè)?，并事先采取適當(dāng)?shù)慕逃团嘤?xùn)，預(yù)防交通事故的發(fā)生；不同駕駛風(fēng)格對駕駛油耗的影響是不同的，研究駕駛風(fēng)格，可以提出更加環(huán)保和節(jié)能的駕駛操作建議，減少駕駛能耗，降低駕駛成本。駕駛風(fēng)格的研究也可以幫助自動駕駛系統(tǒng)更充分地理解駕駛?cè)说囊鈭D，做出更加合理的決策；設(shè)計出更加符合駕駛?cè)似谕淖詣玉{駛系統(tǒng)，改善駕駛?cè)说氖褂皿w驗；并提供相應(yīng)的預(yù)警和干預(yù)機(jī)制，有效預(yù)防駕駛事故的發(fā)生。

2、在整個行駛過程中，不同的駕駛行為如自由行駛、跟馳和換道，對應(yīng)著不同的行駛狀態(tài)。對于不同的行駛狀態(tài)，駕駛?cè)丝赡軙尸F(xiàn)出不同的駕駛風(fēng)格。為了更有效地揭示不同類別駕駛員的駕駛風(fēng)格差異，獲得更加全面的駕駛風(fēng)格評價，需要對不同行駛狀態(tài)下的駕駛數(shù)據(jù)進(jìn)行駕駛風(fēng)格分類和駕駛風(fēng)格綜合評價。

3、對于駕駛風(fēng)格的分類，當(dāng)前主要分為基于問卷的駕駛風(fēng)格主觀評價方法和基于駕駛行為特征的客觀駕駛風(fēng)格評價方法兩類。例如通過駕駛風(fēng)格問卷(dsq)或駕駛風(fēng)格量表對駕駛風(fēng)格進(jìn)行分類；基于模糊綜合評價模型或無監(jiān)督學(xué)習(xí)算法判斷駕駛風(fēng)格。在此基礎(chǔ)上，學(xué)習(xí)不同駕駛風(fēng)格類別的特征，使用機(jī)器學(xué)習(xí)算法可以實現(xiàn)對駕駛風(fēng)格的辨識。然而，目前的研究大多集中在單個駕駛場景上，駕駛?cè)嗽诓煌鸟{駛場景下會表現(xiàn)出不同的駕駛風(fēng)格，特定場景下的駕駛風(fēng)格無法代表其整體駕駛風(fēng)格傾向，當(dāng)前并未形成具體、系統(tǒng)的多種駕駛場景下的駕駛風(fēng)格辨識方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的不足之處，本發(fā)明的目的是提供一種基于自然駕駛數(shù)據(jù)的駕駛風(fēng)格智能識別方法，利用自然駕駛數(shù)據(jù)集，利用跟馳狀態(tài)和換道狀態(tài)下的車輛軌跡數(shù)據(jù)實現(xiàn)不同場景駕駛風(fēng)格的分類，并實現(xiàn)對駕駛風(fēng)格的辨識，從而為主動判斷駕駛?cè)说鸟{駛風(fēng)格，識別出高風(fēng)險駕駛?cè)?，以及預(yù)防交通事故的發(fā)生提供有力的技術(shù)支持。為了實現(xiàn)根據(jù)本發(fā)明的上述目的和其他優(yōu)點，提供了一種基于自然駕駛數(shù)據(jù)的駕駛風(fēng)格智能識別方法，包括：

2、根據(jù)自然駕駛數(shù)據(jù)獲取車輛軌跡數(shù)據(jù)，且將車輛軌跡數(shù)據(jù)劃分為跟馳數(shù)據(jù)集與換道數(shù)據(jù)集；

3、獲取跟馳狀態(tài)與換道狀態(tài)下的駕駛風(fēng)格表征參數(shù)，降維處理后得到駕駛風(fēng)格主成分得分矩陣；

4、依據(jù)駕駛風(fēng)格表征參數(shù)構(gòu)建駕駛風(fēng)格聚類模型與基于支持向量機(jī)的駕駛風(fēng)格辨識模型；

5、通過駕駛風(fēng)格聚類模型判斷跟馳狀態(tài)和換道狀態(tài)下的駕駛風(fēng)格，并綜合兩個駕駛狀態(tài)判斷駕駛?cè)孙L(fēng)格；

6、所述駕駛風(fēng)格辨識模型用于識別駕駛?cè)烁Y狀態(tài)和換道狀態(tài)的下的駕駛風(fēng)格。

7、優(yōu)選的，所述車輛軌跡數(shù)據(jù)包括車輛id、車輛的速度、車輛的橫縱坐標(biāo)、車輛運行時所處時間、車頭時距及車頭間距。

8、優(yōu)選的，根據(jù)自然駕駛數(shù)據(jù)建立跟馳數(shù)據(jù)集和換道數(shù)據(jù)集具體包括以下步驟：

9、步驟1.1、設(shè)置行駛狀態(tài)提取規(guī)則，將自然駕駛車輛軌跡數(shù)據(jù)提取為跟馳數(shù)據(jù)集和換道數(shù)據(jù)集，使用savitzky-golay濾波算法進(jìn)行平滑處理；

10、步驟1.2、跟馳車組劃分的規(guī)則如下：跟馳車隊最大間距為150m、跟馳車隊最小間距為5m、跟馳車隊最大車頭時距為6s、跟馳最小持續(xù)時間為15s，并且限制目標(biāo)車輛必須存在前車；

11、步驟1.3、換道車組劃分的規(guī)則如下：換道狀態(tài)總時長為12s，以車道變換時的那一幀作為判斷幀，認(rèn)為該幀的前60幀和后60幀共計120幀即12s共同組成換道狀態(tài)，并且限制換道車輛必須存在前車，同時中間不曾停車。

12、優(yōu)選的，駕駛風(fēng)格主成分得分矩陣建立具體包括以下步驟：

13、步驟2.1、根據(jù)跟馳狀態(tài)和換道狀態(tài)的特征選取能夠全面表征駕駛風(fēng)格的特征參數(shù)，構(gòu)成高維駕駛風(fēng)格特征參數(shù)集；

14、步驟2.2、對跟馳參數(shù)和換道參數(shù)使用相關(guān)性分析，將相關(guān)性較低的部分特征參數(shù)刪除，初步降低駕駛風(fēng)格特征參數(shù)的維度；

15、步驟2.3、使用主成分分析降維，為盡可能保留原始數(shù)據(jù)中的信息，保留使主成分累積貢獻(xiàn)率超過80％的所有主成分，作為特征參數(shù)的降維結(jié)果，得到駕駛風(fēng)格主成分得分矩陣。

16、駕駛風(fēng)格分類模型根據(jù)降維后的特征數(shù)據(jù)建立，包括以下步驟：

17、步驟3.1、據(jù)駕駛風(fēng)格特征參數(shù)集降維后的主成分，分別構(gòu)成跟馳狀態(tài)特征矩陣a和換道狀態(tài)特征矩陣b；

18、步驟3.2、分別對跟馳狀態(tài)特征矩陣a和換道狀態(tài)特征矩陣b進(jìn)行聚類分析，根據(jù)聚類結(jié)果，計算sse和輪廓系數(shù)，將跟馳數(shù)據(jù)集和換道數(shù)據(jù)集的數(shù)據(jù)分為i類，認(rèn)為跟馳狀態(tài)和換道狀態(tài)有i種駕駛風(fēng)格，將其設(shè)定為i類跟馳狀態(tài)和換道狀態(tài)的駕駛風(fēng)格標(biāo)簽；

19、步驟3.3、根據(jù)車輛id，計算同一車輛的特征主成分?jǐn)?shù)據(jù)分別與跟馳聚類中心和換道聚類中心的距離，將i類駕駛風(fēng)格的距離各自求和，基于最小距離原則，在i種駕駛風(fēng)格中最小值即為駕駛?cè)藢?yīng)風(fēng)。

20、優(yōu)選的，駕駛風(fēng)格辨識模型根據(jù)降維后的駕駛風(fēng)格主成分得分和駕駛風(fēng)格分類模型得到的駕駛風(fēng)格標(biāo)簽建立，包括以下步驟：

21、步驟4.1、根據(jù)步驟3.1中得到的跟馳狀態(tài)特征矩陣a，將所述特征數(shù)據(jù)分為訓(xùn)練集c和測試集d，將訓(xùn)練集c的特征數(shù)據(jù)以及步驟3.2得到的對應(yīng)的駕駛風(fēng)格標(biāo)簽作為輸入，建立一個支持向量機(jī)分類模型，對歷史特征數(shù)據(jù)及其對應(yīng)的駕駛風(fēng)格標(biāo)簽進(jìn)行學(xué)習(xí)，通過網(wǎng)格搜索和交叉驗證優(yōu)化模型參數(shù)；

22、步驟4.2、對步驟3.1得到的換道狀態(tài)特征矩陣b進(jìn)行相同處理；

23、步驟4.3、訓(xùn)練模型建立后，使用測試集d對模型進(jìn)行測試，并與隨機(jī)森林和knn算法的辨識準(zhǔn)確率進(jìn)行對比，測試值達(dá)到預(yù)期準(zhǔn)確率，則所述駕駛風(fēng)格辨識模型建立完成；同時，通過與降維前的辨識準(zhǔn)確率對比，可以驗證降維對模型辨識準(zhǔn)確率提高的幫助。

24、本發(fā)明與現(xiàn)有技術(shù)相比，其有益效果是：

25、(1)本發(fā)明方法提供了一種系統(tǒng)化的方法，包括數(shù)據(jù)處理、特征提取、駕駛風(fēng)格分類、駕駛風(fēng)格辨識共四個步驟，形成了完整的駕駛風(fēng)格辨識方案。方法基于普遍適用的自然駕駛車輛軌跡數(shù)據(jù)，具有較強(qiáng)的適應(yīng)性和可遷移性，可以應(yīng)用于不同的車輛和駕駛環(huán)境。同時，自然駕駛數(shù)據(jù)為實車駕駛數(shù)據(jù)，使得駕駛風(fēng)格的辨識更加符合實際駕駛情況，提高了模型的實用性。

26、(2)本發(fā)明方法使用成熟的數(shù)據(jù)處理技術(shù)和機(jī)器學(xué)習(xí)算法，如主成分分析、聚類算法、支持向量機(jī)算法。通過綜合使用車輛運行狀態(tài)的多維度特征，算法能夠更全面地理解和預(yù)測駕駛行為。應(yīng)用主成分分析等降維技術(shù)，算法在減少計算復(fù)雜度的同時保留了最重要的信息，提高了數(shù)據(jù)處理的效率。使用聚類算法對駕駛風(fēng)格進(jìn)行分類，簡單高效的同時容易解釋和實現(xiàn)，提高了駕駛風(fēng)格辨識的準(zhǔn)確性、穩(wěn)定性和效率。

27、(3)本發(fā)明方法不僅對單一駕駛場景進(jìn)行分析，還能綜合評價駕駛?cè)嗽诓煌{駛場景下的表現(xiàn)，提供更全面的駕駛風(fēng)格評價。此外，雖然只考慮了跟馳和換道兩種行駛狀態(tài)，但是預(yù)留了擴(kuò)展到其他行駛狀態(tài)如自由行駛、轉(zhuǎn)彎等的可能性，提供了全面的駕駛風(fēng)格分析。通過綜合不同場景下的數(shù)據(jù)，方法有助于識別駕駛?cè)说膫€性化駕駛習(xí)慣和風(fēng)格，為個性化的駕駛培訓(xùn)和輔助提供依據(jù)。同時保持了更好的泛化能力，能夠適應(yīng)更廣泛的應(yīng)用環(huán)境。