本發(fā)明涉及摩托車騎行行為分析領(lǐng)域，尤其涉及一種基于摩托車運行狀態(tài)的激進騎行特征提取方法及裝置。

背景技術(shù)：

1、隨著全球經(jīng)濟的發(fā)展和消費者生活水平的提高，摩托車的消費結(jié)構(gòu)也在發(fā)生變化。除了基本的代步功能外，摩托車的休閑，娛樂，競技等多元化用途也越來越受到重視。在享受極致的駕駛體驗的同時，摩托車用戶也常常因為危險激進的駕駛行為發(fā)生交通事故。與汽車領(lǐng)域類似，摩托車領(lǐng)域也開始廣泛利用大數(shù)據(jù)技術(shù)對用戶激進騎行行為進行分析預(yù)測的研究與應(yīng)用。

2、然而摩托車領(lǐng)域智能化起步較晚，現(xiàn)階段針對激進騎行行為研究多是與汽車領(lǐng)域類似的建立在變道、跟車等較為簡單的操作特征之上。此類特征常常受到外界環(huán)境的影響，無法全面真實的反映用戶個人的騎行風(fēng)格是否激進。且摩托車操控有其獨特的專業(yè)性，在騎行過程中產(chǎn)生的數(shù)據(jù)特征也更為復(fù)雜，但同時也能隱含更多反映用戶騎行習(xí)慣與風(fēng)格的信息。因此建立一套能從摩托車的復(fù)雜操作特征中提取出能有效反映激進騎行行為的特征提取方法尤為重要。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于摩托車運行狀態(tài)的激進騎行特征提取方法及裝置。

2、具體技術(shù)方案如下：

3、一種基于摩托車運行狀態(tài)的激進騎行特征提取方法，包括以下步驟：

4、s1：收集歷史騎行過程中摩托車的運行狀態(tài)數(shù)據(jù)，得到原始數(shù)據(jù)集；所述運行狀態(tài)數(shù)據(jù)包括多項騎行特征；對原始數(shù)據(jù)集進行預(yù)處理，得到無標(biāo)簽數(shù)據(jù)集；

5、s2：將發(fā)動機實際扭矩、油門加速器開度作為參考特征，計算所述無標(biāo)簽數(shù)據(jù)集中的各項騎行特征與參考特征的相關(guān)性，據(jù)此篩除無標(biāo)簽數(shù)據(jù)集中與激進騎行行為無關(guān)的騎行特征，得到潛在有用騎行特征數(shù)據(jù)集；

6、s3：采用滑動窗口法為所述潛在有用騎行特征數(shù)據(jù)集中的運行狀態(tài)數(shù)據(jù)構(gòu)建訓(xùn)練標(biāo)簽，得到有標(biāo)簽數(shù)據(jù)集；

7、s4：利用有標(biāo)簽數(shù)據(jù)集訓(xùn)練基于自注意力機制的transformer模型，得到各項騎行特征對該模型預(yù)測性能的影響系數(shù)，舍去所述影響系數(shù)低于設(shè)定閾值的騎行特征，得到最終的激進騎行特征。

8、進一步地，所述s1中，運行狀態(tài)數(shù)據(jù)的騎行特征包括：上報時間、車架號、瞬時油耗、速度、發(fā)動機轉(zhuǎn)速、發(fā)動機實際扭矩、油門加速器開度、x軸角、行駛總里程。

9、進一步地，所述s1中，預(yù)處理具體通過如下子步驟實現(xiàn)：

10、s1.1：對所述原始數(shù)據(jù)集進行統(tǒng)計性分析，得到統(tǒng)計性分析結(jié)果；所述統(tǒng)計性分析包括每一項騎行特征的平均值、最大值、最小值、標(biāo)準差以及四分位數(shù)；所述統(tǒng)計性分析結(jié)果包括每一項騎行特征對應(yīng)的數(shù)據(jù)的中心趨勢、分布形態(tài)、離散程度的度量、集中分布范圍；

11、s1.2、基于所述統(tǒng)計性分析結(jié)果進行數(shù)據(jù)清洗：首先刪除所述運行狀態(tài)數(shù)據(jù)中含有缺失值的整條上報記錄，所述整條上報記錄為所有摩托車車端傳感器單次上傳的所有數(shù)據(jù)；捕獲離群異常值并刪除；

12、s1.3：對s1.2得到的清洗后的運行狀態(tài)數(shù)據(jù)進行時間戳處理，得到按照摩托車的車架號、上報時間的優(yōu)先級順序排列并分組的無標(biāo)簽數(shù)據(jù)集。

13、進一步地，所述s1.2中，離群異常值m的表達式如下：

14、；

15、；

16、式中，q1為四分位數(shù)按從小到大排序后排列在25%位置的數(shù)據(jù)，q3為四分位數(shù)按從小到大排序后排列在75%位置的數(shù)據(jù)，iqr為四分位距。

17、進一步地，所述s1.3具體包括以下步驟：

18、s1.3.1、數(shù)據(jù)排序：將清洗后的運行狀態(tài)數(shù)據(jù)根據(jù)車架號進行降序排序，若存在相同的車架號，則根據(jù)上報時間進行升序排序；

19、s1.3.2、數(shù)據(jù)分組：計算排序后相鄰運行狀態(tài)數(shù)據(jù)間的上報時間差值；設(shè)定時間差閾值，判斷相鄰運行狀態(tài)數(shù)據(jù)的差值是否超過所述時間差閾值，若是，則將這兩個運行狀態(tài)數(shù)據(jù)劃分為不同組，若否，則將這兩個運行狀態(tài)數(shù)據(jù)劃分為同一組。

20、進一步地，所述s2中，無標(biāo)簽數(shù)據(jù)集中的各項騎行特征與參考特征的相關(guān)性通過皮爾遜相關(guān)系數(shù)體現(xiàn)：分別計算發(fā)動機實際扭矩與各項騎行特征的皮爾遜相關(guān)系數(shù)、油門加速器開度與各項騎行特征的皮爾遜相關(guān)系數(shù)，每項騎行特征的激進行為綜合指數(shù)由其與發(fā)動機實際扭矩、油門加速器開度的皮爾遜相關(guān)系數(shù)加權(quán)求和得到；若激進行為綜合指數(shù)的絕對值在0到0.2之間，則判定該騎行特征與參考特征呈弱相關(guān)，將其從無標(biāo)簽數(shù)據(jù)集中篩除。

21、進一步地，所述s3中，通過滑動窗口法構(gòu)建有標(biāo)簽數(shù)據(jù)集，具體通過如下子步驟實現(xiàn)：

22、s3.1：對每項騎行特征數(shù)據(jù)構(gòu)造數(shù)據(jù)集和標(biāo)簽集，并初始化為空；確定滑動窗口的大小和滑動步長；

23、s3.2：滑動窗口在每項騎行特征的數(shù)據(jù)序列上從索引0開始，以設(shè)定滑動步長進行滑動，每次滑動后，從數(shù)據(jù)序列中獲取滑動窗口內(nèi)的數(shù)據(jù)，并將其添加到數(shù)據(jù)集中；通過索引，獲取滑動窗口后的下一個數(shù)據(jù)點，將其作為當(dāng)前滑動窗口內(nèi)數(shù)據(jù)的標(biāo)簽，并添加到標(biāo)簽集中；

24、s3.3：重復(fù)s3.1-s3.2，直到所有騎行特征均完成數(shù)據(jù)集與標(biāo)簽集的添加；

25、s3.4：集合所有數(shù)據(jù)集和標(biāo)簽集，得到有標(biāo)簽數(shù)據(jù)集。

26、進一步地，所述s4中，各項騎行特征對該模型預(yù)測性能的影響系數(shù)具體通過如下子步驟得到：

27、s4.1：初始化transformer模型，將有標(biāo)簽數(shù)據(jù)集輸入到transformer模型中進行訓(xùn)練，得到包含所有潛在有用騎行特征的基礎(chǔ)模型，并將該基礎(chǔ)模型的均方根誤差作為性能指標(biāo)基準；

28、s4.2：遍歷有標(biāo)簽數(shù)據(jù)集，逐一移除單項騎行特征，使用更新的有標(biāo)簽數(shù)據(jù)集重新訓(xùn)練transformer模型，并計算每次移除騎行特征后的均方根誤差；直到完成所有騎行特征都被單獨排除過一次；

29、s4.3：判斷移除每項騎行特征前后transformer模型的均方根誤差變化是否超過設(shè)定變化閾值，若超過，則認為該項騎行特征對transformer模型預(yù)測性能的影響系數(shù)大，反之則認為該項騎行特征的影響系數(shù)?。慌懦绊懴禂?shù)小的騎行特征，得到最終的激進騎行特征。

30、進一步地，所述s4中，transformer模型中的自注意力機制做出的優(yōu)化如下：

31、對于每項騎行特征對應(yīng)的數(shù)據(jù)序列，在計算序列中每一數(shù)據(jù)點 x i與其近鄰數(shù)據(jù)點 x j之間的注意力分數(shù) score ij后，使用一個注意力優(yōu)化參數(shù) m ij，將 x i注意力限制在與其相鄰的2k個元素范圍內(nèi)，k由人為設(shè)定；

32、 m ij對模型注意力機制的優(yōu)化表達式如下：

33、；

34、；

35、式中，opt_scoreij為優(yōu)化后的注意力分數(shù)。

36、一種基于摩托車運行狀態(tài)的激進騎行特征提取裝置，用于實現(xiàn)所述的基于摩托車運行狀態(tài)的激進騎行特征提取方法，包括：數(shù)據(jù)獲取單元、數(shù)據(jù)處理單元、特征篩除單元、特征驗證單元；

37、所述數(shù)據(jù)獲取單元用于獲取采集到的駕駛過程中摩托車運行狀態(tài)數(shù)據(jù)；

38、所述數(shù)據(jù)處理單元用于根據(jù)設(shè)定好的規(guī)則對數(shù)據(jù)進行統(tǒng)計性分析、數(shù)據(jù)清洗以及時間戳處理；

39、所述特征篩除單元根據(jù)輸入的參考特征，從其余騎行特征中篩除與激進騎行行為無關(guān)的騎行特征；

40、所述特征驗證單元首先會對數(shù)據(jù)進行訓(xùn)練標(biāo)簽的構(gòu)造，接著利用單元中內(nèi)置的基于自注意力機制的學(xué)習(xí)模型對特征提取單元提取出的特征進行驗證篩選，并最終輸出反映激進騎行行為的關(guān)鍵特征。

41、本發(fā)明的有益效果是：

42、本發(fā)明提出了一種從摩托車運行狀態(tài)數(shù)據(jù)中提取出激進騎行特征的方法及裝置，能準確提取出激進騎行特征，解決了摩托車操控數(shù)據(jù)特有的復(fù)雜性與專業(yè)性的問題；同時有助于提高摩托車激進騎行行為識別的準確度，拓展了可用于分析的特征參數(shù)領(lǐng)域，推動摩托車騎行的安全性，減少因激進騎行導(dǎo)致的安全事故的發(fā)生。