一种车辆个性化风险行为识别方法
文献发布时间:2023-06-19 09:41:38
技术领域
本发明属于车辆安全驾驶技术领域,尤其涉及一种车辆个性化风险行为识别方法。
背景技术
车辆安全形势日益严峻,是社会普遍关注的热点问题。研究表明车辆交通事故中,不良驾驶行为导致的事故占绝大多数。如何有效评估驾驶人的驾驶风险,对驾驶人的风险驾驶行为进行辨识,是降低车辆事故的关键技术手段之一。当前研究针对驾驶行为的风险评估方法大多基于固定阈值,然而驾驶人驾驶习惯和特征因人而异,采用固定阈值显然无法适应个性化的驾驶特征需求,造成风险预测精度偏低。因此,亟待研究一种能够对驾驶人驾驶风险进行非定义阈值的建模方法。同时要求可操作性强、实用化等特点,可以针对不同的驾驶人进行个性化风险评估,并进一步挖掘驾驶行为特征与驾驶安全之间的关系,以提高风险模型评估精度,改善驾驶人驾驶行为,降低事故风险。
发明内容
为解决上述技术问题,本发明提供了一种车辆个性化风险行为识别方法。
为了达到上述目的,本发明提供的一种车辆个性化风险行为识别方法包括按顺序进行的下列步骤:
步骤1:车联网信息平台采集车辆的速度,对车辆的速度进行预处理得到预处理后车辆的速度,根据预处理后车辆的速度计算驾驶加速度数据;
步骤2:结合预处理后驾驶行为数据,通过Z-标准化方法对驾驶加速度数据进行标准化处理;
步骤3:将标准化后的加速度数据,经过PAA方法进行分级;
步骤4:提取较为频繁的驾驶行为模式,即典型的驾驶行为模式;
步骤5:根据提取的典型驾驶行为模式,判定驾驶员驾驶行为偏好,判定为平顺驾驶行为风格、激进驾驶行为风格、保守驾驶驾驶行为风格;
步骤6:搭建基于典型驾驶行为及加速度变化特性的个性化驾驶行为评估模型;
步骤7:利用上述搭建的个性化驾驶行为评估模型对驾驶员驾驶风险性进行评价;
作为优选,步骤1所述的车联网信息平台采集车辆的速度为:
通过OBD模块采集车辆的速度,并由蜂窝网络模块将车辆的速度无线传输至所述车联网信息平台;
所述车辆的速度为:v
步骤1中所述对车辆的速度进行预处理为:
通过数据预处理方式对于车辆的速度进行无效值处理,若v
其中,i∈[1,N],N为采样时刻的数量,v
步骤1所述的预处理后车辆的速度为:V
步骤1所述的计算车辆加速度为:
a
其中,i∈[1,N],N为采样时刻的数量,a
作为优选,在步骤2中所述按照Z-标准化方法对驾驶加速度数据进行标准化处理为:
其中,i∈[1,N],N为采样时刻的数量,μ是车辆加速度的均值,θ是车辆加速度的标准差,x
作为优选,在步骤3中所述PAA与SAX方法对标准化后的车辆加速度进行分级和编码为:
步骤3.1,将标准化后的车辆加速度均匀分为L段,得到分段后的车辆加速度序列;
所述标准化后的车辆加速度为:x
所述分段后的车辆加速度序列为:
X
其中,X
步骤3.2,将分段后的车辆加速度序列通过PAA变换为多维空间中车辆加速度向量序列;
所述通过PAA变换为多维空间中车辆加速度向量为:
将分段后的车辆加速度序列X
其中,z为转换后的空间维数,x
步骤3.3,将多维空间中车辆加速度向量序列中元素依次与多段阈值比较,进一步判断加速度所属等级;
作为优选,按照以上方法所述的分级为:
经PAA变换后的加速度数据服从高斯分布,由此将变换后的加速度数据划分为(0~m)级。分为m级,就有m个分级的阙值区间,设第k级的阈值区间为[L
若
作为优选,在步骤4中所述提取较为频繁的驾驶行为模式,即典型的驾驶行为模式为:
步骤3对加速度数据级分级后,形成分级加速度数据集C=(c
从加速度数据集C=(c
对于提取的任意两个驾驶模式即c
统计每个驾驶行为模式分组中驾驶模式的数量,则为该驾驶行为模式在提取的
G
根据每个驾驶行为模式分组中驾驶模式的数量按从大到小进行排序,选取出排序前H种驾驶行为模式即为该驾驶员的典型驾驶行为模式;
设其提取的第h个典型驾驶行为模式为c
设每种典型驾驶行为模式包含驾驶行为模式数量依次为:
U
P=(U
其中,P为H种典型驾驶行为模式包含的驾驶行为的总数;
作为优选,步骤5中所述H种典型的驾驶行为模式,判定驾驶员驾驶行为偏好为:
车量行驶的加速度或减速度使人产生明显的失重感与运动感的加速度,设使人产生明显的失重感与运动感的加速度阙值对应的分级为g级,使人产生明显的失重感与运动感的减速度阙值对应的分级为f级;
对于任意驾驶行为c
对于任意驾驶行为c
设定测试车辆,采集车辆数据,设共采集了S个驾驶平顺的驾驶员的车辆数据,按步骤4提取每个驾驶员的H种典型驾驶行为模式,将每个驾驶员的H种驾驶行为模式分别聚集到一个组中,则可提取B
判定B
其中,P
根据步骤4提取的H个典型驾驶行为模式,计算急加速、急减速驾驶行为模式在其中的占比b,
若b<c,则判定为保守驾驶行为风格;
若c≤b≤d,判定为平顺驾驶行为风格;
若d<b,则判定为激进驾驶行为风格;
作为优选,在步骤6中所述搭建基于典型驾驶行为及加速度变化特性的个性化驾驶行为评估模型为:
对于一个驾驶员,采集其车辆数据,按照步骤1到步骤5,可对其驾驶风格进行判定,在步骤5判定其驾驶风格后,为进一步评价该驾驶员所拥有的驾驶行为分格的优劣性,根据提取的其H个典型驾驶行为模式,按照以下方式建模对其进行评价;
其中,score
其中,score
以加速度数据和典型驾驶模式作为影响因素,从车辆安全性和燃油经济性两个方面建立个性化驾驶行为评估模型,综合评估车辆行车安全。
SCORE=0.7*score
SCORE为驾驶行为综合评价指标,共由三部分组成,score
在步骤7中所述利用上述搭建的个性化驾驶行为评估模型对驾驶员驾驶风险性进行评价为:
车辆在日常行驶中,依据采集的车辆数据,按照步骤1至4处理后,利用步骤6建立的个性化驾驶行为评估模型,根据其典型驾驶行为模式、驾驶速度和加速度分别计算汽车安全性、燃油经济性两个方面的得分,并生成综合性评价;
若综合性评分SCORE分数越低,则判定为其综合性驾驶行为越优。
本发明的有益效果为:本发明提供了一种能够对驾驶人驾驶风险和驾驶风格进行非定义阈值的评价方法,基于车辆行驶数据和驾驶人驾驶行为时间序列变化,提取驾驶员典型驾驶行为模式。通过驾驶员典型驾驶行为模式以及驾驶风险对比评价体系对不同驾驶人的个性化的驾驶行为风险进行量化评估,探究驾驶人的个性化驾驶习惯,识别潜在驾驶风险,判断驾驶人的驾驶安全性,并发现了容易被忽略在整体驾驶行为中的潜在危险驾驶行为。本发明可以有针对的帮助驾驶人改善驾驶行为,建立驾驶人的个性化驾驶风险识别方法,为提高车辆安全性,减少事故发生提出了新思路。
附图说明
图1:为本发明提供的一种车辆个性化风险行为识别方法流程图。
图2:为本发明提供的车辆数据标准化流程图。
图3:为本发明提供的车辆数据分级与编码流程图。
图4:为基于车辆数据提取的典型驾驶行为模式图。
图5:为基于评价模型的驾驶行为评价图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1至图5描述本发明的具体实施方式。
如图1所示,本发明一种车辆个性化风险行为识别方法按照下列步骤进行:
步骤1:车联网信息平台采集车辆的速度,对车辆的速度进行预处理得到预处理后车辆的速度,根据预处理后车辆的速度计算驾驶加速度数据;
步骤1所述的车联网信息平台采集车辆的速度为:
通过OBD模块采集车辆的速度,并由蜂窝网络模块将车辆的速度无线传输至所述车联网信息平台;
所述车辆的速度为:v
步骤1中所述对车辆的速度进行预处理为:
通过数据预处理方式对于车辆的速度进行无效值处理,若v
其中,i∈[1,N],N=30000000为采样时刻的数量,v
步骤1所述的预处理后车辆的速度为:V
步骤1所述的计算车辆加速度为:
a
其中,i∈[1,N],N=30000000为采样时刻的数量,a
步骤2:结合预处理后驾驶行为数据,通过Z-标准化方法对驾驶加速度数据进行标准化处理;
在步骤2中所述按照Z-标准化方法对驾驶加速度数据进行标准化处理为:
其中,i∈[1,N],N=30000000为采样时刻的数量,μ是车辆加速度的均值,θ是车辆加速度的标准差,x
步骤3:将标准化后的加速度数据,经过PAA与SAX方法进行分级;
在步骤3中所述PAA方法对标准化后的车辆加速度进行分级和编码为:
步骤3.1,将标准化后的车辆加速度均匀分为L=3000段,得到分段后的车辆加速度序列;
所述标准化后的车辆加速度为:x
所述分段后的车辆加速度序列为:
X
其中,X
步骤3.2,将分段后的车辆加速度序列通过PAA变换为多维空间中车辆加速度向量序列;
所述通过PAA变换为多维空间中车辆加速度向量为:
将分段后的车辆加速度序列X
其中,z为转换后的空间维数,x
步骤3.3,将多维空间中车辆加速度向量序列中元素依次与多段阈值比较,进一步判断加速度所属等级;
按照以上方法所述的分级为:
经PAA变换后的加速度数据服从高斯分布,由此将变换后的加速度数据划分为(0~m)级。其中,m=6,分为6级,就有7个分级的阙值区间;
作为优选,所述的7个等级为:
若
若
若
若
若
若
若
由于标准化数据的均值为0,等级3表示中性行为。等级0、1、2表示负加速度值,即减速。等级4、5、6代表的是正加速度值,即加速。每个等级的数据值的幅度区间随着等级的增加而增大。
步骤4:提取较为频繁的驾驶行为模式,即典型的驾驶行为模式;
在步骤4中所述提取较为频繁的驾驶行为模式,即典型的驾驶行为模式为:
步骤3对加速度数据级分级后,形成分级加速度数据集C=(c
从加速度数据集C=(c
对于提取的任意两个驾驶模式即c
统计每个驾驶行为模式分组中驾驶模式的数量,则为该驾驶行为模式在提取的
G
根据每个驾驶行为模式分组中驾驶模式的数量按从大到小进行排序,选取出排序前H=30种驾驶行为模式即为该驾驶员的典型驾驶行为模式;
设其提取的第h个典型驾驶行为模式为c
设每种典型驾驶行为模式包含驾驶行为模式数量依次为:
U
P=(U
其中,P为H=30种典型驾驶行为模式包含的驾驶行为的总数;
步骤5:根据提取的典型驾驶行为模式,判定驾驶员驾驶行为偏好,判定为平顺驾驶行为风格、激进驾驶行为风格、保守驾驶驾驶行为风格;
步骤5中所述H=30种典型的驾驶行为模式,判定驾驶员驾驶行为偏好为:
车量行驶的加速度或减速度使人产生明显的失重感与运动感的加速度,使人产生明显的失重感与运动感的加速度阙值对应的分级为g=5级,使人产生明显的失重感与运动感的减速度阙值对应的分级为f=1级;
对于任意驾驶行为c
对于任意驾驶行为c
设定测试车辆,采集车辆数据,设共采集了S=100个驾驶平顺的驾驶员的车辆数据,按步骤4提取每个驾驶员的H=30种典型驾驶行为模式,将每个驾驶员的H=30种驾驶行为模式分别聚集到一个组中,则可提取B
判定B
其中,P
根据步骤4提取的H=30个典型驾驶行为模式,计算急加速、急减速驾驶行为模式在其中的占比b,
若b<c=0.07,则判定为保守驾驶行为风格;
若c=0.07≤b≤d=0.35,判定为平顺驾驶行为风格;
若d<b=0.35,则判定为激进驾驶行为风格;
步骤6:搭建基于典型驾驶行为及加速度变化特性的个性化驾驶行为评估模型;
在步骤6中所述搭建基于典型驾驶行为及加速度变化特性的个性化驾驶行为评估模型为:
对于一个驾驶员,采集其车辆数据,按照步骤1到步骤5,可对其驾驶风格进行判定,在步骤5判定其驾驶风格后,为进一步评价该驾驶员所拥有的驾驶行为分格的优劣性,根据提取的其H=30个典型驾驶行为模式,按照以下方式建模对其进行评价;
其中,score
其中,score
以加速度数据和典型驾驶模式作为影响因素,从车辆安全性和燃油经济性两个方面建立个性化驾驶行为评估模型,综合评估车辆行车安全。
SCORE=0.7*score
SCORE为驾驶行为综合评价指标,共由三部分组成,score
步骤7:利用上述搭建的个性化驾驶行为评估模型对驾驶员驾驶风险性进行评价
在步骤7中所述利用上述搭建的个性化驾驶行为评估模型对驾驶员驾驶风险性进行评价为:
车辆在日常行驶中,依据采集的车辆数据,按照步骤1至4处理后,利用步骤6建立的个性化驾驶行为评估模型,根据其典型驾驶行为模式、驾驶速度和加速度分别计算汽车安全性、燃油经济性两个方面的得分,并生成综合性评价。
若综合性评分SCORE分数越低,则判定为其综合性驾驶行为越优;
如图4所示,当提取的典型驾驶行为模式数量H为30、分级m为6时的状况,图中的横坐标表示驾驶行为模式的出现频次排名,即经过典型驾驶模式提取后出现频次从高到低的前30种典型驾驶行为模式;纵坐标表示驾驶行为模式的加速度等级,即数据分级和编码后划分的0-6这七个加速度等级。图中每三个相连线点的组合为一种典型驾驶行为模式,其对应的横坐标为该行为模式的出现频次排名,纵坐标则表示该驾驶行为模式在三秒内对应的加速度等级变化。加速度等级3表示中性行为,接近0m/s
如图5所示,不同驾驶人的不同行为得分的高低反映了驾驶人的水平。得分越高表明驾驶行为存在的风险较高,驾驶的舒适性和经济性较低。总体而言不同驾驶人的得分趋势与基于固定阈值的驾驶人行为比例图的排名趋势大致相同,即危险驾驶行为占比高的驾驶人,在加速、减速以及总体的驾驶行为评分上偏高。而那些驾驶较为稳定,危险驾驶行为占比少的驾驶人的得分趋势则偏低。
实验表明该方法能够描述驾驶员的个性化驾驶行为特征,综合考虑车辆安全性、燃油经济性两个因素,对驾驶人的驾驶风险进行定量评价与对比分析,为企业及监管部门对驾驶人的驾驶风险评估与对比提供一定的数据依据。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
- 一种车辆个性化风险行为识别方法
- 一种风险行为识别方法、装置和计算机设备