[发明专利]一种基于自编码正则化网络学习驾驶风格的方法

权利要求书

1.一种基于自编码正则化网络学习驾驶风格的方法，其特征在于，主要包括GPS数据转换(一)；自编码正则化网络(二)；目标函数和近似(三)；行程编码框架(四)；驾驶员数量估计(五)。

2.基于权利要求书1所述的GPS数据转换(一)，其特征在于，通过长度变化的元组序列(u，v，t)来定义行程(即GPS轨迹)，其中(u，v)表示地理位置，t表示时间，从原始GPS数据构建神经网络输入，一个行程首先划分成固定长度L_s并按L_s/2位移的窗口，每个段编码从相邻GPS数据导出的五个瞬时的汽车运动特征，即基本特征：速度范数、速度范数的差、加速度范数、加速度范数的差以及角速度，然后每个段进一步应用于长度L_f(L_f＜L_s)并且按L_f/2位移的滑动窗口，每个窗口产生一帧包含七个基本特征统计值：平均值、最小值、最大值、25％、50％和75％四分位数和标准偏差，接着可以从给定行程中获得5×7＝35行和2×L_s/L_f列的一组统计特征矩阵。

3.基于权利要求书2所述的统计特征矩阵，其特征在于，描述一个行程段的特征矩阵被定义为输入到神经网络的一个样本，例如，如给定每秒采样一次的GPS数据，使用L_s＝256s，L_f＝4s，定义大小为35×128的特征矩阵作为网络输入，样本的标签继承自相应段所属的行程。

4.基于权利要求书1所述的自编码正则化网络(AutoReNet)(二)，其特征在于，自编码正则化网络(AutoReNet)直接从GPS数据中学习，在AutoReNet中，监督学习利用循环神经网络(RNN)的输出作为共享隐藏层，与无监督特征组合重建，将监督信息引入到无监督的特征学习：有限训练样本的标签为无监督的自动编码器带入先验知识，使得学习的基本特征更有意义且更具辨别力，AutoReNet架构包括三个部分：栈式循环神经网络(栈式RNN)，用于重建的自动编码器和用于分类的Softmax回归。

5.基于权利要求书4所述的栈式循环神经网络(栈式RNN)，其特征在于，用x表示35×128的输入，即一个行程段，栈式RNN读取x以提取更高级别的特征，因为驾驶风格通常是驾驶动作的时间组合，所以x为长度128的序列，其中的每个元素是35维向量，此处采用2层堆栈的门控循环单元(GRU)架构来应用顺序依赖性，第一个GRU层(gru1)读取大小为35×128的输入x，沿时间轴展开128步，并输出等同长度为128的序列，其中每个元素都是一个向量，向量的大小(即维度)等于gru1中隐藏单元的数量，第二个GRU层(gru2)被附加到gru1，它也展开128步，但不是输出一个序列而只是一个向量，向量的大小等于gru2中隐藏单元的数量，一个丢弃层被应用于gru2以减少过拟合，丢弃的层作为分享隐藏特征层，弥补监督和无监督学习，令表示给定输入x的输出。

6.基于权利要求书4所述的自动编码器，其特征在于，采用3层自动编码器进行特征重建，利用自动编码器重建而不是x，如此有利于更好地学习驾驶风格，完全连接的瓶颈层(fc1)被用于学习的压缩表示s，在fc1中使用修正线性单元(ReLU)非线性f(z)＝max(0，z)以确保s非负，将被用在trip2vec编码(见公式(6))，将l₁稀疏正则化应用于s(见公式(1))，全连接层(fc2)是自动编码器的输出层，其中f(z)＝tanh(z)用于近似用于重建。

7.基于权利要求书4所述的Softmax回归，其特征在于，Softmax回归是逻辑(Logistic)回归的扩展，逻辑回归用于解决两类回归问题，而应用Softmax回归目的是解决多个离散值问题(多个驾驶员)，将附加到丢弃层的完全连接层(fc3)用于分类，应用Softmax回归来产生类标签的分布，类的数量(由c表示)等于训练集中的驾驶员数量。