[发明专利]一种基于因子分析和机器学习的驾驶风格辨识算法

权利要求书

1.一种基于因子分析和机器学习的驾驶风格辨识算法，其特征在于，包括以下步骤：

步骤一、从典型的城市跟车工况中提取与驾驶风格强相关的驾驶特征参数；

步骤二、使用包含可行性分析、公共因子确定和因子得分在内的因子分析算法降维处理驾驶特征参数，获得公共因子并赋予其具体的物理含义；

步骤三、使用高斯混合模型对公共因子进行聚类，为每个驾驶员准确的贴上驾驶风格标签；

步骤四、采用被遗传算法优化的反向传播神经网络训练驾驶风格辨识模型，准确输出不同驾驶风格；

所述步骤一中的驾驶特征参数包括：主缸压力的平均值A₁、主缸压力的最大值A₂、主缸压力的标准差A₃、发动机转矩的平均值A₄、发动机转矩的标准差A₅、发动机的平均转速A₆、发动机转速的标准差A₇、两车车距的平均值A₈、两车车距的标准差A₉、两车车速差的平均值A₁₀和两车车速差的标准差A₁₁；

所述步骤二的具体方法如下：

21)采用正规化方法对驾驶数据进行标准化处理：

式中，N表示采集的驾驶人数据样本数；x_ki，i＝1,2,…11表示第k个驾驶人的第i个驾驶风格特征参数值；x_kj，j＝1,2,…11表示第k个驾驶人的第j个驾驶风格特征参数值；表示N个驾驶人第i个驾驶特征参数的平均值；表示N个驾驶人第j个驾驶特征参数的平均值；x′_ki表示第k个驾驶人的第i个正规化后的驾驶风格特征参数值；x′_kj表示第k个驾驶人的第j个正规化后的驾驶风格特征参数值；

22)对标准化后的特征数据进行了相关性分析：

式中，r_ij表示相关系数矩阵中的元素；x′_ki表示第k个驾驶人的第i个正规化后的驾驶风格特征参数值；N表示采集的驾驶人数据样本数；x′_kj表示第k个驾驶人的第j个正规化后的驾驶风格特征参数值；

23)根据特征方程求解相关系数矩阵的特征根和对应的特征向量：

|λ_jI-R_ij|＝0 (4)

R_ijU_j＝λ_jU_j (5)

式中，λ_j，j＝1,2,…11表示相关系数矩阵R_ij的特征根；I表示单位系数矩阵；U_j表示特征根对应的特征向量矩阵；R_ij表示相关系数矩阵；

24)选取因子F_3×1作为驾驶数据的公共因子，并且通过因子负载矩阵进行分析；因子负载矩阵A_11×3由特征值λ_3×1和特征向量U_11×3求得；

式中，A_11×3表示因子负载矩阵；λ₁，λ₂，λ₃分别表示公共因子F_3×1对应的特征值；U_i,j，i＝1,2,…11,j＝1,2,3表示公共因子F_3×1对应的特征向量；

25)采用最大方差法旋转因子负载矩阵，特征参数A4-A7命名为驱动因子；特征参数A1-A3命名为制动因子；特征参数A8-A11命名为环境因子；

26)因子得分模型为：

X_m×1＝A_m×3·F_3×1+ε_m×1 (9)

式中，X_m×1，m＝1,2,3表示因子得分模型；A_m×3表示因子得分系数；ε_m×1表示特殊因子，取ε_m×1为零向量进行求解；F_3×1表示选定的三个公共因子；使用Anderson-Rubin回归法求解得到因子得分系数，最终根据因子的分析树获得的公共因子表达式为：

式中，F₁表示第一公共因子，即驱动因子；F₂表示第二公共因子，即制动因子；F₃表示第三公共因子，即环境因子；A₁表示主缸压力的平均值；A₂表示主缸压力的最大值；A₃表示主缸压力的标准差；A₄表示发动机转矩的平均值；A₅表示发动机转矩的标准差；A₆表示发动机的平均转速；A₇表示发动机转速的标准差；A₈表示两车车距的平均值；A₉表示两车车距的标准差；A₁₀表示两车车速差的平均值；A₁₁表示两车车速差的标准差。