[发明专利]一种基于多情境数据的驾驶风格表征学习方法

说明书

本发明涉及一种基于多情境数据的驾驶风格表征学习方法，包括：S1：根据车辆原始GPS数据，然后基于固定大小的滑动时间窗口提取驾驶行为的统计学特征矩阵；S2：根据GPS数据及路网数据，基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示；S3：构建半监督的对抗生成网络模型，以驾驶行为的统计学特征矩阵和驾驶员当前所处驾驶环境的特征矩阵作为输入，利用半监督的对抗生成网络模型进行驾驶风格表征学习。本发明采用多情境数据，基于驾驶操作和驾驶环境信息，利用深度学习的方法学习到驾驶风格的表征，可以更合理的对驾驶风格进行表征。

技术领域

本发明涉及基于GPS轨迹学习驾驶风格表征领域，更具体地，涉及一种基于多情境数据的驾驶风格表征学习方法。

背景技术

类似于人类的生物特征，人们认为每个驾驶员也具有可区分的驾驶模式，这被称为驾驶风格。具体来说，驾驶风格反映了驾驶员对于汽车转向和速度的精细控制行为习惯。从他们的轨迹中学习驾驶员的驾驶风格表征可以使许多下游应用受益，比如保险公司利用驾驶风格信息来对驾驶员进行风险评估以及个性化保险定价。

传统方法依赖于从汽车传感器(例如，控制器局域网总线)或专用传感器(例如，高清摄像机)收集的数据来进行驾驶风格学习。基于多传感器信息的驾驶风格识别系统，在检测时需要相应的信息采集设备，如高清摄像机。由于这些额外设备昂贵的价格和庞大的体积，使得这一类系统的推广普及得到阻碍。

深度学习目前已经在计算机视觉、自然语言处理和推荐系统等领域都取得了显著的成果。但目前在驾驶风格表征学习的相关工作较少，目前最先进的驾驶风格表征方法(Dong,W.,Yuan,T.,Yang,K.,Li,C.,Zhang,S.Autoencoder regularized network fordriving style representation learning.IJCAI 2017.)，是基于固定大小的滑动时间窗口的卷积神经网络的模型。但这些工作仅专注于从GPS数据中提取特征，而忽略了即时驾驶的上下文信息，例如道路状况和交通状况。由于同一个驾驶员在不同的道路交通信息下会表现出不同的驾驶状态，因此直接使用原始GPS数据对驾驶员进行驾驶风格表征是不合理的。

发明内容

本发明为克服上述现有技术所述的驾驶风格表征中情境数据单一，导致对驾驶员进行驾驶风格表征不合理的缺陷，提供一种基于多情境数据的驾驶风格表征学习方法。

所述方法包括以下步骤：

S1：根据车辆原始GPS数据，然后基于固定大小的滑动时间窗口提取驾驶行为的统计学特征矩阵；

S2：根据GPS数据及路网数据，基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示；

S3：构建半监督的对抗生成网络模型，以驾驶行为的统计学特征矩阵和驾驶员当前所处驾驶环境的特征矩阵作为输入，利用半监督的对抗生成网络模型进行驾驶风格表征学习。

优选地，S1中基于固定大小的滑动时间窗口提取驾驶行为的统计学特征，其具体包括以下步骤：

S1.1：首先将一条GPS轨迹划分为固定长度为L_s的若干个分段，并将偏移量设置为L_s/2；将每一个分段进一步划分为固定大小为L_f的窗口，并将偏移量设置为L_f/2；

S1.2：在每个时间点，计算n个由原始GPS派生的基本特征；

S1.3：采用离差标准化法对基本特征进行数据归一化，对基本特征进行线性变化，将所有的基本特征映射在目标区间[T1,T2]中，消除量纲对于驾驶风格表征学习的影响；

S1.4：在每一个大小为L_f的窗口内，对于每一个基本特征计算m个统计信息；