[发明专利]一种基于车联网下驾驶行为分析方法

权利要求书

1.一种基于车联网下驾驶行为分析方法，其特征在于，包括如下步骤：

S1：获取车联网的驾驶员行车记录原始信息，得到原始数据库数据；

S2：结合IsolationForest算法和SOM算法清洗行车记录原始信息，得到样本数据；

S3：根据数据属性和特征分类提取出样本数据的特征参数并存储；

S4：对特征参数进行K-Means聚类分析，得到聚类中心；

S5：采用bp神经网络分类，判断驾驶行为是否在安全范围内。

2.如权利要求1所述的一种基于车联网下驾驶行为分析方法，其特征在于，步骤S2的具体方法为：

S21：采用Isolation Forest算法从训练数据中随机选择样本点作为subsample，放入树的根节点；

S22：随机指定一个维度attribute，在当前节点数据中随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值和最小值之间；

S23：以切割点p生成一个超平面，再将当前节点数据空间划分为2个子空间：把指定维度里小于切割点p的数据放在当前节点的左孩子，把大于等于切割点p的数据放在当前节点的右孩子；

S24：在孩子节点中递归步骤S22和S23，不断构造新的孩子节点，直到孩子节点中只有一个无法再继续切割的数据或孩子节点已到达限定高度，并获得t个iTree，iForest训练结束；

S25：用生成的iForest评估测试数据，将异常数据剔除后，得到初筛数据并存储至数据库；

S26：采用SOM算法对初筛数据进行二次筛选和异常数据清理，若无异常数据，则输出正常数据并存储至数据库；若仍存在异常数据，则重复执行步骤S21至S26，直至异常数据被完全剔除。

3.如权利要求2所述的一种基于车联网下驾驶行为分析方法，其特征在于，步骤S25中所述iForest评估测试数据的具体方法为：

S251：将各个测试数据分别遍历每一棵iTree；

S252：计算各个测试数据最终落在各棵树的层数，并分别计算各个测试数据在森林中的高度平均值；

S253：获得每个训练数据的平均路径长度，其中平均路径长度低于阈值的测试数据为异常数据，并将异常数据剔除。

4.如权利要求2所述的一种基于车联网下驾驶行为分析方法，其特征在于，步骤S26输出的正常数据还经过冗余检查处理，所述冗余检查处理的具体方法为：Python数据清洗使用duplicated方法对正常数据作重复性判断，返回一个与原数据行数相同的序列，若数据行没有重复，则对应false，否则对应true；再使用any方法，序列中只要存在一个true，则返回true再次清理。

5.如权利要求4所述的一种基于车联网下驾驶行为分析方法，其特征在于，所述冗余检查处理后的正常数据还经过数据修正，所述数据修正包括数据缺失补充、数据混乱修正和数据重复删除，最终得到健壮可行的样本数据。

6.如权利要求1所述的一种基于车联网下驾驶行为分析方法，其特征在于，步骤S3的特征参数包括疲劳驾驶、超速、急加速和急减速的占比、急变道；

所述疲劳驾驶以车载终端中采集的时间序列数据分析，根据数据特征，将车辆的在途时间分为行驶时间和停止时间，分段区间分析，如果司机连续行驶4个小时，没有停车休息20分钟或以上，由此判定当天的疲劳驾驶次数增加1次；

所述超速根据不同车型、高速的速度限制，如果超出交规规定10％的比例，按超速处理；

所述急加速和急减速的占比先求每辆车的急加速和急减速次数，再除以车辆的数据量得到百分比；

所述急变道车辆变道时间在总体上固定，最小变道持续时间为1.0s，最大的变道持续时间为16.5s，在此范围内表示车辆在较稳定状态行驶。