[发明专利]一种驾驶行为无监督模式识别方法及数据采集监控系统

说明书

本发明公开了一种驾驶行为无监督模式识别方法及数据采集监控系统，所述方法包括：采集驾驶员在驾驶过程中的驾驶数据片段并进行特征提取；利用改进的基于Wasserstein距离的自适应K‑Means聚类算法对提取的特征进行聚类，获得驾驶行为模式；建立驾驶行为主题描述，利用LDA模型将驾驶行为主题描述与所有聚类获得的驾驶行为模式进行匹配，得到无监督驾驶行为的识别结果。此外，本发明还构建了相应的数据采集监控系统，由模式识别算法、硬件架构、监控APP组成了一个完整的驾驶行为无监督模式监控系统，能够更加有效地识别驾驶行为，实现对驾驶行为的实时监控，提高驾驶员的行车安全性。

技术领域

本发明涉及驾驶行为无监督模式识别及预测监控技术领域，特别涉及一种驾驶行为无监督模式识别方法及数据采集监控系统。

背景技术

近年来，我国的机动车行业发展迅速。2020年，国内汽车保有量已经达到2.7亿辆，驾驶人员达4.1亿，机动车、驾驶人总量及增量均居世界第一。然而，伴随汽车保有量的提高，交通管理工作存在的深层次矛盾逐渐显现出来。我国是世界上道路交通事故最多的国家之一。根据国家统计局公布的数据，我国每万车的死亡率已经达到了惊人的6.2，这一数据已经达到了发达国家的4到8倍，由此看来，我国对不良驾驶行为的监管任务任重道远。因此，无论是运输企业还是政府相关部门，都应该对道路交通安全问题给予高度重视。

大量事故案例的分析表明，虽然导致交通事故的成因多种多样，但人为原因始终是事故发生的主要因素。驾驶员的异常驾驶行为往往会成为重大交通事故的诱因。因此，如果能够有效识别异常驾驶行为，并及时对驾驶员发出警报，就能够在一定程度上避免道路交通事故。另一方面，有效识别异常驾驶行为也能够帮助交通部门与运营企业实现安全形势的动态监管和评价，提升安全管理水平。

为了节约成本，使用车辆GPS、速度、加速度等信息进行监控和预警成为当前研究的热点。通过分析国内外相关资料可知，异常驾驶行为的识别方法已经有效运用于驾驶员行为管理等一系列的安全监管领域，提高了监管水平，降低了事故发生概率。因此，为了有效提高交通行业的安全监管，对车辆监控数据进行深层次的分析与应用势在必行。尽管如此，当前的异常驾驶行为模式识别算法还处于一个比较初级的阶段，仍存在如下问题：(1)研究的目标仍是在交通运行水平上检测孤立事件，忽略了其他导致交通模式改变的因素；(2)目前异常驾驶行为识别多采用有监督算法，然而标记数据昂贵且稀少，导致相关信息的丢失和泛化性能的降低。因此，探究无监督的异常驾驶行为识别算法势在必行。

发明内容

本发明的目的在于提供一种驾驶行为无监督模式识别方法及数据采集监控系统，采用自下而上的无监督方法对异常驾驶行为进行检测与识别，向驾驶员提供及时的反馈，进而提高驾驶员的行车安全性。

为解决上述技术问题，本发明的实施例提供如下方案：

一方面，提供了一种驾驶行为无监督模式识别方法，包括以下步骤：

S1、采集驾驶员在驾驶过程中的驾驶数据片段并进行特征提取；

S2、利用改进的基于Wasserstein距离的自适应K-Means聚类算法对提取的特征进行聚类，获得驾驶行为模式；

S3、建立驾驶行为主题描述，利用LDA模型将驾驶行为主题描述与所有聚类获得的驾驶行为模式进行匹配，得到无监督驾驶行为的识别结果。

优选地，在所述步骤S1中，所述驾驶数据片段包括轨迹曲率、加速度、速度、转向角度四个变量；提取的特征分为两类：统计特征和时间特征；所述统计特征包括：平均值、方差、ACF1、余数自相关、趋势、曲率和熵；所述时间特征包括：最大平均值差值、最大方差差值、Kullback-Leibler散度的最大位移和余数方差。

优选地，所述步骤S2具体包括：

S200、输入特征样本数据集Q＝{x_s|s＝1,...,N}；