[发明专利]一种基于mRMR算法与主成分分析的驾驶行为特征提取方法

权利要求书

1.一种基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：包括，

基于车载数据采集终端数据管理系统在线获取运营车辆的车联网数据；

预处理所述车联网数据，进行数据清洗工作与指标数据计算；

互信息计算每一个所述指标数据，利用指标边缘概率密度与指标联合概率密度计算互信息；

利用前向排序法依次计算所述指标数据间的相关性与冗余性，完成mRMR特征重要性排序与选择；

结合主成分分析法提取指标中的数据信息，分析得到所述车联网数据中的驾驶行为信息。

2.根据权利要求1所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：所述车联网数据包括，

车辆识别号、驾驶时间、车辆所在的GPS经度、车辆所在位置的GPS纬度、车辆所在位置的GPS海拔、车辆的ECU总油耗、车辆的累积总油耗、车辆的仪表里程、车辆的ECU车速、车辆的发动机转速、车辆的加速度、车辆的发动机扭矩负荷率、车辆的发动机负荷率。

3.根据权利要求1或2所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：进行所述数据清洗工作包括，时间跳变检查、数据异常值处理和数据缺失处理；

所述指标数据计算包括，对发动机类相关参数及海拔高度进行指标计算，所述指标包括，发动机负荷率均值、发动机扭矩负荷率均值、发动机转速均值、海拔高度均值、发动机负荷率标准差、发动机扭矩负荷率标准差、发动机转速标准差、海拔高度标准差；

对驾驶行为类相关参数进行指标计算，所述指标包括，速度均值、加速度均值、油门开度均值、变速箱转速均值、速度标准差、加速度标准差、油门开度标准差、变速箱转速标准差。

4.根据权利要求3所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：计算所述互信息包括，

其中，I(X,Y)为特征变量X与Y间的互信息量，x、y为数据变量，p(x)和p(y)分别是x和y的边缘概率分布函数，p(x，y)表示x和y的联合概率密度函数。

5.根据权利要求4所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：进行所述mRMR特征重要性排序与选择需计算所述指标数据与目标数据的平均信息相关性，包括，

其中，S表示特征变量的一个子集，c表示目标变量，f_i为第i个指标变量，D(S,c)为互信息的平均值。

6.根据权利要求5所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：利用前向排序法依次计算所述指标数据间的相关性与冗余性，包括，

其中，R(S)为特征子集的最小冗余度量。

7.根据权利要求6所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：计算所述指标数据与目标数据的mRMR特征值及排序包括，

其中，mRMR为综合最大互信息与最小冗余度的度量。

8.根据权利要求7所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：提取所述指标中的数据信息包括，

对所述指标数据进行KMO球型检验和显著性检验；

当检验数据符合要求时进行主成分特征提取，包括，计算相关系数矩阵及其对应的特征向量与特征值并表示为主成分；

其中，k、n表示样本矩阵的维数，x_ij为样本矩阵中的元素，ρ为标准协方差矩阵，z_i为提取的的i个主成分，l_ij为数据矩阵特征向量所包含的元素。

9.根据权利要求8所述的基于mRMR算法与主成分分析的驾驶行为特征提取方法，其特征在于：所述驾驶行为信息包括，整合所述mRMR算法所提取的特征与主成分分析所提取的特征。