[发明专利]基于驾驶模式原语的驾驶行为安全性分析方法

说明书

本发明公开了一种基于驾驶模式原语的驾驶行为安全性分析方法，采集驾驶员的驾驶数据进行有效跟车驾驶事件的提取，利用HDP良好的聚类特性和分层共享原理为HSMM模型状态转移分布、观测概率分布与持续时间分布参数提供先验，利用HSMM双随机过程对驾驶行为进行建模，所构建的HDP‑HSMM能够准确的分割识别在时序驾驶行为数据中潜在的基本驾驶模式，有效的对驾驶模式原语进行提取。并使用K‑means聚类方法将每个驾驶模式原语的数据进行聚类，确定驾驶行为的频率分布情况，以对驾驶行为进行风险标记。基于驾驶事件风险标记，建立驾驶行为表征指标集，并基于SVM算法搭建驾驶风险预测评估模型，对驾驶行为的安全性进行预测。

技术领域

本发明涉及对涉及驾驶员驾驶行为评估或预测的技术领域，具体涉及一种基于驾驶模式原语的驾驶行为安全性分析方法。

背景技术

目前面向驾驶行为安全的分析与评价研究中，大都基于驾驶行为数据的均值、标准差等统计指标或急加速、急减速等紧急事件的发生频次对驾驶安全表现进行聚类评价，这些指标能够展现驾驶行为的静态特性而难以对驾驶行为的动态随机特性进行描述，不利于对驾驶行为的深入理解与分析。在研究目的上也主要集中在驾驶员分类上，对于个体驾驶员驾驶行为特征的分析相对较少，使得对个体驾驶行为进行规范指导，表征个体驾驶行为安全性非常困难。

因此，现在亟需一种能够深入理解驾驶行为动态过程，有效表征个体驾驶行为特征，以帮助检测监督高风险驾驶员，改善个体驾驶行为的技术。

发明内容

针对现有技术存在的不足，本发明提出一种基于驾驶模式原语的驾驶行为安全性分析方法，能够表征个体驾驶员的驾驶行为特征，以帮助检测监督高风险驾驶员，改善个体驾驶员的驾驶行为。具体技术方案如下：

第一方面，提供了一种基于驾驶模式原语的驾驶行为安全性评估方法，包括：

对获取的驾驶员自然驾驶数据进行数据处理，得到驾驶时序数据；

采用HDP-HSMM模型对驾驶时序数据进行识别，提取出驾驶员的驾驶模式原语；

采用K-Means算法对提取出的驾驶模式原语进行聚类，确定驾驶模式原语的频率分布情况；

根据各种驾驶模式原语的频率分布情况和风险等级，计算出用于评估驾驶行为安全性的风险指数。

结合第一方面，在第一方面的第一种可实现方式中，所述驾驶时序数据为有效跟车事件对应的驾驶时序数据。

结合第一方面，在第一方面的第二种可实现方式中，采用HDP-HSMM模型对驾驶时序数据进行识别，包括：

从驾驶时序数据中提取出驾驶行为表征参数；

对提取的驾驶行为表征参数进行标准化处理；

基于标准化处理后的驾驶行为表征参数，采用HDP-HSMM模型提取驾驶模式原语。

结合第一方面的第二种可实现方式，在第一方面的第三种可实现方式中，所述驾驶行为表征参数包括车头时距、车头时距变化率和主车加速度。

结合第一方面的第二种可实现方式，在第一方面的第四种可实现方式中，采用Z-score方法对所述驾驶行为表征参数进行标准化处理。

结合第一方面，在第一方面的第五种可实现方式中，所述采用K-Means算法对提取出的驾驶模式原语进行聚类，包括：

采用K-means聚类算法对相同驾驶模式原语的驾驶行为表征参数进行聚类，得到每种驾驶模式原语的表征参数聚类数据；

将表征参数聚类数据与不同语义空间的归属阈值范围进行匹配，确定每个驾驶模式原语所属的语义空间；

将每种语义空间对应的驾驶模式原语的数量进行归一化，确定驾驶模式原语的频率分布情况。