[发明专利]一种基于基本驾驶操作事件的无监督驾驶风格分析方法

说明书

本发明提供一种基于基本驾驶操作事件的无监督驾驶风格分析方法，包括：获取数据并预处理；提取基本驾驶操作事件；对基本驾驶操作事件中每个事件进行特征构造和提取，得事件强度特征；通过k‑means进行事件强度聚类并打事件强度类别标签；获取动态时间窗，构造表征动态时间窗内驾驶风格的已具有事件强度类别标签的事件随时间变化曲线；基于融合DTW的曲线聚类算法，对各动态时间窗的曲线聚类，得各类时间窗曲线并打驾驶风格类型标签。本发明以基本驾驶操作事件为基本单元，考虑事件强度和事件转移特征，以事件随时间的变化曲线作为描述驾驶风格的特征，体现驾驶行为的动态决策信息、数据连续性和时间特性，保留数据原始信息，提高驾驶风格分析准确性。

技术领域

本发明涉及交通分析技术领域，具体而言，涉及一种基于基本驾驶操作事件的无监督驾驶风格分析方法。

背景技术

随着社会科技的发展，驾驶风格分析已成为研究热点。驾驶风格在道路安全、车辆经济性、车辆保险以及智能车设计等方面有着重要作用：对驾驶风格进行检测并实时向驾驶人反馈能够有效减少道路交通事故的发生；驾驶风格很大程度上影响了车辆的燃油经济性，越激进的驾驶行为，其燃油经济性越低；车辆保险费用也取决于车辆使用者的驾驶风格，对不同驾驶风格驾驶人制定不同保费能使保险公司利益最大化；随着人工智能的发展，智能车辆成为车辆相关行业发展新趋势，智能车辆的决策过程很大程度依赖于驾驶行为的分析，要想保证智能车辆的决策安全性以及提高用户的接受程度，驾驶风格有效分析是关键技术。因此，准确并高效的实现驾驶风格识别是当前关注的重点。

在大数据背景下，面对海量的自然驾驶数据，每一个小时的自然驾驶数据大约需要800工时标定，因此采用无监督方法对驾驶风格进行聚类分析是十分有必要的。聚类分析是一种用来数据挖掘的无监督机器学习算法，聚类分析可以寻找数据内在的分布结构，将特性相似的数据聚为一类，不同类型数据之间具有明显差异，扩大相似数据的相似性以及不同类型数据之间的差异，以提高解释性以及方便后续研究分析。

然而，现有驾驶风格分析仍然存在以下缺点：(1)缺乏从基本驾驶操作事件出发，同时考虑事件强度与事件转移特征的驾驶风格分析方法；(2)现有技术大多利用离散特征点表征驾驶风格，无法保留自然驾驶数据的连续性，遗漏时间特性；(3)现有驾驶风格聚类算法均是针对离散点的聚类算法，缺少针对不同长度连续曲线的聚类算法，无法实现基于连续型曲线特征对不同长度的数据样本进行驾驶风格高效准确的聚类分析。

发明内容

本发明提供了一种基于基本驾驶操作事件的无监督驾驶风格分析方法，以解决现有驾驶风格分析方法存在的未从基本驾驶操作事件出发、未考虑事件强度与事件转移特征；利用离散特征点表征驾驶风格，无法保留自然驾驶数据的连续性，遗漏时间特性；缺少针对不同长度连续曲线的聚类算法，无法实现基于连续型曲线特征对不同长度的数据样本进行驾驶风格高效准确的聚类分析的问题。

本发明提供了一种基于基本驾驶操作事件的无监督驾驶风格分析方法，包括以下步骤：S1、获取自然驾驶数据，并对所述自然驾驶数据进行预处理，得到有效自然驾驶数据；S2、基于所述有效自然驾驶数据，提取基本驾驶操作事件；S3、基于所述有效自然驾驶数据，通过驾驶行为特征对所述基本驾驶操作事件中的每个事件进行特征构造和特征提取，得到表征每个事件强度的事件强度特征；S4、基于所述事件强度特征，通过k-means聚类算法对基本驾驶操作事件中的每个事件按照直行事件和转向事件进行事件强度聚类，并根据事件强度特征的统计值，对聚类得到的各类事件打事件强度类别标签；S5、基于所述有效自然驾驶数据获取道路线形，并基于道路线形的变化按照直线路段和曲线路段获取动态时间窗；基于动态时间窗内事件强度类别和事件转移特征，构造表征动态时间窗内驾驶风格的已具有事件强度类别标签的事件随时间的变化曲线；基于融合DTW的曲线聚类算法，按照直行事件和转向事件对各动态时间窗的所述曲线进行聚类，得到各类时间窗曲线；基于事件强度特征和事件转移特征，对各类时间窗曲线打驾驶风格类型标签。

在本发明的一些实施方式中，所述自然驾驶数据包括速度、纵向加速度和侧向加速度，所述预处理包括异常数据剔除和数据平滑处理。