[发明专利]一种基于大数据危险场景的驾驶风格分析方法

说明书

本发明属于汽车大数据应用技术领域，涉及一种基于大数据危险场景的驾驶风格分析方法；包括：数据清洗；数据切片；评价指标降维：采用归一法和和主成分分析对初始指标进行降维，经过旋转因子旋转后发现更多未知场景；按照旋转因子矩阵，实现不同场景的分析；建立聚类模型：基于k‑means聚类结果的高斯混合模型输出结果是概率值，有效识别边缘数据；建立分类辨识模型：以k‑means聚类结果作为监督学习样本，训练随机森林模型，辨识未知驾驶员的驾驶风格；本发明避免主观评价；采用归一法和主成分分析进行数据降维，既不降低模型精度、还原原始数据，又能简化模型结构；本发明将聚类结果于概率相结合，得到样本点属于某个簇的概率，正确识别边缘数据。

技术领域

本发明属于汽车大数据应用技术领域，涉及一种基于大数据危险场景 的驾驶风格分析方法。

背景技术

驾驶风格反映了一个人经常性的和持续稳定的动作倾向，能够体现驾 驶员的思维模式和行为规律。深刻研究驾驶员驾驶风格以及表现形式，构 建准确的驾驶风格辨识模型，对驾驶库数据平台构建以及高级别自动驾驶 算法开发验证，具有重要意义。

在数据采集方面，一般采取填写主观问卷、在驾驶模拟器模拟驾驶、 在自然公开道路驾驶等方式。由于数据来源广泛，许多学者对场景进行了 切片，进行了更为细致的分析，如按照车流密度切分、研究分时租赁问题、 营运车辆等。在数据处理方面，采用信度和效度检验相结合的方法，构建 基于标准化驾驶表现和像空间重构的定性评估方法等。

专利文献1(CN108995653B)根据采集的驾驶员操作信息和车辆行驶信 息,初步识别驾驶员驾驶风格,得到驾驶员驾驶风格初步识别结果；根据得 到的驾驶员驾驶风格初步识别结果,改变车辆状态；根据驾驶员适应车辆新 状态的操作数据以及对应的车辆行驶数据,进一步识别得到驾驶员驾驶风 格结果。

专利文献2(CN111547064A)使用SOM与K-means算法聚类驾驶员数据, 离线识别各驾驶员的驾驶风格,并训练驾驶风格在线分类器,即可对不同驾 驶员的进行在线识别；将该训练好的驾驶风格在线分类器与汽车ACC系统相 结合,使汽车ACC系统可以针对不同驾驶风格的驾驶员做出相应的调整,从而满 足不同驾驶员不同驾驶风格的个性化需求。

专利文献3(CN111627132A)发明一种基于驾驶倾性的汽车行驶特征评价及 预警方法,,使用时间序列降维算法可以降低数据复杂程度,同时保留数据隐含 的时间序列特征；对操作片段进行统计,得到高频操作片段数据库,可以进行详 细的驾驶特征行为描述；应用HMM模型进行倾性辨识,辨识结果具有高度可信性； 通过进一步计算外倾值,可以比较驾驶博弈各方的操作特征；通过定量和定性评 价结果得出的预警信息,其内容便于比较；随着车辆运行不断更新数据,保证评 价结果和预警信息的实时性,具有很强的实用性。

上述专利与本申请相关度较低。

发明内容

本发明从多维度全方位分析大数据信息，获取更为柔性的聚类结果，并且 构建合适的机器学习模型用来预测辨识新的未知数据分类，本发明提供了一种 基于大数据危险场景的驾驶风格分析方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些 实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包 含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素 的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的 其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

为解决上述技术问题，本发明是采用如下技术方案实现的：

一种基于大数据危险场景的驾驶风格分析方法，包括：

数据清洗：按车辆速度筛选，按道路类型筛选，按前方是否有目标车筛选， 减小原始数据行数；