【技術實現步驟摘要】
本專利技術涉及汽車駕駛員駕駛風格識別，更具體地說，它涉及一種基于自然行駛數據庫的駕駛風格識別系統。
技術介紹
1、隨著中國汽車保有量和駕駛員數量的不斷增長，道路交通安全問題變得日益重要。駕駛員的駕駛風格與交通事故發生率之間存在密切關系，激進駕駛風格往往導致更高的事故概率。因此，有效識別駕駛員的駕駛風格對于提升交通安全、促進能源效率以及改善駕乘體驗具有重要意義。此外，自動駕駛車輛的發展也需要深入理解駕駛員的駕駛風格，以實現更加人性化和個性化的自動駕駛系統。
2、目前，駕駛員駕駛風格的測評方法主要分為主觀測評和客觀測評兩種。主觀測評方法，如問卷調查和專家打分，雖然簡單易行，但易受主觀因素和外界環境的影響。相比之下，客觀測評方法基于駕駛模擬器或實車道路試驗獲取的駕駛數據，能夠更直觀地反映駕駛風格的表現特性。
3、在客觀測評方法中，基于駕駛數據的風格識別模型得到了廣泛應用。這些模型通常采用統計和機器學習方法，如隱馬爾可夫模型(hmm)、支持向量機(svm)、k-means聚類等，來從歷史駕駛數據中派生風格識別模型。這些模型具有精度高、復雜度低、泛化能力強等優點，能夠有效地識別出駕駛員的駕駛風格。特別地，基于自然行駛數據庫的駕駛風格識別系統已成為研究熱點。這類系統通過采集駕駛員在自然駕駛過程中的車輛行駛數據，如車速、加速度、轉向角等，提取能夠反映駕駛風格的特征指標。然后，利用機器學習算法對這些特征指標進行聚類和分析，從而實現對駕駛員駕駛風格的準確識別。這種基于大數據和機器學習的方法不僅提高了識別的準確性，還為自動駕
4、目前駕駛風格識別的研究仍存在明顯缺陷：問卷調查數據的主觀性、數據挖掘算法在處理高維大體量數據時的局限性、監督學習方法對大量標記數據的依賴，以及忽視駕駛員舒適性對駕駛風格和行車安全的影響，這些問題共同制約了駕駛風格識別技術的進一步發展與應用。
技術實現思路
1、本專利技術的目的是提供一種基于自然行駛數據庫的駕駛風格識別系統，以解決現有技術中高維大體量數據處理效率低下、駕駛風格識別精度不高以及缺乏實時在線識別能力等問題。
2、本專利技術的上述技術目的是通過以下技術方案得以實現的：一種基于自然行駛數據庫的駕駛風格識別系統，包括特征提取模塊、離線聚類分析模塊、在線識別與驗證模塊；
3、所述特征提取模塊從所述自然駕駛數據庫中獲取原始車輛數據，對所采集的原始車輛數據進行處理，處理后提取所述采集的原始車輛數據的均值、方差、最大值、最小值作為相應的特征參數并結合關鍵特征參數形成新的數據特征集，并通過拉普拉斯特征映射進行降維處理；
4、所述離線聚類分析模塊通過dbscan算法對降維后的特征數據進行聚類分析，以識別不同的駕駛風格類別；
5、所述在線識別與驗證模塊通過分析降維后的特征數據與駕駛風格識別模型中聚類中心的關系，完成駕駛風格的在線識別。
6、本專利技術進一步設置為：所述原始車輛數據包括車輛的縱向速度、側向速度、縱向加速度、側向加速度和垂向加速度，并提取上述數據的均值、方差、最大值、最小值作為相應的特征參數。
7、本專利技術進一步設置為：所述關鍵特征參數包括速度與加速度乘積的最大值加速度過零率，所述速度與加速度乘積的最大值包括縱向速度與縱向加速度乘積、側向速度與側向加速度乘積的最大值，所述加速度的過零率包括縱向加速度、側向加速度和垂向加速度的過零率。
8、本專利技術進一步設置為：所述離線聚類分析模塊具體是通過選取具有代表性的數據進行初始聚類，從而確定初始聚類中心，在此基礎上逐步增加新的數據特征樣本點，對聚類結果進行迭代優化，實現對大體量數據庫的高效聚類分析。
9、本專利技術進一步設置為：所述在線識別與驗證模塊還通過t-sne算法對數據進行可視化處理，展示特征數據的拓撲結構，驗證dbscan聚類算法的聚類效果。
10、本專利技術進一步設置為：所述在線識別與驗證模塊還通過與k-means聚類算法的對比分析，驗證識別系統的有效性。
11、通過采用上述技術方案，本專利技術不僅提取了原始車輛數據的均值、方差、最大值、最小值作為基本特征參數，還特別考慮了車輛的垂向運動作為乘坐舒適性的評價指標，這一綜合考量使得駕駛風格的識別更加全面和精準，能夠更真實地反映駕駛員的行為習慣和乘客的乘坐體驗；本專利技術通過采用dbscan聚類算法對降維后的數據進行聚類分析，該算法能夠發現任意形狀的聚類，并且對噪聲和異常值具有較強的魯棒性，即使在復雜的駕駛數據環境中，本專利技術也能準確識別出不同的駕駛風格類別，提高了對駕駛風格類別的識別精度；
12、本專利技術通過采用拉普拉斯特征映射進行數據降維，有效去除了特征數據中的強相關性部分，簡化了數據結構，這樣不僅降低了后續聚類分析的復雜度，還提高了模型的計算效率，使得對大規模數據的處理更加迅速和高效，解決了高維大體量數據處理效率低下的問題；并通過t-sne算法構建原始數據的拓撲結構，實現了數據的可視化處理，這使得研究人員能夠直觀地觀察和理解數據的分布特征，進而驗證聚類效果的優劣。同時，與k-means聚類算法的對比分析，進一步增強了模型驗證的科學性和說服力；
13、本專利技術是基于自然行駛數據庫構建，這意味著所提取的駕駛風格和識別模型更貼近實際駕駛場景，具有較高的實用價值，并且隨著數據庫的更新和擴充，本專利技術的在線識別與驗證模塊也可以進行相應的調整和優化，以適應更多樣化的駕駛風格識別需求，也同時提供了系統的實時在線識別能力。
14、綜上所述，本專利技術具有以下有益效果：
15、1.本專利技術通過綜合考慮原始車輛數據的多元統計特征以及車輛的垂向運動作為乘坐舒適性的評價指標，實現了對駕駛風格更全面、更精準的識別，本專利技術不僅反映了駕駛員的駕駛習慣，還體現了乘客的乘坐體驗，從而更真實地揭示了駕駛行為的多樣性；并采用dbscan聚類算法對降維后的數據進行處理，提高對復雜數據形狀的適應性和對噪聲數據的魯棒性，進一步提升了駕駛風格識別的精確度；
16、2.本專利技術利用拉普拉斯特征映射進行數據降維，有效去除特征數據中的冗余和強相關性部分，提高了后續聚類分析的計算效率，使得本專利技術更適用于處理高維大體量的駕駛數據，實現了對大規模數據的快速處理；并通過t-sne算法實現數據可視化，為研究人員提供了直觀的數據分析工具，增強了模型驗證的直觀性和說服力；
17、3.本專利技術基于自然行駛數據庫構建，確保了識別模型與實際駕駛場景的緊密貼合，從而提升了模型的實用價值，隨著數據庫的持續更新和擴充，本專利技術的在線識別與驗證模塊可靈活調整和優化，以適應不斷變化的駕駛風格識別需求，同時保證了系統的實時在線識別能力。
本文檔來自技高網...【技術保護點】
1.一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：包括特征提取模塊、離線聚類分析模塊、在線識別與驗證模塊；
2.根據權利要求1所述的一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：所述原始車輛數據包括車輛的縱向速度、側向速度、縱向加速度、側向加速度和垂向加速度，并提取上述數據的均值、方差、最大值、最小值作為相應的特征參數。
3.根據權利要求1所述的一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：所述關鍵特征參數包括速度與加速度乘積的最大值加速度過零率，所述速度與加速度乘積的最大值包括縱向速度與縱向加速度乘積、側向速度與側向加速度乘積的最大值，所述加速度的過零率包括縱向加速度、側向加速度和垂向加速度的過零率。
4.根據權利要求1所述的一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：所述離線聚類分析模塊具體是通過選取具有代表性的數據進行初始聚類，從而確定初始聚類中心，在此基礎上逐步增加新的數據特征樣本點，對聚類結果進行迭代優化，實現對大體量數據庫的高效聚類分析。
5.根據權利要求1所述的一種基于自然行駛數據庫的駕駛風格
6.根據權利要求1所述的一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：所述在線識別與驗證模塊還通過與k-means聚類算法的對比分析，驗證識別系統的有效性。
...【技術特征摘要】
1.一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：包括特征提取模塊、離線聚類分析模塊、在線識別與驗證模塊；
2.根據權利要求1所述的一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：所述原始車輛數據包括車輛的縱向速度、側向速度、縱向加速度、側向加速度和垂向加速度，并提取上述數據的均值、方差、最大值、最小值作為相應的特征參數。
3.根據權利要求1所述的一種基于自然行駛數據庫的駕駛風格識別系統，其特征是：所述關鍵特征參數包括速度與加速度乘積的最大值加速度過零率，所述速度與加速度乘積的最大值包括縱向速度與縱向加速度乘積、側向速度與側向加速度乘積的最大值，所述加速度的過零率包括縱向加速度、側向加速度和垂向加速度的過零率。
【專利技術屬性】
技術研發人員：朱天軍，李劍英，錢遠治，梁建國，李偉豪，冼鵬聰，
申請(專利權)人：肇慶學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。