一种驾驶风格识别方法技术

本发明专利技术涉及一种驾驶风格识别方法，该方法包括以下步骤：步骤S1：利用传感器采集行车轨迹数据；步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；步骤S3：基于相对超速行为，计算得到驾驶风格参数；步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。与现有技术相比，放宽了驾驶风格识别的数据精度要求，基于低频数据，有利于降低驾驶风格识别的数据采集成本；扩展了低频行车轨迹数据在驾驶风格探究方面的应用；可提高道路交通安全性。

A Driving Style Recognition Method

【技术实现步骤摘要】
一种驾驶风格识别方法
本专利技术涉及驾驶风格识别领域，尤其是涉及一种驾驶风格识别方法。
技术介绍
驾驶风格是表征驾驶人固有驾驶方式的整体性评价指标。驾驶风格研究主要从节能驾驶、交通安全等角度，将驾驶人进行划分。既有研究表明，驾驶人的风格与交通安全密切关联：激进驾驶风格驾驶人存在频繁换道、急加减速、近距离跟驰等不良驾驶行为，易增加事故发生概率。通过驾驶风格研究，对驾驶人日常驾驶的不良驾驶风格进行检测或反馈，可实现对驾驶人驾驶行为的监管和教育，并辅助以相应措施从而提升行车安全性。面向驾驶风格研究的数据主要包括主观问卷调查和客观驾驶数据两种，并以高精度的驾驶行为数据为主，如采集频率为1Hz、10Hz的高频GPS行车轨迹数据，从加速度、加加速度等微观角度进行驾驶风格评估。然而，当前分时租赁等汽车服务提供企业采集的行车轨迹数据以车辆定位为目的，主要采集低频率的行车轨迹数据(GPS采集间隔30～120s)。如何基于低频行车轨迹数据的特征，构建驾驶风格参数并开展驾驶风格识别仍缺乏合理方案。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种驾驶风格识别方法。本专利技术的目的可以通过以下技术方案来实现：一种驾驶风格识别方法，该方法包括以下步骤：步骤S1：利用传感器采集行车轨迹数据；步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；步骤S3：基于相对超速行为，计算得到驾驶风格参数；步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。所述的行车轨迹数据为GPS行车轨迹数据，所述GPS行车轨迹数据为采集间隔30～60s的低频行车轨迹数据。所述的步骤S2包括：步骤S21：行车轨迹数据与地理信息数据匹配，获取各轨迹点的道路类型；步骤S22：提取运行速度高于各轨迹点的道路类型运行车速的99分位数的行为，得到相对超速行为。所述的步骤S3包括：步骤S31：基于相对超速行为，计算得到相对超速时间比例；步骤S32：基于相对超速时间比例，计算得到平均相对超速时间比例；步骤S33：基于平均相对超速时间比例，计算得到变异系数；步骤S34：基于变异系数和平均相对超速时间比例，计算得到驾驶风格参数。对于一次出行，驾驶人在道路类型i上的相对超速时间比例相对超速时间比例ti_speeding％为：其中，i为道路类型(i＝1,2,…,m)，ti1为运行速度高于i道路类型运行车速的99分位数的行驶时长，ti2为运行速度高于该道路类型一级服务水平最小速度的行驶时长。j驾驶人各次出行中i道路类型的平均相对超速时间比例xji1为：其中，p为出行道路类型i的次数，ti_speeding％_l为第l(l＝1,2,…,p)次出行道路类型i的相对超速时间比例。j驾驶人各次出行中i道路类型的变异系数xji2为：j驾驶人的驾驶风格参数xj为：xj＝(xj11,xj12,…,xji1,xji2,…,xjm1,xjm2)所述的聚类算法为K-Means聚类算法。与现有技术相比，本专利技术具有以下优点：(1)放宽了驾驶风格识别的数据精度要求，基于低频数据，有利于降低驾驶风格识别的数据采集成本。(2)扩展了低频行车轨迹数据在驾驶风格探究方面的应用。(3)对于识别出的不良风格驾驶员(如驾驶风格激进群体)，可针对性制定安全教育项目或UBI车险方案等风险管理措施，可提高道路交通安全性并降低企业运营风险。(4)仅通过车速这一项车辆自身数据进行计算，减少了传感器的使用量和并降低数据流量费用。(5)驾驶风格参数可以准确体现驾驶风格。附图说明图1为本专利技术的流程图；图2为K-Means聚类算法流程图；图3为实施例驾驶风格聚类结果。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例本专利技术提供了一种基于低频行车轨迹数据的驾驶风格识别方法，以实现不依赖高精度数据即可识别不同驾驶风格的群体，发现潜在高风险驾驶人，为针对性制定安全教育项目或UBI车险方案等风险管理措施提供依据。本专利技术提供一种基于低频行车轨迹数据的驾驶风格识别方法，包括以下步骤：步骤S1：利用传感器采集行车轨迹数据；步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；步骤S3：基于相对超速行为，计算得到驾驶风格参数；步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。进一步，步骤S1中所述采集的行车轨迹数据为通过车辆设备传感器采集车辆行驶的卫星定位(GlobalPositioningSystem,GPS)轨迹数据，行车轨迹数据为低频行车轨迹数据，GPS采集行车轨迹数据间隔为30～60s。进一步，步骤S2中所述结合地理信息数据得到相对超速行为，具体为：(2.1)轨迹数据与地理信息图层数据匹配：基于OpenStreetMap(OSM)和开源路线规划引擎(OSRM,OpenSourceRoutingMachine)技术实现轨迹数据与地理信息图层数据的匹配，获取各轨迹点的道路及交通管理信息，包括但不限于道路名称、道路类型i(i＝1,2,…,m)和限速；(2.2)得到相对超速行为：基于低频行车轨迹数据特点，相对超速行为即驾驶人在道路类型i上运行速度高于该道路类型运行车速的99分位数的行为，基于各轨迹点所处道路类型i与运行车速识别相对超速行为。其中，分位数含义如下：将一组数据从小到大排序，并计算相应的累计百分位，某一百分位所对应数据的值就称为这一百分位的分位数，即处于p％位置的值称p分位数。进一步，步骤S3中基于相对超速行为计算驾驶风格参数，具体为：(3.1)基于相对超速行为，定义相对超速时间比例：对于一次出行，驾驶人在道路类型i上的相对超速时间比例ti_speeding％为：其中，ti1为该次出行中运行速度高于i道路类型运行车速的99分位数的行驶时长，ti2为该次出行中运行速度高于交通运行通畅状态下典型速度(如一级服务水平最小速度)行驶时长；(3.2)基于相对超速时间比例，计算以下驾驶风格参数：j驾驶人各次出行中i道路类型的平均相对超速时间比例xji1为：其中，p为出行道路类型i的次数，ti_speeding％_l为第l(l＝1,2,…,p)次出行道路类型i的相对超速时间比例。j驾驶人各次出行中i道路类型相对超速时间比例的变异系数xji2为：变异系数xji2对该行为稳定性进行表征，即对于特定驾驶人，相对超速是习惯性或偶发行为。驾驶人j的驾驶风格参数为xj＝(xj11,xj12,…,xji1,xji2,…,xjm1,xjm2)。进一步，步骤S4中聚类算法为K-Means聚类算法，基于K-Means聚类算法进行驾驶风格的识别与分类，具体为：(4.1)基于K-Means聚类算法进行驾驶风格评估，具体步骤为：(4.1a)获取驾驶人集合X＝(x1,x2,…,xj,…,xn)T，并对数据进行归一化处理，得到处理后的矩阵X'＝(x'1,x'2,…,x'j,…,x'n)T；(4.1b)初始化聚类中心数k＝2；(4.1c)采用K-Means聚类算法对x'1,x'2,…,x'j,…,x'n进行驾驶风格分类；(4.1d)计算k聚类下的平均轮廓系数sk，其计算方法为：其中，a为类内距离平均值，b为与最近相本文档来自技高网...

【技术保护点】
1.一种驾驶风格识别方法，其特征在于，该方法包括以下步骤：步骤S1：利用传感器采集行车轨迹数据；步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；步骤S3：基于相对超速行为，计算得到驾驶风格参数；步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。

【技术特征摘要】
1.一种驾驶风格识别方法，其特征在于，该方法包括以下步骤：步骤S1：利用传感器采集行车轨迹数据；步骤S2：基于行车轨迹数据，结合地理信息数据得到相对超速行为；步骤S3：基于相对超速行为，计算得到驾驶风格参数；步骤S4：基于驾驶风格参数，利用聚类算法识别驾驶风格。2.根据权利要求1所述的一种驾驶风格识别方法，其特征在于，所述的行车轨迹数据为GPS行车轨迹数据，所述GPS行车轨迹数据为采集间隔30～60s的低频行车轨迹数据。3.根据权利要求1所述的一种驾驶风格识别方法，其特征在于，所述的步骤S2包括：步骤S21：行车轨迹数据与地理信息数据匹配，获取各轨迹点的道路类型；步骤S22：提取运行速度高于各轨迹点的道路类型运行车速的99分位数的行为，得到相对超速行为。4.根据权利要求1所述的一种驾驶风格识别方法，其特征在于，所述的步骤S3包括：步骤S31：基于相对超速行为，计算得到相对超速时间比例；步骤S32：基于相对超速时间比例，计算得到平均相对超速时间比例；步骤S33：基于平均相对超速时间比例，计算得到变异系数；步骤S34：基于变异系数和平均...

【专利技术属性】
技术研发人员：余荣杰，龙晓捷，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31