一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法技术

本发明专利技术公开了一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法，包括：步骤一、对网联车辆自然驾驶数据集进行数据清洗，填补缺失数据，计算出横向加速度；步骤二、将速度划分为若干区间，对速度区间内的纵向加速度和步骤一得到的横向加速度进行异常加速度提取，根据某段行程的异常加速度点数量，判断是否属于极端驾驶事件；步骤三、利用找出的极端驾驶事件数据采用k‑means聚类算法进行聚类；步骤四、将聚类结果通过经纬度定位在google earth中得到驾驶场景并统计驾驶参数。本发明专利技术能够比较准确的得到异常驾驶场景以及相应情况下的驾驶参数，可以为智能车路系统的设计和测试提供依据。

An abnormal driving scene extraction method based on natural driving data of networked vehicles

【技术实现步骤摘要】
一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
本专利技术涉及智能车路系统交通领域，具体涉及一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法，通过异常驾驶场景的提取为智能车路系统的设计和测试提供依据。
技术介绍
随着新兴信息和通信技术的广泛应用，大量高分辨率的驾驶数据变得可用，这也使得研究人员可以比以前更加深入的观测驾驶场景。这些驾驶数据可用于可视化、分析和建模，为数据和工具的结合创建了新的前景。目前，车辆驾驶数据可以分为两类：一是车辆的自然驾驶数据，主要包括GPS，GIS数据和车载终端采集的CAN总线数据；二是加装摄像设备的车辆采集到的图像数据。当前行业内对驾驶场景的研究基于视频数据的方法较多，但是摄像装置存在着成本高、通信负担大等缺点，并且对驾驶场景不能完全覆盖。因此，需要设计一种能够从车辆的自然驾驶数据中提取驾驶场景和相关参数的方法。
技术实现思路
本专利技术的目的在于针对现有技术中智能车路系统场景测试依据难以获取的问题，提供一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法，根据车辆的驾驶属性使用聚类算法对异常驾驶事件进行分类，并通过googleearth对异常驾驶事件进行实例还原得到异常驾驶场景，能够比较准确的获取得到异常驾驶场景以及相应情况下的驾驶参数。为了实现上述目的，本专利技术有如下的技术方案：一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法，包括以下步骤：步骤一、对网联车辆自然驾驶数据集进行数据清洗，填补缺失数据，计算出横向加速度；步骤二、将速度划分为若干区间，对速度区间内的纵向加速度和步骤一得到的横向加速度进行异常加速度提取，根据某段行程的异常加速度点数量，判断是否属于极端驾驶事件；步骤三、利用找出的极端驾驶事件数据采用k-means聚类算法进行聚类；步骤四、将聚类结果通过经纬度定位在googleearth中得到驾驶场景并统计驾驶参数。所述的步骤一数据清洗时当时间连续的10条数据中出现5条以上缺失值时，认为是不可信数据，将其删除；并筛选出超过5s的连续时间序列数据；数据的采集频率为10HZ。所述的步骤一采用临位均值插补的方式对缺失值进行补充，具体计算方式如下：式中，Xi为缺失数据，{Xi-k+…+Xi-1+Xi+1+Xi+k}为缺失数据前后的正常数据，k为采取填补的单侧长度，取k＝5，即为1s内的10条数据进行补充。步骤一使用网联车辆自然驾驶数据中的车道线距离计算出横向速度，再得出横向加速度；具体的计算方式如下：式中，di和di+1分别是i和i+1时刻检测到的右侧车道线距离，Δt是时间采样时间间隔，vi是计算得到的i时刻的瞬时横向速度，ai是计算得到的i时刻的瞬时横向加速度。所述的步骤二以0.1m/s为区间将速度划分为若干区间，对每个速度区间内的加速度采取置信度95％对纵向加速度和横向加速度进行异常加速度提取，如果同一段行程出现连续5个以上的异常加速度点时，则将此段行程认为是一个极端驾驶事件。所述步骤三对极端驾驶事件数据进行聚类的具体步骤如下：步骤3-1、特征选取，选取能够表示车辆空间和时间的特征信息进行聚类；特征矩阵的表达式如下：在上述表达式中，Di表示i时刻车辆的时间和空间特征，表示i时刻车辆的相对横向距离，表示i时刻车辆的相对纵向距离，表示i时刻车辆的相对横向速度，表示i时刻车辆的相对纵向速度，ai表示i时刻主车辆的横向加速度；步骤3-2、使用轮廓系数法确定聚类簇数k，根据步骤3-1选出的特征矩阵进行k均值聚类；令k从2到某个固定值，计算k的轮廓系数，选取轮廓系数最大值的k作为分类个数；轮廓系数计算方法为：式中，a(i)表示i向量到同一簇内其他样本的平均距离，a(i)越小则此向量越应该被聚类到该簇；b(i)表示i向量到其它簇的所有样本的平均距离，b(i)越大说明向量i不属于其它簇；空间中数据对象与聚类中心间的欧氏距离计算公式：其中，x为数据对象；Ci为第i个聚类中心；m为数据对象的维度；xj，Cij分别为x和Ci的第j个属性值；整个数据集的误差平方和计算公式为：其中，SSE的大小表示聚类结果的好坏；当SSE的值没有变化时，聚类结束。所述的步骤3-1中，使用主车辆和目标车辆的相对距离、相对速度和主车辆加速度信息组成特征矩阵；所述的主车辆为采集数据的车辆，所述的目标车辆为相邻车辆。相较于现有技术，本专利技术具有如下的有益效果：通过采集网联车辆自然驾驶数据集，将数据集中的缺失数据进行填补或删除，并采用车道线计算数据集中没有的车辆横向加速度，有利于对车辆横向驾驶状况进行分析。将速度划分为若干区间，根据某段行程的异常加速度点数量，判断是否属于极端驾驶事件，根据车辆的驾驶属性使用采用k-means聚类算法对异常驾驶事件进行分类，开创性的使用k均值对异常驾驶数据进行聚类，通过googleearth分析聚类结果得到不同驾驶场景和车辆驾驶参数。本专利技术能够准确获取得到异常驾驶场景。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1本专利技术异常驾驶场景提取方法的流程图；图2本专利技术实施例得到的加速度异常点分布图；图3轮廓系数评估结果示意图；图4聚类结果中每一类数据的占比。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提还可以进行若干简单的修改和润饰，所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本专利技术的至少一个实施方案中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在本专利技术所描述的实施例还可以与其它实施例相结合。参见图1，本专利技术基于网联车辆自然驾驶数据的异常驾驶场景提取方法，包括以下步骤：步骤1、处理网联车辆自然驾驶数据集，将网联车辆自然驾驶数据集中的缺失数据进行填补或删除，并计算出数据集中没有的横向加速度。具体的步骤为：步骤1-1，数据清洗，当时间连续的10条数据中出现5条以上缺失值时，认为是不可信数据，将其删除，并筛选出超过5s的连续时间序列数据(数据的采集频率为10HZ)；步骤1-2，缺失值补充，采用临位均值插补的方式对缺失值进行补充；式中，Xi为缺失数据，{Xi-k+…+Xi-1+Xi+1+Xi本文档来自技高网...

【技术保护点】
1.一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法，其特征在于，包括：/n步骤一、对网联车辆自然驾驶数据集进行数据清洗，填补缺失数据，计算出横向加速度；/n步骤二、将速度划分为若干区间，对速度区间内的纵向加速度和步骤一得到的横向加速度进行异常加速度提取，根据某段行程的异常加速度点数量，判断是否属于极端驾驶事件；/n步骤三、利用找出的极端驾驶事件数据采用k-means聚类算法进行聚类；/n步骤四、将聚类结果通过经纬度定位在google earth中得到驾驶场景并统计驾驶参数。/n

【技术特征摘要】
1.一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法，其特征在于，包括：
步骤一、对网联车辆自然驾驶数据集进行数据清洗，填补缺失数据，计算出横向加速度；
步骤二、将速度划分为若干区间，对速度区间内的纵向加速度和步骤一得到的横向加速度进行异常加速度提取，根据某段行程的异常加速度点数量，判断是否属于极端驾驶事件；
步骤三、利用找出的极端驾驶事件数据采用k-means聚类算法进行聚类；
步骤四、将聚类结果通过经纬度定位在googleearth中得到驾驶场景并统计驾驶参数。


2.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法，其特征在于：所述的步骤一数据清洗时当时间连续的10条数据中出现5条以上缺失值时，认为是不可信数据，将其删除；并筛选出超过5s的连续时间序列数据；数据的采集频率为10HZ。


3.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法，其特征在于，所述的步骤一采用临位均值插补的方式对缺失值进行补充，具体计算方式如下：



式中，Xi为缺失数据，{Xi-k+…+Xi-1+Xi+1+Xi+k}为缺失数据前后的正常数据，k为采取填补的单侧长度，取k＝5，即为1s内的10条数据进行补充。


4.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法，其特征在于，步骤一使用网联车辆自然驾驶数据中的车道线距离计算出横向速度，再得出横向加速度；
具体的计算方式如下：



式中，di和di+1分别是i和i+1时刻检测到的右侧车道线距离，Δt是时间采样时间间隔，vi是计算得到的i时刻的瞬时横向速度，ai是计算得到的i时刻的瞬时横向加速度。


5.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法，其特征在于，所述的步骤二以0.1m/s为区间将速度划分...

【专利技术属性】
技术研发人员：赵祥模，马峻岩，张佳雨，许良，张颖，阿萨德，柳有权，惠飞，史昕，侯俊，杨澜，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61