一种驾驶员行车风险鉴定方法及系统技术方案

本发明专利技术属于驾驶行为数据处理领域，提供了一种驾驶员行车风险鉴定方法及系统。其中，该方法包括获取驾驶数据，从驾驶数据中提取驾驶行为特征指标；基于驾驶行为特征指标及行为分类模型，识别出驾驶行为，且当驾驶行为属于激进型时，输出风险预警信息；其中，驾驶行为包括激进、一般与平静三种驾驶风格。一般与平静三种驾驶风格。一般与平静三种驾驶风格。

【技术实现步骤摘要】
一种驾驶员行车风险鉴定方法及系统


[0001]本专利技术属于驾驶行为数据处理领域，尤其涉及一种驾驶员行车风险鉴定方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]道路交通安全问题是近年来全球交通领域关注的热点问题。据统计，大量道路交通事故致因分析表明，超过80％的事故与驾驶员行为操作有关，其中驾驶风格与事故发生率之间存在较强的相关性，美国国家公路交通安全管理局(NHTSA)发现，攻击性驾驶行为约占所有致命交通事故的三分之二。驾驶员驾驶风格的激进程度越高，在驾驶过程中越容易出现急变速、频繁换道、超速行驶等不良驾驶行。这些不良驾驶行为频繁造成恶性交通事故的发生，促使研究者们开始重视驾驶风格对交通安全的影响。
[0004]驾驶风格是指驾驶员操纵车辆所表现出的相对稳定的行为特性，是一种具有个体性、差异性的倾向性行为。目前，国内外众多学者在分析驾驶风格影响因素的基础上，提取表征驾驶风格的特征参数，对驾驶风格进行分类。最早对驾驶风格的研究以问卷调查的形式从文化、性别、地域等角度出发，设计驾驶行为问卷(DBQ)以及多维度驾驶风格量表(MDSI)。问卷调查方法虽简便可行，但受驾驶员的主观情绪影响，调查结果的准确性、可靠性难以保证。
[0005]车联网以及大数据技术的发展促使许多学者逐渐开始利用自然驾驶实验数据中的客观参数建立驾驶风格分类体系，如Bellem等将加速度、速度或踏板位置等自然驾驶实验数据的平均值、标准差或极值作为特征参数，再利用主成分分析(PCA)算法对上述特征进行降维处理并利用K
‑
means聚类划分驾驶风格。总体来说，当前利用自然驾驶实验数据识别驾驶风格方面的研究主要分为两类：1)利用无监督学习算法从上述驾驶特征参数中直接识别驾驶员的驾驶风格。如Bender等利用结合序列分割算法的贝叶斯多元线性模型，通过自然驾驶数据推断驾驶行为；Koh等利用高斯混合模型(GMM)直接对驾驶风格进行梯度分类。然而这类识别需要对样本数据进行大量处理分析，才能得到可靠的分类结果。2)先使用聚类算法对驾驶员风格样本打上类别标签，再建立驾驶风格识别模型并优化其识别精度。
[0006]K
‑
means方法是一种简单易理解的聚类算法，常常被研究者们用于驾驶风格样本划分，但研究表明，K
‑
means方法具有一定的局限性，算法中聚类数K值以及初始聚类中心的随机选定均会对聚类效果产生一定影响。而K
‑
means++算法则可以在优化K
‑
means聚类中心选取问题的同时，保证K值的选取。因此，本研究同时选用K
‑
means与K
‑
means++进行驾驶风格样本划分，并选取聚类效果较优的作为下一步识别模型的输入。此外，专利技术人发现，现有的驾驶风格评价指标种类繁多，选取过多的指标在增大数据采集及处理难度、识别系统通信带宽要求的同时，也会降低驾驶风格识别结果的精度，无法及时给予驾驶员正确的预警提醒，降低识别系统的可靠性。同时，过多数据指标的要求也会对系统用户的隐私造成威
胁。但是，现有驾驶风格分类及识别研究较少关注如何选取合理数量和类型的指标集以精准地反映驾驶风格，进行危险驾驶行为预警。

技术实现思路

[0007]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种驾驶员行车风险鉴定方法及系统。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]本专利技术的第一个方面提供一种驾驶员行车风险鉴定方法。
[0010]一种驾驶员行车风险鉴定方法，其包括：
[0011]获取驾驶数据，从驾驶数据中提取驾驶行为特征指标；
[0012]基于驾驶行为特征指标及行为分类模型，识别出驾驶行为，且当驾驶行为属于激进型时，输出风险预警信息；其中，驾驶行为包括激进、一般与平静三种驾驶风格。
[0013]进一步地，从驾驶数据中提取驾驶行为特征指标的过程包括：
[0014]从驾驶数据集中提取不同驾驶员的驾驶行程事件，计算驾驶特征参数并建立驾驶风格指标体系；
[0015]将主成分分析得到的驾驶综合评价得分作为输入变量，实现驾驶风格分类；
[0016]通过对比至少两种设定筛选方法的最佳特征筛选结果，得到与驾驶行为最密切相关的特征指标。
[0017]进一步地，所述设定筛选方法包括支持向量机
‑
递归特征消除算法与随机森林
‑
递归特征消除算法。
[0018]进一步地，支持向量机
‑
递归特征消除算法的最佳特征筛选结果包括平均纵向加速度、垂向加速度平均值、速度标准差、最小纵向加速度、最小垂向加速度和最大速度。
[0019]进一步地，随机森林
‑
递归特征消除算法的最佳特征筛选结果包括最大速度、最小纵向加速度、最小垂向加速度、速度标准差、距离和平均速度。
[0020]进一步地，与驾驶行为最密切相关的特征指标为最小纵向加速度、最小垂向加速度和最大速度中的任一者或是任意组合。
[0021]进一步地，所述行为分类模型为K
‑
means++聚类模型。
[0022]本专利技术的第二个方面提供一种驾驶员行车风险鉴定系统。
[0023]一种驾驶员行车风险鉴定系统，其包括：
[0024]行为特征指标提取模块，其用于获取驾驶数据，从驾驶数据中提取驾驶行为特征指标；
[0025]驾驶行为识别预警模块，其用于基于驾驶行为特征指标及行为分类模型，识别出驾驶行为，且当驾驶行为属于激进型时，输出风险预警信息；其中，驾驶行为包括激进、一般与平静三种驾驶风格。
[0026]本专利技术的第三个方面提供一种计算机可读存储介质。
[0027]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的驾驶员行车风险鉴定方法中的步骤。
[0028]本专利技术的第四个方面提供一种计算机设备。
[0029]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的
计算机程序，所述处理器执行所述程序时实现如上述所述的驾驶员行车风险鉴定方法中的步骤。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]本专利技术通过从驾驶数据中提取驾驶行为特征指标，基于驾驶行为特征指标及行为分类模型，识别出驾驶行为，且当驾驶行为属于激进型时，输出风险预警信息；其中，驾驶行为包括激进、一般与平静三种驾驶风格，提高了驾驶风格识别的准确性。
[0032]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。...

【技术保护点】

【技术特征摘要】
1.一种驾驶员行车风险鉴定方法，其特征在于，包括：获取驾驶数据，从驾驶数据中提取驾驶行为特征指标；基于驾驶行为特征指标及行为分类模型，识别出驾驶行为，且当驾驶行为属于激进型时，输出风险预警信息；其中，驾驶行为包括激进、一般与平静三种驾驶风格。2.如权利要求1所述的驾驶员行车风险鉴定方法，其特征在于，从驾驶数据中提取驾驶行为特征指标的过程包括：从驾驶数据集中提取不同驾驶员的驾驶行程事件，计算驾驶特征参数并建立驾驶风格指标体系；将主成分分析得到的驾驶综合评价得分作为输入变量，实现驾驶风格分类；通过对比至少两种设定筛选方法的最佳特征筛选结果，得到与驾驶行为最密切相关的特征指标。3.如权利要求2所述的驾驶员行车风险鉴定方法，其特征在于，所述设定筛选方法包括支持向量机
‑
递归特征消除算法与随机森林
‑
递归特征消除算法。4.如权利要求3所述的驾驶员行车风险鉴定方法，其特征在于，支持向量机
‑
递归特征消除算法的最佳特征筛选结果包括平均纵向加速度、垂向加速度平均值、速度标准差、最小纵向加速度、最小垂向加速度和最大速度。5.如权利要求4所述的驾驶员行车风险鉴定方法，其特征在于，随机森林
‑
递归...

【专利技术属性】
技术研发人员：王旭，马菲，廖小棱，张伟，于迪，常玉涛，陈西广，
申请(专利权)人：山东高速信息集团有限公司，
类型：发明
国别省市：