一种实时预测驾驶员用车行为模式变化的方法技术

本申请涉及一种实时预测驾驶员用车行为模式变化的方法。该方法包括：实时获取驾驶者的个人出行的历史数据并进行预处理，历史数据为驾驶者在以前的出行中车辆的使用时间以及出行的空间位置；将历史数据规整后，将出行地图划分为网格并对网格中每一个格子给予索引作为空间数据，将时间序列数据按日划分，每日统计个人车辆使用时间并以此作为时间数据，获得统计的时间序列数据；将时间序列数据输入到预先构建的广义似然比模型中，对当前周期的车辆使用模式进行分析，获得驾驶员当前周期内的车辆使用模式变化信息。以概率分布形式推断，考虑了时间依赖性以及个人属性的异质性的多个个体的私家车使用行为，有效地提升个人用车行为模式推断的精确率。行为模式推断的精确率。行为模式推断的精确率。

【技术实现步骤摘要】
一种实时预测驾驶员用车行为模式变化的方法


[0001]本申请涉及机器学习
，特别是涉及一种实时预测驾驶员用车行为模式变化的方法。

技术介绍

[0002]随着移动即服务等定制化出行方式、共享移动和自动驾驶汽车的兴起，城市交通正发生着颠覆性的巨大变化。这些新型方式的出现对于解决车位紧张、减少道路拥堵和资源浪费等问题起着重要的作用。对于这些新兴的智能交通方式，预测个人汽车使用模式的能力对于个性化旅行者信息，目标需求管理和动态系统操作至关重要。只有了解人们日常对于汽车使用行为模式才能为定制化出行服务提供有力的支持。
[0003]早年，在交通规划中人们需要预测个人出行行为，一些研究者首先转向了个人态度的估量，后来这种方法被陈述性偏好和陈述性选择方法所替代，但是这些预测方法都缺乏理论基础，除此之外，这也使得这些方法的预测有效性无法评估，后来有研究者从社会心理学的角度来推断人们私家车用车的模式，再后来也有学者利用交互式访谈程序的方法，用于预测不同类型旅行的汽车使用，但是这些方法需要投入大量的人力调查获取数据。
[0004]随着科技的发展，很多人开始利用手机数据、智能卡数据以及GPS数据等来获取个人的行踪，并将其用于交通的预测。目前有关交通方面的模式推断研究中普遍利用的传统的统计模型比如时间序列模型ARIMA或者机器学习算法比如贝叶斯网络，支持向量机和人工神经网络等方法，在推断时最多只能考虑到时间依赖性，而对于个体的个人属性却无法进行考虑，因为具有不同个人属性，诸如不同职业年龄的人的用车模式会有一定的差异。另外，以前人们的模型也无法同时训练多个个体的用车行为，这些单个的个人推断也不能适应大规模的定制化出行的需求，当能够同时对多个人的交通行为模式进行推断的时候才能提高推断的效率。最后，以前人们所用的模型也没有能考虑到天气和假期之类的外部因素的影响。
[0005]因此，预测个人用车行为模式的问题仍然具有挑战性，因为出行行为涉及多个维度(最显著的是时间和空间维度)，表现出个体出行行为的时间依赖性，并且在个体之间存在差异。此外外部因素(诸如空气质量，天气状况和节假日的政策)也对个人汽车使用行为和旅行时间产生一定的影响，使得个人用车行为模式预测的准确率较低。

技术实现思路

[0006]基于此，有必要针对上述技术问题，提供一种能够提高个人用车行为模式预测的准确率的实时预测驾驶员用车行为模式变化的方法。
[0007]一种实时预测驾驶员用车行为模式变化的方法，所述方法包括：
[0008]步骤一，实时获取驾驶者的个人出行的历史数据并进行预处理，所述历史数据为驾驶者在以前的出行中车辆的使用时间以及出行的空间位置；
[0009]步骤二，将所述历史数据规整后，将出行地图划分为网格并对网格中每一个格子
给予索引作为空间数据，将时间序列数据按日划分，每日统计个人车辆使用时间并以此作为时间数据，获得统计的时间序列数据，以hdf5数据文件存储；
[0010]步骤三，将所述时间序列数据输入到预先构建的所述广义似然比模型中，对当前周期的车辆使用模式进行分析，获得驾驶员当前周期内的车辆使用模式变化信息。
[0011]所述广义似然比模型基于广义似然比分段平稳时间序列的自适应序列分割框架结构搭。
[0012]在其中一个实施例中，所述广义似然比模型中：
[0013]将统计的所述时间序列数据表示为X＝{x1，x2，x3……
x
i
}，其中，x
i
表示第i个时间段内车辆使用的数据，用x
i:j
来定义从时间戳i到时间戳j之间的车辆使用数据；
[0014]对于一个时刻t，将t之前的一个时间窗口定义为长度为r的参照窗口，将t之后的一个时间窗口定义为长度为s的测试窗口；
[0015]通过计算参考窗口中参考数据x
t
‑
r
‑
1:t
‑1和测试窗口中测试数据x
t:t+s
之间的相异度值，并将相异度阈值与相异度阈值进行比较，确定是否在t时间点处发生变化，满足H0则时间点发生变化，满足H1则时间点不发生变化，表示为：
[0016][0017]其中，F(
·
，
·
)是一种相异度函数，是一个相异度阈值，用于调整检测灵敏度和鲁棒性之间的平衡，H0表示原假设，H1表示备择假设；
[0018]随着新的观测值的到来，时刻t逐渐推移，并且参考窗口和测试窗口都随着时刻t滑动；测试窗口的长度s指定检测延迟，即，在时刻t处发生的变化只能在t+s处检测。
[0019]在其中一个实施例中，所述将所述时间序列数据输入到预先构建的所述广义似然比模型中，对当前周期的车辆使用模式进行分析，获得驾驶员当前周期内的车辆使用模式变化信息的步骤，包括：
[0020]获取预设定的参考窗口的长度，检测延迟的长度，相异度阈值；
[0021]在所述时间序列数据中，根据参考窗口的长度将参考窗口滑动到当前周期对应的位置，获取参考窗口对应位置内的数据作为参考数据，根据检测延迟的长度确定测试窗口当前周期所在的对应位置，获取测试窗口对应位置内的数据作为测试数据，
[0022]分别对参考数据和测试数据进行概率分布计算，获得所述参考数据的概率分布结果和所述测试数据的概率分布结果。
[0023]对所述参考数据的概率分布结果和所述测试数据的概率分布结果进行相异度计算得出相异度值，并相异度值与相异度阈值进行比较，判断出当前周期内的车辆使用模式是否发生变化。
[0024]在其中一个实施例中，所述方法该包括：
[0025]继续实时获取驾驶者的个人出行的历史数据并进行预处理，所述历史数据为驾驶者在以前的出行中车辆的使用时间以及出行的空间位置；
[0026]将所述历史数据规整后，将出行地图划分为网格并对网格中每一个格子给予索引作为空间数据，将时间序列数据按日划分，每日统计个人车辆使用时间并以此作为时间数据，获得统计的时间序列数据，以hdf5数据文件存储；
[0027]将所述时间序列数据输入到预先构建的所述广义似然比模型中，对下一周期的车辆使用模式进行分析，获得驾驶员下一周期内的车辆使用模式变化信息。
[0028]上述实时预测驾驶员用车行为模式变化的方法，通过实时获取驾驶者的个人出行的历史数据并进行预处理，所述历史数据为驾驶者在以前的出行中车辆的使用时间以及出行的空间位置；将所述历史数据规整后，将出行地图划分为网格并对网格中每一个格子给予索引作为空间数据，将时间序列数据按日划分，每日统计个人车辆使用时间并以此作为时间数据，获得统计的时间序列数据，以hdf5数据文件存储；将所述时间序列数据输入到预先构建的所述广义似然比模型中，对当前周期的车辆使用模式进行分析，获得驾驶员当前周期内的车辆使用模式变化信息。计算时以概率分布形式进行，推断的时候考虑时间依赖性以及个人属性的异质性的多个个体的私家车使用行为，运用该方法人们不仅仅可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实时预测驾驶员用车行为模式变化的方法，其特征在于，所述方法包括：步骤一，实时获取驾驶者的个人出行的历史数据并进行预处理，所述历史数据为驾驶者在以前的出行中车辆的使用时间以及出行的空间位置；步骤二，将所述历史数据规整后，将出行地图划分为网格并对网格中每一个格子给予索引作为空间数据，将时间序列数据按日划分，每日统计个人车辆使用时间并以此作为时间数据，获得统计的时间序列数据，以hdf5数据文件存储；步骤三，将所述时间序列数据输入到预先构建的所述广义似然比模型中，对当前周期的车辆使用模式进行分析，获得驾驶员当前周期内的车辆使用模式变化信息。所述广义似然比模型基于广义似然比分段平稳时间序列的自适应序列分割框架结构搭。2.根据权利要求1所述的实时预测驾驶员用车行为模式变化的方法，其特征在于，所述广义似然比模型中：将统计的所述时间序列数据表示为X＝{x1，x2，x3……
x
i
}，其中，x
i
表示第i个时间段内车辆使用的数据，用x
i:j
来定义从时间戳i到时间戳j之间的车辆使用数据；对于一个时刻t，将t之前的一个时间窗口定义为长度为r的参照窗口，将t之后的一个时间窗口定义为长度为s的测试窗口；通过计算参考窗口中参考数据x
t
‑
r
‑
1:t
‑1和测试窗口中测试数据x
t:t+s
之间的相异度值，并将相异度阈值与相异度阈值进行比较，确定是否在t时间点处发生变化，满足H0则时间点发生变化，满足H1则时间点不发生变化，表示为：其中，F(
·
，
·
)是一种相异度函数，是一个相异度阈值，用于调整...

【专利技术属性】
技术研发人员：李大韦，楼碧霞，汤宇翔，陈诗嘉，宋玉晨，
申请(专利权)人：东南大学，
类型：发明
国别省市：