一种基于网约车数据的驾驶行为建模分析方法技术

本发明专利技术公开了一种基于网约车数据的驾驶行为建模及分析方法，具体包括：提取网约车轨迹数据和订单起讫点数据并进行预处理，得到含有速度和加速度变量的多组驾驶特征序列数据；采用基于分层狄利克雷过程

【技术实现步骤摘要】
一种基于网约车数据的驾驶行为建模分析方法


[0001]本专利技术涉及驾驶行为建模分析方法，尤其一种基于网约车数据的驾驶行为建模分析方法。

技术介绍

[0002]近年人工智能为代表的科技革命的推动下，新一代移动通信技术、大数据、云平台、物联网等先进技术与城市交通系统有机结合，推动了智能网联汽车与智能驾驶的发展。作为智能驾驶和智能交通系统发展道路上的重要组成，驾驶行为建模和分析受到了广泛地关注和研究。通过研究多种场景下的驾驶行为可以实时了解车辆的行车状态，行而有效地提高行车安全，在对未来驾驶环境进行预估的基础上，对驾驶行为进行准确的估计和评价，实现对危险驾驶行为的精确预警，从而为驾驶者提供个性化的高级驾驶辅助服务。
[0003]现阶段对驾驶行为建模的方法主要采用驾驶模拟器，通过驾驶仿真来获取驾驶者的行为特征，但该类方法实验价格昂贵，实验数据量有限，且驾驶模拟器仿真对驾驶者的行为有一定干扰，难以真实反映驾驶行为。随着智能手机的普及，城市网约车轨迹数据的应用为驾驶行为建模提供了新的思路，网约车数据具有数据量大且信息丰富的优势。因此，如何基于城市本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网约车数据的驾驶行为建模方法，其特征在于，包括如下步骤：(1)提取网约车的轨迹数据和订单起讫点数据，并进行预处理，得到含有速度和加速度变量的多组驾驶特征序列数据；(2)基于步骤(1)中预处理得到的多组驾驶特征序列数据，采用改进的非参数贝叶斯学习模型进行驾驶行为建模。2.根据权利要求1所述的一种基于网约车数据的驾驶行为建模方法，其特征在于，所述步骤(1)中网约车的轨迹数据包括司机ID、订单ID、时间戳、经度和纬度；订单起讫点数据包括订单ID、开始计费时间、结束计费时间、上车位置经度、上车位置纬度、下车位置经度下车位置纬度。3.根据权利要求1所述的一种基于网约车数据的驾驶行为建模方法，其特征在于，所述步骤(1)中对轨迹数据进行预处理的方法包括：1)短行程去除：删去GPS轨迹点数量不满足设定条件的轨迹行程；2)驾驶特征提取：结合GPS轨迹点采样时间间隔信息和车辆位置序列信息，计算车辆实时的运行特征；3)异常值移除或平滑：对出现异常点数量大于5的行程予以剔除，对出现异常点数量小于等于5的行程实施特征值平滑处理，以提升驾驶行为建模试验数据集的质量，其中异常点是指显著偏离道路范围的GPS轨迹点；4)坐标系转换及时间窗切分、空间映射：将GPS轨迹点的经纬度转换至标准WGS
‑
84国际通用坐标系统；同时，为给轨迹点建立时间索引，以5min为基本时间切片区间，将一天24小时划分为288个时间窗，每个时间窗长度为5min，每个GPS轨迹点均被映射至对应的时间窗区间；对订单数据进行预处理方法包括：重复数据剔除、OD地理筛选、时间片窗切分、坐标系转换、空间映射，其中：OD地理筛选是指筛选出起讫点均在研究范围内的订单。4.根据权利要求1所述的一种基于网约车数据的驾驶行为建模及分析方法，其特征在于，所述步骤(2)具体如下：S1：对多组驾驶特征序列数据进行随机采样获取建模数据集，并将建模数据集划分为训练数据集和测试数据集；S2：利用基于分层狄利克雷过程
‑
隐半马尔可夫的非参数贝叶斯学习模型对驾驶特征序列数据进行建模，所述的分层狄利克雷过程
‑
隐半马尔可夫模型过程如下：β|γ～GEM(γ)π
j
|β，α～DP(α，β) j＝1，2，...θ
j
|H(λ)，λ～H(λ) j＝1，2，...ω
j
|Ω～Ω j＝1，2，...j＝1，2，...j＝1，2，...其中GEM(
·
)表示截棍构造Stick
‑
breaking过程；β为离散测度变量序列，β
j
为β的第j个元素，γ表示集中系数；β|γ表示在给定γ下，β服从GEM过程；DP(
·
)表示狄利克雷
DP过程，α表示DP过程的集中系数，π为由DP过程生成的状态转移概率矩阵，π
ji
为状态转移概率矩阵的第j行第i列，π
j
为状态转移概率矩阵的第j行；π
j
|β，α表示在给定β，α下，π
j
服从DP分布；H(
·
)表示基分布，λ为H(λ)的分布参数；θ
j
为由H(λ)产生的变量序列θ的第j个元素，θ
j
|H(λ)，λ表示在给定H(λ)，λ下，θ
j
服从基分布；ω
j
为特定状态持续时间分布的参数，Ω为给定样本空间；利用以π
j
到的确定性转移消除z
s
中的自转移；当i＝j时δ
ij
为1，否则δ
ij
＝0；z
s
、z
s
‑1分别表示驾驶行为状态序列的第s个和第s
‑
1个状态，z
s
为隐半马尔科夫模型的隐状态，s表示驾驶行为状态序列及其观测状态序列的时间戳，且s＝1，2，...，S，S为驾驶行为状态序列的长度；D
s
表示z
s
的驻留时间，D(.)为采样得出的参数化的状态驻留时长分布，为分布参数；y
s
表示驾驶行为观测状态，y
s
由驻留时间D
s
中的一系列观测动作构成，t为观测动作序列的时间戳，t＝1，2，...，T，T为观测动作序列的长度，y
′
t
表示t时刻的观测动作，且时刻t所观测的动作包括车辆的速度和加速度；D
s
′
为驾驶行为状态z
s
′
的驻留时间，f(.)为采样得出的参数化的观测量分布，为分布参数，iid表示独立同分布independently identically dist...

【专利技术属性】
技术研发人员：陆文琦，芮一康，易紫薇，吴任飞，冉斌，
申请(专利权)人：东南大学，
类型：发明
国别省市：