【技术实现步骤摘要】
基于北斗数据的营运车辆异常驾驶行为识别方法及系统
[0001]本专利技术涉及智能交通
,尤其涉及一种基于北斗数据的营运车辆异常驾驶行为识别方法及系统。
技术介绍
[0002]近年来随着社会经济的不断发展,营运车辆保有量持续增加,客运和货运平均运距也呈显出不断增长的趋势,在带动周边经济增长的同时也为道路交通安全带来了巨大的挑战和风险。营运车辆由于在实际运行中往往乘车人数多或者载货物量大、长距离行驶、长时间连续行车以及途经道路环境复杂,并且速度较低、车身重、刹车距离长,是带来危险的风险源,极容易引发群死群伤的重大或特大交通事故。因此,对营运车辆异常驾驶行为的识别进行研究,对减少交通事故状况的发生,具有重要意义。
[0003]目前,车辆异常驾驶行为的识别研究主要为小轿车等非营运车辆研究,大致分为两类,一类是基于单一类型或多源融合的数据,通过挖掘车辆行驶的状态信息,基于车辆反映出的运行规律分析、辨识驾驶行为的基于数据驱动的驾驶行为辨识;一类是利用采集的数据,通过聚类算法,对驾驶行为进行评价的基于时空数据的驾驶行为聚类分析。由于小轿车等非营运车辆与营运车辆的行驶行为、距离和时间等特征不同,因此,采用现有的车辆异常驾驶行为识别方法,难以对营运车辆的异常驾驶行为进行准确且可靠的识别。
技术实现思路
[0004]鉴于上述的分析,本专利技术实施例旨在提供一种基于北斗数据的营运车辆异常驾驶行为识别方法及系统,用以解决现有识别方法难以对营运车辆的异常驾驶行为进行准确且可靠识别的问题。
[0005]一方 ...
【技术保护点】
【技术特征摘要】
1.一种基于北斗数据的营运车辆异常驾驶行为识别方法,其特征在于,包括:采集营运车辆的原始北斗数据,将原始北斗数据进行清洗并统一时间间隔,得到速度时间序列数据;为所述速度时间序列数据添加类别标签,得到样本数据,其中,所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为;构建符号化多通道卷积神经网络模型,并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练;将待识别的速度时间序列数据输入训练后的符号化多通道卷积神经网络模型,得到异常驾驶行为的识别结果。2.根据权利要求1所述的基于北斗数据的营运车辆异常驾驶行为识别方法,其特征在于,所述营运车辆包括客车、货车和危险品车;所述原始北斗数据包括车牌号、车辆类型、经度、纬度、定位仪速度和定位时间。3.根据权利要求2所述的基于北斗数据的营运车辆异常驾驶行为识别方法,其特征在于,所述将原始北斗数据进行清洗并统一时间间隔,包括以下步骤:根据所述车牌号、经度、纬度、定位仪速度和定位时间将原始北斗数据中的相同数据和异常数据进行删减,并对缺失速度数据进行填补,得到原始速度时间序列数据V
o
;根据设定的时间间隔将原始速度时间序列数据V
o
中各时刻时间间隔统一;基于统一时间间隔得到速度时间序列其中,t
n
时刻对应的速度值为:式中,和表示原始时间序列V
o
中连续的和时刻的速度值,t
n
为统一时间间隔后在和时刻之间的时刻。4.根据权利要求1所述的基于北斗数据的营运车辆异常驾驶行为识别方法,其特征在于,所述符号化多通道卷积神经网络模型包括:数据符号化层,用于将输入的速度时间序列数据符号化,得到静态时间序列数据和动态时间序列数据;第一卷积网络层,用于将所述数据符号化层输出的静态时间序列数据和动态时间序列数据以及输入的速度时间序列数据分别归一化后,分别进行卷积,得到特征参数;第二卷积网络层,用于将所述第一卷积网络层输出的特征参数合并后进行卷积和类别分类,得到并输出正常或异常驾驶行为的识别结果。5.根据权利要求4所述的基于北斗数据的营运车辆异常驾驶行为识别方法,其特征在于,所述数据符号化层通过以下方式将输入的速度时间序列数据符号化,得到静态时间序列数据:将输入的营运车辆的速度时间序列划分成超速区间、正常速度区间、低速区间和停车区间;
根据各区间的划分阈值将输入的速度时间序列数据中每个时间序列符号化表示,得到静态时间序列数据。6.根据权利要求4所述的基于北斗数据的营运车辆异常驾驶行为识别方法,其特征在于,所述数据符号化层通过以下方...
【专利技术属性】
技术研发人员:王志斌,李春杰,赵建东,邱文利,焦彦利,许忠印,付增辉,权恒友,陈溱,韩明敏,王亚世,余智鑫,戴维森,董立强,陈蕾,党永强,蔡建辉,王斌,陈攀,张博,丁鹏飞,李海冬,张少波,吴国宾,戎翠,张垚,陈攀峰,张晨阳,
申请(专利权)人:河北雄安京德高速公路有限公司北京交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。