基于无监督深度聚类的电车驾驶行为模式识别方法及系统技术方案

本发明专利技术涉及自动驾驶技术领域，更具体涉及基于无监督深度聚类的电车驾驶行为模式识别方法及系统。通过采集车辆的行驶数据，行驶数据至少包括速度、时间和总行驶距离；对采集到的行驶数据进行预处理，根据行驶数据中的时间和速度将行驶数据划分为多个运动学片段，提取各个运动学片段中的第一特征参数，将运动学片段中的每两条相邻数据定义为一个运动学片段区间，每个运动学片段包括n

【技术实现步骤摘要】
基于无监督深度聚类的电车驾驶行为模式识别方法及系统


[0001]本专利技术涉及自动驾驶
，更具体涉及基于无监督深度聚类的电车驾驶行为模式识别方法及系统。

技术介绍

[0002]驾驶员的驾驶行为风格对电动汽车的性能与使用寿命有着重要影响。电动汽车在行驶过程中是一个复杂的系统，受到人、车、环境三者之间的相互影响和作用。实时能耗和长期能耗均受到内部因素和外部因素的影响，内部因素例如车辆零部件参数，外部因素例如道路交通环境、驾驶员驾驶行为。而在实际驾驶过程中，驾驶员的驾驶行为很大程度上影响着电动汽车的能耗，如果驾驶员的行为表现激进，则车辆行驶的功率要求会迅速增加。因此，基于驾驶行为的能耗研究对于节能驾驶的推广和应用具有重要意义，而如何较好的识别驾驶行为就成了关键一环。
[0003]现有技术中，识别驾驶行为采用的驾驶行为模式识别算法是在选定的分类方法和所用特征的基础上开发的，通常通过一组规则、模型或使用机器学习来实现。基于规则的算法最简单易懂，但受参数数量限制；基于模型的算法响应时间和成本较高；数据驱动算法适用于大量数据，可分为无监督、有监督和无监督有监督混合的。有监督算法需要了解用于训练的数据的驾驶风格，例如k最近邻、神经网络和马尔可夫模型等，需要了解用于训练的数据的驾驶风格，对数据的质量和数量要求较高，可能出现过拟合的问题。无监督算法不需要了解底层过程，例如层次聚类和主成分分析，输出需要在解释和集群数量方面进行指导，与监督算法相比，分类性能可能较差。此外，现有识别方案大多针对燃油车辆，而在识别驾驶行为模式时，燃油车与电车存在诸多差异，比如需要提取的特征不同。
[0004]因此，本专利技术设计了一种基于无监督深度聚类的电车驾驶行为模式识别方法，该方法在聚类的过程中可以动态改变分类类别数量，可以更好的识别出驾驶行为模式。

技术实现思路

[0005]为了更好的解决上述问题，本专利技术提供一种基于无监督深度聚类的电车驾驶行为模式识别方法，以实现在聚类的过程中可以动态改变分类类别数量，可以更好的识别出驾驶行为模式。
[0006]作为本专利技术的一种优选技术方案，基于无监督深度聚类的电车驾驶行为模式识别方法包括如下步骤：
[0007]步骤S1：采集车辆的行驶数据，所述行驶数据至少包括速度、时间和总行驶距离；
[0008]步骤S2：对所述行驶数据进行预处理，根据所述行驶数据中的时间和速度将所述行驶数据划分为多个运动学片段，提取各个所述运动学片段中的第一特征参数，所述第一特征参数至少包括实时速度、实时加速踏板行程和实时制动踏板行程，将所述运动学片段中的每两条相邻数据定义为一个运动学片段区间，每个所述运动学片段包括n
‑
1个所述运动学片段区间，基于所述第一特征参数计算每个所述运动学片段区间的过渡特征参数，所
述过渡特征参数包括平均速度、加速度和平均制动踏板行程，再根据所述过渡特征参数计算所述运动学片段的第二特征参数，所述第二特征参数包括速度特征参数、时间特征参数和踏板行程特征参数；
[0009]步骤S3：基于所述第二特征参数，使用无监督深度聚类算法，对驾驶行为模式进行分类。
[0010]作为本专利技术的一种优选技术方案，所述步骤S2中，基于所述第一特征参数计算每个所述运动学片段区间的过渡特征参数，还包括：
[0011]每个所述运动学片段包含n条数据，设所述运动学片段中任意一条数据的采集时刻为t
i
，所述采集时刻t
i
对应的车辆行驶速度为v
i
、加速度踏板行程为ap
i
和制动踏板行程为dp
i
，其中i的取值范围为1到k之间的正整数，所述运动学片段中每条数据的采集时间间隔设为第一间隔。
[0012]作为本专利技术的一种优选技术方案，所述运动学片段区间的过渡特征参数，计算过程分别如公式1到公式4：
[0013]公式1：
[0014]公式2：
[0015]公式3：和
[0016]公式4：
[0017]其中，j的取值范围为1到n
‑
1之间的整数，n表示一个所述运动学片段中包含的数据条数，v
j
'表示所述运动学片段中相邻两条数据之间的平均速度，a
j
'表示所述运动学片段中相邻两条数据之间的加速度、apt'
j
表示所述运动学片段中相邻两条数据之间的平均加速踏板行程，dpt'
j
表示所述运动学片段中相邻两条数据之间的平均减速踏板行程，LAG表示所述第一间隔。
[0018]作为本专利技术的一种优选技术方案，基于所述运动学片段区间的过渡特征参数计算所述运动学片段的所述第二特征参数，所述第二特征参数中的所述速度特征参数，计算过程分别如公式5到公式8：
[0019]公式5：
[0020]公式6：
[0021]公式7：和
[0022]公式8：V
max
＝max{v'
j
}，
[0023]其中，V
m
表示所述运动学片段的平均速度，V
mr
表示所述运动学片段的去除怠速状态下的平均速度，V
s
表示所述运动学片段的速度标准差，V
max
表示所述运动学片段的最大速度，count()表示对括号内数据的数目进行统计。
[0024]作为本专利技术的一种优选技术方案，所述第二特征参数还包括将车辆速度的波动在第一阈值至第二阈值之间的行驶片段区间定义为匀速，小于所述第一阈值的行驶片段为减速，大于所述第二阈值的行驶片段为加速，获取所述速度特征参数中的加速度特征参数，计算过程分别如公式9到公式13：
[0025]公式9：
[0026]公式10：
[0027]公式11：A
max
＝max(a'
j
)、
[0028]公式12：D
max
＝|min(a'
j
)|和
[0029]公式13：
[0030]其中，A
m
表示所述运动学片段的平均加速度，D
m
表示所述运动学片段的平均减速度，A
max
表示所述运动学片段的最大加速度，D
max
表示所述运动学片段的最大减速度，A
S
表示所述运动学片段的加速度标准差。
[0031]作为本专利技术的一种优选技术方案，所述第二特征参数中的所述踏板行程特征参数，计算过程分别如公式14到公式17：
[0032]公式14：APT
max
＝max{apt'
j
}、
[0033]公式15：
[0034]公式16：DPT
max
＝max{dpt'
j
}和
[0035]公式17：
[0036]其中，APT
max
...

【技术保护点】

【技术特征摘要】
1.基于无监督深度聚类的电车驾驶行为模式识别方法，其特征在于，所述方法包括如下步骤：步骤S1：采集车辆的行驶数据，所述行驶数据至少包括速度、时间和总行驶距离；步骤S2：对所述行驶数据进行预处理，根据所述行驶数据中的时间和速度将所述行驶数据划分为多个运动学片段，提取各个所述运动学片段中的第一特征参数，所述第一特征参数至少包括实时速度、实时加速踏板行程和实时制动踏板行程，将所述运动学片段中的每两条相邻数据定义为一个运动学片段区间，每个所述运动学片段包括n
‑
1个所述运动学片段区间，基于所述第一特征参数计算每个所述运动学片段区间的过渡特征参数，所述过渡特征参数包括平均速度、加速度和平均制动踏板行程，再根据所述过渡特征参数计算所述运动学片段的第二特征参数，所述第二特征参数包括速度特征参数、时间特征参数和踏板行程特征参数；步骤S3：基于所述第二特征参数，使用无监督深度聚类算法，对驾驶行为模式进行分类。2.根据权利要求1所述的基于无监督深度聚类的电车驾驶行为模式识别方法，其特征在于，所述步骤S2中，基于所述第一特征参数计算每个所述运动学片段区间的过渡特征参数，还包括：每个所述运动学片段包含n条数据，设所述运动学片段中任意一条数据的采集时刻为t
i
，所述采集时刻t
i
对应的车辆行驶速度为v
i
、加速度踏板行程为ap
i
和制动踏板行程为dp
i
，其中i的取值范围为1到k之间的正整数，所述运动学片段中每条数据的采集时间间隔设为第一间隔。3.根据权利要求2所述的基于无监督深度聚类的电车驾驶行为模式识别方法，其特征在于，所述运动学片段区间的过渡特征参数，计算过程分别如公式1到公式4：公式1：公式2：公式3：和公式4：其中，j的取值范围为1到n
‑
1之间的整数，n表示一个所述运动学片段中包含的数据条数，v
j
'表示所述运动学片段中相邻两条数据之间的平均速度，a
j
'表示所述运动学片段中相邻两条数据之间的加速度、apt'
j
表示所述运动学片段中相邻两条数据之间的平均加速踏板行程，dpt'
j
表示所述运动学片段中相邻两条数据之间的平均减速踏板行程，LAG表示所述第一间隔。4.根据权利要求3所述的基于无监督深度聚类的电车驾驶行为模式识别方法，其特征在于，基于所述运动学片段区间的过渡特征参数计算所述运动学片段的所述第二特征参数，所述第二特征参数中的所述速度特征参数，计算过程分别如公式5到公式8：
公式5：公式6：公式7：和公式8：V
max
＝max{v'
j
}，其中，V
m
表示所述运动学片段的平均速度，V
mr
表示所述运动学片段的去除怠速状态下的平均速度，V
s
表示所述运动学片段的速度标准差，V
max
表示所述运动学片段的最大速度，count()表示对括号内数据的数目进行统计。5.根据权利要求4所述的基于无监督深度聚类的电车驾驶行为模式识别方法，其特征在于，所述第二特征参数还包括将车辆速度的波动在第一阈值至第二阈值之间的行驶片段区间定义为匀速，小于所述第一阈值的行驶片段为减速，大于所述第二阈值的行驶片段为加速，获取所述速度特征参数中的加速度特征参数，计算过程分别如公式9到公式13：公式9：公式10：公式11：A
max
＝max(a'
j
)、公式12：D
max
＝|min(a'
j
)|和公式13：其中，A
m
表示所述运动学片段的平均加速度，D
m
表示所述运动学片段的平均减速度，A
max
表示...

【专利技术属性】
技术研发人员：向凌云，魏玉良，李尚城，虞凡，李俊，
申请(专利权)人：东风畅行科技股份有限公司，
类型：发明
国别省市：