【技术实现步骤摘要】
本专利技术涉及一种驾驶员驾驶行为相关性分析方法，属于汽车节能减排。
技术介绍
1、车辆能耗是在人车路及天气环境综合作用下的结果。想要降低车辆能耗，可以从多方面入手。但是受限于几乎到达节油潜力极限的传统节油技术、城市拥堵状态短期内难以改观，从驾驶员角度来降低车辆能耗成为了一种较为可行的方法。如何评价和改进驾驶员的驾驶行为，以进一步提高纯电动汽车的性能和续航里程成为当下探索的焦点问题。在现有技术中，通常使用传统的车载数据记录仪来收集驾驶行为数据，如车速、加速度等。然后基于样本数据集提取特征因素，通过关联法挖搜索繁项集间的关联性。在重型工程车驾驶行为研究方向，喻铃华等从数据集中提取睡眠模式、道路条件、载重状态和时间特征等因素，借助关联规则挖掘(apriori)法探索了重型工程车驾驶人驾驶绩效的影响因素，针对驾驶人管理和道路安全保障两个层面提出建议；在车辆换道研究方向，龙岩等人使用apriori法描述了感知-操作的特征以及它们变道过程中的关联关系，为车辆变道操作提供支持；在分析不良驾驶行为时，梁陈磊等基于obd数据采用apriori算法分析不良驾驶行为内在关联性及行程发生概率，为个性化驾驶及驾驶风格研究提供理论拓展，此外，学者l等人针对多目标进行频繁项集搜索还提出了多重目标搜索的方法。
2、然而传统的车载数据无法提供关于驾驶员行为和习惯的详细信息，不能实时定位车辆轨迹，以反应外部环境对驾驶行为的影响。而对于数据集的处理方式迥异不同，在大数据情况下，使得指标集冗杂，并且apriori法会产生大量候选集，每次计算都需要重新扫描数
技术实现思路
1、专利技术目的：针对现有技术中存在的不足，本专利技术提供了一种驾驶员驾驶行为相关性分析方法，本专利技术通过结合大数据优势，从个体特征出发研究驾驶员驾驶行为的内在相关性，并通过利用频繁模式增长(frequent pattern-growth，fp-growth)法构建频繁模式树(fp-tree)提高运算效率，解决现有技术中的问题。
2、技术方案：一种驾驶员驾驶行为相关性分析方法，包括以下步骤：
3、s1：采集驾驶员出行数据：通过试验车上的采集装置进行采集，将驾驶员的完整出行记作一次出行事件，即起点与终点重合形成闭环路线，共采集同一驾驶员同款电动汽车同一路线m次出行事件，采集每次出行事件中采集装置所得的信号源码，信号包括：时间、车速、加速踏板行程百分比、制动踏板行程百分比、方向盘转向、方向盘转角和方向盘转角角速度，同时通过gps惯导系统对试验车进行行驶位置定位，采集经纬度参数及时间参数；
4、s2：对出行路程进行行程划分并解析s1中信号源码，采用滑动窗口均值滤波对车辆行驶数据进行滤波处理，每隔1分钟记作1个时间段；
5、s3：驾驶行为评价指标的选定和分析：选定试验车行驶过程中的平均速度，踏板行程百分比，车速波动差，加减速度变化值，变速频次和停车时长作为驾驶行为评价指标参数并设定平均车速阈值车速波动差阈值ew、加减速度波动差阈值ea、变速频次阈值ef、踏板行程百分比阈值ep和停车时长阈值et作为驾驶行为评价指标阈值；
6、s4：对s3中的驾驶行为评价指标参数依次进行标号，并将超过阈值的驾驶行为评价指标参数转化为数字集，通过数字集定义行程指标数据集；
7、s5：根据s4中的行程指标数据集进行fp-tree模型构建；
8、s6：根据s5构建的fp-tree模型所得到的运行结果进行生态驾驶行为指标相关性分析；
9、s7：驾驶行为判定，根据支持度和置信度设定评判标准，对驾驶员的驾驶行为进行评判。
10、优选项，所述s2的具体步骤如下：
11、对采集装置得到的信号源码进行离线解析，对速度和加速度采用滑动窗口均值滤波进行处理，按每次出行整理滤波后的行程数据，获取时间列的最大值，用于确定时间段的上限，创建时间段并统计次数，记1分钟为一个时间段，选取进入行程交界路段的红绿灯交叉口处作为分界点，根据gps惯导系统设备采集的数据找出此刻对应的经纬度，得到此刻距离出发的对应时长，将gps惯导系统求得的出发时长同步至采集装置中。
12、优选项，所述s3的具体步骤如下：
13、求取平均车速阈值对采集m次出行的平均车速数据进行分析，分析电动汽车的平均速度区间，找出集中区间，根据下列公式计算纯电动汽车平均超速阈值
14、
15、式中：em为平均车速全部样本总分布的75％分位数；en为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值；故取为纯电动汽车平均车速超速阈值；
16、求取纯电动汽车的车速波动阈值ew：若车速波动差超过车速波动差阈值ew则认定该段行程为非生态驾驶，车速波动阈值ew为在行驶过程中最高车速与平均车速的差值，即
17、
18、式中：ew为电车车速波动值(单位：km/h)；evmax为行程最高车速(单位：km/h)；为行程平均速度超速阈值(单位：km/h)；
19、求取加速度变化阈值ea：计算m组行程加速度变化值范围：
20、df["加速度"]＝df.iloc[:,1].diff()/df.iloc[:,0].diff()
21、accel_min＝df["加速度"].min()
22、accel_max＝df["加速度"].max()
23、则加速度变化为accel_min～accel_max m/s2，根据加速度变化及测试工况，选定变化阈值ea；加速度大于最大加速度或减速度小于最大减速度，则为超阈值；
24、求取变速频次阈值ef：根据s1划分的行程，设定常规行驶中变速引发的加速度变化值在a m/s2内，计算ef：
25、ef＝q/t
26、式中：ef为变速频次；q为变速次数；t为单位时间(单位：min)；将1次/分钟设为变速频次阈值，大于变频阈值为频繁变速行为即为非生态驾驶；
27、求取踏板行程变化阈值ep：计算m组行程踏板行程百分比变化值范围，踏板行程百分比变化为pedal_min～pedal_max％；
28、求取停车时长阈值et：检测并记录每次车速数据中持续出现速度为0km/h时刻的时长，计算电动汽车平均停车阈值et：
29、et＝et1+1.5et2
30、式中：et1为平均车速全部样本总分布的75％分位数；et2为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值。
31、优选项，所述s4的具体步骤如下：
32、对每个行程中的驾驶行为评价指标参数进行阈值判断，若超过阈值，记为事件发生，则用数字集{1}、{2}、{3}、{4}、{5}、{6}表示，并将该行程内发生的所有事件，定义为行程指标数据集{1、2、3…}。
33、优选项，所述s5的具体步骤如下：...
【技术保护点】
1.一种驾驶员驾驶行为相关性分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S2的具体步骤如下：
3.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S3的具体步骤如下：
4.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S4的具体步骤如下：
5.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S5的具体步骤如下：
6.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S6的具体步骤如下：
7.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S7的具体步骤如下：
【技术特征摘要】
1.一种驾驶员驾驶行为相关性分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述s2的具体步骤如下：
3.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述s3的具体步骤如下：
4.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特...
【专利技术属性】
技术研发人员：周卫琪，费马俊，赵海，汪少华，施德华，盘朝奉，刘擎超，梁军，
申请(专利权)人：江苏大学，
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。