【技术实现步骤摘要】
本专利技术属于人工智能，特别是涉及面向驾驶员里程焦虑的生理反应检测方法及系统。
技术介绍
1、随着我国城镇化和机动化进程发展，交通运输业的温室气体和污染排放问题日益严重。电动汽车作为一种清洁能源交通工具，在节能减排和环境保护方面具有显著的优势，因此备受关注。
2、相比于传统的燃油汽车，公共领域电动汽车面临着续航里程短、里程焦虑影响驾驶体验、充电速度慢、公共充电设施不足等问题，而且电动汽车有限的续航里程和途中充电行为等特征不仅影响出行者的选择行为，还给驾驶员增加了驾驶压力以及交通隐患。当前，在部分区域/时段，公共充电设施周期性出现集中充电排队拥堵，电动汽车充电负荷大规模接入电网后，接连出现“长期空置”与“短期不足”的矛盾现象。
3、造成上述问题的主要是因为现有数据颗粒度较粗，缺乏考虑驾驶员个人决策特征数据，对于现有驾驶员充电决策行为，大多假设用户为完全理性个体，导致预测不确定性高。而里程焦虑是指驾驶员对电动汽车电池在行驶途中动力耗尽的担忧，是作为预测驾驶员的充电行为的重要指标。现有的里程焦虑分析研究用到的数据颗粒度较粗，缺乏考虑驾驶员个人决策特征数据，大多假设用户为完全理性个体，导致预测不确定性高，难以进行精确的充电引导，缺乏对随机产生的用电高峰的对策，容易引发交通拥堵。
4、因此需要充分考虑驾驶员在面临里程焦虑时的个体差异，准确检测驾驶员的里程焦虑状态，在时空范围内进行准确分析，通过对驾驶人员的里程焦虑状态进行识别，能够根据驾驶人员的里程焦虑状态对驾驶员进行合理的充电引导，提高交通系统运行效率
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术提供一种面向驾驶员里程焦虑的生理反应检测方法、系统及实验平台，用于对驾驶员在不同驾驶环境和驾驶条件下的里程焦虑状态检测评估，实现用户数据颗粒度的细化。
2、为了达到上述技术目的，本专利技术的一方面提供一种面向驾驶员里程焦虑的生理反应检测方法，包括：
3、s1：获取驾驶人员在预设环境状态下的驾驶状态数据；所述驾驶状态数据包括：驾驶人员在时间段t内的生理信号序列集；
4、s2：根据驾驶人员的驾驶状态数据提取驾驶人员的生理特征；
5、s3：将驾驶人员的生理特征输入训练好的里程焦虑状态评估模型，得到驾驶人员的里程焦虑状态，其中，所述里程焦虑状态评估模型包括：基于改进svm支持向量机的多分类模型。
6、优选地，所述生理信号序列集包括：脑电信号、眼电信号、皮电信号、体温信号、心电信号、呼吸信号、脉搏信号、血氧含量信号、血压信号或肌电信号中至少一种。
7、优选地，所述改进svm支持向量机的多分类模型包括：两个svm的支持向量机组成，用于对驾驶人员的里程焦虑状态进行识别；所述里程焦虑状态包括：正常驾驶的非焦虑状态a、决策充电状态b和剩余电量提醒状态c；
8、在训练改进svm支持向量机的多分类模型时，将状态a对应的驾驶状态数据集作为正样本，将状态b和状态c对应的驾驶状态数据集作为负样本，对一个svm支持向量进行训练；将状态b对应的驾驶状态数据集作为正样本，状态c对应的驾驶状态数据集作为负样本对另一个svm支持向量机进行训练；
9、svm支持向量机的分类函数包括：
10、f(x)＝sign(wφ(x)+b)
11、其中，w表示权重参数，b表示偏置参数，f(x)表示支持向量机的分类函数，φ(x)表示径向基函数，x表示驾驶人员的生理特征，sign表示数学符号函数。
12、优选地，所述提取驾驶人员的生理特征包括：
13、s21：利用陷波滤波器对驾驶状态数据中的生理信号序列进行过滤得到第一中间驾驶状态数据；
14、s22：对第一中间驾驶状态数据中的生理信号序列进行中值滤波得到第二中间驾驶状态数据；
15、s23：对第二中间驾驶状态数据中的生理信号序列进行小波降噪得到第三中间驾驶状态数据；
16、s24：通过时域分析、频域分析和时频分析，提取第三中间驾驶状态数据中生理信号序列的时域特征、频域特征和时频特征，从生理信号序列的时域特征、频域特征和时频特征中选择表征驾驶人员里程焦虑状态的最优特征；
17、s25：将第三中间驾驶状态数据中所有生理信号序列的最优特征进行特征融合得到驾驶人员的生理特征。
18、优选地，里程焦虑状态评估模型的训练过程包括：
19、s31：获取驾驶人员在预设环境状态下的原始驾驶状态数据集，其中，原始驾驶状态数据包括：驾驶人员在时间段t内的原始生理信号序列集和驾驶人员的里程焦虑状态标签；
20、s32：根据原始驾驶状态数据提取驾驶人员的原始生理特征；
21、s33：将驾驶人员的原始生理特征输入里程焦虑状态评估模型预测驾驶人员的里程焦虑状态；
22、s34：根据驾驶人员的里程焦虑状态标签和驾驶人员的里程焦虑状态预测结果构建目标函数；
23、s35：将目标函数作为智能搜索算法的适应度值计算函数，利用智能搜索算法找出里程焦虑状态评估模型的最优参数，完成里程状态评估模型的训练。
24、优选地，所述智能搜索算法包括：粒子群算法、鲸鱼算法和秃鹰算法中的一种。
25、优选地，当智能搜索算法为秃鹰算法时，利用如下步骤找出里程焦虑状态评估模型的最优参数包括：
26、s351：初始化最大迭代次数k，初始化秃鹰种群数n，搜索空间边界[ub,lb]，初始化每个秃鹰的位置pi＝rd，r表示实数集，d＝2表示秃鹰搜索空间的维度，其中，令秃鹰在一维空间的搜索位置和里程焦虑状态评估模型中svm支持向量机的权重参数相同，秃鹰在二维空间的搜索位置和里程焦虑状态评估模型中svm支持向量机的偏置参数相同；
27、所述初始化每个秃鹰的位置包括：
28、xi,j＝lbj+yi,j×(ubj-lbj)
29、
30、yk＝2rand
31、其中，xi,j表示第i个秃鹰在第j维搜索空间的位置，yi,j表示第i个秃鹰在第j维搜索空间的混沌值，lbj和ubj表示第j维搜索空间的位置边界，j＝{1，2}，a∈(0,1)表示混沌参数，yk为随机生成数，rand表示(0,1)之间的随机数；
32、s352：根据目标函数计算每个秃鹰的适应度值，更新秃鹰种群的群体历史最佳适应度值和群体历史最优解，其中，所述秃鹰种群的群体历史最优解为秃鹰种群的群体历史最佳适应度值对应的秃鹰位置；
33、s353：选择阶段，秃鹰根据秃鹰种群的群体历史最优解选择新位置，利用目标函数计算秃鹰在新位置的适应度值；若秃鹰在新位置的适应度值大于秃鹰在原位置的适应度值，则秃鹰飞行到新位置，反之则秃鹰待在原位置；
34、pi,new＝pbest+α*r(pmean-pi)
【技术保护点】
1.一种面向驾驶员里程焦虑的生理反应检测方法，其特征在于，包括：
2.根据权利要求1所述的一种面向驾驶员里程焦虑的生理反应检测方法，其特征在于，所述生理信号序列集包括：脑电信号、眼电信号、皮电信号、体温信号、心电信号、呼吸信号、脉搏信号、血氧含量信号、血压信号或肌电信号中至少一种。
3.根据权利要求1所述的一种面向驾驶员里程焦虑的生理反应检测方法，其特征在于，所述改进SVM支持向量机的多分类模型包括：两个SVM的支持向量机组成，用于对驾驶人员的里程焦虑状态进行识别；所述里程焦虑状态包括：正常驾驶的非焦虑状态A、决策充电状态B和剩余电量提醒状态C；
4.根据权利要求3所述的一种面向驾驶员里程焦虑的生理反应检测方法，其特征在于，所述提取驾驶人员的生理特征包括：
5.根据权利要求3所述的一种面向驾驶员里程焦虑的生理反应检测方法，其特征在于，里程焦虑状态评估模型的训练过程包括：
6.根据权利要求5所述的一种面向驾驶员里程焦虑的生理反应检测方法，其特征在于，所述智能搜索算法包括：粒子群算法、鲸鱼算法和秃鹰算法中的一种。
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。