【技术实现步骤摘要】
本专利技术涉及交通安全研究，特别是一种基于深度学习的车辆异常驾驶行为识别方法及识别系统。
技术介绍
1、新能源场站通常位于偏远区域（如山地、荒漠、沿海滩涂），其内部形成结构松散、无固定道路标识的复杂交通网络。场站内工程车辆、运维车辆及运输车辆高频次通行于非结构化路面，频繁面临低能见度、剧烈海拔变化导致的道路坡度突变以及季节性植被覆盖造成的场景时变等恶劣工况。传统道路环境的规范化交通管理体系在此类场景下严重缺失，致使车辆碰撞、侧翻、设备损坏等事故频发。
2、目前传统的车辆异常驾驶行为识别主要依赖固定阈值判据与结构化道路参数模型，即基于预设速度/加速度阈值判定超速、急加速/急减速行为；通过交通流统计模型基于车辆间距、车道保持率等参数识别轨迹偏移；凭借电子围栏技术依托gps定位（globalpositioning system，全球定位系统）在固定电子路径上触发越界警报。但是上述手段在实际应用于新能源场站时则暴露出显著缺陷：（1）道路结构依赖性失效：新能源场站内无车道线、无路缘石的沙土路面导致车辆轨迹无法用传统车道偏移模型解析，且...
【技术保护点】
1.一种基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法包括：
2.根据权利要求1所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法还包括在时序特征提取前对所述离线训练数据集中的数据进行预处理，包括：
3.根据权利要求2所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法还包括提取第一类时序特征并进行训练，包括：
4.根据权利要求3所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法还包括提取第二类...
【技术特征摘要】
1.一种基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法包括：
2.根据权利要求1所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法还包括在时序特征提取前对所述离线训练数据集中的数据进行预处理，包括：
3.根据权利要求2所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法还包括提取第一类时序特征并进行训练，包括：
4.根据权利要求3所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述车辆异常驾驶行为识别方法还包括提取第二类时序特征并进行训练，包括：
5.根据权利要求4所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述确定最优特征组合后，输出表征异常驾驶行为的第一特征向量，以及表征异常场景的第二特征向量，包括：
6.根据权利要求5所述的基于深度学习的车辆异常驾驶行为识别方法，其特征在于，所述融合所述第...
【专利技术属性】
技术研发人员：蔡宝金，舒军亮，徐创学，魏辉，王泊森，杨睿，赵辰浩，牛世峰，魏文辉，李敏，
申请(专利权)人：华能陕西靖边电力有限公司，
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。