基于车载OBD数据及概率统计的异常驾驶判别方法及系统技术方案

本公开提供了一种基于车载OBD数据及概率统计的异常驾驶判别方法及系统，能够实现实时在线识别异常驾驶行为和线下识别异常驾驶行为两种方式，异常驾驶行为模型通过贝叶斯概率计算不同类别数据及同类数据前后发生的概率建立具有多向关联的驾驶行为概率模型，实时在线识别异常驾驶行为通过实时识别数据间的关联并与异常驾驶行为模型对比得出结论，线下识别异常驾驶行为通过划分短行程片段计算片段得分得出结论；本公开避免了传统方法设置加减速度等参数阈值判定异常驾驶的过识别和欠识别，利用驾驶行为大数据建立更为真实的模型，识别过程更加可靠。

【技术实现步骤摘要】
基于车载OBD数据及概率统计的异常驾驶判别方法及系统
本公开涉及异常驾驶判别
，特别涉及一种基于车载OBD数据及概率统计的异常驾驶判别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。车辆驾驶行为的识别与判别主要基于车辆运行数据的分析。车辆运行数据主要包括车速、发动机转速、油门踏板等数据，现有的方法多为阈值设置或人工标记异常驾驶行为。其中阈值设置方法首先根据经验设置速度、加速度、转弯角度、踏板开度等可获取数据的正常范围，然后通过累积车辆运行数据超出设置阈值的次数，并结合每种异常驾驶行为的得分权重，最终计算得到该驾驶循环的得分；人工标记异常驾驶行首先需要人为判断驾驶行为是否异常并进行标记，在进行一定数据量的标记后，将其作为训练数据导入神经网络模型，最终建立能够自动识别异常驾驶的模型。本公开专利技术人在研究中发现，上述两种方法都具有一定局限性。对于阈值法，可能会忽略不同工况下异常驾驶的差异，例如当车辆起步时，加速度往往较大，而车辆高速行驶时，即使满足加速度的阈值设定也可能是异常驾驶，但阈值法往往会忽略这种情况的异常加速；对于人工标记法，海量的车辆运行数据逐一标记难以实现，且标记存在一定主观性，不适合对驾驶行为进行客观判别。
技术实现思路
为了解决现有技术的不足，本公开提供了一种基于车载OBD(车载自动诊断系统)数据及概率统计的异常驾驶判别方法及系统，避免了人工标记异常驾驶行为的方式，极大的节省了异常驾驶行为模型建立的工作量，且模型更客观，适用于车辆的各种运行状态，相比于阈值法更具有科学性。为了实现上述目的，本公开采用如下技术方案：第一方面，本公开提供了一种基于车载OBD数据及概率统计的异常驾驶判别方法；一种基于车载OBD数据及概率统计的异常驾驶判别方法，步骤如下：采集规范驾驶的OBD数据，通过计算不同数据间同步以及同种数据前后的关联概率，建立数据间具有明确关联概率值的异常驾驶行为模型；通过线下识别异常驾驶行为，采集设定时间段内的车载OBD数据，根据采集到的数据划分短行程片段，判定数据中每个数值的先后关联和同步关联与异常驾驶行为模型对应的概率值，根据概率值计算片段得分进而判断是否存在异常驾驶。作为可能的一些实现方式，将采集的OBD数据按速度进行短行程片段的划分，然后判定短行程片段内每个数值的先后关联和同步关联与异常驾驶行为模型对应的概率值，并计算每个片段的得分，若得分超过阈值，则判定该片段存在异常驾驶，进而识别异常驾驶类型。作为进一步的限定，所述得分的计算方式为：其中Pk表示片段中出现的所有概率值，n表示所有概率值的个数。作为更进一步的限定，当驾驶数据关联中出现小概率事件，使F>δ，此时标记此短行程片段为异常驾驶，所述δ为自定义的阈值。作为更进一步的限定，δ>μ+3σ，μ为规范驾驶的OBD数据得分的平均值，σ为规范驾驶的OBD数据得分标准差。第二方面，本公开提供了一种基于车载OBD数据及概率统计的异常驾驶判别方法；一种基于车载OBD数据及概率统计的异常驾驶判别方法，步骤如下：采集规范驾驶的OBD数据，通过计算不同数据间同步以及同种数据前后的关联概率，建立数据间具有明确关联概率值的异常驾驶行为模型；通过在线识别异常驾驶行为，实时采集车载OBD数据，并对采集的数据进行标签化，记录每一类数据数值所属状态，对数据状态进行同步识别并与异常驾驶行为模型对比，出现小概率事件则判定同步异常，同步关联计算完毕后进行前后关联识别，出现小概率事件则判定前后异常，根据同步异常和/或前后异常的结果进一步识别异常驾驶类型。作为可能的一些实现方式，进行异常驾驶类型的判断，具体为：相邻时刻速度由较小值链接较大值且差值大于第一设定阈值时，为急加速行为，先后关联概率值较小且小于第二设定阈值时，为异常加速行为；相邻时刻速度由较大值链接较小值且差值大于第三设定阈值时，为紧急制动行为先后关联概率值较小且小于第四设定阈值时，为异常制动行为；较大转速链接较小车速且差值大于第五设定阈值，同步关联概率值较小且小于第六设定阈值时，为速度-转速不匹配行为；速度链接均为较大的速度值且均大于第七设定阈值，先后关联概率值较小且小于第八设定阈值时，为超速行为；转速链接均为较大的转速值且均大于第九设定阈值，先后关联概率值较小且小于第十设定阈值时，为转速异常行为；较大转角值链接较大车速且均大于第十一设定阈值，且同步关联概率值较小且小于第十二设定阈值时，为快速转弯行为；档位在空挡时车速大于0km/h时，为空挡行驶行为。作为可能的一些实现方式，通过在线识别异常驾驶行，在预设周期内为对异常驾驶行为模型进行更新。第三方面，本公开提供了一种基于车载OBD数据及概率统计的异常驾驶判别系统，包括：模型构建模块，被配置为：采集规范驾驶的OBD数据，通过计算不同数据间同步以及同种数据前后的关联概率，建立数据间具有明确关联概率值的异常驾驶行为模型；线下识别模块，被配置为：采集设定时间段内驾驶的OBD数据，根据采集到的数据划分短行程片段，判定数据中每个数值的先后关联和同步关联与异常驾驶行为模型对应的概率值，根据概率值计算片段得分进而判断是否存在异常驾驶；在线识别模块，被配置为；实时采集驾驶的OBD数据，并对采集的数据进行标签化，记录每一类数据数值所属状态，对数据状态进行同步识别并与异常驾驶行为模型对比，出现小概率事件则判定同步异常，同步关联计算完毕后进行前后关联识别，出现小概率事件则判定前后异常。第四方面，本公开提供了一种车辆，利用本公开所述的基于车载OBD数据及概率统计的异常驾驶判别方法；第五方面，本公开提供了一种车辆，包括本公开所述的基于车载OBD数据及概率统计的异常驾驶判别系统。与现有技术相比，本公开的有益效果是：本公开提出了一种根据历史规范驾驶数据识别异常驾驶行为的新方法，该方法避免了人工标记异常驾驶行为的方式，大大节省了异常驾驶行为模型建立的工作量，且模型更客观。本公开所述的方法适用于车辆的各种运行状态，能够实现各种异常驾驶情况的准确快速判断，相比于阈值法更具有科学性。本公开在建立规范驾驶行为的基础上，可以实现线下线上两种方式的异常驾驶行为识别，避免了阈值法不适合进行在线实时识别异常驾驶行为的缺点。本公开建立的异常驾驶行为模型在数据量满足的条件下具有广泛的应用性，使用时只需将数据与模型进行对比，操作简便。本公开能够通过在线识别异常驾驶行，在预设周期内为对异常驾驶行为模型进行更新，从而保证模型的有效性和准确性。本公开避免了传统方法设置加减速度等参数阈值判定异常驾驶的过识别和欠识别，利用驾驶行为大数据建立更为真实的模型，识别过程更加可靠。本公开具有异常驾驶行为的模糊识别和无需人为定义异常驾驶行为等优点，能够满足对车辆运行中的异常驾驶行为的判断，本文档来自技高网...

【技术保护点】
1.一种基于车载OBD数据及概率统计的异常驾驶判别方法，其特征在于，步骤如下：/n采集规范驾驶的OBD数据，通过计算不同数据间同步以及同种数据前后的关联概率，建立数据间具有明确关联概率值的异常驾驶行为模型；/n通过线下识别异常驾驶行为，采集设定时间段内的车载OBD数据，根据采集到的数据划分短行程片段，判定数据中每个数值的先后关联和同步关联与异常驾驶行为模型对应的概率值，根据概率值计算片段得分进而判断是否存在异常驾驶。/n

【技术特征摘要】
1.一种基于车载OBD数据及概率统计的异常驾驶判别方法，其特征在于，步骤如下：
采集规范驾驶的OBD数据，通过计算不同数据间同步以及同种数据前后的关联概率，建立数据间具有明确关联概率值的异常驾驶行为模型；
通过线下识别异常驾驶行为，采集设定时间段内的车载OBD数据，根据采集到的数据划分短行程片段，判定数据中每个数值的先后关联和同步关联与异常驾驶行为模型对应的概率值，根据概率值计算片段得分进而判断是否存在异常驾驶。


2.如权利要求1所述的基于车载OBD数据及概率统计的异常驾驶判别方法，其特征在于，将采集的OBD数据按速度进行短行程片段的划分，然后判定短行程片段内每个数值的先后关联和同步关联与异常驾驶行为模型对应的概率值，并计算每个片段的得分，若得分超过阈值，则判定该片段存在异常驾驶，进而识别异常驾驶类型。


3.如权利要求2所述的基于车载OBD数据及概率统计的异常驾驶判别方法，其特征在于，所述得分的计算方式为：



其中Pk表示片段中出现的所有概率值，n表示所有概率值的个数。


4.如权利要求3所述的基于车载OBD数据及概率统计的异常驾驶判别方法，其特征在于，当驾驶数据关联中出现小概率事件，使F>δ，此时标记此短行程片段为异常驾驶，所述δ为自定义的阈值。


5.如权利要求4所述的基于车载OBD数据及概率统计的异常驾驶判别方法，其特征在于，δ>μ+3σ，μ为规范驾驶的OBD数据得分的平均值，σ为规范驾驶的OBD数据得分标准差。


6.一种基于车载OBD数据及概率统计的异常驾驶判别方法，其特征在于，步骤如下：
采集规范驾驶的OBD数据，通过计算不同数据间同步以及同种数据前后的关联概率，建立数据间具有明确关联概率值的异常驾驶行为模型；
通过在线识别异常驾驶行为，实时采集车载OBD数据，并对采集的数据进行标签化，记录每一类数据数值所属状态，对数据状态进行同步识别并与异常驾驶行为模型对比，出现小概率事件则判定同步异常，同步关联计算完毕后进行前后关联识别，出现小概率事件则判定前后异常，根据同步异常和/或前后异常的结果进一步识别异常驾驶类型。

【专利技术属性】
技术研发人员：纪少波，李萌，舒明磊，王豪，赵同军，兰欣，王荣旭，李伦，陈秋霖，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37