基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法技术

本发明专利技术公开了一种基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法，主要是利用企业大量实际车辆行驶数据进行数据分析，从大量用户行车数据中获取驾驶员在驾驶车辆时的状态信息，探寻驾驶员在驾驶车辆过程中表现出的行为规律，以便后续结合数据挖掘、机器学习、深度学习等技术对驾驶员驾驶行为综合评价系统开发，对于识别出的不良风格和具有不驾驶行为的驾驶员可针对性制定安全教育推荐项目、匹配相对应的UBI车险方案等风险管理措施，同时根据不同驾驶风格需求对车辆功能进行个性化控制系统开发，来满足不同驾驶员需求，优化车辆驾驶体验感。优化车辆驾驶体验感。优化车辆驾驶体验感。

【技术实现步骤摘要】
基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法


[0001]本专利技术属于智能网联汽车数据分析
，特别涉及一种基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法。

技术介绍

[0002]随着国内各大车企对智能网联汽车技术不断发展，企业车联网数据也正在爆发式增长，如何利用用户车联网信息来挖掘出有价值的信息，对于提高企业车辆产品更新换代、用户安全出行行为以及用户对于车辆的驾驶体验有重要的意义。
[0003]驾驶风格是指驾驶员操纵车辆时所表现出的相对稳定的行为特性，是一种驾驶行为方面表现出的相对稳定状态，在驾驶人群之间存在差异，并且反映了驾驶人有意识的选择。经统计分析表明激进型驾驶风格驾驶员驾驶车辆的速度标准差最大，车速波动较明显，并且其减速度、加速度的最大值最高，加速度、减速度数值变动较保守型和普通型相比较为明显，存在急加速、急减速的情况。若驾驶员长时间以激进型驾驶风格在道路行驶，其道路交通事故发生概率相较于普通型和保守型较大。车企与车队管理者能够定期的分析驾驶员所处于的驾驶风格，对各个汽车厂家在使用空中下载技术(OTA)进行产品功能升级或内测名单筛选时可以作为驾驶员参考因素，同时通过研究驾驶员驾驶风格，有利于设计车辆个性化控制策略，制定不同驾驶风格所对应的控制策略实现驾驶员功能要求，实现由“人适应车”向“车适应人”转变，例如在电动助力转向、线控制动、车道保持辅助(LKA)、自适应巡航(ACC)、自动换道、自动紧急制动控制、混合动力汽车能量管理、电池Soc预估等方面，以满足不同类型驾驶人的驾驶体验和感受，提升驾驶舒适性。
[0004]因此，在汽车远程监控管理系统的功能开发和车辆控制器控制策略设计过程中，对驾驶员行车数据中进行风格类型判别与类型统计，将驾驶员驾驶风格这一信息引入到监控管理系统和车辆控制策略中，来提高车辆行驶安全性和制定个性化车辆控制系统是一个亟待解决的问题。为此，提出一种基于SVM的驾驶员驾驶风格识别方法，显得尤为重要。
[0005]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0006]本专利技术的目的在于提供一种基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法，从而克服上述现有技术中的缺陷。
[0007]为实现上述目的，本专利技术提供了一种基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法，方法具体包括如下步骤：
[0008]S1从企业车联网服务云平台数据库中获取车辆具体某一天24小时有效行车历史数据，所述行车历史数据为现有车辆网车载的硬件设备能够采集到的数据信息，包括数据采集时间、车速、累计里程、经度、纬度、大气压力、发动机信息、电机信息、电池信息，必须采
集的主要所需为数据采集时间、车辆行驶车速这两种；
[0009]S2对所述历史行驶数据进行处理，形成适用SVM分类算法模型的车辆行驶数据样本；
[0010]S3支持向量机(SVM)分类识别模型训练数据集准备，使用依维柯现有车型采集某一地区道路的循环工况数据，经处理形成适用于无监督学习算法初始数据集；
[0011]S4初始数据集经无监督学习算法学习后，分析确定出初始数据集中各样本数据驾驶风格类型标签，形成分类识别模型训练数据集；
[0012]S5利用带有驾驶风格类别标签的数据集训练SVM分类识别模型，对模型的超参数进行调整，调整后的模型预测准确率达到最优；
[0013]S6利用训练好的支持向量机SVM驾驶风格识别模型对车辆行驶数据样本进行识别，并对当天的驾驶风格类型进行统计。
[0014]优选地，上述技术方案中，步骤S2历史行驶数据进行处理步骤包括：
[0015]S2.1将步骤(1)获取的数据表示为Data＝[T Veh_v],其中车辆数据采集时间T＝[t
1 t2ꢀ…ꢀ
t
n
]，采集频率为1HZ采集一次车辆状态信息；车辆运行状态信息：行驶车速Veh_v＝[v
1 v2ꢀ…ꢀ
v
n
]；
[0016]S2.2待识别行驶数据Data分块处理，将行驶数据Data从第一个速度不为0的时间点开始以固定行驶时间t进行窗口化划分，得到行驶数据工况块；
[0017]S2.3对每一个工况块的速度信息差值求取加速度信息；
[0018]S2.4计算各工况块的特征参数信息，所述特征参数信息为9种，包括速度标准差、平均加速度、最大加速度、平均减速度、最大减速度、加速度标准差、减速度标准差、加速时间比例、减速时间比例，均是围绕着速度、加速度衍生出来的特征变量；
[0019]S2.5所述的特征参数信息计算公式：
[0020]速度标准差：
[0021]平均加速度：
[0022]最大加速度：a
max
＝max(a1,a2,a3,a4,...,a
n
)；
[0023]平均减速度：
[0024]最大减速度：d
max
＝max(d1,d2,d3,d4,...,d
n
)；
[0025]加速度标准差：
[0026]减速度标准差：
[0027]加速时间比例：
[0028]减速时间比例：
[0029]S2.6所有的工况块对(2.5)中9种特征参数进行计算，然后表示为：
[0030]Pre_Data＝[v
m a
av a
max d
av d
max a
m d
m a
p d
p
]。
[0031]优选地，上述技术方案中，步骤S3中SVM分类模型训练数据准备步骤包括：
[0032]S3.1采集某一区域道路工况数据作为初始模型训练数据，车辆设备采集频率为1HZ；
[0033]S3.2所述的某一区域道路为具有某一地形趋势的区域，以及车辆实际生产过程中长期行驶的区域，经采集得到数据；
[0034]S3.3将模型训练数据进行步骤(2)窗口化处理，并进一步进行复合划分，增加数据集样本数目，以及降低训练数据的事件偶然性、随机性，得到训练数据Data
Training
；
[0035]S3.4无监督学习，获取训练样本的真实标签，对训练样本进行归一化处理，计算公式为：
[0036]S3.5经步骤(3.4)归一化处理后的数据进行数据降维，选用合适的将为方法对数据进行数据将为，降低模型的研究复杂度，在这里选用主成分分析方法进行数据降维，获取降维数据Data
Dimensionality Reduction
；
[0037]S3.6降维数据进行聚类分析，找出数据中的类别标签，结合日常驾驶经验和习惯，将驾驶风格划分为三类，即激进型、普通型、保守型三种驾驶风格，综本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法，其特征在于，所述方法具体包括如下步骤：S1从企业车联网服务云平台数据库中获取车辆具体某一天24小时有效行车历史数据，所述行车历史数据为现有车辆网车载的硬件设备能够采集到的数据信息，包括数据采集时间、车速、累计里程、经度、纬度、大气压力、发动机信息、电机信息、电池信息，必须采集的主要所需为数据采集时间、车辆行驶车速这两种；S2对所述历史行驶数据进行处理，形成适用SVM分类算法模型的车辆行驶数据样本；S3支持向量机(SVM)分类识别模型训练数据集准备，使用依维柯现有车型采集某一地区道路的循环工况数据，经处理形成适用于无监督学习算法初始数据集；S4初始数据集经无监督学习算法学习后，分析确定出初始数据集中各样本数据驾驶风格类型标签，形成分类识别模型训练数据集；S5利用带有驾驶风格类别标签的数据集训练SVM分类识别模型，对模型的超参数进行调整，调整后的模型预测准确率达到最优；S6利用训练好的支持向量机SVM驾驶风格识别模型对车辆行驶数据样本进行识别，并对当天的驾驶风格类型进行统计。2.根据权利要求1所述的一种基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法，其特征在于：所述步骤S2历史行驶数据进行处理步骤包括：S2.1将步骤(1)获取的数据表示为Data＝[T Veh_v],其中车辆数据采集时间T＝[t
1 t2ꢀ…ꢀ
t
n
]，采集频率为1HZ采集一次车辆状态信息；车辆运行状态信息：行驶车速Veh_v＝[v
1 v2ꢀ…ꢀ
v
n
]；S2.2待识别行驶数据Data分块处理，将行驶数据Data从第一个速度不为0的时间点开始以固定行驶时间t进行窗口化划分，得到行驶数据工况块；S2.3对每一个工况块的速度信息差值求取加速度信息；S2.4计算各工况块的特征参数信息，所述特征参数信息为9种，包括速度标准差、平均加速度、最大加速度、平均减速度、最大减速度、加速度标准差、减速度标准差、加速时间比例、减速时间比例，均是围绕着速度、加速度衍生出来的特征变量；S2.5所述的特征参数信息计算公式：速度标准差：平均加速度：最大加速度：a
max
＝max(a1,a2,a3,a4,...,a
n
)；平均减速度：最大减速度：d
max
＝max(d1,d2,d3,d4,...,d
n
)；
加速度标准差：减速度标准差：加速时间比例：减速时间比例：S2.6所有的工况块对(2.5)中9种特征参数进行计算，然后表示为：Pre_Data＝[v
m a
av a
max d
av d
max a
m d
m a
p d
p
]。3.根据权利要求1所述的一种基于车联网实车数据和SVM的驾驶风格辨识模型建模与统计方法，其特征在于：所述步骤S3中SVM分类模型训练数据准备步骤包括：S3.1采集某一区域道路工况数据作为初始模型训练数据，车辆设备采集频率为1HZ；S3.2所述的某一区域道路为具有某一地形趋势的区域，以及车辆实际生产过程中长期行驶...

【专利技术属性】
技术研发人员：邹小俊，石少健，宋伟，张汤赟，陆峥，王良模，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：