【技术实现步骤摘要】
本专利技术涉及智能驾驶和数据挖掘，具体涉及一种面向隐私保护的云边端协同驾驶风格识别方法。
技术介绍
1、近年来，无人驾驶行业受到高度重视和产业的重点支持，推动无人驾驶汽车行业发展。
2、在未来一段时间内，人机协同驾驶车辆的现状将一直存在，为了实现人车路的有效协同，需要仔细分析人类驾驶行为和驾驶风格，从而让辅助驾驶系统更好地完成辅助驾驶任务。然而识别人类驾驶行为和驾驶风格存在以下几个难点：(1)识别任务对高质量数据的需求与用户隐私保护之间的矛盾。为了实现高精度的识别效果，往往需要大量位置相关的驾驶数据，而这些驾驶数据包含了驾驶者隐私信息，例如他们何时去过某地。如何使用这些数据训练识别模型而不侵犯用户隐私是一大挑战。(2)终端设备计算能力弱，无法运行复杂度高的识别模型，并且驾驶风格识别的实时性要求较高，复杂度模型推理速度慢，不适合用于终端设备。
3、因此，本申请拟针对上述两个难点，提出一套面向隐私保护的驾驶风格识别技术方法。首先利用联邦学习机制提出一种云边端协同的驾驶行为模型训练方式，在边缘端比如汽车利用隐私数据训练一个本地识别模型，然后在云端服务器利用联邦学习机制学习各个本地模型参数并推理更新云端模型，再将云端模型部署到边缘端，实现共享模型而不共享用户数据，达到隐私保护的目的。其中，设计出一个学习能力强的云端模型，通过学习边端模型预测的概率分布，蒸馏到边端模型，从而实现在无法布置复杂模型的边端拥有性能优越的简单模型。在边端集成到云端过程中，对于每一个边端都要评估一个模型质量分数用来作为边端模型的权重，最简单
4、为了解决这个问题，本专利技术提出一种对边端模型质量的评分标准，对驾驶风格识别精确度进行细粒度计算，通过对驾驶风格识别结果添加权重因子，使得在边端模型集成到云端模型时生成一个具有全局性的概率分布。本专利技术不仅可以推动相关技术理论创新，还能有效解决智能汽车系统在驾驶行为识别方面应用的实际问题，对于推动智能汽车辅助驾驶系统方面具有重要的经济和社会价值。
技术实现思路
1、本专利技术的目的是提供一种面向隐私保护的云边端协同驾驶风格识别方法，其目的在于根据边端设备收集到的驾驶数据，通过云边端协同框架，使得边端模型能够提高驾驶风格识别能力，达到以简单的架构得到较好的驾驶风格识别效果。
2、一种面向隐私保护的云边端协同驾驶风格识别方法，包括以下步骤：
3、1)预处理：在每个边端设备上收集一定数量的驾驶数据，对长时段的驾驶数据进行处理，包括提取特征和划分窗口，对驾驶数据进行归一化，最后划分训练集和测试集得到驾驶数据特征段和驾驶风格；(指驾驶数据拥有多个特征，在经过特征提取后，得到有效的驾驶数据特征，对驾驶数据特征进行划分窗口后得到驾驶数据特征段)；
4、2)搭建边端架构，训练边端模型，在边端采用较为简单的神经网络模型，根据步骤1)获得的驾驶数据特征段和驾驶风格类别，对数据进行数据增强，增加少数类样本(少数类样本是指对不同的驾驶风格类别，包含的驾驶数据特征段少的集合)，根据处理后的驾驶数据特征段训练边端模型。
5、3)搭建云端模型，提出一种结合卷积神经网络(cnn)、双向长短期记忆网络(bilstm)和自编码器(autoencoder)的创新模型架构，称为acb(autoencoder-enhancedconvolutionalbilstm)，用于隐私保护的驾驶风格识别。
6、4)搭建云边端协同框架，模拟一部分无标签的驾驶数据(在处理完驾驶数据后会得到驾驶数据特征段，每个驾驶数据特征段对应一个驾驶风格，这个驾驶风格就是这段驾驶数据的标签，无标签驾驶数据就是指没有驾驶风格的驾驶数据特征段，需要研究人员对其进行标注)，利用边端模型预测分类结果，并结合边端模型质量分数，将边端预测的类别概率分布集成到云端，即利用全局概率分布指导云端模型训练，实现将边端模型获取到的知识蒸馏到云端；
7、5)云端模型训练完成后，将云端模型部署到边端，根据边端获取的无标签驾驶数据在云端模型上得出驾驶风格识别结果，将云端模型获取的知识蒸馏到边端模型，用复杂的云端模型来指导边端模型的训练；
8、最终，将蒸馏后的边端模型用于新的驾驶数据，完成驾驶风格识别。
9、本专利技术中，与传统的驾驶风格识别模型相比，本模型搭建了一种云边端协同框架，保护了驾驶数据的隐私，其中大部分数据处理和特征提取在边端完成，只有处理后的特征数据和预测结果需要上传到云端。这大大减少了数据传输量，减轻了网络负担，降低了传输成本和延迟。并且云边端协同框架中边端模型的预测结果可以用于云端模型的训练，实现知识蒸馏和集成学习，提高云端模型的准确性和鲁棒性；同时，云端模型的知识也可以反向蒸馏到边端模型中，使其在本地识别中表现更佳。本模型还设计了一种集成模块，用来生成一个更为全面的全局概率分布，这有助于云端模型更好地学习边端上的数据分布。结合以上架构和技术，使得边端模型在驾驶风格识别任务中表现的更为出色。
10、步骤1)中，驾驶数据特征包括车辆id、时间，驾驶速度特征，驾驶加速度特征以及路况特征。
11、步骤3)中，所提出的acb模型包括以下主要部分：
12、卷积神经网络(cnn)特征提取器，双向长短期记忆网络(bilstm)时间序列处理器，分类器头部，自编码器嵌入学习模块。
13、步骤4)中，云边端协同架构，具体包括：
14、边端到云端蒸馏分支、云端到边端蒸馏分支。
15、步骤4)中，在边端到云端蒸馏中，首先利用云端模拟的数据使得所有边端得出对应的概率分布，具体包括：
16、对边端的分类结果计算分类准确度，对每个驾驶风格分别计算准确度，具体方式是只有预测值与真实值相同时计数，再除以真实值的数量：
17、
18、其中ac[i]是驾驶风格i准确度，n是样本总数，i是驾驶风格类别，ytrue,j为第j个样本的真实值，ypred,j是第j个样本的预测值，∧是表示“与”(and)运算，用来连接两个值，当且仅当两个值都为时i，整个表达式才为真。1(·)是指示函数，当条件为真时取值为1，否则为0；
19、计算驾驶风格类别i的权重w[i]：
20、
21、其中counts[i]表示驾驶风格i的样本数量，total表示总样本数量，num表示驾驶风格的类别数量，当counts[i]小于样本类别的阈值，也就是总样本数除以2倍的类别数量时，将类别i的权重调整至α，否则将权重调整到0。
22、计算加权准确率wacc：
23、
24、将各个类别准确度乘对应类别权重，乘积相加后除以权重和得到最终的每个边端加权准确率。
25、步骤4)中，计算每个边端模型的模型质量分数qs：
26、qs＝wd·ds+wc·本文档来自技高网...
【技术保护点】
1.一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，所述步骤1)中，驾驶数据特征包括车辆ID、时间戳、经纬度，驾驶速度特征，驾驶加速度特征以及路况特征；
3.根据权利要求2所述的一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，所述步骤2)具体过程如下：
4.根据权利要求1所述的一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，所述步骤3)中云端模型搭建过程如下：
5.根据权利要求1所述的一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，所述步骤4)中，云边端协同架构，包括边端到云端蒸馏分支及云端到边端蒸馏分支；
6.根据权利要求1所述的一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，步骤5)中，将云端模型获取的知识蒸馏到边端模型，具体包括：
【技术特征摘要】
1.一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，所述步骤1)中，驾驶数据特征包括车辆id、时间戳、经纬度，驾驶速度特征，驾驶加速度特征以及路况特征；
3.根据权利要求2所述的一种面向隐私保护的云边端协同驾驶风格识别方法，其特征在于，所述步骤2)具体过程如下：
4.根据权利要求1...
【专利技术属性】
技术研发人员：侯晨煜，高瑞麟，王佳星，曹斌，范菁，
申请(专利权)人：浙江工业大学，
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。