一种基于FCM聚类和BP神经网络的驾驶行为评价方法与流程

文档序号:11234625阅读:735来源:国知局
一种基于FCM聚类和BP神经网络的驾驶行为评价方法与流程

本发明涉及车联网技术领域,特别涉及一种基于fcm聚类和bp神经网络的架势行为评价方法。



背景技术:

近年来,随着物联网技术的飞速发展以及车联网技术的不断普及,车载终端等车联网移动设备无时无刻不产生大量的车联网数据,利用这些设备可以非常方便的实现大规模车辆的监控、调度和远程管理,从而提高车辆使用效率,方便政府以及企业车辆的管理。

目前,对驾驶速度行为的评价一般是通过一系列的驾驶行为减分单元:急加速减分单元、急减速减分单元、急转弯减分单元等,根据急加/减速、急转弯次数等数据进行减分,实现驾驶行为评级分数计算。评价过程的主观性较强,评价结果不够科学、准确。



技术实现要素:

本发明的目的在于提供一种基于fcm聚类和bp神经网络的驾驶速度行为评价方法,以对驾驶行为进行客观、科学的评价。

为实现以上目的,本发明提供一种基于fcm聚类和bp神经网络的驾驶行为评价方法,该方法包括:

s1、从车联网数据库中查询样本车辆的行驶卫星定位信号集合作为样本数据集;

s2、从样本数据集中提取样本车辆的驾驶行为特征参数;

s3、搭建基于hadoop的spark的集群平台,并将驾驶行为特征参数保存在分布式文件系统hdfs中;

s4、将fcm聚类算法部署在spark平台上,并根据预设的聚类个数,得到驾驶行为特征参数的聚类结果;

s5、创建bp神经网络,并将驾驶行为特征参数的聚类结果进行归一化处理后作为训练样本对创建的bp神经网络进行训练,得到bp神经网络模型;

s6、利用bp神经网络模型,对经归一化处理后的待评价驾驶行为进行评价。

进一步地,步骤s1,具体包括:

以车牌、起止时间为查询条件从车联网数据库中查询样本车辆的行驶卫星定位信号集合。

进一步地,步骤s2中的样本车辆的驾驶行为特征参数,具体包括:车速超速时间比例、急加速次数、急减速次数以及急转弯次数。

进一步地,步骤s2,具体包括:

调用高德地图中的抓路服务api获取道路最高限速值;

采集车辆在预设时间段内的行驶速度值,并与道路最高限速值进行比较,得到车辆在预设时间段内的车速超速时间比例ov;

根据预设时间段内采集的任意两个连续的采样点k-1、k的行驶速度信息,计算车辆在k时刻的加速度值;

根据车辆在k时刻的加速度值、设定的急加速加速度阈值以及设定的急减速的加速度阈值,计算车辆急加速次数act和急减速次数dct;

根据车辆在k时刻的加速度值、设定的急转弯的速度限值以及设定的行驶方向角改变阈值,计算车辆的急转弯次数stt。

进一步地,步骤s4,具体包括:

s41、输入样本车辆的驾驶行为特征参数,并初始化当前迭代次数、聚类数、聚类中心、迭代停止域及最大迭代次数;

s42、判断当前迭代次数是否小于最大迭代次数,如果是则执行步骤s43,如果否则执行步骤s45;

s43、更新fcm聚类算法的隶属度和聚类中心;

s44、判断fcm聚类算法的目标函数是否满足收敛条件,如果是则执行步骤s45,如果否则将当前迭代次数加1后执行步骤s42;

s45、输出驾驶行为特征参数的聚类结果。

进一步地,步骤s43,具体包括:

利用隶属度更新式对fcm聚类算法的隶属度进行更新,隶属度更新式具体为:

利用聚类中心更新式对fcm聚类算法的聚类中心进行更新,聚类中心更新式具体为:

其中,uij为样本数据集x=[x1,x2,…,xj,…xn]中第j个样本数据xj对第i个聚类中心vi的隶属度,1≤i≤c,1≤j≤n,c为聚类个数,n为样本数据集中的样本总数,m为模糊度参数。

进一步地,步骤s44中fcm聚类算法的目标函数为:

d(xj,vi)=||xj-vi||,

其中,uij∈{0,1},v=(vi)c为样本车辆的驾驶行为特征参数的聚类中心矩阵,u为隶属度集,d(xj,vi)为第j个样本数据xj与第i个聚类中心vi间的欧拉距离。

与现有技术相比,本发明存在以下技术效果:本发明利用车联网技术对驾驶行为信息进行提取,通过数据计算分析与挖据,对驾驶行为特征参数进行科学聚类,并将聚类结果作为训练样本对创建的bp网络进行训练得到bp神经网络模型,然后通过bp神经网络模型客观的对待评估的驾驶行为进行在线评估。建立了车联网数据、驾驶速度行为特征以及道路安全三者之间的关联机理,提高了驾驶行为评价的准确性和科学性。

附图说明

下面结合附图,对本发明的具体实施方式进行详细描述:

图1是本发明一实施例中一种基于fcm聚类和bp神经网络的驾驶行为评价方法的流程示意图;

图2是本发明一实施例中步骤s4的细分步骤的流程示意图;

图3是本发明一实施例中利用驾驶行为特征参数聚类结果训练后的bp神经网络的结构图。

具体实施方式

为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。

如图1所示,本实施例公开了一种基于fcm聚类和bp神经网络的驾驶行为评价方法,该方法包括如下步骤s1至s6:

s1、从车联网数据库中查询样本车辆的行驶卫星定位信号集合作为样本数据集;

s2、从样本数据集中提取样本车辆的驾驶行为特征参数;

s3、搭建基于hadoop的spark的集群平台,并将驾驶行为特征参数保存在分布式文件系统hdfs中;

需要说明的是,搭建基于hadoop的spark的集群平台来运行fcm聚类算法,能极大的提高运算效率。

s4、将fcm聚类算法部署在spark平台上,并根据预设的聚类个数,得到驾驶行为特征参数的聚类结果;

需要说明的是,该处的预设的聚类个数可以为优、良、合格、差四个等级或者分为其它等级。

s5、创建bp神经网络,并将驾驶行为特征参数的聚类结果进行归一化处理后作为训练样本对创建的bp神经网络进行训练,得到bp神经网络模型;

s6、利用bp神经网络模型,对经归一化处理后的待评价驾驶行为进行评价。

进一步地,步骤s1,具体包括:

以车牌、起止时间为查询条件从车联网数据库中查询样本车辆的行驶卫星定位信号集合。

本实施例中以车牌、起止时间为查询条件,按照周、日、月或季度从车联网数据库中查询出样本车辆的行驶卫星定位信号集合,每个卫星定位信号包含车牌号、时间、经度、纬度、速度、方向角等6个字段,格式为{car_id,t,longitude,latitude,v,h}。通过对卫星定位信号进行基于车牌号索引的存储和查询,提高了查询效率,进而提高了驾驶行为评价的效率。

进一步地,步骤s2中的样本车辆的驾驶行为特征参数,具体包括:车速超速时间比例ov、急加速次数act、急减速次数dct以及急转弯次数stt。

进一步地,步骤s2,具体包括如下细分步骤:

调用高德地图中的抓路服务api获取道路最高限速值;

具体地,高德地图抓路服务api是根据坐标点抓取道路,即根据给定的坐标点、车辆的方位角以及行驶速度,抓取就近的道路,抓取的道路条数与上传坐标点的数量一致。使用api前需先用户在高德地图官网申请key,填写车辆唯一标识carid,经纬度locations,gps采样时间time等必填参数。

采集车辆在预设时间段内的行驶速度值,并与道路最高限速值进行比较,得到车辆在预设时间段内的车速超速时间比例ov;

具体地,车速超速时间比例(%)的计算过程为将采集的车辆在一天、一周或者一个月等时间段内的行驶速度值与道路最高限速值进行比较,判断车辆的行驶速度值是否超速,从而得到车辆在一段时间内的超速次数ovt,车辆超速时间比例为c为总采样次数。

根据预设时间段内采集的任意两个连续的采样点k-1、k的行驶速度信息,计算车辆在k时刻的加速度值;

具体地,车辆在k时刻的加速度值ak为:ak=(vk-vk-1)/(tk-tk-1),其中,vk为车辆在k时刻的速度值,vk-1在k-1时刻的速度值,tk为车辆在k时刻的采样时间,tk-1为车辆在k-1时刻的采样时间。

根据车辆在k时刻的加速度值、设定的急加速加速度阈值以及设定的急减速的加速度阈值,计算车辆急加速次数act和急减速次数dct;

根据车辆在k时刻的加速度值、设定的急转弯的速度限值以及设定的行驶方向角改变阈值,计算车辆的急转弯次数stt。

进一步地,如图2所示,步骤s4,具体包括如下细分步骤:

s41、输入样本车辆的驾驶行为特征参数,并初始化当前迭代次数、聚类数、聚类中心、迭代停止域及最大迭代次数;

s42、判断当前迭代次数是否小于最大迭代次数,如果是则执行步骤s43,如果否则执行步骤s45;

s43、更新fcm聚类算法的隶属度和聚类中心;

s44、判断fcm聚类算法的目标函数是否满足收敛条件,如果是则执行步骤s45,如果否则将当前迭代次数加1后执行步骤s42;

s45、输出驾驶行为特征参数的聚类结果。

进一步地,在步骤s43中,具体包括:

利用隶属度更新式对fcm聚类算法的隶属度进行更新,隶属度更新式具体为:

利用聚类中心更新式对fcm聚类算法的聚类中心进行更新,聚类中心更新式具体为:

其中,uij为样本数据集x=[x1,x2,…,xj,…xn]中第j个样本数据xj对第i个聚类中心vi的隶属度,1≤i≤c,1≤j≤n,c为聚类个数,n为样本数据集中的样本总数,m为模糊度参数。

进一步地,在步骤s44中fcm聚类算法的目标函数为:

d(xj,vi)=||xj-vi||,

其中,uij∈{0,1},v=(vi)c为样本车辆的驾驶行为特征参数的聚类中心矩阵,u为隶属度集,d(xj,vi)为第j个样本数据xj与第i个聚类中心vi间的欧拉距离。

本发明具有的有益效果如下:

(1)对车联网的大数据进行挖掘分析,通过对驾驶行为特征参数进行聚类,利用聚类结果训练bp神经网络,通过训练后的bp神经网络客观的对待评价驾驶行为进行评价,提高了驾驶行为评价的准确性和科学性。

(2)在运算过程中,通过搭建spark集群运行平台运行聚类算法,极大的提高了聚类算大的运算效率。

以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1