基于车载OBD数据及概率统计的异常驾驶判别方法及系统与流程

本公开涉及异常驾驶判别技术领域，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。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术，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。

本公开发明人在研究中发现，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。

技术实现要素：

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，并对驾驶员进行驾驶行为规范，具有广阔的应用前景。

附图说明

图1为本公开实施例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示意图。

图2为本公开实施例1所述的异常驾驶行为模型的判别原理示意图。

图3为本公开实施例1所述的短行程片段划分示意图。

图4为本公开实施例1所述的异常驾驶行为模型的在线判别原理示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1：

根据对目前已有异常驾驶行为模型的分析可知，阈值法无法适用于车辆的所有运行状态，且存在误判或漏判现象；人工标记法工作量大，主观影响大，故现有方法具有一定的局限性，需要进行改进优化。

鉴于此，本公开实施例1提出了一种基于车辆运行大数据信息，通过概率统计进行异常驾驶行为判别的新方法，该方法无需人工识别正常驾驶行为和设置各异常驾驶行为的得分权重，而是通过计算数据间出现的概率的倒数作为最后的驾驶得分，即出现的概率越低得分越高。

本方法基于车载obd设备获取车速、发动机转速、档位和转角等数据，并将数据进行分段处理，然后判断单项数据间及两项数据间的概率匹配构建异常驾驶行为模型。该模型支持线下识别和在线识别两种方式，对于线下识别方式，首先将采集的数据以速度数据为基准划分为多个短行程片段，判断后续采集的数据间关联关系与已建立的异常驾驶行为模型的关系，最后取短行程内概率倒数的平均值作为最后的驾驶得分，当驾驶得分高于设定限值则判定该驾驶循环具有异常驾驶行为，再针对异常片段作进一步识别。对于在线识别方式，系统可根据传输的数据进行实时计算并与异常驾驶行为模型进行对比，出现小概率事件则进行报警。本方法无需人为干预异常驾驶行为的识别过程，同时不必定义各异常驾驶行为的得分权重；分析结果更加客观，模型简单，无需人为标记，省时省力。

如图1所示，本实施例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，该方法包括异常驾驶行为模型建立和异常驾驶行为判别两个步骤。

(1)异常驾驶行为模型建立

异常驾驶行为模型要具备两个特点，其一是能够识别数据间的关联，其二是能够定量反映驾驶风格，本实施例所述的异常驾驶行为模型为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的具有多向关联的驾驶行为概率模型。异常驾驶行为模型的建立是后续异常驾驶行为识别的基础，为得到更加客观的概率值，要保证建立模型时的驾驶行为数据量。此外在模型建立之前，需定义采集的四类数据的状态。异常驾驶行为的识别具有两种模式：先后关联和同步关联。先后关联为相邻的单类数据间的关系，同步关联为同一时刻不同数据间的关联关系。

本实施例基于车载obd设备采集的车速、发动机转速、档位和转角数据(根据采集的gps数据计算得到)。首先将车速按0～200km/h平均分成100段，并分别标记为v1，v2，……，v100；同理将发动机转速按0～5000r/min分成100段，分别记为r1，r2，……，r100；转角数据分0～360°分成100段，分别记为c1，c2，……，c100；档位分为空挡和非空挡两种状态，分别记为z0，z1。在采集的数据中，有两种关联方式，其一为同类数据在此刻和上一刻的先后关联关系，其二为不同类数据在同一时刻的同步关联关系。不同的关联关系能够反应不同的驾驶状态。例如速度数据的先后关联能够反映驾驶员的加速情况，速度-转速的同步关联能够反映驾驶员的档位不匹配等信息。本发明首先需要计算先后关联和同步关联的关联性大小，先后关联性大小用w表示，其计算公式如式(1)，即当上一时刻为vt-1时下一时刻为vt的条件概率。

w[vt-1,vt]＝p(vt|vt-1)(1)

同步关联性大小用g表示，其计算公式如式(2)，即同一时刻当速度为vt时发动机转速为rt的概率。通常，同步关联中g(vt,rt)与g(rt,vt)大小不同，故需要分别计算：

g(vt,rt)＝p(rt|vt)(2)

g(rt,vt)＝p(vt|rt)(3)

基于上述介绍，建立如图2所示的异常驾驶行为模型。在模型建立之前首先需要驾驶行为规范的驾驶员进行前期数据的采集，驾驶行程需要多样化以确保在不同行驶状态下驾驶员行为的基本规范性。

以采集的速度数据为例，如前所述划分为100种状态，判断某一状态vit-1(i为第i种状态，t-1表示时间)与它联接的下一时刻状态出现的概率，即

其中n为上一刻速度状态为vit时，下一刻出现vjt的次数；n为上一刻速度状态为vit的总次数，且i,j∈{1,2,...,100}。

以采集的速度数据和发动机转速为例，同步关联的具体计算方式与式(4)相似。

其中m为此刻速度状态为vit时，同时发动机转速状态为rjt的次数；m为此刻速度状态为vit的总次数，且i,j∈{1,2,...,100}。

最后，针对采集的足够数量的规范驾驶数据建立数据间具有明确关联概率值的异常驾驶行为模型。

(2)线下异常驾驶行为判别

在建立上述规范驾驶行为模型后，可以进一步对未来采集的数据进行异常驾驶行为的识别。在进行线下异常驾驶行为判断时，首先要进行短行程片段的划分，这样有助于异常驾驶行为定位，且可以实现多片段同时识别，节省异常驾驶行为判别时间。短行程划分完毕后，计算每一片段的驾驶行为得分，并与设定阈值进行对比，若超过阈值则认为该形成片段存在异常驾驶行为，进而找出使得分偏高的驾驶行为，加以识别提醒。

首先，将采集的数据按速度短行程片段进行划分，所谓短行程片段为车辆启动到下一次启动间的运行状态，本发明短行程片段按速度数据对所有数据进行截取，截取的短行程片段如图3所示。然后判定每个数值的先后关联和同步关联对应上述模型的概率值，并计算每个片段的得分f，计算方式如式(6)所示：

式中pk表示片段中出现的所有概率值，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。

根据式(6)可知，当驾驶数据关联中出现小概率事件，则会使f>δ，此时标记此短行程片段为异常驾驶。上述δ为自定义的数值，其值大小能够直接影响异常驾驶判别的准确性。在实际应用中可根据数据特点进行定义，例如可令δ>μ+3σ，μ为数据得分的平均值，σ为数据得分标准差。本方法中仅需要设置δ一种阈值，且该阈值为综合参数，相较于其他模型减少了阈值设置个数，能够对不同工况下的驾驶方式进行异常识别，避免了传统单一变量阈值设置无法对具体工况(如高速工况下的加速情况)进行具体分析的缺陷。

在识别了异常驾驶片段后，进一步判断哪种异常关联引起的得分偏高，并记录次数。最后系统根据所识别的异常关联对用户提供文字提醒，提醒内容及触发机制如下表所示。

表1异常驾驶行为触发条件：

具体为：

相邻时刻速度由较小值v1链接较大值v2，且(v2-v1)>ε1时，为急加速行为，先后关联概率值p1小于第二设定阈值ε2时，为异常加速行为；

相邻时刻速度由较大值v3链接较小值v4，且(v3-v4)>ε3时，为紧急制动行为，先后关联概率值p2小于第二设定阈值ε4时，为异常制动行为；

较大转速n1链接较小车速v5，且两者的数值差值(n1-v5)>ε5，同步关联概率值p3小于第六设定阈值ε6时，为速度-转速不匹配行为；

速度链接v6～v7均为较大的速度值且均大于第七设定阈值ε7，先后关联概率值p4小于第八设定阈值ε8时，为超速行为；

转速链接n2～n3均为较大的转速值且均大于第九设定阈值ε9，先后关联概率值p5小于第十设定阈值ε10时，为转速异常行为；

较大转角值α链接较大车速v8且均大于第十一设定阈值ε11，且同步关联概率值p6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。

(3)实时在线异常行为判断

在进行线上识别时，每类数据实时上传，每接收一组数据进行一次同步关联识别计算，接收下一组数据则进行一次先后关联识别计算，所谓识别计算是指在确定状态间关联后，与异常驾驶行为模型对比，出现小概率或不存在事件则判定为异常驾驶行为。此外，在实时在线识别时系统应具有足够的内存和计算速度，以保证异常驾驶行为判别的实时性。

若需要对异常驾驶行为进行实时在线识别，只需要将建立的异常驾驶行为模型输入系统。如图4所示为实时在线异常行为判断原理，系统在接收驾驶数据流时，首先对采集的数据进行标签化，即记录每一类数据数值所属状态，速度的状态包括v1，v2，……，v100，发动机转速状态包括r1，r2，……，r100，转角状态包括c1，c2，……，c100，档位状态包括z0，z1。对数据状态进行同步识别并与异常驾驶行为模型对比，如v1状态与r100状态在模型中的同步关联概率为0.001，则判定出现小概率事件，并由表1进行快速显示，如上例应为“速度-转速不匹配”。

当同步关联计算完毕后，则进行先后关联的计算。首先识别前一组数据所属状态，并进行前后关联与异常驾驶行为模型对比识别，若出现小概率关联值则表1中情况进行对比，并迅速进行信息显示。在线识别的另一个作用就是可以定期更新之前建立的异常驾驶行为模型，更新周期应足够长以避免短时间内异常驾驶行为出现次数较多造成模型的误判。

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。

实施例2：

本公开实施例2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。

实施例3：

本公开实施例3提供了一种车辆，利用本公开实施例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。

实施例4：

本公开实施例4提供了一种车辆，包括本公开实施例2所述的基于车载obd数据及概率统计的异常驾驶判别系统。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。