一种不同驾驶任务阶段的驾驶风格分析方法、系统及装置

1.本发明涉及交通分析领域，具体而言涉及一种不同驾驶任务阶段的驾驶风格分析方法、系统及装置。


背景技术：

2.随着社会科学技术的不断进步和发展，独自驾驶出行、公共交通选择、或者选择网约车等出行方式的出现，使得人们的出行选择逐渐多样化，对于各种出行方式，车辆驾驶员的驾驶风格可以表征行车安全状况、决定车内乘客的行车体验，识别驾驶员的驾驶风格并向他们提供反馈，可以帮助驾驶员避免不安全的驾驶行为，减少交通事故的发生，改善交通状况。此外，通过分析驾驶员的驾驶风格，对于为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶有极其重要的作用；
3.对于各种不同车辆驾驶员来说，车辆行驶状态、行驶路径、驾驶状态的不同，都在一定程度上影响着驾驶员的驾驶风格，在现有技术以及现有的研究方法中，主要针对驾驶风格的分类、以及如何判定不同类别的驾驶风格，但是并未考虑驾驶风格在一段驾驶行程中出现变化的可能性。


技术实现要素：

4.本发明的目的在于提供一种不同驾驶任务阶段的驾驶风格分析方法、系统及装置，以解决现有技术中的问题。
5.为实现上述目的，本发明的第一方面提供如下技术方案：
6.一种不同驾驶任务阶段的驾驶风格分析方法，通过步骤1至步骤5构建驾驶事件分类模型，应用驾驶事件分类模型，通过步骤a至步骤b确定目标场景中驾驶员驾驶风格的分类结果：
7.步骤1、采集预设数量个车辆分别所对应的各段路程，分别针对各个车辆，针对各段路程分别所对应的整个行驶过程，根据预设方式将行驶过程划分为各个行驶路段，获得当前车辆在各个行驶路段下对应的各个指定类型的驾驶数据；
8.对驾驶数据进行预处理，获得各指定类型驾驶数据分别对应的特征参数，结合特征参数，应用阈值检测方法，提取各行驶路段中对应的各个驾驶事件、以及各个驾驶事件分别对应的驾驶阈值、持续时间，所述驾驶事件包括转弯事件、加速事件、以及减速事件，获得各个车辆在各个行驶路段中分别对应的驾驶事件，并按驾驶事件类型进行划分，获得各个驾驶事件分别所对应的驾驶事件集合，分别针对各个驾驶事件集合，然后进入步骤2；
9.步骤2、根据驾驶事件分别对应的驾驶阈值、持续时间，对驾驶事件集合进行划分，获得各个驾驶事件集合中分别所对应的预设特征参数集合，随后进入步骤3；
10.步骤3、根据各个驾驶事件集合分别所对应的特征参数集合，获得特征向量集合，即获得各个驾驶事件集合对应的特征向量集合；
11.根据各驾驶事件所对应的特征向量集合，分析特征向量集合中各个特征参数之间
的相关性，并对特征参数进行降维操作，获得该驾驶事件集合中的各个样本，以及各样本分别所对应的特征向量；待完成针对各个驾驶事件集合的上述操作之后，进入步骤4；
12.步骤4、根据驾驶事件集合中各样本分别所对应的特征向量，结合预设驾驶风格类别数作为聚类中心数，应用k均值算法针对各样本进行聚类操作，获得该驾驶事件集合所对应的各个聚类类别，进而获得各个驾驶事件集合中各样本分别所对应的聚类类别，随后进入步骤5；
13.步骤5、以各个车辆在各个行驶路段下对应的各个指定类型的驾驶数据为输入，以各个驾驶事件中各样本所对应的聚类类别为输出，训练获得该驾驶事件所对应的驾驶事件分类模型；进而获得各驾驶事件集合分别所对应的驾驶事件分类模型；
14.步骤a、针对目标车辆对应的各段路程，以及各段路程所对应的整个车辆行驶过程，应用步骤1至步骤3的方法，确定各个车辆指定类型的驾驶事件对应的特征向量集合，并获得各个驾驶事件集合中的各个样本，以及各样本分别所对应的特征向量；
15.步骤b、分别针对各个驾驶事件集合，应用各个驾驶事件所对应的驾驶事件分类模型，获得各个驾驶事件内各样本所对应的聚类类别，进而获得各个目标车辆对应的驾驶事件分别所对应的聚类类别，确定目标场景中驾驶员驾驶风格的分类结果。
16.进一步地，所述步骤1中驾驶数据包括卫星数量、时间、经纬度、速度、航向角、垂直速度、横向加速度和纵向加速度；
17.所述特征参数包括速度、垂直速度、航向角偏差、纵向加速度、横向加速度；
18.所述行驶路段的划分方式包括按单位时长划分、以及按照驾驶员的行程过程状态划分，所述按单位时长划分指，各个车辆在对应的各段路程下，基于各段路程所对应的整个行驶过程，按预设单位时长划分各段路程；所述驾驶员的行驶过程状态包括巡航阶段、接单阶段、送客阶段。
19.进一步地，所述步骤1中阈值检测方法具体如下：
[0020]1‑
1、设置航向角阈值dx，通过相邻时间的航向角来计算出各时间节点对应的航向角偏差，若任意行驶路段下车辆的航向角偏差大于阈值dx，将其标记为转弯事件起始节点，直至车辆行驶至航向角偏差小于阈值dx的行驶路段时，该行驶路段被标记为事件终止节点，同时转弯事件的持续时间需大于t1，满足条件的数据为转弯事件，然后进入步骤1
‑
2；
[0021]1‑
2、设置阈值纵向加速度ax1，若任意行驶路段下车辆的纵向加速度超过阈值ax1，该行驶路段被标记为加速事件起始节点，直至车辆行驶至纵向加速度低于ax1的行驶路段时，该行驶路段被标记为事件终止节点，加速事件的持续时间需大于t2，满足条件的数据为加速事件，然后进入步骤1
‑
3；
[0022]1‑
3、设置阈值纵向加速度ax2，若任意行驶路段下车辆的纵向加速度小于阈值ax2，该行驶路段被标记为减速事件起始节点，直至车辆行驶至纵向加速度大于ax2的行驶路段时，该行驶路段被标记为事件终止节点，减速事件的持续时间需大于t3，满足条件的数据为减速事件。
[0023]
进一步地，所述步骤3采集数据所对应的特征向量集合，由各个驾驶事件对应的各个预设特征参数组成，计算特征向量集合大小，根据公式：
[0024]
n＝n1×
n2；
[0025]
其中：n表示各个驾驶事件所对应的特征向量集合大小；n1表示驾驶事件对应的特
征参数数量；n2表示选定的驾驶动作特征参数数量。
[0026]
进一步地，所述步骤3相关性分析方法采用皮尔逊相关性分析方法；所述降维操作采用pac的降维算法。
[0027]
进一步地，所述步骤4预设的驾驶风格类别为激进型、正常型和保守型，通过聚类结果和聚类中心点的特征值大小，针对不同驾驶事件确定驾驶风格。
[0028]
进一步地，所述步骤4驾驶事件集合所对应的各个聚类类别的计算方法为计算每个聚类中心点的特征向量值的大小，所述聚类中心点通过计算每个事件参数的平均值获得。
[0029]
根据本发明公开的第二方面提出一种不同驾驶任务阶段的驾驶风格分析系统，包括：
[0030]
一个或多个处理器；
[0031]
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时，使得所述一个或多个处理器执行操作，所述操作包括执行所述前述任意一项所述驾驶风格分析方法的过程。
[0032]
根据本发明公开的第三方面还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时执行前述车辆尿素消耗偏差判断方法的操作。
[0033]
根据本发明公开的第四方面还提出一种不同驾驶任务阶段的驾驶风格分析装置，其特征在于，包括：
[0034]
数据采集模块，用于步骤1、采集预设数量个车辆分别所对应的各段路程，分别针对各个车辆，针对各段路程分别所对应的整个行驶过程，根据预设方式将行驶过程划分为各个行驶路段，获得当前车辆在各个行驶路段下对应的各个指定类型的驾驶数据；
[0035]
对驾驶数据进行预处理，获得各指定类型驾驶数据分别对应的特征参数，结合特征参数，应用阈值检测方法，提取各行驶路段中对应的各个驾驶事件、以及各个驾驶事件分别对应的驾驶阈值、持续时间，所述驾驶事件包括转弯事件、加速事件、以及减速事件，获得各个车辆在各个行驶路段中分别对应的驾驶事件，并按驾驶事件类型进行划分，获得各个驾驶事件分别所对应的驾驶事件集合；
[0036]
参数获取模块，用于根据驾驶事件分别对应的驾驶阈值、持续时间，对驾驶事件集合进行划分，获得各个驾驶事件集合中分别所对应的预设特征参数集合；
[0037]
参数处理模块，用于根据各个驾驶事件集合分别所对应的特征参数集合，获得特征向量集合，即获得各个驾驶事件集合对应的特征向量集合；
[0038]
根据各驾驶事件所对应的特征向量集合，分析特征向量集合中各个特征参数之间的相关性，并对特征参数进行降维操作，获得该驾驶事件集合中的各个样本，以及各样本分别所对应的特征向量；
[0039]
聚类模块，用于根据驾驶事件集合中各样本分别所对应的特征向量，结合预设驾驶风格类别数作为聚类中心数，应用k均值算法针对各样本进行聚类操作，获得该驾驶事件集合所对应的各个聚类类别，进而获得各个驾驶事件集合中各样本分别所对应的聚类类别；
[0040]
模型构建模块，用于以各个车辆在各个行驶路段下对应的各个指定类型的驾驶数
据为输入，以各个驾驶事件中各样本所对应的聚类类别为输出，训练获得该驾驶事件所对应的驾驶事件分类模型；进而获得各驾驶事件集合分别所对应的驾驶事件分类模型；
[0041]
用于针对目标车辆对应的各段路程，以及各段路程所对应的整个车辆行驶过程，应用步骤1至步骤3的方法，确定各个车辆指定类型的驾驶事件对应的特征向量集合，并获得各个驾驶事件集合中的各个样本，以及各样本分别所对应的特征向量的模块；
[0042]
用于分别针对各个驾驶事件集合，应用各个驾驶事件所对应的驾驶事件分类模型，获得各个驾驶事件内各样本所对应的聚类类别，进而获得各个目标车辆对应的驾驶事件分别所对应的聚类类别，确定目标场景中驾驶员驾驶风格的分类结果的模块。
[0043]
本发明所述一种不同驾驶任务阶段的驾驶风格分析方法，采用以上技术方案与现有技术相比，本发明对车辆驾驶员的驾驶过程进行任务阶段的划分，并且针对不同驾驶任务阶段，获得各个驾驶事件中各种驾驶风格的占比情况，以及不同驾驶风格的变化特征，本发明通过对驾驶事件的分析、以及对驾驶风格变化特征的分析，针对不同驾驶事件分析驾驶任务对驾驶风格的影响，从而帮助优化驾驶员的驾驶过程，保障乘车人员的安全。
附图说明
[0044]
图1为本发明示例性实施例的驾驶风格分析方法流程图；
[0045]
图2(a)为本发明示例性实施例转弯事件的皮尔逊相关性分析的示意图，图2(b)为本发明示例性实施例加速事件的皮尔逊相关性分析的示意图，图2(c)为本发明示例性实施例减速事件的皮尔逊相关性分析的示意图；
[0046]
图3(a)为本发明示例性实施例的转弯事件聚类结果示意图，图3(b)为本发明示例性实施例的加速事件聚类结果示意图，图3(c)为本发明示例性实施例的减速事件聚类结果示意图；
[0047]
图4为本发明示例性实施例的驾驶风格分析比较示意图。
具体实施方式
[0048]
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
[0049]
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
[0050]
下面结合附图1
‑
附图4所述，更加具体的描述本发明的实现。
[0051]
结合图1所示的本发明示例性实施例的驾驶风格分析方法的流程，针对网约车驾驶员，提供一种不同驾驶任务阶段的驾驶风格分析方法，通过以下步骤1至步骤5构建驾驶事件分类模型，通过步骤a至步骤b确定目标场景中不同驾驶员不同驾驶风格的分类结果：
[0052]
步骤1、采集预设数量个车辆分别所对应的各段路程，分别针对各个车辆，针对各段路程分别所对应的整个行驶过程，根据预设方式将行驶过程划分为各个行驶路段，获得当前车辆在各个行驶路段下对应的各个指定类型的驾驶数据；
[0053]
其中，各个行驶路段的划分方式包括按单位时长划分、以及按照驾驶员的行程过
程状态划分，按单位时长划分指，各个车辆在对应的各段路程下，基于各段路程所对应的整个行驶过程，按预设单位时长划分各段路程；驾驶员的行驶过程状态包括巡航阶段、接单阶段、送客阶段；驾驶数据包括卫星数量、时间、经纬度、速度、航向角、垂直速度、横向加速度和纵向加速度；
[0054]
对驾驶数据进行预处理，获得各指定类型驾驶数据分别对应的特征参数，结合特征参数，特征参数包括速度、垂直速度、航向角偏差、纵向加速度、横向加速度，结合特征参数，应用阈值检测方法，提取各行驶路段中对应的各个驾驶事件、以及各个驾驶事件分别对应的驾驶阈值、持续时间，所述驾驶事件包括转弯事件、加速事件、以及减速事件，获得各个车辆在各个行驶路段中分别对应的驾驶事件，并按驾驶事件类型进行划分，获得各个驾驶事件分别所对应的驾驶事件集合，分别针对各个驾驶事件集合，然后进入步骤2，其中，所述阈值检测方法包括：
[0055]1‑
1、设置航向角阈值dx，通过相邻时间的航向角来计算出各时间节点对应的航向角偏差，若任意行驶路段下车辆的航向角偏差大于阈值dx，将其标记为转弯事件起始节点，直至车辆行驶至航向角偏差小于阈值dx的行驶路段时，该行驶路段被标记为事件终止节点，同时转弯事件的持续时间需大于t1，满足条件的数据为转弯事件，然后进入步骤1
‑
2；
[0056]1‑
2、设置阈值纵向加速度ax1，若任意行驶路段下车辆的纵向加速度超过阈值ax1，该行驶路段被标记为加速事件起始节点，直至车辆行驶至纵向加速度低于ax1的行驶路段时，该行驶路段被标记为事件终止节点，加速事件的持续时间需大于t2，满足条件的数据为加速事件，然后进入步骤1
‑
3；
[0057]1‑
3、设置阈值纵向加速度ax2，若任意行驶路段下车辆的纵向加速度小于阈值ax2，该行驶路段被标记为减速事件起始节点，直至车辆行驶至纵向加速度大于ax2的行驶路段时，该行驶路段被标记为事件终止节点，减速事件的持续时间需大于t3，满足条件的数据为减速事件。
[0058]
步骤2、根据驾驶事件分别对应的驾驶阈值、持续时间，对驾驶事件集合进行划分，获得各个驾驶事件集合中分别所对应的预设特征参数集合，随后进入步骤3；
[0059]
步骤3、根据各个驾驶事件集合分别所对应的特征参数集合，获得特征向量集合，即获得各个驾驶事件集合对应的特征向量集合，由各个驾驶事件对应的各个预设特征参数组成，计算特征向量集合大小，根据公式：
[0060]
n＝n1×
n2；
[0061]
其中：n表示各个驾驶事件所对应的特征向量集合大小；n1表示驾驶事件对应的特征参数数量；n2表示选定的驾驶动作特征参数数量；
[0062]
分别针对各个驾驶事件集合，根据各驾驶事件所对应的特征向量集合，如图2所示，利用皮尔逊相关性分析方法分析特征向量集合中各个特征参数之间的相关性，并对特征参数通过pca算法进行降维操作，获得该驾驶事件集合中的各个样本、以及各样本分别所对应的特征向量，为了保留数据的真实性，降维后的样本至少要表示原始特征向量集合中所有元素的95％的方差，待完成针对各个驾驶事件集合的上述操作之后，进入步骤4；
[0063]
步骤4、分别针对各个驾驶事件集合，根据驾驶事件集合中各样本分别所对应的特征向量，结合预设驾驶风格类别数作为聚类中心数，驾驶风格类别为激进型、正常型和保守型，通过聚类结果和聚类中心点的特征值大小，针对不同驾驶事件确定驾驶风格，应用k均
值算法针对各样本进行聚类操作，获得该驾驶事件集合所对应的各个聚类类别如图3所示，进而获得各个驾驶事件集合中各样本分别所对应的聚类类别，其中，各个聚类类别的计算方法为计算每个聚类中心点的特征向量值的大小，所述聚类中心点通过计算每个事件参数的平均值获得，随后进入步骤5；
[0064]
根据聚类结果和聚类中心点的特征值大小，判断针对不同的驾驶事件，每个聚类类别对应的驾驶风格，对于转弯事件，类别1为激进型驾驶风格，类别2为谨慎型驾驶风格，类别3为正常型驾驶风格。对于加速事件，类别1为谨慎型驾驶风格，类别2为正常型驾驶风格，类别3为激进型驾驶风格。对于减速事件，类别1为谨慎型驾驶风格，类别2为激进型驾驶风格，类别3为正常型驾驶风格。
[0065]
步骤5、以各个车辆在各个行驶路段下对应的各个指定类型的驾驶数据为输入，以各个驾驶事件中各样本所对应的聚类类别为输出，训练获得该驾驶事件所对应的驾驶事件分类模型；进而获得各驾驶事件集合分别所对应的驾驶事件分类模型；
[0066]
步骤a、针对目标车辆对应的各段路程，以及各段路程所对应的整个车辆行驶过程，应用步骤1至步骤3的方法，确定各个车辆指定类型的驾驶事件对应的特征向量集合，并获得各个驾驶事件集合中的各个样本，以及各样本分别所对应的特征向量；
[0067]
步骤b、分别针对各个驾驶事件集合，应用各个驾驶事件所对应的驾驶事件分类模型，获得各个驾驶事件内各样本所对应的聚类类别，进而获得各个目标车辆对应的驾驶事件分别所对应的聚类类别，确定目标场景中驾驶员驾驶风格的分类结果。
[0068]
结合图4，根据网约车司机行驶过程中接到订单时间、乘客上车时间、乘客下车时间将行程划分为三个巡航阶段、接单阶段、送客阶段，在分别对转弯，加速和减速事件的特征参数进行聚类之后，通过统计各个驾驶员三类驾驶事件不同驾驶风格的数量，来比较不同驾驶员在不同驾驶任务阶段驾驶风格的变化，并且针对三类驾驶事件，分别计算了它们在不同驾驶任务阶段的三种驾驶风格的比例，来分析这三类驾驶事件之间是否存在差异。
[0069]
本发明实施例发现，三个阶段的驾驶员驾驶风格不一致，总体趋势是，激进型驾驶风格的比例在接单状态下最高，其次是送客状态，在巡航状态下最低，并且通过对三类事件分别进行分析，转弯、加速和减速事件的驾驶风格在三个驾驶任务阶段之间的变化也存在较大的差异。
[0070]
根据本发明公开的实施例，还提出一种驾驶风格分析系统，包括：
[0071]
一个或多个处理器；
[0072]
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行前述任一实施例的驾驶风格分析方法的过程。
[0073]
尤其优选的，前述的处理器为计算机系统的处理器，包括但不限于基于arm的嵌入式处理器、基于x86的微处理器或者基于类型的处理器。
[0074]
存储器被设置成可存储数据的载体，通常包括ram和rom。
[0075]
应当理解，计算机系统可以通过总线与各子系统进行通信，获取相应参数，实现对各子系统的运行实施控制。
[0076]
在可选的实施例中，本发明还可以被配置成按照下述方式实施：
[0077]
一种不同驾驶任务阶段的驾驶风格分析装置，包括：
[0078]
数据采集模块，用于采集预设数量个车辆分别所对应的各段路程，分别针对各个车辆，基于各段路程所对应的整个车辆行驶过程，根据预设方式将行驶过程划分为各个行驶路段，获得当前车辆在各个行驶路段下对应的各个指定类型的驾驶数据；
[0079]
对驾驶数据进行预处理，获得特征参数，结合特征参数，应用阈值检测方法，提取各行驶路段中对应的各个驾驶事件、以及各个驾驶事件分别对应的驾驶阈值、持续时间，所述驾驶事件包括转弯事件、加速事件、以及减速事件，获得各个车辆在各个行驶路段中分别对应的各个驾驶事件，根据预设类型是否相同对驾驶事件进行划分，获得各个驾驶事件分别所对应的驾驶事件集合；
[0080]
参数获取模块，用于根据驾驶事件分别对应的驾驶阈值、持续时间，对驾驶事件集合进行划分，获得各个驾驶事件集合中分别所对应的预设特征参数集合；
[0081]
参数处理模块，用于根据各个驾驶事件集合分别所对应的特征参数集合，获得特征向量集合，即获得各个驾驶事件集合对应的特征向量集合；
[0082]
根据各驾驶事件所对应的特征向量集合，分析特征向量集合中各个特征参数之间的相关性，并对特征参数进行降维操作，获得该驾驶事件集合中的各个样本，以及各样本分别所对应的特征向量；
[0083]
聚类模块，用于根据驾驶事件集合中各样本分别所对应的特征向量，结合预设驾驶风格类别数作为聚类中心数，应用k均值算法针对各样本进行聚类操作，获得该驾驶事件集合所对应的各个聚类类别，进而获得各个驾驶事件集合中各样本分别所对应的聚类类别；
[0084]
模型构建模块，用于以各个车辆在各个行驶路段下对应的各个指定类型的驾驶数据为输入，以各个驾驶事件中各样本所对应的聚类类别为输出，训练获得该驾驶事件所对应的驾驶事件分类模型；进而获得各驾驶事件集合分别所对应的驾驶事件分类模型；
[0085]
用于针对目标车辆对应的各段路程，以及各段路程所对应的整个车辆行驶过程，应用步骤1至步骤3的方法，确定各个车辆指定类型的驾驶事件对应的特征向量集合，并获得各个驾驶事件集合中的各个样本，以及各样本分别所对应的特征向量的模块；
[0086]
用于分别针对各个驾驶事件集合，应用各个驾驶事件所对应的驾驶事件分类模型，获得各个驾驶事件内各样本所对应的聚类类别，进而获得各个目标车辆对应的驾驶事件分别所对应的聚类类别，确定目标场景中驾驶员驾驶风格的分类结果的模块。
[0087]
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。