一种监测车辆驾驶行为中偏态数据的方法

1.本发明涉及交通安全技术领域，尤其涉及一种监测车辆驾驶行为中偏态数据的方法。


背景技术：

2.近年来，随着人们生活水平的不断提高，机动车的拥有数量持续上升，交通事故频发成了当下迫切需要解决的问题，也引起了足够的重视，但是交通事故造成的死亡事件仍然很多。因此，如何有效的降低交通事故的发生，降低事故的伤亡率具有重大的意义。交通事故的发生受到多种因素的影响，包括驾驶环境、天气、司机驾驶行为等因素，其中90％以上的交通事故可以归因于人们错误的驾驶行为，即驾驶过程中疏忽、疲劳驾驶、与前车车距过近等。所以对司机驾驶行为的研究监测是十分必要的。
3.现有的对车辆行驶过程的监测包括对驾驶员声音的监测、远程控制中心的数据监测、车辆内置雷达预警等。对驾驶过程进行监测时，这些现有的技术很少考虑车辆驾驶过程中数据的类型，所以监测的精度有待提高。因此，如何对车辆驾驶行为进行智能高效的监测是亟待解决的问题。


技术实现要素：

4.有鉴于此，有必要提供一种监测车辆驾驶行为中偏态数据的方法，用以克服现有技术中车辆驾驶行为不够智能高效的问题。
5.本发明提供一种监测车辆驾驶行为中偏态数据的方法，包括：
6.获取汽车驾驶过程中的加速度变化数据，构成加速度数据集；
7.根据所述加速度数据集的分布密度，绘制对应的控制图；
8.根据所述控制图的控制限，判断其中每个采样点是否属于受控状态。
9.进一步地，所述根据所述加速度数据集的分布密度，绘制对应的控制图包括：
10.根据所述加速度数据集中的加速度参量，确定对应的偏态分布密度函数；
11.根据所述加速度数据集的时间参量，确定对应的韦伯概率密度函数；
12.根据所述偏态分布密度函数和所述韦伯概率密度函数，确定对应的控制上限和控制下限，绘制对应的所述控制图。
13.进一步地，所述根据所述偏态分布密度函数和所述韦伯概率密度函数，确定对应的控制上限和控制下限，绘制对应的所述控制图包括：
14.根据所述韦伯概率密度函数，确定对应的韦伯累积分布函数；
15.根据所述偏态分布密度函数和所述韦伯累积分布函数，确定预设统计指标的第一累积分布函数，其中，通过所述加速度参量和所述时间参量进行确定所述预设统计指标；
16.根据所述第一累积分布函数，确定所述控制上限和所述控制下限；
17.根据所述控制上限和所述控制下限，绘制对应的所述控制图。
18.进一步地，所述通过所述加速度参量和所述时间参量进行确定所述预设统计指标
包括：
19.根据所述时间参量，确定驾驶过程中的事件时间间隔，并根据所述事件时间间隔的平均值进行标准化处理，生成标准化时间间隔；
20.根据所述加速度参量，确定驾驶过程中的加速度平均值，对所述加速度参量进行标准化处理，生成标准化加速度；
21.根据所述标准化加速度和所述标准化时间间隔之商，确定所述预设统计指标。
22.进一步地，所述第一累积分布函数通过如下公式：
[0023][0024]
其中，f
z
(z|θ
z
)表示所述第一累积分布函数，表示所述韦伯累积分布函数，表示所述偏态分布密度函数， z表示所述预设统计指标，表示所述加速度平均值，表示所述事件时间间隔的平均值。
[0025]
进一步地，所述控制上限和所述控制下限分别通过如下公式表示：
[0026][0027][0028]
其中，lcl
z
表示所述控制上限，ucl
z
表示所述控制下限，和表示所述预设统计指标的累积分布函数的倒数，且在受控状态下有θ
z0
＝(θ
t0
，θ
x0
)，失控状态下有θ
z1
＝(θ
t1
，θ
x1
)，α
u
和α
l
分别为第一类错误的最大分量和最小分量。
[0029]
进一步地，所述加速度参量对应的所述偏态分布密度函数通过如下公式表示：
[0030][0031]
其中，f
x
(x/ξ，ω，α)表示所述偏态分布密度函数，φ(x/ξ，ω2)表示均值为ξ，方差为ω2的正态分布的概率密度函数，表示标准正态分布的累积分布函数，x表示所述加速度参量，ξ表示所述概率密度函数的均值，ω表示所述概率密度函数的均方差，α表示第一系数；
[0032]
其中，所述概率密度函数的均值对应的在控状态下的第一均值和第一均方差通过如下公式确定：
[0033][0034][0035][0036]
其中，ξ0表示所述在控状态下的第一均值，ω0表示所述在控状态下的第一均方差，
μ0表示所述加速度参量的平均值，σ0表示所述加速度参量的方差，δ表示预设参数，α表示所述第一系数。
[0037]
进一步地，所述时间参量对应的所述韦伯概率密度函数通过如下公式确定：
[0038][0039]
其中，f
w
(x/a，b)表示所述韦伯概率密度函数，x表示所述时间参量，a表示在控状态的第一参数变量，b表示在控状态的第二参数变量；
[0040]
其中，所述第一参数变量对应的第一变量值和所述第二参数变量对应的第二变量值通过如下公式表示：
[0041][0042][0043]
其中，a0表示所述第一变量值，b0表示所述第二变量值，σ0表示对应的均方差，μ0表示对应的均值。
[0044]
进一步地，所述获取汽车驾驶过程中的加速度变化数据，构成加速度数据集包括：
[0045]
获取汽车驾驶过程中的加速度变化数据；
[0046]
基于预设时间间隔，对所述加速度变化数据进行采样，确定多个采样加速度；
[0047]
将多个所述采样加速度构成所述加速度数据集。
[0048]
进一步地，所述根据所述控制图的控制限，判断其中每个采样点是否属于受控状态包括：
[0049]
监测车辆行驶过程中的加速度，并根据预设采样时间间隔进行采样；
[0050]
判断每个采样点的生成的所述预设统计指标是否超过所述控制图的控制上限和控制下限；
[0051]
若超过，则确定驾驶员发生了不恰当驾驶行为，进行相应的提示。
[0052]
与现有技术相比，本发明的有益效果包括：首先，对加速度变化数据进行获取，构成对应的加速度数据集；然后，根据加速度数据集的分布密度，基于数据的统计特征，进行控制图的绘制；最后，根据控制图中的控制限，对其中每个采样点进行判断，以此达到实时高效的监测。综上，本发明基于控制图原理，提出了基于控制图来检测随着时间变化，车辆驾驶过程中产生的偏态数据，以两个监测时间点的时间间隔为变量，以车辆的加速度为变量，构造控制图，实现对驾驶过程的实时监测。当存在失控点超出限定的范围时，向驾驶员发出警报，达到减小事故发生率的目的。
附图说明
[0053]
图1为本发明提供的监测车辆驾驶行为中偏态数据的方法的应用系统一实施例的场景示意图；
[0054]
图2为本发明提供的监测车辆驾驶行为中偏态数据的方法一实施例的流程示意图；
[0055]
图3为本发明提供的图2中步骤s1一实施例的流程示意图；
[0056]
图4为本发明提供的图2中步骤s2一实施例的流程示意图；
[0057]
图5为本发明提供的图4中步骤s23生成采样参数组一实施例的流程示意图；
[0058]
图6为本发明提供的图5中步骤s232一实施例的流程示意图；
[0059]
图7为本发明提供的图2中步骤s3一实施例的流程示意图；
[0060]
图8为本发明提供的tbea控制图一实施例的控制示意图；
[0061]
图9为本发明提供的监测车辆驾驶行为中偏态数据的装置一实施例的结构示意图。
具体实施方式
[0062]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0063]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0064]
在本发明的描述中，提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，所描述的实施例可以与其它实施例相结合。
[0065]
本发明提供了一种监测车辆驾驶行为中偏态数据的方法及装置，利用支持向量机和随机参数生成，为进一步提高工艺过程可靠性判断的实用性和智能性提供了新思路。以下分别进行详细说明：
[0066]
本发明实施例提供了一种监测车辆驾驶行为中偏态数据的方法的应用系统，图1为本发明提供的监测车辆驾驶行为中偏态数据的方法的应用系统一实施例的场景示意图，该系统可以包括服务器100，服务器100中集成有监测车辆驾驶行为中偏态数据的装置，如图1中的服务器。
[0067]
本发明实施例中服务器100主要用于：
[0068]
获取汽车驾驶过程中的加速度变化数据，构成加速度数据集；
[0069]
根据所述加速度数据集的分布密度，绘制对应的控制图；
[0070]
根据所述控制图的控制限，判断其中每个采样点是否属于受控状态。
[0071]
本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
[0072]
可以理解的是，本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备
可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant，pda)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
[0073]
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本发明方案一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1 中仅示出2个终端，可以理解的，该监测车辆驾驶行为中偏态数据的方法的应用系统还可以包括一个或多个其他终端，具体此处不作限定。
[0074]
另外，如图1所示，该监测车辆驾驶行为中偏态数据的方法的应用系统还可以包括存储器200，用于存储数据，如加速度数据集、控制图和加速度数据集的分布密度等。
[0075]
需要说明的是，图1所示的监测车辆驾驶行为中偏态数据的方法的应用系统的场景示意图仅仅是一个示例，本发明实施例描述的监测车辆驾驶行为中偏态数据的方法的应用系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着监测车辆驾驶行为中偏态数据的方法的应用系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
[0076]
本发明实施例提供了一种监测车辆驾驶行为中偏态数据的方法，结合图2来看，图2为本发明提供的监测车辆驾驶行为中偏态数据的方法一实施例的流程示意图，包括步骤s1至步骤s3，其中：
[0077]
在步骤s1中，获取汽车驾驶过程中的加速度变化数据，构成加速度数据集；
[0078]
在步骤s2中，根据所述加速度数据集的分布密度，绘制对应的控制图；其中，控制图优选为tbea控制图；
[0079]
在步骤s3中，根据所述控制图的控制限，判断其中每个采样点是否属于受控状态。
[0080]
在本发明实施例中，首先，对加速度变化数据进行获取，构成对应的加速度数据集；然后，根据加速度数据集的分布密度，基于数据的统计特征，进行控制图的绘制；最后，根据控制图中的控制限，对其中每个采样点进行判断，以此达到实时高效的监测。
[0081]
需要说明的是，本发明通过感应器实时采集汽车驾驶过程中的加速度变化数据，得到基于时间间隔t的加速度ax的数据集；计算数据集的tbea控制图的上下控制限，绘制控制图；在控制图上实时绘制每个监测采样点的加速度数据，监测该点是否处于受控状态；若超出控制限而失控，则通过led灯以及扬声器向驾驶员发出警报。
[0082]
作为优选的实施例，结合图3来看，图3为本发明提供的图2中步骤s1一实施例的流程示意图，步骤s1具体包括步骤s11至步骤 s13，其中：
[0083]
在步骤s11中，获取汽车驾驶过程中的加速度变化数据；
[0084]
在步骤s12中，基于预设时间间隔，对所述加速度变化数据进行采样，确定多个采样加速度；
[0085]
在步骤s13中，将多个所述采样加速度构成所述加速度数据集。
[0086]
在本发明实施例中，获取多种加速度变化数据，基于预设时间间隔对其进行采样，形成多个采样点，多个采样点对应的采样加速度构成所述加速度数据集。
[0087]
作为优选的实施例，结合图4来看，图4为本发明提供的图2中步骤s2一实施例的流
程示意图，步骤s2具体包括步骤s21至步骤 s23，其中：
[0088]
在步骤s21中，根据所述加速度数据集中的加速度参量，确定对应的偏态分布密度函数；
[0089]
在步骤s22中，根据所述加速度数据集的时间参量，确定对应的韦伯概率密度函数；
[0090]
在步骤s23中，根据所述偏态分布密度函数和所述韦伯概率密度函数，确定对应的控制上限和控制下限，绘制对应的所述控制图。
[0091]
在本发明实施例中，根据加速度数据集中的加速度参量和时间参量，确定对应的偏态分布和韦伯概率密度函数，结合加速度和时间的统计特征，构建控制图。
[0092]
作为优选的实施例，结合图5来看，图5为本发明提供的图4中步骤s23生成采样参数组一实施例的流程示意图，步骤s23具体包括步骤s231至步骤s234，其中：
[0093]
在步骤s231中，根据所述韦伯概率密度函数，确定对应的韦伯累积分布函数；
[0094]
在步骤s232中，根据所述偏态分布密度函数和所述韦伯累积分布函数，确定预设统计指标的第一累积分布函数，其中，通过所述加速度参量和所述时间参量进行确定所述预设统计指标；
[0095]
在步骤s233中，根据所述第一累积分布函数，确定所述控制上限和所述控制下限；
[0096]
在步骤s234中，根据所述控制上限和所述控制下限，绘制对应的所述控制图。
[0097]
在本发明实施例中，结合加速度分布的偏态分布密度函数和时间分布的韦伯累积分布函数，确定对应的预设统计指标的第一累积分布函数，以此，基于加速度和时间，确定对应的控制图的上下限。
[0098]
作为优选的实施例，结合图6来看，图6为本发明提供的图5中步骤s232一实施例的流程示意图，步骤s232具体包括步骤s2321 至步骤s2323，其中：
[0099]
在步骤s2321中，根据所述时间参量，确定驾驶过程中的事件时间间隔，并根据所述事件时间间隔的平均值进行标准化处理，生成标准化时间间隔；
[0100]
在步骤s2322中，根据所述加速度参量，确定驾驶过程中的加速度平均值，对所述加速度参量进行标准化处理，生成标准化加速度；
[0101]
在步骤s2323中，根据所述标准化加速度和所述标准化时间间隔之商，确定所述预设统计指标。
[0102]
在本发明实施例中，基于时间参量和加速度参量，进行标准化处理后，确定对应的预设统计指标。
[0103]
在本发明一个具体的实施例中，在实际过程中得到，事件之间的发生的时间间隔t服从weibull分布，而车辆的加速度服从偏正态分布，所以定义变量t、x分别代表驾驶过程中的事件时间间隔和加速度，定义t
′
、x
′
分别为事件时间间隔t和事件规模x的标准化指标，计算公式为：
[0104][0105][0106]
在本发明一个具体的实施例中，预设统计指标计算公式为：
[0107][0108]
作为优选的实施例，所述第一累积分布函数通过如下公式：
[0109][0110]
其中，可知：f
t
(.)＝f
w
(.)，f
t
(.)＝f
w
(.)，f
x
(.)＝f
sn
(.)；
[0111]
其中，f
z
(z|θ
z
)表示所述第一累积分布函数，表示所述韦伯累积分布函数，表示所述偏态分布密度函数， z表示所述预设统计指标，表示所述加速度平均值，表示所述事件时间间隔的平均值。
[0112]
在本发明实施例中，基于上述公式，结合时间变量和加速度变量，有效构建第一累积分布函数的函数形式。
[0113]
作为优选的实施例，所述控制上限和所述控制下限分别通过如下公式表示：
[0114][0115][0116]
其中，lcl
z
表示所述控制上限，ucl
z
表示所述控制下限，和表示所述预设统计指标的累积分布函数的倒数，且在受控状态下有θ
z0
＝(θ
t0
，θ
x0
)，失控状态下有θ
z1
＝(θ
r1
，θ
x1
)，α
u
和α
l
分别为第一类错误的最大分量和最小分量。
[0117]
在本发明实施例中，基于预设统计指标的累积分布函数的倒数，分别计算对应的控制上限和控制下限。
[0118]
作为优选的实施例，所述加速度参量对应的所述偏态分布密度函数通过如下公式表示：
[0119][0120]
其中，f
x
(x/ξ，ω，α)表示所述偏态分布密度函数，φ(x/ξ，ω2)表示均值为ξ，方差为ω2的正态分布的概率密度函数，表示标准正态分布的累积分布函数，x表示所述加速度参量，ξ表示所述概率密度函数的均值，ω表示所述概率密度函数的均方差，α表示第一系数；
[0121]
其中，所述概率密度函数的均值对应的在控状态下的第一均值和第一均方差通过如下公式确定：
[0122][0123]
[0124][0125]
其中，ξ0表示所述在控状态下的第一均值，ω0表示所述在控状态下的第一均方差，μ0表示所述加速度参量的平均值，σ0表示所述加速度参量的方差，δ表示预设参数，α表示所述第一系数。
[0126]
在本发明实施例中，基于各个参数，有效求解车辆加速度产生的偏态数据集的分布密度表达式。
[0127]
作为优选的实施例，所述时间参量对应的所述韦伯概率密度函数通过如下公式确定：
[0128][0129]
其中，f
w
(x/a，b)表示所述韦伯概率密度函数，x表示所述时间参量，a表示在控状态的第一参数变量，b表示在控状态的第二参数变量；
[0130]
其中，所述第一参数变量对应的第一变量值和所述第二参数变量对应的第二变量值通过如下公式表示：
[0131][0132][0133]
其中，a0表示所述第一变量值，b0表示所述第二变量值，σ0表示对应的均方差，μ0表示对应的均值。
[0134]
在本发明实施例中，基于各个参数，有效求解时间参量产生的韦伯概率密度函数。
[0135]
作为优选的实施例，结合图7来看，图7为本发明提供的图2中步骤s3一实施例的流程示意图，步骤s3具体包括步骤s31至步骤s32，其中：
[0136]
在步骤s31中，判断每个采样点的加速度对应生成的所述预设统计指标是否超过所述控制图的控制上限和控制下限；
[0137]
在步骤s32中，若超过，则确定驾驶员发生了不恰当驾驶行为，进行相应的提示。
[0138]
在本发明实施例中，在过程监测的过程中，监测每个采样点的加速度对应生成的所述预设统计指标，及时提醒驾驶员的不恰当驾驶行为，减少交通事故的发生。
[0139]
在本发明一个具体的实施例中，结合图8来看，图8为本发明提供的tbea控制图一实施例的控制示意图，在过程监测的过程中，本发明令x＝av(驾驶过程加速度)，取样的时间间隔为时间t，以此构造基于速度和加速度的tbea控制图，监测量实现对驾驶过程的监测，及时提醒驾驶员的不恰当驾驶行为，减少交通事故的发生。图8中，当超过控制上限的采样点出现，就会对应发出预警，及时提醒驾驶员，而处于控制上限和控制下限范围之内的采样点，都为正常驾驶情况。
[0140]
本发明实施例还提供了一种监测车辆驾驶行为中偏态数据的装置，结合图9来看，
图9为本发明提供的监测车辆驾驶行为中偏态数据的装置一实施例的结构示意图，包括：
[0141]
获取单元901，用于获取汽车驾驶过程中的加速度变化数据，构成加速度数据集；
[0142]
处理单元902，用于根据所述加速度数据集的分布密度，绘制对应的控制图；
[0143]
判断单元903，用于根据所述控制图的控制限，判断其中每个采样点是否属于受控状态。
[0144]
监测车辆驾驶行为中偏态数据的装置的各个单元的更具体实现方式可以参见对于本监测车辆驾驶行为中偏态数据的方法的描述，且具有与之相似的有益效果，在此不再赘述。
[0145]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如上所述的监测车辆驾驶行为中偏态数据的方法。
[0146]
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
[0147]
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器 (ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0148]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的python语言和基于tensorflow、pytorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网 (lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0149]
本发明实施例还提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上所述的监测车辆驾驶行为中偏态数据的方法。
[0150]
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的监测车辆驾驶行为中偏态数据的方法具体描述的内容实现，并具有与如上所述的监测车辆驾驶行为中偏态数据的方法类似的有益效果，在此不再赘述。
[0151]
本发明公开了一种监测车辆驾驶行为中偏态数据的方法，首先，对加速度变化数据进行获取，构成对应的加速度数据集；然后，根据加速度数据集的分布密度，基于数据的统计特征，进行控制图的绘制；最后，根据控制图中的控制限，对其中每个采样点进行判断，以此达到实时高效的监测。
[0152]
本发明技术方案，基于控制图原理，提出了基于控制图来检测随着时间变化，车辆驾驶过程中产生的偏态数据，以两个监测时间点的时间间隔为变量，以车辆的加速度为变量，构造控制图，实现对驾驶过程的实时监测。当存在失控点超出限定的范围时，向驾驶员发出警报，达到减小事故发生率的目的。
[0153]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。