基于关键区域的良好驾驶技术参数获取方法
【专利摘要】本发明提出了一种基于关键区域的良好驾驶技术参数获取方法，包括如下步骤：采集参考车辆的物理数据，形成数据集D；扫描数据集D中每个数组中的累计油耗Ao，将不同数组中累计油耗Ao的值由低到高排序，根据累计油耗Ao的高低对每一个数组进行标记；利用测定的关键区域的经、纬度范围Z过滤数据集D得到行车关键区域数据集D′；将数据集D′按不同关键区域和不同时段特征分类成n个数据片；利用Mapreduce并行处理架构对n个数据片并行处理，得到某一关键区域特定时间段的良好驾驶技术参数；将所有n个数据片挖掘出的良好驾驶技术参数集合在一起。本发明能够在关键区域为驾驶员提供实时驾驶建议，提高驾驶技术，降低油耗，提高舒适度。
【专利说明】基于关键区域的良好驾驶技术参数获取方法
【技术领域】
[0001]本发明涉及智能交通控制领域，具体涉及一种基于关键区域的良好驾驶技术参数获取方法。
【背景技术】
[0002]交通问题是世界各国面临的共同问题，各种交通问题造成了巨大的时间浪费，力口大了环境污染，同时也造成了巨大的经济损失。为了缓解经济发展带来的交通运输方面的压力，尽量利用现有资源，使其充分发挥作用，各国都加大了对智能交通系统的研究和建设力度。其中节能驾驶技术不仅能够有效地避免交通事故，保证人身财产安全和减少经济损失，更重要的是在资源日益枯竭和环境污染加剧的形式下，能够有效提高能源利用率，减少环境污染。
[0003]发达国家早在十年前就已经倡导低碳，绿色交通出行的理念，各个国家从节能减排等方面，开展智能交通系统的研究，探索可持续的绿色发展道路。例如，美国ITS五年发展战略(IntelliDrive战略)，采用无线通讯技术为车辆之间、车辆与道路设施之间、车辆、道路和用户无线设备提供互联，研究聚焦于车辆互联模式和多交通模式，从而达到车俩和驾驶之间的安全性、机动性和环境友好性。又如，欧盟的EcoMove、Easyffay等项目，通过研究获得的车辆参数，利用车辆与服务中心通信、车车通信或者车路通信的协同交通系统，检测交通驾驶信息，以通讯网为载体对驾驶员进行提醒或者指导，优化驾驶员的驾驶行为和车辆驾驶路径，从而有效预防交通事故，提高公共设施资源及能源的利用率。
[0004]借鉴发达国家生态智能交通系统的经验，上海市为了实现生态文明城市的发展目标，提出了建设生态智能交通系统的重要目标。上海市从完善和优化道路信息系统、全面落实公交优先战略、规范停车秩序、大幅减少道路交通排放等方面来开发和建设生态智能交通系统。国内苏州金龙公司研发的G-BOS智能驾驶系统公开了一种基于CAN总线的车辆驾驶信息采集，传输，更新，监督，管理机制。其中Smart-Go技术是一款基于“车联网”信息通信系统，对发动机工况进行自适应控制的创新技术，另外的Eco-driving系统通过采集车辆运行数据，分析当前车况、驾驶行为和整车油耗水平等，来分析和引导驾驶行为，以引导驾驶员达到节能驾驶的目的。
[0005]目前，以上对智能交通系统的建模与评价方法研究中，大多侧重于车辆的行驶行为和驾驶员在驾驶决策上的建模与评价方法研究。例如，孙晋文等人的文章《基于Agent的智能交通控制策略与可视化动态仿真研究》着重研究基于agent的智能交通仿真,结合模糊控制技术的优势，将模糊决策方法运用到车辆agent的驾驶决策过程中，探讨在多种行驶过程中车辆根据自身的特性以及外界的交通条件进行驾驶决策的方法。又如，白艳等人的文章《汽车易驾驶性评价的随机驾驶员模型方法》提出了分离速度因素的等效二自由度车辆模型传递函数表达式，采用Monte Carlo模拟抽样方法，探索了汽车易驾驶性的仿真分析方法。再如，郭健等人的文章《汽车稳定性控制系统控制策略与评价方法研究》建立了汽车稳定性控制系统数学模型，同时还建立了一套完整的匹配汽车稳定性控制系统的仲裁机制。
[0006]可以看出，现在已经对车辆驾驶建模和评价有了很深入研究，特别是在特殊路况或突发事件的状态下，以上研究分析了不同决策下车辆的行驶状况并一一给出评价，但是现实生活中车辆基本处在正常的行驶状态，油耗和舒适度是评价车辆驾驶技术的关键指标，而现有研究中几乎没有涉及到此方面评价方法的研究和良好驾驶技术参数的挖掘，同时正常行驶状态下车辆的路径可以看成具有不同特征路段的关键区域的组合，关键区域的行驶状态对油耗和舒适度有比较明显的影响，而现有的研究中只是分开研究不同特殊路况下车辆的行驶状况，没有将他们关联在一起以一条路径整体研究。
【发明内容】
[0007]为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于关键区域的良好驾驶技术参数获取方法，该方法能够在关键区域为驾驶员提供实时驾驶数据参考建议，提高驾驶技术，降低油耗，提高舒适度。
[0008]为了实现本发明的上述目的，本发明提供了一种基于关键区域的良好驾驶技术参数获取方法，其包括如下步骤:
[0009]SI，采集参考车辆的物理数据并进行预处理，每一辆参考车辆的物理数据组成一个数组，所述物理数据包括车辆id、累计油耗、车速、档位、加速度、扭矩、经度、纬度、时间，分别记为 Id、Ao> V、S、a、Tor、Lo、La、Tim,定义数据集 D= (D1,..., Di,..., Dj = { (Id1, Ao1,Vi，Si，％，ToiTi，L〇i，Lsii，Tinii)，(Idi，Ao-? ? Si，￡i-? Τοι-，Lo-? Lsi-? Tirn-)，...，(Idh，A〇h，Vj1 Sh, ah, Torh, Loh, Lah, Timh)},其中,所述h为数据集D中数组的个数,所述i=l、2、.......h ；
[0010]S2，扫描所述数据集D中每个数组中的累计油耗Ao，将不同数组中累计油耗Ao的值由低到高排序，根据累计油耗Ao的高低对每一个数组进行标记；
[0011]S3，利用测定的关键区域的经、纬度范围Z过滤步骤S2中得到的数据集D，得到行车关键区域的数据集D' ={D' 1;...，D' /，…，D' h' }，所述h'为数据集D'中数组的个数，所述h,为不大于h的正整数，所述i, =1、2........h,；
[0012]S4，将步骤S3中过滤得出的数据集D'按不同关键区域和不同时段特征分类成η个数据片，其中，n=2m，m为行车关键区域的数量；
[0013]S5，利用Mapreduce并行处理架构对所述η个数据片并行处理，分别得到某一关键区域特定时间段的良好驾驶技术参数；
[0014]S6，将所有η个数据片挖掘出的良好驾驶技术参数集合在一起，即车辆在整条线路上的良好驾驶技术参数。
[0015]本发明的基于关键区域的良好驾驶技术参数获取方法通过挖掘驾驶行为特征，提取与行驶路径及时段相关的驾驶行为指导参数，能够在关键区域为驾驶员提供实时驾驶建议，提高驾驶技术，降低油耗，提高舒适度。
[0016]在本发明的一种优选实施例中，所述所述物理数据还包括使用年限，所述使用年限用 Ut 表示,数据集 D={D1;..., Di,..., Dj = { (Id1, Ut1, Ao1, V1, S1, a1； Tor1, Lo1, La1, Tim1),
(Idi，Uti，A〇i，Vp Si，％，Tor-j L〇i，Lsi? Tirn)，...，(Idh，Uth，A〇h，Vh，?ToiTj1, L〇h，Lcii1?
Timh)}，根据车辆的使用年限Ut的值，对其物理数据数组Di进行修正，修正向量Cori= (Oi,Oi, Ao' US' i，a' pTor' 0，0，0}，令Di=Djcorit5本发明考虑车辆物理数据受使用年限的影响，使物理数据更加准确。
[0017]在本发明的一种优选实施例中，扫描所述数据集D中每个数组中的累计油耗Ao，将不同数组中累计油耗Ao的值由低到高排序，根据累计油耗Ao的高低对每一个数组进行标记的方法为:
[0018]当数组Di的累计油耗Ao排名在前30%时，标记此数组为DiL,所述L为低油耗标志；
[0019]当数组Di的累计油耗Ao排名在30%以后时，标记此数组为DiH,所述H为高油耗丰不;志，
[0020]其中，所述i=l、2、.......h，所述h为数据集D中数组的个数。便于对数据根据
油耗高低进行筛选处理。
[0021]在本发明的另一种优选实施例中，利用测定的经、纬度范围过滤步骤S2中得到的数据集D，得到行车关键区域的数据集D'的过程为:
[0022]S41，令 i=l，
[0023]S42，提取数组Di的经度值Lo、纬度值La ；
[0024]S43，判断点(Lo，La) e Z是否成立，若成立则提取此数据，并将此数据存储入数据集D'中，否则过滤掉此数据，所述Z为预先测定的关键区域的经、纬度范围；
[0025]S44,令i=i+l,判断i是否不大于h,如果i不不大于h,则返回步骤S42,否则结束。
[0026]从而得到关键区域的驾驶数据。
[0027]在本发明的一种优选实施例中，将步骤S3中过滤得出的数据集D'按不同关键区域和不同时段特征分类成η个数据片的方法为:
[0028]S51，令 i' =1，
[0029]S52，设变量 k=l;
[0030]S53，提取数组D' i的经度值Lo，纬度值La，时间Tim;
[0031]S54，判断(Lo，La)e KZonek是否成立，若不成立则执行步骤S55 ;若成立则执行步骤S57，所述KZonek为第k个关键区域；
[0032]S55，令 k=k+l;
[0033]S56，判断k < m是否成立，若不成立则执行步骤S58，若成立则执行步骤S54 ；
[0034]S57，判断Tim e TimH是否成成立，若成立则将数据分类到数据片KZonek&TimH中；如不成立则将数据分类到数据片KZonek&TimL中，所述TimH为定义的高峰时段，所述TimL为定义的非高峰时段；
[0035]S58，令i' =i' +1，判断i'是否不大于h'，如果i'不大于h'，则返回步骤S52 ;否则结束。
[0036]在本发明的另一种优选实施例中，对所述η个数据片并行处理的方法为:
[0037]S61，根据不良驾驶习惯和驾驶经验的先验准则，过滤掉一些不佳的驾驶数据得到良好的驾驶数据；
[0038]S62，求出同一车辆在关键区域和特定时段的驾驶技术参数的算术平均值，形成一个新的数据集D "；
[0039]S63，采用聚类算法中的K-均值划分方法对步骤S62中得到的数据集D"进行聚类分析，得到g个不同类别的簇，其中g为正整数；
[0040]S64，统计各簇中油耗标记为H车辆的数据的比重，如果油耗标记为H的比重大于阈值C，则此次簇中的数据所代表的驾驶技术行为油耗高，将此簇从聚类结果中去除，所述阈值C为小于I的正数；
[0041]S65，统计分析步骤S64中得到的聚类结果，求出此聚类结果的高维立方体矩形闭包G，闭包G便是此数据片挖掘出的良好驾驶技术参数，即某一关键区域特定时间段的良好驾驶技术参数，所述闭包G表示为:
'Mn] '
[0042]
【权利要求】
1.一种基于关键区域的良好驾驶技术参数获取方法，其特征在于，包括如下步骤: Si，采集参考车辆的物理数据并进行预处理，每一辆参考车辆的物理数据组成一个数组，所述物理数据包括车辆id、累计油耗、车速、档位、加速度、扭矩、经度、纬度、时间，分别记为 Id、Ao、V、S、a、Tor、Lo、La、Tim，定义数据集 D={D1;...,Di,..., Dj = { (Id1, Ao1, V1, S1, Torh, Loh, Lah, Timh)},其中，所述h为数据集D中数组的个数,所述i=l、2、......、h ; S2，扫描所述数据集D中每个数组中的累计油耗Ao，将不同数组中累计油耗Ao的值由低到高排序，根据累计油耗Ao的高低对每一个数组进行标记；S3，利用测定的关键区域的经、纬度范围Z过滤步骤S2中得到的数据集D，得到行车关键区域的数据集D' ={D' 1;...，D' /，…，D' h' }，所述h'为数据集D'中数组的个数，所述h'为不大于h的正整数，所述i' =1、2........h'； S4，将步骤S3中过滤得出的数据集D'按不同关键区域和不同时段特征分类成η个数据片，其中，n=2m，m为行车关键区域的数量； S5，利用Mapreduce并行处理架构对所述η个数据片并行处理，分别得到某一关键区域特定时间段的良好驾驶技术参数； S6,将所有η个数据片挖掘出的良好驾驶技术参数集合在一起，即车辆在整条线路上的良好驾驶技术参数。
2.如权利要求1所述的基于关键区域的良好驾驶技术参数获取方法，其特征在于:所述所述物理数据还包括使用年限，所述使用年限用Ut表示，数据集D={D1;...,Di,..., Timi),...，(Idh，Uth，Aoh，Vh，Sh，ah，Torh，Loh，Lah，Timh)}，根据车辆的使用年限 Ut 的值，对其物理数据数组01进行修正，修正向量Cori=IOi, Oi, Ao' i，V' Tori i； O, O, 0},令 Di=Dfcoric
3.如权利要求1所述的基于关键区域的良好驾驶技术参数获取方法，其特征在于:扫描所述数据集D中每个数组中的累计油耗Ao，将不同数组中累计油耗Ao的值由低到高排序，根据累计油耗Ao的高低对每一个数组进行标记的方法为: 当数组Di的累计油耗Ao排名在前30%时，标记此数组为DiL,所述L为低油耗标志； 当数组Di的累计油耗Ao排名在30%以后时，标记此数组为DiH,所述H为高油耗标志， 其中，所述i=l、2、......、h,所述h为数据集D中数组的个数。
4.如权利要求1所述的基于关键区域的良好驾驶技术参数获取方法，其特征在于:利用测定的经、纬度范围过滤步骤S2中得到的数据集D，得到行车关键区域的数据集D'的过程为:
S41，令 i=l， S42，提取数组Di的经度值Lo、纬度值La ； S43，判断点(Lo，La) e Z是否成立，若成立则提取此数据，并将此数据存储入数据集D'中，否则过滤掉此数据，所述Z为预先测定的关键区域的经、纬度范围； S44,令i=i+l,判断i是否不大于h,如果i不大于h,则返回步骤S42,否则结束。
5.如权利要求1所述的基于关键区域的良好驾驶技术参数获取方法，其特征在于:将步骤S3中过滤得出的数据集D'按不同关键区域和不同时段特征分类成η个数据片的方法为:
S51，令 i' =1， S52，设变量k=l ； S53，提取数组D' i的经度值Lo，纬度值La，时间Tim ； S54，判断(Lo，La) e KZonek是否成立，若不成立则执行步骤S55 ;若成立则执行步骤S57，所述KZonek为第k个关键区域；
S55，令 k=k+l ； S56，判断k < m是否成立，若不成立则执行步骤S58，若成立则执行步骤S54 ； S57，判断Tim e TimH是否成成立，若成立则将数据分类到数据片KZonek&TimH中；如不成立则将数据分类到数据片KZonek&TimL中，所述TimH为定义的高峰时段，所述TimL为定义的非高峰时段； S58，令i' =i' +1，判断i'是否不大于h'，如果i'不大于h'，则返回步骤S52;否则结束。
6.如权利要求1所述的基于关键区域的良好驾驶技术参数获取方法，其特征在于:对所述η个数据片并行处理的方法为: S61，根据不良驾驶习惯和驾驶经验的先验准则，过滤掉一些不佳的驾驶数据得到良好的驾驶数据； S62，求出同一车辆在 关键区域和特定时段的驾驶技术参数的算术平均值，形成一个新的数据集D "； S63，采用聚类算法中的K-均值划分方法对步骤S62中得到的数据集D"进行聚类分析，得到g个不同类别的簇，其中g为正整数； S64，统计各簇中油耗标记为H车辆的数据的比重，如果油耗标记为H的比重大于阈值C，则此次簇中的数据所代表的驾驶技术行为油耗高，将此簇从聚类结果中去除，所述阈值c为小于I的正数； S65，统计分析步骤S64中得到的聚类结果，求出此聚类结果的高维立方体矩形闭包G，闭包G便是此数据片挖掘出的良好驾驶技术参数，即某一关键区域特定时间段的良好驾驶技术参数，所述闭包G表示为:
V e[H]
a G\a ,a I。
一 |_ mm， max J
Troe[Tor麵，ToiJ
7.如权利要求6所述的基于关键区域的良好驾驶技术参数获取方法，其特征在于:所述阈值c=75%。
8.如权利要求6所述的基于关键区域的良好驾驶技术参数获取方法，其特征在于:所述先验准则包括车速与档位的匹配准则以及车辆行驶中加速度的波动范围。
【文档编号】G08G1/01GK103456167SQ201310424566
【公开日】2013年12月18日 申请日期:2013年9月17日 优先权日:2013年9月17日
【发明者】曾令秋, 韩庆文, 张哲 , 罗辛, 杨乐 申请人:重庆大学