CN103456167A - 基于关键区域的良好驾驶技术参数获取方法 - Google Patents

Abstract

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。

Description

基于关键区域的良好驾驶技术参数获取方法

技术领域

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

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，加大了环境污染，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。

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、EasyWay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。

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。

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。

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

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。

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：

S1，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，...，D_i，...，D_h}={(Id₁，Ao₁，V₁，S₁，a₁，Tor₁，Lo₁，La₁，Tim₁)，(Id_i，Ao_i，V_i，S_i，a_i，Tor_i，Lo_i，La_i，Tim_i)，…，(Id_h，Ao_h，V_h，S_h，a_h，Tor_h，Lo_h，La_h，Tim_h)}，其中，所述h为数据集D中数组的个数，所述i=1、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′_i′，...，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n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n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n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。

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。

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，...，D_i，...，D_h}={(Id₁，Ut₁，Ao₁，V₁，S₁，a₁，Tor₁，Lo₁，La₁，Tim₁)，(Id_i，Ut_i，Ao_i，V_i，S_i，a_i，Tor_i，Lo_i，La_i，Tim_i)，…，(Id_h，Ut_h，Ao_h，V_h，S_h，a_h，Tor_h，Lo_h，La_h，Tim_h)}，根据车辆的使用年限Ut的值，对其物理数据数组D_i进行修正，修正向量cor_i={0_i,0_i,Ao′_i,V′_i,S′_i,a′_i,Tor′_i,0,0,0},令D_i=D_i+cor_i。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。

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：

当数组D_i的累计油耗Ao排名在前30%时，标记此数组为D_iL，所述L为低油耗标志；

当数组D_i的累计油耗Ao排名在30%以后时，标记此数组为D_iH，所述H为高油耗标志，

其中，所述i=1、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。

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：

S41，令i=1，

S42，提取数组D_i的经度值Lo、纬度值La；

S43，判断点（Lo，La）∈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+1，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。

从而得到关键区域的驾驶数据。

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n个数据片的方法为：

S51，令i′=1，

S52，设变量k=1；

S53，提取数组D′_i的经度值Lo，纬度值La，时间Tim；

S54，判断（Lo，La）∈KZone_k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KZone_k为第k个关键区域；

S55，令k=k+1；

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∈TimH是否成成立，若成立则将数据分类到数据片KZone_k&TimH中；如不成立则将数据分类到数据片KZone_k&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。

在本发明的另一种优选实施例中，对所述n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1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：

$G=\left\{(\mathrm{Id},\mathrm{Ao},V,S,a)\right|\begin{array}{c}V\∈[V_{\min },V_{\max }]\\ S\∈[S_{\min },S_{\max }]\\ a\∈[a_{\min },a_{\max }]\\ \mathrm{Tro}\∈[{\mathrm{Tor}}_{\min },{\mathrm{Tor}}_{\max }]\end{array}\}.$

在本发明的一种优选实施例中，所述阈值c=75%。

在本发明的另一种优选实施例中，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。

本发明是针对低油耗的情况下提高舒驾驶适度（生态驾驶）提出的技术方案，其通过获取某一固定型号车辆的驾驶技术参数，将获取的车辆数据由高性能云计算中心处理，通过海量数据分析，挖掘驾驶行为特征，发现优良的驾驶技术参数。该优良的驾驶技术参数可结合路况及时间为驾驶员提供实时驾驶方法建议，提高驾驶技术，降低油耗，提高舒适度。目前，国内外此方面的应用还是空白，本项目的开发将在车辆行驶及安全领域开拓全新思路，也可用于全面提升公交车和出租车等运营车辆的服务质量和驾驶员技能。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明基于关键区域的良好驾驶技术参数获取方法的流程图；

图2是本发明一种优选实施方式中利用测定的经、纬度范围过滤数据集D，得到行车关键区域的数据集D′的方法的流程图；

图3是本发明一种优选实施方式中将数据集D′按不同关键区域和不同时段特征分类成n个数据片的方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

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，如图1所示，其包括如下步骤：

第一步，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，...，D_i，...，D_h}={(Id₁，Ao₁，V₁，S₁，a₁，Tor₁，Lo₁，La₁，Tim₁)，(Id_i，Ao_i，V_i，S_i，a_i，Tor_i，Lo_i，La_i，Tim_i)，…，(Id_h，Ao_h，V_h，S_h，a_h，Tor_h，Lo_h，La_h，Tim_h)}，其中，所述h为数据集D中数组的个数，所述i=1、2、......、h。

在本发明的一种优选实施方式中，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，...，D_i，...，D_h}={(Id₁，Ut₁，Ao₁，V₁，S₁，a₁，Tor₁，Lo₁，La₁，Tim₁)，(Id_i，Ut_i，Ao_i，V_i，S_i，a_i，Tor_i，Lo_i，La_i，Tim_i)，…，(Id_h，Ut_h，Ao_h，V_h，S_h，a_h，Tor_h，Lo_h，La_h，Tim_h)}，根据车辆的使用年限Ut的值，对其物理数据数组D_i进行修正，修正向量cor_i={0_i,0_i,Ao′_i,V′_i,S′_i,a′_i,Tor′_i,0,0,0},令D_i=D_i+cor_i。从而提高了数据的准确性。

在本实施方式中，采集某一固定车型的物理数据并利用本发明进行处理，作为实际驾驶该车型车辆时的驾驶参数选择依据，具体采集时，可以采集10000～20000个某一固定车型的物理数据。本发明定义累计油耗为一台车辆行驶一天的总油耗。

第二步，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。

在本实施方式中，具体的标记的方法为：

当数组D_i的累计油耗Ao排名在前30%时，标记此数组为D_iL，所述L为低油耗标志；

当数组D_i的累计油耗Ao排名在30%以后时，标记此数组为D_iH，所述H为高油耗标志，

其中，所述i=1、2、......、h，所述h为数据集D中数组的个数。

第三步，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′_i′，...，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′。

在本实施方式中，定义经纬度矩形区域为：如果地图中的经度值、纬度值分别为x、y，假定在地图中有两点（x₁，y₁），（x₂，y₂），x₁≠x₂且y₁≠y₂，则经纬度矩形区域为：

zone＝{(x,y)|x∈[x₁,x₂],y∈[y₁,y₂]}；

定义行车关键区域为：在地图上所述固定车型的驾驶路径中，例如某型号公交车的驾驶路径中，能够完全包含车站、上坡、下坡和弯道等特殊路段的最小经纬度矩形区域为一个行车关键区域，假设一条驾驶路径上有m个关键区域，分别为KZone₁，KZone₂，…，KZone_i，…，KZone_m，所述m为正整数，记行车关键区域KZone_j为：

KZone_j＝{(x,y)|x∈[x_jmin,x_jmax],y∈[y_jmin,y_jmax]}；

其中j为第j个行车关键区域，j=1、2、......、m，x_jmin，x_jmax，y_jmin，y_jmax分别为行车关键区域KZone_j的经度值最小值，经度值最大值，纬度值最小值和纬度值最大值。

行车关键区域集合为路径上所有m个行车关键区域的集合Z即：

$z=\underset{j=1}{\overset{m}{\∪}}{\mathrm{KZone}}_j={\mathrm{KZone}}_1\∪{\mathrm{KZone}}_2\∪...\∪{\mathrm{KZone}}_i...\∪{\mathrm{KZone}}_m.$

在本实施方式中，利用测定的经、纬度范围过滤数据集D，得到行车关键区域的数据集D′的过程为：

S41，令i=1，

S42，提取数组D_i的经度值Lo、纬度值La；

S43，判断点（Lo，La）∈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+1，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。

第四步，将第三步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n个数据片，其中，n=2m，m为行车关键区域的数量。

将数据集D′的数据按时段分成高峰TimH和非高峰时段TimL，例如可设定7:30～8:30和17:00～19:00为高峰时段TimH；其余时段为非高峰时段TimL。对每组数据的经度值Lo，纬度值La，时间Tim进行统计分析，按区域特征和时段特征将数据集分类成n个数据片，分别记为：KZone₁&TimH，KZone₁&TimL，…，KZone_m&TimH,KZone_m&TimL。其中，数据片的数量n为行车关键区域的数量m的两倍。

在本发明的一种优选实施例中，将数据集D′按不同关键区域和不同时段特征分类成n个数据片的方法为：

S51，令i′=1，

S52，设变量k=1；

S53，提取数组D′_i的经度值Lo，纬度值La，时间Tim；

S54，判断（Lo，La）∈KZone_k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KZone_k为第k个关键区域；

S55，令k=k+1；

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∈TimH是否成成立，若成立则将数据分类到数据片KZone_k&TimH中；如不成立则将数据分类到数据片KZone_k&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。

第五步，利用Mapreduce并行处理架构对所述n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。具体对每个数据片的处理的方法为：

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。

在本实施方式中，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。具体车速与档位的匹配关系可以参考现有驾驶技术中的匹配标准。

车辆行驶中加速度的波动范围，例如可取任意时间相邻的两个数据的速度和时间，分别记为，a′，a〞，Tim′，Tim〞，计算|a′-a〞|/|Tim′-Tim〞|的比值为b，若b>b₀，则舍弃，其中，b₀为是一个正数，在本发明的一个更加优选的实施方式中，b₀=1。

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″。

在本实施方式中，可将数据片按车辆Id分类，求出每类数据中各项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。在本实施方式中，可以采用现有的聚类算法步骤进行计算，得出的每个簇都是由关联性很高的数据组合在一起形成的，以便于分析得出优良驾驶技术参数，簇的个数g是视数据量大小人为制定的正整数，当数据多时，簇的个数g相应变大。

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1的正数。在本发明的一种优选实施例中，所述阈值c=75%。

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：

$G=\left\{(\mathrm{Id},\mathrm{Ao},V,S,a)\right|\begin{array}{c}V\∈[V_{\min },V_{\max }]\\ S\∈[S_{\min },S_{\max }]\\ a\∈[a_{\min },a_{\max }]\\ \mathrm{Tro}\∈[{\mathrm{Tor}}_{\min },{\mathrm{Tor}}_{\max }]\end{array}\}.$

第六步，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，即车辆在整条线路上的良好驾驶技术参数。

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。

本发明以油耗及舒适度为评价标准，基于已有的海量车辆驾驶数据，利用Mapreduce并行编程模型建立油耗、舒适度与驾驶行为之间的关联模型，通过分析优化、数据挖掘等技术发现良好的驾驶技术参数，为车内实时数据的对比、发现实际驾驶过程中的不恰当驾驶行为提供数据和模型支撑，还可以结合路况和时段生成实时行车指导参数。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

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：

S1，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，...，D_i，...，D_h}={(Id₁，Ao₁，V₁，S₁，a₁，Tor₁，Lo₁，La₁，Tim₁)，(Id_i，Ao_i，V_i，S_i，a_i，Tor_i，Lo_i，La_i，Tim_i)，…，(Id_h，Ao_h，V_h，S_h，a_h，Tor_h，Lo_h，La_h，Tim_h)}，其中，所述h为数据集D中数组的个数，所述i=1、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′_i′，...，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n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n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n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，...，D_i，...，D_h}={(Id₁，Ut₁，Ao₁，V₁，S₁，a₁，Tor₁，Lo₁，La₁，Tim₁)，(Id_i，Ut_i，Ao_i，V_i，S_i，a_i，Tor_i，Lo_i，La_i，Tim_i)，…，(Id_h，Ut_h，Ao_h，V_h，S_h，a_h，Tor_h，Lo_h，La_h，Tim_h)}，根据车辆的使用年限Ut的值，对其物理数据数组D_i进行修正，修正向量cor_i={0_i,0_i,Ao′_i,V′_i,S′_i,a′_i,Tor′_i,0,0,0},令D_i=D_i+cor_i。

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D_i的累计油耗Ao排名在前30%时，标记此数组为D_iL，所述L为低油耗标志；

当数组D_i的累计油耗Ao排名在30%以后时，标记此数组为D_iH，所述H为高油耗标志，

其中，所述i=1、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=1，

S42，提取数组D_i的经度值Lo、纬度值La；

S43，判断点（Lo，La）∈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+1，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n个数据片的方法为：

S51，令i′=1，

S52，设变量k=1；

S53，提取数组D′_i的经度值Lo，纬度值La，时间Tim；

S54，判断（Lo，La）∈KZone_k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KZone_k为第k个关键区域；

S55，令k=k+1；

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∈TimH是否成成立，若成立则将数据分类到数据片KZone_k&TimH中；如不成立则将数据分类到数据片KZone_k&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n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1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：

$G=\left\{(\mathrm{Id},\mathrm{Ao},V,S,a)\right|\begin{array}{c}V\∈[V_{\min },V_{\max }]\\ S\∈[S_{\min },S_{\max }]\\ a\∈[a_{\min },a_{\max }]\\ \mathrm{Tro}\∈[{\mathrm{Tor}}_{\min },{\mathrm{Tor}}_{\max }]\end{array}\}.$

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。

Images