CN106956680A - 一种电动汽车驾驶行为识别分析方法 - Google Patents
一种电动汽车驾驶行为识别分析方法 Download PDFInfo
- Publication number
- CN106956680A CN106956680A CN201611095887.2A CN201611095887A CN106956680A CN 106956680 A CN106956680 A CN 106956680A CN 201611095887 A CN201611095887 A CN 201611095887A CN 106956680 A CN106956680 A CN 106956680A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- point
- data
- halt
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Abstract
本发明公开了一种电动汽车驾驶行为识别分析方法,对一段时间内驾驶员的不良驾驶行为进行识别分析,从而得出驾驶员存在不良驾驶行为操作后的风险程度以及影响,并能为驾驶人提供良好的驾驶行为指引,减少能耗以及延长车辆零部件使用寿命。
Description
技术领域
本发明涉及一种电动汽车驾驶行为识别分析方法。
背景技术
在现有驾驶条件下,驾驶员的行为仍然是影响能耗经济性的主要因素,并且对于新能源纯电动汽车来说,规范的驾驶行为对延长续航里程的效果是非常显著的。众所周知,有些驾驶员可能无法达到理想的能耗经济性或续航里程范围,部分原因是驾驶习惯。驾驶员往往不清楚应该如何驱动考虑动力系统和其他环境因素,以提高能耗经济性或范围,进而提高动力电池的续航里程。在许多情况下,驾驶员愿意改变他们的行为,但推荐技术无法改变他们的驾驶习惯。驾驶员的不良驾驶行为导致操作风险大,增加能耗,缩短了车辆零部件使用寿命。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种电动汽车驾驶行为识别分析方法。
为解决上述技术问题,本发明所采用的技术方案是:一种电动汽车驾驶行为识别分析方法,包括急刹车识别分析部分、猛加速起步识别分析部分、车速起伏过大识别分析部分、转弯识别/加速/重刹识别分析部分、弯道加速/刹车分析识别分析部分、加速—刹车识别分析部分、加速—刹车—加速识别分析部分;
所述急刹车识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速数据;
2)利用上述时间、车速数据计算车速的加速度a;
3)遍历车速加速度,当加速度小于阈值r1时,标识该加速度对应的点为急刹车点,并将急刹车点在当前序列中的相对位置记录下来存储进列表list里,进入步骤4);若遍历当前的整段驾驶过程没有发现急刹车行为,则返回步骤1),选取下一段行驶数据;
4)判断急刹车点是否连续,若为连续,认为是一次急刹车;遍历list,首先初始化起点为list(1),终点为list(1)+1;如果两个急刹车点之间的加速度小于0,更新当前终点;如果两个急刹车点之间的加速度不小于0,存储终点和起点到二维数组temp中,同时将前急刹车动作终止点的下一点,即下一个急刹车动作的开始急刹车点作为起点,下一点序号加1作为终点;急刹车点连续是指:若若干个急刹车点在连续行驶的车速数据点中位置连续,则认为该次急刹车的动作是连续的,视为同一次急刹车行为;
5)按行遍历二维数组temp;将temp作为原始序列的位置索引,返回对应的发生时间和位置信息,累计当前发生的急刹车次数;
6)判断当前车辆所有行驶路段是否全部被遍历,若全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤7);
7)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的急刹车行为;
所述猛加速起步识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速以及经纬度数据;
2)以车速为零时的点作为判断车辆起步标记,取相邻两个时间点的车速数据,根据起步时间计算起步加速度;当起步加速度最大值大于阈值r2时,累计当前起步猛加速发生次数,并返回记录发生该行为的时间和经纬度;
3)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤4);
4)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的猛加速起步行为;
所述车速起伏过大识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速数据;
2)查找车辆起步后1分钟的记录点A,查找车辆停车前1分钟的记录点B,提取记录点A与B之间的车速数据;
3)对于同一车辆,对该车辆的每段行驶过程计算得到一个标准差,若该段行驶过程的标准差大于阈值r3,则总次数加1,并将对应的车速驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车辆的所有分段行驶过程,进入步骤4);
4)若该车辆所有的分段行驶过程都被遍历完之后,则统计超过阈值r3的标准差数量,结束,否则,返回步骤1),重新识别下一辆车的车速起伏过大行为;
所述转弯识别/加速/重刹识别分析部分包括以下步骤:
1)提取车辆的时间、车速、经纬度、电功率数据,得到车辆的转弯位置、转弯速度、时间信息、位置信息数据;
2)将经纬度数据经过平滑处理后,取按时间顺序的连续三个时刻的正常行驶状态下的经纬度,计算每三点的两两相对距离;
3)由上述两两相对距离,计算三点间的方向夹角,并由方向夹角得到方向夹角的补角θ;
4)当θ大于30°时,认为发生了转弯行为;
所述弯道超速/刹车分析识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速、经纬度数据以及电功率数据;
2)由所述经纬度数据和上述补角θ识别出转弯位置,并记录转弯期间的车速信息、位置信息、时间信息,计算转弯期间的车速平均值;
3)判断车速平均值是否超过车速阈值,同时计算转弯期间的加速度是否小于变化阈值,若超过加速度阈值,则认为发生弯道加速/刹车行为,返回对应的转弯起止点位置信息、发生时间点以及累计该行为发生的次数;
4)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤5);
5)若车队所有车辆都被遍历完之后,则结束,否则,返回步骤1),识别下一辆车的弯道加速/刹车行为;
所述加速—刹车识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速以及经纬度数据;
2)根据提取的数据时间节点提取相应维度的电机功率数据,然后遍历电机功率数据,用后一个电机功率数据点乘上前一个电机功率数据点,得到电机功率乘积,提取出小于0的数据的索引,保存于零点集合K={K1,K2,…,Km}中;判断得出的零点的电机功率是否符合以下条件:大于加速和刹车界限值10KW 0;零点电机功率数据点大于零点前一个电机功率数据点;零点前后T个数据点内的电机功率数据的极差大于设定的阈值20KW;当有数据点符合要求时,记录发生了一次“加速后马上刹车行为”,返回对应的时间和经纬度;累加发生的次数;所述电机功率乘积小于0代表发生了从加油到刹车或刹车到加油的行为;
3)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤4);
4)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的加速后瞬时急刹车行为;
所述加速—刹车—加速部分包括以下步骤:
1)以加速—刹车识别分析部分中满足条件的零点作为标记点K';
2)判断当前零点后的T个数据点内是否存在下一个零点,若存在,判断零点的电机功率是否符合以下条件:小于加速和刹车界限值-10KW;当存在符合条件的数据点时,即存在一个方向相反的零点,则统计发生了“加速-刹车-加速”行为,返回对应的时间和经纬度信息,累加发生的次数;
3)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤4);
4)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的加速-刹车-加速行为。
所述阈值r1为-2m/s2;阈值r2为1m/s2;阈值r3为4;车速阈值为30km/h;加速度阈值、变化阈值均为1.5m/s2。
与现有技术相比,本发明所具有的有益效果为:本发明对一段时间内驾驶员的不良驾驶行为进行识别分析,从而得出驾驶员存在不良驾驶行为操作后的风险程度以及影响,并能为驾驶人提供良好的驾驶行为指引,减少能耗以及延长车辆零部件使用寿命。
附图说明
图1为本发明整体流程图;
图2为本发明分析时所需的高级指标;
图3为本发明加油-刹车/加油-刹车-加油模块的详细流程图;
图4为本发明转弯识别/加速/重刹模块的详细流程图;
图5为本发明加速度组合分析算法图;
图6为本发明二维转弯算法分析图;
图7为本发明弯道识别说明图。
具体实施方式
根据前期调查分析,确定数据(时间、SOC、车速、经纬度、电池电功率)可以很好地表征驾驶人的驾驶行为,为得到这些数据,本方法所需要的分析数据为(时间、SOC、车速、经纬度、电池电流、电池电压),通过电池电压和电池电流相乘来得到电池电功率。同时调查发现车辆驾驶数据的记录时间出现时间点间断和时间点重复的现象,经分析这是由云端驾驶数据接收装置的延迟引起的,所以本方法在分析前需要对车辆驾驶时间进行时间的更正及去重(模块8),以保证分析结果的正确性。为了更准确量化描述驾驶人的驾驶行为,本方法设定的一种算法通过驾驶期间车辆的加速度来反映车辆驾驶操作的实际特征。因为上述提到的急刹车、加速-刹车-加速、猛加速起步、加速后突然急刹车、转弯重刹以及转弯加速这六种行为都与加速度密切相关。特别地,在新能源汽车上应用上,电功率指标数据是作为判断连续的加速度方向变化的重要参考指标,如加速-刹车-加速。如Figure 5所示,算法首先判断车辆处于行驶中状态,然后判断由系统返回的加速度信号,若加速度处于正常变化范围状态,则识别为正常行驶操作;若加速度大于正常波动变化范围,即加速度大于设定的阈值时,则开始进行下钻算法分析。进一步判断加速度方向,进而当加速度方向为正时,识别当前行为是猛加速,否则属于急刹车行为。
驾驶数据经过数据预处理模块1后,提取数据(时间、车速、经纬度),分别输入模块3、4、5、6,得到相应分析模块的驾驶行为评价数据。
急刹车:
基于Figure 5中加速度组合分析算法中确认了加速与刹车行为的识别过程,将其组合到急刹车算法过程需要进行以下算法步骤处理:
第一步:
以一辆车为单位,由该车Vin码取出车辆工况表中某段行驶的开始一分钟后至结束一分钟前的时间、车速数据。
第二步:
取出时间、车速数据,利用相邻两点间的车速之差除以时间差,得到车速的加速度:
第三步:
标识急刹车行为,遍历车速加速度,当加速度超过阈值时,标识该点为急刹车点,并将标识点在当前序列中的相对位置记录下来存储进列表list里。若遍历当前的整段驾驶过程没有发现急刹车行为,则返回第一步,选取下一段行驶数据。
第四步:
判断急刹车行为的标志点是否连续,若为连续,应认为是一次急刹车(区别于轻点刹车,急刹车是基于时序的连续过程);遍历list,首先初始化起点为list(1),终点为list(1)+1。如果下一点与前一点连续,更新当前终点;如果下一点不为连续,存储终点和起点入二维数组temp,同时将下一点作为起点,下一点序号+1作为终点。
第五步:
按行遍历二维数组temp;将temp作为原始序列的位置索引,返回对应的发生时间和位置信息,累计当前发生的次数。
第六步:
判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,且计数器判断是否已遍历车队所有车辆,再进入第七步;
第七步:
若车队所有车辆都被遍历完之后,则算法结束,否则,并返回第一步,重新识别下一辆车的急刹车行为。
该算法运用了层次逻辑判断结构,适应于单辆车以及车队的急刹车不良驾驶行为统计,返回结果中包含累计的不良驾驶行为次数以及对应的发生位置信息、发生时间。
猛加速起步:
基于模块13中加速度组合分析算法中确认了加速与刹车行为的识别过程,将其应用到猛加速起步识别算法过程需要进行以下算法步骤处理:
第一步:
以一辆车为单位,由该车Vin码取出车辆工况表中某段行驶的开始一分钟后至结束一分钟前的时间、车速以及经纬度数据。
第二步:
以车速为零时的点作为判断车辆起步标记,取相邻两个时间点的车速数据根据起步时间进行计算加速度,起步时间约为5秒,即加速度为
当起步加速度最大值大于阈值时,累计当前起步猛加速发生次数,并返回记录发生该行为的时间和经纬度。
第三步:
判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,且计数器判断是否已遍历车队所有车辆,再进入第四步;
第四步:
若车队所有车辆都被遍历完之后,则算法结束,否则,并返回第一步,重新识别下一辆车的猛加速起步行为。
算法返回的结果包括不良驾驶行为发生的次数、地理位置和时间,使车队管理者更方便直观看到统计结果。
车速起伏过大
第一步:
以一辆车为单位,由该车Vin码取出车辆工况表中某段行驶的开始一分钟后至结束一分钟前的时间、车速数据。
第二步:
查找离起点最接近1分钟的记录点A,查找离终点最接近1分钟的记录点B,提取记录点A与B之间的车速数据
第三步:
统计超过阈值数量,并将对应的车速驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,且计数器判断是否已遍历车队所有车辆,再进入第四步。
第四步:
若车队所有车辆都被遍历完之后,则算法结束,否则,并返回第一步,重新识别下一辆车的车速起伏过大行为。
该算法运用了层次逻辑判断结构,适应于单辆车以及车队的急刹车不良驾驶行为统计,返回结果中包含累计的不良驾驶行为次数以及对应的发生位置信息、发生时间。
转弯识别/加速/重刹
首先,提取车辆的时间、车速、经纬度、电功率数据,经过弯道识别模块11的处理,得到车辆的转弯位置、转弯速度、时间信息、位置信息数据,再将得到的数据输入弯道加速/刹车分析模块12进行分析,得到车辆的转弯重刹、转弯加速不良行为的评价数据。
弯道识别模块11,基于GPS定位信息得到车辆行驶的经纬度二维信息,对其建模实现过程如Figure 6。Figure 6中需要使用到的指标为车辆行驶时间、车速、经度、纬度。尤其指出的是,在计算方向夹角前,需要对原始的行驶经纬度数据进行移动平均算法处理,使数据趋于平滑,避免当车辆出现S型行驶轨迹以及正常更换车道行驶的小幅度轨迹偏移等被误识别为转弯。经纬度数据经过平滑处理后,取按时间顺序的连续三个时刻的正常行驶状态下的经纬度,计算每三点之间两两相对距离。计算公式如下:
其中,公式中经纬度均用弧度表示,转化公式为:
lat1、lat2分别为待求的两个位置点的纬度转换弧度;
a为两点纬度转换弧度之差;
b为两点经度转换弧度之差;
R为地球半径,值为6378.137公里。
由计算到的三个两两之间对应的相对距离D1、D2、D3,再通过余弦定理计算三点间的方向夹角,按以下公式得到方向夹角的补角的大小为
通常认为当θ大于30°时,认为发生了转弯行为。计算出来的结果单位为公里,计算精度与谷歌地图的距离精度差不多,相差范围在0.2米以下。
当结合加速度组合算法时,则可以进一步识别转弯加速/刹行为。
弯道加速/刹车分析
由模块11中识别弯道的方法,结合Figure 5中加速度组合算法进一步识别转弯重刹/加速驾驶行为。该行为分析算法步骤如下:
第一步:
以一辆车为单位,由该车Vin码取出车辆工况表中某段行驶的开始一分钟后至结束一分钟前的时间、车速、经纬度数据以及电功率数据。
第二步:
由公式(1.4)和(1.5)识别出转弯位置,并记录转弯期间的车速信息、位置信息、时间信息,计算其期间的车速平均值,
vstart、vend、tstart、tend分别表示每次转弯的入弯速度、出弯速度、起始时间点、终止时间点。并判断是否超过车速阈值。同时计算其期间的加速度变化是否超出变化阈值。若同时超过相应的阈值,则认为发生而来转弯超速/刹车行为,返回对应的转弯起止点位置信息、发生时间点以及累计该行为发生的次数。
第三步:
判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,且计数器判断是否已遍历车队所有车辆,再进入第四步;
第四步:
若车队所有车辆都被遍历完之后,则算法结束,否则,并返回第一步,识别下一辆车的加速-刹车-加速行为。
驾驶数据经过数据预处理模块1后,提取数据(时间、车速、经纬度,电功率),分别输入模块2、6,得到相应分析模块的驾驶行为评价数据。
加速刹车/加速刹车加速
同样基于模块13加速度组合分析过程,由加速度组合算法识别加速后瞬时急刹车,该行为结合了两个相邻加速度的方向判别,其算法处理步骤如下:
第一步:
以一辆车为单位,由该车Vin码取出车辆工况表中某段行驶的开始一分钟后至结束一分钟前的时间、车速以及经纬度数据。
第二步:
根据提取的数据时间节点提取相应维度的电机功率数据,然后遍历电机功率数据,用后一个电功率数据点乘上前一个电功率数据点,即
Li=ωi*ωi-1,其中i≥2 (1.7)
得到电功率变化序列L={L1,L2,…,Ln},从L中提取出小于0的数据的索引,保存于集合K={K1,K2,…,Km}中,称之为零点集合。
判断得出的Ki值是否符合下面的要求(模块9):
设k=Ki
1、ωk>ωk-1;
2、ωk大于加油和刹车的界限值10KW;
3、k点前后t时间内的极差大于阈值20KW;
当有数据点符合要求时,记录发生了一次“加速后马上刹车行为”。返回对应的时间和经纬度;累加发生的次数。
第三步:
判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,且计数器判断是否已遍历车队所有车辆,再进入第四步;
第四步:
若车队所有车辆都被遍历完之后,则算法结束,否则,并返回第一步,重新识别下一辆车的加速后瞬时急刹车行为。
区别于急刹车与猛加速起步行为的简单判别规则,加速-刹车-加速驾驶行为的识别过程需要进一步考虑电功率变化,以及加速度的方向连续组合。其算法处理步骤如下:
第一步:
以一辆车为单位,由该车Vin码取出车辆工况表中某段行驶的开始一分钟后至结束一分钟前的时间、车速、经纬度数据以及电功率数据。
第二步:
基于加速刹车算法处理结果,遍历其已经得到的加速后瞬时刹车的零点集合K',判断当前满足条件的零点后的T个数据点内是否存在下一个零点。
判断得出的Ki'值是否符合下面的要求(模块10):
1、K'i+1-K'i<T;
2、ωk'小于加油和刹车的界限值-10KW;
当存在符合条件的数据点时,即存在一个方向相反的零点,则统计发生了“加速-刹车-加速”行为,返回对应的时间和经纬度信息,累加发生的次数。第三步:
判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,且计数器判断是否已遍历车队所有车辆,再进入第
四步;
第四步:
若车队所有车辆都被遍历完之后,则算法结束,否则,并返回第一步,识别下一辆车的加速-刹车-加速行为。
驾驶数据经过数据预处理模块1后,提取数据(时间、车速、经纬度、SOC),分别输入模块7,得到相应分析模块的驾驶行为评价数据。
Claims (2)
1.一种电动汽车驾驶行为识别分析方法,其特征在于,包括急刹车识别分析部分、猛加速起步识别分析部分、车速起伏过大识别分析部分、转弯识别/加速/重刹识别分析部分、弯道加速/刹车分析识别分析部分、加速—刹车识别分析部分、加速—刹车—加速识别分析部分;
所述急刹车识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速数据;
2)利用上述时间、车速数据计算车速的加速度a;
3)遍历车速加速度,当加速度小于阈值r1时,标识该加速度对应的点为急刹车点,并将急刹车点在当前序列中的相对位置记录下来存储进列表list里,进入步骤4);若遍历当前的整段驾驶过程没有发现急刹车行为,则返回步骤1),选取下一段行驶数据;
4)判断急刹车点是否连续,若为连续,认为是一次急刹车;遍历list,首先初始化起点为list(1),终点为list(1)+1;如果两个急刹车点之间的加速度小于0,更新当前终点;如果两个急刹车点之间的加速度不小于0,存储终点和起点到二维数组temp中,同时将前急刹车动作终止点的下一点,即下一个急刹车动作的开始急刹车点作为起点,下一点序号加1作为终点;急刹车点连续是指:若若干个急刹车点在连续行驶的车速数据点中位置连续,则认为该次急刹车的动作是连续的,视为同一次急刹车行为;
5)按行遍历二维数组temp;将temp作为原始序列的位置索引,返回对应的发生时间和位置信息,累计当前发生的急刹车次数;
6)判断当前车辆所有行驶路段是否全部被遍历,若全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤7);
7)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的急刹车行为;
所述猛加速起步识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速以及经纬度数据;
2)以车速为零时的点作为判断车辆起步标记,取相邻两个时间点的车速数据,根据起步时间计算起步加速度;当起步加速度最大值大于阈值r2时,累计当前起步猛加速发生次数,并返回记录发生该行为的时间和经纬度;
3)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤4);
4)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的猛加速起步行为;
所述车速起伏过大识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速数据;
2)查找车辆起步后1分钟的记录点A,查找车辆停车前1分钟的记录点B,提取记录点A与B之间的车速数据;
3)对于同一车辆,对该车辆的每段行驶过程计算得到一个标准差,若该段行驶过程的标准差大于阈值r3,则总次数加1,并将对应的车速驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车辆的所有分段行驶过程,进入步骤4);
4)若该车辆所有的分段行驶过程都被遍历完之后,则统计超过阈值r3的标准差数量,结束,否则,返回步骤1),重新识别下一辆车的车速起伏过大行为;
所述转弯识别/加速/重刹识别分析部分包括以下步骤:
1)提取车辆的时间、车速、经纬度、电功率数据,得到车辆的转弯位置、转弯速度、时间信息、位置信息数据;
2)将经纬度数据经过平滑处理后,取按时间顺序的连续三个时刻的正常行驶状态下的经纬度,计算每三点的两两相对距离;
3)由上述两两相对距离,计算三点间的方向夹角,并由方向夹角得到方向夹角的补角θ;
4)当θ大于30°时,认为发生了转弯行为;
所述弯道超速/刹车分析识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速、经纬度数据以及电功率数据;
2)由所述经纬度数据和上述补角θ识别出转弯位置,并记录转弯期间的车速信息、位置信息、时间信息,计算转弯期间的车速平均值;
3)判断车速平均值是否超过车速阈值,同时计算转弯期间的加速度是否小于变化阈值,若超过加速度阈值,则认为发生弯道加速/刹车行为,返回对应的转弯起止点位置信息、发生时间点以及累计该行为发生的次数;
4)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤5);
5)若车队所有车辆都被遍历完之后,则结束,否则,返回步骤1),识别下一辆车的弯道加速/刹车行为;
所述加速—刹车识别分析部分包括以下步骤:
1)由某一辆车的Vin码取出车辆工况表中某段行驶开始一分钟后至结束一分钟前的时间、车速以及经纬度数据;
2)根据提取的数据时间节点提取相应维度的电机功率数据,然后遍历电机功率数据,用后一个电机功率数据点乘上前一个电机功率数据点,得到电机功率乘积,提取出小于0的数据的索引,保存于零点集合K={K1,K2,…,Km}中;判断得出的零点的电机功率是否符合以下条件:大于加速和刹车界限值10KW 0;零点电机功率数据点大于零点前一个电机功率数据点;零点前后T个数据点内的电机功率数据的极差大于设定的阈值20KW;当有数据点符合要求时,记录发生了一次“加速后马上刹车行为”,返回对应的时间和经纬度;累加发生的次数;所述电机功率乘积小于0代表发生了从加油到刹车或刹车到加油的行为;
3)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤4);
4)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的加速后瞬时急刹车行为;
所述加速—刹车—加速部分包括以下步骤:
1)以加速—刹车识别分析部分中满足条件的零点作为标记点K';
2)判断当前零点后的T个数据点内是否存在下一个零点,若存在,判断零点的电机功率是否符合以下条件:小于加速和刹车界限值-10KW;当存在符合条件的数据点时,即存在一个方向相反的零点,则统计发生了“加速-刹车-加速”行为,返回对应的时间和经纬度信息,累加发生的次数;
3)判断当前车辆所有行驶路段是否全部被遍历,若满足全部路段被遍历,则迭代结束,将对应的急刹车驾驶行为发生时间、地点、发生总数返回到该车的对应Vin码下,判断是否已遍历车队所有车辆,进入步骤4);
4)若车队所有车辆都被遍历完,则结束,否则,返回步骤1),重新识别下一辆车的加速-刹车-加速行为。
2.根据权利要求1所述的方法,其特征在于,所述阈值r1为-2m/s2;阈值r2为1m/s2;阈值r3为4;车速阈值为30km/h;加速度阈值、变化阈值均为1.5m/s2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611095887.2A CN106956680B (zh) | 2016-12-02 | 2016-12-02 | 一种电动汽车驾驶行为识别分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611095887.2A CN106956680B (zh) | 2016-12-02 | 2016-12-02 | 一种电动汽车驾驶行为识别分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106956680A true CN106956680A (zh) | 2017-07-18 |
CN106956680B CN106956680B (zh) | 2023-07-14 |
Family
ID=59481475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611095887.2A Active CN106956680B (zh) | 2016-12-02 | 2016-12-02 | 一种电动汽车驾驶行为识别分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106956680B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108001453A (zh) * | 2017-12-07 | 2018-05-08 | 北京经纬恒润科技有限公司 | 一种识别高能耗驾驶行为的方法及系统 |
CN108909719A (zh) * | 2018-07-27 | 2018-11-30 | 爱驰汽车有限公司 | 电动汽车的驾驶习惯识别方法、系统、设备以及存储介质 |
CN109552338A (zh) * | 2018-12-19 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种纯电动汽车生态驾驶行为评估方法及系统 |
CN110949393A (zh) * | 2019-12-06 | 2020-04-03 | 中国第一汽车股份有限公司 | 一种驾驶行为分析方法、装置、车辆及存储介质 |
CN111782828A (zh) * | 2020-07-02 | 2020-10-16 | 燕山大学 | 一种车前地形复合地图的高效构建方法 |
CN112744218A (zh) * | 2019-10-16 | 2021-05-04 | 上海汽车集团股份有限公司 | 行车辅助方法和装置 |
CN115195757A (zh) * | 2022-09-07 | 2022-10-18 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070001831A1 (en) * | 2005-06-09 | 2007-01-04 | Drive Diagnostics Ltd. | System and method for displaying a driving profile |
CN102629297A (zh) * | 2012-03-06 | 2012-08-08 | 北京建筑工程学院 | 一种基于行程识别的出行者活动规律分析方法 |
US20140039749A1 (en) * | 2010-09-20 | 2014-02-06 | Mydrive Solutions Limited | Driver profiling system and method |
CN104580373A (zh) * | 2014-12-15 | 2015-04-29 | 北京九五智驾信息技术股份有限公司 | 基于车联网的驾驶分析系统 |
CN106127883A (zh) * | 2016-06-23 | 2016-11-16 | 北京航空航天大学 | 驾驶事件检测方法 |
-
2016
- 2016-12-02 CN CN201611095887.2A patent/CN106956680B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070001831A1 (en) * | 2005-06-09 | 2007-01-04 | Drive Diagnostics Ltd. | System and method for displaying a driving profile |
US20140039749A1 (en) * | 2010-09-20 | 2014-02-06 | Mydrive Solutions Limited | Driver profiling system and method |
CN102629297A (zh) * | 2012-03-06 | 2012-08-08 | 北京建筑工程学院 | 一种基于行程识别的出行者活动规律分析方法 |
CN104580373A (zh) * | 2014-12-15 | 2015-04-29 | 北京九五智驾信息技术股份有限公司 | 基于车联网的驾驶分析系统 |
CN106127883A (zh) * | 2016-06-23 | 2016-11-16 | 北京航空航天大学 | 驾驶事件检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108001453A (zh) * | 2017-12-07 | 2018-05-08 | 北京经纬恒润科技有限公司 | 一种识别高能耗驾驶行为的方法及系统 |
CN108909719A (zh) * | 2018-07-27 | 2018-11-30 | 爱驰汽车有限公司 | 电动汽车的驾驶习惯识别方法、系统、设备以及存储介质 |
CN109552338A (zh) * | 2018-12-19 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种纯电动汽车生态驾驶行为评估方法及系统 |
CN109552338B (zh) * | 2018-12-19 | 2020-04-07 | 北京理工新源信息科技有限公司 | 一种纯电动汽车生态驾驶行为评估方法及系统 |
CN112744218A (zh) * | 2019-10-16 | 2021-05-04 | 上海汽车集团股份有限公司 | 行车辅助方法和装置 |
CN110949393A (zh) * | 2019-12-06 | 2020-04-03 | 中国第一汽车股份有限公司 | 一种驾驶行为分析方法、装置、车辆及存储介质 |
CN110949393B (zh) * | 2019-12-06 | 2021-06-08 | 中国第一汽车股份有限公司 | 一种驾驶行为分析方法、装置、车辆及存储介质 |
CN111782828A (zh) * | 2020-07-02 | 2020-10-16 | 燕山大学 | 一种车前地形复合地图的高效构建方法 |
CN111782828B (zh) * | 2020-07-02 | 2023-05-26 | 燕山大学 | 一种车前地形复合地图的高效构建方法 |
CN115195757A (zh) * | 2022-09-07 | 2022-10-18 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
CN115195757B (zh) * | 2022-09-07 | 2023-08-04 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106956680B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
Zhao et al. | Trafficnet: An open naturalistic driving scenario library | |
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
CN103853155B (zh) | 智能车路口通行方法及系统 | |
CN104590275A (zh) | 一种驾驶行为分析方法 | |
JP2012242894A (ja) | 車両データの解析方法及び車両データの解析システム | |
CN105448108A (zh) | 一种基于隐马尔科夫路网匹配的超速判别方法 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN113511204B (zh) | 一种车辆换道行为识别方法及相关设备 | |
CN107953888A (zh) | 一种道路类型识别方法及系统 | |
CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
CN110727706A (zh) | 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法 | |
EP3812218A1 (en) | Indication diagnosis device and method | |
CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
CN113642893B (zh) | 一种新能源汽车运行风险的评估方法 | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN114676870A (zh) | 车速预测方法、车速预测模型训练方法和相关装置 | |
EP4194249A1 (en) | Method for predicting energy consumption-recovery ratio of new energy vehicle, and energy saving control method and system | |
EP3859614A1 (en) | Device, method and machine learning system for determining a velocity for a vehicle | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
Ping et al. | Spectral clustering based approach for evaluating the effect of driving behavior on fuel economy | |
CN113887659A (zh) | 一种基于朴素贝叶斯的车辆类型分类算法 | |
CN113252057A (zh) | 一种基于高德导航数据的驾驶倾向性辨识方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |