CN108438001A - 一种基于时间序列聚类分析的异常驾驶行为判别方法 - Google Patents
一种基于时间序列聚类分析的异常驾驶行为判别方法 Download PDFInfo
- Publication number
- CN108438001A CN108438001A CN201810213616.5A CN201810213616A CN108438001A CN 108438001 A CN108438001 A CN 108438001A CN 201810213616 A CN201810213616 A CN 201810213616A CN 108438001 A CN108438001 A CN 108438001A
- Authority
- CN
- China
- Prior art keywords
- time series
- data
- driving behavior
- characteristic
- deviant
- 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.)
- Pending
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
Abstract
本发明公开了一种基于时间序列聚类分析的异常驾驶行为判别方法，包括以下步骤：S1：通过多个传感器采集车辆驾驶过程中的数据；S2：利用特征提取模块对步骤S1采集的传感器数据提取特征数据；S3：对步骤S2提取的特征数据进行离散小波变换处理，得到每辆车的时间序列数据；S4：最后通过层次聚类算法对步骤S3得到的时间序列数据进行分析，根据分析结果识别出车辆的异常行驶行为，生成驾驶行为分析结果。本发明大大提高了判别的准确性、效率和稳定性，提升了交通运行的安全性，能够对复杂的驾驶行为进行分析。
Description
技术领域
本发明涉及异常驾驶行为判别方法，特别是涉及一种基于时间序列聚类分析的异常驾驶行为判别方法。
背景技术
随着生活水平的快速提升，自驾汽车已经成为人们出行的主要交通方式。与此同时，也伴随着危险驾驶行为的出现。
从驾驶角度，构成人们出行的威胁包含两个方面：每天都会涌现大批的驾驶新手；同时也存在许多驾驶娴熟却对当前交规不熟悉的人员。因此开车用户需要能够对自身驾驶技术进行量化评判的标准和指导。另外，对于车辆保险业，依据用户行为调整业务需求能够针对性的推出更加合理的保险业务。通过对用户的驾驶过程进行量化分级，一方面能够合理化车险的销售模式，增加车险业务的盈利；另一方面也能促进用户驾驶水平的提高，养成良好的驾驶素养。
经调查发现，除酒后驾驶和不可抗力因素外，大部分交通事故的起因是开车用户的不良驾驶习惯。不良的驾驶习惯主要包含不当的转向、变道和掉头。现有技术提出一种基于Inertial Measurement Units(IMUs)的检测模式，能够在一定程度上对传感器噪声进行分离，获取目标传感器数值参数。但该方法对驾驶行为的分类逻辑比较简单，无法对相对复杂的驾驶行为进行分析；现有技术还提出一种利用霍尔磁效应传感器，也就是电子罗盘对车辆的转向进行判断，来测量驾驶中的转向行为。但是在附近有强磁场或者电磁干扰时，会导致电子罗盘扰动甚至失效，因此该判别方法稳定性较弱。
发明内容
发明目的：本发明的目的是提供一种能够对复杂的驾驶行为进行分析并且稳定性较强的基于时间序列聚类分析的异常驾驶行为判别方法。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的基于时间序列聚类分析的异常驾驶行为判别方法，包括以下步骤：
S1：通过多个传感器采集车辆驾驶过程中的数据；
S2：利用特征提取模块对步骤S1采集的传感器数据提取特征数据；
S3：对步骤S2提取的特征数据进行离散小波变换处理，得到每辆车的时间序列数据；
S4：最后通过层次聚类算法对步骤S3得到的时间序列数据进行分析，根据分析结果识别出车辆的异常行驶行为，生成驾驶行为分析结果。
进一步，所述步骤S2具体包括以下步骤：
S2.1：将步骤S1采集的传感器数据包分割成多个固定长度的数据段，获取分割得到的数据段的偏移值；
S2.2：对步骤S2.1得到的数据段进行归类，生成与数据段及其偏移值对应的数据段类型值，且生成的数据段类型值与步骤S1采集的传感器数据包对应；
S2.3：根据步骤S1采集的传感器数据生成样本集，获取数据段类型值在样本集内的数据包对应的偏移值的数量，提取数量大于或等于偏移值命中阈值的偏移值；
S2.4：获取步骤S2.3提取的偏移值所对应的数据段类型值，将偏移值及数据段类型值作为与样本集对应的特征码，完成对传感器数据的特征数据提取。
进一步，所述步骤S3具体包括以下步骤：
S3.1：在特征提取后的特征数据中加入可信度描述信息；
S3.2：根据可信度描述信息对提取到的特征数据进行实时离散小波变换，获得每辆车的时间序列数据；
S3.3：将步骤S3.2得到的时间序列数据作为分析结果进行输出。
进一步，所述步骤S3.1中的可信度描述信息为扰动程度的数值描述信息。
进一步，所述步骤S1中的多个传感器包括车辆内的角速度传感器、GPS速度传感器和位移传感器中的一种或多种。
有益效果：本发明公开了一种基于时间序列聚类分析的异常驾驶行为判别方法，与现有方法相比，本发明可以获取驾驶目标完整的驾驶行为特性，避免数据噪声干扰，利用现代计算机技术完成对复杂驾驶行为的危险性判别，大大提高了判别的准确性、效率和稳定性，提升了交通运行的安全性，能够对复杂的驾驶行为进行分析。
附图说明
图1为本发明具体实施方式中方法的流程图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于时间序列聚类分析的异常驾驶行为判别方法，如图1所示，包括以下步骤：
S1：通过多个传感器采集车辆驾驶过程中的数据；多个传感器包括车辆内的角速度传感器、GPS速度传感器和位移传感器中的一种或多种；
S2：利用特征提取模块对步骤S1采集的传感器数据提取特征数据；
S3：对步骤S2提取的特征数据进行离散小波变换处理，得到每辆车的时间序列数据；
S4：最后通过层次聚类算法对步骤S3得到的时间序列数据进行分析，根据分析结果识别出车辆的异常行驶行为，生成驾驶行为分析结果。
通过车辆行驶过程发生的转向、变道和掉头时传感器数值变化，对角速度传感器获得的传感器数值进行采集，并通过预设的最低传感器阈值、有效波形峰值阈值、有效波形持续时间和检测等待时间等参数，检测形成的传感器波形数据是否可信。预设驾驶行为判别算法采用层次聚类算法。首先对上述数据进行过滤和整形，利用层次聚类算法实时的对处理后的数据进行分层分类，并根据分层分类后的数据，识别出不同的行驶模式，例如：左/右转向、左/右变道、左/右掉头以及其它行为。
步骤S2具体包括以下步骤：
S2.1：将步骤S1采集的传感器数据包分割成多个固定长度的数据段，获取分割得到的数据段的偏移值；
S2.2：对步骤S2.1得到的数据段进行归类，生成与数据段及其偏移值对应的数据段类型值，且生成的数据段类型值与步骤S1采集的传感器数据包对应；
S2.3：根据步骤S1采集的传感器数据生成样本集，获取数据段类型值在样本集内的数据包对应的偏移值的数量，提取数量大于或等于偏移值命中阈值的偏移值；
S2.4：获取步骤S2.3提取的偏移值所对应的数据段类型值，将偏移值及数据段类型值作为与样本集对应的特征码，完成对传感器数据的特征数据提取。
步骤S3具体包括以下步骤：
S3.1：在特征提取后的特征数据中加入可信度描述信息；可信度描述信息为扰动程度的数值描述信息；
S3.2：根据可信度描述信息对提取到的特征数据进行实时离散小波变换，获得每辆车的时间序列数据；
S3.3：将步骤S3.2得到的时间序列数据作为分析结果进行输出。
本发明的聚类分析方法，可以在传感数据中添加可信度信息，并构造了一个可描述可信度信息的聚类特征，结合该聚类特征以及处理后的数据中包含的其他特征，可对车辆的驾驶行为进行层次聚类划分，获得实时分析结果。本发明的方法在聚类特征更新时不需访问历史传感数据，从而保证了该方法的实时性，更适用于数据量较大且对实时性有一定要求的信息处理系统；根据分析目的对数据离线分析可以实现相应处理功能，如聚类、分类、识别、异常监测等；通过相应聚类特征，可有效索引到与特定信息处理事件相关的传感数据，改进了传感数据的管理方式。本发明中聚类分析处理方法可以获得与传感数据可信度有关的分析结果，可以有效提高分析结果的准确性。
Claims (5)
1.一种基于时间序列聚类分析的异常驾驶行为判别方法，其特征在于：包括以下步骤：
S1：通过多个传感器采集车辆驾驶过程中的数据；
S2：利用特征提取模块对步骤S1采集的传感器数据提取特征数据；
S3：对步骤S2提取的特征数据进行离散小波变换处理，得到每辆车的时间序列数据；
S4：最后通过层次聚类算法对步骤S3得到的时间序列数据进行分析，根据分析结果识别出车辆的异常行驶行为，生成驾驶行为分析结果。
2.根据权利要求1所述的基于时间序列聚类分析的异常驾驶行为判别方法，其特征在于：所述步骤S2具体包括以下步骤：
S2.1：将步骤S1采集的传感器数据包分割成多个固定长度的数据段，获取分割得到的数据段的偏移值；
S2.2：对步骤S2.1得到的数据段进行归类，生成与数据段及其偏移值对应的数据段类型值，且生成的数据段类型值与步骤S1采集的传感器数据包对应；
S2.3：根据步骤S1采集的传感器数据生成样本集，获取数据段类型值在样本集内的数据包对应的偏移值的数量，提取数量大于或等于偏移值命中阈值的偏移值；
S2.4：获取步骤S2.3提取的偏移值所对应的数据段类型值，将偏移值及数据段类型值作为与样本集对应的特征码，完成对传感器数据的特征数据提取。
3.根据权利要求1所述的基于时间序列聚类分析的异常驾驶行为判别方法，其特征在于：所述步骤S3具体包括以下步骤：
S3.1：在特征提取后的特征数据中加入可信度描述信息；
S3.2：根据可信度描述信息对提取到的特征数据进行实时离散小波变换，获得每辆车的时间序列数据；
S3.3：将步骤S3.2得到的时间序列数据作为分析结果进行输出。
4.根据权利要求3所述的基于时间序列聚类分析的异常驾驶行为判别方法，其特征在于：所述步骤S3.1中的可信度描述信息为扰动程度的数值描述信息。
5.根据权利要求1所述的基于时间序列聚类分析的异常驾驶行为判别方法，其特征在于：所述步骤S1中的多个传感器包括车辆内的角速度传感器、GPS速度传感器和位移传感器中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810213616.5A CN108438001A (zh) | 2018-03-15 | 2018-03-15 | 一种基于时间序列聚类分析的异常驾驶行为判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810213616.5A CN108438001A (zh) | 2018-03-15 | 2018-03-15 | 一种基于时间序列聚类分析的异常驾驶行为判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108438001A true CN108438001A (zh) | 2018-08-24 |
Family
ID=63195442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810213616.5A Pending CN108438001A (zh) | 2018-03-15 | 2018-03-15 | 一种基于时间序列聚类分析的异常驾驶行为判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108438001A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241926A (zh) * | 2018-09-19 | 2019-01-18 | 重庆信络威科技有限公司 | 一种基于小波分析的驾驶行为识别方法 |
| CN110737688A (zh) * | 2019-09-30 | 2020-01-31 | 上海商汤临港智能科技有限公司 | 驾驶数据分析方法、装置、电子设备和计算机存储介质 |
| CN112158199A (zh) * | 2020-09-25 | 2021-01-01 | 北京百度网讯科技有限公司 | 巡航控制方法、装置、设备、车辆及介质 |
| CN112512890A (zh) * | 2020-04-02 | 2021-03-16 | 华为技术有限公司 | 一种异常驾驶行为识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186575A (zh) * | 2011-12-29 | 2013-07-03 | 无锡物联网产业研究院 | 一种传感数据的聚类分析方法和系统 |
| CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
| CN105100023A (zh) * | 2014-05-21 | 2015-11-25 | 腾讯科技（深圳）有限公司 | 数据包特征提取方法及装置 |
| CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
| CN107404398A (zh) * | 2017-05-31 | 2017-11-28 | 中山大学 | 一种网络用户行为判别系统 |
-
2018
- 2018-03-15 CN CN201810213616.5A patent/CN108438001A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186575A (zh) * | 2011-12-29 | 2013-07-03 | 无锡物联网产业研究院 | 一种传感数据的聚类分析方法和系统 |
| CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
| CN105100023A (zh) * | 2014-05-21 | 2015-11-25 | 腾讯科技（深圳）有限公司 | 数据包特征提取方法及装置 |
| CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
| CN107404398A (zh) * | 2017-05-31 | 2017-11-28 | 中山大学 | 一种网络用户行为判别系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241926A (zh) * | 2018-09-19 | 2019-01-18 | 重庆信络威科技有限公司 | 一种基于小波分析的驾驶行为识别方法 |
| CN110737688A (zh) * | 2019-09-30 | 2020-01-31 | 上海商汤临港智能科技有限公司 | 驾驶数据分析方法、装置、电子设备和计算机存储介质 |
| CN110737688B (zh) * | 2019-09-30 | 2023-04-07 | 上海商汤临港智能科技有限公司 | 驾驶数据分析方法、装置、电子设备和计算机存储介质 |
| CN112512890A (zh) * | 2020-04-02 | 2021-03-16 | 华为技术有限公司 | 一种异常驾驶行为识别方法 |
| CN112158199A (zh) * | 2020-09-25 | 2021-01-01 | 北京百度网讯科技有限公司 | 巡航控制方法、装置、设备、车辆及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108438001A (zh) | 一种基于时间序列聚类分析的异常驾驶行为判别方法 | |
| Brombacher et al. | Driving event detection and driving style classification using artificial neural networks | |
| CN105620489B (zh) | 驾驶辅助系统及车辆实时预警提醒方法 | |
| CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
| CN108248610B (zh) | 一种自适应分心驾驶行为的监测及干预装置 | |
| CN106585635B (zh) | 驾驶行为评分方法和装置 | |
| CN110143202A (zh) | 一种危险驾驶识别与预警方法及系统 | |
| US20140212849A1 (en) | Driving assistance device and method | |
| Kwak et al. | Driver identification based on wavelet transform using driving patterns | |
| KR20070065307A (ko) | 운전 모니터 시스템 및 방법 | |
| CN108682119B (zh) | 基于智能手机和智能手表的驾驶员疲劳状态检测方法 | |
| EP3105085A1 (en) | Vehicle event assessment | |
| CN112319488B (zh) | 一种机动车驾驶员驾驶风格的识别方法及系统 | |
| CN107316354B (zh) | 一种基于方向盘和gnss数据的疲劳驾驶检测方法 | |
| CN105824420A (zh) | 一种基于加速度传感器的手势识别方法 | |
| CN108549911A (zh) | 基于神经网络的驾驶员转向介入识别方法 | |
| CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
| CN109229108A (zh) | 一种基于驾驶指纹的驾驶行为安全评价方法 | |
| CN106408032A (zh) | 基于转向盘转角的疲劳驾驶检测方法 | |
| CN113065902A (zh) | 基于数据处理的费用设定方法、装置和计算机设备 | |
| CN111717210B (zh) | 一种驾驶员手部相对静止状态下脱离方向盘检测方法 | |
| WO2017199005A1 (en) | Methods and systems for driver and/or itinerary identification | |
| CN109720353A (zh) | 一种基于智能手机的驾驶行为检测方法 | |
| CN108074395B (zh) | 一种身份识别的方法及装置 | |
| KR102180800B1 (ko) | 차량의 주행상태 판단장치 및 그 판단방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |
|
| RJ01 | Rejection of invention patent application after publication |