CN109977148A - 一种基于端云协同的驾驶激情指数识别装置和识别方法 - Google Patents
一种基于端云协同的驾驶激情指数识别装置和识别方法 Download PDFInfo
- Publication number
- CN109977148A CN109977148A CN201910146572.3A CN201910146572A CN109977148A CN 109977148 A CN109977148 A CN 109977148A CN 201910146572 A CN201910146572 A CN 201910146572A CN 109977148 A CN109977148 A CN 109977148A
- Authority
- CN
- China
- Prior art keywords
- data
- passion
- cloud platform
- driving
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000000737 periodic effect Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000007499 fusion processing Methods 0.000 abstract description 2
- 208000006011 Stroke Diseases 0.000 description 28
- 238000003062 neural network model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于端云协同的驾驶激情指数识别装置,包括车载终端、云平台和APP终端;所述车载终端用于数据的采集、存储、处理和上传;所述云平台用于接收网络通讯模块上传的数据矩阵,并对数据矩阵进行处理,并将驾驶激情指数结果、驾驶建议和周期性的分析报告推送至APP终端;所述APP终端用于接收云平台发送的激情指数结果、驾驶建议和周期性的分析报告,并在手机APP中显示。本发明不仅可以提高识别的精准度和鲁棒性,而且省去了复杂的融合过程,减少了云平台计算量;此外本发明的识别方法能够实现端‑云间计算资源的协调与优化,降低硬件成本、降低数据上传流量费用和存储费用,提高运算速度。
Description
技术领域
本发明涉及边缘计算和云计算技术领域,尤其涉及一种基于端云协同的驾驶激情指数识别装置和识别方法。
背景技术
驾驶员驾驶车辆过程中会受到周围环境和自身因素的影响,因而呈现出各式各样的激情驾驶表现,通常以激进、一般和稳健等标签对其表现进行描述,且在不同时刻驾驶员激情驾驶表现也各不相同。但对于同一驾驶员而言,单次行程中通常会表现出一定的具有稳定性的可描述的激情驾驶的表现,这种能表征驾驶员激情驾驶程度的指标量即为本发明提出的驾驶激情指数。
驾驶激情指数能表征驾驶员在一次行程内对车辆的实际驾驶情况,而驾驶员当前的车辆驾驶则能直观的反映出驾驶员的驾驶画像,这种驾驶画像的获得对提高驾驶员安全驾驶、提示驾驶员节能驾驶具有积极意义。随着分布式计算、云平台和车载终端的发展,获得表征驾驶员实际操作的驾驶画像变得越来越易于实现,通常驾驶员操作数据的获取主要来自固定性试验和车载终端,目前固定性试验因其试验局限性和高昂的成本已逐渐被车载终端所取代。车载终端实时采集驾驶员操作数据,通过移动网络3G或4G将数据实时上传至云平台。
因数据传输、通讯故障及其他不可预知的原因,云平台接收的数据通常杂乱无章、缺值少项。因此云平台数据在计算之前需先进行复杂繁琐、效率低下的数据清洗、数据集成等数据预处理工作,耗费大量的时间和计算资源。随着时间的累计,云平台接收和存储的原始数据越来越多,数据预处理的周期会越来越长,云平台需求的存储空间也越来越大,数据的通讯费用和存储费用也随之增加,且云平台运算速度逐渐变慢,运算周期越来越长。长此以往,会造成云平台计算资源的大量损耗,即拖累云平台计算的负载,又造成存储量和带宽的浪费。
为解决这一问题,有效利用云平台计算资源、加快计算速度、降低成本、缩减通讯费用,本发明将提出了端云协同的计算策略,并应用于驾驶员激情指数识别。本发明在车载终端进行数据采集、数据预处理和数据项初始计算,将计算后的结果上传至云平台,大大减少了数据上传量、云平台计算量和存储量,有效减少了数据通讯费用,提高了运算效率。且相比于单纯的云计算,端云协同的计算策略也具备数据高隐私性、计算可靠性、低时延和高效利用网络资源等优势。
发明内容
本发明目的是一种基于端云协同的驾驶激情指数识别装置和识别方法,用于解决现有技术中大批量杂乱无章的原始数据上传至云平台,导致云平台计算负载大、计算周期长、速度慢和效率低等问题,避免了原始数据占用云平台带宽和存储量,减少运算时间节约通讯费等。
本发明解决技术问题采用如下技术方案:
一种基于端云协同的驾驶激情指数识别装置,包括安装在车内的车载终端、布置在后台的云平台和安装在驾驶员手机内的APP终端;
所述车载终端用于数据的采集、存储、处理和上传;
所述云平台用于接收网络通讯模块上传的数据矩阵,对数据矩阵进行处理,并将驾驶激情指数结果、驾驶建议和周期性的分析报告推送至APP终端;
所述APP终端用于接收云平台发送的激情指数结果、驾驶建议和周期性的分析报告,并在手机APP中显示。
进一步,所述车载终端包括数据采集模块、数据存储模块、数据处理模块和网络通讯模块;
所述数据采集模块通过局域网通讯接口与车载CAN总线相连,通过预先设定的采集协议以固定的采样频率采集车辆数据,并将采集的车辆数据上传至数据存储模块;
所述数据存储模块包括原始数据存储区和数据结果存储区;所述原始数据存储区用于存储原始数据;所述数据结果存储区用于存储数据处理模块计算出的数据结果,并均按照先进先出原则进行存储及发送;
所述数据处理模块基于模块内部的数据处理模型,对原始数据存储区内的原始数据进行特征抽取和特征降维,得到工况的关键特征,将关键特征存储至数据存储模块的数据结果存储区内,并将数据存储模块内的车辆识别代号、车载终端ID、行程编号、工况编号、时间戳、车辆数据和关键特征以数据矩阵形式通过网络通讯模块上传至云平台;
所述网络通讯模块负责车载终端与云平台之间的通讯,通过预先设定的协议将数据或者数据结果通过3G、WIFI或者4G上传至云平台,并接收云平台返回的计算结果和指令。
进一步,所述数据采集模块采集的车辆数据包括但不限于车辆速度、横摆角速度、纵向加速度、油门踏板开度、制动主缸压力、方向盘转角、侧向加速度、目标车辆相对速度、目标车辆相对加速度和目标车辆相对距离。
进一步,所述数据采集模块中集成工况辨识子模块;所述工况辨别子模块用于辨别工况,且工况识别子模块辨识的工况结果包括但不限于:启动工况、加速工况、减速工况、驶离工况、转弯工况、变道工况、超车工况、跟车工况、调头工况和停车工况。
进一步,所述原始数据存储区存储的原始数据包括车辆识别代号、车载终端ID、行程编号、工况编号、时间戳和车辆数据。
进一步,数据存储区模块的数据全部上传完成后,车载终端将数据结果存储区和原始数据存储区内的此工况数据清除;在因网络通讯等原因暂时不能上传时,将数据矩阵压缩后存入车载终端内存,待网络回复后上传,上传后将车载终端内存数据清空。
进一步,数据处理模型中特征降维使用的处理方法包括但不限于主成分分析法、小波分析法、线性判别分析法、奇异值分解法和流形学习法。
进一步,所述云平台基于车辆识别代号、车载终端ID和行程编号判断行程是否结束,如未结束,则继续存储接收数据,直至行程结束;当行程结束时,云平台运用部署在内部的机器学习模型基于接收到的终端边缘计算获得的典型工况特征数据矩阵,经过处理分析后得到驾驶激情指数。
进一步,所述云平台将驾驶激情指数结果、车辆识别代号、车载终端ID和时间戳数据以数据矩阵形式存储在云平台中。
进一步,所述云平台基于驾驶激情指数的历史数据,周期性的(每天、每周、每月和每年)对同一个驾驶员的驾驶激情指数统计分析,生成周期性的分析报告,反馈给APP终端,供驾驶员参考,此外也会针对同一周期内对所有驾驶员进行统计分析,生成分析报告,反馈给需求机构。
进一步,所述机器学习模型为从神经网络、支持向量机、决策树、随机森林和朴素贝叶斯分类的组中选择算法建立的模型。
本发明解决技术问题采用如下技术方案:
一种基于端云协同的驾驶激情指数的识别方法,包括以下步骤:
S101、行程开始,车载终端的数据采集模块生成行程编号;
S102、当工况辨别子模块辨识到某一工况开始时,工况识别子模块生成一个工况编号,同时数据存储模块开始记录车辆识别代号、车载终端ID、行程编号、工况编号、时间戳和车辆数据,以数据矩阵的形式存储至原始数据存储区;
S103、数据处理模块对原始数据进行处理,得到工况的关键特征,并将车辆识别代号、车载终端ID、行程编号、工况编号、时间戳、车辆数据和关键特征以数据矩阵形式存入数据存储模块的数据结果存储区,通过网络通讯模块将数据上传至云平台;
S104、云平台接收车载终端上传的数据,存储在平台内部;
S105、当工况辨识子模块辨识此工况结束时,数据存储结束;云平台运用部署在内部的机器学习模型基于接收到的终端边缘计算获得的典型工况特征数据矩阵计算出驾驶激情指数;
S106、将驾驶激情指数结果与车辆识别代号、车载终端ID和时间戳数据以数据矩阵形式存储在云平台;
S107、云平台根据驾驶激情指数和云平台内预设的驾驶行为建议库,将本次行程的驾驶激情指数和对驾驶员的驾驶建议上传至APP终端;
S108、云平台针对同一驾驶员的驾驶激情指数周期性的进行统计,生成周期性的分析报告,反馈给APP终端;
本发明具有如下有益效果:本发明的基于端云协同的驾驶激情指数识别装置不仅可以提高识别的精准度和鲁棒性,而且省去了复杂的融合过程,减少了云平台计算量,此外相比于传统的识别方法中将所有的计算过程全部放在云平台进行,本发明的识别方法能够实现端-云间计算资源的协调与优化,降低硬件成本、降低数据上传流量费用和存储费用,提高运算速度。
附图说明
图1为本发明的基于端云协同的驾驶激情指数识别装置结构图;
图2为本发明的基于端云协同的驾驶激情指数的识别方法的流程图
图3为驾驶激情指数识别模型示例图。
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
实施例1
本实施例提供了一种基于端云协同的驾驶激情指数识别装置,用于解决现有技术中大批量杂乱无章的原始数据上传至云平台,导致云平台计算负载大、计算周期长、速度慢和效率低等问题,避免了原始数据占用云平台带宽和存储量,减少运算时间节约通讯费等。
如图1所示,一种基于端云协同的驾驶激情指数识别装置,包括安装在车内的车载终端、布置在后台的云平台和安装在驾驶员手机内的APP终端;
所述车载终端用于数据的采集、存储、处理和上传;
所述云平台用于接收车载终端上传的数据矩阵,并将数据矩阵存储至存储区;判断行程是否结束,在行程结束后利用部署在云平台中的机器学习模型对接收的典型工况的关键特征数据矩阵进行处理,得到行程的驾驶激情指数,并将驾驶激情指数结果、驾驶建议和周期性的分析报告推送至APP终端。
所述APP终端用于接收云平台发送的激情指数结果、驾驶建议和周期性的分析报告,并在手机APP中显示。
进一步,所述车载终端包括数据采集模块、数据存储模块、数据处理模块和网络通讯模块;
所述数据采集模块通过局域网通讯接口与车载CAN总线相连,通过预先设定的采集协议以固定的采样频率采集车辆数据,并将采集的车辆数据上传至数据存储模块。在本实施例中,所述车辆数据包括但不限于车辆速度、横摆角速度、纵向加速度、油门踏板开度、制动主缸压力、方向盘转角、侧向加速度、目标车辆相对速度、目标车辆相对加速度和目标车辆相对距离等。所述数据采集模块中集成工况辨识子模块,所述工况辨别子模块用于辨别工况。
在本发明的实施例中,工况识别子模块辨识的工况结果包括但不限于:启动工况(Mid=1)、加速工况(Mid=2)、减速工况(Mid=3)、驶离工况(Mid=4)、转弯工况(Mid=5)、变道工况(Mid=6)、超车工况(Mid=7)、跟车工况(Mid=8)、调头工况(Mid=9)和停车工况(Mid=10)。
所述数据存储模块包括原始数据存储区和数据结果存储区;所述原始数据存储区用于存储原始数据;所述数据结果存储区用于存储数据处理模块计算出的数据结果,并均按照先进先出(FIFO)原则进行存储及发送。
进一步,当工况辨识子模块辨识出某一工况开始时,工况辨别子模块生成一个工况编号,数据存储模块开始记录车辆识别代号、车载终端ID、行程编号、工况编号、时间戳和车辆数据,并将这些原始数据以数据矩阵的形式存储在原始数据存储区;当辨识出此工况结束时,数据存储模块停止记录数据。
所述数据处理模块基于模块内部的数据处理模型,对原始数据存储区内的原始数据进行特征抽取和特征降维,得到工况的关键特征,将关键特征存储至数据存储模块的数据结果存储区内,并将数据存储模块内的车辆识别代号、车载终端ID、行程编号、工况编号、时间戳、车辆数据和关键特征以数据矩阵形式通过网络通讯模块上传至云平台。
在本发明的实施例中,数据处理模型中特征降维使用的处理方法包括但不限于主成分分析法、小波分析法、线性判别分析法、奇异值分解法和流形学习法等。
在本发明的实施例中,数据存储模块的数据全部上传完成后,车载终端将数据结果存储区和原始数据存储区内的此工况数据清除,用于新工况数据的存储。如因网络通讯等原因暂时不能上传,可将数据矩阵压缩后存入车载终端内存,待网络回复后上传,上传后将车载终端内存数据清空。
所述网络通讯模块负责车载终端与云平台之间的通讯,通过预先设定的协议将数据或者数据结果通过3G、WIFI或者4G上传至云平台,并接收云平台返回的计算结果和指令。
进一步,所述云平台基于车辆识别代号、车载终端ID和行程编号判断行程是否结束,如未结束,则继续存储接收数据,直至行程结束。当行程结束时,云平台运用部署在内部的机器学习模型基于接收到的终端边缘计算获得的典型工况特征数据矩阵,经过处理分析后得到本次行程的驾驶激情指数;所述云平台将驾驶激情指数结果、车辆识别代号、车载终端ID和时间戳数据以数据矩阵形式存储在云平台中,用于历史数据查询和使用。
云平台根据本次行程的驾驶激情指数和云平台内预设的驾驶行为员建议库,将本次行程的驾驶激情指数和对驾驶员的驾驶建议返回给驾驶员手机App终端,驾驶员可在App终端直接查看本次行程的驾驶激情指数及基于驾驶激情指数对驾驶员的安全驾驶、节能驾驶的驾驶建议。
另一方面,云平台基于驾驶激情指数的历史数据,周期性的(每天、每周、每月和每年)对同一个驾驶员的驾驶激情指数统计分析,生成周期性的分析报告,反馈给驾驶员手机APP终端,供驾驶员参考,此外也会针对同一周期内对所有驾驶员进行统计分析,生成分析报告,反馈给需求机构。
此外,当云平台同时接入了大量的车辆终端时,则依托云平台的计算资源,对批量行程数据和批量驾驶员数据进行批处理,或同时对批量驾驶员的批量行程数据进行批处理。基于批处理激情指数结果和云平台内预设的驾驶行为员建议库,将驾驶激情指数和驾驶建议批量返回给批量驾驶员手机App终端。
在本发明的实施例中,部署在云平台内部的机器学习模型为从神经网络、支持向量机、决策树、随机森林和朴素贝叶斯分类的组中选择算法建立的模型,且部署在云平台内部的机器学习模型的输入为单次行程内经由终端边缘计算得到的所有工况的关键特征,机器学习模型的输出即为本次行程的驾驶激情指数。
实施例2
本发明还提供了一种基于端云协同的驾驶激情指数的识别方法,用于解决现有技术中大批量杂乱无章的原始数据上传至云平台,导致云平台计算负载大、计算周期长、速度慢和效率低等问题,避免了原始数据占用云平台带宽和存储量,减少运算时间节约通讯费等。
如图2所示为本发明的基于端云协同的驾驶激情指数的识别方法的流程图。具体地,一种基于端云协同的驾驶激情指数的识别方法,包括以下步骤:
S101、行程开始,车载终端的数据采集模块生成行程编号;
S102、当工况辨别子模块辨识到某一工况开始时,工况识别子模块生成一个工况编号,同时数据存储模块开始记录车辆识别代号、车载终端ID、行程编号、工况编号、时间戳和车辆数据,以数据矩阵的形式存储至原始数据存储区;
例如,当工况辨识子模块识别出当前工况为变道工况(Mid=6)时,数据存储模块开始记录车辆识别代号、车载终端ID、行程编号、工况编号、时间戳、车辆车速、横摆角速度、纵向加速度、侧向加速度、油门踏板开度、制动踏板开关、方向盘转角/转速、方向盘力矩、发送机扭矩、制动主缸压力、前车相对速度、前车相对距离、前车相对加速度、侧向距离、左/右侧车道线距离、车道线宽度和车道线曲率。当工况辨识子模块辨识此工况结束时,数据存储结束。
S103、数据处理模块对原始数据进行处理,得到工况的关键特征,并将车辆识别代号、车载终端ID、行程编号、工况编号、时间戳、车辆数据和关键特征以数据矩阵形式存入数据存储模块的数据结果存储区,通过网络通讯模块将数据上传至云平台;
例如,当工况辨识子模块识别出当前工况为变道工况(Mid=6)时,车载终端内部的数据处理模型使用的特征降维的处理方法为主成分分析法。原始数据经过特征构造和特征降维后得到的工况Mid=6的关键特征为:横摆角速度最大值、侧向加速度最大值、前车最小距离、最大减速度、最大方向盘转速、最大油门开度变化率、后侧车辆最小距离和车道变更距离。
S104、云平台接收车载终端上传的数据,存储在平台内部;
S105、当工况辨识子模块辨识此工况结束时,数据存储结束;云平台运用部署在内部的机器学习模型基于接收到的终端边缘计算获得的典型工况特征数据矩阵计算出驾驶激情指数;
例如,某一段行程中,车载终端辨识出驾驶员进行了1次启动工况、1次变道工况和1次停车工况,终端边缘对原始数据进行特征构造和特征降维后,得到工况的关键特征,车载终端将启动工况(Mid=1)的最大纵向加速度和最大加速踏板开度变化率,变道工况(Mid=6)的最大横摆角速度、前车最小距离、车道变更距离、侧向加速度最大值、最大方向盘转速、后侧车辆最小距离、最大减速度和最大加速踏板变化率,停车工况(Mid=10)的制动踏板开度、停车初速度、平均减速度和最大减速度及车辆识别代号、终端ID、行程编号和时间戳数据以数据矩阵的形式上传至云平台。
云平台接收数据矩阵存储并判断行程是否结束,行程结束后云平台将数据矩阵输入给本次示例中的神经网络模型。神经网络模型通过识别数据矩阵中工况的次数和关键特征的个数确定输入层的个数,本示例中输入层个数为14层,输入数据为本次行程由车载终端辨识出的所有典型工况的关键特征;通过梯度下降算法及最小优化代价函数的原则确定隐藏层的个数和层数,本示例中隐藏层个数为一个,层数为7层;输出层为本次行程的驾驶激情指数。本神经网络模型中输入层的个数、隐藏层的层数和个数均可由神经网络模型基于本次行程的数据自适应优化得到,输出层则为本次行程的驾驶激情指数。图3为本次示例的驾驶激情指数识别模型示例图。
部署在云平台的模型为从神经网络、支持向量机、决策树、随机森林和朴素贝叶斯分类的组中选择算法建立的机器学习模型,且机器学习模型的输入为单次行程内经由终端边缘计算得到的所有工况的关键特征,机器学习模型的输出即为本次行程的驾驶激情指数。
S106、将驾驶激情指数结果与车辆识别代号、车载终端ID和时间戳数据以数据矩阵形式存储在云平台;
S107、云平台根据驾驶激情指数和云平台内预设的驾驶行为建议库,将本次行程的驾驶激情指数和对驾驶员的驾驶建议上传至APP终端;
S108、云平台针对同一驾驶员的驾驶激情指数周期性的进行统计,生成周期性的分析报告,反馈给APP终端;
以上实施例的先后顺序仅为便于描述,不代表实施例的优劣。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种基于端云协同的驾驶激情指数识别装置,其特征在于,包括安装在车内的车载终端、布置在后台的云平台和安装在驾驶员手机内的APP终端;
所述车载终端用于数据的采集、存储、处理和上传;
所述云平台用于接收网络通讯模块上传的数据矩阵,对数据矩阵进行处理,并将驾驶激情指数结果、驾驶建议和周期性的分析报告推送至APP终端;
所述APP终端用于接收云平台发送的激情指数结果、驾驶建议和周期性的分析报告,并在手机APP中显示。
2.根据权利要求1所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述车载终端包括数据采集模块、数据存储模块、数据处理模块和网络通讯模块;
所述数据采集模块通过局域网通讯接口与车载CAN总线相连,通过预先设定的采集协议以固定的采样频率采集车辆数据,并将采集的车辆数据上传至数据存储模块;
所述数据存储模块包括原始数据存储区和数据结果存储区;所述原始数据存储区用于存储原始数据;所述数据结果存储区用于存储数据处理模块计算出的数据结果,并均按照先进先出原则进行存储及发送;
所述数据处理模块基于模块内部的数据处理模型,对原始数据存储区内的原始数据进行特征抽取和特征降维,得到工况的关键特征,将关键特征存储至数据存储模块的数据结果存储区内,并将数据存储模块内的车辆识别代号、车载终端ID、行程编号、工况编号、时间戳、车辆数据和关键特征以数据矩阵形式通过网络通讯模块上传至云平台;
所述网络通讯模块负责车载终端与云平台之间的通讯,通过预先设定的协议将数据或者数据结果通过3G、WIFI或者4G上传至云平台,并接收云平台返回的计算结果和指令。
3.根据权利要求2所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述数据采集模块采集的车辆数据包括但不限于车辆速度、横摆角速度、纵向加速度、油门踏板开度、制动主缸压力、方向盘转角、侧向加速度、目标车辆相对速度、目标车辆相对加速度和目标车辆相对距离。
4.根据权利要求2所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述数据采集模块中集成工况辨识子模块;所述工况辨别子模块用于辨别工况,且工况识别子模块辨识的工况结果包括但不限于:启动工况、加速工况、减速工况、驶离工况、转弯工况、变道工况、超车工况、跟车工况、调头工况和停车工况。
5.根据权利要求2所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述原始数据存储区存储的原始数据包括车辆识别代号、车载终端ID、行程编号、工况编号、时间戳和车辆数据。
6.根据权利要求2所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述数据存储区模块的数据全部上传完成后,车载终端将数据结果存储区和原始数据存储区内的数据清除;在因网络通讯等原因暂时不能上传时,将数据矩阵压缩后存入车载终端内存,待网络回复后上传,上传后将车载终端内存数据清空。
7.根据权利要求2所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述数据处理模型中特征降维使用的处理方法包括但不限于主成分分析法、小波分析法、线性判别分析法、奇异值分解法和流形学习法。
8.根据权利要求1所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述云平台基于车辆识别代号、车载终端ID和行程编号判断行程是否结束,如未结束,则继续存储接收数据,直至行程结束;当行程结束时,云平台运用部署在内部的机器学习模型基于接收到的终端边缘计算获得的典型工况特征数据矩阵,经过处理分析后得到驾驶激情指数。
9.根据权利要求8所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述云平台将驾驶激情指数结果、车辆识别代号、车载终端ID和时间戳数据以数据矩阵形式存储在云平台中。
10.根据权利要求8所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述云平台基于驾驶激情指数的历史数据,周期性的(每天、每周、每月和每年)对同一个驾驶员的驾驶激情指数统计分析,生成周期性的分析报告,反馈给APP终端,供驾驶员参考,此外也会针对同一周期内对所有驾驶员进行统计分析,生成分析报告,反馈给需求机构。
11.根据权利要求8所述的基于端云协同的驾驶激情指数识别装置,其特征在于,所述机器学习模型为从神经网络、支持向量机、决策树、随机森林和朴素贝叶斯分类的组中选择算法建立的模型。
12.一种基于端云协同的驾驶激情指数的识别方法,包括权利要求1-11之一所述的基于端云协同的驾驶激情指数的识别装置,其特征在于,包括以下步骤:
S101、行程开始,车载终端的数据采集模块生成行程编号;
S102、当工况辨别子模块辨识到某一工况开始时,工况识别子模块生成一个工况编号,同时数据存储模块开始记录车辆识别代号、车载终端ID、行程编号、工况编号、时间戳和车辆数据,以数据矩阵的形式存储至原始数据存储区;
S103、数据处理模块对原始数据进行处理,得到工况的关键特征,并将车辆识别代号、车载终端ID、行程编号、工况编号、时间戳、车辆数据和关键特征以数据矩阵形式存入数据存储模块的数据结果存储区,通过网络通讯模块将数据上传至云平台;
S104、云平台接收车载终端上传的数据,存储在平台内部;
S105、当工况辨识子模块辨识此工况结束时,数据存储结束;云平台运用部署在内部的机器学习模型基于接收到的终端边缘计算获得的典型工况特征数据矩阵计算出驾驶激情指数;
S106、将驾驶激情指数结果与车辆识别代号、车载终端ID和时间戳数据以数据矩阵形式存储在云平台;
S107、云平台根据驾驶激情指数和云平台内预设的驾驶行为建议库,将本次行程的驾驶激情指数和对驾驶员的驾驶建议上传至APP终端;
S108、云平台针对同一驾驶员的驾驶激情指数周期性的进行统计,生成周期性的分析报告,反馈给APP终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146572.3A CN109977148A (zh) | 2019-02-27 | 2019-02-27 | 一种基于端云协同的驾驶激情指数识别装置和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146572.3A CN109977148A (zh) | 2019-02-27 | 2019-02-27 | 一种基于端云协同的驾驶激情指数识别装置和识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109977148A true CN109977148A (zh) | 2019-07-05 |
Family
ID=67077501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910146572.3A Pending CN109977148A (zh) | 2019-02-27 | 2019-02-27 | 一种基于端云协同的驾驶激情指数识别装置和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977148A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610033A (zh) * | 2019-08-27 | 2019-12-24 | 中国第一汽车股份有限公司 | 驾驶行为评价方法、装置、设备和存储介质 |
CN110730245A (zh) * | 2019-10-22 | 2020-01-24 | 青岛农业大学 | 基于神经网络的边缘计算系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297290A (zh) * | 2016-08-27 | 2017-01-04 | 时空链(北京)科技有限公司 | 一种驾驶行为处理方法、车载设备和云端服务器 |
CN107168301A (zh) * | 2017-07-19 | 2017-09-15 | 江苏柠檬网络科技有限公司 | 一种基于远程平台监控的智能车载诊断系统 |
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
-
2019
- 2019-02-27 CN CN201910146572.3A patent/CN109977148A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
CN106297290A (zh) * | 2016-08-27 | 2017-01-04 | 时空链(北京)科技有限公司 | 一种驾驶行为处理方法、车载设备和云端服务器 |
CN107168301A (zh) * | 2017-07-19 | 2017-09-15 | 江苏柠檬网络科技有限公司 | 一种基于远程平台监控的智能车载诊断系统 |
Non-Patent Citations (1)
Title |
---|
吴振昕 等: "基于大数据的驾驶风格识别算法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610033A (zh) * | 2019-08-27 | 2019-12-24 | 中国第一汽车股份有限公司 | 驾驶行为评价方法、装置、设备和存储介质 |
CN110730245A (zh) * | 2019-10-22 | 2020-01-24 | 青岛农业大学 | 基于神经网络的边缘计算系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108248609B (zh) | 混合动力车辆和在混合动力车辆中预测驾驶样式的方法 | |
CN111703418B (zh) | 一种基于车车通信的多车分布式协同避撞方法及装置 | |
US10786208B2 (en) | Systems and methods for predicting and detecting a cardiac event | |
CN109977148A (zh) | 一种基于端云协同的驾驶激情指数识别装置和识别方法 | |
US11718306B2 (en) | Method and apparatus for acquiring sample deviation data, and electronic device | |
CN110415522B (zh) | 一种基于多目标雷达的可变车道的控制方法及装置 | |
CN112164217B (zh) | 一种自动驾驶车辆队列行驶管理系统及其控制方法 | |
CN113635772B (zh) | 能量回收的控制方法、控制装置、车辆及存储介质 | |
CN114148300A (zh) | 自动驻车方法 | |
CN111397630A (zh) | 基于云端服务器的车辆能量管理方法、车辆和能量管理系统 | |
CN111047047A (zh) | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 | |
US11703874B2 (en) | System and method for collection of performance data by a vehicle | |
CN113807298B (zh) | 行人过街意图预测方法、装置、电子设备及可读存储介质 | |
CN113344115A (zh) | 一种基于轻量级模型的目标检测方法 | |
CN114074660A (zh) | 一种预见性巡航节油控制方法、装置及存储介质 | |
CN110971826A (zh) | 视频前端监控装置及方法 | |
CN115742763A (zh) | 一种车辆能量回收控制方法及装置 | |
CN112991764B (zh) | 一种基于摄像头的超车场景数据采集、识别与提取系统 | |
CN114138466A (zh) | 面向智慧公路的任务协同处理方法、装置及存储介质 | |
CN112747759A (zh) | 一种车辆固定路线智能导航系统及其工作方法 | |
CN111891132B (zh) | 一种基于加减速的业务处理方法、装置、设备和存储介质 | |
CN113867365B (zh) | 无人驾驶车辆变加速度的确定方法、装置和相关设备 | |
US20230275598A1 (en) | Data compression selection system | |
CN114995217A (zh) | 一种基于“ai+视觉”的辅助自动驾驶系统 | |
Hashimoto et al. | Acquisition of Association Rules between a Situation and an Operation of Driving Behavior by using Time Series Clustering based on Coupled-GP-HSMM |
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 |