CN109979194A - 基于马尔可夫链的重型车辆坡道爬行行为识别方法 - Google Patents

Abstract

本发明属于行为识别领域，具体涉及一种基于马尔可夫链的重型车辆坡道爬行行为识别方法。本发明以大规模重型商用车的GNSS行驶数据为数据源，通过时空特征提取与模式学习建立车辆行为模型，来辨识和预测重型商用车的坡道爬行行为。首先对数据进行时间分段，提取同一地理位置下车辆速度为零的时间连续样本，运用卡尔曼滤波优化样本数据精度，进一步提升样本质量。然后采用Markov Chain Monte Carlo模型构造车辆高度差的特征分布，并使用Metropolis Hastings算法进行参数估计，确定重型商用车的爬行行为特征。最后，建立基于逻辑回归的车辆行为模型HVMove。达到有效地辨识重型商用车的坡道行驶状态，以及准确地预测其坡道行驶状态的目的。

Description

基于马尔可夫链的重型车辆坡道爬行行为识别方法

技术领域

本发明属于行为识别领域，具体涉及一种基于马尔可夫链的重型车辆坡道爬行行为识别方法。

背景技术

世界范围内的快速经济增长使公路货运大幅度增加，很大一部分总运输成本是由相应的重型车辆的高使用率所驱动的。因此，准确识别重型车辆在道路上的运动和行为，是减少交通事故、评价环境影响、降低油耗、优化交通部门的首要基础。重型车辆在道路上的跟踪与行为识别是发展自动化重型车辆和先进驾驶辅助系统的关键，通过识别重型车辆的运动和行为，可以了解道路坡度上车辆的动态特性，实现重型车运动状态的精确识别。其中基于轨迹跟踪得到的车辆时空信息和行为分析得到的车辆运动信息，可以预测可能的驾驶风险，生成安全运动，避免道路事故的发生。

在重型车辆的轨迹跟踪方面，以往研究中的数据采集多采用以下方法：

1、视频手段采集方法，该方法主要针对外部车辆行为的识别，容易受到自然坏境、多车跟踪实时性以及车辆振动冲击等客观因素的影响，难以获取位于检测盲区的车辆轨迹数据；

2、基于非视频手段的采集方法，主要通过多传感器获取车辆行为数据，采用的算法完全依赖于车载传感器的使用，如摄像机、激光雷达和雷达，而且该方法仅适用于对单个车辆的行为识别，此外，由于信号噪声、车辆行驶区域视野狭窄、障碍物突发性等原因，重型车辆的跟踪数据的采集受到进一步限制。

在重型车辆的爬行行为识别方面，现有的研究方法有：

1、视频数据分析方法，即通过对视频手段得到的数据进行融合分析处理，从实际轨迹数据的时间信息中提取和聚类公共状态序列，从而识别不同的车辆行为，然而，该方法是基于离散事件的，数据采集稀疏不充分，且因为没有准确考虑重型车辆的运动升级和降级特点以及时间复杂度高的关系，使得该方法执行效果很差，也限制了重型车辆行为识别的性能；

2、深度学习方法，将更简单的车辆行为识别模型组合在一起，将数据从一层传递到另一层以构建更复杂的模型，通过训练大量数据自动得出最终的行为识别模型，来推断尚未建模的其他数据，虽然深度学习技术能够提高车辆行为识别的准确性，但缺乏通用性，其应用受到数据稀疏性的限制，无法验证模型的准确度，例如，当轨迹数据不完整时，车辆的完整驾驶行为是无法预测的。此外，深度学习方法的识别精度受车辆行驶公里数的影响，这使得该方法在长距离重载车辆运动识别任务中的应用存在问题。

发明内容

针对现有技术中存在的重型商用车辆在轨迹与行为上的特殊性、其行驶行为识别精度受到车辆行驶里程、时间复杂度以及普适性等问题的影响，会造成其识别准确率降低的问题，本发明提供了一种基于马尔科夫链的重型车坡道爬行行为识别方法，采用以下技术方案实现：

基于马尔可夫链的重型车辆坡道爬行行为识别方法，包括如下步骤：

步骤1：获取重型车辆的行驶数据，对行驶数据进行数据清洗，获得样本行驶数据，所述样本行驶数据包括位置数据、高度观测数据、车速数据与时间数据；

步骤2：对步骤1得到的样本行驶数据进行真实地图匹配与日期分段，并将分段后的样本行驶数据划分为训练集和测试集，建立高度预测模型，将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；

步骤3：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据之间的误差阈值，根据误差阈值标记训练集的高度数据的最优预测值获得基准数据，将基准数据与步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹；

步骤4：对步骤3获得的标高轨迹进行特征提取，建立基于马尔科夫链的重型车辆爬坡行为模型，将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

进一步的，步骤1中的数据清洗包括：

(1)对于数据出发时间、接收时间以及经纬度其中任一项相同的重复的行驶数据进行剔除；

(2)对时间连续、经纬度差异精确到小数点后四位相同却出现高度值明显异常的行驶数据进行中值处理；

(3)对缺失的行驶数据，采取前后值做均值的方法进行插值处理；

(4)对时序混乱的行驶数据进行重新排序处理。

进一步的，步骤2包括以下子步骤：

步骤2.1：对步骤1得到的样本行驶数据进行真实地图匹配并采用语义分割方法进行日期分段，将具有相似特征的行驶数据分为一段，并将分段后的样本行驶数据划分为训练集和测试集；

步骤2.2：利用式Ⅰ建立高度预测模型：

H(k|k-1)＝P(k|k-1)+Kg(k)[Y(k)-H(k|k-1)] 式Ⅰ

其中，H为车辆行驶的海拔高度数据，Kg(k)为卡尔曼增益，Y(k)为高度观测矩阵，H(k|k-1)为卡尔曼滤波后k时刻高度数据的最优预测值，P(k|k-1)为卡尔曼滤波后k时刻高度数据的协方差矩阵，k-1时刻为观测时刻，k时刻为预测时刻；

步骤2.3：将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值。

进一步的，步骤3包括如下子步骤：

步骤3.1：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据，利用式Ⅱ得到二者之间的误差阈值AT，

其中，n为分段得到的时间段数，SSP_K为k时刻的短期停留点；

步骤3.2：根据步骤3.1得到的误差阈值AT对训练集的高度数据的最优预测值进行标记，若相邻两个时刻的高度数据差大于误差阈值AT则标记为1，否则标记为0，将标记后的训练集的高度数据的最优预测值记为基准数据；

步骤3.3：将步骤3.2得到的基准数据和步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹。

进一步的，步骤4包括如下子步骤：

步骤4.1：对步骤3获得的标高轨迹进行特征提取，所述特征为高度差与连续高度差和；

步骤4.2：利用式Ⅲ建立基于马尔科夫链的重型车辆爬坡行为模型，

P(D|HD)表示通过高度差来判断车辆行驶模式的概率，D表示行驶模式，D＝0表示平路，D＝1表示上坡，HD表示高度差，α和β是优化参数；

步骤4.3：将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

进一步的，步骤4.2中优化参数α和β的选取具体为：

(1)采用高斯分布构造参数α和β的先验概率分布；

(2)建立基于伯努利变量的爬行概率P(HD_i)与参数α和β映射关系；

(3)采用先验高斯分布N(μ,σ²)构造目标分布为P(D|HD)的马氏链，来确定状态间的转移概率,产生重型车辆爬坡行为模型的概率分布样本；

(4)扩展MCMC从两个高斯分布中对α和β进行抽样，获得每个参数的样本集合，进而获得所有样本的平均值及最大似然状态，最终确定合理的参数α和β。

本发明具有如下有益效果：

(1)本发明采用大规模重型商用车行驶数据，通过时空特征提取与模式学习建立车辆行为模型，其中采用MCMC模型分析和选取车辆的爬坡行为特征，并扩展MetropolisHastings进行参数估计，以达到有效地辨识重型商用车的坡道行驶状态，以及准确地预测其坡道行驶状态。

(2)本发明扩展了马尔科夫链蒙特卡洛(Markov Chain Monte Carlo，MCMC)方法对模型进行参数估计，来建立重型商用车辆的爬行行为模型；同时考虑到重型商用车辆在轨迹与行为上的特殊性、识别精度会受车辆行驶里程影响、时间复杂度以及普适性等问题，提出了通过位置传感器获得重型商用车的大规模行驶数据，针对其典型的长坡道爬行行为进行辨识和预测。在重型车辆爬行行为识别精度方面有很大的提升，可以有效地降低模型复杂度以及模型性能的损失，可以更加准确地预测重型商用车的坡道行驶状态。

附图说明

图1为本发明提供的车辆坡道爬行行为识别方法的流程图；

图2为在实际地图上以高度为标志的轨迹；

图3为数据采样点对识别概率的影响。

具体实施方式

首先对专利中出现的技术名词进行解释：

马尔科夫链蒙特卡洛(Markov Chain Monte Carlo，MCMC)方法：该方法将马尔科夫(Markov)过程引入到蒙特卡洛(Monte Carlo)模拟中，实现抽样分布随模拟的进行而改变的动态模拟，弥补了传统的蒙特卡罗积分只能静态模拟的缺陷。MCMC是一种简单有效的计算方法，在很多领域到广泛的应用，如统计物、贝叶斯(Bayes)问题、计算机问题等。

卡尔曼滤波：卡尔曼滤波利用线性系统状态方程，通过系统输入观测数据，对系统状态进行最优估计。

标高轨迹：在实际地图上通过标记每个数据的高度而得到的轨迹。

基准数据：通过线性回归得到GNSS同一经纬度高度测量值的一个误差阈值。

GNSS行驶数据：通过重型车辆自身传感器结合全球导航卫星系统定位得到的车辆行驶数据，包括数据出发时间、数据接收时间、GNSS经纬度、高度、速度、定位标记，南北纬标记，东西经标记。

GNSS轨迹：由发明所述数据处理后得到的轨迹数据。

HVMove模型：本发明所建立的重型车辆坡道爬行行为识别模型。

基于马尔可夫链的重型车辆坡道爬行行为识别方法，包括如下步骤：

步骤1：获取重型车辆的行驶数据，对行驶数据进行数据清洗，获得样本行驶数据，所述样本行驶数据包括位置数据、高度观测数据、车速数据与时间数据；

步骤2：对步骤1得到的样本行驶数据进行真实地图匹配与日期分段，并将分段后的样本行驶数据划分为训练集和测试集，建立高度预测模型，将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；

步骤3：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据之间的误差阈值，根据误差阈值标记训练集的高度数据的最优预测值获得基准数据，将基准数据与步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹；

步骤4：对步骤3获得的标高轨迹进行特征提取，建立基于马尔科夫链的重型车辆爬坡行为模型，将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

本发明以大规模重型商用车的GNSS行驶数据为数据源，通过时空特征提取与模式学习建立车辆行为模型，来辨识和预测重型商用车的坡道爬行行为。

优选的，步骤1中获取重型车辆的行驶数据为采用GNSS定位的某一辆重型商用车行驶数据，该数据覆盖车辆9天内，在陕西与山西省境内的京昆高速路段、G108国道、S331省道的行驶轨迹，共57698条数据。

具体的，步骤1中的数据清洗包括：

(1)对于数据出发时间、接收时间以及经纬度其中任一项相同的重复的行驶数据进行剔除；

(2)对时间连续、经纬度差异精确到小数点后四位相同却出现高度值明显异常的行驶数据进行中值处理；

(3)对缺失的行驶数据，采取前后值做均值的方法进行插值处理；，例如在采集的一条行驶数据中缺少行驶高度值这一项，采用前一条行驶数据的高度值和后一条行驶数据数据高度值的均值作为填充；

(4)对时序混乱的行驶数据进行重新排序处理；例如在采样中，由于受到地理环境、信号强度的影响，使得行驶数据的排列顺序不是严格按照时间顺序。

通过以上的数据清洗操作，可以使得到的数据更加精确，合理，方便之后处理。

具体的，步骤2包括以下子步骤：

步骤2.1：对步骤1得到的样本行驶数据进行真实地图匹配并采用语义分割方法进行日期分段，将具有相似特征的行驶数据分为一段，并将分段后的样本行驶数据划分为训练集和测试集；

优选的，所述真实地图匹配为运用ArcGis将行驶数据投影在真实地图上，对数据点进行纠正和分析，用以对数据点进行纠正和分析，确定重型商用车在地图上的行驶路线。

优选的，所述语义分割表示对具有相似特征的数据如位置、高度、车速与时间等信息进行分类。

优选的，按照7比3的比例将分段后的样本行驶数据划分训练集和测试集，即70％的数据用于训练，剩下的30％用于测试。

优选的，日期划分为24小时。

步骤2.2：利用式Ⅰ建立高度预测模型：

H(k|k-1)＝P(k|k-1)+Kg(k)[Y(k)-H(k|k-1)] 式Ⅰ

其中，H为车辆行驶的海拔高度数据，Kg(k)为卡尔曼增益，Y(k)为高度观测矩阵，H(k|k-1)为卡尔曼滤波后k时刻高度数据的最优预测值，P(k|k-1)为卡尔曼滤波后k时刻高度数据的协方差矩阵，k-1时刻为观测时刻，k时刻为预测时刻；

具体的，首先利用卡尔曼滤波，由k-1时刻状态的高度数据可以得到k时刻状态高度数据的预测值；

H(k)＝ψH(k-1)+γW(k) 式1

其中，对于某一时刻的第k个状态，H为车辆行驶的海拔高度数据，H(k-1)代表当前状态输入的车辆样本训练集中的数据，H(k)代表下一个状态的车辆样本训练集中的数据，W(k)为过程噪声矩阵，γ＝[1]和ψ＝[1]为状态转换矩阵。

其次，在第k个状态时，给出了高度数据的观测模型，可以得到k时刻状态高度数据的观测值；

Y(k)＝NG(k)+D(k) 式2

其中Y(k)为高度观测矩阵，N＝[1]为观测矩阵，G(k)为真实的高度矩阵，D(k)为观测到的噪声矩阵，D(k)为观测噪声矩阵。

更新当前k-1时刻的高度数据的协方差矩阵P，计算卡尔曼增益Kg确定参数ψ，其中Q为过程噪声的协方差：

P(k|k-1)＝ψP(k-1|k-1)ψ^T+Q(k-1) 式3

其中，P(k|k-1)为卡尔曼滤波后的k时刻状态高度数据的协方差矩阵，且该形式为卡尔曼滤波的标准形式意思为由k-1时刻求k时刻。

同时可以将预测值与观测值连接起来(即将它们分别求出来，然后通过构造卡尔曼增益来分配预测值和观测值的权重)，以此来确定下一状态的观测值和观测值，将预测部分和观测部分两个高斯分布相乘以后仍服从高斯分布，利用两部分的权值比较来确定哪个结果更加准确；

构造卡尔曼增益Kg来分配预测值和观测值的权重如下:

Kg(k)＝P(k-1|k-1)N^T[NP(k|k-1)N^T+R(k-1)]^-1 式4

其中，R(k)是D(k)的协方差矩阵，根据式1得到的预测值和式2得到的观测值，k时刻的最优高度值可以由式3和式4计算的权重得到。

步骤2.3：将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值。

上述方法利用卡尔曼滤波相对于均值和中值滤波器具有缺乏滞后、状态向量更丰富、在处理连续噪音点等优势，进行重卡轨迹数据处理，得到相对前几种滤波方式更精确，更好的效果。

步骤2的目的是：针对步骤1得到的样本数据在海拔维度上的随机噪声问题，对样本数据进行过滤和分段，来提升样本数据的精度和质量。

具体的，步骤3包括如下子步骤：

步骤3.1：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据，利用式Ⅱ得到二者之间的误差阈值AT，

其中，n为分段得到的时间段数，SSP_K为k时刻的短期停留点，短期停留点SSP代表在一定时间间隔内重型车辆以0m/s速度行驶的一段地理数据；

优选的，选取线性回归作为误差阈值的模型如下式所示：

h_n(t)＝θ₀+θ₁t 式11

其中h_n(t)表示高度关于时间序列的函数，θ₀表示截距，θ₁表示斜率，t为样本数据的时间。

步骤3.2：根据步骤3.1得到的误差阈值AT对训练集的高度数据的最优预测值进行标记，若相邻两个时刻的高度数据差大于误差阈值AT则标记为1，否则标记为0，将标记后的训练集的高度数据的最优预测值记为基准数据；

步骤3.3：将步骤3.2得到的基准数据和步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹，如图2所示。

具体的，步骤4包括如下子步骤：

步骤4.1：对步骤3获得的标高轨迹进行特征提取，所述特征为高度差与连续高度差和；

其中，高度差能反应出重卡在连续时间段中各轨迹点高度相对爬升与下降的数值，因此，对时间连续的两个轨迹点计算其高度差，获取高度差特征；

此外，连续高度差和能够反映车辆在同样行驶方式下持续的时间。这个特征有利于展现重型商用车的一个连续行驶轨迹和高度轨迹。

步骤4.2：利用式Ⅲ建立重型车辆爬坡行为模型，

P(D|HD)表示通过高度差来判断车辆行驶模式的概率，D表示行驶模式，D＝0表示平路，D＝1表示上坡，HD表示高度差，α和β是优化参数；

步骤4.3：将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

具体的，步骤4.2中优化参数α和β的选取具体为：

(1)采用高斯分布构造参数α和β的先验概率分布；初始化时，我们为先验概率分布和高斯分布选取两个参数μ,τ，选取μ＝0和τ＝0.05建立高斯分布,扩展MCMC方法调整μ,τ，以估计HVMove模型的最优α和β。

(2)建立基于伯努利变量的爬行概率P(HD_i)与参数α和β映射关系；在HVMove模型中，我们模拟平路和爬坡作为伯努利变量，P(HD_i)将概率模型转换为只有01变量的伯努利变量Ber(P(HD_i))，0代表平路，1代表爬坡，i为高度差序列，修正模型为：

(3)采用先验高斯分布N(μ,σ²)构造目标分布为P(D|HD)的马氏链，来确定状态间的转移概率,产生HVMove模型的概率分布样本；

首先从高斯分布中给出新状态Y，计算该状态的接受率同时从均匀分布U中获得独立随机变量u，通过比较u和a，得到新的状态构成符合分布为P(D|HD)的马氏链,来确定状态间的转移概率,产生HVMove模型的概率分布样本。

(4)扩展MCMC从两个高斯分布中对α和β进行抽样，获得每个参数的样本集合，进而获得所有样本的平均值及最大似然状态，最终确定合理的参数α和β来优化HVMove模型。

每次迭代中，需根据前一状态对α和β进行估计，如果选取的参数符合现实数据分布，则接受当前的状态，否则则拒绝当前状态。因此，可获得特定迭代次数下每个参数的样本集合，进而获得所有样本的平均值及最大似然状态，最终确定合理的参数α和β来优化HVMove模型。

以下给出本发明的具体实施方式，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例

首先采用2000个样本数据测试集采样点进行HVMove模型的建立。考虑到采样点对行为识别概率的影响，我们对比了不同数据规模下的行为识别概率，如图3所示。分别采用了采样500、1000、2000、3000、4000、5000个数据点进行HVMove模型的建立。我们选取了连续高度差和分别为5.5m、6.0m、6.5m对应的三个轨迹点用来对比，可以观察到当数据规模达到4000时，识别概率达到了一个平稳的状态，不会再受到采样规模的影响。此时对三个连续高度差和的爬行行为识别概率预测分别为32.50％，99.37％，100％。

Claims (6)

1.基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，包括如下步骤：

步骤1：获取重型车辆的行驶数据，对行驶数据进行数据清洗，获得样本行驶数据，所述样本行驶数据包括位置数据、高度观测数据、车速数据与时间数据；

步骤2：对步骤1得到的样本行驶数据进行真实地图匹配与日期分段，并将分段后的样本行驶数据划分为训练集和测试集，建立高度预测模型，将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值；

步骤3：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据之间的误差阈值，根据误差阈值标记训练集的高度数据的最优预测值获得基准数据，将基准数据与步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹；

步骤4：对步骤3获得的标高轨迹进行特征提取，建立基于马尔科夫链的重型车辆爬坡行为模型，将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

2.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤1中的数据清洗包括：

(1)对于数据出发时间、接收时间以及经纬度其中任一项相同的重复的行驶数据进行剔除；

(2)对时间连续、经纬度差异精确到小数点后四位相同却出现高度值明显异常的行驶数据进行中值处理；

(3)对缺失的行驶数据，采取前后值做均值的方法进行插值处理；

(4)对时序混乱的行驶数据进行重新排序处理。

3.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤2包括以下子步骤：

步骤2.1：对步骤1得到的样本行驶数据进行真实地图匹配并采用语义分割方法进行日期分段，将具有相似特征的行驶数据分为一段，并将分段后的样本行驶数据划分为训练集和测试集；

步骤2.2：利用式Ⅰ建立高度预测模型：

H(k|k-1)＝P(k|k-1)+Kg(k)[Y(k)-H(k|k-1)] 式Ⅰ

其中，H为车辆行驶的海拔高度数据，Kg(k)为卡尔曼增益，Y(k)为高度观测矩阵，H(k|k-1)为卡尔曼滤波后k时刻高度数据的最优预测值，P(k|k-1)为卡尔曼滤波后k时刻高度数据的协方差矩阵，k-1时刻为观测时刻，k时刻为预测时刻；

步骤2.3：将训练集的高度观测数据输入高度预测模型，得到训练集的高度数据的最优预测值。

4.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤3包括如下子步骤：

步骤3.1：获取步骤2得到训练集的高度数据的最优预测值与高度观测数据，利用式Ⅱ得到二者之间的误差阈值AT，

其中，n为分段得到的时间段数，SSP_K为k时刻的短期停留点；

步骤3.2：根据步骤3.1得到的误差阈值AT对训练集的高度数据的最优预测值进行标记，若相邻两个时刻的高度数据差大于误差阈值AT则标记为1，否则标记为0，将标记后的训练集的高度数据的最优预测值记为基准数据；

步骤3.3：将步骤3.2得到的基准数据和步骤2得到的训练集的高度数据的最优预测值进行匹配，获得标高轨迹。

5.如权利要求1所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤4包括如下子步骤：

步骤4.1：对步骤3获得的标高轨迹进行特征提取，所述特征为高度差与连续高度差和；

步骤4.2：利用式Ⅲ建立基于马尔科夫链的重型车辆爬坡行为模型，

P(D|HD)表示通过高度差来判断车辆行驶模式的概率，D表示行驶模式，D＝0表示平路，D＝1表示上坡，HD表示高度差，α和β是优化参数；

步骤4.3：将步骤2获得的测试集的样本行驶数据输入重型车辆爬坡行为模型，识别出测试集中重型车辆的爬行行为。

6.如权利要求5所述的基于马尔可夫链的重型车辆坡道爬行行为识别方法，其特征在于，步骤4.2中优化参数α和β的选取具体为：

(1)采用高斯分布构造参数α和β的先验概率分布；

(2)建立基于伯努利变量的爬行概率P(HD_i)与参数α和β映射关系；

(3)采用先验高斯分布N(μ,σ²)构造目标分布为P(D|HD)的马氏链，来确定状态间的转移概率,产生重型车辆爬坡行为模型的概率分布样本；

(4)扩展MCMC从两个高斯分布中对α和β进行抽样，获得每个参数的样本集合，进而获得所有样本的平均值及最大似然状态，最终确定合理的参数α和β。