CN110155073B - 基于驾驶人偏好的驾驶行为模式识别方法与系统 - Google Patents
基于驾驶人偏好的驾驶行为模式识别方法与系统 Download PDFInfo
- Publication number
- CN110155073B CN110155073B CN201910437561.0A CN201910437561A CN110155073B CN 110155073 B CN110155073 B CN 110155073B CN 201910437561 A CN201910437561 A CN 201910437561A CN 110155073 B CN110155073 B CN 110155073B
- Authority
- CN
- China
- Prior art keywords
- driver
- driving
- behavior
- time
- preference
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Abstract
本发明提供基于驾驶人偏好的驾驶行为模式识别方法与系统,涉及驾驶行为模式识别技术领域。本发明基于蚁群算法处理驾驶人行车过程中的历史行车数据,并基于根据处理后的历史数据样本构建驾驶人行为模式中的转换概率模型和偏好距离度量模型。在充分拟合具体驾驶人个体行为特征的基础上,结合现有的预备知识库分析驾驶人的操作行为,提高在行车过程中实时识别驾驶人行为模式的精准度。
Description
技术领域
本发明涉及驾驶行为模式识别技术领域,具体涉及一种基于驾驶人偏好的驾驶行为模式识别方法与系统。
背景技术
随着智能网联汽车、无人车、新能源汽车等研究领域不断取得突破性进展,“人-车-路”系统中的驾驶人行为模式分析受到越来越多的关注。如何通过行车数据,对驾驶人行为进行分析和识别是车辆开发、交通仿真、车路协同、道路安全评价等领域的前瞻性研究问题。
现有基于此类的研究主要通过描述性模型和功能性模型对驾驶人行为进行描述。
然而,驾驶人行为复杂多变,其行为特征没有统一的描述范畴,难以被全部具体的抽象出来,大多数现有模型仅能从某些角度解释驾驶人行为。同时,受驾驶环境、检测设备与采集仪器的限制,也难以采集到全面可靠的驾驶行为数据,建立的分析模型必须在现有的不充分的行车数据环境下,实现精准的驾驶人行为模式识别与分析。因此,现有的驾驶人行为模式分析方法,在行车过程中,难以实时高效的达到精准识别驾驶人行为模式的目标。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于驾驶人偏好的驾驶行为模式识别方法与系统,解决了现有技术在行车数据不充分的情况下难以精准识别驾驶人行为模式。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供一种基于驾驶人偏好的驾驶行为模式识别方法,该方法由驾驶辅助系统执行,包括以下步骤:
S1、获取驾驶人行车过程中的行为数据,形成历史数据样本;
S2、基于蚁群算法处理所述历史数据样本;
S3、基于经过处理的历史数据样本,构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,分析当前时刻驾驶人行为数据;
S4、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,分析驾驶人的操作行为。
优选的,所述步骤S2具体包括:
(1)在车辆行驶过程中,将驾驶人的每个驾驶行为视为一个节点,节点数量记为N;
(2)节点与节点之间不存在实际物理路径,物理距离均视为0;
(3)驾驶人每次发动机启动至熄火之间的所有驾驶行为,视为蚂蚁的一次运动轨迹结束,更新路径上的信息素浓度;
(4)基于驾驶人偏好,将驾驶人为实现行驶目的在不同行为之间的操作切换顺序视为蚂蚁运动的偏好路径;
(5)偏好路径的距离以信息素浓度进行度量,节点与节点之间的偏好路径距离以信息浓度τij(t)进行表示;
(6)每只蚂蚁保存一个列表tabu(),记录目前为止已访问的节点;
(7)记录车辆每次处于某个行驶状态的时间:t=ηi,i∈H,即驾驶行为未发生变化的持续时间;H表示驾驶中可能出现的车辆状态;
(8)以一定时间为间隔T,对所有蚂蚁运动记录的数据进行处理:更新节点数、更新信息速度浓度以及更新每个行驶状态的停留时间。
优选的,所述步骤S3具体包括:
S301、通过分析车辆不同行驶状态下加速度和角速度的变化,识别车辆当前所处行驶状态,并据此判断驾驶人是否进行新的驾驶行为;
S302、节点与节点之间偏好路径距离,基于所述信息素浓度判定,并通过概率的方式进行度量:
节点之间信息速度浓度越高,则节点间转换概率越高,偏好路径越短;
S305、驾驶人从前一操作行为模式转移到当前操作行为模式的概率估计基于下式度量:
其中:
α,β,α+β=1,表示在判断时赋予转换概率和停留时间两种因素的权重;
当期望停留时间超过最大最小停留时间的范围,应赋予停留时间较大的权重,即β1<β2,α1>α2;
S306、驾驶人在车辆行驶过程变换操作行为的转换概率模型为:
优选的,所述步骤S4具体包括:
S401、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,对当前驾驶人的驾驶行为进行分析,并设定驾驶人行为转换概率的阈值;
S402、根据已识别的驾驶人行为模式,当转换概率小于阈值时,即为连续低概率模式转换,将这段时间驾驶人的操作行为视为异常情境,驾驶辅助系统通过人车交互平台,进行补偿操作或建议提醒。
优选的,所述预备知识库包括:
驾驶舒适度知识库、疲劳驾驶知识库、驾驶人行为模式知识库、安全边界知识库。
优选的,基于不动点蚁群算法分析所述偏好距离度量模型。
优选的,所述不动点蚁群算法包括:
基于不动点定理,将目标优化函数转换为等价的不动点方程;所述目标优化函数为偏好距离度量模型;
对不动点方程的搜索空间进行划分;
对划分后的搜索空间进行单纯剖分,得到单纯形;
对单纯形进行标号,输出完备单纯形序列;
基于完备单纯形序列确定蚁群算法的初始种群规模和粒子初始位置,获取不动点方程的最优解,得到目标优化函数的最优解。
本发明还提供一种基于驾驶人偏好的驾驶行为模式识别系统,所述系统包括驾驶辅助系统,所述驾驶辅助系统包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
S1、获取驾驶人行车过程中的行为数据,形成历史数据样本;
S2、基于蚁群算法处理所述历史数据样本;
S3、基于经过处理的历史数据样本,构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,分析当前时刻驾驶人行为数据;
S4、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,分析驾驶人的操作行为。
(三)有益效果
本发明提供了一种基于驾驶人偏好的驾驶行为模式识别方法与系统。与现有技术相比,具备以下有益效果:
本发明基于蚁群算法处理驾驶人行车过程中的历史数据样本,然后根据处理后的历史数据样本构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,充分拟合不同驾驶人的个体行为特征,然后结合现有的知识库分析驾驶人的操作行为,提高在行车数据不充分的情况下识别驾驶人行为模式的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于驾驶人偏好的驾驶行为模式识别方法的流程框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于驾驶人偏好的驾驶行为模式识别方法与系统,解决了现有技术在行车数据不充分的情况下难以精准识别驾驶人行为模式问题,实现在行车数据不充分的情况下识别驾驶人行为模式的精准度的提高。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例基于蚁群算法处理驾驶人行车过程中历史数据样本,然后根据处理后的历史数据样本构建驾驶人行为模式中的转换概率模型,充分拟合不同驾驶人的个体行为特征,提高在行车数据不充分的情况下识别驾驶人行为模式的精准度。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种基于驾驶人偏好的驾驶行为模式识别方法,该方法驾驶辅助系统执行,驾驶辅助系统采用计算机等网络设备实现,如图1所示,该方法包括以下步骤S1~S4:
S1、获取驾驶人行车过程中的行为数据,形成历史数据样本;
S2、基于蚁群算法处理所述历史数据样本;
S3、基于经过处理的历史数据样本,构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,分析当前时刻驾驶人行为数据;
S4、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,分析驾驶人的操作行为。
本发明实施例在具体实施时,基于蚁群算法处理驾驶人行车过程中的历史驾驶行为数据,再根据处理后的历史数据样本构建驾驶人行为模式中的转换概率模型,充分拟合不同驾驶人的个体行为特征,提高在行车数据不充分的情况下识别驾驶人行为模式的精准度。
下面对各步骤进行详细描述:
在步骤S1中,获取驾驶人行车过程中的行为数据,形成历史数据样本。
具体实施时,可通过驾驶辅助系统收集存储驾驶人行车过程中的驾驶行为数据,并形成历史数据样本。
在步骤S2中,基于蚁群算法处理所述历史数据样本。
具体包括:
(1)在车辆行驶过程中,将驾驶人的每个驾驶行为视为一个节点,节点数量记为N;
(2)节点之间不存在实际物理路径,物理距离均视为0;
(3)驾驶人每次发动机启动至熄火之间的所有驾驶行为,视为蚂蚁的一次运动轨迹结束,更新路径上的信息素浓度;
(4)基于驾驶人偏好,将驾驶人为实现行驶目的在不同行为之间的操作切换顺序视为蚂蚁运动的偏好路径;
(5)偏好路径的距离虚拟存在且无法直接计算,只能通过蚂蚁不停运动,以信息素浓度进行度量,节点与节点之间的偏好路径距离以信息浓度τij(t)进行表示;
(6)每只蚂蚁保存一个列表tabu(),记录目前为止已访问的节点;
(7)记录车辆每次处于某个行驶状态的时间:t=ηi,i∈H,即驾驶行为未发生变化的持续时间;H表示驾驶中可能出现的车辆状态。
(8)以一定时间为间隔T,对所有蚂蚁运动记录的数据进行处理:更新节点数、更新信息速度浓度以及更新每个行驶状态的停留时间,在具体实施过程中,间隔T优选为1天。
在步骤S3中,基于经过处理的历史数据样本,构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,分析当前时刻驾驶人行为数据。
具体的:
S301、通过分析车辆不同行驶状态下加速度和角速度的变化,识别车辆当前所处行驶状态,并据此判断驾驶人是否进行新的驾驶行为;
S302、节点与节点之间偏好路径距离,基于所述信息素浓度判定,并通过概率的方式进行度量:
节点之间信息速度浓度越高,则节点间转换概率越高,偏好路径越短;
S305、驾驶人从前一操作行为模式转移到当前操作行为模式的概率估计基于下式度量:
其中:
α,β,α+β=1,表示在判断时赋予转换概率和停留时间两种因素的权重;
当期望停留时间超过最大最小停留时间的范围,应赋予停留时间较大的权重,即β1<β2,α1>α2;
S306、将驾驶人在车辆行驶过程进行一系列操作行为的转换概率模型为:
在步骤S4中,基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,分析驾驶人的操作行为。
具体的:
S401、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,对当前驾驶人的驾驶行为进行分析;在不同分析场景下,设定驾驶人行为转换概率的阈值Φ。
其中:
预备知识库包括:
驾驶舒适度知识库、疲劳驾驶知识库、驾驶人行为模式知识库、安全边界知识库。
偏好距离度量模型采用不动点蚁群算法进行分析,上述不动点蚁群算法具体为:
基于不动点定理,将目标优化函数转换为等价的不动点方程,具体的,这里的目标优化函数是指偏好距离度量模型。
其中,不动点定理包括:
定理1:设X是Rn的一个子集,若对于X中每一点x,都有确定的f(x)∈X与之对应,则f是X的一个自映射,记作f:X→X。
定理2:设X是非空集合,f:X→X为其自映射。若存在x*∈X,满足f(x*)=x*,则称x*为f的一个精确不动点。
定理3:设(X,ρ)为一度量空间,T∶X→X为一映射。若存在L∈[0,1),使得任意x,y∈X,有ρ(T(x),T(y))≤Lρ(x,y),则称T是X上的压缩映射。
定理4:近似不动点:设ε为任意正数,若对于压缩映射T∶X→X,|x-f(x)|表示n维欧式空间Rn的中向量x-f(x)的模。若存在点x*满足|x*-f(x*)|<ε,则称x*为f的一个近似不动点。
定理5:对n维欧式空间进行剖分,寻求这样一种多面体,在映射f的作用下它第一个顶点的第一个坐标分量下降,第二个顶点的第二个坐标分量下降,第n个顶点的第n个坐标分量下降,第n+1个顶点的n个坐标分量都保持不减。如果这种多面体直径足够小,其n+1个顶点在映射f作用下的变化情况相差不会太远。称这样的多面体为完备单纯形,每个顶点都可以视为不动点。
Banach不动点定理:又称压缩映射定理,设(X,ρ)为一非空的完备度量空间,T∶X→X为一压缩映射,则T在X中存在惟一的不动点。Banach不动点定理指出了不动点方程T(x)=x解的存在性和惟一性。
将目标优化函数即距离度量模型转换为等价的不动点方程:
其中:
f(X)为目标优化函数;
X为n维度优化变量;
gi(X)为函数可行域空间内的m个约束函数;
求目标优化函数y=f(X)最值,若目标优化函数在定义域内处处可导,则最值必然出现在f'(X)=0的位置,反之,f'(X)=0的点可能是极值、拐点等,不一定是最值。通过构建不动点方程,筛选出f'(X)=0的点,再通过目标优化函数判断,可极大程度降低算法搜索空间。因此,构造不动点方程F(X)=X-f'(X),根据不动点定理中的定理2,若函数F(X)存在精确不动点X*,必然满足F(X*)=X*-f'(X*)=X*,由此可得f'(X*)=0,目标优化函数y=f(X)在点X*处取得值。
对不动点方程的搜索空间进行划分。
具体的:在n维欧式空间Rn中,用n族直线xi=mhi(i=1,2,…,n)将不动点方程的搜索空间划分为均匀的多面体,其中m为精度控制,根据优化问题的精度要求,对每一维优化变量的可行域取值按百分之一至万分之一步长进行划分。对于特定领域内的高精度优化可适当细化步长,但步长过细会增加算法复杂度,降低运算效率。
对划分后的搜索空间进行单纯剖分,得到单纯形。
对于n维欧式空间Rn,N={1,2,…,n},π是N的置换。Rn的n个基底向量:u1,…,un,满足:u=u1+…+un=(1,…,1),是n阶单位矩阵的n列。设为Rn中整点集(所有坐标分量均为整数的点的集合),若以k1(y0,π)记n维单纯形<y0,y1,…,yn>,其中yi=yi-1+uπ(i),i∈N。记所有k1(y0,π)的集合形成一个K1剖分。
对单纯形进行标号,输出完备单纯形序列。
具体的,对K1剖分后所有单纯形得顶点进行标号,通过逻辑规则找出完备单纯形即可识别出不动点。单纯形标号规则有两种:整数标号法与向量标号法。整数标号比向量标号的迭代次数多好几倍,但单次算法循环的复杂度低;向量标号法的单次循环比整数标号复杂,但迭代次数较少。对于复杂函数,计算迭代要占用大量机器时间,必须使迭代次数尽可能少,此时向量标号法优于整数标号法;若函数计算简单,则整数标号更省时间。具体规则如下:
向量标号法:据l(x)=f(x)-x,可得(n+1)×(n+1)矩阵:记为n维单纯形σ=<y0,y1,…,yn>的标号矩阵。若线性方程Lσw=v有解,v=(1,2,…,0)T,则单纯形为完备单纯形,为一个近似不动点。
整数标号法:根据公式对单纯形每个顶点进行标号,可得序列:Lσ=(0,1,2…),记为n维单纯形σ=<y0,y1,…,yn>的标号序列。在欧式空间Rn中,标号为序列为(0,1,2,…,n)的单纯形为完备单纯形,单纯形每个顶点可视为近似不动点。
根据待优化问题目标优化函数和约束函数的复杂程度,分别采用不同的标号方式进行不动点求解,平衡算法的运算速度和求解精度。
基于完备单纯形序列确定蚁群算法的初始种群规模和粒子初始位置,获取不动点方程的最优解,得到目标优化函数的最优解。
且在获取不动点方程最优解时,采用最大—最小蚂蚁策略。具体如下:
不动点集几乎分布在局部极值边缘,为增强全局搜索能力,采用MMAS策略更新信息素浓度。
①在算法的每次迭代中只允许表现最好的蚂蚁更新路径上的信息素痕迹;
②限定信息素浓度允许值的上下限[τmin:τmax],初始化所有支路上的痕迹浓度为最大值τmax。避免因某条路径上的信息量远大于其余路径,而导致所有蚂蚁集中到同一路径,发生“停滞”现象。
本发明实施例还提供一种基于驾驶人偏好的驾驶行为模式识别系统,所述系统包括驾驶辅助系统,所述驾驶辅助系统包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
S1、获取驾驶人行车过程中的行为数据,形成历史数据样本;
S2、基于蚁群算法处理所述历史数据样本;
S3、基于经过处理的历史数据样本,构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,分析当前时刻驾驶人行为数据;
S4、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,分析驾驶人的操作行为。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例基于蚁群算法处理所述历史数据样本,然后根据处理后的历史数据样本构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,充分拟合不同驾驶人的个体行为特征,然后结合现有的预备知识库分析驾驶人的操作行为,达到行车过程中实时高效的识别驾驶人行为模式的目的。
2、本发明实施例利用单纯剖分法较强的搜索能力对函数可行域空间进行筛选,提高初始参数质量,降低算法进化代数;同时,本发明的不动点定义条件一般比较弱,但结论却很强,利用其优秀的数学收敛性,平衡算法后期收敛,提高粒子群优化算法跳出局部收敛的能力。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (2)
1.一种基于驾驶人偏好的驾驶行为模式识别方法,其特征在于,该方法由驾驶辅助系统执行,包括以下步骤:
S1、获取驾驶人行车过程中的行为数据,形成历史数据样本;
S2、基于蚁群算法处理所述历史数据样本;
S3、基于经过处理的历史数据样本,构建驾驶人行为模式中的转换概率模型和偏好距离度量模型,分析当前时刻驾驶人行为数据;
S4、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,分析驾驶人的操作行为;
其中:
步骤S2具体包括:
(1)在车辆行驶过程中,将驾驶人的每个驾驶行为视为一个节点,节点数量记为N;
(2)节点与节点之间不存在实际物理路径,物理距离均视为0;
(3)驾驶人每次发动机启动至熄火之间的所有驾驶行为,视为蚂蚁的一次运动轨迹结束,更新路径上的信息素浓度;
(4)基于驾驶人偏好,将驾驶人为实现行驶目的在不同行为之间的操作切换顺序视为蚂蚁运动的偏好路径;
(5)偏好路径的距离以信息素浓度进行度量,节点与节点之间的偏好路径距离以信息浓度τij(t)进行表示;
(6)每只蚂蚁保存一个列表tabu(),记录目前为止已访问的节点;
(7)记录车辆每次处于某个行驶状态的时间:t=ηi,i∈H,即驾驶行为未发生变化的持续时间;H表示驾驶中可能出现的车辆状态;
(8)以一定时间为间隔T,对所有蚂蚁运动记录的数据进行处理:更新节点数、更新信息速度浓度以及更新每个行驶状态的停留时间;
步骤S3具体包括:
S301、通过分析车辆不同行驶状态下加速度和角速度的变化,识别车辆当前所处行驶状态,并据此判断驾驶人是否进行新的驾驶行为;
S302、节点与节点之间偏好路径距离,基于所述信息素浓度判定,并通过概率的方式进行度量:
节点之间信息速度浓度越高,则节点间转换概率越高,偏好路径越短;
S305、驾驶人从前一操作行为模式转移到当前操作行为模式的概率估计基于下式度量:
其中:
α,β,α+β=1,表示在判断时赋予转换概率和停留时间两种因素的权重;
当期望停留时间超过最大最小停留时间的范围,应赋予停留时间较大的权重,即β1<β2,α1>α2;
S306、驾驶人在车辆行驶过程变换操作行为的转换概率模型为:
步骤S4具体包括:
S401、基于驾驶人行为模式的转换概率模型、偏好距离度量模型和预备知识库,对当前驾驶人的驾驶行为进行分析,并设定驾驶人行为转换概率的阈值,所述偏好距离度量模型采用不动点蚁群算法进行分析;
所述预备知识库包括:
驾驶舒适度知识库、疲劳驾驶知识库、驾驶人行为模式知识库、安全边界知识库;
所述不动点蚁群算法包括:
基于不动点定理,将目标优化函数转换为等价的不动点方程;所述目标优化函数为偏好距离度量模型;
对不动点方程的搜索空间进行划分;
对划分后的搜索空间进行单纯剖分,得到单纯形;
对单纯形进行标号,输出完备单纯形序列;
基于完备单纯形序列确定蚁群算法的初始种群规模和粒子初始位置,获取不动点方程的最优解,得到目标优化函数的最优解;
S402、根据已识别的驾驶人行为模式,当转换概率小于阈值时,即为连续低概率模式转换,将这段时间驾驶人的操作行为视为异常情境,驾驶辅助系统通过人车交互平台,进行补偿操作或建议提醒。
2.一种基于驾驶人偏好的驾驶行为模式识别系统,其特征在于,所述系统包括驾驶辅助系统,所述驾驶辅助系统包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现如权利要求1所述的步骤S1~S4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910437561.0A CN110155073B (zh) | 2019-05-24 | 2019-05-24 | 基于驾驶人偏好的驾驶行为模式识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910437561.0A CN110155073B (zh) | 2019-05-24 | 2019-05-24 | 基于驾驶人偏好的驾驶行为模式识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110155073A CN110155073A (zh) | 2019-08-23 |
CN110155073B true CN110155073B (zh) | 2020-06-09 |
Family
ID=67632436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910437561.0A Active CN110155073B (zh) | 2019-05-24 | 2019-05-24 | 基于驾驶人偏好的驾驶行为模式识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110155073B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110497914B (zh) * | 2019-08-26 | 2020-10-30 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN111627132B (zh) * | 2020-05-26 | 2021-05-25 | 吉林大学 | 一种基于驾驶倾性的汽车行驶特征评价及预警方法 |
US11912093B2 (en) | 2021-07-06 | 2024-02-27 | DRiV Automotive Inc. | System and method for vehicle |
CN115099128B (zh) * | 2022-05-30 | 2023-07-07 | 同济大学 | 一种异常驾驶行为识别与致因分析方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331743A (zh) * | 2014-10-11 | 2015-02-04 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
CN104766484A (zh) * | 2015-03-23 | 2015-07-08 | 南京邮电大学 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
CN109544962A (zh) * | 2018-12-11 | 2019-03-29 | 青岛大学 | 一种车位共享与调度系统及实现方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110231356A1 (en) * | 2009-07-01 | 2011-09-22 | Quantum Leap Research, Inc. | FlexSCAPE: Data Driven Hypothesis Testing and Generation System |
JP2014096070A (ja) * | 2012-11-09 | 2014-05-22 | International Business Maschines Corporation | 連続的な時系列データの変化点を事前に予測する手法、コンピュータ・プログラム及びコンピュータ。 |
US9984331B2 (en) * | 2015-06-08 | 2018-05-29 | International Business Machines Corporation | Automated vehicular accident detection |
-
2019
- 2019-05-24 CN CN201910437561.0A patent/CN110155073B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331743A (zh) * | 2014-10-11 | 2015-02-04 | 清华大学 | 一种基于多目标优化的电动车辆出行规划方法 |
CN104766484A (zh) * | 2015-03-23 | 2015-07-08 | 南京邮电大学 | 基于进化多目标优化和蚁群算法的交通控制与诱导系统和方法 |
CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
CN109544962A (zh) * | 2018-12-11 | 2019-03-29 | 青岛大学 | 一种车位共享与调度系统及实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110155073A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110155073B (zh) | 基于驾驶人偏好的驾驶行为模式识别方法与系统 | |
CN109978228B (zh) | 一种pm2.5浓度预测方法、装置及介质 | |
CN107293115B (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
CN114662780A (zh) | 碳排放量预测方法、装置、电子设备及存储介质 | |
CN112148008B (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN112633314B (zh) | 一种基于多层采样的主动学习溯源攻击方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN114511154A (zh) | 一种基于时空复杂图卷积网络的交通流预测方法 | |
CN114298270A (zh) | 融合领域知识的污染物浓度预测方法及其相关设备 | |
CN114167295A (zh) | 基于多算法融合的锂离子电池soc估算方法与系统 | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
CN117436595A (zh) | 新能源汽车能耗预测方法、装置、设备及存储介质 | |
CN110944295B (zh) | 位置预测方法、装置、存储介质及终端 | |
CN112464567A (zh) | 基于变分同化框架的智能资料同化方法 | |
CN107247996A (zh) | 一种应用于异分布数据环境的主动学习方法 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN116699731A (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
Wang et al. | Research on improved pedestrian detection algorithm based on convolutional neural network | |
Zhao et al. | A Hybrid Time Series Model based on Dilated Conv1D and LSTM with Applications to PM2. 5 Forecasting. |
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 |