CN110889444B - 一种基于卷积神经网络的驾驶轨迹特征分类方法 - Google Patents
一种基于卷积神经网络的驾驶轨迹特征分类方法 Download PDFInfo
- Publication number
- CN110889444B CN110889444B CN201911153335.6A CN201911153335A CN110889444B CN 110889444 B CN110889444 B CN 110889444B CN 201911153335 A CN201911153335 A CN 201911153335A CN 110889444 B CN110889444 B CN 110889444B
- Authority
- CN
- China
- Prior art keywords
- track data
- vehicle
- vehicle track
- data
- neural network
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了交通数据信息挖掘技术领域的一种基于卷积神经网络的驾驶轨迹特征分类方法,旨在解决现有技术中从车辆轨迹数据中挖掘驾驶风格时,由于车辆定位受道路环境等因素影响,加之对车辆轨迹数据的分析不足,无法有效获取驾驶员的驾驶风格的技术问题。所述方法包括如下步骤:对目标车辆轨迹数据进行分段处理;将处理后的目标车辆轨迹数据输入预先训练好的卷积神经网络,获取目标车辆轨迹数据所对应的驾驶风格。
Description
技术领域
本发明涉及一种基于卷积神经网络的驾驶轨迹特征分类方法,属于交通数据信息挖掘技术领域。
背景技术
相关研究报告显示,由于驾驶风格差异导致的人为失误占交通事故总数的54%。通过研究不同驾驶员的驾驶风格,分析驾驶风格与行车安全的内在联系,针对不同驾驶风格的驾驶员生成驾驶风格报告,对驾驶员提出改进建议,对于降低交通事故发生率具有现实意义。例如,UBI保险(Usage-based insurance,基于使用量定价保险,后被扩大概念范畴包含基于驾驶风格定价)可以利用驾驶员不同的驾驶风格来制定阶梯段保费,以鼓励合规稳健驾驶。
驾驶员的驾驶行为,是独立于车辆硬件状态而影响交通事故的重要因素。目前,通常采用视频摄像头或惯导传感器等采集驾驶员的驾驶行为,进而分析其驾驶风格。由于采集设备需要独立安装并供电,该方案投入成本较大,不利于全面推广应用。车辆轨迹分析旨在通过车辆轨迹数据评估和分析驾驶员的驾驶行为。随着车载定位系统以及车联网通信技术的迅速发展,车辆位置信息的获取与数据传输变得更为容易。运用车辆轨迹数据进行安全驾驶行为分析,具有位置实时性、轨迹连续性等重要优势。但由于车辆定位受道路环境等因素影响,存在定位误差、数据丢失、采集频率受限等一系列问题,无形中降低了车辆轨迹数据的实用价值。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于卷积神经网络的驾驶轨迹特征分类方法,以解决现有技术中从车辆轨迹数据中挖掘驾驶风格时,由于车辆定位受道路环境等因素影响,加之对车辆轨迹数据的分析不足,无法有效获取驾驶员的驾驶风格的技术问题。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于卷积神经网络的驾驶轨迹特征分类方法,包括如下步骤:
对目标车辆轨迹数据进行分段处理;
将处理后的目标车辆轨迹数据输入预先训练好的卷积神经网络,获取目标车辆轨迹数据所对应的驾驶风格。
进一步地,在将处理后的目标车辆轨迹数据输入预先训练好的卷积神经网络之前,还包括:
基于历史或/和实时车辆轨迹数据构建训练样本集;
对训练样本集中车辆轨迹数据进行标签化处理和分段处理;
利用训练样本集中处理后的车辆轨迹数据对预构建的卷积神经网络进行训练。
进一步地,在利用训练样本集中处理后的车辆轨迹数据对预构建的卷积神经网络进行训练之前,还包括:对训练样本集中车辆轨迹数据进行时空信息映射处理,所述时空信息映射处理包括:
对训练样本集中车辆轨迹数据的轨迹点进行时域分析或/和空间分析,获取所述轨迹点所处的时间段或/和功能区,所述时间段包括早高峰时段、白天非高峰时段、晚高峰时段、夜间非高峰时段中的至少任一项,所述功能区包括商业区、住宅区、工作区、混合区、工业区中的至少任一项。
进一步地,所述标签化处理包括利用时域分析法或/和违章分析法对训练样本集中车辆轨迹数据进行标签化处理,所述时域分析法包括:
对训练样本集中车辆轨迹数据的轨迹点进行时域分析,获取所述轨迹点中急加速或/和急减速的轨迹点数;
基于所述急加速或/和急减速的轨迹点数以及车辆轨迹数据的轨迹点总数,获取所述车辆轨迹数据对应的车辆驾驶安全性评分;
基于车辆驾驶安全性评分值大小,确立所述车辆轨迹数据对应的车辆轨迹数据标签。
进一步地,所述车辆驾驶安全性评分,其计算公式如下:
式中,ρ为车辆驾驶安全性评分,aneg为车辆轨迹数据的轨迹点中急减速的轨迹点数,apos为车辆轨迹数据的轨迹点中急加速的轨迹点数,aall为车辆轨迹数据的轨迹点总数。
进一步地,所述车辆轨迹数据标签包括安全、低风险、高风险、危险中的至少任一项。
进一步地,将处理后的目标车辆轨迹数据输入预先训练好的卷积神经网络,获取目标车辆轨迹数据所对应的驾驶风格,包括:
获取分段处理后每段目标车辆轨迹数据对应的车辆轨迹数据标签;
基于每段目标车辆轨迹数据对应的车辆轨迹数据标签获取分段处理前目标车辆轨迹数据的车辆驾驶安全性评分;
基于分段处理前目标车辆轨迹数据的车辆驾驶安全性评分获取目标车辆轨迹数据所对应的车辆轨迹数据标签。
进一步地,所述分段处理前目标车辆轨迹数据的车辆驾驶安全性评分,其计算公式如下:
式中,S为分段处理前目标车辆轨迹数据的车辆驾驶安全性评分,k为车辆轨迹数据标签类别数,a1为第1类车辆轨迹数据标签在分段处理后每段目标车辆轨迹数据对应的车辆轨迹数据标签中所占比例,a2为第2类车辆轨迹数据标签在分段处理后每段目标车辆轨迹数据对应的车辆轨迹数据标签中所占比例,ak为第k类车辆轨迹数据标签在分段处理后每段目标车辆轨迹数据对应的车辆轨迹数据标签中所占比例。
进一步地,基于分段处理前目标车辆轨迹数据的车辆驾驶安全性评分获取目标车辆轨迹数据所对应的车辆轨迹数据标签,包括:
将分段处理前目标车辆轨迹数据的车辆驾驶安全性评分代入预设函数;
提取任一类车辆轨迹数据标签代入所述预设函数;
如果所述预设函数成立,获取所提取的车辆轨迹数据标签。
进一步地,所述预设函数,其表达式如下:
式中,S为分段处理前目标车辆轨迹数据的车辆驾驶安全性评分,k为车辆轨迹数据标签类别数,n为所提取的第n类车辆轨迹数据标签,N为正整数。
与现有技术相比,本发明所达到的有益效果:
(1)从历史的驾驶员车辆的行驶轨迹数据中分析驾驶员的驾驶风格,进而判断其驾驶风格的安全性。本发明仅使用轨迹数据,对驾驶员驾驶风格的安全性进行分析,其结果可以作为汽车服务相关的租赁、保险等公司的参考指标;
(2)在分析轨迹的过程中,采用轨迹切割再重组的方法,不仅能够有效提升CNN的效果,同时经组合后的结果对于司机驾驶风格的判别更加准确;
(3)本发明分析驾驶风格的框架是可扩展与可裁剪的,后续若有其他附加信息(驾驶员的相关信息、道路区域相关)用来判别驾驶风格的,也可以被融入框架的输入。针对不同规模的数据集,只要其包含GPS轨迹序列数据皆可使用本框架。
附图说明
图1是本发明实施例的流程示意图;
图2是本发明实施例所述CNN输入结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明具体实施方式旨在解决从车辆轨迹数据中挖掘驾驶风格安全性的技术问题,提出了一种基于卷积神经网络的驾驶轨迹特征分类方法,如图1所示,是本发明实施例的流程示意图,所述方法包括如下步骤:
步骤1、车辆位置数据收集和处理
从车载GPS定位系统获取历史(或实时)车辆轨迹数据,其中包括车辆历史(或实时)轨迹点的时间位置信息序列,设定车辆行驶轨迹如下:
x=(x1,x2,…,xt),xi=(lati,longi),
式中,x为车辆行驶轨迹,xi为第i个轨迹点,lati是第i个轨迹点的纬度,longi是第i个轨迹点的经度。进一步对所获取的轨迹数据进行路网绑定处理,在绑定时完成数据纠偏,提高轨迹数据的精度。纠偏处理可以调用百度或者高德地图的路网绑定与纠偏处理API。所述的车载GPS定位系统可以是车辆部署的定位终端或车内手机导航终端等,用以收集的车辆位置信息。
步骤2、车辆轨迹数据标签化处理
车辆轨迹数据标签化处理,目前主要采用两类方法:一类是以车辆位置信息为基础,联合车辆违章和事故数据,建立该车辆轨迹数据标签,本方法也称作违章分析法。另一类是以车联网位置信息为基础,联合车辆驾驶过程中的急加减速行为及频次和频率等,建立车辆轨迹数据标签,本方法也称作时域分析法,其中急加速可定义为加速度大于0.3g,急减速可定义为加速度小于-0.3g,其中g=9.8m/s2。
违章分析法所需的车辆违章、事故信息通常需有偿获取,而且对于大多数驾驶员来说,样本数据量偏少,且样本数据缺乏连续性。通过时域分析法建立车辆轨迹数据标签,该方案所需数据存储于车载终端以及业务平台,数据具有连续性,且获取成本低,存储和管理更方便。本实施例使用后一方法,具体如下:
(1)对车辆轨迹数据的轨迹点进行时域分析,获取所有轨迹点中急加速和急减速的轨迹点数;
(2)计算获取车辆轨迹数据对应的车辆驾驶安全性评分,其计算公式如下:
式中,ρ为车辆驾驶安全性评分,aneg为车辆轨迹数据的轨迹点中急减速的轨迹点数,apos为车辆轨迹数据的轨迹点中急加速的轨迹点数,aall为车辆轨迹数据的轨迹点总数;
(3)根据车辆驾驶安全性评分对车辆轨迹数据进行标签化处理,获取不同车辆驾驶安全性评分所对应的车辆轨迹数据标签,所述车辆轨迹数据标签即驾驶员所属类别标签,ρ值与驾驶员所属类别标签对应表如表1所示。
表1:ρ值与驾驶员所属类别标签对应表
步骤3、时空信息映射处理
针对本发明实施例提出的卷积神经网络(Convolutional Neural Networks,CNN),输入设计如下:
结合车辆轨迹的时间信息、地理空间信息以及路网地图信息进行区域标识,按各区域功能不同划为商业区、住宅区、工作区、混合区、工业区等不同功能区,将时间划分为早高峰时段、白天非高峰时段、晚高峰时段、夜间非高峰时段等不同时段。
(1)利用轨迹序列的时间属性,将轨迹链路划分为不同时段的各条链路,如早高峰时段为6:00~9:00,晚高峰时段为17:30~19:30,白天非高峰时段为9:00~17:30,夜间非高峰时段为19:30~6:00。在本发明提出的CNN模型里,上述四个时段分别对应的离散化数值为1、2、3、4,该四个离散化的数值后续将在神经网络中被归一化。CNN输入的时间分段及离散化处理如表2所示;
表2:CNN输入的时间分段及离散化处理对应表
(2)利用轨迹序列的地理位置属性,结合城市功能分区地图分别将城市区域分为办公区、商业区、住宅区、工业区、混合区。在本实施例提出的CNN模型里,使用数字序列1、2、3、4、5将轨迹序列中的地理位置信息加以数值离散化,该五个离散化的数值后续将在网络中被归一化。CNN输入的城市功能区及离散化处理如表3所示;
表3:CNN输入的城市功能区及离散化处理对应表
序号 | 城市功能区 | CNN输入的离散化数值 |
1 | 办公区 | 1 |
2 | 商业区 | 2 |
3 | 住宅区 | 3 |
4 | 工业区 | 4 |
5 | 混合区 | 5 |
(3)通过调用地图GIS接口,将车辆轨迹信息与城市地图路网进行匹配,获取车辆轨迹对应各路网的限速信息。假设第i条路网道路,Vmin与Vmax分别是其路网的最低限速和最高限速。车辆轨迹位置信息,联合对应路网限速信息,将作为CNN的输入参量。
步骤4、车辆轨迹分段处理
将某一位司机的一次行驶轨迹截取为长度各为M的轨迹段,其中M为司机单次行程轨迹点个数的中位数。对轨迹进行定长分段的目的,是为了能够符合CNN对数据的输入要求,同时轨迹切割可以增加样本的数量,降低CNN模型的过拟合的可能性。此外,分段也为步骤7组合轨迹段分类结果预测司机的驾驶轨迹特征类型提供数据样本。
步骤5、将数据处理成CNN的输入
车辆轨迹数据本质上是一种二维的时间序列,由于其经纬度数据形式存在人为定义的知识概念,直接将其输入卷积神经网络难以提取其中的有效信息。因此,通过如下的处理步骤对输入数据进行处理,从而降低CNN学习的难度,提高学习效率:
步骤2,利用公式(5)-公式(8)通过经纬度计算轨迹点与磁北(或真北)之间的夹角,计算两个轨迹点与磁北(或真北)之间的差。同时计算两个轨迹点之间的转向角变化率,用以表征车辆转变方向的幅度与变化率。
y=sin[x2(long)-x1(long)]*cos[x2(lat)] (5)
x=cos[x1(lat)]*sin[x2(lat)]-sin[x1(lat)]*cos[x2(lat)]*cos[x2(long)-x1(long)] (6)
式中,y为横向位移,x为纵向位移,x2(long)为轨迹点x2的经度,x1(long)为轨迹点x1的经度,x2(lat)为轨迹点x2的纬度,x1(lat)为轨迹点x1的纬度,为轨迹点x1的转向角,为轨迹点x2的转向角。
步骤3,进一步设计CNN的输入。由于CNN的输入要求输入的尺寸都是相同的,本实施例将车辆轨迹序列切割成固定长度为M的段。对于切割后长度L<M的轨迹段,如果L<α*M,则舍弃此段;如果L>α*M,则对该段进行末尾补零操作,式中,α为[0,1]之间可调节的系数,本实施例中,α=0.7。
将混合了多个维度的轨迹序列信息制作成为CNN的输入层,如图2所示,是本发明实施例所述CNN输入结构图。CNN的输入层每一个输入样本由M个时刻的轨迹点组成,每个轨迹点数据是一个N维的向量。每个时刻的向量包含如下信息:距前一个时刻点位置的位移距离S、当前时刻瞬时速度V、瞬时加速度A、瞬时加速度的加速度J、瞬时转向角变化率B、当前时刻的时间点属于交通潮汐的状态T、当前时刻的位置属于城市分区的分区C、当前时刻的位置属于的道路的限速情况L。再此说明,向量中包含的属性根据数据集情况、实验效果进行增减。
步骤6、卷积神经网络的设计与训练
卷积神经网络采用卷积层、池化层、dropout层、全连接层组合的方式构建。其典型网络配置结构如表4所示:
表4:典型网络配置结构
训练过程的目标是以最小化损失函数(loss function)的方式学习层的过滤器的参数。利用分类交叉熵(cross entropy loss function)作为损失函数来计算输出层中的误差:
式中,C是损失函数的值,n为训练样本数量,y为训练样本的标签,a为训练样本的真实输出。使用Adam(Adaptive moment estimation,自适应矩阵估计)优化器更新反向传播过程中的模型参数,它非常适合处理大数据集。使用批量大小等于64和学习率为0.001,β1=0.9,β2=0.999,ε=10-8。应用早期停止方法来确定最优用于训练最佳识别的CNN网络的时期数量,这避免了过度拟合问题。
步骤7、驾驶行为特征判断
在步骤2中,为了达到适应CNN的输入与扩大CNN网络的数量的目的,将每位司机的轨迹数据切割为w个长度为M的小轨迹。训练完成的CNN为验证集中的被分割的轨迹生成预测结果。在本步骤环节,利用被分割的轨迹的预测结果来预测为被分割前轨迹的分类结果。具体计算过程如下:
式中,S为分类得分,即轨迹数据的车辆驾驶安全性评分;k为车辆轨迹数据标签类别数,a1为分割后的定长轨迹被预测为第1类驾驶风格(即对应第1类车辆轨迹数据标签)所占比例,a2为分割后的定长轨迹被预测为第2类驾驶风格(即对应第2类车辆轨迹数据标签)所占比例,ak为分割后的定长轨迹被预测为第k类驾驶风格(即对应第k类车辆轨迹数据标签)占总被分割数量的比例;
式中,n为第n类驾驶风格(即对应第n类车辆轨迹数据标签),N为正整数。当S落入公式(11)所示区间中,则该司机即被分入第n类驾驶风格中。本实施例中,k=4。
本实施例中,卷积神经网络(CNN)的关键思想类似于普通的全连接人工神经网络(MLP),但不同之处在于,MLP每个节点完全连接到前一层中的节点,而CNN通过将神经元仅连接到前一层的小区域(也称为感受野)来利用空间局部相关性。节点之间的这种局部连接导致具有较少数量的权重,这减轻了维度的灾难和过度拟合问题,也大大降低了计算量。此外选择卷积神经网络而非循环神经网络(RNN),是利用卷积神经网络在局部特征的提取能力,虽然RNN在全局的特征提取具有优势,但驾驶风格更多体现在轨迹数据的局部特征。CNN通过对局部信息聚合得到整体信息,对输入进行层次信息提取能够有效反映危险驾驶行为频率等信息。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于卷积神经网络的驾驶轨迹特征分类方法,其特征是,包括如下步骤:
对目标车辆轨迹数据进行分段处理;
将处理后的目标车辆轨迹数据输入预先训练好的卷积神经网络,获取目标车辆轨迹数据所对应的驾驶风格;
在将处理后的目标车辆轨迹数据输入预先训练好的卷积神经网络之前,还包括:
基于历史或/和实时车辆轨迹数据构建训练样本集;
对训练样本集中车辆轨迹数据进行标签化处理和分段处理;
利用训练样本集中处理后的车辆轨迹数据对预构建的卷积神经网络进行训练;
所述标签化处理包括利用时域分析法或/和违章分析法对训练样本集中车辆轨迹数据进行标签化处理,所述时域分析法包括:
对训练样本集中车辆轨迹数据的轨迹点进行时域分析,获取所述轨迹点中急加速或/和急减速的轨迹点数;
基于所述急加速或/和急减速的轨迹点数以及车辆轨迹数据的轨迹点总数,获取所述车辆轨迹数据对应的车辆驾驶安全性评分;
基于车辆驾驶安全性评分值大小,确立所述车辆轨迹数据对应的车辆轨迹数据标签;
所述车辆驾驶安全性评分,其计算公式如下:
式中,ρ为车辆驾驶安全性评分,aneg为车辆轨迹数据的轨迹点中急减速的轨迹点数,apos为车辆轨迹数据的轨迹点中急加速的轨迹点数,aall为车辆轨迹数据的轨迹点总数。
2.根据权利要求1所述的基于卷积神经网络的驾驶轨迹特征分类方法,其特征是,在利用训练样本集中处理后的车辆轨迹数据对预构建的卷积神经网络进行训练之前,还包括:对训练样本集中车辆轨迹数据进行时空信息映射处理,所述时空信息映射处理包括:
对训练样本集中车辆轨迹数据的轨迹点进行时域分析或/和空间分析,获取所述轨迹点所处的时间段或/和功能区,所述时间段包括早高峰时段、白天非高峰时段、晚高峰时段、夜间非高峰时段中的至少任一项,所述功能区包括商业区、住宅区、工作区、混合区、工业区中的至少任一项。
3.根据权利要求1所述的基于卷积神经网络的驾驶轨迹特征分类方法,其特征是,所述车辆轨迹数据标签包括安全、低风险、高风险、危险中的至少任一项。
4.根据权利要求1至3中任一项所述的基于卷积神经网络的驾驶轨迹特征分类方法,其特征是,将处理后的目标车辆轨迹数据输入预先训练好的卷积神经网络,获取目标车辆轨迹数据所对应的驾驶风格,包括:
获取分段处理后每段目标车辆轨迹数据对应的车辆轨迹数据标签;
基于每段目标车辆轨迹数据对应的车辆轨迹数据标签获取分段处理前目标车辆轨迹数据的车辆驾驶安全性评分;
基于分段处理前目标车辆轨迹数据的车辆驾驶安全性评分获取目标车辆轨迹数据所对应的车辆轨迹数据标签。
6.根据权利要求4所述的基于卷积神经网络的驾驶轨迹特征分类方法,其特征是,基于分段处理前目标车辆轨迹数据的车辆驾驶安全性评分获取目标车辆轨迹数据所对应的车辆轨迹数据标签,包括:
将分段处理前目标车辆轨迹数据的车辆驾驶安全性评分代入预设函数;
提取任一类车辆轨迹数据标签代入所述预设函数;
如果所述预设函数成立,获取所提取的车辆轨迹数据标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153335.6A CN110889444B (zh) | 2019-11-22 | 2019-11-22 | 一种基于卷积神经网络的驾驶轨迹特征分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911153335.6A CN110889444B (zh) | 2019-11-22 | 2019-11-22 | 一种基于卷积神经网络的驾驶轨迹特征分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889444A CN110889444A (zh) | 2020-03-17 |
CN110889444B true CN110889444B (zh) | 2022-08-09 |
Family
ID=69748350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911153335.6A Active CN110889444B (zh) | 2019-11-22 | 2019-11-22 | 一种基于卷积神经网络的驾驶轨迹特征分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889444B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114655227A (zh) * | 2020-12-24 | 2022-06-24 | 华为技术有限公司 | 驾驶风格识别方法、辅助驾驶方法及装置 |
CN113157817B (zh) * | 2021-03-15 | 2024-05-10 | 平安科技(深圳)有限公司 | 区分驾驶员的方法、装置和计算机设备 |
CN113516277B (zh) * | 2021-04-13 | 2023-10-17 | 南京大学 | 一种基于路网动态定价的网联智能交通路径规划方法 |
CN113065902A (zh) * | 2021-04-22 | 2021-07-02 | 中国平安财产保险股份有限公司 | 基于数据处理的费用设定方法、装置和计算机设备 |
CN115805947B (zh) * | 2022-11-21 | 2023-06-30 | 清华大学 | 一种个性化车辆轨迹预测方法、系统、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技(上海)有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
CN109635793A (zh) * | 2019-01-31 | 2019-04-16 | 南京邮电大学 | 一种基于卷积神经网络的无人驾驶行人轨迹预测方法 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
-
2019
- 2019-11-22 CN CN201911153335.6A patent/CN110889444B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技(上海)有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
CN109635793A (zh) * | 2019-01-31 | 2019-04-16 | 南京邮电大学 | 一种基于卷积神经网络的无人驾驶行人轨迹预测方法 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110889444A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
Ferreira et al. | The impact of driving styles on fuel consumption: A data-warehouse-and-data-mining-based discovery process | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
Ding et al. | Network-matched trajectory-based moving-object database: Models and applications | |
CN107293117A (zh) | 一种公路异常事件的判断方法 | |
CN104331422A (zh) | 一种路段类型推测方法 | |
CN104123833A (zh) | 一种道路状况的规划方法和装置 | |
CN111882867A (zh) | 一种基于物联网的城市智慧交通预警系统 | |
CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN105469599A (zh) | 车辆轨迹跟踪和车辆行为预测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
CN109712402B (zh) | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 | |
CN104183135A (zh) | 车辆行进开销的估计方法及系统 | |
Duan et al. | Revealing taxi driver route choice characteristics based on GPS data | |
CN111444286A (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
Liu et al. | MCT‐TTE: Travel Time Estimation Based on Transformer and Convolution Neural Networks | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN114333323A (zh) | 一种基于压力特征的高速公路行程速度预测方法 |
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 |