CN112559968A - 一种基于多情境数据的驾驶风格表征学习方法 - Google Patents

一种基于多情境数据的驾驶风格表征学习方法 Download PDF

Info

Publication number
CN112559968A
CN112559968A CN202011431508.9A CN202011431508A CN112559968A CN 112559968 A CN112559968 A CN 112559968A CN 202011431508 A CN202011431508 A CN 202011431508A CN 112559968 A CN112559968 A CN 112559968A
Authority
CN
China
Prior art keywords
driving
road
driving style
size
vector
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.)
Granted
Application number
CN202011431508.9A
Other languages
English (en)
Other versions
CN112559968B (zh
Inventor
刘志丹
郑俊鸿
伍楷舜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202011431508.9A priority Critical patent/CN112559968B/zh
Publication of CN112559968A publication Critical patent/CN112559968A/zh
Application granted granted Critical
Publication of CN112559968B publication Critical patent/CN112559968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于多情境数据的驾驶风格表征学习方法，包括：S1：根据车辆原始GPS数据，然后基于固定大小的滑动时间窗口提取驾驶行为的统计学特征矩阵；S2：根据GPS数据及路网数据，基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示；S3：构建半监督的对抗生成网络模型，以驾驶行为的统计学特征矩阵和驾驶员当前所处驾驶环境的特征矩阵作为输入，利用半监督的对抗生成网络模型进行驾驶风格表征学习。本发明采用多情境数据，基于驾驶操作和驾驶环境信息，利用深度学习的方法学习到驾驶风格的表征，可以更合理的对驾驶风格进行表征。

Description

一种基于多情境数据的驾驶风格表征学习方法
技术领域
本发明涉及基于GPS轨迹学习驾驶风格表征领域，更具体地，涉及一种基于多情境数据的驾驶风格表征学习方法。
背景技术
类似于人类的生物特征，人们认为每个驾驶员也具有可区分的驾驶模式，这被称为驾驶风格。具体来说，驾驶风格反映了驾驶员对于汽车转向和速度的精细控制行为习惯。从他们的轨迹中学习驾驶员的驾驶风格表征可以使许多下游应用受益，比如保险公司利用驾驶风格信息来对驾驶员进行风险评估以及个性化保险定价。
传统方法依赖于从汽车传感器(例如，控制器局域网总线)或专用传感器(例如，高清摄像机)收集的数据来进行驾驶风格学习。基于多传感器信息的驾驶风格识别系统，在检测时需要相应的信息采集设备，如高清摄像机。由于这些额外设备昂贵的价格和庞大的体积，使得这一类系统的推广普及得到阻碍。
深度学习目前已经在计算机视觉、自然语言处理和推荐系统等领域都取得了显著的成果。但目前在驾驶风格表征学习的相关工作较少，目前最先进的驾驶风格表征方法(Dong,W.,Yuan,T.,Yang,K.,Li,C.,&Zhang,S.Autoencoder regularized network fordriving style representation learning.IJCAI 2017.)，是基于固定大小的滑动时间窗口的卷积神经网络的模型。但这些工作仅专注于从GPS数据中提取特征，而忽略了即时驾驶的上下文信息，例如道路状况和交通状况。由于同一个驾驶员在不同的道路交通信息下会表现出不同的驾驶状态，因此直接使用原始GPS数据对驾驶员进行驾驶风格表征是不合理的。
发明内容
本发明为克服上述现有技术所述的驾驶风格表征中情境数据单一，导致对驾驶员进行驾驶风格表征不合理的缺陷，提供一种基于多情境数据的驾驶风格表征学习方法。
所述方法包括以下步骤：
S1：根据车辆原始GPS数据，然后基于固定大小的滑动时间窗口提取驾驶行为的统计学特征矩阵；
S2：根据GPS数据及路网数据，基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示；
S3：构建半监督的对抗生成网络模型，以驾驶行为的统计学特征矩阵和驾驶员当前所处驾驶环境的特征矩阵作为输入，利用半监督的对抗生成网络模型进行驾驶风格表征学习。
优选地，S1中基于固定大小的滑动时间窗口提取驾驶行为的统计学特征，其具体包括以下步骤：
S1.1：首先将一条GPS轨迹划分为固定长度为Ls的若干个分段，并将偏移量设置为Ls/2；将每一个分段进一步划分为固定大小为Lf的窗口，并将偏移量设置为Lf/2；
S1.2：在每个时间点，计算n个由原始GPS派生的基本特征；
S1.3：采用离差标准化法对基本特征进行数据归一化，对基本特征进行线性变化，将所有的基本特征映射在目标区间[T1,T2]中，消除量纲对于驾驶风格表征学习的影响；
S1.4：在每一个大小为Lf的窗口内，对于每一个基本特征计算m个统计信息；
S1.5：对于每个Lf大小的窗口一共提取了n×m个统计特征，对于每一个大小为Ls的分段，可以划分为2×Ls/Lf个Lf大小的窗口，可以输出一组大小
Figure BDA0002826706980000021
的统计学特征矩阵，此特征矩阵作为半监督的对抗生成网络模型的输入之一。
优选地，S1.2中由原始GPS派生的基本特征为5个，包括：标准速度、速度标准差、加速度和加速度标准差以及角速度。通过汽车驾驶速度获得标准速度和速度标准差，通过经纬度变化计算加速度和加速度标准差，通过汽车行进时的方向变化计算角速度。
优选地，S1.4中对于每一个基本特征计算7个统计信息，分别为：均值、最小值、最大值、25％分位数、50％分位数和75％分位数。
优选地，S2中所述驾驶环境包括：道路状况、地理语义和交通状况。
优选地，S2中所述基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示具体包括以下步骤：
S2.1：通过轨迹分段大小Ls固定时间窗口大小ts；
S2.2：使用基于隐马尔可夫的地图匹配技术对原始GPS数据进行地图匹配；
S2.3：对于道路状况，利用道路类型、车道数量和是否为单向道三个属性来表示道路状况；
对于道路类型，通过开源的OpenStreetMap地图获得车辆目前正在行驶路段的具体道路等级；
对于车道数量，将车道数量划分为六级，每一级对应为车道的数量；
对于是否为单向道，是否单向道划分为两级：是单向道和不是单向道；
将这三大属性结合起来组成一个描述道路状况的向量[Road type,Road lanes,One-way]，将其使用one-hot编码后输入一个线性层，最终获得大小为ts×1的特征向量；
S2.4：对于地理语义，将城市区域划分为N×N个网格，并将每个GPS轨迹对应的行驶路径段映射到整个城市区域；
对于每个GPS轨迹，设地理语义表示矩阵为M，如果行驶路径与网格[a，b]相交，则M[a，b]＝1，反之M[a，b]＝0；
获得表示地理语言的特征矩阵后，进一步对矩阵M进行矢量展平，将其输入到线性层中以减小维度最终获得大小为ts×1的特征向量；
S2.5：对于交通状况，根据地图匹配结果将所有GPS记录按其各自匹配的路段分类，对于给定的路段，使用落入该时间段的GPS记录来计算特定时间段的平均行进速度；使用时空插值法来推断未发现路段的交通状况；获得路网在当前时间的所有路段的车辆平均速度后，计算车辆当前所在路段的行驶速度与路段平均行驶速度之间的比率，以此比率来表示交通状况，最终获得大小为ts×1的特征向量；
S2.6：将驾驶环境的三种特征向量串联为一个向量，馈送到一个线性层中，最后将驾驶环境上下文特征矩阵作为半监督的对抗生成网络模型的输入之一。
优选地，道路等级划分为五级：高速公路、主干道、次干道、普通城市道路、以及其他道路类型；
优选地，S3中所述利用半监督的对抗生成网络模型进行驾驶风格表征学习具体为：
生成器以随机生成的高斯噪声矢量z作为输入，将z输入到线性层和整形层得到重塑后的特征矩阵，然后将该特征矩阵输入四个反卷积层，最终输出与真实样本特征矩阵相同大小的伪样本；
鉴别器将GPS数据和环境特征上下文信息生成的真实样本或生成器G生成的伪样本作为输入，然后由半监督的对抗生成网络模型对其进行进一步处理以得出驾驶风格表示；
鉴别器首先使用堆叠的卷积层来对每个样本进行卷积，得到了一个高维度的特征矩阵；该高维度的特征矩阵被展平并输入到一个线性层中以得出驾驶风格表征向量，该表征向量为驾驶风格表示，最后，该表征向量将被馈送入两个任务：传统的GAN任务和多分类任务。
优选地，所述传统的GAN任务，用来将驾驶风格表征向量馈入tanh激活函数来区分真实样本和伪样本；所述多分类任务，用来将驾驶风格表征向量馈入softmax激活函数以获得多个分类的分类概率。
优选地，S3还包括以下操作：
鉴别器将真实样本和生成器生成的伪样本之间的损失馈入生成器，从而指导生成器生成样本。
与现有技术相比，本发明技术方案的有益效果是：本发明采用多情境数据，基于驾驶操作和驾驶环境信息，利用深度学习的方法学习到驾驶风格的表征，可以更合理的对驾驶风格进行表征。
附图说明
图1为基于多情境数据的驾驶风格表征系统示意图。
图2为实施例1所述基于多情境数据的驾驶风格表征方法示意图。
图3为提取驾驶行为的统计学特征矩阵流程图。
图4为提取驾驶员当前所处驾驶环境的特征矩阵流程图。
图5为半监督的对抗生成网络模型示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
本实施例提供一种基于多情境数据的驾驶风格表征学习方法，本实施例利用半监督生成对抗网络的理论，构建了一个适用于驾驶员身份识别以及驾驶员人数估计的高准确率深度神经网络解决方案。
本实施例利用对抗性生成网络对于数据增强的作用，以及考虑了不同的驾驶场景对于驾驶员驾驶操作的影响，通过构建驾驶员的个人驾驶特征库来训练对应的神经网络模型(半监督的对抗生成网络模型)，以此来学习到驾驶员的驾驶风格表征。
所述方法在基于多情境数据的驾驶风格表征系统上实现，如图1所示，所述系统包括GPS数据提取特征向量模块、驾驶环境提取特征向量模块、半监督生成对抗网络模块；
GPS数据提取特征向量模块：对原始的车辆驾驶数据进行预处理，基于固定大小的滑动时间窗口提取驾驶行为的统计学特征；
驾驶环境提取特征向量模块：基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示；
半监督生成对抗网络模块：在构建完模型的输入之后，通过构建半监督的对抗生成网络来学习驾驶风格表征。该半监督的对抗生成网络模型由鉴别器和生成器组成。
如图2所示，所述方法包括以下步骤：
S1：对原始的车辆驾驶数据进行预处理，基于固定大小的滑动时间窗口提取驾驶行为的统计学特征；
S2：基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示；
S3：在构建完模型的输入之后，通过构建半监督的对抗生成网络来学习驾驶风格表征。该半监督的对抗生成网络模型由鉴别器和生成器组成。
其中，S1所述的基于固定大小的滑动时间窗口提取驾驶行为的统计学特征，其具体实现包括以下子步骤(见图3)：
S1.1：首先将一条GPS轨迹划分为固定长度为Ls的多个分段，并将偏移量设置为Ls/2；将每一个分段进一步划分为固定大小为Lf的窗口，并将偏移量设置为Lf/2；
S1.2：在每个时间点，计算五个由原始GPS派生的基本特征：标准速度、速度标准差、加速度和加速度标准差以及角速度。通过汽车驾驶速度获得标准速度和速度标准差，通过经纬度变化计算加速度和加速度标准差，通过汽车行进时的方向变化计算角速度；
S1.3：采用离差标准化法对基本特征进行数据归一化，对基本特征进行线性变化，将所有的基本特征映射在[T1,T2]的目标区间中，消除量纲对于驾驶风格表征学习的影响，这里目标映射区间取值为[-1,1]；
S1.4：在每一个大小为Lf的窗口内，对于每一个基本特征计算七个统计信息：均值、最小值、最大值、25％、50％和75％分位数；
S1.5：对于每个Lf大小的窗口一共提取了5×7＝35个统计特征，对于每一个大小为Ls的分段，可以划分为2×Ls/Lf个Lf大小的窗口，可以输出一组大小
Figure BDA0002826706980000061
的统计特征矩阵，此特征矩阵作为模型的输入之一；
其中划分滑动窗口关键参数的设置如下：Ls设置为195，Lf设置为6，故最终得到的特征矩阵大小为35×64。
S2中基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵，通过三个属性来描述驾驶场景：道路状况、地理语义和交通状况，其具体实现包括以下子步骤(见图4)：
S2.1：首先通过轨迹分段大小Ls固定时间窗口大小ts；
S2.2：使用基于隐马尔可夫的地图匹配技术(Newson,P.,&Krumm,J.(2009,November).Hidden Markov map matching through noise and sparseness.InProceedings of the 17th ACM SIGSPATIAL international conference on advancesin geographic information systems(pp.336-343).)对原始GPS数据进行地图匹配；
S2.3：对于道路状况，我们利用道路类型、车道数量和是否为单向道三个属性来表示道路状况；
对于道路类型，我们通过开源的OpenStreetMap地图获得车辆目前正在行驶路段的具体道路等级；道路等级划分为五级：高速公路、主干道、次干道、普通城市道路、以及其他道路类型；
对于车道数量，将车道数量划分为六级，每一级对应为车道的数量；
对于是否为单向道，是否单向道划分为两级：是单向道和不是单向道；
将这三大属性结合起来组成一个描述道路状况的向量[Road type,Road lanes,One-way]，将其使用one-hot编码后输入一个线性层，最终获得大小为ts×1的特征向量；
S2.4：对于地理语义，我们将城市区域划分为N×N个网格，并将每个GPS轨迹对应的行驶路径段映射到整个城市区域。对于每个轨迹，我们将计算一个地理语义表示矩阵M，如果行驶路径与网格[a，b]相交，则M[a，b]＝1，反之M[a，b]＝0。获得表示地理语言的特征矩阵后，进一步对矩阵M进行矢量展平，将其输入到线性层中以减小维度最终获得大小为ts×1的特征向量；
S2.5：对于交通状况，根据地图匹配结果将所有GPS记录按其各自匹配的路段分类，对于给定的路段，我们使用落入该时间段的GPS记录来计算特定时间段的平均行进速度；由于数据稀疏性，使用时空插值法来推断未发现路段的交通状况。获得路网在当前时间的所有路段的车辆平均速度后，计算车辆当前所在路段的行驶速度与路段平均行驶速度之间的比率，以此相对速率来表示交通状况，最终获得大小为ts×1的特征向量；
S2.6：将驾驶环境的三种特征向量串联为一个向量，馈送到一个线性层中，最后将其重塑为大小为35×64×1的驾驶环境上下文特征矩阵作为半监督的对抗生成网络模型的输入之一；
其中获取驾驶环境特征矩阵的关键参数的设置如下：ts设置为195，N设置为80。
S3所述的通过构建半监督的对抗生成网络(generative adversarial networks，GAN)来学习驾驶风格表征，该网络由鉴别器和生成器组成，其具体原理如下(见图5)：
对于鉴别器D(也能充当分类器C)，鉴别器是由GPS数据和驾驶环境信息提取的特征向量的真实样本或生成器G生成的伪样本作为输入的各神经网络单元构成的；
对于鉴别器D，首先使用堆叠的卷积层来处理每个输入样本。经过一系列的卷积后，得到了一个高维度的特征矩阵，该特征张量被展平并输入到一个线性层中以得出驾驶风格表征向量，该表征向量将被馈送入两个任务：传统的GAN任务和多分类任务；对于传统的GAN任务，将向量馈入tanh激活函数来区分真实样本和伪样本；对于多分类任务，将向量馈入softmax激活函数以获得多个分类的分类概率；
对于传统的GAN任务，方法是使真实样本的得分得到最大化，假样本的得分最小，通过最小化L(D)来实现目标，L(D)如下所示：
Figure BDA0002826706980000081
其中D(x|θd)是真实样本的概率，x～pr(x)表示x来自真实样本的分布，x～G表示x来自生成样本，θd是鉴别器的参数集；
对于多分类任务，鉴别器D充当分类器C，以完成多分类问题。对于每个样本，分类器C(参数θc)预测样本是否属于预定义的(k+1)类之一。通过使分类器损失L(C)最小化来训练分类器C，分类器损失函数L(C)如下所示：
Figure BDA0002826706980000082
其中c是样本x的类别标签，C(c|xc,θc)的分类器正确分类的概率，θc是分类器的参数集；
其中鉴别器关键参数的设置如下：激活函数选用LeakyRelu函数，学习速率设置为0.0004，最大迭代次数设置为5000；
对于生成器，给定真实样本的分布pr(x)和来自真实训练数据的k类标签，生成器G的目标是找到与真实分布pr(x)接近的参数化条件分布G(z，c，θg)；
通过使损失L(G)最小化来训练G,其中生成器损失函数L(G)如下所示：
Figure BDA0002826706980000091
其中f(·)表示鉴别符D的中间层(例如，卷积层的堆栈)，θf是鉴别符D中间层相对应的θd的参数子集，c是来自样本的类别标签；
对于生成器，随机生成高斯噪声矢量z作为生成器的输入，z是从高斯分布采样的128维向量；将z输入到线性层和整形层将其重塑为7*21的特征矩阵；然后获得的特征矩阵输入四个反卷积层，最终输出与实际特征矩阵相同大小的35×64×2特征矩阵。每个反卷积层之后都带有一个批归一化层和一个激活层函数；
其中生成器关键参数的设置如下：激活函数选用Relu函数，学习速率设置为0.0001，最大迭代次数设置为5000；
鉴别器将真实样本和生成器生成的伪样本之间的损失馈入生成器G，从而指导生成器生成样本。
本实施例利用车载的GPS传感器采集汽车的驾驶数据，并考虑驾驶环境的影响，通过深度神经网络学习到驾驶员的驾驶风格表征。基于驾驶员对汽车转向和速度控制习惯的细微不同，我们从GPS原始数据中提取出统计学特征，以及基于道路驾驶环境会对驾驶操作产生影响，我们从道路状况，地理语义和交通状况三个方面综合考虑，提取出驾驶环境特征矩阵。然后将表征驾驶操作的统计学特征与表征驾驶环境的特征矩阵组成新的特征矩阵作为半监督的对抗生成网络模型的输入。在构建完输入后，通过训练生成对抗网络模型学习到驾驶员的驾驶风格表征。本实施例采用多情境数据，基于驾驶操作和驾驶环境信息，利用深度学习的方法学习到驾驶风格的表征，并可以支持驾驶员身份识别和驾驶员人数估计等下游任务。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于多情境数据的驾驶风格表征学习方法，其特征在于，所述方法包括以下步骤：
S1：根据车辆原始GPS数据，然后基于固定大小的滑动时间窗口提取驾驶行为的统计学特征矩阵；
S2：根据GPS数据及路网数据，基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示；
S3：构建半监督的对抗生成网络模型，以驾驶行为的统计学特征矩阵和驾驶员当前所处驾驶环境的特征矩阵作为输入，利用半监督的对抗生成网络模型进行驾驶风格表征学习。
2.根据权利要求1所述基于多情境数据的驾驶风格表征学习方法，其特征在于，S1中基于固定大小的滑动时间窗口提取驾驶行为的统计学特征，其具体包括以下步骤：
S1.1：首先将一条GPS轨迹划分为固定长度为Ls的若干个分段，并将偏移量设置为Ls/2；将每一个分段进一步划分为固定大小为Lf的窗口，并将偏移量设置为Lf/2；
S1.2：在每个时间点，计算n个由原始GPS派生的基本特征；
S1.3：采用离差标准化法对基本特征进行数据归一化，对基本特征进行线性变化，将所有的基本特征映射在目标区间[T1,T2]中，消除量纲对于驾驶风格表征学习的影响；
S1.4：在每一个大小为Lf的窗口内，对于每一个基本特征计算m个统计信息；
S1.5：对于每个Lf大小的窗口一共提取了n×m个统计特征，对于每一个大小为Ls的分段，划分为2×Ls/Lf个Lf大小的窗口，输出一组大小
Figure FDA0002826706970000011
的统计学特征矩阵，此特征矩阵作为半监督的对抗生成网络模型的输入之一。
3.根据权利要求2所述基于多情境数据的驾驶风格表征学习方法，其特征在于，S1.2中由原始GPS派生的基本特征为5个，包括：标准速度、速度标准差、加速度和加速度标准差以及角速度；
通过汽车驾驶速度获得标准速度和速度标准差，通过经纬度变化计算加速度和加速度标准差，通过汽车行进时的方向变化计算角速度。
4.根据权利要求3所述基于多情境数据的驾驶风格表征学习方法，其特征在于，S1.4中对于每一个基本特征计算7个统计信息，分别为：均值、最小值、最大值、25％分位数、50％分位数和75％分位数。
5.根据权利要求1-3任一项所述基于多情境数据的驾驶风格表征学习方法，其特征在于，S2中所述驾驶环境包括：道路状况、地理语义和交通状况。
6.根据权利要求5所述基于多情境数据的驾驶风格表征学习方法，其特征在于，S2中所述基于固定大小的时间窗口提取驾驶员当前所处驾驶环境的特征矩阵表示具体包括以下步骤：
S2.1：通过轨迹分段大小Ls固定时间窗口大小ts；
S2.2：使用基于隐马尔可夫的地图匹配技术对原始GPS数据进行地图匹配；
S2.3：对于道路状况，利用道路类型、车道数量和是否为单向道三个属性来表示道路状况；
对于道路类型，通过开源的OpenStreetMap地图获得车辆目前正在行驶路段的具体道路等级；
对于车道数量，将车道数量划分为六级，每一级对应为车道的数量；
对于是否为单向道，是否单向道划分为两级：是单向道和不是单向道；
将这三大属性结合起来组成一个描述道路状况的向量，将其使用one-hot编码后输入一个线性层，最终获得大小为ts×1的特征向量；
S2.4：对于地理语义，将城市区域划分为N×N个网格，并将每个GPS轨迹对应的行驶路径段映射到整个城市区域；
对于每个GPS轨迹，设地理语义表示矩阵为M，如果行驶路径与网格[a，b]相交，则M[a，b]＝1，反之M[a，b]＝0；
获得表示地理语言的特征矩阵后，进一步对矩阵M进行矢量展平，将其输入到线性层中以减小维度最终获得大小为ts×1的特征向量；
S2.5：对于交通状况，根据地图匹配结果将所有GPS记录按其各自匹配的路段分类，对于给定的路段，使用落入该时间段的GPS记录来计算特定时间段的平均行进速度；使用时空插值法来推断未发现路段的交通状况；获得路网在当前时间的所有路段的车辆平均速度后，计算车辆当前所在路段的行驶速度与路段平均行驶速度之间的比率，以此比率来表示交通状况，最终获得大小为ts×1的特征向量；
S2.6：将驾驶环境的三种特征向量串联为一个向量，馈送到一个线性层中，最后将驾驶环境上下文特征矩阵作为半监督的对抗生成网络模型的输入之一。
7.根据权利要求6所述基于多情境数据的驾驶风格表征学习方法，其特征在于，
道路等级划分为五级：高速公路、主干道、次干道、普通城市道路、以及其他道路类型。
8.根据权利要求6或7所述基于多情境数据的驾驶风格表征学习方法，其特征在于，S3中所述利用半监督的对抗生成网络模型进行驾驶风格表征学习具体为：
生成器以随机生成的高斯噪声矢量z作为输入，将z输入到线性层和整形层得到重塑后的特征矩阵，然后将该特征矩阵输入四个反卷积层，最终输出与真实样本特征矩阵相同大小的伪样本；
鉴别器将GPS数据和环境特征上下文信息生成的真实样本或生成器G生成的伪样本作为输入，然后由半监督的对抗生成网络模型对其进行进一步处理以得出驾驶风格表示；
鉴别器首先使用堆叠的卷积层来对每个样本进行卷积，得到了一个高维度的特征矩阵；该高维度的特征矩阵被展平并输入到一个线性层中以得出驾驶风格表征向量，该表征向量为驾驶风格表示，最后，该表征向量将被馈送入两个任务：传统的GAN任务和多分类任务。
9.根据权利要求8所述基于多情境数据的驾驶风格表征学习方法，其特征在于，所述传统的GAN任务，用来将驾驶风格表征向量馈入tanh激活函数来区分真实样本和伪样本；所述多分类任务，用来将驾驶风格表征向量馈入softmax激活函数以获得多个分类的分类概率。
10.根据权利要求9所述基于多情境数据的驾驶风格表征学习方法，其特征在于，S3还包括以下操作：
鉴别器将真实样本和生成器生成的伪样本之间的损失馈入生成器，从而指导生成器生成样本。
CN202011431508.9A 2020-12-09 2020-12-09 一种基于多情境数据的驾驶风格表征学习方法 Active CN112559968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011431508.9A CN112559968B (zh) 2020-12-09 2020-12-09 一种基于多情境数据的驾驶风格表征学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011431508.9A CN112559968B (zh) 2020-12-09 2020-12-09 一种基于多情境数据的驾驶风格表征学习方法

Publications (2)

Publication Number Publication Date
CN112559968A true CN112559968A (zh) 2021-03-26
CN112559968B CN112559968B (zh) 2023-01-13

Family

ID=75059963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011431508.9A Active CN112559968B (zh) 2020-12-09 2020-12-09 一种基于多情境数据的驾驶风格表征学习方法

Country Status (1)

Country Link
CN (1) CN112559968B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408576A (zh) * 2021-05-12 2021-09-17 上海师范大学 基于融合标签和堆叠机器学习模型的学习风格识别方法
CN116246468A (zh) * 2023-03-14 2023-06-09 西安科技大学 基于多元时空数据的分心驾驶风险路段识别与管控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023265A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with integrated driving style recognition
US20100019964A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition and road condition recognition
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
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
CN106875511A (zh) * 2017-03-03 2017-06-20 深圳市唯特视科技有限公司 一种基于自编码正则化网络学习驾驶风格的方法
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023265A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with integrated driving style recognition
US20100019964A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition and road condition recognition
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
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
CN106875511A (zh) * 2017-03-03 2017-06-20 深圳市唯特视科技有限公司 一种基于自编码正则化网络学习驾驶风格的方法
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AUGUSTUS ODENA: "Semi-Supervised Learning with Generative Adversarial Networks", 《ARXIV》 *
WEISHAN DONG ET AL.: "Autoencoder Regularized Network For Driving Style Representation Learning", 《ARXIV》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408576A (zh) * 2021-05-12 2021-09-17 上海师范大学 基于融合标签和堆叠机器学习模型的学习风格识别方法
CN116246468A (zh) * 2023-03-14 2023-06-09 西安科技大学 基于多元时空数据的分心驾驶风险路段识别与管控方法
CN116246468B (zh) * 2023-03-14 2023-11-14 西安科技大学 基于多元时空数据的分心驾驶风险路段识别与管控方法

Also Published As

Publication number Publication date
CN112559968B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN111310583B (zh) 一种基于改进的长短期记忆网络的车辆异常行为识别方法
US10176405B1 (en) Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
CN107492251B (zh) 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
Sun et al. A real-time precrash vehicle detection system
CA2945452C (en) Intelligent automatic license plate recognition for electronic tolling environments
Sivaraman et al. Vehicle detection by independent parts for urban driver assistance
CN112559968B (zh) 一种基于多情境数据的驾驶风格表征学习方法
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
Seeger et al. Towards road type classification with occupancy grids
CN110991377B (zh) 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法
Ketcham et al. Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine
Al Mamun et al. Lane marking detection using simple encode decode deep learning technique: SegNet
Soin et al. Moving vehicle detection using deep neural network
Le et al. Vehicle count system based on time interval image capture method and deep learning mask R-CNN
AU2017261601A1 (en) Intelligent automatic license plate recognition for electronic tolling environments
CN112614373A (zh) 一种基于BiLSTM周车换道意图预测方法
KR101050687B1 (ko) 사후확률을 이용한 보행자 인식 장치 및 방법과 그를이용한 보행자 보호 장치
Gao et al. Discretionary cut-in driving behavior risk assessment based on naturalistic driving data
CN106650814A (zh) 一种基于车载单目视觉室外道路自适应分类器生成方法
CN110555425A (zh) 一种视频流实时行人检测方法
CN115092138A (zh) 基于自然驾驶人特性的车辆高速公路换道轨迹规划方法
Kassymkhanova et al. Majority voting approach and fuzzy logic rules in license plate recognition process
CN112069971A (zh) 一种基于视频的高速公路标志标线识别方法及识别系统
Wang et al. Driver modeling based on vehicular sensing data
Zaman et al. Deep Learning Approaches for Vehicle and Pedestrian Detection in Adverse Weather

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