CN113704682B - 一种基于驾驶操控数据分析的交通信息可信辨识方法 - Google Patents

Abstract

本发明公开了一种基于驾驶操控数据分析的交通信息可信辨识方法，针对车路协同环境下车辆交互信息可信辨识的问题，引入了驾驶员操控行为特征进行可信辨识，建立了操控行为数据特征的可信辨识模型，通过分析在驾驶过程中的踏板踩踏深度分布、踏板单次踩踏频谱、踏板踩踏时长分布等驾驶操控数据特征，应用时通过检测对应的驾驶操控数据，用所构建的操控数据特征模型进行判断，给出可信概率数值，以辨识交互信息是否可信。本发明能够有效检测驾驶操控数据的异常情况，包括车辆操控数据特征不匹配、数据错误、黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通系统的安全性与可靠性。

Description

一种基于驾驶操控数据分析的交通信息可信辨识方法

技术领域

本发明涉及车路协同、信息交互、行为特征识别等技术领域，尤其涉及一种基于驾驶操控数据分析的交通信息可信辨识方法。

背景技术

车路协同系统及技术是新一代智能交通系统的发展趋势，基于车-车、车-路的实时交互，可以实现更加高效、安全的交通组织与管理效益。如何确保交通信息交互的安全可靠，对于车路协同系统的应用具有重要意义。但是，对于当前车路协同系统的应用环境而言，其对于交通信息的可靠性需求，不能只考虑传统通信层面的可靠性和安全性，还需要结合交通业务特征来甄别交互信息的可信程度。而目前，对于驾驶员自身驾驶数据的可信辨识分析研究较少，可信辨识参考数据覆盖面不够完整，可信辨识结果的准确性和可靠性不足。

发明内容

本发明的目的是提供一种基于驾驶操控数据分析的交通信息可信辨识方法，能够有效检测驾驶操控数据的异常情况，提高了车路协同环境下智能交通系统的安全性与可靠性。

本发明采用的技术方案为：

一种基于驾驶操控数据分析的交通信息可信辨识方法，包括以下步骤：

S1、选定待判定的操控数据类型并采集对应驾驶操控数据；操控数据类型包括踏板踩踏深度分布、踏板单次踩踏频谱和踏板踩踏时长分布；

S2、根据驾驶操控数据获取对应的OBU动态数据和OBU静态数据；

操控数据类型为踏板踩踏深度分布时：

OBU动态数据包括一段时间内的油门踏板踩踏形变量序列[x₁，x₂，…，x_L]；踏板踩踏深度分布对应的OBU静态数据包括踏板踩踏形变量的特征参数π_k、μ_k、

其中，踩踏形变量为踏板深度或踏板力度；

特征参数π_k、μ_k、

获取过程如下：

a1：获取驾驶员在一段时间内的历史油门踏板形变量序列[x₁′，x₂′，...，x_L′]；

b1：使用GMM对历史油门踏板形变量序列中数据的分布进行拟合，获取特征参数π_k、μ_k、

GMM公式为：

公式(1)中，k∈[1，K]，K为GMM中高斯模型的数量；π_k为GMM中第k个成分的混合系数，μ_k为GMM中第k个成分的平均值，

为GMM中第k个成分的方差，d为数据维度，本例中取1，σ_k为GMM中第k个成分的标准差；

操控数据类型为踏板单次踩踏频谱时：

OBU动态数据包括一段时间内的油门踏板踩踏形变量序列X(L)＝[x₁，x₂，...，x_L]，踏板单次踩踏频谱对应的OBU静态数据包括单次踏板踩踏特征参数c′(0)～c′(k)，其中，c′(k)为踏板信号倒谱k阶系数，踩踏形变量为踏板深度或踏板力度；

单次踏板踩踏特征参数c′(0)～c′(k)的计算过程具体为：

a2：采集m次历史油门踏板形变量序列X(L′)，m≥3；历史油门踏板形变量序列为驾驶员在一段时间内的历史油门踏板形变量序列X(L′)＝[x₁′，x₂′，...，x_L′]；

b2：分别计算每次采集的历史油门踏板形变量序列对应的倒谱系数序列c′(n)；

c′(n)＝IDFT{log DFT{X(L′)}}； (2)

公式(2)中，c′(n)为倒谱系数序列，DFT为离散傅里叶变换，IDFT为离散傅里叶逆变换；

c2：取每组倒谱系数序列中第0阶至第k阶低阶序数，将m次的同阶系数求平均值，作为特征参数c′(0)～c′(k)；

操控数据类型为踏板踩踏时长分布时：

OBU动态数据包括刹车踏板深度序列[d₁，...，d_L]，踏板踩踏时长分布对应的OBU静态数据包括踏板踩踏时长特征参数a′；

踏板踩踏时长特征参数a′计算过程具体为：

a3：采集一端时间的历史刹车制动踏板踩踏深度序列D＝[d₁，...，d_L′]；

b3：判断序列D中d_i～d_i+t是否全部大于0，若是，则将元素t加入时长序列；

当序列中出现d_i＞0时，寻找最大的t，使得d_i～d_i+t全部大于0，即该段踩踏踏板的时长为t；

c3：遍历1～L′，得到单次踩踏制动踏板的时长序列T＝[t₁，...，t_N′]，N′为时长序列长度，即踩踏制动踏板的次数；

d3：绘制单次踩踏制动踏板的时长序列T的频次分布直方图对其进行指数分布拟合，获取踏板踩踏时长特征参数a′；分布拟合公式为：

f(t)＝a′·exp(-b′t)+c′； (3)

公式(3)中，a′、b′和c′均为待拟合的指数函数系数；

S3、基于OBU动态数据和OBU静态数据计算对应驾驶操控数据的可信概率值P；

S4、将可信概率值P与对应操控数据类型所设阈值进行比较，判定获取的驾驶数据是否可信。

进一步地，步骤S3具体包括：

所述操控数据类型为踏板踩踏深度分布时，可信概率值P的计算过程为：

311：确定采样序列时长T、采样频率f，计算序列长度L＝Tf；

312：采集油门踏板踩踏形变量序列[x₁，x₂，...，x_L]；

313：对油门踏板踩踏形变量序列[x₁，x₂，...，x_L]序列进行分布拟合，获取可信概率值P；计算公式如下：

所述操控数据类型为踏板单次踩踏频谱时，可信概率值P的计算过程为：

321：确定采样序列时长T、采样频率f，计算序列长度L＝Tf；

322：采集油门踏板踩踏形变量序列[x₁，x₂，...，x_L]；

323：计算倒谱系数c(n)；计算公式为：

c(n)＝IDFT{log DFT{X(L)}}； (5)

324：计算可信概率值P；计算公式如下：

所述操控数据类型为踏板踩踏时长分布时，可信概率值P的计算过程为：

331：确定采样序列时长T、采样频率f，计算序列长度L＝Tf；

332：获得驾驶员制动踏板踩踏深度序列[d₁，...，d_L]和单次踩踏制动踏板的时长序列[t₁，...，t_N]；

333：绘制序列[t₁，...，t_N]的频次分布直方图并进行指数分布拟合，获取参数a；

334：基于参数a和特征参数a′的接近度计算可信概率值P；计算公式如下：

进一步地，采用EM算法对历史油门踏板形变量序列中数据的分布进行拟合，具体过程如下：

混合高斯模型的对数似然函数为：

设置π_k、

μ_k的初始值；

E步；具体为：

引入隐变量γ_n,k表示样本x_n来源于第k个高斯模型的后验概率，计算隐变量γ_n,k，计算公式如下：

M步；具体为：

根据E步中计算的隐变量γ_n,k计算新的π_k、

μ_k；计算公式如下：

判断lnL(π，μ，σ²)是否收敛，是则算法结束，否则重复E步和M步。

进一步地，采用最小二乘法对频次分布直方图进行指数分布拟合，拟合公式如下：

公式(13)中，K表示直方图矩形个数，y_i表示第i个矩形的高度，t_i表示第i个矩形的中心点横坐标，f(t_i|a′，b′，c′)表示自变量t_i在该a，b，c参数下的指数函数值。

进一步地，所述GMM中高斯模型的数量K为8。

本发明具有以下有益效果：

利用踏板踩踏深度分布、踏板单次踩踏频谱、踏板踩踏时长分布等驾驶操控数据特征，通过所构建的操控数据特征模型进行判断对应驾驶操控数据下的可信概率数值，以辨识交互信息是否可信，能够有效检测驾驶操控数据的异常情况，包括车辆操控数据特征不匹配、数据错误、黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通系统的安全性与可靠性。

附图说明

图1为本发明的流程图；

图2为实施例一中驾驶员一的踩踏踏板的深度的频率分布图；

图3为实施例一中驾驶员二的踩踏踏板的深度的频率分布图；

图4为实施例二中驾驶员一的油门踏板操作信号图、频谱图及包络线图；

图5为实施例二中驾驶员二的油门踏板操作信号图、频谱图及包络线图；

图6为实施例三中驾驶员一单次刹车时长分步及指数拟合图；

图7为实施例三中驾驶员二单次刹车时长分步及指数拟合图。

具体实施方式

如图1所示，本发明包括以下步骤：

S1、选定待判定的操控数据类型并采集对应驾驶操控数据；操控数据类型包括踏板踩踏深度分布、踏板单次踩踏频谱和踏板踩踏时长分布；

S2、根据驾驶操控数据获取对应的OBU动态数据和OBU静态数据；

操控数据类型为踏板踩踏深度分布时：

OBU动态数据包括一段时间内的油门踏板踩踏形变量序列[x₁，x₂，...，x_L]；踏板踩踏深度分布对应的OBU静态数据包括踏板踩踏形变量的特征参数π_k、μ_k、

其中，踩踏形变量为踏板深度或踏板力度；

操控数据类型为踏板单次踩踏频谱时：

OBU动态数据包括一段时间内的油门踏板踩踏形变量序列X(L)＝[x₁，x₂，...，x_L]，踏板单次踩踏频谱对应的OBU静态数据包括单次踏板踩踏特征参数c′(0)～c′(k)，其中，c′(k)为踏板信号倒谱k阶系数，踩踏形变量为踏板深度或踏板力度；

操控数据类型为踏板踩踏时长分布时：

OBU动态数据包括刹车踏板深度序列[d₁，...，d_L]，踏板踩踏时长分布对应的OBU静态数据包括踏板踩踏时长特征参数a′；

S3、基于OBU动态数据和OBU静态数据计算对应驾驶操控数据的可信概率值P；

S4、将可信概率值P与对应操控数据类型所设阈值进行比较，判定获取的驾驶数据是否可信

为了更好地理解本发明，下面结合具体实施例对本发明的技术方案做进一步说明。

实施例一：

不同驾驶员踩踏油门踏板的习惯有所不同，图2和图3是驾驶员踩踏踏板的深度的频率分布图。有的驾驶员习惯以中等力度踩踏踏板，如图2所示；有的驾驶员习惯于轻踩踏板，在0点附近出现一个峰值，如图3所示。因此，可以采用踏板踩踏深度分布作为驾驶行为特征进行交通信息的可信辨识。下面进行详细介绍。

首先，确定采样序列时长T、采样频率f，计算序列长度L＝Tf。

然后，获取OBU动态数据和OBU静态数据。OBU动态数据为实时采集的油门踏板踩踏形变量序列[x₁，x₂，...，x_L]，OBU静态数据为特征参数π_k、μ_k、

k＝1,2，...，8，表示GMM包含8个高斯模型，π_k为GMM第k个成分的混合系数，μ_k为GMM第k个成分的平均值，

为GMM第k个成分的方差。本实施例中油门踏板踩踏形变量为油门踏板踩踏深度活油门踏板踩踏力度。

特征参数π_k、μ_k、

的计算过程如下。

a1：获取驾驶员在一段时间内(大于1h)的历史油门踏板形变量序列[x₁′，x₂′，...，x_L′]。

b1：使用GMM对历史油门踏板形变量序列中数据的分布进行拟合，获取特征参数π_k、μ_k、

拟合结果如图2和3所示。

GMM公式为：

公式(1)中，d为数据维度，本例中取1，σ_k为GMM中第k个成分的标准差。

本实施例中采用EM算法进行拟合，EM算法的两个步骤：E-step(期望步，Expectation-step)和M-step(最大化步，Maximization-step)，混合高斯模型的对数似然函数(log-likehood function)为：

先设置π_k、

μ_k的初始值。

E步：引入隐变量γ_n,k表示样本x_n来源于第k个高斯模型的后验概率，计算这个概率隐变量γ_n,k，计算公式如下：

M步：根据E步中计算的隐变量γ_n,k计算新的π_k、

μ_k；计算公式如下：

判断lnL(π，μ，σ²)是否收敛，是则算法结束，否则重复E步和M步。

然后，对油门踏板踩踏形变量序列[x₁，x₂，...，x_L]序列进行分布拟合，获取可信概率值P；若x_i的分布较为符合特征参数构成的GMM，则可信度高。

具体的可信概率值P计算公式如下：

根据应用时可信辨识系统对安全程度的要求设定阈值α，本实施例中取α＝0.5，若P＞α，则获取的驾驶操控数据可信，反之则不可信。

实施例二：

不同驾驶员单次踩踏油门踏板的方式可以体现出差异，图4最上方曲线图和图5最上方曲线图为两位驾驶员1.28s长油门踏板信号示例，驾驶员一的3次试验均为快速加速，而驾驶员二倾向于逐渐增加对油门踏板的压力。倒谱是在语音和说话人识别中广泛使用的频谱特征，定义为信号对数功率谱的逆傅立叶变换，如图4和图5所示。因此，可以使用倒谱的前几个低阶系数来平滑频谱，作为单次踏板踩踏的特征参数，采用踏板单次踩踏频谱作为驾驶行为特征进行交通信息的可信辨识。下面进行详细介绍。

首先，确定采样序列时长T、采样频率f，计算序列长度L＝Tf。

然后，获取OBU动态数据和OBU静态数据。OBU动态数据为油门踏板踩踏形变量序列[x₁，x₂，...，x_L]；OBU静态数据单次踏板踩踏特征参数c′(0)～c′(4)，其中，c′(k)为踏板信号倒谱k阶系数，踩踏形变量为踏板深度或踏板力度。

单次踏板踩踏特征参数c′(k)的计算过程具体为：

a2：采集m次历史油门踏板形变量序列X(L′)，m≥3；历史油门踏板形变量序列为驾驶员在一段时间内的历史油门踏板形变量序列X(L′)＝[x₁′，x₂′，...，x_L′]；数据为T时间内的油门踏板踩踏深度或力度。T的典型值为1.28s，数据采集频率应满足f≥10Hz。

b2：分别计算每次采集的历史油门踏板形变量序列对应的倒谱系数序列c′(n)；

c′(n)＝IDFT{log DFT{X(L′)}}；

其中，c′(n)为倒谱系数序列，DFT为离散傅里叶变换，IDFT为离散傅里叶逆变换；

c2：取每组倒谱系数序列中第0阶至第4阶的低阶序数，将m次的同阶系数求分别平均值，作为特征参数c′(0)～c′(4)。

然后，计算实时采集的驾驶操控数据的倒谱系数c(n)；计算公式为：

c(n)＝IDFT{log DFT{X(L)}}；

基于特征参数c′(0)～c′(4)和同阶的低阶倒谱系数c(n)的比较结果，计算可信概率值P；若低阶倒谱系数与特征参数较为接近，则可信度高。

可信概率值P具体计算公式如下：

最后，根据应用时可信辨识系统对安全程度的要求设定阈值α，本实施例中取α＝0.5，若P＞α，则获取的驾驶操控数据可信，反之则不可信。

实施例三：

目前很多车辆无法做到获取油门踏板数据，或者踏板踩踏深度/力度传感器数据精确度很差，无法进行踏板踩踏深度分布、踏板单次踩踏频谱两种方法的分析，因此，可通过使用驾驶员刹车制动踏板踩踏时长的分布进行分析。有的驾驶员习惯进行短时间内的刹车操作，有的则不然，如图6和图7所示，驾驶员二倾向于频繁短刹车。因此，可以基于踩踏时长分布提取短刹车参数作为驾驶行为特征进行交通信息的可信辨识。下面进行详细介绍。，

首先，确定采样序列时长T、采样频率f，计算序列长度L＝Tf；

然后，采集OBU动态数据和OBU静态数据。OBU动态数据包括刹车踏板深度序列[d₁，...，d_L]，OBU静态数据则包括踏板踩踏时长特征参数a′。

踏板踩踏时长特征参数a′计算过程具体为：

a3：采集一端时间的历史刹车制动踏板踩踏深度序列D＝[d₁，...，d_L′]；

b3：判断序列D中d_i～d_i+t是否全部大于0，若是，则将元素t加入时长序列；

其中，t的确定过程为：当序列中出现d_i＞0时，寻找最大的t，使得d_i～d_i+t全部大于0，即该段踩踏踏板的时长为t。

c3：遍历1～L′，得到单次踩踏制动踏板的时长序列T＝[t₁，...，t_N′]，为时长序列长度，即踩踏制动踏板的次数。

d3：绘制单次踩踏制动踏板的时长序列T的频次分布直方图对其进行指数分布拟合，获取踏板踩踏时长特征参数a′；分布拟合公式为：

f(t)＝a′·exp(-b′t)+c′；

其中，a′、b′和c′均为待拟合的指数函数系数。

本实施例中，采用最小二乘法对频次分布直方图进行指数分布拟合，拟合公式如下：

其中，K表示直方图矩形个数，y_i表示第i个矩形的高度，t_i表示第i个矩形的中心点横坐标，f(t_i|a′，b′，c′)表示自变量t_i在该a，b，c参数下的指数函数值然后，获得驾驶员制动踏板踩踏深度序列[d₁，...，d_L]和单次踩踏制动踏板的时长序列[t₁，...，t_N]。

然后，绘制序列[t₁，...，t_N]的频次分布直方图并进行指数分布拟合，获取参数a。

基于参数a和特征参数a′的接近度计算可信概率值P；若参数a与特征参数a′较为接近，则可信度较高。

可信概率值具体计算公式如下：

最后，根据应用时可信辨识系统对安全程度的要求设定阈值α，本实施例中取α＝0.5，若P＞α，则获取的驾驶操控数据可信，反之则不可信。

本发明针对车路协同环境下车辆交互信息可信辨识的问题，引入了驾驶员操控行为特征进行可信辨识，建立了一种操控行为数据特征的可信辨识模型，通过分析在驾驶过程中的踏板踩踏深度分布、踏板单次踩踏频谱、踏板踩踏时长分布等驾驶操控数据特征，应用时通过检测对应的驾驶操控数据，用所构建的操控数据特征模型进行判断，给出可信概率数值，以辨识交互信息是否可信。本发明可以有效检测驾驶操控数据的异常情况，包括车辆操控数据特征不匹配、数据错误、黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通系统的安全性与可靠性。

Claims (5)

1.一种基于驾驶操控数据分析的交通信息可信辨识方法，其特征在于：包括以下步骤：

S1、选定待判定的操控数据类型并采集对应驾驶操控数据；操控数据类型包括踏板踩踏深度分布、踏板单次踩踏频谱和踏板踩踏时长分布；

S2、根据驾驶操控数据获取对应的OBU动态数据和OBU静态数据；

操控数据类型为踏板踩踏深度分布时：

OBU动态数据包括一段时间内的油门踏板踩踏形变量序列[x₁，x₂，...，x_L]；踏板踩踏深度分布对应的OBU静态数据包括踏板踩踏形变量的特征参数π_k、μ_k、

其中，踩踏形变量为踏板深度或踏板力度；

特征参数π_k、μ_k、

获取过程如下：

a1：获取驾驶员在一段时间内的历史油门踏板形变量序列[x₁′，x₂′，...，x_L′]；

b1：使用GMM对历史油门踏板形变量序列中数据的分布进行拟合，获取特征参数π_k、μ_k、

GMM公式为：

公式(1)中，k∈[1，K]，K为GMM中高斯模型的数量；π_k为GMM中第k个成分的混合系数，μ_k为GMM中第k个成分的平均值，

为GMM中第k个成分的方差，d为数据维度，本例中取1，σ_k为GMM中第k个成分的标准差；

操控数据类型为踏板单次踩踏频谱时：

OBU动态数据包括一段时间内的油门踏板踩踏形变量序列X(L)＝[x₁，x₂，...，x_L]，踏板单次踩踏频谱对应的OBU静态数据包括单次踏板踩踏特征参数c′(0)～c′(k)，其中，c′(k)为踏板信号倒谱k阶系数，踩踏形变量为踏板深度或踏板力度；

单次踏板踩踏特征参数c′(0)～c′(k)的计算过程具体为：

a2：采集m次历史油门踏板形变量序列X(L′)，m≥3；历史油门踏板形变量序列为驾驶员在一段时间内的历史油门踏板形变量序列X(L′)＝[x₁′，x₂′，...，x_L′]；

b2：分别计算每次采集的历史油门踏板形变量序列对应的倒谱系数序列c′(n)；

c′(n)＝IDFT{log DFT{X(L′)}}； (2)

公式(2)中，c′(n)为倒谱系数序列，DFT为离散傅里叶变换，IDFT为离散傅里叶逆变换；

c2：取每组倒谱系数序列中第0阶至第k阶低阶序数，将m次的同阶系数求平均值，作为特征参数c′(0)～c′(k)；

操控数据类型为踏板踩踏时长分布时：

OBU动态数据包括刹车踏板深度序列[d₁，...，d_L]，踏板踩踏时长分布对应的OBU静态数据包括踏板踩踏时长特征参数a′；

踏板踩踏时长特征参数a′计算过程具体为：

a3：采集一端时间的历史刹车制动踏板踩踏深度序列D＝[d₁，...，d_L′]；

b3：判断序列D中d_i～d_i+t是否全部大于0，若是，则将元素t加入时长序列；

当序列中出现d_i＞0时，寻找最大的t，使得d_i～d_i+t全部大于0，即该段踩踏踏板的时长为t；

c3：遍历1～L′，得到单次踩踏制动踏板的时长序列T＝[t₁，...，t_N′]，N′为时长序列长度，即踩踏制动踏板的次数；

d3：绘制单次踩踏制动踏板的时长序列T的频次分布直方图对其进行指数分布拟合，获取踏板踩踏时长特征参数a′；分布拟合公式为：

f(t)＝a′·exp(-b′t)+c′； (3)

公式(3)中，a′、b′和c′均为待拟合的指数函数系数；

S3、基于OBU动态数据和OBU静态数据计算对应驾驶操控数据的可信概率值P；

S4、将可信概率值P与对应操控数据类型所设阈值进行比较，判定获取的驾驶数据是否可信。

2.根据权利要求1所述的基于驾驶操控数据分析的交通信息可信辨识方法，其特征在于：步骤S3具体包括：

所述操控数据类型为踏板踩踏深度分布时，可信概率值P的计算过程为：

311：确定采样序列时长T、采样频率f，计算序列长度L＝Tf；

312：采集油门踏板踩踏形变量序列[x₁，x₂，...，x_L]；

313：对油门踏板踩踏形变量序列[x₁，x₂，...，x_L]序列进行分布拟合，获取可信概率值P；计算公式如下：

所述操控数据类型为踏板单次踩踏频谱时，可信概率值P的计算过程为：

321：确定采样序列时长T、采样频率f，计算序列长度L＝Tf；

322：采集油门踏板踩踏形变量序列[x₁，x₂，...，x_L]；

323：计算倒谱系数c(n)；计算公式为：

c(n)＝IDFT{log DFT{X(L)}}； (5)

324：计算可信概率值P；计算公式如下：

所述操控数据类型为踏板踩踏时长分布时，可信概率值P的计算过程为：

331：确定采样序列时长T、采样频率f，计算序列长度L＝Tf；

332：获得驾驶员制动踏板踩踏深度序列[d₁，...，d_L]和单次踩踏制动踏板的时长序列[t₁，...，t_N]；

333：绘制序列[t₁，...，t_N]的频次分布直方图并进行指数分布拟合，获取参数a；

334：基于参数a和特征参数a′的接近度计算可信概率值P；计算公式如下：

3.根据权利要求1所述的基于驾驶操控数据分析的交通信息可信辨识方法，其特征在于：采用EM算法对历史油门踏板形变量序列中数据的分布进行拟合，具体过程如下：

混合高斯模型的对数似然函数为：

设置π_k、

μ_k的初始值；

E步；具体为：

引入隐变量γ_n，k表示样本x_n来源于第k个高斯模型的后验概率，计算隐变量γ_n，k，计算公式如下：

M步；具体为：

根据E步中计算的隐变量γ_n，k计算新的π_k、

μ_k；计算公式如下：

判断ln L(π，μ，σ²)是否收敛，是则算法结束，否则重复E步和M步。

4.根据权利要求1所述的基于驾驶操控数据分析的交通信息可信辨识方法，其特征在于：采用最小二乘法对频次分布直方图进行指数分布拟合，拟合公式如下：

公式(13)中，K表示直方图矩形个数，y_i表示第i个矩形的高度，t_i表示第i个矩形的中心点横坐标，f(t_i|a′，b′，c′)表示自变量t_i在该a，b，c参数下的指数函数值。

5.根据权利要求3所述的基于驾驶操控数据分析的交通信息可信辨识方法，其特征在于：所述GMM中高斯模型的数量K为8。

Images