CN114140903A - 一种基于决策树生成规则的道路类型识别车载装置 - Google Patents
一种基于决策树生成规则的道路类型识别车载装置 Download PDFInfo
- Publication number
- CN114140903A CN114140903A CN202110881877.6A CN202110881877A CN114140903A CN 114140903 A CN114140903 A CN 114140903A CN 202110881877 A CN202110881877 A CN 202110881877A CN 114140903 A CN114140903 A CN 114140903A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- data
- model
- road type
- 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
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000002790 cross-validation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 24
- 238000013499 data model Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- 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
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于决策树生成规则的道路类型识别车载装置,包括信号采集模块、车辆CAN总线、中央处理单元、数据存储单元和信号输出单元;数据存储单元存储有已知道路类型的车辆行驶数据;中央处理单元用于将已知道路类型的车辆行驶数据利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型;信号采集模块用于通过车辆CAN总线实时获取当前车辆的行驶数据;中央处理单元还用于将信号采集模块采集的当前车辆的行车信号进行预处理,提取对应的行驶相关指标,将该行驶相关指标输入得到的识别模型中,输出对应的道路类型标签,即识别出车辆行驶道路类型;信号输出模块用于输出中央处理单元识别出的车辆行驶道路类型到云端。
Description
技术领域
本发明涉及车载装置领域,具体涉及一种基于决策树生成规则的道路类型识别车载装置。
背景技术
车辆行驶道路的识别,对于汽车研发领域进行车辆优化或者新车型开发时,需要了解用户在不同道路类型下的发动机工况、载荷分布情况、能源消耗情况以及尾气排放情况,从而进行汽车零部件的选型、标定参数的优化。传统的利用车联网方式,仅能数据采集到的车辆GPS经纬度,无法进一步定位到车辆的行驶道路类型。另一方面,基于国GB 17691-2018给出的实际道路行驶测量方法,一方面仅利用行驶速度来判定车辆道路工况,识别准确率很低,从而严重研发设计与用户习惯的关联程度,另一方面识别类型只有市区-市郊-高速三种,没有覆盖山地等道路类型。
发明内容
鉴于现有技术中存在的技术缺陷和技术弊端,本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种基于决策树生成规则的道路类型识别车载装置,具体方案如下:
一种基于决策树生成规则的道路类型识别车载装置,所述装置包括信号采集模块、车辆CAN总线、中央处理单元、数据存储单元和信号输出单元;所述数据存储单元存储有已知道路类型的车辆行驶数据;
所述中央处理单元用于从数据存储单元获取已知道路类型的车辆行驶数据,将已知道路类型的车辆行驶数据利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型;
所述信号采集模块用于通过车辆CAN总线实时获取当前车辆的行驶数据;
所述中央处理单元还用于将信号采集模块采集的当前车辆的行车信号进行预处理,提取对应的行驶相关指标,将该行驶相关指标输入得到的识别模型中,输出对应的道路类型标签,即识别出车辆行驶道路类型;
所述信号输出模块用于输出中央处理单元识别出的车辆行驶道路类型到云端。
进一步地,所述装置还包括速度传感器、方向盘转角传感器以及引擎传感器,所述车辆CAN总线通过速度传感器、方向盘转角传感器以及引擎传感器实时采集车辆运动过程中的行车信号。
进一步地,所述装置还包括速度传感器、方向盘转角传感器以及引擎传感器,所述车辆CAN总线通过速度传感器、方向盘转角传感器以及引擎传感器实时采集车辆运动过程中的行车信号。
进一步地,所述中央处理单元将已知道路类型的车辆行驶数据利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型具体包括:
将所述车辆行驶数据按照ΔT时间切分为多个数据集,给每个数据集标记对应的道路类型标签,将划分好道路类型的数据集进行预处理,获取数据集中的行驶相关指标,作为数据模型样本,并将数据模型样本利用k折交叉验证对决策树模型进行训练,得到模型指标评分,根据模型指标评分对决策树模型进行最优化,从而得到车辆行驶道路类型的识别模型。
进一步地,将所述车辆行驶数据按照ΔT时间切分为多个数据集,给每个数据集标记对应的道路类型标签,将划分好道路类型的数据集进行预处理,获取数据集中的行驶相关指标,作为数据模型样本具体包括:
从车辆行驶数据中先确定相关的七个行车信号,包括,车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度;
将已知道路类型的车辆行驶数据按照ΔT时间切分为多个数据集,每个数据集标记道路类型标签0-3,其中,0表示市区,1表示高速,2表示山地,3表示市郊;
对于各数据集,从所述数据集中获取相关的七个行车信号,根据得到的行车信号计算出所需要的行驶相关指标,作为数据模型样本,其中,所述数据模型样本包括对应数据集的行驶相关指标和道路类型标签。
进一步地,从所述数据集中获取相关的七个行车信号,根据得到的行车信号计算出所需要的行驶相关指标,作为数据模型样本具体包括:
从数据集中获取每一时刻的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,根据得到的各时刻的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,计算所述行驶相关指标,包括:车速大于0时的车速的25%分位点、中位数、均值、标准差和最大值;车辆停车时长占比和倒车时长占比;制动踏板开度的25%分位点、中位数、均值、标准差和最大值;加速踏板开度的25%分位点、中位数、均值、标准差和最大值;方向盘转角速度的25%分位点、中位数、均值、标准差和最大值;纵向加速度的25%分位点、中位数、均值、标准差和最大值;横向加速度的25%分位点、中位数、均值、标准差和最大值。
进一步地,将数据模型样本利用k折交叉验证对决策树模型进行训练,得到模型指标评分,根据模型指标评分对决策树模型进行最优化,从而得到车辆行驶道路类型的识别模型具体包括:
A,将训练集分为k份,其中一份作为验证集,另外k-1份作为训练集,其中,所述训练集为各数据集经预处理后得到的数据模型样本的集合;
B,选取其中1份作为验证集,将剩余k-1份作为训练集输入决策树模型进行训练,得到训练后的决策树模型;
C,将选取的验证集输入训练后的决策树模型,验证模型指标评分并保存;
D,重复B~C k次,每一次选取的验证集均不相同,得到k个模型指标评分,取k个模型指标评分的平均值即得到决策树模型的最终评分。
进一步地,对当前车辆的行车信号进行预处理,提取对应的行驶相关指标具体包括:从车辆CAN总线中实时采集运动过程中的行车信号并存储,每隔X秒将采集的行车信号序列进行预处理,提取对应的行驶相关指标,将得到的行驶相关指标输入识别模型中,从而得到该X秒内车辆行驶的道路类型标签。
进一步地,从车辆CAN总线中实时采集运动过程中的行车信号包括车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,每隔X秒将采集的行车信号序列进行预处理,提取对应的行驶相关指标,将得到的行驶相关指标输入识别模型中,从而得到该X秒内车辆行驶的道路类型标签具体包括:
从车辆CAN总线中实时采集运动过程中的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,每隔X秒进行一轮数据采集,基于X秒内采集的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度计算行驶相关指标,包括车速大于0时的车速的25%分位点、中位数、均值、标准差和最大值;车辆停车时长占比和倒车时长占比;制动踏板开度的25%分位点、中位数、均值、标准差和最大值;加速踏板开度的25%分位点、中位数、均值、标准差和最大值;方向盘转角速度的25%分位点、中位数、均值、标准差和最大值;纵向加速度的25%分位点、中位数、均值、标准差和最大值;横向加速度的25%分位点、中位数、均值、标准差和最大值,将这些行驶相关指标输入识别模型中,通过识别模型,输出该X秒内车辆行驶的道路类型标签。
本发明具有以下有益效果:
本发明提供的一种基于决策树生成规则的道路类型识别车载装置,先通过数据存储单元获取已知道路类型的车辆行驶数据并进行处理,获取行驶相关指标,作为数据模型样本,然后将数据模型样本利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型;之后通过车辆CAN总线获取车辆的实际行车信号并进行预处理,提取所需的特征,然后把特征值放入训练好的识别模型中进行计算,输出道路类型标签,即识别出车辆行驶道路类型。相比于现有技术,识别类型覆盖更广,识别准确率更高。
附图说明
图1为本发明实施例提供的一种基于决策树生成规则的道路类型识别车载装置的结构图;
图2为本发明实施例提供的决策树算法示意图;
图3为本发明实施例提供的k折交叉验证的流程图;
图4为本发明实施例提供的最终决策树算法分类结果树状示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分,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它实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例提供的一种基于决策树生成规则的道路类型识别车载装置,所述装置包括、速度传感器、方向盘转角传感器、引擎传感器、信号采集模块、车辆CAN总线、中央处理单元、数据存储单元和信号输出单元;所述数据存储单元存储有已知道路类型的车辆行驶数据;
所述中央处理单元用于从数据存储单元获取已知道路类型的车辆行驶数据,将已知道路类型的车辆行驶数据利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型;
所述信号采集模块用于通过车辆CAN总线实时获取当前车辆的行驶数据;
所述中央处理单元还用于将信号采集模块采集的当前车辆的行车信号进行预处理,提取对应的行驶相关指标,将该行驶相关指标输入得到的识别模型中,输出对应的道路类型标签,即识别出车辆行驶道路类型;
所述信号输出模块用于输出中央处理单元识别出的车辆行驶道路类型到云端。
其中,所述车辆CAN总线通过速度传感器、方向盘转角传感器以及引擎传感器实时采集车辆运动过程中的行车信号。
其中,所述中央处理单元将已知道路类型的车辆行驶数据利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型具体包括:
将所述车辆行驶数据按照ΔT时间切分为多个数据集,给每个数据集标记对应的道路类型标签,将划分好道路类型的数据集进行预处理,获取数据集中的行驶相关指标,作为数据模型样本,并将数据模型样本利用k折交叉验证对决策树模型进行训练,得到模型指标评分,根据模型指标评分对决策树模型进行最优化,从而得到车辆行驶道路类型的识别模型:
将所述车辆行驶数据按照ΔT时间切分为多个数据集,给每个数据集标记对应的道路类型标签,将划分好道路类型的数据集进行预处理,获取数据集中的行驶相关指标,作为数据模型样本具体包括:
1)从车辆行驶数据中先提取相关的七个信号,包括:
车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度、横向加速度。
2)将数据按照ΔT时间切分为多个数据集,每个数据集标记道路类型标签0、1、2或3,其中,0表示市区,1表示高速,2表示山地,3表示市郊,同时根据得到的信号计算出所需要的32个指标,包括:
①车速大于0时的车速的25%分位点、中位数、均值、标准差、最大值,5个指标;
②车辆停车时长占比和倒车时长占比,2个指标;
③制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度、横向加速度的25%分位点,中位数,均值,标准差,最大值,共25个指标。
所以,每个数据模型样本共有32个指标和一个道路标签。
上述实施例中,车辆行驶道路识别算法是基于决策树(DT)算法来构建,决策树算法是一种无监督学习算法,其优点是便于理解,可以可视化,分类速度快;
一颗决策树包含一个根节点,若干个内部节点,和若干个叶节点,决策结果对应的就是叶节点,其他每个节点都对应一个属性测试;每个节点包含的样本集合根据属性测试的结果被划分到子节点中;根节点包含样本全集。从根节点到叶每一个节点的路径对应了一个判定测试序列。决策树学习的目的是为了产生一颗泛化能力强,处理未知结果样本能力强的决策树,基本流程就是简单的分而治之。
决策树算法流程如下:
令训练集D有m个样本,属性集A有d个判断属性。
第一步,生成节点node。
第二步,如果训练集D中所有样本全属于同一类别C,那么将当前节点node标记为C类叶节点,返回(情形1)。
第三步,如果属性集A为空集或者训练集D各个样本在属性集A上所有属性的取值都相同,那么将node标记为叶节点,其类别标记为训练集D中样本数最多对应的类,进行递归返回(情形2)。
第四步,若第一步和第二步都不符合,进行遍历,具体为:从属性集A中选择最优划分属性a,对于a所对应的每个值av(离散属性按值划分,连续属性按大小分)生成分支节点,Dv为该节点上的样本子集。
第五步,如果Dv是空集,那么其对应的分支节点标记为叶节点,其类别标记为(父节点)训练集D中样本最多的类(将父节点的样本分布当成当前节点的先验分布),若所有都为空,那么父节点就是叶子;进行递归返回(情形3)。
第六步,否则,在Dv上再次执行第四步,但是此时A中要去除最优属性a,重新再选最优属性。
第七步,在a的每个值av都遍历结束后结束。
决策树算法示意图2所示。
另外,随着划分过程的不断进行,希望决策树的分支结点包含的样本尽可能属于同一类别,纯度越来越高,最后达到一定程度不用再进行划分,生成叶结点,所以要选择最佳划分属性,主要看该属性对数据的划分是不是更有区分性,更有区分性则划分后纯度越大。
这里选择基尼指数(Gini Index)作为决策树算法的划分属性,计算公式为:
其中,pk表示选中的样本属于k类别的概率,则这个样本被分错的概率是(1-pk),样本集合中有n个类别,一个随机选中的样本可以属于这n个类别中的任意一个,因而对类别的概率就加和。
数据集的基尼系数反映了从数据集D中随机抽取两个样本,其类别不一样的概率,因此,G越大,数据的不确定性越高;G越小,数据的不确定性越低;G=0,表示数据集中的所有样本都是同一类别。
上述实施例中,对处理好的数据模型样本,利用k折交叉验证,选取训练集和测试集,进行决策树模型训练,k折交叉验证通过对k个不同分组训练的结果进行平均来减少方差,因此模型的性能对数据的划分就不那么敏感。
k折,就是将原训练集分为k份,其中k-1份作训练集,另一份作验证集,如图3所示,k折交叉验证的基本思路如下:
第一步,不重复地将数据集随机分为k份;
第二步,挑选其中1份作为验证集,剩余k-1份作为训练集用于模型训练,在训练集上训练后得到一个决策树模型中,用这个模型在验证集上测试,保存模型指标评分;
第三步,重复第二步k次,确保每个子集都有一次机会作为验证集;
第四步,计算k组测试指标评分的平均值作为模型精度的估计,并作为当前k折交叉验证下模型的性能指标。
通常情况下,k一般取10;当原训练集较小时,k可以大一点,这样训练集占整体比例就不至于太小,但训练的模型个数也随之增多;原训练集较大时,k可以小一点。
其中,车辆行驶道路识别算法,是基于决策树(DT)算法来构建,是一种无监督学习算法,其优点是便于理解,可以可视化,分类速度快。
以下通过一个具体实例进行车辆道路类型模型的具体说明:
车辆道路识别模型步骤如下:
(1)从车辆行驶数据先提取相关的七个信号,包括:
车速(VehSpd)、档位(gear_postion)、制动踏板开度(BrakePedal)、加速踏板开度(AccPedal),方向盘转角速度(SAS_SteeringAngleSpd)、纵向加速度(ActVehLaltrlAccel)、横向加速度(ActVehLaltrlAccel)。
(2)将数据按照30分钟切分为多个数据集,每个数据集标记道路类型标签0-3(0:市区,1:高速,2:山地,3:市郊),同时根据得到的信号计算出所需要的32个指标和1个标签,如下表所述:
(3)将处理好的数据集进行k折交叉验证,选取训练集和测试集,这里选择k=10,即将数据集随机分为10份,挑选其中1份作为验证集,剩余9份作为训练集用于模型训练,在训练集上训练后得到一个决策树模型中,用这个模型在验证集上测试,保存模型的指标评分,重复10次(确保每个子集都有一次机会作为验证集),即得到10个模型指标评分,结果如下:[0.83286828,0.85383113,0.82170151,0.81694216,0.80963182,0.82136874,0.79702254,0.82514904,0.81328598,0.79439537],取平均值即得到决策树模型的最终评分为:0.8186196559250588。
最终决策树算法分类结果树状图如图4所示(只展示了分类前5层的树状图)。
其中,对当前车辆的行车信号进行预处理,提取对应的行驶相关指标具体包括:从车辆CAN总线中实时采集运动过程中的行车信号并存储,每隔X秒将采集的行车信号序列进行预处理,提取对应的行驶相关指标,将得到的行驶相关指标输入识别模型中,从而得到该X秒内车辆行驶的道路类型标签。
其中,所述行车信号包括车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,基于X秒的行车信号序列,即X秒内的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度计算车速大于0时的车速的25%分位点、中位数、均值、标准差和最大值;车辆停车时长占比和倒车时长占比;制动踏板开度的25%分位点、中位数、均值、标准差和最大值;加速踏板开度的25%分位点、中位数、均值、标准差和最大值;方向盘转角速度的25%分位点、中位数、均值、标准差和最大值;纵向加速度的25%分位点、中位数、均值、标准差和最大值;横向加速度的25%分位点、中位数、均值、标准差和最大值,将这些行驶相关指标输入识别模型中,通过识别模型,输出该X秒内车辆行驶的道路类型标签。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于决策树生成规则的道路类型识别车载装置,其特征在于,所述装置包括信号采集模块、车辆CAN总线、中央处理单元、数据存储单元和信号输出单元;所述数据存储单元存储有已知道路类型的车辆行驶数据;
所述中央处理单元用于从数据存储单元获取已知道路类型的车辆行驶数据,将已知道路类型的车辆行驶数据利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型;
所述信号采集模块用于通过车辆CAN总线实时获取当前车辆的行驶数据;
所述中央处理单元还用于将信号采集模块采集的当前车辆的行车信号进行预处理,提取对应的行驶相关指标,将该行驶相关指标输入得到的识别模型中,输出对应的道路类型标签,即识别出车辆行驶道路类型;
所述信号输出模块用于输出中央处理单元识别出的车辆行驶道路类型到云端。
2.根据权利要求1所述的基于决策树生成规则的道路类型识别车载装置,其特征在于,所述装置还包括速度传感器、方向盘转角传感器以及引擎传感器,所述车辆CAN总线通过速度传感器、方向盘转角传感器以及引擎传感器实时采集车辆运动过程中的行车信号。
3.根据权利要求1所述的基于决策树生成规则的道路类型识别车载装置,其特征在于,所述中央处理单元将已知道路类型的车辆行驶数据利用k折交叉验证对决策树模型进行训练,得到车辆行驶道路类型的识别模型具体包括:
将所述车辆行驶数据按照ΔT时间切分为多个数据集,给每个数据集标记对应的道路类型标签,将划分好道路类型的数据集进行预处理,获取数据集中的行驶相关指标,作为数据模型样本,并将数据模型样本利用k折交叉验证对决策树模型进行训练,得到模型指标评分,根据模型指标评分对决策树模型进行最优化,从而得到车辆行驶道路类型的识别模型。
4.根据权利要求2所述的基于决策树生成规则的道路类型识别车载装置,其特征在于,将所述车辆行驶数据按照ΔT时间切分为多个数据集,给每个数据集标记对应的道路类型标签,将划分好道路类型的数据集进行预处理,获取数据集中的行驶相关指标,作为数据模型样本具体包括:
从车辆行驶数据中先确定相关的七个行车信号,包括,车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度;
将已知道路类型的车辆行驶数据按照ΔT时间切分为多个数据集,每个数据集标记道路类型标签0-3,其中,0表示市区,1表示高速,2表示山地,3表示市郊;
对于各数据集,从所述数据集中获取相关的七个行车信号,根据得到的行车信号计算出所需要的行驶相关指标,作为数据模型样本,其中,所述数据模型样本包括对应数据集的行驶相关指标和道路类型标签。
5.根据权利要求2所述的基于决策树生成规则的道路类型识别车载装置,其特征在于,从所述数据集中获取相关的七个行车信号,根据得到的行车信号计算出所需要的行驶相关指标,作为数据模型样本具体包括:
从数据集中获取每一时刻的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,根据得到的各时刻的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,计算所述行驶相关指标,包括:车速大于0时的车速的25%分位点、中位数、均值、标准差和最大值;车辆停车时长占比和倒车时长占比;制动踏板开度的25%分位点、中位数、均值、标准差和最大值;加速踏板开度的25%分位点、中位数、均值、标准差和最大值;方向盘转角速度的25%分位点、中位数、均值、标准差和最大值;纵向加速度的25%分位点、中位数、均值、标准差和最大值;横向加速度的25%分位点、中位数、均值、标准差和最大值。
6.根据权利要求2所述的基于决策树生成规则的道路类型识别车载装置,其特征在于,将数据模型样本利用k折交叉验证对决策树模型进行训练,得到模型指标评分,根据模型指标评分对决策树模型进行最优化,从而得到车辆行驶道路类型的识别模型具体包括:
A,将训练集分为k份,其中一份作为验证集,另外k-1份作为训练集,其中,所述训练集为各数据集经预处理后得到的数据模型样本的集合;
B,选取其中1份作为验证集,将剩余k-1份作为训练集输入决策树模型进行训练,得到训练后的决策树模型;
C,将选取的验证集输入训练后的决策树模型,验证模型指标评分并保存;
D,重复B~C k次,每一次选取的验证集均不相同,得到k个模型指标评分,取k个模型指标评分的平均值即得到决策树模型的最终评分。
7.根据权利要求1所述的基于决策树生成规则的道路类型识别车载装置,其特征在于,对当前车辆的行车信号进行预处理,提取对应的行驶相关指标具体包括:从车辆CAN总线中实时采集运动过程中的行车信号并存储,每隔X秒将采集的行车信号序列进行预处理,提取对应的行驶相关指标,将得到的行驶相关指标输入识别模型中,从而得到该X秒内车辆行驶的道路类型标签。
8.根据权利要求7所述的基于决策树生成规则的道路类型识别车载装置,其特征在于,从车辆CAN总线中实时采集运动过程中的行车信号包括车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,每隔X秒将采集的行车信号序列进行预处理,提取对应的行驶相关指标,将得到的行驶相关指标输入识别模型中,从而得到该X秒内车辆行驶的道路类型标签具体包括:
从车辆CAN总线中实时采集运动过程中的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度,每隔X秒进行一轮数据采集,基于X秒内采集的车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度计算行驶相关指标,包括车速大于0时的车速的25%分位点、中位数、均值、标准差和最大值;车辆停车时长占比和倒车时长占比;制动踏板开度的25%分位点、中位数、均值、标准差和最大值;加速踏板开度的25%分位点、中位数、均值、标准差和最大值;方向盘转角速度的25%分位点、中位数、均值、标准差和最大值;纵向加速度的25%分位点、中位数、均值、标准差和最大值;横向加速度的25%分位点、中位数、均值、标准差和最大值,将这些行驶相关指标输入识别模型中,通过识别模型,输出该X秒内车辆行驶的道路类型标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881877.6A CN114140903B (zh) | 2021-08-02 | 2021-08-02 | 一种基于决策树生成规则的道路类型识别车载装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881877.6A CN114140903B (zh) | 2021-08-02 | 2021-08-02 | 一种基于决策树生成规则的道路类型识别车载装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114140903A true CN114140903A (zh) | 2022-03-04 |
CN114140903B CN114140903B (zh) | 2024-03-19 |
Family
ID=80393531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881877.6A Active CN114140903B (zh) | 2021-08-02 | 2021-08-02 | 一种基于决策树生成规则的道路类型识别车载装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140903B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743466A (zh) * | 2021-08-02 | 2021-12-03 | 南斗六星系统集成有限公司 | 一种基于决策树的道路类型识别方法及系统 |
CN115240157A (zh) * | 2022-08-05 | 2022-10-25 | 禾多科技(北京)有限公司 | 道路场景数据持久化方法、装置、设备和计算机可读介质 |
GB2617866A (en) * | 2022-04-21 | 2023-10-25 | Continental Automotive Romania Srl | Computer implemented method for training a decision tree model for detecting an intersection, computer implemented method detecting an intersection, |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008032557A (ja) * | 2006-07-28 | 2008-02-14 | Toshiba Corp | 車載用ナビゲーション装置及び道路種判別方法 |
US20150161455A1 (en) * | 2012-05-25 | 2015-06-11 | Denso Corporation | Intersection recognition device and road type recognition device |
US20150211867A1 (en) * | 2012-10-09 | 2015-07-30 | Bayerische Motoren Werke Aktiengesellschaft | Estimating a Street Type Using Sensor-Based Surroundings Data |
CN107953888A (zh) * | 2017-11-29 | 2018-04-24 | 北京经纬恒润科技有限公司 | 一种道路类型识别方法及系统 |
CN108304852A (zh) * | 2017-07-17 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 道路路段类型的确定方法、装置以及存储介质、电子装置 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
CN112101187A (zh) * | 2020-09-11 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 道路识别方法、装置及电子设备 |
US20210001861A1 (en) * | 2019-07-05 | 2021-01-07 | Byton North America Corporation | Road type recognition |
-
2021
- 2021-08-02 CN CN202110881877.6A patent/CN114140903B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008032557A (ja) * | 2006-07-28 | 2008-02-14 | Toshiba Corp | 車載用ナビゲーション装置及び道路種判別方法 |
US20150161455A1 (en) * | 2012-05-25 | 2015-06-11 | Denso Corporation | Intersection recognition device and road type recognition device |
US20150211867A1 (en) * | 2012-10-09 | 2015-07-30 | Bayerische Motoren Werke Aktiengesellschaft | Estimating a Street Type Using Sensor-Based Surroundings Data |
CN108304852A (zh) * | 2017-07-17 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 道路路段类型的确定方法、装置以及存储介质、电子装置 |
CN107953888A (zh) * | 2017-11-29 | 2018-04-24 | 北京经纬恒润科技有限公司 | 一种道路类型识别方法及系统 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
US20210001861A1 (en) * | 2019-07-05 | 2021-01-07 | Byton North America Corporation | Road type recognition |
CN112101187A (zh) * | 2020-09-11 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 道路识别方法、装置及电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743466A (zh) * | 2021-08-02 | 2021-12-03 | 南斗六星系统集成有限公司 | 一种基于决策树的道路类型识别方法及系统 |
CN113743466B (zh) * | 2021-08-02 | 2024-04-05 | 南斗六星系统集成有限公司 | 一种基于决策树的道路类型识别方法及系统 |
GB2617866A (en) * | 2022-04-21 | 2023-10-25 | Continental Automotive Romania Srl | Computer implemented method for training a decision tree model for detecting an intersection, computer implemented method detecting an intersection, |
CN115240157A (zh) * | 2022-08-05 | 2022-10-25 | 禾多科技(北京)有限公司 | 道路场景数据持久化方法、装置、设备和计算机可读介质 |
CN115240157B (zh) * | 2022-08-05 | 2023-07-18 | 禾多科技(北京)有限公司 | 道路场景数据持久化方法、装置、设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114140903B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140903B (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
CN109993082B (zh) | 卷积神经网络道路场景分类与道路分割方法 | |
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN109840612A (zh) | 用户驾驶行为分析方法及系统 | |
CN107492251A (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 | |
CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN114493191B (zh) | 一种基于网约车数据的驾驶行为建模分析方法 | |
CN105930565A (zh) | 基于线性策略的交叉熵算法的交通仿真模型参数标定方法 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
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 | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
Moosavi et al. | Driving style representation in convolutional recurrent neural network model of driver identification | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
CN113942521B (zh) | 一种智能车路系统下驾驶员风格辨识方法 | |
CN113743466B (zh) | 一种基于决策树的道路类型识别方法及系统 | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN117021959B (zh) | 一种基于驾驶风格识别的滑行回收扭矩获取方法 | |
CN111985782B (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 |
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 |