CN114239645A - 一种驾驶模式识别方法、装置、终端设备及存储介质 - Google Patents

一种驾驶模式识别方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN114239645A
CN114239645A CN202111439697.9A CN202111439697A CN114239645A CN 114239645 A CN114239645 A CN 114239645A CN 202111439697 A CN202111439697 A CN 202111439697A CN 114239645 A CN114239645 A CN 114239645A
Authority
CN
China
Prior art keywords
data
vehicle
driving mode
driver
driving
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.)
Pending
Application number
CN202111439697.9A
Other languages
English (en)
Inventor
丁磊
暴楠
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.)
Human Horizons Shanghai Internet Technology Co Ltd
Original Assignee
Human Horizons Shanghai Internet Technology Co Ltd
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 Human Horizons Shanghai Internet Technology Co Ltd filed Critical Human Horizons Shanghai Internet Technology Co Ltd
Priority to CN202111439697.9A priority Critical patent/CN114239645A/zh
Publication of CN114239645A publication Critical patent/CN114239645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种驾驶模式识别方法、装置、终端设备及存储介质，所述方法包括：获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。本发明实施例基于车辆行驶过程中的大量数据，能够准确反映车辆驾驶过程的实际情况，有效提高驾驶模式识别的准确率。

Description

一种驾驶模式识别方法、装置、终端设备及存储介质
技术领域
本发明涉及车辆智能交互技术领域，尤其涉及一种驾驶模式识别方法、装置、终端设备及存储介质。
背景技术
随着电动汽车智能化的发展，人们对于汽车良好的体验的需求，使得人们希望汽车越来越懂自己，并且能够根据自己的状态和需求定制对应的服务内容和辅助驾驶。因此，目前的电动汽车基本装配了驾驶辅助系统、ACC等汽车电子系统，来提高驾驶安全性和舒适性。而驾驶辅助系统一般需要检测和分析车辆的行驶工况数据、驾驶员的驾驶数据来识别驾驶员的驾驶模式，从而为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶。
但是，目前的驾驶员驾驶模式识别方法通常仅采用单一的车辆工况数据对驾驶员的驾驶模式进行识别。这种基于小数据量的识别方法不能准确反映车辆驾驶过程的实际情况，导致对驾驶员驾驶模式识别的准确率较低。
发明内容
本发明实施例所要解决的技术问题在于，提供一种驾驶模式识别方法、装置、终端设备及存储介质，基于车辆行驶过程中的大量数据，采用改进SOM算法对驾驶模式进行识别，能够有效提高驾驶模式识别的准确率。
为了实现上述目的，本发明实施例提供了一种车辆驾驶模式识别方法，包括：
获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；
对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；
通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；
根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。
作为上述方案的改进，所述驾驶员状态数据包括疲劳程度、年龄和性别；所述驾驶员行为数据包括油门数据、刹车数据和急转弯数据；所述车辆工况数据包括平均车速、车速极值、胎压和胎温；所述电池数据包括电流、电压和电池温度；所述时间数据包括单次行驶时间和时间戳；所述气候数据包括温度、湿度、季节和光照；所述地理数据包括位置、路况和地形。
作为上述方案的改进，所述获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据，具体包括：
通过大数据平台获取所述车辆的VDCM域数据、BDCM域数据和IDCM域数据；其中，VDCM指与车辆底盘动力相关信号，BDCM指与车身相关信号，IDCM指与智能座舱相关信号；
对所述VDCM域数据、BDCM域数据和IDCM域数据进行筛选，得到车辆行驶过程中的所述驾驶员数据、所述车辆数据和所述环境数据。
作为上述方案的改进，所述对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理，包括以下至少之一：
去除所述驾驶员数据、所述车辆数据和所述环境数据中的噪声数据和离群值；
对所述驾驶员数据、所述车辆数据和所述环境数据中的缺失值和无效值，选用临接平均值进行填充；
对所述驾驶员数据、所述车辆数据和所述环境数据中分布较散的数据进行对数变换；
根据所述驾驶员数据、所述车辆数据和所述环境数据的数据特性对数据进行分箱处理；
对所述驾驶员数据、所述车辆数据和所述环境数据进行标准化和归一化。
作为上述方案的改进，建立驾驶模式识别模型，具体为：建立基于改进SOM算法的驾驶模式识别模型；对所述驾驶模式识别模型进行训练，具体包括：
对所述驾驶模式识别模型的网络权重进行初始化；
根据预设的批处理量从所述影响驾驶模式的有效特征向量中抽取数据；
采用高斯核函数将输入映射至高维空间，根据第一公式计算得到获胜节点；其中，所述第一公式为：
Figure BDA0003382527350000031
式中，BMU表示获胜节点；
Figure BDA0003382527350000032
表示将低维数据映射至高维空间的非线性映射；xi表示第i个样本；vj表示第j个单元对应的向量；kii即K(xi,xi)，K为高斯核函数；同理，kih即K(xi,xh)；γjh表示二值函数，当xh∈j时，γjh＝1，否则γjh＝0；
根据所述获胜节点的领域对所述驾驶模式识别模型的网络权重进行更新。
作为上述方案的改进，所述对所述驾驶模式识别模型进行验证，具体为：
采用交叉验证法对所述驾驶模式识别模型进行验证，直至所述驾驶模式识别模型的平均绝对误差小于或等于预设阈值。
作为上述方案的改进，所述对所述驾驶模式识别模型进行训练和验证之后，还包括：
将训练完成的驾驶模式识别模型上传至车端边缘计算平台或监控平台，以实时获取驾驶模式识别结果。
本发明实施例还提供了一种驾驶模式识别装置，包括：
数据获取模块，用于获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；
预处理模块，用于对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；
选取模块，用于通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；
识别模块，用于根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的驾驶模式识别方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的驾驶模式识别方法。
相对于现有技术，本发明实施例提供的一种驾驶模式识别方法、装置、终端设备及存储介质的有益效果在于：通过获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。本发明实施例基于车辆行驶过程中的大量数据，能够准确反映车辆驾驶过程的实际情况，同时采用改进SOM算法对驾驶模式进行识别，能够有效提高驾驶模式识别的准确率。
附图说明
图1是本发明提供的一种驾驶模式识别方法的一个优选实施例的流程示意图；
图2是本发明提供的一种驾驶模式识别装置的一个优选实施例的结构示意图；
图3是本发明提供的一种终端设备的一个优选实施例的结构示意图。
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作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。
请参阅图1，图1是本发明提供的一种驾驶模式识别方法的一个优选实施例的流程示意图。所述驾驶模式识别方法，包括：
S1，获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；
S2，对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；
S3，通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；
S4，根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。
具体的，本实施例首先获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，驾驶员数据包括驾驶员状态数据和驾驶员行为数据，车辆数据包括车辆工况数据、电池数据和时间数据，环境数据包括气候数据和地理数据。然后，对获取的驾驶员数据、车辆数据和环境数据进行数据预处理，以提高数据质量。其次，通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量。最后，根据影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。
本实施例基于人-车-环境大数据驱动，将不同场景下的人-车-环境数据切片化，利用PCA降维技术选取影响驾驶模式的特征向量，采用算法对海量人-车-环境历史数据在云计算平台进行机器学习，训练模型并验证模型，进而得到驾驶模式识别结果，有效提高了驾驶模式识别的准确率，从而可以根据驾驶模式识别结果提醒驾驶人员安全规范操作，为驾驶人员提供个性化的驾驶辅助。
在另一个优选实施例中，所述驾驶员状态数据包括疲劳程度、年龄和性别；所述驾驶员行为数据包括油门数据、刹车数据和急转弯数据；所述车辆工况数据包括平均车速、车速极值、胎压和胎温；所述电池数据包括电流、电压和电池温度；所述时间数据包括单次行驶时间和时间戳；所述气候数据包括温度、湿度、季节和光照；所述地理数据包括位置、路况和地形。
具体的，本实施例不同于传统小数据量的驾驶模式识别方法，而是基于驾驶员状态、驾驶员行为、车辆工况数据、电池、时间、气候和地理七大类别下的若干数据进行计算，能够准确反映车辆驾驶过程的实际情况，进而提高驾驶模式识别的准确率。
需要说明的是，本实施例中七大类别下的具体数据并不只限于上述数据，只要是对驾驶模式识别有用的数据都可以。
在又一个优选实施例中，所述S1，获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据，具体包括：
S101，通过大数据平台获取所述车辆的VDCM域数据、BDCM域数据和IDCM域数据；其中，VDCM指与车辆底盘动力相关信号，BDCM指与车身相关信号，IDCM指与智能座舱相关信号；
S102，对所述VDCM域数据、BDCM域数据和IDCM域数据进行筛选，得到车辆行驶过程中的所述驾驶员数据、所述车辆数据和所述环境数据。
具体的，本实施例首先确定与驾驶模式识别相关的信号，例如：驾驶员状态、驾驶员行为、车辆工况数据、电池、时间、气候和地理，然后从大数据平台下的不同数据源采集与上述信号相关联的数据，并将上述信号划分为时间型和周期型进行采集，其中，数据源包括与车辆底盘动力相关的VDCM域、与车身相关的BDCM域和与智能座舱相关的IDCM域。然后，对从上述数据源中获取的数据进行筛选，从而得到车辆行驶过程中的驾驶员数据、车辆数据和环境数据。
在又一个优选实施例中，所述S2，对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理，包括以下至少之一：
去除所述驾驶员数据、所述车辆数据和所述环境数据中的噪声数据和离群值；
对所述驾驶员数据、所述车辆数据和所述环境数据中的缺失值和无效值，选用临接平均值进行填充；
对所述驾驶员数据、所述车辆数据和所述环境数据中分布较散的数据进行对数变换；
根据所述驾驶员数据、所述车辆数据和所述环境数据的数据特性对数据进行分箱处理；
对所述驾驶员数据、所述车辆数据和所述环境数据进行标准化和归一化。
具体的，在对驾驶员数据、车辆数据和环境数据进行数据预处理时，可以采用以下方法中的一个或多个：
(1)去除驾驶员数据、车辆数据和环境数据中的噪声数据和离群值；
(2)对驾驶员数据、车辆数据和环境数据中的缺失值和无效值，选用临接平均值进行填充；
(3)对驾驶员数据、车辆数据和环境数据中分布较散的数据进行对数变换；
(4)根据驾驶员数据、车辆数据和环境数据的数据特性对数据进行分箱处理；
(5)对驾驶员数据、车辆数据和环境数据进行标准化和归一化。
在又一个优选实施例中，建立驾驶模式识别模型，具体为：建立基于改进SOM算法的驾驶模式识别模型；对所述驾驶模式识别模型进行训练，具体包括：
对所述驾驶模式识别模型的网络权重进行初始化；
根据预设的批处理量从所述影响驾驶模式的有效特征向量中抽取数据；
采用高斯核函数将输入映射至高维空间，根据第一公式计算得到获胜节点；其中，所述第一公式为：
Figure BDA0003382527350000081
式中，BMU表示获胜节点；
Figure BDA0003382527350000082
表示将低维数据映射至高维空间的非线性映射；xi表示第i个样本；vj表示第j个单元对应的向量；kii即K(xi,xi)，K为高斯核函数；同理，kih即K(xi,xh)；γjh表示二值函数，当xh∈j时，γjh＝1，否则γjh＝0；
根据所述获胜节点的领域对所述驾驶模式识别模型的网络权重进行更新。
具体的，本实施例根据影响驾驶模式的有效特征向量建立基于改进的SOM算法的驾驶模式识别模型，将选取的影响驾驶模式的有效特征向量按照预设比例划分为训练集、测试集和验证集，例如，60％训练集，20％测试集，20％验证集，先用训练集对驾驶模式识别模型进行训练。对驾驶模式识别模型的网络权重进行初始化；根据预设的批处理量从影响驾驶模式的有效特征向量中抽取数据；采用高斯核函数将输入映射至高维空间，根据第一公式计算得到获胜节点；其中，第一公式为：
Figure BDA0003382527350000083
式中，BMU表示获胜节点；
Figure BDA0003382527350000084
表示将低维数据映射至高维空间的非线性映射；xi表示第i个样本；vj表示第j个单元对应的向量；kii即K(xi,xi)，K为高斯核函数；同理，kih即K(xi,xh)；γjh表示二值函数，当xh∈j时，γjh＝1，否则γjh＝0；根据获胜节点的领域对驾驶模式识别模型的网络权重进行更新。
由于经典SOM模型计算相对复杂，训练收敛时间较慢，因此，本实施例采用SOM+增加可伸缩的批处理模块，在进行准实时计算时，以小批量快速进行计算，在离线处理场景下则增大批处理量大小，以使模型在线上线下场景均有更好的效果。同时，由于不同驾驶模式之间可能存在复杂关系，与其他收敛速度更快的聚类方法相比，该方法对噪声的敏感程度更低，即便两个集群之间存在复杂的关系，相比起其他方法，SOM+能够更好的将两个集群区分开来。此外，考虑到对驾驶模式的识别结果最终会被其他模块使用，SOM+本身能够保留数据拓扑结构的特性，为后续的使用方提供更多信息。
本实施例基于人-车-环境大数据驱动，将不同场景下的人-车-环境数据切片化，利用PCA降维技术选取影响驾驶模式的特征向量，采用改进的SOM算法(SOM+)对海量人-车-环境历史数据在云计算平台进行机器学习，训练模型并验证模型，进而得到驾驶模式识别结果，有效提高了驾驶模式识别的准确率，从而可以根据驾驶模式识别结果提醒驾驶人员安全规范操作，为驾驶人员提供个性化的驾驶辅助。
在又一个优选实施例中，所述对所述驾驶模式识别模型进行验证，具体为：
采用交叉验证法对所述驾驶模式识别模型进行验证，直至所述驾驶模式识别模型的平均绝对误差小于或等于预设阈值。
具体的，用测试集和验证集对驾驶模式识别模型进行交叉验证，交叉验证重复k次，每次选择一个测试集或验证集，并将k次的平均绝对误差与预设阈值进行比较，直至平均绝对误差小于或等于预设阈值。
作为优选方案，所述对所述驾驶模式识别模型进行训练和验证之后，还包括：
将训练完成的驾驶模式识别模型上传至车端边缘计算平台或监控平台，以实时获取驾驶模式识别结果。
具体的，在对驾驶模式识别模型进行训练和验证之后，即可得到训练好的驾驶模式识别模型，将测试集输入该驾驶模式识别模型就可以得到驾驶模式的识别结果。将该训练好的驾驶模式识别模型上传至车端边缘计算平台或监控平台，即可实时获取驾驶模式识别结果，将驾驶模式反馈给用户和后台，时刻提醒驾驶人员安全规范操作。
相应地，本发明还提供驾驶模式识别装置，能够实现上述实施例中的驾驶模式识别方法的所有流程。
请参阅图2，图2是本发明提供的一种驾驶模式识别装置的一个优选实施例的结构示意图。所述驾驶模式识别装置，包括：
数据获取模块201，用于获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；
预处理模块202，用于对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；
选取模块203，用于通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；
识别模块204，用于根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。
优选地，所述驾驶员状态数据包括疲劳程度、年龄和性别；所述驾驶员行为数据包括油门数据、刹车数据和急转弯数据；所述车辆工况数据包括平均车速、车速极值、胎压和胎温；所述电池数据包括电流、电压和电池温度；所述时间数据包括单次行驶时间和时间戳；所述气候数据包括温度、湿度、季节和光照；所述地理数据包括位置、路况和地形。
优选地，所述数据获取模块201，具体用于：
通过大数据平台获取所述车辆的VDCM域数据、BDCM域数据和IDCM域数据；其中，VDCM指与车辆底盘动力相关信号，BDCM指与车身相关信号，IDCM指与智能座舱相关信号；
对所述VDCM域数据、BDCM域数据和IDCM域数据进行筛选，得到车辆行驶过程中的所述驾驶员数据、所述车辆数据和所述环境数据。
优选地，所述预处理模块202对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理，包括以下至少之一：
去除所述驾驶员数据、所述车辆数据和所述环境数据中的噪声数据和离群值；
对所述驾驶员数据、所述车辆数据和所述环境数据中的缺失值和无效值，选用临接平均值进行填充；
对所述驾驶员数据、所述车辆数据和所述环境数据中分布较散的数据进行对数变换；
根据所述驾驶员数据、所述车辆数据和所述环境数据的数据特性对数据进行分箱处理；
对所述驾驶员数据、所述车辆数据和所述环境数据进行标准化和归一化。
优选地，建立驾驶模式识别模型，具体为：建立基于改进SOM算法的驾驶模式识别模型；对所述驾驶模式识别模型进行训练，具体包括：
对所述驾驶模式识别模型的网络权重进行初始化；
根据预设的批处理量从所述影响驾驶模式的有效特征向量中抽取数据；
采用高斯核函数将输入映射至高维空间，根据第一公式计算得到获胜节点；其中，所述第一公式为：
Figure BDA0003382527350000111
式中，BMU表示获胜节点；式中，BMU表示获胜节点；
Figure BDA0003382527350000112
表示将低维数据映射至高维空间的非线性映射；xi表示第i个样本；vj表示第j个单元对应的向量；kii即K(xi,xi)，K为高斯核函数；同理，kih即K(xi,xh)；γjh表示二值函数，当xh∈j时，γjh＝1，否则γjh＝0；
根据所述获胜节点的领域对所述驾驶模式识别模型的网络权重进行更新。
优选地，所述对所述驾驶模式识别模型进行验证，具体为：
采用交叉验证法对所述驾驶模式识别模型进行验证，直至所述驾驶模式识别模型的平均绝对误差小于或等于预设阈值。
优选地，所述识别模块204对所述驾驶模式识别模型进行训练和验证之后，还用于：
将训练完成的驾驶模式识别模型上传至车端边缘计算平台或监控平台，以实时获取驾驶模式识别结果。
在具体实施当中，本发明实施例提供的驾驶模式识别装置的工作原理、控制流程及实现的技术效果，与上述实施例中的驾驶模式识别方法对应相同，在此不再赘述。
请参阅图3，图3是本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器301、存储器302以及存储在所述存储器302中且被配置为由所述处理器301执行的计算机程序，所述处理器301执行所述计算机程序时实现上述任一实施例所述的驾驶模式识别方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……)，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器301也可以是任何常规的处理器，所述处理器301是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器302主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器302可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器302也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3的结构示意图仅仅是上述终端设备的示例，并不构成对上述终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的驾驶模式识别方法。
本发明实施例提供了一种驾驶模式识别方法、装置、终端设备及存储介质，通过获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；根据所述影响驾驶模式的有效特征向量建立基于改进SOM算法的驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。本发明实施例基于车辆行驶过程中的大量数据，能够准确反映车辆驾驶过程的实际情况，同时采用改进SOM算法对驾驶模式进行识别，能够有效提高驾驶模式识别的准确率。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种驾驶模式识别方法，其特征在于，包括：
获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；
对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；
通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；
根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。
2.如权利要求1所述的驾驶模式识别方法，其特征在于，所述驾驶员状态数据包括疲劳程度、年龄和性别；所述驾驶员行为数据包括油门数据、刹车数据和急转弯数据；所述车辆工况数据包括平均车速、车速极值、胎压和胎温；所述电池数据包括电流、电压和电池温度；所述时间数据包括单次行驶时间和时间戳；所述气候数据包括温度、湿度、季节和光照；所述地理数据包括位置、路况和地形。
3.如权利要求2所述的驾驶模式识别方法，其特征在于，所述获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据，具体包括：
通过大数据平台获取所述车辆的VDCM域数据、BDCM域数据和IDCM域数据；其中，VDCM指与车辆底盘动力相关信号，BDCM指与车身相关信号，IDCM指与智能座舱相关信号；
对所述VDCM域数据、BDCM域数据和IDCM域数据进行筛选，得到车辆行驶过程中的所述驾驶员数据、所述车辆数据和所述环境数据。
4.如权利要求1所述的驾驶模式识别方法，其特征在于，所述对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理，包括以下至少之一：
去除所述驾驶员数据、所述车辆数据和所述环境数据中的噪声数据和离群值；
对所述驾驶员数据、所述车辆数据和所述环境数据中的缺失值和无效值，选用临接平均值进行填充；
对所述驾驶员数据、所述车辆数据和所述环境数据中分布较散的数据进行对数变换；
根据所述驾驶员数据、所述车辆数据和所述环境数据的数据特性对数据进行分箱处理；
对所述驾驶员数据、所述车辆数据和所述环境数据进行标准化和归一化。
5.如权利要求1所述的驾驶模式识别方法，其特征在于，建立驾驶模式识别模型，具体为：建立基于改进SOM算法的驾驶模式识别模型；对所述驾驶模式识别模型进行训练，具体包括：
对所述驾驶模式识别模型的网络权重进行初始化；
根据预设的批处理量从所述影响驾驶模式的有效特征向量中抽取数据；
采用高斯核函数将输入映射至高维空间，根据第一公式计算得到获胜节点；其中，所述第一公式为：
Figure FDA0003382527340000021
式中，BMU表示获胜节点；
Figure FDA0003382527340000022
表示将低维数据映射至高维空间的非线性映射；xi表示第i个样本；vj表示第j个单元对应的向量；kii即K(xi,xi)，K为高斯核函数；同理，kih即K(xi,xh)；γjh表示二值函数，当xh∈j时，γjh＝1，否则γjh＝0；
根据所述获胜节点的领域对所述驾驶模式识别模型的网络权重进行更新。
6.如权利要求5所述的驾驶模式识别方法，其特征在于，所述对所述驾驶模式识别模型进行验证，具体为：
采用交叉验证法对所述驾驶模式识别模型进行验证，直至所述驾驶模式识别模型的平均绝对误差小于或等于预设阈值。
7.如权利要求1所述的驾驶模式识别方法，其特征在于，所述对所述驾驶模式识别模型进行训练和验证之后，还包括：
将训练完成的驾驶模式识别模型上传至车端边缘计算平台或监控平台，以实时获取驾驶模式识别结果。
8.一种驾驶模式识别装置，其特征在于，包括：
数据获取模块，用于获取车辆行驶过程中的驾驶员数据、车辆数据和环境数据；其中，所述驾驶员数据包括驾驶员状态数据和驾驶员行为数据，所述车辆数据包括车辆工况数据、电池数据和时间数据，所述环境数据包括气候数据和地理数据；
预处理模块，用于对所述驾驶员数据、所述车辆数据和所述环境数据进行数据预处理；
选取模块，用于通过特征工程技术对预处理后的数据进行特征提取和分析，并采用PCA降维技术选取影响驾驶模式的有效特征向量；
识别模块，用于根据所述影响驾驶模式的有效特征向量建立驾驶模式识别模型，并对所述驾驶模式识别模型进行训练和验证，得到驾驶模式识别结果。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的驾驶模式识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的驾驶模式识别方法。
CN202111439697.9A 2021-11-30 2021-11-30 一种驾驶模式识别方法、装置、终端设备及存储介质 Pending CN114239645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111439697.9A CN114239645A (zh) 2021-11-30 2021-11-30 一种驾驶模式识别方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111439697.9A CN114239645A (zh) 2021-11-30 2021-11-30 一种驾驶模式识别方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN114239645A true CN114239645A (zh) 2022-03-25

Family

ID=80752202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111439697.9A Pending CN114239645A (zh) 2021-11-30 2021-11-30 一种驾驶模式识别方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN114239645A (zh)

Similar Documents

Publication Publication Date Title
WO2019051941A1 (zh) 车型识别方法、装置、设备及计算机可读存储介质
CN109978893A (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
CN108021908B (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN105930771A (zh) 一种驾驶行为评分方法及装置
CN110778714B (zh) 一种燃油车挡位识别方法和系统
CN114021840A (zh) 换道策略生成方法和装置、计算机存储介质、电子设备
CN113401130B (zh) 基于环境信息的驾驶风格识别方法、设备及存储介质
CN113642114B (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN111352926B (zh) 数据处理的方法、装置、设备及可读存储介质
CN115979679B (zh) 自动驾驶系统实际道路测试方法、设备和存储介质
CN114239645A (zh) 一种驾驶模式识别方法、装置、终端设备及存储介质
CN114648114B (zh) 基于受限玻尔兹曼机的驾驶员活跃程度识别方法及系统
CN116740520A (zh) 一种异常行为检测及特征融合模型训练方法
CN116245417A (zh) 基于舒适性评价的车辆数据测试方法、系统、介质及设备
CN115366891A (zh) 一种驾驶风格识别方法、系统及存储介质
CN114155607A (zh) 一种驾驶风险监控及报警方法、装置、设备及存储介质
CN115221153A (zh) 一种缺失数据填补方法、装置和计算机可读存储介质
CN115077932A (zh) 一种高机动救援装备综合试验的方法及系统
CN114084154B (zh) 一种自动驾驶系统参数的配置方法、装置及系统
CN114861516B (zh) 一种车辆动力性能确定方法、装置及存储介质
CN111523373B (zh) 一种基于边缘检测的车辆识别方法、装置及存储介质
CN115273456A (zh) 一种两轮电动车违规行驶的判定方法、系统和存储介质
CN116993156A (zh) 驾驶行为安全等级识别方法、装置及电子设备
CN115186450A (zh) 基于特征分析的分心驾驶行为分类方法、系统和存储介质
CN116415023A (zh) 车载音乐推荐方法、装置及电子设备

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