CN115092165A - 一种基于聚类模型的不同循环工况下驾驶员风格辨识方法 - Google Patents

Abstract

本发明公开了一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，包括以下步骤：S1、建立驾驶风格数据库：选取车型和路线，采集驾驶数据，并对数据进行预处理；S2、典型驾驶场景划分：对数据进行归一化，设定驾驶场景类型和边界条件，确定最佳粗聚类数目，并二次聚类获取典型驾驶场景；S3、对不同循环工况下驾驶员风格进行辨识：根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征，并基于主成分分析思想实现对数据特征的剔除和保留，引入自组织映射神经网络建立驾驶员风格辨识模型，输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向，实现在不同循环工况下驾驶员风格的辨识。

Description

一种基于聚类模型的不同循环工况下驾驶员风格辨识方法

技术领域

本发明涉及驾驶风格辨识技术领域，更具体的说是涉及一种基于聚类模型的不同循环工况下驾驶员风格辨识方法。

背景技术

目前，根据驾驶风格作用的时间周期，驾驶风格被分类为长时驾驶风格和短时驾驶风格。长时驾驶风格指驾驶员在较长的驾驶过程中表现出来的稳定驾驶倾向，并定义为统一的风格标签。针对长时驾驶风格的研究出现较早，大量学者开展了广泛的研究。Shi-Huang Chen等通过车载诊断系统(OBD)获取车速、油门开度等车辆信息，通过集成学习方法和支持向量机模型(SVM)分析驾驶员的行为倾向，进而评估驾驶员在整个工作过程中的安全级别。Chi-PanHwang等使用统计学方法处理采集到的多特征驾驶数据，以此为基础上使用决策树模型研究驾驶人的行为特点，最终将驾驶风格分为四种类型。尽管对于长时驾驶风格的研究已经取得了较好的结果，但是长时驾驶风格是对驾驶员长期驾驶行为的综合评价，忽略了道路条件和工况类型对驾驶员风格造成的影响，无法体现不同驾驶场景下驾驶风格的差异，因此短时驾驶风格的概念被引入。短时驾驶风格基于特定驾驶条件被提出，指当驾驶员处于某种驾驶场景时表现出来的习惯性驾驶倾向，当驾驶场景改变驾驶员的行为倾向也可能发生变化。近年来关于短时驾驶风格的研究逐渐兴起。Yao Y在研究中引入了道路类型、交通环境以及天气状况等变量，使用线性混合模型分析车辆外部因素对驾驶员风格产生的影响，并建立预测模型评估驾驶员行为的风险级别。赵士舒在跟驰、超车和换道典型场景下提取车辆驾驶行为数据，分析不同场景中驾驶员风格的差异，最提出了一种短时驾驶风格定量评价方法。总体来看，长时驾驶风格关注驾驶员在整个驾驶过程中的行为倾向，是对各种驾驶场景中驾驶员风格的综合评价，但是无法体现不同条件下驾驶员风格的差异；短时驾驶风格认同驾驶员存在长期固定驾驶倾向，并进一步研究特定工况场景下驾驶员风格的变化。可以看出，短时驾驶风格是对长时驾驶风格的补充和完善。

但是，针对短时驾驶风格的研究只基于特定驾驶状况展开，无法有效指导较长时域内驾驶行为。实际道路上的车辆在自然行驶过程中，受到周车行为、交通场景等非驾驶员因素影响，速度和加速度等状态会发生改变。例如在起步过程中，由于前方车辆异常，主车需要完成制动躲避或换道超车操作，整个驾驶过程的统计数据发生较大变化。异常的环境变量属于驾驶数据统计过程中的干扰信息，随着驾驶环境复杂性的增加，驾驶数据中包含的非驾驶员因素成分逐渐增多，影响对驾驶员风格的辨识。由此可见，基于连续驾驶过程进行数据分析并获取数据特征并将之用于评价自然驾驶车辆驾驶员的风格具有一定局限性。

因此，提供基于聚类模型的不同循环工况下驾驶员风格辨识方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于聚类模型的不同循环工况下驾驶员风格辨识方法；基于固定路线重型商用车辆车载T-Box采集并上传的云端数据，建立实际道路自然驾驶条件下的驾驶员风格数据库，用于后续驾驶风格分类研究，引入速度-加速度数据空间，将连续的驾驶过程按照车速和加速度信息重新分布，并使用K-means两次聚类得到九种典型驾驶场景，每一种驾驶场景代表特定的驾驶状态，将驾驶循环分为起步、巡航和制动三种行驶工况，并使用行驶工况代替以往短时驾驶风格研究中的特殊驾驶状况。建立不同循环工况和驾驶场景的对应关系，基于驾驶场景构建不同循环工况下驾驶风格的统计特征，消除特殊驾驶行为对车辆数据的干扰，保证行车数据可以更纯净地反映驾驶员的驾驶风格。最终建立自组织映射神经网络(SOM)模型获取起步工况和巡航工况下驾驶员的驾驶风格，进一步分析随着行驶工况变化驾驶员的风格变化。

为了实现上述目的，本发明采用如下技术方案：

一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，包括以下步骤：

S1、建立驾驶风格数据库：选取车型和路线，采集驾驶数据，并对数据进行预处理；

S2、典型驾驶场景划分：对数据进行归一化，设定驾驶场景类型和边界条件，确定最佳粗聚类数目，并二次聚类获取典型驾驶场景；

S3、对不同循环工况下驾驶员风格进行辨识：根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征，并基于主成分分析思想实现对数据特征的剔除和保留，引入自组织映射神经网络建立驾驶员风格辨识模型，输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向，实现在不同循环工况下驾驶员风格的辨识。

优选的，所述步骤S1具体包括：

S11、基于拉依达准则法，对异常数据进行剔除，假定某一组特征数据只存在随机误差，对该数据求取均值和标准差；重新检测数据集样本点，将和样本均值相差三倍标准差之外的数据点视为异常数据点：

其中，x_i表示样本空间第个测量值，

表示所有测量值的均值，σ表示所有测量值的标准差；

S12、采用经典滤波方法，通过傅里叶变换过滤高频信号，保留符合车辆加速度特性的低频信息，最后通过傅里叶逆变换得到降噪后的加速度数据。

优选的，所述步骤S2具体包括：

S21、采用0-1归一化方法处理速度和加速度数据：

其中，

代表第i个数据在车辆状态b上的测量值，

和

分别代表车辆状态b上的最大测量值和最小测量值，

为求得的归一化数值；

S22、获取车辆加速和制动状态下加速度的均值：

其中，a_i和a_j为所有正向和反向加速度测量值，n⁺和n^-分别为加速状态加速度测量值和制动状态加速度测量值的个数，最终求得所有正向加速度均值

和反向加速度均值

S23、根据加速度均值信息，结合聚类中心加速度特征值，使用下式定义对应驾驶场景中每个数据点的车辆加速状态：

其中，

和

分别为驾驶场景b中第i个样本点的速度测量值和加速度测量值，U_acc、U_cru和U_bra分别代表加速状态、车速保持状态和制动状态，

代表场景b的聚类中心加速度数值；当数据类型为加速场景时，该数据簇加速度最小值大于

当数据类型为车速保持场景时，该数据簇加速度最大值小于

最小值大于

当数据类型为制动场景时，该数据簇加速度最大值小于

S24、寻找符合边界条件的最小聚类数量，定义最小聚类数量为N，在限定范围内寻找最优聚类数量K^*，设b类数据含有m个样本点，其中某一样本点测量值为(u_bi,a_bi)，同类数据中其他样本点测量值为(u_bj,a_bj)，则内聚度为：

设b类数据含有n个数据点，某一数据点测量值为(u_bi,a_bi)，类别b外共有n个数据点，则分离度表达式为：

单一数据点在整个样本空间的轮廓系数SC(i)表达式为：

其中，SC(i)∈[-1,1]，随着B(i)增大和A(i)减小，SC(i)逐渐增大，模型聚类效果提升，则轮廓系数均值为：

分别设定不同K值建立聚类模型，比较模型输出结果对应的轮廓系数，确定最佳粗聚类数目K^*的数值；

S25、确定K^*之后,根据车速将车辆状态分为低速、中速、高速三种驾驶场景，根据加速度将车辆状态分为加速、车速保持和制动三种驾驶场景，最终两两组合获得九种同时具有车速状态和车辆加速度状态的典型驾驶场景。此处将K-means模型聚类数目设置为9，实现对粗聚类求得的聚类中心的进一步分类，最终得到九种具有典型意义的主要驾驶场景。

优选的，所述步骤S3具体包括：

S31、使用滑动窗口方法，通过分析时间窗口内车速变化信息，判定车辆进入和脱离巡航状态的时刻，实现整个循环工况的划分，定义窗口宽度为WI，使用W_b表示以数据集中第b个数据作为起点的时间窗口，该窗口内车辆的平均速度为

使用

作为窗口内每一时刻车速变化的参考基准，定义S_b来表征窗口内速度变化累加值：

其中，v_b,j表示窗口W_b中第j个元素，定义C_b,N来评价相邻N个滑动窗口车速均值的累计变化情况：

基于S_b的定义，同一窗口内速度变化累加值说明车速在该时间窗口中的的波动水平，基于C_b,N的定义，相邻个滑动窗口车速均值的累计变化反映相邻窗口间车速的整体变化趋势，定义窗口内车速波动临界值tol_in和窗口间车速变化临界值tol_am，当S_b≤tol_in且C_b,N≤tol_an时，认为车辆已经处于巡航状态；

S32、定义原始特征数据矩阵D_ini和经过PCA处理求得的的低维特征数据矩阵D_PC，设D_ini具有p个特征，表示为(f₁,f₂,…,f_p)；D_PC具有q个主成分特征，表示为(c₁,c₂,…,c_q)，其中q<p，使用矩阵U_q×p表示特征转换矩阵：

使得D_PC＝U_q×pD_ini，U_q×p的每一个元素可以表示某一原始数据特征在对应主成分特征中的权重系数；

S33、设一共保留m个主成分，第i类主成分表示为PC_i，其方差值为Var_i，则其贡献率

表示为：

得到所有主成分贡献率向量

设

为特征转换矩阵U_q×p中第j个列向量，即第j个原始数据特征对应每一个主成分的权重系数，

则表示在所有主成分中特征j所占有权重和，也可以作为特征j对整个数据空间的信息贡献率；

令

且令Conⁱⁿⁱ表示所有原始数据特征贡献率组成向量，则

参照

的计算过程，可得

将Conⁱⁿⁱ中每个而元素从大到小排列，对原始数据特征进行排序,设定临界值Cri，当前k个数据特征满足

S34、选取SOM网络模型实现驾驶员风格的分类和辨识，设最终的驾驶员风格数目为N_d，则SOM网络的输出层神经元个数为N_d个，对驾驶员的k个数据特征归一化形成该几十元对应的驾驶风格辨识模型输入向量，和原始数据特征X＝(x₁,x₂,…x_k)，则归一化处理后

其中，

为最终SOM的输入向量；

取(0，1)之间的随机数为输入层神经元和输出层神经元的之间的连接权重进行初始化赋值，设W为初始化后的连接权值矩阵，每一个输入神经元均对应N_d个输出神经元，故W中一共有k×N_d个元素，设

为输出层第i个神经元节点对应的输入层连接权重，已知包含k个元素，每个元素代表输入层节点对应每个输出层节点的权重系数；

选取一个输入特征向量

并计算通过连接权重

后的输出值

使用欧氏距离计算Y_i与不同输出层神经元节点对应权重系数的相似度，并将相似度最高即欧氏距离最小的输出层节点定义为该特征向量对应的优胜节点，对优胜节点进行连接权重更新，表达式如下：

W_i(t+1)＝W_i(t)+η(t)(Y_i-W_i(t))

其中，η(t)为t时刻的学习率，随时间不断衰减，设置为

t_tol为设置的最大迭代次数，t为当前迭代次数，a为初始学习率，在0到1之间；W_i(t+1)为第(t+1)次连接权重数值，W_i(t)为第t次连接权重数值；

继续将下一个驾驶行为状态特征向量输入SOM网络并实现权重更新，在迭代t_tol次后完成网络训练，并确定不同输入向量对应的输出层优胜节点，每一个输出层节点表征了一种综合驾驶行为倾向。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于聚类模型的不同循环工况下驾驶员风格辨识方法；基于固定路线重型商用车辆车载T-Box采集并上传的云端数据，建立实际道路自然驾驶条件下的驾驶员风格数据库，用于后续驾驶风格分类研究，引入速度-加速度数据空间，将连续的驾驶过程按照车速和加速度信息重新分布，并使用K-means两次聚类得到九种典型驾驶场景，每一种驾驶场景代表特定的驾驶状态，将驾驶循环分为起步、巡航和制动三种行驶工况，并使用行驶工况代替以往短时驾驶风格研究中的特殊驾驶状况。建立不同循环工况和驾驶场景的对应关系，基于驾驶场景构建不同循环工况下驾驶风格的统计特征，消除特殊驾驶行为对车辆数据的干扰，保证行车数据可以更纯净地反映驾驶员的驾驶风格。最终建立自组织映射神经网络(SOM)模型获取起步工况和巡航工况下驾驶员的驾驶风格，进一步分析随着行驶工况变化驾驶员的风格变化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的不同循环工况下驾驶员风格变化结构示意图。

图2附图为本发明提供的典型驾驶场景划分示意图。

图3附图为本发明提供的不同循环工况下的驾驶员风格分类示意图。

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做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。

本发明实施例公开了一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，包括以下步骤：

S1、建立驾驶风格数据库：选取车型和路线，采集驾驶数据，并对数据进行预处理；

S2、典型驾驶场景划分：对数据进行归一化，设定驾驶场景类型和边界条件，确定最佳粗聚类数目，并二次聚类获取典型驾驶场景；

S3、对不同循环工况下驾驶员风格进行辨识：根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征，并基于主成分分析思想实现对数据特征的剔除和保留，引入自组织映射神经网络建立驾驶员风格辨识模型，输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向，实现在不同循环工况下驾驶员风格的辨识。

为进一步优化上述技术方案，步骤S1具体包括：

S11、基于拉依达准则法，对异常数据进行剔除，假定某一组特征数据只存在随机误差，对该数据求取均值和标准差；重新检测数据集样本点，将和样本均值相差三倍标准差之外的数据点视为异常数据点：

其中，x_i表示样本空间第个测量值，

表示所有测量值的均值，σ表示所有测量值的标准差；

S12、采用经典滤波方法，通过傅里叶变换过滤高频信号，保留符合车辆加速度特性的低频信息，最后通过傅里叶逆变换得到降噪后的加速度数据。

为进一步优化上述技术方案，步骤S2具体包括：

S21、采用0-1归一化方法处理速度和加速度数据：

其中，

代表第i个数据在车辆状态b上的测量值，

和

分别代表车辆状态b上的最大测量值和最小测量值，

为求得的归一化数值；

S22、获取车辆加速和制动状态下加速度的均值：

其中，a_i和a_j为所有正向和反向加速度测量值，n⁺和n^-分别为加速状态加速度测量值和制动状态加速度测量值的个数，最终求得所有正向加速度均值

和反向加速度均值

S23、根据加速度均值信息，结合聚类中心加速度特征值，使用下式定义对应驾驶场景中每个数据点的车辆加速状态：

其中，

和

分别为驾驶场景b中第i个样本点的速度测量值和加速度测量值，U_acc、U_cru和U_bra分别代表加速状态、车速保持状态和制动状态，

代表场景b的聚类中心加速度数值；当数据类型为加速场景时，该数据簇加速度最小值大于

当数据类型为车速保持场景时，该数据簇加速度最大值小于

最小值大于

当数据类型为制动场景时，该数据簇加速度最大值小于

表1.加速度状态边界条件

S24、寻找符合边界条件的最小聚类数量，定义最小聚类数量为N，在限定范围内寻找最优聚类数量K^*，设b类数据含有m个样本点，其中某一样本点测量值为(u_bi,a_bi)，同类数据中其他样本点测量值为(u_bj,a_bj)，则内聚度为：

设b类数据含有n个数据点，某一数据点测量值为(u_bi,a_bi)，类别b外共有n个数据点，则分离度表达式为：

单一数据点在整个样本空间的轮廓系数SC(i)表达式为：

其中，SC(i)∈[-1,1]，随着B(i)增大和A(i)减小，SC(i)逐渐增大，模型聚类效果提升，则轮廓系数均值为：

分别设定不同K值建立聚类模型，比较模型输出结果对应的轮廓系数，确定最佳粗聚类数目K^*的数值；

S25、确定K^*之后,根据车速将车辆状态分为低速、中速、高速三种驾驶场景，根据加速度将车辆状态分为加速、车速保持和制动三种驾驶场景，最终两两组合获得九种同时具有车速状态和车辆加速度状态的典型驾驶场景。此处将K-means模型聚类数目设置为9，实现对粗聚类求得的聚类中心的进一步分类，最终得到九种具有典型意义的主要驾驶场景。

为进一步优化上述技术方案，步骤S3具体包括：

S31、使用滑动窗口方法，通过分析时间窗口内车速变化信息，判定车辆进入和脱离巡航状态的时刻，实现整个循环工况的划分，定义窗口宽度为WI，使用W_b表示以数据集中第b个数据作为起点的时间窗口，该窗口内车辆的平均速度为

使用

作为窗口内每一时刻车速变化的参考基准，定义S_b来表征窗口内速度变化累加值：

其中，v_b,j表示窗口W_b中第j个元素，定义C_b,N来评价相邻N个滑动窗口车速均值的累计变化情况：

基于S_b的定义，同一窗口内速度变化累加值说明车速在该时间窗口中的的波动水平，基于C_b,N的定义，相邻个滑动窗口车速均值的累计变化反映相邻窗口间车速的整体变化趋势，定义窗口内车速波动临界值tol_in和窗口间车速变化临界值tol_am，当S_b≤tol_in且C_b,N≤tol_am时，认为车辆已经处于巡航状态；

S32、定义原始特征数据矩阵D_ini和经过PCA处理求得的的低维特征数据矩阵D_PC，设D_ini具有p个特征，表示为(f₁,f₂,…,f_p)；D_PC具有q个主成分特征，表示为(c₁,c₂,…,c_q)，其中q<p，使用矩阵U_q×p表示特征转换矩阵：

使得D_PC＝U_q×pD_ini，U_q×p的每一个元素可以表示某一原始数据特征在对应主成分特征中的权重系数；

S33、设一共保留m个主成分，第i类主成分表示为PC_i，其方差值为Var_i，则其贡献率

表示为：

得到所有主成分贡献率向量

设

为特征转换矩阵U_q×p中第j个列向量，即第j个原始数据特征对应每一个主成分的权重系数，

则表示在所有主成分中特征j所占有权重和，也可以作为特征j对整个数据空间的信息贡献率；

令

且令Conⁱⁿⁱ表示所有原始数据特征贡献率组成向量，则

参照

的计算过程，可得

将Conⁱⁿⁱ中每个而元素从大到小排列，对原始数据特征进行排序,设定临界值Cri，当前k个数据特征满足

S34、选取SOM网络模型实现驾驶员风格的分类和辨识，SOM是一种只具有前馈结构的神经网络层，一般情况下只具有一个输入层和一个竞争层。故SOM网络结构由输入层和输出层网络结构确定。

输入层神经元数量由输入数据的特征数量决定，一个输入层神经元对应一个输入数据特征，故输入层神经元数目等于输入特征数目，即为S33中确定的k值。

竞争层网络可以有多种网络结构。由于竞争层神经元数量决定了聚类数目，而聚类数目即为最终得到的驾驶风格数目，故确定驾驶风格数目即可确定输出层神经元数目；工程应用中驾驶风格数目一般仅为3～5种，即竞争层神经元数量约为3～5种，神经元数量较少，选取二维平面网络结构即可。二维平面结构中不同神经元一般通过矩形或六角形等几何结构相互连接。设最终的驾驶员风格数目为N_d种，则SOM网络的输出层神经元个数亦为N_d个。

每一个驾驶员的驾驶数据中包含多种数据特征，由S33过程最终选取k种数据特征；对每一个驾驶员的k个数据特征归一化形成该驾驶员对应的驾驶风格辨识模型输入向量。设原始数据特征X＝(x₁,x₂,…x_k)，则归一化处理后

即为最终SOM的输入向量。

取(0，1)之间的随机数为输入层神经元和输出层神经元的之间的连接权重进行初始化赋值。设W为初始化后的连接权值矩阵，每一个输入神经元均对应N_d个输出神经元，故W中一共有k×N_d个元素。设

为输出层第i个神经元节点对应的输入层连接权重，知包含k个元素，每个元素代表输入层节点对应每个输出层节点的权重系数。

选取一个输入特征向量

并计算通过连接权重

后的输出值

使用欧氏距离计算Y_i与不同输出层神经元节点对应权重系数的相似度，并将相似度最高(欧氏距离最小)的输出层节点定义为该特征向量对应的优胜节点，进一步基于优胜节点更新相关连接权重数值。一般的SOM网络权重更新需要设置邻域半径σ，σ内的节点均参与权重更新，且越靠近优胜节点，更新幅度越大、越远离优胜节点，更新幅度越小。但由于本方法中输出层神经元数量较少，故可以将权重更新简化为仅对优胜节点进行连接权重更新。

对优胜节点进行权重更新，表达式如下：

W_i(t+1)＝W_i(t)+η(t)(Y_i-W_i(t))

其中，η(t)为t时刻的学习率，随时间不断衰减，一般设置为

t_tol为设置的最大迭代次数，t为当前迭代次数,a为初始学习率，一般在0到1之间；W_i(t+1)为第(t+1)次连接权重数值，W_i(t)为第t次连接权重数值；可以看出每一次更新的过程中优胜节点对应的连接权重数值不断向输入特征逼近。

继续将下一个驾驶行为状态特征向量输入SOM网络并实现权重更新。在迭代t_tol次后完成网络训练，并确定不同输入向量对应的输出层优胜节点。每一个输入向量对应一组驾驶状态特征，不同驾驶状态特征对应特定输入层神经元节点，每一个输出层神经元节点均存在对应的一组输入层神经元节点。由输入层网络节点和输出层网络节点之间连接权重的训练过程可知，每一个优胜节点连接权重的数值均包含了一组输入数据特征的状态信息，这些状态信息也直观体现了驾驶员的风格特性，因此认为每一个输出层节点表征了一种综合驾驶行为倾向。

对分类完成的不同输入特征对应的驾驶员风格进行评价和辨识。可以用于驾驶员风格分类的驾驶状态特征主要由车辆的速度、加速度、踏板开度等信息构成，且认为每一种特征的均值越大，表示驾驶员倾向于具有更高的操作强度；每一种特征的方差越大，表示驾驶员倾向于具有更大的操作波动性，二者都代表了驾驶风格具有更高的激进性。以车速信息为例，当驾驶员行驶平均车速越高，且车速变化越剧烈，说明驾驶员的操作更加激烈，驾驶风格更加激进。

以上说明每一种输入模型的驾驶状态特征均可以根据实际物理意义做出激进性和保守性的评价，而一组输入特征向量包含多种驾驶状态特征，每一种驾驶状态特征均具有各自的保守和激进特性。认为每一种特征对驾驶员激进程度的贡献率相同，在k种输入特征中激进型驾驶状态占比越大，驾驶员的激进等级越高。将全部特征均体现为激进型的驾驶员定义为激进型驾驶员，将全部特征均体现为保守型的驾驶员定义为保守型驾驶员，过渡型驾驶风格可以根据总的驾驶风格数目N_d进行个性化划分。最终实现对驾驶员风格的分类和辨识。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，其特征在于，包括以下步骤：

S1、建立驾驶风格数据库：选取车型和路线，采集驾驶数据，并对数据进行预处理；

S2、典型驾驶场景划分：对数据进行归一化，设定驾驶场景类型和边界条件，确定最佳粗聚类数目，并二次聚类获取典型驾驶场景；

S3、对不同循环工况下驾驶员风格进行辨识：根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征，并基于主成分分析思想实现对数据特征的剔除和保留，引入自组织映射神经网络建立驾驶员风格辨识模型，输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向，实现在不同循环工况下驾驶员风格的辨识。

2.根据权利要求1所述的一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，其特征在于，所述步骤S1具体包括：

S11、基于拉依达准则法，对异常数据进行剔除，假定某一组特征数据只存在随机误差，对该数据求取均值和标准差；重新检测数据集样本点，将和样本均值相差三倍标准差之外的数据点视为异常数据点：

其中，x_i表示样本空间第个测量值，

表示所有测量值的均值，σ表示所有测量值的标准差；

S12、采用经典滤波方法，通过傅里叶变换过滤高频信号，保留符合车辆加速度特性的低频信息，最后通过傅里叶逆变换得到降噪后的加速度数据。

3.根据权利要求1所述的一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，其特征在于，所述步骤S2具体包括：

S21、采用0-1归一化方法处理速度和加速度数据：

其中，

代表第i个数据在车辆状态b上的测量值，

和

分别代表车辆状态b上的最大测量值和最小测量值，

为求得的归一化数值；

S22、获取车辆加速和制动状态下加速度的均值：

其中，a_i和a_j为所有正向和反向加速度测量值，n⁺和n^-分别为加速状态加速度测量值和制动状态加速度测量值的个数，最终求得所有正向加速度均值

和反向加速度均值

S23、根据加速度均值信息，结合聚类中心加速度特征值，使用下式定义对应驾驶场景中每个数据点的车辆加速状态：

其中，

和

分别为驾驶场景b中第i个样本点的速度测量值和加速度测量值，U_acc、U_cru和U_bra分别代表加速状态、车速保持状态和制动状态，

代表场景b的聚类中心加速度数值；当数据类型为加速场景时，该数据簇加速度最小值大于

当数据类型为车速保持场景时，该数据簇加速度最大值小于

最小值大于

当数据类型为制动场景时，该数据簇加速度最大值小于

S24、寻找符合边界条件的最小聚类数量，定义最小聚类数量为N，在限定范围内寻找最优聚类数量K^*，设b类数据含有m个样本点，其中某一样本点测量值为(u_bi，a_bi)，同类数据中其他样本点测量值为(u_bj，a_bj)，则内聚度为：

设b类数据含有n个数据点，某一数据点测量值为(u_bi，a_bi)，类别b外共有n个数据点，则分离度表达式为：

单一数据点在整个样本空间的轮廓系数SC(i)表达式为：

其中，SC(i)∈[-1，1]，随着B(i)增大和A(i)减小，SC(i)逐渐增大，模型聚类效果提升，则轮廓系数均值为：

分别设定不同K值建立聚类模型，比较模型输出结果对应的轮廓系数，确定最佳粗聚类数目K^*的数值；

S25、确定K^*之后，根据车速将车辆状态分为低速、中速、高速三种驾驶场景，根据加速度将车辆状态分为加速、车速保持和制动三种驾驶场景，最终两两组合获得九种同时具有车速状态和车辆加速度状态的典型驾驶场景。此处将K-means模型聚类数目设置为9，实现对粗聚类求得的聚类中心的进一步分类，最终得到九种具有典型意义的主要驾驶场景。

4.根据权利要求1所述的一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，其特征在于，所述步骤S3具体包括：

S31、使用滑动窗口方法，通过分析时间窗口内车速变化信息，判定车辆进入和脱离巡航状态的时刻，实现整个循环工况的划分，定义窗口宽度为WI，使用W_b表示以数据集中第b个数据作为起点的时间窗口，该窗口内车辆的平均速度为

使用

作为窗口内每一时刻车速变化的参考基准，定义S_b来表征窗口内速度变化累加值：

其中，v_b，j表示窗口W_b中第j个元素，定义C_b，N来评价相邻N个滑动窗口车速均值的累计变化情况：

基于S_b的定义，同一窗口内速度变化累加值说明车速在该时间窗口中的的波动水平，基于C_b，N的定义，相邻个滑动窗口车速均值的累计变化反映相邻窗口间车速的整体变化趋势，定义窗口内车速波动临界值tol_in和窗口间车速变化临界值tol_am，当S_b≤tol_in且C_b，N≤tol_am时，认为车辆已经处于巡航状态；

S32、定义原始特征数据矩阵D_ini和经过PCA处理求得的的低维特征数据矩阵D_PC，设D_ini具有p个特征，表示为(f₁，f₂，…，f_p)；D_PC具有q个主成分特征，表示为(c₁，c₂，…，c_q)，其中q＜p，使用矩阵U_q×p表示特征转换矩阵：

使得D_PC＝U_q×pD_ini，U_q×p的每一个元素可以表示某一原始数据特征在对应主成分特征中的权重系数；

S33、设一共保留m个主成分，第i类主成分表示为PC_i，其方差值为Var_i，则其贡献率

表示为：

得到所有主成分贡献率向量

设

为特征转换矩阵U_q×p中第j个列向量，即第j个原始数据特征对应每一个主成分的权重系数，

则表示在所有主成分中特征j所占有权重和，也可以作为特征j对整个数据空间的信息贡献率；

令

且令Corⁱⁿⁱ表示所有原始数据特征贡献率组成向量，则

参照

的计算过程，可得

将Conⁱⁿⁱ中每个而元素从大到小排列，对原始数据特征进行排序，设定临界值Cri，当前k个数据特征满足

S34、选取SOM网络模型实现驾驶员风格的分类和辨识，设最终的驾驶员风格数目为N_d，则SOM网络的输出层神经元个数为N_d个，对驾驶员的k个数据特征归一化形成该几十元对应的驾驶风格辨识模型输入向量，和原始数据特征X＝(x₁，x₂，...x_k)，则归一化处理后

其中，

为最终SOM的输入向量；

取(0，1)之间的随机数为输入层神经元和输出层神经元的之间的连接权重进行初始化赋值，设W为初始化后的连接权值矩阵，每一个输入神经元均对应N_d个输出神经元，故W中一共有k×N_d个元素，设

为输出层第i个神经元节点对应的输入层连接权重，已知包含k个元素，每个元素代表输入层节点对应每个输出层节点的权重系数；

选取一个输入特征向量

并计算通过连接权重

后的输出值

使用欧氏距离计算Y_i与不同输出层神经元节点对应权重系数的相似度，并将相似度最高即欧氏距离最小的输出层节点定义为该特征向量对应的优胜节点，对优胜节点进行连接权重更新，表达式如下：

W_i(t+1)＝W_i(t)+η(t)(Y_i-W_i(t))

其中，η(t)为t时刻的学习率，随时间不断衰减，设置为

t_tol为设置的最大迭代次数，t为当前迭代次数，a为初始学习率，在0到1之间；W_i(t+1)为第(t+1)次连接权重数值，W_i(t)为第t次连接权重数值；

继续将下一个驾驶行为状态特征向量输入SOM网络并实现权重更新，在迭代t_tol次后完成网络训练，并确定不同输入向量对应的输出层优胜节点，每一个输出层节点表征了一种综合驾驶行为倾向。

Images