CN116415164A - 一种基于lda改进模型的驾驶事件聚类方法及系统 - Google Patents

一种基于lda改进模型的驾驶事件聚类方法及系统 Download PDF

Info

Publication number
CN116415164A
CN116415164A CN202310068157.7A CN202310068157A CN116415164A CN 116415164 A CN116415164 A CN 116415164A CN 202310068157 A CN202310068157 A CN 202310068157A CN 116415164 A CN116415164 A CN 116415164A
Authority
CN
China
Prior art keywords
acceleration
longitudinal
jerk
speed
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
CN202310068157.7A
Other languages
English (en)
Inventor
李显生
崔晓彤
郑雪莲
任园园
赵兰
王杰
康雯钰
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202310068157.7A priority Critical patent/CN116415164A/zh
Publication of CN116415164A publication Critical patent/CN116415164A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种基于LDA改进模型的驾驶事件聚类方法及系统，包括：获取驾驶事件，每个驾驶事件包括若干驾驶数据点，获取所述驾驶数据点的纵向加加速度；将速度划分为低速、中速和高速；基于车辆纵向动力学，根据阈值将纵向加速度划分为缓加速、急加速、匀速、缓减速与急减速；基于轮胎摩擦圆的限制，根据阈值将侧向加速度划分为低侧移和高侧移；将纵向加加速度划分为缓加加速、急加加速、缓减加速和急减加速；基于速度、纵向加速度、侧向加速度和纵向加加速度的类别，对驾驶事件的驾驶数据点进行离散化处理，得到离散数据组；将通过离散数据组表征的驾驶事件输入LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。

Description

一种基于LDA改进模型的驾驶事件聚类方法及系统
技术领域
本发明属于数据处理技术领域，具体地说涉及一种基于LDA改进模型的驾驶事件聚类方法及系统。
背景技术
驾驶事件是最基本的驾驶行为单元，是最小的具有物理意义的驾驶数据段，而分析驾驶行为是改善交通安全，发展智能车的基础，因此高效准确得到驾驶事件语义，描述驾驶行为操作是当前研究的重点。
由于驾驶数据与自然语言的相似性，因此可以利用文本主题模型(LDA)实现驾驶事件聚类的目的，但是LDA模型的输入要求是离散数据点组成的样本集合，这使得在本领域应用时，学者们针对连续驾驶数据提出了基于LDA的改进模型，将连续的驾驶数据点离散化，并基于离散数据点通过LDA模型对驾驶事件聚类，实现了直接对海量驾驶数据进行分析，降低了人工标定的限制，并且避免了特征工程的繁琐性和对后续结果的影响，使人们更好更快地准确理解驾驶行为。
但是现有的基于LDA改进模型对驾驶事件进行聚类的方法，由于离散连续数据时受样本数据范围以及数据点密度的影响，离散连续数据时，缺乏综合考虑车辆动力学，没有对变量进行耦合分析，使得最终得到的离散数据点类别划分不准确，会出现将小范围内的连续数据离散成不同类别数据点或是将大范围内的数据离散成同一类别数据点的情况，继而严重影响后续聚类结果。
发明内容
针对上述问题，第一方面，本发明设计了一种基于LDA改进模型的驾驶事件聚类方法，包括以下步骤：
获取若干驾驶事件，每个所述驾驶事件包括若干驾驶数据点，每个所述驾驶数据点包括速度、纵向加速度和侧向加速度，根据纵向加速度，计算获得所述驾驶数据点的纵向加加速度；
根据预设的速度阈值，将速度划分为低速、中速和高速三种类别；
基于车辆纵向动力学，对驾驶数据点的速度和纵向加速度进行耦合分析，获取不同速度下纵向加速度的阈值，并根据阈值将纵向加速度划分为缓加速、急加速、匀速、缓减速与急减速五种类别；
基于轮胎摩擦圆的限制，对驾驶数据点的纵向加速度和侧向加速度进行耦合分析，获取不同纵向加速度下侧向加速度的阈值，并根据阈值将侧向加速度划分为低侧移和高侧移两种类别；
根据预设的纵向加加速度阈值，将纵向加加速度划分为缓加加速、急加加速、缓减加速和急减加速四种类别；
基于速度的类别、纵向加速度的类别、侧向加速度的类别和加加速度的类别，对驾驶事件的驾驶数据点进行离散化处理，得到离散数据组；
将通过离散数据组表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
与现有技术相比，本发明的有益效果为：本技术方案提供了一种新的数据离散方法，结合耦合分析将数据的离散和LDA模型进行结合，得到了LDA改进模型，使得离散效果较好，进而有利于得到更加准确的聚类结果。
优选的，根据滑动平均法对原始数据点做平滑处理，得到驾驶数据点；
获取所述驾驶数据点的纵向加加速度，根据滑动平均法对纵向加加速度做平滑处理。
本优选方案的有益效果为：采集的原始数据点可能会存在异常值和噪音等，通过平滑处理，能够去除原始数据点以及纵向加加速度的噪音，得到有效的驾驶数据点，有利于减小离散化误差。
优选的，将30km/h和60km/h设为速度阈值，设速度为v，
若0km/h≤v≤30km/h，则速度类别为低速；
若30km/h<v≤60km/h，则速度类别为中速；
若v>60km/h，则速度类别为高速。
优选的，以速度v为自变量、纵向加速度ax为因变量，输出驾驶数据点的v-ax散点图；
获取每个速度v对应的最大纵向加速度ax1和最小纵向加速度ax2，拟合得到v-ax耦合形状；
基于v-ax耦合形状的变化规律，确定v-ax散点图的上包络线斜率的正负以及下包络线斜率的正负；
根据上包络线斜率的正负，获取位于上包络线上的v-ax散点图的两个峰值点，基于两个所述峰值点的坐标，计算得到v-ax上包络线：ax,max＝f1(v)；
根据下包络线斜率的正负，获取位于下包络线上的v-ax散点图的两个峰值点，基于两个所述峰值点的坐标，计算得到v-ax下包络线：ax,min＝f2(v)。
本优选方案的有益效果为：先确定上下包络线斜率的正负，根据正负才能选择耦合形状上的峰值点，否则容易导致包络线的误差较大。
优选的，设定纵向加速度ax的匀速区间为-0.05m/s2～0.05m/s2，
若ax>0.05m/s2，则纵向加速度ax的类别为缓加速或急加速；
若ax<-0.05m/s2，则纵向加速度ax的类别为缓减速或急减速；
获取上包络线ax,max＝f1(v)上速度v对应的ax与0.05m/s2的差值
Figure BDA0004062781130000041
并将
Figure BDA0004062781130000042
乘以50％得到：/>
Figure BDA0004062781130000043
拟合速度v与/>
Figure BDA0004062781130000044
的依存关系，得到缓加速与急加速的阈值：/>
Figure BDA0004062781130000045
若
Figure BDA0004062781130000046
则纵向加速度ax的类别为缓加速；
若则纵向加速度ax的类别为急加速；
获取下包络线ax,min＝f2(v)上速度v对应的ax与-0.05m/s2的差值
Figure BDA0004062781130000048
并将
Figure BDA0004062781130000049
乘以50％得到：/>
Figure BDA00040627811300000410
拟合速度v与/>
Figure BDA00040627811300000411
的依存关系，得到缓加速与急加速的阈值：/>
Figure BDA00040627811300000412
若
Figure BDA00040627811300000413
则纵向加速度ax的类别为缓减速；
若
Figure BDA00040627811300000414
则纵向加速度ax的类别为急减速。
本优选方案的有益效果为：通过上述方法计算出缓加速、急加速、缓减速、急减速的划分阈值，将纵向加速度划分为五种类别，有利于提高驾驶数据离散化的精确度。
优选的，基于轮胎摩擦圆的限制，以纵向加速度ax为自变量、侧向加速度ay为因变量，输出驾驶数据点的ax-ay散点图；
获取散点图上距离原点(0，0)最远的一个点(ax0，ay0)，以散点图的原点为圆心，以(ax0，ay0)与原点之间的距离为半径r，得到ax-ay耦合形状的拟合圆：ay 2＝r2-ax 2，将所述拟合圆设为ax-ay的包络线；
以散点图的原点为圆心，
Figure BDA0004062781130000051
为半径，得到表征侧向加速度阈值的拟合圆：
Figure BDA0004062781130000052
若ay 2≤ay,50％ 2，则所述侧向加速度ay的类别为低侧移；
若ay 2>ay,50％ 2，则所述侧向加速度ay的类别为高侧移。
本优选方案的有益效果为：在判定侧向加速度是低侧移还是高侧移时，需要综合考虑与侧向加速度同一时刻的纵向加速度值，通过轮胎摩擦圆的限制，将纵向加速度与侧向加速度耦合分析，提高了对侧向加速度划分类别的精确性。
优选的，获取纵向加速度的导数，基于导数得到纵向加加速度，将3.6m/s3和-3.6m/s3设为纵向加加速度阈值，设纵向加加速度为j，
若0m/s3≤j≤3.6m/s3，则纵向加加速度j的类别为缓加加速；
若j>3.6m/s3，则纵向加加速度j的类别为急加加速；
若-3.6m/s3≤j<0m/s3，则纵向加加速度j的类别为缓减加速；
若j<-3.6m/s3，则纵向加加速度j的类别为急减加速。
本优选方案的有益效果为：根据实地考察并结合实际的驾驶情况，将3.6m/s3和-3.6m/s3设为纵向加加速度阈值，对纵向加加速度划分类别。
优选的，基于速度的类别、纵向加速度的类别、侧向加速度的类别和纵向加加速度的类别，对驾驶数据点进行离散化处理，得到离散数据组；
将通过离散数据组表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
本优选方案的有益效果为：对连续化的驾驶数据点进行离散化处理，相当于对驾驶数据点进行分类，比如将100个驾驶数据点离散为50类离散数据组，LDA模型对50类离散数据组表征的驾驶事件进行聚类。
第二方面，本发明设计了一种基于LDA改进模型的驾驶事件聚类系统，包括：
驾驶事件获取模块，配置用于，获取若干驾驶事件，每个所述驾驶事件包括若干驾驶数据点，每个所述驾驶数据点包括速度、纵向加速度和侧向加速度；
纵向加加速度输出模块，配置用于，根据纵向加速度计算获得所述驾驶数据点的纵向加加速度；
速度类别划分模块，配置用于，根据预设的速度阈值，将速度划分为低速、中速和高速三种类别；
纵向加速度类别划分模块，配置用于，基于车辆纵向动力学，对驾驶数据点的速度和纵向加速度进行耦合分析，获取不同速度下纵向加速度的阈值，并根据阈值将纵向加速度划分为缓加速、急加速、匀速、缓减速与急减速五种类别；
侧向加速度类别划分模块，配置用于，基于轮胎摩擦圆的限制，对驾驶数据点的纵向加速度和侧向加速度进行耦合分析，获取不同纵向加速度下侧向加速度的阈值，并根据阈值将侧向加速度划分为低侧移和高侧移两种类别；
纵向加加速度类别划分模块，配置用于，根据预设的纵向加加速度阈值，将纵向加加速度划分为缓加加速、急加加速、缓减加速和急减加速四种类别；
驾驶数据点离散模块，配置用于，基于速度的类别、纵向加速度的类别、侧向加速度的类别和纵向加加速度的类别，对驾驶数据点进行离散化处理，得到离散数据组；所述驾驶数据点离散模块还包括：离散数据组编辑单元，配置用于，获取离散数据组及其数量，为离散数据组进行编号。
聚类模块，配置用于，将通过离散数据组的编号表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
与现有技术相比，本发明的有益效果为：本系统提供了一种新的数据离散方法，将数据的离散和LDA模型进行结合，得到了LDA改进模型，使得离散效果较好，进而有利于得到更加准确的聚类结果。
附图说明
图1为本发明实施例驾驶事件聚类方法的流程图；
图2为本发明实施例纵向加速度的类别划分阈值图；
图3为本发明实施例侧向加速度的类别划分阈值图；
图4为本发明实施例困惑度随聚类数的变化曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1
本实施例提供一种基于LDA改进模型的驾驶事件聚类方法，包括以下步骤：
步骤1：获取若干驾驶事件，每个所述驾驶事件包括若干驾驶数据点，每个所述驾驶数据点包括速度、纵向加速度和侧向加速度。本实施例优选的，所述驾驶事件包括若干原始数据点，由于原始数据点可能存在异常值、缺失值、噪音等问题，所以根据滑动平均法对原始数据点做平滑处理，得到有效的驾驶数据点，对驾驶数据点的纵向加速度求导，计算获得所述驾驶数据点的纵向加加速度，根据滑动平均法对纵向加加速度做平滑处理，得到有效的纵向加加速度。
驾驶事件可以是一个或多个，比如一共有驾驶事件A和驾驶事件B，事件A包括10个驾驶数据点，事件B包括15个驾驶数据点，对驾驶事件进行聚类就是对这25个数据点所表征的事件A和事件B进行聚类。
步骤2：根据预设的速度阈值，将速度划分为低速、中速和高速三种类别。本实施例将30km/h和60km/h设为速度阈值，设速度为v，
若0km/h≤v≤30km/h，则速度类别为低速；
若30km/h<v≤60km/h，则速度类别为中速；
若v>60km/h，则速度类别为高速。
步骤3：基于车辆纵向动力学，对驾驶数据点的速度和纵向加速度进行耦合分析，以速度v为自变量、纵向加速度ax为因变量，输出驾驶数据点的v-ax散点图；
获取每个速度v对应的最大纵向加速度ax1和最小纵向加速度ax2，拟合得到v-ax耦合形状；基于v-ax耦合形状的变化规律，确定v-ax散点图的上包络线斜率的正负以及下包络线斜率的正负；
根据上包络线斜率的正负，获取位于上包络线上的v-ax散点图的两个峰值点，基于两个所述峰值点的坐标，计算得到v-ax上包络线：ax,max＝f1(v)；
根据下包络线斜率的正负，获取位于下包络线上的v-ax散点图的两个峰值点，基于两个所述峰值点的坐标，计算得到v-ax下包络线：ax,min＝f2(v)。
设定纵向加速度ax的匀速区间为-0.05m/s2～0.05m/s2，
若ax>0.05m/s2，则纵向加速度ax的类别为缓加速或急加速；
若ax<-0.05m/s2，则纵向加速度ax的类别为缓减速或急减速。
获取上包络线ax,max＝f1(v)上速度v对应的ax与0.05m/s2的差值
Figure BDA0004062781130000091
并将
Figure BDA0004062781130000092
乘以50％得到：/>
Figure BDA0004062781130000093
拟合速度v与/>
Figure BDA0004062781130000094
的依存关系，得到缓加速与急加速的阈值：/>
Figure BDA0004062781130000095
若
Figure BDA0004062781130000096
则纵向加速度ax的类别为缓加速；
若
Figure BDA0004062781130000097
则纵向加速度ax的类别为急加速；
获取下包络线ax,min＝f2(v)上速度v对应的ax与-0.05m/s2的差值
Figure BDA0004062781130000098
并将
Figure BDA0004062781130000099
乘以50％得到：/>
Figure BDA00040627811300000910
拟合速度v与/>
Figure BDA00040627811300000911
的依存关系，得到缓加速与急加速的阈值：/>
Figure BDA0004062781130000101
若
Figure BDA0004062781130000102
则纵向加速度ax的类别为缓减速；
若
Figure BDA0004062781130000103
则纵向加速度ax的类别为急减速。
步骤4：基于轮胎摩擦圆的限制，以纵向加速度ax为自变量、侧向加速度ay为因变量，输出驾驶数据点的ax-ay散点图；
获取散点图上距离原点(0，0)最远的一个点(ax0，ay0)，以散点图的原点为圆心，以(ax0，ay0)与原点之间的距离为半径r，得到ax-ay耦合形状的拟合圆：ay 2＝r2-ax 2，将所述拟合圆设为ax-ay的包络线；
以散点图的原点为圆心，
Figure BDA0004062781130000104
为半径，得到表征侧向加速度阈值的拟合圆：
Figure BDA0004062781130000105
若ay 2≤ay,50％ 2，则所述侧向加速度ay的类别为低侧移；
若ay 2>ay,50％ 2，则所述侧向加速度ay的类别为高侧移。
步骤5：获取纵向加速度的导数，基于导数得到纵向加加速度，将3.6m/s3和-3.6m/s3设为纵向加加速度阈值，设纵向加加速度为j，
若0m/s3≤j≤3.6m/s3，则纵向加加速度j的类别为缓加加速；
若j>3.6m/s3，则纵向加加速度j的类别为急加加速；
若-3.6m/s3≤j<0m/s3，则纵向加加速度j的类别为缓减加速；
若j<-3.6m/s3，则纵向加加速度j的类别为急减加速。
步骤6：基于速度的类别、纵向加速度的类别、侧向加速度的类别和纵向加加速度的类别，对驾驶数据点进行离散化处理，得到离散数据组；离散数据组为各种类别的组合，比如低速+缓加速+高侧移+急加加速为离散数据组的一种，中速+缓减速+高侧移+缓加加速为离散数据组的一种，离散数据组的具体数量由驾驶数据点的离散结果确定。
将通过离散数据组表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
本实施例还提供了一种基于LDA改进模型的驾驶事件聚类系统，包括：
驾驶事件获取模块，配置用于，获取若干驾驶事件，每个所述驾驶事件包括若干驾驶数据点，每个所述驾驶数据点包括速度、纵向加速度和侧向加速度；
纵向加加速度输出模块，配置用于，根据纵向加速度计算获得所述驾驶数据点的纵向加加速度；
速度类别划分模块，配置用于，根据预设的速度阈值，将速度划分为低速、中速和高速三种类别；
纵向加速度类别划分模块，配置用于，基于车辆纵向动力学，对驾驶数据点的速度和纵向加速度进行耦合分析，获取不同速度下纵向加速度的阈值，并根据阈值将纵向加速度划分为缓加速、急加速、匀速、缓减速与急减速五种类别；
侧向加速度类别划分模块，配置用于，基于轮胎摩擦圆的限制，对驾驶数据点的纵向加速度和侧向加速度进行耦合分析，获取不同纵向加速度下侧向加速度的阈值，并根据阈值将侧向加速度划分为低侧移和高侧移两种类别；
纵向加加速度类别划分模块，配置用于，根据预设的纵向加加速度阈值，将纵向加加速度划分为缓加加速、急加加速、缓减加速和急减加速四种类别；
驾驶数据点离散模块，配置用于，基于速度的类别、纵向加速度的类别、侧向加速度的类别和纵向加加速度的类别，对驾驶数据点进行离散化处理，得到离散数据组；所述驾驶数据点离散模块包括：离散数据组编辑单元，配置用于，获取离散数据组及其数量，为离散数据组进行编号；
聚类模块，配置用于，将通过离散数据组的编号表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
实施例2
本实施例以实际的驾驶事件聚类实例对本技术方案的聚类方法做进一步的解释说明：
步骤1：获取共2957个驾驶事件。
步骤2：将30km/h和60km/h设为速度阈值，设速度为v，
若0km/h≤v≤30km/h，则速度类别为低速；
若30km/h<v≤60km/h，则速度类别为中速；
若v>60km/h，则速度类别为高速。
步骤3：如图2所示，基于车辆纵向动力学，对驾驶数据点的速度和纵向加速度进行耦合分析，以速度v为自变量、纵向加速度ax为因变量，输出驾驶数据点的v-ax散点图；获取每个速度v对应的最大纵向加速度ax1和最小纵向加速度ax2，拟合得到v-ax耦合形状。
本实施例v-ax上包络线：ax,max＝-0.09v+4.11，
v-ax下包络线：ax,min＝0.14v-8.00，
设定纵向加速度ax的匀速区间为-0.05m/s2～0.05m/s2，
获取上包络线ax,max＝f1(v)上速度v对应的ax与0.05m/s2的差值
Figure BDA0004062781130000131
并将
Figure BDA0004062781130000132
乘以50％得到：/>
Figure BDA0004062781130000133
拟合速度v与/>
Figure BDA0004062781130000134
的依存关系，得到缓加速与急加速的阈值：/>
Figure BDA0004062781130000135
获取下包络线ax,min＝f2(v)上速度v对应的ax与-0.05m/s2的差值
Figure BDA0004062781130000136
并将
Figure BDA0004062781130000137
乘以50％得到：/>
Figure BDA0004062781130000138
拟合速度v与/>
Figure BDA0004062781130000139
的依存关系，得到缓减速与急减速的阈值：/>
Figure BDA00040627811300001310
步骤4：如图3所示，基于轮胎摩擦圆的限制，以纵向加速度ax为自变量、侧向加速度ay为因变量，输出驾驶数据点的ax-ay散点图；本实施例最终计算得到表征侧向加速度阈值的拟合圆为：ay,50％ 2＝3.252-ax 2。
步骤5：将3.6m/s3和-3.6m/s3设为纵向加加速度阈值，设纵向加加速度为j，
若0m/s3≤j≤3.6m/s3，则纵向加加速度j的类别为缓加加速；
若j>3.6m/s3，则纵向加加速度j的类别为急加加速；
若-3.6m/s3≤j<0m/s3，则纵向加加速度j的类别为缓减加速；
若j<-3.6m/s3，则纵向加加速度j的类别为急减加速。
本实施例驾驶数据点的各划分阈值如表1所示：
Figure BDA00040627811300001311
Figure BDA0004062781130000141
表1
步骤6：根据表1中速度、纵向加速度、侧向加速度和纵向加加速度的划分阈值或划分类别，对2957个驾驶事件所包含的驾驶数据点进行离散化处理，得到共75类离散数据组；对这75类离散数据组进行编号，编号依次为1、2、3.......75。
步骤7：将通过这75类离散数据组表征的驾驶事件依次输入至LDA模型中，为LDA模型设定聚类数为5，对2957个驾驶事件进行聚类。
本实施例通过困惑度来表征LDA改进模型的性能，困惑度越小说明模型的性能越好。除聚类数为5之外，本实施例还在不同的聚类数下进行了多次实验，如图4所示，当聚类数在2-5之间时，困惑度随聚类数的增加而递减，当聚类数大于等于5时，困惑度趋近饱和状态，在5的上下浮动，对于本技术方案来说，聚类数等于5时为最优聚类数。综上，相比于经典模型20.7左右的困惑度，本实施例的LDA改进模型聚类效果更好。
以上实施例仅用以说明本发明的技术方案，而非对其限制；基于本发明的实施例，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。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于LDA改进模型的驾驶事件聚类方法，其特征在于，包括以下步骤：
获取若干驾驶事件，每个所述驾驶事件包括若干驾驶数据点，每个所述驾驶数据点包括速度、纵向加速度和侧向加速度，根据纵向加速度，计算获得所述驾驶数据点的纵向加加速度；
根据预设的速度阈值，将速度划分为低速、中速和高速三种类别；
基于车辆纵向动力学，对驾驶数据点的速度和纵向加速度进行耦合分析，获取不同速度下纵向加速度的阈值，并根据阈值将纵向加速度划分为缓加速、急加速、匀速、缓减速与急减速五种类别；
基于轮胎摩擦圆的限制，对驾驶数据点的纵向加速度和侧向加速度进行耦合分析，获取不同纵向加速度下侧向加速度的阈值，并根据阈值将侧向加速度划分为低侧移和高侧移两种类别；
根据预设的纵向加加速度阈值，将纵向加加速度划分为缓加加速、急加加速、缓减加速和急减加速四种类别；
基于速度的类别、纵向加速度的类别、侧向加速度的类别和纵向加加速度的类别，对驾驶事件的驾驶数据点进行离散化处理，得到离散数据组；
将通过离散数据组表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
2.根据权利要求1所述的聚类方法，其特征在于，获取原始数据点，根据滑动平均法对原始数据点做平滑处理，得到驾驶数据点；
获取所述驾驶数据点的纵向加加速度，根据滑动平均法对纵向加加速度做平滑处理。
3.根据权利要求1所述的聚类方法，其特征在于，将30km/h和60km/h设为速度阈值，设速度为v，
若0km/h≤v≤30km/h，则速度类别为低速；
若30km/h<v≤60km/h，则速度类别为中速；
若v>60km/h，则速度类别为高速。
4.根据权利要求1所述的聚类方法，其特征在于，以速度v为自变量、纵向加速度ax为因变量，输出驾驶数据点的v-ax散点图；
获取每个速度v对应的最大纵向加速度ax1和最小纵向加速度ax2，拟合得到v-ax耦合形状；
基于v-ax耦合形状的变化规律，确定v-ax散点图的上包络线斜率的正负以及下包络线斜率的正负；
根据上包络线斜率的正负，获取位于v-ax耦合形状上半区域的两个峰值点，基于两个所述峰值点的坐标，计算得到v-ax上包络线：ax,max＝f1(v)；
根据下包络线斜率的正负，获取位于v-ax耦合形状下半区域的两个峰值点，基于两个所述峰值点的坐标，计算得到v-ax下包络线：ax,min＝f2(v)。
5.根据权利要求4所述的聚类方法，其特征在于，设定纵向加速度ax的匀速区间为-0.05m/s2～0.05m/s2，
若ax>0.05m/s2，则纵向加速度ax的类别为缓加速或急加速；
若ax<-0.05m/s2，则纵向加速度ax的类别为缓减速或急减速；
获取上包络线ax,max＝f1(v)上速度v对应的ax与0.05m/s2的差值
Figure FDA0004062781120000031
并将/>
Figure FDA0004062781120000032
乘以50％得到：/>
Figure FDA0004062781120000033
拟合速度v与/>
Figure FDA0004062781120000034
的依存关系，得到缓加速与急加速的阈值：
Figure FDA0004062781120000035
若
Figure FDA0004062781120000036
则纵向加速度ax的类别为缓加速；
若
Figure FDA0004062781120000037
则纵向加速度ax的类别为急加速；
获取下包络线ax,min＝f2(v)上速度v对应的ax与-0.05m/s2的差值
Figure FDA0004062781120000038
并将
Figure FDA0004062781120000039
乘以50％得到：/>
Figure FDA00040627811200000310
拟合速度v与/>
Figure FDA00040627811200000311
的依存关系，得到缓加速与急加速的阈值：/>
Figure FDA00040627811200000312
若
Figure FDA00040627811200000313
则纵向加速度ax的类别为缓减速；
若
Figure FDA00040627811200000314
则纵向加速度ax的类别为急减速。
6.根据权利要求1所述的聚类方法，其特征在于，基于轮胎摩擦圆的限制，以纵向加速度ax为自变量、侧向加速度ay为因变量，输出驾驶数据点的ax-ay散点图；
获取散点图上距离原点(0，0)最远的一个点(ax0，ay0)，以散点图的原点为圆心，以(ax0，ay0)与原点之间的距离为半径r，得到ax-ay耦合形状的拟合圆：ay 2＝r2-ax 2，将所述拟合圆设为ax-ay的包络线；
以散点图的原点为圆心，
Figure FDA00040627811200000315
为半径，得到表征侧向加速度阈值的拟合圆：
Figure FDA00040627811200000316
若ay 2≤ay,50％ 2，则所述侧向加速度ay的类别为低侧移；
若ay 2>ay,50％ 2，则所述侧向加速度ay的类别为高侧移。
7.根据权利要求1所述的聚类方法，其特征在于，获取纵向加速度的导数，基于导数得到纵向加加速度，将3.6m/s3和-3.6m/s3设为纵向加加速度阈值，设纵向加加速度为j，
若0m/s3≤j≤3.6m/s3，则纵向加加速度j的类别为缓加加速；
若j>3.6m/s3，则纵向加加速度j的类别为急加加速；
若-3.6m/s3≤j<0m/s3，则纵向加加速度j的类别为缓减加速；
若j<-3.6m/s3，则纵向加加速度j的类别为急减加速。
8.根据权利要求1所述的聚类方法，其特征在于，基于速度的类别、纵向加速度的类别、侧向加速度的类别和纵向加加速度的类别，对驾驶数据点进行离散化处理，得到离散数据组；
将通过离散数据组表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
9.一种基于LDA改进模型的驾驶事件聚类系统，其特征在于，包括：
驾驶事件获取模块，配置用于，获取若干驾驶事件，每个所述驾驶事件包括若干驾驶数据点，每个所述驾驶数据点包括速度、纵向加速度和侧向加速度；
纵向加加速度输出模块，配置用于，根据纵向加速度计算获得所述驾驶数据点的纵向加加速度；
速度类别划分模块，配置用于，根据预设的速度阈值，将速度划分为低速、中速和高速三种类别；
纵向加速度类别划分模块，配置用于，基于车辆纵向动力学，对驾驶数据点的速度和纵向加速度进行耦合分析，获取不同速度下纵向加速度的阈值，并根据阈值将纵向加速度划分为缓加速、急加速、匀速、缓减速与急减速五种类别；
侧向加速度类别划分模块，配置用于，基于轮胎摩擦圆的限制，对驾驶数据点的纵向加速度和侧向加速度进行耦合分析，获取不同纵向加速度下侧向加速度的阈值，并根据阈值将侧向加速度划分为低侧移和高侧移两种类别；
纵向加加速度类别划分模块，配置用于，根据预设的纵向加加速度阈值，将纵向加加速度划分为缓加加速、急加加速、缓减加速和急减加速四种类别；
驾驶数据点离散模块，配置用于，基于速度的类别、纵向加速度的类别、侧向加速度的类别和纵向加加速度的类别，对驾驶事件的驾驶数据点进行离散化处理，得到离散数据组；
聚类模块，配置用于，将通过离散数据组表征的驾驶事件输入至LDA模型中，为LDA模型设定聚类数，对驾驶事件进行聚类。
10.根据权利要求9所述的聚类系统，其特征在于，所述驾驶数据点离散模块包括：
离散数据组编辑单元，配置用于，获取离散数据组及其数量，为离散数据组进行编号，将通过离散数据组的编号表征的驾驶事件输入至LDA模型中。
CN202310068157.7A 2023-02-06 2023-02-06 一种基于lda改进模型的驾驶事件聚类方法及系统 Pending CN116415164A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310068157.7A CN116415164A (zh) 2023-02-06 2023-02-06 一种基于lda改进模型的驾驶事件聚类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310068157.7A CN116415164A (zh) 2023-02-06 2023-02-06 一种基于lda改进模型的驾驶事件聚类方法及系统

Publications (1)

Publication Number Publication Date
CN116415164A true CN116415164A (zh) 2023-07-11

Family

ID=87057224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310068157.7A Pending CN116415164A (zh) 2023-02-06 2023-02-06 一种基于lda改进模型的驾驶事件聚类方法及系统

Country Status (1)

Country Link
CN (1) CN116415164A (zh)

Similar Documents

Publication Publication Date Title
Wang et al. A forward collision warning algorithm with adaptation to driver behaviors
CN111267863B (zh) 驾驶员驾驶类型识别方法、装置、存储介质及终端设备
CN111038485A (zh) 基于驾驶风格识别的混合动力汽车控制方法及系统
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
CN111126438B (zh) 一种驾驶行为识别方法及系统
CN107274668A (zh) 一种基于车辆检测的道路拥堵建模方法
CN108407814A (zh) 一种驾驶员特性辨识方法
CN112466118A (zh) 车辆驾驶行为识别方法、系统、电子设备及存储介质
CN111340074B (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN114492043B (zh) 考虑感知受限特性的个性化驾驶员跟车建模方法
KR102552169B1 (ko) 차량 운행 패턴 결정 방법
CN116415164A (zh) 一种基于lda改进模型的驾驶事件聚类方法及系统
CN110705628B (zh) 一种基于隐马尔可夫模型检测驾驶员风险等级的方法
CN111626537A (zh) 评价装置
Pang Trajectory Data Based Clustering and Feature Analysis of Vehicle Lane-Changing Behavior
CN109249932B (zh) 一种车辆加速模型标定方法及加速意图识别方法及其装置
Li et al. Modeling and verification of heavy-duty truck drivers’ car-following characteristics
CN116108972A (zh) 一种自动驾驶接管绩效预测方法及系统
Wang et al. A data-driven estimation of driving style using deep clustering
Tricot et al. Driving styles and traffic density diagnosis in simulated driving conditions
CN113345223A (zh) 基于跟驰模型标定的跟驰行为异质性分析方法
CN114564110B (zh) 基于脑电数据的驾驶学习能力检测方法及系统
CN111739340B (zh) 评价装置
Wang et al. An unsupervised driving behavior pattern recognition algorithm based on clustering and LDA model
Zardosht Identifying individual driver behaviour using in-vehicle can-bus signals of pre-turning maneuvers

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