CN116662856A - 基于模糊逻辑的实时驾驶风格分类及预警方法 - Google Patents

Abstract

本发明涉及一种基于模糊逻辑的实时驾驶风格分类及预警方法，属于智能交通驾驶行为分析技术领域，包括以下步骤：数据采集模块获取实时驾驶数据，车载OBU模块与路侧RSU模块建立V2X通信，将驾驶数据传输到路端边缘计算单元MEC中进行数据预处理，提取得到有效驾驶特征数据作为驾驶风格分类模块的输入，输出为驾驶风格，最终由V2X通信回传消息，车端的可视化界面输出预警信息；本发明可应用于实时驾驶风格分类和预警系统，旨在培养驾驶员良好驾驶习惯，并降低交通事故发生率。

Description

基于模糊逻辑的实时驾驶风格分类及预警方法

技术领域

本发明属于智能交通驾驶行为分析技术领域，涉及一种基于模糊逻辑的实时驾驶风格分类及预警方法。

背景技术

目前，在汽车智能化发展过程中，智能网联汽车通过装备多种先进传感器来实时感知外界信息，车联网通信技术(Vehicle-to-Everything,V2X)和周围车辆的车载单元(OnBoard Unit,OBU)和路侧系统(Road side Unit,RSU)进行交互，使得辅助系统能够做出智能化决策，与驾驶员协同控制汽车，进而实现“高效、安全、舒适、节能”行驶的新一代汽车。

在智能交通系统中，V2X通信技术使车辆能够与周围的各种实体进行通信，它促进了车辆(V2V)、车辆与基础设施(V2I)、车辆与行人(V2P)以及车辆与其他设备或网络(V2N)之间的通信。该技术旨在提高道路安全、交通效率和整体驾驶体验。V2V通信允许车辆与附近的车辆交换信息，共享速度、位置、加速度和其他相关细节等数据。这使车辆能够预测潜在的碰撞，警告驾驶员注意危险的路况，并协调机动以实现更顺畅的交通流量；V2I通信涉及车辆与基础设施组件(例如交通信号、路边单元和智能道路基础设施)之间的信息交换。通过共享交通状况、信号时间和道路危险等数据，使车辆能够做出明智的决策、优化路线选择并加强交通管理；V2P通信使车辆能够与行人和其他弱势道路使用者互动，并向驾驶员发出警告或提醒，以防止发生事故。同样，配备兼容设备的行人可以收到有关接近车辆的警报，从而提高他们的安全性和意识；V2N通信涉及车辆与外部网络或设备之间的连接，这种连通性允许车辆访问实时信息，包括天气更新、交通数据或导航辅助。总体而言，V2X技术旨在创建一个互连的生态系统，车辆可以在其中与交通系统的各种元素进行通信，从而提高道路的安全性、效率和便利性。

OBU是智能交通系统和收费系统中常用的设备，它安装在车辆上，负责收费、车辆跟踪、与路边基础设施通信等多种功能。OBU通常由GPS接收器、无线通信功能(例如蜂窝或专用短程通信)和微控制器或处理器组成，以执行必要的计算并与其他系统通信，除了之外，OBU还可以用于智能交通系统中的各种应用，提供实时交通信息，实现车辆检测和数据记录功能的传感器，并支持V2I或V2V通信，以提高道路安全性和效率。因此，在现代交通系统中发挥着至关重要的作用。

RSU是安装在路边的智能交通系统中提供各种服务和功能的设备或单元，它通常配备传感器、通信能力和计算能力，以收集和处理与交通监控、车辆检测、环境条件等相关的数据。RSU在实现车辆与周围基础设施之间的通信和信息交换方面发挥着至关重要的作用，有助于互联和自动驾驶汽车、智慧城市和高效交通系统的发展。

分析驾驶行为可以识别危险或不安全的驾驶行为，随着交通安全意识的提升，驾驶行为分析在道路安全领域得到了广泛关注，通过了解个人的驾驶风格，可以检测攻击性驾驶、超速、突然制动或其他危险操作，这些信息可用于制定有针对性的干预措施，例如驾驶员培训计划，以促进更安全的驾驶实践并降低事故风险。通过了解驾驶风格，高级驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)可以调整其功能以提供更好的辅助和安全功能，如自适应巡航控制系统可以根据驾驶风格调整跟车距离和制动响应，这可以增强整体驾驶体验，提高道路安全，并支持驾驶员养成更高效、更负责任的驾驶习惯。并且驾驶风格的知识可用于使车辆适应驾驶员偏好或预测行为采取安全措施，因此，对驾驶风格进行分类及预警，对提高道路安全和降低交通事故具有重要意义。

在实时驾驶风格分类过程中，实时数据能通过车载传感器、车载诊断系统(On-Board Diagnostics,OBD2)和OBU等车载设备之间的通讯获取，OBD2是一种用于车辆的标准化系统，用于监控和报告车辆性能和健康状况的各个方面通过有线接口，提供实时数据，包括有关车辆发动机转速、冷却液温度、氧传感器读数和其他参数的实时信息。

为了提高道路安全和降低交通事故，考虑驾驶风格分类算法的实时性就显得格外重要，所以在保证分类算法实时性的同时提高分类精确度，使用基于模糊逻辑的实时驾驶风格分类方法。

分类算法中模糊逻辑(Fuzzy Logic,FL)非常适合驾驶风格识别，因为分类决策过程中的不确定性有多种来源，比如传感器噪声、定义变量的主观性、随机变量和系统动力学的随机性。模糊逻辑系统通过使用模糊集来处理这些不确定性中的大部分，模糊集可以用语言术语表示，其与使用清晰值(0或1)进行运算的传统二进制逻辑不同，类别之间没有明确的界限，不确定性程度在[0,1]范围内的隶属度，由每个模糊集的隶属函数定义。每个数据点都被赋予一个隶属度值，表明其属于特定类或类别的程度，该隶属度值是根据一组模糊规则确定的，常以“if-then”语句的形式表达规则，其定义了输入变量和类标签之间的关系。分类过程涉及模糊化输入数据，这意味着为每个输入变量分配隶属度值，然后应用模糊规则来确定每个类别的隶属度，选择具有最高隶属度值的类作为该数据点的预测类。因此，有两种类型的模糊集，其隶属函数具有清晰输出的第一类模糊集，以及第二类模糊集，其隶属函数输出的是第一类模糊集。

模糊系统中，标准的一型模糊系统在处理不确定性和主观性方面存在缺陷，因为一型模糊集有输出清晰值的隶属函数。使用二型模糊集克服了这些弱点，因为隶属函数也是模糊的。一般二型模糊集是三维空间中的集合，其中x为论域X中的元素，u为x的主隶属度，z∈[0,1]为x的次隶属度，对于区间二型模糊集，z恒定为1，它对基于规则的推理系统固有的不确定性和主观性更具鲁棒性。模糊系统的主要组成部分之一是规则库，通常由人类专家创建，它存储系统关于所解决问题的知识，或是基于某些人为预先定义的驾驶行为模式进行分类，并且对于不同的交通条件而言，判断不同风格的规则十分不同。

总而言之，上述现有工作用模糊系统实时识别驾驶风格，能够使用模糊集和模糊系统处理不确定性和主观性，并使用规则库表示专家的知识，在满足实时的条件下，分类结果更精确。

发明内容

有鉴于此，本发明的目的在于提供一种基于模糊逻辑的实时驾驶风格分类及预警方法，以实现对驾驶员驾驶风格的实时监测和预警，分类方法有效性高，适用性强。

为达到上述目的，本发明提供如下技术方案：

一种基于模糊逻辑的实时驾驶风格分类及预警方法，包括以下步骤：

S1：车载传感器、车载诊断系统OBD2和车载单元OBU通过车载以太网实时收集车辆行驶过程中的驾驶数据，所述车载OBU终端与路侧RSU信号覆盖范围内的RSU建立V2X通信连接，将驾驶数据传输到路端边缘计算单元MEC中进行数据处理；

S2：利用数据处理模块，边缘计算单元MEC对驾驶数据进行预处理，包括数据过滤和特征提取，得到有效驾驶特征数据；

S3：采用基于模糊逻辑的算法对有效驾驶特征数据进行处理，对实时驾驶风格进行分类，在一个时间窗口内输入车辆运动横纵向运动学参数的统计特征，输出驾驶风格类别，包括缓慢型、稳定型和激进型；

S4：根据驾驶风格分类结果，通过风险预警模块，对缓慢型和激进型驾驶风格进行预警，提醒驾驶员及时调整驾驶行为；

S5：RSU模块通过V2X通信技术将信息回传到车载OBU，通过可视化输出模块，将预警信息输出至车端驾驶员可视化界面。

进一步，步骤S3具体包括以下步骤：

S31：输入特征的模糊表示，通过以下四个输入特征代表车辆运动的纵向和横向运动学参数：

第一个是平均速度，车辆速度在一个时间窗口内的平均值，由五个二类模糊子集使用梯形隶属函数离散化，具有梯形隶属函数的区间二型模糊集对系统的输入特征和输出进行建模；

第二个和第三个分别是正加速度和负加速度的平均值，激进型驾驶员的平均加速度和减速度大于稳定型驾驶员，稳定型驾驶员的平均加速度和减速度大于缓慢型驾驶员，这些特征具有相同的离散化，具有三个模糊子集；

第四个是横向冲击度，它表征驾驶员如何改变其横向加速度，该条目具有三个模糊子集离散化；

每个模糊子集的所有值均通过数据的层次离散化联合分析、数据的描述性统计分析；

模糊化是第一个块将清晰值的输入向量映射到二型模糊集，代表模糊输入输出处理模块的输入，如下：

a＝{a₁,a₂,...a_n},a₁∈A1,...,a_n∈A_n

二型模糊集记为其中U是论域，是一个模糊集合，其隶属函数为二型隶属函数/>，如下所示：

其中，J_x称为x的主隶属度，/>是次集，属于一类模糊集；

S32：所述步骤S31中得到输入特征的模糊表示，将输入数据转换为模糊集后，使用规则库存储模糊系统的知识，由专家系统通过逻辑命题“IF-THEN”定义，任何规则都包括两个部分：IF部分和ELSE部分；IF部分是前项，THEN部分是后项，前提之间使用关键词AND、OR或者两者混合使用，如下：

其中，是模糊系统的输出，属于可能的集合输出Y，称为结果；

S33：决策过程由基于模糊逻辑构建的模糊推理机执行，推理算法通过模糊逻辑推理，使用存储在规则库中的规则，将输入x映射为输出，这种映射被认为是输入空间A₁×...×A_n到输出/>的非线性划分；

S34：通过类型降阶器将模糊推理的输出转换为一型模糊集；

S35：模糊系统的输出是模糊集“驾驶风格”，具有三个具有梯形隶属函数的子集：缓慢型以低运动学特征为特征；稳定型具有中等运动学特征；激进型具有攻击性，具有高运动学特征；类型降阶器的输出用作二型模糊系统的最终结果，通过去模糊化方法获得清晰的值作为输出。

进一步，基于规则的专家系统包含五部分：知识库，数据库，推理引擎，解释工具和用户界面；知识库包含解决问题相关的领域知识；在基于规则的专家系统中，知识用一组规则来表达，其具有IF-THEN结构，当规则的条件被满足时，触发规则，继而执行行为；数据库包含一组事实，用于匹配知识库中的IF；推理引擎执行推理，专家系统由此找到解决方案；推理引擎链接知识库中的规则和数据库中的事实；用户使用解释设备查看专家系统怎样得出解决方案的过程；用户界面是实现用户和专家系统之间交流的途径。

进一步，区间二型模糊集：设为论域U中的二型模糊集，/>为其二型隶属函数，区间二型模糊集当且仅当：

二型隶属函数可以由一型下级隶属函数和一型上级隶属函数表示，如下所示：

区间二型模糊集中包括上隶属度函数(Upper membership function,UMF)和下隶属度函数(Lower membership function,LMF)，UMF论域上任意一点及其对应的隶属度区间的上界所构成的一个一型模糊集，LMF论域上任意一点及其对应的隶属度区间下界所构成的一个一型模糊集，下隶属度函数是非正规的(Non-normal)，即其最大的隶属度不为1；所有上隶属度函数和下隶属度函数之间的区域构成不确定覆盖域为不确定覆盖区域(Footprint of uncertainly,FOU)；通过引入多值映射来定义主隶属度L_x＝[a_x,b_x],x∈X；对应的上下隶属函数及不确定覆盖域分别表示为：

UMF＝{(x,b_x),x∈X}

LMF＝{(x,a_x),x∈X}

区间二型梯形集，记为，用上下隶属函数表示，为/>，其中A_U和A_L分别为上下隶属函数，并且可以参数化如下：

其中

当且/>时，则/>且/>上下隶属函数之间的面积称为不确定性足迹(Footprint Of Uncertainty，FOU)，表示二型模糊集的不确定性，面积越小不确定性越小。

进一步，在模糊逻辑的驾驶风格分类方法中，模糊系统是一种基于规则的技术，它将输入数据转换为模糊集，并使用以逻辑介词表示的专家知识来做出决策，决策过程由基于模糊逻辑构建的模糊推理机执行，模糊系统由五个部分组成：模糊化、规则库、推理算法、类型降阶器和去模糊化；

模糊器是第一个块将清晰值的输入向量映射到二型模糊集，代表模糊输入输出处理模块的输入，如下：

a＝{a₁,a₂,...a_n},a₁∈A₁,...,a_n∈A_n

规则库存储模糊系统的知识，由专家通过逻辑命题“IF-THEN”定义；

推理算法通过模糊逻辑推理，使用存储在规则库中的规则，将输入x映射为输出这种映射被认为是输入空间A₁×...×A_n到输出/>的非线性划分；

对于给定输入x′＝(x′₁,x′₂,…,x′_I)，区间二型模糊系统推理过程为：

x′_i在每个上的隶属区间，如公式所示：

计算第n条规则的激活度区间，Fⁿ(x')：

类型降阶器将模糊推理的输出转换为一型模糊集，具体通过Center-of-sets降阶器计算如下：

L和R被称为转换点，满足如下不等式：

y^L≤y_l≤y^L+1

其中，{yⁿ}和按升序排列；

模糊系统的输出，是模糊集“驾驶风格”，具有三个具有梯形隶属函数的子集：缓慢型以低运动学特征为特征；稳定型具有中等运动学特征；激进型具有攻击性，具有高运动学特征；

类型降阶器的输出用作二型模糊系统的最终结果，也通过去模糊化方法获得清晰的值作为输出；

去模糊化之后的输出计算为：

输出是驾驶风格类别，即缓慢型、稳定型和激进型。

进一步，所述驾驶数据包括车辆速度、车辆加速度、车辆减速度、横向车辆冲击度。

本发明的有益效果在于：本发明采用了模糊逻辑技术，它能够更好地应对现实驾驶环境中的不确定性和模糊性，通过对驾驶行为和相关参数的模糊建模，更准确地对驾驶风格进行分类和评估，与传统的二元分类系统相比，更全面地理解和表示不同驾驶风格之间的过渡和模糊边界，从而提供更准确的分类结果；采用V2X高速通信OBU和RSU，满足现实驾驶场景中实时性要求，能够快速获取和处理驾驶行为数据，并实时进行风格分类，这使得驾驶员可以及时了解自己的驾驶风格，并在需要时通过车辆可视化界面进行预警，这种即时预警能够帮助驾驶员意识到潜在的风险，并及时采取纠正措施，从而大大降低事故的发生概率。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1是本发明具体实施时所述系统结构图；

图2是本发明具体实施时基于模糊逻辑的驾驶风格分类流程图；

图3是本发明具体实施时驾驶风格风险预警模块图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提供一种基于模糊逻辑的实时驾驶风格分类及预警系统，以实现对驾驶员驾驶风格的实时监测和预警，分类方法有效性高，适用性强。系统结构图如图1所示，由车端、路端部分组成，系统包括数据采集模块、OBU通信模块、RSU通信模块、数据预处理模块、驾驶风格分类模块、风险预警模块和可视化界面输出模块，本方法具体步骤为：

通过数据采集模块，车载设备如传感器、车载诊断系统OBD2和车载单元OBU等，通过车载以太网方式通讯，实时收集车辆行驶过程中的驾驶数据,，车载OBU模块与路侧RSU模块建立V2X通信，将驾驶数据传输到路端边缘计算单元MEC中进行数据预处理，提取得到有效驾驶特征数据作为驾驶风格分类模块的输入，输出为驾驶风格，最终由V2X通信回传消息，车端的可视化界面输出预警信息。

采用基于模糊逻辑的算法对实时驾驶风格进行分类，在一个时间窗口内(大小为几秒适合检测瞬时驾驶风格，每次检测的有效期都会延长几秒钟)输入了车辆运动横纵向运动学参数的统计特征(平均值和标准差)，输出是驾驶风格类别，即缓慢型、稳定型和激进型；

在这种情况下，研究车辆行为获取车辆横纵向特征，车辆运动的纵向(速度、加速度和减速度)和横向(横向冲击度)运动学参数的统计特征(平均值和标准差)作为输入特征，在横向上提取转弯行为，在纵向上提取速度变化行为，纵向和横向特征的组合允许检测许多表征特定驾驶风格的车辆运动模式；

本发明方法的驾驶风格分类流程图如图2所示，具体步骤为：

输入特征的模糊化表示，驾驶数据的横向和纵向特征组合成四个二型模糊集，具有梯形隶属函数的区间二型模糊集对系统的输入特征和输出进行建模；第一个是平均速度，车辆速度在一个时间窗口内的平均值，该度量由五个二型模糊子集使用梯形隶属函数离散化，具有梯形隶属函数的区间二型模糊集对系统的输入特征和输出进行建模，激进的驾驶员通常具有高速特征，因此这种纵向特征与区分驾驶风格有关；

第二个和第三个输入特征是正加速度和负加速度的平均值，激进型驾驶员的平均加速度和减速度大于适度驾驶员，而后者又大于缓慢型驾驶员，这些具特征有相同的离散化，具有三个模糊子集；

第四个横向冲击度，它表征了驾驶员如何改变其横向加速度，该条目具有三个模糊子集离散化；

每个模糊子集的所有值都是通过数据的层次离散化联合分析、数据的描述性统计分析(即分位数、最小值、最大值、平均值和标准差)；

模糊化是第一个块将清晰值的输入向量映射到二型模糊集，代表模糊输入输出处理模块的输入，如下：

a＝{a₁,a₂,...a_n},a₁∈A₁,...,a_n∈A_n

二型模糊集记为其中U是论域，是一个模糊集合，其隶属函数为二型隶属函数/>如下所示：

其中，J_x称为x的主隶属度，/>是次集，属于一类模糊集；

区间二型模糊集，设为论域U中的二型模糊集，/>为其二型隶属函数。那么区间二型模糊集当且仅当：

二型隶属函数可以由一型下级隶属函数和一型上级隶属函数表示，如下所示：

区间二型模糊集中比较重要的概念有上隶属度函数(Upper membershipfunction,UMF)和下隶属度函数(Lower membership function,LMF)，UMF论域上任意一点及其对应的隶属度区间的上界所构成的一个一型模糊集，LMF论域上任意一点及其对应的隶属度区间下界所构成的一个一型模糊集，下隶属度函数可以是非正规的(Non-normal)，即其最大的隶属度不为1。所有上隶属度函数和下隶属度函数之间的区域构成不确定覆盖域为不确定覆盖区域(Footprint of uncertainly,FOU)。通过引入多值映射来定义主隶属度L_x＝[a_x,b_x],x∈X。对应的上下隶属函数及不确定覆盖域可以分别表示为：

UMF＝{(x,b_x),x∈X}

LMF＝{(x,a_x),x∈X}

区间二型梯形集，记为，可以用上下隶属函数表示，为/>，其中A_U和A_L分别为上下隶属函数,并且可以参数化如下：

其中

当且/>时，则/>且/>上下隶属函数之间的面积称为不确定性足迹(Footprint Of Uncertainty，FOU)，表示二型模糊集的不确定性，面积越小不确定性越小；

在模糊逻辑的驾驶风格分类方法中，模糊系统是一种基于规则的技术，它将输入数据转换为模糊集，并使用以逻辑介词表示的专家知识来做出决策，决策过程由基于模糊逻辑构建的模糊推理机执行，一般来说，模糊系统由五个部分组成：

模糊化、规则库、推理算法(输入输出处理)、类型降阶器和去模糊化；

模糊器是第一个块将清晰值的输入向量映射到二型模糊集，代表模糊输入输出处理模块的输入，如下：

a＝{a₁,a₂,...a_n},a₁∈A₁,...,a_n∈A_n

规则库存储模糊系统的知识，通常由专家通过逻辑命题“IF-THEN”定义，例如：

If(a₁ is)and..and(/>is/>),then/>is/>

其中，是模糊系统的输出，属于可能的集合输出Y，称为结果；

推理算法(输入输出处理)通过模糊逻辑推理，使用存储在规则库中的规则，将输入x映射为输出这种映射被认为是输入空间A₁×...×A_n到输出/>的非线性划分；

对于给定输入x′＝(x′₁,x′₂,…,x′_I)，区间二型模糊系统推理过程为：

x′_i在每个上的隶属区间，如公式所示：

计算第n条规则的激活度区间，Fⁿ(x')：

类型降阶器将模糊推理的输出(二型模糊集)转换为一型模糊集，有很多方法可以将模糊集从二型转换为一型，进行降阶来融合Fⁿ(x')和对应的规则后件。最常见的Center-of-sets降阶器计算如下：

L和R被称为转换点，满足如下不等式:

y^L≤y_l≤y^L+1

其中，{yⁿ}和按升序排列；

模糊系统的输出，是模糊集“驾驶风格”，具有三个具有梯形隶属函数的子集：缓慢型以低运动学特征为特征，因为驾驶员采用更保守和谨慎的驾驶风格；稳定型具有中等运动学特征；激进型具有攻击性，具有高运动学特征，例如高速、加速度和横向冲击的变化；

类型降阶器的输出可以用作二型模糊系统的最终结果，但也可以通过去模糊化方法获得清晰的值作为输出；

去模糊化之后的输出计算为：

输出是驾驶风格类别，即缓慢型、稳定型和激进型。

本发明方法的风险预警模块图如图3所示，根据驾驶风格分类结果，通过风险预警模块，对缓慢型和激进型驾驶风格进行预警，提醒驾驶员及时调整驾驶行为；RSU模块通过V2X通信技术将信息回传到车载OBU，通过可视化输出模块，将预警信息输出至车端驾驶员可视化界面，如车载显示屏或智能手机应用程序等，使得驾驶员能够清晰地看到预警信息，以便更好地理解并调整驾驶状态。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于模糊逻辑的实时驾驶风格分类及预警方法，其特征在于：包括以下步骤：

S1：车载传感器、车载诊断系统OBD2和车载单元OBU通过车载以太网实时收集车辆行驶过程中的驾驶数据，所述车载OBU终端与路侧RSU信号覆盖范围内的RSU建立V2X通信连接，将驾驶数据传输到路端边缘计算单元MEC中进行数据处理；

S2：利用数据处理模块，边缘计算单元MEC对驾驶数据进行预处理，包括数据过滤和特征提取，得到有效驾驶特征数据；

S3：采用基于模糊逻辑的算法对有效驾驶特征数据进行处理，对实时驾驶风格进行分类，在一个时间窗口内输入车辆运动横纵向运动学参数的统计特征，输出驾驶风格类别，包括缓慢型、稳定型和激进型；

S4：根据驾驶风格分类结果，通过风险预警模块，对缓慢型和激进型驾驶风格进行预警，提醒驾驶员及时调整驾驶行为；

S5：RSU模块通过V2X通信技术将信息回传到车载OBU，通过可视化输出模块，将预警信息输出至车端驾驶员可视化界面。

2.根据权利要求1所述的基于模糊逻辑的实时驾驶风格分类及预警方法，其特征在于：步骤S3具体包括以下步骤：

S31：输入特征的模糊表示，通过以下四个输入特征代表车辆运动的纵向和横向运动学参数：

第一个是平均速度，车辆速度在一个时间窗口内的平均值，由五个二类模糊子集使用梯形隶属函数离散化，具有梯形隶属函数的区间二型模糊集对系统的输入特征和输出进行建模；

第二个和第三个分别是正加速度和负加速度的平均值，激进型驾驶员的平均加速度和减速度大于稳定型驾驶员，稳定型驾驶员的平均加速度和减速度大于缓慢型驾驶员，这些特征具有相同的离散化，具有三个模糊子集；

第四个是横向冲击度，它表征驾驶员如何改变其横向加速度，该条目具有三个模糊子集离散化；

每个模糊子集的所有值均通过数据的层次离散化联合分析、数据的描述性统计分析；

模糊化是第一个块将清晰值的输入向量映射到二型模糊集，代表模糊输入输出处理模块的输入，如下：

a＝{a₁,a₂,...a_n},a₁∈A₁,...,a_n∈A_n

二型模糊集记为其中U是论域，是一个模糊集合，其隶属函数为二型隶属函数如下所示：

其中，J_x称为x的主隶属度，/>是次集，属于一类模糊集；

S32：所述步骤S31中得到输入特征的模糊表示，将输入数据转换为模糊集后，使用规则库存储模糊系统的知识，由专家系统通过逻辑命题“IF-THEN”定义，任何规则都包括两个部分：IF部分和ELSE部分；IF部分是前项，THEN部分是后项，前提之间使用关键词AND、OR或者两者混合使用，如下：

其中，是模糊系统的输出，属于可能的集合输出Y，称为结果；

S33：决策过程由基于模糊逻辑构建的模糊推理机执行，推理算法通过模糊逻辑推理，使用存储在规则库中的规则，将输入x映射为输出这种映射被认为是输入空间A₁×…×A_n到输出/>的非线性划分；

S34：通过类型降阶器将模糊推理的输出转换为一型模糊集；

S35：模糊系统的输出是模糊集“驾驶风格”，具有三个具有梯形隶属函数的子集：缓慢型以低运动学特征为特征；稳定型具有中等运动学特征；激进型具有攻击性，具有高运动学特征；类型降阶器的输出用作二型模糊系统的最终结果，通过去模糊化方法获得清晰的值作为输出。

3.根据权利要求1所述的基于模糊逻辑的实时驾驶风格分类及预警方法，其特征在于：基于规则的专家系统包含五部分：知识库，数据库，推理引擎，解释工具和用户界面；知识库包含解决问题相关的领域知识；在基于规则的专家系统中，知识用一组规则来表达，其具有IF-THEN结构，当规则的条件被满足时，触发规则，继而执行行为；数据库包含一组事实，用于匹配知识库中的IF；推理引擎执行推理，专家系统由此找到解决方案；推理引擎链接知识库中的规则和数据库中的事实；用户使用解释设备查看专家系统怎样得出解决方案的过程；用户界面是实现用户和专家系统之间交流的途径。

4.根据权利要求1所述的基于模糊逻辑的实时驾驶风格分类及预警方法，其特征在于：区间二型模糊集：设为论域U中的二型模糊集，/>为其二型隶属函数，区间二型模糊集当且仅当：

二型隶属函数由一型下级隶属函数和一型上级隶属函数表示，如下所示：

区间二型模糊集中包括上隶属度函数UMF和下隶属度函数LMF，UMF论域上任意一点及其对应的隶属度区间的上界所构成的一个一型模糊集，LMF论域上任意一点及其对应的隶属度区间下界所构成的一个一型模糊集，下隶属度函数是非正规的，即其最大的隶属度不为1；所有上隶属度函数和下隶属度函数之间的区域构成不确定覆盖域为不确定覆盖区域FOU；通过引入多值映射来定义主隶属度L_x＝[a_x,b_x],x∈X；对应的上下隶属函数及不确定覆盖域分别表示为：

UMF＝{(x,b_x),x∈X}

LMF＝{(x,a_x),x∈X}

区间二型梯形集，记为用上下隶属函数表示，为/>其中A_U和A_L分别为上下隶属函数，并且可以参数化如下：

其中

当且/>时，则/>且/>上下隶属函数之间的面积称为不确定性足迹(Footprint Of Uncertainty，FOU)，表示二型模糊集的不确定性，面积越小不确定性越小。

5.根据权利要求1所述的基于模糊逻辑的实时驾驶风格分类及预警方法，其特征在于：在模糊逻辑的驾驶风格分类方法中，模糊系统是一种基于规则的技术，它将输入数据转换为模糊集，并使用以逻辑介词表示的专家知识来做出决策，决策过程由基于模糊逻辑构建的模糊推理机执行，模糊系统由五个部分组成：模糊化、规则库、推理算法、类型降阶器和去模糊化；

模糊器是第一个块将清晰值的输入向量映射到二型模糊集，代表模糊输入输出处理模块的输入，如下：

a＝{a₁,a₂,...a_n},a₁∈A₁,,a_n∈A_n

规则库存储模糊系统的知识，由专家通过逻辑命题“IF-THEN”定义；

推理算法通过模糊逻辑推理，使用存储在规则库中的规则，将输入x映射为输出这种映射被认为是输入空间A₁×...×A_n到输出/>的非线性划分；

对于给定输入x′＝(x′₁,x′₂,…,x′_I)，区间二型模糊系统推理过程为：

x′_i在每个上的隶属区间，如公式所示：

计算第n条规则的激活度区间，Fⁿ(x')：

类型降阶器将模糊推理的输出转换为一型模糊集，具体通过Center-of-sets降阶器计算如下：

L和R被称为转换点，满足如下不等式：

y^L≤y_l≤y^L+1

其中，{yⁿ}和按升序排列；

模糊系统的输出，是模糊集“驾驶风格”，具有三个具有梯形隶属函数的子集：缓慢型以低运动学特征为特征；稳定型具有中等运动学特征；激进型具有攻击性，具有高运动学特征；

类型降阶器的输出用作二型模糊系统的最终结果，也通过去模糊化方法获得清晰的值作为输出；

去模糊化之后的输出计算为：

输出是驾驶风格类别，即缓慢型、稳定型和激进型。

6.根据权利要求1所述的基于模糊逻辑的实时驾驶风格分类及预警方法，其特征在于：所述驾驶数据包括车辆速度、车辆加速度、车辆减速度、横向车辆冲击度。