CN117184103B - 一种驾驶风格识别方法、系统及设备 - Google Patents

Abstract

本发明公开一种驾驶风格识别方法、系统及设备，涉及车辆辅助驾驶控制领域。本发明通过采集不同风格驾驶员在多种驾驶场景下的驾驶数据，并提取每个驾驶片段内驾驶数据的低维驾驶特征，使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则，降低了人工设计驾驶风格识别规则的成本和主观性，提高了驾驶风格识别规则在不同场景下的适应性。进一步地，本发明根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则，使用专家知识对基于机器学习的驾驶风格识别规则进行补充修正，避免了机器学习算法识别结果在部分场景下与驾驶员主观感受不一致的情况，提高了驾驶风格识别的准确率和实用性。

Description

一种驾驶风格识别方法、系统及设备

技术领域

本发明涉及车辆辅助驾驶控制技术领域，特别是涉及一种驾驶风格识别方法、系统及设备。

背景技术

不同驾驶员的驾驶风格不同，对汽车具有因人而异的个性化需求，因此需要识别驾驶员的驾驶风格，根据驾驶员的驾驶风格和车辆状态调整控制参数，使得车辆控制特性满足驾驶员的个性化需求。目前驾驶风格识别方法主要可以分为两类：基于规则的和基于机器学习的驾驶风格识别方法。然而，基于规则的驾驶风格识别方法依赖专家知识经验，人工开发成本高，且具有较强的主观性，专家知识难以覆盖所有驾驶行为，识别准确率较低。基于机器学习的驾驶风格识别方法，一旦模型训练完成，风格识别逻辑就已确定，难以融入已知的先验信息，如专家知识、驾驶常识等，导致训练好的驾驶风格识别模型在现实世界的泛化能力差，部分场景下驾驶风格识别结果与主观感受不一致，实用性不强。

发明内容

针对上述背景技术中提出的问题，本发明提供一种驾驶风格识别方法、系统及设备，以提高驾驶风格识别的准确率和实用性。

为实现上述目的，本发明提供了如下方案。

一方面，本发明提供一种驾驶风格识别方法，包括：采集不同风格驾驶员在多种驾驶场景下的驾驶数据；所述驾驶数据包括车辆状态数据和操纵数据；所述车辆状态数据包括车辆的速度、纵向加速度和横向加速度；所述操纵数据包括油门踏板开度和方向盘转角；按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征；使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征；使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则；根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则；融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则；采集当前驾驶员在车辆行驶时的实时驾驶数据，并基于融合专家知识和机器学习的驾驶风格识别规则识别出当前驾驶员的驾驶风格。

可选地，所述按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征，具体包括：按照时间长度为秒，滑动步长为/>秒的时间窗口对驾驶数据进行分段，计算每个驾驶片段最后/>秒的平均速度/>、平均纵向加速度/>和平均横向加速度/>作为每个驾驶片段的数据特征；计算第/>个驾驶片段内/>秒驾驶数据的/>维统计特征/>；/>；N为驾驶片段总数；/>表示维度为的实数空间；所述/>维统计特征包括平均值、标准差、最大值、偏度和峰度。

可选地，所述使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征，具体包括：使用主成分分析法对第个驾驶片段的统计特征/>进行降维，选取前/>个主成分作为驾驶特征，则第/>个驾驶片段的降维后的驾驶特征为；其中，/>为第/>个驾驶片段的降维后的驾驶特征；为第/>个驾驶特征的第/>维主成分，/>；/>表示矩阵转置；/>表示/>维实数空间。

可选地，所述使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则，具体包括：使用K均值聚类分析，将多个驾驶特征聚类成三种驾驶风格类型，所述三种驾驶风格类型包括温和型、正常型和激进型，聚类中心分别为；其中/>为驾驶风格类型，/>代表温和型驾驶风格，/>代表正常型驾驶风格，/>代表激进型驾驶风格；/>为第/>种驾驶风格的聚类中心；/>为第/>种驾驶风格的聚类中心的第/>维主成分；基于第/>个驾驶片段的驾驶特征/>到各个聚类中心/>的加权距离/>，设计出基于聚类中心的驾驶风格识别规则/>。

可选地，所述根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则，具体包括：根据每个驾驶片段的数据特征，设计出激进风格识别规则为；其中，/>为缩放系数；/>为重力加速度；/>为潮湿路面条件下的轮胎附着系数；根据每个驾驶片段的数据特征，设计出温和风格识别规则为；其中/>为车速阈值；/>为纵向加速度阈值；/>为横向加速度阈值；/>表示逻辑与。

可选地，所述融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则，具体包括：融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则如下：首先判断所述温和风格识别规则是否为真，若为真输出，确定驾驶风格为温和型；若不为真则继续判断是否满足所述激进风格识别规则，若满足输出/>，确定驾驶风格为激进型；若不满足则根据所述基于聚类中心的驾驶风格识别规则计算/>值，输出驾驶风格/>。

另一方面，本发明还提供一种驾驶风格识别系统，包括：驾驶数据采集模块，用于采集不同风格驾驶员在多种驾驶场景下的驾驶数据；所述驾驶数据包括车辆状态数据和操纵数据；所述车辆状态数据包括车辆的速度、纵向加速度和横向加速度；所述操纵数据包括油门踏板开度和方向盘转角；统计及数据特征计算模块，用于按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征；统计特征降维模块，用于使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征；聚类规则设计模块，用于使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则；专家知识规则设计模块，用于根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则；规则融合模块，用于融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则；驾驶风格识别模块，用于采集当前驾驶员在车辆行驶时的实时驾驶数据，并基于融合专家知识和机器学习的驾驶风格识别规则识别出当前驾驶员的驾驶风格。

再一方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的驾驶风格识别方法。

可选地，所述存储器为非暂态计算机可读存储介质。

根据本发明提供的具体实施例，本发明公开了以下技术效果。

本发明提供了一种驾驶风格识别方法、系统及设备。基于规则的驾驶风格识别方法往往依赖专家的经验知识，主观性较强，且难以覆盖丰富多样的驾驶场景，而本发明通过采集不同风格驾驶员在多种驾驶场景下的驾驶数据，并提取每个驾驶片段内驾驶数据的低维驾驶特征，使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则，降低了人工设计驾驶风格识别规则的成本和主观性，提高了驾驶风格识别规则在不同场景下的适应性。进一步地，本发明根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则，使用专家知识对基于机器学习的驾驶风格识别规则进行补充修正，避免了机器学习算法识别结果在部分场景下与驾驶员主观感受不一致的情况，提高了驾驶风格识别的准确率和实用性。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明一种驾驶风格识别方法的流程图。

图2为本发明基于融合专家知识和机器学习的驾驶风格识别规则进行驾驶风格识别的过程示意图。

图3为本发明一种驾驶风格识别系统的结构示意图。

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。

为了解决现有驾驶风格识别方法规则设计主观性强或难以融入专家知识，导致识别准确率低的问题，本发明提供一种驾驶风格识别方法、系统及设备，以降低驾驶风格识别规则设计的成本，提高驾驶风格识别的准确率和实用性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明一种驾驶风格识别方法的流程图。参见图1，本发明一种驾驶风格识别方法，包括以下步骤101~步骤107。

步骤101：采集不同风格驾驶员在多种驾驶场景下的驾驶数据。

采集不同风格驾驶员在各种驾驶场景下的驾驶数据，覆盖驾驶员的所有日常驾驶场景，包括城市、高速、弯道、立交桥、环岛、匝道、红绿灯等。采集的驾驶数据包括车辆状态数据和操纵数据；所述车辆状态数据包括车辆的速度、纵向加速度和横向加速度等数据；所述操纵数据包括油门踏板开度和方向盘转角等数据。

步骤102：按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征。

按照时间长度为秒，滑动步长为/>秒的时间窗口对驾驶数据进行分段，并将划分出的驾驶片段存储为矩阵，优选地/>。计算每个驾驶片段最后/>秒的平均速度/>、平均纵向加速度/>和平均横向加速度/>作为每个驾驶片段的数据特征。

另外计算每一个驾驶片段内秒驾驶数据的/>维统计特征，如平均值、标准差、最大值、偏度、峰度等，则第/>个驾驶片段的/>维统计特征可以表示为/>；；N为驾驶片段总数；/>表示维度为/>的实数空间。

步骤103：使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征。

使用主成分分析法对第个驾驶片段的统计特征/>进行降维，选取前/>（/>）个主成分作为驾驶特征，则第/>个驾驶片段的降维后的驾驶特征为。其中，/>为第/>个驾驶片段的降维后的驾驶特征；为第/>个驾驶特征的第/>维主成分；/>；/>表示矩阵转置；/>表示维实数空间。

步骤104：使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则。

使用K均值聚类分析，优选地将多个驾驶特征数据聚类成三种驾驶风格类型，温和型（）、正常型（/>）和激进型（/>），聚类中心分别为；其中/>为驾驶风格类型，/>代表温和型驾驶风格，/>代表正常型驾驶风格，/>代表激进型驾驶风格；/>为第/>种驾驶风格的聚类中心；/>为第/>种驾驶风格的聚类中心的第/>维主成分。

给定第个驾驶片段的驾驶特征/>，计算第/>个驾驶片段的驾驶特征/>到各个聚类中心/>的加权距离/> ，其中/>为各驾驶特征的权重向量，/>为第/>维驾驶特征的权重，/>为第/>维驾驶特征的权重。权重向量/>由专家根据先验知识和驾驶员反馈确定，若驾驶员的驾驶风格主要涉及纵向驾驶行为，则可以提高纵向驾驶特征的权重，若实车测试发现驾驶员的驾驶风格对于转向行为过于敏感，则可以降低转向驾驶特征的权重。加权距离/>最小的类为该驾驶特征/>对应的驾驶风格，如公式（1）所示。

（1）。

公式（1）即为设计出的基于聚类中心的驾驶风格识别规则。

步骤105：根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则。

本发明基于专家知识设计的驾驶风格识别规则包括激进风格识别规则和温和风格识别规则。

借助汽车动力学中摩擦圆的思想，根据每个驾驶片段的数据特征、/>和/>，设计出激进风格识别规则如公式（2）所示。

（2）。

其中，为潮湿路面条件下的轮胎附着系数，与车速有关，依据工程经验估计为；/>为重力加速度；/>为缩放系数，优选地取/>。给定该驾驶片段最后/>秒的平均速度/>、平均纵向加速度/>和平均横向加速度/>，当公式（2）为真时将驾驶风格识别为激进型驾驶风格。

进一步地，根据每个驾驶片段的数据特征、/>和/>，设计出温和风格识别规则如公式（3）所示。

（3）。

其中为车速阈值，通常取道路最高限速，在一个具体实施例中，优选地；/>为纵向加速度阈值，优选地/>；/>为横向加速度阈值，优选地/>；/>表示逻辑与。

当驾驶员匀速直线驾驶时，即使速度较高也识别为温和驾驶风格，因为此时驾驶员的横纵向操纵都比较温和。因此本发明设计横向加速度绝对值和纵向加速度绝对值都很小且车速低于车速阈值时，判断为温和型驾驶风格。即当公式（3）为真时，驾驶风格识别为温和型驾驶风格。

步骤106：融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则。

融合基于专家知识的驾驶风格识别规则（2）、（3）和基于聚类中心的驾驶风格识别规则（1），建立出融合专家知识和机器学习的驾驶风格识别规则如下：首先判断所述温和风格识别规则（3）是否为真，若为真输出，确定驾驶风格为温和型；若公式（3）不为真，则继续判断是否满足所述激进风格识别规则（2），若满足输出/>，确定驾驶风格为激进型；若不满足公式（2），则根据所述基于聚类中心的驾驶风格识别规则（1）计算/>值，输出驾驶风格/>。

步骤107：采集当前驾驶员在车辆行驶时的实时驾驶数据，并基于融合专家知识和机器学习的驾驶风格识别规则识别出当前驾驶员的驾驶风格。

在车辆行驶时，实时采集当前驾驶员的驾驶数据，包括车辆状态数据和操纵数据，并按照预设滑动时间窗口对驾驶数据进行分段，计算每个驾驶片段内驾驶数据的统计特征和数据特征，其中数据特征为每个驾驶片段最后秒的平均速度、平均纵向加速度和平均横向加速度。使用主成分分析法对每个驾驶片段的统计特征进行降维，提取驾驶特征。然后以当前驾驶员的驾驶特征和数据特征为输入，根据步骤106得到的融合专家知识和机器学习的驾驶风格识别规则，即可识别出当前驾驶员的驾驶风格。

具体地，基于融合专家知识和机器学习的驾驶风格识别规则进行驾驶风格识别的过程如图2所示。输入当前驾驶员的驾驶特征和数据特征（/>），首先判断公式（3）是否为真，公式（3）为真时输出/>，即驾驶风格为温和型；否则判断公式（2）是否满足，公式（2）满足时输出/>，即驾驶风格为激进型；否则根据公式（1）计算/>值，输出驾驶风格，其中1为温和型驾驶风格，2为正常型驾驶风格，3为激进型驾驶风格。

与现有驾驶风格识别方法相比，本发明方法至少具有以下优点。

1）与基于规则的驾驶风格识别方法相比，本发明降低了人工设计驾驶风格识别规则的成本和主观性，提高了驾驶风格识别规则在不同驾驶场景下的适应性。具体地，基于规则的驾驶风格识别方法往往依赖专家的经验知识，主观性较强，且难以覆盖丰富多样的驾驶场景。而本发明通过步骤101采集不同驾驶风格类型驾驶员在多种驾驶场景下的驾驶数据，步骤103提取低维驾驶特征，步骤104对多驾驶员多场景下的大量驾驶数据进行聚类分析，自动提取基于聚类中心的驾驶风格识别规则。与人工设计规则并在多场景下反复测试修正相比，本发明方法提取规则周期短，客观性强，场景覆盖更广。

2）与基于机器学习的驾驶风格识别方法相比，本发明不完全依赖于机器学习算法，数据依赖性低，避免了机器学习算法识别结果在部分场景下与驾驶员主观感受不一致的情况，提高了驾驶风格识别的准确率。例如，驾驶员以较高速度（70km/h）匀速行驶时，机器学习算法往往因为速度特征较大而识别为激进型驾驶风格，而驾驶员则认为此时操纵非常平稳，应识别为温和型驾驶风格。为了避免这种情况，本发明通过步骤104人工设置各维度驾驶特征到聚类中心的权重，使得驾驶风格识别规则更符合驾驶员期望，步骤105和步骤106使用专家知识对基于机器学习的驾驶风格识别规则进行补充修正，进一步提高了驾驶风格识别的准确率。

基于本发明提供的方法，本发明还提供一种驾驶风格识别系统。参见图3，所述驾驶风格识别系统包括模块301~模块307。

其中，驾驶数据采集模块301，用于采集不同风格驾驶员在多种驾驶场景下的驾驶数据；所述驾驶数据包括车辆状态数据和操纵数据；所述车辆状态数据包括车辆的速度、纵向加速度和横向加速度；所述操纵数据包括油门踏板开度和方向盘转角。

统计及数据特征计算模块302，用于按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征。

统计特征降维模块303，用于使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征。

聚类规则设计模块304，用于使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则。

专家知识规则设计模块305，用于根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则。

规则融合模块306，用于融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则。

驾驶风格识别模块307，用于采集当前驾驶员在车辆行驶时的实时驾驶数据，并基于融合专家知识和机器学习的驾驶风格识别规则识别出当前驾驶员的驾驶风格。

进一步地，本发明还提供一种电子设备，该设备可以包括：处理器、通信接口、存储器和通信总线。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序，以执行所述的驾驶风格识别方法。

此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非暂态计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

本发明驾驶风格识别方法、系统及设备，使用机器学习从多种场景下多风格类型驾驶员的驾驶大数据中训练提取基于聚类中心的驾驶风格识别规则，降低了人工设计驾驶风格识别规则的成本和主观性，提高了驾驶风格识别规则在不同场景下的适应性；进一步使用专家知识对基于聚类中心的驾驶风格识别规则进行补充修正，避免了部分场景下机器学习算法识别结果与人类驾驶员主观感受不一致导致驾驶风格识别错误的问题，进一步提高了驾驶风格识别的准确率。本发明将从机器学习算法中提取的驾驶风格识别规则和从专家知识中提取的驾驶风格识别规则进行了融合，能够显著降低驾驶风格识别规则设计的成本，极大程度提高驾驶风格识别的准确率和实用性，具有广泛的应用前景。

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。对于实施例公开的系统而言，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。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种驾驶风格识别方法，其特征在于，包括：

采集不同风格驾驶员在多种驾驶场景下的驾驶数据；所述驾驶数据包括车辆状态数据和操纵数据；所述车辆状态数据包括车辆的速度、纵向加速度和横向加速度；所述操纵数据包括油门踏板开度和方向盘转角；

按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征；

使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征；

使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则；

根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则；

融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则；

采集当前驾驶员在车辆行驶时的实时驾驶数据，并基于融合专家知识和机器学习的驾驶风格识别规则识别出当前驾驶员的驾驶风格。

2.根据权利要求1所述的驾驶风格识别方法，其特征在于，所述按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征，具体包括：

按照时间长度为秒，滑动步长为/>秒的时间窗口对驾驶数据进行分段，计算每个驾驶片段最后/>秒的平均速度/>、平均纵向加速度/>和平均横向加速度/>作为每个驾驶片段的数据特征；

计算第个驾驶片段内/>秒驾驶数据的/>维统计特征/>；/>；N为驾驶片段总数；/>表示维度为/>的实数空间；所述/>维统计特征包括平均值、标准差、最大值、偏度和峰度。

3.根据权利要求2所述的驾驶风格识别方法，其特征在于，所述使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征，具体包括：

使用主成分分析法对第个驾驶片段的统计特征/>进行降维，选取前/>个主成分作为驾驶特征，则第/>个驾驶片段的降维后的驾驶特征为/>；其中，为第/>个驾驶片段的降维后的驾驶特征；/>为第/>个驾驶特征的第/>维主成分，/>；/>表示矩阵转置；/>表示/>维实数空间。

4.根据权利要求3所述的驾驶风格识别方法，其特征在于，所述使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则，具体包括：

使用K均值聚类分析，将多个驾驶特征聚类成三种驾驶风格类型，所述三种驾驶风格类型包括温和型、正常型和激进型，聚类中心分别为；其中/>为驾驶风格类型，/>代表温和型驾驶风格，/>代表正常型驾驶风格，/>代表激进型驾驶风格；/>为第/>种驾驶风格的聚类中心；/>为第/>种驾驶风格的聚类中心的第/>维主成分；

基于第个驾驶片段的驾驶特征/>到各个聚类中心/>的加权距离/>，设计出基于聚类中心的驾驶风格识别规则/>。

5.根据权利要求4所述的驾驶风格识别方法，其特征在于，所述根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则，具体包括：

根据每个驾驶片段的数据特征，设计出激进风格识别规则为；其中，/>为缩放系数；/>为重力加速度；/>为潮湿路面条件下的轮胎附着系数；

根据每个驾驶片段的数据特征，设计出温和风格识别规则为；其中/>为车速阈值；/>为纵向加速度阈值；/>为横向加速度阈值；/>表示逻辑与。

6.根据权利要求5所述的驾驶风格识别方法，其特征在于，所述融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则，具体包括：

融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则如下：首先判断所述温和风格识别规则是否为真，若为真输出，确定驾驶风格为温和型；若不为真则继续判断是否满足所述激进风格识别规则，若满足输出/>，确定驾驶风格为激进型；若不满足则根据所述基于聚类中心的驾驶风格识别规则计算/>值，输出驾驶风格/>。

7.一种驾驶风格识别系统，其特征在于，包括：

驾驶数据采集模块，用于采集不同风格驾驶员在多种驾驶场景下的驾驶数据；所述驾驶数据包括车辆状态数据和操纵数据；所述车辆状态数据包括车辆的速度、纵向加速度和横向加速度；所述操纵数据包括油门踏板开度和方向盘转角；

统计及数据特征计算模块，用于按照预设滑动时间窗口对驾驶数据进行分段，并计算每个驾驶片段内驾驶数据的统计特征和数据特征；

统计特征降维模块，用于使用主成分分析法对每个驾驶片段的统计特征进行降维，提取出驾驶特征；

聚类规则设计模块，用于使用聚类分析将多个驾驶特征聚类成多种驾驶风格类型，并设计基于聚类中心的驾驶风格识别规则；

专家知识规则设计模块，用于根据每个驾驶片段的数据特征设计基于专家知识的驾驶风格识别规则；

规则融合模块，用于融合基于专家知识的驾驶风格识别规则和基于聚类中心的驾驶风格识别规则，建立融合专家知识和机器学习的驾驶风格识别规则；

驾驶风格识别模块，用于采集当前驾驶员在车辆行驶时的实时驾驶数据，并基于融合专家知识和机器学习的驾驶风格识别规则识别出当前驾驶员的驾驶风格。

8.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的驾驶风格识别方法。

9.根据权利要求8所述的电子设备，其特征在于，所述存储器为非暂态计算机可读存储介质。