CN117972540A - 驾驶信息识别模型的训练及识别方法、装置、设备及介质 - Google Patents

Abstract

本公开实施例公开了一种驾驶信息识别模型的训练及识别方法、装置、设备及介质，包括：对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；基于所述第二规模的特征训练驾驶信息识别模型。该方法基于提取的样本驾驶数据的特征进行模型训练，能够准确识别驾驶人员的驾驶习惯。

Description

驾驶信息识别模型的训练及识别方法、装置、设备及介质

技术领域

本公开实施例涉及信息识别技术领域，尤其涉及一种驾驶信息识别模型的训练及识别方法、装置、设备及介质。

背景技术

随着私家车已经成为了很多家庭的必备工具，自驾出行也已然成了很多人的日常。为了提高驾驶员的驾驶体验，使车辆适应驾驶员的驾驶习惯已经成为汽车行业研究的热点问题。

发明内容

本公开实施例提供了一种驾驶信息识别模型的训练及识别方法、装置、设备及介质，能够准确识别驾驶人员的驾驶习惯。

第一方面，提供了一种驾驶信息识别模型的训练方法，包括：

对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；

提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；

对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；

基于所述第二规模的特征训练驾驶信息识别模型。

第二方面，提供了一种驾驶信息识别方法，包括：

获取驾驶数据；

将所述驾驶数据输入至驾驶信息识别模型，得到驾驶信息识别结果；

其中，所述驾驶信息识别模型基于上述第一方面所述的驾驶信息识别模型的训练方法训练后得到。

第三方面，提供了一种驾驶信息识别模型的训练装置，包括：

预处理模块，用于对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；

特征提取模块，用于提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；

特征选择模块，用于对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；

模型训练模块，用于基于所述第二规模的特征训练驾驶信息识别模型。

第四方面，提供了一种驾驶信息识别装置，包括：

数据获取模块，用于获取驾驶数据；

识别模块，用于将所述驾驶数据输入至驾驶信息识别模型，得到驾驶信息识别结果；

其中，所述驾驶信息识别模型基于上述第一方面所述的驾驶信息识别模型的训练方法训练后得到。

第五方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及；

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面提供的驾驶信息识别模型的训练方法或如上述第二方面提供的驾驶信息识别方法。

第六方面，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存储有计算机指令，所述计算机指令用于使控制器执行时实现本公开实施例上述第一方面提供的驾驶信息识别模型的训练方法或如上述第二方面提供的驾驶信息识别方法。

本公开实施例提供了一种驾驶信息识别模型的训练及识别方法、装置、设备及介质，包括：对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；基于所述第二规模的特征训练驾驶信息识别模型。该方法基于提取的样本驾驶数据的特征进行模型训练，能够准确识别驾驶人员的驾驶习惯。

应当理解，本部分所描述的内容并非旨在标识本公开实施例的关键或重要特征，也不用于限制本公开实施例的范围。本公开实施例的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例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公开实施例的一些实施例，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是本公开实施例一提供的一种驾驶信息识别模型的训练方法的流程图；

图2是本公开实施例一提供的一种未经过低通滤波的前加速度的波形示意图；

图3是本公开实施例一提供的一种经过低通滤波后的前加速度的波形示意图；

图4是本公开实施例一提供的本实施例技术方案的执行过程的示意图；

图5是本公开实施例二提供的一种驾驶信息识别方法的流程图；

图6是本公开实施例三提供的一种驾驶信息识别模型的训练装置的结构示意图；

图7是本公开实施例四提供的一种驾驶信息识别装置的结构示意图；

图8给出了用来实施本公开实施例的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开实施例的方案，下面将结合本公开实施例中的附图，对本公开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公开部分的实施例，而不是全部的实施例。基于本公开实施例中的实施例，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，都应当属于本公开实施例保护的范围。

需要说明的是，本开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本公开实施例一提供的一种驾驶信息识别模型的训练方法的流程图，本实施例可适用于对驾驶信息识别模型进行训练的情况，该方法可以由驾驶信息识别模型的训练装置来执行，该驾驶信息识别模型的训练可以采用硬件和/或软件的形式实现，该驾驶信息识别模型的训练可配置于电子设备中。如图1所示，该方法包括：

S110、对训练集中满足要求的样本驾驶数据进行预处理，其中，训练集包括来自于多个驾驶员的样本驾驶数据。

在本实施例中，训练集可以是用于模型训练的数据集，训练集可以包括来自于多个驾驶员的样本驾驶数据，如：车辆的VIN码、车辆的启动时长、油门踏板角度、前加速度、方向盘角度、横向加速度和/或速度等。

具体的，可以对训练集中满足要求的样本驾驶数据进行预处理，其中，预处理可以是为了便于对数据进行分析而进行的统一化的处理，示例性的，预处理操作可以包括数据分割和滤波操作。

S120、提取样本驾驶数据的特征，特征包括时域特征和频域特征，特征对应于第一规模。

可以知道的是，样本驾驶数据经过预处理后，可以对预处理后的样本驾驶数据进行特征提取，提取的特征可以包括样本驾驶数据的时域特征和频域特征。

需要说明的是，所述时域特征包括每个驱动信号对应的第一数量的统计值和每个驱动信号对应的第二数量的线性相关特征；其中，第一数量可以是驱动信号的统计量，第二数量可以是驱动数据的线性相关特征，驱动信号可以是车辆驾驶过程中的信号数据。

示例性的，对于每个信号，可以通过2分钟的时间窗口获得了90个统计值，重叠率为50％。通过设置5秒步长(k＝5,10,15,20,100)，提取了20个线性相关特征，通过计算可以得到550个时域特征。

所述频域特征包括每个驱动信号对应的第三数量的振幅和每个驱动信号对应的第三数量的相位。其中，第三数量可以是对驱动信号进行离散傅里叶变换得到的数据，第三数量可以包括振幅和相位。

具体的，将数据从时域转换为频域的离散傅立叶变换。公式定义为：

其中，n表示信号数据的长度，i是复数的符号。

示例性的，对于每个信号，分别选择前100个振幅和相位，通过设置5秒步长(k＝5,10,15,20,100)，可以得到了1000个频域特征。

需要解释的是，通过对样本驾驶数据进行时域和频域的特征提取，得到的特征可对应于第一规模，其中，第一规模可以是经过特征提取到的特征。

S130、对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征。

在本实施例中，驱动信号可能是相互关联的，这种冗余信息可能会影响识别模型的性能，因此我们需要减少特征集的冗余。因此在提取到特征后，可以对提取的特征进行降维处理，其中，降维处理可以是将数据由高纬度转换为低纬度的操作。

接上述描述，对提取的特征进行降维操作后，可以对降维后的特征执行特征选择操作，从而得到第二规模的特征，其中，特征选择可以是从原始特征中选择出一些最有效特征以降低数据集维度的过程。

具体的，在经过特征降维和特征选择后，可以得到第二规模的特征，其中，第二规模可以包括经过特征降维和特征选择后的特征。

示例性的，由于不同信号的值是在不同的尺度上测量的，在可能忽略从具有小值的信号中提取的一些重要特征的情况下，首先对所有特征进行Z分数归一化处理。然后利用主成分分析(principal components analysis，PCA)来降低特征维度。

S140、基于第二规模的特征训练驾驶信息识别模型。

可以知道的是，在得到第二规模的特征后，可以根据第二规模的特征训练驾驶信息识别模型。所述驾驶信息识别模型包括以下至少之一：线性回归模型、支持向量回归模型、高斯过程回归模型。

其中，线性回归模型是一个参数模型，其参数是通过最小化均方误差来估计的，并且进行预测需要简单的矩阵乘法。支持向量回归模型是支持向量分类的扩展，它首先使用核技巧将特征向量映射到更高维的特征空间，然后仅基于支持向量进行预测。高斯过程回归模型是一种基于非参数核的概率模型，其优点是通过最大化对数边际似然来从训练数据中自动调整核参数。经过测试支持向量回归模型在平均性能上要好于线性回归模型和高斯过程回归模型。需要说明的是，所述线性回归模型、是支持向量回归模型、所述高斯过程回归模型可以对应于不同的决定系数。

本实施例提供了一种驾驶信息识别模型的训练方法，包括：对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；基于所述第二规模的特征训练驾驶信息识别模型。该方法基于提取的样本驾驶数据的特征进行模型训练，能够准确识别驾驶人员的驾驶习惯。

作为本实施例的一种可选的实施方式，在提取所述样本驾驶数据的时域特征之前，还包括：

检验所述样本驾驶数据中每个驱动信号的自相关性和偏自相关性。

在本实施例中，在提取样本驾驶数据的时域特征之前，需要检验样本驾驶数据中每个驱动信号的自相关性和偏自相关性。自相关函数可以是信号与间隔信号的相关性，可以定义为：

其中，n表示信号的长度，μ表示信号的平均值，k表示间隔。

接上述描述，偏自相关函数可以是平稳时间序列与其自身间隔值的偏相关，可以定义为：

其中，cov是指协方差，var是指方差，k是指间隔。

可选的，对训练集中满足要求的样本驾驶数据进行预处理，包括：

a1)对于训练集中满足全程时长要求的样本驾驶数据，从中截取设定时段的样本驾驶数据。

示例性的，可以取全程时长超过40分钟的行程数据，并通过车辆启动时长分割并过滤前5分钟的数据，取车辆正常驾驶中的后半程32分钟的信号数据。

b1)计算所截取的样本驾驶数据中每个驱动信号和高斯滤波器的卷积，以对所截取的样本驾驶数据进行滤波。

在本实施例中，由于意外的颠簸或振动可能会在数据采集中引起一些噪声或高频成分，在信号预处理时可以对原始驱动信号进行滤波。本实施例选用的滤波器为高斯滤波器，高斯滤波器是一种低通滤波器(Low-pass filter)，可以用于衰减信号数据中的噪声和高频分量。可以通过计算了每个驱动信号和高斯滤波器的卷积，实现信号的滤波，高斯滤波器的窗口长度为5。过滤过程定义为：

其中，x是驱动信号(原始信号)，*代表卷积，g表示高斯滤波器。以前加速度的一个片段为例，图2给出了未经过低通滤波的前加速度，图3给出了经过低通滤波后的前加速度，可以看出滤波后的前加速度与原始的前加速度相比更加平滑，并且可以去除前加速度中的许多波动和毛刺。

可选的，提取所述样本驾驶数据的时域特征，包括：

a2)确定所述样本驾驶数据中每个驱动信号在固定时间窗口内的第一数量的统计值。

具体的，可以确定样本驾驶数据中每个驱动信号在固定时间窗口内的第一数量的统计值，其中，固定时间窗口可以是预先设定的时间窗口，时域特征的第一数量可以包括平均值、中值和/或标准差值等。由于信号的全局统计值不能反映驾驶员的驾驶习惯的细节，因此可以将这些信息集成到给定的时间窗口中。在固定的时间窗口w中，定义了数据集以及窗口中值(集合的中值)、窗口平均值(集合的平均值)以及窗口的标准偏差(集合的标准偏差值)，其中时间窗口可以是人为预先设定的时间长度，示例性的，时间窗口可以是5秒。

b2)针对每个驱动信号基于设定步长从所述固定时间窗口内提取第二数量的线性相关特征。

在本实施例中，可以对每个驱动信号基于设定步长从所述固定时间窗口内提取第二数量的线性相关特征，其中，设定步长可以是预先设定的信号间隔，第二数量可以包括自相关和偏自相关。

可选的，提取所述样本驾驶数据的频域特征，包括：

a3)通过离散傅立叶变换将所述样本驾驶数据中每个驱动信号转换为频域信号。

具体的，可以通过离散傅里叶变换将样本驾驶数据的信号从时域转换为频域，其中，离散傅里叶变换是傅里叶变换在时域和频域上都呈离散的形式。

b3)对于各所述驱动信号，提取位置靠前的第三数量的振幅和第三数量的相位。

具体的，各个驱动信号经过离散傅里叶变换后，可以选取位置靠前的振幅和相位作为第三数量的振幅和相位，如：对于每个信号，分别选择前100个振幅和相位作为驱动信号的第三数量的振幅和相位。

作为本实施例的一种可选的实施方式，对所提取的特征进行降维处理，包括：

a4)对所提取的特征进行Z分数归一化处理，得到归一化特征。

具体的，由于不同信号的值是在不同的尺度上测量的，在可能忽略从具有小值的信号中提取的一些重要特征的情况下，首先对所有特征进行Z分数归一化处理，其中，Z分数归一化处理可以通过原始数据的均值和标准差进行数据的标准化。

b4)利用主成分分析法降低所述归一化特征的维度。

接上述描述，对提取的特征归一化处理后，可以利用主成分分析对归一化后的数据进行处理，降低归一化后的数据特征维度，其中，主成分分析可以利用降维的思想，将多特征转化为少数几个综合特征。

示例性的，为了使重建误差小于5％，可以保留了77个主成分作为降维后的特征。

作为本实施例的一种可选的实施方式，对降维后的特征执行特征选择操作得到第二规模的特征，包括：

利用顺序向后选择法从降维后的特征中选择特征子集，得到第二规模的特征。

具体的，为了获得识别模型的最佳性能，可以使用顺序向后选择(SBS)来找到最佳特征子集，最佳特征子集可以是能够在识别模型性能损失最小化的同时降低特征维数。SBS可以是一种贪婪搜索算法，它从整个特征集开始，依次丢弃特征，以改进(或最小化)评估措施。当评估度量没有增加或子集是空集时，它就会停止，这意味着所有剩余的特征都对识别模型有用。

接上述描述，利用顺序向后选择法从降维后的特征中找到最佳特征子集后，便可以获取到第二规模的特征，第二规模的特征可以是最佳子集中的特征。

图4给出了本实施例技术方案的执行过程的示意图，如图4所示，本实施例的技术方案，对获取的车辆驾驶数据进行预处理、特征提取和特征选择，并通过机器学习经典的回归模型进行模型训练，以便于能够准确识别驾驶人员的驾驶习惯。

实施例二

图5为本公开实施例二提供的一种驾驶信息识别方法的流程图。本实施例可适用于对驾驶信息进行识别的情况，该方法可以由驾驶信息识别装置来执行，该驾驶信息识别装置可以采用硬件和/或软件的形式实现，该驾驶信息识别装置可配置于电子设备中。如图5所示，该方法包括：

S210、获取驾驶数据。

在本实施例中，可以获取驾驶人员的驾驶数据。

S220、将驾驶数据输入至驾驶信息识别模型，得到驾驶信息识别结果；

其中，驾驶信息识别模型基于实施例一提供的驾驶信息识别模型的训练方法训练后得到。

具体的，获取到驾驶人员的驾驶数据后，可以将驾驶数据输入至驾驶信息识别模型中，获取驾驶信息识别结果，其中，驾驶信息识别模型可以基于上述实施例一提供的驾驶信息识别模型的训练方法训练后得到。

本实施例提供了一种驾驶信息识别方法，包括：获取驾驶数据，将所述驾驶数据输入至驾驶信息识别模型，得到驾驶信息识别结果；其中，所述驾驶信息识别模型基于如上所述的驾驶信息识别模型的训练方法训练后得到，本实施例的技术方案能够准确识别驾驶人员的驾驶习惯。

实施例三

图6为本公开实施例三提供的一种驾驶信息识别模型的训练装置的结构示意图。如图6所示，该装置包括：预处理模块310、特征提取模块320、特征选择模块330、模型训练模块340。

其中，预处理模块310，用于对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；

特征提取模块320，用于提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；

特征选择模块330，用于对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；

模型训练模块340，用于基于所述第二规模的特征训练驾驶信息识别模型。

本公开实施例三提供了一种驾驶信息识别模型的训练装置，能够准确识别驾驶人员的驾驶习惯。

进一步的，预处理模块310，可以包括：

对于训练集中满足全程时长要求的样本驾驶数据，从中截取设定时段的样本驾驶数据；

计算所截取的样本驾驶数据中每个驱动信号和高斯滤波器的卷积，以对所截取的样本驾驶数据进行滤波。

可选的，所述时域特征包括每个驱动信号对应的第一数量的统计值和每个驱动信号对应的第二数量的线性相关特征；特征提取模块320，包括：

确定所述样本驾驶数据中每个驱动信号在固定时间窗口内的第一数量的统计值；

针对每个驱动信号基于设定步长从所述固定时间窗口内提取第二数量的线性相关特征。

进一步的，所述装置还包括：

检验模块，用于检验所述样本驾驶数据中每个驱动信号的自相关性和偏自相关性。

进一步的，所述频域特征包括每个驱动信号对应的第三数量的振幅和每个驱动信号对应的第三数量的相位；特征提取模块320，还可以用于：

通过离散傅立叶变换将所述样本驾驶数据中每个驱动信号转换为频域信号；

对于各所述驱动信号，提取位置靠前的第三数量的振幅和第三数量的相位。

进一步的，特征选择模块320，可以用于：

对所提取的特征进行Z分数归一化处理，得到归一化特征；

利用主成分分析法降低所述归一化特征的维度。

进一步的，特征选择模块320，还可以用于：

利用顺序向后选择法从降维后的特征中选择特征子集，得到第二规模的特征。

可选的，所述驾驶信息识别模型包括以下至少之一：线性回归模型、支持向量回归模型、高斯过程回归模型；

所述线性回归模型、是支持向量回归模型、所述高斯过程回归模型对应于不同的决定系数。

本公开实施例所提供的驾驶信息识别模型的训练装置可执行本公开实施例任意实施例所提供的驾驶信息识别模型的训练方法，具备执行方法相应的功能模块和有益效果。

实施例四

图7为本公开实施例四提供的一种驾驶信息识别装置的结构示意图。如图7所示，该装置包括：数据获取模块410、识别模块420。

其中，数据获取模块410，用于获取驾驶数据；

识别模块420，用于将所述驾驶数据输入至驾驶信息识别模型，得到驾驶信息识别结果；

其中，所述驾驶信息识别模型基于实施例一提供的驾驶信息识别模型的训练方法训练后得到。

本公开实施例四提供了一种驾驶信息识别装置，能够准确识别驾驶人员的驾驶习惯。

本公开实施例所提供的驾驶信息识别装置可执行本公开实施例任意实施例所提供的驾驶信息识别方法，具备执行方法相应的功能模块和有益效果。

实施例五

图8示出了可以用来实施本公开实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开实施例的实现。

如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微处理器等。处理器11执行上文所描述的各个方法和处理，例如驾驶信息识别模型的训练方法、驾驶信息识别方法。

在一些实施例中，驾驶信息识别模型的训练方法、驾驶信息识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的驾驶信息识别模型的训练方法、驾驶信息识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行驾驶信息识别模型的训练方法、驾驶信息识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开实施例的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开实施例中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开实施例的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开实施例保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开实施例的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开实施例保护范围之内。

Claims (13)

1.一种驾驶信息识别模型的训练方法，其特征在于，包括：

对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；

提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；

对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；

基于所述第二规模的特征训练驾驶信息识别模型。

2.根据权利要求1所述的方法，其特征在于，对训练集中满足要求的样本驾驶数据进行预处理，包括：

对于训练集中满足全程时长要求的样本驾驶数据，从中截取设定时段的样本驾驶数据；

计算所截取的样本驾驶数据中每个驱动信号和高斯滤波器的卷积，以对所截取的样本驾驶数据进行滤波。

3.根据权利要求1所述的方法，其特征在于，所述时域特征包括每个驱动信号对应的第一数量的统计值和每个驱动信号对应的第二数量的线性相关特征；

提取所述样本驾驶数据的时域特征，包括：

确定所述样本驾驶数据中每个驱动信号在固定时间窗口内的第一数量的统计值；

针对每个驱动信号基于设定步长从所述固定时间窗口内提取第二数量的线性相关特征。

4.根据权利要求1所述的方法，其特征在于，在提取所述样本驾驶数据的时域特征之前，还包括：

检验所述样本驾驶数据中每个驱动信号的自相关性和偏自相关性。

5.根据权利要求1所述的方法，其特征在于，所述频域特征包括每个驱动信号对应的第三数量的振幅和每个驱动信号对应的第三数量的相位；

提取所述样本驾驶数据的频域特征，包括：

通过离散傅立叶变换将所述样本驾驶数据中每个驱动信号转换为频域信号；

对于各所述驱动信号，提取位置靠前的第三数量的振幅和第三数量的相位。

6.根据权利要求1所述的方法，其特征在于，对所提取的特征进行降维处理，包括：

对所提取的特征进行Z分数归一化处理，得到归一化特征；

利用主成分分析法降低所述归一化特征的维度。

7.根据权利要求1所述的方法，其特征在于，对降维后的特征执行特征选择操作得到第二规模的特征，包括：

利用顺序向后选择法从降维后的特征中选择特征子集，得到第二规模的特征。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述驾驶信息识别模型包括以下至少之一：线性回归模型、支持向量回归模型、高斯过程回归模型；

所述线性回归模型、是支持向量回归模型、所述高斯过程回归模型对应于不同的决定系数。

9.一种驾驶信息识别方法，其特征在于，包括：

获取驾驶数据；

将所述驾驶数据输入至驾驶信息识别模型，得到驾驶信息识别结果；

其中，所述驾驶信息识别模型基于如权利要求1-8中任一项所述的驾驶信息识别模型的训练方法训练后得到。

10.一种驾驶信息识别模型的训练装置，其特征在于，包括：

预处理模块，用于对训练集中满足要求的样本驾驶数据进行预处理，其中，所述训练集包括来自于多个驾驶员的样本驾驶数据；

特征提取模块，用于提取所述样本驾驶数据的特征，所述特征包括时域特征和频域特征，所述特征对应于第一规模；

特征选择模块，用于对所提取的特征进行降维处理，并对降维后的特征执行特征选择操作得到第二规模的特征；

模型训练模块，用于基于所述第二规模的特征训练驾驶信息识别模型。

11.一种驾驶信息识别装置，其特征在于，包括：

数据获取模块，用于获取驾驶数据；

识别模块，用于将所述驾驶数据输入至驾驶信息识别模型，得到驾驶信息识别结果；

其中，所述驾驶信息识别模型基于如权利要求1-8中任一项所述的驾驶信息识别模型的训练方法训练后得到。

12.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8中任一所述的驾驶信息识别模型的训练方法或如权利要求9所述的驾驶信息识别方法。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的驾驶信息识别模型的训练方法或如权利要求9所述的驾驶信息识别方法。