CN111563555A

CN111563555A - 一种司机驾驶行为分析方法及系统

Info

Publication number: CN111563555A
Application number: CN202010391470.0A
Authority: CN
Inventors: 汪镇宇; 黄亮; 张锐明; 杨泓奕
Original assignee: Guangdong Guangshun New Energy Power Technology Co ltd
Current assignee: Guangdong Guangshun New Energy Power Technology Co ltd
Priority date: 2020-05-11
Filing date: 2020-05-11
Publication date: 2020-08-21

Abstract

本发明公开一种司机驾驶行为分析系统，利用加装的测量模块采集车辆行驶数据，测量的数据发送到车联网的云平台进行计算，将数据预处理，对司机驾驶行为评分，利用熵权法计算各项指标权重并计算司机综合得分，利用模糊C均值算法对评分进行聚类分析，将聚类结果输入BP神经网络进行训练，将车辆实时数据导入训练好的BP神经网络，BP神经网络分类器对驾驶行为分类，并将分类结果处理后转换为音频信号发送到车辆的语音装置，语音装置对司机作出提醒。

Description

一种司机驾驶行为分析方法及系统

技术领域

本发明属于司机驾驶行为分析领域，具体涉及一种司机驾驶行为分析方法及系统。

背景技术

司机驾驶行为分析在车辆驾驶领域中是不可或缺的一环，通过分析司机驾驶行为，我们可把司机驾驶行为划分为若干类，例如，可以把司机驾驶行为划分为激进驾驶行为、一般驾驶行为、谨慎驾驶行为等。车辆驾驶系统可以根据所划分的行为类别，对司机的行为进行评价，分析此时司机的行为是否具有安全隐患等问题。从而有效防止不必要交通事故的发生。

现有的司机驾驶行为分析方法还有基于问卷调查的层次分析法、因子分析法等预处理方法，kmeans、谱聚类等聚类算法，分类器主要有贝叶斯、KNN、支持向量机。但是这些方法有以下缺点：层次分析法主观性太强，因子分析法易造成信息丢失；kmeans、谱聚类对初始聚类中心要求高，易陷入局部最优解；贝叶斯分类器若参数不满足正态分布则难以建立，KNN计算量过大效率不高，支持向量机难以解决多分类问题。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种客观信息强、效率高、适合解决多分类问题的司机驾驶行为分析方法。

本发明还提供一种基于上述司机驾驶行为分析方法的系统。

为达到以上目的，本发明采用如下技术方案。

一种司机驾驶行为分析方法，其特征在于，包括如下步骤：1)通过车载终端和路侧系统采集车辆行驶数据；2)利用控制器对采集到的车辆行驶数据进行预处理；3)根据预处理结果对司机驾驶行为进行评分；4)利用熵权法计算车辆行驶数据各项指标的权重；5)根据各项指标的权重计算司机综合得分；6)利用模糊C均值算法对司机综合得分进行聚类分析；7)将聚类结果输入BP神经网络进行训练；8)将车辆实时数据导入训练好的BP神经网络，利用BP神经网络分类器对司机驾驶行为分类。

更为优选的是，在步骤1)中，所述车辆行驶数据包括：时间、经度、纬度、方向、油门信号、左转信号、右转信号、手刹信号、脚刹信号、速度和行驶里程中的一种或几种。

更为优选的是，在步骤2)中，所述预处理的具体过程为：将车辆行驶数据形成矩阵，矩阵的行代表同一辆车，矩阵的列代表相同指标。

更为优选的是，在步骤3)中，所述评分方法如下：3.1)将司机驾驶行为的二级指标定为：行驶车速、每日出行情况、疲劳驾驶、夜间行驶、四急行为；3.2)每个二级指标下设三级指标：行驶车速包括平均行驶车速、超速次数，每日出行包括行驶里程、驾驶时长，疲劳驾驶包括连续驾驶时间、疲劳驾驶次数，夜间行驶包括夜间行驶时间、夜间平均车速，四急行为包括急加速、急减速、急转弯、急刹车；3.3)在每个三级指标下确定具体评分标准。

更为优选的是，在步骤4)中，所述权重的计算方法为：4.1)对数据进行标准化处理，如有m个三级指标，每个三级指标下都有n个数据，对各三级指标标准化后为：

上式中，Y_ij代表各三级指标标准化后的值，X_ij代表每个三级指标下的各个数据，X_i代表某个三级指标的数据集；4.2)求取各指标的信息熵：

式中

4.3)计算各指标的权重：

更为优选的是，在步骤5)中，所述计算司机综合得分为各项指标加权平均数。

更为优选的是，在步骤6)中，所述聚类分析步骤如下：6.1)设定聚类数目和加权指数；6.2)初始化各聚类中心；6.3)用当前聚类中心计算隶属度函数；6.4)用当前隶属度函数计算更新聚类中心；6.5)重复步骤6.3)和步骤6.4)，直到各样本的隶属度值稳定，从而完成模糊C均值聚类。

更为优选的是，在步骤7)中，用聚类结果训练BP神经网络的步骤如下：7.1)读取训练数据并将特征值归一化；7.2)创建BP神经网络，设置隐含层和输出层神经元个数、神经元传递函数、训练方法；7.3)设置训练参数如学习率、最大训练次数、训练要求精度；7.4)开始训练。

一种司机驾驶行为分析系统，其特征在于，包括：测量模块及语音装置，所述测量模块和所述语音装置都与车联网的云平台连接，在所述车联网的云平台上设有如上所述的司机驾驶行为分析方法，所述测量模块测量的数据发送到所述车联网的云平台进行计算并对司机驾驶行为分类，分类结果处理后转换为音频信号发送到所述语音装置对司机作出语音提醒。

本发明的有益效果是：

预处理采用熵权法，客观性强，信息完整度高；聚类算法采用KFCM(kenerl Fuzzyc means，基于核函数的模糊c均值算法)，建立了样本对类别的不确定描述，更加客观，效率较高；分类器采用BP神经网络，具有非线性拟合能力，能解决多分类问题。

附图说明

图1所示为本发明提供的司机驾驶行为分析方法流程图。

具体实施方式

下面结合说明书的附图，对本发明的具体实施方式作进一步的描述，使本发明的技术方案及其有益效果更加清楚、明确。下面通过参考附图描述实施例是示例性的，旨在解释本发明，而不能理解为对本发明的限制。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

如图1所示，一种司机驾驶行为分析方法，其特征在于，包括如下步骤：1)通过车载终端和路侧系统采集车辆行驶数据；2)利用控制器对采集到的车辆行驶数据进行预处理；3)根据预处理结果对司机驾驶行为进行评分；4)利用熵权法计算车辆行驶数据各项指标的权重；5)根据各项指标的权重计算司机综合得分；6)利用模糊C均值算法对司机综合得分进行聚类分析；7)将聚类结果输入BP神经网络进行训练；8)将车辆实时数据导入训练好的BP神经网络，利用BP神经网络分类器对司机驾驶行为分类。

其中，在所述步骤1)中，采集的车辆行驶数据包括时间、经度、纬度、方向、油门信号、左转信号、右转信号、手刹信号、脚刹信号、速度和行驶里程。

在步骤2)中，所述预处理具体过程为：将数据形成矩阵N，矩阵N的行代表同一辆车，矩阵N的列代表相同属性。

在步骤3)中，所述司机驾驶行的评分方法为：

3.1)将司机驾驶行为的二级指标定为行驶车速、每日出行情况、疲劳驾驶、夜间行驶、四急行为。

3.2)每个二级指标下设三级指标：行驶车速包括平均行驶车速、超速次数，每日出行包括行驶里程、驾驶时长，疲劳驾驶包括连续驾驶时间、疲劳驾驶次数，夜间行驶包括夜间行驶时间、夜间平均车速，四急行为包括急加速、急减速、急转弯、急刹车；

3.3)在每个三级指标下确定具体评分标准，评分标准如下：

平均行驶车速(单位：km/h)：0—35得100分，35—50得90分，45—60得75分，60—80得50分，80以上得20分。

超速次数：0次得100分，1—2次得85分，3—4次得70分，5—6次得50分，6次以上得10分。

每日行驶总里程(单位：km)：0—30得100分，30—40得90分，40—70得80分，70—90得65分，90—120得50分，120—200得30分，200以上得10分。

每日驾驶总时长(单位：h)：0—2得100分，2—3得85分，3—4得70分，4—6得50分，6—7得25分，7以上得10分。

连续驾驶时间(单位：h)：0—2得100分，2—3得80分，3—4得70分，4—5得50分，5以上得10分。

疲劳驾驶次数(连续2小时未休息15分钟以上计1次)：0次得100分，1次得80分，2次得50分，3次及以上得10分。

夜间行驶时间(20:00—第二天6:00，单位h)：0—1得100分，1—2得85分，2—3得60分，3—5得40分，5以上得10分。

夜间平均车速(单位km/h)：0—30得100分，30—40得90分，40—50得75分，50—60得50分，60以上得10分。

急加速、急减速、急转弯：0次得100分，1次得95分，2—3次得85分，4—5次得65分，6—9次得40分，10次及以上得20分。

急刹车：0次得100分，1次得85分，2次得70分，3—4次得50分，5次及以上得20分。

在步骤4)中，所述熵权法确定各项指标权重，具体步骤如下：

步骤4.1、对数据进行标准化处理，如有m个三级指标，每个三级指标下都有n个数据，对各三级指标标准化后为：

上式中，Y_ij代表各三级指标标准化后的值，X_ij代表每个三级指标下的各个数据，X_i代表某个三级指标的数据集。

步骤4.2、求取各三级指标的信息熵，根据信息熵的定义，一组数据的信息熵表示如下：

其中

这里需要说明一下若P为0，则信息熵也为0。

步骤4.3、计算各指标的权重：

在步骤5)中，所述司机综合得分的计算方法为：

设各项指标评分为x_i，各项指标权重w_i，综合得分

在步骤6)中，所述聚类分析的具体步骤如下：

步骤6.1、设定聚类数目c＝3，加权指数b＝2；

步骤6.2、初始化各聚类中心Mi，

其中，Ni是第i类中司机得分样本数；

步骤6.3、用当前聚类中心计算隶属度函数：

步骤6.4、用当前隶属度函数按下式计算更新聚类中心：

步骤6.5、重复步骤6.3和6.4，直到各样本的隶属度值稳定，从而完成模糊C均值聚类划分。

在步骤7)中，所述用聚类结果训练BP神经网络，具体步骤如下：

步骤7.1、读取训练数据并将特征值归一化；

步骤7.2、创建BP神经网络，隐含层和输出层神经元个数分别取20、3，神经元传递函数依次采用对数S型传递函数logsig和线性传递函数purelin，训练方法采用自适应Ir动量梯度下降法；

步骤7.3、设置训练参数，学习率取0.01，最大训练次数设为5000，训练要求精度取0.001；

步骤7.4、开始训练。

实际工作时，通过车载终端和路侧系统采集车辆行驶数据，采集到的车辆行驶数据发送到车联网的云平台进行计算，并将分类结果处理后转换为音频信号发送到车辆的语音装置，语音装置对司机作出提醒。

通过上述的结构和原理的描述，所属技术领域的技术人员应当理解，本发明不局限于上述的具体实施方式，在本发明基础上采用本领域公知技术的改进和替代均落在本发明的保护范围，本发明的保护范围应由各权利要求项及其等同物限定之。具体实施方式中未阐述的部分均为现有技术或公知常识。

Claims

1.一种司机驾驶行为分析方法，其特征在于，包括如下步骤：

1)通过车载终端和路侧系统采集车辆行驶数据；

2)利用控制器对采集到的车辆行驶数据进行预处理；

3)根据预处理结果对司机驾驶行为进行评分；

4)利用熵权法计算车辆行驶数据各项指标的权重；

5)根据各项指标的权重计算司机综合得分；

6)利用模糊C均值算法对司机综合得分进行聚类分析；

7)将聚类结果输入BP神经网络进行训练；

8)将车辆实时数据导入训练好的BP神经网络，利用BP神经网络分类器对司机驾驶行为分类。

2.根据权利要求1所述的司机驾驶行为分析方法，其特征在于，在步骤1)中，所述车辆行驶数据包括：时间、经度、纬度、方向、油门信号、左转信号、右转信号、手刹信号、脚刹信号、速度和行驶里程中的一种或几种。

3.根据权利要求1所述的司机驾驶行为分析方法，其特征在于，在步骤2)中，所述预处理的具体过程为：将车辆行驶数据形成矩阵，矩阵的行代表同一辆车，矩阵的列代表相同指标。

4.根据权利要求1所述的司机驾驶行为分析方法，其特征在于，在步骤3)中，所述评分方法如下：

3.1)将司机驾驶行为的二级指标定为：行驶车速、每日出行情况、疲劳驾驶、夜间行驶、四急行为；

3.3)在每个三级指标下确定具体评分标准。

5.根据权利要求4所述的司机驾驶行为分析方法，其特征在于，在步骤4)中，所述权重的计算方法为：

4.1)对数据进行标准化处理，如有m个三级指标，每个三级指标下都有n个数据，对各三级指标标准化后为：

上式中，Y_ij代表各三级指标标准化后的值，X_ij代表每个三级指标下的各个数据，X_i代表某个三级指标的数据集；

4.2)求取各指标的信息熵；

式中

4.3)计算各指标的权重：

6.根据权利要求1所述的司机驾驶行为分析方法，其特征在于，在步骤5)中，所述计算司机综合得分为各项指标加权平均数。

7.根据权利要求1所述的司机驾驶行为分析方法，其特征在于，在步骤6)中，所述聚类分析步骤如下：

6.1)设定聚类数目和加权指数；

6.2)初始化各聚类中心；

6.3)用当前聚类中心计算隶属度函数；

6.4)用当前隶属度函数计算更新聚类中心；

6.5)重复步骤6.3)和步骤6.4)，直到各样本的隶属度值稳定，从而完成模糊C均值聚类。

8.根据权利要求1所述的司机驾驶行为分析方法，其特征在于，在步骤7)中，用聚类结果训练BP神经网络的步骤如下：

7.1)读取训练数据并将特征值归一化；

7.2)创建BP神经网络，设置隐含层和输出层神经元个数、神经元传递函数、训练方法；

7.3)设置训练参数如学习率、最大训练次数、训练要求精度；

7.4)开始训练。

9.一种司机驾驶行为分析系统，其特征在于，包括：测量模块及语音装置，所述测量模块和所述语音装置都与车联网的云平台连接，在所述车联网的云平台上设有如权利要求1-8中任意一项所述的司机驾驶行为分析方法，所述测量模块测量的数据发送到所述车联网的云平台进行计算并对司机驾驶行为分类，分类结果处理后转换为音频信号发送到所述语音装置对司机作出语音提醒。