[发明专利]一种目标行为聚类方法和系统

说明书

本发明公开了一种目标行为聚类方法和系统。流程如下：A.提取目标的待聚类轨迹数据包；对每个轨迹数据包分别执行B～D：B.从轨迹数据包中解析出预定维度的车辆运动参数，并对各维度的车辆运动参数进行向量化处理；C.构建目标行为的特征集；D.构建目标行为实体描述；E.根据各目标行为实体描述间的相似性构建相似性矩阵；F.根据相似性矩阵对目标行为进行聚类；G.计算每一个目标行为类簇的中心点及相关统计量并关联存储。本发明通过抽取目标(单个或种群)行为的特征集，用以描述每个目标的行为实体，结合了目标自身的特点，使得行为描述更具针对性，使得目标行为的定义更加明确，类簇划分更加准确。

技术领域

本发明涉及车联网领域，尤其是一种单个或种群用户的行为的聚类方法和系统。

背景技术

针对时间序列的海量用户轨迹数据，要从中抽象出用户的种群行为，并应用到实时碰撞检测系统，必须对海量数据进行聚类。而针对基于时间序列轨迹数据的用户/种群行为，其具有一定的个性化特征，尤其是在特定场景下，不同类簇的用户/种群行为间存在非常大的差异。现有的聚类方法多是从通用性方向进行的考虑，即对各类驾驶行为数据“一视同仁”，均作为同类型的历史数据进行聚类分析，导致对于存在特殊场景或个性化特征的种群行为被“同化”处理，最终得到的聚类类簇个性化并不明显，直接导致对于特殊场景类目标行为分析缺乏可高和高针对性的依据。直接表现就是对于具备特殊驾驶习惯或者车况与大多车辆存在区别的驾驶行为的碰撞检测多发误判。

基于上述背景，常规的聚类方法所采用的欧氏距离等常用距离度量函数对于行为的聚类不能够达到最佳效果，也导致了对于驾驶行为的聚类无法达到一个理想的结果。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种目标行为聚类方法。以弥补现有聚类方法中，无对特殊驾驶场景进行针对性考虑，导致聚类结果针对性不强，类簇划分不够精准的问题。

本发明采用的技术方案如下：

一种目标行为聚类方法，其包括以下步骤：

A.提取目标的待聚类轨迹数据包；

对每个轨迹数据包分别执行B～D：

B.从轨迹数据包中解析出预定维度的车辆运动参数，并对各维度的车辆运动参数进行向量化处理；

C.对各维度的向量进行第一预处理，分别得到各维度的特征，根据各维度的特征构建出目标行为的特征集；

D.对特征集中各维参数进行第二预处理以构建出目标行为实体描述；

E.根据各目标行为实体描述间的相似性构建相似性矩阵；

F.根据相似性矩阵对目标行为进行聚类；

G.计算每一个目标行为类簇的中心点及相关统计量，将各目标行为类簇的中心点和相关统计量进行关联存储。

上述聚类方法，通过抽取目标(单个或种群)行为的特征集，用以描述每个目标的行为实体，结合了目标自身的特点，使得行为描述更具针对性，使得目标行为的定义更加明确，类簇划分更加准确。对于碰撞检测等场合的应用，在检测概率上考虑了目标的驾驶行为和车况等个性化因素，使得检测时的依据更有针对性，不易出现误检的情况。需要说明的是，对于单个用户而言，所解析的数据包为该用户的历史轨迹数据包，其具有历史概念；对于用户种群而言，为多个用户在同一时间段的轨迹数据包，其不具有历史的概念。

进一步的，所述步骤B包括：

对于用户种群类的目标而言，从轨迹数据包中解析的车辆运动参数包括速度、加速度三轴和角速度三轴，对应的向量化处理得到速度向量、加速度三轴向量和角速度三轴向量；