[发明专利]一种基于机器学习的驾驶风格辨识方法

权利要求书

1.一种基于机器学习的驾驶风格辨识方法，其特征在于，包括以下步骤：

A、在试验车上搭载IMU惯导装置，用于采集时间信息、本车状态及本车定位；安装高清摄像头和环视激光雷达，用以采集视频数据及点云数据；选取数名驾驶员依次驾驶试验车，在高速/城市道路行驶，IMU惯导装置、高清摄像头和环视激光雷达将获取的发送至信息收集平台，并将数据下载至本地；

B、数据预处理：以下载后的本地数据作为机器学习的样本数据集，每个驾驶员的驾驶数据作为独立样本，评价指标作为特征向量，定义样本数据集，将原始数据进行速度切片，对每段速度分别进行聚类，建立各种分段速度工况下的评价指标，对原始数据进行归一化处理得到归一化后的样本数据集；

C、基于k-means均值聚类和层次聚类的聚类分析；

D、驾驶风格分析：先将驾驶风格细化分类，基于决策融合策略对不同速度下的驾驶风格进行汇总，输出被测者的综合驾驶风格标签，以速度分类评价驾驶风格；

E、判断是否有异常结果，采取高相关性系数筛选阈值，减少评价指标个数和增加驾驶风格组别的方式，提高速度区段下重合度；

F、输出结论。

2.根据权利要求1所述的一种基于机器学习的驾驶风格辨识方法，其特征在于：步骤A，所述高清摄像头为8个，环视激光雷达为14个，分别为1个32线激光雷达、1个16线激光雷达、6个4线激光雷达、2个毫米波雷达以及4个角雷达，分别用于获取自车信息、车车相对信息以及驾驶员状态信息。

3.根据权利要求1所述的一种基于机器学习的驾驶风格辨识方法，其特征在于：步骤B，所述样本数据集D包括m个样本，每个样本又包含n个特征向量，三者的关系可以表示为：

D＝[x₁,x₂,......,x_m] (1)

x_i＝[x_i1；x_i2；......；x_in] (2)

假设机器学习将样本数据集划分为k个类，用λ_j∈(1,2,......,k)表示样本x_i的“类坐标”，即x_i∈λ_j，聚类算法的结果可以用涵盖m个样本的类向量λ＝[λ₁；λ₂；......；λ_m]来表示；

原始驾驶数据样本集D为

4.根据权利要求1所述的一种基于机器学习的驾驶风格辨识方法，其特征在于：所述速度分段为三段区间，包括低速是30-60km/h，中速是60-90km/h，高速是90-120km/h。

5.根据权利要求1所述的一种基于机器学习的驾驶风格辨识方法，其特征在于：建立评价指标包括基于先验知识的人工选择和基于相关系数的筛选；所述基于先验知识的人工选择，选择跟驾驶风格强相关的特征用作评价指标；所述基于相关系数的筛选，选择简单相关系数法度量两个变量间的线性关系。

6.根据权利要求1所述的一种基于机器学习的驾驶风格辨识方法，其特征在于：步骤C，所述k-means均值聚类分析的步骤为：C1、人为指定分类个数k，随机选取k个聚类中心；C2、根据欧式距离分配数据点，将距离最近的点集合构成一类；C3、更新聚类中心，将数据点重新分配，并计算平均误差；C4、重复步骤C3，直到前后两次的误差在给定范围之内，得出分类结果。

7.根据权利要求1所述的一种基于机器学习的驾驶风格辨识方法，其特征在于：步骤C，所述层次聚类的聚类分析的步骤为：找出距离最近的两个采样点，合并成一类，再将这个类和剩余采样点混在一起，重新寻找距离最近的两个点或者点+类、类+类，直到将N个数据合并成k类为止。