[发明专利]一种基于决策树的道路类型识别方法及系统

权利要求书

1.一种基于决策树的道路类型识别方法，其特征在于，所述方法包括：

步骤1，获取已知道路类型的车辆行驶数据，将所述车辆行驶数据按照ΔT时间切分为多个数据集，每个数据集标记道路类型标签，将划分好道路类型的数据集进行预处理，获取数据集中的行驶相关指标，作为数据模型样本；

步骤2，将数据模型样本利用k折交叉验证对决策树模型进行训练，得到模型指标评分，根据模型指标评分对决策树模型进行最优化，得到车辆行驶道路类型的识别模型；

步骤3，获取未知道路类型的行车信号，进行预处理，提取对应的行驶相关指标，将该行驶相关指标输入步骤2得到的识别模型中，输出对应的道路类型标签，即识别出车辆行驶道路类型。

2.根据权利要求1所述的基于决策树的道路类型识别方法，其特征在于，步骤1具体包括：

步骤1.1，从车辆行驶数据中先确定相关的七个行车信号，包括，车速、档位、制动踏板开度、加速踏板开度、方向盘转角速度、纵向加速度和横向加速度；

步骤1.2，将已知道路类型的车辆行驶数据按照ΔT时间切分为多个数据集，每个数据集标记道路类型标签0-3，其中，0表示市区，1表示高速，2表示山地，3表示市郊；

步骤1.3，对于每个数据集，从所述数据集中获取相关的七个行车信号，根据得到的行车信号计算出所需要的行驶相关指标，作为数据模型样本，其中，所述数据模型样本包括对应数据集的行驶相关指标和道路类型标签。

3.根据权利要求1或2所述的基于决策树的道路类型识别方法，其特征在于，所述行驶相关指标包括：车速大于0时的车速的25％分位点、中位数、均值、标准差和最大值；车辆停车时长占比和倒车时长占比；制动踏板开度的25％分位点、中位数、均值、标准差和最大值；加速踏板开度的25％分位点、中位数、均值、标准差和最大值；方向盘转角速度的25％分位点、中位数、均值、标准差和最大值；纵向加速度的25％分位点、中位数、均值、标准差和最大值；横向加速度的25％分位点、中位数、均值、标准差和最大值。

4.根据权利要求1所述的基于决策树的道路类型识别方法，其特征在于，步骤2具包括：

步骤2.1，将训练集分为k份，其中一份作为验证集，另外k-1份作为训练集，其中，所述训练集为各数据集经预处理后得到的数据模型样本的集合；

步骤2.2，选取其中1份作为验证集，将剩余k-1份作为训练集输入决策树模型进行训练，得到训练后的决策树模型；

步骤2.3，将选取的验证集输入训练后的决策树模型，验证模型指标评分并保存；

步骤2.4，重复步骤2.2～2.3k次，每一次选取的验证集均不相同，得到k个模型指标评分，取k个模型指标评分的平均值即得到决策树模型的最终评分。

5.根据权利要求1所述的基于决策树的道路类型识别方法，其特征在于，步骤3具体包括：从车辆CAN总线中实时采集运动过程中的行车信号并存储，每隔X秒将采集的行车信号序列进行预处理，提取对应的行驶相关指标，将得到的行驶相关指标输入识别模型中，从而得到该X秒内车辆行驶的道路类型标签。

6.一种基于决策树的道路类型识别系统，其特征在于，所述系统包括样本获取模块、模型训练模块以及道路类型识别模块；

所述样本获取模块用于获取已知道路类型的车辆行驶数据，将数据按照ΔT时间切分为多个数据集，每个数据集标记道路类型标签，将划分好道路类型的数据集进行预处理，获取数据集中的行驶相关指标，作为数据模型样本；

所述模型训练模块用于将数据模型样本利用k折交叉验证对决策树模型进行训练，得到模型指标评分，根据模型指标评分对决策树模型进行最优化，得到车辆行驶道路类型的识别模型；

所述道路类型识别模块用于获取未知道路类型的行车信号，进行预处理，提取对应的行驶相关指标，将该行驶相关指标输入识别模型中，输出对应的道路类型标签，即识别出车辆行驶道路类型。