[发明专利]基于局部时间序列提取算法的驾驶风格识别方法及装置

权利要求书

1.一种基于局部时间序列提取算法的驾驶风格识别方法，其特征在于，包括：

确定驾驶风格不同的至少两个驾驶风格样本集；

采用预设的时间序列分割方法将所述至少两个驾驶风格样本集中的每一个驾驶风格样本集分割为多个初始时间子序列；

采用预设的局部时间序列提取算法从所述多个初始时间子序列中提取出多个目标时间子序列；

根据所述多个目标时间子序列构建相似度识别模型，并根据所述相似度识别模型对待识别驾驶数据的驾驶风格进行识别；

所述确定驾驶风格不相同的至少两个驾驶风格样本集包括：

获取初始驾驶数据集；

采用预设的降维算法将所述初始驾驶数据集进行降维，生成待处理驾驶数据集；

采用聚类算法将所述待处理驾驶数据集进行聚类，生成所述至少两个驾驶风格样本集；

所述初始驾驶数据集包括多个驾驶人的多维初始驾驶数据；所述预设的降维算法为主成分分析法；所述采用预设的降维算法将所述初始驾驶数据集进行降维，生成待处理驾驶数据集包括：

根据所述初始驾驶数据集构造初始驾驶数据矩阵，所述初始驾驶数据矩阵的行数与所述多维初始驾驶数据的维数相等，所述初始驾驶数据矩阵的列数与所述多个驾驶人的个数相等；

将所述初始驾驶数据矩阵的每一行进行零均值化，生成零均值矩阵；

计算所述零均值矩阵的协方差矩阵；

计算所述协方差矩阵的多个特征值及与所述多个特征值一一对应的多个特征向量；

按照所述多个特征值从大到小的顺序，将所述多个特征向量排列成备选矩阵；

从所述备选矩阵中选取前第一阈值行，生成所述待处理驾驶数据集；

所述根据所述多个目标时间子序列构建相似度识别模型包括：

采用符号集合近似算法将所述多个目标时间子序列符号化，生成多个目标字符串；

计算所述多个目标字符串的多个TF-IDF权重向量，并根据所述多个TF-IDF权重向量生成所述相似度识别模型；

所述根据所述相似度识别模型对待识别驾驶数据的驾驶风格进行识别包括：

采用符号集合近似算法将所述待识别驾驶数据符号化，生成多个驾驶字符串；

计算所述多个驾驶字符串中每一个驾驶字符串的频率，生成频率向量；

计算所述频率向量与所述多个TF-IDF权重向量的多个余弦相似度值；

确定所述多个余弦相似度值中的最大余弦相似度值，并确定与所述最大余弦相似度值对应的最相似目标时间子序列，与所述最相似目标时间子序列对应的驾驶风格样本集的驾驶风格即为所述待识别驾驶数据的驾驶风格。

2.根据权利要求1所述的基于局部时间序列提取算法的驾驶风格识别方法，其特征在于，所述预设的局部时间序列提取算法为shapelets提取算法。

3.根据权利要求1所述的基于局部时间序列提取算法的驾驶风格识别方法，其特征在于，所述预设的时间序列分割方法为滑窗法。

4.根据权利要求1所述的基于局部时间序列提取算法的驾驶风格识别方法，其特征在于，在所述生成所述至少两个驾驶风格样本集之后还包括：

获取驾驶数据验证集；

通过所述驾驶数据验证集验证所述至少两个驾驶风格样本集的准确度。

5.根据权利要求1所述的基于局部时间序列提取算法的驾驶风格识别方法，其特征在于，所述采用符号集合近似算法将所述多个目标时间子序列符号化，生成多个目标字符串包括：

对所述多个目标时间子序列进行标准化，生成多个标准化目标时间子序列；所述多个标准化目标子序列的均值为0，标准方差为1；

基于分段累积近似方法将多个标准化目标子序列进行降维处理，生成多个降维子序列；

将所述多个降维子序列用字符表示，生成所述多个目标字符串。

6.一种基于局部时间序列提取算法的驾驶风格识别装置，其特征在于，包括：

样本集确定单元，用于确定驾驶风格不同的至少两个驾驶风格样本集；

样本集分割单元，用于采用预设的时间序列分割方法将所述至少两个驾驶风格样本集中的每一个驾驶风格样本集分割为多个初始时间子序列；

局部时间序列提取单元，用于采用预设的局部时间序列提取算法从所述多个初始时间子序列中提取出多个目标时间子序列；

驾驶风格识别单元，用于根据所述多个目标时间子序列构建相似度识别模型，并根据所述相似度识别模型对待识别驾驶数据进行识别，识别出所述待识别驾驶数据的驾驶风格；

所述确定驾驶风格不相同的至少两个驾驶风格样本集包括：

获取初始驾驶数据集；

采用预设的降维算法将所述初始驾驶数据集进行降维，生成待处理驾驶数据集；

采用聚类算法将所述待处理驾驶数据集进行聚类，生成所述至少两个驾驶风格样本集；

所述初始驾驶数据集包括多个驾驶人的多维初始驾驶数据；所述预设的降维算法为主成分分析法；所述采用预设的降维算法将所述初始驾驶数据集进行降维，生成待处理驾驶数据集包括：

根据所述初始驾驶数据集构造初始驾驶数据矩阵，所述初始驾驶数据矩阵的行数与所述多维初始驾驶数据的维数相等，所述初始驾驶数据矩阵的列数与所述多个驾驶人的个数相等；

将所述初始驾驶数据矩阵的每一行进行零均值化，生成零均值矩阵；

计算所述零均值矩阵的协方差矩阵；

计算所述协方差矩阵的多个特征值及与所述多个特征值一一对应的多个特征向量；

按照所述多个特征值从大到小的顺序，将所述多个特征向量排列成备选矩阵；

从所述备选矩阵中选取前第一阈值行，生成所述待处理驾驶数据集；

所述根据所述多个目标时间子序列构建相似度识别模型包括：

采用符号集合近似算法将所述多个目标时间子序列符号化，生成多个目标字符串；

计算所述多个目标字符串的多个TF-IDF权重向量，并根据所述多个TF-IDF权重向量生成所述相似度识别模型；

所述根据所述相似度识别模型对待识别驾驶数据的驾驶风格进行识别包括：

采用符号集合近似算法将所述待识别驾驶数据符号化，生成多个驾驶字符串；

计算所述多个驾驶字符串中每一个驾驶字符串的频率，生成频率向量；

计算所述频率向量与所述多个TF-IDF权重向量的多个余弦相似度值；

确定所述多个余弦相似度值中的最大余弦相似度值，并确定与所述最大余弦相似度值对应的最相似目标时间子序列，与所述最相似目标时间子序列对应的驾驶风格样本集的驾驶风格即为所述待识别驾驶数据的驾驶风格。