[发明专利]基于特征分析的分心驾驶行为分类方法、系统和存储介质

说明书

本发明涉及一种基于特征分析的分心驾驶行为分类方法、系统和存储介质，方法包括基于刺激‑反应理论框架获取代表驾驶员分心驾驶行为特征的行为参数；根据行为参数的组合变化确定不同类别的分心跟驰行为；获取分心跟驰片段样本，通过专家法，进行分类判断，得到不同类别的分心跟驰样本；将不同类别的分心跟驰样本输入跟驰模型中进行模型标定，得到各类跟驰参数；对跟驰参数进行交叉验证，优化分心跟驰行为的分类，得到最终的分心驾驶行为分类结果。与现有技术相比，本发明探究了分心状态下的行为特征，对分心驾驶行为进行了分类及定义，满足在微观仿真系统中对驾驶分心进行真实准确的复现的要求，实现对微观仿真系统中跟驰行为的深度仿真。

技术领域

本发明涉及交通流微观仿真技术领域，尤其是涉及基于特征分析的分心驾驶行为分类方法、系统和存储介质，可高逼真、高可信地描述驾驶员分心状态下的行为特征及交通流。

背景技术

个人移动终端、车载信息和服务系统给驾驶员的出行和交互带来了便利，但同时也造成驾驶员在开车时的注意力分散。驾驶员分心成为驾驶过程中最常见的现象之一。据统计，在英国和西班牙的道路上，分别有多达15％和20％的驾驶员处于分心状态，直接影响到交通流的正常运行。纵向跟驰和横向换道是两类最基本的驾驶行为，其中，相比于横向换道这种需要驾驶员充分关注的驾驶任务，纵向跟驰过程中车辆行驶自由度大，任务本身不需要持续的完美行为和全神贯注，因此分心行为大多发生在纵向跟驰过程。跟驰过程中的分心会使得交通流产生迟滞和震荡等不稳定现象，从而影响交通流运行安全和效率。因此，研究跟驰过程中的分心驾驶行为，对其进行合理有效的分类，对于准确描述道路交通流特征、深入剖析交通流运行规律等具有非常重要的意义。

近年来，驾驶员的分心驾驶行为受到越来越多的重视。分心行为作为一种在驾驶过程中随机产生的状态，具有致因不确定性和表现不确定性的双重不确定性特点。这对于分心行为建模而言是一个重要挑战。目前大多数的研究是通过试验的方法获得相关数据，无法准确地提供驾驶人在自然状态下的分心行为。而自然驾驶试验具备真实驾驶情况还原度高、场景覆盖丰富等特点，可为分析驾驶行为提供强大的数据支持，但鲜有研究将自然驾驶状态下非受控驾驶数据用于分心行为的研究。另一方面，现有研究多聚焦于分心行为或者导致分心的干扰源的识别和干预，但较少考虑分心跟驰行为的具体分类及行为特征。因此，在如何基于非受控的自然驾驶数据，在微观仿真系统中对驾驶分心进行真实准确的复现这一问题上，现有研究仍存在空白。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征分析的分心驾驶行为分类方法、系统和存储介质，基于非受控的自然驾驶数据，在微观仿真系统中对驾驶分心进行真实准确的复现。

首先基于驾驶刺激-反应理论框架，对分心驾驶行为进行初步的分类，然后利用跟驰模型适应性分析结果，经过交叉验证进一步优化分类结果，最终建立分心驾驶行为分类模型，真实描述分心状态下驾驶员跟驰行为，最终满足在微观仿真系统中对驾驶分心进行真实准确的复现的要求。

本发明的目的可以通过以下具体的技术方案来实现：

一种基于特征分析的分心驾驶行为分类方法，包括：

基于刺激-反应理论框架获取代表驾驶员分心驾驶行为特征的行为参数；

根据所述行为参数的组合变化确定不同类别的分心跟驰行为；

获取分心跟驰片段样本，通过专家法，根据分心跟驰行为的分类，对各个分心跟驰片段样本进行分类判断，得到不同类别的分心跟驰样本；

选取跟驰模型，并将不同类别的分心跟驰样本输入该跟驰模型中进行模型标定，得到每类分心跟驰样本的跟驰参数；

对各类分心跟驰样本的跟驰参数进行交叉验证，根据跟驰参数的相似度，进行各类分心跟驰样本之间的合并，优化分心跟驰行为的分类，得到最终的分心驾驶行为分类结果。