CN108108766A - 基于多传感器数据融合的驾驶行为识别方法及*** - Google Patents

Abstract

一种基于多传感器数据融合的驾驶行为识别方法及***，通过安装于车辆上的OBD传感信息采集器和加速度传感器，获取车辆的OBD传感数据加速度数据，并通过两个机器学习模型对其中的特征信息进行分类，独立计算两个模型中每一个分类结果的分类置信度和分类准确度，将两个模型中的分类结果按照各自的分类置信度和分类准确度进行加权融合，最终以加权融合数值最大的分类结果，作为对驾驶行为的识别结果。本发明通过数据融合技术，能够同时综合考量多种传感数据，因而，识别精度更高，更有利于对车辆驾驶行为进行评估。而且，本发明中识别所需的大部分传感数据可通过电动车辆自身总线直接获得，仅需在车辆上增设加速度传感器，成本低廉，适宜推广。

Description

基于多传感器数据融合的驾驶行为识别方法及***

技术领域

本发明涉及传感数据处理领域，尤其涉及一种基于多传感器数据的对驾驶行为进行识别的技术。

背景技术

驾驶员的驾驶行为习惯在汽车租赁和汽车保险行业中，作为判断驾驶人使用车辆安全状况以及用户评价方面的重要参考，一直广为关注。基于驾驶行为的识别技术，可以从一个侧面反映出驾驶员在驾驶过程中的具体的驾驶习惯，进而，根据这些驾驶习惯对驾驶员的驾驶风险进行评级。

目前，现有的驾驶行为识别技术通常仅局限于针对燃油机车，针对电动汽车驾驶行为识别技术的研究较少。且，目前，针对驾驶行为识别技术的研究主要仅针对两个方向：基于驾驶员的驾驶行为分析，或是基于车辆的驾驶行为分析。

前者，例如Chiyomi Miyajima，Yoshihiro Nishiwaki和Koji Ozawa针对不同驾驶员对油门刹车踏板的操纵情况进行建模，提出了一种混合高斯算法，通过此算法对驾驶员驾驶行为进行分析可获得大概80％的准确率。

一些学者则希望利用后者，通过智能手机的传感信号来反应车辆的驾驶状况，对驾驶行为进行识别。这一思路下，李伟健等人就通过手机中的加速度传感器的变化程度识别车辆是否发生事故。

虽然上述两种研究方向都能够对驾驶行为进行分类，但其共同问题在于，识别精度不高。

考虑到电动汽车上可装载的传感器数目众多，实际上可通过车辆上搭载的各类传感器，获得相当数目的驾驶行为过程中的驾驶数据。这意味着识别***输入端信息源充足，将其利用历来将有可能大大提升对于驾驶行为的辨识精度。然而，基于车辆传感数据的驾驶行为识别技术，目前几乎处于空白状态。

因此，目前，急需一种基于传感器数据的驾驶行为识别技术，以提高针对电动汽车驾驶行为的辨识精度。

发明内容

为了解决现有技术存在的不足，本发明的目的在于提供一种基于多传感器数据融合的驾驶行为识别方法及***。

首先，为实现上述目的，提出一种基于多传感器数据融合的驾驶行为识别方法，包括以下步骤：

第一步，获取车辆的OBD(On Board Diagnostics，车载自动诊断***)传感信息和加速度信息，对所述OBD传感信息和所述加速度信息进行预处理，获得车辆的OBD传感数据和加速度数据；

第二步，分别提取所述OBD传感数据的特征信息和所述加速度数据的特征信息；

第三步，分别将所述OBD传感数据的特征信息输入预先训练好的第一机器学习模型进行分类，根据所述第一机器学习模型的分类数据计算每一个分类结果的第一分类置信度h1和第一分类准确度W1；将所述加速度数据的特征信息输入预先训练好的第二及其学习模型进行分类，根据所述第二机器学习模型的分类数据计算每一个分类结果的第二分类置信度h2和第二分类准确度W2；

第四步，根据所述第三步获得的第一分类置信度h1、第一分类准确度W1、第二分类置信度h2和第二分类准确度W2，对所述第一机器学习模型和所述第二机器学习模型的每一个分类结果按照公式W1*h1+W2*h2加权融合，输出加权融合数值最大的分类结果，即对驾驶行为的识别结果。

具体的，上述方法中，所述第一步中，所述预处理为归一化处理。降噪处理采用小波降噪方法。

具体的，上述方法中，所述第二步中，所述OBD传感数据的特征信息包括所述OBD传感信息的均值、方差、最大值和最小值；所述加速度数据的特征信息为所述加速度数据的时域波动特性及稳定性。

具体的，上述方法中，所述加速度数据的时域波动特性及稳定性通过MMA(Multiscale multifractal analysis，移动渐近线)方法计算获得；所述MMA方法具体步骤包括：

步骤M1，计算K个加速度数据x_k所组成的加速度序列的轮廓信号序列Y(i)，1≤k≤K：

其中，K表示加速度数据序列x₁...x_K的长度，<x>表示以固定时间窗截取的一组加速度序列，i表示所述轮廓信号序列中第i个数据，x_k表示第k组加速度序列；步骤M2，将轮廓信号序列Y(i)分为N_s≡int(N/s)个连续且不重叠的子区间V_j(j＝1，2，...N_s)；其中s表示尺度参数，N表示一组轮廓信号序列Y(i)中的数据的个数；

步骤M3，通过最小二乘估计算法计算每个子区间V_j(j＝1，2，...N_s)的趋势，按照如下公式计算每个子区间V_j(j＝1，2，...N_s)的方差G²(s，v)：

其中，v表示子区间的序列号；s表示尺度参数，代表子序列的长度；

y_v(i)是每个子区间的n阶(n取正整数范围)拟合多项式：

y_v(i)＝a_j0+a_j1i+...a_jn-1i^n-1+a_jniⁿ，n＝1，2...

其中，n表示拟合多项式的回归阶数(n＝1，2，3…)；a_jn表示通求得的每一阶的系数；

步骤M4，计算每个子区间V_j(j＝1，2，...N_s)的q阶波动函数其中，q表示波动阶数(q一般设置为[-5，5]；当q为正值时，表示对数据大的波动进行分析；q为负值时，表示对数据的小的波动进行分析)；

步骤M5，计算Hurst表面函数h(q，s)，获得所述加速度数据的时域波动特性及稳定性，其中，其中，Ri表示一个拟合窗口R_i(i＝1，2，3，…，i取正整数范围)，这里引入的拟合窗口是一个移动的拟合窗口，F(q，s)_Ri和s_Ri分别为该拟合串口Ri下对应的值；ΔF(q，s)_Ri表示不同窗口下F(q，s)值的变化量；Δs_Ri表示不同窗口下s值的变化量。

进一步，为充分利用数据，上述方法的所述步骤M2中，从所述轮廓信号Y(i)构成的序列的首尾两端分别按照N_s≡int(N/s)个子区间的步长切割，获得2N_s个连续且不重叠的子区间；

然后对所述2N_s个子区间分别按照步骤M3至M5的步骤计算所述加速度数据的时域波动特性及稳定性。

具体的，上述方法中，所述第三步中，所述第一机器学习模型为随机森林分类器；

所述第一机器学习模型通过如下步骤训练获得：

步骤A1，创建OBD传感信息的有标签训练样本集{(O₁，y₁)，(O₂，y₂)，…，(O_k，y_k)}，其中，k为样本标号，k≥2，O_k表示第k个OBD传感信息训练样本，y_k表示第k个训练样本的标签值；所述有标签训练样本集中每一种标签至少包含1个OBD传感信息训练样本；对所述OBD传感信息训练样本进行降噪处理和归一化处理，获得车辆的OBD训练样本传感数据；

步骤A2，提取所述OBD训练样本传感数据的特征信息；

步骤A3，将所述OBD训练样本传感数据的特征信息输入所述随机森林分类器，由所述随机森林分类器通过自助(bootstrap)重采样技术，从所述OBD训练样本传感数据的特征信息中有放回的重复抽取L次，得到一个样本集合，这里L是放入分类器样本的总数；然后随机选取m个训练样本属性值，形成新的样本集合，这里m是设置的参数，一般大于属性数量的1/3，由此得到一个决策树，由每一个决策树获得一个分类结果；

步骤A4，将所述随机森林分类器的每个分类结果的决策树的数量占所有决策树总数的比例h₁(p|x)作为所述分类数据，获得每一个分类结果的第一分类置信度h1＝h₁(p|x)；

每一个分类结果的第一分类准确度W1为其中，N_acc1表示OBD传感信息的有标签训练样本集中分类正确的个数，N_p1表示OBD传感信息的有标签训练样本集中样本数量的总数。

类似的，上述方法的所述第三步中，所述第二机器学习模型为参数与所述第一机器学习模型相同的随机森林分类器；

所述第二机器学习模型通过如下步骤训练获得：

步骤B1，创建加速度信息的有标签训练样本集{(x₁，y₁)，(x₂，y₂)，…，(xk，y_k)}，其中，k为样本标号，k≥2，x_k表示第k个加速度信息训练样本，y_k表示第k个训练样本的标签值；所述有标签训练样本集中每一种标签至少包含1个加速度信息训练样本；对所述加速度信息训练样本进行降噪处理和归一化处理，获得车辆的加速度训练样本传感数据；

步骤B2；提取所述加速度训练样本传感数据的特征信息；

步骤B3，将所述加速度训练样本传感数据的特征信息输入所述随机森林分类器，由所述随机森林分类器通过自助(bootstrap)重采样技术，从所述加速度训练样本传感数据的特征信息中有放回的重复抽取L次，得到一个样本集合，这里L是样本的总数；然后随机选取m个训练样本属性值，形成新的样本集合，这里m是设置的参数，一般大于属性数量的1/3，由此得到一个决策树，由每一个决策树获得一个分类结果；

步骤B4，将所述随机森林分类器的每个分类结果的决策树的数量占所有决策树总数的比例h₂(p|x)作为所述分类数据，获得每一个分类结果的第二分类置信度h2＝h₂(p|x)；

所述第二机器学习模型中，每一个分类结果的第二分类准确度W2为这里N_acc2表示加速度信息的测试样本中分类正确的个数，N_p2表示测试样本的总数。

具体的，本发明的方法中，所述第一步中，所述OBD传感信息包括，车速、电动机转矩、电机的输出电流信息、电机功率。

其次，为实现上述目的，还提出一种基于多传感器数据融合的驾驶行为识别***，包括安装于车辆上的加速度传感器、OBD传感信息采集器，还包括服务器；所述加速度传感器和所述OBD传感信息采集器均与所述服务器连接：

所述加速度传感器用于获取车辆的加速度信息，并上传至所述服务器；

所述OBD传感信息采集器用于获取车辆的OBD传感信息，并上传至所述服务器；所述服务器用于接收所述OBD传感信息和所述加速度信息，对所述OBD传感信息和所述加速度信息进行归一化处理后获得车辆的OBD传感数据和加速度数据；再分别提取所述OBD传感数据的特征信息和所述加速度数据的特征信息；对所述OBD传感数据的特征信息进行分类，获得第一分类置信度h1和第一分类准确度W1；对所述加速度数据的特征信息进行分类，获得第二分类置信度h2和第二分类准确度W2；最后对所述每一个分类结果按照公式W1*h1+W2*h2加权融合，计算得到加权融合数值最大的分类结果，即对驾驶行为的识别结果，输出所述识别结果。

具体的，上述***中，所述加速度传感器为六轴加速度计。

进一步，上述***中，所述服务器为车载服务器或远程服务器；

在所述服务器选择远程服务器时，所述基于多传感器数据融合的驾驶行为识别***内还包括存储模块和数据收发模块；

所述存储模块同时连接所述加速度传感器和所述OBD传感信息采集器，所述存储模块用于存储所述加速度传感器获取的车辆的加速度信息以及所述OBD传感信息采集器获取的车辆的OBD传感信息，输出至所述数据收发模块；

所述数据收发模块同时连接所述存储模块和所述远程服务器，所述数据收发模块用于将所述存储模块存储的车辆的加速度信息以及OBD传感信息上传至所述远程服务器。

有益效果

本发明，通过安装于车辆上的OBD传感信息采集器和加速度传感器，获取车辆的OBD传感数据加速度数据，并通过两个机器学习模型对其中的特征信息进行分类，独立计算两个模型中每一个分类结果的分类置信度和分类准确度，将两个模型中的分类结果按照各自的分类置信度和分类准确度进行加权融合，最终以加权融合数值最大的分类结果，作为对驾驶行为的识别结果。本发明通过数据融合技术，能够同时综合考量多种传感数据，因而，识别精度更高，更有利于对车辆驾驶行为进行评估。而且，本发明中识别所需的大部分传感数据可通过电动车辆自身总线直接获得，仅需在车辆上增设加速度传感器，成本低廉，适宜推广。

进一步，本发明通过MMA(Multiscale multifractal analysis，移动渐近线)方法计算所述加速度数据的时域波动特性及稳定性。尤其，可对其中轮廓信号Y(i)构成的序列的首尾两端分别按照N_s≡int(N/s)个子区间的步长切割，获得2Ns个连续且不重叠的子区间，以提高对数据的利用率，进一步提高计算的精度。当然，对于加速度信号的处理，还有其他方法，比如小波包能量和SVD(奇异值分解)。但是考虑到设备传输成本问题，由于这两种针对时域的方法需要大量的时域数据，显然需要更高的采样成本。而本发明中出于成本考量，对于加速度信号的采集频率是每秒10个点，每组数据有50点。这样的数据的数量限制了小波包能量和SVD的处理效果，而对于MMA算法则不同。MMA算法能够通过信号的波动性和稳定性，可以高效地对数据有效信息进行提取。通过对比实验也证明，MMA方法具有更高的准确性。

进一步，本发明将随机森林分类器作为机器学习模型。机器学习模型有很多种，而为了体现不同分类器对每个样本的不同的分类效果，本发明引入了置信度h(p|x)。机器学习模型一般可选择随机森林，朴素贝叶斯和libsvm。对于三种分类器来说，朴素贝叶斯分类器较为简单，属于早期分类器，对于类别过多的分类不具有优势；而libsvm在参数的选择方面则要求较高。由于，随机森林分类过程中建立有多个决策树，每个决策树得到一个分类结果，通过对每个决策树的分类结果进行投票确定作为最终的分类结果。因此，可直接将其中每个分类结果的决策树的数量占所有决策树总数的比例h(p|x)作为所述分类数据，将每一个分类结果中分类正确的比例作为分类准确度。通过对比实验发现，随机森林相对其他两者来说准确率更高，且不需要太多的参数选择，更适用于本发明。

具体到装置结构上，由于电动汽车本身CAN总线上已具备本发明识别所需的绝大多数OBD传感数据，因此，本发明可直接通过0BD传感信息采集器获取其中信息。而且，由于CAN总线上数据随车辆运行状况实时更新，因此，区别于现有通过中间传感器或数据处理单元获得的信息，本发明对车辆的驾驶状况更为敏感，精度更高。尤其，本发明在获得车辆各类传感信息后，还包括有对这些信息的预处理从而提取其中的特征信息。特征信息，由于仅保留了相对敏感的数据特征，因而，可有效修正因传感器自身灵敏度造成的辨识准确度的偏差，进一步提高本发明识别的精度。通过增加训练样本的数量，本发明还可以有效抑制过拟合，进一步提高识别精度。远程服务器可大大提高***的运算能力，同时更便于对训练样本的扩展和更新。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中：

图1为根据本发明的基于多传感器数据融合的驾驶行为识别方法流程图；

图2为根据本发明的基于多传感器数据融合的驾驶行为识别***框图；

图3为本发明服务器内对训练样本或传感数据进行处理的流程示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1为根据本发明的基于多传感器数据融合的驾驶行为识别方法流程图，包括以下步骤：

第一步，获取车辆的OBD(On Board Diagnostics，车载自动诊断***，这里所谓的OBD传感信息实际上就是通过电动汽车的CAN总线实现数据交互，得到的电动车运行状态下的一些数据。由于电动汽车与燃油汽车在OBD口的数据有些差距，所以本发明主要针对电动汽车)传感信息和加速度信息，对所述OBD传感信息和所述加速度信息进行预处理，获得车辆的OBD传感数据和加速度数据；

第二步，分别提取所述OBD传感数据的特征信息和所述加速度数据的特征信息；

第三步，分别将所述OBD传感数据的特征信息输入预先训练好的第一机器学习模型进行分类，根据所述第一机器学习模型的分类数据计算每一个分类结果的第一分类置信度h1和第一分类准确度W1；将所述加速度数据的特征信息输入预先训练好的第二及其学习模型进行分类，根据所述第二机器学习模型的分类数据计算每一个分类结果的第二分类置信度h2和第二分类准确度W2；(对于不同的机器学习模型而言分类置信度的具体计算方式存在差异：以贝叶斯模型为例，可以将其后验概率作为分类置信度；而对于分类准确度，可以有效的代表不同的分类器的准确度，即是代表该分类器对于该数据样本的分类能力)

第四步，根据所述第三步获得的第一分类置信度h1、第一分类准确度W1、第二分类置信度h2和第二分类准确度W2，对所述第一机器学习模型和所述第二机器学习模型的每一个分类结果按照公式W1*h1+W2*h2加权融合，输出加权融合数值最大的分类结果，即对驾驶行为的识别结果。

具体的，上述方法中，所述第一步中，所述预处理为归一化处理。降噪处理采用小波降噪方法。

具体的，上述方法中，所述第二步中，所述OBD传感数据的特征信息包括所述OBD传感信息的均值、方差、最大值和最小值；所述加速度数据的特征信息为所述加速度数据的时域波动特性及稳定性。

具体的，上述方法中，所述加速度数据的时域波动特性及稳定性通过MMA(Multiscale multifractal analysis，移动渐近线)方法计算获得；MMA算法是一种处理时域信号的方法。实际上是标准多重分析算法加入了尺度因素。通过MMA算法分析可以分析得到信号的波动特性以及其稳定性。该算法得到的结果是Hurst表面，用于描述Hurst指数在不同参数q(波动阶数)和参数s(尺度)情况下波动情况的变化幅度[7]。但是实际上该方法一直没有用于特征提取，本文采用该方法，选择其Hurst指数序列作为提取的特征。所述MMA方法具体步骤包括：

步骤M1，计算K个加速度数据x_k所组成的加速度序列的轮廓信号序列Y(i)，1≤k≤K：

其中，K表示加速度数据序列x₁...x_K的长度，<x>表示以固定时间窗(例如，本实施例中选取5秒的时间窗)截取这期间采集到的数据作为一组加速度序列，i表示所述轮廓信号序列中第i个数据，x_k表示第k组加速度序列；

步骤M2，将轮廓信号序列Y(i)分为N_s≡int(N/s)个连续且不重叠的子区间V_j(j＝1，2，...N_s)；其中s表示尺度参数，N表示一组轮廓信号序列Y(i)中的数据的个数；

步骤M3，通过最小二乘估计算法计算每个子区间V_j(j＝1，2，...N_s)的趋势，按照如下公式计算每个子区间V_j(j＝1，2，...N_s)的方差G²(s，v)：

其中，v表示子区间的序列号；s表示尺度参数，代表子序列的长度；y_v(i)表示各子区间V_j(j＝1，2，...N_s)的n阶拟合多项式(本实施例中阶数n取到5就可以，n的可以在正整数范围内取值)：

y_v(i)＝a_j0+a_j1i+...a_jn-1i^n-1+a_jniⁿ，n＝1，2...

其中，n表示拟合多项式的回归阶数(n＝1，2，3…)；a_jn表示通求得的每一阶的系数(本领域技术人员应当理解，这个n阶拟合多项式是通过工具箱就可以得到的，已知子区间并设置好n，可以求得其拟合多项式)；

步骤M4，计算每个子区间V_j(j＝1，2，...N_s)的q阶波动函数其中，q表示波动阶数(q是人为设置的参数，一般设置为[-5，5]，q为正值时，表示对数据大的波动进行分析，而q为负值时，表示对数据的小的波动进行分析)；

步骤M5，计算Hurst表面函数h(q，s)，获得所述加速度数据的时域波动特性及稳定性，其中，其中，Ri表示一个拟合窗口R_i(i＝1，2，3，…，本实施例中选择i到5就可以，i的取值范围包括整个正整数范围)，这里引入Ri作为移动的拟合窗口，可以将中准连续变化的s值带入到q阶波动函数F(q，s)运算中，F(q，s)_Ri和s_Ri分别表示Ri拟合窗口下q阶波动函数F(q，s)_Ri对应的值和尺度参数s对应的值；ΔF(q，s)_Ri表示不同窗口下F(q，s)值变化量；Δs_Ri表示不同窗口下s值的变化量。

MMA方法中，尺度值s的选择是至关重要的，MMA中采用一个移动拟合窗口，将窗口中准连续变化的s值代入到F(q，s)的运算中。假设一个拟合窗口Ri(i＝1，2，..，n)，而hRi对应着在Ri中计算得到的h值。然后可以计算得到每个拟合窗口的h值，h(s)＝{h_R1，h_R2，...，h_Rn}，对于固定的q值，可以得到相对一定范围s，准连续变化的h(q)的值。对于不同的q值重复以上操作，就可以得到广义的Hurst表面。

上面方法所得到的h(q，s)还具有一定的物理意义：h∈(0，0.5)说明该时域信号具有一定的反持续性，h＝0.5表示该信号是不相关的噪声，h∈(0.5，1)表示信号是持续性的，h＝1.5说明该物体在做布朗运动，h＞2则说明是黑噪声。

进一步，为充分利用数据，上述方法的所述步骤M2中，从所述轮廓信号Y(i)构成的序列的首尾两端分别按照N_s≡int(N/s)个子区间的步长切割，获得2N_s个连续且不重叠的子区间；

然后对所述2N_s个子区间分别按照步骤M3至M5的步骤计算所述加速度数据的时域波动特性及稳定性。

具体的，上述方法中，所述第三步中，所述第一机器学习模型为随机森林分类器。随机森林是一种基于决策树的集成方法，可以用于分类，回归和其他集成学习。随机森林的最小决策单元是随机决策树，它通过在训练期间构建出多个决策树，并以此得到多个输出分类结果的模式，最终由多个决策树进行综合投票决定输出结果。本实施例中利用随机森林建立多个决策树，每个决策树得到一个分类结果，对每个决策树的分类结果投票，得票数最高的类别即作为最终的分类结果；

所述第一机器学习模型通过如下步骤训练获得：

步骤A1，创建OBD传感信息的有标签训练样本集{(O₁，y₁)，(O₂，y₂)，…，(O_k，y_k)}，其中，k为样本标号，k≥2，O_k表示第k个OBD传感信息训练样本，y_k表示第k个训练样本的标签值；所述有标签训练样本集中每一种标签至少包含1个OBD传感信息训练样本；对所述OBD传感信息训练样本进行归一化处理，获得车辆的OBD训练样本传感数据；

步骤A2，提取所述OBD训练样本传感数据的特征信息；

步骤A3，将所述OBD训练样本传感数据的特征信息输入所述随机森林分类器，由所述随机森林分类器通过自助(bootstrap)重采样技术，从所述OBD训练样本传感数据的特征信息中有放回的重复抽取L次，得到一个样本集合，这里L是放入分类器样本的总数；然后随机选取m个训练样本属性值，形成新的样本集合，这里m是设置的参数，一般大于属性数量的1/3，由此得到一个决策树，由每一个决策树获得一个分类结果；

步骤A4，将所述随机森林分类器的每个分类结果的决策树的数量占所有决策树总数的比例h₁(p|x)作为所述分类数据，获得每一个分类结果的第一分类置信度h1＝h₁(p|x)；

每一个分类结果的第一分类准确度W1为其中，N_acc1表示OBD传感信息的有标签训练样本集中分类正确的个数，N_p1表示OBD传感信息的有标签训练样本集中样本数量的总数。

类似的，上述方法的所述第三步中，所述第二机器学习模型为参数与所述第一机器学习模型相同的随机森林分类器；

所述第二机器学习模型通过如下步骤训练获得：

步骤B1，创建加速度信息的有标签训练样本集{(x₁，y₁)，(x₂，y₂)，…，(x_k，y_k)}，其中，k为样本标号，k≥2，x_k表示第k个加速度信息训练样本，y_k表示第k个训练样本的标签值；所述有标签训练样本集中每一种标签至少包含1个加速度信息训练样本；对所述加速度信息训练样本进行归一化处理，获得车辆的加速度训练样本传感数据；

步骤B2；提取所述加速度训练样本传感数据的特征信息；

步骤B3，将所述加速度训练样本传感数据的特征信息输入所述随机森林分类器，由所述随机森林分类器通过自助(bootstrap)重采样技术，从所述加速度训练样本传感数据的特征信息中有放回的重复抽取L次，得到一个样本集合，这里L是样本的总数；然后随机选取m个训练样本属性值，形成新的样本集合，这里m是设置的参数，一般大于属性数量的1/3，由此得到一个决策树，由每一个决策树获得一个分类结果；这里与步骤6中所采用的分类器步骤完全一致；

步骤B4，将所述随机森林分类器的每个分类结果的决策树的数量占所有决策树总数的比例h₂(p|x)作为所述分类数据，获得每一个分类结果的第二分类置信度h2＝h₂(p|x)；

所述第二机器学习模型中，每一个分类结果的第二分类准确度W2为这里N_acc2表示加速度信息的测试样本中分类正确的个数，N_p2表示测试样本的总数。

具体的，本发明的方法中，所述第一步中，所述OBD传感信息包括，车速、电动机转矩、电机的输出电流信息、电机功率。

为更好地规划驾驶行为，这里建立模型的模型主要用于辨识以下几个驾驶行为：加速、减速、左转弯、右转弯、左变道、右变道、正常驾驶。

其次，参考图2，为实现上述目的，还提出一种基于多传感器数据融合的驾驶行为识别***，包括安装于车辆上的加速度传感器、OBD传感信息采集器，还包括服务器；所述加速度传感器和所述OBD传感信息采集器均与所述服务器连接：

所述加速度传感器用于获取车辆的加速度信息，并上传至所述服务器；

所述OBD传感信息采集器用于获取车辆的OBD传感信息，并上传至所述服务器；所述服务器用于接收所述OBD传感信息和所述加速度信息，对所述OBD传感信息和所述加速度信息进行降噪和归一化处理后获得车辆的OBD传感数据和加速度数据；再分别提取所述OBD传感数据的特征信息和所述加速度数据的特征信息；对所述OBD传感数据的特征信息进行分类，获得第一分类置信度h1和第一分类准确度W1；对所述加速度数据的特征信息进行分类，获得第二分类置信度h2和第二分类准确度W2；最后对所述每一个分类结果按照公式W1*h1+W2*h2加权融合，计算得到加权融合数值最大的分类结果，即对驾驶行为的识别结果，输出所述识别结果。

上述的***只需要在电动汽车上加装一个加速度计和一个OBD采集仪器。其中OBD信息是电动汽车本身提供的，其准确率具有相当的可靠性，而这所需的成本很少，适合大批量生产。本方法所获结果可作为对驾驶员安全驾驶状况判断的依据，为汽车租赁和车辆保险行业提供差异化产品和服务提供科学依据。

进一步，本发明通过各个传感器采集到不同的信号数据，并提取其特征用于机器学习模型的训练，不同的传感器数据对不同的驾驶行为敏感度不同，然后通过所述的信息融合的方法对多个传感器信息进行融合，可以有效的提高辨识的准确率。可有效区分驾驶员的驾驶行为。通过增加数据增强处理步骤，增加训练样本数据量，抑制过拟合。

具体的，上述***中，所述加速度传感器为MEMS采集***中的六轴加速度计，其获取的加速度信息包括X，Y和Z轴三个方向上的加速度信息。

进一步，上述***中，所述服务器为车载服务器或远程服务器；

在所述服务器选择远程服务器时，所述基于多传感器数据融合的驾驶行为识别***内还包括存储模块和数据收发模块；

所述存储模块同时连接所述加速度传感器和所述OBD传感信息采集器，所述存储模块用于存储所述加速度传感器获取的车辆的加速度信息以及所述OBD传感信息采集器获取的车辆的OBD传感信息，输出至所述数据收发模块；

所述数据收发模块同时连接所述存储模块和所述远程服务器，所述数据收发模块用于将所述存储模块存储的车辆的加速度信息以及OBD传感信息上传至所述远程服务器。

本发明首次将机器学习的方法应用到电动汽车驾驶行为辨识上来，通过服务器对采集的相关传感器数据进行分析，得到驾驶员正确的驾驶行为。本发明能直接对车载CAN总线数据进行分析，从而避免无谓的增加传感器数目，从而有效的控制成本，并且对驾驶行为的辨识结果具有较为明显的提高。本方法所获结果可作为对驾驶员安全驾驶状况判断的依据，为汽车租赁和车辆保险行业提供差异化产品和服务提供科学依据。

采用本发明所述的基于信息融合的电动汽车驾驶行为辨识方法，可获得较高的准确率。参考下面对比数据：

1)通过MMA算法提取加速度信息的特征值，并采用随机森林算法训练分类器，得到的分类结果如下

表1基于MMA算法的加速度信息识别结果(基于随机森林)

2)通过对OBD信息数据进行所述的特征提取，并采用随机森林算法训练分类器，得到的分类结果如下：

表2基于ODB信息的识别结果(基于随机森林)

3)通过所属的信息融合算法得到分类为结果如下：

表3基于信息融合方法的识别结果(基于随机森林)

通过对比以上三个实验，在单独使用加速度信息和OBD信息进行驾驶行为分析时，虽然能对驾驶行为进行一定程度上的辨识，但是其结果的正确率并不高，而采用了所述的信息融合方法，则准确率有了较大幅度的提高，可以看出，信息融合的方法具有相当的可行性。

本发明技术方案的优点主要体现在：

本发明通过车辆自身的多个传感器来采集电动汽车驾驶过程中的不同的传感器信息，通过有效的特征处理的方法对原始数据进行处理，提取信号的特征，采用机器学习的方法将获得训练模型，利用该模型对采集到的数进行分类，同时采用一种信息融合的方法，将多个传感器的信息进行融合，得到最终的分类结果。本发明可以自动识别出电动汽车驾驶员不同的驾驶行为，从而判定驾驶员的安全驾驶状况。为电动汽车租赁和车辆保险行业提供差异化产品和服务提供依据。相比与传统的机器学习方法，通过信息融合，使得辨识结果具有更高的识别精度，有助于对电动汽车驾驶行为的辨识。

本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多传感器数据融合的驾驶行为识别方法，其特征在于，步骤包括：

第一步，获取车辆的OBD传感信息和加速度信息，对所述OBD传感信息和所述加速度信息进行预处理，获得车辆的OBD传感数据和加速度数据；

第二步，分别提取所述OBD传感数据的特征信息和所述加速度数据的特征信息；

第三步，分别将所述OBD传感数据的特征信息输入预先训练好的第一机器学习模型进行分类，根据所述第一机器学习模型的分类数据计算每一个分类结果的第一分类置信度h1和第一分类准确度W1；将所述加速度数据的特征信息输入预先训练好的第二及其学习模型进行分类，根据所述第二机器学习模型的分类数据计算每一个分类结果的第二分类置信度h2和第二分类准确度W2；

第四步，根据所述第三步获得的第一分类置信度h1、第一分类准确度W1、第二分类置信度h2和第二分类准确度W2，对所述第一机器学习模型和所述第二机器学习模型的每一个分类结果按照公式W1*h1+W2*h2加权融合，输出加权融合数值最大的分类结果，即对驾驶行为的识别结果。

2.如权利要求1所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，所述第二步中，所述OBD传感数据的特征信息包括所述OBD传感信息的均值、方差、最大值和最小值；所述加速度数据的特征信息为所述加速度数据的时域波动特性及稳定性。

3.如权利要求2所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，所述加速度数据的时域波动特性及稳定性通过MMA(Multiscale multifractal analysis，移动渐近线)方法计算获得；所述MMA方法具体步骤包括：

步骤M1，计算K个加速度数据x_k所组成的加速度序列的轮廓信号序列Y(i)，1≤k≤K：

<mrow> <mi>Y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>i</mi> </munderover> <mo>&amp;lsqb;</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>-</mo> <mo>&lt;</mo> <mi>x</mi> <mo>&gt;</mo> <mo>&amp;rsqb;</mo> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>K</mi> </mrow>

其中，K表示加速度数据序列x₁...x_K的长度，<x>表示以固定时间窗截取的一组加速度序列，i表示所述轮廓信号序列中第i个数据，x_k表示第k组加速度序列；

步骤M2，将轮廓信号序列Y(i)分为N_s≡int(N/s)个连续且不重叠的子区间V_j(j＝1，2，...N_s)；其中s表示尺度参数，N表示一组轮廓信号序列Y(i)中的数据的个数；

步骤M3，通过最小二乘估计算法计算每个子区间V_j(j＝1，2，...N_s)的趋势，按照如下公式计算每个子区间V_j(j＝1，2，...N_s)的方差G²(s，v)：

<mrow> <msup> <mi>G</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>s</mi> <mo>,</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>s</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </msubsup> <msup> <mrow> <mo>{</mo> <mi>Y</mi> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <mi>v</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mi>s</mi> <mo>+</mo> <mi>i</mi> <mo>&amp;rsqb;</mo> <mo>-</mo> <msub> <mi>y</mi> <mi>v</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> <mn>2</mn> </msup> <mo>,</mo> </mrow>

其中，v表示子区间的序列号，s表示尺度参数，

y_v(i)是每个子区间的n阶拟合多项式：

y_v(i)＝a_j0+a_j1i+...aj_n-1i^n-1+a_jniⁿ，n＝1，2...

n表示拟合多项式的回归阶数(n＝1，2，3…)；ajn表示通求得的每一阶的系数；

步骤M4，计算每个子区间V_j(j＝1，2，...N_s)的q阶波动函数其中，q表示波动阶数；

步骤M5，计算Hutst表面函数h(q，s)，获得所述加速度数据的时域波动特性及稳定性，其中，其中，R_i表示一个拟合窗口R_i(i＝1，2，3，…，正整数范围)；F(q，s)_Ri和s_Ri均为Ri窗口下对应的值，ΔF(q，s)_Ri表示不同窗口下F(q，s)值变化量；Δs_Ri表示不同窗口下s值的变化量。

4.如权利要求3所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，所述步骤M2中，从所述轮廓信号Y(i)构成的序列的首尾两端分别按照N_s≡int(N/s)个子区间的步长切割，获得2N_s个连续且不重叠的子区间；然后对所述2N_s个子区间分别按照步骤M3至M5的步骤计算所述加速度数据的时域波动特性及稳定性。

5.如权利要求1所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，所述第三步中，所述第一机器学习模型为随机森林分类器；

所述第一机器学习模型通过如下步骤训练获得：

步骤A1，创建OBD传感信息的有标签训练样本集{(O₁，y₁)，(O₂，y₂)，…，(O_k，y_k)}，其中，k为样本标号，k≥2，O_k表示第k个OBD传感信息训练样本，y_k表示第k个训练样本的标签值；所述有标签训练样本集中每一种标签至少包含1个OBD传感信息训练样本；对所述OBD传感信息训练样本进行归一化处理，获得车辆的OBD训练样本传感数据；

步骤A2，提取所述OBD训练样本传感数据的特征信息；

步骤A3，将所述OBD训练样本传感数据的特征信息输入所述随机森林分类器，由所述随机森林分类器通过自助重采样技术，从所述OBD训练样本传感数据的特征信息中有放回的重复抽取L次，得到一个样本集合，这里L是放入分类器样本的总数；然后随机选取m个训练样本属性值，形成新的样本集合，这里m是设置的参数，一般大于属性数量的1/3，由此得到一个决策树，由每一个决策树获得一个分类结果；

步骤A4，将所述随机森林分类器的每个分类结果的决策树的数量占所有决策树总数的比例h₁(p|x)作为所述分类数据，获得每一个分类结果的第一分类置信度h1＝h₁(p|x)；

每一个分类结果的第一分类准确度W1为

<mrow> <mi>W</mi> <mn>1</mn> <mo>=</mo> <mfrac> <msub> <mi>N</mi> <mrow> <mi>a</mi> <mi>c</mi> <mi>c</mi> <mn>1</mn> </mrow> </msub> <msub> <mi>N</mi> <mrow> <mi>p</mi> <mn>1</mn> </mrow> </msub> </mfrac> </mrow>

这里N_acc1表示OBD传感信息的有标签训练样本集中分类正确的个数，N_p1表示OBD传感信息的有标签训练样本集中样本数量的总数。

6.如权利要求5所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，所述第三步中，所述第二机器学习模型为参数与所述第一机器学习模型相同的随机森林分类器；

所述第二机器学习模型通过如下步骤训练获得：

步骤B1，创建加速度信息的有标签训练样本集{(x₁，y₁)，(x₂，y₂)，…，(x_k，y_k)}，其中，k为样本标号，k≥2，x_k表示第k个加速度信息训练样本，y_k表示第k个训练样本的标签值；所述有标签训练样本集中每一种标签至少包含1个加速度信息训练样本；对所述加速度信息训练样本进行归一化处理，获得车辆的加速度训练样本传感数据；

步骤B2；提取所述加速度训练样本传感数据的特征信息；

步骤B3，将所述加速度训练样本传感数据的特征信息输入所述随机森林分类器，由所述随机森林分类器通过自助重采样技术，从所述加速度训练样本传感数据的特征信息中有放回的重复抽取L次，得到一个样本集合，这里L是样本的总数；然后随机选取m个训练样本属性值，形成新的样本集合，这里m是设置的参数，一般大于属性数量的1/3，由此得到一个决策树，由每一个决策树获得一个分类结果；

步骤B4，将所述随机森林分类器的每个分类结果的决策树的数量占所有决策树总数的比例h₂(p|x)作为所述分类数据，获得每一个分类结果的第二分类置信度h2＝h₂(p|X)

所述第二机器学习模型中，每一个分类结果的第二分类准确度W2为

<mrow> <mi>W</mi> <mn>2</mn> <mo>=</mo> <mfrac> <msub> <mi>N</mi> <mrow> <mi>a</mi> <mi>c</mi> <mi>c</mi> <mn>2</mn> </mrow> </msub> <msub> <mi>N</mi> <mrow> <mi>p</mi> <mn>2</mn> </mrow> </msub> </mfrac> </mrow>

这里N_acc2表示加速度信息的测试样本中分类正确的个数，N_p2表示测试样本的总数。

7.如权利要求1所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，第一步中，所述OBD传感信息包括，车速、电动机转矩、电机的输出电流信息、电机功率。

8.一种基于多传感器数据融合的驾驶行为识别***，其特征在于，包括安装于车辆上的加速度传感器、OBD传感信息采集器，还包括服务器；所述加速度传感器和所述OBD传感信息采集器均与所述服务器连接；

所述加速度传感器用于获取车辆的加速度信息，并上传至所述服务器；

所述OBD传感信息采集器用于获取车辆的OBD传感信息，并上传至所述服务器；

所述服务器用于接收所述OBD传感信息和所述加速度信息，对所述OBD传感信息和所述加速度信息进行归一化处理后获得车辆的OBD传感数据和加速度数据；再分别提取所述OBD传感数据的特征信息和所述加速度数据的特征信息；对所述OBD传感数据的特征信息进行分类，获得第一分类置信度h1和第一分类准确度W1；对所述加速度数据的特征信息进行分类，获得第二分类置信度h2和第二分类准确度W2；最后对所述每一个分类结果按照公式W1*h1+W2*h2加权融合，计算得到加权融合数值最大的分类结果，即对驾驶行为的识别结果，输出所述识别结果。

9.如权利要求8所述的基于多传感器数据融合的驾驶行为识别***，其特征在于，所述加速度传感器为六轴加速度计。

10.如权利要求9所述的基于多传感器数据融合的驾驶行为识别***，其特征在于，所述服务器为车载服务器或远程服务器；

若所述服务器为远程服务器，则所述基于多传感器数据融合的驾驶行为识别***内还包括存储模块和数据收发模块；

所述存储模块同时连接所述加速度传感器和所述OBD传感信息采集器，所述存储模块用于存储所述加速度传感器获取的车辆的加速度信息以及所述OBD传感信息采集器获取的车辆的OBD传感信息，输出至所述数据收发模块；

所述数据收发模块同时连接所述存储模块和所述远程服务器，所述数据收发模块用于将所述存储模块存储的车辆的加速度信息以及OBD传感信息上传至所述远程服务器。