CN108241866A - 一种对驾驶行为进行引导的方法、装置和车辆 - Google Patents
一种对驾驶行为进行引导的方法、装置和车辆 Download PDFInfo
- Publication number
- CN108241866A CN108241866A CN201611216065.5A CN201611216065A CN108241866A CN 108241866 A CN108241866 A CN 108241866A CN 201611216065 A CN201611216065 A CN 201611216065A CN 108241866 A CN108241866 A CN 108241866A
- Authority
- CN
- China
- Prior art keywords
- data
- attribute
- data set
- vehicle
- grader
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000875 corresponding effect Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims description 49
- 238000013480 data collection Methods 0.000 claims description 19
- 238000003848 UV Light-Curing Methods 0.000 claims description 17
- 241001269238 Data Species 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 9
- 230000006855 networking Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种对驾驶行为进行引导的方法、装置和车辆，方法包括：收集车辆行驶涉及的数据；对收集的数据进行预处理操作得到数据集D，数据集D具有对应的属性集A，数据集D中每一条数据对应着一个车辆行驶过程中涉及的数据；基于数据预处理后的数据集D构建分类器，分类器中的各个属性作为分类的标准；采用分类器对数据集D中的数据进行分类得到分类结果，根据所述分类结果将车辆分流到不同的车道。收集车辆行驶过程中涉及的数据，特别是驾驶员的驾驶行为的数据，数据有多个属性，为每个属性的强弱指标设定若干个类别，构建分类器对车辆行驶进行分类，实现碰撞预警和引导车辆行驶。
Description
技术领域
本发明涉及车联网技术，特别是指一种对驾驶行为进行引导的方法、装置和车辆。
背景技术
车辆车速引导技术包括两类，基于车载硬件的车辆辅助***，如车辆自适应巡航***(ACC，Adaptive Cruise Control)，以及，基于无线网络的车辆辅助协同***。
车辆辅助***采用多传感器集成技术以及融合技术，当车体靠近危险物或障碍物时，或者在行进、倒车过程中突然有行人、动物、机车等移动物体靠近车体前方、后方时，若司机没有发现或没来得及刹车，车辆辅助***会主动、智能地使车辆自动刹车，从而避免出现撞人撞车的安全事故。
车辆辅助协同***，是通过GPS、射频识别(RFID，Radio FrequencyIdentification)、传感器和摄像头图像处理等装置，采集自身环境和状态信息；通过互联网技术，所有的车辆可以将自身的各种信息传输汇聚到车联网平台；通过计算机技术分析和处理大量车辆的信息，计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。实现车道偏离、安全车距预警、行人防碰撞预警、驾驶人行为与疲劳状态监测、道路交通标志的识别和智能车路协同等。
车辆辅助***受限于硬件的测试距离，因此，近距离使用效果好，当车间距离较远时，传感器受周边环境的影响较大，容易影响使用效果，如在盲区环境中，传感器信号被挡住会影响使用效果。
车辆辅助协同***需要将车辆行驶数据上传到平台，平台再下发指令到车辆，这受限于网络传输的限制，而车辆防碰撞***对时延要求较高，基于车联网平台的技术不能满足实时性的要求。
现有车辆辅助***受限于硬件控制区域的大小以及不可避免的盲区问题，仅仅能解决车与车之间的防碰撞问题，并没有解决车与车的协同问题。
现有车辆辅助协同***受限于网络带宽和时延，并不能解决车联网实时性的要求。在LTE网络中车到基站的时延为20毫秒，基站到互联网数据中心(IDC，Internet DataCenter)中的车联网平台的时延为50毫秒，叠加业务逻辑的处理时间就会超过100毫秒，而标准化组织规定的车联网应用场景的时延要求是100毫秒甚至20毫秒，现有车辆辅助协同***无法达标。
发明内容
本发明实施例要解决的技术问题是提供一种对驾驶行为进行引导的方法、装置和车辆，实现车辆之间的防碰撞和协同行驶，缩短车联网应用场景中的时延。
为解决上述技术问题，本发明实施例提供的一种对驾驶行为进行引导的方法，应用于车辆，方法包括：
收集车辆行驶涉及的数据；
对收集的数据进行预处理操作得到数据集D，数据集D具有对应的属性集A，数据集D中每一条数据对应着一个车辆行驶过程中涉及的数据；
基于数据预处理后的数据集D构建分类器，分类器中的各个属性作为分类的标准；
采用分类器对数据集D中的数据进行分类得到分类结果，根据所述分类结果将车辆分流到不同的车道。
在一个优选实施例中，还包括：
根据分类结果得到车辆的预估行驶时间，将所述预估行驶时间与实际行驶时间对比，得到时间差；
当所述时间差大于行驶阈值时，将对应的噪音数据从数据集D中删除。
在一个优选实施例中，对收集的数据进行预处理操作得到数据集D具体包括：
设定数据集D对应的属性集A中包括属性A1、A2、……、Ak；
为每一个属性设定c1、c2、……、cn一共n个类别。
在一个优选实施例中，基于数据预处理后的数据集D构建分类器包括：
采用ID3决策树算法分隔数据集D，得到构建的ID3决策树作为分类器，其中，ID3决策树的每个分叉路径对应属性集A中一个属性。
在一个优选实施例中，采用ID3决策树算法分隔数据集D包括：
采用ID3决策树算法，在每一次递归中：
基于信息论中的熵得到信息增益，使用信息增益作为混杂度函数，其中，熵是事物不确定性的衡量，熵越大表明事物不确定性越高；
采用混杂度函数找到最佳分类属性；
选择最佳分类属性作为分隔所述数据集D的属性；
当分隔数据集D所得到的各个数据子集D1、...、Dv满足纯净要求条件时，所述最佳分类属性造成信息增益最大，递归终止；所述满足纯净要求条件是指根据计算从数据集D中删除去掉足够多的噪音数据，使得数据子集特征明显。
在一个优选实施例中，基于信息论中的熵得到信息增益包括：
属性集A中的属性包括A1、A2、…Ai、……、Ak，且每一个属性具有c1、c2、……、cn一共n个类别，则原始状态下数据集D的熵entropy(D)表示为：
若使用属性Ai将数据集D划分成v个不相交的数据子集D1、...、Dv，则使用属性Ai划分后，数据集D的熵为：
则属性Ai的信息增益gain(D,Ai)是：
在一个优选实施例中，根据分类结果将车辆分流到不同的车道包括：
如果采用决策树算法进行分类，若分类结果为均值，则均值表示所有车辆的属性相同，则任意就近调度车辆到不同的车道。
一种对驾驶行为进行引导的装置，应用于车辆，包括：
数据单元，用于收集车辆行驶涉及的数据；
预处理单元，用于对收集的数据进行预处理操作得到数据集D，数据集D具有对应的属性集A，数据集D中每一条数据对应着一个车辆行驶过程中涉及的数据；
分类器单元，用于基于数据预处理后的数据集D构建分类器，分类器中的各个属性作为分类的标准；
分流单元，用于采用分类器对数据集D中的数据进行分类得到分类结果，根据所述分类结果将车辆分流到不同的车道。
在一个优选实施例中，分类器单元包括：
ID3决策树模块，用于采用ID3决策树算法分隔数据集D，得到构建的ID3决策树作为分类器，其中，ID3决策树的每个分叉路径对应属性集A中一个属性。
在一个优选实施例中，ID3决策树模块包括：
递归模块，用于每一次递归都选择最佳分类属性作为分隔所述数据集D的属性；
混杂度函数模块，用于基于信息论中的熵得到所述信息增益，使用信息增益作为ID3决策树算法的混杂度函数，采用混杂度函数找到最佳分类属性，其中，熵是事物不确定性的衡量，熵越大表明事物不确定性越高；
分隔模块，用于当分隔数据集D所得到的各个数据子集D1、...、Dv满足纯净要求条件时，所述最佳分类属性造成信息增益最大，递归终止。
一种车辆，包括对驾驶行为进行引导的装置。
与现有技术相比，本发明实施例至少具有以下有益效果：收集车辆行驶过程中涉及的数据，特别是驾驶员的驾驶行为的数据，数据有多个属性，为每个属性的强弱指标设定若干个类别，构建分类器对车辆行驶进行分类，实现碰撞预警和引导车辆行驶。
附图说明
图1为移动边缘计算利用无线接入网络创造的电信级服务环境；
图2为一种对驾驶行为进行引导的方法流程示意图；
图3为ID3决策树算法的流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
如图1所示，移动边缘计算(MEC，Mobile Edge Computing)可利用无线接入网络创造出一个具备高性能、低延迟与高带宽的电信级服务环境，就近向电信用户提供IT服务和云端计算功能，加速网络中各项内容、服务及应用的快速下载，让消费者享有不间断的高质量网络体验。
本发明实施例提供一种对驾驶行为进行引导的方法，如图2所示，包括：
步骤201，收集车辆行驶涉及的数据；
步骤202，对收集的数据进行预处理操作得到数据集D，数据集D具有对应的属性集A，数据集D中每一条数据对应一个车辆的行驶过程所涉及的数据；
步骤203，基于数据预处理后的数据集D构建分类器，分类器中的各个属性作为分类的标准；
步骤204，采用分类器对数据集D中的数据进行分类得到分类结果，根据所述分类结果将车辆分流到不同的车道。
应用所提供的技术，收集车辆行驶过程中涉及的数据，特别是驾驶员的驾驶行为的数据，数据有多个属性，为每个属性的强弱指标设定若干个类别，构建分类器对车辆行驶进行分类，实现碰撞预警和引导车辆行驶。
在一个优选实施例中，根据分类结果得到车辆的预估行驶时间，将所述预估行驶时间与实际行驶时间对比，得到时间差；
当所述时间差大于行驶阈值时，将对应的噪音数据从数据集D中删除。
在一个优选实施例中，对收集的数据进行预处理操作得到数据集D包括：
设定数据集D对应的属性集A中包括属性A1、A2、……、Ak；
为每一个属性设定c1、c2、……、cn一共n个类别。
属性集A可以包括但不限于：车辆的车速、加速度、刹车和并线指数等，为每个属性A1、A2、……、Ak按照强弱设定高、中、低等类别。
在一个优选实施例中，基于数据预处理后的数据集D构建分类器包括：
采用ID3决策树算法分隔数据集D，得到构建的ID3决策树作为分类器。
在一个优选实施例中，采用ID3决策树算法分隔数据集D包括：
使用ID3决策树算法，每一次递归中：
基于信息论中的熵得到信息增益，使用信息增益作为混杂度函数，其中，熵是事物不确定性的衡量，熵越大表明事物不确定性越高；
采用混杂度函数找到最佳分类属性；
选择最佳分类属性作为分隔所述数据集D的属性；
分隔数据集D所得到的各个数据子集D1、...、Dv应当满足纯净要求条件，此时，所述最佳分类属性造成的信息增益最大，递归终止；其中，所述满足纯净要求条件是指根据计算从数据集D中删除噪音数据，使得数据子集的特征明显。
换言之，ID3决策树算法通过递归地分隔数据集D，每一次递归都选择最佳分类属性作为分隔当前数据集的属性，得到各个数据子集D1、...、Dv，其中，采用混杂度函数来选择最佳分类属性；
ID3决策树算法使用信息增益作为混杂度函数，信息增益基于信息论中的熵，熵是事物不确定性的衡量，熵越大说明事物不确定性越高。
假设有一数据集D，数据集D的属性为A1、A2、…Ai、……、Ak，且每一个属性具有c1、c2、……、cn共n个类别，则初始状态时，数据集D的熵表示为：
若使用属性Ai可将数据集D划分成v个不相交的子集D1、D2...、Dv，则使用属性Ai划分后数据集D的熵为：
则属性Ai的信息增益为：
使用某一属性Ai分隔数据集造成的信息增益越大，即决策树信息增益率越高，则说明该属性Ai进行数据分隔的效果越好，造成信息增益最大的属性即为最佳分类属性。
递归终止的条件是使得分隔最终所得到的各个数据子集尽可能的纯净，即，要找出能够使所有孩子节点更加纯净的属性，尽量去掉噪音数据，使得数据子集特征明显。
ID3决策树算法得到的分类器是一颗树，树的每个分叉路径代表一个(可能的)属性，每个叶子结点对应一个类别。如图3所示，实施ID3决策树算法的步骤包括：
步骤301，参数初始化，设定数据集D，属性集A，决策树T{T＝Φ}；
步骤302，判断数据集D中是否只包含一个类别cj，如果是，转步骤311，否则转步骤303；
步骤303，属性集A是否为空，如果是，转步骤312，否则转步骤304；
步骤304，计算此时数据集D的熵p0，以及，计算使用属性Aj分割数据集D后的熵pj，熵是事物不确定性的衡量，熵越大表明事物不确定性越高。
步骤305，由于属性集A中有多个属性A1、A2、…Ai、……、Ak，因此，根据ID3算法计算最佳分类的方法来计算max{p0-pj}对应的最佳分类属性Ag，最佳分类属性Ag对应的熵是pg。
步骤306，p0-pg是否小于阈值ε，如果是，转步骤312，否则转步骤307；
步骤307，为决策树T增加一个决策节点Ag，j＝0，使用属性Ag分割数据集D得到子集D1，D2，……，Dm。
步骤308，j＝j+1；
步骤309，子集Dj是否为空，如果是，转步骤308，否则转步骤301；
步骤310，为决策树T增加一个分枝Tj，且D＝Dj，A＝A-{Ag}；转步骤302；
步骤311，为决策树T添加叶子节点类别为Cj，转步骤313；
步骤312，为决策树T添加叶子节点类别为D中占比最高的类别Cj，转步骤313；
步骤313，返回决策树T。
在一个优选实施例中，根据构建的决策树，对数据集中的数据进行分类，并根据分类结果将车辆分流到不同的车道上。
如果根据决策树进行分类的分类结果为均值，均值表示所有车辆状态相同，这时可以任意就近调度车辆在不同的车道行驶。
在一个优选实施例中，预估行驶时间，将所述预估行驶时间与实际行驶时间对比，得到时间差；当所述时间差大于行驶阈值时，将对应的噪音数据从数据集D中删除的步骤具体包括：
根据ID3决策树算法执行的结果确定预估行驶时间，在调度车辆在不同的车道行驶之后，获取实际行驶时间，选出实际行驶时间与预估行驶时间之间的差值较大的车辆所对应的数据作为样本检验数据。
根据ID3决策树执行结果得到预估行驶时间，将预估行驶时间与实际行驶时间对比，如：
|T执行行驶时间-T预估行驶时间|>>△T，△T是设定的可以接受的行驶阈值；
如果实际行驶时间大于预估时间较多，说明本条属性在数据集D中对应的数据是较差的样本数据，将本条属性对应的样本数据从数据集D中去掉。经过多轮测试比对，数据集D中的无效数据会被剔除，实现了动态调整数据集D。
在***运行一段时间后，重复这一过程，利用ID3决策树执行结果更新数据集D，其中***运行的时间长度可以根据具体情况调整。
本发明实施例提供一种对驾驶行为进行引导的装置，应用于车辆，包括：
数据单元，用于收集车辆行驶涉及的数据；
预处理单元，用于对收集的数据进行预处理操作得到数据集D，数据集D具有对应的属性集A，数据集D中每一条数据对应着一个车辆行驶过程中涉及的数据；
分类器单元，用于基于数据预处理后的数据集D构建分类器，分类器中的各个属性作为分类的标准；
分流单元，用于采用分类器对数据集D中的数据进行分类得到分类结果，根据所述分类结果将车辆分流到不同的车道。
在一个优选实施例中，分类器单元包括：
ID3决策树模块，用于采用ID3决策树算法分隔数据集D，得到构建的ID3决策树作为分类器，其中，ID3决策树的每个分叉路径对应属性集A中一个属性。
在一个优选实施例中，ID3决策树模块包括：
递归模块，用于每一次递归都选择最佳分类属性作为分隔所述数据集D的属性；
混杂度函数模块，用于基于信息论中的熵得到所述信息增益，使用信息增益作为ID3决策树算法的混杂度函数，采用混杂度函数找到最佳分类属性，其中，熵是事物不确定性的衡量，熵越大表明事物不确定性越高；
分隔模块，用于当分隔数据集D所得到的各个数据子集D1、...、Dv满足纯净要求条件时，所述最佳分类属性造成信息增益最大，递归终止。
本发明实施例提供一种车辆，包括对驾驶行为进行引导的装置。
传统基于车载硬件的车速引导的方案，受限于硬件控制区域的大小以及不可避免的盲区问题，并且仅仅能解决车与车之间的防碰撞问题，并没有解决车车的协同问题，效率较低。
应用本申请的技术，充分考虑了驾驶行为的差异性，并且基于靠近基站侧的移动边缘计算设施，有效的解决了盲区问题、协同问题、和延时问题。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
另外，本文中术语“***”和“网络”在本文中常可互换使用。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种对驾驶行为进行引导的方法，其特征在于，应用于车辆，方法包括：
收集车辆行驶涉及的数据；
对收集的数据进行预处理操作得到数据集D，数据集D具有对应的属性集A，数据集D中每一条数据对应着一个车辆行驶过程中涉及的数据；
基于数据预处理后的数据集D构建分类器，分类器中的各个属性作为分类的标准；
采用分类器对数据集D中的数据进行分类得到分类结果，根据所述分类结果将车辆分流到不同的车道。
2.如权利要求1所述的方法，其特征在于，还包括：
根据分类结果得到车辆的预估行驶时间，将所述预估行驶时间与实际行驶时间对比，得到时间差；
当所述时间差大于行驶阈值时，将对应的噪音数据从数据集D中删除。
3.如权利要求1所述的方法，其特征在于，对收集的数据进行预处理操作得到数据集D具体包括：
设定数据集D对应的属性集A中包括属性A1、A2、……、Ak；
为每一个属性设定c1、c2、……、cn一共n个类别。
4.如权利要求1所述的方法，其特征在于，基于数据预处理后的数据集D构建分类器包括：
采用ID3决策树算法分隔数据集D，得到构建的ID3决策树作为分类器，其中，ID3决策树的每个分叉路径对应属性集A中一个属性。
5.如权利要求4所述的方法，其特征在于，采用ID3决策树算法分隔数据集D包括：
采用ID3决策树算法，在每一次递归中：
基于信息论中的熵得到信息增益，使用信息增益作为混杂度函数，其中，熵是事物不确定性的衡量，熵越大表明事物不确定性越高；
采用混杂度函数找到最佳分类属性；
选择最佳分类属性作为分隔所述数据集D的属性；
当分隔数据集D所得到的各个数据子集D1、...、Dv满足纯净要求条件时，所述最佳分类属性造成信息增益最大，递归终止；所述满足纯净要求条件是指根据计算从数据集D中删除去掉足够多的噪音数据，使得数据子集特征明显。
6.如权利要求5所述的方法，其特征在于，基于信息论中的熵得到信息增益包括：
属性集A中的属性包括A1、A2、…Ai、……、Ak，且每一个属性具有c1、c2、……、cn一共n个类别，则原始状态下数据集D的熵entropy(D)表示为：
若使用属性Ai将数据集D划分成v个不相交的数据子集D1、...、Dv，则使用属性Ai划分后，数据集D的熵为：
则属性Ai的信息增益gain(D,Ai)是：
7.如权利要求1所述的方法，其特征在于，根据分类结果将车辆分流到不同的车道包括：
如果采用决策树算法进行分类，若分类结果为均值，则均值表示所有车辆的属性相同，则任意就近调度车辆到不同的车道。
8.一种对驾驶行为进行引导的装置，其特征在于，应用于车辆，包括：
数据单元，用于收集车辆行驶涉及的数据；
预处理单元，用于对收集的数据进行预处理操作得到数据集D，数据集D具有对应的属性集A，数据集D中每一条数据对应着一个车辆行驶过程中涉及的数据；
分类器单元，用于基于数据预处理后的数据集D构建分类器，分类器中的各个属性作为分类的标准；
分流单元，用于采用分类器对数据集D中的数据进行分类得到分类结果，根据所述分类结果将车辆分流到不同的车道。
9.如权利要求8所述的装置，其特征在于，分类器单元包括：
ID3决策树模块，用于采用ID3决策树算法分隔数据集D，得到构建的ID3决策树作为分类器，其中，ID3决策树的每个分叉路径对应属性集A中一个属性。
10.如权利要求9所述的装置，其特征在于，ID3决策树模块包括：
递归模块，用于每一次递归都选择最佳分类属性作为分隔所述数据集D的属性；
混杂度函数模块，用于基于信息论中的熵得到所述信息增益，使用信息增益作为ID3决策树算法的混杂度函数，采用混杂度函数找到最佳分类属性，其中，熵是事物不确定性的衡量，熵越大表明事物不确定性越高；
分隔模块，用于当分隔数据集D所得到的各个数据子集D1、...、Dv满足纯净要求条件时，所述最佳分类属性造成信息增益最大，递归终止。
11.一种车辆，其特征在于，包括权利要求8-10任意一项中的对驾驶行为进行引导的装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611216065.5A CN108241866A (zh) | 2016-12-26 | 2016-12-26 | 一种对驾驶行为进行引导的方法、装置和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611216065.5A CN108241866A (zh) | 2016-12-26 | 2016-12-26 | 一种对驾驶行为进行引导的方法、装置和车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108241866A true CN108241866A (zh) | 2018-07-03 |
Family
ID=62704801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611216065.5A Pending CN108241866A (zh) | 2016-12-26 | 2016-12-26 | 一种对驾驶行为进行引导的方法、装置和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108241866A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109683613A (zh) * | 2018-12-24 | 2019-04-26 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
| CN110020748A (zh) * | 2019-03-18 | 2019-07-16 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
| WO2021056327A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing human driving behavior |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537010A (zh) * | 2014-12-17 | 2015-04-22 | 温州大学 | 基于决策树的网构软件中的构件分类方法 |
| CN105228215A (zh) * | 2015-09-01 | 2016-01-06 | 重庆邮电大学 | 车载自组织网络中基于决策树机制的多副本路由方法 |
-
2016
- 2016-12-26 CN CN201611216065.5A patent/CN108241866A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537010A (zh) * | 2014-12-17 | 2015-04-22 | 温州大学 | 基于决策树的网构软件中的构件分类方法 |
| CN105228215A (zh) * | 2015-09-01 | 2016-01-06 | 重庆邮电大学 | 车载自组织网络中基于决策树机制的多副本路由方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘志强等: "基于决策树的高速公路入口合流区域换道研究", 《重庆理工大学学报（自然科学）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109683613A (zh) * | 2018-12-24 | 2019-04-26 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
| CN109683613B (zh) * | 2018-12-24 | 2022-04-29 | 驭势（上海）汽车科技有限公司 | 一种用于确定车辆的辅助控制信息的方法与设备 |
| CN110020748A (zh) * | 2019-03-18 | 2019-07-16 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
| CN110020748B (zh) * | 2019-03-18 | 2022-02-15 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
| WO2021056327A1 (en) * | 2019-09-26 | 2021-04-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing human driving behavior |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105930625B (zh) | Q学习结合神经网络的智能驾驶行为决策***的设计方法 | |
| US20210125076A1 (en) | System for predicting aggressive driving | |
| CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
| CN105745131B (zh) | 行驶控制装置、服务器、车载装置 | |
| CN105788360B (zh) | 一种车辆防碰撞的方法、装置和*** | |
| US10755565B2 (en) | Prioritized vehicle messaging | |
| CN107886718B (zh) | 一种路况分析方法、装置及网络*** | |
| CN111695418A (zh) | 一种基于道路状况检测而进行安全驾驶的方法及*** | |
| CN111291697A (zh) | 用于识别障碍物的方法和装置 | |
| US20220343637A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
| CN108241866A (zh) | 一种对驾驶行为进行引导的方法、装置和车辆 | |
| CN105632203B (zh) | 一种交通安全预警方法及*** | |
| CN112925309A (zh) | 智能网联汽车数据交互方法及交互*** | |
| CN110599791A (zh) | 信息监控方法、装置和设备 | |
| CN112116809A (zh) | 基于v2x技术的非视距车辆防碰撞方法及装置 | |
| CN114787010A (zh) | 驾驶安全性*** | |
| US20230339502A1 (en) | Safety measurement of autonomous vehicle driving | |
| Valiente et al. | Connected and autonomous vehicles in the deep learning era: A case study on computer-guided steering | |
| Mohammadi et al. | Signalised intersection control in a connected vehicle environment: User throughput maximisation strategy | |
| Wu et al. | Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention | |
| CN117173888A (zh) | 基于数据驱动的混合车辆队列性能指标在线评价方法 | |
| CN113905941A (zh) | 地理控制区中的车辆控制 | |
| KR20160071164A (ko) | 끼어들기를 고려한 차량 주행제어 장치 및 방법 | |
| KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
| Martinelli et al. | Context-awareness mobile devices for traffic incident prevention |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180703 |
|
| RJ01 | Rejection of invention patent application after publication |