CN109017799A - 一种新能源汽车驾驶行为预测方法 - Google Patents
一种新能源汽车驾驶行为预测方法 Download PDFInfo
- Publication number
- CN109017799A CN109017799A CN201810650635.4A CN201810650635A CN109017799A CN 109017799 A CN109017799 A CN 109017799A CN 201810650635 A CN201810650635 A CN 201810650635A CN 109017799 A CN109017799 A CN 109017799A
- Authority
- CN
- China
- Prior art keywords
- new
- driving behavior
- energy automobile
- decision tree
- data
- 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
Classifications
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种新能源汽车驾驶行为预测方法,新能源汽车将车辆运行大数据通过车载通讯模块以无线传输形式实时传送到网络服务器端,分为训练样本集和被测试样本集两部分,从训练样本集中有放回地重复随机抽取n份样本生成新的训练样本集合用于训练决策树,n份样本基于C4.5算法构造n棵决策树,n棵决策树组成一个驾驶行为随机森林。在对新能源汽车驾驶行为预测分析时,将新的被测试数据放入到随机森林模型中,被测试样本数据经过随机森林的n个不同棵决策树得到n个不同的预测结果,最后利用众数投票方式选出结果值数量最多的那个结果值作为最终预测结果。通过该方法能够对驾驶行为做出预测,及时发出警告,提醒司机安全驾驶,避免事故的发生。
Description
技术领域
本发明涉及新能源汽车驾驶行为分析领域,特别是涉及一种新能源汽车驾驶行为预测方法。
背景技术
目前中国的汽车保有量突破2亿,同时伴随而来的还有不断增加的交通事故数量,据统计中国每年交通事故超过50万起,因交通事故死亡人数超过10万人,平均每分钟都会有一人因为交通事故而伤残,每年因交通事故所造成的经济损失达数百亿元。驾驶安全已成为人们不可忽略的问题之一,驾驶行为分析已成为了驾驶安全领域的焦点之一。新能源汽车作为新生事物,更是存在运行安全问题,由于其发动机及动力链都采用新技术新产品,对于司机来说更需要有相当长时期的磨合期。旧有的驾驶行为分析已经不适用于新能源汽车上。
新能源汽车驾驶行为的特征表现为耦合性、随机性和复杂性。耦合性体现在驾驶行为的变化不仅仅受司机一人的影响,还会受到比如环境因素,车辆故障等其他因素的影响;随机性体现在驾驶行为的变更在任何时间、任何地点都有可能出现,不能百分之百地确定下一步司机将会如何控制车辆;复杂性体现在驾驶行为的分析过程存在着许多不确定的因素,包括前面提到的耦合性和随机性,同时不同的因素对于驾驶行为的影响程度,在不同的环境下可能出现偏差。
发明内容
针对新能源汽车驾驶行为的耦合性、随机性和复杂性等特征,本发明的目的提出一种基于随机森林的新能源汽车驾驶行为分析方法,用于对车主的驾驶行为进行分类,并具有预测功能,对新能源汽车驾驶安全技术的发展具有重要意义。
为达到以上目的,本发明采用如下技术方案。
一种新能源汽车驾驶行为预测方法,其特征在于:新能源汽车将车辆运行大数据通过车载通讯模块以无线传输形式实时传送到网络服务器端进行大数据分析,新能源汽车运行大数据分为训练样本集和被测试样本集两部分,从训练样本集中有放回地重复随机抽取n份样本生成新的训练样本集合用于训练决策树,样本里的数据定义{车速、档位、时间、天气}4个属性,每份样本基于C4.5算法以车速、档位、时间、天气为节点构造决策树,在构建单棵决策树时,先通过计算信息增益比,选出信息增益比最大的属性作为根节点,再在剩下的属性集中计算出最大信息增益比的属性作为非叶子节点,以此类推直到叶子节点,叶子节点存放决策树最终的决策结果,决策结果数据定义{安全,危险}2个属性。
在对新能源汽车驾驶行为预测分析时,将被测试样本放入到随机森林模型中,被测试样本数据从每个决策树的根节点开始,测试待分类项中样本数据所对应的特征属性,并按照其值选择输出分支,每个非叶子节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,直到到达叶子节点,将叶子节点存放的类别作为决策结果,被测试样本数据经过随机森林的不同棵决策树得到不同的结果,最后利用众数投票方式选出结果值数量最多的那个结果值作为最终结果。
相比于其他驾驶行文分析算法,本发明专利的优势在于:(1)驾驶行为的耦合性体现在驾驶行为受到许多不同因素的影响,因为随机森林的核心是决策树模型,而决策树的这种树形分类方式能有效地区分开不同的属性,通过信息增益比来判断不同属性的优先级,可以很好地解决驾驶行为的耦合性;(2)驾驶行为的随机性体现在不同时间不同路况下驾驶行为都会出现变化,而随机森林是一种基于大数据的分析模型,随机筛选数据构造大量决策树来组成随机森林模型,再通过众数投票方式选出结果,这种随机大量选取、众数决策的方式很好地应对了驾驶行为的随机性问题;(3)驾驶行为的复杂性体现在驾驶行为数据是由一组复杂的属性数据构成,一方面本发明专利只选取了主要影响属性,另一方面决策树的树形结构更易于人们直观地理解,不同的属性对于驾驶行为的影响程度,很好地降低了数据地复杂性。
本发明专利提出了一种比传统驾驶行为分析方法更快速地解析海量驾驶数据的分析途径。通过该方法能够对驾驶行为做出预测,当出现危险的驾驶行为特征时,及时发出警告,提醒司机安全驾驶,从而提高交通安全,避免事故的发生。
附图说明
图1所示为本发明提供的新能源汽车驾驶行为预测方法算法流程图。
图2所示为本发明实施例中某训练样本集构造的决策树示例。
具体实施方式
下面结合说明书的附图,对本发明的具体实施方式作进一步的描述,使本发明的技术方案及其有益效果更加清楚、明确。下面通过参考附图描述实施例是示例性的,旨在解释本发明,而不能理解为对本发明的限制。
一种新能源汽车驾驶行为预测方法,其驾驶行为数据的收集主要通过车载通讯模块以无线传输形式将车辆数据实时传送到后台再加以解析。车载通讯模块平均每30秒上传126字段数据,而在这些数据中并不是每一条数据都是有用的,也不是每个字段都是必须的,过多的属性和数据集会影响决策树的生长速度和准确性,因此需要对数据和属性进行挑选。
在属性选择方面的主要考虑因素是属性对于驾驶行为造成的影响程度和驾驶行为对车辆的影响程度。其中车速、档位、时间和天气是驾驶行为影响的最主要因素。还有新能源动力源发电量、电机转速/转矩等更多的属性能够更优化整个的驾驶行为模型。
为简化说明,本实施例中选择了最具研究价值的4个属性,为车速、档位、时间和天气。其中车速用1、2和3分别表示车速小于30km/h,车速在30-50km/h和车速超过50km/h。档位的取值是1、2、3、4、5。时间用0、1表示,1表示高峰期,包括7a.m.-9a.m.和6p.m.-8p.m.,0表示其他时间。天气也用0、1表示,0表示晴天、阴天等较好的天气状况,1表示雨天、雾天等恶劣的天气状况。最终的结果属性使用安全系数表示,其中0代表安全,1代表危险。
将所有新能源汽车运行大数据分为训练样本集和被测试样本集两部分,从训练样本集中有放回地重复随机抽取n份样本生成新的训练样本集合用于训练决策树,样本里的数据定义{车速、档位、时间、天气}4个属性。
构造决策树的关键步骤是***属性。所谓***属性就是在某个节点处按照某一特征属性的不同划分构造不同的分支,其目标是尽量让一个***子集中待分类项属于同一类别。构造决策树的关键性内容就是进行属性选择度量,属性选择度量是一种选择***准则,它决定了拓扑结构及***点的选择。本实施例采用信息增益比选择特征C4.5算法作为属性选择度量算法,根据C4.5算法来***属性,选出最佳节点,最终构成一棵完整的决策树。
每份样本基于C4.5算法以车速、档位、时间、天气为节点构造决策树。在构建单棵决策树时,先通过计算信息增益比,选出信息增益比最大地属性作为根节点,比如为车速;接着再在剩下的属性集{档位、时间、天气}中计算出最大信息增益比的属性作为非叶子节点,比如为档位。以此类推,直到叶子节点,叶子节点存放决策树最终的决策结果,决策结果数据定义{安全,危险}2个属性。以上构成一棵完整的决策树。
本发明实施例中某样本构建的决策树如附图2所示。
根据n份训练样本集,重复以上步骤n次,即可生成n棵决策树,n棵决策树组成一个随机森林。
在对新能源汽车驾驶行为预测分析时,将新的被测试数据放入到随机森林模型中,被测试样本数据从每棵决策树的根节点开始,测试待分类项中样本数据所对应的特征属性,并按照其值选择输出分支,每个非叶子节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,直到到达叶子节点,将叶子节点存放的类别作为决策结果,被测试数据经过随机森林的n个不同棵决策树得到n个不同的结果,最后利用众数投票方式选出结果值数量最多的那个结果值作为最终结果。在本发明实施例中,通过随机森林模型,选择结果值数量超过半数的结果。
通过上述的结构和原理的描述,所属技术领域的技术人员应当理解,本发明不局限于上述的具体实施方式,在本发明基础上采用本领域公知技术的改进和替代均落在本发明的保护范围,本发明的保护范围应由各权利要求项及其等同物限定之。说明书中未阐述的部分均为现有技术或公知常识。
Claims (2)
1.一种新能源汽车驾驶行为预测方法,其特征在于:
新能源汽车将车辆运行大数据通过车载通讯模块以无线传输形式实时传送到网络服务器端进行大数据分析,新能源汽车运行大数据分为训练样本集和被测试样本集两部分,从训练样本集中有放回地重复随机抽取n份样本生成新的训练样本集合用于训练决策树,样本里的数据定义{车速、档位、时间、天气}4个属性,每份样本基于C4.5算法以车速、档位、时间、天气为节点构造决策树,在构建单棵决策树时,先通过计算信息增益比,选出信息增益比最大的属性作为根节点,再在剩下的属性集中计算出最大信息增益比的属性作为非叶子节点,以此类推直到叶子节点,叶子节点存放决策树最终的决策结果,决策结果数据定义{安全,危险}2个属性。
2.根据权利要求1所述的一种新能源汽车驾驶行为预测方法,其特征在于:在对新能源汽车驾驶行为预测分析时,将被测试样本放入到随机森林模型中,被测试样本数据从每个决策树的根节点开始,测试待分类项中样本数据所对应的特征属性,并按照其值选择输出分支,每个非叶子节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,直到到达叶子节点,将叶子节点存放的类别作为决策结果,被测试样本数据经过随机森林的不同棵决策树得到不同的结果,最后利用众数投票方式选出结果值数量最多的那个结果值作为最终结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810303684 | 2018-04-03 | ||
CN2018103036840 | 2018-04-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109017799A true CN109017799A (zh) | 2018-12-18 |
Family
ID=64610010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810650635.4A Pending CN109017799A (zh) | 2018-04-03 | 2018-06-22 | 一种新能源汽车驾驶行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109017799A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649386A (zh) * | 2018-12-26 | 2019-04-19 | 成都路行通信息技术有限公司 | 一种基于机器学习的车辆碰撞检测方法 |
CN109981016A (zh) * | 2019-03-25 | 2019-07-05 | 安徽大学 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
CN110194041A (zh) * | 2019-05-19 | 2019-09-03 | 瑞立集团瑞安汽车零部件有限公司 | 多源信息融合的自适应车身高度调节方法 |
CN111291896A (zh) * | 2020-02-03 | 2020-06-16 | 深圳前海微众银行股份有限公司 | 交互式随机森林子树筛选方法、装置、设备及可读介质 |
CN112348039A (zh) * | 2019-08-07 | 2021-02-09 | ***通信集团上海有限公司 | 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 |
WO2021052383A1 (en) * | 2019-09-17 | 2021-03-25 | Huawei Technologies Co., Ltd. | Methods and systems for observation prediction in autonomous vehicles |
CN113156529A (zh) * | 2021-05-07 | 2021-07-23 | 广东电网有限责任公司计量中心 | 计量检定流水线的启停控制方法、***、终端和存储介质 |
CN113988488A (zh) * | 2021-12-27 | 2022-01-28 | 上海一嗨成山汽车租赁南京有限公司 | 一种多因子预测车辆通过etc概率的方法 |
CN114169426A (zh) * | 2021-12-02 | 2022-03-11 | 安徽庐峰交通科技有限公司 | 一种基于北斗位置数据的公路交通安全隐患排查方法 |
CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及*** |
CN117077042A (zh) * | 2023-10-17 | 2023-11-17 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968447A (zh) * | 2012-10-24 | 2013-03-13 | 西安工程大学 | 基于决策树算法的seo关键词竞争程度计算方法 |
CN103760231A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于决策树的焊接缺陷巨磁电阻涡流检测方法及检测装置 |
CN105023269A (zh) * | 2015-04-27 | 2015-11-04 | 东华大学 | 一种车载红外图像彩色化方法 |
CN105303197A (zh) * | 2015-11-11 | 2016-02-03 | 江苏省邮电规划设计院有限责任公司 | 一种基于机器学习的车辆跟车安全自动评估方法 |
KR101663574B1 (ko) * | 2014-12-01 | 2016-10-07 | 계명대학교 산학협력단 | 야간 환경에서의 운전자 보조 시스템을 위한 위험 보행자 검출 방법 및 시스템 |
CN106054104A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种基于决策树的智能电表故障实时预测方法 |
-
2018
- 2018-06-22 CN CN201810650635.4A patent/CN109017799A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968447A (zh) * | 2012-10-24 | 2013-03-13 | 西安工程大学 | 基于决策树算法的seo关键词竞争程度计算方法 |
CN103760231A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于决策树的焊接缺陷巨磁电阻涡流检测方法及检测装置 |
KR101663574B1 (ko) * | 2014-12-01 | 2016-10-07 | 계명대학교 산학협력단 | 야간 환경에서의 운전자 보조 시스템을 위한 위험 보행자 검출 방법 및 시스템 |
CN105023269A (zh) * | 2015-04-27 | 2015-11-04 | 东华大学 | 一种车载红外图像彩色化方法 |
CN105303197A (zh) * | 2015-11-11 | 2016-02-03 | 江苏省邮电规划设计院有限责任公司 | 一种基于机器学习的车辆跟车安全自动评估方法 |
CN106054104A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种基于决策树的智能电表故障实时预测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649386A (zh) * | 2018-12-26 | 2019-04-19 | 成都路行通信息技术有限公司 | 一种基于机器学习的车辆碰撞检测方法 |
CN109981016A (zh) * | 2019-03-25 | 2019-07-05 | 安徽大学 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
CN109981016B (zh) * | 2019-03-25 | 2020-10-30 | 安徽大学 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
CN110194041A (zh) * | 2019-05-19 | 2019-09-03 | 瑞立集团瑞安汽车零部件有限公司 | 多源信息融合的自适应车身高度调节方法 |
CN112348039B (zh) * | 2019-08-07 | 2023-04-07 | ***通信集团上海有限公司 | 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 |
CN112348039A (zh) * | 2019-08-07 | 2021-02-09 | ***通信集团上海有限公司 | 驾驶行为分析模型的训练方法、驾驶行为分析方法和设备 |
WO2021052383A1 (en) * | 2019-09-17 | 2021-03-25 | Huawei Technologies Co., Ltd. | Methods and systems for observation prediction in autonomous vehicles |
CN111291896A (zh) * | 2020-02-03 | 2020-06-16 | 深圳前海微众银行股份有限公司 | 交互式随机森林子树筛选方法、装置、设备及可读介质 |
CN113156529A (zh) * | 2021-05-07 | 2021-07-23 | 广东电网有限责任公司计量中心 | 计量检定流水线的启停控制方法、***、终端和存储介质 |
CN114169426A (zh) * | 2021-12-02 | 2022-03-11 | 安徽庐峰交通科技有限公司 | 一种基于北斗位置数据的公路交通安全隐患排查方法 |
CN113988488A (zh) * | 2021-12-27 | 2022-01-28 | 上海一嗨成山汽车租赁南京有限公司 | 一种多因子预测车辆通过etc概率的方法 |
CN113988488B (zh) * | 2021-12-27 | 2022-06-21 | 上海一嗨成山汽车租赁南京有限公司 | 一种多因子预测车辆通过etc概率的方法 |
CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及*** |
CN117077042A (zh) * | 2023-10-17 | 2023-11-17 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及*** |
CN117077042B (zh) * | 2023-10-17 | 2024-01-09 | 北京鑫贝诚科技有限公司 | 一种农村平交路口安全预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109017799A (zh) | 一种新能源汽车驾驶行为预测方法 | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN101751438B (zh) | 自适应语义驱动的主题网页过滤*** | |
CN109754110A (zh) | 一种牵引变流器故障的预警方法及*** | |
CN107953888B (zh) | 一种道路类型识别方法及*** | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和*** | |
Andrieu et al. | Using statistical models to characterize eco-driving style with an aggregated indicator | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
EP3726434B1 (de) | Verfahren zur reduzierung von abgasemissionen eines antriebssystems eines fahrzeugs mit verbrennungsmotor | |
CN104807640A (zh) | 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
CN113378458A (zh) | 一种基于大数据的拥堵预警方法、装置、介质及设备 | |
CN106126637A (zh) | 一种交通工具类别识别方法及装置 | |
CN114140903A (zh) | 一种基于决策树生成规则的道路类型识别车载装置 | |
Aljofey et al. | Analysis of accident times for highway locations using K-means clustering and decision rules extracted from decision trees | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
Zhang et al. | An improved method for evaluating eco-driving behavior based-on speed-specific vehicle-specific power distributions | |
Zhang et al. | Car-following behavior model learning using timed automata | |
Liu et al. | Naturalistic drive cycle synthesis for pickup trucks | |
CN112651666A (zh) | 一种基于驾驶模式转移特征的驾驶员风险评估方法 | |
Li et al. | Traffic accident analysis based on C4. 5 algorithm in WEKA | |
Chen et al. | Risk factor analysis of traffic accident for different age group based on adaptive boosting |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |