CN109033332A - 驾驶行为分析方法、介质及*** - Google Patents

Abstract

本发明公开了一种驾驶行为分析方法，包括：获取驾驶员的行车数据；结合车辆行驶过程，对特征提取以获得驾驶行为特征矩阵；筛选以获得最终特征；根据最终特征度量特征相似性，并建立连边，以及基于连边分别采用聚类算法进行驾驶员群体聚类以获得聚类结果；获取准确性高的聚类结果；根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图对驾驶员的驾车偏好进行用户画像，以获得单维度评分和多维度综合评分；根据单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析；本发明还公开了一种介质和***，能够实现对每个驾驶员的驾驶行为进行多维度的综合评定，以作为驾驶员改正不良驾驶习惯的依据。

Description

驾驶行为分析方法、介质及***

技术领域

本发明涉及数据处理技术领域，特别涉及一种驾驶行为分析方法、介质及***。

背景技术

在城市交通环境中，车辆驾驶员的不良驾驶行为（例如，急加速、急刹车和开快车），严重影响了城市交通环境的安全性以及乘客的搭乘舒适度。

在实际的车辆乘坐或者车辆行驶过程中，人们多通过单一维度直观地获知驾驶员不良驾驶行为的方式，例如，在驾驶员急刹车的过程中，通过身体感知直观地获知驾驶员的不良习惯，或者，在车辆驾驶过程中，通过车辆的突然加速行为以及车速值直观地获知驾驶员的不良习惯。这些方式都难以全面地反映驾驶员的驾驶习惯，不能够对每个驾驶员的驾驶行为进行多维度的综合评定，以作为驾驶员改正不良驾驶习惯的依据，从而保障城市交通环境的安全以及乘客的搭乘舒适度。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种驾驶行为分析方法，能够实现对每个驾驶员的驾驶行为进行多维度的综合评定，以作为驾驶员改正不良驾驶习惯的依据，从而保障城市交通环境的安全以及乘客的搭乘舒适度。

本发明的第二个目的在于提出一种计算机可读存储介质。

本发明的第三个目的在于提出一种驾驶行为分析***。

本发明的第四个目的在于提出一种驾驶行为分析***。

为达到上述目的，本发明第一方面实施例提出了一种驾驶行为分析方法，包括以下步骤：获取驾驶员的行车数据；结合车辆行驶过程，对所述驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵；对所述驾驶行为特征矩阵进行筛选以获得最终特征；根据所述最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据所述驾驶行为特征相似性建立连边，以及基于所述连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果；获取所述第一聚类结果和第二聚类结果中准确性高的聚类结果；根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分；根据所述单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析。

根据本发明实施例的驾驶行为分析方法，首先，获取驾驶员的行车数据；并结合车辆行驶过程，对驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵；接着，对驾驶行为特征矩阵进行筛选以获得最终特征；并根据最终特征度量驾驶员每次行车的驾驶行为特征相似性，以及根据驾驶行为特征相似性建立连边，然后，基于连边分别采用FastUnfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果；接着，获取第一聚类结果和第二聚类结果中准确性高的聚类结果；并根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，以及采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分；然后根据单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析；从而实现对驾驶员的驾驶行为进行多维度的综合评定，以作为驾驶员改正不良驾驶习惯的依据，进而保障城市交通环境的安全以及乘客的搭乘舒适度。

另外，根据本发明上述实施例提出的驾驶行为分析方法还可以具有如下附加的技术特征：

可选地，通过CAN总线车载仪器获取所述驾驶员的行车数据，其中，所述驾驶员的行车数据包括基于驾驶员ID、记录日期和时间、车辆的位置、速度、上下行、电机和发动机转速、档位、电子刹车信息、手刹信息、油门踏板百分比、点火信号、制动踏板开度信息、开关状态信息。

可选地，对所述驾驶行为特征矩阵进行筛选以获得最终特征，包括：基于所述驾驶行为特征矩阵获取行为特征概率分布图以分析驾驶行为特征分布情况，并根据所述驾驶行为特征分布情况删除所述驾驶行为特征矩阵中没有明显区别的驾驶行为特征以进行初步筛选；采用基于互信息的最大相关最小冗余特征选择方法对初步筛选后的驾驶行为特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选；对二次筛选后的驾驶行为特征进行赋权；根据赋权后的每个驾驶行为特征的权重生成特征箱形图，并根据所述特征箱形图去除异常行为特征以获得所述最终特征。

可选地，采用Fast Unfolding聚类算法进行驾驶员群体聚类时，按照模块度算法将网络中模块度可提高的点和社团进行合并，直至网络中模块度无法提高为止。

为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有驾驶行为分析程序，该驾驶行为分析程序被处理器执行时实现如上述的驾驶行为分析方法。

为达到上述目的，本发明第三方面实施例提出了一种驾驶行为分析***，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的驾驶行为分析程序，所述处理器执行所述驾驶行为分析程序时实现如上述的驾驶行为分析方法。

为达到上述目的，本发明第四方面实施例提出了一种驾驶行为分析***，数据获取模块，用于获取驾驶员的行车数据；特征提取模块，用于结合车辆行驶过程，对所述驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵；特征筛选模块，用于对所述驾驶行为特征矩阵进行筛选以获得最终特征；聚类模块，用于根据所述最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据所述驾驶行为特征相似性建立连边，以及基于所述连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果，并获取所述第一聚类结果和第二聚类结果中准确性高的聚类结果；画像生成模块，用于根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分；驾驶行为分析模块，用于根据所述单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析。

根据本发明实施例提出的驾驶行为分析***，首先，数据获取模块获取驾驶员的行车数据；接着，特征提取模块结合车辆行驶过程，对驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵；然后，特征筛选模块对驾驶行为特征矩阵进行筛选以获得最终特征；接着，聚类模块根据最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据驾驶行为特征相似性建立连边，以及基于连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果，并获取第一聚类结果和第二聚类结果中准确性高的聚类结果；然后，画像生成模块根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分；接着，驾驶行为分析模块根据单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析；从而实现对驾驶员的驾驶行为进行多维度的综合评定，以作为驾驶员改正不良驾驶习惯的依据，进而保障城市交通环境的安全以及乘客的搭乘舒适度。

另外，根据本发明上述实施例提出的驾驶行为分析***还可以具有如下附加的技术特征：

可选地，所述数据获取模块通过CAN总线车载仪器获取所述驾驶员的行车数据，其中，所述驾驶员的行车数据包括基于驾驶员ID、记录日期和时间、车辆的位置、速度、上下行、电机和发动机转速、档位、电子刹车信息、手刹信息、油门踏板百分比、点火信号、制动踏板开度信息、开关状态信息。

可选地，所述特征筛选模块包括：初步筛选单元，用于基于所述驾驶行为特征矩阵获取行为特征概率分布图以分析驾驶行为特征分布情况，并根据所述驾驶行为特征分布情况删除所述驾驶行为特征矩阵中没有明显区别的驾驶行为特征以进行初步筛选；二次筛选单元，用于采用基于互信息的最大相关最小冗余特征选择方法对初步筛选后的驾驶行为特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选；赋权单元，用于对二次筛选后的驾驶行为特征进行赋权；异常去除单元，用于根据赋权后的每个驾驶行为特征的权重生成特征箱形图，并根据所述特征箱形图去除异常行为特征以获得所述最终特征。

可选地，所述聚类模块采用Fast Unfolding聚类算法进行驾驶员群体聚类时，按照模块度算法将网络中模块度可提高的点和社团进行合并，直至网络中模块度无法提高为止。

附图说明

图1为根据本发明实施例的驾驶行为分析方法的流程示意图；

图2为根据本发明另一实施例的对驾驶行为特征矩阵进行筛选以获得最终特征的流程示意图；

图3为根据本发明实施例的驾驶行为分析***的方框示意图；

图4为根据本发明另一实施例的特征筛选模块的方框示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在实际的车辆乘坐或者车辆行驶过程中，人们多通过单一维度直观地获知驾驶员不良驾驶行为的方式，这些方式都难以全面地反映驾驶员的驾驶习惯，不能够对每个驾驶员的驾驶行为进行多维度的综合评定；本发明实施例提出的一种驾驶行为分析方法，首先获取驾驶员的行车数据，并结合车辆行驶过程提取特征以生成驾驶行为特征矩阵，以及对驾驶行为特征矩阵进行筛选以获得最终特征；接着，根据最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据相似性连接，以及基于聚类算法进行聚类生成聚类结果；然后，根据聚类结果建立多维度的用户画像，以获得驾驶员在多维度的综合评定；从而实现对驾驶员的驾驶行为进行多维度的综合评定，以作为驾驶员改正不良驾驶习惯的依据，进而保障城市交通环境的安全以及乘客的搭乘舒适度。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1为本发明实施例提出的一种驾驶行为分析方法的流程示意图，如图1所示，该驾驶行为分析方法包括以下步骤：

S101，获取驾驶员的行车数据。

其中，获取驾驶员的行车数据的方式有多种，例如，通过安装在车辆上面的车载终端获取驾驶员的行车数据；或者，通过行车记录仪获取驾驶员的行车数据；或者通过驾驶员的移动终端获取驾驶员的行车数据。

作为一种示例，可以通过CAN总线车载仪器获取驾驶员的行车数据。

其中，驾驶员的行车数据包括但不限于驾驶员ID、记录日期和时间、车辆的位置、速度、上下行、电机和发动机转速、档位、电子刹车信息、手刹信息、油门踏板百分比、点火信号、制动踏板开度信息、开关状态信息。

需要说明的是，在通过CAN总线车载仪器获取驾驶员的行车数据之后，可以对获取到的驾驶员的行车数据进行整理，并生成与驾驶员对应的CSV文档以及与车辆对应的CSV文档，以便于后续对驾驶员的驾驶行为特征进行提取。

S102，结合车辆行驶过程，对驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵。

也就是说，结合车辆的具体行驶过程（例如，公交车线路上行过程中，起点至终点车辆的具体行驶过程；或者，出租车在指定路线的具体行驶过程等），对驾驶员的行车数据进行特征提取，以获得驾驶行为特征矩阵。

需要说明的是，在生成驾驶行为特征矩阵之前，还可以包括对提取的特征的预处理；具体地，可对缺失的数据以及逻辑错误的数据使用hot deck算法进行就近补齐；其中，逻辑错误的数据可首先通过逻辑错误检测进行排查，逻辑错误的数据指的是由于设备记录错误或者其他原因而导致的明显不符合逻辑的数据；例如，由于经纬度记录发生错误，造成城市拥堵路段“行车速度达到150km/h”；或者，“电机转速达到16000r/min”等；然后，当逻辑错误检测过程中发现逻辑错误的数据时，使用空值对逻辑错误的数据进行替换，并使用hotdeck算法进行就近补齐，以完成对提取的特征的预处理；从而使得经过预处理后的特征生成的特征矩阵更精准并更具有可参照性。

S103，对驾驶行为特征矩阵进行筛选以获得最终特征。

也就是说，在获得驾驶行为特征矩阵之后，对特征矩阵中的特征进行筛选，以获得用于聚类分析的最终特征。

S104，根据最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据驾驶行为特征相似性建立连边，以及基于连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果。

其中，根据最终特征度量驾驶员每次行车的驾驶行为特征相似性指的是，根据最终特征综合评定每次行车的驾驶行为特征之间的相近程度；度量的方式可以有多种，例如，衡量每次行车的驾驶行为特征之间的匹配系数；或者衡量每次行车的驾驶行为特征之间的一致度等。

作为一种示例，根据驾驶行为特征相似性建立连边，并基于连边采用FastUnfolding聚类算法进行驾驶员群体聚类时，按照模块度算法将网络中模块度可提高的点和社团进行合并，直至网络中的模块度无法提高为止。

也就是说，首先将每个驾驶行为特征作为一个独立的社团，接着将邻近的社团进行合并，并在合并之后判断所有社团组成的网络的模块度是否提高，如果判断结果为是，则合并社团；如果判断结果为否，则撤销社团的合并；如此，对每个社团进行迭代合并，直到所有社团组成的网络的模块度不再提高为止。

需要说明的是，最终形成的模块度无法提高的网络即为采用Fast Unfolding聚类算法进行驾驶员群体聚类获得的第一聚类结果。

其中，K-means聚类算法是一种典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。

S105，获取第一聚类结果和第二聚类结果中准确性高的聚类结果。

也就是说，在获取到第一聚类结果和第二聚类结果之后，将第一聚类结果和第二聚类结果中的准确性进行对比，选取准确性高的聚类结果。

其中，判断聚类结果准确性的方式有多种，例如，根据多个驾驶行为特征和聚类结果判断各驾驶行为特征的分类，并根据分类结果判断分类是否准确，以判断聚类结果的准确性。

作为一种示例，以每次行车的驾驶行为特征作为分类对象，提取同一驾驶员相同行程行车的多次驾驶行为特征，并根据多次驾驶行为特征预设平均分类准确性指标，以及根据每次驾驶行为特征和聚类结果判断每次驾驶行为特征的分类；然后，判断每次驾驶行为特征的分类与预设平均分类准确性指标是否一致，若判断结果一致，则确定该分类结果准确；接着，根据每次驾驶行为特征的分类结果确定聚类结果的准确性。

S106，根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分。

作为一种示例，设定聚类结果中的每个分类对应的驾驶行为维度，并根据各驾驶行为维度预设驾驶行为维度中各驾驶行为特征对应的分值，然后，将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图对各维度中的驾驶行为特征进行连线，以形成对应驾驶员该次行车用户画像；以获得驾驶员该次行车在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分。

S107，根据单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析。

也就是说，根据单维度平和和多维度综合评分对影响驾驶员的驾驶行为的各维度评分进行分析，以确定影响驾驶员的驾驶行为的因素。

作为一种示例，当驾驶员驾驶车辆的油耗较高时，将油耗变量作为因变量，将各驾驶行为特征单维度评分作为自变量，构建多元线性回国模型，通过查看拟合回归效果，分析哪些驾驶行为特征的单维度评分能够显著影响油耗值，以确定影响驾驶员驾驶车辆产生油耗较高的因素。

如图2所示，在一些实施例中，本发明实施例的驾驶行为分析方法中，对驾驶行为特征矩阵进行筛选以获得最终特征具体可包括以下步骤：

S201，基于驾驶行为特征矩阵获取行为特征概率分布图以分析驾驶行为特征分布情况并根据驾驶行为特征分布情况删除驾驶行为特征矩阵中没有明显区别的驾驶行为特征以进行初步筛选。

也就是说，根据驾驶行为特征矩阵生成行为特征概率分布图，并根据行为特征概率分布图进行驾驶行为特征分布情况的分析，以及根据驾驶行为特征分布情况将各驾驶行为特征中没有明显区别的进行删除，以完成对驾驶行为特征的初步筛选。

S202，采用基于互信息的最大相关最小冗余特征选择方法对初步筛选后的驾驶行为特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选。

其中，互信息指的是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减小的不肯定性。

作为一种示例，在根据驾驶行为特征分布情况删除驾驶行为特征矩阵中没有明显区别的驾驶行为特征以完成初步筛选之后，通过估算初步筛选后的每个驾驶行为特征降低除自身之外的其他驾驶行为特征的不确定性的能力，一次选择一个驾驶行为特征，采用基于互信息的最大相关最小冗余将特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选。

其中，二次筛选的方式有多种，例如，根据排序的先后顺序，选取排序编号在预设值之前驾驶行为特征。

作为一种示例，首先预设平均互信息的阈值，接着删除互信息在阈值意外的驾驶行为特征，以完成二次筛选。

S203，对二次筛选后的驾驶行为特征进行赋权。

也就是说，对二次筛选之后的驾驶行为特征进行赋权，以确定二次筛选后的各驾驶行为特征的权重。

S204，根据赋权后的每个驾驶行为特征的权重生成特征箱形图，并根据特征箱形图去除异常行为特征以获得最终特征。

其中，箱形图是一种用作现实一组数据分散情况的统计图。

作为一种示例，根据赋权后的每个驾驶行为特征的排序，进行最小值、第一四分位数、中位数、第三四分位数以及最大值的确定，并根据第一四分位数和第三四分位数的差值确定内限值和外限值，以及根据内限值和外限值确定异常行为特征；然后，根据特征箱形图去除异常行为特征以获得最终特征。

综上所述，根据本发明实施例的驾驶行为分析方法，首先基于驾驶行为特征矩阵获取行为特征概率分布图以分析驾驶行为特征分布情况并根据驾驶行为特征分布情况删除驾驶行为特征矩阵中没有明显区别的驾驶行为特征以进行初步筛选，接着，采用基于互信息的最大相关最小冗余特征选择方法对初步筛选后的驾驶行为特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选，然后，对二次筛选后的驾驶行为特征进行赋权；接着，根据赋权后的每个驾驶行为特征的权重生成特征箱形图，并根据特征箱形图去除异常行为特征以获得最终特征；从而增强最终特征的精准性和可参照性，有利于后续根据最终特征形成的聚类结果的生成。

为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有驾驶行为分析程序，该驾驶行为分析程序被处理器执行时实现如上述的驾驶行为分析方法。

为了实现上述实施例，本发明实施例提出了一种驾驶行为分析***，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的驾驶行为分析程序，所述处理器执行驾驶行为分析程序时实现如上述的驾驶行为分析方法。

如图3所示，本发明实施例提出了一种驾驶行为分析***，包括：数据获取模块10、特征提取模块20、特征筛选模块30、聚类模块40、画像生成模块50、驾驶行为分析模块60。

其中，数据获取模块10，用于获取驾驶员的行车数据。

特征提取模块20，用于结合车辆行驶过程，对驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵。

特征筛选模块30，用于对驾驶行为特征矩阵进行筛选以获得最终特征。

聚类模块40，用于根据最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据驾驶行为特征相似性建立连边，以及基于连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果，并获取第一聚类结果和第二聚类结果中准确性高的聚类结果。

画像生成模块50，用于根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分。

驾驶行为分析模块60，用于根据单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析。

综上，根据本发明实施例提出的驾驶行为分析***，首先，数据获取模块获取驾驶员的行车数据；接着，特征提取模块结合车辆行驶过程，对驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵；然后，特征筛选模块对驾驶行为特征矩阵进行筛选以获得最终特征；接着，聚类模块根据最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据驾驶行为特征相似性建立连边，以及基于连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果，并获取第一聚类结果和第二聚类结果中准确性高的聚类结果；然后，画像生成模块根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分；接着，驾驶行为分析模块根据单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析；从而实现对驾驶员的驾驶行为进行多维度的综合评定，以作为驾驶员改正不良驾驶习惯的依据，进而保障城市交通环境的安全以及乘客的搭乘舒适度。

在一些实施例中，本发明实施例提出的驾驶行为分析***中，数据获取模块10通过CAN总线车载仪器获取驾驶员的行车数据，其中，驾驶员的行车数据包括基于驾驶员ID、记录日期和时间、车辆的位置、速度、上下行、电机和发动机转速、档位、电子刹车信息、手刹信息、油门踏板百分比、点火信号、制动踏板开度信息、开关状态信息。

如图4所示，在一些实施例中，本发明实施例提出的驾驶行为分析***中，特征筛选模块30包括：

初步筛选单元70，用于基于驾驶行为特征矩阵获取行为特征概率分布图以分析驾驶行为特征分布情况，并根据驾驶行为特征分布情况删除驾驶行为特征矩阵中没有明显区别的驾驶行为特征以进行初步筛选；

二次筛选单元80，用于采用基于互信息的最大相关最小冗余特征选择方法对初步筛选后的驾驶行为特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选；

赋权单元90，用于对二次筛选后的驾驶行为特征进行赋权；

异常去除单元100，用于根据赋权后的每个驾驶行为特征的权重生成特征箱形图，并根据特征箱形图去除异常行为特征以获得最终特征。

在一些实施例中，本发明实施例提出的驾驶行为分析***中，聚类模块40采用Fast Unfolding聚类算法进行驾驶员群体聚类时，按照模块度算法将网络中模块度可提高的点和社团进行合并，直至网络中模块度无法提高为止。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征 “上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种驾驶行为分析方法，其特征在于，包括以下步骤：

获取驾驶员的行车数据；

结合车辆行驶过程，对所述驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵；

对所述驾驶行为特征矩阵进行筛选以获得最终特征；

根据所述最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据所述驾驶行为特征相似性建立连边，以及基于所述连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果；

获取所述第一聚类结果和第二聚类结果中准确性高的聚类结果；

根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分；

根据所述单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析。

2.如权利要求1所述的驾驶行为分析方法，其特征在于，通过CAN总线车载仪器获取所述驾驶员的行车数据，其中，所述驾驶员的行车数据包括基于驾驶员ID、记录日期和时间、车辆的位置、速度、上下行、电机和发动机转速、档位、电子刹车信息、手刹信息、油门踏板百分比、点火信号、制动踏板开度信息、开关状态信息。

3.如权利要求1所述的驾驶行为分析方法，其特征在于，对所述驾驶行为特征矩阵进行筛选以获得最终特征，包括：

基于所述驾驶行为特征矩阵获取行为特征概率分布图以分析驾驶行为特征分布情况，并根据所述驾驶行为特征分布情况删除所述驾驶行为特征矩阵中没有明显区别的驾驶行为特征以进行初步筛选；

采用基于互信息的最大相关最小冗余特征选择方法对初步筛选后的驾驶行为特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选；

对二次筛选后的驾驶行为特征进行赋权；

根据赋权后的每个驾驶行为特征的权重生成特征箱形图，并根据所述特征箱形图去除异常行为特征以获得所述最终特征。

4.如权利要求1-3中任一项所述的驾驶行为分析方法，其特征在于，采用FastUnfolding聚类算法进行驾驶员群体聚类时，按照模块度算法将网络中模块度可提高的点和社团进行合并，直至网络中模块度无法提高为止。

5.一种计算机可读存储介质，其特征在于，其上存储有驾驶行为分析程序，该驾驶行为分析程序被处理器执行时实现如权利要求1-4中任一项所述的驾驶行为分析方法。

6.一种驾驶行为分析***，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的驾驶行为分析程序，所述处理器执行所述驾驶行为分析程序时实现如权利要求1-4中任一项所述的驾驶行为分析方法。

7.一种驾驶行为分析***，其特征在于，包括：

数据获取模块，用于获取驾驶员的行车数据；

特征提取模块，用于结合车辆行驶过程，对所述驾驶员的行车数据进行特征提取以获得驾驶行为特征矩阵；

特征筛选模块，用于对所述驾驶行为特征矩阵进行筛选以获得最终特征；

聚类模块，用于根据所述最终特征度量驾驶员每次行车的驾驶行为特征相似性，并根据所述驾驶行为特征相似性建立连边，以及基于所述连边分别采用Fast Unfolding聚类算法和K-means聚类算法进行驾驶员群体聚类以获得第一聚类结果和第二聚类结果，并获取所述第一聚类结果和第二聚类结果中准确性高的聚类结果；

画像生成模块，用于根据准确性高的聚类结果将驾驶员每次行车的驾驶行为特征归到驾驶行为维度中，并采用雷达图从不同驾驶行为维度对驾驶员的驾车偏好进行用户画像，以获得驾驶员在每个驾驶行为维度上的单维度评分和在不同驾驶行为维度上的多维度综合评分；

驾驶行为分析模块，用于根据所述单维度评分和多维度综合评分对影响驾驶员的驾驶行为的因素进行分析。

8.如权利要求7所述的驾驶行为分析***，其特征在于，所述数据获取模块通过CAN总线车载仪器获取所述驾驶员的行车数据，其中，所述驾驶员的行车数据包括基于驾驶员ID、记录日期和时间、车辆的位置、速度、上下行、电机和发动机转速、档位、电子刹车信息、手刹信息、油门踏板百分比、点火信号、制动踏板开度信息、开关状态信息。

9.如权利要求7所述的驾驶行为分析***，其特征在于，所述特征筛选模块包括：

初步筛选单元，用于基于所述驾驶行为特征矩阵获取行为特征概率分布图以分析驾驶行为特征分布情况，并根据所述驾驶行为特征分布情况删除所述驾驶行为特征矩阵中没有明显区别的驾驶行为特征以进行初步筛选；

二次筛选单元，用于采用基于互信息的最大相关最小冗余特征选择方法对初步筛选后的驾驶行为特征进行排序，并根据排序结果对初步筛选后的驾驶行为特征进行二次筛选；

赋权单元，用于对二次筛选后的驾驶行为特征进行赋权；

异常去除单元，用于根据赋权后的每个驾驶行为特征的权重生成特征箱形图，并根据所述特征箱形图去除异常行为特征以获得所述最终特征。

10.如权利要求7-9中任一项所述的驾驶行为分析***，其特征在于，所述聚类模块采用Fast Unfolding聚类算法进行驾驶员群体聚类时，按照模块度算法将网络中模块度可提高的点和社团进行合并，直至网络中模块度无法提高为止。