CN110969844A

CN110969844A - 一种基于行车数据计算驾驶行为相似度的方法及应用

Info

Publication number: CN110969844A
Application number: CN201911132241.0A
Authority: CN
Inventors: 柳晓坤
Original assignee: Huizhou Desay SV Automotive Co Ltd
Current assignee: Huizhou Desay SV Automotive Co Ltd
Priority date: 2019-11-19
Filing date: 2019-11-19
Publication date: 2020-04-07

Abstract

本发明涉及一种基于行车数据计算驾驶行为相似度的方法及应用，所述方法包括获取车辆的原始数据并对其进行处理以提取计算驾驶员驾驶行为相似度的特征项；建立车辆所有的常规驾驶员的驾驶行为相似度计算模型，并对其进行训练验证；实时获取车辆在行驶过程中的驾驶行为数据，并提取计算当前驾驶员驾驶行为相似度的特征项；将特征项输入训练好的驾驶行为相似度计算模型中，得到当前驾驶员与车辆所有的常规驾驶员的驾驶行为相似度。本发明通过将训练好的模型部署，可以实现当车辆行驶到一定里程时或者每一次驾驶行程结束后，给出当前驾驶员与常规驾驶员驾驶行为相似度的值。通过该方法，将驾驶行为与行为相似度联系了起来。

Description

一种基于行车数据计算驾驶行为相似度的方法及应用

技术领域

本发明涉及汽车安全技术领域，特别是涉及一种基于行车数据计算驾驶行为相似度的方法及应用。

背景技术

随着IoT（Internet of Things）和IoV（Internet of Vehicles）的兴起，越来越多的汽车接入了云端。每一分每一秒这些汽车都会产生海量的数据，如何挖掘、利用这些数据隐含的意义和价值成为了如今商业组织积极关注的方向。

在车联网（IoV）领域，已经有很多关于驾驶行为预测或者评分的研究和落地的应用，比如百度的驾驶行为预测方法，武汉极目智能技术有限公司的基于ADAS（AdvancedDriver Assistance Systems）***的实时驾驶行为评分方法与***。从上述摘要的方法可以看出，针对驾驶行为研究的每一种方法的关注点都不一样且主要以预测和评判驾驶行为好坏的方法为主。其实，基于驾驶行为数据的挖掘还可以延伸出很多有意义的方向，比如本申请所提出的驾驶行为相似度的计算方法。

在互联网领域，已有很多基于用户使用行为的相似度计算方法，如基于移动终端的用户行为相似度识别方法，基于行为相似度的用户异常行为检测方法。因为跨领域的原因，传统互联网公司很难了解到汽车驾驶方面的一些领域知识，这点相比于传统汽车行业的企业来说它们占不到优势。但是互联网公司基于它们的领域知识提出了用户行为相似度的计算方法，然后利用这些方法去构建一些有价值的功能，如判断用户的账号是否被盗，同一个账户是否被多个人使用。它们主要是根据网络信息或者人为的设置一些埋点采集用户在网站上的操作痕迹，如用户的IP地址，点击信息等数据。由于互联网公司很难获得车辆的行驶数据，所以它们很难构建出关于驾驶行为相似度的模型，即使目前很多互联网公司都在积极参与IoV相关项目，但是大多数都是通过与车企合作的方式进行。

在学术界，也很少有关于驾驶行为相似度计算的方法或者论文发表，但是他们存在行车数据的获取渠道受限，以及挖掘这些数据的能力欠缺的问题。

发明内容

本发明为克服上述现有技术所述的不足，提供一种基于行车数据计算驾驶行为相似度的方法及应用。

为解决上述技术问题，本发明的技术方案如下：

一种基于行车数据计算驾驶行为相似度的方法，包括如下步骤：

获取车辆的原始数据并对其进行处理以提取计算驾驶员驾驶行为相似度的特征项；

通过驾驶行为相似度计算算法根据特征项建立车辆所有的常规驾驶员的驾驶行为相似度计算模型；

对建立的模型进行训练验证，得到训练好的车辆所有的常规驾驶员的驾驶行为相似度计算模型；

实时获取车辆在行驶过程中的驾驶行为数据，并提取计算当前驾驶员驾驶行为相似度的特征项；

将特征项输入训练好的驾驶行为相似度计算模型中，得到当前驾驶员与车辆所有的常规驾驶员的驾驶行为相似度。

进一步的，作为优选技术方案，提取计算驾驶员驾驶行为相似度的特征项具体包括：

获取车辆的原始数据，并对原始数据进行行程划分；

实时对每个行程的原始数据进行清洗处理得到每个行程的基础指标项，实时统计每个行程的基础指标项并引导车主对每个行程进行标记；

对统计的基础指标项进行处理并提取计算驾驶员驾驶行为相似度的特征项。

进一步的，作为优选技术方案，每个行程的原始数据进行清洗处理具体包括：

判断每个行程的原始数据中的异常数据类型；

当异常数据为数据缺失时，判断所缺失的数据是否为关键数据项，若是，则丢弃，否则，对其进行推测恢复；

当异常数据为数据值异常时，对其进行推测恢复；

当异常数据为数据重复时，对其进行去重处理。

进一步的，作为优选技术方案，对异常数据进行推测恢复的方法包括上下文补全法、平均值填充法或者特殊值填充法。

进一步的，作为优选技术方案，对统计的基础指标项进行处理并提取计算驾驶员驾驶行为相似度的特征项具体包括：

通过Spark对统计的基础指标项进行处理；

提取大于一定预设距离的单次行程中的统计量作为特征项。

进一步的，作为优选技术方案，建立车辆所有的常规驾驶员的驾驶行为相似度计算模型具体包括：

确定驾驶行为相似度计算算法为逻辑回归函数；

通过逻辑回归函数根据特征项建立车辆所有的常规驾驶员的驾驶行为相似度计算模型；

进一步的，作为优选技术方案，对建立的模型进行训练验证具体包括：

构造损失函数并对其进行优化；

通过优化的损失函数对建立的模型进行训练；

使用Spark mllib将所训练的模型采用十折交叉验证法进行验证；

根据验证结果分析模型的正确率、精度和召回率，根据模型的正确率、精度和召回率确定最优的常规驾驶员的驾驶行为相似度计算模型。

进一步的，作为优选技术方案，当前驾驶员与车辆所有的常规驾驶员的驾驶行为相似度的获取具体包括：

假设当前驾驶员的驾驶行为为正例，将当前驾驶员驾驶行为相似度的特征项输入所有训练好的驾驶行为相似度计算模型中，将计算出的当前驾驶员的驾驶行为为正例的概率值映射为当前驾驶员与车辆所有的常规驾驶员的驾驶行为相似度值。

进一步的，作为优选技术方案，还包括：

根据新增的车主所标记的行程对训练好的车辆所有的常规驾驶员的驾驶行为相似度计算模型进行优化。

进一步的，作为优选技术方案，所述特征项包括：每公里踩油门次数、每公里踩刹车次数、油门踏板平均深度、刹车踏板平均深度、方向盘平均转速、平均车速、急加速指数、急减速指数和急转弯指数。

一种基于行车数据计算驾驶行为相似度的方法应用，适用于判断用户的账号是否被盗或车辆是否被盗。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过将训练好的模型部署，可以实现当车辆行驶到一定里程时或者每一次驾驶行程结束后，给出当前驾驶员与常规驾驶员驾驶行为相似度的值。通过该方法，将驾驶行为与行为相似度联系了起来，通过对行车数据的采集和分析，让驾驶行为相似度的计算变成了可能。

同时，将驾驶行为相似度计算作为一种基础方法，从而构建一些有价值的上层应用。如：出租车公司监控是否是该车的注册驾驶员正在使用该车；私家车车主以使判断其车辆是否被盗等等。

附图说明

图1为本发明方法步骤流程图。

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。

实施例1

一种基于行车数据计算驾驶行为相似度的方法，如图1所示，包括如下步骤：

S10. 获取车辆的原始数据并对其进行处理以提取计算驾驶员驾驶行为相似度的特征项。

S101. 获取车辆的原始数据，并对原始数据进行行程划分。

具体为：车辆的收集装置按照一定时间频率采集车辆的行车数据，然后通过终端和云端规定好的数据格式实时上传至云端存储；获取云端存储的车辆的行车数据并对其进行行程划分；本步骤中，由于车辆在点火之后才会开始采集和发送行车数据，因此，当云端在一定时间以上没有接收到某一vin的行车数据时，云端将自动将当前保存的行车数据划为一个行程。本步骤中车辆的行车数据即为车辆的原始数据；同时，在本步骤中，由于车辆在点火之后才会开始采集和发送行车数据，而车辆在熄火之前先停止采集和发送行车数据，因此，在车辆熄火和点火之间最少有2分钟是停止采集和发送行车数据的，因此，当云端在2分钟及以上没有接收到某一vin的行车数据时，云端将自动将当前保存的行车数据划为一个行程。

其中，车辆的原始数据包括：车辆的vin号、标识数据来源、车辆当前所在位置经度、车辆当前所在位置纬度、方向盘转角度数、方向盘转动速度、当前行车速度、数据采集的时间、车辆到目前为止行驶的总里程数、车辆的纵向加速度；、车辆当前的发动机转速、瞬时油量、车辆的横向加速度、当前刹车踏板的位置、当前油门踏板的位置等。

S102. 实时对每个行程的原始数据进行清洗处理得到每个行程的基础指标项，实时统计每个行程的基础指标项并引导车主对每个行程进行标记。

对原始数据进行清洗处理具体为：

判断每个行程的原始数据中的异常数据类型，其中，异常数据类型包括数据缺失、数据值异常、数据重复等；

当判断异常数据为数据缺失时，判断所缺失的数据是否为关键数据项，若是，则丢弃，否则，通过上下文补全法、平均值填充法或者特殊值填充法等对其进行推测恢复，以补全；

当判断异常数据为数据值异常时，通过上下文补全法、平均值填充法或者特殊值填充法等对其进行推测恢复；

当判断异常数据为数据重复时，对其进行去重处理；

清洗结束得到每个行程的基础指标项。

实时统计每个行程的基础指标项并引导车主对每个行程进行标记具体为：

车主基于统计的每个行程的基础指标项对每一段行程做标记，以使该段行程与其对应的驾驶员相关联，提高车辆的安全性，车主标记的行程数据越多，用来训练的数据就越多，所建立的模型的准确率就会越高。

其中，基础指标项包括：

行驶里程：根据原始数据的公里里程得出，不足1公里的按1公里取值。用该行程的最后数据的行驶里程减去行程最初的行驶里程，即可得到行驶里程；

踩油门次数：该行程中踩油门的次数，通过油门踏板状态值不为零为判断依据；

每次踩油门的油门踏板深度：过滤出行程中有油门踏板状态值不为零的数据，并且保存这些数据；

踩刹车次数：该行程中踩刹车的次数，通过刹车踏板状态值不为零为判断依据；

每次踩刹车的刹车踏板深度：过滤出行程中有刹车踏板状态值不为零的数据，并且保存这些数据；

每次方向盘转动的转速：过滤出行程中有方向盘转动值的数据，并且保存这些数据；

方向盘转动次数：过滤出行程中有方向盘转动值的数据，并且统计总次数；

平均速度：用该行程中所有速度总和除以所有速度的个数；

急加速次数：当车辆的纵向加速度大于3m/s^2，则判定为一次急加速；

急转弯次数：当车辆的横向加速度大于4m/s^2，则判定为一次急转；

急减速次数：当车辆的纵向加速度小于-4.5m/s^2，则判定为一次急减速。

S103. 对统计的基础指标项进行处理并提取计算驾驶员驾驶行为相似度的特征项。

具体为：

通过Spark对统计的基础指标项进行处理；

提取大于一定预设距离的单次行程中的统计量作为特征项。

本步骤中，由于统计量都是针对每个行程的，为避免过短行程对整体结果带来的偏差，所提取的所有特征项都是针对单次行程大于一定预设距离的数据做统计；例如，大于2公里，提取的特征项均是能够反映当前驾驶员驾驶习惯的特征项。

其中，特征项包括：每公里踩油门次数、每公里踩刹车次数、油门踏板平均深度、刹车踏板平均深度、方向盘平均转速、平均车速、急加速指数、急减速指数和急转弯指数等。

S20. 通过驾驶行为相似度计算算法根据特征项建立车辆所有的常规驾驶员的驾驶行为相似度计算模型。

本步骤具体为：

S201. 确定驾驶行为相似度计算算法为逻辑回归函数；

本发明中，由于特征值都是线性的，而我们最终需要的结果是相似度，同时，还需要根据计算的驾驶行为相似性转化为是不是同一个驾驶员在驾驶的二分类问题，因此，所选择的算法为二分类算法，具体为逻辑回归函数。

S202. 根据所标记的行程的特征项采用逻辑回归函数建立车辆所有的常规驾驶员的驾驶行为相似度计算模型。

本步骤中，通过逻辑回归函数建立的模型如下：

；

其中，

表示特征项的特征值向量，

表示个特征项的权重系数，

表示常量。

S30. 对建立的模型进行训练验证，得到训练好的车辆所有的常规驾驶员的驾驶行为相似度计算模型。

S301. 通过极大似然法构造损失函数。

建立的损失函数如下：

；

其中，

等价于逻辑回归函数中的

，m表示所要训练样本的个数，

用参数θ和x预测出来的y值；y表示训练样本中的y值，也就是标准答案；上角标(i)表示第i个样本。

通过梯度下降法或牛顿法对构造的损失函数进行优化。

通过优化的损失函数对建立的模型进行训练，从而确定逻辑回归函数中的

值和

值，即确定所建立的模型中的

值和

值，完成模型的训练。

在此过程中，当出现过拟合情况时，还可以引入正则惩罚项对特征项进行惩罚，从而缓解过拟合的情况。

使用Spark mllib将所训练的模型采用十折交叉验证法进行验证。

S40. 实时获取车辆在行驶过程中的驾驶行为数据，并提取计算当前驾驶员驾驶行为相似度的特征项。

S401. 实时获取车辆上传至云端的驾驶行为数据，按照计算驾驶行为相似度所需要的特征项统计出每个行程的特征项情况；

S402. 当车辆行驶了一定里程或者某一段行程结束后，云端提取当前行程或上一段行程的计算当前驾驶员驾驶行为相似度的特征项。

S50. 将特征项输入训练好的驾驶行为相似度计算模型中，得到当前驾驶员与车辆所有的常规驾驶员的驾驶行为相似度。

具体为：通过训练模型得到某段行程的驾驶行为为正例的概率，将概率值映射为驾驶行为相似度值。

训练好的驾驶行为相似度计算模型如下：

=

；

其中，θ值通过训练模型得出，为已知，

即为当前驾驶员的驾驶行为为正例，通过训练好的驾驶行为相似度计算模型计算y = 1的概率值，并将y = 1的概率值映射为当前驾驶员与车辆所有的常规驾驶员的驾驶行为相似度值。

S60. 根据新增的车主所标记的行程对训练好的车辆所有的常规驾驶员的驾驶行为相似度计算模型进行更新优化。

具体为：随着车辆使用时间的增长，云端累计的标记数据量会越来越多，通过标记的数据量更新模型以提高模型的准确度；模型的更新频率可以根据用户新增的标记数据量或者一定的时间周期来确定，条件满足时则重新构建模型，这样就形成了闭环，模型则越来越逼近实际用户的驾驶情况。

实施例2

一种基于行车数据计算驾驶行为相似度的方法应用，该应用基于实施例1的方法，适用于判断用户的账号是否被盗或车辆是否被盗等。

具体为：通过实施例1的方法可以判断同一个账号是否被多个人使用，从而判断用户的账号是否被盗；

同时，通过实施例1的方法可以判断同一辆车是否被多个驾驶员驾驶，从而判断该车辆是否被盗。

还可以用于别的需要确认是否为同一人操作的情况中，从而确定被使用物件的安全性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims

1.一种基于行车数据计算驾驶行为相似度的方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，提取计算驾驶员驾驶行为相似度的特征项具体包括：

获取车辆的原始数据，并对原始数据进行行程划分；

3.根据权利要求2所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，每个行程的原始数据进行清洗处理具体包括：

判断每个行程的原始数据中的异常数据类型；

当异常数据为数据值异常时，对其进行推测恢复；

当异常数据为数据重复时，对其进行去重处理。

4.根据权利要求3所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，对异常数据进行推测恢复的方法包括上下文补全法、平均值填充法或者特殊值填充法。

5.根据权利要求2所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，对统计的基础指标项进行处理并提取计算驾驶员驾驶行为相似度的特征项具体包括：

通过Spark对统计的基础指标项进行处理；

提取大于一定预设距离的单次行程中的统计量作为特征项。

6.根据权利要求1所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，建立车辆所有的常规驾驶员的驾驶行为相似度计算模型具体包括：

确定驾驶行为相似度计算算法为逻辑回归函数；

通过逻辑回归函数根据特征项建立车辆所有的常规驾驶员的驾驶行为相似度计算模型。

7.根据权利要求6所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，对建立的模型进行训练验证具体包括：

构造损失函数并对其进行优化；

通过优化的损失函数对建立的模型进行训练；

8.根据权利要求1所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，当前驾驶员与车辆所有的常规驾驶员的驾驶行为相似度的获取具体包括：

9.根据权利要求1所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，还包括：

10.根据权利要求1所述的基于行车数据计算驾驶行为相似度的方法，其特征在于，所述特征项包括：每公里踩油门次数、每公里踩刹车次数、油门踏板平均深度、刹车踏板平均深度、方向盘平均转速、平均车速、急加速指数、急减速指数和急转弯指数。

11.一种权利要求1-10任一项所述的基于行车数据计算驾驶行为相似度的方法应用，其特征在于，适用于判断用户的账号是否被盗或车辆是否被盗。