CN115527076B - 一种营运车辆异常驾驶行为识别模型的构建方法及*** - Google Patents

一种营运车辆异常驾驶行为识别模型的构建方法及*** Download PDF

Info

Publication number
CN115527076B
CN115527076B CN202110640515.8A CN202110640515A CN115527076B CN 115527076 B CN115527076 B CN 115527076B CN 202110640515 A CN202110640515 A CN 202110640515A CN 115527076 B CN115527076 B CN 115527076B
Authority
CN
China
Prior art keywords
data
speed
time sequence
layer
time
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.)
Active
Application number
CN202110640515.8A
Other languages
English (en)
Other versions
CN115527076A (zh
Inventor
王志斌
邱文利
雷伟
许忠印
权恒友
赵建东
李春杰
冯雷
杨海峰
高新文
刘鹏祥
张莹
王洪涛
刘栋
郝文世
侯晓青
赵清杰
余智鑫
解振龙
张凯丽
陈溱
相宏伟
陈大豹
王斌
王京力
王波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Xiong'an Jingde Expressway Co ltd
Beijing Jiaotong University
Hebei Communications Planning Design and Research Institute Co Ltd
Original Assignee
Hebei Xiong'an Jingde Expressway Co ltd
Beijing Jiaotong University
Hebei Communications Planning Design and Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Xiong'an Jingde Expressway Co ltd, Beijing Jiaotong University, Hebei Communications Planning Design and Research Institute Co Ltd filed Critical Hebei Xiong'an Jingde Expressway Co ltd
Priority to CN202110640515.8A priority Critical patent/CN115527076B/zh
Publication of CN115527076A publication Critical patent/CN115527076A/zh
Application granted granted Critical
Publication of CN115527076B publication Critical patent/CN115527076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种营运车辆异常驾驶行为识别模型的构建方法及***，属于智能交通技术领域，解决了现有技术中构建的识别模型难以对营运车辆的异常驾驶行为进行准确且可靠识别的问题。方法包括：采集营运车辆的原始数据，将原始数据进行清洗；将清洗后的原始数据统一时间间隔，得到速度时间序列数据，并为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为；构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，得到最优符号化多通道卷积神经网络模型。

Description

一种营运车辆异常驾驶行为识别模型的构建方法及***
技术领域
本发明涉及智能交通技术领域，尤其涉及一种营运车辆异常驾驶行为识别模型的构建方法及***。
背景技术
近年来随着社会经济的不断发展，营运车辆保有量持续增加，客运和货运平均运距也呈显出不断增长的趋势，在带动周边经济增长的同时也为道路交通安全带来了巨大的挑战和风险。营运车辆由于在实际运行中往往乘车人数多或者载货物量大、长距离行驶、长时间连续行车以及途经道路环境复杂，并且速度较低、车身重、刹车距离长，是带来危险的风险源，极容易引发群死群伤的重大或特大交通事故。因此，对营运车辆异常驾驶行为的识别进行研究，对减少交通事故状况的发生，具有重要意义。
目前，车辆异常驾驶行为识别模型的构建主要包括基于视觉信息，通过驾驶者肢体或者面部特征变化进行识别，但该方式很大程度上受光照环境和采集设备等的影响；还包括基于车辆行驶状态，通过车辆本身的速度、侧向加速度、横向位移量、车道偏离、车辆行驶轨迹变化等特征进行识别，并且大部分识别模型是识别小轿车等非营运车辆的异常驾驶行为。而营运车辆长时间、长距离的行驶过程中光照环境变化大，并且营运车辆的行驶行为、距离和时间等特征与小轿车等非营运车辆不同，因此，现有技术中构建的车辆异常驾驶行为识别模型，难以对营运车辆的异常驾驶行为进行准确且可靠识别。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种营运车辆异常驾驶行为识别模型的构建方法及***，用以解决现有的识别模型难以对营运车辆的异常驾驶行为进行准确且可靠识别的问题。
一方面，本发明实施例提供了一种营运车辆异常驾驶行为识别模型的构建方法，包括：
采集营运车辆的原始数据，将原始数据进行清洗；
将清洗后的原始数据统一时间间隔，得到速度时间序列数据，并为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为；
构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，得到最优符号化多通道卷积神经网络模型。
进一步地，所述营运车辆包括客车、货车和危险品车；所述原始数据包括车牌号、车辆类型、经度、纬度、定位仪速度和定位时间。
进一步地，根据所述车牌号、经度、纬度、定位仪速度和定位时间将原始数据进行清洗，具体包括：
若原始数据中存在完全相同的数据，则将重复数据删除保留一条作为有效数据；
若原始数据中存在同一车牌号在同一定位时间采集到两条或两条以上不同的数据，则保留第一条数据作为有效数据，将其余数据删除；
若原始数据中存在同一车牌号在连续的定位仪时间中经度和纬度不变，定位仪速度变化的数据，则删除该数据；
若原始数据中定位仪速度超出营运车辆的性能指标，则将该数据删除；
若原始数据中存在同一车牌号的数据少于设定值，则将该数据删除。
进一步地，所述将原始数据进行清洗还包括：若原始数据中存在同一车牌号在连续的定位时间中定位仪速度均为零，经度和纬度变化的数据，则通过以下方式将该定位仪速度进行填充：
在该数据中设定K个相邻轨迹点，根据所述K个相邻轨迹点的经度、纬度和定位仪时间得到相邻轨迹点之间的空间距离和时间间隔；其中，轨迹点的经度和纬度在该数据中存在；
根据相邻轨迹点之间的空间距离和时间间隔得到相邻轨迹点之间的平均速度，通过该平均速度填充相邻轨迹点之间的定位仪速度。
进一步地，K的取值范围为3～6。
进一步地，所述符号化多通道卷积神经网络模型包括：
数据符号化层，用于将输入的速度时间序列数据符号化，得到静态时间序列数据和动态时间序列数据；
第一卷积网络层，用于将所述数据符号化层输出的静态时间序列数据和动态时间序列数据以及输入的速度时间序列数据分别归一化后，分别进行卷积，得到特征参数；
第二卷积网络层，用于将所述第一卷积网络层输出的特征参数合并后进行卷积和类别分类，得到并输出正常或异常驾驶行为的识别结果。
进一步地，所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到静态时间序列数据：
将输入的营运车辆的速度时间序列划分成超速区间、正常速度区间、低速区间和停车区间；
根据各区间的划分阈值将输入的速度时间序列数据中每个时间序列符号化表示，得到静态时间序列数据。
进一步地，所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到动态时间序列数据，包括以下步骤：
依次提取速度时间序列数据Vn中时刻tn和tn+1的速度值
Figure BDA0003106993760000041
和/>
Figure BDA0003106993760000042
并计算加速度
Figure BDA0003106993760000043
若
Figure BDA0003106993760000044
则/>
Figure BDA0003106993760000045
和/>
Figure BDA0003106993760000046
使用符号X0表示；其中，若n+1＝N，则符号化结束，得到动态时间序列数据，否则n＝n+1；
若
Figure BDA0003106993760000047
则/>
Figure BDA0003106993760000048
使用符号-Xn表示；其中，若n+1＝N，则/>
Figure BDA0003106993760000049
使用-Xn+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；
若
Figure BDA00031069937600000410
则/>
Figure BDA00031069937600000411
使用符号Xn表示；其中，若n+1＝N，则/>
Figure BDA00031069937600000412
使用Xn+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；
其中，N表示时间序列数据Vn中时刻的总个数。
进一步地，alimit的取值为3。
另一方面，本发明实施例提供了一种营运车辆异常驾驶行为识别模型的构建***，包括：
数据获取及清洗模块，用于采集营运车辆的原始数据，将原始数据进行清洗；并将所述原始速度时间序列数据统一时间间隔，得到速度时间序列数据；
样本数据获取模块，用于将清洗后的原始数据统一时间间隔，得到速度时间序列数据，并为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为；
模型构建模块，用于构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，得到最优符号化多通道卷积神经网络模型。
与现有技术相比，本发明可实现如下有益效果：
本发明提供的一种营运车辆异常驾驶行为识别模型的构建方法及***，首先采集和处理营运车辆的原始数据得到样本数据，并利用样本数据训练构建的符号化多通道卷积神经网络模型，得到最优的符号化多通道卷积神经网络模型，充分利用营运车辆的驾驶行为特征，进行数据的处理和模型的构建，有效的提高了构建的营运车辆异常行为识别模型识别异常驾驶行为的准确性和可靠性，为公路管理部门进行合理的管控提供支持，并且可协助对驾驶员的异常行为进行监控，进而提升道路安全程度。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明的具体实施例1中一种营运车辆异常驾驶行为识别模型的构建方法的流程示意图；
图2为本发明的具体实施例3中的混淆矩阵对比图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例1，公开了一种营运车辆异常驾驶行为识别模型的构建方法，如图1所示，包括：
S1、采集营运车辆的原始数据，将原始数据进行清洗。
实施时，所述营运车辆包括客车、货车和危险品车；所述原始数据包括车牌号、车辆类型、经度、纬度、定位仪速度和定位时间。
具体的，通过北斗车载终端采集客车、货车和危险品车的数据，并提取数据中的车牌号、车辆类型、经度、纬度、定位仪速度和定位时间6个字段作为原始数据。
实施时，根据所述车牌号、经度、纬度、定位仪速度和定位时间将原始数据进行清洗，具体包括：
若原始数据中存在完全相同的数据，则将重复数据删除保留一条作为有效数据；
若原始数据中存在同一车牌号在同一定位时间采集到两条或两条以上不同的数据，则保留第一条数据作为有效数据，将其余数据删除；
若原始数据中存在同一车牌号在连续的定位仪时间中经度和纬度不变，定位仪速度变化的数据，则删除该数据；
若原始数据中定位仪速度超出营运车辆的性能指标，则将该数据删除；具体的，定位仪速度超过180km/h，则删除该数据。
若原始数据中存在同一车牌号的数据少于设定值，则将该数据删除。示例性的，设定值可以为5。
实施时，所述将原始数据进行清洗还包括：若原始数据中存在同一车牌号在连续的定位时间中定位仪速度均为零，经度和纬度变化的数据，则通过以下方式将该定位仪速度进行填充：
在该数据中设定K个相邻轨迹点，根据所述K个相邻轨迹点的经度、纬度和定位仪时间得到相邻轨迹点之间的空间距离和时间间隔；其中，轨迹点的经度和纬度在该数据中存在；
根据相邻轨迹点之间的空间距离和时间间隔得到相邻轨迹点之间的平均速度，通过该平均速度填充相邻轨迹点之间的定位仪速度。
具体的，K的取值范围为3～6。应当注意的是，相邻轨迹点选择3～6个可使得到的定位仪速度的填充速度更加准确，更贴近实际中的速度。
可以理解的，通过将原始数据清洗，避免了由于营运车辆的行车地点一般在郊区、高速公路等市外区域，信号较差，采集的营运车辆数据异常数据和缺失数据较多，不能够直接应用的问题，提高了数据的准确性。
S2、将清洗后的原始数据统一时间间隔，得到速度时间序列数据，并为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为标签和异常驾驶行为标签(包括超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为)。可以理解的是，为所述速度时间序列数据添加类别标签，得到样本数据为后期进行符号化多通道卷积神经网络模型训练提供了支撑和依据。
具体的，将清洗后的原始数据统一时间间隔得到速度时间序列数据，包括以下步骤：
S21、根据清洗后的原始数据，得到原始速度时间序列数据Vo。
S22、根据设定的时间间隔将原始速度时间序列数据Vo中各时刻时间间隔统一。
具体的，原始数据采集的时间间隔不一致，得到的原始速度时间序列中速度值之间的时间间隔不一致，通过设定时间间隔使原始速度时间序列中速度之间的时间间隔相同，从而有助于后续符号化多通道卷积神经网络模型的训练，示例性地，设定的时间间隔可以为1秒、1.5秒或0.5秒。
S23、基于统一时间间隔得到速度时间序列
Figure BDA0003106993760000081
其中，tn时刻对应的速度值/>
Figure BDA0003106993760000082
为：
Figure BDA0003106993760000083
式中，
Figure BDA0003106993760000084
和/>
Figure BDA0003106993760000085
表示原始时间序列Vo中连续的/>
Figure BDA0003106993760000086
和/>
Figure BDA0003106993760000087
时刻的速度值，tn为统一时间间隔后在/>
Figure BDA0003106993760000088
和/>
Figure BDA0003106993760000089
时刻之间的时刻。
S3、构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，得到最优符号化多通道卷积神经网络模型。
实施时，所述符号化多通道卷积神经网络模型包括：
数据符号化层，用于将输入的速度时间序列数据符号化，得到静态时间序列数据和动态时间序列数据；
第一卷积网络层，用于将所述数据符号化层输出的静态时间序列数据和动态时间序列数据以及输入的速度时间序列数据分别归一化后，分别进行卷积，得到特征参数；
第二卷积网络层，用于将所述第一卷积网络层输出的特征参数合并后进行卷积和类别分类，得到并输出正常或异常驾驶行为的识别结果。
实施时，所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到静态时间序列数据：
将输入的营运车辆的速度时间序列划分成超速区间、正常速度区间、低速区间和停车区间。
根据各区间的划分阈值将输入的速度时间序列数据中每个时间序列符号化表示，得到静态时间序列数据。
具体的，若营运车辆是客车或货车，超速区间为超过100km/h、正常速度区间为60～100km/h、低速区间为0～60km/h和停车区间的划分阈值为0；若营运车辆是危险品车，超速区间为超过80km/h、正常速度区间为60～80km/h、低速区间为0～60km/h和停车区间的划分阈值为0。根据营运车辆的类型和输入的速度时间序列数据中每个时间序列的速度值，与区间的划分阈值用不同的符号表示，得到静态时间序列数据，示例性地，超速区间使用符号
Figure BDA0003106993760000091
表示、正常速度区间使用符号/>
Figure BDA0003106993760000092
表示、低速区间使用符号/>
Figure BDA0003106993760000093
表示和停车区间使用符号/>
Figure BDA0003106993760000094
表示。
可以理解的，通过将速度时间序列划分区间进行符号化表示，可以使营运车辆在异常驾驶中的超速驾驶行为、低速驾驶行为和停车驾驶行为的特征更加明显，更有助于后续的第一卷积网络层提取出相关的特征，为第二卷积网络层的类别分类提供支撑，使得分类更加准确。
实施时，所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到动态时间序列数据，包括以下步骤：
依次提取速度时间序列数据Vn中时刻tn和tn+1的速度值
Figure BDA0003106993760000095
和/>
Figure BDA0003106993760000096
并计算加速度
Figure BDA0003106993760000097
若
Figure BDA0003106993760000098
则/>
Figure BDA0003106993760000099
和/>
Figure BDA00031069937600000910
使用符号X0表示；其中，若n+1＝N，则符号化结束，得到动态时间序列数据，否则n＝n+1；可以理解的，在速度时间序列数据中相邻时刻的速度值的加速度在设定的范围内时，两个时刻的速度值均使用符号X0表示；如果n+1＝N，也就是说，提取到的是速度时间序列数据中最后相邻时刻的速度值，此时速度时间序列数据中的速度值均已用符号表示，可得到动态时间序列数据。
若
Figure BDA0003106993760000101
则/>
Figure BDA0003106993760000102
使用符号-Xn表示；其中，若n+1＝N，则/>
Figure BDA0003106993760000103
使用-Xn+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；可以理解的，在速度时间序列数据中相邻时刻的速度值的加速度小于设定的范围时，前一时刻的速度值使用符号-Xn表示；如果n+1＝N，也就是说，提取到的是速度时间序列数据中最后相邻时刻的速度值，此时将后一时刻即速度时间序列数据中最后时刻的速度值用-Xn+1表示，此时速度时间序列数据均已用符号表示，可得到动态时间序列数据。
若
Figure BDA0003106993760000104
则/>
Figure BDA0003106993760000105
使用符号Xn表示；其中，若n+1＝N，则/>
Figure BDA0003106993760000106
使用Xn+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；可以理解的，在速度时间序列数据中相邻时刻的速度值的加速度大于设定的范围时，前一时刻的速度值使用符号Xn表示；如果n+1＝N，也就是说，提取到的是速度时间序列数据中最后相邻时刻的速度值，此时将后一时刻即速度时间序列数据中最后时刻的速度值用Xn+1表示，此时速度时间序列数据均已用符号表示，可得到动态时间序列数据。
其中，N表示时间序列数据Vn中时刻的总个数。
应当注意的是，X0可以使用任意字符，示例性的，X0可以为
Figure BDA0003106993760000107
Xn可以使用任意与X0不同的字符，且下标n不同Xn使用不同的符号表示，也就是说，Xn使用的符号不能重复，示例性的，Xn可以根据n的不同使用/>
Figure BDA0003106993760000108
或/>
Figure BDA0003106993760000109
等依次类推，-Xn可以根据n的不同使用/>
Figure BDA00031069937600001010
或/>
Figure BDA00031069937600001011
等依次类推。
可以理解的，通过将速度时间序列根据相邻的时刻的加速度符号化表示，可以使营运车辆在异常驾驶中的紧急停车和临时停车的特征更加明显，更有助于后续的第一卷积网络层提取出相关的特征，为第二卷积网络层的类别分类提供支撑，使得分类更加准确。
具体地，alimit的取值为3。可以理解的，将alimit设置为3，可以更好的识别车辆停车过程中是紧急停车行为或者临时停车行为，使得动态时间序列数据能够更好的反映异常驾驶中的紧急停车行为。
具体地，所述第一卷积网络层包括3个独立卷积神经网络，每一所述独立卷积神经网络均包括依次连接的归一化层、一维卷积层、线性整流层和随机舍弃层；每一所述独立卷积神经网络分别用于基于接收的静态时间序列数据、动态时间序列数据或速度时间序列数据进行归一化和卷积，得到相应的特征参数。更具体地，归一化层将接收的数据映射到0～1之间的数字，以供一维卷积层处理；一维卷积层将接收的归一化后的数据进行卷积操作；线性整流层使用relu函数将独立卷积神经网络进行非线性化处理，以得到特征图；随机舍弃层基于Bernoulli分布的随机变量向量将接收的特征图进行随机舍弃，以解决过拟合问题并且减少计算成本，随机舍弃后的特征图即为相应的特征参数。
具体地，所述第二卷积网络层包括依次连接的合并层、一维卷积层、线性整流层、随机舍弃层、两个全连接层和SOFTMAX函数层。更具体的，合并层利用Keras的Concatenate函数将接收的第一卷积网络层输出的3个特征参数进行合并；一维卷积层将接收的合并后的特征进行卷积操作；线性整流层使用relu函数将第二卷积网络层进行非线性化处理，以得到特征图；随机舍弃层基于Bernoulli分布的随机变量向量将接收的特征图进行随机舍弃，得到特征图；两个全连接层和SOFTMAX函数层的组合结构将接收的特征图进行分类，以得到正常或异常驾驶行为的分类结果。可以理解的，通过第一卷积网络层中3个卷积神经网络分别对数据进行特征提取，将营运车辆的总体驾驶行为以及营运车辆异常驾驶行为的特征提取出来更具针对性，得到的特征参数能够更好的反映营运车辆的驾驶行为，再通过第二卷积网络层将提取的特征合可以得到更准确的类别分类。
实施时，基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，具体是将样本数据分为训练集和测试集，利用训练集对构建好的符号化多通道卷积神经网络模型进行训练，调整模型中第一卷积网络层和第二卷积网络层中的参数，得到训练好的符号化多通道卷积神经网络模型，再利用测试集对模型进行测试验证，得到最优的模型。
可以理解的是，在构建好营运车辆异常驾驶行为识别模型，即符号化多通道卷积神经网络模型后，将待识别的速度时间序列数据输入该符号化多通道卷积神经网络模型，就可以得到异常驾驶行为的识别结果。
与现有技术相比，本发明提供的一种营运车辆异常驾驶行为识别模型的构建方法，首先采集和处理营运车辆的原始数据得到样本数据，并利用样本数据训练构建的符号化多通道卷积神经网络模型，得到最优的符号化多通道卷积神经网络模型，充分利用营运车辆的驾驶行为特征，进行数据的处理和模型的构建，有效的提高了构建的营运车辆异常行为识别模型识别异常驾驶行为的准确性和可靠性，为公路管理部门进行合理的管控提供支持，并且可协助对驾驶员的异常行为进行监控，进而提升道路安全程度。
实施例2
本发明的一个具体实施例2，公开了一种营运车辆异常驾驶行为识别模型的构建***，其特征在于，包括：
数据获取及清洗模块，用于采集营运车辆的原始数据，将原始数据进行清洗；并将所述原始速度时间序列数据统一时间间隔，得到速度时间序列数据；
样本数据获取模块，用于将清洗后的原始数据统一时间间隔，得到速度时间序列数据，并为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为；
模型构建模块，用于构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，得到最优符号化多通道卷积神经网络模型。
需要说明的是，由于本实施例识别模型构建***与前述识别模型构建方法相关之处可相互借鉴，此处为重复描述，故这里不再赘述。由于本***实施例与上述方法实施例原理相同，所以本***也具有上述方法实施例相应的技术效果。
实施例3
为验证本发明实施例1和实施例2中模型的有效性，本发明的具体实施例3中采用4000组添加标签的车辆速度时间序列数据，即样本数据，其中，正常驾驶数据、超速驾驶数据、紧急停车数据、临时停车数据和低速驾驶数据各800组。本实施例中将训练集与测试集按照4:1的比例划分，即3200组样本数据用于模型训练，800组样本数据用于模型验证。
本实施例中还选取了独立的卷积神经网络模型(Convolutional NeuralNetworks，CNN)和多通道卷积神经网络模型(Multi-scale Convolutional NeuralNetwork，MCNN)与本发明中的符号化多通道卷积神经网络模型(Time series SymbolicMulti-scale Convolutional Neural Network，TSA_MCNN)进行对比分析，在处理器为Intel i5-6300HQ，***内存8.0GB，***是Windows10(64位)，程序语言为Python3.7的实验平台下可得到3个模型的识别分析如下表所示。
Figure BDA0003106993760000141
由上表中可知：
(1)TSA_MCNN模型的识别驾驶行为的总准确率明显高于CNN模型与MCNN模型，分别高出了19.88％与13.25％。三种模型的Kappa系数的大小也表明TSA_MCNN模型的准确率大于MCNN模型与CNN模型的准确率，可以看出，TSA_MCNN模型的准确率更好。
(2)由于危险车辆的限速值与客货车的限速值不同，三种模型在识别区分正常驾驶行为与超速驾驶的效果不同。CNN模型在对正常驾驶与超速驾驶的精确率、召回率与F1分数均较低；MCNN模型对于正常驾驶具有较低的精确率与良好的召回率与F1分数，对于超速驾驶具有较低的召回率与良好的精确率与F1分数；TSA_MCNN模型对于两种驾驶行为均具有优秀的召回率、精准率与F1分数。可以看出，TSA_MCNN模型对于三种类型车辆的超速驾驶行为与正常驾驶行为识别效果更好。
(3)由车辆临时停车行为与紧急停车行为由急变速阈值alimit区分，三种模型在两种行为上的识别区分效果不同。CNN模型在对临时停车行为与紧急停车行为的精确率、召回率与F1分数均较低，其中紧急停车的召回率接近0.56；MCNN模型对于临时停车行为与紧急停车行为具有良好的召回率、精确率与F1分数；TSA_MCNN模型具有优秀的召回率、精确率与F1分数；可以看出，TSA_MCNN模型能很好的识别临时停车行为与紧急停车行为。
(4)对于低速驾驶行为，相对其他四种行为在速度时间序列上具有较为突出的特征，三种模型对低速驾驶行为的均具有优秀的召回率、精确率与F1分数。
综上所述，TSA_MCNN模型在营运车辆的异常驾驶行为识别效果更好。
如图2所示，通过三个模型的混淆矩阵对比图可以看出，TSA_MCNN模型在营运车辆的异常驾驶行为识别上更加准确，明显优于CNN模型和MCNN模型。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种营运车辆异常驾驶行为识别模型的构建方法，其特征在于，包括：
采集营运车辆的原始数据，将原始数据进行清洗；
将清洗后的原始数据统一时间间隔，得到速度时间序列数据，并为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为；
其中，将清洗后的原始数据统一时间间隔得到速度时间序列数据，包括以下步骤：
S21、根据清洗后的原始数据，得到原始速度时间序列数据Vo；
S22、根据设定的时间间隔将原始速度时间序列数据Vo中各时刻时间间隔统一；
S23、基于统一时间间隔得到速度时间序列
Figure QLYQS_1
其中，tn时刻对应的速度值/>
Figure QLYQS_2
为：
Figure QLYQS_3
式中，
Figure QLYQS_4
和/>
Figure QLYQS_5
表示原始时间序列Vo中连续的/>
Figure QLYQS_6
和/>
Figure QLYQS_7
时刻的速度值，tn为统一时间间隔后在/>
Figure QLYQS_8
和/>
Figure QLYQS_9
时刻之间的时刻；
构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，得到最优符号化多通道卷积神经网络模型；其中，
所述符号化多通道卷积神经网络模型包括：
数据符号化层，用于将输入的速度时间序列数据符号化，得到静态时间序列数据和动态时间序列数据；
第一卷积网络层，用于将所述数据符号化层输出的静态时间序列数据和动态时间序列数据以及输入的速度时间序列数据分别归一化后，分别进行卷积，得到特征参数；
第二卷积网络层，用于将所述第一卷积网络层输出的特征参数合并后进行卷积和类别分类，得到并输出正常或异常驾驶行为的识别结果；
所述第一卷积网络层包括3个独立卷积神经网络，每一所述独立卷积神经网络均包括依次连接的归一化层、一维卷积层、线性整流层和随机舍弃层；每一所述独立卷积神经网络分别用于基于接收的静态时间序列数据、动态时间序列数据或速度时间序列数据进行归一化和卷积，得到相应的特征参数；
所述第二卷积网络层包括依次连接的合并层、一维卷积层、线性整流层、随机舍弃层、两个全连接层和SOFTMAX函数层。
2.根据权利要求1所述的营运车辆异常驾驶行为识别模型的构建方法，其特征在于，所述营运车辆包括客车、货车和危险品车；所述原始数据包括车牌号、车辆类型、经度、纬度、定位仪速度和定位时间。
3.根据权利要求2所述的营运车辆异常驾驶行为识别模型的构建方法，其特征在于，根据所述车牌号、经度、纬度、定位仪速度和定位时间将原始数据进行清洗，具体包括：
若原始数据中存在完全相同的数据，则将重复数据删除保留一条作为有效数据；
若原始数据中存在同一车牌号在同一定位时间采集到两条或两条以上不同的数据，则保留第一条数据作为有效数据，将其余数据删除；
若原始数据中存在同一车牌号在连续的定位仪时间中经度和纬度不变，定位仪速度变化的数据，则删除该数据；
若原始数据中定位仪速度超出营运车辆的性能指标，则将该数据删除；
若原始数据中存在同一车牌号的数据少于设定值，则将该数据删除。
4.根据权利要求3所述的营运车辆异常驾驶行为识别模型的构建方法，其特征在于，所述将原始数据进行清洗还包括：若原始数据中存在同一车牌号在连续的定位时间中定位仪速度均为零，经度和纬度变化的数据，则通过以下方式将该定位仪速度进行填充：
在该数据中设定K个相邻轨迹点，根据所述K个相邻轨迹点的经度、纬度和定位仪时间得到相邻轨迹点之间的空间距离和时间间隔；其中，轨迹点的经度和纬度在该数据中存在；
根据相邻轨迹点之间的空间距离和时间间隔得到相邻轨迹点之间的平均速度，通过该平均速度填充相邻轨迹点之间的定位仪速度。
5.根据权利要求4所述的营运车辆异常驾驶行为识别模型的构建方法，其特征在于，K的取值范围为3～6。
6.根据权利要求1所述的营运车辆异常驾驶行为识别模型的构建方法，其特征在于，所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到静态时间序列数据：
将输入的营运车辆的速度时间序列划分成超速区间、正常速度区间、低速区间和停车区间；
根据各区间的划分阈值将输入的速度时间序列数据中每个时间序列符号化表示，得到静态时间序列数据。
7.根据权利要求1所述的营运车辆异常驾驶行为识别模型的构建方法，其特征在于，所述数据符号化层通过以下方式将输入的速度时间序列数据符号化，得到动态时间序列数据，包括以下步骤：
依次提取速度时间序列数据Vn中时刻tn和tn+1的速度值
Figure QLYQS_10
和/>
Figure QLYQS_11
并计算加速度
Figure QLYQS_12
若
Figure QLYQS_13
则/>
Figure QLYQS_14
和/>
Figure QLYQS_15
使用符号X0表示；其中，若n+1＝N，则符号化结束，得到动态时间序列数据，否则n＝n+1；
若
Figure QLYQS_16
则/>
Figure QLYQS_17
使用符号-Xn表示；其中，若n+1＝N，则/>
Figure QLYQS_18
使用-Xn+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；
若
Figure QLYQS_19
则/>
Figure QLYQS_20
使用符号Xn表示；其中，若n+1＝N，则/>
Figure QLYQS_21
使用Xn+1表示，符号化结束，得到动态时间序列数据，否则n＝n+1；
其中，N表示时间序列数据Vn中时刻的总个数。
8.根据权利要求7所述的营运车辆异常驾驶行为识别模型的构建方法，其特征在于，alimit的取值为3。
9.一种营运车辆异常驾驶行为识别模型的构建***，其特征在于，包括：
数据获取及清洗模块，用于采集营运车辆的原始数据，将原始数据进行清洗；并将所述原始速度时间序列数据统一时间间隔，得到速度时间序列数据；
其中，将清洗后的原始数据统一时间间隔得到速度时间序列数据，包括以下步骤：
S21、根据清洗后的原始数据，得到原始速度时间序列数据Vo；
S22、根据设定的时间间隔将原始速度时间序列数据Vo中各时刻时间间隔统一；
S23、基于统一时间间隔得到速度时间序列
Figure QLYQS_22
其中，tn时刻对应的速度值/>
Figure QLYQS_23
为：
Figure QLYQS_24
式中，
Figure QLYQS_25
和/>
Figure QLYQS_26
表示原始时间序列Vo中连续的/>
Figure QLYQS_27
和/>
Figure QLYQS_28
时刻的速度值，tn为统一时间间隔后在/>
Figure QLYQS_29
和/>
Figure QLYQS_30
时刻之间的时刻；样本数据获取模块，用于将清洗后的原始数据统一时间间隔，得到速度时间序列数据，并为所述速度时间序列数据添加类别标签，得到样本数据，其中，所述类别标签包括正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为或低速行驶行为；
模型构建模块，用于构建符号化多通道卷积神经网络模型，并基于所述样本数据对所述符号化多通道卷积神经网络模型进行训练，得到最优符号化多通道卷积神经网络模型；其中，
所述符号化多通道卷积神经网络模型包括：
数据符号化层，用于将输入的速度时间序列数据符号化，得到静态时间序列数据和动态时间序列数据；
第一卷积网络层，用于将所述数据符号化层输出的静态时间序列数据和动态时间序列数据以及输入的速度时间序列数据分别归一化后，分别进行卷积，得到特征参数；
第二卷积网络层，用于将所述第一卷积网络层输出的特征参数合并后进行卷积和类别分类，得到并输出正常或异常驾驶行为的识别结果；
所述第一卷积网络层包括3个独立卷积神经网络，每一所述独立卷积神经网络均包括依次连接的归一化层、一维卷积层、线性整流层和随机舍弃层；每一所述独立卷积神经网络分别用于基于接收的静态时间序列数据、动态时间序列数据或速度时间序列数据进行归一化和卷积，得到相应的特征参数；
所述第二卷积网络层包括依次连接的合并层、一维卷积层、线性整流层、随机舍弃层、两个全连接层和SOFTMAX函数层。
CN202110640515.8A 2021-06-08 2021-06-08 一种营运车辆异常驾驶行为识别模型的构建方法及*** Active CN115527076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110640515.8A CN115527076B (zh) 2021-06-08 2021-06-08 一种营运车辆异常驾驶行为识别模型的构建方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110640515.8A CN115527076B (zh) 2021-06-08 2021-06-08 一种营运车辆异常驾驶行为识别模型的构建方法及***

Publications (2)

Publication Number Publication Date
CN115527076A CN115527076A (zh) 2022-12-27
CN115527076B true CN115527076B (zh) 2023-05-26

Family

ID=84694435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110640515.8A Active CN115527076B (zh) 2021-06-08 2021-06-08 一种营运车辆异常驾驶行为识别模型的构建方法及***

Country Status (1)

Country Link
CN (1) CN115527076B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724137A (zh) * 2023-11-21 2024-03-19 江苏北斗星通汽车电子有限公司 一种基于多模态传感器的汽车事故自动检测***及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934876A (zh) * 2017-03-16 2017-07-07 广东翼卡车联网服务有限公司 一种车辆异常驾驶事件的识别方法及***
CN108399743A (zh) * 2018-02-07 2018-08-14 武汉理工大学 一种基于gps数据的高速公路车辆异常行为检测方法
CN108764111A (zh) * 2018-05-23 2018-11-06 长安大学 一种车辆异常驾驶行为的检测方法
CN111723694A (zh) * 2020-06-05 2020-09-29 广东海洋大学 基于cnn-lstm时空特征融合的异常驾驶行为识别方法
CN112512890A (zh) * 2020-04-02 2021-03-16 华为技术有限公司 一种异常驾驶行为识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009475A (zh) * 2017-11-03 2018-05-08 东软集团股份有限公司 驾驶行为分析方法、装置、计算机可读存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934876A (zh) * 2017-03-16 2017-07-07 广东翼卡车联网服务有限公司 一种车辆异常驾驶事件的识别方法及***
CN108399743A (zh) * 2018-02-07 2018-08-14 武汉理工大学 一种基于gps数据的高速公路车辆异常行为检测方法
CN108764111A (zh) * 2018-05-23 2018-11-06 长安大学 一种车辆异常驾驶行为的检测方法
CN112512890A (zh) * 2020-04-02 2021-03-16 华为技术有限公司 一种异常驾驶行为识别方法
CN111723694A (zh) * 2020-06-05 2020-09-29 广东海洋大学 基于cnn-lstm时空特征融合的异常驾驶行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GPS数据的高速公路车辆异常行为检测;杨龙海;徐洪;张春;;重庆交通大学学报(自然科学版)(第05期);全文 *

Also Published As

Publication number Publication date
CN115527076A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Eftekhari et al. Hybrid of discrete wavelet transform and adaptive neuro fuzzy inference system for overall driving behavior recognition
US9053593B2 (en) Vehicle data analysis method and vehicle data analysis system
CN107843440A (zh) 一种自动驾驶车辆性能测试***及方法
Kovaceva et al. Identification of aggressive driving from naturalistic data in car-following situations
CN111579251A (zh) 车辆测试场景的确定方法、装置、设备及存储介质
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
CN106956680B (zh) 一种电动汽车驾驶行为识别分析方法
CN107953888A (zh) 一种道路类型识别方法及***
Akçelik Progress in fuel consumption modelling for urban traffic management
CN115527076B (zh) 一种营运车辆异常驾驶行为识别模型的构建方法及***
CN105975757A (zh) 一种基于车辆行驶数据的急减速行为识别方法
CN105427620A (zh) 一种基于出租车运行数据的非法营运车辆识别方法
Wu et al. Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China
Xue et al. A context-aware framework for risky driving behavior evaluation based on trajectory data
CN115456036B (zh) 基于北斗数据的营运车辆异常驾驶行为识别方法及***
CN114999181A (zh) 一种基于etc***数据的高速公路车辆速度异常识别方法
CN115279643A (zh) 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备
CN113673304B (zh) 基于场景语义驱动的车载预期功能安全危害分析评估方法
CN112308136B (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
CN117972488A (zh) 一种面向作业区的全类型交通冲突检验方法
CN115221234A (zh) 一种基于动力总成数据对用户进行画像的方法及***
CN116307699A (zh) 基于多源数据的道路隐患点段分级方法、装置及存储介质
CN105869412A (zh) 一种基于车辆行驶数据的急加速行为识别方法
CN116092037A (zh) 融合轨迹空间-语义特征的车辆类型识别方法
Qiao Implications of Wireless Communication System for Traffic Operations on Vehicle Emissions

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Zhibin

Inventor after: Gao Xinwen

Inventor after: Liu Pengxiang

Inventor after: Zhang Ying

Inventor after: Wang Hongtao

Inventor after: Liu Dong

Inventor after: Hao Wenshi

Inventor after: Hou Xiaoqing

Inventor after: Zhao Qingjie

Inventor after: Yu Zhixin

Inventor after: Xie Zhenlong

Inventor after: Qiu Wenli

Inventor after: Zhang Kaili

Inventor after: Chen Qin

Inventor after: Xiang Hongwei

Inventor after: Chen Dabao

Inventor after: Wang Bin

Inventor after: Wang Jingli

Inventor after: Wang Bo

Inventor after: Lei Wei

Inventor after: Xu Zhongyin

Inventor after: Quan Hengyou

Inventor after: Zhao Jiandong

Inventor after: Li Chunjie

Inventor after: Feng Lei

Inventor after: Yang Haifeng

Inventor before: Wang Zhibin

Inventor before: Zhao Qingjie

Inventor before: Xie Zhenlong

Inventor before: Zhang Kaili

Inventor before: Chen Qin

Inventor before: Feng Lei

Inventor before: Yang Haifeng

Inventor before: Xiang Hongwei

Inventor before: Gao Xinwen

Inventor before: Liu Pengxiang

Inventor before: Chen Dabao

Inventor before: Lei Wei

Inventor before: Zhang Ying

Inventor before: Wang Bin

Inventor before: Wang Hongtao

Inventor before: Wang Jingli

Inventor before: Wang Bo

Inventor before: Liu Dong

Inventor before: Hao Wenshi

Inventor before: Zhao Jiandong

Inventor before: Qiu Wenli

Inventor before: Li Chunjie

Inventor before: Xu Zhongyin

Inventor before: Quan Hengyou

Inventor before: Hou Xiaoqing

Inventor before: Yu Zhixin

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230106

Address after: 071700 room 108, 47 Jinrong South Street, Rongcheng County, Baoding City, Hebei Province

Applicant after: Hebei xiong'an Jingde Expressway Co.,Ltd.

Applicant after: Hebei transportation planning and Design Institute Co.,Ltd.

Applicant after: Beijing Jiaotong University

Address before: 050011 No.36 Jianshe South Street, Qiaoxi District, Shijiazhuang City, Hebei Province

Applicant before: Hebei transportation planning and Design Institute Co.,Ltd.

Applicant before: Hebei xiong'an Jingde Expressway Co.,Ltd.

Applicant before: Beijing Jiaotong University

GR01 Patent grant
GR01 Patent grant