一种基于车辆行驶数据的急转弯行为识别方法
【专利摘要】本发明属于车辆技术领域，具体涉及一种基于车辆行驶数据的急转弯行为识别方法，包括如下步骤：(1)采集车辆行驶数据；(2)通过主成分分析法得到转弯因子；(3)对转弯因子取阈值；(4)通过比较转弯因子在某时刻的得分和阈值的大小来识别在所述时刻是否为急转弯行为：当转弯因子的得分大于或等于阈值时，所述时刻为急转弯时刻。本发明所述方法克服了现有技术的缺陷，显著提高了急转弯行为识别的准确性、有效性。
【专利说明】
一种基于车辆行驶数据的急转弯行为识别方法
技术领域
[0001] 本发明属于车辆技术领域，具体涉及一种基于车辆行驶数据的急转弯行为识别方 法。
【背景技术】
[0002] 根据道路交通事故统计表明，危险驾驶行为是造成交通事故的重要原因之一，其 中急转弯是事故高发的危险驾驶行为。对于汽车制造企业来说，如果能够准确评估驾驶员 在驾驶行为尤其是急转弯行为中的表现，就能针对驾驶行为更加合理地设计车型，增加车 辆的适用性，提高安全系数。
[0003] 随着车联网的发展，车辆行驶轨迹(例如:经度、维度)及车辆物理特征(例如:瞬时 速度、加速度、方向盘转角）的记录和保存成为可能，这使得研究人员能利用丰富的车辆行 驶数据来评估驾驶行为。
[0004] 急转弯是一种很危险的驾驶行为。急转弯时，车辆会产生很大的离心力，从而极易 导致车辆侧翻，产生严重的交通事故。2008年，中国一般弯道交通事故数量达到7637次，其 中由于急转弯导致的交通事故数量达到1563次。因此，亟需一种客观全面、判断准确率高的 急转弯判定方法。
【发明内容】
[0005] 本发明的目的是针对现有技术的不足，提供一种基于主成分分析法、准确率高的 基于车辆行驶数据的急转弯行为识别方法。
[0006] 本发明解决问题的技术方案是:一种基于车辆行驶数据的急转弯行为识别方法， 包括如下步骤：
[0007] (1)采集车辆行驶数据:所述车辆行驶数据包括瞬时油耗、瞬时加速度、方向盘转 动角度、车辆速度、发动机转速、方向盘转动角速度；
[0008] (2)通过主成分分析法得到转弯因子:将所述瞬时油耗、瞬时加速度、方向盘转动 角度、车辆速度、发动机转速、方向盘转动角速度作为6个原始指标，通过主成分分析法合成 相同数量的主成分，然后选取累计方差贡献率为85%以上的前四个主成分，再将选取的所 述前四个主成分以各自的方差贡献率在所有入选主成分的方差贡献率中所占比例作为权 重进行线性组合，形成转弯因子；
[0009] (3)对转弯因子取阈值；
[0010] (4)通过比较转弯因子在某时刻的得分和阈值的大小来识别在所述时刻是否为急 转弯行为:当转弯因子的得分大于或等于阈值时，所述时刻为急转弯时刻。
[0011] 进一步地，所述步骤(2)中，通过主成分分析法得到转弯因子的步骤包括：
[0012] (2.1)根据采集的车辆行驶数据，建立数据矩阵Χ' = (χ'")ηΧρ，其中，η为记录数，p 为指标数，表示第i行第j列的数据，且i<n，j<p;将瞬时油耗、瞬时加速度、方向盘转动 角度、车辆速度、发动机转速、方向盘转动角速度这6个原始指标作为主成分分析的原始变 量，取p = 6;
[0013] (2.2)对各指标数据进行标准化，以便消除各项指标在量纲和数量级的差别，标准 化的方法是将每个数据Yu先减去第j个指标的均值（即数据矩阵的列均值），再除以第j个 指标的标准差（即数据矩阵的列标准差），得到标准化后的数据Xlj，进而得到标准化数据矩 阵;每个指标的均值为〇，方差为1;
[0014] (2.3)根据标准化数据矩阵建立协方差矩阵R，协方差矩阵R能反映各个指标之间 的相关性，协方差矩阵R的每个元素 Ru代表i、j变量的协方差，计算公式为：
[0015]
[0016] 其中k为整数，代表i、j变量的第k个取值；
[0017] (2.4)求解协方差矩阵R的特征值和特征向量:通过解特征方程|λE-R|=0求出p个 特征值，i = 1，2···ρ，其中E为单位矩阵，并分别求出对应于特征值λι的特征向量，求解过程 是将协方差矩阵R进行分解，公式为：
[0018] ^-YH=iheiei 5
[0019]其中，Μ是协方差矩阵R的特征值，出是长度为p的特征向量，出7是出的转置向量；
[0020] 再将特征值Μ按照从大到小的顺序排列，得到：
[0021] λχ>λ2>· · ·>λρ ；
[0022] (2.5)计算各主成分的方差贡献率及累计方差贡献率，并根据累计方差贡献率确 定最终入选的主成分个数：
[0023] 方差贡献率的计算公式为
[0024] 累计方差贡献率的计算公式为抝二Sk：iWfc，即把排名前i的方差贡献率累计求 和；
[0025] 选取累计方差贡献率为85 %以上的前m个主成分，取m = 4;
[0026] (2.6)通过载荷矩阵写出主成分计算式：
[0027]载荷矩阵是表示主成分与原始变量线性转换关系的矩阵，载荷矩阵的系数正是每 个主成分对应的特征向量的值，据此写出第i个主成分匕的计算公式：
[0028] fi = eii*xi+e2i*X2+...+ePi*xP，
[0029] 其中 ，epi是第P个特征向量的第i个分量，xP是第P个指标；
[0030] (2.7)根据选取出的m个主成分计算每条记录的转弯因子的得分，第i条记录的转 弯因子Sl的得分的计算公式为：
[0031 ] S：i = Wi/i,· + W-zf'Zi + ·" + ··· + Wmfrni ? l'^ksSm；
[0032] 其中任意一项fki表示第k个主成分的第i个分量，系数1?的计算公式为：
[0033]
[0034] 进一步地，所述步骤(3)中，所述转弯因子的阈值为1.5。
[0035]进一步地，所述步骤(2.5)中，选取累计方差贡献率大于85%的前四个主成分。
[0036]进一步地，所述步骤（2.5)中，选取出的前四个主成分的方差贡献率分别为 43.7%，22.8%，16.8%，11.4%，然后在步骤(2.7)中计算出的所述前四个主成分的系数分 别为0.46,0.24,0.18,0.12，因此第1条记录的转弯因子 31的得分的计算公式为：
[0037] si = 0 · 46*fii+0 · 24*f2i+0 · 18*f3i+0 · 12*f4i。
[0038] 进一步地，所述选取出的前四个主成分的累积贡献率能达到94.7%以上。
[0039] 本发明的有益效果为:本发明利用主成分分析法的降维思想，将多指标转化为综 合指标，降低观测空间的维度，获取最主要的信息，通过将与急转弯相关的几个变量用主成 分分析法进行综合，显著提高了急转弯行为识别的准确性、有效性。
【附图说明】
[0040] 图1是本发明所述基于车辆行驶数据的急转弯行为识别方法的流程图；
[0041] 图2是应用本发明所述方法得到的转弯因子和转弯实验中方向盘转动角度的对比 折线图。
【具体实施方式】
[0042]下面结合附图和【具体实施方式】，对本发明作进一步的说明。
[0043] 如图1所示，一种基于车辆行驶数据的急转弯行为识别方法，包括如下步骤：
[0044] (1)采集车辆行驶数据:所述车辆行驶数据包括瞬时油耗、瞬时加速度、方向盘转 动角度、车辆速度、发动机转速、方向盘转动角速度；
[0045] (2)通过主成分分析法得到转弯因子:将所述瞬时油耗、瞬时加速度、方向盘转动 角度、车辆速度、发动机转速、方向盘转动角速度作为6个原始指标，通过主成分分析法合成 相同数量的主成分，然后选取累计方差贡献率为85%以上的前四个主成分，再将选取的所 述前四个主成分以各自的方差贡献率在所有入选主成分的方差贡献率中所占比例作为权 重进行线性组合，形成转弯因子；
[0046] (3)对转弯因子取阈值；
[0047] (4)通过比较转弯因子在某时刻的得分和阈值的大小来识别在所述时刻是否为急 转弯行为:当转弯因子的得分大于或等于阈值时，所述时刻为急转弯时刻。
[0048] 所述步骤(2)中，通过主成分分析法得到转弯因子的步骤包括：
[0049] (2.1)根据采集的车辆行驶数据，建立数据矩阵，其中，η为记录数，p 为指标数，X、』表示第i行第j列的数据，且i<n，j<p;将瞬时油耗、瞬时加速度、方向盘转动 角度、车辆速度、发动机转速、方向盘转动角速度这6个原始指标作为主成分分析的原始变 量，取p = 6;
[0050] (2.2)对各指标数据进行标准化，以便消除各项指标在量纲和数量级的差别，标准 化的方法是将每个数据Yu先减去第j个指标的均值（即数据矩阵的列均值），再除以第j个 指标的标准差（即数据矩阵的列标准差），得到标准化后的数据 Xlj，进而得到标准化数据矩 阵;每个指标的均值为〇，方差为1;
[0051] (2.3)根据标准化数据矩阵建立协方差矩阵R，协方差矩阵R能反映各个指标之间 的相关性，协方差矩阵R的每个元素 Ru代表i、j变量的协方差，计算公式为：
[0052] Rij ' - Σ/{：=1 ^ik * -??!
[0053] 其中k为整数，代表i、j变量的第k个取值；
[0054] (2.4)求解协方差矩阵R的特征值和特征向量:通过解特征方程| λΕ-R | =0求出p个 特征值，i = 1，2···ρ，其中E为单位矩阵，并分别求出对应于特征值λι的特征向量，求解过程 是将协方差矩阵R进行分解，公式为：
[0055] R =Zf=1^eie：r >
[0056] 其中，Μ是协方差矩阵R的特征值，&是长度为p的特征向量，6^是&的转置向量；
[0057] 再将特征值Μ按照从大到小的顺序排列，得到：
[0058] λι>λ2>···>λρ;
[0059] (2.5)计算各主成分的方差贡献率及累计方差贡献率，并根据累计方差贡献率确 定最终入选的主成分个数：
[0060] 方差贡献率的计算公式为
[0061] 累计方差贡献率的计算公式，即把排名前i的方差贡献率累计求 和；
[0062] 选取累计方差贡献率为85 %以上的前m个主成分，取m = 4;
[0063] (2.6)通过载荷矩阵写出主成分计算式：
[0064]载荷矩阵是表示主成分与原始变量线性转换关系的矩阵，载荷矩阵的系数正是每 个主成分对应的特征向量的值，据此写出第i个主成分匕的计算公式：
[0065] fi = eii*xi+e2i*X2+...+ePi*xP，
[0066] 其中 ，epi是第P个特征向量的第i个分量，xP是第P个指标；
[0067] (2.7)根据选取出的m个主成分计算每条记录的转弯因子的得分，第i条记录的转 弯因子Sl的得分的计算公式为：
[0068] & = %/" + ?;2/2? + …+
[0069] 其中任意一项fki表示第k个主成分的第i个分量，系数的计算公式为：
[0070]
[0071]所述步骤(3)中，所述转弯因子的阈值为1.5。
[0072]所述步骤(2.5)中，选取累计方差贡献率大于85%的前四个主成分。
[0073]所述步骤(2.5)中，选取出的前四个主成分的方差贡献率分别为43.7%，22.8%， 16.8%，11.4%，然后在步骤(2.7)中计算出的所述前四个主成分的系数分别为0.46,0.24， 0.18,0.12，因此第1条记录的转弯因子 31的得分的计算公式为：
[0074] si = 0 · 46*fii+0 · 24*f2i+0 · 18*f3i+0 · 12*f4i。
[0075] 所述选取出的前四个主成分的累积贡献率能达到94.7%以上。
[0076]采用本发明所述方法进行实验：
[0077] 相对于转弯，将急转弯定义为短时间内剧烈改变方向盘位置的行为。通过将车辆 行驶的瞬时油耗、瞬时加速度、方向盘转动角度、车辆速度、发动机转速、方向盘转动角速度 这6个指标，通过主成分分析法将其综合为一个转弯因子，运用转弯因子的得分来直接识别 急转弯行为。其中，方向盘位置能用来判别车辆是否处于转弯状态。将方向盘未旋转状态记 为方向盘位置为0°，向左旋转则方向盘转动角度小于0°，向右旋转则方向盘转动角度大于 0°〇
[0078] 图2表示车辆在行驶的1000-1100秒的时间段的转弯因子和转弯实验中方向盘转 动角度的对比折线图。其中粗实线表示转弯因子得分的波动，细实线表示方向盘转动角度 的变化，虚线表示车辆速度的变化;横坐标表示时间，左边的纵坐标表示方向盘转动角度， 右边的纵坐标表示转弯因子。结合实验数据，将识别急转弯行为的转弯因子的阈值设定为 1.5，即，本发明确定识别急转弯时刻的标准是：当某时刻转弯因子得分多1.5时，该时刻即 为急转弯时刻。
[0079]如图2所示，在1015秒处转弯因子的得分为1.85,大于阈值1.5,因此被识别为急转 弯时刻。结合方方向盘转动角度曲线可以看到，1015秒这一时刻的确经历了方向盘位置的 剧烈变化过程，同时，根据速度曲线可以看到，急转弯过程往往伴随着速度的突然减小，这 与实际生活中，急转弯时司机常常会同时急刹车的情形相符合。同样，本发明所述方法也能 对正常的转弯过程进行区分，如在1030秒之后车辆也经历了转弯过程，但该转弯过程相对 比较缓慢，因此1030秒这一时刻并未被识别为急转弯，符合实际情况。其它的试验阶段同样 证明了本发明所述方法的有效性。
[0080] 本发明的基本原理是：
[0081] 本发明借助于主成分分析法，主成分分析法是一种数据降维的统计方法，它借助 于一个正交变换，将原始的多个指标综合成能概括原来大部分信息的少数几个指标，不损 失重要信息的前提下，降低观测空间的炜度。
[0082] 在实际问题研究中，为了全面、系统地分析问题，必须考虑众多影响因素。这些涉 及的因素一般称为指标或者变量。因为每个指标都在不同程度上反映了所研究问题的某些 信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上 有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂 性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析 正是适应这一要求产生的，是解决这类问题的理想工具。
[0083] 总体来说，主成分分析旨在利用降维的思想，把多指标转化为少数几个综合指标， 降低观测空间的维数，以获取最主要的信息。假设有P个指标，因此至多有P个综合指标(主 成分）。由于总方差不增不减，前几个综合指标的方差较大，而后几个综合指标的方差较小。 严格说，只有前几个综合指标才称得上"主"成分，后几个综合指标实为"次"成分。实践中总 是保留前几个，忽略后几个。保留多少个主成分取决于保留部分的累积方差在方差总和中 所占百分比。
[0084] 本发明将六个原始指标经过组合形成六个主成分，然后选取累积贡献率为85%以 上的前四个主成分，再将前四个主成分以其方差贡献率比例作为权重进行线性组合，最终 合成了一个综合指标，即转弯因子，然后通过对转弯因子取阈值来判断汽车的急转弯行为。
[0085] 本发明并不限于上述实施方式，在不背离本发明实质内容的情况下，本领域技术 人员可以想到的任何变形、改进、替换均落入本发明的保护范围。
【主权项】
1. 一种基于车辆行驶数据的急转弯行为识别方法，其特征在于，包括如下步骤： (1) 采集车辆行驶数据:所述车辆行驶数据包括瞬时油耗、瞬时加速度、方向盘转动角 度、车辆速度、发动机转速、方向盘转动角速度； (2) 通过主成分分析法得到转弯因子:将所述瞬时油耗、瞬时加速度、方向盘转动角度、 车辆速度、发动机转速、方向盘转动角速度作为6个原始指标，通过主成分分析法合成相同 数量的主成分，然后选取累计方差贡献率为85% W上的前四个主成分，再将选取的所述前 四个主成分W各自的方差贡献率在所有入选主成分的方差贡献率中所占比例作为权重进 行线性组合，形成转弯因子； (3) 对转弯因子取阔值； (4) 通过比较转弯因子在某时刻的得分和阔值的大小来识别在所述时刻是否为急转弯 行为:当转弯因子的得分大于或等于阔值时，所述时刻为急转弯时刻。2. 根据权利要求1所述的基于车辆行驶数据的急转弯行为识别方法，其特征在于，所述 步骤(2)中，通过主成分分析法得到转弯因子的步骤包括： (2.1) 根据采集的车辆行驶数据，建立数据矩阵乂'=^/^)。乂。，其中，11为记录数，口为指 标数，表示第i行第j列的数据，且i《n，j《p;将瞬时油耗、瞬时加速度、方向盘转动角 度、车辆速度、发动机转速、方向盘转动角速度运6个原始指标作为主成分分析的原始变量， 取 P = 6; (2.2) 对各指标数据进行标准化，标准化的方法是将每个数据先减去第j个指标的 均值，再除W第j个指标的标准差，得到标准化后的数据XU，进而得到标准化数据矩阵； (2.3) 根据标准化数据矩阵建立协方差矩阵R，协方差矩阵R的每个元素 Ru代表i、j变量 的协方差，计算公式为：其中k为整数； (2.4) 求解协方差矩阵R的特征值和特征向量:通过解特征方程I λΕ-R I =0求出P个特征 值λl，i = l，2…p，其中E为单位矩阵;并分别求出对应于特征值λl的特征向量，求解过程是将 协方差矩阵R进行分解，公式为：.7 其中，λι是协方差矩阵R的特征值，ei是长度为P的特征向量，eiT是ei的转置向量； 再将特征值λι按照从大到小的顺序排列，得到： λι>λ2>···>λρ； (2.5) 计算各主成分的方差贡献率及累计方差贡献率，并根据累计方差贡献率确定最 终入选的主成分个数： 方差贡献率的计算公式为：累计方差贡献率的计算公式j选取累计方差贡献率为85% W上的前m个主成分，取m=4; (2.6) 通过载荷矩阵写出主成分计算式： 载荷矩阵的系数正是每个主成分对应的特征向量的值，据此写出第i个主成分fi的计算 公式： f i = eii*xi+e2i*X2+.. .+epi*Xp， 其中，epi是第p个特征向量的第i个分量，xp是第p个指标； (2.7)根据选取出的m个主成分计算每条记录的转弯因子的得分，第i条记录的转弯因 子Si的得分的计算公式为： & =耐Α? + 巧2/2,. + …+尿fc/fc, + + 历w/m,.， 其中任意一项fki表示第k个主成分的第i个分量，系数巧fc的计算公式为：3. 根据权利要求1所述的基于车辆行驶数据的急转弯行为识别方法，其特征在于，所述 步骤(3)中，所述转弯因子的阔值为1.5。4. 根据权利要求2所述的基于车辆行驶数据的急转弯行为识别方法，其特征在于，所述 步骤(2.5)中，选取累计方差贡献率大于85%的前四个主成分。5. 根据权利要求2所述的基于车辆行驶数据的急转弯行为识别方法，其特征在于，所述 步骤（2.5)中，选取出的前四个主成分的方差贡献率分别为43.7% ,22.8% ,16.8%， 11.4%，然后在步骤(2.7)中计算出的所述前四个主成分的系数分别为0.46,0.24,0.18， 0.12,因此第i条记录的转弯因子Si的得分的计算公式为： si = 0.46*fii+0.24*f2i+0.18*f3i+0.6. 根据权利要求4所述的基于车辆行驶数据的急转弯行为识别方法，其特征在于，所述 选取出的前四个主成分的累积贡献率能达到94.7% W上。
【文档编号】G06F19/00GK105975756SQ201610279207
【公开日】2016年9月28日
【申请日】2016年4月28日
【发明人】黄亮
【申请人】彩虹无线（北京）新技术有限公司