一种驾驶行为分割方法及驾驶数据段聚类方法

1.本发明涉及驾驶行为分析技术领域，具体而言，涉及一种驾驶行为分割方法及驾驶数据段聚类方法。


背景技术：

2.随着社会科技的发展，驾驶行为分析已经逐渐成为研究热点。驾驶人作为道路交通系统中的决策者，对其驾驶行为进行分析在驾驶风格分析和智能车设计等方面有着重要作用；已有研究证明，通过对驾驶行为数据的分析，将驾驶行为分解成驾驶数据段，并基于这些驾驶数据段对驾驶行为进行分析，能够捕捉驾驶行为的动态决策信息以有效提高驾驶风格分析准确性和智能车拟人化决策水平。因此，准确并高效的实现驾驶行为分割是提高驾驶行为分析结果有效性的重要途径，是当前驾驶行为分析的核心技术之一。
3.传统的研究多通过有监督的方法实现驾驶行为分割，这需要人工对数据进行标注。然而随着智能交通系统以及大数据平台的发展，急剧增加的数据量将会增加人工标注成本以及标注错误率；因此利用无监督的方法对驾驶行为进行分割是成为本领域的技术难题。


技术实现要素：

4.本发明提供了一种驾驶行为分割方法及驾驶数据段聚类方法，通过所述驾驶行为分割方法，通过选取特征性能数据根据数据统计特性寻找数据内在变化点，将数据分割成若干数据段，以突破人工标定的限制通过此方法可以进行人工智能分割，避免了人工标注分割效率低以及容易出错的问题，同时降低后续研究的复杂度并加深对数据的理解程度；实现了多准则空间下，同时基于语义变量和性质变量数据对驾驶行为进行分割。
5.本发明一方面提供了一种驾驶行为分割方法，所述方法包括：采集若干行驶路段的特征性能数据，并对特征性能数据进行预处理，得到有效特征性能数据；根据有效特征性能数据，将所述行驶路段分为直行路段和转弯路段；基于第一转换公式，将所述有效特征性能数据转换为性质变量数据；基于第二转换公式，将所述有效特征性能数据转换为语义变量数据；根据所述性质变量数据和语义变量数据确认最优滑窗尺寸；
6.基于所述最优滑窗尺寸、第一转换公式、第二转换公式，将若干行驶路段中的任一行驶路段分割为若干标准驾驶数据段；优选基于所述最优滑窗尺寸、第一转换公式、第二转换公式计算得到若干行驶路段的任一行驶路段的标准性质变量数据、标准语义变量数据；利用贝叶斯凝聚型序列分割算法对若干行驶路段的任一行驶路段的标准性质变量数据、标准语义变量数据进行分割，得到任一行驶路段对应的若干标准驾驶数据段；
7.优选所述特征性能数据进行预处理包括以下步骤：去除数据异常值；利用滑动平均法对数据做平滑处理；对平滑处理的纵向加速度的导数得到纵加加速度；再次利用滑动平均法对纵加加速度做平滑处理得到有效纵加加速度。
8.与现有技术相比，本发明具有以下有益效果：通过基于第一转换公式，将所述有效
特征性能数据转换为性质变量数据；基于第二转换公式，将所述有效特征性能数据转换为语义变量数据，根据所述性质变量数据和语义变量数据确认最优滑窗尺寸，实现多准则空间下，同时基于语义变量和性质变量数据对驾驶行为进行分割，避免了传统只在单准则空间下对驾驶数据进行处理、分割，避免了最终分割的驾驶数据段反映所述驾驶过程状态较为片面，误差较大；
9.通过所述性质变量数据和语义变量数据确认最优滑窗尺寸，能更优反映所述驾驶过程的实际状态，既避免了分割的驾驶数据段过短无法体现驾驶行为性质的问题，同时避免了分割的驾驶数据段过长，失去分割驾驶数据段的意义。
10.进一步的，所述特征性能数据包括速度、纵向加速度、侧向加速度；所述有效特征性能数据包括有效速度v、有效纵向加速度a
x
、有效侧向加速度ay、有效纵加加速度jerk，所述有效纵加加速度jerk为有效纵向加速度a
x
的导数。
11.进一步的，将所述行驶路段分为直行路段和转弯路段的具体步骤为：通过计算得到行驶轨迹半径r；r≥1000m时所述行驶路段为直行路段，r＜1000m时所述行驶路段为转弯路段。
12.采用上述进一步技术方案的有益效果在于，通过上述方法将行驶路段分为直行路段和转弯路段，避免了由于客观需要拐弯的操作数据而误认为是主观驾驶习惯，从而影响对最终驾驶数据段的分类。
13.进一步的，所述性质变量数据包括速度性质变量vw
t
、纵向加速度性质变量a
xwt
14.、侧向加速度性质变量ayw
t
、纵加加速度性质变量jerkw
t
；所述语义变量数据包括速度语义变量vs
t
、纵向加速度语义变量a
xst
、侧向加速度语义变量ays
t
、纵加加速度语义变量jerks
t
。
15.进一步的，所述第一转换公式包括进一步的，所述第一转换公式包括
16.所述第二转换公式包括所述第二转换公式包括
17.所述t为滑窗尺寸，n
t
为滑窗尺寸下每个滑窗内的数据点个数，vd为期望行车速度。
18.采用上述进一步技术方案的有益效果在于，通过上述方法实现将所述有效特征性能数据转换为性质变量数据、语义变量数据；
19.实现速度性质变量vw
t
、速度语义变量vs
t
表示驾驶行为对理想速度的跟随性，所述vw
t
的数值越小表示驾驶行为对理想速度的跟随性越好，所述vs
t
的数值与vd越接近表示驾驶行为对理想速度的跟随性越好；
20.所述纵向加速度性质变量a
xwt
表示驾驶行为的燃油经济，纵向加速度语义变量axst
表示纵向运动状态是匀速还是加减速；所述a
xwt
数值越小表示驾驶行为的燃油经济性越好；
21.所述侧向加速度性质变量ayw
t
表示驾驶行为的侧向稳定性，侧向加速度语义变量ays
t
表示侧向偏移大小，所述ayw
t
、ays
t
数值越小表示驾驶行为的侧向稳定性越好；
22.所述纵加加速度性质变量jerkw
t
表示驾驶行为的的舒适性，纵加加速度语义变量jerks
t
表示纵向加速度的变化快慢，所述jerkw
t
、jerks
t
数值越小表示驾驶行为的舒适性越好。
23.进一步的，确认最优滑窗尺寸的具体步骤为：
24.预设滑窗尺寸为t＝[0.2s,0.3s,0.4s,0.5s,0.6s,0.7s,0.8s,0.9s,1s]；即预设滑窗尺寸t的时长分别为0.1s、0.2s、0.3s、0.4s、0.5s、0.6s、0.7s、0.8s、0.9s、1s；
[0025]
根据第一公式、第二公式计算出在t＝[0.2s,0.3s,0.4s,0.5s,0.6s,0.7s,0.8s,0.9s,1s]中滑窗尺寸时各行驶路段的任一行驶路段对应的性质变量数据、语义变量数据；既根据第一公式、公式二计算出滑窗尺寸t分别为0.1s、0.2s、0.3s、0.4s、0.5s、0.6s、0.7s、0.8s、0.9s、1s时各行驶路段的任一行驶路段对应的性质变量数据、语义变量数据；
[0026]
利用贝叶斯凝聚型序列分割算法对各滑窗尺寸计算得到的各行驶路段的任一行驶路段对应的性质变量数据、语义变量数据进行分割，得到不同滑窗尺寸下各行驶路段的任一行驶路段的驾驶行为断点相对位置、驾驶数据段以及驾驶数据段的持续时间；
[0027]
所述驾驶行为断点相对位置为行驶路段被分割产生的若干个断点的具体位置时间点与行驶路段总时间长度的比值；
[0028]
计算不同滑窗尺寸对应的驾驶行为断点相对位置概率密度函数，计算不同滑窗尺寸对应的正常驾驶数据段的概率；
[0029]
所述驾驶行为断点相对位置概率密度函数：横轴为在一种滑窗尺寸下得到的所有行驶路段的驾驶行为不同断点相对位置，纵轴为不同断点相对位置的概率密度；
[0030]
所述正常驾驶数据段的概率为在一种滑窗尺寸下得到的所有行驶路段的驾驶数据段中持续时间为0.2s～15s的驾驶数据段数量占所有行驶路段的驾驶数据段总数量的比值；
[0031]
优选计算过短驾驶数据段的概率，所述过短驾驶数据段的概率为一种滑窗尺寸下得到的所有行驶路段的驾驶数据段中持续时间为《0.2s的驾驶数据段数量占所有行驶路段的驾驶数据段总数量的比值；计算过长驾驶数据段的概率，所述过长驾驶数据段的概率为一种滑窗尺寸下得到的所有行驶路段的驾驶数据段中持续时间为》15s的驾驶数据段数量占所有行驶路段的驾驶数据段总数量的比值；
[0032]
通过最优滑窗尺寸评价方法对不同滑窗尺寸对应的驾驶行为断点相对位置的概率密度函数、正常驾驶数据段的概率进行评价，得到最优滑窗尺寸。
[0033]
确认不同滑窗尺寸对应的驾驶行为断点相对位置概率密度函数曲线的峰值；
[0034]
计算每一个滑窗尺寸对应的驾驶行为断点相对位置概率密度函数曲线峰值的平均值、最大偏离度；偏离度为一条函数曲线峰值与平均值差值的绝对值，所述最大偏离度为一条函数曲线中数值最大的偏离度；
[0035]
所述最大偏离度数值最小的驾驶行为断点相对位置概率密度函数对应的滑动窗口为最优滑窗尺寸；
[0036]
和/或正常驾驶数据段的概率最大的滑动窗口为最优滑窗尺寸，优选过短驾驶数据段的概率和过长驾驶数据段的概率越小，正常驾驶数据段的概率所占比例越大，滑窗尺寸结果越好。
[0037]
采用上述进一步技术方案的有益效果在于，通过上述方式得到最优滑窗尺寸。
[0038]
本发明另一方面提供了一种驾驶数据段聚类方法包括所述的驾驶行为分割方法。
[0039]
与现有技术相比，本发明具有以下有益效果：通过驾驶行为分割方法，避免了传统只在单准则空间下对驾驶数据进行处理、分割，避免了的最终分割的驾驶数据段反映所述驾驶过程状态较为片面，误差较大；
[0040]
同时通过驾驶行为分割方法中确认的最优滑窗尺寸，能更优反映所述驾驶过程的实际状态，既避免了分割的驾驶数据段过短无法体现驾驶行为性质的问题，同时避免了分割的驾驶数据段过长，失去分割驾驶数据段的意义，实现所述驾驶数据段的聚类更准确与实际驾驶状态更相近。
[0041]
进一步的，驾驶数据段聚类方法，其特征在于，还包括：基于所述最优滑窗尺寸将直行路段和/或转弯路段划分为标准驾驶数据段；所述标准驾驶数据段包括标准直行驾驶数据段和/或标准转弯驾驶数据段；
[0042]
优选基于所述最优滑窗尺寸、第一转换公式、第二转换公式，将若干直行行驶路段中的任一直行行驶路段分割为若干标准直行驾驶数据段；
[0043]
优选基于所述最优滑窗尺寸、第一转换公式、第二转换公式，将若干直行行驶路段中的任一转弯行驶路段分割为若干标准转弯驾驶数据段；
[0044]
将标准驾驶数据段对应的性质变量数据、语义变量数据构造统计特征；
[0045]
将所述统计特征通过主成分分析法进行特征提取，选择方差解释率超过95％主成分作为最优特征集；所述最优特征集包括直行最优直行特征集和/或最优转弯特征集；
[0046]
依据所述最优特征集通过gmm模型对标准驾驶数据段进行聚类，得到不同类别的标准直行驾驶数据段和/转弯驾驶数据段。
[0047]
进一步的优选，对聚类后各类标准直行驾驶数据段、标准转弯驾驶数据段赋予物理意义；
[0048]
计算聚类后的各类标准直行驾驶数据段、标准转弯驾驶数据段对应的平均值；
[0049]
所述标识过程为：基于聚类后的各类标准直行驾驶数据段、标准转弯驾驶数据段对应的平均值通过标识方法对各类别的标准驾驶数据段进行标识，同时赋予物理意义。
[0050]
将所述直行驾驶数据段聚类为：3类；将所述转弯驾驶数据段聚类为：3类。
[0051]
优选将所述驾驶数据段聚类为：直行类别1、直行类别2、直行类别3、转弯类别1、转弯类别2、转弯类别3；
[0052]
所述标识方法为：
[0053]
确认速度性质变量对应的平均值阈值vw，优选vw为100m2/s；确认速度语义变量的平均值阈值vs，优选vs为10m/s；确认纵向加速度性质变量的平均值阈值
ɑ
x
w，优选
ɑ
x
w为5m2/s3；确认纵向加速度语义变量的平均值阈值
ɑ
x
s，优选为-1≤
ɑ
x
s≤1m/s2；确认侧向加速度性质变量的平均值的阈值
ɑyw，优选
ɑyw为1m2/s3；确认侧向加速度语义变量的平均值的阈值
ɑys，优选为-0.1≤
ɑys≤0.1m/s2；确认加加速度性质变量的平均值的阈值jerkw，优选为jerkw为5m2/s5；确认加加速度语义变量的平均值的阈值jerks，优选为-0.5≤jerks≤0.5m/
s3；
[0054]
直行类别1对应的标准直行驾驶数据段的统计特征如下：
[0055]
所述速度性质变量对应的平均值小于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值在阈值
ɑ
x
s范围内，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值在阈值
ɑys范围内，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0056]
直行类别2对应的标准直行驾驶数据段的统计特征如下：
[0057]
所述速度性质变量对应的平均值大于vw，所述速度语义变量对应的平均值小于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值在阈值
ɑ
x
s范围内，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值在阈值
ɑys范围内，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0058]
直行类别3对应的标准直行驾驶数据段的统计特征如下：
[0059]
所述速度性质变量对应的平均值小于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值大于
ɑ
x
w，纵向加速度语义变量对应的平均值小于阈值
ɑ
x
s(既小于阈值
ɑ
x
s范围内的最小值)，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值在阈值
ɑys范围内，加加速度性质变量的平均值大于jerkw，加加速度语义变量的平均值大于阈值jerks(既大于阈值jerks范围内的最大值)；
[0060]
转弯类别1对应的标准转弯驾驶数据段的统计特征如下：
[0061]
所述速度性质变量对应的平均值小于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值在阈值
ɑ
x
s范围内，侧向加速度性质变量对应的平均值大于
ɑyw，侧向加速度语义变量对应的平均值小于阈值(既小于阈值
ɑys范围内的最小值)，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0062]
转弯类别2对应的标准转弯驾驶数据段的统计特征如下：
[0063]
所述速度性质变量对应的平均值大于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值大于
ɑ
x
w，纵向加速度语义变量对应的平均值小于阈值
ɑ
x
s(既小于阈值
ɑ
x
s范围内的最小值)，侧向加速度性质变量对应的平均值大于
ɑyw，侧向加速度语义变量对应的平均值小于阈值(既小于阈值
ɑys范围内的最小值)，加加速度性质变量的平均值大于jerkw，加加速度语义变量的平均值大于阈值jerks(既大于阈值jerks范围内的最大值)；
[0064]
转弯类别3对应的标准转弯驾驶数据段的统计特征如下：
[0065]
所述速度性质变量对应的平均值大于vw，所述速度语义变量对应的平均值大小于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值在阈值
ɑ
x
s范围内，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值阈值
ɑys范围内，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0066]
所述直行类别1、直行类别2、直行类别3、转弯类别1、转弯类别2、转弯类别3赋予物
理意义过程如下：
[0067]
直行类别1的物理意义：
[0068]
直行类别1：高速、匀速驾驶同时，速度跟随好，且燃油经济性好，舒适性好，低侧移且侧向稳定性好；
[0069]
直行类别2：低速、匀速驾驶同时，速度跟随性差，且燃油经济性好，舒适性好，低侧移且侧向稳定性好；
[0070]
直行类别3：高速、急减速驾驶同时，速度跟随好，且燃油经济性差，舒适性差，低侧移且侧向稳定很差；
[0071]
标准转弯驾驶数据段分为转弯类别1、转弯类别2、转弯类别3；
[0072]
转弯类别1：高速、匀速驾驶同时，速度跟随好，且燃油经济性好、舒适性好、高侧移且侧向稳定性差；
[0073]
转弯类别2：高速、急减速驾驶同时，速度跟随性差，且燃油经济性差、舒适性差、高侧移且侧向稳定性差；
[0074]
转弯类别3：低速、匀速驾驶同时，速度跟随差，且燃油经济性好、舒适性好、低侧移且侧向稳定很好。
[0075]
采用上述进一步技术方案的有益效果在于，通过将标准驾驶数据段对应的性质变量数据、语义变量数据构造统计特征，实现物理意义数据转化为能够进行有效的聚类数据，通过将所述统计特征通过主成分分析法进行特征提取获得最优特征集，即实现所述性质变量数据、语义变量数据转化为有效的聚类数据，同时又简化了后续计算过程，避免了数据冗余问题；最终实现通过gmm模型将所述最优特征集进行聚类，从而获得最优特征集对应的标准驾驶数据段的分类。
[0076]
进一步的，所述统计特征包括平均值、标准差、最小值、切尾均值、四分位差值、绝对中位差、绝对中位差、第5，10，25，75，90，95百分位数值、中位数、最大值中的一种或多种；
[0077]
和/或
[0078]
标准直行驾驶数据段分为直行类别1、直行类别2、直行类别3；
[0079]
直行类别1：高速、匀速驾驶同时，速度跟随好，且燃油经济性好，舒适性好，低侧移且侧向稳定性好；
[0080]
直行类别2：低速、匀速驾驶同时，速度跟随性差，且燃油经济性好，舒适性好，低侧移且侧向稳定性好；
[0081]
直行类别3：高速、急减速驾驶同时，速度跟随好，且燃油经济性差，舒适性差，低侧移且侧向稳定很差；
[0082]
和/或
[0083]
标准转弯驾驶数据段分为转弯类别1、转弯类别2、转弯类别3；
[0084]
转弯类别1：高速、匀速驾驶同时，速度跟随好，且燃油经济性好、舒适性好、高侧移且侧向稳定性差；
[0085]
转弯类别2：高速、急减速驾驶同时，速度跟随性差，且燃油经济性差、舒适性差、高侧移且侧向稳定性差；
[0086]
转弯类别3：低速、匀速驾驶同时，速度跟随差，且燃油经济性好、舒适性好、低侧移且侧向稳定很好。
[0087]
采用上述进一步技术方案的有益效果在于，进一步实现对聚类后各类标准直行驾驶数据段、标准转弯驾驶数据段进行标识，同时赋予物理意义。
附图说明
[0088]
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例中所需要使用的附图进行说明。
[0089]
图1为不同滑窗尺寸t＝[0.2s,0.3s,0.4s,0.5s,0.6s,0.7s,0.8s,0.9s,1s]得到所述不同断点相对位置的分布比例表格；
[0090]
图2为不同滑窗尺寸的断点相对位置分布概率密度函数；
[0091]
图3为不同滑窗尺寸的所述正常驾驶数据段的概率、短驾驶数据段的概率、所述过长驾驶数据段的概率表格；
[0092]
图4为最优滑窗尺寸为1s时，将所述若干直行路段分割后示例图；
[0093]
图5为在最优滑窗尺寸为1s时，将所述若干转弯路段分割后示例图；
[0094]
图6为直行路段聚类为直行类别1、直行类别2、直行类别3的示例图；
[0095]
图7为转弯路段聚类为转弯类别1、转弯类别2、转弯类别3的示例图；
[0096]
图8直行类别1、直行类别2、直行类别3对应的性质变量数据、语义变量数据构造统计特征表格；
[0097]
图9为转弯类别1、转弯类别2、转弯类别3对应的性质变量数据、语义变量数据构造统计特征表格。
具体实施方式
[0098]
为使本发明的目的、技术方案和优点更加清楚，以下将结合具体实施例对本发明涉及的各个方面进行详细说明，但这些具体实施例仅用于举例说明本发明，并不对本发明的保护范围和实质内容构成任何限定。
[0099]
本实施例一方面提供了一种驾驶行为分割方法，所述方法包括：采集若干行驶路段的特征性能数据，并对特征性能数据进行预处理，得到有效特征性能数据；
[0100]
所述特征性能数据进行预处理包括以下步骤：去除数据异常值；利用滑动平均法对数据做平滑处理；对平滑处理的纵向加速度的导数得到纵加加速度；再次利用滑动平均法对纵加加速度做平滑处理得到有效纵加加速度。
[0101]
所述特征性能数据包括速度、纵向加速度、侧向加速度；所述有效特征性能数据包括有效速度v、有效纵向加速度a
x
、有效侧向加速度ay、有效纵加加速度jerk；所述有效纵加加速度jerk为有效纵向加速度的导数。
[0102]
根据有效特征性能数据，将所述行驶路段分为直行路段和转弯路段；
[0103]
将所述行驶路段分为直行路段和转弯路段的具体步骤为：通过计算得到行驶轨迹半径r；r≥1000m时所述行驶路段为直行路段，r＜1000m时所述行驶路段为转弯路段；
[0104]
基于第一转换公式，将所述有效特征性能数据转换为性质变量数据；基于第二转换公式，将所述有效特征性能数据转换为语义变量数据；根据所述性质变量数据和语义变
量数据确认最优滑窗尺寸；
[0105]
确认最优滑窗尺寸的具体步骤为：预设滑窗尺寸为t＝[0.2s,0.3s,0.4s,0.5s,0.6s,0.7s,0.8s,0.9s,1s]；既预设滑窗尺寸t的时长分别为0.1s、0.2s、0.3s、0.4s、0.5s、0.6s、0.7s、0.8s、0.9s、1s；
[0106]
根据第一公式、第二公式计算出在t＝[0.2s,0.3s,0.4s,0.5s,0.6s,0.7s,0.s8,0.s9,s1中滑窗尺寸时各行驶路段的任一行驶路段对应的性质变量数据、语义变量数据；既根据第一公式、公式二计算出滑窗尺寸t分别为0.1s、0.2s、0.3s、0.4s、0.5s、0.6s、0.7s、0.8s、0.9s、1s时各行驶路段的任一行驶路段对应的性质变量数据、语义变量数据；
[0107]
所述性质变量数据包括速度性质变量vw
t
、纵向加速度性质变量a
xwt
[0108]
、侧向加速度性质变量ayw
t
、纵加加速度性质变量jerkw
t
；所述语义变量数据包括速度语义变量vs
t
、纵向加速度语义变量a
xst
、侧向加速度语义变量ays
t
、纵加加速度语义变量jerks
t
；
[0109]
所述第一转换公式包括所述第一转换公式包括
[0110]
所述第二转换公式包括所述第二转换公式包括
[0111]
所述t为滑窗尺寸，n
t
为滑窗尺寸下每个滑窗内的数据点个数，vd为期望行车速度；
[0112]
速度性质变量vw
t
、速度语义变量vs
t
表示驾驶行为对理想速度的跟随性，所述vw
t
的数值越小表示驾驶行为对理想速度的跟随性越好，所述vs
t
的数值与vd越接近表示驾驶行为对理想速度的跟随性越好；
[0113]
所述纵向加速度性质变量a
xwt
表示驾驶行为的燃油经济，纵向加速度语义变量a
xst
表示纵向运动状态是匀速还是减速；所述a
xwt
数值越小表示驾驶行为的燃油经济性越好；
[0114]
所述侧向加速度性质变量ayw
t
表示驾驶行为的侧向稳定性，侧向加速度语义变量ays
t
表示侧向偏移大小，所述ayw
t
、ays
t
数值越小表示驾驶行为的侧向稳定性越好；
[0115]
所述纵加加速度性质变量jerkw
t
表示驾驶行为的的舒适性，纵加加速度语义变量jerks
t
表示纵向加速度的变化快慢，所述jerkw
t
、jerks
t
数值越小表示驾驶行为的舒适性越好。
[0116]
利用贝叶斯凝聚型序列分割算法对各滑窗尺寸计算得到的各行驶路段的任一行驶路段对应的性质变量数据、语义变量数据进行分割，得到不同滑窗尺寸下各行驶路段的任一行驶路段的驾驶行为断点相对位置、驾驶数据段以及驾驶数据段的持续时间；
[0117]
所述驾驶行为断点相对位置为行驶路段被分割产生的若干个断点的具体位置时间点与行驶路段总时间长度的比值；
[0118]
计算不同滑窗尺寸对应的驾驶行为断点相对位置概率密度函数，计算不同滑窗尺
寸对应的正常驾驶数据段的概率；
[0119]
所述驾驶行为断点相对位置概率密度函数：横轴为在一种滑窗尺寸下得到的所有行驶路段的驾驶行为不同断点相对位置，纵轴为不同断点相对位置的概率密度；
[0120]
所述正常驾驶数据段的概率为在一种滑窗尺寸下得到的所有行驶路段的驾驶数据段中持续时间为0.2s～15s的驾驶数据段数量占所有行驶路段的驾驶数据段总数量的比值；
[0121]
计算过短驾驶数据段的概率，所述过短驾驶数据段的概率为一种滑窗尺寸下得到的所有行驶路段的驾驶数据段中持续时间为《0.2s的驾驶数据段数量占所有行驶路段的驾驶数据段总数量的比值；计算过长驾驶数据段的概率，所述过长驾驶数据段的概率为一种滑窗尺寸下得到的所有行驶路段的驾驶数据段中持续时间为》15s的驾驶数据段数量占所有行驶路段的驾驶数据段总数量的比值；
[0122]
通过最优滑窗尺寸评价方法对不同滑窗尺寸对应的驾驶行为断点相对位置的概率密度函数、正常驾驶数据段的概率进行评价，得到最优滑窗尺寸。
[0123]
所述最优滑窗尺寸评价方法为：
[0124]
确认不同滑窗尺寸对应的驾驶行为断点相对位置概率密度函数曲线的峰值；
[0125]
计算每一个滑窗尺寸对应的驾驶行为断点相对位置概率密度函数曲线峰值的平均值、最大偏离度；偏离度为一条函数曲线峰值与平均值差值的绝对值，所述最大偏离度为一条函数曲线中数值最大的偏离度；所述最大偏离度数值最小的驾驶行为断点相对位置概率密度函数对应的滑动窗口为最优滑窗尺寸；和正常驾驶数据段的概率最大的滑动窗口为最优滑窗尺寸，优选过短驾驶数据段的概率和过长驾驶数据段的概率越小，正常驾驶数据段的概率所占比例越大，滑窗尺寸结果越好；
[0126]
当同时满足两个条件的滑窗尺寸为优滑窗尺寸。基于所述最优滑窗尺寸、第一转换公式、第二转换公式，将若干行驶路段中的任一行驶路段分割为若干标准驾驶数据段；优选基于所述最优滑窗尺寸、第一转换公式、第二转换公式计算得到若干行驶路段的任一行驶路段的标准性质变量数据、标准语义变量数据；利用贝叶斯凝聚型序列分割算法对若干行驶路段的任一行驶路段的标准性质变量数据、标准语义变量数据进行分割，得到任一行驶路段对应的若干标准驾驶数据段。
[0127]
如图1所示，图1为采用滑窗尺寸t＝[0.2s,0.3s,0.4s,0.5s,0.6s,0.7s,0.s8,0.s9,s1时，得到不同滑窗尺寸得到所述不同断点相对位置的分布比例表格；
[0128]
图2为不同滑窗尺寸的断点相对位置分布概率密度函数；
[0129]
图3为不同滑窗尺寸的所述正常驾驶数据段的概率、过短驾驶数据段的概率、所述过长驾驶数据段的概率表格；通过图1、图2和图3看出，选择滑窗尺寸1s作为最优滑窗尺寸，选择其对应划分的驾驶数据段作为标准驾驶数据段；
[0130]
图4为在最优滑窗尺寸为1s时，将所述若干直行路段分割后示例图；
[0131]
图5为在最优滑窗尺寸为1s时，将所述若干转弯路段分割后示例图；
[0132]
本实施例提供另一方面提供了一种驾驶数据段聚类方法包括所述的驾驶行为分割方法。
[0133]
驾驶数据段聚类方法，其特征在于，还包括：基于所述最优滑窗尺寸将直行路段和/或转弯路段划分为标准驾驶数据段；所述标准驾驶数据段包括标准直行驾驶数据段和/
或标准转弯驾驶数据段；
[0134]
基于所述最优滑窗尺寸、第一转换公式、第二转换公式，将若干直行行驶路段中的任一直行行驶路段分割为若干标准直行驾驶数据段；
[0135]
基于所述最优滑窗尺寸、第一转换公式、第二转换公式，将若干直行行驶路段中的任一转弯行驶路段分割为若干标准转弯驾驶数据段；
[0136]
将标准驾驶数据段对应的性质变量数据、语义变量数据构造统计特征；所述统计特征包括平均值、标准差、最小值、切尾均值、四分位差值、绝对中位差、绝对中位差、第5，10，25，75，90，95百分位数值、中位数、最大值；
[0137]
将所述统计特征通过主成分分析法进行特征提取，选择方差解释率超过95％为最优特征集；所述最优特征集包括直行最优直行特征集和/或最优转弯特征集；
[0138]
依据所述最优特征集通过gmm模型对标准驾驶数据段进行聚类，得到不同类别的标准直行驾驶数据段和/转弯驾驶数据段。
[0139]
对聚类后各类标准直行驾驶数据段、标准转弯驾驶数据段同时赋予物理意义；
[0140]
计算聚类后的各类标准直行驾驶数据段、标准转弯驾驶数据段对应的平均值；
[0141]
所述标识过程为：基于聚类后的各类标准直行驾驶数据段、标准转弯驾驶数据段对应的平均值通过标识方法对各类别的标准驾驶数据段进行标识，同时赋予物理意义。
[0142]
将所述直行驾驶数据段聚类为：3类；将所述转弯驾驶数据段聚类为：3类。
[0143]
将所述驾驶数据段聚类为：直行类别1、直行类别2、直行类别3、转弯类别1、转弯类别2、转弯类别3；
[0144]
所述标识方法为：
[0145]
确认速度性质变量对应的平均值阈值vw，优选vw为100m2/s；确认速度语义变量的平均值阈值vs，优选vs为10m/s；确认纵向加速度性质变量的平均值阈值
ɑ
x
w，优选
ɑ
x
w为5m2/s3；确认纵向加速度语义变量的平均值阈值
ɑ
x
s，优选为-1≤
ɑ
x
s≤1m/s2；确认侧向加速度性质变量的平均值的阈值
ɑyw，优选
ɑyw为1m2/s3；确认侧向加速度语义变量的平均值的阈值
ɑys，优选为-0.1≤
ɑys≤0.1m/s2；确认加加速度性质变量的平均值的阈值jerkw，优选为jerkw为5m2/s5；确认加加速度语义变量的平均值的阈值jerks，优选为-0.5≤jerks≤0.5m/s3；
[0146]
直行类别1对应的标准直行驾驶数据段的统计特征如下：
[0147]
所述速度性质变量对应的平均值小于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值在阈值
ɑ
x
s范围内，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值在阈值
ɑys范围内，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0148]
直行类别2对应的标准直行驾驶数据段的统计特征如下：
[0149]
所述速度性质变量对应的平均值大于vw，所述速度语义变量对应的平均值小于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值在阈值
ɑ
x
s范围内，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值在阈值
ɑys范围内，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0150]
直行类别3对应的标准直行驾驶数据段的统计特征如下：
[0151]
所述速度性质变量对应的平均值小于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值大于
ɑ
x
w，纵向加速度语义变量对应的平均值小于阈值
ɑ
x
s(既小于阈值
ɑ
x
s范围内的最小值)，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值在阈值
ɑys范围内，加加速度性质变量的平均值大于jerkw，加加速度语义变量的平均值大于阈值jerks(既大于阈值jerks范围内的最大值)；
[0152]
转弯类别1对应的标准转弯驾驶数据段的统计特征如下：
[0153]
所述速度性质变量对应的平均值小于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值小于阈值
ɑ
x
s(既小于阈值
ɑ
x
s范围内的最小值)，侧向加速度性质变量对应的平均值大于
ɑyw，侧向加速度语义变量对应的平均值小于阈值(既小于阈值
ɑys范围内的最小值)，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0154]
转弯类别2对应的标准转弯驾驶数据段的统计特征如下：
[0155]
所述速度性质变量对应的平均值大于vw，所述速度语义变量对应的平均值大于vs，所述纵向加速度性质变量对应的平均值大于
ɑ
x
w，纵向加速度语义变量对应的平均值小于阈值
ɑ
x
s(既小于阈值
ɑ
x
s范围内的最小值)，侧向加速度性质变量对应的平均值大于
ɑyw，侧向加速度语义变量对应的平均值小于阈值(既小于阈值
ɑys范围内的最小值)，加加速度性质变量的平均值大于jerkw，加加速度语义变量的平均值大于阈值jerks(既大于阈值jerks范围内的最大值)；
[0156]
转弯类别3对应的标准转弯驾驶数据段的统计特征如下：
[0157]
所述速度性质变量对应的平均值大于vw，所述速度语义变量对应的平均值大小于vs，所述纵向加速度性质变量对应的平均值小于
ɑ
x
w，纵向加速度语义变量对应的平均值在阈值
ɑ
x
s范围内，侧向加速度性质变量对应的平均值小于
ɑyw，侧向加速度语义变量对应的平均值阈值
ɑys范围内，加加速度性质变量的平均值小于jerkw，加加速度语义变量的平均值在阈值jerks范围内；
[0158]
所述直行类别1、直行类别2、直行类别3、转弯类别1、转弯类别2、转弯类别3赋予物理意义过程如下：
[0159]
直行类别1的物理意义：
[0160]
直行类别1：高速、匀速驾驶同时，速度跟随好，且燃油经济性好，舒适性好，低侧移且侧向稳定性好；
[0161]
直行类别2：低速、匀速驾驶同时，速度跟随性差，且燃油经济性好，舒适性好，低侧移且侧向稳定性好；
[0162]
直行类别3：高速、急减速驾驶同时，速度跟随好，且燃油经济性差，舒适性差，低侧移且侧向稳定很差；
[0163]
标准转弯驾驶数据段分为转弯类别1、转弯类别2、转弯类别3；
[0164]
转弯类别1：高速、匀速驾驶同时，速度跟随好，且燃油经济性好、舒适性好、高侧移且侧向稳定性差；
[0165]
转弯类别2：高速、急减速驾驶同时，速度跟随性差，且燃油经济性差、舒适性差、高侧移且侧向稳定性差；
[0166]
转弯类别3：低速、匀速驾驶同时，速度跟随差，且燃油经济性好、舒适性好、低侧移且侧向稳定很好。
[0167]
图6所示，图6为直行类别1、直行类别2、直行类别3对应的性质变量数据、语义变量数据构造统计特征表格；
[0168]
图7所示，图7为转弯类别1、转弯类别2、转弯类别3对应的性质变量数据、语义变量数据构造统计特征表格；
[0169]
图8所示，图8为直行路段聚类为直行类别1、直行类别2、直行类别3的示例图；
[0170]
图9所示，图9为转弯路段聚类为转弯类别1、转弯类别2、转弯类别3的示例图。
[0171]
以上结合具体实施方式对本发明进行了说明，这些具体实施方式仅仅是示例性的，不能以此限定本发明的保护范围，本领域技术人员在不脱离本发明实质的前提下可以进行各种修改、变化或替换。因此，根据本发明所作的各种等同变化，仍属于本发明所涵盖的范围。