[go: up one dir, main page]

CN118656633B - 一种在险态场景下驾驶风格的预测方法与装置 - Google Patents

一种在险态场景下驾驶风格的预测方法与装置 Download PDF

Info

Publication number
CN118656633B
CN118656633B CN202411124208.4A CN202411124208A CN118656633B CN 118656633 B CN118656633 B CN 118656633B CN 202411124208 A CN202411124208 A CN 202411124208A CN 118656633 B CN118656633 B CN 118656633B
Authority
CN
China
Prior art keywords
driving style
user
driving
principal component
sample
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
CN202411124208.4A
Other languages
English (en)
Other versions
CN118656633A (zh
Inventor
聂冰冰
秦德通
沈佳杰
李泉
王红
周青
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202411124208.4A priority Critical patent/CN118656633B/zh
Publication of CN118656633A publication Critical patent/CN118656633A/zh
Application granted granted Critical
Publication of CN118656633B publication Critical patent/CN118656633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种在险态场景下驾驶风格的预测方法与装置。该方法包括：对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及用户对应的样本客观驾驶风格；通过第一驾驶风格预测模型，对用户的样本主观驾驶风格、第一主成分数据组和样本客观驾驶风格进行预测处理，得到用户在异常行驶状态下的预测驾驶风格；基于样本驾驶风格和预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过模型优化参数对第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型。采用本方法能够提高在险态场景下对驾驶人的驾驶风格预测的精准度。

Description

一种在险态场景下驾驶风格的预测方法与装置
技术领域
本申请涉及道路交通安全技术领域，特别是涉及一种在险态场景下驾驶风格的预测方法与装置。
背景技术
在汽车智能化水平逐渐提高的过程中，驾驶控制的主体由人逐渐转化为智能驾驶系统。汽车智能化发展的目标是帮助或替代驾驶人实现车辆最优控制和最佳安全防护。在智能汽车实现产业化应用实现无人驾驶之前的长期阶段里，驾驶人与智能驾驶系统将共享车辆控制权和道路使用权。智能驾驶系统应能够适应不同驾驶人或乘员的特性和需求，提高正常驾驶过程的舒适性和效率，更重要是的在危险来临时结合不同驾驶人风格与响应特征提供自适应最优保护。
驾驶风格直接影响驾驶行为和交通安全，在传统技术中，主要通过两种方式来确定驾驶风格：一是基于驾驶人的自报问卷量表，如驾驶行为问卷和驾驶人态度问卷；二是通过车辆的行驶数据来客观分析驾驶风格。
然而，无论是问卷量表的主观分类方法还是基于车辆行驶状态的客观分类方法均关注于正常行驶状态下驾驶人的驾驶风格，未考虑到险态场景下驾驶人风格的易变性。在正常驾驶与险态场景之间，驾驶人的驾驶风格行为可能会有显著不同，传统技术中未能捕捉到这种差异。因此，采用传统技术会影响在险态场景下对驾驶人的驾驶风格预测的精准度。
发明内容
基于此，有必要针对上述技术问题，提供一种在险态场景下驾驶风格的预测方法与装置，能够提高在险态场景下对驾驶人的驾驶风格预测的精准度。
第一方面，本申请提供了一种在险态场景下驾驶风格的预测方法，包括：
对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，所述样本客观数据包括用户响应数据和车辆动力学数据；
通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格；
基于样本驾驶风格和所述预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过所述模型优化参数对所述第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，所述目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格。
在其中一个实施例中，所述第一主成分数据组包括一个或多个第一主成分数据；所述对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，包括：
通过主成分分析算法，对所述样本客观数据进行主成分分析，得到第一主成分数据组；
通过聚类算法以及预设聚类数目，对所述第一主成分数据组进行聚类分析，得到用户的多个第一聚类分组，以及各个第一主成分数据分别在各个第一聚类分组中的分量值；
在各个第一聚类分组之间，将各个第一主成分数据对应的分量值进行比较，得到第一比较结果；根据所述第一比较结果，确定所述用户对应的样本客观驾驶风格。
在其中一个实施例中，所述方法还包括：
获取所述用户的样本主观行为特征数据，并基于预设分类规则对样本主观行为特征数据进行分类，得到所述用户的样本主观驾驶风格。
在其中一个实施例中，所述通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格，包括：
利用独热编码将所述用户的样本主观驾驶风格进行编码处理，得到第一输入特征；利用所述独热编码将所述样本客观驾驶风格进行编码处理，得到第二输入特征；
基于第一激活函数对所述第一输入特征、所述第二输入特征和所述第一主成分数据组中的每个主成分数据进行非线性处理，得到非线性特征；
基于第二激活函数将所述非线性特征在所述输出层进行概率处理，得到在异常行驶状态下的驾驶风格的概率分布；并基于在异常行驶状态下的驾驶风格的概率分布，确定所述用户在异常行驶状态下的预测驾驶风格。
在其中一个实施例中，所述方法还包括：
通过所述主成分分析算法，对在模拟异常行驶状态下的所述用户的避撞决策数据进行主成分分析，得到第二主成分数据组，所述第二主成分数据组包括一个或多个第二主成分数据；
通过所述聚类算法以及所述预设聚类数目，对所述第二主成分数据组进行聚类分析，得到用户的多个第二聚类分组，以及各个第二主成分数据分别在各个第二聚类分组中的分量值；
在各个第二聚类分组之间，将各个第二主成分数据对应的分量值进行比较，得到第二比较结果；并基于所述第二比较结果确定在模拟异常行驶状态下的所述样本驾驶风格。
在其中一个实施例中，所述方法还包括：
获取用户的待预测数据，所述待预测数据包括客观数据、客观驾驶风格和主观驾驶风格；
采用所述目标驾驶风格预测模型对所述客观数据、所述客观驾驶风格和所述主观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的目标驾驶风格。
第二方面，本申请还提供了一种在险态场景下驾驶风格的预测装置，包括：
分析模块，用于对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，所述样本客观数据包括用户响应数据和车辆动力学数据；
预测处理模块，用于通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格；
更新模块，用于基于样本驾驶风格和所述预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过所述模型优化参数对所述第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，所述目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，所述样本客观数据包括用户响应数据和车辆动力学数据；
通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格；
基于样本驾驶风格和所述预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过所述模型优化参数对所述第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，所述目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，所述样本客观数据包括用户响应数据和车辆动力学数据；
通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格；
基于样本驾驶风格和所述预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过所述模型优化参数对所述第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，所述目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，所述样本客观数据包括用户响应数据和车辆动力学数据；
通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格；
基于样本驾驶风格和所述预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过所述模型优化参数对所述第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，所述目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格。
上述在险态场景下驾驶风格的预测方法与装置，通过在第一驾驶风格预测模型中，对用户在正常行驶状态下的主成分数据组、用户对应的样本客观驾驶风格、以及用户的样本主观驾驶风格进行预测处理，得到用户在异常行驶状态下的预测驾驶风格。采用样本驾驶风格和预测驾驶风格计算损失函数，基于损失函数对第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型。采用正常行驶状态下的样本客观数据、样本客观驾驶风格以及主观驾驶风格，预测该用户在异常行驶状态时的驾驶风格，能够将正常行驶状态与潜在的异常行驶状态连接起来。并且基于样本驾驶风格和预测驾驶风格对驾驶风格预测模型进行更新，能有效且安全的获取用户的驾驶风格，基于获取到的驾驶风格对驾驶风格模型进行训练和应用，提高在险态场景下对驾驶人的驾驶风格预测的精准度，从而显著提升用户的驾驶安全与舒适度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对本申请实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为一个实施例中在险态场景下驾驶风格的预测方法的流程示意图；
图2是一个实施例中的驾驶风格预测模型的结构示意图；
图3为一个实施例中在险态场景下驾驶风格的预测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个示例性的实施例中，如图1所示，提供了一种在险态场景下驾驶风格的预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤101、对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及用户对应的样本客观驾驶风格。
其中，用户为驾驶车辆的人，正常行驶状态可以指驾驶环境中没有明显或立即的危险威胁，驾驶条件允许用户按照交通规则和个人驾驶习惯进行平稳行驶的情境，该正常行驶状态通常包括良好的天气条件、顺畅的交通流、明确的道路标志和信号等。样本客观数据可以包括用户响应数据和车辆动力学数据，用户响应数据可以包括但不限于用户的生理信号，例如：注视点、注视时间等眼动信息、脑电信号、脑血氧信号等脑区信息、肌电信号等动作信息以及心电信息等等。车辆动力学数据包括但不限于横向表征、纵向表征和横纵向联合表征的车辆动力学数据，例如，横向表征的车辆动力学数据包括但不限于车辆与道路中心线距离的平均值、车辆与道路中心线距离的标准差、方向盘角速度的标准差、横向加速度最大值、横向加速度标准差；纵向表征的车辆动力学数据包括但不限于纵向速度最大值、纵向速度最大值、纵向加速度最大值、纵向加速度标准差；横纵向联合表征的车辆动力学数据包括但不限于平均车速、加速度变化率的平均值。第一主观成分数据组中的第一主成分数据均表征样本客观数据中对驾驶风格有影响的指标。驾驶风格表征用户在驾驶的过程中的行为模式和行驶习惯，例如，驾驶风格可以包括鲁莽和粗心的驾驶风格、焦虑的驾驶风格、愤怒和敌对的驾驶风格、耐心和小心的驾驶风格等，驾驶风格不仅受个人心理和生理因素的影响，也可能受到环境（交通场景）因素、文化背景和驾驶经验的影响。样本客观驾驶风格可以反映用户的行为模式和行驶习惯，可以根据用户的样本客观数据得到，即真实的反映用户在正常行驶状态下的驾驶风格。
具体地，终端可以实时或在指定的时间周期内采集用户在正常行驶状态下的车辆动力学数据以及用户响应数据。多自由度高保真性驾驶模拟器可以提供模拟的正常行驶状态或其他指定行驶状态的场景，例如，其他指定行驶状态的场景包括异常行驶状态。模拟器中设置数据采集系统，该数据采集系统包括多个传感器，传感器可以采集模拟器中的车辆动力学数据和用户响应数据等。模拟器可以设置每个用户每次模拟的时间。用户每次可以在设定的模拟时间内在该模拟器中模拟正常行驶状态的驾驶，例如，设定的模拟时间为30分钟，用户每次可以在正常行驶状态下模拟30分钟。用户在正常行驶状态的模拟的过程中只需遵守交通规则、符合自己驾驶方式、按照箭头指示道路行驶。在正常行驶状态的模拟过程中能使用户熟悉驾驶模拟器的动力学反馈、以及在正常行驶场景下采集样本客观数据，包括车辆动力学数据与用户响应数据。
具体地，终端可以将不同用户在正常行驶状态下的样本客观数据进行主成分分析，得到第一主成分数据组。终端可以对第一主成分数据组进行聚类分析，得到不同的用户对应的样本客观驾驶风格。
步骤102、通过第一驾驶风格预测模型，对用户的样本主观驾驶风格、第一主成分数据组和样本客观驾驶风格进行预测处理，得到用户在异常行驶状态下的预测驾驶风格。
其中，第一驾驶风格预测模型可以为待训练的驾驶风格预测模型，可以为神经网络模型，神经网络模型可根据数据特征、模型效果替换为随机森林、决策树、K-近邻算法（k-nearest neighbor classification，kNN）模型等机器学习模型，用于基于主观驾驶风格和正常行驶状态的客观驾驶风格以预测在异常行驶状态的预测驾驶风格。样本主观驾驶风格可以为根据主观样本数据确定用户的行为模式和行驶习惯，异常行驶状态为可以是在场景中存在交通冲突源而且随时有可能演化为碰撞事故的交通场景下行驶的状态。样本主观驾驶风格可以包括四种驾驶风格，例如：鲁莽和粗心的驾驶风格、焦虑的驾驶风格、愤怒和敌对的驾驶风格、耐心和小心的驾驶风格。
具体地，终端可以获取不同用户对应的主观驾驶风格。终端通过第一驾驶风格预测模型对建立样本主观驾驶风格、样本客观驾驶风格与异常行驶状态的驾驶风格的映射关系。将样本主观驾驶风格、样本客观驾驶风格以及第一主成分数据组在第一驾驶风格预测模型的进行预测处理，得到用户在异常行驶状态下的预测驾驶风格。
步骤103、基于样本驾驶风格和预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过模型优化参数对第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型。
其中，样本驾驶风格为在模拟异常行驶状态时的用户的驾驶风格。目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格。
具体地，终端可以使用交叉熵损失函数对样本驾驶风格和预测驾驶风格进行计算，得到当前训练时的损失函数，损失函数可以采用以下表达式：
其中，L为损失函数；i为第i类驾驶风格；ti为第i类样本驾驶风格的独热编码；yi为第i类预测驾驶风格的概率值。
具体地，终端可以使用随机梯度下降（Stochastic Gradient Descent，SGD）、自适应学习率（Adaptive Moment Estimation，Adam）等优化器和损失函数对第一驾驶风格预测模型进行参数优化，得到目标驾驶风格模型。
具体地，在模型训练的过程中重复通过损失函数对第一驾驶风格预测模型进行训练得到目标驾驶风格预测模型。终端判断第一驾驶风格预测模型是否满足预设的训练完成条件，在不满足预设的训练完成条件的情况下，基于损失函数和优化器对第一驾驶风格预测模型进行更新，得到更新后的第一驾驶风格预测模型；基于更新后的第一驾驶风格预测模型，重新执行对用户在正常行驶状态下的客观数据进行分析的步骤，直至满足预设的训练完成条件，得到目标驾驶风格预测模型。
具体地，终端还可以根据重复收集到的同一用户的客观驾驶风格、主观驾驶风格对第一驾驶风格预测模型进行训练。终端判断第一驾驶风格预测模型是否满足预设训练条件，例如，当损失函数大于预设训练条件中设定的阈值时，则认定第一驾驶风格预测模型不满足预设的训练完成条件，基于损失函数和优化器对第一驾驶风格预测模型进行更新，得到更新后的第一驾驶风格预测模型。终端基于更新后的第一驾驶更高预测模型，重新对同一用户在正常行驶状态下的客观数据进行分析的步骤，直至满足预设的训练完成条件，得到目标驾驶风格预测模型，实现了连续跟踪同一用户，根据同一用户的客观驾驶风格和主观驾驶风格对第一驾驶风格预测模型进行构建和验证。
上述在险态场景下驾驶风格的预测方法中，采用正常行驶状态下的样本客观数据、样本客观驾驶风格以及样本主观驾驶风格，预测该用户在异常行驶状态时的驾驶风格，能够将正常行驶状态与潜在的异常行驶状态连接起来。并且基于样本驾驶风格和预测驾驶风格对驾驶风格预测模型进行更新，能有效且安全的获取用户的驾驶风格，基于获取到的驾驶风格对驾驶风格模型进行训练和应用，提高在险态场景下对驾驶人的驾驶风格预测的精准度，从而显著提升用户的驾驶安全与舒适度。
在一个示例性的实施例中，对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及用户对应的样本客观驾驶风格，包括：
通过主成分分析算法，对样本客观数据进行主成分分析，得到第一主成分数据组；通过聚类算法以及预设聚类数目，对第一主成分数据组进行聚类分析，得到用户的多个第一聚类分组，以及各个第一主成分数据分别在各个第一聚类分组中的分量值；在各个第一聚类分组之间，将各个第一主成分数据对应的分量值进行比较，得到第一比较结果；根据第一比较结果，确定用户对应的样本客观驾驶风格。
其中，第一主成分数据组包括一个或多个第一主成分数据。聚类算法可以为K均值聚类算法（K-means clustering algorithm，K-means）算法。预设聚类数目与主观驾驶风格的分类数目一致。第一比较结果可以反映每个第一聚类分组之间各个第一主成分数据对应的分量值的大小排列结果。
具体地，终端可以通过收集用户在模拟器中指定时间内的正常行驶状态的样本客观数据。终端通过主成分分析算法（Principal Component Analysis，PCA）对样本客观数据进行主成分分析，得到一种或多种主成分数据。具体地，终端可以将用户的样本客观数据组成的样本集作为主成分分析算法的输入。
样本客观数据的样本集的表达式可以为：
其中，X为样本集，p为p项样本客观数据，n为n组样本客观数据，xij为第i组样本客观数据中的第j项样本客观数据。
终端将xij进行标准化处理；基于标准化处理后的样本客观数据构建协方差矩阵；基于协方差矩阵计算特征值以及相应的正交化单位特征向量；终端根据特征值计算样本客观数据的贡献率以及累计贡献率。当累计贡献率大于预设值或者特征值大于1时，则将该样本数据确定为第一主成分数据，将累计贡献率大于预设值或者特征值大于1的主成分数据确定为第一主成分数据组。
具体地，终端采用K-means算法对第一主成分数据组进行聚类分析，并将驾驶风格分为预设聚类数据进行标注，得到用户的多个第一聚类分组，以及各个第一主成分数据分别在各个第一聚类分组中的分量值。终端在每个第一聚类分组之间，对分量值的大小进行比较，对分量值的大小进行排序，得到第一比较结果。终端可以根据第一比较结果确定用户对应的样本客观驾驶风格，示例性地，将分量值较高的聚类分组认定为第一类驾驶风格等，具体地确定用户对应的样本客观驾驶风格的方式可以根据具体地情况进行确定。
在一个实例中，本实施例通过借助驾驶模拟器及高还原性的仿真环境在保证被试安全的情况下进行用户在正常行驶状态的模拟驾驶，能够采集用户在正常行驶状态的车辆动力学数据和用户响应数据；实现对同一位用户的准确追踪与高效信息采集。另外采用主成分分析算法以及聚类算法实现确定用户的客观驾驶风格，提高确定用户的客观驾驶风格的准确性。
在一个示例性的实施例中，在险态场景下驾驶风格的预测方法还包括：
获取用户的样本主观行为特征数据，并基于预设分类规则对样本主观行为特征数据进行分类，得到用户的样本主观驾驶风格。
具体地，样本主观行为特征数据可以通过驾驶人行为问卷（Driver BehaviorQuestionnaire，DBQ）和驾驶人决策量表（Driver Decision Making Questionnaire，DDMQ）收集。DBQ和DDMQ量表通过多维度的问题来评估驾驶人在特定场景下的行为响应和决策方式。调查问卷中可以包括多个问题，每个问题可以反映影响用户驾驶风格的因素，每个因素代表一种更为具体的行为特征描述，根据不同因素的评分可将驾驶人纳入不同的驾驶风格。终端可以根据用户填写的调查问卷中每个问题的得分，确定用户的样本主观驾驶风格。
示例性地，用户在实验前填写多维驾驶风格量表，如表1所示：该多维度驾驶风格量表，共包含44项，评估四种驾驶风格：鲁莽和粗心的驾驶风格、焦虑的驾驶风格、愤怒和敌对的驾驶风格、耐心和小心的驾驶风格。用户被要求阅读每一项题目，并根据题目与其驾驶时的感觉、想法和行为的契合程度进行评分，评分采用6点量表，范围从“完全不符合（0）”到“非常符合（5）”。44项题目被归入8个因素，每个因素代表一种更为具体的行为特征描述，根据不同因素的评分可将用户纳入不同的驾驶风格。如果一个用户在冒险驾驶和高速驾驶这两个因素上的得分较高，可以推断该用户可能倾向于鲁莽和粗心的驾驶。应理解，上述举例仅用于说明，并不能构成具体限定，可以根据具体的应用场景主观驾驶风格进行分类以及根据实际的场景设计不同的驾驶风格量表，在此不做具体限定。
表1
在一个实例中，通过采用问卷的方式获取用户的主观行为特征数据，以获得用户的主观驾驶风格，能够能加准确的预测用户在异常行驶状态的驾驶风格。
在一个示例性的实施例中，通过第一驾驶风格预测模型，对用户的样本主观驾驶风格、第一主成分数据组和样本客观驾驶风格进行预测处理，得到用户在异常行驶状态下的预测驾驶风格，包括：
利用独热编码将用户的样本主观驾驶风格进行编码处理，得到第一输入特征；利用独热编码将样本客观驾驶风格进行编码处理，得到第二输入特征；基于第一激活函数对第一输入特征、第二输入特征和第一主成分数据组中的每个主成分数据进行非线性处理，得到非线性特征；基于第二激活函数将非线性特征进行概率处理，得到在异常行驶状态下的驾驶风格的概率分布；并基于在异常行驶状态下的驾驶风格的概率分布，确定用户在异常行驶状态下的预测驾驶风格。
其中，第一驾驶风格预测模型可以包括一个输入层、一个或多个隐藏层以及一个输出层，每个隐藏层可以包含任意数量的神经元。第一输入特征可以包括多个输入特征，第一输入特征的个数与主观驾驶风格的分类个数有关。第二输入特征可以包括多个输入特征，第二输入特征的个数与客观驾驶风格的分类个数有关，主观驾驶风格的分类个数与客观驾驶风格的分类个数一致。第一激活函数可以为修正线性单元（Rectified LinearUnit，ReLU）或双曲正切（tanh）激活函数。第二激活函数可以为归一化指数（softmax）激活函数。
具体地，如图2所示，图2是一个实施例中的驾驶风格预测模型的结构示意图。驾驶风格预测模型包括输入层、第一隐藏层、第二隐藏层和输出层。在输入层，采用独热编码（one-hot encoding）将用户的样本主观驾驶风格转化为第一输入特征；采用独热编码将用户的样本客观驾驶风格转化为第一输入特征。输入层将第一输入特征、第二输入特征以及第一主成分数据的特征输入至第一隐藏层中的每个神经元中，并在每个神经元中采用第一激活函数对第一输入特征、第二输入特征以及第一主成分数据的特征进行非线性处理，得到第一非线性特征。并将第一非线性特征发送至第二隐藏层中的每个神经元，在第二隐藏层中的每个神经元中采用第一激活函数对第一非线性特征进行非线性处理，得到非线性特征。第一激活函数的表达式可以为：
其中，h为隐藏层中某一层的输出值；W(h)为隐藏层的权重矩阵；b(h)是隐藏层的偏置向量；x为输入向量，为来自网络前一层或原始输入数据的特征向量；f为激活函数。
第二隐藏层中的每个神经元将非线性特征发送至输出层。输出层中包括4个输出神经元，每个输出神经元表征一个异常行驶状态下的驾驶风格的种类。终端采用第二激活函数对非线性特征进行处理，得到在异常行驶状态下的驾驶风格的概率分布。第二激活函数的表达式可以为：
其中，yi为模型预测输入属于第i类的概率，zi为模型输出层的第i个神经元的输出值，zj为模型输出层的第j个神经元的输出值，为所有的输出神经元的之和，。
终端可以根据在异常行驶状态下的驾驶风格的概率分布的情况，获取概率值最大对应的驾驶风格。示例性地，终端可以对概率分布的概率值进行排序等方法，得到概率值最大对应的驾驶风格，将该驾驶风格作为在异常行驶状态下的驾驶风格。
在一个实例中，本实施例以主观驾驶风格、客观驾驶风格、正常行驶数据的主成分数据为输入，构建驾驶风格预测模型来预测在异常情况下的预测驾驶风格，能够对险态场景下的驾驶人风格进行有效描述和推断，为异常行驶状态下用户的驾驶风格和行为特征的研究提供了新的方案和思路。
在一个示例性的实施例中，在险态场景下驾驶风格的预测方法还包括：
通过主成分分析算法，对在模拟异常行驶状态下的用户的避撞决策数据进行主成分分析，得到第二主成分数据组；通过聚类算法以及预设聚类数目，对第二主成分数据组进行聚类分析，得到用户的多个第二聚类分组，以及各个第二主成分数据分别在各个第二聚类分组中的分量值；在各个第二聚类分组之间，将各个第二主成分数据对应的分量值进行比较，得到第二比较结果；并基于第二比较结果确定在模拟异常行驶状态下的样本驾驶风格。
其中，避撞决策数据可以反映用户在异常行驶状态下的紧急决策过程和反映能力，具体包括感知反应时间（从危险开始到驾驶人开始做出响应的时间）、松油门时间、开始制动时间、制动力最大时间、开始转向时间、左转响应历程（方向盘转角、右转响应历程（方向盘转角）、制动力历程以及避撞行为姿态等等数据。第二主成分数据组包括一个或多个第二主成分数据。
具体地，终端可以实时或在指定的时间周期内采集用户在异常行驶状态下的避撞决策数据。模拟器中设置数据采集系统，该数据采集系统包括多个传感器，传感器可以采集避撞决策数据等。模拟器可以设置每个用户每次模拟的时间。用户每次可以在设定的模拟时间内在该模拟器中模拟异常行驶状态的驾驶，例如，设定的模拟时间为60分钟，用户每次可以在异常行驶状态下模拟60分钟。用户需要在异常行驶状态中正常驾驶车辆的同时，面对突发的异常状态需要做出避撞决策和车辆控制，从而避免碰撞或调整碰撞角度。在异常行驶状态的模拟过程中能使用户熟悉驾驶模拟器的动力学反馈，以及在异常行驶场景下采集避撞决策数据。
具体地，终端通过主成分分析算法（Principal Component Analysis，PCA）对避撞决策数据进行主成分分析，得到一种或多种主成分数据。具体地，终端可以将用户的避撞决策数据组成的样本集作为主成分分析算法的输入。
终端将避撞决策数据进行标准化处理；基于标准化处理后的避撞决策数据构建协方差矩阵；基于协方差矩阵计算特征值以及相应的正交化单位特征向量；终端根据特征值计算避撞决策数据的贡献率以及累计贡献率。当累计贡献率大于预设值或者特征值大于1时，则将该样本数据确定为第二主成分数据，将累计贡献率大于预设值或者特征值大于1的主成分数据确定为第二主成分数据组。
具体地，终端采用K-means算法对第二主成分数据组进行聚类分析，并将驾驶风格分为预设聚类数据进行标注，得到用户的多个第二聚类分组，以及各个第二主成分数据分别在各个第二聚类分组中的分量值。终端在每个第二聚类分组之间，对分量值的大小进行比较，对分量值的大小进行排序，得到第二比较结果。终端可以根据第二比较结果确定用户对应的样本驾驶风格，示例性地，将分量值较高的聚类分组认定为第一类驾驶风格等，具体地确定用户对应的样本驾驶风格的方式可以根据具体地情况进行确定。
在一个示例性的实施例中，在险态场景下驾驶风格的预测方法还包括：
获取用户的待预测数据；采用目标驾驶风格预测模型对客观数据、客观驾驶风格和主观驾驶风格进行预测处理，得到用户在异常行驶状态下的目标驾驶风格。
其中，待预测数据包括客观数据、客观驾驶风格和主观驾驶风格，客观数据可以为用户在实际驾驶过程中的实车中数据采集系统采集的数据。
具体地，终端可以实时或在指定时间周期能采集用户在实际行驶状态下的车辆的数据采集系统的传感器的客观数据。终端将采集的客观数据进行主成分分析得到主成分数据组，将主成分数据组进行聚类分析得到客观驾驶风格。终端获取用户的主观驾驶风格。终端采用目标驾驶风格预测模型对主成分数据组、客观驾驶风格以及主观驾驶风格进行预测处理，得到用户在异常行驶状态下的目标驾驶风格。
在一个实施例中，结合多维驾驶人风格量表（MDSI）和驾驶行为问卷（DBQ）收集的主观数据，以及通过在正常行驶工况下收集的客观数据，用于综合推断险态交通场景下的驾驶风格。目标驾驶风格预测模型能够利用容易获取的正常状态数据来更准确地描绘驾驶人在面对突发危险时的行为特征，为个性化安全系统提供支持。
另外，本实施例考虑实车应用的模型验证与优化，利用驾驶人问卷量表、基于驾驶模拟器的正常行驶数据、险态交互数据建立起险态交通场景下驾驶人风格的推断模型，验证了模型的有效性。考虑到实车应用中难以大量获取用户的险态交互数据但可以获取大量正常行驶数据，因此，模型的设计考虑了从模拟环境到实车应用的迁移策略与可靠性，这确保在实际道路测试中的可行性和安全性，从而提高道路交通安全。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的在险态场景下驾驶风格的预测方法的在险态场景下驾驶风格的预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个在险态场景下驾驶风格的预测装置实施例中的具体限定可以参见上文中对于在险态场景下驾驶风格的预测方法的限定，在此不再赘述。
在一个示例性的实施例中，如图3所示，提供了一种在险态场景下驾驶风格的预测装置的结构示意图，在险态场景下驾驶风格的预测装置30包括：分析模块31、预测处理模块32和更新模块33，其中：
分析模块31，用于对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及用户对应的样本客观驾驶风格，样本客观数据包括用户响应数据和车辆动力学数据；
预测处理模块32，用于通过第一驾驶风格预测模型，对用户的样本主观驾驶风格、第一主成分数据组和样本客观驾驶风格进行预测处理，得到用户在异常行驶状态下的预测驾驶风格；
更新模块33，用于基于样本驾驶风格和预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过模型优化参数对第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格。
在其中一个示例中，第一主成分数据组包括一个或多个第一主成分数据；分析模块31，用于通过主成分分析算法，对样本客观数据进行主成分分析，得到第一主成分数据组；
通过聚类算法以及预设聚类数目，对第一主成分数据组进行聚类分析，得到用户的多个第一聚类分组，以及各个第一主成分数据分别在各个第一聚类分组中的分量值；
在各个第一聚类分组之间，将各个第一主成分数据对应的分量值进行比较，得到第一比较结果；根据第一比较结果，确定用户对应的样本客观驾驶风格。
在其中一个示例中，分析模块31，还用于获取用户的样本主观行为特征数据，并基于预设分类规则对样本主观行为特征数据进行分类，得到用户的样本主观驾驶风格。
在其中一个示例中，预测处理模块32，用于利用独热编码将用户的样本主观驾驶风格进行编码处理，得到第一输入特征；利用独热编码将样本客观驾驶风格进行编码处理，得到第二输入特征；
基于第一激活函数对第一输入特征、第二输入特征和第一主成分数据组中的每个主成分数据进行非线性处理，得到非线性特征；
基于第二激活函数将非线性特征进行概率处理，得到在异常行驶状态下的驾驶风格的概率分布；并基于在异常行驶状态下的驾驶风格的概率分布，确定用户在异常行驶状态下的预测驾驶风格。
在其中一个示例中，预测处理模块32，还用于通过主成分分析算法，对在模拟异常行驶状态下的用户的避撞决策数据进行主成分分析，得到第二主成分数据组，第二主成分数据组包括一个或多个第二主成分数据；
通过聚类算法以及预设聚类数目，对第二主成分数据组进行聚类分析，得到用户的多个第二聚类分组，以及各个第二主成分数据分别在各个第二聚类分组中的分量值；
在各个第二聚类分组之间，将各个第二主成分数据对应的分量值进行比较，得到第二比较结果；并基于第二比较结果确定在模拟异常行驶状态下的样本驾驶风格。
在其中一个示例中，更新模块33，还用于获取用户的待预测数据，待预测数据包括客观数据、客观驾驶风格和主观驾驶风格；
采用目标驾驶风格预测模型对客观数据、客观驾驶风格和主观驾驶风格进行预测处理，得到用户在异常行驶状态下的目标驾驶风格。
上述在险态场景下驾驶风格的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口（Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本主观驾驶风格、第一主成分数据组和样本客观驾驶风格。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种在险态场景下驾驶风格的预测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性存储器和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（Resistive Random Access Memory，ReRAM）、磁变存储器（Magnetoresistive RandomAccess Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器、人工智能（Artificial Intelligence，AI）处理器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (9)

1.一种在险态场景下驾驶风格的预测方法，其特征在于，所述方法包括：
对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，所述样本客观数据包括用户响应数据和车辆动力学数据；
通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格；
基于样本驾驶风格和所述预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过所述模型优化参数对所述第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，所述目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格；
所述通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格，包括：
利用独热编码将所述用户的样本主观驾驶风格进行编码处理，得到第一输入特征；利用所述独热编码将所述样本客观驾驶风格进行编码处理，得到第二输入特征；基于第一激活函数对所述第一输入特征、所述第二输入特征和所述第一主成分数据组中的每个主成分数据进行非线性处理，得到非线性特征；基于第二激活函数将所述非线性特征进行概率处理，得到在异常行驶状态下的驾驶风格的概率分布；并基于在异常行驶状态下的驾驶风格的概率分布，确定所述用户在异常行驶状态下的预测驾驶风格。
2.根据权利要求1所述的方法，其特征在于，所述第一主成分数据组包括一个或多个第一主成分数据；所述对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，包括：
通过主成分分析算法，对所述样本客观数据进行主成分分析，得到第一主成分数据组；
通过聚类算法以及预设聚类数目，对所述第一主成分数据组进行聚类分析，得到用户的多个第一聚类分组，以及各个第一主成分数据分别在各个第一聚类分组中的分量值；
在各个第一聚类分组之间，将各个第一主成分数据对应的分量值进行比较，得到第一比较结果；根据所述第一比较结果，确定所述用户对应的样本客观驾驶风格。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述用户的样本主观行为特征数据，并基于预设分类规则对样本主观行为特征数据进行分类，得到所述用户的样本主观驾驶风格。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
通过所述主成分分析算法，对在模拟异常行驶状态下的所述用户的避撞决策数据进行主成分分析，得到第二主成分数据组，所述第二主成分数据组包括一个或多个第二主成分数据；
通过所述聚类算法以及所述预设聚类数目，对所述第二主成分数据组进行聚类分析，得到用户的多个第二聚类分组，以及各个第二主成分数据分别在各个第二聚类分组中的分量值；
在各个第二聚类分组之间，将各个第二主成分数据对应的分量值进行比较，得到第二比较结果；并基于所述第二比较结果确定在模拟异常行驶状态下的所述样本驾驶风格。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户的待预测数据，所述待预测数据包括客观数据、客观驾驶风格和主观驾驶风格；
采用所述目标驾驶风格预测模型对所述客观数据、所述客观驾驶风格和所述主观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的目标驾驶风格。
6.一种在险态场景下驾驶风格的预测装置，其特征在于，所述装置包括：
分析模块，用于对用户在正常行驶状态下的样本客观数据进行分析，得到第一主成分数据组以及所述用户对应的样本客观驾驶风格，所述样本客观数据包括用户响应数据和车辆动力学数据；
预测处理模块，用于通过第一驾驶风格预测模型，对所述用户的样本主观驾驶风格、所述第一主成分数据组和所述样本客观驾驶风格进行预测处理，得到所述用户在异常行驶状态下的预测驾驶风格；
更新模块，用于基于样本驾驶风格和所述预测驾驶风格计算损失函数，并基于损失函数确定模型优化参数，通过所述模型优化参数对所述第一驾驶风格预测模型进行更新，得到目标驾驶风格预测模型，所述目标驾驶风格预测模型用于生成用户在异常行驶状态下的预测驾驶风格；
所述预测处理模块，具体用于利用独热编码将所述用户的样本主观驾驶风格进行编码处理，得到第一输入特征；利用所述独热编码将所述样本客观驾驶风格进行编码处理，得到第二输入特征；基于第一激活函数对所述第一输入特征、所述第二输入特征和所述第一主成分数据组中的每个主成分数据进行非线性处理，得到非线性特征；基于第二激活函数将所述非线性特征进行概率处理，得到在异常行驶状态下的驾驶风格的概率分布；并基于在异常行驶状态下的驾驶风格的概率分布，确定所述用户在异常行驶状态下的预测驾驶风格。
7.根据权利要求6所述的装置，其特征在于，所述分析模块，还用于通过主成分分析算法，对所述样本客观数据进行主成分分析，得到第一主成分数据组；
通过聚类算法以及预设聚类数目，对所述第一主成分数据组进行聚类分析，得到用户的多个第一聚类分组，以及各个第一主成分数据分别在各个第一聚类分组中的分量值；
在各个第一聚类分组之间，将各个第一主成分数据对应的分量值进行比较，得到第一比较结果；根据所述第一比较结果，确定所述用户对应的样本客观驾驶风格。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202411124208.4A 2024-08-16 2024-08-16 一种在险态场景下驾驶风格的预测方法与装置 Active CN118656633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411124208.4A CN118656633B (zh) 2024-08-16 2024-08-16 一种在险态场景下驾驶风格的预测方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411124208.4A CN118656633B (zh) 2024-08-16 2024-08-16 一种在险态场景下驾驶风格的预测方法与装置

Publications (2)

Publication Number Publication Date
CN118656633A CN118656633A (zh) 2024-09-17
CN118656633B true CN118656633B (zh) 2024-12-24

Family

ID=92699055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411124208.4A Active CN118656633B (zh) 2024-08-16 2024-08-16 一种在险态场景下驾驶风格的预测方法与装置

Country Status (1)

Country Link
CN (1) CN118656633B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120688736B (zh) * 2025-06-10 2026-01-23 重庆大学 一种基于熵权法的驾驶风格识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076989A (zh) * 2023-08-30 2023-11-17 重庆长安汽车股份有限公司 驾驶风格分类方法、装置、计算机设备及其存储介质
CN117985026A (zh) * 2024-02-07 2024-05-07 上汽大众汽车有限公司 一种驾驶风格分析方法、装置及车辆

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240239349A1 (en) * 2023-01-12 2024-07-18 GM Global Technology Operations LLC Mode of experience-based control of a system
CN118439034B (zh) * 2024-07-11 2024-09-24 成都赛力斯科技有限公司 驾驶风格识别方法、装置、计算机设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117076989A (zh) * 2023-08-30 2023-11-17 重庆长安汽车股份有限公司 驾驶风格分类方法、装置、计算机设备及其存储介质
CN117985026A (zh) * 2024-02-07 2024-05-07 上汽大众汽车有限公司 一种驾驶风格分析方法、装置及车辆

Also Published As

Publication number Publication date
CN118656633A (zh) 2024-09-17

Similar Documents

Publication Publication Date Title
Abdelwahab et al. Development of artificial neural network models to predict driver injury severity in traffic accidents at signalized intersections
Bhavsar et al. Machine learning in transportation data analytics
CN114675742B (zh) 一种面向高度自动驾驶的人机决策逻辑在线校验方法
Deng et al. Driving style recognition method using braking characteristics based on hidden Markov model
Chu et al. A review of driving style recognition methods from short-term and long-term perspectives
Dogan et al. Autonomous driving: A comparison of machine learning techniques by means of the prediction of lane change behavior
CN112046489B (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
US11074497B2 (en) Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours
Mantouka et al. Deep reinforcement learning for personalized driving recommendations to mitigate aggressiveness and riskiness: Modeling and impact assessment
Selvaraj et al. An ML-aided reinforcement learning approach for challenging vehicle maneuvers
CN114037015B (zh) 基于驾驶模式原语的驾驶行为安全性分析方法
WO2014009031A2 (en) Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours
CN119312169A (zh) 一种基于多因子分析的运营车辆风险预测方法及平台
CN118656633B (zh) 一种在险态场景下驾驶风格的预测方法与装置
CN111666307A (zh) 根据场景观察进行直觉推断的无人驾驶安全判断系统
KR20230159667A (ko) 인공지능 기반 생성적 설계 방법, 장치 및 컴퓨터프로그램
CN120422604A (zh) 车辆悬架控制方法、装置、计算机设备和可读存储介质
CN118939462A (zh) 汽车自动紧急制动系统性能确定方法、装置、设备及介质
CN113779864B (zh) 面向自动驾驶汽车的运行设计区域构建方法和装置
Zheng et al. Construction of risk spectrum for vehicle stability state based on data-driven
CN118439034B (zh) 驾驶风格识别方法、装置、计算机设备和存储介质
EP2870571B1 (en) Artificial memory system and method for use with a computational machine for interacting with dynamic behaviours
Wang et al. A data-driven estimation of driving style using deep clustering
CN118886544B (zh) 一种水环境水质状态感知与预测方法、装置、设备及介质
CN120171540A (zh) 驾驶员驾驶风格确定方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant