一种驾驶风格识别方法、系统及存储介质

1.本技术属于辅助驾驶技术领域，具体涉及一种驾驶风格识别方法、系统及存储介质。

背景技术：

2.道路上不同的驾驶员有不同的驾驶风格，如激进型、正常型和保守型等，而驾驶风格与驾驶行为特别密切相关，对驾驶辅助技术而言，十分有必要建立驾驶风格识别模型，来准确地识别驾驶员的驾驶风格。目前的驾驶风格识别方法，往往认为驾驶员的驾驶风格是一成不变的。实际上，驾驶风格会随着交通环境、驾驶行为的变化而发生改变，而现有驾驶风格识别方法大多并未考虑此，导致识别结果具有片面性且不够准确。
3.例如公布号cn 114655227a的中国专利申请，其公开的驾驶风格识别方法，包括：获取目标车辆在连续的各时刻的各特征向量值，所述特征向量用于表示目标车辆的瞬时驾驶状态；其中，所述特征向量包括用于表示目标车辆与其相关对象之间状态的状态特征；对所述各特征向量值，以连续的n个值为一个采样单位进行采样，获得多个样本；其中，所述n为预设值；根据所述多个样本确定所述目标车辆的驾驶风格。该专利申请在识别驾驶风格时就没有考虑交通环境和驾驶行为的影响。

技术实现要素：

4.鉴于现有技术的以上问题，本技术提供一种驾驶风格识别方法、系统及存储介质，本技术考虑到不同车流密度和驾驶行为的影响，先判断驾驶员在不同车流密度和不同驾驶行为下的驾驶风格，再融合所识别的各驾驶风格，从而获得更全面的驾驶风格识别结果。
5.为达到上述目的，本技术第一方面提供一种驾驶风格识别方法，包括：
6.s100：获取不同驾驶员在不同车流密度驾驶场景下的驾驶数据，所述驾驶数据包括驾驶操纵数据和车辆行驶数据；
7.s200：对驾驶数据进行采样获得样本集，利用样本集构建驾驶风格识别模型；
8.所述利用样本集构建驾驶风格识别模型，包括样本集的预处理以及模型训练；
9.其中样本集的预处理包括：根据驾驶数据识别样本的驾驶行为；提取与样本驾驶行为相关的特征参数；将相同车流密度下相同驾驶行为的样本作为一子样本集；
10.模型训练包括：对各子样本集分别聚类得聚类集，分析各集中心的特征参数数值，得各集的驾驶风格；将驾驶风格作为集样本的分类标签，用各子样本集分别训练随机森林模型，得各车流密度下各驾驶行为对应的驾驶风格识别模型；
11.s300：采用驾驶风格识别模型识别待测驾驶员的驾驶风格。
12.在一些具体实施方式中，驾驶操纵数据包括加速操作的参数数据、制动操作的参数数据、方向盘操作的参数数据。
13.在一些具体实施方式中，驾驶行为包括同道加速行为、同道制动行为和换道行为；且所述根据驾驶数据识别样本的驾驶行为，包括：
14.根据方向盘操作的参数数据判断方向盘转角是否与换道行为相符，且根据车辆行驶数据中的横向换道距离判断是否与换道行为相符，若均是，则判断为换道行为；
15.根据加速操作的参数数据判断是否使用加速踏板，且根据方向盘操作的参数数据判断方向盘转角是否与同道加速行为相符，且根据车辆行驶数据判断纵向加速度是否大于0，若均是，则判断为同道加速行为；
16.根据制动操作的参数数据判断是否使用制动踏板，且根据方向盘操作的参数数据判断方向盘转角是否与同道制动行为相符，且根据车辆行驶数据判断纵向加速度是否小于0，若均是，则判断为同道制动行为；
17.不属于上述三种任一驾驶行为的样本则舍弃。
18.在一些具体实施方式中，对各样本提取与样本驾驶行为相关的特征参数，包括：
19.对同道加速行为样本，提取加速操作的参数、方向盘操作的参数以及车辆行驶数据作为特征参数；
20.对同道制动行为样本，提取制动操作的参数、方向盘操作的参数以及车辆行驶数据作为特征参数；
21.对换道行为样本，提取方向盘操作的参数以及车辆行驶数据作为特征参数。
22.在一些具体实施方式中，对各样本提取与样本驾驶行为相关的特征参数，包括：
23.首先对各样本初步选取与样本驾驶行为相关的特征参数；对样本的各特征参数分别进行统计学计算获得统计学参数，将统计学参数作为样本最终的特征参数。
24.在一些具体实施方式中，在执行子步骤s230先，利用主成分分析法对特征参数进行重组和降维。
25.在一些具体实施方式中，采用驾驶风格识别模型识别待测驾驶员的驾驶风格，包括：
26.对待测驾驶员在不同车流密度驾驶场景下的驾驶数据进行采样获得测试样本集；采用步骤s200中样本集的预处理方法对测试样本集进行预处理，获得测试样本的子样本集；采用相应的驾驶风格识别模型对测试样本的子样本集进行驾驶风格识别；根据识别结果，统计待测驾驶员各类驾驶风格的占比，占比最大的驾驶风格即主偏驾驶风格。
27.本技术第二方面提供一种驾驶风格识别系统，包括：
28.驾驶数据获取模块，用来获取不同驾驶员在不同车流密度驾驶场景下的驾驶数据，所述驾驶数据包括驾驶操纵数据和车辆行驶数据；
29.模型构建模块，用来对驾驶数据进行采样获得样本集，利用样本集构建驾驶风格识别模型；
30.所述模型构建模块还包括预处理子模块和模型训练子模块；其中：
31.预处理子模块，用来根据驾驶数据识别样本的驾驶行为；提取与样本驾驶行为相关的特征参数；将相同车流密度下相同驾驶行为的样本作为一子样本集；
32.模型训练子模块，用来对各子样本集分别聚类得聚类集，分析各集中心的特征参数数值，得各集的驾驶风格；将驾驶风格作为集样本的分类标签，用各子样本集分别训练随机森林模型，得各车流密度下各驾驶行为对应的驾驶风格识别模型；
33.驾驶风格识别模块，用来采用驾驶风格识别模型识别待测驾驶员的驾驶风格。
34.本技术第三方面提供一种存储介质，所述存储介质上存储计算机程序，所述计算
机程序被处理器执行时实现上述方法。
35.与现有技术相比，本技术具有如下优点和有益效果：
36.1、本技术针对针对不同车流密度下不同驾驶行为分别构建对应的驾驶风格识别模型，识别精度得到显著提升，可以更准确地获得驾驶员的驾驶风格。
37.2、本技术可获得驾驶员的综合驾驶风格，可以更准确更全面的实现驾驶风格识别，有利于提高驾驶辅助技术的适应性。
附图说明
38.图1为本技术流程图；
39.图2为本技术实施例中构建驾驶风格识别模型的流程图；
40.图3为实施例中车流密度40％下不同驾驶行为对应的识别模型的识别精度，其中，图(a)-(c)分别对应同道加速行为、同道制动行为和换道行为；
41.图4为实施例中车流密度70％下不同驾驶行为对应的识别模型的识别精度，其中，图(a)-(c)分别对应同道加速行为、同道制动行为和换道行为；
42.图5为实施例中车流密度100％下不同驾驶行为对应的识别模型的识别精度，其中，图(a)-(c)分别对应同道加速行为、同道制动行为和换道行为。
具体实施方式
43.下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.下面将提供本技术的一实施例。本实施例采用罗技驾驶模拟器和场景模拟软件prescan搭建的环仿真实验平台进行模拟实验，具体步骤如下：
45.s100：获取不同驾驶员在不同车流密度驾驶场景下的驾驶数据，所述驾驶数据包括驾驶操纵数据和车辆行驶数据。
46.在本实施例中，采用环仿真实验平台进行驾驶模拟，从而采集驾驶数据。具体地，利用场景模拟软件prescan重现仿真的驾驶场景，驾驶场景来源根据美国nigsim数据的部分车辆数据进行复现，可提供更真实客观的驾驶场景；驾驶员利用驾驶模拟器进行模拟驾驶，利用matlab中simulink采集驾驶员的驾驶数据。
47.本技术中，驾驶操纵数据至少包括加速操作的参数、制动操作的参数、方向盘操作的参数。本实施例中，加速操作的参数至少包括加速踏板百分比以及加速踏板百分比变化率；制动操作的参数至少包括制动踏板压力以及制动踏板压力变化率；方向盘操作的参数至少包括方向盘转角以及方向盘转角变化率。本实施例中，车辆行驶数据至少包括速度、加速度、横摆角速度、换道时间、横向换道距离、纵向换道距离。
48.本技术中，考虑到车流密度会影响驾驶员的驾驶风格，故选取不同车流密度的驾驶场景分别进行驾驶模拟，从而获取驾驶员在不同车流密度下的驾驶数据和车辆行驶数据。
49.本技术中考虑到车流密度与时间段密切关联，故从nigsim数据集中选取i-80公路
数据，从i-180公路数据中选取车流密度差异明显的三个时间段所对应的数据片段，分别代表不同车流密度的车辆数据，将不同车流密度的车辆数据复现，获得不同车流密度的仿真驾驶场景。车辆数据至少包括车辆的速度和轨迹，可用来复现仿真的驾驶场景。
50.下面将提供本实施例中选取数据片段的具体方法，显然选取数据片段的方法并不限于下述方法。在本实施例中，先确定车流密度，再根据车流密度反选出与车流密度对应的时间段，获得时间段对应的数据片段，即代表不同车流密度道路的车辆数据。
51.具体的，从nigsim的i-80公路车辆数据中获取三个时间段下目标区域600-900英尺区间1-3车道的车辆数据，本实施例中三个时间段为：下午4:00-4:15，下午5:00-5:15，下午5:15-5:30；根据所获取的车辆数据分别计算三个时间段内的车流密度。本实施例中以300英尺作为单位长度计算车流密度，即车流密度为每一秒在300英尺道路上的车辆数。
52.根据本实施例所计算的车流密度可知，下午5:15-5:30时段目标区域600-900英尺这段道路最拥堵。出下午5:15-5:30时段中车流密度最大值所在的一段时间，计算该一段时间车流密度的平均值，为0.06-0.07，将该一段时间的相对车流密度记为100％，该一段时间作为所选取的第一个时间段。
53.为体现道路拥挤的积累过程，故所选取的时间段除了应具有差异性明显的车流密度外，且车流密度还应逐渐渐增。故本实施例还设计相对车流密度40％、70％的驾驶场景，将0.06-0.07分别乘以40％、70％，反推出相对车流密度40％、70％所对应的车流密度范围分别为0.024-0.028、0.042-0.05。
54.在目标区域600-900英尺道路上，出下午4:00-4:15时段车流密度平均值处于0.024-0.028的一段时间，该一段时间的数据片段即代表相对车流密度为40％的车辆数据。同理，在目标区域600-900英尺道路上，出下午5:00-5:15时段车流密度平均值处于0.042-0.05的一段时间，该一段时间的数据片段即代表相对车流密度为70％的车辆数据。
55.基于所选相对车流密度分别为40％、70％、100％的车辆数据，利用场景模拟软件prescan分别模拟驾驶场景，即代表不同车流密度的驾驶场景。针对具有两年以上驾驶经验的30名驾驶员，驾驶员通过操纵驾驶模拟器的方向盘、加速踏板、制动踏板，在每个驾驶场景分别做两次有效模拟驾驶实验，当模拟驾驶过程中碰撞到其他车辆，则为无效模拟驾驶实验，需要重新进行模拟驾驶实验。利用simulink导出驾驶员操控驾驶模拟器的驾驶数据，每位驾驶员分别在三个驾驶场景中各做两次有效模拟驾驶实验，故本实施例最终采集到180组驾驶数据。
56.s200：对驾驶数据进行采样获得样本数据集，利用样本数据集构建驾驶风格识别模型。此处采样是以预设时间作为采样单位进行采样，采样样本构成样本数据集。
57.图2所示为本技术构建驾驶风格识别模型的流程图，下面将结合图2提供本步骤的具体实施过程。
58.s210：对样本数据集中各样本分别进行驾驶行为划分。
59.本技术除了考虑车流密度对驾驶风格的影响外，同时还考虑驾驶行为的影响，在不同的驾驶行为下同样也会影响驾驶员的驾驶风格。本技术实施例中，将驾驶行为划分为同道加速行为、同道制动行为和换道行为三种。
60.在构建模型前先根据样本对应的驾驶数据对各样本分别进行驾驶行为划分。具体地，根据是否使用加速踏板以及纵向加速度值、方向盘转角值来确定是否为同道加速行为；
根据是否使用制动踏板以及纵向加速度值、方向盘转角值来确定是否为同道制动行为；根据横向换道距离值和方向盘转角值确定是否为换道行为。
61.本实施例中对各样本分别执行如下流程来划分驾驶行为：
62.判断是否同时满足2m＜y＜6m且25
°
＜|s|＜230
°
，若是，则判断为换道行为；否则，继续下一步判断；
63.继续判断是否同时满足ax＞0且0＜|s|＜33
°
且app＞0，若是，则判断为同道加速行为，否则，继续下一步判断；
64.继续判断是否同时满足ax＜0且0＜|s|＜33
°
且bpp＞0，若是，则判断为同道制动行为；否则，舍弃该样本。
65.其中，y代表横向换道距离，|s|代表方向盘转角绝对值，ax代表纵向加速度，app代表加速踏板百分比，bpp代表制动踏板压力。
66.s220：对样本分别提取与样本驾驶行为相关的特征参数。
67.样本数据包括驾驶操纵数据和车辆行驶数据，其中，驾驶操纵数据进一步包括加速操作的参数数据、制动操作的参数数据、方向盘操作的参数数据；车辆行驶数据至少包括速度、加速度、横摆角速度、换道时间、横向换道距离、纵向换道距离。不同的驾驶行为与不同的数据密切相关，故本技术中，为获得更具代表性的特征参数，对属于不同驾驶行为的样本，仅提取与该驾驶行为相关的参数。
68.本实施例中，对换道行为，初步选取的特征参数有：方向盘操作的参数以及车辆行驶数据；具体地，方向盘操作的参数为方向盘转角以及方向盘转角变化率，车辆行驶数据为车速、加速度、横摆角速度、换道时间、横向换道距离、纵向换道距离。对同道加速行为，初步选取的特征参数有：加速操作的参数、方向盘操作的参数以及车辆行驶数据；具体地，加速操作的参数为加速踏板百分比以及加速踏板百分比变化率，方向盘操作的参数为方向盘转角，车辆行驶数据为车速和加速度。对同道制动行为，初步选取的特征参数有：制动操作的参数、方向盘操作的参数以及车辆行驶数据；具体地，制动操作的参数为制动踏板压力以及制动踏板压力变化率，方向盘操作的参数为方向盘转角,车辆行驶数据为车速和加速度。
69.表1三种驾驶行为初步选取的特征参数
[0070][0071]
由于样本时间连续，为便于分析，本技术对样本的特征参数进行统计学计算，以统计学参数作为最终的特征参数，对无法进行统计学计算的特征参数，则采用原始数值。本实施例中使用参数的最大值、最小值、标准值和平均值作为特征参数，并最终获得：换道行为35个特征参数(除换道时间、横向换道距离、纵向换道距离外，其他参数均采用统计学参数表示)，同道加速行为32个特征参数，同道制动行为32个特征参数。
[0072]
当确定三种驾驶行为对应的特征参数后，为获得更具代表性的特征参数，一种优选方案为：利用主成分分析法(pca)对特征参数进行重组和降维，选取累计贡献率最高的若干主成分作为最终的特征参数。本实施例中选取累计贡献率达到90％的前若干个主成分作为最终的特征参数。
[0073]
s230：将相同车流密度下的相同驾驶行为样本作为一子样本集，根据特征参数对各子样本集分别进行聚类。
[0074]
本技术对聚类方法不做限制，但优选采用k均值聚类法进行聚类，本实施例则选择k-means++聚类法。相较于k均值聚类法随机选取初始聚类中心，k-means++聚类法优化了初始聚类中心的选取方式，可获得更好的聚类效果。本技术实施例中有9个子样本集，为：车流密度40％下同道加速行为子样本集，车流密度40％下同道制动行为子样本集，车流密度40％下换道行为子样本集，车流密度70％下同道加速行为子样本集，车流密度70％下同道制动行为子样本集，车流密度70％下换道行为子样本集，车流密度100％下同道加速行为子样本集，车流密度100％下同道制动行为子样本集，车流密度100％下换道行为子样本集。
[0075]
本技术实施例预置激进型、正常型、保守型三类驾驶风格，故将各子样本集分别聚类，获得三个集，各集的聚类中心对应的特征参数见表1-3。参见表1-3，表1所示为不同车流密度下同道加速行为三个集中心对应的特征参数，表2所示为不同车流密度下同道制动行为三个集中心对应的特征参数，表3所示为不同车流密度下换道行为三个集中心对应的特征参数。需要说明的，表1-3中带“mean”、“sd”、“max”、“min”的特征参数分别表示特征参数的平均值、标准值、最大值、最小值。表4所示为表1-3中各特征参数所代表的含义。
[0076]
表1不同车流密度下同道加速行为三个集中心的特征参数
[0077]
[0078][0079]
表2不同车流密度下同道制动行为三个集中心对应的特征参数
[0080]
[0081][0082]
表3不同车流密度下换道行为三个集中心对应的特征参数
[0083]
[0084][0085]
表4各特征参数所代表的含义
[0086]
[0087][0088]
本技术实施例预先设置激进型、正常型和保守型三类驾驶风格。结合表1-3中各集中心的特征参数数值，进行驾驶风格分析。见表1，可以看出app_mean、app_sd、app_max、appr_max、ax_mean、ax_sd、ax_max的聚类效果较明显，因此此处可选择这7个特征参数进行驾驶风格类别分析。在车流密度40％的情况下，上述7个特征参数在第3类中最高，其次是第2类，在第1类中最低。当驾驶员急踩油门时，加速踏板百分比、加速踏板百分比变化率以及加速度相对较大，说明驾驶员的驾驶风格具有激进性。当驾驶员平稳加速时，加速踏板百分比、加速踏板百分比变化率以及加速度相对较小，说明驾驶员的驾驶风格较保守。故分析可得，在车流密度40％的情况下，第1类集的驾驶风格为保守型，第2类为正常型，第3类为激进型。同理，经分析可知，在车流密度70％的情况下，第3类驾驶风格为保守型，第1类为正常型，第2类为激进型；在车流密度100％的情况下，第3类驾驶风格为保守型，第2类为正常型，第1类为激进型。
[0089]
见表2，可以看出在三种车流密度下，bpp_mean、bpp_sd、bpp_max、bppr_max、ax_mean、ax_sd、ax_max聚类效果较明显，因此此处可选择这7个特征参数进行驾驶风格分析。在车流密度40％的情况下，上述7个特征参数的绝对值在第2类中最高，其次是第1类，在第3类中最低。当驾驶员急踩刹车时，制动踏板压力、制动踏板压力变化率以及减速度会相对较大，说明驾驶员的驾驶风格具有激进性。当驾驶员平稳制动时，制动踏板压力、制动踏板压力变化率以及减速度相对较小，说明驾驶员的驾驶风格较保守。故分析可得第3类驾驶风格为保守型，第1类为正常型，第2类为激进型。同理分析，在车流密度70％的情况下，第2类驾驶风格为保守型，第1类为正常型，第3类为激进型。在车流密度100％的情况下，第2类驾驶
风格为保守型，第1类为正常型，第3类为激进型。
[0090]
见表3，从中可以看出，在车流密度40％、70％的情况下，s_max、s_min、wr_sd、wr_max、wr_min、t、x、y聚类效果较明显，因此此处可选择这8个特征参数进行驾驶风格分析。在车流密度40％的情况下，前5个特征参数的绝对值在第3类中最高，其次是第2类，在第1类中最低。此外在第3类中，换道时间最短，横向换道距离最长，纵向换道距离最短。在第1类中，换道时间最长，横向换道距离最短，纵向换道距离最长，第2类介于两者之间。当驾驶员急换道时，方向盘转角，横摆角速度会相对较大，且换道距离的横向距离也会相对较大，纵向距离反而相对较小，整体换道时间也会相对较短，说明驾驶员的驾驶风格具有激进性。当驾驶员平稳换道时，方向盘转角以及横摆角速度相对较小，且换道横向距离也相对较短，换道纵向距离反而相对较大，整体换道时间也相对较长，说明驾驶员的驾驶风格较保守。故分析可得第3类驾驶风格为保守型，第2类为正常型，第1类为激进型。同理分析可知，在车流密度70％的情况下，第2类驾驶风格为保守型，第3类为正常型，第1类为激进型。在车流密度100％的情况下，wr_sd、x、y聚类效果较明显，在第3类中，wr_sd最大，横向换道距离最大，纵向换道距离最小；而在第2类中，wr_sd最小，横向换道距离最小，纵向换道距离最大；第1类介于二者之间。综合考虑换道距离，确定第1类驾驶风格为保守型，第2类为正常型，第3类为激进型。
[0091]
上述聚类结果也进一步证明了车流密度和驾驶行为对驾驶风格的影响。在不同的车流密度和驾驶行为下，驾驶员的驾驶数据存在差异。在不同车流密度的直道下，当车流密度小，即周围车辆少，车辆的加速空间更大，那么驾驶员踩加速踏板的百分比也会相应变大；当车流密度大，即周围车辆多，车辆加速、制动的空间缩小，驾驶员踩加速踏板的百分比相应变小，踩制动踏板的压力反而增大。所以存在现象：当车流密度小时，驾驶员的驾驶风格是激进型；而在车流密度大时又为保守型。因此现有技术中仅按固定车流密度下的驾驶风格去评判驾驶员，是片面和单一的。
[0092]
同理，在不同的驾驶行为中，驾驶员对加速踏板、制动踏板、方向盘的操纵数据也有差异，存在现象：处于同道加速行为或同道制动行为时，驾驶员的驾驶风格是激进型，而处于换道行为时又为保守型。由于驾驶员在不同的驾驶行为间会发生驾驶风格的改变，所以有必要对不同驾驶行为进行划分，再针对不同驾驶行为分别选取各自更具代表性的特征参数，避免丧失有特征的驾驶数据，从而忽略驾驶员在不同驾驶行为之间驾驶风格的变化。
[0093]
s240：采用随机森林法构建驾驶风格识别模型。
[0094]
随机森林法是利用多棵树对样本进行训练并预测的一种分类器，可处理高维度数据，且无需做特征选择。本技术选择随机森林模型构建驾驶风格识别模型。将子步骤s230所得聚类结果作为各样本的分类标签，同样地，将相同车流密度下的相同驾驶行为样本作为一子样本集，分别训练随机森林模型，获得不同车流密度下不同驾驶行为对应的驾驶风格识别模型。
[0095]
本实施例中，从子样本集中选取部分样本作为训练样本，剩余样本作为测试样本。利用k折交叉验证法验证所构建驾驶风格识别模型的识别精度，验证的识别正确率见图3-5，正确率的平均值见表5。由表5可知，针对不同车流密度和不同驾驶行为建立的9个驾驶风格识别模型，识别正确率均很高，说明本技术构建的驾驶风格识别模型可有效识别驾驶员的驾驶风格。
[0096]
表5不同车流密度和不同驾驶行为所构建驾驶风格识别模型的识别正确率
[0097] 同道加速行为同道减速行为换道行为车流密度40％93.14％90.25％91.61％车流密度70％92.26％93.41％91.36％车流密度100％93.71％93.11％95.53％
[0098]
s300：采用驾驶风格识别模型识别待测驾驶员的驾驶风格。
[0099]
本技术中采用驾驶风格识别模型识别待测驾驶员的驾驶风格，包括：
[0100]
对待测驾驶员在不同车流密度驾驶场景下的驾驶数据进行采样获得测试样本集；采用步骤s200中样本集的预处理方法对测试样本集进行预处理，获得测试样本的子样本集；采用相应的驾驶风格识别模型对测试样本的子样本集进行驾驶风格识别；根据识别结果，统计待测驾驶员各类驾驶风格的占比，占比最大的驾驶风格即主偏驾驶风格。
[0101]
举例说明，对待测驾驶员在车流密度40％下的驾驶数据，先对驾驶数据依次进行采样、识别测试样本驾驶行为、根据驾驶行为提取测试样本的特征参数、将相同驾驶行为的测试样本作为一子样本集。采用车流密度40％下同道加速行为、同道制动行为和换道行为对应的驾驶风格识别模型，分别对相应的子样本集进行识别。识别出：m次同道加速行为中，该待测驾驶员有m1次识别为保守型，m2次识别为正常型，m3次识别为激进型；n次同道制动行为中，n1次识别为保守型，n2次识别为正常型，n3次识别为激进型；k次换道行为中，k1次识别为保守型，k2次识别为正常型，k2次识别为激进型。分别统计各类驾驶风格的占比：保守型占比为(m1+n1+k1)/(m+n+k)，正常型占比(m2+n2+k2)/(m+n+k)，激进型占比(m3+n3+k3)/(m+n+k)，占比最大的驾驶风格即待测驾驶员的主偏驾驶风格。
[0102]
为验证本技术模型考虑车流密度的必要性，提供如下对比实验。
[0103]
采用车流密度40％下同道加速行为的样本所训练得到的驾驶风格识别模型，分别对车流密度70％和100％下同道加速行为的样本进行驾驶风格识别，识别的正确率见表6。从表6可以看出，采用固定车流密度下样本所训练得到的驾驶风格识别模型，其适应性较差，难以准确识别驾驶风格。
[0104]
表6固定车流密度下建立的驾驶风格识别模型的识别正确率
[0105][0106]
发明人认为主要原因为：在不同车流密度下驾驶员操纵车辆的驾驶数据的梯度区间不同。以换道行为为例进行说明，在车流密度100％的情况下，三种驾驶风格的方向盘转角都大于车流密度40％、70％下的，且在不同车流密度间存在驾驶数据梯度区间相交的情况，这样会导致某一换道行为在车流密度100％的情况下属于正常型，而在车流密度为70％的情况下，此换道行为就为激进型，这样就会导致识别精度的降低。如果不考虑车流密度对驾驶风格的影响，就会造成每一类别数据梯度过大，会导致识别结果总聚集在某一类中，导致聚类效果不好，从而间接影响模型的建立。本技术针对不同车流密度进行划分，可有效减小每一类别的数据梯度区间的大小，使识别结果更加精准。
[0107]
同时本技术也考虑了驾驶行为对驾驶风格的影响，为验证本技术考虑驾驶行为的必要性，提供如下对比实验。
[0108]
不考虑驾驶行为，采用车流密度40％下的样本训练驾驶风格识别模型，采用所训练的驾驶风格识别模型对其中3名驾驶员在车流密度40％下的驾驶数据样本进行驾驶风格识别。同时采用本实施例中构建的车流密度40％对应的驾驶风格识别模型，对该3名驾驶员在车流密度40％下的驾驶数据样本进行驾驶风格识别，识别正确率见表7。
[0109]
表7考虑与未考虑驾驶行为的驾驶风格识别模型的识别正确率
[0110][0111]
本技术构建的驾驶风格识别模型将同道加速行为、同道制动行为、换道行为分开识别，识别出驾驶员有m次同道加速行为，其中，m1次属于保守型，m2次属于正常型，m3次属于激进型；n次同道制动行为，其中，n1次属于保守型，n2次属于正常型，n3次属于激进型；k次换道行为，其中，k1次属于保守型，k2次属于正常型，k2次属于激进型。计算各类驾驶风格的占比，保守型占比为(m1+n1+k1)/(m+n+k)，正常型占比为(m2+n2+k2)/(m+n+k)，激进型占比为(m3+n3+k3)/(m+n+k)，占比最大的驾驶风格即驾驶员的主偏驾驶风格。
[0112]
从表7可以看出，对于驾驶员1号，两种模型识别结果一致，均识别为激进型。对于驾驶员2号，未考虑驾驶行为的模型识别结果是激进型，而本技术识别出驾驶员2号的7次同道加速行为中，2次属于保守型，2次属于正常型，3次属于激进型；6次同道制动行为中，3次属于保守型，1次属于正常型，1次属于激进型；5次换道行为中，1次属于保守型，2次属于正常型，1次属于激进型；最终计算各类驾驶风格的占比，可知驾驶员2号属于正常偏保守，与未考虑驾驶行为的识别模型结果有差异。同理分析，对于驾驶员3号，两种模型识别结果有差异。
[0113]
从对比实验结果可以看出，未考虑驾驶行为的识别模型，其识别结果单一，只是笼统地将驾驶员的驾驶风格固定到一种，但忽略了驾驶行程中，对于不同的驾驶行为，驾驶员的驾驶风格是会发生变化的事实。即使在同一个车流密度下，驾驶员的驾驶风格也不是一成不变的。此外，前述未考虑驾驶行为的识别模型，其识别准确率仅84.17％，精度更低。发明人认为造成识别精度较低的原因是：在不考虑驾驶行为而建立识别模型时，是将驾驶员一段驾驶行程中的驾驶操纵数据仅利用一组数据代表，这样不仅导致实验数据量少且丧失了很多有特征的驾驶操纵数据。所以将划分驾驶行为加入到建立驾驶风格的识别模型中是非常有必要的。
[0114]
注意，上述仅为本技术的较佳实施例及所运用的技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术的构思的情况
下，还可以包括更多其他等效实施例，均属于本技术的保护范畴。

技术特征：

1.一种驾驶风格识别方法，其特征是，包括：s100：获取不同驾驶员在不同车流密度驾驶场景下的驾驶数据，所述驾驶数据包括驾驶操纵数据和车辆行驶数据；s200：对驾驶数据进行采样获得样本集，利用样本集构建驾驶风格识别模型；所述利用样本集构建驾驶风格识别模型，包括样本集的预处理以及模型训练；其中样本集的预处理包括：根据驾驶数据识别样本的驾驶行为；提取与样本驾驶行为相关的特征参数；将相同车流密度下相同驾驶行为的样本作为一子样本集；模型训练包括：对各子样本集分别聚类得聚类集，分析各集中心的特征参数数值，得各集的驾驶风格；将驾驶风格作为集样本的分类标签，用各子样本集分别训练随机森林模型，得各车流密度下各驾驶行为对应的驾驶风格识别模型；s300：采用驾驶风格识别模型识别待测驾驶员的驾驶风格。2.如权利要求1所述的一种驾驶风格识别方法，其特征是：所述驾驶操纵数据包括加速操作的参数数据、制动操作的参数数据、方向盘操作的参数数据。3.如权利要求1所述的一种驾驶风格识别方法，其特征是：所述驾驶行为包括同道加速行为、同道制动行为和换道行为；且所述根据驾驶数据识别样本的驾驶行为，包括：根据方向盘操作的参数数据判断方向盘转角是否与换道行为相符，且根据车辆行驶数据中的横向换道距离判断是否与换道行为相符，若均是，则判断为换道行为；根据加速操作的参数数据判断是否使用加速踏板，且根据方向盘操作的参数数据判断方向盘转角是否与同道加速行为相符，且根据车辆行驶数据判断纵向加速度是否大于0，若均是，则判断为同道加速行为；根据制动操作的参数数据判断是否使用制动踏板，且根据方向盘操作的参数数据判断方向盘转角是否与同道制动行为相符，且根据车辆行驶数据判断纵向加速度是否小于0，若均是，则判断为同道制动行为；不属于上述三种任一驾驶行为的样本则舍弃。4.如权利要求1所述的一种驾驶风格识别方法，其特征是：所述对各样本提取与样本驾驶行为相关的特征参数，包括：对同道加速行为样本，提取加速操作的参数、方向盘操作的参数以及车辆行驶数据作为特征参数；对同道制动行为样本，提取制动操作的参数、方向盘操作的参数以及车辆行驶数据作为特征参数；对换道行为样本，提取方向盘操作的参数以及车辆行驶数据作为特征参数。5.如权利要求1所述的一种驾驶风格识别方法，其特征是：所述对各样本提取与样本驾驶行为相关的特征参数，包括：首先对各样本初步选取与样本驾驶行为相关的特征参数；对样本的各特征参数分别进行统计学计算获得统计学参数，将统计学参数作为样本最终的特征参数。6.如权利要求1所述的一种驾驶风格识别方法，其特征是：在执行子步骤s230先，利用主成分分析法对特征参数进行重组和降维。
7.如权利要求1所述的一种驾驶风格识别方法，其特征是：所述采用驾驶风格识别模型识别待测驾驶员的驾驶风格，包括：对待测驾驶员在不同车流密度驾驶场景下的驾驶数据进行采样获得测试样本集；采用步骤s200中样本集的预处理方法对测试样本集进行预处理，获得测试样本的子样本集；采用相应的驾驶风格识别模型对测试样本的子样本集进行驾驶风格识别；根据识别结果，统计待测驾驶员各类驾驶风格的占比，占比最大的驾驶风格即主偏驾驶风格。8.一种驾驶风格识别系统，其特征是，包括：驾驶数据获取模块，用来获取不同驾驶员在不同车流密度驾驶场景下的驾驶数据，所述驾驶数据包括驾驶操纵数据和车辆行驶数据；模型构建模块，用来对驾驶数据进行采样获得样本集，利用样本集构建驾驶风格识别模型；所述模型构建模块还包括预处理子模块和模型训练子模块；其中：预处理子模块，用来根据驾驶数据识别样本的驾驶行为；提取与样本驾驶行为相关的特征参数；将相同车流密度下相同驾驶行为的样本作为一子样本集；模型训练子模块，用来对各子样本集分别聚类得聚类集，分析各集中心的特征参数数值，得各集的驾驶风格；将驾驶风格作为集样本的分类标签，用各子样本集分别训练随机森林模型，得各车流密度下各驾驶行为对应的驾驶风格识别模型；驾驶风格识别模块，用来采用驾驶风格识别模型识别待测驾驶员的驾驶风格。9.一种存储介质，其特征是：所述存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法。

技术总结

本发明公开了一种驾驶风格识别方法、系统及存储介质，该识别方法包括：S100：获取不同驾驶员在不同车流密度驾驶场景下的驾驶数据，所述驾驶数据包括驾驶操纵数据和车辆行驶数据；S200：对驾驶数据进行采样获得样本集，利用样本集构建驾驶风格识别模型，得各车流密度下各驾驶行为对应的驾驶风格识别模型；S300：采用驾驶风格识别模型识别待测驾驶员的驾驶风格。本发明针对不同车流密度和不同驾驶行为建立驾驶风格识别模型，识别精度得到显著提升，可得到更准确更全面的综合驾驶风格。得到更准确更全面的综合驾驶风格。得到更准确更全面的综合驾驶风格。