本發(fā)明涉及摩托車騎行行為分析領(lǐng)域，尤其涉及一種基于摩托車運(yùn)行狀態(tài)的激進(jìn)騎行特征提取方法及裝置。

背景技術(shù)：

1、隨著全球經(jīng)濟(jì)的發(fā)展和消費(fèi)者生活水平的提高，摩托車的消費(fèi)結(jié)構(gòu)也在發(fā)生變化。除了基本的代步功能外，摩托車的休閑，娛樂，競技等多元化用途也越來越受到重視。在享受極致的駕駛體驗(yàn)的同時(shí)，摩托車用戶也常常因?yàn)槲ｋU(xiǎn)激進(jìn)的駕駛行為發(fā)生交通事故。與汽車領(lǐng)域類似，摩托車領(lǐng)域也開始廣泛利用大數(shù)據(jù)技術(shù)對用戶激進(jìn)騎行行為進(jìn)行分析預(yù)測的研究與應(yīng)用。

2、然而摩托車領(lǐng)域智能化起步較晚，現(xiàn)階段針對激進(jìn)騎行行為研究多是與汽車領(lǐng)域類似的建立在變道、跟車等較為簡單的操作特征之上。此類特征常常受到外界環(huán)境的影響，無法全面真實(shí)的反映用戶個人的騎行風(fēng)格是否激進(jìn)。且摩托車操控有其獨(dú)特的專業(yè)性，在騎行過程中產(chǎn)生的數(shù)據(jù)特征也更為復(fù)雜，但同時(shí)也能隱含更多反映用戶騎行習(xí)慣與風(fēng)格的信息。因此建立一套能從摩托車的復(fù)雜操作特征中提取出能有效反映激進(jìn)騎行行為的特征提取方法尤為重要。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于摩托車運(yùn)行狀態(tài)的激進(jìn)騎行特征提取方法及裝置。

2、具體技術(shù)方案如下：

3、一種基于摩托車運(yùn)行狀態(tài)的激進(jìn)騎行特征提取方法，包括以下步驟：

4、s1：收集歷史騎行過程中摩托車的運(yùn)行狀態(tài)數(shù)據(jù)，得到原始數(shù)據(jù)集；所述運(yùn)行狀態(tài)數(shù)據(jù)包括多項(xiàng)騎行特征；對原始數(shù)據(jù)集進(jìn)行預(yù)處理，得到無標(biāo)簽數(shù)據(jù)集；

5、s2：將發(fā)動機(jī)實(shí)際扭矩、油門加速器開度作為參考特征，計(jì)算所述無標(biāo)簽數(shù)據(jù)集中的各項(xiàng)騎行特征與參考特征的相關(guān)性，據(jù)此篩除無標(biāo)簽數(shù)據(jù)集中與激進(jìn)騎行行為無關(guān)的騎行特征，得到潛在有用騎行特征數(shù)據(jù)集；

6、s3：采用滑動窗口法為所述潛在有用騎行特征數(shù)據(jù)集中的運(yùn)行狀態(tài)數(shù)據(jù)構(gòu)建訓(xùn)練標(biāo)簽，得到有標(biāo)簽數(shù)據(jù)集；

7、s4：利用有標(biāo)簽數(shù)據(jù)集訓(xùn)練基于自注意力機(jī)制的transformer模型，得到各項(xiàng)騎行特征對該模型預(yù)測性能的影響系數(shù)，舍去所述影響系數(shù)低于設(shè)定閾值的騎行特征，得到最終的激進(jìn)騎行特征。

8、進(jìn)一步地，所述s1中，運(yùn)行狀態(tài)數(shù)據(jù)的騎行特征包括：上報(bào)時(shí)間、車架號、瞬時(shí)油耗、速度、發(fā)動機(jī)轉(zhuǎn)速、發(fā)動機(jī)實(shí)際扭矩、油門加速器開度、x軸角、行駛總里程。

9、進(jìn)一步地，所述s1中，預(yù)處理具體通過如下子步驟實(shí)現(xiàn)：

10、s1.1：對所述原始數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)性分析，得到統(tǒng)計(jì)性分析結(jié)果；所述統(tǒng)計(jì)性分析包括每一項(xiàng)騎行特征的平均值、最大值、最小值、標(biāo)準(zhǔn)差以及四分位數(shù)；所述統(tǒng)計(jì)性分析結(jié)果包括每一項(xiàng)騎行特征對應(yīng)的數(shù)據(jù)的中心趨勢、分布形態(tài)、離散程度的度量、集中分布范圍；

11、s1.2、基于所述統(tǒng)計(jì)性分析結(jié)果進(jìn)行數(shù)據(jù)清洗：首先刪除所述運(yùn)行狀態(tài)數(shù)據(jù)中含有缺失值的整條上報(bào)記錄，所述整條上報(bào)記錄為所有摩托車車端傳感器單次上傳的所有數(shù)據(jù)；捕獲離群異常值并刪除；

12、s1.3：對s1.2得到的清洗后的運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行時(shí)間戳處理，得到按照摩托車的車架號、上報(bào)時(shí)間的優(yōu)先級順序排列并分組的無標(biāo)簽數(shù)據(jù)集。

13、進(jìn)一步地，所述s1.2中，離群異常值m的表達(dá)式如下：

14、；

15、；

16、式中，q1為四分位數(shù)按從小到大排序后排列在25%位置的數(shù)據(jù)，q3為四分位數(shù)按從小到大排序后排列在75%位置的數(shù)據(jù)，iqr為四分位距。

17、進(jìn)一步地，所述s1.3具體包括以下步驟：

18、s1.3.1、數(shù)據(jù)排序：將清洗后的運(yùn)行狀態(tài)數(shù)據(jù)根據(jù)車架號進(jìn)行降序排序，若存在相同的車架號，則根據(jù)上報(bào)時(shí)間進(jìn)行升序排序；

19、s1.3.2、數(shù)據(jù)分組：計(jì)算排序后相鄰運(yùn)行狀態(tài)數(shù)據(jù)間的上報(bào)時(shí)間差值；設(shè)定時(shí)間差閾值，判斷相鄰運(yùn)行狀態(tài)數(shù)據(jù)的差值是否超過所述時(shí)間差閾值，若是，則將這兩個運(yùn)行狀態(tài)數(shù)據(jù)劃分為不同組，若否，則將這兩個運(yùn)行狀態(tài)數(shù)據(jù)劃分為同一組。

20、進(jìn)一步地，所述s2中，無標(biāo)簽數(shù)據(jù)集中的各項(xiàng)騎行特征與參考特征的相關(guān)性通過皮爾遜相關(guān)系數(shù)體現(xiàn)：分別計(jì)算發(fā)動機(jī)實(shí)際扭矩與各項(xiàng)騎行特征的皮爾遜相關(guān)系數(shù)、油門加速器開度與各項(xiàng)騎行特征的皮爾遜相關(guān)系數(shù)，每項(xiàng)騎行特征的激進(jìn)行為綜合指數(shù)由其與發(fā)動機(jī)實(shí)際扭矩、油門加速器開度的皮爾遜相關(guān)系數(shù)加權(quán)求和得到；若激進(jìn)行為綜合指數(shù)的絕對值在0到0.2之間，則判定該騎行特征與參考特征呈弱相關(guān)，將其從無標(biāo)簽數(shù)據(jù)集中篩除。

21、進(jìn)一步地，所述s3中，通過滑動窗口法構(gòu)建有標(biāo)簽數(shù)據(jù)集，具體通過如下子步驟實(shí)現(xiàn)：

22、s3.1：對每項(xiàng)騎行特征數(shù)據(jù)構(gòu)造數(shù)據(jù)集和標(biāo)簽集，并初始化為空；確定滑動窗口的大小和滑動步長；

23、s3.2：滑動窗口在每項(xiàng)騎行特征的數(shù)據(jù)序列上從索引0開始，以設(shè)定滑動步長進(jìn)行滑動，每次滑動后，從數(shù)據(jù)序列中獲取滑動窗口內(nèi)的數(shù)據(jù)，并將其添加到數(shù)據(jù)集中；通過索引，獲取滑動窗口后的下一個數(shù)據(jù)點(diǎn)，將其作為當(dāng)前滑動窗口內(nèi)數(shù)據(jù)的標(biāo)簽，并添加到標(biāo)簽集中；

24、s3.3：重復(fù)s3.1-s3.2，直到所有騎行特征均完成數(shù)據(jù)集與標(biāo)簽集的添加；

25、s3.4：集合所有數(shù)據(jù)集和標(biāo)簽集，得到有標(biāo)簽數(shù)據(jù)集。

26、進(jìn)一步地，所述s4中，各項(xiàng)騎行特征對該模型預(yù)測性能的影響系數(shù)具體通過如下子步驟得到：

27、s4.1：初始化transformer模型，將有標(biāo)簽數(shù)據(jù)集輸入到transformer模型中進(jìn)行訓(xùn)練，得到包含所有潛在有用騎行特征的基礎(chǔ)模型，并將該基礎(chǔ)模型的均方根誤差作為性能指標(biāo)基準(zhǔn)；

28、s4.2：遍歷有標(biāo)簽數(shù)據(jù)集，逐一移除單項(xiàng)騎行特征，使用更新的有標(biāo)簽數(shù)據(jù)集重新訓(xùn)練transformer模型，并計(jì)算每次移除騎行特征后的均方根誤差；直到完成所有騎行特征都被單獨(dú)排除過一次；

29、s4.3：判斷移除每項(xiàng)騎行特征前后transformer模型的均方根誤差變化是否超過設(shè)定變化閾值，若超過，則認(rèn)為該項(xiàng)騎行特征對transformer模型預(yù)測性能的影響系數(shù)大，反之則認(rèn)為該項(xiàng)騎行特征的影響系數(shù)小；排除影響系數(shù)小的騎行特征，得到最終的激進(jìn)騎行特征。

30、進(jìn)一步地，所述s4中，transformer模型中的自注意力機(jī)制做出的優(yōu)化如下：

31、對于每項(xiàng)騎行特征對應(yīng)的數(shù)據(jù)序列，在計(jì)算序列中每一數(shù)據(jù)點(diǎn) x i與其近鄰數(shù)據(jù)點(diǎn) x j之間的注意力分?jǐn)?shù) score ij后，使用一個注意力優(yōu)化參數(shù) m ij，將 x i注意力限制在與其相鄰的2k個元素范圍內(nèi)，k由人為設(shè)定；

32、 m ij對模型注意力機(jī)制的優(yōu)化表達(dá)式如下：

33、；

34、；

35、式中，opt_scoreij為優(yōu)化后的注意力分?jǐn)?shù)。

36、一種基于摩托車運(yùn)行狀態(tài)的激進(jìn)騎行特征提取裝置，用于實(shí)現(xiàn)所述的基于摩托車運(yùn)行狀態(tài)的激進(jìn)騎行特征提取方法，包括：數(shù)據(jù)獲取單元、數(shù)據(jù)處理單元、特征篩除單元、特征驗(yàn)證單元；

37、所述數(shù)據(jù)獲取單元用于獲取采集到的駕駛過程中摩托車運(yùn)行狀態(tài)數(shù)據(jù)；

38、所述數(shù)據(jù)處理單元用于根據(jù)設(shè)定好的規(guī)則對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)性分析、數(shù)據(jù)清洗以及時(shí)間戳處理；

39、所述特征篩除單元根據(jù)輸入的參考特征，從其余騎行特征中篩除與激進(jìn)騎行行為無關(guān)的騎行特征；

40、所述特征驗(yàn)證單元首先會對數(shù)據(jù)進(jìn)行訓(xùn)練標(biāo)簽的構(gòu)造，接著利用單元中內(nèi)置的基于自注意力機(jī)制的學(xué)習(xí)模型對特征提取單元提取出的特征進(jìn)行驗(yàn)證篩選，并最終輸出反映激進(jìn)騎行行為的關(guān)鍵特征。

41、本發(fā)明的有益效果是：

42、本發(fā)明提出了一種從摩托車運(yùn)行狀態(tài)數(shù)據(jù)中提取出激進(jìn)騎行特征的方法及裝置，能準(zhǔn)確提取出激進(jìn)騎行特征，解決了摩托車操控?cái)?shù)據(jù)特有的復(fù)雜性與專業(yè)性的問題；同時(shí)有助于提高摩托車激進(jìn)騎行行為識別的準(zhǔn)確度，拓展了可用于分析的特征參數(shù)領(lǐng)域，推動摩托車騎行的安全性，減少因激進(jìn)騎行導(dǎo)致的安全事故的發(fā)生。