一種基于FCM聚類和BP神經網絡的駕駛行為評價方法與流程
本發明涉及車聯網技術領域，特別涉及一種基于fcm聚類和bp神經網絡的架勢行為評價方法。
背景技術：
近年來，隨著物聯網技術的飛速發展以及車聯網技術的不斷普及，車載終端等車聯網移動設備無時無刻不產生大量的車聯網數據，利用這些設備可以非常方便的實現大規模車輛的監控、調度和遠程管理，從而提高車輛使用效率，方便政府以及企業車輛的管理。
目前，對駕駛速度行為的評價一般是通過一系列的駕駛行為減分單元：急加速減分單元、急減速減分單元、急轉彎減分單元等，根據急加/減速、急轉彎次數等數據進行減分，實現駕駛行為評級分數計算。評價過程的主觀性較強，評價結果不夠科學、準確。
技術實現要素：
本發明的目的在于提供一種基于fcm聚類和bp神經網絡的駕駛速度行為評價方法，以對駕駛行為進行客觀、科學的評價。
為實現以上目的，本發明提供一種基于fcm聚類和bp神經網絡的駕駛行為評價方法，該方法包括：
s1、從車聯網數據庫中查詢樣本車輛的行駛衛星定位信號集合作為樣本數據集；
s2、從樣本數據集中提取樣本車輛的駕駛行為特征參數；
s3、搭建基于hadoop的spark的集群平臺，并將駕駛行為特征參數保存在分布式文件系統hdfs中；
s4、將fcm聚類算法部署在spark平臺上，并根據預設的聚類個數，得到駕駛行為特征參數的聚類結果；
s5、創建bp神經網絡，并將駕駛行為特征參數的聚類結果進行歸一化處理后作為訓練樣本對創建的bp神經網絡進行訓練，得到bp神經網絡模型；
s6、利用bp神經網絡模型，對經歸一化處理后的待評價駕駛行為進行評價。
進一步地，步驟s1，具體包括：
以車牌、起止時間為查詢條件從車聯網數據庫中查詢樣本車輛的行駛衛星定位信號集合。
進一步地，步驟s2中的樣本車輛的駕駛行為特征參數，具體包括：車速超速時間比例、急加速次數、急減速次數以及急轉彎次數。
進一步地，步驟s2，具體包括：
調用高德地圖中的抓路服務api獲取道路最高限速值；
采集車輛在預設時間段內的行駛速度值，并與道路最高限速值進行比較，得到車輛在預設時間段內的車速超速時間比例ov；
根據預設時間段內采集的任意兩個連續的采樣點k-1、k的行駛速度信息，計算車輛在k時刻的加速度值；
根據車輛在k時刻的加速度值、設定的急加速加速度閾值以及設定的急減速的加速度閾值，計算車輛急加速次數act和急減速次數dct；
根據車輛在k時刻的加速度值、設定的急轉彎的速度限值以及設定的行駛方向角改變閾值，計算車輛的急轉彎次數stt。
進一步地，步驟s4，具體包括：
s41、輸入樣本車輛的駕駛行為特征參數，并初始化當前迭代次數、聚類數、聚類中心、迭代停止域及最大迭代次數；
s42、判斷當前迭代次數是否小于最大迭代次數，如果是則執行步驟s43，如果否則執行步驟s45；
s43、更新fcm聚類算法的隸屬度和聚類中心；
s44、判斷fcm聚類算法的目標函數是否滿足收斂條件，如果是則執行步驟s45，如果否則將當前迭代次數加1后執行步驟s42；
s45、輸出駕駛行為特征參數的聚類結果。
進一步地，步驟s43，具體包括：
利用隸屬度更新式對fcm聚類算法的隸屬度進行更新，隸屬度更新式具體為：
利用聚類中心更新式對fcm聚類算法的聚類中心進行更新，聚類中心更新式具體為：
其中，uij為樣本數據集x＝[x1,x2,…,xj,…xn]中第j個樣本數據xj對第i個聚類中心vi的隸屬度，1≤i≤c，1≤j≤n，c為聚類個數，n為樣本數據集中的樣本總數，m為模糊度參數。
進一步地，步驟s44中fcm聚類算法的目標函數為：
d(xj,vi)＝||xj-vi||，
其中，uij∈{0,1}，
與現有技術相比，本發明存在以下技術效果：本發明利用車聯網技術對駕駛行為信息進行提取，通過數據計算分析與挖據，對駕駛行為特征參數進行科學聚類，并將聚類結果作為訓練樣本對創建的bp網絡進行訓練得到bp神經網絡模型，然后通過bp神經網絡模型客觀的對待評估的駕駛行為進行在線評估。建立了車聯網數據、駕駛速度行為特征以及道路安全三者之間的關聯機理，提高了駕駛行為評價的準確性和科學性。
附圖說明
下面結合附圖，對本發明的具體實施方式進行詳細描述：
圖1是本發明一實施例中一種基于fcm聚類和bp神經網絡的駕駛行為評價方法的流程示意圖；
圖2是本發明一實施例中步驟s4的細分步驟的流程示意圖；
圖3是本發明一實施例中利用駕駛行為特征參數聚類結果訓練后的bp神經網絡的結構圖。
具體實施方式
為了更進一步說明本發明的特征，請參閱以下有關本發明的詳細說明與附圖。所附圖僅供參考與說明之用，并非用來對本發明的保護范圍加以限制。
如圖1所示，本實施例公開了一種基于fcm聚類和bp神經網絡的駕駛行為評價方法，該方法包括如下步驟s1至s6：
s1、從車聯網數據庫中查詢樣本車輛的行駛衛星定位信號集合作為樣本數據集；
s2、從樣本數據集中提取樣本車輛的駕駛行為特征參數；
s3、搭建基于hadoop的spark的集群平臺，并將駕駛行為特征參數保存在分布式文件系統hdfs中；
需要說明的是，搭建基于hadoop的spark的集群平臺來運行fcm聚類算法，能極大的提高運算效率。
s4、將fcm聚類算法部署在spark平臺上，并根據預設的聚類個數，得到駕駛行為特征參數的聚類結果；
需要說明的是，該處的預設的聚類個數可以為優、良、合格、差四個等級或者分為其它等級。
s5、創建bp神經網絡，并將駕駛行為特征參數的聚類結果進行歸一化處理后作為訓練樣本對創建的bp神經網絡進行訓練，得到bp神經網絡模型；
s6、利用bp神經網絡模型，對經歸一化處理后的待評價駕駛行為進行評價。
進一步地，步驟s1，具體包括：
以車牌、起止時間為查詢條件從車聯網數據庫中查詢樣本車輛的行駛衛星定位信號集合。
本實施例中以車牌、起止時間為查詢條件，按照周、日、月或季度從車聯網數據庫中查詢出樣本車輛的行駛衛星定位信號集合，每個衛星定位信號包含車牌號、時間、經度、緯度、速度、方向角等6個字段，格式為{car_id,t,longitude,latitude,v，h}。通過對衛星定位信號進行基于車牌號索引的存儲和查詢，提高了查詢效率，進而提高了駕駛行為評價的效率。
進一步地，步驟s2中的樣本車輛的駕駛行為特征參數，具體包括：車速超速時間比例ov、急加速次數act、急減速次數dct以及急轉彎次數stt。
進一步地，步驟s2，具體包括如下細分步驟：
調用高德地圖中的抓路服務api獲取道路最高限速值；
具體地，高德地圖抓路服務api是根據坐標點抓取道路，即根據給定的坐標點、車輛的方位角以及行駛速度，抓取就近的道路，抓取的道路條數與上傳坐標點的數量一致。使用api前需先用戶在高德地圖官網申請key，填寫車輛唯一標識carid，經緯度locations，gps采樣時間time等必填參數。
采集車輛在預設時間段內的行駛速度值，并與道路最高限速值進行比較，得到車輛在預設時間段內的車速超速時間比例ov；
具體地，車速超速時間比例(％)的計算過程為將采集的車輛在一天、一周或者一個月等時間段內的行駛速度值與道路最高限速值進行比較，判斷車輛的行駛速度值是否超速，從而得到車輛在一段時間內的超速次數ovt，車輛超速時間比例為
根據預設時間段內采集的任意兩個連續的采樣點k-1、k的行駛速度信息，計算車輛在k時刻的加速度值；
具體地，車輛在k時刻的加速度值ak為：ak＝(vk-vk-1)/(tk-tk-1)，其中，vk為車輛在k時刻的速度值，vk-1在k-1時刻的速度值，tk為車輛在k時刻的采樣時間，tk-1為車輛在k-1時刻的采樣時間。
根據車輛在k時刻的加速度值、設定的急加速加速度閾值以及設定的急減速的加速度閾值，計算車輛急加速次數act和急減速次數dct；
根據車輛在k時刻的加速度值、設定的急轉彎的速度限值以及設定的行駛方向角改變閾值，計算車輛的急轉彎次數stt。
進一步地，如圖2所示，步驟s4，具體包括如下細分步驟：
s41、輸入樣本車輛的駕駛行為特征參數，并初始化當前迭代次數、聚類數、聚類中心、迭代停止域及最大迭代次數；
s42、判斷當前迭代次數是否小于最大迭代次數，如果是則執行步驟s43，如果否則執行步驟s45；
s43、更新fcm聚類算法的隸屬度和聚類中心；
s44、判斷fcm聚類算法的目標函數是否滿足收斂條件，如果是則執行步驟s45，如果否則將當前迭代次數加1后執行步驟s42；
s45、輸出駕駛行為特征參數的聚類結果。
進一步地，在步驟s43中，具體包括：
利用隸屬度更新式對fcm聚類算法的隸屬度進行更新，隸屬度更新式具體為：
利用聚類中心更新式對fcm聚類算法的聚類中心進行更新，聚類中心更新式具體為：
其中，uij為樣本數據集x＝[x1,x2,…,xj,…xn]中第j個樣本數據xj對第i個聚類中心vi的隸屬度，1≤i≤c，1≤j≤n，c為聚類個數，n為樣本數據集中的樣本總數，m為模糊度參數。
進一步地，在步驟s44中fcm聚類算法的目標函數為：
d(xj,vi)＝||xj-vi||，
其中，uij∈{0,1}，
本發明具有的有益效果如下：
(1)對車聯網的大數據進行挖掘分析，通過對駕駛行為特征參數進行聚類，利用聚類結果訓練bp神經網絡，通過訓練后的bp神經網絡客觀的對待評價駕駛行為進行評價，提高了駕駛行為評價的準確性和科學性。
(2)在運算過程中，通過搭建spark集群運行平臺運行聚類算法，極大的提高了聚類算大的運算效率。
以上所述僅為本發明的較佳實施例，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
- 還沒有人留言評論。精彩留言會獲得點贊！