一種基于物聯網技術的汽車行為數據識別與管理方法
【專利摘要】一種基于物聯網技術的汽車行為數據識別與管理方法，該方法是根據汽車狀況數據，駕駛員性格，駕駛風格來構建汽車行為數據庫，進而建立預測車輛行為的汽車預測模型，來對汽車的行為進行預測。本發明能夠及時監控車輛狀態、檢測駕駛員的駕駛情緒、了解駕駛員的駕駛風格，并對汽車的行為進行實時預測，可以提高駕駛的安全性，更好的構建和諧社會，安全社會。
【專利說明】-種基于物聯網技術的汽車行為數據識別與管理方法
【技術領域】
[0001] 本發明提出了一種集成與構建汽車行為數據識別的數據庫方法，該方法涉及到人 機交互、智能汽車、智能駕駛和增強用戶體驗等領域。
【背景技術】
[0002] 隨著汽車在我們生活中的不斷普及和深入，未來汽車逐漸扮演者更加重要的角 色，對我們生活的影響也越來越大。
[0003] 隨著汽車的普及，駕駛安全、能耗、排放等問題成為被關注的一個話題。一系列諸 如駕駛安全、排放、燃油經濟性等等的與車相關的問題正在不斷的出現，引起越來越多的關 注。為了解決這些問題，及時監控車輛狀態、檢測駕駛員的駕駛情緒、了解駕駛員的駕駛風 格是十分有效的。
[0004] 傳統的解決辦法是基于近年來的駕駛情況來開發車輛控制策略。但汽車的狀況和 駕駛員的駕駛習慣在不同的車輛和駕駛員之間有顯著的差異，而這是影像這些問題的關鍵 因素，如何合理的運用和平衡這些參數的影響是現在面臨的一大問題。
[0005] 駕駛環境包括交通條件和道路類型，這在傳統研究中通常用叫做標準駕駛環境。 車輛的狀態是十分重要并且是影響這些問題的基礎因素。汽車狀態包括油量、發動機轉速、 輪胎壓力和其他相關信息。
[0006] 本專利將通過用傳感器監控駕駛員的情緒，因為駕駛期間駕駛員在不同情緒下所 采取的駕駛動作對油耗和駕駛安全具有重大的影響。例如，當駕駛員處于一個不好的情緒 下加速或剎車時，他會用力的踩踏板，并且會隨意的選擇駕駛路線。
[0007] 同時，駕駛環境信息（例如，道路地形信息）對油耗和安全駕駛非常重要，例如，我 們可以根據道路地形信息在汽車上坡前逐步加速，在汽車下坡前提前減速。
[0008] 除了考慮汽車狀況，駕駛員情緒，駕駛環境信息，駕駛風格同樣對節約能源和控制 排放有重大的影響。駕駛風格通常被分為三類：
[0009] 性格溫和的駕駛員（冷靜的駕駛或者經濟型的駕駛風格）
[0010] 標準駕駛員（一般的駕駛風格）
[0011] 性格沖動的駕駛員（冒險駕駛風格）
[0012] 性格沖動的駕駛員會造成大量的油量消耗，而性格溫和的駕駛員會大大節省燃 料。
【發明內容】
[0013] 為了解決上述出現的問題，在以上分析的基礎上，我們根據汽車的狀態數據，駕駛 員情緒，駕駛環境和駕駛風格來構建汽車行為數據庫。
[0014] 在這個數據庫中，我們根據汽車的狀態數據，駕駛員的情緒，駕駛環境信息，駕駛 行為情況進行綜合測評，測評的結果被共享并存儲到云端，并采用這四種因素為汽車行為 構建一個實時自適應預測模型，該模型既要精確地預測結果；也要減少執行時間，需要同時 考慮準確性和實時性。該模型可以應用到以下場景中：
[0015] 提升駕駛安全性：每輛車可以評估周圍的汽車狀態是否正常，司機可以避免危險， 提1?駕駛的安全性。
[0016] 路徑規劃：可以基于數據庫和預測方法根據司機的需求進行路徑規劃，例如給郊 游的司機提供新穎有趣的路線，給趕路的司機提供快捷暢通的路線。
[0017] 駕駛控制：交通控制中心將在必要時接管異常的車輛，以確保駕駛環境的安全。
[0018] 本發明提出了如下方案：
[0019] 一種基于物聯網技術的汽車行為數據識別與管理方法，該方法是根據汽車狀況數 據，駕駛員性格，駕駛風格來構建汽車行為數據庫，進而建立預測車輛行為的汽車預測模 型，來對汽車的行為進行預測，包括以下步驟：
[0020] 步驟A :獲取汽車的狀況數據：通過設置在汽車上的傳感器是獲取一系列汽車的 機械狀況，用來定義汽車的情緒，包含汽車的各項機械參數、耗油量，發動機轉速，輪胎氣壓 的固有信息，這些參數體現當前汽車的實際物理性能；
[0021] 步驟B :檢測駕駛員的情緒：通過在人體內、外、周圍集成傳感器節點來監控人體 中的單胺神經遞質5-羥色胺，多巴胺和去甲腎上腺素，通過這些神經遞質來計算用戶的情 緒狀態；
[0022] 步驟C :獲知駕駛員駕駛風格：駕駛風格與駕駛員的行為相關，駕駛員的行為被記 錄為向量^= {匕^^匕^^^^是特征向量的維度^是向量的維度：如果駕駛員行為 記錄的數量多于一個，這些記錄的向量被聚合為N類，并存儲在數據服務器；
[0023] 步驟D :檢測駕駛環境：汽車在運行中將GPS傳感器收集到的信息和服務器進行 交換，針對路面的各種差異，收集環境參數以及道路參數信息；
[0024] 步驟E :構建汽車行為數據庫：通過如上步驟的數據收集和準備，根據汽車狀況數 據，駕駛員情緒，駕駛風格，駕駛環境信息構建汽車行為數據庫；
[0025] 步驟F :建立實時自適應汽車預測模型：基于步驟E形成的數據庫，將每個車輛的 行為特性在單位時間內定性和歸約成相關的參數，總結出汽車行為的特征規律，建立實時 自適應汽車預測模型，對汽車的行為進行實時預測。
[0026] 本發明步驟E中汽車行為數據庫為使用結構化查詢語言的SQL數據庫，或者建造 Hadoop框架數據庫。
[0027] 本發明在步驟F中，對汽車進行實時預測的方法為：
[0028] 采用實時自適應的馬爾可夫鏈方法來進行實時預測，選擇歷史數據動態預測汽車 行為；
[0029] 隨機馬爾可夫過程包括了有限維度的聲明，k次下，所有矢量Xk的構成狀態，
[0030] Xk 一 {Fhk, Fmk, Fsk, Fek}
[0031] 在每個時間步k中，馬爾可夫過程保持在原狀態下或根據轉移概率轉移到另一個 狀態中。因為司機的情緒，駕駛環境，駕駛狀態隨時間而變化，所以轉移概率矩陣P在駕駛 中實時獲取，轉移概率矩陣通過以下公式計算：
[0032] P{P(k+l) =Xj|P(k) =Xj =IHijZmi
[0033] Hiij是從狀態Xi到狀態Xj的轉移次數，Hi i是狀態Xi出現的總次數，在駕駛過程中 反饋矩陣被更新和狀態轉移矩陣被初始化之后才開始預測。
[0034] 為了充分利用車輛行為的歷史數據預測汽車行為，本發明采用多步歷史狀態數據 來預測第k步汽車的行為狀態（k-1 k-2,. . .，k-n);考慮到實時性要求，選擇n個歷史數據 點來預測下一狀態汽車的行為。N值越大，預測的準確性越高；
[0035] Xk = W1Xlrf X P+w2xk_2 X P2+…+wnxk_nX Pn
[0036] W是權重W = = 1}，Wi是行為狀態的自相關系數的歸一化結果。
[0037] 這個解決方案報告的關鍵是根據汽車狀況數據，駕駛員性格，駕駛風格來構建汽 車行為數據庫。首先，我們獲取汽車的狀況數據；其次，我們檢測駕駛員的情緒，再次，我們 獲知駕駛員的駕駛風格。最后，我們將這三種類型的數據結合并構建汽車行為數據庫。
[0038] 具體來說有如下6個步驟：
[0039] A、獲取汽車的狀況數據
[0040] B、檢測駕駛員的情緒
[0041] C、獲知駕駛員駕駛風格
[0042] D、檢測駕駛環境
[0043] E、構建汽車行為數據庫
[0044] F、實時自適應汽車行為預測模型
[0045] 步驟A是獲取汽車的狀況的過程，這個方案的第一步是獲取一系列汽車的機械狀 況，用來定義汽車的情緒。包含汽車的各項機械參數、包括耗油量，發動機轉速，輪胎氣壓等 固有信息，這些參數體現當前汽車的實際物理性能。
[0046] 步驟B檢測駕駛員的情緒。針對用戶體驗質量（QOE)的觀察與測定和使用，汽車 行為數據庫需要人的直接參與才能改善、提升準確度計算用戶的體驗質量，是整個技術構 架改進的方向和重要數據。所以通過一系列的傳感器和生化指標來測定。
[0047] 步驟C獲知駕駛員駕駛風格。針對不同用戶的駕駛風格和習慣提供解決方案。具 體來說，對不同的駕駛需求和駕駛風格，提供多種駕駛方案供用戶抉擇和處理，能夠滿足不 同用戶對油耗、時間、舒適度等方面的的個性化需求去同時能夠修正用戶性格不同導致的 數據偏差。
[0048] 步驟D檢測駕駛環境。針對路面的各種差異，收集環境參數（包括坡度、彎道、風 向、天氣、可視度等）以及道路參數（包括交通條件、道路等級、道路條件、限速、交通燈分 布、攝像頭分布）等數據作為駕駛環境數據。
[0049] 步驟E構建汽車行為數據庫。通過如上步驟的數據收集和準備可以根據汽車狀況 數據，駕駛員情緒，駕駛風格，駕駛環境信息構建汽車行為數據庫。
[0050] 步驟F實時自適應汽車預測模型，通過設計一個實時自適應預測模型來平衡預測 的準確性和執行時間。基于步驟E形成的數據庫，通過相應的數據挖掘算法，比如K-mean 算法，將每個車輛的行為特性在單位時間內定性和歸約成相關的參數，總結出汽車行為的 特征規律，建立實時自適應汽車預測模型，對汽車的行為進行實時預測。
[0051] 本發明能夠及時監控車輛狀態、檢測駕駛員的駕駛情緒、了解駕駛員的駕駛風格， 并對汽車的行為進行實時預測，可以提高駕駛的安全性，更好的構建和諧社會，安全社會。
【專利附圖】
【附圖說明】
[0052] 圖1是本發明的整體框架示意圖；
[0053] 圖2是本發明的基于生理指標的情緒判斷立方體；
[0054] 圖3是本發明的車輛工作示意圖。
[0055] 圖中：1、汽車；2、網絡；3、云；4、服務器；5、車載傳感器；6、無線網絡；7、包含傳感 器的汽車；8、基站；9、服務器系統。
【具體實施方式】
[0056] 如圖1所示，是本發明的整體工作框架圖。一種基于物聯網技術的汽車行為數據 識別與管理方法，本發明特征在于，該方法是根據汽車狀況數據，駕駛員性格，駕駛風格來 構建汽車行為數據庫，進而建立預測車輛行為的汽車預測模型，來對汽車的行為進行預測， 包括以下步驟：
[0057] 步驟A :獲取汽車的狀況數據：通過設置在汽車上的傳感器獲取一系列汽車的機 械狀況，用來定義汽車的情緒，包含汽車的各項機械參數、耗油量，發動機轉速，輪胎氣壓的 固有信息，這些參數體現當前汽車的實際物理性能；
[0058] 步驟B :檢測駕駛員的情緒：通過在人體內、外、周圍集成傳感器節點來監控人體 中的單胺神經遞質5-羥色胺，多巴胺和去甲腎上腺素，通過這些神經遞質來計算用戶的情 緒狀態；
[0059] 步驟C :獲知駕駛員駕駛風格：駕駛風格與駕駛員的行為相關，駕駛員的行為記錄 為向量Fs= {Fsl，Fs2, Fs3...Fsm}，m是特征向量的維度；如果駕駛員行為記錄的數量多于一 個，這些記錄的向量被聚合為N類，并存儲在數據服務器；
[0060] 步驟D :檢測駕駛環境：汽車在運行中將GPS傳感器收集到的信息和服務器進行 交換，針對路面的各種差異，收集環境參數以及道路參數信息；
[0061] 步驟E :構建汽車行為數據庫：通過如上步驟的數據收集和準備，根據汽車狀況數 據，駕駛員情緒，駕駛風格，駕駛環境信息構建汽車行為數據庫；
[0062] 步驟F :建立實時自適應汽車預測模型：基于步驟E形成的數據庫，將每個車輛的 行為特性在單位時間內定性和歸約成相關的參數，總結出汽車行為的特征規律，建立實時 自適應汽車預測模型，對汽車的行為進行實時預測。。
[0063] 本發明步驟E中汽車行為數據庫為使用結構化查詢語言的SQL數據庫，或者建造 Hadoop框架數據庫。
[0064] 本發明在步驟F中，對汽車進行實時預測的方法為：
[0065] 采用用于對汽車行為預測的局部時間自適應馬爾可夫預測方法，用馬爾可夫鏈方 法來進行實時預測，選擇歷史數據動態預測，即根據實時要求確定歷史數據點；
[0066] 隨機馬爾可夫過程包括了有限維度的聲明，k次下，所有矢量Xk的構成狀態，
[0067] Xk - {Fhk, Fmk, Fsk, Fek)
[0068] 在每個時間步k中，馬爾可夫過程保持在同一聲明下或移動到另一個轉移概率矩 陣P中，在駕駛周期中矩陣P需要被獲得，因為司機的情緒，駕駛環境，駕駛狀態隨時間而變 化；過渡概率被估計為
[0069] P{P(k+l) =Xj|P(k) =Xj =IHijZmi
[0070] Hii』是是從Xi到Xj的過渡的出現次數，Hii是X i出現的總次數，預測開始時只是在 駕駛時對于最初為空的概率矩陣和獎勵矩陣更新數據
[0071] 為了充分利用車輛的行為歷史數據預測行為，基于多用戶的行為狀態預測k次的 行為狀態（k-1，k-2,. . .，k-n);考慮到實時要求k，選擇n個歷史數據點來預測下一輛車的 行為。N值越大，預測的準確性越高；
[0072] Xk = W1Xlrf X P+w2xk_2 X P2+... +wnxk_nX Pn
[0073] W是權重W = (Wi Wi = 1}，Wi是行為狀態的自相關系數的歸一化結果。
[0074] 從圖1中可以清晰發現整個運作框架包括如下幾點：
[0075] 汽車：作為整個發明中闡述系統的客戶終端，直接和用戶響應和交流。
[0076] 傳感器：各項機械數據、指標收集所需要的必備硬件。
[0077] 云環境：負責處理、調度和整合所有的汽車終端還有服務器等的環境，隔離了自動 駕駛汽車的數據服務器之間的環境差異。
[0078] 服務器：負責收集數據、處理、存儲數據，整個系統中的、數據提供源。承擔著對汽 車的數據收集、分析等任務。
[0079] 在整個實施的過程當中，首要的便是獲取汽車的狀況數據，通過獲取一系列汽車 的機械狀況，用來定義汽車的情緒。
[0080] 系統監控車輛的機械狀況，機械部件的安全狀況，以及安全因素的現狀，并將這些 信息記錄為特征向量。該特征向量主要包括耗油量，發動機轉速，輪胎氣壓以及其他多維信 息。汽車狀況特征向量定義為Fh = {Fhl，Fh2, Fh3. .. F to}，稱之為汽車狀態，n是特征向量 的維度。考慮到不同特征向量的影響的重要性是不同的，特征向量的影響會被量化為不同 的權重 a = (? I Ef ai = 1]
[0081] 如圖2所示，完成了機械狀況的探查后，將會檢測駕駛員的情緒，本專利兼容眾多 方法用來檢測人的情緒狀態，比如可以測量的三個單胺神經遞質5-羥色胺，多巴胺和去甲 腎上腺素來計算用戶的情緒狀態。隨著人類生物傳感器的快速發展，我們可以在人體內、 夕卜、周圍集成低功率、小型化和智能化的傳感器節點來監控這些神經遞質，就像無線體域網 (WBNS)]以及HRS-I。車輛特征向量狀況被定義為Fm = {Fml，Fm2, Fm3. . . FJ，它被叫做駕駛 員情緒狀況，r是特征向量的維度。
[0082] 這里并不局限于以上方法，其他測量情緒的措施也可以用于此框架。
[0083] 接下來，獲知駕駛員駕駛風格，除了考慮汽車狀況，駕駛員情緒，駕駛環境信息，駕 駛風格同樣對節約能源，駕駛安全和控制排放有重大的影響。駕駛風格在這里與駕駛員的 行為相關，例如駕駛員如何踩加速和剎車踏板，或者司機是否經常變換車道。這可以被記錄 為向量^=也1，^2，1^...巴}， 111是特征向量的維度。許多方法可以被用來識別駕駛員的 駕駛風格。如果駕駛員行為記錄的數量多于一個，這些記錄的向量被使用通常的聚類算法 例如k-mean k-median聚合為N類，并存儲在數據服務器。一些其他的方法也可以用來完 成這項工作，包括統計方法，挺舉分析，高斯混合模型，模糊分類方法。比如駕駛員的駕駛風 格通常可以被分為三類：冷靜，普通，沖動。不同的類型對于駕駛安全和節能有不同的影響。 例如，沖動的駕駛會帶來油量的耗費，而冷靜的駕駛會更加節油。因為急躁的駕駛員會頻繁 的加速減速，而冷靜的駕駛員會保持相對恒定的踩踏加減速踏板。
[0084] 如圖3所示的工作模式，汽車在運行中將GPS等傳感器收集到的信息和服務器進 行交換溝通。行程的出發地和目的地已經確定，GPS導航系統是一種有效的提供道路地形 信息的方法。利用全球定位系統，我們可以獲得大部分的高精度駕駛環境信息，包括但不限 于道路地形信息（例如坡道），包括交通條件、道路等級、道路條件、限速、交通燈分布、攝像 頭分布。這可以被記錄為向量Fe= {Fel，Fe2，Fe3...Fj是特征向量的維度。將駕駛環境信 息與之前提到的三種信息組合起來，我們就一定可以構建汽車行為數據庫。
[0085] 由此我們可以根據汽車狀況數據，駕駛員情緒，駕駛風格，駕駛環境信息構建汽車 行為數據庫。這個數據庫可以被構建為經典的使用結構化查詢語言的SQL數據庫，或者建 造Hadoop框架數據庫來確保應用程序的可靠性和數據的傳輸。
[0086] 收集到足夠的數據后，就可以建立實時自適應汽車預測模型，在這一部分，我們設 計一個實時自適應預測模型來平衡預測的準確性和執行時間。基于數據庫，我們可以做全 面的評估來發現一些汽車行為的特征規律，每個車輛的行為特性在單位時間內可以定性的 描述為四個要素：汽車狀況數據，駕駛員情緒，駕駛風格，駕駛環境信息 [0087] M = {Fh, Fffl, Fs, FJ
[0088] 許多方法可以用來從M中識別汽車行為特性，如果M的數量多于1，這些記錄的向 量使用聚類算法例如k-mean或者k-median聚合成T類，我們可以獲得汽車行為特征X = Ix1, x2, x3，... xT}，并存儲到數據服務器。一些其他的聚類算法也可以用來完成這項工作。 [0089] 考慮到實際應用環境，車輛需要及時的預測附近汽車的行為，我們采用馬爾可夫 鏈方法來進行實時預測。根據馬爾可夫算法的特點，使用更多的歷史數據，預測結果更準 確，但這將需要更多的計算時間。為了實現精度和計算時間之間的平衡，我們選擇歷史數據 動態預測，即根據實時要求確定歷史數據點。我們稱之為用于對汽車行為預測的局部時間 自適應馬爾可夫預測方法。
[0090] 隨機馬爾可夫過程包括了有限維度的聲明，k次下，所有矢量Xk的構成狀態，
[0091] Xk - {Fhk, Fmk, Fsk, Fek)
[0092] 在每個時間步k中，馬爾可夫過程保持在原狀態下或根據轉移概率轉移到另一個 狀態中。因為司機的情緒，駕駛環境，駕駛狀態隨時間而變化，所以轉移概率矩陣P在駕駛 中實時獲取，轉移概率矩陣通過以下公式計算：
[0093] P{P(k+l) =Xj|P(k) =Xj =IHijZmi
[0094] Hiij是從狀態Xi到狀態Xj的轉移次數，Hi i是狀態Xi出現的總次數，在駕駛過程中 反饋矩陣被更新和狀態轉移矩陣被初始化之后才開始預測。
[0095] 為了充分利用車輛行為的歷史數據預測汽車行為，本發明采用多步歷史狀態數據 來預測第k步汽車的行為狀態（k-1 k-2,. . .，k-n);考慮到實時性要求，選擇n個歷史數據 點來預測下一狀態汽車的行為。N值越大，預測的準確性越高；
[0096] Xk = W1Xlrf X P+w2xk_2 X P2+... +wnxk_nX Pn
[0097] W是權重W = {Wi| = 1}，Wi是行為狀態的自相關系數的歸一化結果。
[0098] 同樣的，其他預測方法也可以用來實現預測模型的預測。
[0099] 針對上述的方法，其具體的應用實例很多，本專利適用包含如下特例在內的多種 實例：
[0100] 1、駕駛安全的提升
[0101] 在汽車網絡中，每輛汽車可以獲得周圍車輛的情況，然后車輛可以評估車輛行為 是否正常，并能預測他們的下一步行為。因此，車輛可以避免危險，提高駕駛的安全性。
[0102] 2、路線規劃
[0103] 基于行為的路線規劃的可以基于數據庫和預測方案進行開發。將最短的距離和最 快的時間的路線規劃作比較，這種行為在某些情況下是有趣和愉快的，如果路上其他司機 的駕駛節奏與他一致。司機一般感覺比較好。
[0104] 3、駕駛控制
[0105] 通過檢測和預測車輛行為，一些異常的車輛可以被識別。交通控制中心可以在必 要時接管異常的車輛以確保駕駛環境的安全。
[0106] 4、協助交通警察執法
[0107] 汽車行為數據庫可以提供每位駕駛員的駕駛記錄給交警，這可以幫助交警執法， 并讓司機遵守交通規則。
[0108] 5、避免特種車輛
[0109] 如果檢測到類似于救護車的緊急車輛，車輛可以迅速讓開道路。
[0110] 6、基于本地車輛網絡的駕駛控制策略。
[0111] 局部車輛網絡的定義是在駕駛時某一特定距離范圍內的車輛。在局部車輛網絡 中，汽車可以在普適計算環境中互相交換數據。車輛可以共享自己的行為數據并獲取他人 的數據。所以基于局部車輛網絡的汽車行為數據庫可以應用于優化駕駛控制策略，這將對 無人駕駛汽車十分有用。
【權利要求】
1. 一種基于物聯網技術的汽車行為數據識別與管理方法，其特征在于，該方法是根據 汽車狀況數據，駕駛員性格，駕駛風格來構建汽車行為數據庫，進而建立預測車輛行為的汽 車預測模型，來對汽車的行為進行預測，包括以下步驟： 步驟A :獲取汽車的狀況數據：通過設置在汽車上的傳感器獲取一系列汽車的機械狀 況，用來定義汽車的情緒，包含汽車的各項機械參數、耗油量，發動機轉速，輪胎氣壓的固有 信息，這些參數體現當前汽車的實際物理性能； 步驟B :檢測駕駛員的情緒：通過在人體內、外、周圍集成傳感器節點來監控人體中的 單胺神經遞質5-羥色胺，多巴胺和去甲腎上腺素，通過這些神經遞質來計算用戶的情緒狀 態； 步驟C :獲知駕駛員駕駛風格：駕駛風格與駕駛員的行為相關，駕駛員的行為記錄為向 量Fs = IFs1，Fs2，Fs3. . . FsJ，m是特征向量的維度；如果駕駛員行為記錄的數量多于一個，這 些記錄的向量被聚合為N類，并存儲在數據服務器； 步驟D :檢測駕駛環境：汽車在運行中將GPS傳感器收集到的信息和服務器進行交換， 針對路面的各種差異，收集環境參數以及道路參數信息； 步驟E :構建汽車行為數據庫：通過上步驟的數據收集和準備，根據汽車狀況數據，駕 駛員情緒，駕駛風格，駕駛環境信息構建汽車行為數據庫； 步驟F:建立實時自適應汽車預測模型：基于步驟E形成的數據庫，將每個車輛的行為 特性在單位時間內定性和歸約成相關的參數，總結出汽車行為的特征規律，建立實時自適 應汽車預測模型，對汽車的行為進行實時預測。
2. 根據權利要求1所述的一種基于物聯網技術的汽車行為數據識別與管理方法，其特 征在于，步驟E中汽車行為數據庫為使用結構化查詢語言的SQL數據庫，或者建造 Hadoop 框架數據庫。
3. 根據權利要求1所述的一種基于物聯網技術的汽車行為數據識別與管理方法，其特 征在于，在步驟F中，對汽車進行實時預測的方法為： 采用用于對汽車行為預測的局部時間自適應馬爾可夫預測方法，用馬爾可夫鏈方法來 進行實時預測，選擇歷史數據動態預測，即根據實時要求確定歷史數據點； 隨機馬爾可夫過程包括了有限維度的聲明，k次下，所有矢量Xk的構成狀態， Xk - (Fhk, Fmk，Fsk，Fek} 在每個時間步k中，馬爾可夫過程保持在同一聲明下或移動到另一個轉移概率矩陣p 中，在駕駛周期中矩陣P需要被獲得，因為司機的情緒，駕駛環境，駕駛狀態隨時間而變化； 過渡概率被估計為 P{P(k+l) =Xj|P(k) =XJ =IHijZmi Hlij是是從Xi到Xj的過渡的出現次數，Hli是X i出現的總次數，預測開始時只是在駕駛 時對于最初為空的概率矩陣和獎勵矩陣更新數據 為了充分利用車輛的行為歷史數據預測行為，基于多用戶的行為狀態預測k次的行為 狀態（k-l，k-2，. . .，k-n);考慮到實時要求k，選擇n個歷史數據點來預測下一輛車的行為； N值越大，預測的準確性越高； Xk = W1Xlrt X P+w2xk_2 X P2+…+wnxk_n X Pn W是權重W = Wi = JJ，Wi是行為狀態的自相關系數的歸一化結果。
【文檔編號】G07C5/08GK104331953SQ201410596590
【公開日】2015年2月4日 申請日期:2014年10月29日 優先權日:2014年10月29日
【發明者】張德海, 張德剛 申請人:云南大學