本發(fā)明涉及車聯(lián)網(wǎng)技術(shù)領(lǐng)域，特別涉及一種基于fcm聚類和bp神經(jīng)網(wǎng)絡(luò)的架勢行為評價方法。

背景技術(shù)：

近年來，隨著物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展以及車聯(lián)網(wǎng)技術(shù)的不斷普及，車載終端等車聯(lián)網(wǎng)移動設(shè)備無時無刻不產(chǎn)生大量的車聯(lián)網(wǎng)數(shù)據(jù)，利用這些設(shè)備可以非常方便的實現(xiàn)大規(guī)模車輛的監(jiān)控、調(diào)度和遠(yuǎn)程管理，從而提高車輛使用效率，方便政府以及企業(yè)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(zhuǎn)彎減分單元等，根據(jù)急加/減速、急轉(zhuǎn)彎次數(shù)等數(shù)據(jù)進行減分，實現(xiàn)駕駛行為評級分?jǐn)?shù)計算。評價過程的主觀性較強，評價結(jié)果不夠科學(xué)、準(zhǔn)確。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于fcm聚類和bp神經(jīng)網(wǎng)絡(luò)的駕駛速度行為評價方法，以對駕駛行為進行客觀、科學(xué)的評價。

為實現(xiàn)以上目的，本發(fā)明提供一種基于fcm聚類和bp神經(jīng)網(wǎng)絡(luò)的駕駛行為評價方法，該方法包括：

s1、從車聯(lián)網(wǎng)數(shù)據(jù)庫中查詢樣本車輛的行駛衛(wèi)星定位信號集合作為樣本數(shù)據(jù)集；

s2、從樣本數(shù)據(jù)集中提取樣本車輛的駕駛行為特征參數(shù)；

s3、搭建基于hadoop的spark的集群平臺，并將駕駛行為特征參數(shù)保存在分布式文件系統(tǒng)hdfs中；

s4、將fcm聚類算法部署在spark平臺上，并根據(jù)預(yù)設(shè)的聚類個數(shù)，得到駕駛行為特征參數(shù)的聚類結(jié)果；

s5、創(chuàng)建bp神經(jīng)網(wǎng)絡(luò)，并將駕駛行為特征參數(shù)的聚類結(jié)果進行歸一化處理后作為訓(xùn)練樣本對創(chuàng)建的bp神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到bp神經(jīng)網(wǎng)絡(luò)模型；

s6、利用bp神經(jīng)網(wǎng)絡(luò)模型，對經(jīng)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(lián)網(wǎng)數(shù)據(jù)庫中查詢樣本車輛的行駛衛(wèi)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(shù)，具體包括：車速超速時間比例、急加速次數(shù)、急減速次數(shù)以及急轉(zhuǎn)彎次數(shù)。

進一步地，步驟s2，具體包括：

調(diào)用高德地圖中的抓路服務(wù)api獲取道路最高限速值；

采集車輛在預(yù)設(shè)時間段內(nèi)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(yù)設(shè)時間段內(nèi)的車速超速時間比例ov；

根據(jù)預(yù)設(shè)時間段內(nèi)采集的任意兩個連續(xù)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(jù)車輛在k時刻的加速度值、設(shè)定的急加速加速度閾值以及設(shè)定的急減速的加速度閾值，計算車輛急加速次數(shù)act和急減速次數(shù)dct；

根據(jù)車輛在k時刻的加速度值、設(shè)定的急轉(zhuǎn)彎的速度限值以及設(shè)定的行駛方向角改變閾值，計算車輛的急轉(zhuǎn)彎次數(shù)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(shù)，并初始化當(dāng)前迭代次數(shù)、聚類數(shù)、聚類中心、迭代停止域及最大迭代次數(shù)；

s42、判斷當(dāng)前迭代次數(shù)是否小于最大迭代次數(shù)，如果是則執(zhí)行步驟s43，如果否則執(zhí)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(biāo)函數(shù)是否滿足收斂條件，如果是則執(zhí)行步驟s45，如果否則將當(dāng)前迭代次數(shù)加1后執(zhí)行步驟s42；

s45、輸出駕駛行為特征參數(shù)的聚類結(jié)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(shù)據(jù)集x＝[x1,x2,…,xj,…xn]中第j個樣本數(shù)據(jù)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(shù)，n為樣本數(shù)據(jù)集中的樣本總數(shù)，m為模糊度參數(shù)。

進一步地，步驟s44中fcm聚類算法的目標(biāo)函數(shù)為：

d(xj,vi)＝||xj-vi||，

其中，uij∈{0,1}，v＝(vi)c為樣本車輛的駕駛行為特征參數(shù)的聚類中心矩陣，u為隸屬度集，d(xj,vi)為第j個樣本數(shù)據(jù)xj與第i個聚類中心vi間的歐拉距離。

與現(xiàn)有技術(shù)相比，本發(fā)明存在以下技術(shù)效果：本發(fā)明利用車聯(lián)網(wǎng)技術(shù)對駕駛行為信息進行提取，通過數(shù)據(jù)計算分析與挖據(jù)，對駕駛行為特征參數(shù)進行科學(xué)聚類，并將聚類結(jié)果作為訓(xùn)練樣本對創(chuàng)建的bp網(wǎng)絡(luò)進行訓(xùn)練得到bp神經(jīng)網(wǎng)絡(luò)模型，然后通過bp神經(jīng)網(wǎng)絡(luò)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(lián)網(wǎng)數(shù)據(jù)、駕駛速度行為特征以及道路安全三者之間的關(guān)聯(lián)機理，提高了駕駛行為評價的準(zhǔn)確性和科學(xué)性。

附圖說明

下面結(jié)合附圖，對本發(fā)明的具體實施方式進行詳細(xì)描述：

圖1是本發(fā)明一實施例中一種基于fcm聚類和bp神經(jīng)網(wǎng)絡(luò)的駕駛行為評價方法的流程示意圖；

圖2是本發(fā)明一實施例中步驟s4的細(xì)分步驟的流程示意圖；

圖3是本發(fā)明一實施例中利用駕駛行為特征參數(shù)聚類結(jié)果訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

具體實施方式

為了更進一步說明本發(fā)明的特征，請參閱以下有關(guān)本發(fā)明的詳細(xì)說明與附圖。所附圖僅供參考與說明之用，并非用來對本發(fā)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(jīng)網(wǎng)絡(luò)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(lián)網(wǎng)數(shù)據(jù)庫中查詢樣本車輛的行駛衛(wèi)星定位信號集合作為樣本數(shù)據(jù)集；

s2、從樣本數(shù)據(jù)集中提取樣本車輛的駕駛行為特征參數(shù)；

s3、搭建基于hadoop的spark的集群平臺，并將駕駛行為特征參數(shù)保存在分布式文件系統(tǒng)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(jù)預(yù)設(shè)的聚類個數(shù)，得到駕駛行為特征參數(shù)的聚類結(jié)果；

需要說明的是，該處的預(yù)設(shè)的聚類個數(shù)可以為優(yōu)、良、合格、差四個等級或者分為其它等級。

s5、創(chuàng)建bp神經(jīng)網(wǎng)絡(luò)，并將駕駛行為特征參數(shù)的聚類結(jié)果進行歸一化處理后作為訓(xùn)練樣本對創(chuàng)建的bp神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到bp神經(jīng)網(wǎng)絡(luò)模型；

s6、利用bp神經(jīng)網(wǎng)絡(luò)模型，對經(jīng)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(lián)網(wǎng)數(shù)據(jù)庫中查詢樣本車輛的行駛衛(wèi)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(lián)網(wǎng)數(shù)據(jù)庫中查詢出樣本車輛的行駛衛(wèi)星定位信號集合，每個衛(wèi)星定位信號包含車牌號、時間、經(jīng)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(wèi)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(shù)，具體包括：車速超速時間比例ov、急加速次數(shù)act、急減速次數(shù)dct以及急轉(zhuǎn)彎次數(shù)stt。

進一步地，步驟s2，具體包括如下細(xì)分步驟：

調(diào)用高德地圖中的抓路服務(wù)api獲取道路最高限速值；

具體地，高德地圖抓路服務(wù)api是根據(jù)坐標(biāo)點抓取道路，即根據(jù)給定的坐標(biāo)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(shù)與上傳坐標(biāo)點的數(shù)量一致。使用api前需先用戶在高德地圖官網(wǎng)申請key，填寫車輛唯一標(biāo)識carid，經(jīng)緯度locations，gps采樣時間time等必填參數(shù)。

采集車輛在預(yù)設(shè)時間段內(nèi)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(yù)設(shè)時間段內(nèi)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(nèi)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(nèi)的超速次數(shù)ovt，車輛超速時間比例為c為總采樣次數(shù)。

根據(jù)預(yù)設(shè)時間段內(nèi)采集的任意兩個連續(xù)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(jù)車輛在k時刻的加速度值、設(shè)定的急加速加速度閾值以及設(shè)定的急減速的加速度閾值，計算車輛急加速次數(shù)act和急減速次數(shù)dct；

根據(jù)車輛在k時刻的加速度值、設(shè)定的急轉(zhuǎn)彎的速度限值以及設(shè)定的行駛方向角改變閾值，計算車輛的急轉(zhuǎn)彎次數(shù)stt。

進一步地，如圖2所示，步驟s4，具體包括如下細(xì)分步驟：

s41、輸入樣本車輛的駕駛行為特征參數(shù)，并初始化當(dāng)前迭代次數(shù)、聚類數(shù)、聚類中心、迭代停止域及最大迭代次數(shù)；

s42、判斷當(dāng)前迭代次數(shù)是否小于最大迭代次數(shù)，如果是則執(zhí)行步驟s43，如果否則執(zhí)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(biāo)函數(shù)是否滿足收斂條件，如果是則執(zhí)行步驟s45，如果否則將當(dāng)前迭代次數(shù)加1后執(zhí)行步驟s42；

s45、輸出駕駛行為特征參數(shù)的聚類結(jié)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(shù)據(jù)集x＝[x1,x2,…,xj,…xn]中第j個樣本數(shù)據(jù)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(shù)，n為樣本數(shù)據(jù)集中的樣本總數(shù)，m為模糊度參數(shù)。

進一步地，在步驟s44中fcm聚類算法的目標(biāo)函數(shù)為：

d(xj,vi)＝||xj-vi||，

其中，uij∈{0,1}，v＝(vi)c為樣本車輛的駕駛行為特征參數(shù)的聚類中心矩陣，u為隸屬度集，d(xj,vi)為第j個樣本數(shù)據(jù)xj與第i個聚類中心vi間的歐拉距離。

本發(fā)明具有的有益效果如下：

(1)對車聯(lián)網(wǎng)的大數(shù)據(jù)進行挖掘分析，通過對駕駛行為特征參數(shù)進行聚類，利用聚類結(jié)果訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)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(zhǔn)確性和科學(xué)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(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。