本發明屬于車輛安全駕駛，尤其涉及一種基于協同過濾算法的駕駛行為相似度分析方法及系統。

背景技術：

1、本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

2、隨著新一輪的科技技術進步，汽車行業也迎來了產業變革，電動化、網聯化、智能化、共享化統稱為“新四化”，已經成為產業改革的指導方向。在智能交通領域，駕駛員、車輛、道路環境和安全駕駛是緊密相關的，而在這三個要素中，駕駛員是以人為主體，存在個體操作行為差異，是能夠影響駕駛安全的主觀重要因素。研究表明，大約87％的交通事故是由人為因素導致的，例如駕駛員醉酒駕駛、違規行車、疲勞駕駛、分心駕駛等。因此，對駕駛行為的研究對保障交通安全具有重要的理論價值和應用價值。

3、國內外的研究者對于駕駛行為開展了廣泛研究，包括分析駕駛行為的個體差異、評價駕駛員的行為規范、預測異常駕駛行為的概率等。對駕駛員建立標準模型的研究最早可追溯到二十世紀三十年代，gibson等人建立了基于車輛行駛路徑的駕駛員模型；針對駕駛風格分類與辨識這一任務，國內學者相繼提出了基于智能算法的駕駛行為研究方案，具體算法包括神經網絡、仿生學、模糊控制以及融合算法等。李剛團隊針對駕駛員操控方向盤的偏好特征，提出了基于神經網絡的在線識別模型，以及基于hmm的離線識別模型，并在汽車仿真平臺上驗證了模型對轉向偏好保留的效果。清華大學的成波等也建立了駕駛狀態-行為-模式的層級數學描述方法，提出了基于stevens冪定律的駕駛行為激進度指標，實現了對駕駛行為激進程度的量化評估。

4、然而，發明人發現，現有的駕駛行為研究方法存在一些技術問題，例如：

5、(1)傳統的駕駛行為研究方法過于關注單個駕駛員的駕駛行為，而忽略了駕駛行為之間的相關性。以車輛加速曲線為例，工業界的整定方法深度依賴專家的工程經驗，其整定規則的制訂通常缺乏對駕駛員個人偏好的理解與學習，只采用單一的駕駛行為評估技術。因此，難以實現對于駕駛員的駕駛行為相似度的精確分析。

6、(2)每一個駕駛員都有自己的駕駛習慣，由于現有的駕駛行為研究方法僅考慮了駕駛員與其自身的駕駛習慣之間的直接關聯，導致利用該駕駛習慣所構建的評估模型對其他駕駛員進行駕駛行為分析時并不能完美適用，因此，現有的駕駛行為研究方法普遍存在泛化能力弱的問題。

技術實現思路

1、為克服上述現有技術的不足，本發明提供了一種基于協同過濾算法的駕駛行為相似度分析方法及系統，能夠實現對于駕駛員的駕駛行為相似度的精確分析，建立普適性更強、更立體的駕駛員相關性模型。

2、為實現上述目的，本發明的一個或多個實施例提供了如下技術方案：

3、本發明第一方面提供了一種基于協同過濾算法的駕駛行為相似度分析方法。

4、一種基于協同過濾算法的駕駛行為相似度分析方法，包括：

5、獲取駕駛員的駕駛行為數據；

6、對所述駕駛行為數據進行預處理；

7、計算經預處理后的駕駛行為數據的權重修正因子和相似度，基于所得相似度確定駕駛員的節點集和鄰居集；基于圖神經網絡將所述駕駛員的節點集和鄰居集映射為節點圖，用所述節點圖上的各個節點組成相關性矩陣；以所述相關性矩陣來反映駕駛員的駕駛行為相似度；

8、將所述相關性矩陣導入系統界面，實現駕駛行為相似度的可視化。

9、進一步地，所述駕駛行為數據包括車輛行駛數據、出行異常數據以及駕駛員行為異常數據。

10、進一步地，所述車輛行駛數據包括行駛速度、行駛里程、形式能耗、加速度時間以及急加速時間；所述出行異常數據包括車道偏離報警、前向碰撞報警、車距過近報警以及行人碰撞報警；所述駕駛員行為異常數據包括疲勞駕駛報警、接打電話報警、抽煙報警以及分神駕駛報警。

11、進一步地，所述預處理包括數據清洗和歸一化操作。

12、進一步地，計算駕駛行為數據的相似度，包括：計算駕駛行為數據的余弦相似度，將所得余弦相似度與權重修正因子相乘以獲得駕駛行為數據的相似度。

13、進一步地，基于圖神經網絡將駕駛員的節點集和鄰居集映射為節點圖，包括：以最大化對數似然函數作為圖神經網絡的優化目標；基于所述優化目標轉化為求解駕駛行為的第一損失值和第二損失值，對所述第一損失值和第二損失值進行加權求和；將加權求和后的值作為鄰居集的對比學習損失函數。

14、進一步地，以對比學習損失函數最小作為最優解，將駕駛員的節點集和鄰居集映射為節點圖。

15、本發明第二方面提供了基于協同過濾算法的駕駛行為相似度分析系統。

16、基于協同過濾算法的駕駛行為相似度分析系統，包括：

17、數據獲取模塊，被配置為：獲取駕駛員的駕駛行為數據；

18、預處理模塊，被配置為：對所述駕駛行為數據進行預處理；

19、駕駛行為相似度計算模塊，被配置為：計算經預處理后的駕駛行為數據的權重修正因子和相似度，基于所得相似度確定駕駛員的節點集和鄰居集；基于圖神經網絡將所述駕駛員的節點集和鄰居集映射為節點圖，用所述節點圖上的各個節點組成相關性矩陣；以所述相關性矩陣來反映駕駛員的駕駛行為相似度；

20、駕駛行為相似度顯示模塊，被配置為：將所述相關性矩陣導入系統界面，實現駕駛行為相似度的可視化。

21、本發明第三方面提供了計算機可讀存儲介質，其上存儲有程序，該程序被處理器執行時實現如本發明第一方面所述的基于協同過濾算法的駕駛行為相似度分析方法中的步驟。

22、本發明第四方面提供了電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，所述處理器執行所述程序時實現如本發明第一方面所述的基于協同過濾算法的駕駛行為相似度分析方法中的步驟。

23、以上一個或多個技術方案存在以下有益效果：

24、(1)本發明首先通過對駕駛行為數據的權重修正因子和相似度進行計算，基于所得相似度確定駕駛員的節點集和鄰居集；再基于圖神經網絡將駕駛員的節點集和鄰居集映射為節點圖，用節點圖上的各個節點組成相關性矩陣；最后以相關性矩陣來反映駕駛員的駕駛行為相似度。整個分析過程不僅考慮了單個駕駛員的駕駛行為，還同時考慮了駕駛員在駕駛行為之間的相關性。因此，本發明可以實現對于駕駛員的駕駛行為相似度的精確分析。

25、(2)本發明以相似度分析的角度切入，通過余弦相似度計算得到了駕駛員節點特征相似度矩陣，以幫助模型更好的捕捉駕駛員與駕駛行為之間的潛在聯系；另外，通過引入圖神經網絡，將相似度矩陣轉換為圖進行分析，更有效地利用了圖結構。因此，本發明所建立的是普適性更強、更立體的駕駛員相關性模型。

26、本發明附加方面的優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。

技術特征：

1.一種基于協同過濾算法的駕駛行為相似度分析方法，其特征在于，包括：

2.如權利要求1所述的一種基于協同過濾算法的駕駛行為相似度分析方法，其特征在于，所述駕駛行為數據包括車輛行駛數據、出行異常數據以及駕駛員行為異常數據。

3.如權利要求2所述的基于協同過濾算法的駕駛行為相似度分析方法，其特征在于，所述車輛行駛數據包括行駛速度、行駛里程、形式能耗、加速度時間以及急加速時間；所述出行異常數據包括車道偏離報警、前向碰撞報警、車距過近報警以及行人碰撞報警；所述駕駛員行為異常數據包括疲勞駕駛報警、接打電話報警、抽煙報警以及分神駕駛報警。

4.如權利要求1所述的基于協同過濾算法的駕駛行為相似度分析方法，其特征在于，所述預處理包括數據清洗和歸一化操作。

5.如權利要求1所述的基于協同過濾算法的駕駛行為相似度分析方法，其特征在于，計算駕駛行為數據的相似度，包括：計算駕駛行為數據的余弦相似度，將所得余弦相似度與權重修正因子相乘以獲得駕駛行為數據的相似度。

6.如權利要求1所述的基于協同過濾算法的駕駛行為相似度分析方法，其特征在于，基于圖神經網絡將駕駛員的節點集和鄰居集映射為節點圖，包括：以最大化對數似然函數作為圖神經網絡的優化目標；將所述優化目標轉化為求解駕駛行為的第一損失值和第二損失值，對所述第一損失值和第二損失值進行加權求和；將加權求和后的值作為鄰居集的對比學習損失函數。

7.如權利要求6所述的基于協同過濾算法的駕駛行為相似度分析方法，其特征在于，以對比學習損失函數最小作為最優解，將駕駛員的節點集和鄰居集映射為節點圖。

8.基于協同過濾算法的駕駛行為相似度分析系統，其特征在于，包括：

9.計算機可讀存儲介質，其上存儲有程序，其特征在于，該程序被處理器執行時實現如權利要求1-7任一項所述的基于協同過濾算法的駕駛行為相似度分析方法中的步驟。

10.電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7任一項所述的基于協同過濾算法的駕駛行為相似度分析方法中的步驟。

技術總結
本發明提出了一種基于協同過濾算法的駕駛行為相似度分析方法及系統，屬于車輛安全駕駛技術領域；通過獲取駕駛員的駕駛行為數據；對駕駛行為數據進行預處理；計算經預處理后的駕駛行為數據的權重修正因子和相似度，基于所得相似度確定駕駛員的節點集和鄰居集；基于圖神經網絡將所述駕駛員的節點集和鄰居集映射為節點圖，用節點圖上的各個節點組成相關性矩陣；以所述相關性矩陣來反映駕駛員的駕駛行為相似度；將相關性矩陣導入系統界面，實現駕駛行為相似度的可視化。本發明能夠實現對于駕駛員的駕駛行為相似度的精確分析，建立普適性更強、更立體的駕駛員相關性模型。

技術研發人員：李晨,薛蓉蓉,齊洪磊,王波,陳振國,張剛,徐寧,馮希良,楊春曉
受保護的技術使用者：中通客車股份有限公司
技術研發日：
技術公布日：2025/4/24