1.一种驾驶行为特征构造方法,其特征在于,包括以下步骤:
获取包含有时间信息的全局驾驶数据及对应的驾驶轨迹信息;
基于驾驶轨迹信息识别驾驶数据中包含的驾驶事件段,获取所述驾驶事件段的局部驾驶数据;
基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造,从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造,得全局特征和局部特征,其中,基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造,包括基于预设的驾驶参数,计算全局驾驶数据的自相关函数特征: 其2
中,τ为滞后步长,取值为τ=1,2,..,n‑1,n为驾驶参数X的长度,s为驾驶参数X的方差,为驾驶参数X的平均值;
基于预设的驾驶参数,计算全局驾驶数据的自相关函数特征包括:对全局驾驶数据的驾驶参数求自相关函数后,用所述自相关函数求得数值的平均值、中位数、截尾平均值、四分位标准、绝对中位数、偏度、峰度、标准差、P‑分位值以及变异系数作为全局特征,其中,截尾平均值 的计算方法为: α为截尾系数;
将所述全局特征和局部特征组成驾驶行为特征集。
2.根据权利要求1所述的驾驶行为特征构造方法,其特征在于,所述驾驶事件段包括弯道路段、直行路段,全局驾驶数据中会包含有若干个转弯路段,及弯路段间的直行路段,获取各个转弯路段、直行路段的驾驶数据作为局部驾驶数据。
3.根据权利要求2所述的驾驶行为特征构造方法,其特征在于,基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造,包括:基于预设的驾驶参数,计算全局驾驶数据的Hurst指数、自相关函数特征、全局驾驶数据中大于预设行驶速度行驶时间占总行驶时间的百分比、大于预设行驶速度行驶里程占总行驶里程的百分比、百公里加速度超过第一阈值的次数、百公里减速速度超过第二阈值的次数、百公里换道次数中的至少一个;
和/或
基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造,包括:基于预设的驾驶参数,计算局部驾驶数据中表征中心趋势的特征、表征分散性的特征、近似熵、香农熵、表征频域特性的特征、趋势强弱指数以及去趋势相关特征中的至少一个。
4.根据权利要求3所述的驾驶行为特征构造方法,其特征在于,基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造,还包括,对事件段进行聚类,将同类型事件段中相同驾驶参数的局部特征的均值作为局部特征。
5.根据权利要求3所述的驾驶行为特征构造方法,其特征在于,所述驾驶参数包括但不限于大地坐标系下车辆行驶轨迹的X坐标、大地坐标系下车辆行驶轨迹的Y坐标、行车速度,车辆纵向加速度,车辆纵向加加速度,车辆侧向加速度。
6.根据权利要求3所述的驾驶行为特征构造方法,其特征在于,表征中心趋势的特征包括驾驶参数的平均值,中位数以及截尾平均值;
表征分散性的特征包括标准差,四分位标准差,绝对中位数,峰度,偏度,p‑分位数值和变异系数;
表征频域特性的特征包括将驾驶参数进行傅里叶变换后,将变换后驾驶参数的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p‑分位数值、变异系数作为局部特征;
去趋势相关特征包括对驾驶参数去趋势后,将驾驶参数去趋势后数据的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p‑分位数值、变异系数、近似熵和香农熵作为驾驶行为特征。
7.一种驾驶行为分析方法,其特征在于,包括以下步骤:
构建并训练聚类分析模型;
基于权利要求1‑6任意一项所述的驾驶行为特征构造方法,对采集到驾驶员的自然驾驶数据进行驾驶行为特征构造得到驾驶行为特征集;
对所述驾驶行为特征集进行聚类分析,输出分析结果。
8.一种驾驶行为特征构造系统,其特征在于,包括
采集模块,配置用于获取包含有轨迹信息的全局驾驶数据;
局部驾驶数据划分模块,配置用于基于轨迹信息识别驾驶数据中包含的驾驶事件段,获取所述驾驶事件段的局部驾驶数据;
特征构造模块,配置用于基于预设方法分别对全局驾驶数据、局部驾驶数据进行特征构造得全局特征和局部特征;
特征集构造模块,配置用于将所述全局特征和局部特征组成驾驶行为特征集。