行之知识产权综合服务平台

技术领域

本发明属于智能交通和汽车节能技术领域，涉及一种基于大数据的节能驾驶行为分析方 法。

背景技术

目前，对于国内外的汽车节能驾驶研究，主要还是以针对单个车辆的某些参数进行监测 为主，如车辆耗油、技术状况以及驾驶行为分析等，这些分析方法在一定程度上能够实现节 能的目的，但随着车联网的兴起与发展，越来越多的车辆已经能够方便快捷的接入网络，另 外，由于交通领域的发展，能够实时反映交通状况的路侧系统、导航系统也已覆盖全面，这 意味着节能驾驶行为的分析不仅仅局限于单个车辆，而是可以基于整个大数据平台。

发明内容

有鉴于此，本发明的目的在于提供一种基于大数据的节能驾驶行为分析方法，该方法可 以为驾驶员在行驶过程中提供经济、可靠的驾驶建议以及为车企对车辆的设计和改进提供理 论支持，从而达到节能减排的效果。

为达到上述目的，本发明提供如下技术方案：

一种基于大数据的节能驾驶行为分析方法，该方法在汽车行驶过程中，通过车载终端、 卫星和路侧系统收集车辆相关信息、环境信息和交通信息，并将采集到的信息经车载终端发 送至车联网信息服务后台；信息服务后台通过同ID车辆数据纵向分析模型、同类型车辆数据 横向分析模型和同特征车辆数据对比分析模型进行节能驾驶分析，最终将节能驾驶建议实时 地或者一段行程结束时通过车载终端语音播报和屏幕显示的方式反馈给用户。

进一步，所述同ID车辆数据纵向分析模型通过车载终端判别和记录驾驶员的急加速、急 减速、急转弯行为，对同ID车辆实时数据和历史数据进行对比分析，及时纠正驾驶员的驾驶 陋习和不节能行为；

具体分析过程包括：

1)对车辆驾驶人员的驾驶行为进行判别和量化，首先对驾驶员的不节能操作行为分为 五类：急加速，急减速，急转弯，急加速+急转弯以及急减速+急转弯；再对五类行为进行分 级和量化；

2)对数据进行实时反馈：对驾驶员驾驶行为进行加权量化后，得到每种行为不同级别的 权值分数，在驾驶员行驶过程中，当驾驶员的某项行为达到相应程度时，车载终端会向驾驶 员发出警示并显示该瞬间油耗量；

3)车载终端统计在一定的有效驾驶时间内用户的上述行为的次数，得到对应的节能行为 分，并与历史得分进行比较，了解自己这段时间上述行为是否减少，对于用户的节能行为分 的计算，采用的是各类行为的权值累加。

进一步，所述的对五类行为进行分级和量化包括：对三类基本行为进行分级并附加权值， 对于交叉行为的发生，采用的是权值相乘的方法：

当加速度在am/s²到bm/s²范围内属于轻微急加速，等级为L，权值为1；在bm/s²到c m/s²范围内属于中度急加速，等级为M，权值为2；当加速度大于cm/s²时属于重度急加速， 等级为F，权值为3,其中(a<b<c)；同理急减速和急转弯也可参考相关数据进行权值分配；

进一步，所述同类型车辆数据横向分析模型通过收集车辆在一段时间上的平均油耗、瞬 时油耗信息，利用差异检验的方法分析每种类型的车辆实际耗油量与理论耗油量的差异以及 对比分析不同厂商生产的同类型车辆之间的耗油差异状况。

所述分析车辆实际耗油量与理论耗油量包括：通过采集车辆多个时间段的油耗数据，求 得车辆的平均油耗作为车辆的实际油耗，并与该类型车辆的理论油耗进行差异性分析，使车 企了解该车型车辆在投放市场后是否存在实际油耗大幅度超出理论油耗的情况，为车企在以 后的车辆油耗理论设计上提供理论和数据支撑，具体包括以下步骤：

1)采集车辆行驶过程中测得的多个时间段的油耗，得到一组数据记为 (x₁，x₂，x₃......x_n)，则该车辆的实际油耗记为

2)差异检验：

①由于同类型车辆的平均油耗数据在理论上是服从正态分布的N(μ，σ²)，其中μ为期 望值，是车企基于大数据计算得到的理论油耗值，σ²记为方差；

②做原假设H₀：μ＝μ₀

③选择检验统计量： U = X ‾ - μ σ / n ]]>

④若为显著性水平，说明该车辆实际油耗水平与理论油耗有差异， 且差异较大；

3)通过差异检验，车企可以获到两个有用信息：同一类型的车辆之间的实际油耗是否具 有较大差异性；实际油耗超出理论油耗的车辆是否较多；

进一步，所述对比分析不同厂商生产的同类型车辆之间的耗油差异状况具体包括：

1)数据采集与分类：按车辆的行驶里程对采集的数据作分类；

2)比较不同厂家生产的车辆在不同行驶里程下油耗的差异性；

进一步，所述同特征车辆数据对比分析模型是通过对一些具有相同特征的用户进行分类， 每一类中的任一成员都与最佳驾驶员的油耗进行比较，在对应的节能等级评分系统中，给用 户评分排名，最终提供节能驾驶建议。

进一步，所述同特征车辆数据对比分析具体包括：

1)相同特征的用户分类：相同特征的用户的分类判据包括平均时速、时间段、天气和交 通事件、旅程距离、时速60km/h驾驶时间比例、停车率、停车的时间比例、车辆特性，采用 PCA算法降维，然后运用k-means算法进行分类；

2)同特征用户节能等级划分及得分排名分析：在用户分类完成之后，对同一类别用户的 节能驾驶行为进行分析，运用模糊控制理论，通过对车辆行使过程中的加速度以及加速度变 化量的监测来估算节能等级；对用户每次行程中的节能驾驶行为进行打分，并将用户的排名 反馈到车载终端；

3)最佳油耗比较和节能驾驶建议反馈：所述最佳油耗比较是将用户的一段行程的油耗量 与同条件下行车的用户最佳油耗量进行比较，最佳耗油量的确定是基于该次行程中所有用户 的油耗量基础上的，采用的是去除前10％和后10％的用户，取中间80％的用户的油耗平均值； 所述节能驾驶建议是根据评分系统以及车辆加速度等相关数据分析得出的一种能有效改善用 户节能驾驶行为的策略。

进一步，所述能有效改善用户节能驾驶行为的策略包括：首先是通过与同一条件下行车 的最佳驾驶员的油耗进行比较，得出用户油耗是否正常，若油耗正常，则告知用户保持并给 予一定虚拟奖励，若用户油耗不正常，则进一步进行平均加速度和加速度变化量分析；对于 平均加速度合理的，用户需要调整在驾驶过程中踩油门的力度，以控制加速度的变化量；对 于平均加速度不合理、加速度变化量合理的，用户在行驶过程中需要减小油门；对于平均加 速度和加速度变化量都不合理的，则用户既要减小油门又要减小踩油门的力度。

本发明的有益效果在于：本发明所述的方法能够分析同一个车辆在一段时间上的节能驾 驶行为，如驾驶员三急(急加速、急减速、急转弯)行为的判别，可及时纠正驾驶员的驾驶 陋习和不节能行为；分析同一类型车辆在一段时间上的平均油耗等信息，为车企在以后的车 辆油耗理论设计上提供理论和数据支撑；以及对同条件下行车的用户进行比较，并结合比较 的数据为驾驶员的节能驾驶行为进行评级，提供节能驾驶建议。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为基于大数据的节能驾驶行为的分析系统结构图；

图2为同ID车辆数据纵向分析流程图；

图3为同类型车辆数据横向分析流程图；

图4为节能驾驶建议反馈机制流程图；

图5为同特征车辆数据对比分析流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明的目的是提供一种基于大数据的节能驾驶行为的分析方法，能够分析同一个车辆 在一段时间上的节能驾驶行为，如驾驶员三急(急加速、急减速、急转弯)行为的判别，可 及时纠正驾驶员的驾驶陋习和不节能行为；分析同一类型车辆在一段时间上的平均油耗等信 息，为车企在以后的车辆油耗理论设计上提供理论和数据支撑；以及对同条件下行车的用户 进行比较，并结合比较的数据为驾驶员的节能驾驶行为进行评级，提供节能驾驶建议。

图1为基于大数据的节能驾驶行为的分析系统结构图，在汽车行驶过程中，通过车载终 端、卫星和路侧系统收集车辆相关信息、环境信息和交通信息等，经车载终端发送至车联网 信息服务后台，后台通过对应模型进行节能驾驶分析，如同ID车辆数据纵向分析、同类型车 辆数据横向分析和同特征车辆数据对比分析等，最终将节能驾驶建议实时地或者一段行程结 束时通过车载终端语音播报和屏幕显示的方式反馈给用户。

基于此，本发明建立三种分析模型：同ID车辆数据纵向分析模型、同类型车辆数据横向 分析模型和同特征车辆数据对比分析模型。

同ID车辆数据纵向分析模型：

车辆在行驶过程中驾驶员的主要操作对象有油门、刹车、离合器以及档位，一些驾驶员 由于经验缺乏或者驾驶习惯不好，在不合适的路况采取不当的操作，这不仅会对车辆本身造 成损耗，还会导致车辆耗油量增大。基于此，本发明通过车载终端判别和记录驾驶员的三急 行为(急加速、急减速、急转弯)，对同ID车辆数据进行分析，及时纠正驾驶员的驾驶陋习 和不节能行为。图2为同ID车辆数据纵向分析流程图。

1)对驾驶行为的判别及量化：

驾驶员作为人-车-路中的主体因素,由于本身的非线性和时变性,在驾驶过程中的行为特 性往往是感性多变的,难以准确的量化描述。基于此，本发明采用的是动态加权综合量化模型， 首先对驾驶员的不节能操作行为作了分类，主要分为三类：急加速，急减速以及急转弯，这 三类是驾驶员在行驶过程中最常见的行为，并且也是造成车辆油耗大的主要因素。在驾驶员 实际操作过程中，这几类行为有时是伴随发生。本发明首先对驾驶员的这三类基本行为作了 分级并附加权值。如下：

表1：驾驶员基本驾驶行为等级量化表

当加速度在am/s²到bm/s²范围内属于轻微急加速，等级为L，权值为1；在bm/s²到c m/s²范围内属于中度急加速，等级为M，权值为2；当加速度大于cm/s²时属于重度急加速， 等级为F，权值为3；同理急减速和急转弯也可参考相关数据进行权值分配。

对于交叉行为的发生，本发明采用的是权值相乘的方法，交叉行为主要有两类：急加速+ 急转弯，急减速+急转弯。

表2：驾驶员交叉驾驶行为等级量化表

2)实时反馈：

对驾驶员驾驶行为进行加权量化后，得到了每种行为不同级别的权值分数，在驾驶员行 驶过程中，当驾驶员的某项行为达到相应程度时，车载终端会向驾驶员发出警示并显示该瞬 间油耗量，比如车辆在转弯时突然加速，且加速度和转弯速度均超过最大安全限度时，属于 重度急加速+重度急转弯，车载终端会自动用语音告知用户车辆转弯加速过快并将这个瞬间的 油耗量显示出来。

3)历史比较：

为了方便用户对自己一段时间内节能行为的了解，车载终端会统计在一定的有效驾驶时 间内用户的这些行为的次数，得到对应的节能行为分，并与历史得分进行比较，了解自己这 段时间“三急”行为是否减少，对于用户的节能行为分的计算，本发明采用的是各类行为的 权值累加。另外反映用户节能效率最直接的数据就是耗油量的多少，通过记录用户一定有效 驾驶时间内的耗油量，并与历史数据比较，了解自己耗油状况是否有所改善。

同类型车辆数据横向分析模型：

同类型车辆数据横向分析是通过收集车辆在一段时间上的平均油耗、瞬时油耗等信息， 利用差异检验的方法分析每种类型的车辆实际耗油量与理论耗油量的差异以及对比不同厂商 生产的同类型车辆之间的耗油差异状况，图3为同类型车辆数据横向分析流程图。

1)与车企理论数据进行比较：

车企通过采集车辆多个时间段的油耗数据，求得车辆的平均油耗作为车辆的实际油耗， 并与该类型车辆的理论油耗进行差异性分析，使车企了解该车型车辆在投放市场后是否存在 实际油耗大幅度超出理论油耗的情况，为车企在以后的车辆油耗理论设计上提供理论和数据 支撑。另外对于一些耗油量异常的用户，车企会通知该用户采取适当的措施。具体分析如下：

(1)采集车辆行驶过程中测得的多个时间段的油耗，得到一组数据记为 (x₁，x₂，x₃......x_n)，则该车辆的实际油耗记为

(2)差异检验：

①由于同类型车辆的平均油耗数据在理论上是服从正态分布的N(μ，σ²)，其中μ为期 望值，是车企基于大数据计算得到的理论油耗值，σ²记为方差。

②做原假设H₀：μ＝μ₀

③选择检验统计量： U = X ‾ - μ σ / n ]]>

④若为显著性水平。说明该车辆实际油耗水平与理论油耗有差异， 且差异较大。

(3)通过差异检验，车企可以获到两个有用信息：

①同一类型的车辆之间的实际油耗是否具有较大差异性；

②实际油耗超出理论油耗的车辆是否较多。

这可以帮助车企对这一类型车辆做进一步的改进，缩小这种差异性。另外，为了方便用 户自身的改进，这种差异会以排名的形式反馈到车载终端，最终用户根据实际情况，选择是 否检修。

2)与其他厂家的车型进行比较：

随着车联网的兴起，各厂家对车辆行车数据的共享是必然的，对于不同厂家生产的价位， 重量，动力以及其他各因素相同的车辆，耗油量的大小将是车企在市场中制胜的关键。基于 此，本发明主要分析的是同一类型不同厂家生产的车辆的平均油耗，瞬时油耗，具体分析如 下：

(1)数据采集与分类：由于车辆使用程度的不同会导致车辆的耗油情况有所差异，故需要 按车辆的行驶里程对采集的数据作分类，如行驶10000—20000公里的车辆为一个使用程度级 别，得到各个厂家生产的同一类型车辆在不同使用程度的平均油耗水平。

(2)分析模型：

不同厂家的同车型比较主要是比较不同厂家生产的同类型车辆在不同使用程度下油耗水 平的差异性。以厂家一和厂家二为例进行说明，下表为采集到的厂家一和厂家二生产的甲类 型车辆在不同使用程度下平均油耗值。

表3：各厂家生产的不同使用程度的车型的平均油耗

其中X_1n表示厂家一生产的某一类型使用程度为n的所有车辆的百公里油耗平均水平。 还可通过绘制折线图，将分析结果更直观的反馈给车企，方便车企了解自己的车辆在不同使 用程度下与别的厂家生产的车辆之间的差距，为车企在今后的市场定位以及营销策略制定方 面提供数据说明。

同特征车辆数据对比分析模型：

当驾驶员在相同条件下行车时，由于车辆所处的行驶环境相似，其油耗状况也理应相差 不多，若有些驾驶员相比其他的驾驶员行车耗油量过大，这很有可能是由于操作不当所造成 的，基于此同特征车辆数据对比分析是通过对一些信息对相同特征的用户进行分类，每一类 中的任一成员都与最佳驾驶员的油耗进行比较，在对应的节能等级评分系统中，给用户评分 排名，最终提供节能驾驶建议，图4为节能驾驶建议反馈机制流程图；图5为同特征车辆数 据对比分析流程图。

1)相同特征的用户分类：

相同特征用户的分类判据包括平均时速、时间段、天气和交通事件、旅程距离、时速60km/h 驾驶时间比例、停车率、停车的时间比例、车辆特性等。考虑到这些指标之间各自之间具有 相关性且维数过高，难以采用传统的聚类方法进行分类，故本文先采用PCA主成分分析法进 行降维，然后通过三维k-means聚类法对用户进行分类。

(1)PCA降维：

主成分分析(PCA)就是把多个变量化为少数几个综合指标。假设有n个样本，每个样本 有m个变量描述，将每个变量的数据作归一化处理，这样就构成了n×m阶数据矩阵：

X = x 11 x 12 Λ x 1 m x 21 x 22 Λ x 2 m M M M x n 1 x n 2 Λ x n m ]]>

步骤1计算计算相关系数矩阵：

R = r 11 r 12 Λ r 1 m r 21 r 22 Λ r 2 m M M M r m 1 r m 2 Λ r m m ]]>

式中，r_ij(i,j＝1、2、3...m)表示原来变量x_i与x_j的相关系数，其计算公式为：

r i j = Σ k = 1 m ( x k i - x ‾ i ) ( x k j - x ‾ j ) Σ k = 1 m ( x k i - x ‾ i ) 2 Σ k = 1 m ( x k j - x ‾ j ) 2 ]]>

只需要计算其上三角元素即可，r_ij和r_ji相等。

步骤2计算特征值及特征向量

解特征方程|R-λE|＝0，求出特征值λ_i(i＝1,2...m)，并使其按大小顺序排列，即 λ₁≥λ₂≥...λ_m≥0；然后分别求出对应于λ_i的特征向量q_i(i＝1,2...m)。

步骤3计算主成分贡献率即累计贡献率

主成分Z_i的贡献率： λ i Σ k = 1 m λ k ( i = 1 , 2 ... m ) , ]]>累计贡献率： Σ k = 1 p λ k Σ k = 1 m λ k ( i = 1 , 2 ... m ) , ]]>取贡献 率最大的三个特征值λ₁，λ₂，λ₃所对应的主成分。

步骤4计算主成分载荷 P ( z k , x i ) = λ k q k i ( i = 1 , 2 , ... m , k = 1 , 2 , 3 ) ]]>

由此可进一步计算得到主成分得分：

Z = z 11 z 12 z 13 M M M z n 1 z n 2 z n 3 ]]>

(2)基于三维空间的K-means聚类：

k-means算法是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法。此 算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而且簇间的相似度 较低。相似度的计算根据一个簇中对象的平均值(被看作簇的重心)来进行。此算法首先随 机选择k个对象，每个对象代表一个聚类的质心。对于其余的每一个对象，根据该对象与各 聚类质心之间的距离，把它分配到与之最相似的聚类中。然后，计算每个聚类的新质心。重 复上述过程，直到准则函数收敛。

经PCA降维后，判断用户特征的数据由多维减少到三维，这样每个样本点都在空间中有 唯一一个坐标与之对应，具体的步骤如下：

1、在一段行程结束后，采集到的用户各个指标通过PCA计算后得到三个主成分，这n个 样本的特征可以由这三个主成分指标描述，如下：

Z = z 11 z 12 z 13 M M M z n 1 z n 2 z n 3 ]]>

随机选取k个样本作为初始聚类质心点(clustercentroids)为z₁，z₂...z_k∈R³。

2、对于用户特征的分类是建立在这k个初始聚类质心点上，对于每一个样本点，计算其 与初始样本点的欧式距离，判断它应该属于的类：

x ( i ) = arg min j | | x ( i ) - z j | | 2 ]]>

对于每一个类j，重新计算该类的质心：

z j = Σ i = 1 m 1 { c ( i ) = j } x ( i ) Σ i = 1 m 1 { c ( i ) = j } ]]>

k是我们事先给定的聚类数，c⁽ⁱ⁾代表样本i与k个类中距离最近的那个类，c⁽ⁱ⁾的值是 1到k中的一个。质心z_j代表我们对属于同一个类的样本中心点的猜测。

通过该算法将用户的驾驶特征划分成k类，使得每一类用户之间的相似度大同时又区分 了各类用户之间的差异。

2)同特征用户节能等级划分及得分排名分析：

节能等级评分系统是在用户分类完成之后，对同一类别用户的节能驾驶行为进行分析， 本发明运用模糊控制理论，通过对车辆行使过程中的加速度以及加速度变化量的监测来估算 节能等级。分析模型如下：

车辆的加速度a与加速度变化量Δa是判断车辆节能与否的重要参量，其中a的模糊集合 为S(Small)，M(Medium)与L(large)；Δa的模糊集合为N(Negative)，M(Medium)与 P(positive)，等级划分有VW(VeryWasting)，W(Wasting)M(Medium)，E(Economic)以及 VE(VeryEconomic)。节能等级模糊矩阵如下：

表4：节能等级模糊矩阵

其中加速度a与加速度变化量Δa都是取车辆一段行程结束后的平均值，并与同一条件下 的其他车辆进行比较划分等级，可以运用k-means算法，在这里不做赘述。

为了更直观的向用户反映其当前的驾驶行为的节能程度，本发明采用的是在等级划分的 基础上进行打分，打分标准为：VW＝2分，W＝4分，M＝6分，E＝8分，VE＝10分。其中最高分为 10分。

表5：节能等级分值划分表

通过对用户每次行程中的节能驾驶行为进行打分，并将用户的排名反馈到车载终端，可 以很好的激励用户，让更多的用户有兴趣参与进来。

3)最佳油耗比较和节能驾驶建议反馈：

最佳油耗比较：

最佳油耗比较是将用户的一段行程的油耗量与同条件下行车的用户最佳油耗量进行比 较，最佳耗油量的确定是基于该次行程中所有用户的油耗量基础上的，考虑到可能存在一些 特殊状况，本发明采用的是去除前10％和后10％的用户，取中间80％的用户的油耗平均值。 由于车辆所处的行驶环境相似，其油耗状况也理应相差不多，若有些驾驶员相比其他的驾驶 员行车耗油量过大，这很有可能是由于操作不当所造成的，通过与最佳油耗相比，促使了用 户对自己节能驾驶行为的及时关注。

节能驾驶建议反馈：

节能驾驶建议是根据评分系统以及驾驶员的驾驶行为等相关数据分析得出的一种能有效 改善用户节能驾驶行为的策略。

该机制首先是通过与同一驾驶特征下行车的最佳驾驶员的油耗进行比较，得出用户油耗 是否正常，若油耗正常，则告知用户保持并给予一定虚拟奖励，若用户油耗不正常，则进一 步对驾驶员驾驶行为进行分析；通过将一段行程内驾驶员的驾驶行为与标准节能驾驶行为进 行对比，分析驾驶员哪些行为可能存在不节能因素，然后根据这些行为提出相应的建议方案， 用户可以自行选择接受建议和不接受建议。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述 优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和 细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。