一种基于摩托车运行状态的激进骑行特征提取方法及装置

本发明涉及摩托车骑行行为分析领域，尤其涉及一种基于摩托车运行状态的激进骑行特征提取方法及装置。

背景技术：

1、随着全球经济的发展和消费者生活水平的提高，摩托车的消费结构也在发生变化。除了基本的代步功能外，摩托车的休闲，娱乐，竞技等多元化用途也越来越受到重视。在享受极致的驾驶体验的同时，摩托车用户也常常因为危险激进的驾驶行为发生交通事故。与汽车领域类似，摩托车领域也开始广泛利用大数据技术对用户激进骑行行为进行分析预测的研究与应用。

2、然而摩托车领域智能化起步较晚，现阶段针对激进骑行行为研究多是与汽车领域类似的建立在变道、跟车等较为简单的操作特征之上。此类特征常常受到外界环境的影响，无法全面真实的反映用户个人的骑行风格是否激进。且摩托车操控有其独特的专业性，在骑行过程中产生的数据特征也更为复杂，但同时也能隐含更多反映用户骑行习惯与风格的信息。因此建立一套能从摩托车的复杂操作特征中提取出能有效反映激进骑行行为的特征提取方法尤为重要。

技术实现思路

1、针对现有技术的不足，本发明提出一种基于摩托车运行状态的激进骑行特征提取方法及装置。

2、具体技术方案如下：

3、一种基于摩托车运行状态的激进骑行特征提取方法，包括以下步骤：

4、s1：收集历史骑行过程中摩托车的运行状态数据，得到原始数据集；所述运行状态数据包括多项骑行特征；对原始数据集进行预处理，得到无标签数据集；

5、s2：将发动机实际扭矩、油门加速器开度作为参考特征，计算所述无标签数据集中的各项骑行特征与参考特征的相关性，据此筛除无标签数据集中与激进骑行行为无关的骑行特征，得到潜在有用骑行特征数据集；

6、s3：采用滑动窗口法为所述潜在有用骑行特征数据集中的运行状态数据构建训练标签，得到有标签数据集；

7、s4：利用有标签数据集训练基于自注意力机制的transformer模型，得到各项骑行特征对该模型预测性能的影响系数，舍去所述影响系数低于设定阈值的骑行特征，得到最终的激进骑行特征。

8、进一步地，所述s1中，运行状态数据的骑行特征包括：上报时间、车架号、瞬时油耗、速度、发动机转速、发动机实际扭矩、油门加速器开度、x轴角、行驶总里程。

9、进一步地，所述s1中，预处理具体通过如下子步骤实现：

10、s1.1：对所述原始数据集进行统计性分析，得到统计性分析结果；所述统计性分析包括每一项骑行特征的平均值、最大值、最小值、标准差以及四分位数；所述统计性分析结果包括每一项骑行特征对应的数据的中心趋势、分布形态、离散程度的度量、集中分布范围；

11、s1.2、基于所述统计性分析结果进行数据清洗：首先删除所述运行状态数据中含有缺失值的整条上报记录，所述整条上报记录为所有摩托车车端传感器单次上传的所有数据；捕获离群异常值并删除；

12、s1.3：对s1.2得到的清洗后的运行状态数据进行时间戳处理，得到按照摩托车的车架号、上报时间的优先级顺序排列并分组的无标签数据集。

13、进一步地，所述s1.2中，离群异常值m的表达式如下：

14、；

15、；

16、式中，q1为四分位数按从小到大排序后排列在25%位置的数据，q3为四分位数按从小到大排序后排列在75%位置的数据，iqr为四分位距。

17、进一步地，所述s1.3具体包括以下步骤：

18、s1.3.1、数据排序：将清洗后的运行状态数据根据车架号进行降序排序，若存在相同的车架号，则根据上报时间进行升序排序；

19、s1.3.2、数据分组：计算排序后相邻运行状态数据间的上报时间差值；设定时间差阈值，判断相邻运行状态数据的差值是否超过所述时间差阈值，若是，则将这两个运行状态数据划分为不同组，若否，则将这两个运行状态数据划分为同一组。

20、进一步地，所述s2中，无标签数据集中的各项骑行特征与参考特征的相关性通过皮尔逊相关系数体现：分别计算发动机实际扭矩与各项骑行特征的皮尔逊相关系数、油门加速器开度与各项骑行特征的皮尔逊相关系数，每项骑行特征的激进行为综合指数由其与发动机实际扭矩、油门加速器开度的皮尔逊相关系数加权求和得到；若激进行为综合指数的绝对值在0到0.2之间，则判定该骑行特征与参考特征呈弱相关，将其从无标签数据集中筛除。

21、进一步地，所述s3中，通过滑动窗口法构建有标签数据集，具体通过如下子步骤实现：

22、s3.1：对每项骑行特征数据构造数据集和标签集，并初始化为空；确定滑动窗口的大小和滑动步长；

23、s3.2：滑动窗口在每项骑行特征的数据序列上从索引0开始，以设定滑动步长进行滑动，每次滑动后，从数据序列中获取滑动窗口内的数据，并将其添加到数据集中；通过索引，获取滑动窗口后的下一个数据点，将其作为当前滑动窗口内数据的标签，并添加到标签集中；

24、s3.3：重复s3.1-s3.2，直到所有骑行特征均完成数据集与标签集的添加；

25、s3.4：集合所有数据集和标签集，得到有标签数据集。

26、进一步地，所述s4中，各项骑行特征对该模型预测性能的影响系数具体通过如下子步骤得到：

27、s4.1：初始化transformer模型，将有标签数据集输入到transformer模型中进行训练，得到包含所有潜在有用骑行特征的基础模型，并将该基础模型的均方根误差作为性能指标基准；

28、s4.2：遍历有标签数据集，逐一移除单项骑行特征，使用更新的有标签数据集重新训练transformer模型，并计算每次移除骑行特征后的均方根误差；直到完成所有骑行特征都被单独排除过一次；

29、s4.3：判断移除每项骑行特征前后transformer模型的均方根误差变化是否超过设定变化阈值，若超过，则认为该项骑行特征对transformer模型预测性能的影响系数大，反之则认为该项骑行特征的影响系数小；排除影响系数小的骑行特征，得到最终的激进骑行特征。

30、进一步地，所述s4中，transformer模型中的自注意力机制做出的优化如下：

31、对于每项骑行特征对应的数据序列，在计算序列中每一数据点 x i与其近邻数据点 x j之间的注意力分数 score ij后，使用一个注意力优化参数 m ij，将 x i注意力限制在与其相邻的2k个元素范围内，k由人为设定；

32、 m ij对模型注意力机制的优化表达式如下：

33、；

34、；

35、式中，opt_scoreij为优化后的注意力分数。

36、一种基于摩托车运行状态的激进骑行特征提取装置，用于实现所述的基于摩托车运行状态的激进骑行特征提取方法，包括：数据获取单元、数据处理单元、特征筛除单元、特征验证单元；

37、所述数据获取单元用于获取采集到的驾驶过程中摩托车运行状态数据；

38、所述数据处理单元用于根据设定好的规则对数据进行统计性分析、数据清洗以及时间戳处理；

39、所述特征筛除单元根据输入的参考特征，从其余骑行特征中筛除与激进骑行行为无关的骑行特征；

40、所述特征验证单元首先会对数据进行训练标签的构造，接着利用单元中内置的基于自注意力机制的学习模型对特征提取单元提取出的特征进行验证筛选，并最终输出反映激进骑行行为的关键特征。

41、本发明的有益效果是：

42、本发明提出了一种从摩托车运行状态数据中提取出激进骑行特征的方法及装置，能准确提取出激进骑行特征，解决了摩托车操控数据特有的复杂性与专业性的问题；同时有助于提高摩托车激进骑行行为识别的准确度，拓展了可用于分析的特征参数领域，推动摩托车骑行的安全性，减少因激进骑行导致的安全事故的发生。