,鐘玉東,劉朝輝,李振營(yíng),侯俊劍

(1.鄭州輕工業(yè)大學(xué) 機(jī)電工程學(xué)院,河南 鄭州 450002;2.宇通客車(chē)股份有限公司 技術(shù)研究中心,河南 鄭州 450016)

0 引 言

駕駛風(fēng)格指駕駛員習(xí)慣性的駕駛方式[1],也是駕駛員操控方向盤(pán)、踩踏加速踏板或制動(dòng)踏板等駕駛操作行為特征和車(chē)速、加速度等車(chē)輛運(yùn)動(dòng)狀態(tài)特征的直接反映。相關(guān)資料顯示,90%以上的交通事故均與駕駛員相關(guān),激進(jìn)型駕駛風(fēng)格的駕駛員更容易引發(fā)交通事故。準(zhǔn)確識(shí)別出不同駕駛員的駕駛風(fēng)格,并對(duì)激進(jìn)型駕駛風(fēng)格的駕駛員采取個(gè)性化的干預(yù),對(duì)遏制駕駛?cè)酥乱虻慕煌ㄊ鹿拾l(fā)生十分重要[2]。

有關(guān)駕駛風(fēng)格的研究受到研究者的日益重視,不少研究者嘗試使用不同的方法來(lái)研究如何準(zhǔn)確識(shí)別駕駛風(fēng)格,并取得了一定成效。李經(jīng)緯等[3]基于試驗(yàn)車(chē)輛的行駛狀態(tài)數(shù)據(jù)人工提取10個(gè)特征參數(shù),應(yīng)用主成分分析和K-means聚類(lèi)方法對(duì)駕駛風(fēng)格進(jìn)行識(shí)別,并提出駕駛風(fēng)格聚類(lèi)為3類(lèi)效果較好;石京等[4]把駕駛風(fēng)格分為激進(jìn)型、普通型和謹(jǐn)慎型3類(lèi),并從模擬高速試驗(yàn)得到的數(shù)據(jù)中提取特征參數(shù),采用單因素方差分析方法研究了相關(guān)參數(shù)與各類(lèi)駕駛風(fēng)格之間的關(guān)系;WANG Chang等[5]通過(guò)試驗(yàn)車(chē)輛搭載多種傳感器來(lái)記錄多名駕駛員完成指定駕駛?cè)蝿?wù)的行車(chē)數(shù)據(jù),選擇方向盤(pán)最大轉(zhuǎn)向角、跟車(chē)時(shí)距、換道時(shí)距等特征參數(shù),利用模糊評(píng)價(jià)法建立了換道時(shí)駕駛風(fēng)格離線分類(lèi)模型;Z. CONSTANTINESCU[6]基于車(chē)速和加速度數(shù)據(jù),應(yīng)用主成分分析和分層聚類(lèi)分析方法對(duì)駕駛風(fēng)格進(jìn)行分類(lèi)和識(shí)別;李國(guó)法[7]基于制動(dòng)減速度、方向盤(pán)轉(zhuǎn)角、橫向加速度、橫擺角速度和速度等特征,采用隨機(jī)森林分類(lèi)器對(duì)駕駛風(fēng)格進(jìn)行評(píng)測(cè);A.ALJAAFREH等[8]應(yīng)用反映車(chē)輛運(yùn)動(dòng)狀態(tài)的特征數(shù)據(jù),采用模糊邏輯推理系統(tǒng)對(duì)駕駛風(fēng)格分類(lèi)識(shí)別開(kāi)展研究;D.A.JOHNSON等[9]通過(guò)融合加速計(jì)、陀螺儀、磁強(qiáng)計(jì)、GPS、相機(jī)等多源異構(gòu)數(shù)據(jù),開(kāi)展駕駛模式的識(shí)別分類(lèi)研究。

然而,以上研究也存在一些難以解決的問(wèn)題:主要依靠專(zhuān)家經(jīng)驗(yàn)利用統(tǒng)計(jì)分析與數(shù)據(jù)圖表描述方法進(jìn)行駕駛行為特征提煉,未充分考慮駕駛行為數(shù)據(jù)的時(shí)空關(guān)系,試驗(yàn)數(shù)據(jù)樣本較少,不能全面反映駕駛員的駕駛行為特征,且存在識(shí)別模型泛化能力差、識(shí)別精度低等問(wèn)題。近年來(lái),隨著電動(dòng)城市客車(chē)推廣應(yīng)用,車(chē)載CAN數(shù)據(jù)系統(tǒng)也得到大規(guī)模應(yīng)用,駕駛員操縱車(chē)輛狀態(tài)及對(duì)應(yīng)車(chē)輛運(yùn)動(dòng)狀態(tài)的多源異構(gòu)數(shù)據(jù)得以實(shí)時(shí)傳輸和存儲(chǔ),這些海量數(shù)據(jù)隱含著大量的駕駛員駕駛行為信息。利用大數(shù)據(jù)和人工智能技術(shù)進(jìn)行駕駛風(fēng)格分析得到關(guān)注,當(dāng)前主要技術(shù)挑戰(zhàn)為如何從海量多源異構(gòu)的數(shù)據(jù)中自動(dòng)提取駕駛?cè)说鸟{駛行為特征并準(zhǔn)確識(shí)別駕駛風(fēng)格。卷積神經(jīng)網(wǎng)絡(luò)(CNN)[10]作為一項(xiàng)新興的人工智能技術(shù),可從大數(shù)據(jù)中自動(dòng)提取感興趣的特征,免去傳統(tǒng)依靠專(zhuān)家經(jīng)驗(yàn)人工提煉特征的過(guò)程,結(jié)合神經(jīng)網(wǎng)絡(luò)的分類(lèi)功能,已成功應(yīng)用于圖像處理[11-12]和故障模式識(shí)別[12-15]等領(lǐng)域。

電動(dòng)城市客車(chē)作為城市公共交通領(lǐng)域的一種新型交通工具,具有載客量大、動(dòng)力強(qiáng)勁、行駛靜音等特點(diǎn),多行駛在人員流量大而復(fù)雜的道路環(huán)境中,一旦發(fā)生事故將產(chǎn)生惡劣的社會(huì)影響。駕駛員駕駛車(chē)輛進(jìn)站是電動(dòng)城市客車(chē)日常運(yùn)行中的最主要場(chǎng)景之一,進(jìn)站過(guò)程涉及打轉(zhuǎn)向燈、操控方向盤(pán)、踩踏制動(dòng)踏板、換擋、駐車(chē)等系列駕駛行為,駕駛員的駕駛風(fēng)格直接影響進(jìn)站過(guò)程中人車(chē)安全風(fēng)險(xiǎn)水平?；谝陨戏治?結(jié)合車(chē)聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等新技術(shù)發(fā)展背景,筆者利用駕駛員自然駕駛電動(dòng)城市客車(chē)駛?cè)胝九_(tái)對(duì)應(yīng)的車(chē)載CAN數(shù)據(jù),結(jié)合電動(dòng)城市客車(chē)歷史事故分析,選擇多通道特征數(shù)據(jù),采用由卷積層和池化層組成的特征提取網(wǎng)絡(luò)對(duì)進(jìn)站過(guò)程中的時(shí)序數(shù)據(jù)進(jìn)行深度融合和特征自動(dòng)提取,無(wú)縫輸出給全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行駕駛風(fēng)格識(shí)別,構(gòu)建出基于CNN的電動(dòng)城市客車(chē)駕駛員進(jìn)站駕駛風(fēng)格識(shí)別模型,用于識(shí)別駕駛員的駕駛風(fēng)格,以便針對(duì)激進(jìn)型駕駛員開(kāi)展駕駛安全教育,進(jìn)而降低駕駛員致因的電動(dòng)城市客車(chē)交通事故,助力公共交通安全管理。

1 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型

1.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

卷積神經(jīng)網(wǎng)絡(luò)是綜合利用卷積-池化運(yùn)算自動(dòng)提取特征和神經(jīng)網(wǎng)絡(luò)分類(lèi)的功能來(lái)實(shí)現(xiàn)模型識(shí)別的深度學(xué)習(xí)算法,通過(guò)參數(shù)共享來(lái)削弱識(shí)別模型過(guò)擬合的問(wèn)題,利用局部稀疏網(wǎng)絡(luò)連接來(lái)學(xué)習(xí)局部特征,實(shí)現(xiàn)端到端的非線性關(guān)系映射。典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)除輸入層和輸出層外,還包括由多個(gè)卷積層和池化層組成的特征提取網(wǎng)絡(luò)和全連接層組成的分類(lèi)網(wǎng)絡(luò)。

輸入層為數(shù)據(jù)輸入的接口。卷積層通過(guò)不同尺度卷積核函數(shù)對(duì)上一層的輸出進(jìn)行卷積運(yùn)算提取局部區(qū)域的空間特征,實(shí)現(xiàn)具有一定深度、寬度和階次的特征映射。該過(guò)程一般采用非線性激活函數(shù)(如Relu)構(gòu)造輸出特征,其數(shù)學(xué)模型描述為[16]:

(1)

(2)

池化層通過(guò)下采樣來(lái)壓縮特征信息,突出有效特征信息,進(jìn)而減少計(jì)算量和防止數(shù)據(jù)過(guò)擬合。一般常采用最大池化或平均池化,分別取感知域的最大值或平均值作為映射輸出。壓平層把最后一個(gè)卷積或池化層的輸出特征壓平為一維向量,作為全連接層的輸入。全連接層起到分類(lèi)器作用,通過(guò)融合特征提取網(wǎng)絡(luò)提取的高階特征向量,利用輸出層完成數(shù)據(jù)從特征空間到樣本標(biāo)記空間的映射轉(zhuǎn)換,輸出網(wǎng)絡(luò)模型分類(lèi)的最終結(jié)果。

輸出層輸出節(jié)點(diǎn)組合對(duì)應(yīng)不同分類(lèi)標(biāo)簽,通常使用激活函數(shù)Softmax轉(zhuǎn)換多分類(lèi)的輸出值到區(qū)間[0, 1]且總和等于1的概率分布。節(jié)點(diǎn)輸出為不同類(lèi)別的概率值,取其中最大的概率值對(duì)應(yīng)的標(biāo)簽為進(jìn)站駕駛風(fēng)格識(shí)別結(jié)果。Softmax函數(shù)表達(dá)式為:

(3)

式中:zi為第i個(gè)節(jié)點(diǎn)的輸出值;C為輸出節(jié)點(diǎn)的個(gè)數(shù),即分類(lèi)的類(lèi)別個(gè)數(shù)。

通過(guò)對(duì)電動(dòng)城市客車(chē)駕駛員駕駛操作和車(chē)輛行駛狀態(tài)多通道特征數(shù)據(jù)預(yù)處理后得到樣本數(shù)據(jù)輸入到模型輸入層,利用卷積-池化運(yùn)算自動(dòng)提取高階的特征信息,無(wú)縫輸出給全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)站駕駛風(fēng)格識(shí)別,避免了先基于人工經(jīng)驗(yàn)對(duì)數(shù)據(jù)進(jìn)行特征提取再輸入神經(jīng)網(wǎng)絡(luò)開(kāi)展識(shí)別分類(lèi)的繁雜過(guò)程,識(shí)別過(guò)程高效,降低人工干預(yù)和模型使用成本。

1.2 駕駛風(fēng)格識(shí)別模型設(shè)計(jì)

筆者構(gòu)建的城市電動(dòng)客車(chē)駕駛風(fēng)格識(shí)別模型(圖1)包括1個(gè)輸入層、4個(gè)卷積層、4個(gè)池化層、1個(gè)壓平層、1個(gè)全連接層和1個(gè)輸出層,對(duì)應(yīng)卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)見(jiàn)表1。其過(guò)程如下:首先,把多通道特征數(shù)據(jù)預(yù)處理形成的樣本數(shù)據(jù)輸入到輸入層;其次,進(jìn)行數(shù)據(jù)融合及特征提取,利用卷積層①對(duì)不同通道數(shù)據(jù)進(jìn)行空間跨通道卷積計(jì)算獲得淺層次的時(shí)空特征,利用其余卷積層和池化層對(duì)時(shí)序數(shù)據(jù)進(jìn)行交替運(yùn)算提取反映駕駛行為的高階特征,經(jīng)壓平層將特征數(shù)據(jù)轉(zhuǎn)化為一維向量數(shù)據(jù),并輸入到全連接神經(jīng)網(wǎng)絡(luò);最后,利用激活函數(shù)Softmax預(yù)測(cè)不同駕駛風(fēng)格的概率值,并把最大概率值對(duì)應(yīng)標(biāo)簽作為進(jìn)站駕駛風(fēng)格的識(shí)別結(jié)果。

表1 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)

圖1 駕駛風(fēng)格識(shí)別模型

1.3 駕駛風(fēng)格識(shí)別流程

基于卷積神經(jīng)網(wǎng)絡(luò)識(shí)別電動(dòng)城市客車(chē)進(jìn)站駕駛風(fēng)格識(shí)別的工作流程(圖2)如下:

圖2 卷積神經(jīng)網(wǎng)絡(luò)電動(dòng)城市客車(chē)進(jìn)站駕駛風(fēng)格識(shí)別流程

Step1數(shù)據(jù)采集和預(yù)處理。使用自然駕駛過(guò)程中采集到的駕駛員駕駛操作車(chē)輛及對(duì)應(yīng)車(chē)輛運(yùn)動(dòng)狀態(tài)的CAN數(shù)據(jù)作為數(shù)據(jù)源,對(duì)數(shù)據(jù)進(jìn)行清洗、歸一化、切片、打標(biāo)簽等預(yù)處理,構(gòu)建標(biāo)簽化的多通道時(shí)間序列切片數(shù)據(jù)樣本集。

Step2卷積神經(jīng)網(wǎng)絡(luò)模型建立。在建立模型的過(guò)程中,將處理好的標(biāo)簽化切片數(shù)據(jù)樣本輸出給卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,經(jīng)過(guò)多次卷積-池化運(yùn)算,由壓平層把提取到的時(shí)空特征壓平為一維數(shù)組數(shù)據(jù)后輸出給全連接網(wǎng)絡(luò)并行訓(xùn)練,經(jīng)Softmax激活函數(shù)預(yù)測(cè)概率分布和誤差反向傳播,對(duì)模型參數(shù)進(jìn)行優(yōu)化迭代。當(dāng)訓(xùn)練誤差收斂達(dá)到設(shè)定目標(biāo)值時(shí),模型訓(xùn)練完成,保存模型最優(yōu)狀態(tài)對(duì)應(yīng)的模型參數(shù)。

Step3目標(biāo)數(shù)據(jù)駕駛風(fēng)格識(shí)別。在識(shí)別進(jìn)站駕駛風(fēng)格的過(guò)程中,把Step2中保存的模型最優(yōu)狀態(tài)參數(shù)置入到駕駛風(fēng)格識(shí)別卷積神經(jīng)網(wǎng)絡(luò)。當(dāng)目標(biāo)數(shù)據(jù)輸入網(wǎng)絡(luò)模型時(shí),通過(guò)卷積層進(jìn)行特征提取,并輸出給全連接神經(jīng)網(wǎng)絡(luò),經(jīng)輸出層應(yīng)用Softmax激活函數(shù)計(jì)算出進(jìn)站駕駛風(fēng)格對(duì)應(yīng)類(lèi)別的概率值。最大概率值對(duì)應(yīng)的類(lèi)別即為電動(dòng)城市客車(chē)進(jìn)站駕駛風(fēng)格類(lèi)別。

在卷積神經(jīng)網(wǎng)絡(luò)中,標(biāo)簽化的多通道切片數(shù)據(jù)樣本直接輸入到模型進(jìn)行訓(xùn)練,可通過(guò)卷積層與池化層交替自動(dòng)提取樣本數(shù)據(jù)中隱含的非線性特征,并輸出給全連接神經(jīng)網(wǎng)絡(luò),進(jìn)而完成特征學(xué)習(xí)并實(shí)現(xiàn)分類(lèi),免去傳統(tǒng)方法中依靠專(zhuān)家經(jīng)驗(yàn)人工提煉特征信息的過(guò)程,實(shí)現(xiàn)端到端的數(shù)據(jù)處理和識(shí)別分類(lèi)。

2 數(shù)據(jù)準(zhǔn)備和模型訓(xùn)練

2.1 數(shù)據(jù)采集

為評(píng)估進(jìn)站駕駛風(fēng)格識(shí)別模型的性能,筆者選擇采集不同駕駛員自然駕駛某大型電動(dòng)城市客車(chē)的車(chē)載CAN總線數(shù)據(jù)作為數(shù)據(jù)集,這些數(shù)據(jù)對(duì)應(yīng)駕駛員駛?cè)肽彻粚?shí)際運(yùn)營(yíng)線路站點(diǎn)過(guò)程,包括駕駛員制動(dòng)、轉(zhuǎn)向、駐車(chē)等系列行為。該站臺(tái)采用港灣式公交站臺(tái)設(shè)計(jì),如圖3。為對(duì)不同駕駛員的數(shù)據(jù)粘貼駕駛風(fēng)格標(biāo)簽,由3名專(zhuān)業(yè)評(píng)價(jià)人員現(xiàn)場(chǎng)試乘車(chē)輛,并按謹(jǐn)慎型、普通型和激進(jìn)型3類(lèi)對(duì)不同駕駛員進(jìn)站駕駛風(fēng)格分別進(jìn)行獨(dú)立評(píng)價(jià)。以“3人獨(dú)立評(píng)價(jià)結(jié)果完全一致采用”的原則確定不同駕駛風(fēng)格的最終評(píng)價(jià)結(jié)果,共篩選出15名駕駛員,不同駕駛風(fēng)格對(duì)應(yīng)駕駛員數(shù)量見(jiàn)表2。

表2 駕駛員分類(lèi)

圖3 港灣式公交站臺(tái)行車(chē)路線

電動(dòng)城市客車(chē)車(chē)載CAN總線數(shù)據(jù)采集系統(tǒng)如圖4。

圖4 電動(dòng)城市客車(chē)數(shù)據(jù)采集系統(tǒng)

該系統(tǒng)可采集的數(shù)據(jù)包括車(chē)輛上電點(diǎn)火狀態(tài)、檔位信號(hào)、GPS軌跡、車(chē)速、油門(mén)踏板開(kāi)度、制動(dòng)踏板開(kāi)度、方向盤(pán)轉(zhuǎn)角、方向盤(pán)角速度、縱向加速度、橫向加速度、轉(zhuǎn)向燈信號(hào)、電機(jī)轉(zhuǎn)速等以及視頻數(shù)據(jù)、障礙物距離等300余項(xiàng)數(shù)據(jù)。車(chē)載CAN總線記錄的數(shù)據(jù)示例如圖5。

圖5 CAN總線數(shù)據(jù)

2.2 數(shù)據(jù)預(yù)處理

2.2.1 數(shù)據(jù)切分

需要對(duì)車(chē)載CAN總線采集的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、特征選擇、重采樣和歸一化等預(yù)處理。為篩選與駕駛風(fēng)格高度相關(guān)的貢獻(xiàn)較大的特征數(shù)據(jù),結(jié)合歷史事故原因,分析選取反映進(jìn)站過(guò)程特點(diǎn)的駕駛員駕駛操作的方向盤(pán)轉(zhuǎn)角、方向盤(pán)角速度、油門(mén)踏板開(kāi)度、制動(dòng)踏板開(kāi)度數(shù)據(jù),以及車(chē)輛的車(chē)速、縱向加速度、橫向加速度等7個(gè)特征數(shù)據(jù),并采用Pearson相關(guān)系數(shù)[17]來(lái)檢驗(yàn)特征數(shù)據(jù)之間的相關(guān)性。Pearsom相關(guān)系數(shù)分布在區(qū)間[-1,1]內(nèi),相關(guān)系數(shù)越接近1,說(shuō)明兩個(gè)特征數(shù)據(jù)的正相關(guān)性越強(qiáng),越靠近 -1則說(shuō)明兩個(gè)特征數(shù)據(jù)的負(fù)相關(guān)性越強(qiáng)。7個(gè)特征數(shù)據(jù)的相關(guān)系數(shù)如圖6。從圖6可看出,各特征數(shù)據(jù)之間的相關(guān)系數(shù)均不大于0.50,說(shuō)明特征數(shù)據(jù)之間的相關(guān)性較低。重采樣是為了保證不同采樣頻率得到的原始記錄數(shù)據(jù)在單位時(shí)間內(nèi)具有相同的數(shù)據(jù)長(zhǎng)度和時(shí)空對(duì)應(yīng)關(guān)系,筆者選定50 ms作為重采樣周期。數(shù)據(jù)歸一化是為了統(tǒng)一所有特征的尺度,便于模型對(duì)數(shù)據(jù)進(jìn)行準(zhǔn)確分類(lèi)。

圖6 特征數(shù)據(jù)相關(guān)系數(shù)

進(jìn)站過(guò)程中駕駛員駕駛操作數(shù)據(jù)和車(chē)輛運(yùn)動(dòng)狀態(tài)的多通道數(shù)據(jù)為連續(xù)變化的時(shí)間序列信號(hào),各個(gè)特征數(shù)據(jù)之間相互混疊,空間關(guān)系特征不顯著,難以分辨其表面淺層特征之間的差異。為利用CNN提取時(shí)間序列數(shù)據(jù)深度關(guān)聯(lián)的時(shí)空特征,需對(duì)數(shù)據(jù)結(jié)構(gòu)進(jìn)行轉(zhuǎn)換。

提取篩選后15名駕駛員駕駛車(chē)輛進(jìn)入站臺(tái)過(guò)程的數(shù)據(jù)作為數(shù)據(jù)源,采集每名駕駛員駕駛車(chē)輛進(jìn)站過(guò)程中對(duì)應(yīng)的油門(mén)踏板開(kāi)度、制動(dòng)踏板開(kāi)度、方向盤(pán)轉(zhuǎn)角、方向盤(pán)角速度、車(chē)速、縱向加速度、橫向加速度共7通道的時(shí)間序列數(shù)據(jù)組成樣本集,共獲得樣本20 337個(gè),樣本截取對(duì)應(yīng)時(shí)間窗長(zhǎng)度為10 s,重采樣后每通道包含201個(gè)數(shù)據(jù)值。

樣本數(shù)據(jù)按駕駛風(fēng)格類(lèi)別的分布情況如表3,其中訓(xùn)練樣本和驗(yàn)證樣本分別用于網(wǎng)絡(luò)參數(shù)訓(xùn)練和模型參數(shù)驗(yàn)證,測(cè)試樣本用于測(cè)試模型性能。

表3 樣本數(shù)據(jù)分布

2.2.2 數(shù)據(jù)標(biāo)簽化

將電動(dòng)城市客車(chē)進(jìn)站駕駛風(fēng)格分為謹(jǐn)慎型、普通型和激進(jìn)型3類(lèi),并與自然駕駛狀態(tài)數(shù)據(jù)進(jìn)行對(duì)比試驗(yàn),用來(lái)驗(yàn)證該模型應(yīng)用于實(shí)際工作場(chǎng)景是否能準(zhǔn)確地識(shí)別駕駛風(fēng)格。采用獨(dú)熱編碼方式設(shè)定各駕駛風(fēng)格類(lèi)別對(duì)應(yīng)的標(biāo)簽,如表4。

表4 駕駛風(fēng)格類(lèi)別標(biāo)簽

2.3 模型訓(xùn)練參數(shù)

筆者采用Relu函數(shù)作為激活函數(shù)用于提高收斂速度和減少過(guò)擬合現(xiàn)象;使用Adam優(yōu)化算法更新網(wǎng)絡(luò)模型參數(shù);在全連接層引入隨機(jī)失活正則化方法避免過(guò)度擬合訓(xùn)練數(shù)據(jù),選擇失活比率為0.4;選擇填充方式為Same,卷積和池化步長(zhǎng)均為1;設(shè)定模型迭代30次,批次樣本數(shù)量為160個(gè)。

隨機(jī)失活正則化會(huì)隨機(jī)選擇神經(jīng)網(wǎng)絡(luò)單元并賦權(quán)重為零,用來(lái)鈍化神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)微小變化響應(yīng)的敏感性,進(jìn)一步提高對(duì)隱性特征處理的準(zhǔn)確性。

為降低數(shù)據(jù)劃分帶來(lái)的影響,考慮樣本數(shù)據(jù)量規(guī)模,選擇應(yīng)用十折交叉驗(yàn)證方法,基于由表3中訓(xùn)練樣本和驗(yàn)證樣本組成的數(shù)據(jù)集對(duì)進(jìn)站駕駛風(fēng)格卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型參數(shù)進(jìn)行訓(xùn)練和調(diào)整。

3 結(jié)果分析和討論

3.1 結(jié)果分析

分類(lèi)模型識(shí)別效果可用系列指標(biāo)來(lái)評(píng)價(jià),常用評(píng)價(jià)指標(biāo)有準(zhǔn)確率、查全率、查準(zhǔn)率、損失值和ROC曲線等[18]。準(zhǔn)確率是指分類(lèi)器正確分類(lèi)的樣本數(shù)與總樣本數(shù)之比;查全率是指分類(lèi)器預(yù)測(cè)為正的樣本數(shù)與預(yù)測(cè)正樣本數(shù)之比;查準(zhǔn)率是指預(yù)測(cè)為正的樣本數(shù)與真實(shí)正樣本數(shù)之比。其相關(guān)計(jì)算公式如式(4)～式(6):

A=(NTP+NTN)/(NTP+NTN+NFP+NFN)

(4)

P=NTP/(NTP+NFP)

(5)

R=NTP/(NTP+NFN)

(6)

式中:A為準(zhǔn)確率;P為查準(zhǔn)率;R為查全率;NTP為真實(shí)正類(lèi)被正確預(yù)測(cè)為正類(lèi)的數(shù)量;NTN為真實(shí)負(fù)類(lèi)被預(yù)測(cè)為負(fù)類(lèi)的數(shù)量;NFP為真實(shí)負(fù)類(lèi)被預(yù)測(cè)為正類(lèi)的數(shù)量;NFN為真實(shí)正類(lèi)被預(yù)測(cè)為負(fù)類(lèi)的數(shù)量。

損失值采用交叉熵?fù)p失函數(shù)計(jì)算,用于衡量模型預(yù)測(cè)值和實(shí)際值之間的差異。ROC曲線用于綜合檢測(cè)模型的準(zhǔn)確性,以真正類(lèi)率為縱坐標(biāo),假正類(lèi)率為橫坐標(biāo)進(jìn)行繪制,簡(jiǎn)單直觀。ROC曲線越靠近左上角,說(shuō)明模型的準(zhǔn)確性越高。

文中模型訓(xùn)練過(guò)程中的準(zhǔn)確率和損失值變化如圖7。從圖7可以看出,采用卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別電動(dòng)城市客車(chē)進(jìn)站駕駛風(fēng)格,模型迭代過(guò)程中,準(zhǔn)確率上升過(guò)程中輕微波動(dòng)但快速收斂于98.2%,損失函數(shù)值迅速下降并趨近于零,表明該模型對(duì)進(jìn)站駕駛行為數(shù)據(jù)的特征挖掘和學(xué)習(xí)成效良好。

圖7 模型準(zhǔn)確率和損失函數(shù)值

繪制ROC曲線如圖8。

圖8 ROC曲線

從圖8可以看出,在假正類(lèi)率較小時(shí),真正類(lèi)率迅速增加,曲線斜率較大,說(shuō)明模型的準(zhǔn)確性能良好。

為進(jìn)一步驗(yàn)證識(shí)別模型的泛化性能,以表3中2 035個(gè)測(cè)試樣本數(shù)據(jù)作為未知標(biāo)簽數(shù)據(jù),隨機(jī)排序輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中,得到每條數(shù)據(jù)的進(jìn)站駕駛風(fēng)格識(shí)別結(jié)果,并將結(jié)果與真實(shí)標(biāo)簽狀態(tài)進(jìn)行對(duì)比,繪制混淆矩陣如表5。

表5 測(cè)試組數(shù)據(jù)混淆矩陣

從表5可以看出,謹(jǐn)慎型、普通型和激進(jìn)型的駕駛風(fēng)格之間有一定混淆,但準(zhǔn)確率仍在98.20%以上,查準(zhǔn)率和查全率也分別達(dá)到98.25%和98.34%,其中激進(jìn)型識(shí)別準(zhǔn)確率達(dá)到98.77%,表明筆者提出的方法在識(shí)別激進(jìn)型進(jìn)站駕駛風(fēng)格方面的效果良好。在實(shí)際應(yīng)用場(chǎng)景中,可選擇不同駕駛?cè)俗匀获{駛過(guò)程中的操作數(shù)據(jù)和車(chē)輛狀態(tài)數(shù)據(jù),經(jīng)數(shù)據(jù)預(yù)處理后輸入到筆者搭建的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)站駕駛風(fēng)格識(shí)別模型,完成電動(dòng)客車(chē)駕駛員的進(jìn)站駕駛風(fēng)格分類(lèi),進(jìn)而識(shí)別出激進(jìn)型進(jìn)站風(fēng)格的駕駛員,為開(kāi)展駕駛員駕駛教育和培訓(xùn)提供支持。

3.2 討 論

3.2.1 不同模型結(jié)構(gòu)對(duì)比

筆者在保持相同參數(shù)設(shè)置條件下,通過(guò)改變特征提取網(wǎng)絡(luò)中卷積層和池化層的數(shù)量,保持其他網(wǎng)絡(luò)不變來(lái)設(shè)計(jì)構(gòu)建多個(gè)模型,如表6。模型A為筆者所建駕駛風(fēng)格識(shí)別模型(圖1),模型B相比模型A減少了卷積層③、池化層③和卷積層④、池化層④,模型C相比模型A減少卷積層④、池化層④,模型D相比模型A增加卷積層⑤和池化層⑤。

表6 不同模型結(jié)構(gòu)

不同結(jié)構(gòu)模型的識(shí)別結(jié)果對(duì)比如表7。

表7 識(shí)別結(jié)果對(duì)比

從表7可以看出,在相同參數(shù)設(shè)置情況下,模型D的準(zhǔn)確率最高,模型A次之,模型B最低。這是由于卷積層和池化層的數(shù)量代表特征提取網(wǎng)絡(luò)的深度,網(wǎng)絡(luò)深度增加可以提取到更高階的特征信息。模型D與模型A的準(zhǔn)確率均在98.0%以上,且兩者差異不大,說(shuō)明達(dá)到一定識(shí)別準(zhǔn)確率后再增加網(wǎng)絡(luò)深度對(duì)識(shí)別結(jié)果的影響有限。另外卷積與池化層數(shù)過(guò)多會(huì)引起學(xué)習(xí)參數(shù)數(shù)量成倍增加,收斂速度降低[18]。因此,筆者提出的模型可用于識(shí)別電動(dòng)城市客車(chē)駕駛員的進(jìn)站駕駛風(fēng)格。

3.2.2 不同參數(shù)取值對(duì)結(jié)果的影響

駕駛風(fēng)格識(shí)別模型的參數(shù)有核函數(shù)數(shù)量、卷積步長(zhǎng)、填充方式、學(xué)習(xí)率、失活率等,不同的參數(shù)會(huì)對(duì)模型識(shí)別結(jié)果產(chǎn)生影響。核函數(shù)數(shù)量是CNN的一個(gè)重要參數(shù),數(shù)量多可提高模型擬合能力,但易出現(xiàn)過(guò)擬合且增長(zhǎng)收斂時(shí)間,數(shù)量少則會(huì)丟失特征信息,降低識(shí)別效果。筆者選用卷積層①和④的核函數(shù)數(shù)量組合進(jìn)行對(duì)比,對(duì)比結(jié)果如表8。

表8 識(shí)別結(jié)果對(duì)比

從表8可以看出,卷積層①選用32個(gè)核函數(shù)和卷積層④選用256個(gè)核函數(shù)的組合對(duì)應(yīng)的準(zhǔn)確率和損失率相對(duì)較好。另外卷積層①的核函數(shù)數(shù)量對(duì)模型識(shí)別準(zhǔn)確率的影響大于卷積層④,說(shuō)明用于融合特征數(shù)據(jù)的首個(gè)卷積層核函數(shù)的數(shù)量相比其他卷積層對(duì)模型識(shí)別結(jié)果的影響相對(duì)較大。

4 結(jié) 論

1)筆者提出的基于卷積神經(jīng)網(wǎng)絡(luò)的電動(dòng)城市客車(chē)進(jìn)站駕駛風(fēng)格識(shí)別方法可用于識(shí)別駕駛員的進(jìn)站駕駛風(fēng)格類(lèi)別,準(zhǔn)確率達(dá)98.2%,方法有效可行,可為電動(dòng)城市客車(chē)風(fēng)險(xiǎn)駕駛?cè)俗R(shí)別管理提供支持。

2)通過(guò)卷積池化運(yùn)算可用于融合電動(dòng)城市客車(chē)進(jìn)站過(guò)程中的駕駛操縱車(chē)輛數(shù)據(jù)和車(chē)輛運(yùn)動(dòng)狀態(tài)數(shù)據(jù),自動(dòng)提取多通道時(shí)間系列數(shù)據(jù)的駕駛行為深度特征。增加卷積層和池化層的數(shù)量,深度的特征提取網(wǎng)絡(luò)可以得到更高階的特征信息。

3)特征提取用卷積核函數(shù)的數(shù)量對(duì)駕駛風(fēng)格模型識(shí)別結(jié)果有一定影響,適當(dāng)增加用于融合空間特征數(shù)據(jù)的首個(gè)卷積層核函數(shù)數(shù)量對(duì)提高模型識(shí)別效果有一定幫助。