基于k-means 聚類和神經(jīng)網(wǎng)絡(luò)的超速行為識(shí)別研究

李開(kāi)放，劉忠濤，柏興濤，張冰戰(zhàn)

（1. 合肥學(xué)院 先進(jìn)制造工程學(xué)院，安徽 合肥 230601；2. 合肥工業(yè)大學(xué) 汽車與交通工程學(xué)院，安徽 合肥 230009；3. 中國(guó)重汽集團(tuán)，山東 濟(jì)南 250000）

隨著社會(huì)的快速發(fā)展，人民的生活水平不斷提高，汽車已經(jīng)成為家家戶戶必備的交通工具，給人們的出行帶來(lái)了很大的便捷，但另一方面，汽車駕駛事故給人們的生命與財(cái)產(chǎn)安全造成了威脅[1]。超速行為是影響交通安全的一個(gè)重要因素，據(jù)統(tǒng)計(jì)，中國(guó)2016 年超速駕駛行為位居交通違法查處量首位[2]。超速駕駛行為與道路交通安全有著密切聯(lián)系，規(guī)范駕駛?cè)说鸟{駛行為是保障道路交通安全的重要舉措[3]。近年來(lái)，大量學(xué)者對(duì)駕駛行為與道路交通安全進(jìn)行了研究。董軍[4]等基于北斗衛(wèi)星定位數(shù)據(jù)的車輛超速行為識(shí)別方法提出了一種新的基于可變時(shí)間距離閾值的超速行為識(shí)別算法，此算法提升了超速事件的快速辨別與響應(yīng)能力；Stephen[5]等通過(guò)在車上安裝GPS 來(lái)獲取駕駛員的駕駛行為，并且通過(guò)問(wèn)卷調(diào)查進(jìn)一步挖掘影響駕駛員超速駕駛的因素；李云強(qiáng)[6]等設(shè)計(jì)了智能手機(jī)端APP，通過(guò)藍(lán)牙連接超速報(bào)警系統(tǒng)，當(dāng)速度超過(guò)預(yù)設(shè)報(bào)警值時(shí)，報(bào)警系統(tǒng)會(huì)發(fā)出蜂鳴聲或真人語(yǔ)音提示駕駛員超速行駛；林一鳴[7]等設(shè)計(jì)了一套酒后駕駛與超速行駛監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)駕駛員酒后駕車和超速行駛的實(shí)時(shí)監(jiān)測(cè)；劉應(yīng)吉[8]等提出了一種帶抗噪聲的違規(guī)駕駛行為辨識(shí)的方法，通過(guò)比較當(dāng)前車輛實(shí)時(shí)行駛速度、當(dāng)前路段限速值和違規(guī)閾值等參數(shù)判斷是否發(fā)生違規(guī)超速行為；Tseng[9]等通過(guò)研究出租車的超速行駛數(shù)據(jù)發(fā)現(xiàn)駕駛員的駕駛風(fēng)格、工作時(shí)長(zhǎng)和日行駛距離與超速駕駛行為之間有著密切的聯(lián)系；汪建良[10]基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了危險(xiǎn)駕駛行為檢測(cè)模型，并通過(guò)遷移學(xué)習(xí)對(duì)危險(xiǎn)駕駛行為進(jìn)行檢測(cè)，準(zhǔn)確率高達(dá)98.60%。

在以往的超速駕駛行為識(shí)別方法中，由于條件的限制，采用設(shè)定單一固定值的方法對(duì)超速行為進(jìn)行識(shí)別，但是由于路況的復(fù)雜，不同的路段設(shè)定的超速閾值不盡相同，單一超速閾值方法的識(shí)別結(jié)果不夠科學(xué)準(zhǔn)確。本文選取20 種循環(huán)工況作為初始數(shù)據(jù)進(jìn)行短工況片段劃分提取行駛工況特征參數(shù)，以此采用主成分分析法對(duì)特征參數(shù)進(jìn)行降維處理；得到降維結(jié)果后采用k-means 算法進(jìn)行初次聚類；然后以k-means 聚類結(jié)果計(jì)算協(xié)方差矩陣、混合系數(shù)等輸入值，運(yùn)用高斯混合聚類算法進(jìn)行二次聚類；根據(jù)聚類結(jié)果選取訓(xùn)練樣本，利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)得到訓(xùn)練模型；利用訓(xùn)練模型對(duì)工況進(jìn)行實(shí)時(shí)識(shí)別得到不同行駛工況的超速閾值，從而對(duì)超速行為進(jìn)行準(zhǔn)確的識(shí)別。通過(guò)對(duì)行駛工況進(jìn)行識(shí)別，進(jìn)而得到不同行駛工況的超速閾值，提高了超速行為檢測(cè)的準(zhǔn)確性和科學(xué)性。

1 基于聚類與神經(jīng)網(wǎng)絡(luò)的工況識(shí)別

本文提出的基于行駛工況識(shí)別的超速行為研究流程圖如圖1 所示，其步驟為：（1）選取20 種循環(huán)工況作為初始數(shù)據(jù)進(jìn)行短工況片段劃分提取行駛工況特征參數(shù)；（2）利用主成分分析法對(duì)特征參數(shù)進(jìn)行降維處理；（3）采用k-means 算法進(jìn)行初步聚類；（4）運(yùn)用高斯混合聚類算法進(jìn)行二次聚類；（5）設(shè)計(jì)創(chuàng)建BP 神經(jīng)網(wǎng)絡(luò)，選取訓(xùn)練樣本訓(xùn)練；（6）利用訓(xùn)練完畢的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行工況識(shí)別，進(jìn)而得到超速閾值；（7）設(shè)計(jì)創(chuàng)建超速行為識(shí)別模型，并將超速閾值代入其中進(jìn)行超速識(shí)別。

圖1 基于行駛工況識(shí)別的超速行為研究流程圖

1.1 行駛工況特征參數(shù)提取

行駛工況主要是根據(jù)汽車的速度和加速度等參數(shù)體現(xiàn)出來(lái)的，考慮汽車在不同工況下的速度、加速度以及運(yùn)行時(shí)間的不同[11-12]，本研究選取的15 種行駛工況特征參數(shù)如表1 所示。

表1 行駛工況特征參數(shù)

本文選取20 種循環(huán)工況分別為：UDDS、NEDC、EUDC、SC03、NurembergR36、New York Bus、WVUSUB、WVUINTER、US06_HWY、INDIA_URBAN_SAMPLE、CBDTRUCK、HL07、NYCC、HWFET、_ARB02、ECE、IM240、WVUCITY、NYCTRUCK、LA92、ARTERIAL、 REP05。 采 用320 s 為時(shí)間間隔，將20 種循環(huán)工況進(jìn)行等時(shí)間劃分，一共得到139 組數(shù)據(jù)，利用特征參數(shù)計(jì)算公式獲取上述所需的特征參數(shù)，短工況片段劃分方法如圖2 所示。

圖2 短工況片段劃分方法

1.2 主成分分析方法降維

本文選擇主成分分析（PCA）對(duì)行駛工況特征參數(shù)進(jìn)行降維處理。此方法的降維步驟主要如下所示[13]：

（1）對(duì)初始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，公式如下：

（2）計(jì)算各個(gè)數(shù)據(jù)之間的相關(guān)系數(shù)矩陣R=（rij）m×n，計(jì)算公式如下：

（4）計(jì)算各個(gè)主成分的貢獻(xiàn)率，并將每個(gè)主成分貢獻(xiàn)率累積，計(jì)算累積貢獻(xiàn)率，依據(jù)上述計(jì)算結(jié)果選擇主成分。主成分貢獻(xiàn)率Zj與累積貢獻(xiàn)率Z的計(jì)算公式如下所示：

1.3 特征參數(shù)聚類分析

本文采用k-means 聚類算法對(duì)降維后的數(shù)據(jù)集進(jìn)行初步聚類，行駛工況的分類為四種，所以k-means 聚類算法的最終類別個(gè)數(shù)k=4，將初步聚類的聚類中心作為高斯混合聚類的輸入進(jìn)行二次聚類，來(lái)提升行駛工況分類的準(zhǔn)確性。k-means 聚類算法的計(jì)算流程圖如圖3 所示。

圖3 k-means 聚類算法計(jì)算流程圖

高斯混合聚類模型計(jì)算每個(gè)點(diǎn)的高斯混合模型概率分布，依據(jù)每個(gè)類別生成其概率的大小將數(shù)據(jù)劃分到相應(yīng)的類別。高斯混合聚類模型的計(jì)算步驟如下：

（1）初步選定高斯混合聚類分布的模型參數(shù)αi，μi，∑i，其中αi表示混合系數(shù)，μi表示一個(gè)n維的均值向量，∑i表示協(xié)方差矩陣。將經(jīng)過(guò)k-means聚類得出的聚類中心作為高斯混合分布初始模型參數(shù)中的均值向量，將每個(gè)類中間包含的數(shù)據(jù)點(diǎn)到各個(gè)聚類中心的距離，作為高斯混合聚類的方差計(jì)算數(shù)據(jù)。

（3）根據(jù)步驟（2）計(jì)算出的結(jié)果，依據(jù)下列公式重新得出高斯混合概率分布的模型參數(shù)。

（4）進(jìn)行迭代運(yùn)算，重復(fù)上面的計(jì)算步驟，直到運(yùn)算達(dá)到程序設(shè)定的停止條件。

（5）比較上述計(jì)算過(guò)程的計(jì)算結(jié)果，將每個(gè)樣本數(shù)據(jù)劃分到產(chǎn)生其概率最大的類別中，完成聚類運(yùn)算。

1.4 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

目前，神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)很成熟并廣泛應(yīng)用于人工智能、機(jī)器學(xué)習(xí)等領(lǐng)域，其中，BP 神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[14]。本文采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：輸入層、中間層和輸出層，行駛工況的特征參數(shù)有15 個(gè)，所以BP 神經(jīng)網(wǎng)絡(luò)的初始輸入層神經(jīng)元個(gè)數(shù)為15 個(gè)，行駛工況分為4 個(gè)類別，故最終結(jié)果輸出層神經(jīng)元個(gè)數(shù)為4 個(gè)。選擇Sigmoid 函數(shù)作為BP 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，設(shè)置BP 神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)為5 000 次，權(quán)值學(xué)習(xí)效率為0.5，閾值學(xué)習(xí)效率為0.4。

2 基于工況識(shí)別的超速行為識(shí)別

駕駛員的超速行為識(shí)別主要判斷標(biāo)準(zhǔn)為汽車在行駛過(guò)程中的最高車速超過(guò)道路限定車速，并產(chǎn)生持續(xù)行為。本文依據(jù)《道路限速規(guī)定及超速處罰標(biāo)準(zhǔn)》對(duì)不同的行駛工況設(shè)定不同的超速識(shí)別閾值，在擁堵與城市工況中，汽車的最高行駛速度不能超過(guò)60 km/h，在郊區(qū)工況中汽車的最高行駛速度不能超過(guò)80 km/h，在高速工況中汽車的最高行駛速度不能超過(guò)120 km/h。

基于工況識(shí)別后得到道路超速閾值，令道路限定車速vl等于超速閾值進(jìn)行超速行為識(shí)別。為了避免采集數(shù)據(jù)時(shí)出現(xiàn)的隨機(jī)數(shù)據(jù)點(diǎn)，將單次超速時(shí)間設(shè)置為2 s，超速時(shí)間大于2 s 后才對(duì)該次超速行為進(jìn)行記錄。單次超速行為識(shí)別流程如圖4 所示。

圖4 單次超速行為識(shí)別圖

3 研究結(jié)果

采用主成分分析法對(duì)139 組短工況特征參數(shù)做降維處理，其主成分累計(jì)貢獻(xiàn)率如圖5 所示。從圖中可以看出，選擇前四個(gè)主成分即可滿足累積貢獻(xiàn)率在85%以上的條件。

圖5 主成分累積貢獻(xiàn)率

本文將行駛工況類別分為高速工況、郊區(qū)工況、城市工況、擁堵工況4 種[15]，所以聚類分析的最終類別為4 種。采用k-means 聚類對(duì)降維之后得的工況特征數(shù)據(jù)進(jìn)行聚類，聚類中心如下表2 所示。

表2 工況數(shù)據(jù)k-means 聚類中心

在得到k-means 聚類中心后，再以初步聚類結(jié)果計(jì)算高斯混合聚類的輸入值，最后采用高斯混合聚類進(jìn)行二次聚類分析，得出行駛工況最終聚類結(jié)果，四個(gè)類別的聚類中心如表3 所示。

表3 工況數(shù)據(jù)最終聚類中心

表中第四類最高車速為111.6 km/h，平均車速為95.5 km/h，并且在高速區(qū)間行駛的比例為96.4%，所以第四類為高速工況；第二類中最高車速為37.4 km/h，平均車速為8.9 km/h，處在高速區(qū)間的比例為0.48%，并且怠速所占的比例為47.6%，因而第二類屬于擁堵工況；第一類與第三類相比，其處于高速區(qū)間行駛的時(shí)間比例大，并且第一類的最高車速為91.1 km/h，平均車速為52.0 km/h，而第三類的最高車速為57.2 km/h，平均車速為25.6 km/h，符合城市限速60 km/h 的行駛要求，所以第一類的工況類別為郊區(qū)工況，第三類的工況類別為城市工況。

汽車行駛工況識(shí)別的過(guò)程中，將80%數(shù)據(jù)集作為算法訓(xùn)練集，對(duì)BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，將剩余的20%數(shù)據(jù)集作為測(cè)試集，驗(yàn)證BP 神經(jīng)網(wǎng)絡(luò)算法識(shí)別行駛工況的精確度。本研究對(duì)行駛工況識(shí)別的BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了5 次測(cè)試驗(yàn)證，測(cè)試驗(yàn)證的結(jié)果如表4 所示。

表4 行駛工況算法識(shí)別結(jié)果

綜合測(cè)試結(jié)果，5 次測(cè)試正確率平均值為0.95，說(shuō)明將BP 神經(jīng)網(wǎng)絡(luò)算法運(yùn)用于行駛工況的識(shí)別精確性良好。

工況識(shí)別后將獲取的道路速度閾值用于超速行為識(shí)別，下圖6 為基于工況識(shí)別的超速行為識(shí)別與普通超速行為識(shí)別的結(jié)果對(duì)比，從圖中可以看出，在一段多次超速行駛的工況下，基于行駛工況的超速行為識(shí)別方法能夠更加準(zhǔn)確地識(shí)別出超速行為與超速時(shí)間，相比普通的采用單一識(shí)別閾值的識(shí)別方法識(shí)別精度更高，識(shí)別結(jié)果更加準(zhǔn)確。

圖6 超速行為識(shí)別對(duì)比

4 總結(jié)

本文提出了一種基于工況識(shí)別的超速行為識(shí)別，提高了超速行為檢測(cè)的準(zhǔn)確性和科學(xué)性。通過(guò)對(duì)選取的20 種循環(huán)工況進(jìn)行短工況片段劃分提取行駛工況特征參數(shù)，采用主成分分析法對(duì)特征參數(shù)進(jìn)行降維處理，采用k-means 算法對(duì)降維結(jié)果進(jìn)行初次聚類，為了提高行駛工況分類的準(zhǔn)確性，運(yùn)用高斯混合聚類算法進(jìn)行二次聚類，從最終聚類結(jié)果中選取訓(xùn)練樣本對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)得到訓(xùn)練模型，利用訓(xùn)練模型對(duì)工況進(jìn)行實(shí)時(shí)識(shí)別得到工況的超速閾值，從而對(duì)超速行為進(jìn)行準(zhǔn)確的識(shí)別。