[发明专利]基于多传感器数据融合的驾驶行为识别方法及系统

权利要求书

1.一种基于多传感器数据融合的驾驶行为识别方法，其特征在于，步骤包括：

第一步，获取车辆的OBD传感信息和加速度信息，对所述OBD传感信息和所述加速度信息进行预处理，获得车辆的OBD传感数据和加速度数据；

第二步，分别提取所述OBD传感数据的特征信息和所述加速度数据的特征信息；

第三步，分别将所述OBD传感数据的特征信息输入预先训练好的第一机器学习模型进行分类，根据所述第一机器学习模型的分类数据计算每一个分类结果的第一分类置信度h1和第一分类准确度W1；将所述加速度数据的特征信息输入预先训练好的第二机器 学习模型进行分类，根据所述第二机器学习模型的分类数据计算每一个分类结果的第二分类置信度h2和第二分类准确度W2；

第四步，根据所述第三步获得的第一分类置信度h1、第一分类准确度W1、第二分类置信度h2和第二分类准确度W2，对所述第一机器学习模型和所述第二机器学习模型的每一个分类结果按照公式W1*h1+W2*h2加权融合，输出加权融合数值最大的分类结果，即对驾驶行为的识别结果。

2.如权利要求1所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，所述第二步中，所述OBD传感数据的特征信息包括所述OBD传感信息的均值、方差、最大值和最小值；所述加速度数据的特征信息为所述加速度数据的时域波动特性及稳定性。

3.如权利要求2所述的基于多传感器数据融合的驾驶行为识别方法，其特征在于，所述加速度数据的时域波动特性及稳定性通过MMA(Multiscale multifractal analysis，移动渐近线)方法计算获得；所述MMA方法具体步骤包括：

步骤M1，计算K个加速度数据x_k所组成的加速度序列的轮廓信号序列Y(i)，1≤k≤K：

其中，K表示加速度数据序列x₁...x_K的长度，x表示以固定时间窗截取的一组加速度序列，i表示所述轮廓信号序列中第i个数据，x_k表示第k组加速度序列；

步骤M2，将轮廓信号序列Y(i)分为N_s≡int(N/s)个连续且不重叠的子区间V_j(j＝1，2，...N_s)；其中s表示尺度参数，N表示一组轮廓信号序列Y(i)中的数据的个数；

步骤M3，通过最小二乘估计算法计算每个子区间V_j(j＝1，2，...N_s)的趋势，按照如下公式计算每个子区间V_j(j＝1，2，...N_s)的方差G²(s，v)：

其中，v表示子区间的序列号，s表示尺度参数，

y_v(i)是每个子区间的n阶拟合多项式：

y_v(i)＝a_j0+a_j1i+...aj_n-1i^n-1+a_jniⁿ，n＝1，2...

n表示拟合多项式的回归阶数(n＝1，2，3…)；ajn表示通求得的每一阶的系数；

步骤M4，计算每个子区间V_j(j＝1，2，...N_s)的q阶波动函数其中，q表示波动阶数；

步骤M5，计算Hutst表面函数h(q，s)，获得所述加速度数据的时域波动特性及稳定性，其中，其中，R_i表示一个拟合窗口R_i(i＝1，2，3，…，正整数范围)；F(q，s)_Ri和s_Ri均为Ri窗口下对应的值，ΔF(q，s)_Ri表示不同窗口下F(q，s)值变化量；Δs_Ri表示不同窗口下s值的变化量。