本發(fā)明屬于智能交通信息處理
技術(shù)領(lǐng)域：
，具體地說是一種基于OBD數(shù)據(jù)的駕駛?cè)顺鲂心Ｊ阶R(shí)別方法。
背景技術(shù)：
：隨著我國國民經(jīng)濟(jì)的快速發(fā)展，相對(duì)于從前，如今人們對(duì)于生活質(zhì)量的追求越來越高，在出行這個(gè)問題上，以公共交通作為主要出行方式的時(shí)代早已經(jīng)一去不復(fù)返，很多的家庭如今都選擇購買私家車作為出行的工具，這也讓汽車工業(yè)呈現(xiàn)出空前的繁榮。數(shù)據(jù)顯示，2009年全國的私家車保有量只有4574萬輛，然而僅僅過了5年，截至2014年底，全國的私家車保有量就已達(dá)到1.23億輛。伴隨著汽車數(shù)量的不斷增長，我國的交通事業(yè)也獲得了突飛猛進(jìn)的發(fā)展，不過一些瓶頸問題也隨之變得愈發(fā)明顯，其中最典型的就包括：交通擁堵、汽車動(dòng)態(tài)保價(jià)的制定、駕駛?cè)藢?duì)于更加精細(xì)化服務(wù)的需求等。要想解決或者改善這些問題，精確的對(duì)駕駛?cè)说某鲂心Ｊ竭M(jìn)行識(shí)別無疑是一個(gè)重要的方向。傳統(tǒng)的對(duì)于駕駛?cè)顺鲂心Ｊ降呐卸ù蠖喽际腔趩柧砘蛘哒{(diào)查的方式，這種方法在一定程度上能夠獲取駕駛?cè)说娜粘３鲂心Ｊ?，但是卻存在著主觀性太強(qiáng)、覆蓋面太低的缺點(diǎn)，已經(jīng)不適用于當(dāng)下汽車數(shù)量迅猛增長的現(xiàn)狀。近年來，基于手機(jī)GPS數(shù)據(jù)的駕駛?cè)顺鲂心Ｊ窖芯恐饾u興起，也取得了很多的成果，相比于傳統(tǒng)的問卷調(diào)查，手機(jī)GPS數(shù)據(jù)的客觀性更強(qiáng)，同時(shí)覆蓋面也更廣，的確在很大程度上彌補(bǔ)了問卷調(diào)查數(shù)據(jù)的不足。但是，由于手機(jī)GPS數(shù)據(jù)無法對(duì)駕駛?cè)说某鲂蠴D進(jìn)行精確的識(shí)別，這也就降低了對(duì)于出行模式識(shí)別的準(zhǔn)確性，不利于解決上文提出的幾種交通問題。因此，必須尋找一種更加精確的駕駛?cè)顺鲂心Ｊ阶R(shí)別方法。近年來，隨著車聯(lián)網(wǎng)技術(shù)的出現(xiàn)，車載OBD(On-BoardDiagnostics)設(shè)備得以大范圍的裝入車輛，這就讓大規(guī)模的獲取車輛的OBD數(shù)據(jù)成為了現(xiàn)實(shí)，相比于傳統(tǒng)調(diào)查數(shù)據(jù)以及手機(jī)GPS數(shù)據(jù)，OBD數(shù)據(jù)能夠提供更多的更準(zhǔn)確的車輛運(yùn)行狀態(tài)數(shù)據(jù)，同時(shí)能夠精確的對(duì)駕駛?cè)顺鲂械腛D進(jìn)行定位，這就讓精確識(shí)別駕駛?cè)顺鲂心Ｊ匠蔀榱丝赡堋＜夹g(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是為了解決上述現(xiàn)有技術(shù)的不足為目的，提供了一種基于OBD數(shù)據(jù)的，結(jié)合聚類算法CFSFDP(Clusteringbyfastsearchandfindofdensitypeaks)及建模方法HMM(HiddenMarkovModel)的駕駛?cè)顺鲂心Ｊ阶R(shí)別方法。這種方法能夠?yàn)榻还懿块T等提供準(zhǔn)確的出行數(shù)據(jù)，有利于對(duì)交通狀況的提前預(yù)知，以便提前主動(dòng)應(yīng)對(duì)擁堵問題，同時(shí)也能夠?yàn)閯?dòng)態(tài)制定車輛保費(fèi)、為駕駛?cè)颂峁└鼮榫?xì)化的訂制服務(wù)等提供重要的參考標(biāo)準(zhǔn)。本發(fā)明的一種基于OBD數(shù)據(jù)的駕駛?cè)顺鲂心Ｊ阶R(shí)別方法，包括以下幾個(gè)步驟：步驟一、數(shù)據(jù)預(yù)處理以及特征參數(shù)的提取。將得到的車輛OBD數(shù)據(jù)進(jìn)行預(yù)處理，同時(shí)提取出能夠表征駕駛?cè)顺鲂袝r(shí)空特征的特征參數(shù)作為后續(xù)步驟的輸入。步驟二、基于CFSFDP算法進(jìn)行聚類分析。采用CFSFDP算法對(duì)步驟一中提取出的特征參數(shù)進(jìn)行聚類，同時(shí)對(duì)結(jié)果進(jìn)行分析，得到不同的駕駛?cè)顺鲂心Ｊ教攸c(diǎn)。步驟三、采用Baum-Welch算法訓(xùn)練HMM模型，得到狀態(tài)轉(zhuǎn)移概率矩陣。將步驟一、二中獲得的車輛出行特征參數(shù)及不同駕駛?cè)说某鲂心Ｊ筋愋妥鳛檩斎?，使用Baum-Welch算法訓(xùn)練出相對(duì)應(yīng)的HMM模型，得到不同狀態(tài)之間的狀態(tài)轉(zhuǎn)移概率矩陣。步驟四、采用Viterbi算法的對(duì)駕駛?cè)顺鲂心Ｊ竭M(jìn)行識(shí)別。在步驟三將模型建立完成的基礎(chǔ)上，采用已知的出行模式類型數(shù)據(jù)通過Viterbi算法對(duì)模型進(jìn)行檢驗(yàn)。本發(fā)明的優(yōu)點(diǎn)在于：(1)創(chuàng)造性的使用車輛OBD數(shù)據(jù)來進(jìn)行駕駛?cè)说某鲂心Ｊ降淖R(shí)別，相較于其它數(shù)據(jù)類型，既滿足了數(shù)據(jù)的客觀性、廣泛性的要求，也提高了出行模式識(shí)別精度；(2)使用CFSFDP算法作為出行模式聚類算法，該算法計(jì)算效率高，對(duì)不同形狀的數(shù)據(jù)集適應(yīng)性好，最重要的是無需提前設(shè)定類別數(shù)目，完全根據(jù)數(shù)據(jù)自身特性進(jìn)行聚類，最大限度的排除了人為因素的干擾；(3)由于采用的是車輛OBD數(shù)據(jù)，這就保證了能夠?qū)崟r(shí)的監(jiān)測各種車輛的狀態(tài)，這就便于對(duì)駕駛?cè)说某鲂心Ｊ教卣鬟M(jìn)行及時(shí)的更新，更加有針對(duì)性的對(duì)駕駛?cè)说某鲂心Ｊ竭M(jìn)行評(píng)估及提供相關(guān)的精細(xì)化服務(wù)。附圖說明圖1a聚類分析決策圖；圖1b聚類結(jié)果二維分布圖；圖2出行距離分布箱式圖；圖3出行天數(shù)分布箱式圖；圖4a類別1最頻首末次出行時(shí)段分布圖；圖4b類別2最頻首末次出行時(shí)段分布圖；圖4c類別3最頻首末次出行時(shí)段分布圖；具體實(shí)施方式下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。本發(fā)明是一種基于OBD數(shù)據(jù)的駕駛?cè)顺鲂心Ｊ阶R(shí)別方法，包括以下幾個(gè)步驟：步驟一、數(shù)據(jù)預(yù)處理以及特征參數(shù)的提取車輛OBD數(shù)據(jù)采集過程中會(huì)出現(xiàn)數(shù)據(jù)缺失、重復(fù)以及數(shù)據(jù)錯(cuò)誤的現(xiàn)象，數(shù)據(jù)預(yù)處理的中的一個(gè)重要步驟就是有針對(duì)性的對(duì)這些問題進(jìn)行補(bǔ)全、剔除以及修正。同時(shí)，為了后續(xù)提取特征參數(shù)的方便以及讓數(shù)據(jù)的呈現(xiàn)方式更具規(guī)律化，還應(yīng)該將片段化的trips數(shù)據(jù)合成車輛的出行鏈，即tripchain。采取的方式為根據(jù)車輛的停車時(shí)間進(jìn)行劃分，當(dāng)車輛的停車時(shí)間小于1h時(shí)，將相鄰的trips合并進(jìn)同一條出行鏈中，同一條出行鏈中不同trips中的各項(xiàng)參數(shù)進(jìn)行加和處理，如果停車時(shí)間大于等于1小時(shí)，則該點(diǎn)作為新的出行鏈的起點(diǎn)。合成出行鏈以后，為了能夠表征出駕駛?cè)顺鲂械臅r(shí)空規(guī)律，需要從數(shù)據(jù)中提取出相應(yīng)的特征參數(shù)。需要說明的是，對(duì)于駕駛?cè)顺鲂心Ｊ降难芯勘仨毷腔陂L時(shí)間的數(shù)據(jù)統(tǒng)計(jì)，所以選取的特征參數(shù)也必須能夠表征駕駛?cè)艘欢螘r(shí)間內(nèi)的出行規(guī)律特征。根據(jù)OBD數(shù)據(jù)的特征，為了能夠很好的表征出不同駕駛?cè)说某鲂心Ｊ教卣鳎x取了四個(gè)特征參數(shù)：出行天數(shù)(Traveldays)、出行日平均出行距離(av-Distance)、最頻首次出行時(shí)段(First-departuretime)、最頻末次出行時(shí)段(Last-departuretime)。以下對(duì)四個(gè)特征參數(shù)進(jìn)行說明。出行天數(shù)(Traveldays)：指的是在一段時(shí)間內(nèi)，有車輛使用記錄的天數(shù)的總和，用T表示。出行天數(shù)能夠很好的反應(yīng)駕駛?cè)说某鲂袑?duì)于車輛的依賴程度，是表征駕駛?cè)顺鲂蓄l率的很好的參數(shù)。出行日平均出行距離(av-Distance)：指的是平均每個(gè)出行日車輛所行使的距離，用Da表示。出行日平均出行距離能夠反映出駕駛?cè)说某鲂心Ｊ降目臻g特征。計(jì)算公式為：其中，DT表示一段時(shí)間內(nèi)車輛行駛的總距離，T表示出行天數(shù)。最頻首次出行時(shí)段(First-departuretime)及最頻末次出行時(shí)段(Last-departuretime)：指的是在一天中車輛的首次和末次出行時(shí)，選擇最頻繁的時(shí)間段，分別用F和L表示。這兩個(gè)參數(shù)能夠很好的反映出駕駛?cè)顺鲂械臅r(shí)間分布規(guī)律。為此，將一天的時(shí)間分為了6個(gè)時(shí)間段，分別是time1：earlymorning(06:00–9:30),time2：latemorning(09:30–12:00),time3：earlyafternoon(12:00–16:30),time4：lateafternoon(16:30–19:30),time5：evening(19:30–22:00),time6：night(22:00–06:00)。則相應(yīng)的數(shù)學(xué)表達(dá)式為：F＝{i},i＝argmaxni(2)L＝{i},i＝argmaxn′i(3)式(2)(3)中，ni,n′i分別表示車輛的首次和末次出行在時(shí)間段timei的次數(shù)。步驟二、基于CFSFDP算法進(jìn)行聚類分析CFSFDP算法是近年被提出的一種新的基于密度的聚類算法，相比于傳統(tǒng)的聚類算法，例如k-means，它能夠適應(yīng)不同形狀的數(shù)據(jù)集，同時(shí)，與其他的基于密度的聚類算法，例如DBSCAN，CFSFDP算法需要的參數(shù)更少且運(yùn)算的效率更高。值得一提的是，CFSFDP算法在聚類過程中不需要提前設(shè)定類別數(shù)目，是一種完全自適應(yīng)的聚類算法。需要特別注意的是，由于不同的特征參數(shù)間的量綱不同，因此需要對(duì)參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，選擇的標(biāo)準(zhǔn)化方式如下：式中，xij表示特征參數(shù)矩陣中的第i行第j列元素，即第i個(gè)駕駛?cè)说膉特征參數(shù)的值，和sj分別表示特征參數(shù)列xj的均值與方差。在CFSFDP算法中，有兩個(gè)最重要的參數(shù)，即局部密度ρ、與密度更高點(diǎn)的距離δ，這兩個(gè)參數(shù)是整個(gè)算法能否實(shí)現(xiàn)的關(guān)鍵。局部密度ρ：指的是一定距離內(nèi)數(shù)據(jù)點(diǎn)的數(shù)量。形式化的定義如下：ρi＝∑j≠iχ(dij-dc)(5)式中，ρi表示數(shù)據(jù)點(diǎn)i的局部密度。當(dāng)x≥0時(shí)，χ(x)＝0；當(dāng)x<0時(shí)，χ(x)＝1。dij是數(shù)據(jù)點(diǎn)i與數(shù)據(jù)點(diǎn)j之間的距離。dc指的是截?cái)嗑嚯x，這是算法中唯一一個(gè)需要人為設(shè)定的參數(shù)，通常的取值方法是：將所有的dij升序排列，設(shè)截?cái)嗑嚯xdc與第k個(gè)dij的值相同，則：k＝M*t(6)式中，M表示總的距離的個(gè)數(shù)，t取1％～2％之間的任意值。密度更高點(diǎn)的距離δ：指的是與密度比它高的最近點(diǎn)之間的距離。表示如下：其中，δi表示數(shù)據(jù)點(diǎn)i的與其密度更高點(diǎn)的距離的最小值，需要特別指出的是，如果數(shù)據(jù)點(diǎn)i本就是該數(shù)據(jù)集中的密度最高點(diǎn)，若按照式(6)，則δi＝0，因此，這里需要對(duì)這種情況作特殊處理，定義此時(shí)的高密度距離為：δi＝maxj∈datasetdij(8)整個(gè)CFSFDP算法主要分為5個(gè)步驟進(jìn)行：1)計(jì)算數(shù)據(jù)點(diǎn)之間的距離，構(gòu)建距離矩陣H；2)根據(jù)計(jì)算出的距離確定截?cái)嗑嚯xdc,然后計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的局部密度ρ；3)計(jì)算各個(gè)數(shù)據(jù)點(diǎn)的高密度距離δ；4)根據(jù)局部密度ρ和高密度距離δ作出決策圖(decisiongraph)，從而找到聚類中心；5)按照密度降序規(guī)則對(duì)數(shù)據(jù)集聚類。在得到聚類結(jié)果后，對(duì)形成的不同類別中的各項(xiàng)參數(shù)依次進(jìn)行分析，找出不同類別的特點(diǎn)，并由此定義出不同的出行模式類型，為接下來建模做準(zhǔn)備。步驟三、采用Baum-Welch算法訓(xùn)練HMM模型，得到狀態(tài)轉(zhuǎn)移概率矩陣基于步驟二中得到的幾種出行模式，使用部分?jǐn)?shù)據(jù)，運(yùn)用HMM模型中的Baum-Welch算法進(jìn)行不同出行模式的建模。HMM是一種基于參數(shù)的統(tǒng)計(jì)識(shí)別方法，通常將其模型定義為：λ(N,M,A,B,π)，也可簡寫為：λ(A,B,π)。其中，N代表狀態(tài)數(shù)目，S＝{s1,s2,s3…sN}為狀態(tài)集合，在t時(shí)刻的狀態(tài)記為qt，模型經(jīng)歷的狀態(tài)序列記為q＝(q1,q2,q3…qN)。M表示每個(gè)狀態(tài)的觀察值的數(shù)目，V＝{v1,v2,v3…vM}表示觀察值集合。A＝[aij]表示狀態(tài)轉(zhuǎn)移概率矩陣，aij代表從狀態(tài)si轉(zhuǎn)移到狀態(tài)sj的概率。B＝[bik]表示觀察值概率矩陣，bik代表在狀態(tài)si下出現(xiàn)觀察值vk的概率。π＝[πi]表示初始概率矩陣。根據(jù)已構(gòu)建的模型來確定HMM模型的參數(shù)，即訓(xùn)練HMM模型，屬于HMM三大經(jīng)典問題中的“學(xué)習(xí)問題”，即在一組可觀察序列O＝(o1,o2,o3…oT)(T表示觀察值序列的長度)已知的情況下，找到一組最優(yōu)的HMM參數(shù)λ′＝(A′,B′,π′)使得P(O|λ)最大。為了達(dá)成上訴目標(biāo)，需要對(duì)以下幾個(gè)變量進(jìn)行定義：前向變量αt(i)＝P(o1,o2,o3…ot,qt＝si|λ),表示HMM系統(tǒng)在t時(shí)刻狀態(tài)是si，且到t時(shí)刻為止產(chǎn)生的所有可見狀態(tài)序列前t個(gè)符號(hào)o1,o2,o3…ot的概率；后向變量βt(i)＝P(ot+1,ot+2,ot+3…oT,qt＝si|λ),表示從t時(shí)刻到狀態(tài)結(jié)束時(shí)T時(shí)刻為止輸出的所有可見狀態(tài)序列ot+1,ot+2,ot+3…oT的概率；ξt(i,j)＝P(qt＝si,qt+1＝sj|O,λ)表示t時(shí)刻的狀態(tài)為si，t+1時(shí)刻狀態(tài)為sj的概率；γt(i)＝P(qt＝si|O,λ)表示t時(shí)刻狀態(tài)為si的概率。最終重估模型λ′＝(A′,B′,π′)的參數(shù)估計(jì)參數(shù)為：πi′＝P(q1＝i|O,λ)＝γ1(i)(9)總結(jié)下來，整個(gè)Baum-Welch算法的步驟可以歸結(jié)為以下步驟：1)獲取初始HMM模型λ0＝(A0,B0,π0)，及觀察序列O＝(o1,o2,o3…oT)。在本發(fā)明中，駕駛?cè)顺鲂心Ｊ降腍MM中，狀態(tài)與時(shí)間無關(guān)，輸出的觀察值也與時(shí)間無關(guān)，僅與當(dāng)前狀態(tài)有關(guān)，所以A0,B0,π0采取隨機(jī)概率分布；2)計(jì)算αt(i)、βt(i)、P(O|λ)；3)由αt(i)、βt(i)計(jì)算ξt(i,j)和γt(i)；4)由ξt(i,j)和γt(i)重估模型參數(shù)λ′＝(A′,B′,π′)；5)反復(fù)迭代第2到第4步，直到P(O|λ)收斂。步驟四、采用Viterbi算法的對(duì)駕駛?cè)顺鲂心Ｊ竭M(jìn)行識(shí)別基于步驟二所分析出的出行模式以及步驟三所建立的HMM模型，使用整個(gè)數(shù)據(jù)集的部分?jǐn)?shù)據(jù)作為測試數(shù)據(jù)，基于Viterbi算法對(duì)駕駛?cè)顺鲂心Ｊ竭M(jìn)行識(shí)別，達(dá)到驗(yàn)證模型的目的。對(duì)給定觀察值序列O＝(o1,o2,o3…oT)和HMM模型參數(shù)λ(A,B,π)，以此來確定一個(gè)最佳的狀態(tài)序列Q(s1,s2,s3…sT)。這是HMM模型解決的三大問題中的“解碼問題”，挖掘出模型的隱藏狀態(tài)，找出最優(yōu)的狀態(tài)序列。問題可以轉(zhuǎn)換為確定一個(gè)最優(yōu)狀態(tài)序列Q，使得P(O,Q|λ)的值最大。為了完成算法，有如下定義：δt(i)表示t時(shí)刻狀態(tài)為si的累積輸出概率，表達(dá)式為：δt(i)＝maxP(s1s2s3…st-1,st＝si,o1o2o3…ot|λ)(12)ψt(i)表示t時(shí)刻第si狀態(tài)的前序狀態(tài)。Viterbi算法求解過程如下：初始化：δt(i)＝πtbi(o1),ψt(i)＝0(13)迭代過程：終止計(jì)算：狀態(tài)回溯過程：St*＝ψt+1(St+1*)(16)其中，P*為最終輸出概率，St*為最優(yōu)狀態(tài)序列中t時(shí)刻所對(duì)應(yīng)的狀態(tài)。實(shí)施例為了驗(yàn)證本發(fā)明所訴的基于OBD數(shù)據(jù)的駕駛?cè)顺鲂心Ｊ阶R(shí)別方法的系統(tǒng)性能，采集了北京市1156輛私家車兩個(gè)月(2015-12-01至2016-02-01)的OBD數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證。依照前述四個(gè)步驟依次進(jìn)行。步驟一、在對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理以及完成了出行鏈(tripchain)的合成之后，針對(duì)這1156輛車，統(tǒng)計(jì)出了每輛車2個(gè)月的時(shí)間里的四個(gè)特征參數(shù)：出行天數(shù)(Traveldays)、出行日平均出行距離(av-Distance)、最頻首次出行時(shí)段(First-departuretime)、最頻末次出行時(shí)段(Last-departuretime)。表1展示了數(shù)據(jù)處理完成后的數(shù)據(jù)格式。表1數(shù)據(jù)處理完成后的數(shù)據(jù)格式表中的OBDID表示數(shù)據(jù)采集的設(shè)備號(hào)，每輛車的設(shè)備號(hào)都是唯一的。步驟二、將步驟一處理過后得到的數(shù)據(jù)按照式(4)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，消除了不同數(shù)據(jù)間量綱不同的影響，然后帶入CFSFDP算法中進(jìn)行聚類分析，算法中式(6)用以確定截?cái)嗑嚯xdc的參數(shù)t取值為1.5％。如圖1a所示，獲得的聚類決策圖中，有三個(gè)點(diǎn)具有很高的局部密度以及高密度距離值，這表明整個(gè)數(shù)據(jù)集擁有3個(gè)聚類中心點(diǎn)，即算法將整個(gè)數(shù)據(jù)集劃分成了3個(gè)類別，圖1b表示了所有數(shù)據(jù)點(diǎn)在2維空間的分布情況。表2給出了3個(gè)類別中各自的車輛數(shù)目。表2不同類別中的車輛數(shù)量類別類別1類別2類別3總共數(shù)量2265064241156接下來對(duì)三種類別進(jìn)行分析以定義這3種出行模式。3種出行模式的出行日平均出行距離分布如圖2所示，出行頻率分布如圖3所示，最頻的首末次出行時(shí)段分別如圖4a、4b、4c所示。經(jīng)過對(duì)3中出行模式4個(gè)特征參數(shù)進(jìn)行的分析，將類別1駕駛?cè)硕x為長距、偶發(fā)出行者(long-distanceandoccasionaltravelers)，類別2駕駛?cè)硕x為高頻出行者(high-frequencytravelers)，類別3駕駛?cè)硕x為通勤出行者(regularcommuters)。步驟三、由于確定了3種駕駛?cè)顺鲂心Ｊ?，所以HMM參數(shù)中的N值為3，且因?yàn)樗惴ㄖ袑?個(gè)特征參數(shù)作為了觀察值，因此HMM模型中的參數(shù)M為4。將3種出行模式的數(shù)據(jù)按照7:3的比例分為訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)，并將劃分出的70％的數(shù)據(jù)(總共809條)代入Baum-Welch算法用以訓(xùn)練HMM模型。表3展示了用以訓(xùn)練模型的數(shù)據(jù)輸入樣本。表3訓(xùn)練HMM模型的數(shù)據(jù)輸入樣本出行模式輸入的觀察值狀態(tài)長距、偶發(fā)出行者(80,7,2,3)1高頻出行者(41,52,1,5)2通勤出行者(37,25,1,4)3表中，輸入的觀察值按序依次為：出行日平均出行距離、出行天數(shù)、最頻首次出行時(shí)段、最頻末次出行時(shí)段。模型訓(xùn)練完成后，3中出行模式之間的狀態(tài)轉(zhuǎn)移概率矩陣如下所示：步驟四、經(jīng)過步驟三，得到了3種出行模式的HMM模型，使用步驟三中劃分出的剩余30％數(shù)據(jù)(總共)作為測試數(shù)據(jù)，基于Viterbi算法的對(duì)駕駛?cè)顺鲂心Ｊ竭M(jìn)行識(shí)別以驗(yàn)證模型準(zhǔn)確性。表4展示了最終的測試結(jié)果。表4模型測試結(jié)果測試的結(jié)果展示了模型對(duì)于駕駛?cè)顺鲂心Ｊ阶R(shí)別的較高的準(zhǔn)確性，這表明本發(fā)明提出的這一整套基于OBD數(shù)據(jù)的駕駛?cè)顺鲂心Ｊ阶R(shí)別方法是具有很高的可行性的。以上所述，僅是本發(fā)明的較佳實(shí)施例，并非對(duì)本發(fā)明作任何形式上的限制，凡是依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所作的任何簡單修改、等同變化與修飾，均仍屬本發(fā)明技術(shù)方案的保護(hù)范圍。當(dāng)前第1頁1 2 3