重点营运车辆的异常驾驶行为识别研究

摘要：

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA)与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为.首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集.其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别.最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能,同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析.验证结果表明:TSA-MCNN模型整体识别准确率为97.25％,相对于CNN模型与DTW-KNN模型提高了20.50％与5.63％.其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模型)分别提高了26％(13％)、26％(6％)、23％(5％)、28％(3％)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能.

关键词：智能交通;异常驾驶行为识别;多尺度卷积神经网络;重点营运车辆;车辆驾驶行为;深度学习

所属期刊栏目：22

分类号：U495(交通工程与公路运输技术管理)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2022-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：282-291