本发明涉及车联网领域，尤其是一种基于目标(用户种群或单个用户)历史行为的碰撞检测方法。

　　在基于轨迹数据的碰撞检测技术中，通过设置阈值、统计分析、机器学习、历史行为分析等方法进行碰撞检测，存在如下弊端：

　　1、依赖大量的标注数据，且将轨迹数据的总体假设成一致的、同分布的，未考虑到设新装时，没有轨迹数据依赖，导致碰撞的误报和漏报。

　　2、对于同一个群体的车主，目前还未有对种群的行为进行研究，从而导致用户在发生种群迁移后，模型未跟进，也会导致碰撞的误报和漏报。

　　3、对于单个用户而言，对于经常出现高于阈值、统计值异常的轨迹数据，完全有可能是车辆和车主自身的个性化差异造成，现有的方法将所有用户一视同仁，未有差异化地针对性分析，导致产生很多误报。

　　本发明的发明目的在于：针对上述存在的问题，提供一种基于目标行为的碰撞检测方法，以基于用户或用户种群行为，结合行为的个性化特点，更为精准地判断当前车辆是否发生碰撞。

　　在存在历史目标行为实体描述集时，分别计算当前目标行为实体描述与历史目标行为实体描述集中各历史目标行为实体描述的相似性，并获取相似性靠前的若干历史目标行为实体描述，提取该若干历史目标行为实体描述的统计量，并基于当前目标行为实体描述和统计量进行碰撞检测；

　　在不存在历史目标行为实体描述集时，基于当前目标行为实体描述进行碰撞检测；

　　a.对设端实时上传的轨迹数据包中，解析出预定时长/长度的轨迹数据包中预定维度的车辆运动参数，并对各维度的车辆运动参数进行向量化处理；

　　b.对向量化的解析结果进行预处理，分别得到各维度的特征，根据各维度的特征构建出目标行为的特征集；

　　b.分别从轨迹数据包的各点位中解析出预定维度的车辆运动参数，并对各维度的车辆运动参数进行向量化处理；

　　c.对各维度的向量进行预处理，分别得到各维度的特征，根据各维度的特征构建出目标行为的特征集；

　　g.计算每一个目标行为类簇的中心点及相关统计量，将各目标行为类簇的中心点和相关统计量进行关联存储。

　　1、本发明对于用户种群而言，计算用户种群到种群迁移时碰撞发生几率，避免用户因种群迁移导致的个性化驾驶行为-如高加速度-被识别为碰撞，从而提升准确率。对于单个用户而言，依据对其历史驾驶行为的聚类结果进行碰撞检测，可以避免依据总体数据(大数据)构建的历史行为类簇进行碰撞检测时无个性化的参照而导致的误报。

　　2、本发明依据用户或种群自身的历史驾驶习惯，对用户或种群进行碰撞检测(碰撞概率计算)，避免用户数据在依据总体数据(大数据)检测时正常而实际发生了碰撞的漏报，从而可以提高碰撞检测的召回率。

　　本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

　　本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

　　a.对设端实时上传的轨迹数据包中，解析出预定时长/长度的轨迹段中各点位的数据包，并分别对特定维度的解析结果进行向量化处理。

　　b.对向量化的解析结果进行预处理，分别得到各维度的特征，根据各维度的特征构建出目标行为的特征集。

　　目标对象的不同，解析的轨迹数据包则有不同。对于用户种群类目标而言，需要分析的是多个用户在同一时间的行为，则获取的轨迹数据包即为多个设端在同一时间采集并上传的轨迹数据包，即多用户横向分析。对于单用户而言，需要分析的是该用户当前的行为，则获取的轨迹数据包为该用户的设端实时采集并上传的轨迹数据包，即单用户纵向分析。

　　a.对各设端实时上传的同一时间的轨迹数据包中，分别解析出预定时长/长度的轨迹段中各点位的数据包，数据包的解析结果包括速度、加速度三轴和角速度三轴，向量化解析结果以构建出速度向量、加速度三轴向量和角速度三轴向量。

　　分别对加速度三轴进行修正，基于修正后的加速度三轴，分别计算加速度三轴向量中各向量的一阶差分值值和一阶差分值中位数。

　　分别计算角速度三轴向量中各向量的一阶差分值值和一阶差分值中位数，计算各角速度三轴向量的一阶差分值值中的值。

　　利用上述计算结果构建出目标行为的特征集。特征集包括速度向量的非零速度均值和一阶差分小值、加速度三轴向量中各向量的一阶差分值值和一阶差分值中位数、各角速度三轴向量的一阶差分值值中的值和角速度三轴向量中各向量的一阶差分值中位数。

　　c.对特征集中各维参数进行第二预处理得到目标行为实体描述。第二预处理包括分别对非零速度均值、加速度三轴向量中各向量的一阶差分值中位数、各角速度三轴向量的一阶差分值中位数分箱后的亚编码，基于非零速度均值和速度向量一阶差分小值构造第二均值，和分别对各角速度三轴向量的一阶差分值值中的值、加速度三轴向量中各向量的一阶差分值值基于对应阈值的均值处理。

　　a.从各设端实时上传的在同一时间的轨迹数据包中，分别解析出时间间隔为s秒，长度为n的轨迹段，提取每一个点位数据中的速度，加速度三轴，角速度三轴。组成速度向量v，加速度三轴向量x、y、z，角速度三轴向量h、t、k。

　　根据三轴加速度坐标系分量修正方法，修正x、y、z,得到xx,yy,zz。计算xx的一阶差分xx’，得到一阶差分值xx’，求值δxx＝max(xx’)。同理求出另外两轴加速度的一阶差分值值δyy、δzz。另求出一阶差分值xx’的中位数δxx-median＝median(xx’),同理求出另外两轴加速度的一阶差分值的中位数δyy-median、δzz-median。

　　由角速度三轴向量，同理取一阶差分值h’,t’,k’,求出一阶差分值的值δh，δt，δk，进一步求出角速度三轴的一阶差分值的值中的值δag＝max(δh，δt，δk),再求出一阶差分值的中位数δag-median＝median(h’,t’,k’)。

　　vbox为速度均值vavg分箱后的亚编码向量。令速度的分箱结果有n个箱体，则速度分箱的亚编码向量为长度为n，初始化为0的向量。vavg的分箱结果为第m号箱，则将vbox的第m位置标记为1。

　　a.对设端实时上传的轨迹数据包中，解析预定时长/长度的轨迹段中各点位的数据包，数据包的解析结果包括速度、加速度三轴、角速度三轴和报警状态，向量化解析结果以构建出速度向量、加速度三轴向量、角速度三轴向量和报警向量。

　　分别对加速度三轴进行修正，基于修正后的加速度三轴，分别计算加速度三轴向量中各向量的一阶差分值值。

　　分别计算角速度三轴向量中各向量的一阶差分值值，计算各角速度三轴向量的一阶差分值值中的值。

　　利用上述计算结果构建出目标行为的特征集。特征集包括速度向量的非零速度均值和一阶差分小值、计算加速度三轴向量中各向量的一阶差分值值、各角速度三轴向量的一阶差分值值中的值和报警向量的亚编码。

　　c.对特征集中各维参数进行第二预处理得到目标行为实体描述。第二预处理包括分别对速度向量的非零速度均值、三轴向量中各向量的一阶差分值值和各角速度三轴向量的一阶差分值值中的值基于对应阈值的均值处理，以及基于非零速度均值和速度向量一阶差分小值构造第二均值。

　　a.从设端实时上传的轨迹数据包中，解析出时间间隔为s秒，长度为n的轨迹段，提取每一个点位数据中的速度，加速度三轴，角速度三轴，报警状态。组成速度向量v，加速度三轴向量x、y、z，角速度三轴向量h、t、k，报警向量c。

　　根据三轴加速度坐标系分量修正方法，修正x、y、z,得到xx,yy,zz。计算xx的一阶差分xx’，得到一阶差分值xx’，求值δxx＝max(xx’)。同理求出另外两轴加速度的一阶差分值值δyy、δzz。

　　由角速度三轴向量，同理取一阶差分值h’,t’,k’,求出一阶差分值的值δh，δt，δk，进一步求出角速度三轴的一阶差分值的值中的值δag＝max(δh，δt，δk)。

　　终组成构建用户驾驶行为的特征集fact＝[vavg,δvmin，δxx，δyy，δzz,δag，cr]。

　　本实施例公开了一种基于目标行为的碰撞检测方法，如图1所示，其包括以下过程：

　　构建当前目标行为实体描述；获取历史目标行为实体描述集，在存在历史目标行为实体描述集时，分别计算当前目标行为实体描述与历史目标行为实体描述集中各历史目标行为实体描述的相似性，并获取相似性靠前的若干历史目标行为实体描述，提取该若干历史目标行为实体描述的统计量，并基于当前目标行为实体描述和统计量进行碰撞检测。在不存在历史目标行为实体描述集时，基于当前目标行为实体描述进行碰撞检测。其中，当前目标行为实体描述的构建方法包括以下a、b、c的过程：

　　a.对设端实时上传的轨迹数据包中，解析出预定时长/长度的轨迹段中各点位的数据包，并分别对特定维度的解析结果进行向量化处理。

　　b.对向量化的解析结果进行预处理，分别得到各维度的特征，根据各维度的特征构建出目标行为的特征集。

　　在存在历史目标行为实体描述集时，碰撞检测分为两个阶段：基于当前目标行为实体描述和统计量以方法进行阶段碰撞检测，基于当前目标行为实体描述以第二方法进行第二阶段碰撞检测，然后基于阶段和第二阶段碰撞检测的结果，进行整体的碰撞检测。具体而言，为根据阶段和第二阶段碰撞检测的结果，以及各阶段碰撞检测占整体碰撞检测的权重，进行碰撞检测结果的计算。

　　在不存在历史目标行为描述集时，直接根据当前目标行为实体描述计算碰撞检测结果。

　　对于用户种群作为目标而言，上述的基于当前目标行为实体描述和统计量进行阶段碰撞检测的过程包括：

　　各历史目标行为实体描述的统计量包括qv,qx，qy，qz，qa，qdv，qdx，qdy，qdz，qda，q表示分位数，qd表示分位距。阶段碰撞检测的计算方法为：

　　对于单个用户作为目标而言，上述的基于当前目标行为实体描述和统计量进行阶段碰撞检测的过程包括：

　　各历史目标行为实体描述的统计量包括qx，qy，qz，qdx，qdy，qdz，q表示分位数，qd表示分位距。阶段碰撞检测的计算方法为：

　　根据phistory和pcurrent，计算终碰撞概率p＝w0*phistory+w1*pcurrent，其中，w0和w1分别为阶段和第二阶段碰撞检测占整体碰撞检测的权重，w0+w1＝1。在默认情况下，w0，w1的默认值均为0.5。

　　对于用户种群作为目标而言，上述基于当前目标行为实体描述进行碰撞检测的方法包括：

　　对于单个用户作为目标而言，上述基于当前目标行为实体描述进行碰撞检测的方法包括：

　　构建当前用户种群行为实体描述；获取历史用户种群行为实体描述集，在存在历史用户种群行为实体描述集时，分别计算当前用户种群行为实体描述与历史用户种群行为实体描述集中各历史用户种群行为实体描述的相似性，并获取相似性靠前的若干历史用户种群行为实体描述，提取该若干历史用户种群行为实体描述的统计量，并基于当前用户种群行为实体描述和统计量进行碰撞检测。在不存在历史用户种群行为实体描述集时，基于当前用户种群行为实体描述进行碰撞检测。其中，当前用户种群行为实体描述的构建方法包括以下a、b、c的过程：

　　a.从解析的对应于多用户的各轨迹数据包中，分别提取各点位数据中的速度、加速度三轴和角速度三轴，对应构建出速度向量、加速度三轴向量和角速度三轴向量。

　　分别对加速度三轴进行修正，基于修正后的加速度三轴，分别计算加速度三轴向量中各向量的一阶差分值值和一阶差分值中位数。

　　分别计算角速度三轴向量中各向量的一阶差分值值和一阶差分值中位数，计算各角速度三轴向量的一阶差分值值中的值。

　　利用上述计算结果构建出用户种群行为的特征集。特征集包括速度向量的非零速度均值和一阶差分小值、加速度三轴向量中各向量的一阶差分值值和一阶差分值中位数、各角速度三轴向量的一阶差分值值中的值和角速度三轴向量中各向量的一阶差分值中位数。

　　c.对特征集中各维参数进行预处理以构建出用户种群行为实体描述。预处理过程包括分别对非零速度均值、加速度三轴向量中各向量的一阶差分值中位数、各角速度三轴向量的一阶差分值中位数分箱后的亚编码，基于非零速度均值和速度向量一阶差分小值构造第二均值，和分别对各角速度三轴向量的一阶差分值值中的值、加速度三轴向量中各向量的一阶差分值值基于对应阈值的均值处理。

　　在存在历史用户种群行为实体描述集时，碰撞检测分为两个阶段：基于当前用户种群行为实体描述和统计量进行阶段碰撞检测，基于当前用户种群行为实体描述进行第二阶段碰撞检测，然后基于阶段和第二阶段碰撞检测的结果，进行整体的碰撞检测。具体而言，为根据阶段和第二阶段碰撞检测的结果，以及各阶段碰撞检测占整体碰撞检测的权重，进行碰撞检测结果的计算。

　　在不存在历史用户种群行为描述集时，直接根据当前用户种群行为实体描述计算碰撞检测结果。

　　构建当前用户行为实体描述；获取历史用户行为实体描述集，在存在历史用户行为实体描述集时，分别计算当前用户行为实体描述与历史用户行为实体描述集中各历史用户行为实体描述的相似性，并获取相似性靠前的若干历史用户行为实体描述，提取该若干历史用户行为实体描述的统计量，并基于当前用户行为实体描述和统计量进行碰撞检测。在不存在历史用户行为实体描述集时，基于当前用户行为实体描述进行碰撞检测。其中，当前用户行为实体描述的构建方法包括以下a、b、c的过程：

　　a.对设端实时上传的轨迹数据包中，分别解析预定时长/长度的轨迹段中各点位的数据包，数据包的解析结果包括速度、加速度三轴、角速度三轴和报警状态，向量化解析结果以构建出速度向量、加速度三轴向量、角速度三轴向量和报警向量。

　　分别对加速度三轴进行修正，基于修正后的加速度三轴，分别计算加速度三轴向量中各向量的一阶差分值值。

　　分别计算角速度三轴向量中各向量的一阶差分值值，计算各角速度三轴向量的一阶差分值值中的值。

　　利用上述计算结果构建出用户行为的特征集。特征集包括速度向量的非零速度均值和一阶差分小值、计算加速度三轴向量中各向量的一阶差分值值、各角速度三轴向量的一阶差分值值中的值和报警向量的亚编码。

　　c.对特征集中各维参数进行第二预处理得到用户行为实体描述。第二预处理包括分别对速度向量的非零速度均值、三轴向量中各向量的一阶差分值值和各角速度三轴向量的一阶差分值值中的值基于对应阈值的均值处理，以及基于非零速度均值和速度向量一阶差分小值构造第二均值。

　　在存在历史用户行为实体描述集时，碰撞检测分为两个阶段：基于当前目标行为实体描述和统计量进行阶段碰撞检测，基于当前目标行为实体描述进行第二阶段碰撞检测，然后基于阶段和第二阶段碰撞检测的结果，进行整体的碰撞检测。具体而言，为根据阶段和第二阶段碰撞检测的结果，以及各阶段碰撞检测占整体碰撞检测的权重，进行碰撞检测结果的计算。

　　在不存在历史用户行为描述集时，直接根据当前目标行为实体描述计算碰撞检测结果。

　　a.从各设端实时上传的同一时间的轨迹数据包中，分别解析出时间间隔为s秒，长度为n的轨迹段，提取每一个点位数据中的速度，加速度三轴，角速度三轴。组成速度向量v，加速度三轴向量x、y、z，角速度三轴向量h、t、k。

　　根据三轴加速度坐标系分量修正方法，修正x、y、z,得到xx,yy,zz。计算xx的一阶差分xx’，得到一阶差分值xx’，求值δxx＝max(xx’)。同理求出另外两轴加速度的一阶差分值值δyy、δzz。另求出一阶差分值xx’的中位数δxx-median＝median(xx’),同理求出另外两轴加速度的一阶差分值的中位数δyy-median、δzz-median。

　　由角速度三轴向量，同理取一阶差分值h’,t’,k’,求出一阶差分值的值δh，δt，δk，进一步求出角速度三轴的一阶差分值的值中的值δag＝max(δh，δt，δk),再求出一阶差分值的中位数δag-median＝median(h’,t’,k’)。

　　vbox为速度均值vavg分箱后的亚编码向量。令速度的分箱结果有n个箱体，则速度分箱的亚编码向量为长度为n，初始化为0的向量。vavg的分箱结果为第m号箱，则将vbox的第m位置标记为1。

　　s2：获取历史目标行为实体描述集。在历史目标行为实体描述集存在时，执行s3，否则执行s6。

　　s4：使用knn思想，找到与当前相似(距离近)的前k个种群行为，默认k＝1，提取k个种群行为的统计量qv,qx，qy，qz，qa，qdv，qdx，qdy，qdz，qda，q表示分位数，默认为80％分位数，qd表示分位距，种群轨迹包总数n，用户属于该种群的轨迹包数n。计算种群发生碰撞概率：

　　a.从设端实时上传的轨迹数据包中，解析出时间间隔为s秒，长度为n的轨迹段，提取每一个点位数据中的速度，加速度三轴，角速度三轴，报警状态。组成速度向量v，加速度三轴向量x、y、z，角速度三轴向量h、t、k，报警向量c。

　　根据三轴加速度坐标系分量修正方法，修正x、y、z,得到xx,yy,zz。计算xx的一阶差分xx’，得到一阶差分值xx’，求值δxx＝max(xx’)。同理求出另外两轴加速度的一阶差分值值δyy、δzz。

　　由角速度三轴向量，同理取一阶差分值h’,t’,k’,求出一阶差分值的值δh，δt，δk，进一步求出角速度三轴的一阶差分值的值中的值δag＝max(δh，δt，δk)。

　　终组成构建用户驾驶行为的特征集fact＝[vavg,δvmin，δxx，δyy，δzz,δag，cr]。

　　s2：获取历史目标行为实体描述集。在历史目标行为实体描述集存在时，执行s3，否则执行s6。

　　s4：使用knn思想，找到与当前相似(距离近)的前k个历史驾驶行为，默认k＝1，提取k个历史行为的统计量qx，qy，qz，qdx，qdy，qdz，q表示分位数，默认为80％分位数，qd表示分位距。计算发生碰撞概率：

　　本实施例公开了一种历史目标行为实体描述集的构造方法，如图2所示，包括以下步骤：

　　对于用户种群类的目标而言，待聚类的轨迹数据包为所有用户的历史中统一时间的轨迹数据包。对于单个用户的目标而言，待聚类的轨迹数据包为该用户的所有历史轨迹数据包。

　　b.从轨迹数据包中解析出预定维度的车辆运动参数，并对各维度的车辆运动参数进行向量化处理。

　　对于用户种群类的目标而言，从轨迹数据包中解析的车辆运动参数包括每个点位的速度、加速度三轴和角速度三轴，对应的向量化处理得到速度向量、加速度三轴向量和角速度三轴向量。

　　对于单个用户的目标而言，从轨迹数据包中解析的车辆运动参数包括每个点位的速度、加速度三轴、角速度三轴和报警状态，对应的向量化处理得到速度向量、加速度三轴向量、角速度三轴向量和报警向量。三综合试验箱

　　c.对各维度的向量进行预处理，分别得到各维度的特征，根据各维度的特征构建出目标行为的特征集。

　　分别对加速度三轴进行修正，基于修正后的加速度三轴，分别计算加速度三轴向量中各向量的一阶差分值值和一阶差分值中位数；

　　分别计算角速度三轴向量中各向量的一阶差分值值和一阶差分值中位数，计算各角速度三轴向量的一阶差分值值中的值。

　　分别对加速度三轴进行修正，基于修正后的加速度三轴，分别计算加速度三轴向量中各向量的一阶差分值值；

　　分别计算角速度三轴向量中各向量的一阶差分值值，计算各角速度三轴向量的一阶差分值值中的值；

　　分别对非零速度均值、加速度三轴向量中各向量的一阶差分值中位数、各角速度三轴向量的一阶差分值中位数分箱后的亚编码，基于非零速度均值和速度向量一阶差分小值构造第二均值，和分别对各角速度三轴向量的一阶差分值值中的值、三综合试验箱加速度三轴向量中各向量的一阶差分值值基于对应阈值的均值处理。

　　分别对速度向量的非零速度均值、加速度三轴向量中各向量的一阶差分值值和各角速度三轴向量的一阶差分值值中的值基于对应阈值的均值处理，以及基于非零速度均值和速度向量一阶差分小值构造第二均值。

　　以目标行为实体描述中的特定参数，计算两两目标行为实体描述间的相似距离，以各个计算出的相似距离构建相似性矩阵。

　　对于用户种群类的目标而言，参与相似性计算的参数包括：非零速度均值、加速度三轴向量中各向量的一阶差分值中位数和各角速度三轴向量的一阶差分值中位数分箱后的亚编码向量。

　　对于单个用户的目标而言，参与相似性计算的参数包括：非零速度均值、各角速度三轴向量的一阶差分值值中的值基于对应阈值的均值，以及第二均值、报警向量亚编码。

　　依据相似性矩阵，使用kmeans++算法对目标行为进行聚类，通过网格寻参，得到目标的若干个类别的目标行为类簇。

　　g.计算每一个目标行为类簇的中心点及相关统计量，将各目标行为类簇的中心点和相关统计量进行关联存储，以得到历史目标行为实体描述集。

　　计算每一个目标行为类簇的中心点及相关统计量，构建出对应的目标行为类簇向量。再将各目标行为类簇向量写入到目标行为数据库中，以供碰撞检测时使用。

　　s002:从每个轨迹数据包中解析出时间间隔为s秒，长度为n的轨迹段，提取每一个点位数据中的速度，加速度三轴，角速度三轴。组成速度向量v，加速度三轴向量x、y、z，角速度三轴向量h、t、k。

　　根据三轴加速度坐标系分量修正方法，修正x、y、z,得到xx,yy,zz。计算xx的一阶差分xx’，得到一阶差分值，求值δxx＝max(xx’)。同理求出δyy，δzz。另求出一阶差分值xx’的中位数δxx-median＝median(xx’),同理求出δyy-median,δzz-median。

　　由角速度三轴向量，同理取一阶差分值h’,t’,k’,求出一阶差分值的值δh，δt，δk，进一步求出角速度三轴的值δag＝max(δh，δt，δk),再求出一阶差分值的中位数δag-median＝median(h’,t’,k’)。

　　vbox为速度均值vavg分箱后的亚编码向量。令速度的分箱结果有n个箱体，则速度分箱的亚编码向量为长度为n，初始化为0的向量。vavg的分箱结果为第m号箱，则将vbox的第m位置标记为1。

　　s005:根据自定义种群行为相似性函数，计算所有用户每一个轨迹数据包两两之间的驾驶行为相似性，生成用户种群行为相似性矩阵。

　　s006:依据种群行为相似性矩阵，使用kmeans++算法对用户的种群行为进行聚类，通过网格寻参，得到该用户的m个类别的种群行为类簇。

　　cvbox为属于该类别的种群行为的所有实体描述中vbox向量的按位与操作结果。

　　δcxbox为属于该类别的种群行为的所有实体描述中δxbox向量的按位与操作结果。

　　δcybox为属于该类别的种群行为的所有实体描述中δybox向量的按位与操作结果。

　　δczbox为属于该类别的种群行为的所有实体描述中δzbox向量的按位与操作结果。

　　δcabox为属于该类别的种群行为的所有实体描述中δabox向量的按位与操作结果。

　　qv为属于该类别的种群行为的所有实体描述中δvfmin的分位数，默认取其80％分位数。

　　qx为属于该类别的种群行为的所有实体描述中δfxx的分位数，默认取其80％分位数。

　　qy为属于该类别的种群行为的所有实体描述中δfyy的分位数，默认取其80％分位数。

　　qz为属于该类别的种群行为的所有实体描述中δfzz的分位数，默认取其80％分位数。

　　qa为属于该类别的种群行为的所有实体描述中δafg的分位数，默认取其80％分位数。

　　qdv为属于该类别的种群行为的所有实体描述中δvfmin的分位距，默认取75％分位数-25％分位数。

　　qdx为属于该类别的种群行为的所有实体描述中δfxx的分位距，三综合试验箱默认取75％分位数-25％分位数。

　　qdy为属于该类别的历史行为的所有实体描述中δfyy的分位距，默认取其75％分位数-25％分位数。

　　qdz为属于该类别的历史行为的所有实体描述中δfzz的分位距，默认取其75％分位数-25％分位数。

　　qda为属于该类别的种群行为的所有实体描述中δafg的分位距，默认取75％分位数-25％分位数。

　　s002:从每个轨迹数据包中解析出时间间隔为s秒，长度为n的轨迹段，提取每一个点位数据中的速度，加速度三轴，角速度三轴，报警状态。组成速度向量v，加速度三轴向量x、y、z，角速度三轴向量h、t、k，报警向量c。

　　根据三轴加速度坐标系分量修正方法，修正x、y、z,得到xx,yy,zz。计算xx的一阶差分xx’，得到一阶差分值的值δxx＝max(xx’)。同理求出，δyy，δzz。

　　由角速度三轴向量，同理取一阶差分,求出一阶差分值的值δh，δt，δk，进一步求出角速度三轴的值δag＝max(δh，δt，δk)。

　　终组成构建用户驾驶行为的特征集fact＝[vavg,δvmin，δxx，δyy，δzz,δag，cr]。

　　s005:根据自定义驾驶行为相似性函数，计算用户历史每一个轨迹数据包两两之间的驾驶行为相似性，生成用户驾驶行为相似性矩阵。

　　参与相似性计算的特征为实体描述向量子集[vfavg,δvfmin，δafg，cr],令一个轨迹数据包的实体描述向量子集为om＝[vfavg-m,δvfmin-m，δafg-m，crm],另一个轨迹数据包的实体描述向量子集为on＝[vfavg-n,δvfmin-n，δafg-n，crn],他们之间的距离为：

　　s006:依据历史行为相似性矩阵，使用kmeans++算法对用户的历史行为进行聚类，通过网格寻参，得到该用户的m个类别的历史行为类簇。

　　qx为属于该类别的历史行为实体描述中δfxx的分位数，默认取其80％分位数。

　　qy为属于该类别的历史行为实体描述中δfyy的分位数，默认取其80％分位数。

　　qz为属于该类别的历史行为实体描述中δfzz的分位数，默认取其80％分位数。

　　qdx为属于该类别的历史行为实体描述中δfxx的分位距，默认取75％分位数-25％分位数。

　　qdy为属于该类别的历史行为实体描述中δfyy的分位距，默认取其75％分位数-25％分位数。

　　qdz为属于该类别的历史行为实体描述中δfzz的分位距，默认取其75％分位数-25％分位数。

　　本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
以上信息由无锡玛瑞特科技有限公司整理编辑，了解更多高低温冲击试验箱,高低温湿热试验箱,双85试验箱,恒温恒湿试验箱,三综合试验箱信息请访问http://www.wxmrt.com