基于环境信息的驾驶风格识别方法、设备及存储介质

摘要

本发明提供了一种基于环境信息的驾驶风格识别方法、设备及存储介质，该方法包括：获取当前存储的车辆的行驶信息以及相应的环境信息；对当前存储的行驶信息和环境信息进行预处理，获得若干第一数据片段；对若干所述第一数据片段进行特征提取，获得行驶特征参数矩阵；根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数；对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型。本发明充分考虑环境因素的影响，能有效提高驾驶风格识别的准确率。

权利要求

1.一种基于环境信息的驾驶风格识别方法，其特征在于，包括：获取当前存储的车辆的行驶信息以及相应的环境信息；

对当前存储的行驶信息和环境信息进行预处理，获得若干第一数据片段；

对若干所述第一数据片段进行特征提取，获得行驶特征参数矩阵；

根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数；

对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型；

所述降维映射系数矩阵的构建过程包括：

获取预先采集的样本数据集，并对所述样本数据集进行预处理，获得若干第二数据片段；

对若干所述第二数据片段进行降维处理，获得降维映射系数矩阵以及若干个聚类中心；

所述样本数据集包括天气因素、所述车辆的历史行驶信息；

则，所述获取预先采集的样本数据集，并对所述样本数据集进行预处理，获得若干第二数据片段，包括：对获取的样本数据集中每个天气因素按照预设的映射关系转换成数值；

对所述数值、所述历史行驶信息进行滤波处理；

对于滤波后的数值、历史行驶信息进行片段划分，得到若干组数据集合；

对每组数据集合进行特征提取，得到若干第二数据片段。

2.如权利要求1所述的基于环境信息的驾驶风格识别方法，其特征在于，所述对若干所述第二数据片段进行降维处理，获得降维映射系数矩阵以及若干个聚类中心，包括：对若干所述第二数据片段进行标准化处理；

根据标准化处理后的若干所述第二数据片段，计算出类内散度矩阵和类间散度矩阵；

根据所述类内散度矩阵和所述类间散度矩阵，计算出所述类内散度矩阵的逆与所述类间散度矩阵的乘积矩阵的特征值以及对应的特征向量；

当所述乘积矩阵中前d个所述特征值的贡献率大于预设的阈值时，提取前d个所述特征值对应的特征向量生成所述降维映射系数矩阵和若干个聚类中心。

3.如权利要求1所述的基于环境信息的驾驶风格识别方法，其特征在于，所述获取当前存储的车辆的行驶信息以及相应的环境信息之后，还包括：判断当前存储的行驶信息和环境信息是否满足任意一个预设的周期刷新条件；其中，所述周期刷新条件包括：用于存储行驶信息和环境信息的存储矩阵已满，当前存储行驶信息和环境信息的时间达到预设的刷新周期；

若是，则触发驾驶风格类型识别流程；

若否，则继续采集所述车辆的行驶信息以及相应的环境信息进行存储。

4.如权利要求2所述的基于环境信息的驾驶风格识别方法，其特征在于，所述根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数，包括：将所述降维映射系数矩阵与所述行驶特征参数矩阵相乘，得到当前时刻的驾驶风格特征参数。

5.如权利要求4所述的基于环境信息的驾驶风格识别方法，其特征在于，所述对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型，包括：计算所述驾驶风格特征参数与若干个所述聚类中心之间的距离；

将所述驾驶风格特征参数归类到与其距离最小的聚类中心所在的簇；

获取所述驾驶风格特征参数加入的簇对应的驾驶风格类型，作为当前时刻的驾驶风格类型。

6.如权利要求1所述的基于环境信息的驾驶风格识别方法，其特征在于，所述行驶信息包括踏板开度、车速。

7.一种基于环境信息的驾驶风格识别设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1‑6任一项所述的基于环境信息的驾驶风格识别方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1‑6任一项所述的基于环境信息的驾驶风格识别方法。

说明书

基于环境信息的驾驶风格识别方法、设备及存储介质

技术领域

[0001] 本发明涉及车辆驾驶风格识别技术领域，尤其涉及一种基于环境信息的驾驶风格识别方法、设备及存储介质。

背景技术

[0002] 随着电动汽车智能化的发展，人们对于电动汽车体验需求也随之增加。因此，电动汽车基本装配了驾驶辅助系统、ACC等汽车电子系统，来提高驾驶安全性和舒适性。而驾驶辅助系统一般需要检测和分析车辆的行驶工况数据、驾驶员的驾驶数据来识别的驾驶员的驾驶风格，从而为驾驶员提供更人性化的服务和更安全舒适的辅助驾驶。在实际驾驶过程中，驾驶员的驾驶操作往往受到周边环境影响，例如在雨天减速慢行，在晴天空旷的道路上加速行驶等。但是，目前常规的驾驶员驾驶风格识别只考虑的驾驶员的驾驶操作，并未考虑周边环境对驾驶员驾驶操作的影响，导致驾驶风格识别的精度较低。

发明内容

[0003] 针对上述问题，本发明的目的在于提供一种基于环境信息的驾驶风格识别方法、设备及存储介质，其考虑环境因素，能有效提高驾驶风格识别的准确率。

[0004] 第一方面，本发明实施例提供了一种基于环境信息的驾驶风格识别方法，包括：

[0005] 获取当前存储的车辆的行驶信息以及相应的环境信息；

[0006] 对当前存储的行驶信息和环境信息进行预处理，获得若干第一数据片段；

[0007] 对若干所述第一数据片段进行特征提取，获得行驶特征参数矩阵；

[0008] 根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数；

[0009] 对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型。

[0010] 作为上述方案的改进，所述方法包括：

[0011] 获取预先采集的样本数据集，并对所述样本数据集进行预处理，获得若干第二数据片段；

[0012] 对若干所述第二数据片段进行降维处理，获得降维映射系数矩阵以及若干个聚类中心。

[0013] 作为上述方案的改进，所述样本数据集包括天气因素、所述车辆的历史行驶信息；

[0014] 则，所述获取预先采集的样本数据集，并对所述样本数据集进行预处理，获得若干第二数据片段，包括：

[0015] 对获取的样本数据集中每个天气因素按照预设的映射关系转换成数值；

[0016] 对所述数值、所述历史行驶信息进行滤波处理；

[0017] 对于滤波后的数值、历史行驶信息进行片段划分，得到若干组数据集合；

[0018] 对每组数据集合进行特征提取，得到若干第二数据片段。

[0019] 作为上述方案的改进，所述对若干所述第二数据片段进行降维处理，获得降维映射系数矩阵以及若干个聚类中心，包括：

[0020] 对若干所述第二数据片段进行标准化处理；

[0021] 根据标准化处理后的若干所述第二数据片段，计算出类内散度矩阵和类间散度矩阵；

[0022] 根据所述类内散度矩阵和所述类间散度矩阵，计算出所述类内散度矩阵的逆与所述类间散度矩阵的乘积矩阵的特征值以及对应的特征向量；

[0023] 当所述乘积矩阵中前d个所述特征值的贡献率大于预设的阈值时，提取前d个所述特征值对应的特征向量生成所述降维映射系数矩阵和若干个聚类中心。

[0024] 作为上述方案的改进，所述获取当前存储的车辆的行驶信息以及相应的环境信息之后，还包括：

[0025] 判断当前存储的行驶信息和环境信息是否满足任意一个预设的周期刷新条件；其中，所述周期刷新条件包括：用于存储行驶信息和环境信息的存储矩阵已满，当前存储行驶信息和环境信息的时间达到预设的刷新周期；

[0026] 若是，则触发驾驶风格类型识别流程；

[0027] 若否，则继续采集所述车辆的行驶信息以及相应的环境信息进行存储。

[0028] 作为上述方案的改进，所述根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数，包括：

[0029] 将所述降维映射系数矩阵与所述行驶特征参数矩阵相乘，得到当前时刻的驾驶风格特征参数。

[0030] 作为上述方案的改进，所述对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型，包括：

[0031] 计算所述驾驶风格特征参数与若干个所述聚类中心之间的距离；

[0032] 将所述驾驶风格特征参数归类到与其距离最小的聚类中心所在的簇；

[0033] 获取所述驾驶风格特征参数加入的簇对应的驾驶风格类型，作为当前时刻的驾驶风格类型。

[0034] 作为上述方案的改进，所述行驶信息包括踏板开度、车速。

[0035] 第二方面，本发明实施例提供了一种基于环境信息的驾驶风格识别设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于环境信息的驾驶风格识别方法。

[0036] 第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面所述的基于环境信息的驾驶风格识别方法。

[0037] 相对于现有技术，本发明实施例的有有益效果在于：所述基于环境信息的驾驶风格识别方法包括：获取当前存储的车辆的行驶信息以及相应的环境信息；对当前存储的行驶信息和环境信息进行预处理，获得若干第一数据片段；对若干所述第一数据片段进行特征提取，获得行驶特征参数矩阵；根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数；对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型。本发明充分考虑环境因素的影响，能有效提高驾驶风格识别的准确率。

附图说明

[0038] 为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0039] 图1是本发明实施例提供的一种基于环境信息的驾驶风格识别方法的流程图；

[0040] 图2是本发明实施例提供的一种基于环境信息的驾驶风格识别设备的示意图。

具体实施方式

[0041] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0042] 实施例一

[0043] 请参阅图1，本发明实施例提供的一种基于环境信息的驾驶风格识别方法可由驾驶辅助系统、ACC或用户设计的驾驶风格综合评估显示系统等汽车电子系统或者云端服务器执行，具体包括：

[0044] S1：获取当前存储的车辆的行驶信息以及相应的环境信息；

[0045] 进一步的，所述行驶信息包括但不限于踏板开度、车速、方向盘转角信息等。所述环境信息包括但不限于天气因素、道路因素等。

[0046] S2：对当前存储的行驶信息和环境信息进行预处理，获得若干第一数据片段；

[0047] S3：对若干所述第一数据片段进行特征提取，获得行驶特征参数矩阵；

[0048] 进一步的，在对所述第一数据片段进行特征提取后，还可以进行标准化处理，得到最终的行驶特征参数矩阵。

[0049] S4：根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数；

[0050] S5：对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型。

[0051] 在本发明实施例中，通过包括环境信息和历史行驶信息的样本数据集构建一个降维映射系数矩阵，作为车辆在行驶过程中环境信息的影响因子，然后对车辆的行驶信息和环境信息进行划分、标准化处理，得出行驶特征参数矩阵，依据所述降维映射系数矩阵和行驶特征参数矩阵，得出当前时刻的驾驶风格特征参数，最后通过聚类分析，别出当前时刻的驾驶风格类型，整个驾驶风格类型识别充分考虑环境因素的影响，能有效提高驾驶风格识别的准确率。

[0052] 在一种可选的实施例中，所述方法包括：

[0053] 获取预先采集的样本数据集，并对所述样本数据集进行预处理，获得若干第二数据片段；

[0054] 对若干所述第二数据片段进行降维处理，获得降维映射系数矩阵以及若干个聚类中心。

[0055] 示例性，可以采用LDA算法、PCA算法等进行第二数据片段的降维处理。

[0056] 进一步的，所述样本数据集包括天气因素、所述车辆的历史行驶信息；

[0057] 则，所述获取预先采集的样本数据集，并对所述样本数据集进行预处理，获得若干第二数据片段，包括：

[0058] S11：对获取的样本数据集中每个天气因素按照预设的映射关系转换成数值；

[0059] S12：对所述数值、所述历史行驶信息进行滤波处理；

[0060] S13：对于滤波后的数值、历史行驶信息进行片段划分，得到若干组数据集合；

[0061] S14：对每组数据集合进行特征提取，得到若干第二数据片段。

[0062] 在本发明实施例中，预先构建对了天气因素与数值之间的映射关系，例如：晴天‑1、阴天‑2、雨天‑3等，对预先采集的天气因素转换为对应的数值后，依次进行数据滤波、划分处理，得到若干组的数据集合；然后最每组数据集合进行特征提取，提取出相应的特征参数，得到若干第二数据片段。需要说明的是，本发明实施例对特征提取的算法不做具体的限定，例如可以通过LBP算法、HOG算法、SIFT算法等进行特征参数的提取。

[0063] 其中，上述步骤S2中提取第一数据片段的流程与上述步骤S11‑14相同，在此不再详细说明。

[0064] 在一种可选的实施例中，所述对若干所述第二数据片段进行降维处理，获得降维映射系数矩阵以及若干个聚类中心，包括：

[0065] 对若干所述第二数据片段进行标准化处理；

[0066] 示例性的，可以通过数据归一化处理实现所述第二数据片段的标准化，能显著提升后续数据聚类的效果。

[0067] 根据标准化处理后的若干所述第二数据片段，计算出类内散度矩阵和类间散度矩阵；

[0068] 根据所述类内散度矩阵和所述类间散度矩阵，计算出所述类内散度矩阵的逆与所述类间散度矩阵的乘积矩阵的特征值以及对应的特征向量；

[0069] 当所述乘积矩阵中前d个所述特征值的贡献率大于预设的阈值时，提取前d个所述特征值对应的特征向量生成所述降维映射系数矩阵和若干个聚类中心。

[0070] 在本发明实施例中，标准化处理后的第二数据片段采用LDA算法降维处理，具体的，将第二数据片段作为LDA算法的输入，计算出类内散度矩阵Sw和类间散度矩阵Sb；然后‑1计算出所述类内散度矩阵的逆与所述类间散度矩阵Sb的乘积矩阵Sw *Sb，并计算出该乘积‑1
矩阵Sw *Sb特征值以及对应的特征向量。预先设定一个阈值作为数据筛选的条件，例如设‑1
定所述阈值为85％。当Sw *Sb中前d个特征值的贡献率大于85％时，确定数据降维完成，提取前d个特征值对应的特征向量生成所述降维映射系数矩阵和若干个聚类中心，并且对各个聚类中心进行驾驶风格类型的标记。通过LDA降维可以将所述样本数据集转换成降维映射系数矩阵并得出不同驾驶风格类型对应的聚类中心。在本发明实施例中，随着样本数据的积累，还可以不断更新降维映射系数矩阵和聚类中心，从而实现驾驶风格识别算法的自我更新。

[0071] 在一种可选的实施例中，所述获取当前存储的车辆的行驶信息以及相应的环境信息之后，还包括：

[0072] 判断当前存储的行驶信息和环境信息是否满足任意一个预设的周期刷新条件；其中，所述周期刷新条件包括：用于存储行驶信息和环境信息的存储矩阵已满，当前存储行驶信息和环境信息的时间达到预设的刷新周期；

[0073] 若是，则触发驾驶风格类型识别流程；

[0074] 若否，则继续采集所述车辆的行驶信息以及相应的环境信息进行存储。

[0075] 在本发明实施例中，设备维护一个计时器以及一个存储矩阵，该存储矩阵用于存储实时采集到的车辆的行驶信息以及相应的环境信息。当存储矩阵已满时，触发上述步骤S1‑S5的驾驶风格类型识别流程，否则进行存储和计时。当该存储矩阵存储第一个数据时，所述计时器开始计时；当所述计时器的计时达到预设的刷新周期，同样可以触发上述步骤S1‑S5的驾驶风格类型识别流程，否则进行存储和计时。其中，每次进行驾驶风格类型识别流程后，清空存储矩阵和计时器。

[0076] 在一种可选的实施例中，所述根据预先构建的降维映射系数矩阵和所述行驶特征参数矩阵，得到当前时刻的驾驶风格特征参数，包括：

[0077] 将所述降维映射系数矩阵与所述行驶特征参数矩阵相乘，得到当前时刻的驾驶风格特征参数。

[0078] 在本发明实施例中，通过所述降维映射系数矩阵与所述行驶特征参数矩阵相乘，实现所述行驶特征参数矩阵的降维，保证降维后的行驶特征参数矩阵的维度与降维映射系数矩阵相同，方便后续的聚类分析处理。

[0079] 在一种可选的实施例中，所述对所述驾驶风格特征参数进行驾驶风格聚类分析，识别出当前时刻的驾驶风格类型，包括：

[0080] 计算所述驾驶风格特征参数与若干个所述聚类中心之间的距离；

[0081] 将所述驾驶风格特征参数归类到与其距离最小的聚类中心所在的簇；

[0082] 获取所述驾驶风格特征参数加入的簇对应的驾驶风格类型，作为当前时刻的驾驶风格类型。

[0083] 示例性的，可通过Kmeans算法、均值偏移聚类算法、模糊C均值聚类算法等对所述驾驶风格特征参数进行聚类分析，在本发明实施例中，采用Kmeans聚类算法进行说明：

[0084] 步骤1：计算所述驾驶风格特征参数与K个所述聚类中心之间的距离；

[0085] 步骤2：将所述驾驶风格特征参数归类到与其距离最小的簇；

[0086] 步骤3：将步骤2的簇对应的驾驶风格类型输出，作为当前时刻的驾驶风格类型；

[0087] 步骤4：判断是否满足聚类中心的更新条件；所述更新条件为最后一个驾驶风格特征参数归类完成；若是，调到步骤S5；若否，则继续返回步骤2；

[0088] 步骤5：对归类了驾驶风格特征参数的簇重新确定其聚类中心。

[0089] 本发明实施例基于预先采集样本数据集，通过LDA算法预先确定聚类中心，后续只需要对实时采集的行驶信息、环境信息基于预先确定聚类中心进行Kmeans聚类分析，即可实现驾驶风格类型的识别，有效简化了驾驶风格类型的识别流程，提高驾驶风格类型的识别的效率。

[0090] 在本发明实施例中，整个驾驶风格类型识别主要包括两部分，离线部分和在线部分；离线部分通过预先下级的环境信息、历史行驶信息进LDA降维、聚类，得出表征环境影响的降维映射系数矩阵以及表征不同驾驶风格类型的聚类中心。在线部分通过实时采集的车辆在行驶过程中一段时间或者特定数据总量的行驶信息、环境信息，并对采集到的行驶信息、环境信息进行滤波、片段划分、特征提取、标准化处理过程，得出当前时刻的行驶特征参数矩阵，然后采用离线部分计算出的降维映射系数矩阵对行驶特征参数矩阵降维，得出当前时刻的驾驶风格特征参数；最后基于离线部分计算出的聚类中心，对这些驾驶风格特征参数进行Kmeans聚类分析，得出最终的驾驶风格类型。整个驾驶风格类型识别充分考虑环境因素的影响，能有效提高驾驶风格识别的准确率；同时随着样本数据的积累，还可以不断自我更新识别算法，以便为其提供更加人性化的后续服务。

[0091] 实施例二

[0092] 请参阅图2，本发明实施例提供的一种基于环境信息的驾驶风格识别设备，包括包括至少一个处理器11，例如CPU，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括USB接口以及其他标准接口、有线接口。网络接口14可选的可以包括Wi‑Fi接口以及其他无线接口。存储器15可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non‑volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。

[0093] 在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

[0094] 操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

[0095] 程序152。

[0096] 具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的基于环境信息的驾驶风格识别方法，例如图1所示的步骤S1。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

[0097] 示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于环境信息的驾驶风格识别设备中的执行过程。

[0098] 所述基于环境信息的驾驶风格识别设备可以是VCU、ECU、BMS等计算设备。所述基于环境信息的驾驶风格识别设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于环境信息的驾驶风格识别设备的示例，并不构成对基于环境信息的驾驶风格识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

[0099] 所称处理器11可以是微处理器(Microcontroller Unit，MCU)中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器11是所述基于环境信息的驾驶风格识别设备的控制中心，利用各种接口和线路连接整个基于环境信息的驾驶风格识别设备的各个部分。

[0100] 所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于环境信息的驾驶风格识别设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器15可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

[0101] 其中，所述基于环境信息的驾驶风格识别设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

[0102] 实施例三

[0103] 本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的基于环境信息的驾驶风格识别方法。

[0104] 需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0105] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。