基于聚類的車輛駕駛行為研究

李婷婷

(河北省石家莊鐵道大學，河北 石家莊 050043)

一、簡介

結合K-means聚類和決策樹模型，對車輛行駛數據進行分析，建立一個駕駛員駕駛狀態模型。根據司機駕駛過程中產生的各種數據，結合不同的環境情況進行分析，可以判別當前車輛的駕駛狀態。

二、研究背景

近年來交通事故越來越多，給人生安全造成極大威脅，很大程度上制約了經濟發展和社會進步。導致事故發生的因素來自方方面面，司機不正確的駕駛操作、異常監測設備的落后等。對于司機的駕駛狀態分析，目前還有所不足。例如車載監測設備可以發現司機疑似疲勞駕駛的行為，但還不能夠分析司機是否存在超長怠速、急變道等不當操作。

建立模型對司機的駕駛狀態進行分析，有利于對其不良行為監測并及時提醒，從而在源頭上減小交通事故的風險。

三、模型建立與分析

結合采集的行車軌跡，包括車牌號、設備號、方向角度、經緯度、點火狀態、轉向燈狀態、手剎腳剎以及采集時間等信息進行分析。

根據車輛在一段運輸路線上的數據進行聚類分析，區別安全行為和不良駕駛行為。對于找出的不良駕駛行為，利用隨機森林對其進行類別分析，其中所有不良駕駛行為分為狀態類和閾值類，閾值類包括急加、急減速、超速、急變道等，其特點在于當速度、加速度或者方向變化等達到一定閾值，便認為駕駛員存在不良駕駛行為；其余為狀態類，對于怠速預熱、超長怠速、熄火滑行等根據各項指標達到指定要求則判斷為不良駕駛行為。

（一）K-means聚類區分正常和異常駕駛行為

選取某輛車的某條線路作為研究數據輸入，分析其速度-加速度散點圖可知，除了有少量突變性較高的數據外，速度-加速度點主要集中在低加速區域，而且隨著速度增加，高加速點在逐漸地減少；速度-加速度點聚集性較強，采取K-means聚類進行安全駕駛行為和異常駕駛行為的區分。

（二）決策樹分類不同異常駕駛行為

決策樹模型可以根據多組判斷條件的設置，形成一系列的分支，從而將輸入數據分成不同輸出結果。對于判斷條件的順序需要結合不同類別的差異性設置，將具有明顯差異的區分條件放在前面的順序；對于差別不大的判斷條件可以進行微調。

選擇C4.5算法作為屬性選擇度量算法，使其能夠完成對連續屬性的離散化處理并對不完整數據進行處理。

（三）結果分析

根據預處理后所選取的4種主要屬性集：{速度，加速度，點火狀態，方向改變值，駕駛時間}和最終分類結果集{急加，急減，怠速預熱，超長怠速，熄火滑行，超速}。

構造樹型時，需結合信息增益比，選取比值大的因素作為根節點，逐層遞進，對于比值差異不大的因素可以進行微調。

將這些異常駕駛行為分為閾值類和狀態類2大類。

狀態類如下：

①怠速預熱：分類依據為車輛是否處于點火狀態為開啟且速度為0的駕駛情況。

②超長怠速：分類依據為車輛點火狀態開啟且速度為0的狀態是否持續20分鐘以上。

③熄火滑行：分類依據為車輛是 否處于點火狀態為0且速度不為0的駕駛情況。

閾值類如下：

④急加速和急減速：分類依據為車輛加速度的絕對值是否超過問題一所述閾值。

⑤超速：分類依據為車輛瞬時速度是否超過所行使路況的規定車速。

⑥急變道：分類依據為車輛方向角變化幅度是否大于某一閾值且小于90度，即是否出現短時間方向突變情況。

四、模型優點

數據預處理中，對于一輛車的不同路段采用時間間隔進行分段，閾值設置5min，10min，30min，60min分別分析，最后選擇60min作為路段閾值，避免了等紅燈、司機休息等其他情況對路段分割造成影響。

對于不同類別的不良駕駛行為，按照特點分為狀態類和閾值類，其中急加速和急減速、超速、急變道屬于閾值類，表現在于當某一指標或者其變化超過特定閾值時，便是某種類別的不良駕駛行為；對于其他的狀態類，則通過狀態轉移方程描述狀態變化情況，當狀態趨于平穩，則考慮是否出現某些不良駕駛行為，效果較為靈敏。

五、結語

隨著數據分析與智能化的發展，對于駕駛行為發面的分析、評價和預測還有待進一步的完善。在真實場景下，算法的應用除了要求其準確率之外，還需要考慮適用性與易用性，這樣才能更加有助于算法與工業界的結合。