基于大數據的礦用卡車駕駛風格識別算法研究

胡湞 張瑞新 劉鑫 馮讀康 張秋涵

摘 要：卡車司機的駕駛風格表征著其根據實時行車環境對礦車的運行控制所采取的一系列操作行為。對于礦用卡車安全性與經濟性有較大影響。為提高駕駛風格聚類算法的適用性，并直觀表達聚類效果，提出基于層次聚類的駕駛風格識別方法，結合實際采集的現場不同駕駛員的駕駛行為數據，進行駕駛風格識別。結果表明將駕駛風格分成3類的分類結果較為明顯，且適合礦用卡車的駕駛風格識別。

關鍵詞：卡車司機;駕駛風格;礦用卡車;層次聚類

中圖分類號：TP393 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2021.03.005

本文著錄格式：胡湞，張瑞新，劉鑫，等.基于大數據的礦用卡車駕駛風格識別算法研究[J].軟件，2021，42（03）：019-021+064

Research on Mining Truck Driving Style Recognition Algorithm Based on Big Data

HU Zhen， ZHANG Ruixin， LIU Xin， FENG Dukang， ZHANG Qiuhan

（School of Safety Engineering， North China Institute of Science and Technology， Beijing? 065201）

【Abstract】：The driving style of a truck driver represents a series of operation behaviors taken by the driver to control the operation of the vehicle according to the real-time driving environment. This has a greater impact on the safety and economy of mining trucks. In order to improve the applicability of the driving style clustering algorithm and express the clustering effect intuitively， I propose a driving style recognition method based on hierarchical clustering， combining the actual collected driving behavior data of different drivers on-site to identify the driving style. The results show that the classification results of dividing the driving style into three categories are more obvious， and it is suitable for the driving style recognition of mining trucks.

【Key words】：truck driver;driving style;mining truck;hierarchical clustering

0 引言

駕駛風格用來表征駕駛員在實車運行環境下對車輛運行進行控制的操作行為特征，通過駕駛員操作習慣和汽車行駛數據的分析，動態識別出駕駛員的駕駛風格，對改善車輛燃油經濟性有重要意義[1]。

對此，國內外學者運用不同技術手段結合不同卡車不同工況進行了一系列研究。吳振昕等[2]利用k-means聚類方法及D-S證據理論決策融合方法識別不同工況下駕駛風格。王超等[3]以駕駛員的視野特征和決策意愿表征駕駛風格應用Simulink/Carsim聯合仿真技術對駕駛員模型進行研究。胡杰等[4]對提出一種關聯維數的駕駛風格指數，量化駕駛激進程度，從而精準識別駕駛風格。Kedar-Dongarkar等[5]提出一種基于車輛加速，制動，超速指數，油門指數的高效分類器，把駕駛風格分成激進、保守、適中3類。Meiring等[6]研究并總結了各種駕駛風格聚類識別方案，提出模糊邏輯推理系統、隱馬爾可夫模型和支持向量機在解決駕駛員風格識別算法上有好前景。

由于礦用卡車具有體積大、載重大、運行路況復雜等特點，相對應駕駛員對卡車的控制也與其他車輛有所不同，據此，筆者根據現場實際調度管理情況，分重載，空載對卡車運行數據進行劃分，運用層次聚類方法，分別研究駕駛風格聚類特性。最終得出聚類結果并將結果直觀展現。

1 數據預處理

整理所采集的數據，剔除由于機器誤差產生的數據;由于現場運輸線路重載多為上坡路段，空載為下坡路段。這種差異性會造成司機操作的不同，利用Python對已清洗數據劃分空載、重載，并對數據各指標取統計值（如均值，方差，極值等）。重載，空載均取以下參數見表1。

2駕駛風格聚類分析

對于司機駕駛風格是一種復雜操作行為，它綜合了司機對于油門踏板、剎車踏板的控制，即結合當前環境以及自身駕駛習慣對車速進行控制，無法從單一參數進行量化分類。針對這一問題，采用機器學習中聚類的思想，通過無監督學習中的層次聚類算法，逐層比較特征值，對相似樣本進行歸類，進而實現對駕駛風格的識別和分類。

2.1層次聚類

層次聚類（Hierarchical Clustering Method）是一種非監督機器學習聚類算法，算法基于簇間相似度在不同層次對數據集進行劃分所形成的樹形聚類結構[7]。聚類采用的是“自底向上”的思想，先將每一個樣本都看成是一個不同的簇，通過重復將最近的一對簇進行合并，直到最后所有的樣本都屬于同一個簇為止。計算簇間距離方式通常采用平均距離法（Average Linkage）即計算兩個組合數據點中的每個數據點與其他所有數據點的距離。將所有距離的均值作為兩個組合數據點間的距離。

2.2 重載駕駛風格聚類

把每個從裝載點到卸載點的過程稱為重載過程作為重載聚類樣本。對每個重載過程取指標值，得到如表1所示參數，利用SPSS分析軟件，將數據指標輸入到聚類模型中，得到聚類樹如圖1，對聚類結果進行統計得出表2重載頻率分布表。對每個聚類的所有樣本進行統計，并對比各聚類的主要參數間的差異，驗證聚類結果，如圖2。

對聚類結果進行描述：重載過程整體呈上坡趨勢，此時司機對油門踏板的操作比較頻繁，如圖2選取速度均值與方差指標，油門踏板轉動角速度均值與方差，剎車踏板深度均值與方差這6個指標，對聚類結果進行分析與驗證。

很明顯可以看出：

（1）對于聚類風格3，油門踏板轉動角速度、行駛速度的均值和方差指標值均大于1和2，說明聚類3相對另外兩種風格更加激進;

（2）對比速度的方差指標可以看出，聚類2相較于其他兩種風格更加追求速度穩定，車速較低，且穩定，風格更保守;

（3）對比剎車踏板深度的均值與方差，進一步表明風格2相較于其他兩種風格更保守，踩剎車較多;

（4）結合表2可看出，駕駛風格較為激進的風格3人數較少，處于適中風格的最多，保守風格其次。

2.3空載駕駛風格聚類

將每個從卸載點到裝載點的過程稱為空載過程作為空載聚類樣本。同理，得出空載聚類樹如圖3，對空載過程聚類結果進行統計得到表3空載聚類頻率分布表，對每個聚類的所有樣本進行統計，并對比各聚類的主要參數間的差異，如圖4。

由表3和圖3可看出：

（1）對于聚類風格3，行駛速度的均值指標值大于1和2，但速度方差小于1和2，說明風格3空載運行更傾向于維持高速運行，相較于另外兩種風格更加激進。風格1相較于風格2，速度的均值更大，方差卻更小，表明風格1比風格2激進。風格2最為保守;

（2）對比剎車踏板深度均值與方差，進一步表明風格2相較于其他兩種風格更保守，踩剎車較多;

（3）結合頻率表可看出，駕駛風格較為激進的風格3人數較少，處于適中風格的最多，保守風格其次。由于礦上有限速規定，大部分駕駛員將速度保持在28～30km/h。

（a）空載油門踏板轉動角速度均值與方差

（b）空載剎車踏板深度均值與方差

（c）空載速度方差

（d）空載速度均值

3結論

為研究礦用卡車駕駛員駕駛風格聚類，本文采集內蒙古某露天礦的卡車運行實時數據和駕駛員行為數據，經過勘測，運輸道路多為空載下坡，重載上坡，致使司機在兩種工況下，駕駛行為產生差異，于是本文選擇將所測得數據區分空載和重載，分別進行研究，得到62個重載數據集和61個空載數據集。研究非監督學習的層次聚類算法的基本原理，結合已處理的數據集，得出聚類結果，對比聚類結果，將駕駛風格分成3類，激進、保守、適中。并畫出聚類樹，直觀顯示聚類效果。

參考文獻

[1] 李經緯，趙治國，沈沛鴻，等.駕駛風格K-means聚類與識別方法研究[J].汽車技術，2018（12）：8-12.

[2] 吳振昕，何云廷，于立嬌，等.基于大數據的駕駛風格識別算法研究[J].汽車技術，2018（10）：10-15.

[3] 王超，郭孔輝，許男，等.表征駕駛風格和駕駛員能力的駕駛員模型[J].北京理工大學學報，2019，39（1）：41-45.

[4] 胡杰，許力，孟武強，等.基于相空間重構的駕駛風格定量評估[J].儀器儀表學報，2017，38（3）：635-642.

[5] KEDAR-DONGARKAR G，DAS M.Driver Classification for Optimization of Energy Usage in a Vehicle：Conference on Systems Engineering Research[C].St.Louis，Missouri （US），2012.

[6] MEIRING G A M，MYBURGH H C.A Review of Intelligent Driving Style Analysis Systems and Related Artificial Intelligence Algorithms[J].Sensors，2015，15（12）：30653-30682.

[7] 郭松，郭廣禮，李懷展，等.基于主成分層次聚類模型的采空塌陷場地穩定性評價[J].中國地質災害與防治學報，2020，31（6）： 116-121.