基于車輛行駛數據的駕駛風格識別

陸一賓，沈鈺博，王 伊，郭 倫

基于車輛行駛數據的駕駛風格識別

陸一賓，沈鈺博，王 伊，郭 倫

（長安大學 汽車學院，陜西 西安 710064）

車輛駕駛員駕駛風格對于汽車的燃油經濟性和行駛安全性有重要的影響。文章就基于車輛行駛數據在駕駛風格識別方面的研究進行綜述，首先介紹了駕駛員駕駛風格識別的基本流程，接著論述不同學者在駕駛風格識別方面使用的算法模型，包括支持向量機（SVM）算法、反向傳播（BP）神經網絡算法、隨機森林模型算法，然后基于實際車輛行駛數據，利用不同駕駛風格識別模型對其進行實現分析，最后對駕駛員駕駛風格識別的研究工作進行了展望。

駕駛風格識別；行駛數據；識別模型；實例分析

駕駛風格是指駕駛員在車輛行駛過程中操縱車輛的駕駛行為習慣，其與車輛的燃油經濟性、駕駛舒適性及行駛安全性密切相關，例如駕駛風格激進的駕駛員在行駛的過程中更容易頻繁大幅度地加減速，這將帶來更高的燃油消耗和安全風險以及較差的乘坐體驗。通過對駕駛員行車過程中駕駛行為特征和車輛行駛數據分析，可以動態識別駕駛員所表現的駕駛風格，對于改善車輛行駛的舒適性和安全性，實現駕駛員安全駕駛具有重要意義。

早期對于駕駛風格的研究主要采用問卷調查的方法，其容易受到外界環境的影響，結果的準確性和可靠性無法保證。隨著數據處理技術的發展，眾多學者基于采集的實車行駛數據或模擬器運行數據，通過對數據的分析來實現對駕駛風格識別。本文重點對主要的駕駛風格識別算法模型進行概述，并基于實際的車輛行駛數據，對上述算法模型進行實現分析。

1 駕駛風格識別流程

基于車輛行駛數據實現駕駛風格識別的流程可以分為以下三部分，駕駛風格識別流程如圖1所示。

圖1 駕駛風格識別流程圖

1）構造駕駛行為特征參數：在行駛數據預處理基礎上構造表征駕駛行為的特征參數，是后續進行駕駛風格分類的基礎；

2）駕駛風格分類：對駕駛風格識別前需要對駕駛風格進行聚類，為避免駕駛行為特征參數過多而影響駕駛風格聚類的效果和速度，聚類前需要對其進行降維處理；

3）駕駛風格識別：在駕駛風格聚類的基礎上建立不同的風格識別模型，比較其識別的精度，最終選擇合適的風格識別模型實現駕駛風格的動態識別。

駕駛風格分類在駕駛風格識別過程中較為關鍵，分類的結果直接影響對駕駛員行駛狀態的判別。許多學者對用于駕駛風格分類的降維和聚類算法進行了深入研究，王旭等[1]利用主成分分析法將選取的18個駕駛行為特征參數降維成6個主成分，并利用K-means++算法將駕駛風格聚類成平靜型、一般型和激進型三類；王科銀等[2]運用因子分析法與K-means算法將駕駛風格分為謹慎型、一般型和激進型三類；李倫[3]通過t-SNE降維算法和高斯混合模型（Gaussian Mixture Model, GMM）算法對挑選的15個特征參數進行處理，最終將駕駛風格分為保守型、普通型和激進型三類；LIU等[4]利用主成分分析法和模糊C均值聚類算法將駕駛風格分為通用型、保守型和激進型三類，其分類的成功率達92.16%。

2 駕駛風格識別算法模型

在駕駛風格的識別上，許多學者采用了不同的算法模型對其進行識別。對于不同的車輛數據類型，不同算法的識別精度存在差異，因而選擇合適的識別算法模型對于實現車輛動態安全節能駕駛提醒至關重要。常用的駕駛風格識別算法模型主要有支持向量機（Support Vector Machine, SVM）算法、反向傳播（Back Propagation, BP）神經網絡算法、隨機森林模型算法。

2.1 基于支持向量機的駕駛風格識別模型

SVM算法是一種有監督的機器學習算法。該算法泛化能力較強，其可以將線性不可分的數據映射到高維空間使其線性可分，并在高維空間中構造最佳超平面完成分類。因其在處理小樣本、非線性和高維空間的分類中表現較好的效果，常用于駕駛風格的識別中。

郝景賢等[5]在對混合動力汽車駕駛風格分類的基礎上，利用支持向量機算法對駕駛風格進行識別，無論是加速還是減速下的駕駛風格或是加減速下的駕駛風格，該算法都能保證至少90%的準確率。劉冠穎等[6]采用一對多支持向量機算法（OvR-SVM）對駕駛風格進行識別，通過不斷增加訓練集樣本的數量，測試集的識別精度不斷升高，最終識別的準確率高達99.96%。王科銀等[2]對聚類后的駕駛風格分別采用支持向量機模型和人工神經網絡（Artificial Neural Network, ANN）模型進行識別，無論是否對樣本進行降維處理，支持向量機模型的識別精度始終高于ANN模型，且降維后SVM模型的識別精度為98.13%。

2.2 基于BP神經網絡的駕駛風格識別模型

人工神經網絡模型是一種常用的機器學習模型，由于其可以實現從輸入到輸出的高度非線性映射，常用于模式識別、系統辨識、信號處理等領域。而BP神經網絡作為最常用的神經網絡算法，因其具有良好的并行性、高度的非線性、良好的容錯能力，其魯棒性較好不易受噪聲的影響，且分類準確率較高，因而適合處理駕駛風格識別問題。

張雅麗等[7]構建了一個3層BP神經網絡模型，通過比較不同神經元節點個數、傳遞函數和訓練函數類型以及網絡學習率對預測誤差的影響，選擇最優的模型參數對公交車進出站三種駕駛風格進行識別，整體的平均識別率為93.52%。吳麗寧[8]利用搭建的三層BP神經網絡模型，將70%的樣本作為訓練集，30%的樣本作為測試集，能夠較好的實現對卡車駕駛員駕駛風格的識別。李立治等[9]借助神經網絡模型對隨機挑選的5組駕駛風格樣本進行識別，結果顯示所有樣本均能被準確識別。

2.3 基于隨機森林的駕駛風格識別模型

隨機森林模型是基于多棵決策樹組合構成的機器學習模型，其原理是通過每棵決策樹分類模型對訓練樣本進行投票，將票數最高的標簽作為最終的分類結果。該模型適合處理高維度數據，對于異常值具有較好的容忍度，且能輸出不同特征之間的重要性比值。

劉迪等[10]利用隨機森林模型分別對兩種不同工況下的駕駛風格進行交叉驗證，辨識的準確率達90.9%。趙韓等[11]驗證了隨機森林模型在辨識不同車流密度條件下不同的駕駛風格均具有較好的精確度，為后續進一步優化混合動力汽車的能量管理策略奠定了基礎。朱冰等[12]基于基尼指數分析變量重要性的基礎上構建了一種基于變量重要性的隨機森林模型，該模型不僅整體識別精度高達97.1%且相較原本的模型算法更加簡單易行。

3 駕駛風格識別實現分析

3.1 駕駛風格分類

由于采集的公交車實際行駛數據包含的數據項較多，對其進行篩選過濾得到與駕駛行為有關的數據集。在對篩選后的數據集進行異常值去除、缺失值補充等預處理工作后，以各個公交車站點為依據劃分運動學片段，并計算各運動學片段的駕駛行為特征參數。

本次共劃分721個運動學片段，并挑選計算7個駕駛行為特征參數，分別為速度均值、速度標準差、最大速度，加速度均值、加速度標準差、減速度均值、減速度標準差。速度標準差的計算公式如下，加速度標準差和減速度標準差的計算同理。

式中，為運動學片段中的樣本總數。加減速度標準差均可以反映駕駛員駕駛風格的激烈程度，其數值越大表明駕駛員駕駛風格越激進。

利用主成分分析法對運動學片段的駕駛行為特征進行降維處理，最終前2個主成分累計貢獻率為79.93%，且其特征值均大于1，可用其代表大部分特征參數的信息，各主成分貢獻率如圖2所示。對降維處理后的數據進行K-means聚類，經對比發現聚類成3類的效果最好，分別命名為保守型、一般型和激進型，其中保守型片段個數為274個占比38%、一般型片段個數為156個占比21.64%，激進型片段個數為291個占比40.36%。聚類結果如表1所示。

圖2 各主成分貢獻率

表1 聚類結果

類別片段個數占比/% 保守型27438 一般型15621.64 激進型29140.36

3.2 駕駛風格識別

在駕駛風格分類的基礎上，分別建立SVM模型、BP神經網絡模型、隨機森林模型。將80%的駕駛風格樣本作為訓練集，剩余20%的駕駛風格樣本作為測試集，以均方根誤差、平均絕對誤差、運行時間作為各模型的識別指標，各模型指標對比如表2所示，不同模型訓練集與測試集的識別效果如表3所示。

表2 識別指標對比

模型均方根誤差平均絕對誤差運行時間/s SVM0.238 20.042 52.900 BP神經網絡0.206 30.028 43.621 隨機森林0.252 60.049 64.303

表3 識別準確率對比

模型訓練集/%測試集/% SVM96.2196.45 BP神經網絡98.6097.87 隨機森林10095.76

從表2和表3可知，上述三種模型均能實現對駕駛風格的識別，且識別精度均較高于95%。各模型測試集的識別誤差較小，識別速度較快，能夠快速實現對駕駛員駕駛風格的識別。三種識別模型中基于BP神經網絡的識別模型在測試集的識別精度、識別誤差上均優于支持向量機模型和隨機森林模型，識別精度高達97.87%，且其訓練集的識別效果和運行時間均居于其他兩個模型之間，因而該方法較其余兩種模型相比更適于該公交車駕駛員駕駛風格的識別。

4 總結展望

本文從駕駛員駕駛風格的識別流程、常用的識別算法模型、模型的實現分析三個方面介紹基于車輛行駛數據的駕駛風格識別分析，為研究駕駛風格的識別提供思路。

車輛行駛數據的獲取是進行駕駛風格研究的前提與基礎，未來可結合問卷調查的方式收集數據，同時考慮外界環境因素的影響，通過對更加全面數據信息的分析訓練，可以實現各種交通場景下駕駛風格的實時準確預測，實現駕駛員的安全節能駕駛。

[1] 王旭,馬菲,廖小棱,等.基于多分類監督學習的駕駛 風格特征指標篩選[J].交通信息與安全,2022,40(1): 162-168.

[2] 王科銀,楊亞會,王思山,等.駕駛風格聚類與識別研究[J].湖北汽車工業學院學報,2021,35(3):1-6,10.

[3] 李倫.基于純電動汽車高頻運行數據的駕駛行為研究[D].濟南:山東大學,2021.

[4] LIU Y G,WANG J M,ZHAO P,et al.Research on Classification and Recognition of Driving Styles Based on Feature Engineering[J].IEEE Access,2019,7 (9):89245-89255.

[5] 郝景賢,余卓平,趙治國,等.混合動力汽車駕駛風格識別的研究[J].汽車工程,2017,39(12):1444-1450.

[6] 劉冠穎,郭鳳香,申江衛,等.基于數據特征的駕駛風格分類與識別方法研究[J].昆明理工大學學報(自然科學版),2023,48(3):165-173.

[7] 張雅麗,付銳,袁偉,等.考慮能耗的進出站駕駛風格分類及識別模型[J].吉林大學學報(工學版),2023,53 (7):2029-2042.

[8] 吳麗寧.基于駕駛風格分類的卡車油耗預測[D].西安:長安大學,2020.

[9] 李立治,楊建軍,劉雙喜,等.國內人群的駕駛風格分類及識別方法研究[J].重慶理工大學學報(自然科學), 2019,33(11):33-40.

[10] 劉迪,鄭建明,覃斌,等.基于自然駕駛場景大數據的駕駛風格研究[J].汽車技術,2022,564(9):36-42.

[11] 趙韓,劉浩,邱明明,等.考慮車流密度影響的駕駛風格識別方法研究[J].汽車工程,2020,42(12):1718-1727.

[12] 朱冰,李偉男,汪震,等.基于隨機森林的駕駛人駕駛習性辨識策略[J].汽車工程,2019,41(2):213-218,224.

Driving Style Recognition Based on Vehicle Driving Data

LU Yibin, SHEN Yubo, WANG Yi, GUO Lun

( School of Automotive, Chang'an University, Xi'an 710064, China )

Driver's driving style is an important impact on fuel economy and driving safety. This paper summarizes the research on driving style recognition based on vehicle driving data. Firstly, it introduces the basic process of driver's driving style recognition, and then discusses the algorithm models used by different scholars in driving style recognition, including support vector machine (SVM) algorithm, back propagation (BP) neural network algorithm and random forest model algorithm. Then, based on the actual vehicle driving data, different driving style recognition models are used to realize the analysis, and finally the research work of driver driving style recognition is prospected.

Driving style recognition; Driving data; Recognition model; Case analysis

U471

A

1671-7988(2023)18-194-04

陸一賓（1999－），男，碩士研究生，研究方向為駕駛行為與生態駕駛，E-mail:1922831854@qq.com。

10.16638/j.cnki.1671-7988.2023.018.038