駕駛行為分類方法及量化評估綜述

張立成 張婷 蔡學銳 趙祥模 彭琨

【摘要】對駕駛行為分類方法及量化評估進行綜述，首先闡述了駕駛行為的涵義及表征方法，然后將駕駛行為分類方法劃分為基于統計特性的分類方法、基于機器學習的分類方法、混合式（組合、集成）分類方法三大類，并對不同的駕駛行為分類方法的代表算法、優點及局限性等進行系統歸納和總結，其次，從多個維度對駕駛行為的量化評估研究進行系統介紹，最后介紹了駕駛行為分類及量化評估研究成果在多個領域的應用現狀及前景展望。

主題詞：交通工程 駕駛行為分類評估 智能網聯汽車 交通安全 節能減排 舒適性

中圖分類號：U461.9；U471 ? 文獻標志碼：A ? DOI： 10.19620/j.cnki.1000-3703.20230028

Review of Classification Methods and Quantitative Evaluation of Driving Behavior

Zhang Licheng1，2，3， Zhang Ting1，3， Cai Xuerui1，3， Zhao Xiangmo1，2，3， Peng Kun1，3

（1. Chang an University， Xian 710064; 2. The Joint Laboratory for Internet of Vehicles of Ministry of Education - China Mobile Communications Corporation， Xian 710064; 3. Shaanxi Engineering Research Center of Internet of Vehicles and Intelligent Vehicle Testing Technique， Xian 710064）

【Abstract】This study provided a review of classification methods and quantitative evaluation of driving behavior， which firstly expounded the meaning and representation methods of driving behavior， and divided the driving behavior classification methods into three categories： statistics based classification method， machine learning based classification method， and the hybrid （combination， integration） classification method. Different driving behavior classification methods were summarized from the aspects of representative algorithms， advantages and limitations. Secondly， the quantitative evaluation research of driving behavior was systematically described from multiple dimensions. Finally， the application status and prospect of driving behavior classification and quantitative evaluation results in many fields were introduced.

Key words： Traffic engineering， Driving behavior classification and evaluation， Intelligent and connected vehicle， Transportation safety， Energy saving and emission reduction， Comfort

【引用格式】 張立成， 張婷， 蔡學銳， 等. 駕駛行為分類方法及量化評估綜述[J]. 汽車技術， 2024（5）： 1-14.

ZHANG L C， ZHANG T， CAI X R， et al. Review of Classification Methods and Quantitative Evaluation of Driving Behavior[J]. Automobile Technology， 2024（5）： 1-14.

1 前言

近年來，隨著我國汽車工業的快速發展，全國汽車保有量呈不斷增加態勢。數據顯示，從2014年至2023年，我國汽車保有量從1.54億輛增加到3.36億輛，增長118.2%[1]。汽車在給人們生活帶來便利的同時，也造成了交通安全、能源短缺、環境污染等一系列問題。國家統計局數據顯示，2023年中國道路交通事故萬車死亡人數為1.38人[2]。同時，道路運輸業是能源消耗重點行業，每年消耗大量的石化資源，也造成了嚴重的環境污染，2023年《中國移動源環境管理年報》顯示，2022年全國機動車四項污染物排放總量達1 466.2×104 t，其中，一氧化碳（CO）、碳氫化合物（HC）、氮氧化物（NOx）和顆粒物（PM）排放量分別為743.0×104 t、191.2×104 t、526.7×104 t和5.3×104 t。汽車是污染物排放的主要貢獻者，CO、HC、NOx、PM排放量超過90%[3]。為緩解上述問題，相關部門一直致力于道路環境的改善、車輛結構的優化、駕駛人的交通安全教育等客觀方面的研究，并取得了不錯的成績。然而，這些治理手段已經進入瓶頸期。隨著智能網聯技術的不斷發展，駕駛行為優化評估為解決上述問題提供了新的思路。

駕駛員不僅是道路交通系統的信息處理者、決策者，也是調節者和控制者，是人-車-路閉環系統中最為關鍵的因素，其駕駛行為直接影響道路交通安全水平。研究表明，駕駛員不當操作所導致的交通事故占80%～90%，造成交通事故死亡人數占86.5%[4]。另外，駕駛行為對車輛能耗和排放也有顯著影響，若駕駛員采用合理的駕駛行為進行操作，可使汽車燃料消耗降低25%左右，同時可使污染物排放量大幅度減少[5]。

對駕駛行為的研究，已成為道路交通安全及生態駕駛研究的核心內容。本文從駕駛行為分類和量化評估兩個方面進行綜述：首先，基于不同的駕駛行為分類方法，將其分為基于統計學的分類方法、基于機器學習的分類方法、混合式（組合、集成）分類方法三大類，并分別進行詳細劃分，系統地總結和梳理不同的駕駛行為分類方法：然后，從安全性、經濟性、舒適性等多個維度對駕駛行為量化評估研究進行系統介紹。

2 駕駛行為涵義和表征

2.1 駕駛行為涵義

駕駛行為描述了駕駛員如何在駕駛場景和周圍環境中操縱車輛，即駕駛員操作機動車過程中的綜合表現，包括感知外界交通信息并形成決策的思維、通過運動器官操縱車輛運行的肢體行為及自身車輛與周圍車輛等交通環境要素之間的相對運動關系的控制行為[6]。如圖1所示，按照層次邏輯關系，駕駛行為可以分為駕駛決策和駕駛操作兩部分。駕駛決策是指駕駛員根據周圍的環境信息和車輛信息進行分析判斷，并選擇合適的駕駛工況，如速度控制（加速、減速、巡航）、超車、變道、轉彎、停車等。駕駛操作是指駕駛員對車內控制設備進行操作以改變或者保持車輛狀態的過程[7]，常見的操作包括踩油門、踩離合器、踩制動踏板、換擋、轉轉向盤、調整車燈等。根據駕駛員個體的不同，駕駛行為由駕駛技能和駕駛風格共同決定。駕駛技能是指車輛行駛過程中駕駛員對車輛穩定性控制的能力，因此構成了駕駛員在駕駛任務要素上的最大表現水平。駕駛風格涉及駕駛員的態度和性格，具體是指個人選擇或習慣性駕駛的風格，包括駕駛速度的選擇、超車的閾值和交通違章的傾向等[8]。

此外，根據不同的研究角度和研究內容，也可以將駕駛行為分成宏觀和微觀兩大類[9]。宏觀駕駛行為主要研究影響駕駛安全的行為特征，包括對超速、分心、疲勞、飲酒等行為的成因及其影響機制的研究，并建立宏觀駕駛行為表征指標體系，對駕駛行為進行評價等。此類研究成果可為相關部門提供管控依據，以減少交通事故。微觀駕駛行為主要研究不同工況下駕駛員進行的具體操作對交通系統產生的影響，如變道、超車、跟馳等微觀行為。此類研究成果可為提高道路通行效率、完善路網規劃體系及管控系統參數等提供依據。

2.2 駕駛行為表征方法

駕駛員的駕駛過程按信息加工處理流程可分為3個主要階段[10]，如圖2所示。其中：第一階段為信息感知與處理；第二階段是信息決策和驅動操作；第三階段是車輛運行和信息反饋。

為研究駕駛操作的行為變化特征，交通領域學者根據各階段的特征提出了駕駛行為表征指標。其中，第一階段獲取用于表征駕駛員特征的車輛運行信息；第二階段建立描述駕駛員對各種信息的認知態度和反應能力的指標；第三階段指明操作動作和車輛運動特性，即駕駛行為的具體表現。

3 駕駛行為分類方法

3.1 基于統計特性的分類方法

基于統計特征的分類方法在駕駛行為分類研究中應用甚廣，大部分文獻圍繞駕駛員的駕駛風格進行研究。其中，激進駕駛及其對交通安全的影響一直是公眾和許多其他部門關注的問題，包括公共交通機構、政策機構、保險公司、汽車協會等。激進駕駛并沒有明確的定義，研究人員從不同角度對其進行分類。例如，社會心理學研究人員從意圖的角度來定義激進駕駛[11]。隨著大數據技術的發展，研究人員可采集到大量的瞬時駕駛信息參數，并從中發現激進駕駛行為的規律。Paleti等人[12]通過探索激進的碰撞行為來定義激進駕駛，其行為包括“加速超車、頻繁更換車道和切換閃光燈來阻礙他人行駛、忽視交通控制設備導致突然加速和減速”。以上研究顯示，傷害嚴重程度（發生車禍）與激進駕駛之間存在正相關關系。

近年來，也有一些學者致力研究基于速度、加速度、加加速度（Jerk）等瞬時駕駛參數的統計特性來進行激進駕駛行為分類，并取得了不錯的成果。Eboli等人[13]通過對速度和加速度定義安全閾值來衡量駕駛行為的安全性，即測量速度和加速度，如果在閾值范圍內則認為駕駛行為處于安全狀態，若超過閾值則認為駕駛行為是不安全的。Langari、Won[14-15]通過在指定窗口內使用從加速度剖面中提取的標準差和平均加速度之比對駕駛員行為進行分類，如果比例大于100%，則認為駕駛員風格激進，如果在50%～100%之間，則認為駕駛員風格正常，如果小于50%，則認為駕駛員風格冷靜。當然，也有研究給出了不同的激進駕駛行為閾值。例如，Vlieger，Kim、Kim等人[16-18]給出了城市道路中的激進駕駛行為閾值。近年來，除了基于加速度外，加加速度也被用于激進駕駛行為的分類。Yi[19]等在考慮道路類型和交通擁擠程度的基礎上，基于Jerk的標準差和均值之比將駕駛行為分為冷靜駕駛（Calm Driving）、正常駕駛（Normal Driving）、激進駕駛（Aggressive Driving）等。Wang[20]等通過車載GPS設備收集3 600×104 s數據（包含51 370次行程及對應的逐秒速度），分別基于加速度和Jerk，將超出不穩定駕駛邊界的數據點占總數據點的比例作為不穩定駕駛行為的量化指標，并將不穩定駕駛邊界定義為加速度或Jerk的均值加/減各自的標準差，在此邊界內的點被稱為典型駕駛行為（Typical Driving Practices），界外的點被稱為不穩定駕駛行為（Volatile）。

具體地，利用加速度的均值和標準差對駕駛行為進行分類，如圖3所示。以加速度為正為例：圖中黑色部分表示加速度大于最小值、小于均值的所有速度點，這個區域內的點表示較為冷靜的駕駛行為（Calm）；深灰色部分表示加速度大于均值、小于“均值+標準差”的所有速度點，這個區域的點表示一般的駕駛行為（Normal）；淺灰色部分表示加速度大于“均值+標準差”的所有速度點，該區域表示激進的駕駛行為（Aggressive）。

利用Jerk的均值和標準差進行駕駛行為分類，如圖4所示。以Jerk為正為例：黑色部分表示Jerk大于最小值、小于均值的所有速度點，這個區域內的點表示較為冷靜的駕駛行為（Calm）；深灰色部分表示Jerk大于均值、小于均值+標準差”的所有速度點，這個區域的點表示一般的駕駛行為（Normal）；淺灰色部分表示Jerk大于“均值+標準差”的所有速度點，該區域表示激進的駕駛行為（Aggressive）。

Mohsen[21]等將標準差、變異系數、圍繞中心點的平均絕對偏差、四分位變異系數、極值計數等37項參數作為統計度量，研究速度波動性和交叉路口車輛碰撞頻率的關系。研究表明，駕駛波動性的三個指標與十字路口碰撞頻率具有正相關性，且在統計學上顯著。研究發現，更多的十字路口碰撞與基本安全消息（Basic Safety Messages，BSM）速度和加速度數據點的百分比的相關性更高，這些數據點位于十字路口使用平均值加兩個標準偏差創建的閾值帶之外，可為進一步的交通安全管控提供依據。

綜上，因激進的駕駛行為對交通安全、燃油經濟性及乘坐舒適性影響較大，基于統計特性的駕駛行為分類方法主要使用均值、標準差等統計度量對駕駛行為的激進程度進行分類。而駕駛行為主要通過車速、加速度和Jerk定量表征，將抽象的駕駛行為分類問題轉化為速度、加速度和Jerk等隨機變量的數理統計問題，為激進駕駛對交通安全、能耗及舒適性影響的研究奠定基礎。速度、加速度、Jerk等都是與時間相關的連續、隨機變量，在實際交通場景中，這些駕駛行為表征量具有時間軸上的先后性和數值空間上的隨機性。然而，基于統計特性的駕駛行為分類方法保留了以速度、加速度、Jerk為主要表征的駕駛行為的空間隨機性特征，將其視為離散隨機變量進行數據處理，忽視了時間序列上的邏輯關系，未能很好地揭示多因素下的駕駛行為成因機理及其時空演化規律。針對考慮駕駛行為形成機理及時空演化規律的駕駛行為分類將是本領域亟需解決的難點和痛點問題。

3.2 基于機器學習的分類方法

隨著大數據時代的到來，數據的豐富度和覆蓋面已經遠遠超出了人工可以觀察和總結的范疇，結合了統計學、數據庫科學和計算機科學的機器學習已經成為人工智能和數據科學發展的主流方向之一，機器學習技術迅速發展。機器學習可以從海量的數據中分析出數據的規律，并利用規律對未知數據進行預測，廣泛應用于多個領域。根據學習任務的不同，可以把機器學習算法分為分類（Classification）、回歸（Regression）、聚類（Clustering）三類。利用機器學習中的分類算法和聚類算法對駕駛行為進行分類是國內外學者研究的熱點，本節將從這兩個方面對駕駛行為分類研究進行介紹，并概述典型算法。

3.2.1 分類算法

基于機器學習分類算法的駕駛行為分類是在大量車輛數據信息中挖掘與駕駛行為相關的重要特征，并找出輸入特征與駕駛行為類別之間的映射關系。其中，常用于分類的機器學習算法有：決策樹（Decision Tree，DT）算法、樸素貝葉斯（Native Bayesian Classifier，NBC）算法、支持向量機（Support Vector Machine，SVM）算法、K近鄰（K-Nearest Neighbor，K-NN）算法、神經網絡算法等。

在實際的車輛駕駛過程中，駕駛員的行為會受到多方面因素的干擾，每一種駕駛行為都有各自的特點，為了將駕駛行為劃分為不同的類別，需要使用合適的特征來區分每一種駕駛行為類別。因此，從多個影響因素提取出最主要、最有價值的特征，作為駕駛行為分類依據，能夠更好地構建駕駛行為分類模型。高巖[22]基于車聯網數據，利用ExtmTrees算法進行駕駛行為分類的特征選擇，通過對比5種機器學習分類算法（DT、NBC、K-NN、神經網絡、SVM），得出基于SVM分類器的駕駛行為分類模型的分類性能最優，并利用粒子群優化（Particle Swarm Optimization，PSO）算法和遺傳算法（Genetic Algorithm，GA）對模型參數加以優化。Silva等人[8]通過車載設備采集真實數據，選用人工神經網絡（Artificial Neural Networks，ANN）、SVM、K-NN等機器學習算法模型對平靜、正常、具有攻擊性的駕駛風格進行分類，試驗結果表明，SVM模型在駕駛行為分類方面性能最好，準確率高達96%，但由于數據集樣本數量較少，沒有考慮影響駕駛方式的外部因素，遷移能力較差。楊鴻飛[23]基于車輛保險（Usage Based Insurance，UBI）及道路交通事故特征，采用相關性及多重共線性檢驗獲取分類特征，通過PSO算法優化BP神經網絡的方式建立駕駛行為分類模型。Brombacher等[24]基于ANN算法，將檢測到的縱向和橫向駕駛事件分為Defensive和Sporty兩大類，接著依據事件分類計算出駕駛風格分類總體得分，將駕駛風格分為五類。除了少數情況下，即當無法檢測到足夠的事件，或者駕駛員必須根據交通堵塞中的環境調整其駕駛方式時，該分類模型均能實現高精度的分類。

駕駛員在道路上的行為與交通安全息息相關，因此，部分研究者針對駕駛行為安全問題也進行了相應的研究，Lattanzi等人[25]通過用傳感器提取車速、發動機轉速、發動機負載、油門位置、轉向盤角度、制動踏板壓力等數據，并將此作為分類特征，采用支持向量機和前饋神經網絡兩種分類方法來區分安全和不安全的駕駛行為，結果顯示，兩種分類器的平均準確率均超過90%。Niu等人[26]主要對不安全駕駛行為進行研究，從駕駛員信息、車輛信息、駕駛員心理狀態、企業安全管理、道路環境、法律法規等6個維度出發，分析了影響安全駕駛行為的因素，并采用卡方檢驗和OR檢驗探索了影響因素與駕駛行為的相關性，利用機器學習模型建立了不安全駕駛行為分類框架，將其分為酒駕、毒駕、疲勞駕駛、失誤操作、闖紅燈、超速、視線受阻、隨機變道、開車時打電話9種不安全駕駛行為。Yuksel等人[27]基于車輛運動數據對突然加速、突然減速、突然左轉、突然右轉4種危險駕駛行為進行分析，并通過ANN、SVM、K-NN、NBC和K-star算法等常見的機器學習分類算法建立分類器，進行試驗對比分析，其中K-star算法在分類效果上表現最佳，可以高精度識別危險駕駛行為。

綜上，基于機器學習分類算法的駕駛行為分類是在大量車輛數據信息中挖掘與駕駛行為相關的重要特征，并找出輸入特征與駕駛行為類別之間的映射關系。與基于統計特性的分類方法相比較其具有強大的自學習能力，可以處理大樣本復雜數據集，在特定應用場景內優于基于統計特征的分類方法。但由于分類算法屬于監督學習方法，必須事先獲取樣本的類別信息，并進行訓練，從而對包含其屬性的未知樣本進行分類，在不滿足條件情況下，尤其是在對海量數據進行預處理時代價很大。

3.2.2 聚類算法

同時，很多研究者聚焦于通過聚類的機器學習方法實現駕駛行為分類，其思想是將駕駛行為特征參數相類似的劃分為一類，將相異度較高的分成不同類。K-means算法作為最著名的基于劃分的聚類算法，因其簡潔和高效被廣泛使用，但直接運用傳統的K-means算法對駕駛行為特征參數進行聚類，會導致聚類結果不穩定。為解決此類問題，廖紀勇[4]提出一種基于決策值選取初始聚類中心的改進K-means算法，試驗表明，改進算法比傳統K-means算法更加穩定，迭代次數減少，在真實數據集上聚類性能優異?；诟倪M算法對駕駛行為片段進行安全性分類，將駕駛行為劃分為危險型、急躁型、穩定性三類，其中危險型占比18.35%，急躁型占比25.65%，穩健性占比56%。陳輝[28]基于K-means++算法對駕駛行為特征參數進行聚類分析，將駕駛行為分為一般型、激進型、穩健型三類，其中激進型駕駛者占比為15.8%，一般型駕駛者占比為36.4%，穩健型駕駛者占比為47.8%。

此外，還有學者利用模糊聚類和系統聚類對駕駛行為進行研究[29-32]，并取得了豐富的研究成果。牛增良等人[29]以大量重特大交通事故數據為基礎，從危險駕駛行為角度研究外部影響因素與駕駛行為的關系，通過模糊和系統聚類對危險駕駛行為進行分類。孫川等人[30]通過因子分析法對選取的江蘇范圍內營運車輛駕駛行為特征參數進行提取，并以營運車輛相應因子的得分作為聚類指標，應用系統聚類將駕駛速度行為特征分為變速駕駛行為、超速傾向駕駛行為、減速駕駛行為、加速駕駛行為4類。張磊等人[31]以駕駛員自填式調查問卷為基礎，采用基于因子分析方法提取出駕駛能力因子和駕駛風格因子，實現了對駕駛員駕駛行為模式的量化描述。進而以提取出的因子為特征，采用模糊C均值聚類分析的方法建立了駕駛員行為模式的類別分布空間。

與前幾種聚類方法不同，基于密度的聚類方法更適于解決不規則形狀的聚類問題，廣泛應用于空間信息處理，DBSCAN就是其中的典型代表。李土深[7]基于車輛速度、加速度分析，通過DBSCAN算法獲取正常減速和急減速的分界值，對正常減速操作和急減速操作進行區分，并將其應用于分析特定駕駛場景中的急減速行為。DBSCAN算法效率高，非常適合處理大量的數據。

綜上，基于機器學習聚類算法的駕駛行為分類是將駕駛行為特征參數相似的分為一類，相異的分為不同類。與分類算法相比，其為無監督學習，不需要訓練模型，是直接根據數據之間的聯系進行分類，可以處理無類別標記的大數據樣本，并基于某種度量將其劃分為若干類別。

常見的用于分類駕駛行為的機器學習方法及其優缺點如表1所示。

3.3 混合式（組合、集成）分類方法

本節所述的混合方式是指通過統計特性與機器學習方法組合或多種不同的機器學習方法組合構建分類器實現駕駛行為分類。這類混合方法往往比使用單一的機器學習方法表現更佳。

將機器學習方法組合進行駕駛行為分類的常見思路為：先用聚類算法對駕駛行為進行初始聚類，接著用不同的分類算法構建分類器。鄭恒杰等人[33]通過主成分分析法選取疲勞駕駛、超速、急加速、急減速和急變道等作為評價指標，然后通過K-means聚類算法歸類并添加標簽，最后通過BP神經網絡構建分類器，分類結果劃分為4類：安全、警告、輕度危險、危險。張雅楠[34]以行車數據為基礎，運用K-means++算法對駕駛行為進行初始聚類，聚類結果將駕駛行為分成危險型、隱患型和安全型三類，根據聚類結果，用4種常用的分類算法分別進行駕駛行為分類。根據混淆矩陣的評價指標選出分類準確度最高的方法為SVM算法，將SVM與K-means++結合作為駕駛行為分類方法。

此外，Ersal等人[35]基于徑向基（Radial Basis Function， RBF）神經網絡對駕駛行為進行建模，并結合SVM形成一種僅使用殘差對駕駛員分心進行分類的系統方法。Eren等人[36]使用智能手機傳感器獲取事件數據，利用動態時間規整（Dynamic Time Warping，DTW）和貝葉斯分類方法區分了駕駛員的安全行為和不安全行為，并通過與其他方法的比較，顯示出該方法在計算成本和實現成本方面具有很好的應用前景。還有部分學者針對駕駛風格和駕駛技能，通過不同的方法實現其分類。陳鏡任等[37]通過采用基于馬爾可夫鏈蒙特卡洛采樣和離群點剔除的K-means算法對駕駛人的駕駛風格進行分析，采用回歸學習對駕駛人的駕駛技能進行分析，將駕駛人群體劃分為6類：激進熟練型、適中熟練型、保守熟練型、激進生疏型、適中生疏型、保守生疏型。孫劍等[38]從自然駕駛數據集中提取典型的分心駕駛片段，利用梯度提升決策樹-遞歸特征消除算法和隨機森林-遞歸特征消除算法得到重要度較高的分心監測指標，采用長短時記憶神經網絡（LSTM-NN）實現分心駕駛的分類識別。

混合式（組合、集成）分類方法可以取長補短，集成幾種方法的優點，在特定的應用場景具有更高的分類精度。常見的用于分類駕駛行為的混合方法及其優缺點如表2所示。

3.4 分類方法對比分析

本節從各種駕駛行為特征出發，基于上述駕駛行為分類方法的小類劃分思路，對駕駛行為分類研究的特征選取、分類方法、分類結果等進行歸納介紹，如表3所示。

基于統計特征的分類方法主要以車輛速度、加速度和Jerk作為分類指標，其分類結果通常較為簡單，不夠精細。基于機器學習的分類方法通常選取較多的駕駛行為特征參數對駕駛行為進行分類，其分類結果較為精細，在許多應用場景中能得到較好的分類效果。而混合式（組合、集成）的分類方法可以融合多種方法的優勢，即使不采用較多的駕駛行為特征參數，其分類結果也較為精細，并且在特定場景中具有很高的分類精度，將是未來的研究重點。上述三種分類方法都是基于數據驅動的，數據之間的時序耦合關系考慮較少，考慮時空演化特征的駕駛行為分類及趨勢演化機理研究是本領域研究者需要關注的內容。

4 駕駛行為量化評估

駕駛行為評價是對駕駛員在交通安全、能源消耗等方面的綜合評估。駕駛行為評價結果能夠為改善駕駛員操作習慣、提高行車安全提供合理可行的建議，因此對駕駛員的駕駛行為進行科學評價具有重要意義。本節依據駕駛行為評價的目的，從安全性、經濟性以及其他維度對駕駛行為評估進行介紹。

4.1 安全性評價

由于影響駕駛行為的因素眾多而復雜，不能從單一指標來評價其安全性。因此多數情況下，對駕駛行為進行全面的安全性評價往往需要涉及多個層次、多個方面的指標，這就需要采用綜合評價法，從而得出更加科學合理的結論。在實際中應用較為廣泛的是常規綜合評價法，楊光[39]提出了影響駕駛員駕駛行為的6個安全評價指標，每個指標對應不同的識別算法與評價方法，然后使用集成賦權法計算駕駛行為影響因子的權重，構建了駕駛行為評分模型，駕駛員得分計算的一般公式為：

[S=w1k1+w2k2+w3k3+…+wnkn] ? ? ? ? ? ? ?（1）

式中：ki（1≤i≤n）為不同評價指標對應的量化分值；wi（1≤i≤n）為與之對應的各項指標權重，最終評分以百分制展示。

陳輝[28]增加了平均車速、行駛時長、行駛里程、最大連續駕駛時長、疲勞駕駛次數等作為安全評價指標，采用組合賦權法計算各項指標權重，并以此建立駕駛行為評分模型，實現了駕駛行為的評價。結果顯示，穩健型駕駛員得分基本分布在85～100分之間，一般型駕駛員得分基本分布在65～85分之間，而激進類型駕駛員得分基本分布在65分以下。

有的學者聚焦于攻擊性駕駛行為[40]，基于層次分析法（Analytic Hierarchy Process，AHP）從4個方面分析了攻擊性駕駛行為的因素，構建了攻擊性駕駛行為的因素層次分析模型。通過專家調查問卷法計算評價指標權重，并轉化為攻擊性調查量表，按照百分制分數將攻擊性駕駛行為劃分為5個等級，分別對應5個安全等級評價駕駛行為。上述幾種評價模型均可以保證評價指標的公平性，但受權重系數影響較大。

除此之外，一些學者[41-42]基于模糊綜合評判，即基于模糊數學，將一些模糊的、難以量化的指標定量化，以此進行綜合評價。許治琦等人[41]基于AHP的模糊綜合評價法，從構造因素集、評語集、權向量、隸屬度矩陣、模糊綜合評價結果矩陣五個環節對駕駛行為安全性進行量化分析。鄧忠[42]以速度、角速度、滾動角作為因素集，分別建立相應的隸屬度函數，設置權重矩陣，通過計算隸屬度作為安全駕駛評價指標。研究發現，正常駕駛的安全駕駛隸屬度高于激烈駕駛的安全駕駛隸屬度。上述研究的評價結果是以模糊集合或者模糊隸屬度表示，這種評估方法適合從整體上對駕駛員的駕駛行為狀態進行綜合評估。

駕駛行為與事故傾向之間的關系已經被證明并廣泛使用，探索影響駕駛風險的有效因子，可以量化評估個人駕駛行為的安全性并將其作為事故風險的評價指標[43]，實現對駕駛風險的有效預測。Wang等人[44]提出了一種新的方法來量化碰撞事件中的駕駛風險，采用K-means方法將駕駛風險分為高、中、低三個級別，并基于CART方法分析了駕駛風險相關因素，實現了駕駛員風險評估。Xie等人[45]基于動態貝葉斯網絡和分布式遺傳算法建立駕駛行為意識模型來估計不同交通場景下的車輛行為，并將其應用于車輛變道場景中駕駛行為的估計。Zhu等[46]提出了一個融合回歸模型和信息聚合機制的貝葉斯網絡模型，研究了GPS駕駛觀測結果、個體駕駛行為、個體駕駛風險和個體碰撞頻率之間的關系，實現了對駕駛行為的評價。許多研究者通過對駕駛行為進行分析，以分類特征作為安全性評價指標，以事故或危險駕駛行為發生的次數劃分風險等級，實現駕駛員行為的風險評估。經試驗對比分析，將駕駛行為分類模型或分類結果運用于事故風險評估，其準確度優于駕駛行為評估模型，可以達到較好的預測效果。

除了基于模型方法評價駕駛行為，還有學者通過駕駛行為譜對駕駛行為安全性進行評估：陳鏡任等[37]基于駕駛人行為譜各項指標的分析，構建了駕駛行為譜體系結構，并采用模型視圖控制器（Model View Controller，MVC）架構研發了駕駛人行為譜分析工具，為營運客車的駕駛人駕駛行為的定量分析提供了更為精確、有效的方案；陸鍵等人[47]以車輛行駛軌跡數據為研究對象，針對不良駕駛行為，采用風險度量公式和四分位差法計算不良駕駛行為特征參數及其閾值，通過計算各個特征參數超出閾值的比例，得到不良駕駛行為譜特征值，該方法能夠綜合評價車輛在各種不良駕駛行為的量化表現。

綜上，從安全性角度對駕駛行為進行評估的方法主要有基于評估模型和基于駕駛行為譜兩大類。前者將不同的影響因素及對應的不同權重構建成一個數學模型，以某種度量來展示駕駛行為的安全性；后者對駕駛行為特征參數進行數據處理，用圖譜表示不同駕駛員對應的駕駛模式，并通過計算將不同駕駛模式對應的安全類別以數值形式表示在圖譜中，可以直觀地評估駕駛員駕駛行為的安全性。這兩種評估方法都可以較好地展示出駕駛員駕駛行為的安全性能，對指導安全駕駛有重要作用。

4.2 經濟性評價

在人-車-路系統中任何一個要素都會對駕駛行為構成影響，并將間接地影響到車輛的燃料消耗和污染物排放，影響著車輛經濟性和環境保護。國內外許多學者在此領域進行了廣泛的研究。

駕駛員不同的駕駛操作、不同的駕駛風格在很大程度上決定著駕駛經濟性，文獻[48]～文獻[50]揭示了不同駕駛行為對油耗的影響關系。孟興凱等[48]采用發動機臺架試驗和道路試驗相結合的方法，對汽車起步、換擋時機的選擇、加速、減速、車速控制等典型的駕駛操作行為展開研究，分析了不同駕駛操作行為對汽車油耗的影響。Yi等[19]探究了燃油里程和駕駛風格之間的相關性，并通過計算駕駛行為的燃油里程，分析了不同類型駕駛行為的燃油經濟性。在此基礎上，許多研究者基于車輛行駛特征參數進行駕駛行為經濟性綜合評估。徐歆鈺[49]基于速度、加速度、減速度、轉速等建立各項評價指標的油耗模型，通過計算各項指標在單位時間內多消耗的油耗值之和作為駕駛行為經濟性綜合評分。Chen等人[50]研究了駕駛員行為對燃料消耗的定量影響，提出了一種基于駕駛事件的生態駕駛行為評價模型。首先，基于出租車運行數據，分析了速度、加速度和駕駛模式持續時間與油耗之間的關系，確定了9個涉及油耗的駕駛事件（包括急劇加速、急劇減速和長期加速），然后，以一定距離內各駕駛事件的頻率為自變量、車輛油耗為因變量，采用主成分分析和多元線性回歸，建立駕駛員生態駕駛行為評價模型。該模型具有較高的精度（96.72%），進一步促進了定量生態駕駛建議的提出。陳晨[51]以北京市出租車運行數據為基礎，從微觀層面對基于駕駛行為的城市道路車輛油耗特征進行了分析?；谶\行速度、加速度及工況持續時間等參數構建了6種與油耗相關的駕駛事件的生態駕駛行為評估模型。Ivanco等人[52]通過傅里葉變換的方法，分析了速度、加速度、Jerk等信號的頻域信息，定義波動激進性（Ripple Aggressive，RA）為Jerk信號傅里葉變換高頻分量占總量的比例，將其作為燃油經濟性的評價指標，并基于LA92 和 US06兩種道路行駛工況數據進行加噪和平滑試驗，模擬出不同波動激進程度的行駛數據，如圖5所示。研究發現，當RA大于0.8時，駕駛行為更耗油，當RA小于0.8時更省油。Zhang等[53]基于Jerk將駕駛行為分為九類，并分析了不同Jerk類型的駕駛行為的燃油經濟性，進而建立了一種結合速度、加速度和Jerk的油耗模型，該模型在油耗預測方面具有較高的性能，可用于引導駕駛員節能駕駛。鮑宇[54]利用MATLAB中的Simulink模型庫，采用不同的評分算法建立了7種車輛工況相應的評價模型，并將模型輸出值換算成百分數作為評價結果。分值越高，表明該駕駛行為降低油耗越有益。此外，一定行駛速度情況下，節氣門開度處在合理水平，既能保障車輛行駛所需能源供給，又能減少不必要的能源消耗。

駕駛行為的經濟性評價指標多以油耗作為評價指標，較少考慮到排放指標。對此，肖雄[55]量化了駕駛行為與排放之間的聯系，從排放角度出發，選取CO2、NOx和HC排放因子作為排放指標，利用因子分析法確定了影響污染物排放量的主因子作為評價指標，通過計算綜合評價得分F作為生態駕駛評價指標，研究發現，因子綜合得分F與排放量為正相關。

綜上，從能耗和排放兩個角度，對不同駕駛行為的經濟性進行評價：能耗多以車輛速度、加速度、Jerk等車輛參數為指標，構建油耗模型對車輛燃油進行定量評估；排放多以排放因子為指標，構建綜合評價函數對生態駕駛進行評價。

4.3 其他方面評價

除考慮安全性、經濟性外，翟海朋[56]對駕駛行為的適宜性，即特定的個人是否適合駕駛職業進行了檢測評價，首先根據駕駛行為特性分析，將駕駛行為劃分為感知、判斷、操作三類，并基于駕駛人職業適宜性理論選取了14項駕駛適宜性單項檢測評價指標，接著通過探究各類駕駛行為與各項指標之間相關程度，完成了駕駛員適宜性檢測，為駕駛員駕駛行為的培訓與再教育提供了更有效的依據。Liu等人[57]基于從自然駕駛研究中提取的人類駕駛員行為特征，分析速度、加速度動態參數分布概率，選擇第5百分位和第95百分位回歸線為安全性評估基線，選擇第99百分位回歸線為類人性評估基線，以此作為評價方法，對自適應巡航控制（Adaptive Cruise Control，ACC）系統進行了測試和評估。

更有學者從多個角度對駕駛行為進行綜合性評價，王曉慧等[58]從多目標（安全、油耗、維護、舒適）多維度出發，基于車聯網數據分析每個維度的相關因素，根據各維度特征分別采用基于廣義加性模型（Generalized Additive Model，GAM）和基于專家打分的方法建立評價模型，并構建了多維駕駛行為評價體系，實現了更全面、合理的駕駛行為評價。余劍方[59]從操作規范、行車安全、車輛健康、經濟節能、駕駛經驗5個維度對駕駛行為進行綜合評價，通過分析典型場景下的駕駛特征，選取14類特征作為駕駛行為評價指標，結合可拓層次分析法、熵權法、組合賦權法確定各指標的權重，并通過灰色白化權函數聚類法以及模糊綜合評判法構建了駕駛行為綜合評價模型，完成了駕駛員駕駛行為的量化評估。從多維度多方面對駕駛行為進行綜合評價是未來的研究方向，有助于更加全面地評估駕駛行為，進一步提高安全、經濟、舒適等方面的性能。

由于實際行車過程中場景復雜多變，影響駕駛行為的因素眾多，對駕駛行為進行全面、系統評估有較大挑戰。因此，以人、車、路、環境等因素為基礎，以安全、經濟、舒適、通行效率等為目標，構建多維度駕駛行為評估模型，制定統一的駕駛行為分級評價標準將成為該領域的一大熱點和難點。

5 駕駛行為分類方法及量化評估應用現狀

駕駛員培訓是駕駛行為量化評估最直接的一種應用[60]，它以不同的方式對駕駛人提供動態、靜態的駕駛建議，使其改善自身駕駛行為，提高駕駛技能，從而養成良好的駕駛習慣，達到安全駕駛、節能減排的目的。Toledo等人[61]基于車載數據記錄儀收集不同駕駛員的行駛數據，通過給予駕駛員不同的反饋意見，比較一段時間內的安全事故事件及燃料消耗量，研究表明良好的反饋可以使安全事故減少8%，燃料消耗量減少3%～10%，對于駕駛風格激進的駕駛員效果更為顯著。陳晨[51]采用“閉環反饋”的模式設計搭建了面向駕駛員的生態駕駛行為監測、評估及矯正平臺，如圖6所示。該平臺通過車載終端收集用戶數據，以移動終端APP為媒介向用戶發布評估結果及推送矯正意見，使用戶了解其生態駕駛行為狀況，針對性地提升駕駛技術，養成良好的駕駛習慣。伍毅平等[62]基于如圖7所示的駕駛模擬器平臺，通過試驗對比分析了生態駕駛行為培訓前、后的車輛燃油消耗量，顯示出駕駛行為培訓促進節能減排的巨大潛力。

駕駛輔助系統利用多種傳感器感知周圍環境，可以幫助駕駛員監測和處理穩定性、控制和導航3個層面的信息，這將有效減少駕駛員的工作負擔，同時提高駕駛的安全性和舒適性，除此以外，在行車過程中，還可以根據當前交通狀況，為駕駛員提供更加經濟的駕駛方案。Dai等[63]提出了一個針對酒后駕駛的檢測系統，利用手機程序從傳感器收集數據，將檢測到的行為與典型醉酒駕駛模式進行比較，對醉酒駕駛行為進行危險預警。該系統在智能手機（Android G1）上對不同的駕駛行為進行測試，得到了較高的檢測精度。Jamson等人[64]提出一種車載生態駕駛輔助系統，在反饋當前車輛燃油經濟性的同時通過視覺、聽覺、觸覺模式實時地為駕駛員提供最省油的油門踏板開度，以指導駕駛員實現最佳燃油效率。另外，Wu等人[65]的研究還顯示了智能手機APP對降低油耗的具體效果，平均降低4.5%，最高降低13%。上述文獻均是通過智能手機或車載平臺以視、聽等方式對駕駛員進行實時提醒，對于減少行車過程中的事故發生，以及節能減排都有明顯作用，但由于交通環境復雜，駕駛過程中受到的影響因素眾多，駕駛輔助系統的研究仍有很大的發展空間。

隨著大數據等智能技術應用于駕駛行為數據的采集，與之相關的UBI車險也得到了新的發展，Myers等人[66]證明了車輛行駛環境及駕駛人行為是影響汽車風險狀況的關鍵因子，PROGRESSIVE公司[67]通過分析50×108 km的駕駛行為數據，認為在預測保險理賠時，駕駛行為比其他因子更優。Paefgen等人[68]通過對從保險公司獲得的1 600輛車輛位置軌跡數據進行建模，探究了各種駕駛情況對事故參與風險的貢獻。Tselentis等人[69]基于按車付費和按駕駛付費分析了駕駛碰撞風險。近幾年UBI研究者開始把研究重心放在基于駕駛行為UBI與數據挖掘領域的結合上，通過數據挖掘算法建立駕駛行為與事故風險之間的聯系。依據駕駛行為分類模型構建車險模型，不同駕駛風險等級的用戶具有不同的車險費率系數，體現了不同駕駛行為車險保費的差異，以激勵用戶改善駕駛行為，降低交通事故率。上述研究表明，UBI是一種較為前沿的方法，對交通安全、交通擁堵和污染排放等有重大的潛在影響。

6 結束語

本文回顧了近年來駕駛行為研究領域駕駛行為分類及量化的研究成果。首先將駕駛行為分類方法分為基于統計特性的分類方法、基于機器學習的分類方法和混合式（組合、集成）分類方法三大類，對不同的駕駛行為分類方法的代表算法、優點及局限性等進行了系統歸納。其次，從安全性、經濟性、舒適性等多個維度對駕駛行為的量化評估研究進行了系統介紹。

駕駛行為研究是綜合了心理學、生理學、物聯網技術、數據挖掘、交通等領域知識的交叉學科研究，其發展也受到各方面技術水平發展的促進與制約。由于駕駛行為對車輛行車安全性、環保經濟性、乘坐舒適性等方面有著重要影響，未來，駕駛行為分類及量化評估方面的研究將持續受到關注。

從駕駛行為分類方法角度，未來研究的趨勢將更加傾向于通過機器學習方法與混合式方法進行駕駛行為分類。目前，基于統計特征的分類方法在駕駛行為分類研究中應用甚廣，但是該分類方法能力有限，而基于機器學習方法的駕駛行為分類在特定應用場景內優于基于統計特征的分類方法。且基于機器學習方法進行駕駛行為分類，對大數據集分類比較友好。隨著機器學習技術的不斷發展，其強大的自學習與非線性擬合能力將能夠更好地建立回歸模型，提高分類精度。此外，混合式（組合、集成）分類方法基于特定的應用場景，可以取長補短，集成幾種方法的優點，具有高分類精度的潛力，也將是未來的研究趨勢。

從駕駛行為量化評估應用角度，未來駕駛行為將逐步趨向于面向行業應用的精細化分類研究，駕駛行為精細化分類對駕駛行為相關研究的深入進行很有幫助。在不同的應用場景下，選擇適用的方法，可以在該場景下達到理想的分類結果。如在節能環保方面，通過改善駕駛員的不良駕駛行為，可以降低車輛能耗，延長車輛與道路的使用壽命。在保險相關行業，依據駕駛風格進行差異化定價是未來發展的趨勢。在交通法規方面，對于由不良駕駛行為導致交通事故的駕駛員，可給予更加嚴厲的懲罰。

從駕駛行為研究對象角度，隨著智能網聯技術的不斷發展，道路行駛車輛的智能化程度及網聯化程度將不斷提升，未來對智能網聯車輛的駕駛行為研究將更側重于決策、軌跡規劃與跟蹤控制方面的研究，以及從安全性、經濟性、舒適性、通行效率等方面，對智能網聯車輛駕駛行為的評估研究。

在駕駛行為研究縱深度方面，當前對駕駛行為的研究更加側重于以離散化的數據驅動為基礎，而較少開展基于“人-車-路-環境”等綜合因素下駕駛行為的成因機理及其時空演化規律的研究，缺乏對駕駛行為形成機理及時空演化過程的深入挖掘，該科學問題仍有待進一步研究和探索。

參 考 文 獻

[1] 中華人民共和國公安部交通管理局. 全國機動車保有量達4.35億輛 駕駛人達5.23億人 新能源汽車保有量超過2000萬輛[EB/OL]. 北京： 中華人民共和國中央人民政府. （2024-01-11）[2024-05-07]. https：//www.mps.gov.cn/n2254314/n6409334/c9384907/content.html.

Traffic Management Bureau of the Ministry of Public Security of the Peoples Republic of China. The Total Number of ? ?Motor Vehicles in China Has Reached 435 Million， with 523 Million Drivers and Over 20 Million New Energy Vehicles [EB/OL]. Beijing： The State Council The Peoples Republic of China. （2024-01-11）[2024-05-07]. https：//www.mps.gov.cn/n2254314/n6409334/c9384907/content.html.

[2] 國家統計局. 中華人民共和國2023年國民經濟和社會發展統計公報[N]. 人民日報， 2024-03-01（10）.

National Bureau of Statistics of China. Statistical ? ? ? ? ? ? Communique of the Peoples Republic of China on the 2023 National Economic and Social Development[N]. Peoples Daily， 2024-03-01（10）.

[3] 中華人民共和國生態環境部. 中國移動源環境管理年報（2023年）[J]. 環境保護， 2024， 52（2）： 48-62.

Ministry of Ecology and Environment the Peoples Republic of China. China Mobile Source Environmental Management Annual Report in 2023[J]. Environmental Protection， 2024， 52（2）： 48-62.

[4] 廖紀勇. 基于聚類和關聯規則的駕駛行為分析與研究[D]. 昆明： 昆明理工大學， 2021.

LIAO J Y. Analysis and Research of Driving Behavior Based on Clustering and Association Rules[D]. Kunming： Kunming University of Technology， 2021.

[5] 李世武， 蔣彬， 初秀民， 等. 駕駛行為對車輛燃料消耗和污染物排放的影響研究綜述[J]. 公路交通科技， 2003（1）： 155-158.

LI S W， JIANG B， CHU X M， et al. A Review of Driving ? ? Behavior Influence on Fuel Consumption and Exhaust ? ?Emission of Vehicle[J]. Journal of Highway and ? ? ? ? ? ? ?Transportation Research and Development， 2003（1）： 155-158.

[6] 冀秉魁. 基于駕駛員視覺特性的駕駛行為預測方法研究[D]. 長春： 吉林大學， 2014.

JI B K. Research on Driving Behavior Prediction Method Based on Driver s Visual Characteristics[D]. Changchun： ?Jilin University， 2014.

[7] 李士深. 基于隱馬爾可夫模型的駕駛員行為分析研究[D]. 哈爾濱： 哈爾濱工程大學， 2017.

LI S S. Research on Driver Behavior Analysis Based on ? ?Hidden Markov Model[D]. Harbin： Harbin Engineering ? ? University， 2017.

[8] SILVA I， EUGENIO N J. A Systematic Methodology to ? ?Evaluate Prediction Models for Driving Style Classification[J]. Sensors， 2020， 20（6）： 1692.

[9] 楊碩， 杜煜， 杜晨， 等. 駕駛行為研究方法綜述[C]// 中國計算機用戶協會網絡應用分會.中國計算機用戶協會網絡應用分會2017年第二十一屆網絡新技術與應用年會論文集. 雄安： 《計算機科學》編輯部， 2017： 127-130.

YANG S， DU Y， DU C， et al. A Review of Research Methods on Driving Behavior[C]// Network Application Branch of ? ?China Computer Users Association. Proceedings of the 21st Annual Conference on New Network Technologies and ? ? ?Applications in 2017 by the Network Application Branch of China Computer Users Association. Xiong an： Editorial Board of Computer Science， 2017： 127-130.

[10] 嚴新平， 張暉， 吳超仲， 等. 道路交通駕駛行為研究進展及其展望[J]. 交通信息與安全， 2013， 31（1）： 45-51.

YAN X P， ZHANG H， WU C Z， et al. Research Progress and Prospect of Road Traffic Driving Behavior[J]. Journal of Transport Information and Safety， 2013， 31（1）： 45-51.

[11] MILES D E， JOHNSON G L. Aggressive Driving Behaviors： Are there Psychological and Attitudinal Predictors？[J]. ? ? ? ?Transportation Research Part F： Psychology and Behaviour， 2003， 6（2）： 47-161.

[12] PALETI R， ELURU N， BHAT C R. Examining the ? ? ? ? ? ?Influence of Aggressive Driving Behavior on Driver Injury Severity in Traffic Crashes[J]. Accident Analysis and ? ? ?Prevention， 2010， 42（6）： 1839-1854.

[13] EBOLI L， MAZZULLA G， PUNGILLO G. Combining Speed and Acceleration to Define Car Users Safe or Unsafe ? ? ? Driving Behaviour[J]. Transportation Research Part C Emerging Technologies， 2016， 68： 113-125.

[14] LANGARI R， WON J S. Intelligent Energy Management Agent for A Parallel Hybrid Vehicle - Part I： System ? ? ? ? Architecture and Design of the Driving Situation ? ? ? ? ? Identification Process[J]. IEEE Transactions on Vehicular Technology， 2005， 54（3）： 925-934.

[15] WON J S， LANGARI R. Intelligent Energy Management Agent for A Parallel Hybrid Vehicle - Part II： Torque ? ? ?Distribution， Charge Sustenance Strategies， and ? ? ? ? ? ? ?Performance Results[J]. IEEE Transactions on Vehicular Technology， 2005， 54（3）： 935-953.

[16] VLIGER I D， KEUKELEERE D D， KRETZSCHMAR J G. Environmental Effects of Driving Behaviour and ? ? ? ? ? ? Congestion Related to Passenger Cars[J]. Atmospheric ? ? Environment， 2000， 34（27）： 4649-4655.

[17] HYUNMYUNG K， JUN S O， JAYAKRISHNAN R. Application of Activity Chaining Model Incorporating A Time Use ? Problem to Network Demand Analysis[J]. Transportation Research Record， 2006， 1977（1）： 214-224.

[18] EVNGCHEOL K， CHOI E. Estimates of Critical Values of ? Aggressive Acceleration from A Viewpoint of Fuel ? ? ? ? ?Consumption and Emissions[C]// Transportation Research Board. Transportation Research Board Meeting. ? ? ? ? ? Washington DC： Transportation Research Board， 2013.

[19] YI L M， MILTON R， KILIARIS L. Drivers Style ? ? ? ? ?Classification Using Jerk Analysis[C]// 2009 IEEE Workshop on Computational Intelligence in Vehicles and ? ? ? ?Vehicular Systems. New York： 2009： 23-28.

[20] WANG X， KHATTAK A J， LIU J， et al. What is the Level of Volatility in Instantaneous Driving Decisions？[J]. ? ? Transportation Research Part C： Emerging Technologies， 2015， 58： 413-427.

[21] MOHSEN K， RAMIN A， KHATTAK A J. Extracting Useful Information from Basic Safety Message Data： An Empirical Study of Driving Volatility Measures and Crash Frequency at Intersections[J]. Transportation Research Record Journal of the Transportation Research Board， 2018， 2762（38）： 290-301.

[22] 高巖. 基于駕駛行為分類的UBI費率厘定模型[D]. 北京：北京交通大學， 2017.

GAO Y. UBI Rating Model Based on Driving Behavior ? Classification[D]. Beijing： Beijing Jiaotong University， 2017.

[23] 楊鴻飛. 基于駕駛行為分類的UBI車險費率厘算模型及發展對策研究[D]. 昆明： 昆明理工大學， 2021.

YANG H F. Research on the Calculation Model and ? ? ? ?Development Strategy of UBI Vehicle Insurance Rate Based on Driving Behavior Classification[D]. Kunming： Kunming University of Science and Technology， 2021.

[24] BROMBACHER P， MASINO J， FREY M， et al. Driving Event Detection and Driving Style Classification Using ? ? Artificial Neural Networks[C]// 2017 IEEE International Conference on Industrial Technology. New York： IEEE， 2017： 997-1002.

[25] LATTANZI E， FRESCHI V. Machine Learning Techniques to Identify Unsafe Driving Behavior by Means of ? ? ? ? ? ? ?In-Vehicle Sensor Data[J]. Expert Systems with ? ? ? ? ? ? ?Applications， 2021， 176.

[26] NIU Y， LI Z M， FAN Y X. Analysis of Truck Drivers ? ? Unsafe Driving Behaviors Using Four Machine Learning Methods[J]. International Journal of Industrial Ergonomics， 2021， 86.

[27] YUKSEL A S， ATMACA S. Drivers Black Box： A System for Driver Risk Assessment Using Machine Learning and Fuzzy Logic[J]. Journal of Intelligent Transportation ? ? ? ?Systems， 2021， 25（5）： 482-500.

[28] 陳輝. 面向車聯網大數據的駕駛行為分析[D]. 貴陽： 貴州大學， 2020.

CHEN H. Driving Behavior Analysis for Car Networking Big Data[D]. Guiyang： Guizhou University， 2020.

[29] 牛增良， 李海斌， 王文峰， 等. 基于聚類分析的營運駕駛人危險駕駛行為研究[J]. 山東交通學院學報， 2014， 22（1）：19-23.

NIU Z L， LI H B， WANG W F， et al. Study on Risky ? ? ? ?Behavior of Commercial Drivers Based on Cluster Analysis[J]. Journal of Shandong Jiaotong University， 2014， 22（1）： 19-23.

[30] 孫川， 吳超仲， 褚端峰， 等. 基于車聯網數據挖掘的營運車輛駕駛速度行為聚類研究[J]. 交通運輸系統工程與信息， 2015， 15（6）： 82-87.

SUN C， WU C Z， CHU D F， et al. Driving Speed Behavior Clustering for Commercial Vehicle Based on Connected ? Vehicle Data Mining[J]. Journal of Transportation Systems Engineering and Information Technology， 2015， 15（6）： 82-87.

[31] 張磊， 王建強， 楊馥瑞， 等. 駕駛員行為模式的因子分析和模糊聚類[J]. 交通運輸工程學報， 2009， 9（5）： 121-126.

ZHANG L， WANG J Q， YANG F R， et al. Factor Analysis and Fuzzy Clustering of Driver Behavior Patterns[J]. ? ? ?Journal of Traffic and Transportation Engineering， 2009， 9（5）： 121-126.

[32] 孟妮， 韓丹. 聚類分析和模糊邏輯在駕駛行為辨識中的應用[J]. 計算機與數字工程， 2013， 41（7）： 4.

MENG N， HAN D. Application of Cluster Analysis and Fuzzy Logic in Driving Behavior Identification[J]. ? ? ? ? ?Computer and Digital Engineering， 2013， 41（7）： 4.

[33] 鄭恒杰， 熊昕， 張上. 基于車聯網數據挖掘的駕駛員行為分析[J]. 信息通信， 2019（8）： 52-55.

ZHENG H J， XIONG X， ZHANG S. Driver Behavior ? ? Analysis Based on Vehicle Network Data Mining[J]. ? ? ? ? Information & Communications， 2019（8）： 52-55.

[34] 張雅楠. 基于行車數據的危險駕駛行為研究[D]. 錦州： 遼寧工業大學， 2020.

ZHANG Y N. Study on Dangerous Driving Behavior Based on Driving Data[D]. Jinzhou： Liaoning University of ? ? ?Technology， 2020.

[35] ERSAL T， FULLER H， TSIMHONI O， et al. Model-Based Analysis and Classification of Driver Distraction under ? Secondary Tasks[J]. IEEE Transactions on Intelligent Transportation Systems， 2010， 11（3）： 692-701.

[36] EREN H， MAKINIST S， AKIN E， et al. Estimating Driving Behavior by A Smartphone[C]// 2012 IEEE Intelligent ? ? Vehicles Symposium. New York： IEEE， 2012： 234-239.

[37] 陳鏡任， 吳業福， 吳冰. 基于車輛行駛數據的駕駛人行為譜分析方法[J]. 計算機應用， 2018， 38（7）：1916-1922+1928.

CHEN J R， WU Y F， WU B. Driver Behavior Spectrum Analysis Method Based on Vehicle Driving Data[J]. Journal of Computer Applications， 2018， 38（7）： 1916-1922+1928.

[38] 孫劍， 張一豪， 王俊驊. 基于自然駕駛數據的分心駕駛行為識別方法[J]. 中國公路學報， 2020， 33（9）： 225-235.

SUN J， ZHANG Y H， WANG J H. Detecting Distraction ? Behavior of Drivers Using Naturalistic Driving Data[J]. ? ?China Journal of Highway and Transport， 2020， 33（9）： 225-235.

[39] 楊光. 基于車輛行駛數據的駕駛員行為模型構建與應用[D]. 西安： 西安石油大學， 2021.

YANG G. Construction and Application of Driver Behavior Model Based on Vehicle Driving Data[D]. Xi an： ?Xi an Shiyou University， 2021.

[40] 李山虎. 攻擊性駕駛行為評價方法研究[D]. 西安： 長安大學， 2011.

LI S H. The Research on Evaluation Method of Aggressive Driving[D]. Xi an： ?Chang an University， 2011.

[41] 許治琦， 姚遠， 周興社， 等. 基于模糊綜合評價的駕駛安全性評價研究[J]. 計算機測量與控制， 2019， 27（7）： 261-265.

XU Z Q， YAO Y， ZHOU X S， et al. Research on Driving Safety Evaluation Technology Based on Fuzzy Comprehensive Evaluation[J]. Computer Measurement and Control， 2019， 27（7）： 261-265.

[42] 鄧忠. 基于車載自組織網的車輛狀態識別與駕駛行為評估[D]. 廣州： 華南理工大學， 2015.

DENG Z. Vehicle State Recognition and Driving Behavior Assessment Based on VANET[D]. Guangzhou： South China University of Technology， 2015.

[43] 楚文慧， 吳超仲， 張暉. 駕駛行為安全性評價研究綜述[J].公路交通科技， 2017（增刊2）： 9.

CHU W H， WU C Z， ZHANG H. A Review of Safety ? ? ?Evaluation of Driving Behaviors[J]. Journal of Highway and Transportation Research and Development， 2017（S2）： 9.

[44] WANG J Q， ZHENG Y， LI X F， et al. Driving Risk Assessment Using Near-Crash Database Through Data Mining of Tree-Based Model[J]. Accident Analysis and Prevention， 2015， 84： 54-64.

[45] XIE G T， GAO H B， HUANG B， et al. A Driving Behavior Awareness Model Based on A Dynamic Bayesian Network and Distributed Genetic Algorithm[J]. International Journal of Computational Intelligence Systems， 2018， 11（1）： 469.

[46] ZHU X Y， YUAN Y F， HU X B， et al. A Bayesian Network Model for Contextual Versus Non-Contextual Driving ? ? ?Behavior Assessment[J]. Transportation Research Part C， 2017， 81： 172-187.

[47] 陸鍵， 王可， 蔣愚明. 基于車輛行駛軌跡的道路不良駕駛行為實時辨識方法[J]. 交通運輸工程學報， 2020， 20（6）：227-235.

LU J， WANG K， JIANG Y M. Real-time Identification Method of Abnormal Road Driving Behavior Based on ? ? Vehicle Driving Trajectory[J]. Journal of Traffic and ? ? ? Transportation Engineering， 2020， 20（6）： 227-235.

[48] 孟興凱， 曾誠， 陽冬波， 等. 不同駕駛操作行為對車輛燃油消耗量的影響分析[J]. 交通節能與環保， 2012， 8（4）： 14-20.

MENG X K， ZENG C， YANG D B， et al. Analysis of the ? Vehicle Fuel Consumption for Different Driving Operation Behavior[J]. Energy Conservation & Environmental ? ? ? ? Protection in Transportation， 2012， 8（4）： 14-20.

[49] 徐歆鈺. 營運車輛駕駛員駕駛行為經濟性評價及性能提升研究[D]. 北京： 北京理工大學， 2016.

XU X Y. Research on Operating Vehicle Drivers Driving Behavior Economy Evaluation and Performance Improvement[D]. Beijing： Beijing Institute of Technology， 2016.

[50] CHEN C， ZHAO X H， ?YAO Y， et al. Drivers Eco-Driving Behavior Evaluation Modeling Based on Driving Events[J]. Journal of Advanced Transportation， 2018， 2018： 1-12.

[51] 陳晨. 城市道路駕駛員生態駕駛行為評估方法研究[D]. 北京： 北京工業大學， 2016.

CHEN C. Research on Evaluation Method of Drivers Eco-Driving Behavior on Urban Road[D]. Beijing： Beijing ? ? ?University of Technology， 2016.

[52] LIU Z F， IVANCO A， FILIPI Z. Quantification of Drive ? ?Cycles Rapid Speed Fluctuations Using Fourier Analysis[J]. SAE International Journal of Alternative Powertrains， 2015， 4（1）： 170-7.

[53] ZHANG L C， PENG K， ZHAO X M， et al. New Fuel ? ? ? Consumption Model Considering Vehicular Speed， ? ? ? ? ?Acceleration， and Jerk[J]. Journal of Intelligent ? ? ? ? ? ?Transportation Systems， 2023， 27（2）： 174-186.

[54] 鮑宇. 基于駕駛行為的綠色駕駛算法模型的研究[D]. 天津： 河北工業大學， 2015.

BAO Y. The Research on Eco-Driving Algorithm Model Based on Driving Behavior[D]. Tianjin： Hebei University of Technology， 2015.

[55] 肖雄. 基于車輛排放測試及跟馳模型的生態駕駛行為評價研究[D]. 西安： 長安大學， 2020.

XIAO X. Evaluation of Eco-Driving Behavior Based on ? Vehicle Emission Test and Car-Following Model[D]. ? ? ? ? ?Xian： Chang an University， 2020.

[56] 翟海朋. 營運車輛駕駛員駕駛行為與駕駛適宜性檢測單項指標相關性研究[D]. 西安： 長安大學， 2015.

ZHAI H P. Study on Relationship Between the Driving ? ? Behaviors and the Single Index of the Driving Suitability Tests to Professional Drivers[D]. Xian： Chang an ? ? ? ?University， 2015.

[57] LIU L， ZHANG Q， LIU R， et al. Adaptive Cruise Control System Evaluation According to Human Driving Behavior Characteristics[J]. Actuators， 2021， 10（5）： 90.

[58] 王曉慧， 榮見華， 楊向前. 基于車聯網的多維駕駛員行為評價方法研究[J]. 機電工程技術， 2020， 49（11）： 119-122.

WANG X H， RONG J H， YANG X Q. Research on ? ? ? ?Multidimensional Driver Behavior Evaluation Method Based on Internet of Vehicles[J]. Mechanical & Electrical Engineering Technology， 2020， 49（11）： 119-122.

[59] 余劍方. 基于自然駕駛數據的駕駛行為研究[D]. 合肥： 合肥工業大學， 2020.

YU J F. Research on Driving Behavior Based on Natural Driving Data[D]. Hefei： Hefei University of Technology， 2020.

[60] 付銳， 張雅麗， 袁偉. 生態駕駛研究現狀及展望[J]. 中國公路學報， 2019， 32（3）：1-12.

FU R， ZHANG Y L， YUAN W. Progress and Prospect in Eco-Driving[J]. China Journal of Highway and Transport， 2019， 32（3）： 1-12.

[61] TOLEDO G， SHIFTAN Y. Can Feedback from In-Vehicle Data Recorders Improve Driver Behavior and Reduce Fuel Consumption？[J]. Transportation Research Part A， 2016， 94： 194-204.

[62] 伍毅平， 趙曉華， 榮建， 等. 基于駕駛模擬實驗的生態駕駛行為節能減排潛力[J]. 北京工業大學學報， 2015， 41（8）： 1212-1218.

WU Y P， ZHAO X H， RONG J， et al. Potential of ?Eco-Driving in Reducing Fuel Consumption and Emissions Based on a Driving Simulator[J]. Journal of Beijing University of Technology， 2015， 41（8）： 1212-1218.

[63] DAI J P， TENG J， BAI X L， et al. Mobile Phone Based Drunk Driving Detection[C]// 2010 4th International ? ? ?Conference on Pervasive Computing Technologies for Healthcare. New York： IEEE， 2010： 1-8.

[64] JAMSON A H， HIBBERD D L， MERAT N. Interface ? ? ? ?Design Considerations for An In-Vehicle Eco-Driving ? ? Assistance System[J]. Transportation Research Part C， 2015， 58： 642-656.

[65] WU Y P， ZHAO X H， CHEN C， et al. Development and ? Application of an Eco-driving Support Platform Based on Internet+： Case Study in Beijing Taxicabs[J]. ? ? ? ? ? ? ? Transportation Research Record， 2017， 2645（1）： 57-66.

[66] BLANCHARD R A， MYERS A M， PORTER M M. Correspondence Between Self-Reported and Objective Measures of Driving Exposure and Patterns in Older Drivers[J]. ? ? ?Accident Analysis and Prevention， 2010， 42（2）： 523-529.

[67] PROGRESSIVE. Linking Driving Behavior to Automobile Accidents and Insurance Rates： An Analysis of Five Billion Miles Driven[R]. Washington D C， Progresive： 2012.

[68] PAEFGEN J， STAAKE T， FLEISCH E. Multivariate ? ? ? ?Exposure Modeling of Accident Risk： Insights from Pay-as-You-Drive Insurance Data[J]. Transportation Research Part A： Policy and Practice， 2014， 61： 27-40.

[69] TSELENTIS D I， YANNIS G， VLAHOGIANNI E I. Innovative Motor Insurance Schemes： A Review of Current ? ? ?Practices and Emerging Challenges[J]. Accident Analysis Prevention， 2017， 98： 139-148.

（責任編輯 王 一）

修改稿收到日期為2023年5月22日。