基于车辆行驶数据的驾驶风格识别.pdf

10.16638/ki.1671-7988.2023.018.038 10.16638/ki.1671-7988.2023.018.038 基于车辆行驶数据的驾驶风格识别 陆一宾，沈钰博，王 伊，郭 伦（长安大学 汽车学院，陕西 西安 710064）摘要：车辆驾驶员驾驶风格对于汽车的燃油经济性和行驶安全性有重要的影响。文章就基于车辆行驶数据在驾驶风格识别方面的研究进行综述，首先介绍了驾驶员驾驶风格识别的基本流程，接着论述不同学者在驾驶风格识别方面使用的算法模型，包括支持向量机（SVM）算法、反向传播（BP）神经网络算法、随机森林模型算法，然后基于实际车辆行驶数据，利用不同驾驶风格识别模型对其进行实现分析，最后对驾驶员驾驶风格识别的研究工作进行了展望。关键词：驾驶风格识别；行驶数据；识别模型；实例分析 中图分类号：U471 文献标志码：A 文章编号：1671-7988(2023)18-194-04 Driving Style Recognition Based on Vehicle Driving Data LU Yibin,SHEN Yubo,WANG Yi,GUO Lun(School of Automotive,Changan University,Xian 710064,China)Abstract:Drivers 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 drivers 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.Keywords:Driving style recognition;Driving data;Recognition model;Case analysis 驾驶风格是指驾驶员在车辆行驶过程中操纵车辆的驾驶行为习惯，其与车辆的燃油经济性、驾驶舒适性及行驶安全性密切相关，例如驾驶风格激进的驾驶员在行驶的过程中更容易频繁大幅度地加减速，这将带来更高的燃油消耗和安全风险以及较差的乘坐体验。通过对驾驶员行车过程中驾驶行为特征和车辆行驶数据分析，可以动态识别驾驶员所表现的驾驶风格，对于改善车辆行驶的舒适性和安全性，实现驾驶员安全驾驶具有重要意义。早期对于驾驶风格的研究主要采用问卷调查的方法，其容易受到外界环境的影响，结果的准作者简介：陆一宾（1999），男，硕士研究生，研究方向为驾驶行为与生态驾驶，E-mail:。第 18 期 陆一宾，等：基于车辆行驶数据的驾驶风格识别 195 确性和可靠性无法保证。随着数据处理技术的发展，众多学者基于采集的实车行驶数据或模拟器运行数据，通过对数据的分析来实现对驾驶风格识别。本文重点对主要的驾驶风格识别算法模型进行概述，并基于实际的车辆行驶数据，对上述算法模型进行实现分析。1 驾驶风格识别流程 基于车辆行驶数据实现驾驶风格识别的流程可以分为以下三部分，驾驶风格识别流程如图 1所示。图 1 驾驶风格识别流程图 1）构造驾驶行为特征参数：在行驶数据预处理基础上构造表征驾驶行为的特征参数，是后续进行驾驶风格分类的基础；2）驾驶风格分类：对驾驶风格识别前需要对驾驶风格进行聚类，为避免驾驶行为特征参数过多而影响驾驶风格聚类的效果和速度，聚类前需要对其进行降维处理；3）驾驶风格识别：在驾驶风格聚类的基础上建立不同的风格识别模型，比较其识别的精度，最终选择合适的风格识别模型实现驾驶风格的动态识别。驾驶风格分类在驾驶风格识别过程中较为关键，分类的结果直接影响对驾驶员行驶状态的判别。许多学者对用于驾驶风格分类的降维和聚类算法进行了深入研究，王旭等1利用主成分分析法将选取的 18 个驾驶行为特征参数降维成 6 个主成分，并利用 K-means+算法将驾驶风格聚类成平静型、一般型和激进型三类；王科银等2运用因子分析法与 K-means 算法将驾驶风格分为谨慎型、一般型和激进型三类；李伦3通过 t-SNE 降维算法和高斯混合模型（Gaussian Mixture Model,GMM）算法对挑选的 15 个特征参数进行处理，最终将驾驶风格分为保守型、普通型和激进型三类；LIU等4利用主成分分析法和模糊 C 均值聚类算法将驾驶风格分为通用型、保守型和激进型三类，其分类的成功率达 92.16%。2 驾驶风格识别算法模型 在驾驶风格的识别上，许多学者采用了不同的算法模型对其进行识别。对于不同的车辆数据类型，不同算法的识别精度存在差异，因而选择合适的识别算法模型对于实现车辆动态安全节能驾驶提醒至关重要。常用的驾驶风格识别算法模型主要有支持向量机（Support Vector Machine,SVM）算法、反向传播（Back Propagation,BP）神经网络算法、随机森林模型算法。2.1 基于支持向量机的驾驶风格识别模型 SVM 算法是一种有监督的机器学习算法。该算法泛化能力较强，其可以将线性不可分的数据映射到高维空间使其线性可分，并在高维空间中构造最佳超平面完成分类。因其在处理小样本、非线性和高维空间的分类中表现较好的效果，常用于驾驶风格的识别中。郝景贤等5在对混合动力汽车驾驶风格分类的基础上，利用支持向量机算法对驾驶风格进行识别，无论是加速还是减速下的驾驶风格或是加减速下的驾驶风格，该算法都能保证至少 90%的准确率。刘冠颖等6采用一对多支持向量机算法（OvR-SVM）对驾驶风格进行识别，通过不断增加训练集样本的数量，测试集的识别精度不断升高，最终识别的准确率高达 99.96%。王科银等2对聚类后的驾驶风格分别采用支持向量机模型和人工神经网络（Artificial Neural Network,ANN）模型进行识别，无论是否对样本进行降维处理，支持向量机模型的识别精度始终高于 ANN 模型，且降维后 SVM 模型的识别精度为 98.13%。2.2 基于 BP 神经网络的驾驶风格识别模型 人工神经网络模型是一种常用的机器学习模型，由于其可以实现从输入到输出的高度非线性映射，常用于模式识别、系统辨识、信号处理等领域。而 BP 神经网络作为最常用的神经网络算法，因其具有良好的并行性、高度的非线性、良好的容错能力，其鲁棒性较好不易受噪声的影响，且分类准确率较高，因而适合处理驾驶风格识别问题。张雅丽等7构建了一个 3 层 BP 神经网络模196 汽 车 实 用 技 术 2023 年 型，通过比较不同神经元节点个数、传递函数和训练函数类型以及网络学习率对预测误差的影响，选择最优的模型参数对公交车进出站三种驾驶风格进行识别，整体的平均识别率为 93.52%。吴丽宁8利用搭建的三层 BP 神经网络模型，将70%的样本作为训练集，30%的样本作为测试集，能够较好的实现对卡车驾驶员驾驶风格的识别。李立治等9借助神经网络模型对随机挑选的 5 组驾驶风格样本进行识别，结果显示所有样本均能被准确识别。2.3 基于随机森林的驾驶风格识别模型 随机森林模型是基于多棵决策树组合构成的机器学习模型，其原理是通过每棵决策树分类模型对训练样本进行投票，将票数最高的标签作为最终的分类结果。该模型适合处理高维度数据，对于异常值具有较好的容忍度，且能输出不同特征之间的重要性比值。刘迪等10利用随机森林模型分别对两种不同工况下的驾驶风格进行交叉验证，辨识的准确率达 90.9%。赵韩等11验证了随机森林模型在辨识不同车流密度条件下不同的驾驶风格均具有较好的精确度，为后续进一步优化混合动力汽车的能量管理策略奠定了基础。朱冰等12基于基尼指数分析变量重要性的基础上构建了一种基于变量重要性的随机森林模型，该模型不仅整体识别精度高达 97.1%且相较原本的模型算法更加简单易行。3 驾驶风格识别实现分析 3.1 驾驶风格分类 由于采集的公交车实际行驶数据包含的数据项较多，对其进行筛选过滤得到与驾驶行为有关的数据集。在对筛选后的数据集进行异常值去除、缺失值补充等预处理工作后，以各个公交车站点为依据划分运动学片段，并计算各运动学片段的驾驶行为特征参数。本次共划分 721 个运动学片段，并挑选计算 7个驾驶行为特征参数，分别为速度均值、速度标准差、最大速度，加速度均值、加速度标准差、减速度均值、减速度标准差。速度标准差的计算公式如下，加速度标准差和减速度标准差的计算同理。()211niivvvSn=（1）式中，n 为运动学片段中的样本总数。加减速度标准差均可以反映驾驶员驾驶风格的激烈程度，其数值越大表明驾驶员驾驶风格越激进。利用主成分分析法对运动学片段的驾驶行为特征进行降维处理，最终前 2 个主成分累计贡献率为 79.93%，且其特征值均大于 1，可用其代表大部分特征参数的信息，各主成分贡献率如图 2所示。对降维处理后的数据进行 K-means 聚类，经对比发现聚类成 3 类的效果最好，分别命名为保守型、一般型和激进型，其中保守型片段个数为 274 个占比 38%、一般型片段个数为 156 个占比 21.64%，激进型片段个数为 291 个占比 40.36%。聚类结果如表 1 所示。图 2 各主成分贡献率 表 1 聚类结果 类别 片段个数 占比/%保守型 274 38 一般型 156 21.64 激进型 291 40.36 3.2 驾驶风格识别 在驾驶风格分类的基础上，分别建立 SVM 模型、BP 神经网络模型、随机森林模型。将 80%的驾驶风格样本作为训练集，剩余 20%的驾驶风格样本作为测试集，以均方根误差、平均绝对误差、运行时间作为各模型的识别指标，各模型指标对比如表 2 所示，不同模型训练集与测试集的识别效果如表 3 所示。表 2 识别指标对比 模型 均方根误差 平均绝对误差 运行时间/s SVM 0.238 2 0.042 5 2.900 BP 神经网络 0.206 3 0.028 4 3.621 随机森林 0.252 6 0.049 6 4.303 第 18 期 陆一宾，等：基于车辆行驶数据的驾驶风格识别 197 表 3 识别准确率对比 模型 训练集/%测试集/%SVM 96.21 96.45 BP 神经网络 98.60 97.87 随机森林 100 95.76 从表 2 和表 3 可知，上述三种模型均能实现对驾驶风格的识别，且识别精度均较高于 95%。各模型测试集的识别误差较小，识别速度较快，能够快速实现对驾驶员驾驶风格的识别。三种识别模型中基于 BP 神经网络的识别模型在测试集的识别精度、识别误差上均优于支持向量机模型和随机森林模型，识别精度高达 97.87%，且其训练集的识别效果和运行时间均居于其他两个模型之间，因而该方法较其余两种模型相比更适于该公交车驾驶员驾驶风格的识别。4 总结展望 本文从驾驶员驾驶风格的识别流程、常用的识别算法模型、模型的实现分析三个方面介绍基于车辆行驶数据的驾驶风格识别分析，为研究驾驶风格的识别提供思路。车辆行驶数据的获取是进行驾驶风格研究的前提与基础，未来可结合问卷调查的方式收集数据，同时考虑外界环境因素的影响，通过对更加全面数据信息的分析训练，可以实现各种交通场景下驾驶风格的实时准确预测，实现驾驶员的安全节能驾驶。参考文献 1 王旭,马菲,廖小棱,等.基于多分类监督学习的驾驶 风格特征指标筛选J.交通信息与安全,2022,40(1):162-168.2 王科银,杨亚会,王思山,等.驾驶风格聚类与识别研究J.湖北汽车工业学院学报,2021,35(3):1-6,10.3 李伦.基于纯电动汽车高频运行数据的驾驶行为研究D.济南:山东大学,2021.4 LIU Y G,WANG J M,ZHAO P,et al.Research on Classification and Recognition of Driving Styles Based on Feature EngineeringJ.IEEE Access,2019,7(9):89245-89255.5 郝景贤,余卓平,赵治国,等.混合动力汽车驾驶风格识别的研究J.汽车工程,2017,39(12):1444-1450.6 刘冠颖,郭凤香,申江卫,等.基于数据特征的驾驶风格分类与识别方法研究J.昆明理工大学学报(自然科学版),2023,48(3):165-173.7 张雅丽,付锐,袁伟,等.考虑能耗的进出站驾驶风格分类及识别模型J.吉林大学学报(工学版),2023,53(7):2029-2042.8 吴丽宁.基于驾驶风格分类的卡车油耗预测D.西安:长安大学,2020.9 李立治,杨建军,刘双喜,等.国内人群的驾驶风格分类及识别方法研究J.重庆理工大学学报(自然科学),2019,33(11):33-40.10 刘迪,郑建明,覃斌,等.基于自然驾驶场景大数据的驾驶风格研究J.汽车技术,2022,564(9):36-42.11 赵韩,刘浩,邱明明,等.考虑车流密度影响的驾驶风格识别方法研究J.汽车工程,2020,42(12):1718-1727.12 朱冰,李伟男,汪震,等.基于随机森林的驾驶人驾驶习性辨识策略J.汽车工程,2019,41(2):213-218,224.