基于運(yùn)行數(shù)據(jù)的電動(dòng)客車(chē)誤踩加速踏板狀態(tài)識(shí)別研究

趙登峰 高巖 劉朝輝 秦朝峰 高立杰

摘 要：駕駛?cè)苏`踩加速踏板導(dǎo)致的電動(dòng)客車(chē)交通事故時(shí)有發(fā)生，影響因素復(fù)雜。為準(zhǔn)確識(shí)別誤踩加速踏板行為，提醒電動(dòng)客車(chē)駕駛?cè)税踩{駛，基于電動(dòng)客車(chē)車(chē)載終端采集的車(chē)輛運(yùn)行狀態(tài)數(shù)據(jù)，提取9項(xiàng)與誤踩加速踏板行為相關(guān)的駕駛特征，采用隨機(jī)森林算法模型對(duì)電動(dòng)客車(chē)誤踩加速踏板狀態(tài)進(jìn)行識(shí)別，結(jié)果表明整體的識(shí)別準(zhǔn)確率為99%，召回率為0.99，表明99%的誤踩加速踏板行為可被識(shí)別出來(lái)。實(shí)驗(yàn)表明采用隨機(jī)森林算法進(jìn)行誤踩加速踏板狀態(tài)識(shí)別具有較好的效果，且與邏輯回歸、Adaboost等識(shí)別算法相比，具有準(zhǔn)確率、召回率和精確率高等特點(diǎn)。該方法利用電動(dòng)客車(chē)的運(yùn)行數(shù)據(jù)進(jìn)行分析，簡(jiǎn)單高效成本低，具有一定的可行性和實(shí)用性。

關(guān)鍵詞：駕駛行為；交通事故；誤踩加速踏板識(shí)別；隨機(jī)森林；電動(dòng)客車(chē)

中圖分類(lèi)號(hào)：U471.3 文獻(xiàn)標(biāo)志碼：A

Step faultily on the accelerator state detection based on vehicle running data

ZHAO Dengfeng1，GAO Yan2，LIU Zhaohui1，QIN Chaofeng1，GAO Lijie1

（1. Zhengzhou Yutong Bus Company Ltd.， Zhengzhou 450016，China； 2. Key Laboratory of Ministry of Public Security for Road Traffic Safety， Wuxi 214000，China）

Abstract： Fault stepping the Accelerator is one of the main causes of traffic accidents. It is of great importance to detect fault stepping precisely and remind drivers of electrical bus to concentrate on driving safely. Based on the vehicle running data collected by electrical bus data acquisition system， this paper extracts 9 features relevant to driving behaviors and uses random forest algorithm to identify fault stepping. The results show that the overall recognition accuracy is 99%， and the recall rate is 0.99 which means 99% of fault stepping conditions can be successfully identified. Experiments show that fault stepping detection based on vehicle running data with Random forests is the most effective. Compared with other fault stepping detection methods， the proposed method is simple and convenient， the cost is relatively low.

Keywords： Driving behavior； traffic accident； fault stepping accelerator pedal； random forests； electrical bus

駕駛?cè)苏`踩加速踏板是影響汽車(chē)安全行駛、導(dǎo)致交通事故的主要原因之一[1]。電動(dòng)客車(chē)動(dòng)力性好，速度提升快，當(dāng)駕駛?cè)苏`踩加速踏板時(shí)，在城市人流量大的交通環(huán)境中極易發(fā)生群死群傷的嚴(yán)重交通事故。因此，分析電動(dòng)客車(chē)駕駛?cè)苏`踩加速踏板時(shí)的駕駛行為特征，構(gòu)建模型進(jìn)行誤踩加速踏板行為識(shí)別，對(duì)日常改善駕駛?cè)说奈ｋU(xiǎn)駕駛行為、保證電動(dòng)客車(chē)安全行駛具有重要意義。

目前，識(shí)別誤踩加速踏板行為的主流技術(shù)主要分兩類(lèi)：（1）被動(dòng)型技術(shù)，如加速踏板運(yùn)動(dòng)速度檢測(cè)技術(shù)[2]、加速踏板力量檢測(cè)技術(shù)[3]、前方障礙物探測(cè)技術(shù)[4]等；（2）主動(dòng)型技術(shù)，如駕駛?cè)擞夷_位置檢測(cè)技術(shù)[5]、駕駛?cè)瞬涣捡{駛行為識(shí)別技術(shù)[6-7]、大數(shù)據(jù)檢測(cè)[8-9]等。其中被動(dòng)型技術(shù)主要通過(guò)分析駕駛?cè)藢?duì)車(chē)輛加速踏板的踩踏動(dòng)作來(lái)進(jìn)行識(shí)別，此類(lèi)技術(shù)可以識(shí)別出一些誤操作行為，存在的問(wèn)題是決策用的輸入信息相對(duì)單一，在一些特定場(chǎng)景下可能會(huì)識(shí)別錯(cuò)誤。主動(dòng)型技術(shù)通過(guò)傳感裝置提前識(shí)別駕駛?cè)擞夷_踩踏加速踏板的行為，進(jìn)而規(guī)范駕駛?cè)瞬忍ぜ铀偬ぐ宓膭?dòng)作，存在的問(wèn)題是需要新增工業(yè)相機(jī)等信息采集與處理裝置而導(dǎo)致成本增加，且對(duì)傳感器和采集系統(tǒng)的可靠性要求較高。

本文基于電動(dòng)客車(chē)車(chē)載終端采集的車(chē)輛運(yùn)營(yíng)數(shù)據(jù)，提出一種可有效用于識(shí)別駕駛?cè)苏`踩加速踏板的識(shí)別方法。該方法通過(guò)綜合利用電動(dòng)客車(chē)的運(yùn)行數(shù)據(jù)，提取與異常加速相關(guān)的駕駛特征，構(gòu)建誤踩加速踏板行為識(shí)別模型，分析誤踩加速踏板的數(shù)據(jù)規(guī)律模式，可用于指導(dǎo)駕駛?cè)苏`踩加速踏板行為改善。

1 車(chē)輛運(yùn)行數(shù)據(jù)采集與誤踩加速踏板狀態(tài)識(shí)別

基于電動(dòng)客車(chē)車(chē)載終端采集的車(chē)輛運(yùn)行數(shù)據(jù)，將運(yùn)行數(shù)據(jù)切分處理為正常操作加速踏板樣本和誤踩加速踏板樣本，通過(guò)構(gòu)建識(shí)別誤踩加速踏板的模型，實(shí)現(xiàn)通過(guò)車(chē)輛運(yùn)行數(shù)據(jù)準(zhǔn)確識(shí)別誤踩加速踏板行為的目的。工作流程如圖1。

1.1 車(chē)載運(yùn)行數(shù)據(jù)采集

利用車(chē)載終端對(duì)電動(dòng)客車(chē)的運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行采集，采集的數(shù)據(jù)均為電動(dòng)客車(chē)自然駕駛狀態(tài)下產(chǎn)生。采集的數(shù)據(jù)包括正常駕駛數(shù)據(jù)和踏板誤操作駕駛數(shù)據(jù)，通過(guò)人工分析篩選，獲取了電動(dòng)客車(chē)CAN總線(xiàn)上的運(yùn)行數(shù)據(jù)和車(chē)載監(jiān)控視頻數(shù)據(jù)。其中通過(guò)CAN總線(xiàn)采集的車(chē)輛運(yùn)行數(shù)據(jù)包括車(chē)輛狀態(tài)、擋位以及車(chē)輛速度、加速度、乘客門(mén)開(kāi)關(guān)信號(hào)、轉(zhuǎn)向燈信號(hào)、手剎信號(hào)、加速踏板開(kāi)度、制動(dòng)踏板開(kāi)度、GPS經(jīng)緯度、日期和時(shí)間、駕駛?cè)薎D、車(chē)牌號(hào)等。車(chē)載監(jiān)控視頻數(shù)據(jù)包括駕駛區(qū)、乘客區(qū)、前視和駕駛?cè)薉MS等攝像頭數(shù)據(jù)。電動(dòng)客車(chē)運(yùn)行數(shù)據(jù)采集系統(tǒng)如圖2。

1.2 數(shù)據(jù)樣本切分處理

先在企業(yè)駕駛實(shí)驗(yàn)場(chǎng)地進(jìn)行駕駛?cè)颂ぐ逭`操作的實(shí)驗(yàn)，在不同工況條件下模擬駕駛?cè)思铀偬ぐ逭`操作行為，以提取歸納駕駛?cè)说奶ぐ逭`操作特征規(guī)律，作為電動(dòng)客車(chē)數(shù)據(jù)分析平臺(tái)自然駕駛數(shù)據(jù)中踏板誤操作的篩選準(zhǔn)則。模擬實(shí)驗(yàn)設(shè)計(jì)方案如表1所示，實(shí)驗(yàn)選擇在天氣良好條件下進(jìn)行，實(shí)驗(yàn)駕駛?cè)藶槟彻还抉{駛?cè)耍瑢?shí)驗(yàn)前無(wú)飲酒、藥物等異常情況。

駕駛?cè)苏`操作實(shí)驗(yàn)完成后，將實(shí)驗(yàn)數(shù)據(jù)通過(guò)CAN總線(xiàn)及OBD接口導(dǎo)出。初步對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行研究分析，提取駕駛?cè)颂ぐ逭`操作行為特征。通過(guò)對(duì)以上共19次實(shí)驗(yàn)的數(shù)據(jù)進(jìn)行基本分析，得到誤操作下加速踏板變化率指標(biāo)和滿(mǎn)踩加速踏板持續(xù)時(shí)間特征，如圖3所示，發(fā)現(xiàn)誤操作下最大加速踏板開(kāi)度變化率一般在75%/s以上且滿(mǎn)踩加速踏板持續(xù)時(shí)間超過(guò)3s以上。

通常來(lái)說(shuō)，公交車(chē)駕駛?cè)嗽谄鸩綍r(shí)很少猛踩加速踏板且持續(xù)較長(zhǎng)時(shí)間，基于實(shí)驗(yàn)得到的參數(shù)閾值，作為電動(dòng)客車(chē)數(shù)據(jù)分析平臺(tái)踏板誤操作數(shù)據(jù)初步篩選準(zhǔn)則，從而對(duì)誤踩加速踏板數(shù)據(jù)樣本進(jìn)行切分。結(jié)合上述實(shí)驗(yàn)，對(duì)最大加速踏板變化率和滿(mǎn)踩加速踏板閾值進(jìn)行適當(dāng)降低，以便篩選更多的異常駕駛數(shù)據(jù)。最終確定篩選準(zhǔn)則如下：車(chē)輛的加速度大于2m/s2、最大加速踏板開(kāi)度變化率大于70%/s、加速踏板開(kāi)度維持在95%以上的時(shí)間大于2.0s。

根據(jù)同步采集的車(chē)輛運(yùn)行過(guò)程中視頻數(shù)據(jù)，對(duì)駕駛?cè)耸欠裾`踩加速踏板進(jìn)行判斷確認(rèn)，若結(jié)果為駕駛?cè)隋e(cuò)誤操作，則定義該時(shí)間段為誤踩加速踏板標(biāo)簽；若不是駕駛?cè)隋e(cuò)誤操作，則定義該時(shí)間段為正常駕駛狀態(tài)標(biāo)簽。通過(guò)人工標(biāo)定的各時(shí)間段駕駛狀態(tài)標(biāo)簽，將車(chē)輛運(yùn)行數(shù)據(jù)切分為誤踩加速踏板狀態(tài)數(shù)據(jù)和正常駕駛狀態(tài)數(shù)據(jù)。

1.3 誤踩加速踏板行為識(shí)別模型構(gòu)建

基于業(yè)務(wù)理解，利用誤踩加速踏板狀態(tài)樣本與正常駕駛狀態(tài)樣本，提取與誤踩加速踏板行為相關(guān)的駕駛特征，采用隨機(jī)森林分類(lèi)算法，構(gòu)建誤踩加速踏板駕駛行為識(shí)別模型。

1.4 誤踩加速踏板行為識(shí)別與應(yīng)用

基于CAN總線(xiàn)采集的車(chē)輛運(yùn)行數(shù)據(jù)，對(duì)誤踩加速踏板行為進(jìn)行識(shí)別，評(píng)估駕駛?cè)苏`踩加速踏板風(fēng)險(xiǎn)，指導(dǎo)對(duì)高風(fēng)險(xiǎn)駕駛?cè)诉M(jìn)行危險(xiǎn)駕駛行為改善，降低因誤踩加速踏板導(dǎo)致的事故率。

2 構(gòu)建誤踩加速踏板行s型

基于車(chē)輛運(yùn)行數(shù)據(jù)，構(gòu)建誤踩加速踏板駕駛行為識(shí)別模型，模型主要由四個(gè)部分組成：第一部分準(zhǔn)備數(shù)據(jù)樣本；第二部分從樣本數(shù)據(jù)中提取與車(chē)輛誤踩加速踏板相關(guān)的駕駛特征，如車(chē)速、加速踏板開(kāi)度、制動(dòng)踏板開(kāi)度、轉(zhuǎn)向燈信號(hào)、門(mén)開(kāi)關(guān)信號(hào)等參數(shù)；第三部分，對(duì)提取的駕駛特征兩兩組合進(jìn)行相關(guān)性分析，同時(shí)將各駕駛特征與誤踩加速踏板行為之間進(jìn)行相關(guān)性分析；最后，采用隨機(jī)森林算法對(duì)誤踩加速踏板行為進(jìn)行識(shí)別，為駕駛?cè)苏`踩加速踏板行為風(fēng)險(xiǎn)評(píng)估與改善提供指導(dǎo)。構(gòu)建誤踩加速踏板狀態(tài)識(shí)別模型框架如圖4。

2.1 數(shù)據(jù)樣本準(zhǔn)備

數(shù)據(jù)來(lái)源于市場(chǎng)上曾發(fā)生誤踩加速踏板駕駛事件的電動(dòng)客車(chē)運(yùn)行數(shù)據(jù)，共收集20組運(yùn)行數(shù)據(jù)樣本514775個(gè)。其中誤踩加速踏板樣本9067個(gè)，占總樣本數(shù)量的比例為2%，具體見(jiàn)表2。

2.2 駕駛特征提取

駕駛?cè)苏`踩加速踏板狀態(tài)與正常駕駛狀態(tài)相比，車(chē)輛位置、車(chē)速、加速踏板開(kāi)度、制動(dòng)踏板開(kāi)度等駕駛特征控制的穩(wěn)定性存在一定的差異。因此，可以將這些參數(shù)認(rèn)為是判斷駕駛?cè)颂幱谡`踩加速踏板狀態(tài)或正常駕駛行為的標(biāo)準(zhǔn)，從而可以從這些數(shù)據(jù)信號(hào)中提取與誤踩加速踏板行為相關(guān)的駕駛特征。

基于現(xiàn)有的數(shù)理統(tǒng)計(jì)學(xué)知識(shí)和對(duì)于模型需求的理解，對(duì)采集到的駕駛行為數(shù)據(jù)特征進(jìn)行提取，本文一共提取了9個(gè)與誤踩加速踏板駕駛行為相關(guān)的特征，具體特征見(jiàn)表3。

2.3 駕駛特征分析

通過(guò)分析前文所選定的駕駛特征參數(shù)與駕駛?cè)苏`踩加速踏板之間的相關(guān)性，從而獲取與誤踩加速踏板行為最相關(guān)的特征，為判斷是否誤踩加速踏板提供數(shù)據(jù)基礎(chǔ)。對(duì)所提取的9個(gè)駕駛特征，可采用皮爾森相關(guān)系數(shù)[11-12]來(lái)判斷它們之間的相關(guān)性以及與誤踩加速踏板的相關(guān)關(guān)系，皮爾森相關(guān)系數(shù)分布在[-1，1]區(qū)間范圍內(nèi)，相關(guān)系數(shù)越靠近 1，說(shuō)明兩個(gè)特征正相關(guān)性越強(qiáng)，越靠近-1則說(shuō)明兩個(gè)特征負(fù)相關(guān)性越強(qiáng)[11-12]。具體如圖5所示。

從圖5可以看出，不同駕駛特征之間相關(guān)系數(shù)的離散性較大。

各駕駛特征與是否誤踩加速踏板的相關(guān)系數(shù)見(jiàn)表4。

從表4可以看出，加速踏板開(kāi)度信號(hào)與誤踩加速踏板的相關(guān)系數(shù)最大，為0.91，其它特征與誤踩加速踏板的相關(guān)系數(shù)低于0.65，這與工程實(shí)際相符合。

2.4 誤踩加速踏板識(shí)別

本文采用隨機(jī)森林算法對(duì)誤踩加速踏板行為進(jìn)行識(shí)別。隨機(jī)森林算法是一種基于分類(lèi)樹(shù)的集成學(xué)習(xí)算法，其基本原理是通過(guò)隨機(jī)采樣特征和數(shù)據(jù)樣本，生成很多決策樹(shù)，每一顆決策樹(shù)均不相關(guān)，將多棵決策樹(shù)組合在一起就形成森林，通過(guò)各決策樹(shù)進(jìn)行投票決策，最終選擇多數(shù)投票的策略來(lái)決定最終結(jié)果[10，13]。隨機(jī)森林算法具有處理高維特征樣本數(shù)據(jù)時(shí)準(zhǔn)確率高、抗干擾能力強(qiáng)、抗過(guò)擬合能力強(qiáng)等特點(diǎn)，同時(shí)可對(duì)駕駛特征重要度進(jìn)行排序，找出對(duì)誤踩加速踏板有主要影響的駕駛特征。

具體的算法步驟如下[10，13]：

（1）原始訓(xùn)練集中共有特征M個(gè)，樣本總數(shù)為N個(gè)。采用有放回的隨機(jī)Bootstrap抽樣技術(shù)，從訓(xùn)練集中隨機(jī)抽取N個(gè)樣本形成訓(xùn)練子集；

（2）從M個(gè)特征中隨機(jī)選取m（m≤M）個(gè)特征作為特征子集，從這m個(gè)特征中選擇最優(yōu)的切分點(diǎn)再做節(jié)點(diǎn)分裂，直到節(jié)點(diǎn)的所有訓(xùn)練樣例都屬于同一類(lèi)。節(jié)點(diǎn)按基尼指數(shù)、信息增益率、均方差等規(guī)則分裂，且在分裂過(guò)程中完全分裂不剪枝；

（3）重復(fù)（1）（2）步驟k次，即可得到由k棵決策樹(shù)構(gòu)建而成的隨機(jī)森林；

（4）利用新采集的運(yùn)行數(shù)據(jù)，使用隨機(jī)森林進(jìn)行決策。決策公式如下：

式中：H-隨機(jī)森林模型；Y-是否誤踩加速踏板分類(lèi)標(biāo)簽；x-測(cè)試樣本；k-決策樹(shù)數(shù)量；hi-單棵決策樹(shù)，其中i={1，...，k}；I-指示性函數(shù)。

3 模擬計(jì)算與結(jié)果分析

本文集中于分析不同駕駛特征的差異性來(lái)識(shí)別誤踩加速踏板行為，將原有數(shù)據(jù)按照8：2的比例隨機(jī)分配，其中80%作為訓(xùn)練樣本集，20%為測(cè)試樣本集，利用隨機(jī)森林算法經(jīng)過(guò)剪枝和參數(shù)調(diào)優(yōu)，對(duì)訓(xùn)練樣本集數(shù)據(jù)進(jìn)行訓(xùn)練，得到的混淆矩陣如表5所示，其中各參數(shù)值分別為：M=9，N=127673，m=2，k=10。

根據(jù)表5實(shí)驗(yàn)結(jié)果，可計(jì)算出準(zhǔn)確率為0.99，即準(zhǔn)確預(yù)測(cè)正常駕駛和準(zhǔn)確預(yù)測(cè)誤踩加速踏板的樣本數(shù)之和占樣本總數(shù)的比例。

考慮到本文所使用數(shù)據(jù)的樣本標(biāo)簽分布并不均勻，因此在評(píng)價(jià)實(shí)驗(yàn)結(jié)果所采用的指標(biāo)中，除了判斷算法的準(zhǔn)確率以外，導(dǎo)入召回率、精確率等指標(biāo)來(lái)對(duì)有偏數(shù)據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行進(jìn)一步評(píng)價(jià)[10，14]。其中召回率是指預(yù)測(cè)為誤踩加速踏板實(shí)際也為誤踩的樣本數(shù)與總的實(shí)際誤踩加速踏板的樣本數(shù)的比值，精確率是指預(yù)測(cè)為誤踩實(shí)際也為誤踩的樣本數(shù)與總的預(yù)測(cè)為誤踩的樣本數(shù)的比值。

本次實(shí)驗(yàn)得到召回率為0.99，表示誤踩加速踏板被正確檢測(cè)出來(lái)的概率達(dá)到99%。本次實(shí)驗(yàn)得到精確率為0.97，表示正確預(yù)測(cè)出誤踩加速踏板的比例可到達(dá)97%。

為了研究不同算法對(duì)電動(dòng)客車(chē)駕駛?cè)苏`踩加速踏板行為預(yù)測(cè)結(jié)果的影響，分別使用邏輯回歸算法和Adaboost算法[15]對(duì)標(biāo)簽數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別，分類(lèi)識(shí)別結(jié)果如表6所示。

如圖6所示，在對(duì)誤踩加速踏板行為識(shí)別中，隨機(jī)森林算法的準(zhǔn)確率、精確率和召回率均優(yōu)于邏輯回歸算法和Adaboost算法，即證明隨機(jī)森林算法更適用于電動(dòng)客車(chē)誤踩加速踏板行為狀態(tài)的識(shí)別。

4 結(jié)論

（1）本文基于電動(dòng)客車(chē)在運(yùn)行過(guò)程中采集的車(chē)速、加速踏板開(kāi)度、手剎狀態(tài)等數(shù)據(jù)，提取與駕駛行為相關(guān)的 9 項(xiàng)特征，對(duì)駕駛?cè)说恼`踩加速踏板行為進(jìn)行了分析和識(shí)別。本文選取了隨機(jī)森林、邏輯回歸和Adaboost三種算法分別對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練并測(cè)試，結(jié)果表明隨機(jī)森林算法對(duì)誤踩加速踏板行為的識(shí)別效果最好，總體的準(zhǔn)確率為0.99，召回率為0.99，精確率為0.97，具有方法簡(jiǎn)單、精度高、成本低等優(yōu)勢(shì)，對(duì)于檢測(cè)駕駛?cè)苏`踩加速踏板行為具有一定的可行性和實(shí)用性。

（2）本文基于車(chē)輛運(yùn)行數(shù)據(jù)對(duì)駕駛?cè)苏`踩加速踏板行為的識(shí)別進(jìn)行了有價(jià)值的探索，涉及更大規(guī)模樣本數(shù)據(jù)，考慮車(chē)輛動(dòng)力性能差異與駕駛?cè)藗€(gè)體差異，進(jìn)一步提高誤踩加速踏板行為檢測(cè)準(zhǔn)確率與可信度的相關(guān)實(shí)驗(yàn)與方法有待深入研究。

（3）在未來(lái)研究中將對(duì)駕駛?cè)苏`踩加速踏板的形成機(jī)理進(jìn)行研究，提取駕駛?cè)苏`踩踏板的行為特征以便進(jìn)一步提升算法的識(shí)別精度?；陔妱?dòng)客車(chē)數(shù)據(jù)分析平臺(tái)開(kāi)發(fā)駕駛?cè)颂ぐ宀僮黠L(fēng)險(xiǎn)評(píng)分系統(tǒng)，利用本文算法智能識(shí)別駕駛?cè)藵撛诘奶ぐ逭`操作行為，并將結(jié)果反饋到公交運(yùn)營(yíng)公司，糾正不良踏板操作行為，最大限度的降低駕駛?cè)艘騻€(gè)人因素而造成的踏板誤操作事件，保障道路行車(chē)安全。

參考文獻(xiàn)

[1] 苑警支.基于多傳感器融合的誤踩油門(mén)輔助系統(tǒng)控制方法研究[D]. 長(zhǎng)春：吉林大學(xué)，2019.

[2] 胡振奇，朱昌吉等.汽車(chē)防誤踩加速踏板系統(tǒng)的研發(fā)[J]. 汽車(chē)工程，2011，33（08）：713-715+176.

[3] 鄧彪，簡(jiǎn)曉春.汽車(chē)誤踩油門(mén)智能保護(hù)系統(tǒng)的設(shè)計(jì)[J]. 交通科學(xué)與工程，2014，30（02）：67- 71.

[4] 尹怡欣，徐令儀等.基于旋轉(zhuǎn)編碼器的汽車(chē)油門(mén)誤踩檢測(cè)[J]. 控制工程，2013，20（04）：611-613+622.

[5] 張小恒.防范油門(mén)誤踩關(guān)鍵技術(shù)分析[J]. 科技資訊，2016，14（35）：220+222.

[6] 朱曉艷.機(jī)動(dòng)車(chē)駕駛?cè)瞬涣捡{駛行為研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2018.

[7] 高晨宵. 純電動(dòng)汽車(chē)駕駛行為預(yù)測(cè)和駕駛模式識(shí)別[D].大連理工大學(xué)，2017.

[8] 佘承其，張照生，劉鵬，孫逢春.大數(shù)據(jù)分析技術(shù)在新能源汽車(chē)行業(yè)的應(yīng)用綜述——基于新能源汽車(chē)運(yùn)行大數(shù)據(jù)[J].機(jī)械工程學(xué)報(bào)，2019，55（20）：3-16.

[9] 毛正濤，張金喜.基于新能源汽車(chē)遠(yuǎn)程監(jiān)控?cái)?shù)據(jù)的駕駛行為識(shí)別建模與應(yīng)用[J].汽車(chē)與配件，2017（17）：80-83.

[10] 蔡素賢，杜超坎，周思毅，王雅斐.基于車(chē)輛運(yùn)行數(shù)據(jù)的疲勞駕駛狀態(tài)檢測(cè)[J].交通運(yùn)輸系統(tǒng)工程與信息，2020，20（04）：77-82.

[11] 徐維超.相關(guān)系數(shù)研究綜述[J]. 廣東工業(yè)大學(xué)學(xué)報(bào)，2012，29（3）：12-17.

[12] 曹鑫. 江蘇全省設(shè)區(qū)市生態(tài)文明建設(shè)評(píng)價(jià)及路徑探究——基于耦合協(xié)調(diào)模型及Person系數(shù)和因子分析[D].南京大學(xué)，2020.

[13] CUTLER A， CUTLER D R， STEVENS J R. Random forests[M]. Ensemble Machine Learning. Springer， Boston， MA， 2012： 157-175.

[14] RAND W M. Objective criteria for the evaluation of clustering methods [J]. Journal of the American Statistical Association[J]， 1971， 66（336）： 846-850.

[15] Archana R. Panhalkar， Dharmpal D. Doye. A novel approach to build accurate and diverse decision tree forest[J] ，Evolutionary Intelligence， Springer， Boston， MA，Jan.2021.