基于純電動(dòng)汽車高頻數(shù)據(jù)的駕駛風(fēng)格分類方法

紀(jì)少波，張 珂，李 倫，蘇士斌，何紹清，馮遠(yuǎn)宏，張 強(qiáng)

（1.山東大學(xué)能源與動(dòng)力工程學(xué)院，山東濟(jì)南 250061；2.青島海信網(wǎng)絡(luò)科技股份有限公司，山東青島 256000；3.中國(guó)汽車技術(shù)研究中心有限公司，天津 300300）

根據(jù)國(guó)家統(tǒng)計(jì)局2013—2020年發(fā)布的《中國(guó)統(tǒng)計(jì)年鑒》，我國(guó)道路安全事故發(fā)生情況可以看出近幾年的車禍發(fā)生數(shù)量呈增長(zhǎng)趨勢(shì)，這表明交通安全問題日漸嚴(yán)重。駕駛員作為交通行為的首要執(zhí)行者、車輛的操控者，是導(dǎo)致交通事故的主要原因。因此，駕駛員在行駛過程中駕駛行為的安全性具有重大的研究?jī)r(jià)值。

國(guó)內(nèi)外學(xué)者多采用無監(jiān)督學(xué)習(xí)模型進(jìn)行駕駛風(fēng)格分類，通過對(duì)分類結(jié)果的分析確定駕駛風(fēng)格類別。目前研究駕駛風(fēng)格用的無監(jiān)督學(xué)習(xí)主要有基于劃分、層次、密度及模型等不同方法的聚類方法?；趧澐值臒o監(jiān)督學(xué)習(xí)聚類方法主要有K均值（Kmeans）和模糊C均值（FCM）。亓航等［1］、徐婷等［2］和余榮杰等［3］研究學(xué)者采用K均值聚類算法分別對(duì)出租車、貨車和分時(shí)租賃汽車的駕駛行為數(shù)據(jù)進(jìn)行駕駛風(fēng)格分類，發(fā)現(xiàn)不同駕駛風(fēng)格的駕駛員在出行特點(diǎn)、車輛運(yùn)行參數(shù)及百公里能耗方面都具有差異性。石秀鵬等［4］從車輛軌跡數(shù)據(jù)提取了風(fēng)險(xiǎn)指標(biāo)特征，基于這些特征利用FCM算法將駕駛行為聚為4個(gè)風(fēng)險(xiǎn)等級(jí)。基于層次的無監(jiān)督學(xué)習(xí)聚類方法主要是層次聚類算法，牛增良等［5］基于大量重特大交通事故數(shù)據(jù)采用模糊聚類、層次聚類對(duì)危險(xiǎn)駕駛行為劃分層次進(jìn)行分析。基于密度的無監(jiān)督學(xué)習(xí)聚類方法主要是密度聚類（DBSCAN）算法，文江輝［6］從營(yíng)運(yùn)車輛監(jiān)控平臺(tái)獲取出行高頻時(shí)間段的車輛運(yùn)行數(shù)據(jù)，利用DBSCAN算法對(duì)不同車輛、不同時(shí)間段及不同天氣狀況下駕駛行為進(jìn)行了分類，用于判定車輛駕駛的穩(wěn)定性程度?；谀Ｐ偷臒o監(jiān)督學(xué)習(xí)聚類方法主要是利用高斯混合模型（GMM）等模型展開研究，朱冰等［7］基于真實(shí)駕駛數(shù)據(jù)采用GMM和KL散度定量地度量駕駛員之間的相似性，實(shí)現(xiàn)駕駛員駕駛風(fēng)格分類。李立治等［8］建立了駕駛員駕駛風(fēng)格的數(shù)據(jù)庫(kù)，使用K均值、FCM及層次聚類對(duì)駕駛風(fēng)格進(jìn)行分類。李卓軒等［9］基于不良駕駛行為特征參數(shù)，使用K均值聚類和DBSCAN算法對(duì)駕駛風(fēng)格進(jìn)行分類。劉通等［10］基于K均值聚類算法進(jìn)行了駕駛風(fēng)格的分類研究。

已有研究采用的聚類算法多是針對(duì)低維數(shù)據(jù)集設(shè)計(jì)的，處理高維數(shù)據(jù)集通常會(huì)面臨“維災(zāi)難效應(yīng)”，會(huì)出現(xiàn)基于距離的度量函數(shù)失效、聚類中心難以確定及計(jì)算效率低等問題。本文采用先降維后聚類的研究思路，在對(duì)比不同降維及聚類方法的基礎(chǔ)上，提出利用t-SNE和GMM組合算法建立基于駕駛安全的駕駛風(fēng)格分類模型，用于對(duì)不同駕駛風(fēng)格進(jìn)行分類。此外，已有研究關(guān)于異常駕駛行為的判定多采用固定閾值，本文在深入分析與駕駛安全相關(guān)的特征參數(shù)變化規(guī)律基礎(chǔ)上，提出多參數(shù)組合閾值邊界線識(shí)別危險(xiǎn)駕駛行為的方法。本文的研究可以有效改進(jìn)分類效果，提高異常駕駛識(shí)別精度。研究?jī)?nèi)容可為運(yùn)輸企業(yè)的安全運(yùn)營(yíng)提供指導(dǎo)，為道路安全評(píng)估提供參考。

1 數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)采集

基于車輛的OBD接口，通過CAN總線獲取車輛實(shí)時(shí)運(yùn)行數(shù)據(jù)，并將采集的數(shù)據(jù)通過無線網(wǎng)絡(luò)發(fā)送至服務(wù)器進(jìn)行處理，數(shù)據(jù)采集流程如圖1所示。駕駛員瞬態(tài)操作數(shù)據(jù)中包含豐富的駕駛行為信息，過低的采樣頻率將導(dǎo)致瞬態(tài)駕駛行為信息丟失；過高的采樣頻率將導(dǎo)致數(shù)據(jù)采集成本增加，數(shù)據(jù)處理難度加大，因此需要合理選擇監(jiān)測(cè)頻率。心理學(xué)家認(rèn)為正常人的反應(yīng)時(shí)間為0.15～0.4s，最快反應(yīng)時(shí)間也高于0.1s。本文數(shù)據(jù)采集頻率設(shè)置為10 Hz，即采集間隔為0.1s，采樣頻率完全可以滿足駕駛行為分析需求。

圖1 車輛監(jiān)測(cè)數(shù)據(jù)采集流程Fig.1 Vehicle monitoring data collection process

本文研究數(shù)據(jù)主要來自于北京、成都、天津、上海四座城市的200輛純電動(dòng)汽車4個(gè)月的高頻運(yùn)行數(shù)據(jù)，汽車用途有私家車、網(wǎng)約車、共享汽車。數(shù)據(jù)樣本具有采樣頻率高、車輛用途多樣、駕駛員分布廣泛、出行次數(shù)頻繁等優(yōu)點(diǎn)，適用于駕駛員的駕駛行為分析。

1.2 數(shù)據(jù)處理

由于原始數(shù)據(jù)是按車輛VIN碼分類儲(chǔ)存的，且采集信號(hào)中存在的無效數(shù)據(jù)字段導(dǎo)致原始數(shù)據(jù)體量巨大，影響后續(xù)研究。因此，本文首先剔除了無效字段信號(hào)數(shù)據(jù)和充電與靜置片段數(shù)據(jù)，形成每車每次獨(dú)立的運(yùn)行數(shù)據(jù)文件?？紤]到一次正常行車時(shí)長(zhǎng)不會(huì)過短，且駕駛工況在較短時(shí)間內(nèi)變化不會(huì)很大，所以結(jié)合車輛的上電狀態(tài)及車速，剔除一次行車時(shí)長(zhǎng)小于10min和數(shù)據(jù)缺失率超過5%的行程事件。處理后的一次行車事件數(shù)據(jù)如圖2所示。

圖2 一次行車事件數(shù)據(jù)Fig.2 Data in a driving event

數(shù)據(jù)采集和傳輸過程受到干擾可能導(dǎo)致遠(yuǎn)程數(shù)據(jù)管理平臺(tái)接收到的數(shù)據(jù)存在波動(dòng)、異?；蛉笔У葐栴}。為了消除異常數(shù)據(jù)的影響，在進(jìn)行數(shù)據(jù)分析前需要對(duì)原始數(shù)據(jù)進(jìn)行質(zhì)量控制。首先對(duì)于輕微波動(dòng)的信號(hào)數(shù)據(jù)采用滑動(dòng)窗口均值濾波方法進(jìn)行處理，效果如圖3所示。采用統(tǒng)計(jì)分析和6σ法去除幅值異常的數(shù)據(jù)點(diǎn)；接收的數(shù)據(jù)中存在相鄰數(shù)據(jù)時(shí)間差小于采樣時(shí)間的問題，這主要是由于網(wǎng)絡(luò)不穩(wěn)導(dǎo)致數(shù)據(jù)重復(fù)發(fā)送造成，將這些冗雜數(shù)據(jù)亦作為異常值剔除，處理后的效果如圖4所示。此外，對(duì)少量的缺失數(shù)據(jù)值采用線性插值進(jìn)行填補(bǔ)。

圖3 濾波前后數(shù)據(jù)對(duì)比Fig.3 Comparison before and after treatment of filter

圖4 異常值處理效果Fig.4 Treatment of abnormal value

在對(duì)原始數(shù)據(jù)進(jìn)行質(zhì)量控制后，參考文獻(xiàn)［11-14］選取與駕駛安全有關(guān)的駕駛行為特征參數(shù)表1所示。通過對(duì)事故發(fā)生原因的分析，駕駛員超速、急加速、急減速和急轉(zhuǎn)向等危險(xiǎn)駕駛行為是導(dǎo)致事故多發(fā)的重要原因［15］。但在我國(guó)現(xiàn)有的相關(guān)交通規(guī)定中未對(duì)這些危險(xiǎn)駕駛行為進(jìn)行約束，并且交通違章監(jiān)控難以有效辨識(shí)，無法及時(shí)給予駕駛員危險(xiǎn)警示以避免事故的發(fā)生。本文對(duì)急加速、急減速、超速、急轉(zhuǎn)向、轉(zhuǎn)向超速和疲勞駕駛等不同危險(xiǎn)駕駛行為的判別方法進(jìn)行了研究。

表1 駕駛行為特征參數(shù)Tab.1 Driving behavior characteristic parameters

1.2.1 急加速

對(duì)車輛速度與前向加速度參數(shù)進(jìn)行分析得到圖5。使用式（1）對(duì)前向加速度與速度關(guān)系中的各分位值進(jìn)行線性擬合，結(jié)果如表2所示。

表2 前向加速度各分位值的擬合參數(shù)Tab.2 The fitting parameters of each quantile value of forward acceleration

圖5 前向加速度分位值隨速度變化關(guān)系Fig.5 The relationship between acceleration quantile value and velocity

式中：x表示車輛速度；β1和β2是擬合參數(shù)；R2表示擬合系數(shù)。

文獻(xiàn)［9］將最大加速度閾值設(shè)定為2.78m·s-2，文獻(xiàn)［16-19］將最大加速度閾值設(shè)定為3m·s-2。由圖6可知，前向加速度的峰值隨速度增加呈降低的趨勢(shì)，因此，如果將最大加速度閾值設(shè)為固定值，無法準(zhǔn)確反映車輛實(shí)際運(yùn)行情況。為此本文提出了多參數(shù)組合閾值邊界線進(jìn)行危險(xiǎn)駕駛行為識(shí)別的思路，即隨著車速的變化，最大加速度閾值亦相應(yīng)調(diào)整，根據(jù)前向加速度峰值隨速度的變化規(guī)律，定義了急加速判斷閾值邊界線為第99%分位值，如圖6所示。

圖6 急加速判斷閾值線Fig.6 The judgment threshold line of rapid acceleration

1.2.2 急減速

對(duì)車輛速度與制動(dòng)減速度參數(shù)進(jìn)行分析，各分位值結(jié)果如圖7所示，由圖可見，制動(dòng)減速度在約25km·h-1時(shí)存在拐點(diǎn)，這是由于研究用車輛存在制動(dòng)能量回收，在25km·h-1時(shí)有最大的制動(dòng)回收力矩。制動(dòng)減速度各分位值在速度超過100km·h-1變化幅度較小，使用式（2）對(duì)制動(dòng)減速度分位值進(jìn)行分段線性擬合，以速度值25km·h-1為線性擬合分段邊界，結(jié)果如表3所示。

表3 制動(dòng)減速度各分位值的擬合參數(shù)Tab.3 The fitting parameters of each quantile value of braking deceleration

圖7 制動(dòng)減速度分位值隨速度變化關(guān)系Fig.7 The relationship between braking deceleration quantile value and velocity

參考急加速閾值線設(shè)定，本文同樣定義了急減速判斷閾值線為第99%分位值，如圖8所示。

圖8 急減速判斷閾值線Fig.8 The judgment threshold line of sharp deceleration

式中：x表示車輛速度；β1、β2、β3、β4是擬合參數(shù)；R2表示擬合系數(shù)。

1.2.3 超速

在不同的道路環(huán)境中限速是不同的，在城市道路中，車輛的限速一般為60km·h-1，高速道路中一般最高限速為120km·h-1。文獻(xiàn)［20］認(rèn)為車速在高于80km·h-1就認(rèn)為駕駛員有超速傾向或已經(jīng)在超速行駛了，而車速高于120km·h-1必然是超速行駛了。但準(zhǔn)確的超速行駛行為的識(shí)別需要基于不同路段的限速情況進(jìn)行，由于本文缺少道路限速信息，僅采用兩個(gè)等級(jí)指標(biāo)表征超速行為的嚴(yán)重程度：車速80～120km·h-1的行駛時(shí)間占總行駛時(shí)間的比例和車速高于120km·h-1行駛時(shí)間占總行駛時(shí)間的比例。

1.2.4 急轉(zhuǎn)向

對(duì)車輛速度與方向盤角速度參數(shù)進(jìn)行分析，各分位值結(jié)果見圖9，隨車速的增加，方向盤角速度持續(xù)降低，為此使用式（3）對(duì)方向盤角速度的各分位值進(jìn)行曲線擬合，結(jié)果如表4所示。

圖9 方向盤角速度分位值隨速度變化關(guān)系Fig.9 The relationship between steering wheel angular quantile value and velocity

表4 方向盤角速度各分位值的擬合參數(shù)Tab.4 The fitting parameters of each quantile value of the steering wheel angular velocity

式中：x表示車輛速度；a、b、c是擬合參數(shù)；R2表示擬合系數(shù)。

同理，本文定義了急轉(zhuǎn)向判斷閾值線為第99%分位值，閾值線如圖10所示。

圖10 急轉(zhuǎn)向判斷閾值線Fig.10 The judgment threshold line of sharp turning

1.2.5 轉(zhuǎn)向超速

對(duì)車輛速度與方向盤轉(zhuǎn)角參數(shù)進(jìn)行對(duì)比分析，各分位值結(jié)果見圖11，使用式4對(duì)不同方向盤轉(zhuǎn)角下的車速各分位值曲線進(jìn)行擬合，結(jié)果如表5所示。

表5 車速各分位值擬合參數(shù)Tab.5 The fitting parameters of each speed quantile value

圖11 車速各分位值隨方向盤轉(zhuǎn)角變化關(guān)系Fig.11 The relationship between speed quantile value and the steering wheel angle

式中：x表示方向盤轉(zhuǎn)角；a、b、c是擬合參數(shù)；R2表示擬合系數(shù)。

同理，本文定義了轉(zhuǎn)向安全車速分界線為第99%分位值，轉(zhuǎn)向超速行為通過該分界線進(jìn)行識(shí)別，如圖12所示。

圖12 轉(zhuǎn)向超速判斷閾值線Fig.12 The judgment threshold line of overspeed while turning

1.2.6 疲勞駕駛

統(tǒng)計(jì)結(jié)果表明疲勞駕駛造成的交通事故占事故總數(shù)的20%左右，占特大交通事故總數(shù)的40%以上［21］。行車時(shí)長(zhǎng)是影響疲勞駕駛的直觀因素，本文將單次行車?yán)塾?jì)時(shí)長(zhǎng)超過4h記為疲勞駕駛。

2 駕駛風(fēng)格分析

2.1 高斯混合模型

在聚類算法中K均值聚類算法因原理易懂、收斂速度快的優(yōu)點(diǎn)得到廣泛應(yīng)用。但K均值聚類算法結(jié)果受初始聚類中心影響非常大，而且其要求簇的形狀必須是圓形的，若實(shí)際樣本點(diǎn)是橢圓分布的，其聚類結(jié)果可能會(huì)出現(xiàn)多個(gè)圓形的簇混在一起，聚類效果差。高斯混合模型（GMM）可以彌補(bǔ)K均值聚類算法的不足，GMM未將每個(gè)樣本點(diǎn)置于明確簇中，而給出了該樣本點(diǎn)在各簇中的概率或可能性，因此能夠有效避免硬分配，并且簇的形狀可以是任意橢圓狀，而不僅局限于圓形。

假設(shè)數(shù)據(jù)集X＝{x1，x2，…，xn}服從由K個(gè)多元高斯分布組成的GMM，即可分為K類。對(duì)于每個(gè)樣本xi，高斯混合分布的概率密度函數(shù)為

式中：πk是混合系數(shù)；μk，σk為每個(gè)高斯成分的均值和方差。Nk(xi|μk，σk)為第k個(gè)高斯成分的概率密度函數(shù)，即xi屬于第k類的概率，可表示為

使用期望最大化（EM）算法對(duì)GMM進(jìn)行非線性概率函數(shù)的優(yōu)化。首先根據(jù)類別數(shù)目設(shè)定模型參數(shù)初值(μ0k，σ0k)，迭代多次求出參數(shù)(μk，σk)，即每一個(gè)樣本屬于第k類的概率，由最大后驗(yàn)概率準(zhǔn)則可知，后驗(yàn)概率最大的那項(xiàng)類別為該樣本所屬聚類結(jié)果［22］。

2.2 降維方法選擇

為了避免高維數(shù)據(jù)集導(dǎo)致的“維災(zāi)難效應(yīng)”，在利用聚類算法進(jìn)行駕駛風(fēng)格分類時(shí)需要提前對(duì)駕駛行為數(shù)據(jù)集進(jìn)行降維處理。常見的降維方法有多維尺度分析（MDS）、主成分分析（PCA）、等距特征映射（ISOMAP）和t分布隨機(jī)鄰域嵌入（t-SNE）等［23-24］。文獻(xiàn)［24］指出在處理不同的高維數(shù)據(jù)集時(shí)，需要針對(duì)數(shù)據(jù)集特點(diǎn)選擇適合的方法。因此本文采用PCA、MDS、t-SNE和ISOMAP 4種降維方法分別對(duì)駕駛風(fēng)格特征參數(shù)進(jìn)行降維，再將降維結(jié)果分別輸入GMM算法中進(jìn)行駕駛風(fēng)格聚類。不同降維方法的效果采用輪廓系數(shù)S進(jìn)行對(duì)比。

式中：K表示分類數(shù)量；nk表示第k類的觀測(cè)值總數(shù)；a（i）是觀測(cè)值xi與所在第k類其他值的平均距離；b（i）是觀測(cè)值xi與其他集群中所有值的平均距離中最小值；Ik表示第k類集群觀測(cè)值的索引集。

本文基于駕駛風(fēng)格特征參數(shù)數(shù)據(jù)集比較了不同K取值的輪廓系數(shù)，確定最佳聚類K值，由圖13可知將駕駛風(fēng)格特征參數(shù)為3類效果最好。

圖13 不同K取值的輪廓系數(shù)Fig.13 Silhouette coefficient with different values of K

將上述降維方法結(jié)合K均值聚類算法和GMM兩種聚類算法進(jìn)行聚類效果的對(duì)比，結(jié)果如表6所示。結(jié)果表明對(duì)于本文所用駕駛風(fēng)格數(shù)據(jù)集而言，相對(duì)于K均值聚類算法，GMM與每種降維方法組合后普遍表現(xiàn)出更優(yōu)的聚類效果，且t-SNE和GMM組合聚類方法的輪廓系數(shù)最高。因此，本文最終選擇t-SNE和GMM算法把駕駛風(fēng)格特征參數(shù)數(shù)據(jù)集聚為3類駕駛風(fēng)格。

表6 不同降維與聚類算法聚類效果Tab.6 Clustering effect of different dimension reduction and clustering algorithms

2.3 駕駛風(fēng)格分類結(jié)果分析

駕駛行為是指駕駛員在某一次駕駛過程具體的操作行為，駕駛風(fēng)格是指駕駛員在駕駛時(shí)所表現(xiàn)的綜合行為特征，也是駕駛員養(yǎng)成的基本固定的駕駛習(xí)慣。也就是說駕駛行為能夠反映駕駛風(fēng)格，駕駛風(fēng)格從一定程度上決定駕駛行為。為了揭示3種不同駕駛風(fēng)格對(duì)應(yīng)的車輛運(yùn)行特征，本文從監(jiān)測(cè)數(shù)據(jù)服務(wù)器接收的私家車與網(wǎng)約車數(shù)據(jù)中，提取同一款純電動(dòng)車型30名駕駛員一個(gè)月的駕駛事件（共2 227次）對(duì)應(yīng)的駕駛數(shù)據(jù)。運(yùn)用t-SNE算法對(duì)駕駛數(shù)據(jù)進(jìn)行降維，采用GMM算法對(duì)降維后數(shù)據(jù)進(jìn)行駕駛風(fēng)格分類，聚類效果如圖14所示，分類結(jié)果中各特征參數(shù)的平均值如表7所示。

圖14 駕駛風(fēng)格聚類效果Fig.14 Clustering effect of driving style

根據(jù)表7中各類特征參數(shù)平均值結(jié)果，發(fā)現(xiàn)第1類樣本的百公里急加/急減/急轉(zhuǎn)向/轉(zhuǎn)向超速次數(shù)、加（減）速度平均值與標(biāo)準(zhǔn)差都是3類中最高的，而這些參數(shù)都與駕駛粗暴相關(guān)，故推斷第1類為激進(jìn)型風(fēng)格；相對(duì)而言，第3類樣本的車速、加（減）速度平均值與標(biāo)準(zhǔn)差都是3類中最低的，故推斷第3類為保守型風(fēng)格，推斷第2類為普通型風(fēng)格。保守型的平均速度比激進(jìn)型低約15 km·h-1，這是因?yàn)楸Ｊ匦婉{駛風(fēng)格為確保行車安全，將車速穩(wěn)定在安全車速以內(nèi)。普通型駕駛風(fēng)格也是熟練駕車人群常用的駕駛風(fēng)格，保持速度穩(wěn)定的能力較強(qiáng)，激進(jìn)型駕駛風(fēng)格對(duì)車速控制能力最差。圖15為不同駕駛風(fēng)格對(duì)應(yīng)的危險(xiǎn)駕駛行為發(fā)生次數(shù)對(duì)比結(jié)果，由圖可見，激進(jìn)型駕駛風(fēng)格的危險(xiǎn)駕駛行為在高發(fā)區(qū)間的占比最高。說明激進(jìn)型對(duì)車輛控制能力最差，危險(xiǎn)駕駛行為發(fā)生次數(shù)最多，發(fā)生交通事故的風(fēng)險(xiǎn)最高，對(duì)于這一類駕駛員群體，可針對(duì)性進(jìn)行安全教育，提高駕駛員安全意識(shí)，減少交通事故傷亡和損失。相對(duì)而言，對(duì)于保守型駕駛風(fēng)格而言，危險(xiǎn)駕駛行為發(fā)生次數(shù)主要集中在低發(fā)區(qū)。普通型風(fēng)格對(duì)應(yīng)的危險(xiǎn)駕駛行為發(fā)生次數(shù)介于保守型和激進(jìn)型之間。不同風(fēng)格駕駛員的車輛運(yùn)行特性分類結(jié)果也驗(yàn)證了本文提出的分類算法是有效的。

表7 各類特征參數(shù)平均值Tab.7 Average value of various characteristic parameters

圖15 危險(xiǎn)駕駛行為發(fā)生次數(shù)分布情況Fig.15 Distribution of the occurrence times of dangerous driving behavior

3 結(jié)論

為提高駕駛員安全認(rèn)知，探究駕駛風(fēng)格劃分方法，本文利用純電動(dòng)汽車高頻運(yùn)行數(shù)據(jù)開展研究工作，主要結(jié)論如下：

（1）對(duì)駕駛行為數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，根據(jù)分析結(jié)果提出了采用多參數(shù)組合閾值邊界線進(jìn)行異常駕駛行為的識(shí)別，并得到了不同駕駛行為特征參數(shù)的危險(xiǎn)駕駛閾值邊界線。

（2）選取了15個(gè)與駕駛安全有關(guān)的駕駛風(fēng)格特征參數(shù)，對(duì)多參數(shù)降維及聚類算法進(jìn)行研究，通過輪廓系數(shù)對(duì)2種聚類算法和4種降維方法的性能進(jìn)行評(píng)價(jià)，結(jié)果表明t-SNE和GMM組合算法分類效果最好。

（3）以t-SNE和GMM組合算法建立了基于駕駛安全的駕駛風(fēng)格分類模型，將駕駛風(fēng)格分為3種類型，不同駕駛風(fēng)格對(duì)應(yīng)的車輛運(yùn)行特性分析結(jié)果驗(yàn)證了分類算法的有效性。

作者貢獻(xiàn)聲明：

紀(jì)少波：論文研究思路提出及語(yǔ)言組織。

張珂：車輛運(yùn)行特性統(tǒng)計(jì)分析。

李倫：駕駛風(fēng)格分類方法對(duì)比。

蘇士斌：試驗(yàn)樣本方案制定。

何紹清：車輛運(yùn)行數(shù)據(jù)采集。

馮遠(yuǎn)宏：數(shù)據(jù)接收方法研究。

張強(qiáng)：數(shù)據(jù)預(yù)處理方法研究。