萬 豫, 黃妙華, 王思楚

(1.武漢理工大學(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430070; 2.汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心,湖北 武漢 430070; 3.武漢理工大學(xué) 汽車工程學(xué)院,湖北 武漢 430070)

0 引 言

駕駛風(fēng)格指駕駛員習(xí)慣的駕駛方式[1],用來表征在實(shí)車環(huán)境中對(duì)車輛操作的行為特征。通過對(duì)駕駛員駕駛習(xí)慣和車輛行駛數(shù)據(jù)的分析準(zhǔn)確識(shí)別出駕駛員的駕駛風(fēng)格,對(duì)于改善車輛的安全性、經(jīng)濟(jì)性和舒適性均有重要意義。

目前,針對(duì)駕駛風(fēng)格的評(píng)測(cè)主要分為主觀評(píng)測(cè)和客觀評(píng)測(cè)2種[2]。主觀評(píng)測(cè)包括專家打分、問卷調(diào)查等方式,但該方法受環(huán)境因素的影響較大,使用范圍受限;客觀評(píng)測(cè)主要基于實(shí)車實(shí)驗(yàn)或駕駛模擬器獲得真實(shí)駕駛數(shù)據(jù),通過對(duì)數(shù)據(jù)的分析來客觀地評(píng)價(jià)駕駛風(fēng)格。

對(duì)于駕駛風(fēng)格識(shí)別的研究,國(guó)內(nèi)外學(xué)者用了諸多方法。文獻(xiàn)[3]通過主成分分析和層次聚類相結(jié)合的方法,根據(jù)多個(gè)主成分的聚類結(jié)果將駕駛員風(fēng)格分為6類;文獻(xiàn)[4]利用速度、加速度及節(jié)氣門開度等參數(shù)提出了基于能耗最優(yōu)化駕駛風(fēng)格的分類方法,并將駕駛員分為保守型、一般型和激進(jìn)型;文獻(xiàn)[5]設(shè)計(jì)了一種模糊推理系統(tǒng),將車輛縱向加速度與橫向加速度的歐氏范數(shù)的平均值及車速作為系統(tǒng)輸入,輸出駕駛風(fēng)格;文獻(xiàn)[6]通過加速度的平均值及標(biāo)準(zhǔn)差之間的關(guān)系,將駕駛風(fēng)格分為冷靜型、正常型和激進(jìn)型3種類型;文獻(xiàn)[7]使用不同的分類器將駕駛風(fēng)格分成激進(jìn)和正常2種類型,并比較了隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、k近鄰以及決策樹等算法的分類效果；文獻(xiàn)[8]提出了一種基于k-means聚類的駕駛風(fēng)格識(shí)別方法,并證明了該方法對(duì)乘用車和商用車2種車型均具有較好的識(shí)別效果;文獻(xiàn)[9]建立駕駛風(fēng)格識(shí)別數(shù)據(jù)庫,利用k-means聚類方法和D-S證據(jù)理論決策融合方法進(jìn)行聚類分析,提出的駕駛風(fēng)格識(shí)別方法查準(zhǔn)率達(dá)到80%;文獻(xiàn)[10]通過主成分分析提取出表征混合動(dòng)力汽車駕駛風(fēng)格的特征參數(shù),并應(yīng)用k-means聚類方法對(duì)駕駛風(fēng)格進(jìn)行了聚類分析,最后利用支持向量機(jī)(support vector machine,SVM)算法對(duì)駕駛風(fēng)格進(jìn)行了識(shí)別,識(shí)別精度達(dá)到90%以上;文獻(xiàn)[11]建立了個(gè)性化駕駛員模型,并提出了一種基于關(guān)聯(lián)維數(shù)的駕駛風(fēng)格指數(shù)用于評(píng)估駕駛的激進(jìn)程度。

以上成果大多在駕駛模擬器或?qū)嵻噷?shí)驗(yàn)中獲得,在記錄數(shù)據(jù)時(shí)可以直接采集加速度、油門開度等數(shù)據(jù)項(xiàng),同時(shí)數(shù)據(jù)采集周期可自由調(diào)控,大部分為1 s,因此可以直接對(duì)數(shù)據(jù)進(jìn)行處理,從而識(shí)別駕駛風(fēng)格。

隨著以電動(dòng)汽車為代表的新能源汽車數(shù)量日益增多,眾多新能源汽車監(jiān)管平臺(tái)應(yīng)運(yùn)而生,實(shí)時(shí)記錄大量新能源汽車的行駛數(shù)據(jù)[12]。因?yàn)檐囕v眾多,數(shù)據(jù)量龐大,過短的數(shù)據(jù)采集周期會(huì)為數(shù)據(jù)的存儲(chǔ)和處理等帶來困難,且提高了成本,所以10、30 s成為常用的采集周期。相比于實(shí)車實(shí)驗(yàn)以1 s為周期采集到的數(shù)據(jù),平臺(tái)所記錄的數(shù)據(jù)相對(duì)稀疏,造成了一定程度的信息缺失,因此,本文研究重點(diǎn)為如何利用長(zhǎng)采集周期的數(shù)據(jù)準(zhǔn)確評(píng)測(cè)駕駛風(fēng)格。

通過武漢電動(dòng)汽車大規(guī)模分時(shí)租賃與集成運(yùn)營(yíng)平臺(tái),本文共收集了自2017年7月至2018年6月間800 輛車的出行數(shù)據(jù),車型為海馬愛尚160EV,數(shù)據(jù)采集周期為10 s,設(shè)計(jì)了基于改進(jìn)DBSCAN算法的駕駛風(fēng)格識(shí)別方法,通過對(duì)車輛行駛加速度的聚類,完成駕駛風(fēng)格的識(shí)別,并比較了不同采集周期的數(shù)據(jù)對(duì)結(jié)果的影響,最后從能耗等方面驗(yàn)證了本文識(shí)別方法的合理性。

1 整體思路

1.1 DBSCAN算法

DBSCAN算法是一種基于密度的聚類算法[13],通過一組鄰域參數(shù)(ε,MinPts)來刻畫樣本分布的緊密程度。給定數(shù)據(jù)集D={x1,x2,…,xm},定義如下主要概念:

(1)ε-鄰域。對(duì)于xi∈D,其ε-鄰域包含樣本集D中與xi距離不大于ε的樣本,即

Nε(xi)={xi∈D|dist(xi,xi)≤ε}。

(2) 核心對(duì)象。若xi的ε-鄰域至少包含MinPts個(gè)樣本,即|Nε(xi)|≥MinPts,則xi是一個(gè)核心對(duì)象。

DBSCAN算法示意圖如圖1所示。

圖1 DBSCAN算法示意圖

若規(guī)定MinPts=5,則樣本P1為核心對(duì)象,P2為非核心對(duì)象,P3為離群點(diǎn)。

1.2 駕駛風(fēng)格識(shí)別流程

DBSCAN算法的結(jié)果是將樣本點(diǎn)劃分成核心點(diǎn)、非核心點(diǎn)和離群點(diǎn),而車輛行駛過程中加速、減速的樣本可以與此相對(duì)應(yīng)。大部分情況下,加速、減速的值均在合理范圍內(nèi),駕駛員駕駛風(fēng)格的不同導(dǎo)致急加速、急減速樣本數(shù)量的比例不同,風(fēng)格越激進(jìn),急變速的比例越高,可將急變速點(diǎn)視為離群點(diǎn)。通過對(duì)車輛行駛數(shù)據(jù)的聚類,將變速行為分別與核心點(diǎn)、邊界點(diǎn)和離群點(diǎn)相對(duì)應(yīng),從而對(duì)駕駛風(fēng)格做出評(píng)測(cè)與分類。具體步驟如下:

(1) 對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理[14],剔除缺失數(shù)據(jù)及噪聲數(shù)據(jù),利用速度差與時(shí)間差計(jì)算每種速度下的加速度,得到速度-加速度(v-a)點(diǎn)。

(2) 基于DBSCAN算法對(duì)速度-加速度點(diǎn)進(jìn)行聚類,得到核心點(diǎn)、邊界點(diǎn)和離群點(diǎn)。

(3) 利用多項(xiàng)式擬合邊界點(diǎn),得到急變速邊界。

(4) 通過變速邊界線將所有數(shù)據(jù)點(diǎn)分為合理變速點(diǎn)和急變速點(diǎn)2類。定義急變速點(diǎn)占總數(shù)據(jù)點(diǎn)的比例為駕駛風(fēng)格評(píng)分。駕駛風(fēng)格越激進(jìn),急變速點(diǎn)越多,相應(yīng)的駕駛風(fēng)格評(píng)分越大。

此外,速度范圍在0～20 km/h內(nèi)的數(shù)據(jù)點(diǎn)較密集,聚類后核心點(diǎn)比例過高;某些車輛速度大于100 km/h的數(shù)據(jù)點(diǎn)太過稀疏,聚類后離群點(diǎn)較多。因此最終選用速度范圍在20～100 km/h之間的數(shù)據(jù)點(diǎn)作為處理對(duì)象。

2 算法改進(jìn)及風(fēng)格識(shí)別

2.1 DBSCAN算法改進(jìn)

在用DBSCAN算法對(duì)v-a點(diǎn)聚類時(shí),樣本數(shù)量和數(shù)據(jù)分布會(huì)對(duì)分類結(jié)果產(chǎn)生一定影響,造成結(jié)果缺乏合理性和準(zhǔn)確性,本文從參數(shù)和權(quán)重2個(gè)方面對(duì)算法進(jìn)行改進(jìn)。

2.1.1 參數(shù)改進(jìn)

在DBSCAN算法中,MinPts表示ε-鄰域內(nèi)樣本個(gè)數(shù)的閾值,樣本個(gè)數(shù)多于MinPts即為核心點(diǎn)。但隨著總樣本個(gè)數(shù)的增加,滿足核心點(diǎn)條件的樣本點(diǎn)逐漸增多,只有通過改變?chǔ)拧inPts才可維持結(jié)果的穩(wěn)定。為了減少樣本總數(shù)對(duì)結(jié)果的影響,現(xiàn)將核心對(duì)象的定義改變?yōu)?若xi的ε-鄰域至少包含MinPts個(gè)樣本,即

|Nε(xj)|≥MinPts/ND

(1)

其中,ND為總樣本數(shù);xi為一個(gè)核心點(diǎn)。

改進(jìn)前、后聚類結(jié)果隨樣本數(shù)量變化的情況如圖2所示。

圖2 改進(jìn)前、后樣本數(shù)量對(duì)聚類結(jié)果的影響

由圖2a、圖2b可知,當(dāng)樣本個(gè)數(shù)由20 000變?yōu)?0 000時(shí),急變速邊界線產(chǎn)生了外擴(kuò),這是由于隨著樣本數(shù)目的增加,更多的樣本點(diǎn)從非核心點(diǎn)轉(zhuǎn)變?yōu)楹诵狞c(diǎn),邊界線也隨之移動(dòng),造成了結(jié)果的波動(dòng)。

由圖2c、圖2d可知,既使樣本數(shù)目增加,邊界線也基本相同。

2.1.2 對(duì)區(qū)間樣本數(shù)量及加速度權(quán)重的改進(jìn)

密度聚類的優(yōu)點(diǎn)在于能夠自主地區(qū)分出核心對(duì)象與離群點(diǎn),但有時(shí)數(shù)據(jù)的分布會(huì)對(duì)結(jié)果產(chǎn)生較大的影響。

第23輛車的聚類效果如圖3所示。由圖3可知,當(dāng)速度區(qū)間為70～100 km/h時(shí),出現(xiàn)了大量的離群點(diǎn),其主要原因是此車大部分時(shí)間為低中速行駛,速度在70 km/h以內(nèi),70～100 km/h區(qū)間的數(shù)據(jù)點(diǎn)較少,因此區(qū)間中的數(shù)據(jù)分布稀疏,密度較低,經(jīng)過聚類處理后被劃分為離群點(diǎn)。

圖3 數(shù)據(jù)分布引起的聚類異常

此類缺陷是由樣本數(shù)據(jù)固有分布造成的,車輛的行駛環(huán)境不同,v-a樣本點(diǎn)的分布會(huì)有很大的不同,不能保證在每個(gè)速度區(qū)間的樣本數(shù)基本相同,而樣本數(shù)較少的區(qū)間由于樣本密度低而傾向出現(xiàn)更多的離群點(diǎn)。

此外,加速度絕對(duì)值的大小也會(huì)對(duì)聚類結(jié)果產(chǎn)生影響。絕對(duì)值越大,越傾向于離群點(diǎn)。若忽視加速度絕對(duì)值的影響,則可能出現(xiàn)某一輛車加速度平均值和標(biāo)準(zhǔn)差均很小,但聚類后離群點(diǎn)卻很多,導(dǎo)致駕駛風(fēng)格評(píng)分很大的情況。

針對(duì)上述2個(gè)問題,現(xiàn)賦予每個(gè)樣本點(diǎn)不同的權(quán)重。

對(duì)于不同速度區(qū)間的樣本點(diǎn),為了消除樣本分布差異帶來如圖3中的影響,可提高樣本分布稀疏區(qū)間內(nèi)數(shù)據(jù)點(diǎn)的權(quán)重值,即在某一區(qū)間內(nèi)的樣本越少,其權(quán)重越高。這樣可以在不改變?chǔ)?、MinPts 2個(gè)參數(shù)的前提下,實(shí)現(xiàn)不同速度區(qū)間內(nèi)樣本聚類標(biāo)準(zhǔn)的統(tǒng)一,不會(huì)出現(xiàn)因區(qū)間內(nèi)樣本較少而離群點(diǎn)大大增加的情況。

每個(gè)區(qū)間內(nèi)樣本的權(quán)重由該區(qū)間內(nèi)的樣本數(shù)量與樣本總數(shù)所決定。設(shè)樣本總數(shù)為N,按照速度區(qū)間劃分為[20,25)、[25,30)……[95,100)等m個(gè)區(qū)間,本文取m=16,全體樣本在每個(gè)區(qū)間的樣本數(shù)依次為ni(i=1,2,…,6),則每個(gè)區(qū)間樣本權(quán)重為:

(2)

歸一化處理后得到樣本權(quán)重W1為:

(3)

若樣本j的加速度為aj,則其幅值權(quán)重W2為:

W2=c/aj

(4)

其中,c為幅值系數(shù),通過改變c的取值可改變不同樣本點(diǎn)成為離群點(diǎn)的趨勢(shì),離群點(diǎn)的比例隨著c的增大而增大。普遍而論,駕駛員在駕駛汽車的過程中,急變速行為是少數(shù),因此c不宜取值過大。經(jīng)過多次嘗試,當(dāng)c取值為10時(shí),樣本劃分較為合理。

權(quán)重越大,越趨向于成為核心點(diǎn);權(quán)重越趨近于0,越易成為離群點(diǎn)。當(dāng)權(quán)重為1時(shí)，與未加權(quán)重的原算法等效。

綜合2個(gè)權(quán)重,并考慮到當(dāng)區(qū)間樣本數(shù)量很小導(dǎo)致權(quán)重過大的情況,確定最終權(quán)重W為:

(5)

2.2 駕駛風(fēng)格識(shí)別

為了減小時(shí)間開銷,首先確定識(shí)別駕駛風(fēng)格需要的最小樣本數(shù)。本文用駕駛風(fēng)格評(píng)分的平均值和標(biāo)準(zhǔn)差來描述穩(wěn)定性。通過編寫python程序設(shè)置不同的樣本數(shù)進(jìn)行識(shí)別,且為了保證結(jié)果的穩(wěn)定性,在每個(gè)樣本數(shù)下循環(huán)識(shí)別多次,比較結(jié)果平均值和標(biāo)準(zhǔn)差的變化,待兩者穩(wěn)定時(shí),即為最小樣本數(shù)。

設(shè)置樣本數(shù)為5 000～80 000,依次增長(zhǎng)1 000,并在每個(gè)樣本下運(yùn)行30次,標(biāo)準(zhǔn)差和平均值隨樣本個(gè)數(shù)變化的關(guān)系如圖4所示。

圖4 評(píng)分標(biāo)準(zhǔn)差、平均值與樣本個(gè)數(shù)的關(guān)系

由圖4可知,標(biāo)準(zhǔn)差與平均值的變化趨勢(shì)基本相同,當(dāng)樣本數(shù)小于20 000時(shí),隨著樣本數(shù)量的增長(zhǎng),平均值與標(biāo)準(zhǔn)差呈快速下降趨勢(shì);當(dāng)樣本數(shù)大于20 000時(shí),兩者雖仍在減小,但逐漸趨于穩(wěn)定。因此取20 000為每次識(shí)別的樣本個(gè)數(shù)。

對(duì)800輛車的行駛數(shù)據(jù)進(jìn)行預(yù)處理,刪除異常值與缺省值,并基于改進(jìn)的DBSCAN算法識(shí)別駕駛風(fēng)格。算法參數(shù)的確定具有一定的主觀性,理論上沒有硬性條件規(guī)定參數(shù)的值,只要保證經(jīng)聚類算法后得到的核心點(diǎn)、離群點(diǎn)和邊界點(diǎn)分布符合常理,且每輛車需在同一參數(shù)條件下進(jìn)行識(shí)別即可。通過觀察聚類點(diǎn)的分布,確定參數(shù)統(tǒng)一取值為ε=0.4、MinPts=0.07后,即可得到每輛車急變速點(diǎn)的數(shù)量,進(jìn)而求出駕駛風(fēng)格評(píng)分,最終得到了741輛車的有效識(shí)別結(jié)果。在這741輛車的風(fēng)格得分中,最小的是0.002,最大的是0.220,為了更加細(xì)致地描述駕駛風(fēng)格,現(xiàn)根據(jù)風(fēng)格評(píng)分將741名駕駛員分為5類,具體見表1所列。每種風(fēng)格類型的聚類效果如圖5所示。

表1 駕駛風(fēng)格分類

3 數(shù)據(jù)采集周期對(duì)識(shí)別結(jié)果的影響

新能源汽車檢測(cè)平臺(tái)的數(shù)據(jù)采集周期一般為10、30 s,相對(duì)于實(shí)車實(shí)驗(yàn)周期較長(zhǎng),計(jì)算加速度時(shí)時(shí)間間隔較大,可能導(dǎo)致計(jì)算結(jié)果不準(zhǔn)確?，F(xiàn)利用平臺(tái)上11月1日至11月15日9輛車的行駛數(shù)據(jù),數(shù)據(jù)采集周期為1 s,探究采集周期對(duì)駕駛風(fēng)格識(shí)別結(jié)果的影響。

利用每秒采集的數(shù)據(jù),每隔10 條和30 條數(shù)據(jù)抽取1條,即可獲得采集周期分別為10、30 s的數(shù)據(jù)。

3種周期下的v-a圖如圖6所示。

圖6 不同采集周期下的v-a分布

由圖6可以看出,在不同周期下,加速度點(diǎn)分布基本相同,均隨著速度的增大,最大加速度呈減小趨勢(shì)。不同的是,相比于長(zhǎng)周期采集,每秒采集的數(shù)據(jù)點(diǎn)更加發(fā)散,極值更大。下面分別從平均值、標(biāo)準(zhǔn)差等統(tǒng)計(jì)參數(shù)和駕駛風(fēng)格評(píng)分排序2個(gè)方面探究數(shù)據(jù)采集周期的影響。

3.1 數(shù)據(jù)采集周期對(duì)平均值、標(biāo)準(zhǔn)差的影響

針對(duì)3種不同的采集周期,分別計(jì)算車輛行駛的平均速度vave、平均加速度aave+、平均減速度aave-、加速度標(biāo)準(zhǔn)差astd+、減速度標(biāo)準(zhǔn)差astd-。不同采集周期下各參數(shù)的對(duì)比結(jié)果見表2所列。

表2 不同采集周期下的統(tǒng)計(jì)參數(shù)

不同周期下統(tǒng)計(jì)參數(shù)之間的倍數(shù)關(guān)系如圖7所示。

由圖7a可知,雖然10 s采集周期的結(jié)果不能完全替代1 s,但兩者之間存在一些相關(guān)關(guān)系；平均值方面,兩者的平均速度基本相同,1 s數(shù)據(jù)的加速度和標(biāo)準(zhǔn)差約為10 s數(shù)據(jù)的1.3倍,減速度和標(biāo)準(zhǔn)差約為10 s數(shù)據(jù)的1.5倍。

圖7 不同采集周期下的參數(shù)比值關(guān)系

從圖7b可以看出,當(dāng)數(shù)據(jù)采集周期增長(zhǎng)至30 s時(shí),除平均車速外,各參數(shù)比值均出現(xiàn)較大的波動(dòng),不能準(zhǔn)確反映出車輛駕駛時(shí)加速、減速的真實(shí)情況,信息損失嚴(yán)重,無法做出準(zhǔn)確的風(fēng)格識(shí)別。

由此可見,10 s數(shù)據(jù)在一定程度上可以反映1 s數(shù)據(jù)的分布,但當(dāng)周期增至30 s時(shí),結(jié)果將會(huì)出現(xiàn)較大誤差。

3.2 數(shù)據(jù)采集周期對(duì)駕駛風(fēng)格識(shí)別的影響

不同的周期下采集的數(shù)據(jù)分布情況不同,周期越短,加速度分布越發(fā)散。在識(shí)別駕駛風(fēng)格時(shí),若保持算法參數(shù)不變,30 s周期下的數(shù)據(jù)過于密集,部分車輛只有核心點(diǎn),無法識(shí)別風(fēng)格。因此只比較1 s和10 s 2種數(shù)據(jù)采集周期對(duì)識(shí)別結(jié)果的影響。

采用改進(jìn)的DBSCAN算法對(duì)2種不同采集周期下的數(shù)據(jù)進(jìn)行駕駛風(fēng)格識(shí)別,得到的結(jié)果見表3所列。

表3 不同采集周期下的駕駛風(fēng)格評(píng)分

從表3可以看出，采集周期為1 s時(shí),9輛車風(fēng)格評(píng)分從高到低依次為1、9、5、4、8、7、2、3、6;10 s周期下,9輛車的風(fēng)格評(píng)分從高到低依次為1、9、5、8、4、7、2、3、6?？梢园l(fā)現(xiàn)雖然分?jǐn)?shù)不相同,但在2種周期下所得結(jié)果的排序基本相同,只有車輛4和車輛8的順序發(fā)生了調(diào)換。因此對(duì)10 s數(shù)據(jù)進(jìn)行駕駛風(fēng)格識(shí)別所得到的結(jié)果能夠代替1 s的結(jié)果。

4 結(jié)果分析

分別計(jì)算車輛運(yùn)行數(shù)據(jù)的統(tǒng)計(jì)參數(shù)與能耗值,并與改進(jìn)前算法進(jìn)行對(duì)比,驗(yàn)證本文所提出的駕駛風(fēng)格識(shí)別方法的有效性。

根據(jù)上文所分類別,分別計(jì)算各類風(fēng)格的統(tǒng)計(jì)參數(shù)值,得到的結(jié)果見表4、表5所列。

表4 算法改進(jìn)前不同駕駛風(fēng)格的統(tǒng)計(jì)參數(shù)

表5 算法改進(jìn)后不同駕駛風(fēng)格的統(tǒng)計(jì)參數(shù)

利用充電狀態(tài)、SOC值和累積里程等數(shù)據(jù)項(xiàng),計(jì)算出車輛2次充電間的行駛里程及耗電量,進(jìn)而得到每次出行的能耗值[15]。每種風(fēng)格的能耗平均值如圖8所示。

圖8 算法改進(jìn)前、后不同類型駕駛員能耗值

從圖8可以看出,隨著駕駛風(fēng)格越來越激進(jìn),從冷靜型到激進(jìn)型,速度均值、加速度均值、減速度均值、加速度標(biāo)準(zhǔn)差、減速度標(biāo)準(zhǔn)差都是從小到大,且相差數(shù)值較為穩(wěn)定,這與越激進(jìn)的駕駛風(fēng)格越傾向于急加速和急減速的定義是一致的；此外,不同風(fēng)格的能耗值也隨之增加,與人們對(duì)駕駛風(fēng)格的定性認(rèn)知相吻合[16-17]。因此本文采用改進(jìn)的DBSCAN算法對(duì)駕駛風(fēng)格進(jìn)行識(shí)別是合理的。

改進(jìn)前算法雖然可以得到類似結(jié)論,但不同駕駛風(fēng)格的同一統(tǒng)計(jì)參數(shù)變化較為模糊,不能將不同風(fēng)格的車輛完全區(qū)分。另外,利用改進(jìn)前算法所得的風(fēng)格分類能耗圖也不理想(謹(jǐn)慎型的能耗大于一般型),與定性認(rèn)知相悖,由此可證明本文算法改進(jìn)的有效性。

5 結(jié) 論

本文提出了一種識(shí)別駕駛風(fēng)格的方法,實(shí)現(xiàn)了對(duì)741輛車駕駛風(fēng)格的識(shí)別與分類,主要得到以下結(jié)論:

(1) 對(duì)DBSCAN算法從參數(shù)和權(quán)重2個(gè)方面改進(jìn),彌補(bǔ)了樣本數(shù)量和車速差異帶來的影響,并用改進(jìn)后的算法計(jì)算得到駕駛風(fēng)格評(píng)分,根據(jù)評(píng)分將駕駛風(fēng)格分為冷靜型、謹(jǐn)慎型、一般型、魯莽型和激進(jìn)型5類。

(2) 在1、10 s 2種數(shù)據(jù)采集周期下,平均速度、平均加減速和標(biāo)準(zhǔn)差均呈倍數(shù)關(guān)系,9 輛車的駕駛風(fēng)格評(píng)分排序也基本相同,因此可以用10 s的數(shù)據(jù)代替1 s數(shù)據(jù)進(jìn)行風(fēng)格識(shí)別。但當(dāng)采集周期增至30 s時(shí),結(jié)果便出現(xiàn)較大誤差。

(3) 計(jì)算741輛車的統(tǒng)計(jì)參數(shù)和能耗值,風(fēng)格越激進(jìn),平均速度、平均加速度、車輛能耗均增加,證明了風(fēng)格識(shí)別的合理性。

本文研究還存在一定的不足,主要體現(xiàn)在只根據(jù)駕駛員的加速、減速行為進(jìn)行駕駛風(fēng)格的識(shí)別,因素過于單一,轉(zhuǎn)向、變道等還未考慮其中;其次未能將風(fēng)格的識(shí)別結(jié)果和車輛行駛的安全性聯(lián)系在一起。這些工作有待進(jìn)一步研究。