胡湞 張瑞新 劉鑫 馮讀康 張秋涵

摘 要：卡車司機(jī)的駕駛風(fēng)格表征著其根據(jù)實(shí)時行車環(huán)境對礦車的運(yùn)行控制所采取的一系列操作行為。對于礦用卡車安全性與經(jīng)濟(jì)性有較大影響。為提高駕駛風(fēng)格聚類算法的適用性，并直觀表達(dá)聚類效果，提出基于層次聚類的駕駛風(fēng)格識別方法，結(jié)合實(shí)際采集的現(xiàn)場不同駕駛員的駕駛行為數(shù)據(jù)，進(jìn)行駕駛風(fēng)格識別。結(jié)果表明將駕駛風(fēng)格分成3類的分類結(jié)果較為明顯，且適合礦用卡車的駕駛風(fēng)格識別。

關(guān)鍵詞：卡車司機(jī);駕駛風(fēng)格;礦用卡車;層次聚類

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A DOI：10.3969/j.issn.1003-6970.2021.03.005

本文著錄格式：胡湞，張瑞新，劉鑫，等.基于大數(shù)據(jù)的礦用卡車駕駛風(fēng)格識別算法研究[J].軟件，2021，42（03）：019-021+064

Research on Mining Truck Driving Style Recognition Algorithm Based on Big Data

HU Zhen， ZHANG Ruixin， LIU Xin， FENG Dukang， ZHANG Qiuhan

（School of Safety Engineering， North China Institute of Science and Technology， Beijing? 065201）

【Abstract】：The driving style of a truck driver represents a series of operation behaviors taken by the driver to control the operation of the vehicle according to the real-time driving environment. This has a greater impact on the safety and economy of mining trucks. In order to improve the applicability of the driving style clustering algorithm and express the clustering effect intuitively， I propose a driving style recognition method based on hierarchical clustering， combining the actual collected driving behavior data of different drivers on-site to identify the driving style. The results show that the classification results of dividing the driving style into three categories are more obvious， and it is suitable for the driving style recognition of mining trucks.

【Key words】：truck driver;driving style;mining truck;hierarchical clustering

0 引言

駕駛風(fēng)格用來表征駕駛員在實(shí)車運(yùn)行環(huán)境下對車輛運(yùn)行進(jìn)行控制的操作行為特征，通過駕駛員操作習(xí)慣和汽車行駛數(shù)據(jù)的分析，動態(tài)識別出駕駛員的駕駛風(fēng)格，對改善車輛燃油經(jīng)濟(jì)性有重要意義[1]。

對此，國內(nèi)外學(xué)者運(yùn)用不同技術(shù)手段結(jié)合不同卡車不同工況進(jìn)行了一系列研究。吳振昕等[2]利用k-means聚類方法及D-S證據(jù)理論決策融合方法識別不同工況下駕駛風(fēng)格。王超等[3]以駕駛員的視野特征和決策意愿表征駕駛風(fēng)格應(yīng)用Simulink/Carsim聯(lián)合仿真技術(shù)對駕駛員模型進(jìn)行研究。胡杰等[4]對提出一種關(guān)聯(lián)維數(shù)的駕駛風(fēng)格指數(shù)，量化駕駛激進(jìn)程度，從而精準(zhǔn)識別駕駛風(fēng)格。Kedar-Dongarkar等[5]提出一種基于車輛加速，制動，超速指數(shù)，油門指數(shù)的高效分類器，把駕駛風(fēng)格分成激進(jìn)、保守、適中3類。Meiring等[6]研究并總結(jié)了各種駕駛風(fēng)格聚類識別方案，提出模糊邏輯推理系統(tǒng)、隱馬爾可夫模型和支持向量機(jī)在解決駕駛員風(fēng)格識別算法上有好前景。

由于礦用卡車具有體積大、載重大、運(yùn)行路況復(fù)雜等特點(diǎn)，相對應(yīng)駕駛員對卡車的控制也與其他車輛有所不同，據(jù)此，筆者根據(jù)現(xiàn)場實(shí)際調(diào)度管理情況，分重載，空載對卡車運(yùn)行數(shù)據(jù)進(jìn)行劃分，運(yùn)用層次聚類方法，分別研究駕駛風(fēng)格聚類特性。最終得出聚類結(jié)果并將結(jié)果直觀展現(xiàn)。

1 數(shù)據(jù)預(yù)處理

整理所采集的數(shù)據(jù)，剔除由于機(jī)器誤差產(chǎn)生的數(shù)據(jù);由于現(xiàn)場運(yùn)輸線路重載多為上坡路段，空載為下坡路段。這種差異性會造成司機(jī)操作的不同，利用Python對已清洗數(shù)據(jù)劃分空載、重載，并對數(shù)據(jù)各指標(biāo)取統(tǒng)計值（如均值，方差，極值等）。重載，空載均取以下參數(shù)見表1。

2駕駛風(fēng)格聚類分析

對于司機(jī)駕駛風(fēng)格是一種復(fù)雜操作行為，它綜合了司機(jī)對于油門踏板、剎車踏板的控制，即結(jié)合當(dāng)前環(huán)境以及自身駕駛習(xí)慣對車速進(jìn)行控制，無法從單一參數(shù)進(jìn)行量化分類。針對這一問題，采用機(jī)器學(xué)習(xí)中聚類的思想，通過無監(jiān)督學(xué)習(xí)中的層次聚類算法，逐層比較特征值，對相似樣本進(jìn)行歸類，進(jìn)而實(shí)現(xiàn)對駕駛風(fēng)格的識別和分類。

2.1層次聚類

層次聚類（Hierarchical Clustering Method）是一種非監(jiān)督機(jī)器學(xué)習(xí)聚類算法，算法基于簇間相似度在不同層次對數(shù)據(jù)集進(jìn)行劃分所形成的樹形聚類結(jié)構(gòu)[7]。聚類采用的是“自底向上”的思想，先將每一個樣本都看成是一個不同的簇，通過重復(fù)將最近的一對簇進(jìn)行合并，直到最后所有的樣本都屬于同一個簇為止。計算簇間距離方式通常采用平均距離法（Average Linkage）即計算兩個組合數(shù)據(jù)點(diǎn)中的每個數(shù)據(jù)點(diǎn)與其他所有數(shù)據(jù)點(diǎn)的距離。將所有距離的均值作為兩個組合數(shù)據(jù)點(diǎn)間的距離。

2.2 重載駕駛風(fēng)格聚類

把每個從裝載點(diǎn)到卸載點(diǎn)的過程稱為重載過程作為重載聚類樣本。對每個重載過程取指標(biāo)值，得到如表1所示參數(shù)，利用SPSS分析軟件，將數(shù)據(jù)指標(biāo)輸入到聚類模型中，得到聚類樹如圖1，對聚類結(jié)果進(jìn)行統(tǒng)計得出表2重載頻率分布表。對每個聚類的所有樣本進(jìn)行統(tǒng)計，并對比各聚類的主要參數(shù)間的差異，驗(yàn)證聚類結(jié)果，如圖2。

對聚類結(jié)果進(jìn)行描述：重載過程整體呈上坡趨勢，此時司機(jī)對油門踏板的操作比較頻繁，如圖2選取速度均值與方差指標(biāo)，油門踏板轉(zhuǎn)動角速度均值與方差，剎車踏板深度均值與方差這6個指標(biāo)，對聚類結(jié)果進(jìn)行分析與驗(yàn)證。

很明顯可以看出：

（1）對于聚類風(fēng)格3，油門踏板轉(zhuǎn)動角速度、行駛速度的均值和方差指標(biāo)值均大于1和2，說明聚類3相對另外兩種風(fēng)格更加激進(jìn);

（2）對比速度的方差指標(biāo)可以看出，聚類2相較于其他兩種風(fēng)格更加追求速度穩(wěn)定，車速較低，且穩(wěn)定，風(fēng)格更保守;

（3）對比剎車踏板深度的均值與方差，進(jìn)一步表明風(fēng)格2相較于其他兩種風(fēng)格更保守，踩剎車較多;

（4）結(jié)合表2可看出，駕駛風(fēng)格較為激進(jìn)的風(fēng)格3人數(shù)較少，處于適中風(fēng)格的最多，保守風(fēng)格其次。

2.3空載駕駛風(fēng)格聚類

將每個從卸載點(diǎn)到裝載點(diǎn)的過程稱為空載過程作為空載聚類樣本。同理，得出空載聚類樹如圖3，對空載過程聚類結(jié)果進(jìn)行統(tǒng)計得到表3空載聚類頻率分布表，對每個聚類的所有樣本進(jìn)行統(tǒng)計，并對比各聚類的主要參數(shù)間的差異，如圖4。

由表3和圖3可看出：

（1）對于聚類風(fēng)格3，行駛速度的均值指標(biāo)值大于1和2，但速度方差小于1和2，說明風(fēng)格3空載運(yùn)行更傾向于維持高速運(yùn)行，相較于另外兩種風(fēng)格更加激進(jìn)。風(fēng)格1相較于風(fēng)格2，速度的均值更大，方差卻更小，表明風(fēng)格1比風(fēng)格2激進(jìn)。風(fēng)格2最為保守;

（2）對比剎車踏板深度均值與方差，進(jìn)一步表明風(fēng)格2相較于其他兩種風(fēng)格更保守，踩剎車較多;

（3）結(jié)合頻率表可看出，駕駛風(fēng)格較為激進(jìn)的風(fēng)格3人數(shù)較少，處于適中風(fēng)格的最多，保守風(fēng)格其次。由于礦上有限速規(guī)定，大部分駕駛員將速度保持在28～30km/h。

（a）空載油門踏板轉(zhuǎn)動角速度均值與方差

（b）空載剎車踏板深度均值與方差

（c）空載速度方差

（d）空載速度均值

3結(jié)論

為研究礦用卡車駕駛員駕駛風(fēng)格聚類，本文采集內(nèi)蒙古某露天礦的卡車運(yùn)行實(shí)時數(shù)據(jù)和駕駛員行為數(shù)據(jù)，經(jīng)過勘測，運(yùn)輸?shù)缆范酁榭蛰d下坡，重載上坡，致使司機(jī)在兩種工況下，駕駛行為產(chǎn)生差異，于是本文選擇將所測得數(shù)據(jù)區(qū)分空載和重載，分別進(jìn)行研究，得到62個重載數(shù)據(jù)集和61個空載數(shù)據(jù)集。研究非監(jiān)督學(xué)習(xí)的層次聚類算法的基本原理，結(jié)合已處理的數(shù)據(jù)集，得出聚類結(jié)果，對比聚類結(jié)果，將駕駛風(fēng)格分成3類，激進(jìn)、保守、適中。并畫出聚類樹，直觀顯示聚類效果。

參考文獻(xiàn)

[1] 李經(jīng)緯，趙治國，沈沛鴻，等.駕駛風(fēng)格K-means聚類與識別方法研究[J].汽車技術(shù)，2018（12）：8-12.

[2] 吳振昕，何云廷，于立嬌，等.基于大數(shù)據(jù)的駕駛風(fēng)格識別算法研究[J].汽車技術(shù)，2018（10）：10-15.

[3] 王超，郭孔輝，許男，等.表征駕駛風(fēng)格和駕駛員能力的駕駛員模型[J].北京理工大學(xué)學(xué)報，2019，39（1）：41-45.

[4] 胡杰，許力，孟武強(qiáng)，等.基于相空間重構(gòu)的駕駛風(fēng)格定量評估[J].儀器儀表學(xué)報，2017，38（3）：635-642.

[5] KEDAR-DONGARKAR G，DAS M.Driver Classification for Optimization of Energy Usage in a Vehicle：Conference on Systems Engineering Research[C].St.Louis，Missouri （US），2012.

[6] MEIRING G A M，MYBURGH H C.A Review of Intelligent Driving Style Analysis Systems and Related Artificial Intelligence Algorithms[J].Sensors，2015，15（12）：30653-30682.

[7] 郭松，郭廣禮，李懷展，等.基于主成分層次聚類模型的采空塌陷場地穩(wěn)定性評價[J].中國地質(zhì)災(zāi)害與防治學(xué)報，2020，31（6）： 116-121.