基于多分类监督学习的驾驶风格特征指标筛选

• 作者: 王旭 马菲 廖小棱 蒋佩玉 张伟 王芳
• 来源期刊: 交通信息与安全
• 学科: 交通运输
• 关键词: 交通工程 特征排序 递归特征消元 驾驶风格 交通安全
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: "智能网联环境下的驾驶行为与交通安全"专栏
• 页码范围: 162-168
• 页数: 7页
• 分类号: U491.6
• 语种: 中文
• DOI: 10.3963/j.jssn.1674-4861.2022.01.019

摘要

交通事故与驾驶风格具有强烈的相关性,而驾驶风格的直观体现是驾驶行为.为深入分析驾驶行为与驾驶风格的关联性,探索不同驾驶风格群体之间的差异,筛选驾驶风格分类与识别影响因素,建立驾驶风格识别模型并验证有效性.依托车联网实验数据,利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类,设计支持向量机-递归特征消除(SVC-RFE)与随机森林-递归特征消除(RF-RFE)算法进行驾驶特征重要度排序,利用筛选出的特征指标搭建神经网络驾驶风格识别模型.结果表明:①特征个数n=6时,2种特征排序算法的排序正确率均高于85％,其中RF-RFE的正确率可达90％;②特征排序中重要度最高的指标为最大速度,其在3种驾驶风格群体中的差异可达10 m/s;③仅以最大速度作为输入,驾驶风格识别模型精度为86.1％,表明最大速度可有效区分驾驶风格.