基于多分类监督学习的驾驶风格特征指标筛选

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.

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

所属期刊栏目：40

分类号：U491.6(交通工程与公路运输技术管理)

资助基金：山东省重点研发计划项目;山东省交通科技计划项目

在线出版日期：2022-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：162-168