基于多元特征参数的驾驶风格识别模型的构建

发布时间：2022-09-24 22:58

　　随着生活水平的不断提高,我国汽车保有量在不断增加,导致道路交通安全和燃油消耗问题日益严峻,而驾驶员的驾驶风格与道路交通安全和汽车燃油经济性有着密切关系。因此,本文基于驾驶模拟器采集驾驶员的操作信息和车辆状态信息,以多元特征参数作为评价驾驶风格属性的指标,构建具有良好识别能力的驾驶风格识别模型。本文主要完成了如下工作:（1）驾驶实验设计与数据采集。利用驾驶模拟器设计实验方案,招募20名驾驶员完成模拟驾驶任务,同步采集驾驶员的驾驶操作信息和车辆状态信息,进行特征化处理构建49个维度的特征参数数据集。运用调查问卷的方式对驾驶员的激进程度进行自我评分和专业人士评分,统计汇总激进程度分值,利用k均值聚类方式将驾驶员分为温和型、正常型和激进型,完成样本标记任务。（2）建立驾驶风格识别模型。使用支持向量机（Support Vector Ma chine,SVM）和反向传播（Back Propagation,BP）神经网络构建有监督驾驶风格识别模型,对比两模型对驾驶风格的识别能力。研究结果显示:SVM和BP神经网络模型的驾驶风格识别准确率分别为93.0348%和92.0398%。（3）优化驾驶风格识别... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 驾驶风格特征参数的选取
        1.2.2 驾驶风格识别算法的研究
    1.3 本课题研究内容
第2章 实验设计与数据采集
    2.1 实验设计方案
        2.1.1 实验目的
        2.1.2 实验总体方案
    2.2 实验设备
    2.3 实验任务
        2.3.1 招募驾驶员
        2.3.2 实验道路模型
        2.3.3 实验要求
        2.3.4 实验人员要求
    2.4 数据集处理
        2.4.1 异常数据剔除
        2.4.2 缺失数据的补齐
    2.5 特征参数数据集构建
    2.6 标记样本
        2.6.1 驾驶风格调查问卷
        2.6.2 驾驶风格分类
    2.7 本章小结
第3章 驾驶风格识别模型的建立
    3.1 驾驶风格识别流程
    3.2 BP神经网络驾驶风格识别模型
        3.2.1 BP神经网络优点及应用
        3.2.2 BP神经网络结构
        3.2.3 BP神经网络学习过程
        3.2.4 BP神经网络识别结果分析
    3.3 SVM驾驶风格识别模型
        3.3.1 SVM优点
        3.3.2 SVM基本原理
        3.3.3 SVM驾驶风格识别结果分析
    3.4 模型对比分析
    3.5 本章小结
第4章 驾驶风格识别模型的优化
    4.1 主成分分析(PCA)
        4.1.1 特征提取的必要性
        4.1.2 PCA的思想
        4.1.3 PCA的原理
    4.2 主成分的确定
    4.3 基于半监督SVM的驾驶风格识别模型
        4.3.1 半监督学习概述
        4.3.2 自训练SVM半监督学习算法(STSVM)
        4.3.3 非直推半监督多标记学习算法(i MLCU)
    4.4 模型对比分析
    4.5 本章小结
结论与展望
参考文献
附录 A(攻读学位期间所发表的学术论文目录)
致谢


【参考文献】：
期刊论文
[1]基于车辆行驶数据的驾驶人行为谱分析方法[J]. 陈镜任,吴业福,吴冰.  计算机应用. 2018(07)
[2]基于驾驶模拟实验的驾驶风格对高速公路换道行为的影响[J]. 石京,柳美玉.  东南大学学报(自然科学版). 2017(05)
[3]Driving skill classification in curve driving scenes using machine learning[J]. Naiwala P.Chandrasiri,Kazunari Nawa,Akira Ishii.  Journal of Modern Transportation. 2016(03)
[4]基于驾驶风格识别的混合动力汽车能量管理策略[J]. 秦大同,詹森,曾育平,苏岭.  机械工程学报. 2016(08)
[5]不同驾驶操作方法下的汽车运行燃料消耗量分析[J]. 曾诚,蔡凤田,刘莉,曹磊.  交通节能与环保. 2011(01)
[6]浅谈BP神经网络在模式识别中的应用[J]. 林加乡,葛元.  电脑知识与技术. 2011(07)
[7]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)
[8]基于实验心理学的驾驶员驾驶特性及其综合评价[J]. 马艳丽,裴玉龙.  哈尔滨工业大学学报. 2008(12)
[9]关于BP网中隐含层层数及其节点数选取方法浅析[J]. 叶斌,雷燕.  商丘职业技术学院学报. 2004(06)
[10]拉依达（PauTa）准则与异常值剔除[J]. 张敏,袁辉.  郑州工业大学学报. 1997(01)

博士论文
[1]基于驾驶员特性自学习方法的车辆纵向驾驶辅助系统[D]. 张磊.清华大学 2009

硕士论文
[1]基于驾驶员意图的智能车辆路径跟随研究[D]. 郑亚奇.湖南大学 2016
[2]基于半监督的SVM迁移学习文本分类方法[D]. 谭建平.广东工业大学 2016



本文编号：3681022