基于車輛行駛數據的駕駛人行為譜分析方法

陳鏡任，吳業福，吳 冰

(1.武漢理工大學 計算機科學與技術學院，武漢 430063； 2.交通物聯網湖北省重點實驗室(武漢理工大學)，武漢 430063)(*通信作者電子郵箱wuyefu@whut.edu.cn)

0 引言

我國交通事故連年高發，絕大部分與駕駛人自身緊密相關。駕駛人急加速、高速行駛、急減速、跟車距離近以及隨意超車等不良駕駛行為是導致交通事故多發的主要原因[1]。要盡快地從根本上提高我國駕駛人交通安全意識，規范交通行為，需基于我國駕駛人的行為特征展開研究，通過技術開發與大規模集成應用，建立一套針對駕駛人群體的宣傳教育內容、方式和模式，以有效預防道路交通事故的發生、減少交通事故傷亡和損失。

駕駛行為人行為譜的研究建立在對車輛行駛數據進行分析的基礎上，而駕駛行為數據的多樣化和復雜性給數據采集帶來了諸多困難。在數據采集方面，Arioui等[2]使用汽車模擬器進行駕駛人健康狀況和車輛零配件的運行狀態監測研究；Zeng等[3]利用個人計算機(Personal Computer, PC)模擬器進行駕駛人駕駛行為、自行車安全狀況以及路人的安全的數據監測；付坤[4]采用非對稱數字用戶線路(Asymmetric Digital Subscriber Line, ADSL)方法通過車輛參數的仿真進行路面交通的安全性研究。

在駕駛人駕駛行為研究方面，Otte等[5]通過分析駕駛人的道路駕駛行為，確立和量化歐洲的道路安全問題；Fuller[6]利用汽車模擬器，研究了駕駛人行車的生理、心理狀態因素對行車安全的影響；郭孜政等[7]運用車載信息融合技術分析駕駛人的駕駛行為，利用反向傳播(Back Propagation, BP)神經網絡對駕駛行為進行判斷并取得一定的成果；楊誠[8]利用隱馬爾可夫與BP神經網絡建立了預測模型，對駕駛人轉彎時的決策建議及行為辨別進行了研究；吳付威[9]就動態視覺的影響因素和駕駛人的行車決策機制對駕駛人行車過程的動態視覺信息進行了分析研究；第三軍醫大學黎忠剛[10]基于多維度提取、分析駕駛行為習慣；哈爾濱工業大學盧凱旋[11]提出了基于人-車-環境三者融合的駕駛行為分析方法，綜合分析判定駕駛狀態的危險或安全；長安大學崔海朋[12]以駕駛人的駕駛行為特性作為分析基礎，將駕駛人的駕駛行為分為感知特性類、判斷特性類和操作特性類，并通過分析采集到的數據，得出不同特性類的駕駛行為與適宜性檢測指標的相關性有大小之分的結論。

當前對于駕駛人駕駛行為的研究耗費巨大的人力、物力，且結果往往受駕駛人的主觀性以及其自身狀態的影響且存在指標獲取困難及準確性難以保證的問題，無法達到預警效果。基于部分影響因素和特定環境得到的駕駛行為的研究成果，缺乏一個完整的駕駛人行為譜系框架及表征指標體系，因而不同的研究之間缺乏有機聯系，相關的研究成果來源于特定的框架或指標體系，無法反映駕駛人駕駛行為的普遍特征及其內在規律，從而使得這類研究的成果無法推廣應用。

為了更好地分析駕駛人行為，特別是“兩客一危”駕駛人的駕駛行為，國家道路科技行動計劃(二期)課題三之專題二“重點駕駛人交通行為分析技術及系統開發”首次提出了“駕駛人行為譜”這個全新的概念，用于有效評價駕駛人駕駛行為特征。本文提出了針對營運客車的駕駛人行為譜的框架體系和指標構成要素，通過對駕駛人駕駛車輛的行駛信息的提煉分析，得出駕駛行為的內在規律；通過深入研究駕駛行為特征指標，客觀評價駕駛人駕駛行為類型，為駕駛人行為譜分析提供有效的理論和工具支持。

1 技術路線

首先，提出并詳細定義駕駛人行為譜的指標，包括特征指標和評價指標。特征指標用于定性分析駕駛人行為譜的表現特征，評價指標用于定量分析產生駕駛人行為譜的表現特征的數據對象，為駕駛人行為譜的構建提供了理論依據。

其次，分析駕駛人行為譜的特征指標的計算方法。基于駕駛行為特征，采用聚類算法分析駕駛人駕駛風格類型；采用回歸分析進行駕駛人駕駛技能評價。

然后，設計駕駛人行為譜的基礎數據采集方案，并提出基于車輛行駛數據的駕駛人行為譜的基礎數據的預處理、提煉方法。采用車載器、定制的數據交換協議和3G或4G網絡獲取、組織和傳輸駕駛人行為譜的基礎數據，在接收端對該數據進行解析后存儲到數據中心。通過車聯網監控平臺采集到的自然駕駛行為車輛行駛數據受到諸多外界因素的影響，大量數據異常、無效，導致很多原始數據無法直接用于駕駛人行為譜分析并從中提煉駕駛行為評價指標，最終應用于駕駛人駕駛行為評價算法。研究采用數據清理的方法對異常、無效的數據進行過濾、預處理。

最后，采用Spring MVC(Model View Controller)架構研發駕駛人行為譜分析工具。該分析系統實現了駕駛人行為譜的基礎數據的采集和駕駛人的行為分析，能給駕駛人提供有效駕駛建議，有利于車輛營運公司全面掌握車輛行駛情況，對交通管理部門的交通狀況管理和交通安全預警提供有效建議。

駕駛人行為譜體系結構如圖1所示。

圖1 駕駛人行為譜體系結構

2 駕駛人行為譜分析指標定義

本章定義了駕駛人行為譜的各項特征指標和評價指標，特征指標用于描述駕駛人行為譜的表現特征，評價指標用于描述產生駕駛人行為譜的表現特征數據對象。

2.1 駕駛人行為譜的特征指標

駕駛行為是導致交通事故的根本原因，駕駛行為由駕駛風格和駕駛技能共同作用產生。上述兩個指標可以綜合反映某駕駛人的駕駛行為譜特征，因此采用兩者所屬類別的不同組合來定義駕駛人行為譜的特征的表述。

2.1.1 駕駛風格特征指標

基于交通安全特征，將駕駛人群體的駕駛風格特征指標定義為以下3類：

1)激進型(A)。該類駕駛人在行車過程中，容易受到外界因素的影響，產生煩躁的情緒，以致作出過激的駕駛行為。行車車速往往高于管理車速、超速(<10%)多但超速比例小、車輛縱向加速度較大、油門及剎車開度較大。

2)適中型(B)。介于激進型和保守型之間，該類駕駛人嚴格按管理車速行駛、車速分布處在中等水平(50%分位車速左右，或15%～85%分位車速)、無超速現象、車輛縱向加速度適中、油門及剎車開度適中。該類駕駛人的駕駛行為表現更為妥當安全。

3)保守型(C)。該類駕駛人在行車過程中通常會選擇低速平穩的行車方式來保證行車的安全。行車車速低于管理車速、車速總體偏低、無超速現象、車輛縱向加速度較小、油門及剎車開度較小。

2.1.2 駕駛技能特征指標

基于駕駛人的車輛控制能力，將駕駛人群體的駕駛技能特征指標定義為以下2類：

1)熟練型(a)。該類駕駛人在行車過程中面對外界復雜的交通環境時，能作出快速決策，擁有良好的控制車輛穩定的能力。應變能力強、動作敏捷協調、車速和加速度穩定、駕駛平順。

2)生疏型(b)。該類駕駛人在行車過程中面對外界復雜的交通環境時，缺乏包括快速換擋以及及時避讓等在內的對車輛的穩定控制以及快速決策能力。車速、加速度和方向盤控制均不穩定，不敢使用合適的加減速。

2.1.3 駕駛行為特征指標

綜合考慮駕駛風格和駕駛技能兩個方面，將駕駛人群體定義為以下6類：激進熟練型(Aa)、適中熟練型(Ba)、保守熟練型(Ca)、激進生疏型(Ab)、適中生疏型(Bb)、保守生疏型(Cb)。各類駕駛行為對應的安全等級如表1所示。

表1 駕駛安全等級

2.2 駕駛人行為譜的評價指標

判斷駕駛人的駕駛風格、駕駛技能的因素多樣，這些因素同時也對交通安全有著很大的影響。一般地，駕駛人的駕駛風格越偏向激進、駕駛技能越偏向熟練，則車速平均值越高。車速標準差是車速離散程度的反映，車速分布越離散，則駕駛人的駕駛風格越激進，駕駛行為越不穩定。加速度反映駕駛人踩壓加速踏板的行為規律，減速度反映駕駛人釋放加速踏板或操縱制動踏板的行為規律。此外，駕駛人踩踏油門踏板、剎車踏板的變化率也能大致反映駕駛人的駕駛風格和技能。根據以上描述，將駕駛人行為譜的評價指標定義如下：

3 駕駛人行為譜特征指標計算

現有的駕駛人行為研究方法大部分基于主觀感受和定性分析，其分析結果會摻雜個人主觀因素。本章基于車輛行駛數據，選擇合適的算法發掘駕駛人駕駛行為的特征及其內在規律，為客觀、定量地評價駕駛人交通行為譜提供有效依據。駕駛人行為譜構建方案如圖2所示。

3.1 駕駛風格分析

3.1.1 聚類算法

之所以采用聚類算法，是因為本文只是確定要將數據依據其相似度聚成3類(駕駛風格被定義為3類)，并不知道具體某個駕駛人的行車數據屬于哪一類，且由于事先沒有任何訓練樣本對應的類別標簽，而事先也無法確定駕駛人的分類結果、行車數據本身具有復雜性等因素都使本研究不便手動標注或是通過人為的方式來對數據進行分類，綜上，選擇用聚類這種無監督學習的方式來相對地判別駕駛行為類型。K-means算法具有可伸縮、收斂快、運行時間短等特點，運用K-means算法進行快速聚類，通過反復迭代來達到最終的聚類結果。

經典K-means算法的具體思想是：χ={x1,x2,…,xN}為要聚類的N個數據樣本，其中xi為第i個數據對象，它是一個n維的數據點，可以表示為(x11,x12,…,x1n)。相似度度量使用歐幾里得距離公式，如下所示：

d(xi,xj)=

(1)

聚類的目標收斂函數E選擇使用誤差平方和，E的定義如式(2)所示：

(2)

其中：Ci表示第i個聚類簇，mi表示該簇中所有數據對象的平均值。

圖2 駕駛人行為譜構建方案

經典K-means算法的聚類過程是：

步驟1 隨機選擇K個初始聚類中心C={c1,c2,…,ck}。

步驟2 對每個i∈{1,2,…,k}，都使得樣本χ中離ci最近的點加入到聚類簇Ci中。

步驟4 重復步驟2和步驟3直到初始聚類中心C不再變化，此時，誤差平方和E收斂。

但經典K-means算法的速度快、時間復雜度低是以犧牲聚類的準確性為代價的，易陷入局部最優解，經典K-means算法的時間消耗和聚類效果在數據量非常龐大及復雜的情況下會受到較大影響。本文采用基于馬爾可夫鏈蒙特卡洛采樣和離群點剔除的K-means算法，在時間復雜度不高、不影響聚類速度的情況下，通過優化初始聚類中心的選擇來盡量保證聚類的準確度，獲得全局最優解。

采用的改進K-means算法的聚類過程如下。

步驟1 隨機選取樣本數據集χ中的一個點ci作為初始聚類中心點。

步驟2 選取某一數據點x計算其與初始聚類中心點的距離d(x,ci)。

步驟3 對于剩余的k-1次迭代，建立一個長度為m的馬爾可夫鏈，并使用最后k-1個元素作為新聚類簇的中心，建立馬爾可夫鏈的提案分布為：

(3)

步驟4 對每個i∈{1,2,…,k}，都使得樣本χ中離ci最近的點加入到聚類簇Ci中。

步驟6 重復步驟4、5，直至C不再變化。

該K-means算法和經典K-means算法的主要區別在于初始聚類中心的確定，經典K-means算法是隨機選擇K個初始聚類中心，而本文采用的K-means算法是先選擇一個初始聚類中心，計算樣本中的點到聚類中心的距離，在后續的每次迭代j∈[2,3,…,m]中依據提案分布q(x)建立馬爾可夫鏈x(1)→x(2)→ … →x(t)→ …即依據初始中心生成下一個候選點yj，并依據接受概率來決定是否采用新的候選點，接受概率為：

(4)

由此可以確保該方法下建立馬爾可夫鏈的過程是平穩的。

經典K-means算法的初始聚類中心是隨機抽取的，在之后的迭代運算中不斷替換產生新的聚類中心，在噪聲和干擾數據多時易陷入局部最優，而采用的改進K-means算法基于馬爾可夫鏈蒙特卡洛方法選擇初始聚類中心，過程平穩細致，不用遍歷K次已選出的初始聚類中心，在時間上和空間上盡量尋求到全局最優解。

3.1.2 運用改進的K-means算法進行駕駛風格聚類

運用改進的K-means算法對不同駕駛人個體的駕駛風格進行聚類的過程如下：

1)對數據庫中車輛行駛基礎數據進行數據預處理，得到駕駛風格評價指標。

根據第2章，選取車速平均值、車速標準差、超速時間占比等作為駕駛人駕駛風格評價指標。因為算法中采用歐幾里得距離，各個駕駛風格評價指標之間存在單位不統一以及數量級相差較大的問題，所以在進行聚類計算之前，需要對各個評價指標進行歸一化處理，使之投射到[0,1]區間，其歸一化處理如下：

(5)

其中，x為原始評價指標的值(即歸一化前的值)，y為聚類計算指標的值(即歸一化后的值)，maxValue為樣本的最大值，minValue為樣本的最小值。

將歸一化后駕駛風格評價指標數據作為駕駛人群體聚類的初始樣本集，進行聚類分析。

2)初始化聚類中心個數的選擇。

因為本研究中采集的數據量龐雜，為了防止初始聚類中心個數確立的隨意性對駕駛風格分類產生影響，通過設置不同的初始聚類中心的個數實驗來判斷K的初始值取多少時，既時間消耗少，又能獲得相對較好的聚類效果。本文采用多次實驗得到如下結果，如表2所示：在聚類過程中，初始K值設置越大，迭代運算的次數越多，則駕駛風格聚類中心越準確，聚類結果越好，駕駛人駕駛風格分類越接近真實情況；但與此同時所用時間消耗也會隨著K值和迭代次數的增加而增多，所以將K的初值置為30相對合適，能在時間消耗不是很大的情況下獲得較好的聚類效果。

表2 聚類過程對比分析

3)任選一點作為初始聚類中心點，計算樣本中的點到該中心點的距離。

4)依據式(3)中的提案分布建立馬爾可夫鏈，取最后一個點作為新聚類中心，直至選完30個初始聚類中心。

5)依據第2章對駕駛風格的分類設計，主要包含激進型、適中型和保守型三類，故K的最終值取3。在得到30個初始聚類中心后，計算剩下的點與這些初始聚類中心的距離，分別將它們分配給與其最相似的類，然后再計算每個所獲新聚類的聚類中心(該聚類中所有對象的均值)，不斷重復這一過程直到誤差平方和開始收斂為止，最終形成較為明顯的不同的3個類簇。在最后結果中，之前的30個初始聚類中心所對應的類中相對較近、較集中的類對應一個駕駛行為類型。

基于數據散點距離的駕駛風格聚類算法描述如下。

輸入：參與聚類的駕駛風格評價指標散點集合。

輸出：駕駛風格聚類集合。

/*步驟1：將駕駛風格評價指標投射到[0,1]區間*/

if (maxAndMin[j][0]

//最大值進行賦值

thenmaxAndMin[j][0]=fieldValue;

and if (maxAndMin[j][1]>fieldValue)

//最小值進行賦值

thenmaxAndMin[j][1]=fieldValue;

/*將對象單位化*/

for eachvalue;

if (maxAndMin[i][0]!=maxAndMin[i][1])

//如果最大值和最小值不等，防止分母為0

thenvalue=(fieldValue-maxAndMin[i][1])/

(maxAndMin[i][0]-maxAndMin[i][1]);

elsevalue=0

//當一個維度的最大值和最限制相等的

//時候，分母為0的時候，將單位化的數據值賦值為0

End for

/*步驟2：駕駛人群體的駕駛風格聚類*/

/*循環計算每個點到初始聚類中心的歐幾里得距離，判斷數據對象的所屬類簇，納入與之距離最小的類簇*/

Data setχ，centerk，chain lengthm

Point uniformly sampled fromχ→c1

//任選一個點作為初始聚類中心

for allx∈χdo

/*主循環*/

{c1} →C1

fori=2,3,…,kdo

Point sampled fromχusingq(x) →x

d(x,Ci-1)2→dx

forj=2,3,…,mdo

Point sampled fromχusingq(y) →y

d(y,Ci-1)2→dy

theny→x,dy→dx

Ci-1∪{x} →Ci

returnCk

End for

3.2 駕駛技能分析

回歸學習通常用于分析兩個變量相互依賴的定量關系，運用回歸估計來定量分析平均車速和加速度變換率累積這兩個變量之間的關系，其公式如下：

J=β0+β1·va+ε

(6)

其中：va為車速平均值，J是根據該車速推算出的加速度變化率累積，ε是回歸誤差。

以駕駛技能平均水平作為衡量標準，得出每個駕駛人駕駛技能類別。采用最小二乘法以準確地反映平均車速和加速度變化率累積之間的關系，其離差平方和如下：

(7)

(8)

為了使得式(7)得到的結果最小，求解偏微分方程組，計算得到參數β0和β1的值。

(9)

(10)

(11)

對駕駛人群體進行駕駛技能分類的過程如下：

步驟1 對數據庫中車輛行駛基礎數據(車速、時間)進行數據預處理，得到車速平均值、加速度變化率累積兩項駕駛風格評價指標。

步驟2 根據最小二乘估計對駕駛人群體進行回歸分析，計算得到回歸直線的斜率β1和截距β0。

步驟3 判斷每個駕駛人與回歸直線的位置關系，在回歸直線下方的駕駛人為駕駛技能生疏；反之則為駕駛技能熟練。

4 實驗分析與結果

4.1 數據采集

駕駛人行為譜基礎數據采集 通過與無錫某物聯網公司合作，利用營運車聯網聯控平臺進行車輛的實時跟蹤，營運車輛的車載終端通過無線網絡向車聯網管理平臺發送數據，管理平臺通過讀取控制器局域網絡(Controller Area Network, CAN)總線協議以及全球定位系統(Global Positioning System, GPS)信號，將車輛行駛數據進行存儲。車聯網數據云平臺及其相關的應用環境邏輯結構如圖3所示。

圖3 車輛行駛數據采集邏輯圖

4.2 數據提煉預處理方案及其實現

數據集描述及提煉規則 利用相關物聯網設備和車輛聯網聯控平臺采集行車數據，實現基于大樣本的駕駛人行為譜分析。目前，該平臺已經實現對6萬多臺車輛的實時監控，可記錄車輛軌跡、車速以及超速駕駛、超時駕駛等報警信息。

由于遮擋物遮擋信號、車載終端設備故障等因素的影響導致其中出現一些錯誤、無效的車輛行駛數據，這些錯誤的信息混雜其中，可能會導致分析結果不準確甚至得出錯誤的實驗結果，因此，車載終端采集到的車輛行駛基礎數據往往不能直接用于數據分析。

在分析車輛行駛數據之前，需要將其中錯誤的、無效的數據剔除，本研究針對車載終端采集的數據信息制定的數據過濾規則如下：

1)剔除車速為0的數據記錄。在停車狀態下，車輛行駛車速為0，駕駛人駕駛行為分析應該是建立在行駛動態過程中，所以剔除車速為0的數據記錄。

2)速度過大的數據記錄。車輛在路面行駛時，車速都設有一定的閾值，如果出現車速大于120 km/h的數據記錄，則視為錯誤的數據。

3)數據信息少的數據記錄。一般地，車輛行駛時間越長，所獲取到的數據信息更有說服力，進而分析得到有效的駕駛行為特征，一輛車每天的信息記錄數少于100條視為無效信息剔除。

4)加速度異常的數據記錄。車輛在設計過程中，其性能受到技術的限制，車輛縱向加速度受限，一般為正向加速度<3 m/s2，負向加速度<9 m/s2。

4.3 聚類算法效果對比

本節從本文采用的基于馬爾可夫鏈蒙特卡洛采樣和離群點剔除的K-means算法、經典K-means算法以及K-means++算法的聚類所消耗的時間和散點聚合度兩個方面來對這三種聚類算法的效果作出對比，驗證改進的K-means算法的良好性能。

因為本文所設計的駕駛人行為譜分析工具是基于車輛行駛數據的，所以選用了經過預處理后的1 000條車輛行數據進行算法的時間消耗比較，由實驗結果可知，選取不同的初始聚類中心數量(K值)，改進K-means算法、K-means++算法和經典K-means算法有著不同的表現。根據實驗結果可知，經典K-means算法和K-means++算法在時間消耗上都比改進K-means算法要多。K-means++算法在選取初始聚類中心時需要進行K次遍歷，而改進K-means算法則不需要，改進K-means是依據提案分布建立馬爾可夫鏈并根據接受概率決定是否接受新的候選點來獲得所有的初始聚類中心，因此在要獲得近似聚類效果的情況下，改進K-means算法的時間消耗比K-means++和經典K-means算法都要少。3種聚類算法的時間消耗對比如圖4所示。

圖4 各種聚類算法耗時比較

圖5 各種聚類算法的聚類程度對比

3種聚類算法的樣本聚合如圖6所示。從圖6中可以看出：經典K-means算法的散點聚合度不高，聚類結果中同一類別的散點相對分散，且各種類別間的界限不清晰，存在散點群相互覆蓋的現象；K-means++算法比經典K-means算法的聚合效果稍好，但依舊存在散點群邊界不夠清晰、少量相互覆蓋的情況；改進K-means算法的散點聚合度相對更高，類別間的界限也相對清晰，基本沒有散點群相互覆蓋的情況。

圖6 3種K-means算法的樣本聚合

4.4 駕駛行為分析結果展示

選取2016年11月1日00:00:00—2016年12月16日00:00：00的車輛行駛數據作為駕駛人行為譜分析實驗的成果展示。該數據集中采集到的車輛行駛數據記錄總數為1 663 021條，預處理后的車輛行駛次數為158 755。駕駛人數量為37 699人：激進型有11 875人，占31.5%；適中型有9 199人，占24.4%；保守型有16 625人，占44.1%。從車輛行駛數據提取駕駛人風格多維指標進行駕駛風格聚類分析，將多維屬性投射在二維上，橫軸為車速平均值，縱軸為車速標準差。圖7(a)展示了從駕駛人的駕駛風格分布。從圖7(a)中可以看出，激進型駕駛人的平均車速偏大，車速標準差較大(即車速分布離散程度較大)。保守型駕駛人普遍車速偏低且車速分布較為集中。激進型駕駛人占比依舊不少，交管部門可對這些駕駛人的駕駛狀態進行跟蹤記錄，對該類駕駛人多加教育。

依據該時間段內的車輛行駛數據對駕駛人的駕駛技能進行回歸分析后，得到駕駛技能回歸直線(即駕駛人群體的平均駕駛技能水平)，如圖7(b)所示。其中縱截距為-0.505,回歸直線斜率為0.417,即得到回歸直線為y=0.417x-0.505。其中：回歸直線上方的三角形(△)代表駕駛技能生疏，有10 895人，占比28.9%；回歸直線下方的圓形(○)代表駕駛技能熟練，有26 804人，占比71.1%。如圖7(b)所示：在直線下方的部分的駕駛人在行車過程中車輛的加速與減速相對比較流暢，加、減速的幅度小，反映駕駛人對車輛的控制能力較好；而直線上方部分的駕駛人加速度變化率累積值比較大，反映出駕駛人頻繁加、減速，駕駛技能相對生疏。

圖7 某時段的駕駛人行為分析結果

本研究中采集了某客運公司駕駛員的行車數據，將其作為本文研究的一個群體，并展示了駕駛行為類別結果。將駕駛風格和駕駛技能進行組合，可查看無錫某企業總體的駕駛行為類型分布，得知該段時間內車輛營運企業總體的駕駛行為類型分布情況，查看各個類型人數所占比例。如圖7(c)所示，總人數為154人，各類駕駛人按逆時針順序依次是：保守熟練型70人占45.6%、激進熟練型35人占22.8%、適中生疏型20人占12.9%、激進生疏型16人占10.6%、保守生疏型10人占6.3%、適中熟練型3人占1.8%。公司和交管部門應對激進和生疏型駕駛人重點關注、多加教育。

5 結語

本文根據影響車輛行駛的駕駛行為特征，提出了駕駛人行為譜的各項特征指標和評價指標。利用車聯網監控平臺采集真實的車輛行駛數據，并根據剔除規則對數據進行預處理。對完成提煉和預處理后的車輛行駛數據進行分析，采用聚類算法分析駕駛人的駕駛風格，運用回歸學習分析駕駛人的駕駛技能。

本文從駕駛人行為譜體系架構到實際需求分析，進行了駕駛人行為譜分析工具的研發；但研究仍存在以下不足之處：首先本文當前自主建立的車輛監控、數據采集平臺只能在局部范圍內進行駕駛行為分析；其次，交通系統主要由人、路、環境這三個要素構成，雖然人在其中占據核心地位，但不可否認路和環境對駕駛人的駕駛行為也具有一定程度的影響，目前采集的數據信息有限，沒有進行駕駛人心理的檢測，路段的檢測以及車外周邊環境信息的采集，綜合考慮外部環境對駕駛人的影響，可以更全面、更客觀分析駕駛人駕駛行為狀態。

總體而言，本文基于車輛行駛數據，完善了駕駛人行為譜體系結構；提出了駕駛人行為分析算法，研發出了駕駛人行為譜分析工具，為營運客車的駕駛人駕駛行為的定量分析提供了更為精確、有效的方案，對交管部門規范駕駛人駕駛行為、提高道路通行安全指數、制定合理的交通安全管理策略具有指導意義。