基于駕駛事件的駕駛風格分類與識別方法研究

摘要：針對基于數據統計特征的駕駛風格分類識別方法容易忽略駕駛員在駕駛過程中駕駛風格多樣性的問題，提出了一種基于駕駛事件、譜聚類與隨機森林相結合的駕駛風格分類識別方法。設計試驗采集駕駛數據，進行數據預處理，提取轉彎事件和制動事件，經標準化和降維處理后，運用譜聚類算法分別對轉彎事件和制動事件進行駕駛風格聚類。采用熵權法賦權得到每位駕駛員的駕駛風格權重，對比5種機器學習算法對駕駛風格識別的精確度，結果表明基于隨機森林的駕駛風格識別精確度為92.73%，顯著提高了駕駛風格識別準確率。

關鍵詞：駕駛風格；駕駛事件；譜聚類；隨機森林

中圖分類號：U467

DOI：10.3969/j.issn.1004-132X.2024.09.002

Research on Driving Style Classification and Recognition Methods Based on Driving Events

QIN Datong CHEN Moji CAO Yuhang GAO Di

State Key Laboratory of Mechanical Transmission，Chongqing University，Chongqing，400044

Abstract： Aiming at the problems that， based on data statistical characteristics， the classification and recognition method of driving style was easy to ignore the diversity of driving style during driving， a classification and recognition method of driving style was proposed based on driving events， spectral clustering and random forest. Experiments were designed to collect driving data， and the data were preprocessed to extract turning events and braking events. After standardization and dimensionality reduction， the spectral clustering algorithm was used to cluster the driving style of turning events and braking events respectively. The entropy weight method was used to obtain the driving style weights of each driver， and the accuracy of five machine learning algorithms was compared for driving style recognition. Results show that the accuracy of driving style recognition is as 92.73% based on random forest， which significantly improves the accuracy of driving style recognition.

Key words： driving style；driving event；spectral clustering；random forest

0 引言

駕駛風格是表征駕駛員在車輛行駛過程中對車輛操作的行為特征［1］，通過分析駕駛員的行駛數據，可以識別出駕駛員在不同的駕駛事件中體現出來的不同駕駛風格。在混合動力汽車的能量管理方面，駕駛風格的不同影響了整車需求功率在各個動力源之間的分配，因此駕駛風格的準確識別對提高混合動力汽車的燃油經濟性具有重要意義［2］。自動駕駛車輛在復雜交通場景中與周圍車輛的交互作用頻繁且復雜，準確地識別出周圍車輛中駕駛員的駕駛風格，有助于自動駕駛車輛與其他車輛更好地進行交互，從而提高自動駕駛規劃的安全性和可靠性［3］。對于車輛的自動變速器系統，準確的駕駛風格識別有助于開發智能化的擋位決策系統，從而有效地改善車輛的燃油經濟性，提高車輛的舒適性和智能化水平，并且為駕駛員提供千人千面的駕駛體驗。

目前，國內外學者對駕駛風格進行了大量研究，李經緯等［1］基于K-means算法對采集的商用車和乘用車行駛數據進行聚類分析，結果表明將駕駛風格聚成3類時，風格的分類和識別效果較好。WANG等［4］提出了一種基于非參數貝葉斯方法的駕駛風格分析框架，使用原始駕駛模式的頻率分布來分析個體駕駛風格，用KL散度來區分駕駛員之間的差異。ZHU等［5］基于因子分析和模糊C-均值聚類算法對駕駛員進行分類，并利用BP神經網絡實現駕駛風格的識別。HAN等［6］運用條件核密度函數描述路徑跟蹤行為，采用全貝葉斯理論計算每個特征的后驗經驗概率，用來區分不同的駕駛風格類型。詹森［7］通過分析汽車駕駛過程產生的沖擊度，引入含有行駛工況類型影響因子的駕駛風格識別系數與K-means聚類算法結合，從而實現對駕駛風格的識別。ZHU等［8］采用高斯混合模型（GMM）對駕駛數據進行擬合，將KL散度作為駕駛相似性指標，運用聚類算法將駕駛員分成3類，基于分類駕駛數據設計了個性化自適應巡航控制系統，實車試驗表明該方法可以很好地識別不同駕駛風格。SUZDALEVA等［9］提出一種貝葉斯框架下的駕駛風格實時估計方法，對駕駛員當前的駕駛風格進行概率估計。

上述研究大多是對駕駛員的整體駕駛風格進行分類和識別，但駕駛員在實際開車過程中，隨著駕駛事件的變化，會表現出不同的駕駛風格。如果在整個行駛過程中將駕駛員的駕駛風格視為不變，會影響駕駛的安全性和燃油經濟性。鑒于上述研究的不足，本文提出了基于駕駛事件的駕駛風格分類識別方法。

1 數據采集與預處理

1.1 數據采集

本文選用平均車流統計法采集駕駛數據［7］，以重慶市主城區為試驗區域，選取一段包含市區道路、郊區道路、山路和高快速路的行駛路線，總路程約為100 km，全程行駛時間約為2.5 h，如圖1所示。

為研究不同駕駛員的駕駛風格差異，本文選取了20位不同年齡和駕齡的駕駛員進行道路數據采集試驗，其年齡分布為20～60歲，實際駕駛年齡為1～20年。

試驗車為搭載7速DCT變速箱的某國產SUV，以Vehicle Recorder作為數據采集設備，通過車輛OBD接口和CAN總線采集數據，如圖2所示。本文采集的車輛行駛數據包括車速（vehicle speed， VS）、縱向加速度（longitudinal acceleration， LongA）、橫向加速度（lateral acceleration， LatA）、轉向盤轉角（steering angle， SA）、轉向盤轉速（steering speed， SS）、發動機轉速（engine speed， ES）、油門踏板開度（accelerator pedal， AP）、制動油壓（brake pressure， BP）。

1.2 數據預處理

圖3為本文基于駕駛事件的駕駛風格分類與識別方法的整體結構框圖。數據預處理主要包括數據同步、缺失值處理和數據去噪。由于數據的采集涉及多個傳感器，特征參數的采樣頻率和時序信息并不統一，如車速的采樣頻率為100 Hz，縱向加速度的采樣頻率為50 Hz，因此需要對特征參數進行頻率統一和時序對齊處理。本文以車速的采樣頻率和時序信號作為基準，采用三次樣條插值法進行數據同步處理［10］。

在采集數據時，CAN通信會出現偶發性丟包現象，對數據檢測后發現，本文采集的橫向、縱向加速度數據均存在少量缺失值，且分別被采集系統用“-12.7”和“-16”表示，如圖4a、圖4b所示。如果直接刪除缺失值會在一定程度上影響后續研究，故本文通過區域中心度量來處理缺失值，處理結果如圖4c、圖4d所示。

采集的數據會因為路面不平和車廂內成員的活動等因素而包含噪聲，本文采集的數據中存在噪聲的有車速、橫向加速度和縱向加速度。由于噪聲的存在會影響后續研究，因此本文采用小波去噪方法［11］對車速和加速度去噪，處理結果如圖5所示。

2 駕駛事件提取

駕駛事件是車輛行駛過程中出現的有特定含義的行駛片段，主要包括轉彎、制動、加減速、超車、換道和漸穩等。其中，轉彎事件和制動事件比加速事件更能表征個體，兩種事件的結合能更好地區分兩個相似的駕駛員［12］。在轉彎事件中，駕駛員操作順序一般是：減速，打開轉向燈，轉動轉向盤，確定汽車的軌跡后加速。制動事件是指駕駛員通過踩踏制動踏板以降低車速。

2.1 轉彎事件提取

滿足轉彎事件需要三個條件：一是轉向盤轉角至少改變70°；二是事件的持續時間小于10 s；三是轉彎前至少有5 s的穩定行駛方向［13］。本文定義轉彎事件的持續時間為10 s，采用文獻［14］的方法，選取轉向盤轉角方差作為提取轉彎事件的特征參數，利用滑動時間窗提取轉彎事件，時間窗長度設置為10 s，步長為3 s。首先計算時間窗內轉向盤轉角方差，選取方差大于800（°）2且第一個采樣時間和最后一個采樣時間轉向盤轉角的絕對值小于50°的事件。然后根據篩選出來的事件，選取轉向盤轉角的時域變換波形為山峰形（穩態—峰頂—穩態），且采樣時間內轉向盤轉角變化值大于70°的事件，即為轉彎事件。轉彎事件分為左轉彎事件和右轉彎事件，提取結果如圖6所示。

2.2 制動事件提取

為使提取的制動事件有研究價值，需要過濾掉持續時間較短的事件，因此本文將制動事件的持續時間定為10 s。采用速度方差作為提取制動事件的特征參數，并通過滑動時間窗的方式提取，將時間窗長度設置為10 s，步長為3 s。首先計算時間窗內的車速方差，取車速方差處于80～250（km/h）2之間的事件。然后根據篩選出來的事件，取車速從某一較高數值一直降到另一較低數值或0的事件，即為制動事件，制動事件提取結果如圖7所示。

3 駕駛風格分類

3.1 基于轉彎事件的駕駛風格分類

本文選取車速、橫向加速度、縱向加速度、轉向盤轉速、油門踏板開度、制動油壓和發動機轉速等7個特征參數用于轉彎事件的駕駛風格分類。為使特征參數具有更好的分類效果，對每個轉彎事件的7個特征參數進行平均值（mean）、標準差（std）、最大值（max）、最小值（min）、中值（median）計算，形成了35維特征參數，如表1所示。

3.1.1 數據降維

由于各特征參數的量綱不同，為避免數量級小的數據所反映的信息被掩蓋，利用能較好保持原數據分布結構的Maxabs方法對數據進行標準化處理。采用主成分分析（principal component analysis， PCA）法對標準化后的高維數據進行降維。PCA通過挖掘多個屬性之間的相關關系，將原來p個具有一定相關性的屬性重新組合成m個無關的綜合屬性。本文取累計貢獻率α大于90%所對應的m個主成分代替原來的屬性［15］。PCA降維得到35個主成分累計貢獻率如圖8所示，前8個主成分的累計貢獻率達到了90.4%，因此選取前8個主成分來表征原始35維的數據特征。

3.1.2 基于譜聚類算法的駕駛風格分類

譜聚類是一種基于圖論的聚類方法，通過對數據的拉普拉斯矩陣的特征向量進行聚類實現對數據的聚類［16］。譜聚類算法對數據分布的適應性強，聚類效果較好，且聚類的計算量較小，因此本文采用譜聚類算法對駕駛風格進行聚類。

將20名駕駛員所有轉彎事件的35維特征數據進行標準化和降維，得到8維數據并使用譜聚類算法進行聚類。本文將駕駛風格分成3類［1］，根據駕駛員駕駛車輛的激進程度，將從弱到強的駕駛風格定性分為溫和型、一般型和激進型。因此聚類得到分別帶有風格標簽0、風格標簽1和風格標簽2的3簇數據，其樣本量分別為127、82和107，處于合理范圍。

針對聚類后的3簇數據，本文選取速度平均值、發動機轉速平均值、橫向加速度平均值、縱向加速度平均值、油門踏板開度平均值和制動油壓平均值6個聚類特征參數，分別畫出箱線圖，如圖9所示。由圖9a～圖9 d可以看出，標簽為2的數據，其車速平均值、發動機轉速平均值、橫向加速度平均值和縱向加速度平均值的箱體中位線與上下四分位線均高于標簽為0和1的數據。從圖9e中可以看出，標簽2的油門踏板開度平均值的箱體下四分位線與標簽1的基本持平，上四分位線略低于標簽1，但中位線高于標簽1;標簽2的油門踏板開度平均值的箱體中位線和上下四分位線均高于標簽0。從圖9f中可以看出，標簽2的制動油壓平均值的箱體中位線和上下四分位線均最低。在轉彎事件中，激進型駕駛員駕駛車輛時，車速相對較快，發動機轉速較快，加速度較大；在減速時，剎車較少且力度輕，即制動油壓較小；在加速時，油門踏板開度較大。綜上分析可知，標簽2對應的駕駛風格類型為激進型。

從圖9中可以看出，標簽0的車速平均值、發動機轉速平均值、橫向加速度平均值、縱向加速度平均值和油門踏板開度平均值的箱體中位線和上下四分位線均低于標簽1，且標簽0的制動油壓平均值的箱體中位線和上下四分位線均高于標簽1。在轉彎事件中，溫和型駕駛員駕駛車輛時，車速相對較慢，發動機轉速較慢，加速度較小；在減速時，剎車較多且力度大，即制動油壓較大；在加速時，油門踏板開度較小。因此，標簽0對應的駕駛風格類型為溫和型。

標簽為1的數據，除了油門踏板開度平均值的上四分位線略高于標簽2，其他5種聚類特征參數的箱體中位線和上下四分位線均處于標簽0和標簽2之間。因此標簽1對應的駕駛風格類型為一般型。

3.2 基于制動事件的駕駛風格分類

本文選取橫向加速度、縱向加速度、轉向盤轉角、轉向盤轉速、油門踏板開度、制動油壓和發動機轉速共7個特征參數用于制動事件的駕駛風格分類。為使特征參數具有更好的分類效果，對每個制動事件的7個特征參數進行平均值、標準差、最大值、最小值和中值計算，形成了35維特征參數，如表2所示。

采用3.1節中基于轉彎事件的駕駛風格分類方法，利用Maxabs方法對35維特征數據進行標準化，采用PCA法對標準化后的數據進行降維。PCA降維得到35個主成分累計貢獻率如圖10所示，前10個主成分的累計貢獻率達到了91.2%，因此選取前10個主成分來表征原始35維的數據特征。

將PCA降維得到的前10個主成分組成聚類數據，采用譜聚類算法進行聚類，聚類得到分別帶有風格標簽0、風格標簽1和風格標簽2的3簇數據，其樣本量分別為67、123和44，處于合理范圍。

由于制動事件主要由縱向加速度和制動油壓兩種特征體現，因此針對聚類后的3簇數據，本文選取縱向加速度平均值、縱向加速度最小值、縱向加速度中值、制動油壓平均值、制動油壓最大值和制動油壓中值6個聚類特征參數，分別畫出箱線圖，如圖11所示。從圖11a～圖11c中可以看出，標簽1的縱向加速度平均值、縱向加速度最小值和縱向加速度中值的箱體中位線和上下四分位線均低于標簽0和標簽2，說明車速降低得最快。從圖11d和圖11f中可以看出，標簽1的制動油壓平均值和制動油壓中值的箱體中位線和上下四分位線均高于標簽0和標簽2。圖11e中，標簽1的制動油壓最大值的箱體中位線略低于標簽2，但箱體上下四分位線均高于標簽2，且標簽1的制動油壓最大值的箱體中位線和上下四分位線均高于標簽0。在制動事件中，激進型駕駛員通常是猛踩制動踏板，即制動油壓相對較大和車速降低得較快，加速度較小。綜上分析可知，標簽1對應的駕駛風格為激進型。

從圖11a～圖11c中可以看出，標簽0的縱向加速度平均值、縱向加速度最小值和縱向加速度中值的箱體中位線和上下四分位線均高于標簽2，說明車速降低得較慢。從圖11d～圖11f中可以看出，標簽0的制動油壓平均值、制動油壓最大值和制動油壓中值的箱體中位線和上下四分位線均低于標簽2。在制動事件中，溫和型駕駛員通常是輕踩制動踏板，即制動油壓相對較小和車速降低得較慢，加速度較大。因此，標簽0對應的駕駛風格為溫和型。

標簽為2的數據，制動油壓最大值的箱體中位線略高于標簽1，但上下四分位線均低于標簽1。且其他5種聚類特征參數的箱體中位線和上下四分位線均處于標簽0和標簽1之間。因此標簽2對應的駕駛風格類型為一般型。

4 駕駛風格識別

4.1 整體駕駛風格分析

由于駕駛員在駕駛過程中的駕駛風格不是固定的，因此每個駕駛員在不同的轉彎事件中表現出來的駕駛風格不盡相同。每個轉彎事件都對應著一種風格標簽，通過計算每一位駕駛員所有轉彎事件中各類風格標簽的占比，得到每位駕駛員在轉彎事件中的風格權重，如表3所示。

同樣地，每個駕駛員在不同的制動事件中表現出來的駕駛風格也不盡相同。每個制動事件都對應著一種風格標簽，通過計算每一位駕駛員所有制動事件中各類風格標簽的占比，得到每位駕駛員在制動事件中的風格權重，如表4所示。

本文利用每位駕駛員的轉彎和制動風格權重，采用精度高且客觀性強的熵權法對駕駛員的駕駛風格進行客觀賦權評價。經過熵權法的計算，得到20位駕駛員的駕駛風格權重，如表5所示。

駕駛員在不同的駕駛事件中往往表現出不同的駕駛風格，因此基于整個駕駛過程對駕駛員進行風格分類是不準確的。本文利用轉彎事件和制動事件分別求出轉彎風格權重和制動風格權重，再使用熵權法賦權出駕駛員駕駛風格權重，可以準確地評估出駕駛員的駕駛風格。從表5中可以看出，駕駛員2、7、17、18、19傾向于溫和型駕駛風格；駕駛員1、3、4、8、10、11、12、13、15、16傾向于一般型駕駛風格；駕駛員5、9、14、20傾向于激進型駕駛風格；而駕駛員6的三種駕駛風格權重相差不大，說明駕駛員6傾向于三種駕駛風格的可能性基本一樣。

4.2 駕駛過程的駕駛風格識別

上小節利用熵權法分別計算得到了本文20位駕駛員的整體風格類型，但在駕駛員開車過程中，隨著駕駛事件的變化，駕駛風格可能發生改變，因此本文構建了駕駛風格識別模型對駕駛過程中單個駕駛事件的駕駛風格進行識別。

4.2.1 駕駛風格數據特征選取

目前，用來評價駕駛風格的數據特征沒有公認的標準，本文綜合考慮轉彎事件和制動事件的數據特征，選取車速、縱向絕對加速度（longitudinal absolute acceleration， LAA）、轉向盤轉角、轉向盤轉速、油門踏板開度、制動油壓和發動機轉速等7個特征參數用于駕駛風格識別。為了豐富數據特征而實現更好的駕駛風格識別效果，本文對20位駕駛員的每個轉彎事件和制動事件的7個特征參數進行平均值、標準差、最大值、最小值和中值計算，形成了35維特征參數，如表6所示。

為了便于后續駕駛風格的識別，將轉彎事件和制動事件風格標簽0、1、2對應的風格類型統一為溫和型、一般型、激進型。

4.2.2 駕駛風格識別模型構建

將20名駕駛員的35維數據特征作為駕駛風格識別數據集，對數據集標準化后，90%用作訓練集，10%用作測試集。目前有監督學習中分類效果較好的算法有：隨機森林（RF）、支持向量機（SVM）、K最近鄰（KNN）、邏輯回歸（LR）、C4.5、樸素貝葉斯。隨機森林是一種集成學習方法，由多棵決策樹組成，通過對每棵決策樹的預測結果進行投票或取平均值來確定最終的預測結果，具有較好的準確性和魯棒性。支持向量機是一種二分類模型算法，在解決線性不可分問題方面具有顯著的優勢。K最近鄰是一種基于特征向量空間的分類算法，通過測量不同特征之間的距離來進行預測。邏輯回歸算法通過對數幾率函數將線性回歸的輸出映射到概率空間，從而實現分類，具有較高的計算效率，且模型的可解釋性強。C4.5是一種經典的決策樹學習算法，但容易過擬合，過擬合會導致分類模型的外延性差。樸素貝葉斯是一種基于貝葉斯定理和特征條件獨立假設的分類算法，但在數據特征比較多時分類效果較差。本文使用35維數據特征作為駕駛風格識別模型的輸入，因此選用RF、一對多支持向量機（OvR-SVM）、一對一支持向量機（OvO-SVM）、KNN、LR 5種分類算法分別對駕駛風格識別模型進行訓練，通過10-折交叉驗證的平均準確率比較各算法的分類精確度。設置RF的決策樹棵數為300，葉節點最小樣本數為8。OvR-SVM的懲罰系數c=29，高斯核參數gamma為0.291。OVO-SVM的懲罰系數c=4，高斯核參數gamma為0.189。KNN的鄰居數k=3，葉子節點數為20。LR的正則化系數c=25。各算法在訓練集和測試集上的駕駛風格識別精確度如表7所示。

從表7中可以看出，5種分類算法的訓練集駕駛風格識別精確度都超過了90%，其中，基于RF的駕駛風格識別精確度達到了99.63%，基于KNN算法的駕駛風格識別精確度最低，只有90.91%。對于測試集，基于RF的駕駛風格識別泛化精確度為92.73%，遠高于其他4種算法。這是因為RF算法可以平衡數據集的誤差，有很強的抗過擬合能力，且對泛化誤差使用的是無偏估計模型，泛化能力強。基于此，本文選擇RF訓練駕駛風格識別模型。

圖12a和圖12b所示分別為訓練集和測試集下的RF混淆矩陣。從圖12a中可以看出，在訓練集中除了風格標簽1的識別精確度為98.90%外，風格標簽0和風格標簽2的識別精確度均為100%；從圖12b中可以看出，風格標簽0的識別精確度為88.24%，風格標簽2的識別精確度為93.75%，風格標簽1的識別精確度更是高達95.45%，平均識別精確度為92.73%，說明本文構建的駕駛風格識別模型具有良好的識別效果。

5 結論

本文提出了一種基于駕駛事件、譜聚類與隨機森林相結合的駕駛風格分類識別方法。研究發現：駕駛員的駕駛風格并不是一成不變的，在不同的駕駛事件中會表現出不同的駕駛風格，說明基于駕駛事件得到的駕駛員駕駛風格權重可以準確可靠地評估駕駛員的駕駛風格。此外，對比5種分類算法對駕駛過程中的駕駛風格識別的精確度，基于隨機森林的駕駛風格識別精確度達到了92.73%，表明本文構建的駕駛風格識別模型具有良好的識別效果。

參考文獻：

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

LI Jingwei， ZHAO Zhiguo， SHEN Peihong， et al. Research on Methods of K-means Clustering and Recognition for Driving Style［J］. Automobile Technology， 2018（12）：8-12.

［2］ROY H K， MCGORDON A， JENNINGS P A. A Generalized Powertrain Design Optimization Methodology to Reduce Fuel Economy Variability in Hybrid Electric Vehicles［J］. IEEE Transactions on Vehicular Technology， 2014， 63（3）：1055-1070.

［3］蔣振宇. 基于駕駛風格推理與強化學習的自動駕駛運動規劃方法［D］. 北京：北京交通大學， 2022.

JIANG Zhenyu. Automatic Driving Motion Planning Method Based on Driving Style Reasoning and Reinforcement Learning［D］.Beijing：Beijing Jiaotong University， 2022.

［4］WANG Wenshuo， XI Junqiang， ZHAO Ding. Dri-ving Style Analysis Using Primitive Driving Patterns with Bayesian Nonparametric Approaches［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（8）：2986-2998.

［5］ZHU Bing， YAN Shude， ZHAO Jian， et al. Personalized Lane-change Assistance System with Driver Behavior Identification［J］. IEEE Transactions on Vehicular Technology， 2018， 67（11）：10293-10306.

［6］HAN Wei， WANG Wenshuo， LI Xiaohan， et al. Statistical-based Approach for Driving Style Recognition Using Bayesian Probability with Kernel Density Estimation［J］. IET Intelligent Transport Systems， 2019， 13（1）：22-30.

［7］詹森. 基于工況與駕駛風格識別的混合動力汽車能量管理策略研究［D］. 重慶：重慶大學， 2016.

ZHAN Sen. Energy Management Strategy of Hybrid Electric Vehicle Based on the Recognition of Driving Cycle and Driving Style［D］.Chongqing：Chongqing University， 2016.

［8］ZHU Bing， JIANG Yuande， ZHAO Jian， et al. Typical-driving-style-oriented Personalized Adaptive Cruise Control Design Based on Human Driving Data［J］. Transportation Research Part C：Emerging Technologies， 2019， 100：274-288.

［9］SUZDALEVA E， NAGY I. An Online Estimation of Driving Style Using Data-dependent Pointer Model［J］. Transportation Research Part C：Emerging Technologies， 2018， 86：23-36.

［10］秦大同， 王康， 馮繼豪， 等. 基于行駛數據挖掘的DCT車輛平直道路換擋規律研究［J］. 汽車工程， 2022， 44（11）：1763-1771.

QIN Datong， WANG Kang， FENG Jihao， et al. Research on Shift Schedule of DCT Vehicle on Flat-straight Road Based on Driving Data Mining［J］. Automotive Engineering， 2022， 44（11）：1763-1771.

［11］劉海江， 李敏， 黃偉， 等. 基于小波變換的整車駕駛性評價信號去噪［J］. 噪聲與振動控制， 2018， 38（1）：103-108.

LIU Haijiang， LI Min， HUANG Wei， et al. Signal De-noising Method for Whole Vehicle Drivability Evaluation Based on Wavelet Transform［J］. Noise and Vibration Control， 2018， 38（1）：103-108.

［12］van LY M， MARTIN S， TRIVEDI M M. Driver Classification and Driving Style Recognition Using Inertial Sensors［C］∥2013 IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2013：1040-1045.

［13］HALLAC D， SHARANG A， STAHLMANN R， et al. Driver Identification Using Automobile Sensor Data from a Single Turn［C］∥2016 IEEE 19th International Conference on Intelligent Transportation Systems （ITSC）. IEEE， 2016：953-958.

［14］趙宇婷. 基于事件驅動的駕駛風格分類及應用［D］. 長春：吉林大學， 2022.

ZHAO Yuting. Event-driven Driving Style Classification and Application［D］.Changchun：Jilin University， 2022.

［15］JACKSON J E. A Use’s Guide to Principal Components［M］. Hoboken：John Wiley amp; Sons， Inc. 1991.

［16］von LUXBURG U. A Tutorial on Spectral Clustering［J］. Statistics and Computing， 2007， 17（4）：395-416.

（編輯 王旻玥）

作者簡介：

秦大同，男，1956年生，教授、博士研究生導師。研究方向為車輛動力傳動與控制。E-mail：dtqin@cqu.edu.cn。

收稿日期：2023-08-17

基金項目：國家自然科學基金重點項目（U1764259）