基于多分类监督学习的驾驶风格特征指标筛选

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。