基于大数据的矿用卡车驾驶风格识别算法研究

胡浈 张瑞新 刘鑫 冯读康 张秋涵

摘 要：卡车司机的驾驶风格表征着其根据实时行车环境对矿车的运行控制所采取的一系列操作行为。对于矿用卡车安全性与经济性有较大影响。为提高驾驶风格聚类算法的适用性，并直观表达聚类效果，提出基于层次聚类的驾驶风格识别方法，结合实际采集的现场不同驾驶员的驾驶行为数据，进行驾驶风格识别。结果表明将驾驶风格分成3类的分类结果较为明显，且适合矿用卡车的驾驶风格识别。

关键词：卡车司机;驾驶风格;矿用卡车;层次聚类

中图分类号：TP393 文献标识码：A DOI：10.3969/j.issn.1003-6970.2021.03.005

本文著录格式：胡浈，张瑞新，刘鑫，等.基于大数据的矿用卡车驾驶风格识别算法研究[J].软件，2021，42（03）：019-021+064

Research on Mining Truck Driving Style Recognition Algorithm Based on Big Data

HU Zhen， ZHANG Ruixin， LIU Xin， FENG Dukang， ZHANG Qiuhan

（School of Safety Engineering， North China Institute of Science and Technology， Beijing  065201）

【Abstract】：The driving style of a truck driver represents a series of operation behaviors taken by the driver to control the operation of the vehicle according to the real-time driving environment. This has a greater impact on the safety and economy of mining trucks. In order to improve the applicability of the driving style clustering algorithm and express the clustering effect intuitively， I propose a driving style recognition method based on hierarchical clustering， combining the actual collected driving behavior data of different drivers on-site to identify the driving style. The results show that the classification results of dividing the driving style into three categories are more obvious， and it is suitable for the driving style recognition of mining trucks.

【Key words】：truck driver;driving style;mining truck;hierarchical clustering

0 引言

驾驶风格用来表征驾驶员在实车运行环境下对车辆运行进行控制的操作行为特征，通过驾驶员操作习惯和汽车行驶数据的分析，动态识别出驾驶员的驾驶风格，对改善车辆燃油经济性有重要意义[1]。

对此，国内外学者运用不同技术手段结合不同卡车不同工况进行了一系列研究。吴振昕等[2]利用k-means聚类方法及D-S证据理论决策融合方法识别不同工况下驾驶风格。王超等[3]以驾驶员的视野特征和决策意愿表征驾驶风格应用Simulink/Carsim聯合仿真技术对驾驶员模型进行研究。胡杰等[4]对提出一种关联维数的驾驶风格指数，量化驾驶激进程度，从而精准识别驾驶风格。Kedar-Dongarkar等[5]提出一种基于车辆加速，制动，超速指数，油门指数的高效分类器，把驾驶风格分成激进、保守、适中3类。Meiring等[6]研究并总结了各种驾驶风格聚类识别方案，提出模糊逻辑推理系统、隐马尔可夫模型和支持向量机在解决驾驶员风格识别算法上有好前景。

由于矿用卡车具有体积大、载重大、运行路况复杂等特点，相对应驾驶员对卡车的控制也与其他车辆有所不同，据此，笔者根据现场实际调度管理情况，分重载，空载对卡车运行数据进行划分，运用层次聚类方法，分别研究驾驶风格聚类特性。最终得出聚类结果并将结果直观展现。

1 数据预处理

整理所采集的数据，剔除由于机器误差产生的数据;由于现场运输线路重载多为上坡路段，空载为下坡路段。这种差异性会造成司机操作的不同，利用Python对已清洗数据划分空载、重载，并对数据各指标取统计值（如均值，方差，极值等）。重载，空载均取以下参数见表1。

2驾驶风格聚类分析

对于司机驾驶风格是一种复杂操作行为，它综合了司机对于油门踏板、刹车踏板的控制，即结合当前环境以及自身驾驶习惯对车速进行控制，无法从单一参数进行量化分类。针对这一问题，采用机器学习中聚类的思想，通过无监督学习中的层次聚类算法，逐层比较特征值，对相似样本进行归类，进而实现对驾驶风格的识别和分类。

2.1层次聚类

层次聚类（Hierarchical Clustering Method）是一种非监督机器学习聚类算法，算法基于簇间相似度在不同层次对数据集进行划分所形成的树形聚类结构[7]。聚类采用的是“自底向上”的思想，先将每一个样本都看成是一个不同的簇，通过重复将最近的一对簇进行合并，直到最后所有的样本都属于同一个簇为止。计算簇间距离方式通常采用平均距离法（Average Linkage）即计算两个组合数据点中的每个数据点与其他所有数据点的距离。将所有距离的均值作为两个组合数据点间的距离。

2.2 重载驾驶风格聚类

把每个从装载点到卸载点的过程称为重载过程作为重载聚类样本。对每个重载过程取指标值，得到如表1所示参数，利用SPSS分析软件，将数据指标输入到聚类模型中，得到聚类树如图1，对聚类结果进行统计得出表2重载频率分布表。对每个聚类的所有样本进行统计，并对比各聚类的主要参数间的差异，验证聚类结果，如图2。

对聚类结果进行描述：重载过程整体呈上坡趋势，此时司机对油门踏板的操作比较频繁，如图2选取速度均值与方差指标，油门踏板转动角速度均值与方差，刹车踏板深度均值与方差这6个指标，对聚类结果进行分析与验证。

很明显可以看出：

（1）对于聚类风格3，油门踏板转动角速度、行驶速度的均值和方差指标值均大于1和2，说明聚类3相对另外两种风格更加激进;

（2）对比速度的方差指标可以看出，聚类2相较于其他两种风格更加追求速度稳定，车速较低，且稳定，风格更保守;

（3）对比刹车踏板深度的均值与方差，进一步表明风格2相较于其他两种风格更保守，踩刹车较多;

（4）结合表2可看出，驾驶风格较为激进的风格3人数较少，处于适中风格的最多，保守风格其次。

2.3空载驾驶风格聚类

将每个从卸载点到装载点的过程称为空载过程作为空载聚类样本。同理，得出空载聚类树如图3，对空载过程聚类结果进行统计得到表3空载聚类频率分布表，对每个聚类的所有样本进行统计，并对比各聚类的主要参数间的差异，如图4。

由表3和图3可看出：

（1）对于聚类风格3，行驶速度的均值指标值大于1和2，但速度方差小于1和2，说明风格3空载运行更倾向于维持高速运行，相较于另外两种风格更加激进。风格1相较于风格2，速度的均值更大，方差却更小，表明风格1比风格2激进。风格2最为保守;

（2）对比刹车踏板深度均值与方差，进一步表明风格2相较于其他两种风格更保守，踩刹车较多;

（3）结合频率表可看出，驾驶风格较为激进的风格3人数较少，处于适中风格的最多，保守风格其次。由于矿上有限速规定，大部分驾驶员将速度保持在28～30km/h。

（a）空载油门踏板转动角速度均值与方差

（b）空载刹车踏板深度均值与方差

（c）空载速度方差

（d）空载速度均值

3结论

为研究矿用卡车驾驶员驾驶风格聚类，本文采集内蒙古某露天矿的卡车运行实时数据和驾驶员行为数据，经过勘测，运输道路多为空载下坡，重载上坡，致使司机在两种工况下，驾驶行为产生差异，于是本文选择将所测得数据区分空载和重载，分别进行研究，得到62个重载数据集和61个空载数据集。研究非监督学习的层次聚类算法的基本原理，结合已处理的数据集，得出聚类结果，对比聚类结果，将驾驶风格分成3类，激进、保守、适中。并画出聚类树，直观显示聚类效果。

参考文献

[1] 李经纬，赵治国，沈沛鸿，等.驾驶风格K-means聚类与识别方法研究[J].汽车技术，2018（12）：8-12.

[2] 吴振昕，何云廷，于立娇，等.基于大数据的驾驶风格识别算法研究[J].汽车技术，2018（10）：10-15.

[3] 王超，郭孔辉，许男，等.表征驾驶风格和驾驶员能力的驾驶员模型[J].北京理工大学学报，2019，39（1）：41-45.

[4] 胡杰，许力，孟武强，等.基于相空间重构的驾驶风格定量评估[J].仪器仪表学报，2017，38（3）：635-642.

[5] KEDAR-DONGARKAR G，DAS M.Driver Classification for Optimization of Energy Usage in a Vehicle：Conference on Systems Engineering Research[C].St.Louis，Missouri （US），2012.

[6] MEIRING G A M，MYBURGH H C.A Review of Intelligent Driving Style Analysis Systems and Related Artificial Intelligence Algorithms[J].Sensors，2015，15（12）：30653-30682.

[7] 郭松，郭廣礼，李怀展，等.基于主成分层次聚类模型的采空塌陷场地稳定性评价[J].中国地质灾害与防治学报，2020，31（6）： 116-121.