隨著生活水平的不斷提高,我國汽車保有量在不斷增加,導致道路交通安全和燃油消耗問題日益嚴峻,而駕駛員的駕駛風格與道路交通安全和汽車燃油經(jīng)濟性有著密切關系。因此,本文基于駕駛模擬器采集駕駛員的操作信息和車輛狀態(tài)信息,以多元特征參數(shù)作為評價駕駛風格屬性的指標,構建具有良好識別能力的駕駛風格識別模型。本文主要完成了如下工作:（1）駕駛實驗設計與數(shù)據(jù)采集。利用駕駛模擬器設計實驗方案,招募20名駕駛員完成模擬駕駛任務,同步采集駕駛員的駕駛操作信息和車輛狀態(tài)信息,進行特征化處理構建49個維度的特征參數(shù)數(shù)據(jù)集。運用調(diào)查問卷的方式對駕駛員的激進程度進行自我評分和專業(yè)人士評分,統(tǒng)計匯總激進程度分值,利用k均值聚類方式將駕駛員分為溫和型、正常型和激進型,完成樣本標記任務。（2）建立駕駛風格識別模型。使用支持向量機（Support Vector Ma chine,SVM）和反向傳播（Back Propagation,BP）神經(jīng)網(wǎng)絡構建有監(jiān)督駕駛風格識別模型,對比兩模型對駕駛風格的識別能力。研究結果顯示:SVM和BP神經(jīng)網(wǎng)絡模型的駕駛風格識別準確率分別為93.0348%和92.0398%。（3）優(yōu)化駕駛風格識別... 

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 駕駛風格特征參數(shù)的選取
        1.2.2 駕駛風格識別算法的研究
    1.3 本課題研究內(nèi)容
第2章 實驗設計與數(shù)據(jù)采集
    2.1 實驗設計方案
        2.1.1 實驗目的
        2.1.2 實驗總體方案
    2.2 實驗設備
    2.3 實驗任務
        2.3.1 招募駕駛員
        2.3.2 實驗道路模型
        2.3.3 實驗要求
        2.3.4 實驗人員要求
    2.4 數(shù)據(jù)集處理
        2.4.1 異常數(shù)據(jù)剔除
        2.4.2 缺失數(shù)據(jù)的補齊
    2.5 特征參數(shù)數(shù)據(jù)集構建
    2.6 標記樣本
        2.6.1 駕駛風格調(diào)查問卷
        2.6.2 駕駛風格分類
    2.7 本章小結
第3章 駕駛風格識別模型的建立
    3.1 駕駛風格識別流程
    3.2 BP神經(jīng)網(wǎng)絡駕駛風格識別模型
        3.2.1 BP神經(jīng)網(wǎng)絡優(yōu)點及應用
        3.2.2 BP神經(jīng)網(wǎng)絡結構
        3.2.3 BP神經(jīng)網(wǎng)絡學習過程
        3.2.4 BP神經(jīng)網(wǎng)絡識別結果分析
    3.3 SVM駕駛風格識別模型
        3.3.1 SVM優(yōu)點
        3.3.2 SVM基本原理
        3.3.3 SVM駕駛風格識別結果分析
    3.4 模型對比分析
    3.5 本章小結
第4章 駕駛風格識別模型的優(yōu)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 主成分的確定
    4.3 基于半監(jiān)督SVM的駕駛風格識別模型
        4.3.1 半監(jiān)督學習概述
        4.3.2 自訓練SVM半監(jiān)督學習算法(STSVM)
        4.3.3 非直推半監(jiān)督多標記學習算法(i MLCU)
    4.4 模型對比分析
    4.5 本章小結
結論與展望
參考文獻
附錄 A(攻讀學位期間所發(fā)表的學術論文目錄)
致謝


【參考文獻】：
期刊論文
[1]基于車輛行駛數(shù)據(jù)的駕駛人行為譜分析方法[J]. 陳鏡任,吳業(yè)福,吳冰.  計算機應用. 2018(07)
[2]基于駕駛模擬實驗的駕駛風格對高速公路換道行為的影響[J]. 石京,柳美玉.  東南大學學報(自然科學版). 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]基于駕駛風格識別的混合動力汽車能量管理策略[J]. 秦大同,詹森,曾育平,蘇嶺.  機械工程學報. 2016(08)
[5]不同駕駛操作方法下的汽車運行燃料消耗量分析[J]. 曾誠,蔡鳳田,劉莉,曹磊.  交通節(jié)能與環(huán)保. 2011(01)
[6]淺談BP神經(jīng)網(wǎng)絡在模式識別中的應用[J]. 林加鄉(xiāng),葛元.  電腦知識與技術. 2011(07)
[7]支持向量機理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學學報. 2011(01)
[8]基于實驗心理學的駕駛員駕駛特性及其綜合評價[J]. 馬艷麗,裴玉龍.  哈爾濱工業(yè)大學學報. 2008(12)
[9]關于BP網(wǎng)中隱含層層數(shù)及其節(jié)點數(shù)選取方法淺析[J]. 葉斌,雷燕.  商丘職業(yè)技術學院學報. 2004(06)
[10]拉依達（PauTa）準則與異常值剔除[J]. 張敏,袁輝.  鄭州工業(yè)大學學報. 1997(01)

博士論文
[1]基于駕駛員特性自學習方法的車輛縱向駕駛輔助系統(tǒng)[D]. 張磊.清華大學 2009

碩士論文
[1]基于駕駛員意圖的智能車輛路徑跟隨研究[D]. 鄭亞奇.湖南大學 2016
[2]基于半監(jiān)督的SVM遷移學習文本分類方法[D]. 譚建平.廣東工業(yè)大學 2016



本文編號：3681022