面向智能网联汽车的微观驾驶风格辨识

张志清; 李祎昕; 朱雷鹏; 王世豪; 于晓正; 孙玉凤

doi:10.12404/j.issn.1671-1815.2408320

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :817-831 DOI: 10.12404/j.issn.1671-1815.2408320

交通运输

面向智能网联汽车的微观驾驶风格辨识

作者信息 +

Identification of Microscopic Driving Styles Based on Driving Simulator Scenarios

Author information +

文章历史 +

摘要

为设计具有个性化服务功能的高级驾驶辅助系统,需要对驾驶员多样化的微观驾驶风格进行深入研究。传统研究大多将驾驶风格视为固定标签,但驾驶员在不同交通环境下会表现出区别于往常的微观驾驶行为和偏好。基于驾驶模拟器采集得到的数据,将试验路段分成68种道路线形,探究不同线形条件下驾驶员的驾驶特征变化情况。首先,利用特征提取和特征选择的方法对评价指标进行降维;其次,采用K-means算法进行驾驶风格聚类,并通过t-SNE可视化直观地展示两种降维方法的差异性;最后,通过遗传算法进行自适应参数寻优,设计了GA-XGBoost、GA-LightGBM、GA-SVM、GA-BPNN 4种辨识模型,实现驾驶员与驾驶场景均未知情况下的微观驾驶风格判别。结果表明,特征选择具有更好的降维效果,能够保留更多的特征信息,为K-means聚类奠定良好基础;基于遗传算法参数寻优的多种微观驾驶风格辨识模型中,GA-BPNN在预测未知数据时表现最佳,具备高准确性。研究成果可为深入理解人类驾驶行为习惯,个性化调整自动驾驶汽车辅助驾驶策略提供理论依据与技术支撑。

Abstract

To design advanced driver assistance systems with personalized service features, it is essential to delve into the diverse micro-driving styles of drivers. Traditional research often treats driving styles as fixed labels, yet drivers exhibit unique micro-driving behaviors and preferences in different traffic environments. Using data collected from a driving simulator, 68 different road geometries were analyzed to explore variations in driving characteristics under different conditions. Initially, dimensionality reduction was performed on evaluation metrics through feature extraction and selection. Subsequently, the K-means algorithm was employed for driving style clustering, with t-SNE visualization illustrating the differences between the two dimensionality reduction methods. Finally, genetic algorithms were used for adaptive parameter optimization, leading to the development of four identification models: GA-XGBoost, GA-LightGBM, GA-SVM, and GA-BPNN, enabling the discrimination of micro-driving styles without prior knowledge of drivers or driving scenarios. The results indicate that feature selection yields superior dimensionality reduction, retaining more feature information and providing a solid foundation for K-means clustering. Among the various micro-driving style identification models optimized by genetic algorithms, GA-BPNN demonstrated the best performance in predicting unknown data, with high accuracy and strong generalization ability. The research findings provide theoretical foundations and technical support for a deeper understanding of human driving behaviors and the personalized adjustment of autonomous vehicle assistance strategies.

Graphical abstract

关键词

驾驶模拟实验 / 特征工程降维 / 微观驾驶风格 / 机器学习 / 驾驶风格预测 / 参数自主寻优

Key words

driving simulation experiment / feature engineering dimensionality reduction / micro driving style / machine learning / driving style prediction / autonomous parameter optimization

引用本文

引用格式 ▾

张志清, 李祎昕, 朱雷鹏, 王世豪, 于晓正, 孙玉凤. 面向智能网联汽车的微观驾驶风格辨识[J]. 科学技术与工程, 2026, 26(2): 817-831 DOI:10.12404/j.issn.1671-1815.2408320

ZHANG Zhi-qing, LI Yi-xin, ZHU Lei-peng, WANG Shi-hao, YU Xiao-zheng, SUN Yu-feng. Identification of Microscopic Driving Styles Based on Driving Simulator Scenarios[J]. Science Technology and Engineering, 2026, 26(2): 817-831 DOI:10.12404/j.issn.1671-1815.2408320

登录浏览全文

4963

注册一个新账户忘记密码

智能网联汽车(connected-automated vehicle, CAV)需要深入理解人类驾驶员的行为习惯^[1]。这不仅是确保车辆安全性能的重要前提,也是根据多样化的驾驶风格调整CAV个性化控制模式以满足人因工程的必要条件^[2-3]。

以往的驾驶风格研究通常从宏观层面出发,根据驾驶员表现出的行为习惯和驾驶偏好为其分配固定的风格标签^[4]。然而,驾驶风格会随着驾驶员自身心理因素(如情绪波动)和周围环境因素(如天气和道路状况)的变化而变化。因此,在一段路程中驾驶员可能会表现出多种驾驶风格。这种微观层面的驾驶风格不受个人习惯和驾驶偏好的约束,具有区别于驾驶员固定风格标签的多种可能性。

中外学者以不同的方式对驾驶风格识别进行了研究^[5]。在数据获取方面,主要包括以下几种方式:驾驶习惯调查问卷^[6]、搭建驾驶模拟场景并通过驾驶模拟实验采集数据^[7]、利用传感器收集自然道路驾驶数据^[8]以及通过无人机鸟瞰视频提取车辆轨迹^[9]。其中,主观评价方法严重依赖历史结果,利用传感器与无人机收集数据虽更全面,但往往需要大量的资金和人力^[10]。相较之下,驾驶模拟简单快速且可以更安全地获取驾驶数据,尤其是在极端道路情况下。

近年来,随着驾驶模拟数据的可靠性和多样性不断提高,研究人员得以对驾驶风格开展更加深入的研究,包括评价指标的选取、数据处理方法的优化、改进驾驶风格识别算法以及微观驾驶风格应用的探索等^[11]。He等^[12]率先利用相空间重构和预训练的卷积神经网络进行驾驶行为表征。Chen等^[13]选取了与驾驶、制动和环境因素相关的11个特征参数,结合因子分析、高斯混合模型和神经网络对驾驶风格进行识别。而Gong等^[14]利用BP(back propagation)神经网络、支持向量机算法建立了线控转向控制框架(steer-by-wire,SBW),实现了驾驶风格的精准识别;Liu等^[15]针对数据标签的依赖问题,提出一种新的基于Tri-CatBoost的驾驶风格识别方法,选取速度、加速度、加加速度等指标,提高了识别能力。但以上研究主要关注的是宏观驾驶风格的分类,缺乏对微观驾驶风格研究。刘迪等^[16]提出同一驾驶人在实际驾驶中,不同场景(如起步、加速、减速、跟停)所表现出的风格可能不同,因此需要进一步细分场景;基于此猜想,Wang等^[17]从自然驾驶中提取长时间序列的驾驶员行为数据,根据道路环境将其分割成更小的单元,探究了驾驶员的动态决策过程,验证了这一结论,即驾驶人的驾驶行为会受到周围道路环境的影响而表现出区别于个人习惯的微观驾驶风格。基于此推论,研究者开始聚焦微观驾驶风格的辨识,Chen等^[18]提出了一种称为semi-Traj2Graph的多任务学习框架,以准确识别时间维度上的微观细粒度驾驶风格;杨玉凤等^[19-20]利用K-means算法将微观驾驶风格分为一般型、谨慎型和激进型3类,并构建融合了改进注意力机制的双向记忆神经网络微观驾驶风格识别模型,完成对周围驾驶人风格的动态识别。Suzdaleva等^[21]构建了微观驾驶风格模型,并提出了在线识别的框架,实现了微观驾驶风格的在线辨识,并分析了驾驶风格和燃油经济性的关系;Huang等^[22]通过模仿人类驾驶行为,建立风格导向的驾驶员纵向速度控制模型;Chen等^[23]调查了驾驶员长期和短期驾驶特性,并将其纳入车辆跟驰模型;Guo等^[24]开始将驾驶风格引入CAV辅助策略中,提出了基于模糊逻辑识别器的驾驶风格识别方法。将驾驶风格与等效燃油消耗最小策略结合,实现驾驶风格自适应控制策略。Wang等^[25]则在微观驾驶风格识别的基础上构建了拟人化运行速度模型,为驾驶辅助系统的速度控制策略提供了新思路。

从发展态势来看,中国正积极推进大规模、高频率驾驶数据的采集、处理与共享机制建设,致力于开发具有环境适应性的个性化驾驶辅助系统。目前,该领域的研究重点主要集中在驾驶风格的建模方法、多源异构数据融合采集技术及其在自动驾驶系统中的应用^[26]。如何结合复杂道路环境特征对微观驾驶风格进行建模、探索端到端的驾驶风格预测方法、不断优化实时在线辨识算法等问题亟需解决。随着CAV技术的快速迭代,驾驶风格研究已与智能决策、路径规划^[27]及车辆控制^[28]等核心功能实现深度融合。通过精准捕捉和解析人类驾驶行为特征,不仅能够促进人机驾驶模式的无缝过渡,还可显著提升自动驾驶系统的人机协同效能。因此,深入开展面向CAV的微观驾驶风格辨识研究,不仅是实现高级别自动驾驶的重要基础,更是推动智能交通系统发展的关键突破口。

现通过搭建驾驶模拟场景数据采集平台^[29-30],提取不同道路线形组合下的多维车辆运行数据,将多元特征参数作为驾驶风格的评价指标,克服仅采用单一或少量特征参数无法全面透彻反映驾驶风格的不足。利用特征工程算法中的特征提取和特征选择选取关键指标,利用K均值聚类算法(K-means clustering algorithm,K-means)以及t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)可视化建立微观驾驶风格聚类模型并进行分析讨论;最后采用遗传算法(genetic algorithm,GA)进行模型参数寻优,构建GA-支持向量机(support vector machine,SVM)、GA-BPNN、GA-LightGBM、GA-XGBoost 4种微观驾驶风格辨识模型,实现微观未知场景下的驾驶风格精准判别,可为深入理解人类驾驶行为习惯,个性化调整自动驾驶汽车辅助驾驶策略提供理论依据与技术支撑。

1 驾驶模拟实验及数据预处理

1.1 实验人员及设备

实验招募了20名具有良好的身体和精神状态以及驾驶技能的正式驾驶员,年龄分布于22~52岁,包括14名男性与6名女性,平均驾龄为5.6年,矫正视力均在5.0以上,禁止饮酒、咖啡及服用药物,避免实验过程中对驾驶数据造成干扰。参与实验的驾驶员均未存在身心疲劳等异常状态。

实验采用的设备是真实车辆驾驶模拟器,如图1所示。完全仿照现代车型的形状与尺寸,按照1∶1的比例设计了模拟器的驾驶操作界面,包括油门、刹车、方向盘等设施。此外,模拟器还具有拟人化的系统配置。视野模拟系统可提供140°水平视野和40°垂直视野。从左右后视镜可以获得后方30°水平和40°垂直视野。环境模拟系统可以再现车辆发动机、紧急制动、车身侧滑与振动等音效。数字化智能感知系统可以记录任意时刻驾驶员的方向盘转动角度以及踩踏离合、刹车、油门的深度信息。车辆动态仿真系统能够真实地再现车辆刹车、转向时带来的真实驾驶感受,可以为驾驶员带来真实的驾驶体验,获取的数据具有高度的可靠性。

1.2 实验方案设计

实验场景为双车道的二级公路,一块板断面形式,设计速度60 km/h,车道宽度为3.75 m,硬路肩宽0.75 m。实验组道路组合形式为直线-纵坡-弯道-直线。陡坡路段设计选用坡长统一为300 m,坡度分别取1%、2%和4%。弯道路段设计弯道半径分别取200、400、600 m。对照组路段设计选用直线-弯道和纵坡-直线两种组合路段形式。以上设计道路可分为A、B、C、D、E共5个实验路段,如表1所示。

模拟器车型为丰田Toyota Yaris,驾驶模拟器采集参数包括:速度、加速度、刹车、油门、横向偏移、方向盘转角、行驶里程以及标志点。利用HintCAD构建道路模型、3DMax进行渲染,将渲染后文件导入驾驶模拟系统SCANeR^TMstudio软件。最终实验场景效果如图2所示。

1.3 数据预处理

通过驾驶模拟平台的运行操作系统对输出频道进行编程,导出车辆运行状态数据,包括方向盘转角、油门刹车踩踏压力、速度、加速度、坐标、行驶里程等参数。部分试验数据如表2所示。

将行为数据实验组按线形位置变化分为9个路段、对照组6个路段。进而,按照直线段、纵坡段、缓和曲线段、圆曲线段4种道路线形种类,将每个驾驶人的驾驶模拟行为数据细分为68组,共20位驾驶人,得到1 360行×11列的初始数据矩阵A。

2 基于特征工程算法的K-means微观驾驶风格分类

2.1 微观驾驶风格指标分析

2.1.1 微观驾驶风格指标选取

驾驶风格的多维度的特征指标可从不同角度反映驾驶风格特性,田婉琪等^[31]将驾驶风格影响因素归纳为外部因素和人为因素,其中,外部因素包括天气、道路环境等,由于较难量化,暂不考虑。驾驶风格是驾驶人驾驶特性的外化,与方向盘转角、车速、加速踏板状态等驾驶行为指标密切相关^[32-33]。例如,Wang等^[34]在构建类人速度控制策略时,选取了平均速度、速度标准差、速度极值、侧向加速度等速度相关指标进行驾驶风格聚类分析;为了突出车辆横向运动特性以及车辆冲击对驾驶风格的反映,舒航等^[35]采用横向加速度、方向盘转角、加速与制动踏板开度作为聚类指标,进一步分析驾驶风格。

为了尽可能全面提取表征驾驶员驾驶风格的特征变量,通过系统收集和整理大量文献,旨在从车辆历史轨迹中提取关键驾驶特征,包括:平均速度(V_m)、速度标准差(V_sd)、速度极大值(V_max)、平均加速度(a_m)、加速度标准差(a_sd)、平均加加速度(j_m)、平均横向加速度(G_m)、方向盘转角绝对值的平均(θ_m)、方向盘转角绝对值的标准差(θ_sd)、平均刹车踏板深度(B_m)、平均加速踏板深度(H_m),从而实现微观驾驶风格的分析和分类。

2.1.2 微观驾驶风格特征指标的相关性分析

皮尔逊相关系数用于衡量两个变量x和y之间的线性相关性,其定义式为

(1)

$\mathrm{r}=\frac{\stackrel{n}{\sum _{i=1}}({x}_{i}-\stackrel{-}{x})({y}_{i}-\stackrel{-}{y})}{\sqrt{\stackrel{n}{\sum _{i=1}}\left({x}_{i}{-\stackrel{-}{x})}^{2}\stackrel{n}{\sum _{i=1}}\right({y}_{i}{-\stackrel{-}{y})}^{2}}}$

式(1)中:r为皮尔逊相关系数;x_i、y_i为第i个观测值;

$\stackrel{-}{x}$

、

$\stackrel{-}{y}$

为样本均值。

通过皮尔逊相关系数的方法可以分析特征指标间的相关性以便合理选择降维算法,来消除冗余的特征指标。r的取值范围为[-1, 1],

$\left|r\right|$

越大,指标相关性越强;反之,指标相关性越弱。一般而言,当r∈[0.6,0.8]时为强相关,当r∈[1]时为极强相关。

各特征指标之间的相关性如图3所示。可以看到平均速度与速度极值、加速度标准差与速度标准差以及加速度踏板深度与加速度之间的r均大于0.6,表现为强相关,方向盘转角标准差与平均方向盘转角以及刹车踏板深度与加速度标准差之间的r>0.8,表现为极强相关。这些指标反映驾驶风格的效果较相似,特征信息冗余,需要进行特征提取。相较于这部分指标,其余指标之间却呈现低相关,特征选择对低相关数据的降维效果更优。因此,需要进一步观察不同方法的聚类效果来确定降维方式。

2.2 特征工程算法

高维数据之间往往存在多重共线性。微观驾驶风格辨识模型结构的复杂度会因数据维度的增加而指数增长,引发维度灾难的现象。此外,相关特征参数在欧氏距离计算中的权重会变高,从而影响聚类的准确性。因此,分别采用特征提取和特征选择算法对选取的11个特征指标进行降维,并通过聚类可视化比较二者的效果。

2.2.1 特征提取算法

由图3可以看出,11个特征指标之间存在一定的线性结构,故采用主成分分析(principal component analysis,PCA)方法降维。PCA能够在缩小数据维度的基础上,对指标的重要性进行排序,以确保数据高维信息的损失最小化,解决多重共线问题。主成分的计算原理为

(2)

$\left\{\begin{array}{l}{D}_{1}={k}_{11}{X}_{1}+{k}_{12}{X}_{2}+\dots +{k}_{1m}{X}_{m}\\ {D}_{2}={k}_{21}{X}_{1}+{k}_{22}{X}_{2}+\dots +{k}_{2m}{X}_{m}\\ 　　　　　︙\\ {D}_{m}={k}_{m1}{X}_{1}+{k}_{m2}{X}_{2}+\dots +{k}_{mm}{X}_{m}\end{array}\right.$

式(2)中:D_i为第i个主成分;X_i为第i个原始数据,其中i=1,2,…,m; k_i为权重系数。

如表3所示为主成分提取情况,一般认为累计解释率达70%~80%代表主成分有效。前5个主成分的特征根均大于1,且累积方差解释率为76.743%,可认为其包含了绝大多数信息。因此,取ID为1~5的主成分代表全部主成分。

因子旋转是一种常用的因子分析技术,旨在简化因子载荷矩阵。这有助于使得每个因子能代表的驾驶行为信息比主成分更明确,更易于解释。其中,最大方差旋转是一种最常用的正交旋转方法,使每个因子载荷矩阵中的载荷值尽可能接近0或1,从而使每个因子的含义更加清晰和独立。

主成分分析和最大方差旋转后的载荷矩阵如表4和表5所示。载荷系数的绝对值大于0.4时,说明该变量与相应的主成分或因子显著相关,且相关性随着载荷系数的增加而增加。主成分PC₁、PC₂、PC₃ 能代表76.743%的原始数据。旋转后的荷载矩阵相较于原矩阵因子被赋予了实际意义。旋转因子RC₁多与车辆状态的标准差有关,RC₂代表车辆速度属性,RC₃与车辆方向盘偏转有关,RC₄和RC₅则多与车辆加速度有关。因此,以RC₁~RC₅为研究对象分析驾驶员的微观驾驶风格。

此步骤输出1 360行×5列的数据矩阵B。将其标准化,得到旋转矩阵的成分得分,应用其进行聚类。

2.2.2 特征选择算法

数据集中的大量特征会导致模型过度拟合,进而导致预测结果不佳。特征选择作为另外一种降维技术,可以在识别重要特征的基础上剔除掉弱相关、高噪音的特征。特征选择通常可以带来更好的学习性能、更高的学习精度、更低的计算成本、更强的泛化能力和更好的模型可解释性。首先采用逻辑分析去除不利于驾驶风格聚类的指标,接着采用低方差法去除波动较小的驾驶行为特征,最后基于高相关法进行特征重要性排序。

道路线形会极大影响速度平均值和速度极值,从而影响驾驶风格聚类效果。考虑到本次实验路段之间道路线形差异较大,基于逻辑判断去除了速度平均值和速度极值两个指标。此外,由于实验路段处于自由流状态且无外来车辆干扰,导致刹车踏板大多时间处于闭合状态,对模型构建的贡献有限,故去除刹车踏板深度指标。特征选择结果如表6所示。特征筛选遵循严格的递进流程:首先进行逻辑分析,继而采用低方差法,最终运用高相关法。在每个步骤中,符合标准的特征会被标记“√”并进入下一轮筛选;反之,则被标记“×”被立即排除,且不再参与后续任何检验。

高维数据集中可能存在方差较小,对模型的预测能力贡献有限的特征。为去除这些波动小、信息量较低的驾驶行为特征,采用低方差法进行特征筛选,仅保留方差较大的4个指标:V_sd、a_m、a_sd、H_m。

保留与目标变量高度相关的特征可以提升模型的预测能力,采用高相关法对特征重要性进行排序,如图4所示。最终,选取重要度排名前三且P接近于0的特征:速度标准差、加速度标准差、加速踏板压力。特征选择输出“1 360行×3列”的数据矩阵C,应用其进行聚类。

2.3 微观驾驶风格聚类

通过模拟驾驶实验收集的数据无标签属性,需采用无监督学习对驾驶风格的类别进行划分。常见的无监督聚类算法主要包括K-means、DBSCAN、层次聚类、均值漂移聚类等。其中,K-means由于其运行效率和准确性方面的优势,在相关研究中被广泛采用。

2.3.1 K-means聚类

K-means以簇内误差平方和为目标函数,将驾驶风格样本数据分成K个簇。同一驾驶风格内的数据点尽可能相似(误差平方和较小),而不同驾驶风格之间的数据点尽可能不同(误差平方和较大)。

对于给定数据集X=[x₁,x₂,…,x_n],K-means聚类主要分为如下几步:①确定要分成的簇的数量K;②随机选择K个数据点作为初始的簇中心{δ₁,δ₂,…,δ_K};③计算每个数据点x_i到所有簇中心δ_j(j=1, 2, …, K)的欧氏距离,并将其分配给最近的簇中心;④对每个簇重新计算中心点,将该簇中所有数据点的均值作为新的簇中心δ_j;⑤反复执行步骤③和步骤④,直至所有簇中心不再变化,或达到最大迭代次数。

在上述基础上,利用肘部规则来确定驾驶风格的类别数,如图5所示。簇内误差平方和(sum of squared distances, SSE)可以反映聚类结果的紧密程度,值越小代表聚合效果越好。

(3)

$SSE=\stackrel{n}{\sum _{i=1}}({x}_{i}-{\delta }_{k}{)}^{2}$

从图5中可以看出,当K= 3时,类内误差平方和下降速度变缓。因此,将驾驶风格划分为3类。

2.3.2 t-SNE降维可视化

t-SNE以其在处理高维非线性数据与可视化展示的优越性能,已被相关研究广泛采用。

将高维驾驶风格特征数据之间的欧氏距离转换为条件概率,以表达同一驾驶风格数据的相似度。选择数据点x_j作为x_i邻近点,在以x_i为中心点的高斯分布下概率p_j_|_i与数据点之间的距离成正比,即

(4)

${p}_{j|i}=\frac{exp(-{\left|{x}_{i}-{x}_{j}\right|}^{2}/2{\sigma }_{i}^{2})}{\sum _{m\ne i}\mathrm{e}\mathrm{x}\mathrm{p}(-{\left|{x}_{i}-{x}_{m}\right|}^{2}/2{\sigma }_{i}^{2})}$

式(4)中:σ_i表示以x_i为中心点的高斯分布的方差。

在低维空间中存在y_i、y_j与高维数据点x_i、x_j相对应,同样可以得到y_i与y_j的相似度q_j_|_i,即

(5)

${q}_{j|i}=\frac{exp(-{\left|{y}_{i}-{y}_{j}\right|}^{2})}{\sum _{m\ne i}\mathrm{e}\mathrm{x}\mathrm{p}(-{\left|{y}_{i}-{y}_{m}\right|}^{2})}$

若y_i、y_j可以完全模拟x_i、x_j的相似度,即理想效果下p_j_|_i=q_j_|_i。因此,t-SNE的优化目标就是最小化不同空间维度下条件概率之间的KL散度,即

(6)

$KL(\mathrm{P}=\mathrm{Q})=\stackrel{n}{\sum _{i=1}}\stackrel{n}{\sum _{j=1}}{p}_{j\left|i\right.}\mathrm{l}\mathrm{g}\frac{{p}_{j\left|i\right.}}{{q}_{j\left|i\right.}}$

2.3.3 两种降维方法聚类效果比较

将数据矩阵B、C导入K-means算法中进行聚类,并用t-SNE进行可视化。

图6为数据矩阵B进行K-means聚类后的结果。图7为数据矩阵B基于K-means聚类结果的t-SNE可视化,类内的点比较分散,类与类之间有堆叠且没有明显分界线。图8为数据矩阵C的聚类效果。图9为数据矩阵C的t-SNE可视化效果,相较于数据矩阵B,类间分界线变得更清晰,类内样本点也更加紧凑。可以看到不管K-means聚类还是t-SNE可视化,数据矩阵C都呈现了相较于B更好的聚类效果,表明特征选择的降维效果优于特征提取,故本研究选用特征选择算法进行指标的降维。

2.3.4 聚类结果分析

由表7模型聚类结果可知,20名实验驾驶员的微观驾驶风格依据车辆的速度标准差、加速度标准差与加速踏板深度可分为3类。类型1的聚类区域内包含996个样本点,其速度标准与加速度标准差均低于其他驾驶风格,表明这些路段驾驶人将车速控制于较稳定水平。全程车速变化幅度较小以及相对较少的急加速次数,均体现了这些路段驾驶人有着较高的谨慎程度,往往处于急弯或陡坡路段。因此,将类型1定义为谨慎型。类型2的聚类区域内包含312个样本点,其速度标准差、加速度标准差相对较大,但加速踏板深度相对浅,急加速次数相对较少。由此可知,驾驶人在这些路段行驶时对车辆有着良好把控。与类型3相比,该风格所有指标参数值均处于较低水平。因此,判定类型2为平稳型。类型3的聚类区域内仅包含52个样本点,该风格的速度标准差、加速度标准差与加速踏板深度值均高于谨慎型风格和平稳型风格,车速值域较高,且变化范围较大。该时段驾驶员心理较为轻松,驾驶行为控制较为随意,大多处于直线路段和平缓路段。因此,将类型3定义为激进型。

此外,以驾驶员为单位,分别统计了20名驾驶员谨慎型、平稳型、激进型驾驶风格的数量,如图10所示。可以看出,驾驶人在同一路段中呈现出了不同的微观驾驶风格。道路线形等外部条件会影响驾驶员行为,在不同线形条件下表现的驾驶风格可能会有所不同。实验设计路段为弯坡组合路段,由于道路线形的限制,驾驶员在面对特殊路段时心理状态大多为小心谨慎。这也解释了为何谨慎型驾驶风格样本数远超平稳型和激进型。

3 基于机器学习的微观驾驶风格辨识

上文的分析表明,驾驶员在一段路程中会表现出多种驾驶风格。通过聚类分析,将微观驾驶风格分为3类,利用这些聚类结果,提出了一种基于多种机器学习算法的驾驶风格辨识模型系统,能够精准识别驾驶员的微观驾驶风格。

传统研究通常遵循人工调参的模式,带有较强的主观性和片面性。此外,学者们多基于单一算法构建辨识模型,难以断定模型性能是否最优。

为了解决上述问题,基于启发式算法,能够快速、准确地搜索适用于不同模型的最优参数,进而构建了GA-XGBoost、GA-LightGBM、GA-SVM和GA-BPNN微观驾驶风格辨识模型,详细对比不同模型的预测精度和泛化能力。

3.1 数据增强

由图9可知,不同驾驶风格类别的样本量存在显著不均衡性。由于实验道路为弯坡组合路段,平稳型和激进型类别的样本数远少于谨慎型类别的样本数。各类别样本的不平衡会导致模型的泛化性能不足,影响模型性能。为了解决此问题,采用了两种数据增强技术:合成少数类过采样(synthetic minority over-sampling technique,SMOTE)和Tomek link欠采样。

如图11所示,通过结合SMOTE过采样和Tomek link欠采样进行数据增强,不同类别数据点分布更加均衡,且类与类之间分界线变得清晰。在维持数据信息代表性的同时,有效地缓解了类别样本量不平衡问题。

3.2 微观驾驶风格辨识模型

将数据增强后的数据矩阵进行分层等比例抽样,按照7∶3的比例将数据集划分为训练集和测试集。具体而言,70%的样本集用于训练驾驶风格辨识模型,其余30%的样本集则用于测试模型的有效性,以评估模型在未见数据上的性能。对训练集实施了5折交叉验证,不仅能够有效评估模型的稳定性和预测能力,还能最大限度地利用数据,减少模型对训练集分割方式的依赖。

其次,在训练过程中,为了进一步增强模型的泛化能力并优化参数,通过遗传算法对超参数进行寻优,以期获得最好的训练效果。

3.2.1 GA-XGBoost

XGBoost是一种基于决策树的梯度提升算法,其核心思想是通过集成多个弱学习器(通常是决策树)来提高模型的准确性和鲁棒性。其目标函数为

(7)

$Obj\left(\mathrm{\theta }\right)=\stackrel{n}{\sum _{i=1}}l({y}_{i},{\hat{y}}_{i})+\stackrel{K}{\sum _{k=1}}\Omega \left({f}_{k}\right)$

式(7)中:

${\hat{y}}_{i}$

为第i个驾驶数据样本x_i的预测值;正则化项Ω(f_k)为第k棵树的复杂度。

通过GA对XGBoost的参数进行寻优,结果如表8所示。

3.2.2 GA-LightgGBM

相较于传统的梯度提升树,LightGBM使用直方图算法对连续特征进行离散化,并引入了叶子节点增长策略,从而显著减少了计算复杂度和内存占用。

LightGBM实际上是XGBoost的改进模型,其目标函数与XGBoost相仿,在此不做赘述。

通过GA对LightGBM的参数进行寻优,结果如表9所示。

3.2.3 GA-SVM

SVM旨在建立一个超平面作为决策面,以最大化正负样本之间的隔离边缘。根据松弛变量最小化原则,目标函数为

(8)

$\underset{w,b,\xi }{\mathrm{m}\mathrm{i}\mathrm{n}}\frac{{\left(w\right)}^{2}}{2}+C\stackrel{n}{\sum _{i=1}}{\xi }_{i}$

式(8)中:w为超平面的权重向量;

${\xi }_{i}$

为松弛变量,允许某些样本不满足严格间隔要求,提高模型泛化能力;b为偏置项,决定了最优分类超平面的位置;C为惩罚系数。

为确保分类效果,需满足以下约束条件,即

(9)

${Y}_{i}(w{x}_{i}+b)\ge 1-{\xi }_{i},　{\xi }_{i}\ge 0,\forall i$

式(9)中:Y_i为样本标签;x_i为第i个训练样本的特征向量。

通过GA对SVM的参数进行寻优,结果如表10所示。

3.2.4 GA-BPNN

BPNN是一种多层前馈神经网络,本质是通过不断地进行前向传播计算和反向传播优化,直到达到预期误差的效果。

微观驾驶风格识别模型采用三层神经网络结构,输入层输入特征选择后的数据矩阵C,设定3个神经元:速度标准差、加速度标准差、加速踏板压力。输出为1、2、3共3种类型的概率,设定为3个神经元。建立3层神经网络结构如图12所示。

将特征选择后的数据矩阵C作为输入,按照线性关系映射到隐藏层。

(10)

$\mathrm{d}\mathrm{a}\mathrm{t}{\mathrm{a}}_{h}={\omega }_{1}\mathrm{d}\mathrm{a}\mathrm{t}{\mathrm{a}}_{C}+{b}_{1}$

式(10)中:data_h为映射后的数据形式;ω₁为输入层映射关系的权重矩阵;b₁为输入层模型偏置项。

从隐藏层到输出层,也经过线性运算,即

(11)

$\mathrm{d}\mathrm{a}\mathrm{t}{\mathrm{a}}_{\mathrm{o}\mathrm{u}\mathrm{t}}={\omega }_{2}\mathrm{d}\mathrm{a}\mathrm{t}{\mathrm{a}}_{\mathrm{I}\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{t}\mathrm{y}}+{b}_{2}$

式(11)中:data_out为输出数量值; data_Identity为激活层之后的数据形式,输出经过正则化后转换为概率分布;ω₂为输出层映射关系的权重矩阵;b₂为输出层模型偏置项。

通过GA对BPNN的参数进行寻优,结果如表11所示。

3.3 模型效果对比

选择泛化能力和总体精度指标来评价微观驾驶风格辨识模型的性能。

不同微观驾驶风格辨识模型的误差曲线如图13所示。随着迭代数的增加,各模型的误差呈现出减小的趋势,并逐渐趋于平稳。GA-XGBoost的预测误差较大,训练集误差趋于稳定但测试集误差较高,表明GA-XGBoost在训练集上过拟合较严重。GA-LightGBM的训练误差和测试误差均较低,且在迭代数增加时逐渐收敛,显示出良好的泛化性能。GA-SVM的训练误差和测试误差在初期下降迅速,且最终测试误差较低,表明GA-SVM模型具有较好的分类效果和稳定性。GA-BPNN在综合比较下表现最佳,具有最低的训练误差和测试误差。

为了进一步评估各算法在训练微观驾驶风格辨识模型中的表现,分别计算了每个模型在训练集、验证集和测试集上的准确率、召回率、精确度和F₁分数(图14)。直观地展示了不同模型的预测精度和泛化性能。各个模型在训练集上的准确率、召回率、精确度和F₁分数都接近于1。然而,GA-XGBoost在测试集上的预测效果不理想(准确率=0.875、召回率=0.875、精确率=0.876、F₁分数=0.875),表现出明显的过拟合现象和较差的泛化性能。相比之下,GA-LightGBM、GA-SVM和GA-BPNN则展示了较好的预测准确率和泛化性能。根据预性能的优劣排序,依次为GA-BPNN > GA-SVM > GA-LightGBM > GA-XGBoost。

混淆矩阵GA-XGBoost、GA-LightGBM、GA-SVM和GA-BPNN的预测结果与实际结果的对比情况如图15所示。根据混淆矩阵,可以看到各模型的预测准确率从高到低依次为GA-BPNN、GA-SVM、GA-LightGBM和GA-XGBoost。这与前述的分析结果相一致,进一步验证了GA-BPNN在预测准确率和泛化性能方面的优越性。

综上所述,基于GA-BPNN的驾驶风格辨识模型在泛化能力和整体精度方面表现出色。它能够有效识别弯坡路段的微观驾驶风格,展现出优异的预测能力和可靠性。

4 结论

建立了面向不同道路线性的微观驾驶风格分类及辨识体系,基于驾驶模拟实验平台,选取评价指标并采用特征工程算法实现降维,利用无监督学习K-means设计聚类模型, 并通过t-SNE进行可视化。最终,训练GA-XGBoost、GA-LightgBGM、GA-SVM以及GA-BPNN 4种微观驾驶风格辨识模型,并进行了比较择优,该体系可用于快速辨识未知场景的驾驶员风格标签,得出如下结论。

(1)相较于特征提取方法而言,特征选择使不同驾驶风格类别间分界线变得更清晰,类内样本点也更加紧凑,有更好的降维效果。

(2)通过K-means聚类分析发现,驾驶人的驾驶风格会受到道路情况的影响而发生变化。同一驾驶人在不同道路线形下可能表现出不同的驾驶风格。

(3)针对微观驾驶风格识别,GA-BPNN表现出最佳效果。其在预测未知数据时表现准确高效,具备强大的泛化能力。GA-LightGBM和GA-SVM的性能排在次优,GA-XGBoost的性能则显著低于其他3种模型。这一结果可以归因于数据参数的线性相关性较弱,限制了GA-XGBoost在非线性数据上的处理能力。

通过研究,不仅在微观驾驶风格识别方面取得了进展,也为未来在不同道路工况下的驾驶风格研究提供了新的思路和方法。这种多维度、多模型的方法,有助于进一步提升CAV的个性化服务和智能化水平,为其安全性的提高和用户体验的改善奠定了坚实基础。

研究仍存在一定局限性,由于实验数据来源于驾驶模拟器,其结果可能无法完全反映真实驾驶环境的复杂性和多变性。未来,将进一步采集实际道路驾驶数据,以开展更全面的微观驾驶风格辨识研究。

由于实验数据主要来源于驾驶模拟环境,实际道路驾驶数据的缺失可能会影响模型的泛化能力。未来,将进一步收集和分析实际道路驾驶数据,以对模型进行更全面的验证和优化。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张晓辉, 赵士舒, 郭魁元, 等. 商用车V2X应用场景特征及测试标准现状研究[J]. 中国汽车, 2022(2): 51-56.

[2]	Zhang Xiaohui, Zhao Shishu, Guo Kuiyuan, et al. Research on characteristics and current test standards of V2X application scena-rios for commercial vehicles[J]. China Auto, 2022(2): 51-56.

[3]	Chu H, Zhuang H, Wang W, et al. A review of driving style recognition methods from short-term and long-term perspectives[J]. IEEE Transactions on Intelligent Vehicles, 2023, 8(11): 4599-4612.

[4]	戢晓峰, 王健, 徐迎豪, 等. 基于驾驶风格的山区公路穿村镇段行车风险场灵敏度分析[J]. 交通运输系统工程与信息, 2024, 24(6): 316-325.

[5]	Da Xiaofeng, Wang Jian, Xu Yinghao, et al. Driving style-based sensitivity analysis of driving risk field in mountain highway through village and town sections[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(6): 316-325.

[6]	Ma Y, Li W, Tang K, et al. Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry[J]. Accident Analysis & Prevention, 2021, 154. DOI: 10.1016/j.aap.2021.106096.

[7]	Marina Martinez C, Heucke M, Wang F Y, et al. Driving style recognition for intelligent vehicle control and advanced driver assistance: a survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(3): 666-676.

[8]	Liang K, Zhao Z, Li W, et al. Comprehensive identification of driving style based on vehicle’s driving cycle recognition[J]. IEEE Transactions on Vehicular Technology, 2023, 72(1): 312-326.

[9]	Zhao S, Chen G, Hua M, et al. An identification algorithm of driver steering characteristics based on backpropagation neural network[J]. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2019, 233(9): 2333-2342.

[10]	刘通, 付锐, 马勇, 等. 考虑驾驶人风格的跟车预警规则研究[J]. 中国公路学报, 2020, 33(2): 170-180.

[11]	Liu Tong, Fu Rui, Ma Yong, et al. Car-following warning rules considering driving styles[J]. China Journal of Highway and Transport, 2020, 33(2): 170-180.

[12]	Zheng O, Abdel-Aty M, Yue L, et al. CitySim: a drone-based vehicle trajectory dataset for safety-oriented research and digital twins[J]. Transportation Research Record: Journal of the Transportation Research Board, 2024, 2678(4): 606-621.

[13]	Sun P, Wang X, Zhu M. Modeling car-following behavior on freeways considering driving style[J]. Journal of Transportation Engineering, Part A: Systems, 2021, 147(12). DOI: 10.1061/JTEPBS.0000584.

[14]	张立成, 张婷, 蔡学锐, 等. 驾驶行为分类方法及量化评估综述[J]. 汽车技术, 2024(5): 1-14.

[15]	Zhang Licheng, Zhang Ting, Cai Xuerui, et al. Review of classification methods and quantitative evaluation of driving behavior[J]. Automobile Technology, 2024(5): 1-14.

[16]	He X, Xu L, Zhang Z. Driving behaviour characterisation by using phase-space reconstruction and pre-trained convolutional neural network[J]. IET Intelligent Transport Systems, 2019, 13(7): 1173-1180.

[17]	Chen Z, Zhu B, Zhao J, et al. Variable servo characteristic brake system matching and implementing method based on driving style identification[J]. IEEE Transactions on Transportation Electrification, 2023, 9(1): 45-59.

[18]	Gong C, Zong C, Dai C, et al. Adaptive personalized steer-by-wire system design based on driving style identification[C]// IEEE 25th International Conference on Intelligent Transportation Systems (ITSC). Macau: IEEE, 2022: 1367-1374.

[19]	Liu W, Deng K, Zhang X, et al. A semi-supervised tri-CatBoost method for driving style recognition[J]. Symmetry, 2020, 12(3): DOI: 10.3390/sym12030336.

[20]	刘迪, 郑建明, 覃斌, 等. 基于自然驾驶场景大数据的驾驶风格研究[J]. 汽车技术, 2022(9): 36-42.

[21]	Liu Di, Zheng Jianming, Qin Bin, et al. Research on driving style based on big data of natural driving scene[J]. Automobile Technology, 2022(9): 36-42.

[22]	Wang W, Xi J, Zhao D. Driving style analysis using primitive driving patterns with bayesian nonparametric approaches[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(8): 2986-2998.

[23]	Chen C, Liu Q, Wang X, et al. Semi-Traj2Graph: identifying fine-grained driving style with GPS trajectory data via multi-task learning[J]. IEEE Transactions on Big Data, 2021, 8(6): 1550-1565.

[24]	杨玉凤, 曲大义, 兰添贺, 等. 基于机器学习的个性化驾驶风格倾性识别方法[J/OL]. [2025-10-13]. https://link.cnki.net/urlid/44.1401.n.20240102.1717.006.

[25]	Yang Yufeng, Qu Dayi, Lan Tianhe, et al. The personalized driving style propensity recognition method based on machine learning[J/OL]. [2025-10-13]. https://link.cnki.net/urlid/44.1401.n.20240102.1717.006.

[26]	杨玉凤, 曲大义, 兰添贺, 等. 基于深度学习的驾驶倾向性分类及辨识方法[J]. 广西大学学报(自然科学版), 2024, 49(2): 324-335.

[27]	Yang Yufeng, Qu Dayi, Lan Tianhe, et al. Deep learning-based driver’s driving propensityclassification and identification method[J]. Journal of Guangxi University(Natural Science Edition), 2024, 49(2): 324-335.

[28]	Shzdaleva 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.

[29]	Huang J, Chen Y, Peng X, et al. Study on the driving style adaptive vehicle longitudinal control strategy[J]. IEEE/CAA Journal of Automatica Sinica, 2020, 7(4): 1107-1115.

[30]	Chen X, Sun J, Ma Z, et al. Investigating the long-and short-term driving characteristics and incorporating them into car-following models[J]. Transportation Research Part C: Emerging Technologies, 2020, 117. DOI: 10.1016/j.trc.2020.102698.

[31]	Guo Q, Zhao Z, Shen P, et al. Adaptive optimal control based on driving style recognition for plug-in hybrid electric vehicle[J]. Energy, 2019, 186. DOI: 10.1016/j.energy.2019.07.154.

[32]	Wang X, Chen Z, Guo Q, et al. Transferability analysis of the freeway continuous speed model[J]. Accident Analysis & Prevention, 2021, 151. DOI: 10.1016/j.aap.2020.105944.

[33]	张立成, 张婷, 蔡学锐, 等. 驾驶行为分类方法及量化评估综述[J]. 汽车技术, 2024(5): 1-14.

[34]	Zhang Licheng, Zhang Ting, Cai Xuerui, et al. Review of classification methods and quantitative evaluation of driving behavior[J]. Automobile Technology, 2024(5): 1-14.

[35]	李奥迪, 曲大义, 戴守晨, 等. 基于可达性分析的网联自主车辆换道安全轨迹规划与仿真[J]. 科学技术与工程, 2024, 24(21): 9210-9217.

[36]	Li Aodi, Qu Dayi, Dai Shouchen, et al. Safe trajectory planning for lane changing based on reachability analysis[J]. Science Technology and Engineering, 2024, 24(21): 9210-9217.

[37]	魏传宝, 曲大义, 康爱平, 等. 基于风险势场的网联自主车辆换道行为建模[J]. 科学技术与工程, 2024, 24(20): 8754-8760.

[38]	Wei Chuanbao, Qu Dayi, Kang Aiping, et al. Modeling of lane change behavior of connected autonomous vehicles based on risk potential field[J]. Science Technology and Engineering, 2024, 24(20): 8754-8760.

[39]	付强, 赵晓华, 李海舰, 等. 跟驰事件下网联混驾编队的运行特征及生态安全影响[J]. 华南理工大学学报(自然科学版), 2024, 52(8): 65-75.

[40]	Fu Qiang, Zhao Xiaohua, Li Haijian, et al. Operational characteristics and eco-safe influence of connected mixed platoon in car-following event[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(8): 65-75.

[41]	李雪玮, 赵晓华, 李振龙, 等. 基于雾天高速车路协同模拟驾驶的驾驶人视觉信息加工模式[J]. 华南理工大学学报(自然科学版), 2021, 49(3): 131-138, 148.

[42]	Li Xuewei, Zhao Xiaohua, Li Zhenglong, et al. Driver’s visual information processing mode in foggy highway cooperative vehicle-infrastructure system environment based on simulated driving[J]. Journal of South China University of Technology(Natural Science Edition), 2021, 49(3): 131-138, 148.

[43]	田婉琪, 步兵, 吕继东, 等. 考虑驾驶特征识别的西部地区高速列车追踪运行轨迹预测方法研究[J]. 铁道学报, 2025(1): 71-81.

[44]	Tian Wanqi, Bu Bing, Lü Jidong, et al. Research on prediction method of high-speed train tracking trajectory based on driving feature recognition[J]. Journal of the China Railway Society, 2025(1): 71-81.

[45]	侯珊珊, 张杰, 张雪榆, 等. 考虑驾驶风格的高密度立交群出入口车辆驾驶风险研究[J]. 科学技术与工程, 2024, 24(10): 4317-4328.

[46]	Hou Shanshan, Zhang Jie, Zhang Xueyu, et al. Investigation on the driving risk of high-density over-exchange group vehicles considering driving style[J]. Science Technology and Engineering, 2024, 24(10): 4317-4328.

[47]	朱智湧, 秦华, 冉令华, 等. 左转车驾驶风格对直行车交互行为影响[J]. 科学技术与工程, 2024, 24(31): 13612-13619.

[48]	Zhu Ziyong, Qin Hua, Ran Linghua, et al. Effect of driving style of left-turning vehicles on the interaction behavior of straight-traveling vehicles[J]. Science Technology and Engineering, 2024, 24(31): 13612-13619.

[49]	Wang X, Guo Q, Tarko A P. Modeling speed profiles on mountainous freeways using high resolution data[J]. Transportation Research Part C: Emerging Technologies, 2020, 117. DOI: 10.1016/j.trc.2020.102679.

[50]	舒航, 杨官龙, 胡元礼, 等. 一种基于模糊控制的驾驶风格识别方法[C]// 第三十一届中国汽车工程学会年会暨展览会(SAECCE 2024). 重庆: 汽车工程学会, 2024: 594-602.

[51]	Shu Hang, Yang Guanlong, Hu Yuanli, et al.Recognition method for driving style based on fuzzy control[C]// The 31st China SAE Annual Conference and Exhibition (SAECCE2024). Chongqing: SAECCE, 2024: 594-602.

基金资助

国家自然科学基金面上项目(52178403)

PDF (16240KB)

访问

被引

详细

导航

Received	Published	Revised
2024-11-07	2026-01-18	2025-09-30
Online Date
2026-09-20

摘要