郝景賢，余卓平，趙治國，詹驍文，沈沛鴻

(1.同濟大學新能源汽車工程中心，上海 201804； 2.上汽大通汽車有限公司，上海 200438)

前言

駕駛風格指駕駛員的習慣性駕駛方式[1]。研究表明，混合動力汽車與傳統(tǒng)汽車一樣，其燃油經濟性和排放性能受駕駛員的駕駛風格影響較大[2-3]。因此，除駕駛員自身需要培養(yǎng)出良好的駕駛習慣外，在整車控制策略開發(fā)過程中，對駕駛員駕駛風格進行有效識別，以增強整車對不同駕駛風格的適應性具有重要意義。

關于駕駛風格對車輛燃油經濟性的影響，國外學者開展了諸多研究。其中，文獻[4]中通過建模仿真研究了駕駛員行為對某串聯(lián)式混合動力大客車燃油經濟性的影響，發(fā)現(xiàn)經常急劇加減速的激進型駕駛行為所造成的燃油消耗比正常型高60%。為獲得更好的燃油經濟性，文獻[5]中通過仿真對幾種典型工況下的駕駛風格進行了優(yōu)化，發(fā)現(xiàn)趨于保守的駕駛風格更節(jié)油，但會額外延長行駛時間。

在駕駛風格識別研究方面，國外采用了諸多方法，文獻[6]中對此進行了總結。雖然方法各有不同，但總體上將駕駛風格分為3類：冷靜(calm，soft或mild)型，正常(normal)型和激進(aggressive，hard)型。其中，文獻[7]中以車速標準差和加速踏板踩踏速度標準差為基準，將駕駛風格從最冷靜到最激進程度進行分類，并提出了一種基于單輸入單輸出的神經網絡對駕駛風格進行識別的方法。文獻[8]中采用沖擊度結合典型工況下的平均沖擊度值來表征駕駛風格并進行在線識別。文獻[9]中利用k最近鄰算法、神經網絡、決策樹和隨機森林等方法對駕駛員風格進行了識別。文獻[10]中搭建了一種基于數據挖掘和神經網絡等人工智能技術對駕駛風格進行識別并提供駕駛建議的DrivingStyles軟硬件平臺。在國內的研究文獻[11]和文獻[12]中，主要通過對駕駛員操作加速踏板和制動踏板的動作進行分析，結合車速等參數，通過模糊邏輯對駕駛員驅動和制動意圖進行識別，將其細分為急加速、緩加速、低速巡航、高速巡航和緊急制動等。

文中基于某款混合動力汽車，通過實車試驗采集了表征駕駛風格的相關參數，采用主成分分析對參數進行降維處理，應用K-均值聚類對駕駛風格進行分類，最后利用支持向量機對駕駛風格進行識別。所開發(fā)的駕駛風格分類和識別方法可為自適應駕駛風格策略的制定奠定基礎。

1 混合動力汽車駕駛風格數據采集與分析

對駕駛風格進行分析和研究，須獲得與之密切相關的諸多數據。為獲得最真實的、最能反映駕駛風格的數據，進行了專門的道路試驗?？紤]到實際道路環(huán)境和交通狀況等不可控因素變化對駕駛風格的影響，在開展駕駛試驗前，須對試驗路徑等試驗條件進行規(guī)劃，以盡量減小這些因素對駕駛員的影響。

1.1 樣車與行駛路線的選擇

試驗車輛為某款四輪驅動強混合動力轎車，其動力系統(tǒng)框架如圖1所示。

圖1 混合動力轎車動力系統(tǒng)架構

基于安全和資金考慮，沒有在高速公路和城區(qū)擁堵道路等環(huán)境進行試驗，僅模擬城市郊區(qū)工況，從而分析識別駕駛員在郊區(qū)工況的駕駛風格。駕駛員道路試驗在校園內進行。為模擬城市郊區(qū)的駕駛環(huán)境，對試驗路線進行規(guī)劃，如圖2所示。

粗線部分即為整個試驗路線。每一趟駕駛試驗起止于圖中所示的A點。B點為校門口交叉路口，C點和D點為學生宿舍區(qū)域起止點(須低速行駛)。因此根據各點實際的道路交通環(huán)境，將整個路線分成4段，即AB段、BC段、CD段和DA段。AB段是從交通人流量較小處至交叉路口，BC段是從交叉路口至交通人流量較大處，CD段為交通人流量較大區(qū)域，DA段為交通人流量較大處至交通人流量較小處。這些路段覆蓋不同的交通人流量，因此所規(guī)劃的路線基本上可模擬真實的城市郊區(qū)駕駛環(huán)境。

1.2 試驗數據的采集

試驗過程中，采用圖3所示的系統(tǒng)采集與駕駛風格相關的數據。

圖2 駕駛試驗路線規(guī)劃

圖3 駕駛試驗數據采集系統(tǒng)

表1 駕駛風格特征參數及其測試數據

為研究駕駛風格，須采集不同駕駛員在道路駕駛試驗中的加速踏板行程、制動踏板行程和車速等相關參數。文中選擇10位不同的駕駛員，開展了實際道路駕駛試驗，共采集到有效試驗數據樣本28組。

至于哪些參數能表征駕駛員風格，目前還沒有統(tǒng)一的標準。文中利用表1所示的25個參數來表征駕駛風格，相關數值也一并列出。

1.3 基于主成分分析的駕駛風格特征參數

駕駛風格相關表征參數眾多，導致計算和分析過程復雜，因此有必要采用主成分分析方法[13]對駕駛風格特征參數進行簡化和降維處理。

車輛行駛過程中，以激進型和平和型來區(qū)分駕駛員的風格，有以下4種情況：加速激進減速平和；加減速均激進；加速平和減速激進和加減速均平和。因此，為便于分析，從表1的25個駕駛風格參數各選取出與加速有關的參數19個，與減速有關的參數10個。與加速有關的參數為：行駛時間t，最大車速vmax，平均車速 vmean，車速標準差 vsd，最大加速度amax，平均加速度amean，加速沖擊度平均值jamean，沖擊度標準差jsd，加速沖擊度最大值jamax，最大加速踏板行程Apmax，加速踏板行程平均值Apmean，加速踏板行程標準差Apsd，加速踏板行程變化率最大值Aprmax，踩加速踏板行程變化率平均值Aprmeanp，松加速踏板行程變化率平均值Aprmeanr，加速踏板行程變化率標準差Aprsd，加速需求功率系數最大值pamax，加速需求功率平均值pamean和需求功率系數標準差psd共19個；而與減速有關的參數為：行駛時間t，最大車速vmax，平均車速 vmean，車速標準差 vsd，最大減速度bmax，平均減速度bmean，減速沖擊度平均值jbmean，減速沖擊度最大值jbmax，減速需求功率系數最大值pbmax和減速需求功率平均值pbmean共10個。

利用SPSS軟件對加速時駕駛風格參數構成的樣本矩陣進行主成分分析，得到19個主成分的貢獻率如圖4所示。

得到19個主成分的特征值碎石圖如圖5所示。

圖4 主成分貢獻率(加速時)

圖5 主成分的特征值碎石圖(加速時)

從圖4可見，前4個主成分的累計貢獻率為85.725%。按照累計貢獻率大于85%的要求，取前4個主成分就可以代表加速時駕駛風格特征參數的絕大部分信息。同樣地，由圖5可知，按照特征值大于1的要求選擇主成分，可選擇前4個主成分。因此，前4個主成分能代表加速時表征駕駛風格的所有特征參數。前4個主成分的得分如表2所示。主成分得分矩陣將用于聚類分析。

同樣地，利用SPSS軟件對減速時駕駛風格參數構成的樣本矩陣進行主成分分析，可選取前3個主成分作為駕駛風格的特征參數。主成分得分矩陣如表2所示。

1.4 駕駛風格特征參數的聚類分析

1.4.1 聚類分析

本文中采用基于劃分的 K-均值聚類分析方法[14]根據經主成分分析處理后的駕駛風格特征參數(分加速和減速)值相近的原則對28個樣本進行分類。

1.4.2 駕駛風格分析

采用SPSS軟件對表2中在加速情況下的樣本進行聚類分析，并設置類別數為2，得到的聚類結果如圖6所示。其中聚類結果1和2分別表示第1類和第2類駕駛風格。

對聚類后兩類樣本進行分析，得到第1和第2類共19個加速時駕駛風格特征參數，見表3。

從表3可見，在駕駛車輛時，加速時第2類駕駛風格體現(xiàn)出車速高、車速變化快、沖擊度大、沖擊度變化快、加速踏板行程大、踩加速踏板速度快、需求功率系數大和需求功率系數變化快的特點，這種駕駛風格即為加速激進型駕駛風格。與此對比，第1類駕駛風格體現(xiàn)出的各特征參數較小且變化較慢，這種駕駛員風格即為加速平和型駕駛風格。

同樣地，采用與加速工況下駕駛風格分析同樣的方法，得到減速平和型和減速激進型駕駛風格的聚類結果，分別以第1類和第2類表示。結果如圖7所示。

表2 主成分得分(加速和減速)

圖6 駕駛風格聚類結果(加速時)

表3 第1類和第2類駕駛風格特征參數(加速)

圖7 駕駛風格聚類結果(減速時)

將加速和減速情況下的駕駛風格進行綜合，可得到28個樣本所體現(xiàn)出的3種駕駛風格：加減速平和型、加速平和減速激進型和加減速激進型，分別記為-1，0和1，如圖8所示。三者分別占總數的50%，17.86%和32.14%。

圖8 綜合駕駛風格聚類結果

2 基于支持向量機方法的駕駛風格識別

支持向量機[15]在解決小樣本、非線性和高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，因此適合于駕駛風格分類識別的要求。

2.1 基于支持向量機方法的駕駛風格識別

通過聚類分析已得到28個樣本中每一個樣本所屬的類別，并將屬于同一種駕駛風格的樣本組合在一起。在此基礎上進行數據處理，構造滿足支持向量機算法要求的矩陣，其數據如表4所示。將加速與減速時平和型駕駛風格和激進型駕駛風格類別分別記為1和2。

分別采用表4中的數據構造各類別的訓練集和測試集。對于加速情況，28個樣本中，前19個樣本為第1類，剩下的9個樣本為第2類。取第1類的1-10樣本、第2類的20-24樣本為訓練集，取第1類的11-19樣本、第2類的25-28樣本為測試集。采用訓練集對支持向量機網絡進行學習訓練后，對未參與學習的測試集所屬類別進行識別。識別結果如圖9所示。

表4 用于識別的駕駛風格特征參數(加速和減速時)

圖9 駕駛風格支持向量機識別結果(加速時)

在減速情況下，前14個樣本為第1類，剩下的14個樣本為第2類。取第1類中的1-7樣本、第2類的15-21樣本為訓練集，以第1類的8-14樣本、第2類的第22-28樣本為測試集。識別結果如圖10所示。

由圖9和圖10可知，運用支持向量機方法分別對加速和減速情況下的駕駛風格進行識別，在加速情況下僅有樣本26的激進型風格錯誤識別為平和型風格，在減速情況下僅有樣本10的平和型風格錯誤識別為激進型風格。總體的識別準確率達90%以上。因此，支持向量機方法對于駕駛風格的識別是有效和準確的。

圖10 駕駛風格支持向量機識別結果(減速時)

根據圖8可知28個樣本中每一個樣本的綜合駕駛風格。將加減速平和型加速平和減速激進型與加減速激進型3類駕駛風格類別分別記為-1，0和1，并對樣本進行重新排序，將相同類別的樣本放在一起。構造滿足支持向量機算法要求的矩陣，如表5所示。

取類別為-1的1-7樣本、類別為0的15-19樣本、類別為1的20-24樣本為訓練集，取類別為-1的8-14樣本、類別為0的15-19樣本、類別為1的25-28樣本為測試集。圖11為測試集樣本的實際類別與支持向量機方法的識別結果。從圖中可以看出，支持向量機方法對3類樣本的識別準確率達15/16＝93.75%。

綜上所述，基于小樣本駕駛風格特征參數，采用支持向量機方法對駕駛風格進行識別，無論是對于加速或減速時的兩類駕駛風格問題，還是對于加減速時的3類駕駛風格問題，支持向量機方法的識別準確率達到90%以上。因此支持向量機方法對于駕駛風格的識別具有良好的效果。

表5 用于識別的駕駛風格特征參數(加減速時)

圖11 綜合駕駛風格支持向量機識別結果

3 結論

(1)通過實車試驗采集了表征駕駛風格的相關參數，采用主成分分析實現(xiàn)了對參數的降維和簡化處理，應用K-均值聚類分析對駕駛風格進行分類，最后利用支持向量機對駕駛風格進行識別。結果表明，駕駛風格的識別準確率達到了90%以上。

(2)通過駕駛風格主成分分析、聚類分析和支持向量機識別，可構建一套駕駛風格識別的有效方法，并可將其應用于混合動力汽車的控制策略優(yōu)化中。對于識別出的不同駕駛風格，采取不同的控制策略，從而為駕駛風格自適應控制策略的開發(fā)奠定基礎。

[1] ELANDER J，WESTR，F(xiàn)RENCH D.Behavioral correlatesof individual differences in road-traffic crash risk：an examinationmethod and findings[J].Psychological Bulletin，1993，113(2)：279-294.

[2] SON J，PARKM，WON K，et al.Comparative study between Korea and UK：relationship between driving style and real-world fuel consumption[J].International Journal of Automotive Technology，2016，17(1)：175-181.

[3] FONSECA G N， CASANOVA K J， ESPINOSA Z F.Influence of driving style on fuel consumption and emissions in diesel-powered passenger car[C].Proceedings 18thInternational Symposium Transport and Air Pollution，2010.

[4] ZORROFIS， FILIZADEH S， ZANETEL P.A simulation study of the impact of driving patterns and driver behavior on fuel economy of hybrid transit buses[C].Vehicle Power and Propulsion Conference，2009.VPPC'09.IEEE，2009：572-577.

[5] MALIKOPOULOS A，AGUILAR P.Optimization of driving styles for fuel economy improvement[C].International IEEE Conference on Intelligent Transportation Systems.IEEE，2012：194-199.

[6] WANG R，LUKIC M.Review of driving conditions prediction and driving style recognition based control algorithms for hybrid electric vehicles[C].Vehicle Power and Propulsion Conference.IEEE，2011：1-7.

[7] AUGUSTYNOWICZ A.Preliminary classification of driving style with objective rank method[J].International Journal of Automotive Technology，2009，10(5)：607-610.

[8] MURPHEY L，MILTON R，KILIARIS L.Driver's style classification using jerk analysis[C].Computational Intelligence in Vehicles and Vehicular Systems，2009.CIVVS'09.IEEE Workshop on.IEEE，2009：23-28.

[9] KARGINOVA N，BYTTNER S，SVENSSONM.Data-drivenmethods for classification of driving styles in buses[C].SAE World Congress，2012.

[10] JAVIER M，CARLOSC，JUAN C，et al.Characterizing the driving style behavior using artificial intelligence techniques[J].IEEE，2011，978-1-53682.

[11] 王慶年，唐先智，王鵬宇，等.基于神經網絡的混合動力汽車駕駛意圖識別方法[J].農業(yè)機械學報，2012，43(8)：32-36.

[12] 王英范，寧國寶，余卓平.乘用車駕駛員制動意圖識別參數的選擇[J].汽車工程，2011，33(3)：213-216.

[13] 程鐵信，吳浩剛，孫錫衡.一種基于主成分分析的評標方法[J].系統(tǒng)工程理論與實踐，2010，20(2)：118-121.

[14] 馮超.K-means聚類算法的研究[D].大連：大連理工大學，2007.

[15] 鄧乃揚，田英杰.數據挖掘中的新方法——支持向量機[M].北京：科學出版社，2004.