李振龍，韓建龍，趙曉華，朱明浩，董文會(huì)

（北京工業(yè)大學(xué)城市交通學(xué)院，北京100124）

基于K近鄰和支持向量機(jī)的醉酒駕駛識(shí)別方法的對(duì)比分析

李振龍*，韓建龍，趙曉華，朱明浩，董文會(huì)

（北京工業(yè)大學(xué)城市交通學(xué)院，北京100124）

醉酒駕駛嚴(yán)重威脅道路交通安全，對(duì)醉酒駕駛進(jìn)行準(zhǔn)確識(shí)別意義重大.利用駕駛模擬艙進(jìn)行駕駛實(shí)驗(yàn)，提取醉酒駕駛和正常駕駛的駕駛行為參數(shù).首先，通過(guò)方差分析和均值分析選取方向盤轉(zhuǎn)角作為識(shí)別特征，并采用滑動(dòng)數(shù)據(jù)窗求取方向盤轉(zhuǎn)角均值序列，構(gòu)建識(shí)別特征參數(shù)；然后，分別采用K近鄰(KNN)和支持向量機(jī)(SVM)對(duì)駕駛狀態(tài)進(jìn)行識(shí)別，得到兩種分類方法在不同道路線形的最高識(shí)別準(zhǔn)確率及其相對(duì)應(yīng)的最優(yōu)數(shù)據(jù)窗；最后，對(duì)兩種分類方法進(jìn)行了對(duì)比分析.結(jié)果表明，SVM對(duì)醉酒駕駛的識(shí)別性能優(yōu)于KNN；數(shù)據(jù)窗對(duì)KNN的識(shí)別準(zhǔn)確率影響顯著，對(duì)SVM的識(shí)別準(zhǔn)確率影響不明顯.

智能交通；醉酒駕駛識(shí)別；K近鄰；支持向量機(jī)；數(shù)據(jù)窗

1 引言

隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，機(jī)動(dòng)車保有量急劇增長(zhǎng)，交通事故越來(lái)越多.據(jù)統(tǒng)計(jì)，2014年1～2月國(guó)內(nèi)生產(chǎn)安全事故發(fā)生130起，其中交通事故89起，占事故總數(shù)的68.46%.交通事故的死亡人數(shù)占總死亡人數(shù)的71.51%，交通事故的受傷人數(shù)占總受傷人數(shù)的88.17%[1].造成人員死亡和重傷的酒后駕駛交通事故占酒后駕駛交通事故總數(shù)的68.5%[2].酒后駕駛對(duì)駕駛員本人和社會(huì)生命財(cái)產(chǎn)安全帶來(lái)巨大的威脅.因此，對(duì)酒后駕駛進(jìn)行快速、準(zhǔn)確識(shí)別意義重大.

目前，酒后駕駛的識(shí)別主要分為三類.第一類，基于駕駛員血液酒精濃度的識(shí)別.國(guó)內(nèi)交通管理部門通過(guò)呼氣式酒精檢測(cè)儀和血液抽樣來(lái)識(shí)別駕駛員的駕駛狀態(tài)；Minoru等設(shè)計(jì)了不接觸的、通過(guò)呼出氣的正負(fù)電荷來(lái)剔除干擾氣體的呼氣酒精檢測(cè)器[3]；Huang設(shè)計(jì)了基于呼出氣的PIC檢測(cè)預(yù)警系統(tǒng)[4].這類方法存在一個(gè)弊端，即當(dāng)駕駛員處于醉酒狀態(tài)時(shí)一般不會(huì)主動(dòng)使用這些裝置，造成不能及時(shí)識(shí)別駕駛員的狀態(tài).第二類，基于生、心理信號(hào)的識(shí)別.Kohji等設(shè)計(jì)了非侵入式的生理傳感器系統(tǒng)，通過(guò)測(cè)量駕駛員的生理信號(hào)，建立基于頻域時(shí)間序列分析的傳感器系統(tǒng)，從而來(lái)識(shí)別酒后駕駛[5]；鄒陽(yáng)等研究了醉酒者和正常者的腦電信號(hào)的樣本熵，證明了醉酒者的樣本熵普遍大于正常者的樣本熵[6]；歐居尚證明了利用飲酒對(duì)r腦電波造成的顯著影響判定酒駕是可行的[7].這類方法所采用的設(shè)備會(huì)對(duì)駕駛員的駕駛操作行為產(chǎn)生一定的影響，并且駕駛員的生理信號(hào)和心理信號(hào)受情緒影響明顯，對(duì)駕駛狀態(tài)判別產(chǎn)生影響.第三類，基于圖像處理的識(shí)別.利用攝像頭獲取的駕駛員瞳孔信息、方向盤搖擺信息等與正常駕駛狀態(tài)進(jìn)行比較，從而判斷是否酒后駕駛.Wu等設(shè)計(jì)了利用攝像頭監(jiān)測(cè)駕駛員臉部并與酒精檢測(cè)器結(jié)合的自動(dòng)防酒駕系統(tǒng)[8].這類方法受光線影響明顯，而且算法設(shè)計(jì)復(fù)雜，難以實(shí)現(xiàn).

針對(duì)上述酒后駕駛識(shí)別方法存在的不足，本文采用駕駛行為參數(shù)來(lái)識(shí)別是否醉酒駕駛.首先利用駕駛模擬艙進(jìn)行駕駛實(shí)驗(yàn)，提取醉酒和正常駕駛狀態(tài)下的駕駛行為參數(shù).通過(guò)方差分析和均值分析選取方向盤轉(zhuǎn)角為識(shí)別特征.采用滑動(dòng)數(shù)據(jù)窗求取方向盤轉(zhuǎn)角均值序列，構(gòu)建識(shí)別特征參數(shù)，分別采用K近鄰（KNN）和支持向量機(jī)（SVM）對(duì)駕駛員的駕駛狀態(tài)進(jìn)行識(shí)別，得到了兩種分類方法在不同道路線形的最高識(shí)別準(zhǔn)確率及其相對(duì)應(yīng)的最優(yōu)數(shù)據(jù)窗.最后對(duì)這兩種分類方法的性能進(jìn)行了對(duì)比分析，并研究了數(shù)據(jù)窗對(duì)這兩種分類方法性能的影響.

2 實(shí)驗(yàn)設(shè)計(jì)

駕駛實(shí)驗(yàn)在駕駛模擬艙進(jìn)行，實(shí)驗(yàn)招募了25名合格的駕駛員，駕駛員平均年齡25歲（年齡標(biāo)準(zhǔn)差4.1歲），平均駕齡3.6年.實(shí)驗(yàn)中采用北京牛欄山二鍋頭56度白酒作為飲用酒，用礦泉水在實(shí)驗(yàn)中控制駕駛員所飲液體總量.用吹氣式酒精檢測(cè)儀測(cè)取駕駛員的血液酒精濃度（Blood Alcohol Concentration，BAC）水平[9].本文對(duì)駕駛員醉酒駕駛（BAC水平為0.09%）和正常駕駛（BAC水平為0.00%）時(shí)的駕駛行為進(jìn)行研究.

實(shí)驗(yàn)設(shè)計(jì)了三條駕駛路線，每條路線由三種半徑（200 m、500 m、800 m）的左右兩個(gè)轉(zhuǎn)向的彎道和直線道路組成.為減少駕駛員因熟悉路線對(duì)數(shù)據(jù)質(zhì)量的影響，每次實(shí)驗(yàn)時(shí)駕駛員隨機(jī)選擇駕駛路線[9].實(shí)驗(yàn)采集了車輛速度、加速度、偏離中心線距離、加速踏板踩踏深度、制動(dòng)踏板踩踏深度、方向盤轉(zhuǎn)角等駕駛參數(shù).本文選取的路線為三種半徑的左右兩個(gè)轉(zhuǎn)向彎道:200Z（半徑為200 m的左轉(zhuǎn)彎道）、200Y（半徑為200 m的右轉(zhuǎn)彎道）、500Z（半徑為500 m的左轉(zhuǎn)彎道）、500Y（半徑為500 m的右轉(zhuǎn)彎道）、800Z（半徑為800 m的左轉(zhuǎn)彎道）、800Y（半徑為800 m的右轉(zhuǎn)彎道）.

3 特征提取

采用單因素方差分析方法，對(duì)實(shí)驗(yàn)采集的六種道路線形的醉酒駕駛和正常駕駛的偏離中心線距離、方向盤轉(zhuǎn)角、制動(dòng)踏板的踩踏深度、加速踏板的踩踏深度、速度和加速度的標(biāo)準(zhǔn)差分別進(jìn)行分析，如表1所示.

表1 方差分析結(jié)果Table1The results of variance analysis

如表1所示，醉酒駕駛和正常駕駛的方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差在大多數(shù)道路線形都具有顯著性差異.為進(jìn)一步分析方向盤轉(zhuǎn)角在醉酒駕駛狀態(tài)和正常駕駛狀態(tài)的不同，對(duì)所有駕駛員方向盤轉(zhuǎn)角均值的絕對(duì)值進(jìn)行了分析，如圖1所示.

圖1 方向盤轉(zhuǎn)角均值的絕對(duì)值Fig.1 The absolute value of the mean of the steering wheel angel

從圖1可以看出，醉酒駕駛方向盤轉(zhuǎn)角均值的絕對(duì)值在6種道路線形均大于正常駕駛.綜上分析，本文選取方向盤轉(zhuǎn)角為駕駛狀態(tài)識(shí)別特征，采用滑動(dòng)數(shù)據(jù)窗提取特征參數(shù)，具體步驟如下：

Step 1提取方向盤轉(zhuǎn)角的數(shù)值序列{sw1,sw2,…,swn}；

Step 2給定數(shù)據(jù)窗l(fā),計(jì)算方向盤轉(zhuǎn)角均值

Step 3每次向后移動(dòng)m個(gè)數(shù)據(jù)點(diǎn)，計(jì)算方向盤轉(zhuǎn)角均值

4 醉酒駕駛識(shí)別

4.1 基于KNN的醉酒駕駛識(shí)別

4.1.1 KNN分類方法

KNN的分類思想是：給定一個(gè)未知樣本，取未知樣本的K個(gè)近鄰，這K個(gè)近鄰中，多數(shù)樣本的類別屬性就是未知樣本的類別屬性[10].由于KNN分類方法中K值的選擇沒(méi)有固定的計(jì)算公式，并且K值的大小對(duì)識(shí)別結(jié)果有一定影響.本文通過(guò)實(shí)驗(yàn)分析了不同K值對(duì)駕駛狀態(tài)識(shí)別準(zhǔn)確率的影響，如圖2所示，選定K=5.

圖2 K值與識(shí)別準(zhǔn)確率的關(guān)系Fig.2 The relationship between K and the recognition accuracy

4.1.2 基于KNN的醉酒駕駛識(shí)別

采用KNN進(jìn)行醉酒駕駛識(shí)別分為以下3步：

Step 1數(shù)據(jù)預(yù)處理.

提取駕駛實(shí)驗(yàn)采集的方向盤轉(zhuǎn)角數(shù)據(jù)，采樣點(diǎn)n=600，采用式（3）將數(shù)據(jù)歸一到[-1,1].

Step 2構(gòu)建樣本集.

給定數(shù)據(jù)窗，求取方向盤轉(zhuǎn)角均值序列，構(gòu)造識(shí)別特征參數(shù)，形成樣本集.合理的選取數(shù)據(jù)窗l(fā)和移動(dòng)間隔m可以避免有用信息的丟失、提高醉酒駕駛特征參數(shù)的分類能力，本文選取l=10、20、30、40、50、60、100、120、150，m=l.

Step 3分類效果測(cè)試.

選取5個(gè)醉酒駕駛樣本和5個(gè)正常駕駛樣本構(gòu)成測(cè)試樣本集，采用KNN進(jìn)行識(shí)別，得到最優(yōu)數(shù)據(jù)窗（得到最高識(shí)別準(zhǔn)確率時(shí)所對(duì)應(yīng)的數(shù)據(jù)窗，并且在此數(shù)據(jù)窗下特征參數(shù)維數(shù)最多）和最高識(shí)別準(zhǔn)確率，如圖3所示.?

圖3 KNN識(shí)別結(jié)果Fig.3 The recognition results of KNN

從圖3可以看出，采用KNN進(jìn)行識(shí)別，平均識(shí)別準(zhǔn)確率為68.3%，其中在200Z和800Y識(shí)別準(zhǔn)確率最高（80%）；在絕大多數(shù)的道路線形最優(yōu)數(shù)據(jù)窗為10，在500Y最優(yōu)數(shù)據(jù)窗為20.

4.2 基于SVM的醉酒駕駛識(shí)別

支持向量機(jī)（Support vector machine，SVM）是Vapnik等人在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上提出的一種模式識(shí)別的新方法.SVM通過(guò)定義適當(dāng)?shù)暮撕瘮?shù)將輸入向量映射到高維空間中，然后在高維空間求最優(yōu)分類面[10].由于支持向量機(jī)在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多優(yōu)勢(shì)，而且能夠推廣到非線性回歸等問(wèn)題中[10]，因此，很多學(xué)者對(duì)支持向量機(jī)進(jìn)行了研究.本文采用臺(tái)灣大學(xué)林智仁博士等開發(fā)設(shè)計(jì)的LIBSVM算法，LIBSVM可以解決分類問(wèn)題（support vector classification，SVC）、回歸問(wèn)題（support vector regression，SVR）和分布估計(jì)（One-class SVM）等問(wèn)題[11].LIBSVM提供了線性、多項(xiàng)式、RBF函數(shù)、Sigmod等核函數(shù).

采用式（3）對(duì)方向盤轉(zhuǎn)角進(jìn)行歸一化.在構(gòu)建訓(xùn)練模型時(shí)，選取的核函數(shù)為RBF函數(shù)：k(x,y)=exp{-g|x-y|^2}，但RBF函數(shù)性能優(yōu)劣跟懲罰系數(shù)C和RBF的系數(shù)g的關(guān)系很大[11]，因此采用網(wǎng)格搜索來(lái)對(duì)C和g尋優(yōu).基于SVM的醉酒駕駛識(shí)別流程如圖4所示.

圖4 SVM醉酒駕駛識(shí)別流程Fig.4 The drunk driving recognition process of SVM

基于圖4所示識(shí)別流程，選用與上述KNN一致的訓(xùn)練樣本集和測(cè)試樣本集，對(duì)SVM的識(shí)別效果進(jìn)行測(cè)試，結(jié)果如圖5所示.

圖5 SVM識(shí)別結(jié)果Fig.5 The recognition results of SVM

從圖5可以看出，采用SVM的平均識(shí)別準(zhǔn)確率為81.7%，在800Y識(shí)別準(zhǔn)確率最高（90%）；最優(yōu)數(shù)據(jù)窗在不同道路線形分布較分散.

4.3 KNN和SVM分類方法對(duì)比分析

4.3.1 KNN和SVM分類方法識(shí)別效果對(duì)比分析

為進(jìn)一步分析兩種分類方法的識(shí)別效果，采用查全率和查準(zhǔn)率[12]對(duì)兩種分類方法進(jìn)行對(duì)比分析.同時(shí)，使用F1測(cè)試值來(lái)綜合考慮這兩個(gè)指標(biāo)[13].

運(yùn)用測(cè)試樣本集進(jìn)行測(cè)試的實(shí)驗(yàn)結(jié)果如表2和圖6所示.

表2 兩種分類方法的分類效果比較Table 2The comparison of the classification effect of the two algorithms

圖6 兩種分類方法的F1值比較Fig.6 The comparison of F1 of the two algorithms

從表2和圖6可知，SVM的識(shí)別準(zhǔn)確率超過(guò)KNN 17.2%，SVM的查全率比KNN高出19.9%，SVM在各個(gè)類別處的F1值基本均大于KNN，平均高出18.6%.可見(jiàn)，SVM比KNN在醉酒駕駛識(shí)別方面有更好的識(shí)別性能.

4.3.2 數(shù)據(jù)窗對(duì)KNN和SVM識(shí)別準(zhǔn)確率的影響

首先采用ANOVA分析了數(shù)據(jù)窗對(duì)識(shí)別準(zhǔn)確率的影響（KNN：F=3.188,p=0.006;SVM：F=0.987,p=0.459），可見(jiàn)數(shù)據(jù)窗對(duì)KNN識(shí)別準(zhǔn)確率產(chǎn)生了顯著影響，對(duì)SVM識(shí)別準(zhǔn)確率的影響不明顯.其次對(duì)不同數(shù)據(jù)窗的總體樣本識(shí)別準(zhǔn)確率的平均值進(jìn)行分析，如圖7所示.

圖7 數(shù)據(jù)窗對(duì)平均識(shí)別準(zhǔn)確率影響Fig.7 Data length on average recognition accuracy

從圖7可知，l=10時(shí)采用KNN的識(shí)別準(zhǔn)確率的平均值最高，l=100時(shí)采用SVM識(shí)別準(zhǔn)確率的平均值最高，當(dāng)l＞100時(shí)，隨著數(shù)據(jù)窗的增加平均識(shí)別準(zhǔn)確率逐漸減少趨于穩(wěn)定，這可能是由于數(shù)據(jù)窗的增加導(dǎo)致了部分有用信息的丟失.

5 研究結(jié)論

本文采用駕駛模擬艙中采集的醉酒駕駛和正常駕駛的駕駛行為參數(shù)，通過(guò)對(duì)駕駛行為參數(shù)進(jìn)行方差分析和均值分析，選取方向盤轉(zhuǎn)角作為識(shí)別特征.采用滑動(dòng)數(shù)據(jù)窗求取方向盤轉(zhuǎn)角均值序列，構(gòu)建識(shí)別特征參數(shù)，采用KNN和SVM這兩種分類方法對(duì)駕駛員的駕駛狀態(tài)進(jìn)行識(shí)別，最后對(duì)這兩種分類方法進(jìn)行對(duì)比分析，得出結(jié)論：

（1）KNN對(duì)醉酒駕駛的識(shí)別準(zhǔn)確率為68.3%，識(shí)別效果一般，在絕大多數(shù)的道路線形最優(yōu)數(shù)據(jù)窗為10，方向盤轉(zhuǎn)角的最優(yōu)數(shù)據(jù)窗在不同道路線形分布較集中.

（2）SVM對(duì)醉酒駕駛的識(shí)別準(zhǔn)確率為81.7%，在800Y識(shí)別準(zhǔn)確率為90%，在不同道路線形方向盤轉(zhuǎn)角的最優(yōu)數(shù)據(jù)窗分布較分散.

（3）SVM在醉酒駕駛識(shí)別方面比KNN有更好的識(shí)別性能，SVM的F1值平均高出KNN18.6%.

（4）數(shù)據(jù)窗對(duì)KNN識(shí)別準(zhǔn)確率產(chǎn)生了顯著影響，對(duì)SVM識(shí)別準(zhǔn)確率影響不顯著.

（5）l=10時(shí)采用KNN識(shí)別準(zhǔn)確率的平均值最高，l=100時(shí)采用SVM識(shí)別準(zhǔn)確率的平均值最高，當(dāng)l＞100時(shí)，隨著數(shù)據(jù)窗的增加平均識(shí)別準(zhǔn)確率逐漸減少趨于穩(wěn)定.

綜上所述，SVM分類方法的識(shí)別準(zhǔn)確率優(yōu)于KNN，但是SVM的最優(yōu)數(shù)據(jù)窗分布分散嚴(yán)重，而且在尋找核函數(shù)的最優(yōu)參數(shù)時(shí)會(huì)消耗很多時(shí)間.因此，兩者在醉酒駕駛識(shí)別方面各有利弊，在以后的使用過(guò)程中應(yīng)該綜合考慮.

[1]李生才，笑蕾.2014年1-2月國(guó)內(nèi)生產(chǎn)安全事故統(tǒng)計(jì)分析[J].安全與環(huán)境學(xué)報(bào)，2014，14(2)：314-316.[LI S C,XIAO L.Statistics of industrial accidents in China during the period from january to february in 2014[J]. Journal of Safety and Environment,2014,14(2):314-316.]

[2]謝娜，張先國(guó)，張紅霞,等.酒后駕車道路交通事故流行病學(xué)研究[J].法律與醫(yī)學(xué)雜志，2004,11(4):296-299.[XIE N,ZHANG X G,ZHANG H X,et al.An epidemiological study of traffic accidents of drinkingdriving[J].Journal of Law and Medical,2004,11(4):296-299.]

[3]Minoru Sakairi,Suzuki Daisuke，Nishimura Ayako,et al. Simultaneous detection of breath-alcohol sensor for preventionofdrunkdriving[J].IEICEElectronics Express，2010，7(6)：467-472.

[4]Huang J Y.The intelligent identification and control systemsofvehiclesdrunkdriving[J].Advanced Materials Research,2014,926-930:1459-1462.

[5]KokjiMurata,EtsunoriFujita,ShigeyukiKojima. Noninvasive biological sensor system for detection of drunk driving[J].IEEE Transactions on Information Technology in Biomedicine，2011,15(1):19-25.

[6]鄒陽(yáng),苗奪謙,王登.醉酒者和正常人的腦電的樣本熵研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2010,29(6):939-942.[ZOU Y,MIAO D Q,WANG D.Research on sample entropy of alcoholic and normal people[J]. Chinese Journal of Biomedical Engineering,2010,29 (6):939-942.]

[7]歐居尚.基于腦電波分析技術(shù)的安全駕駛實(shí)驗(yàn)研究[J].西南交通大學(xué)學(xué)報(bào)，2011，46(4)：696-700.[OU J S.Experimental study on safe driving based on electroencephalography[J].JournalofSouthwest Jiaotong University,2011,46(4):696-700.]

[8]WUYC，XIAY，XIE P,et al.The design of an automotive anti-drunk driving system to guarantee theuniquenessofdriver[C].Proceedings-2009 International Conference on Information Engineering and Computer Science,ICIECS 2009.

[9]張興儉.基于駕駛行為個(gè)體特征的酒后駕駛狀態(tài)識(shí)別方法研究[D].北京:北京工業(yè)大學(xué),2014.[ZHANG X J.Research on the recognition method of drinking driving state based on individual driving behavior[D]. Beijing:Beijing University of Technology,2014.]

[10]孫亮，禹晶.模式識(shí)別原理[M].北京：北京工業(yè)大學(xué)出版社，2009.[SUN L,YU J.Pattern recognition[M]. Beijing:Beijing University of Technology Press,2009.]

[11]CHANG C C,LIN C J.LIBSVM:A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology.2011,2(3):1-27.

[12]Fabrizio Sebastiani.Machine learning in automated text categorization[J].ACM Computing Surveys,2002,34(1): 1-47.

[13]李程雄,丁月華,文貴華.SVM-KNN組合改進(jìn)算法在專利文本分類中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用, 2006,42(20):193-195.[LI C X,DING Y H,WEN G H. Application ofSVM-KNN combination improvement algorithm on patent text classification[J].Computer Engineering and Applications,2006,42(20):193-195.]

投稿須知

本刊為雙月刊，設(shè)有決策論壇、綜合交通體系論壇、智能交通系統(tǒng)與信息技術(shù)、系統(tǒng)工程理論與方法、案例分析等欄目.

歡迎作者投稿，文章要求：

(1)思想新穎、觀點(diǎn)明確、數(shù)據(jù)真實(shí)可靠.文章全文（包括摘要和參考文獻(xiàn)）一般在6 000字以內(nèi)，對(duì)有價(jià)值的綜述性文章，可8000字左右.

(2)附中英文標(biāo)題（20字以內(nèi)），中英文標(biāo)題下分別列出所有作者中英文姓名及工作單位（名稱、所在省市及郵編）.

(3)首頁(yè)腳注須分別列出：

②第一作者簡(jiǎn)介，包括姓名、出生年、性別、籍貫、職稱（職務(wù)）、學(xué)位；

③通訊作者的E-mail地址（第一作者為在校學(xué)生須由其導(dǎo)師擔(dān)任）.

(4)文章最后列出全部作者的姓名、單位、職稱、學(xué)位、E-mail地址、手機(jī)號(hào)碼、通信地址等.

(5)摘要是介紹文章主要內(nèi)容和特色的概括性文字，包括：研究目的、研究方法、研究結(jié)果和研究結(jié)論等要素.中文摘要控制在250～300字.英文摘要與中文摘要一一對(duì)應(yīng)，英文摘要時(shí)態(tài):用一般現(xiàn)在時(shí)說(shuō)明研究目的、敘述研究?jī)?nèi)容、描述結(jié)果、得出結(jié)論等；用一般過(guò)去時(shí)描述已做的工作.語(yǔ)態(tài)：被動(dòng)語(yǔ)態(tài)，不用將來(lái)時(shí)和完成時(shí).盡量用簡(jiǎn)單句.

(6)附5～8個(gè)中英文關(guān)鍵詞，關(guān)鍵詞中不能包含地名，關(guān)鍵詞之間用“分號(hào)”隔開.第1個(gè)關(guān)鍵詞建議在如下主詞中選取：綜合交通運(yùn)輸（integrated transportation）、鐵路運(yùn)輸（railway transportation）、公路運(yùn)輸（highway transportation）、水路運(yùn)輸（waterway transportation）、航空運(yùn)輸（air transportation）、管道運(yùn)輸（Pipeline transportation）、城市交通（urbantraffic）、智能交通（intelligent transportation）、系統(tǒng)工程（systems engineering）、信息技術(shù)（information technology）、物流工程（logistics Engineering）、交通運(yùn)輸經(jīng)濟(jì)（transportation economy）、交通工程（Traffic Engineering）等；第2個(gè)關(guān)鍵詞為該文研究成果主詞；第3個(gè)關(guān)鍵詞為該研究成果所采用的方法主詞；第4個(gè)關(guān)鍵詞為該文主要研究對(duì)象；第5個(gè)及以后的關(guān)鍵詞為有利于檢索的其他名詞.

(7)正確選用圖、表，能直觀、形象、簡(jiǎn)潔地表達(dá)正文內(nèi)容.文章中的圖、表應(yīng)清晰，表號(hào)及表題寫在表的上方且居中，圖號(hào)及圖題寫在圖下方且居中，所有圖、表的中文標(biāo)題均須翻譯成英文，并附在中文標(biāo)題下方.我刊為黑白刊物，請(qǐng)將所有圖改為黑白圖，去掉圖中底色，可以占單欄的圖將寬度調(diào)整為70mm，需要占雙欄的圖將寬度調(diào)整為130mm.圖按規(guī)定大小放在正文后，圖字統(tǒng)一顯示為白體小五號(hào)字，中文圖字為宋體，數(shù)字及英文圖字為新羅馬，數(shù)字在千位處空格（如1 500）.同類圖線要統(tǒng)一寬度，坐標(biāo)線使用0.75磅，圖例線使用1磅.圖中箭頭使用visio中的5號(hào)箭頭.請(qǐng)盡量使用visio或excel制圖，并直接將圖片粘貼在正文中，以便編輯部后期加工.

(8)數(shù)學(xué)公式應(yīng)另行居中排版，并對(duì)全文公式統(tǒng)一編號(hào).數(shù)學(xué)公式中的符號(hào)需用公式編輯器進(jìn)行編輯并區(qū)分大小寫、正斜體和上下角標(biāo)，以及黑白體.對(duì)公式中的符號(hào)必須在正文予以說(shuō)明，且正文中相應(yīng)的公式符號(hào)也必須使用公式編輯器進(jìn)行編輯.公式中的字體請(qǐng)使用新羅馬.請(qǐng)不要使用word自帶的公式編輯器.

(9)參考文獻(xiàn)盡量引用最新成果，一般在6篇左右，綜述性論文不限.中文參考文獻(xiàn)均須翻譯成英文（作者姓名英譯時(shí)，姓在前且所有字母均大寫，名在后并以單/雙大寫字母簡(jiǎn)化表示），并附在中文參考文獻(xiàn)后，不用另外標(biāo)號(hào)；英文參考文獻(xiàn)無(wú)須變動(dòng).所列參考文獻(xiàn)均要求在正文中予以引用.參考文獻(xiàn)的類型以單字母方式標(biāo)識(shí)，其含義為：M(普通圖書)，J(期刊)，C(會(huì)議錄)，D(學(xué)位論文)，R(報(bào)告)，N(報(bào)紙)，S(標(biāo)準(zhǔn))，P(專利)，G(匯編)，DB(數(shù)據(jù)庫(kù))，CP(計(jì)算機(jī)程序)，EB(電子公告)等.

(10)文章樣例請(qǐng)見(jiàn)“作者投稿系統(tǒng)”中的“模版”.

本刊通過(guò)網(wǎng)上投稿（http://www.tseit.org），不接收紙質(zhì)稿件和E-mail投稿，投稿流程：

第一步：請(qǐng)您先在投稿系統(tǒng)中注冊(cè)，注冊(cè)成功后即可自動(dòng)進(jìn)入“作者投稿系統(tǒng)”來(lái)上傳稿件.

第二步：登錄后，點(diǎn)擊“我的稿件”下的“我要投稿”，閱讀投稿須知后點(diǎn)擊“繼續(xù)”，閱讀版權(quán)轉(zhuǎn)讓協(xié)議后再點(diǎn)擊“繼續(xù)”（投稿時(shí)暫不需提交此協(xié)議），然后進(jìn)入投稿的具體操作.

第三步：如果要查詢稿件的狀態(tài)，請(qǐng)登錄后，點(diǎn)擊“我的稿件”下的“在處理稿”，右欄中將顯示稿件編號(hào)、文題、審稿費(fèi)（目前我刊暫不收取審稿費(fèi)）、版面費(fèi)、收稿日期和稿件狀態(tài).

Comparison of Drunk Driving Recognizing Methods Based on KNN and SVM

LI Zhen-long,HAN Jian-long,ZHAO Xiao-hua,ZHU Ming-hao,DONG Wen-hui
（College of Metropolitan Transportation,Beijing University of Technology,Beijing 100124）

Drunk driving is a serious threat to road traffic safety.It is of great significance to identify drunk driving accurately.The drunk driving experiment is conducted in a driving simulator.The driving behavior parameters under the drunk driving and normal driving are collected.The steering wheel angle is selected as the feature based on analysis of variance and analysis of mean.The average sequence of steering wheel angle is calculated using a sliding data window.KNN and SVM are used to identify the driver's state.The optimum data window and the highest recognition accuracy of the two algorithms under different road alignment are obtained.The two classification methods are analyzed.The results show that the recognition performance of the SVM is better than that of the KNN.Data window has a significant effect on the performances of KNN and has no significant effect on the performances of SVM.

intelligent transportation;drunk driving recognizing;KNN;SVM;data window

“交通7+1論壇”第四十次會(huì)議合影

“交通7+1論壇”第四十次會(huì)議會(huì)場(chǎng)

1009-6744（2015）05-0246-06

U491

A

名稱及項(xiàng)目編號(hào)（若有基金資助）；

2015-04-28

2015-06-17錄用日期：2015-06-23

李振龍（1976-），男，山西人，副教授，博士. ＊

lzl@bjut.edu.cn