劉志強(qiáng)，張凱鐸，倪捷

(江蘇大學(xué)，汽車與交通工程學(xué)院，江蘇鎮(zhèn)江212013)

0 引言

為盡可能地降低因駕駛?cè)艘蛩貙?dǎo)致交通事故的發(fā)生率，減輕駕駛?cè)瞬僮鲝?qiáng)度，先進(jìn)駕駛輔助系統(tǒng)(ADAS)在近幾年發(fā)展迅猛。然而，駕駛?cè)艘騻€(gè)體屬性、心理特征、對(duì)信息的決策處理能力不同，在跟車、換道、制動(dòng)等方面表現(xiàn)出典型的差異性，現(xiàn)有ADAS 系統(tǒng)鮮有根據(jù)駕駛?cè)苏鎸?shí)駕駛習(xí)性采取不同控制策略，導(dǎo)致駕駛?cè)藢?duì)ADAS系統(tǒng)的接受度和使用率均較低。為滿足ADAS個(gè)性化用戶需求，提高駕駛?cè)藢?duì)ADAS的信任度與接受度，更具先進(jìn)性的駕駛輔助應(yīng)能針對(duì)不同駕駛?cè)藗€(gè)體或群體，進(jìn)行駕駛?cè)诵袨樘匦缘淖赃m應(yīng)調(diào)控。

自適應(yīng)于駕駛?cè)颂卣鞯妮o助駕駛技術(shù)離不開(kāi)對(duì)駕駛行為的深刻理解，近年來(lái)基于自然駕駛數(shù)據(jù)的駕駛行為研究成為熱點(diǎn)。學(xué)者提取不同行車參數(shù)特征實(shí)現(xiàn)對(duì)駕駛行為差異性的分析與辨識(shí)，常用的指標(biāo)包括車速、加速度、方向盤轉(zhuǎn)角、制動(dòng)踏板力等。Yi等[1]基于自然駕駛實(shí)驗(yàn)數(shù)據(jù)，利用高維特征可視化方法，比較分析速度、轉(zhuǎn)向角等參數(shù)，建立個(gè)體差異性辨識(shí)指標(biāo)，并對(duì)5 位駕駛?cè)诉M(jìn)行識(shí)別，其準(zhǔn)確率達(dá)91.6%。Fung 等[2]以加速度次數(shù)、急加減速次數(shù)等中微觀特征對(duì)5位老年駕駛?cè)诉M(jìn)行區(qū)分，提取均值、最值等統(tǒng)計(jì)特征作為輸入，準(zhǔn)確率約為61%。Luo[3]等使用車輛傳感器收集的多變量時(shí)序信號(hào)，提出一種區(qū)間特征劃分方法提取關(guān)鍵特征，對(duì)4位駕駛?cè)诉M(jìn)行識(shí)別，準(zhǔn)確率達(dá)89%。Bernhard[4]等基于橫向車輛運(yùn)控?cái)?shù)據(jù)，提取駕駛?cè)宿D(zhuǎn)向角參數(shù)，做對(duì)數(shù)傅里葉變換處理，對(duì)15 名駕駛?cè)俗R(shí)別時(shí)，準(zhǔn)確率達(dá)到76%。在差異性辨識(shí)中，多種機(jī)器學(xué)習(xí)方法，如支持向量機(jī)(SVM)[5]、人工神經(jīng)網(wǎng)絡(luò)(ANN)[6]、隨機(jī)森林(RF)[7-8]等表現(xiàn)出較好的識(shí)別效果。機(jī)器學(xué)習(xí)方法往往需要利用相關(guān)領(lǐng)域知識(shí)進(jìn)行特征構(gòu)建，上述方法大多以駕駛?cè)酥g存在差異為前提，使用不同行車參數(shù)的統(tǒng)計(jì)特征作為特征輸入，少有對(duì)數(shù)據(jù)之間的差異性進(jìn)行時(shí)域和頻域的深入分析，關(guān)鍵特征有待進(jìn)一步發(fā)掘。

基于此，本文通過(guò)實(shí)車實(shí)驗(yàn)，開(kāi)展跟車工況下的駕駛行為差異性研究，通過(guò)統(tǒng)計(jì)分析、頻域分析和時(shí)頻分析，開(kāi)展駕駛?cè)烁囆袨閰?shù)的多尺度細(xì)化，進(jìn)行個(gè)體駕駛行為的特征提取，并建立基于隨機(jī)森林的駕駛?cè)吮孀R(shí)模型。為實(shí)現(xiàn)駕駛行為的精準(zhǔn)化描述，推動(dòng)輔助駕駛系統(tǒng)的發(fā)展提供依據(jù)。

1 數(shù)據(jù)采集與預(yù)處理

1.1 實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)招募8名駕駛?cè)?，年齡為26～46歲，平均年齡為37.5歲，標(biāo)準(zhǔn)差為6.6歲；駕齡為2～26年，平均駕齡為10.3年，標(biāo)準(zhǔn)差為8.4年，年平均駕駛里程為1.0 萬(wàn)～2.5 萬(wàn)km。在實(shí)驗(yàn)前告知被試注意事項(xiàng)，讓其按照日常駕駛習(xí)慣自由駕駛，實(shí)驗(yàn)過(guò)程中被試不佩戴任何儀器，不對(duì)被試做任何干擾，確保數(shù)據(jù)真實(shí)可靠。實(shí)驗(yàn)路段選取鎮(zhèn)江市金港大道快速路基本路段，全長(zhǎng)29 km。道路為雙向8車道，以中央隔離帶分隔，限速值為100 km·h-1。實(shí)驗(yàn)時(shí)間避開(kāi)高峰時(shí)段，安排在上午9:00-10:30 和下午2:30-4:30。要求被試在指定路線上駕駛實(shí)驗(yàn)車輛，實(shí)時(shí)采集車輛的運(yùn)動(dòng)狀態(tài)和周圍環(huán)境狀態(tài)參數(shù)。

實(shí)驗(yàn)車為一輛裝配了毫米波雷達(dá)、速度傳感器、視頻影像傳感器、GPS等設(shè)備的1.6 L排量的自動(dòng)擋轎車。毫米波雷達(dá)及視頻影像傳感器主要記錄所感知到的周圍車輛的相對(duì)距離、相對(duì)車速等交通數(shù)據(jù)信息。車輛信息數(shù)據(jù)采集系統(tǒng)主要由傳感器采集車速、制動(dòng)開(kāi)度等運(yùn)動(dòng)參數(shù)。工控機(jī)將各路信號(hào)集中并轉(zhuǎn)換，實(shí)現(xiàn)數(shù)據(jù)信號(hào)的同步輸出。

1.2 數(shù)據(jù)預(yù)處理

實(shí)驗(yàn)采集數(shù)據(jù)涉及兩路信息源，分別是自車軌跡數(shù)據(jù)和車輛周圍環(huán)境數(shù)據(jù)。具體包括：自車速度、制動(dòng)開(kāi)度、橫擺角速度、與前車相對(duì)距離等，對(duì)上述直接輸出的數(shù)據(jù)進(jìn)行處理，可以獲得后續(xù)分析所需其他數(shù)據(jù)。最終獲取的行車軌跡參數(shù)如表1所示。

表1 行車數(shù)據(jù)特征指標(biāo)Table 1 Characteristics for driving data

跟車工況標(biāo)定通過(guò)視頻查看，雷達(dá)、車輛信息采集系統(tǒng)數(shù)據(jù)分析共同確定。通過(guò)視頻，人工篩選交通流穩(wěn)定狀況下的行車數(shù)據(jù)段，根據(jù)采集的自車軌跡數(shù)據(jù)和周圍交通狀況數(shù)據(jù)，標(biāo)定跟車工況下的行車數(shù)據(jù)段。基于既有研究[9]，本文跟車工況提取規(guī)則設(shè)定如下：跟車距離100 m以內(nèi)或跟車時(shí)距小于6 s；自車速度高于10 km·h-1；跟車時(shí)長(zhǎng)不低于20 s，累計(jì)提取2000 余組跟車工況下行車數(shù)據(jù)，平均跟車時(shí)長(zhǎng)40 s。

2 駕駛?cè)烁噮?shù)的差異性分析

2.1 理論方法分析

現(xiàn)有研究表明，不同駕駛風(fēng)格的駕駛?cè)嗽诟嚂r(shí)，其速度控制、跟車間距等表現(xiàn)出明顯差異性，繼而根據(jù)其參數(shù)分布區(qū)分駕駛風(fēng)格。傳統(tǒng)區(qū)分準(zhǔn)則主要根據(jù)數(shù)據(jù)統(tǒng)計(jì)上的百分位值設(shè)定有效區(qū)間，缺乏個(gè)體數(shù)據(jù)時(shí)域和頻域的深度挖掘。本文就駕駛?cè)烁噮?shù)的統(tǒng)計(jì)域、時(shí)域和頻域特性進(jìn)行多尺度分析。具體方法如下。

(1)統(tǒng)計(jì)域分析

跟車參數(shù)統(tǒng)計(jì)域分析主要基于軌跡數(shù)據(jù)，分析其均值、標(biāo)準(zhǔn)差、中位值、最值等，參數(shù)是否存在顯著差異性一般采用方差檢驗(yàn)等方法，對(duì)于不滿足正態(tài)分布條件的數(shù)據(jù)，一般采用非參數(shù)Kruskal-Wallis H檢驗(yàn)。

平均值為

式中：i為樣本個(gè)體；xi為參數(shù)指標(biāo)；n為總樣本數(shù)。

標(biāo)準(zhǔn)差為

最大值為

最小值為

K-W檢驗(yàn)的基本步驟為，將數(shù)據(jù)轉(zhuǎn)化為秩統(tǒng)計(jì)量，計(jì)算各組樣本平均秩來(lái)確定檢驗(yàn)統(tǒng)計(jì)量H值并矯正Hc，進(jìn)而查表獲得P值進(jìn)行檢驗(yàn)。H值計(jì)算公式為

式中：N為每組樣本的樣本量；Rj為第j組樣本的秩和；nj為第j組樣本的觀測(cè)值；J為樣本組數(shù)。

(2)頻域分析

傅里葉變換是一種典型的頻域分析方法。它能將滿足一定條件的某個(gè)函數(shù)表示成正弦基函數(shù)的線性組合或者積分。本文采用離散傅里葉變換(DFT)。具體算法為

式中：x(k)為L(zhǎng)點(diǎn)離散傅里葉變換后的數(shù)據(jù)；x(l)為原始信號(hào)序列；L為周期采樣點(diǎn)數(shù)；l為采樣點(diǎn)；k為頻率參數(shù)。

(3)時(shí)頻分析

小波變換是時(shí)間頻率的局部化分析，通過(guò)伸縮平移運(yùn)算對(duì)信號(hào)逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，從而可聚焦到信號(hào)的任意細(xì)節(jié)。

對(duì)任意信號(hào)f(t)，若r0為任意一起點(diǎn)，定義f(t)的小波級(jí)數(shù)展開(kāi)為

式中：t為時(shí)間參數(shù)；r為尺度參數(shù)，r≥r0；s為小波的位移系數(shù)；cr0(s)、dr(s)分別為近似系數(shù)、細(xì)節(jié)系數(shù)。當(dāng)尺度函數(shù)φr0,s(t)和小波函數(shù)ψr,s(t)正交，那么近似系數(shù)cr0和細(xì)節(jié)系數(shù)dr計(jì)算公式為

2.2 數(shù)據(jù)分析結(jié)果

(1)統(tǒng)計(jì)學(xué)差異

駕駛?cè)烁囆袨樘匦灾饕w現(xiàn)在車速控制和車間距保持上，故本文選擇加速度a、與前車相對(duì)速度ΔV、相對(duì)距離D、跟車時(shí)距XTHW、碰撞時(shí)間倒數(shù)XTTC,i等參數(shù)，分析其在統(tǒng)計(jì)域上的差異性。圖1為8 名被試駕駛軌跡數(shù)據(jù)均值和95%置信區(qū)間分布。

由圖1(a)可知，8 位被試的加速度均值相差較小，主要原因是，跟車工況下車輛運(yùn)動(dòng)狀態(tài)相對(duì)穩(wěn)定，車輛速度變化較小。由圖1(b)可知，8位被試的跟車相對(duì)距離均值分別為21.18，12.75，24.45，21.09，18.58，16.96，12.54，13.82 m，其中，3 號(hào)被試跟車距離均值最大，7 號(hào)被試最小，兩者相差48.71%，表現(xiàn)出明顯差異。在跟車工況下，駕駛?cè)思みM(jìn)程度與跟車距離呈負(fù)相關(guān)性，由此能夠得出，2、7、8 號(hào)被試跟車更為激進(jìn)，1、3、4 號(hào)被試則較為謹(jǐn)慎。激進(jìn)駕駛?cè)薠TTC,i一般比謹(jǐn)慎駕駛?cè)烁?，圖1(c)中XTTC,i均值表現(xiàn)出相應(yīng)趨勢(shì)。由圖1(d)、(e)可知，8 位被試XTHW均值差異最大為52.88%，ΔV均值差異最大為245.55%。此外，8 位被試跟車參數(shù)的置信區(qū)間分布不盡相同，且各區(qū)間之間存在一定間距，表明被試跟車習(xí)慣存在差異。

為進(jìn)一步探究各參數(shù)的差異性，選取均值、標(biāo)準(zhǔn)差、中位數(shù)等特征構(gòu)建特征集，并進(jìn)行K-W顯著性檢驗(yàn)。結(jié)果顯示ΔV和XTTC,i的中位數(shù)Sig 值分別為0.011 和0.647，大于0.01，表明兩者無(wú)顯著差異，其他特征Sig值均小于0.01，存在顯著差異。由此表明，駕駛?cè)舜嬖讵?dú)特的跟車行為。

(2)頻域差異

圖2為經(jīng)離散傅里葉變換后的8 位被試的加速度頻譜圖，可知，各被試加速度頻率特性趨勢(shì)相似，但仍存在細(xì)小差異，可用來(lái)分析駕駛?cè)说男袨樘匦浴?/p>

圖1 行車參數(shù)均值和95%置信區(qū)間Fig.1 Means and 95%confidence intervals of driving parameters

在跟車工況下，由于兩車行駛狀態(tài)較為穩(wěn)定，加速度變化緩和，故在高頻成分幅值不會(huì)太大。低頻段高幅值特性表明各被試在跟車過(guò)程中車速變化較為平緩。從圖2中可知，被試1、2、3、7 在1 Hz以后加速度幅值較小，被試4、5、6、8在高頻段3 Hz 以后略大。高頻段幅值越大，車速變化越劇烈，表明被試4、5、6、8在跟車過(guò)程中存在較為頻繁的急變速行為，從側(cè)面反映其對(duì)車速控制較差。

(3)時(shí)域頻域差異

本文采用sym5 小波基對(duì)所選參數(shù)做5 層離散小波變換，提取每層小波系數(shù)(小波系數(shù)表示函數(shù)在特定頻域上與信號(hào)的相似程度)。以加速度數(shù)據(jù)為例，隨機(jī)抽取2位被試的1組跟車數(shù)據(jù)，重構(gòu)結(jié)果如圖3所示，圖中d1～d5為各層細(xì)節(jié)系數(shù)，a5為第五層近似系數(shù)。

由圖3可知，兩位被試的小波系數(shù)在不同頻段下的振幅變化存在差異。1號(hào)被試的第1層細(xì)節(jié)系數(shù)振幅在-0.2～0.2 之間，變化較小，表明該被試跟車過(guò)程相對(duì)穩(wěn)定；4 號(hào)被試第一層細(xì)節(jié)系數(shù)變化在前20 s 相對(duì)穩(wěn)定，在20～30 s 間振幅變大，數(shù)值在-0.5～0.5之間波動(dòng)較大，表明加速度在該時(shí)刻變化較大，因此，小波變換可以放大某一局部特征，發(fā)現(xiàn)信號(hào)中細(xì)微的異常。

為進(jìn)一步分析小波系數(shù)的內(nèi)在規(guī)律，選取3位被試的加速度數(shù)據(jù)，進(jìn)行小波變換，并繪制各層系數(shù)直方圖，如圖4所示。

從圖4發(fā)現(xiàn)，3 位被試近似系數(shù)a5分布模態(tài)不同，1號(hào)被試呈現(xiàn)右偏雙峰狀態(tài)，2號(hào)為單峰狀態(tài)，3號(hào)為左偏狀態(tài)。三者各層細(xì)節(jié)系數(shù)頻率分布也存在明顯差異。

圖2 加速度頻譜圖Fig.2 Spectrum diagram of acceleration

3 駕駛?cè)藗€(gè)體差異性辨識(shí)模型

3.1 特征參數(shù)

上述分析發(fā)現(xiàn)，自車加速度、與前車相對(duì)距離、相對(duì)速度、跟車時(shí)距、碰撞時(shí)間倒數(shù)等參數(shù)在其統(tǒng)計(jì)分布和時(shí)頻分布上具有不同程度的差異性，因此，將不同參數(shù)的統(tǒng)計(jì)域和時(shí)域、頻域特征作為駕駛?cè)藗€(gè)體差異性辨識(shí)的輸入。在統(tǒng)計(jì)域，采用平均值、標(biāo)準(zhǔn)差、中位數(shù)作為特征輸入。

根據(jù)對(duì)駕駛?cè)烁嚨臅r(shí)頻分析，考慮到小波能量熵反映小波系數(shù)內(nèi)部混亂程度，熵值越小，表明信號(hào)越穩(wěn)定，駕駛?cè)烁囆袨樵椒€(wěn)健，計(jì)算各系數(shù)的能量熵作為頻域特征輸入。小波能量熵計(jì)算公式為

式中：K為小波變換的分解層數(shù)。

圖3 加速度小波系數(shù)重構(gòu)Fig.3 Wavelet coefficient reconstruction for acceleration

綜上，模型待選參數(shù)為：X={a,D,ΔV,XTHW,XTTC,i} ，其參量特征為XEs，Xavg，Xstd，Xmid。

3.2 基于隨機(jī)森林的辨識(shí)模型設(shè)計(jì)

采用隨機(jī)森林對(duì)駕駛?cè)瞬町愋赃M(jìn)行辨識(shí)。由于子決策樹(shù)個(gè)數(shù)、樣本最小葉子數(shù)等參數(shù)影響隨機(jī)森林模型的分類效果，故需對(duì)模型參數(shù)進(jìn)行最優(yōu)化調(diào)整。調(diào)優(yōu)算法使用貝葉斯優(yōu)化(Bayesian Optimization)，根據(jù)先驗(yàn)信息設(shè)置各參數(shù)調(diào)優(yōu)范圍，使用10折交叉驗(yàn)證得到精度均值最大作為優(yōu)化目標(biāo)，獲得模型的參數(shù)最優(yōu)化結(jié)果，如表2所示。

圖4 加速度小波系數(shù)分布直方圖Fig.4 Histogram of acceleration wavelet coefficient distribution

表2 基于貝葉斯優(yōu)化的隨機(jī)森林算法結(jié)構(gòu)優(yōu)化Table 2 Optimal results of random forest based on Bayesian optimization

模型識(shí)別效果分析中，引入3 個(gè)重要指標(biāo)：計(jì)算精度P、召回率R、袋外錯(cuò)誤率(OOB error)。精度可以顯示預(yù)測(cè)正確的樣本比例，召回率可顯示預(yù)測(cè)指定駕駛員的比例，袋外錯(cuò)誤率用以驗(yàn)證模型優(yōu)劣。在模型隨機(jī)采樣階段每次約有1/3的樣本不會(huì)出現(xiàn)在采樣集合中，即沒(méi)參加決策樹(shù)的建立，這些數(shù)據(jù)被稱為袋外數(shù)據(jù)，故可以將袋外數(shù)據(jù)視為測(cè)試集進(jìn)行分類，得到的誤差率即為袋外錯(cuò)誤率。

若將某一待識(shí)別駕駛?cè)艘暈檎?，其余駕駛?cè)艘暈樨?fù)類，則TP為樣本中正類判定為正類的數(shù)量，F(xiàn)P為負(fù)類判定為正類的數(shù)量，F(xiàn)N為正類判定為負(fù)類的數(shù)量。

3.3 模型結(jié)果和分析

為了解不同特征參數(shù)組合對(duì)隨機(jī)森林模型的影響程度，確定駕駛?cè)瞬町愋员孀R(shí)最優(yōu)特征參數(shù)，分別選取不同的特征指標(biāo)作為輸入，通過(guò)10 折交叉驗(yàn)證進(jìn)行準(zhǔn)確率評(píng)估。同時(shí)，采用支持向量機(jī)、K 近鄰、BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)不同參數(shù)組合進(jìn)行識(shí)別，以對(duì)比不同機(jī)器學(xué)習(xí)方法的識(shí)別效果，結(jié)果如表3所示。

表3 不同參數(shù)輸入的模型識(shí)別結(jié)果對(duì)比Table 3 Model comparison results with different inputs

從表3中可以看出：

(1)僅選擇加速度作為輸入?yún)?shù)，各模型的識(shí)別準(zhǔn)確率較低，因?yàn)閱我患铀俣忍卣鞑⒉荒芡耆从绸{駛?cè)说母囂匦?。隨著跟車行為參數(shù)的增加，模型識(shí)別準(zhǔn)確率呈現(xiàn)不同程度的提高?？傮w上RF的識(shí)別效果要優(yōu)于其他機(jī)器學(xué)習(xí)算法，以向量5作為輸入時(shí)，識(shí)別準(zhǔn)確率最高。

(2)以向量4 作為輸入，RF 識(shí)別準(zhǔn)確率為92.97%，相比向量3，準(zhǔn)確率略有下降，表明跟車時(shí)距與其他參數(shù)存在一定的相關(guān)性，特征之間的相關(guān)性影響模型的性能。

(3)當(dāng)考慮碰撞時(shí)間倒數(shù)XTTC,i后，即以向量5作為輸入時(shí)，RF 模型識(shí)別準(zhǔn)確率提高到96.81%，表明相比于跟車時(shí)距XTHW，XTTC,i更能有效地識(shí)別駕駛?cè)?，主要原因是XTTC,i更能體現(xiàn)駕駛?cè)说木嚯x感知特性，能夠更直觀地表征駕駛?cè)烁嚨募みM(jìn)程度。

(4)以向量6 作為輸入?yún)?shù)，RF 識(shí)別準(zhǔn)確率為95.21%，僅考慮與前車相對(duì)運(yùn)動(dòng)關(guān)系參數(shù)，己能取得較好的辨識(shí)結(jié)果，表明在特定工況下實(shí)現(xiàn)駕駛?cè)吮孀R(shí)的可行性。同時(shí)考慮加速度及與前車相對(duì)運(yùn)動(dòng)關(guān)系參數(shù)，即以向量5 作為輸入，識(shí)別準(zhǔn)確率最高，為96.81%，因此選擇向量5 作為最終的模型輸入。

基于上述設(shè)計(jì)的隨機(jī)森林模型對(duì)8 位被試進(jìn)行辨識(shí)，總體識(shí)別準(zhǔn)確率為96.81%，袋外錯(cuò)誤率為4.55%，與現(xiàn)有基于統(tǒng)計(jì)特征的駕駛?cè)吮孀R(shí)相比，準(zhǔn)確率有較大提升。為進(jìn)一步分析模型性能，采用精度和召回率對(duì)其進(jìn)行評(píng)價(jià)?；煜仃嚾绫?所示，其中，精度為96.4%，召回率為96.38%，均取得較高水平，表明模型分類辨識(shí)效果較好。

表4 模型識(shí)別混淆矩陣Table 4 Confusion matrix of model identification

4 結(jié)論

基于實(shí)驗(yàn)數(shù)據(jù)，分別從統(tǒng)計(jì)域、頻域、時(shí)頻域?qū)︸{駛?cè)烁囓壽E參數(shù)展開(kāi)分析，多尺度探討駕駛?cè)烁囆袨椴町愋?。結(jié)果顯示，在跟車工況下，加速度、與前車相對(duì)距離、相對(duì)速度、跟車時(shí)距、碰撞時(shí)間倒數(shù)等參數(shù)能不同程度表征駕駛?cè)说母囂匦?，且不同駕駛?cè)诵熊噮?shù)的統(tǒng)計(jì)域分布與時(shí)頻域分布存在不同程度的差異性。

將跟車軌跡參數(shù)的平均值、標(biāo)準(zhǔn)差、中位數(shù)、小波能量熵作為特征參數(shù)，建立基于隨機(jī)森林的駕駛?cè)藗€(gè)體差異性辨識(shí)模型。結(jié)果顯示，相較于其他機(jī)器學(xué)習(xí)模型，以加速度、與前車相對(duì)距離、相對(duì)速度、跟車時(shí)距、碰撞時(shí)間倒數(shù)為特征向量的隨機(jī)森林辨識(shí)模型具有更好的辨識(shí)精度，識(shí)別準(zhǔn)確率可以達(dá)到96.81%，在召回率、精度等方面也體現(xiàn)出較好的性能。

本文在駕駛?cè)藬?shù)據(jù)采集上存在一定局限性，算法對(duì)駕駛?cè)吮孀R(shí)的敏感性還需要進(jìn)一步分析，但本文研究初步表明，基于多尺度特征向量的隨機(jī)森林分類方法在識(shí)別駕駛?cè)烁嚥町愋陨鲜强尚械?，可以為駕駛?cè)松矸葑R(shí)別，駕駛?cè)朔浅B(tài)駕駛行為辨識(shí)等提供理論指導(dǎo)和方法支持。