張立成 張婷 蔡學(xué)銳 趙祥模 彭琨

【摘要】對(duì)駕駛行為分類方法及量化評(píng)估進(jìn)行綜述，首先闡述了駕駛行為的涵義及表征方法，然后將駕駛行為分類方法劃分為基于統(tǒng)計(jì)特性的分類方法、基于機(jī)器學(xué)習(xí)的分類方法、混合式（組合、集成）分類方法三大類，并對(duì)不同的駕駛行為分類方法的代表算法、優(yōu)點(diǎn)及局限性等進(jìn)行系統(tǒng)歸納和總結(jié)，其次，從多個(gè)維度對(duì)駕駛行為的量化評(píng)估研究進(jìn)行系統(tǒng)介紹，最后介紹了駕駛行為分類及量化評(píng)估研究成果在多個(gè)領(lǐng)域的應(yīng)用現(xiàn)狀及前景展望。

主題詞：交通工程 駕駛行為分類評(píng)估 智能網(wǎng)聯(lián)汽車 交通安全 節(jié)能減排 舒適性

中圖分類號(hào)：U461.9；U471 ? 文獻(xiàn)標(biāo)志碼：A ? DOI： 10.19620/j.cnki.1000-3703.20230028

Review of Classification Methods and Quantitative Evaluation of Driving Behavior

Zhang Licheng1，2，3， Zhang Ting1，3， Cai Xuerui1，3， Zhao Xiangmo1，2，3， Peng Kun1，3

（1. Chang an University， Xian 710064; 2. The Joint Laboratory for Internet of Vehicles of Ministry of Education - China Mobile Communications Corporation， Xian 710064; 3. Shaanxi Engineering Research Center of Internet of Vehicles and Intelligent Vehicle Testing Technique， Xian 710064）

【Abstract】This study provided a review of classification methods and quantitative evaluation of driving behavior， which firstly expounded the meaning and representation methods of driving behavior， and divided the driving behavior classification methods into three categories： statistics based classification method， machine learning based classification method， and the hybrid （combination， integration） classification method. Different driving behavior classification methods were summarized from the aspects of representative algorithms， advantages and limitations. Secondly， the quantitative evaluation research of driving behavior was systematically described from multiple dimensions. Finally， the application status and prospect of driving behavior classification and quantitative evaluation results in many fields were introduced.

Key words： Traffic engineering， Driving behavior classification and evaluation， Intelligent and connected vehicle， Transportation safety， Energy saving and emission reduction， Comfort

【引用格式】 張立成， 張婷， 蔡學(xué)銳， 等. 駕駛行為分類方法及量化評(píng)估綜述[J]. 汽車技術(shù)， 2024（5）： 1-14.

ZHANG L C， ZHANG T， CAI X R， et al. Review of Classification Methods and Quantitative Evaluation of Driving Behavior[J]. Automobile Technology， 2024（5）： 1-14.

1 前言

近年來，隨著我國(guó)汽車工業(yè)的快速發(fā)展，全國(guó)汽車保有量呈不斷增加態(tài)勢(shì)。數(shù)據(jù)顯示，從2014年至2023年，我國(guó)汽車保有量從1.54億輛增加到3.36億輛，增長(zhǎng)118.2%[1]。汽車在給人們生活帶來便利的同時(shí)，也造成了交通安全、能源短缺、環(huán)境污染等一系列問題。國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，2023年中國(guó)道路交通事故萬車死亡人數(shù)為1.38人[2]。同時(shí)，道路運(yùn)輸業(yè)是能源消耗重點(diǎn)行業(yè)，每年消耗大量的石化資源，也造成了嚴(yán)重的環(huán)境污染，2023年《中國(guó)移動(dòng)源環(huán)境管理年報(bào)》顯示，2022年全國(guó)機(jī)動(dòng)車四項(xiàng)污染物排放總量達(dá)1 466.2×104 t，其中，一氧化碳（CO）、碳?xì)浠衔铮℉C）、氮氧化物（NOx）和顆粒物（PM）排放量分別為743.0×104 t、191.2×104 t、526.7×104 t和5.3×104 t。汽車是污染物排放的主要貢獻(xiàn)者，CO、HC、NOx、PM排放量超過90%[3]。為緩解上述問題，相關(guān)部門一直致力于道路環(huán)境的改善、車輛結(jié)構(gòu)的優(yōu)化、駕駛?cè)说慕煌ò踩逃瓤陀^方面的研究，并取得了不錯(cuò)的成績(jī)。然而，這些治理手段已經(jīng)進(jìn)入瓶頸期。隨著智能網(wǎng)聯(lián)技術(shù)的不斷發(fā)展，駕駛行為優(yōu)化評(píng)估為解決上述問題提供了新的思路。

駕駛員不僅是道路交通系統(tǒng)的信息處理者、決策者，也是調(diào)節(jié)者和控制者，是人-車-路閉環(huán)系統(tǒng)中最為關(guān)鍵的因素，其駕駛行為直接影響道路交通安全水平。研究表明，駕駛員不當(dāng)操作所導(dǎo)致的交通事故占80%～90%，造成交通事故死亡人數(shù)占86.5%[4]。另外，駕駛行為對(duì)車輛能耗和排放也有顯著影響，若駕駛員采用合理的駕駛行為進(jìn)行操作，可使汽車燃料消耗降低25%左右，同時(shí)可使污染物排放量大幅度減少[5]。

對(duì)駕駛行為的研究，已成為道路交通安全及生態(tài)駕駛研究的核心內(nèi)容。本文從駕駛行為分類和量化評(píng)估兩個(gè)方面進(jìn)行綜述：首先，基于不同的駕駛行為分類方法，將其分為基于統(tǒng)計(jì)學(xué)的分類方法、基于機(jī)器學(xué)習(xí)的分類方法、混合式（組合、集成）分類方法三大類，并分別進(jìn)行詳細(xì)劃分，系統(tǒng)地總結(jié)和梳理不同的駕駛行為分類方法：然后，從安全性、經(jīng)濟(jì)性、舒適性等多個(gè)維度對(duì)駕駛行為量化評(píng)估研究進(jìn)行系統(tǒng)介紹。

2 駕駛行為涵義和表征

2.1 駕駛行為涵義

駕駛行為描述了駕駛員如何在駕駛場(chǎng)景和周圍環(huán)境中操縱車輛，即駕駛員操作機(jī)動(dòng)車過程中的綜合表現(xiàn)，包括感知外界交通信息并形成決策的思維、通過運(yùn)動(dòng)器官操縱車輛運(yùn)行的肢體行為及自身車輛與周圍車輛等交通環(huán)境要素之間的相對(duì)運(yùn)動(dòng)關(guān)系的控制行為[6]。如圖1所示，按照層次邏輯關(guān)系，駕駛行為可以分為駕駛決策和駕駛操作兩部分。駕駛決策是指駕駛員根據(jù)周圍的環(huán)境信息和車輛信息進(jìn)行分析判斷，并選擇合適的駕駛工況，如速度控制（加速、減速、巡航）、超車、變道、轉(zhuǎn)彎、停車等。駕駛操作是指駕駛員對(duì)車內(nèi)控制設(shè)備進(jìn)行操作以改變或者保持車輛狀態(tài)的過程[7]，常見的操作包括踩油門、踩離合器、踩制動(dòng)踏板、換擋、轉(zhuǎn)轉(zhuǎn)向盤、調(diào)整車燈等。根據(jù)駕駛員個(gè)體的不同，駕駛行為由駕駛技能和駕駛風(fēng)格共同決定。駕駛技能是指車輛行駛過程中駕駛員對(duì)車輛穩(wěn)定性控制的能力，因此構(gòu)成了駕駛員在駕駛?cè)蝿?wù)要素上的最大表現(xiàn)水平。駕駛風(fēng)格涉及駕駛員的態(tài)度和性格，具體是指?jìng)€(gè)人選擇或習(xí)慣性駕駛的風(fēng)格，包括駕駛速度的選擇、超車的閾值和交通違章的傾向等[8]。

此外，根據(jù)不同的研究角度和研究?jī)?nèi)容，也可以將駕駛行為分成宏觀和微觀兩大類[9]。宏觀駕駛行為主要研究影響駕駛安全的行為特征，包括對(duì)超速、分心、疲勞、飲酒等行為的成因及其影響機(jī)制的研究，并建立宏觀駕駛行為表征指標(biāo)體系，對(duì)駕駛行為進(jìn)行評(píng)價(jià)等。此類研究成果可為相關(guān)部門提供管控依據(jù)，以減少交通事故。微觀駕駛行為主要研究不同工況下駕駛員進(jìn)行的具體操作對(duì)交通系統(tǒng)產(chǎn)生的影響，如變道、超車、跟馳等微觀行為。此類研究成果可為提高道路通行效率、完善路網(wǎng)規(guī)劃體系及管控系統(tǒng)參數(shù)等提供依據(jù)。

2.2 駕駛行為表征方法

駕駛員的駕駛過程按信息加工處理流程可分為3個(gè)主要階段[10]，如圖2所示。其中：第一階段為信息感知與處理；第二階段是信息決策和驅(qū)動(dòng)操作；第三階段是車輛運(yùn)行和信息反饋。

為研究駕駛操作的行為變化特征，交通領(lǐng)域?qū)W者根據(jù)各階段的特征提出了駕駛行為表征指標(biāo)。其中，第一階段獲取用于表征駕駛員特征的車輛運(yùn)行信息；第二階段建立描述駕駛員對(duì)各種信息的認(rèn)知態(tài)度和反應(yīng)能力的指標(biāo)；第三階段指明操作動(dòng)作和車輛運(yùn)動(dòng)特性，即駕駛行為的具體表現(xiàn)。

3 駕駛行為分類方法

3.1 基于統(tǒng)計(jì)特性的分類方法

基于統(tǒng)計(jì)特征的分類方法在駕駛行為分類研究中應(yīng)用甚廣，大部分文獻(xiàn)圍繞駕駛員的駕駛風(fēng)格進(jìn)行研究。其中，激進(jìn)駕駛及其對(duì)交通安全的影響一直是公眾和許多其他部門關(guān)注的問題，包括公共交通機(jī)構(gòu)、政策機(jī)構(gòu)、保險(xiǎn)公司、汽車協(xié)會(huì)等。激進(jìn)駕駛并沒有明確的定義，研究人員從不同角度對(duì)其進(jìn)行分類。例如，社會(huì)心理學(xué)研究人員從意圖的角度來定義激進(jìn)駕駛[11]。隨著大數(shù)據(jù)技術(shù)的發(fā)展，研究人員可采集到大量的瞬時(shí)駕駛信息參數(shù)，并從中發(fā)現(xiàn)激進(jìn)駕駛行為的規(guī)律。Paleti等人[12]通過探索激進(jìn)的碰撞行為來定義激進(jìn)駕駛，其行為包括“加速超車、頻繁更換車道和切換閃光燈來阻礙他人行駛、忽視交通控制設(shè)備導(dǎo)致突然加速和減速”。以上研究顯示，傷害嚴(yán)重程度（發(fā)生車禍）與激進(jìn)駕駛之間存在正相關(guān)關(guān)系。

近年來，也有一些學(xué)者致力研究基于速度、加速度、加加速度（Jerk）等瞬時(shí)駕駛參數(shù)的統(tǒng)計(jì)特性來進(jìn)行激進(jìn)駕駛行為分類，并取得了不錯(cuò)的成果。Eboli等人[13]通過對(duì)速度和加速度定義安全閾值來衡量駕駛行為的安全性，即測(cè)量速度和加速度，如果在閾值范圍內(nèi)則認(rèn)為駕駛行為處于安全狀態(tài)，若超過閾值則認(rèn)為駕駛行為是不安全的。Langari、Won[14-15]通過在指定窗口內(nèi)使用從加速度剖面中提取的標(biāo)準(zhǔn)差和平均加速度之比對(duì)駕駛員行為進(jìn)行分類，如果比例大于100%，則認(rèn)為駕駛員風(fēng)格激進(jìn)，如果在50%～100%之間，則認(rèn)為駕駛員風(fēng)格正常，如果小于50%，則認(rèn)為駕駛員風(fēng)格冷靜。當(dāng)然，也有研究給出了不同的激進(jìn)駕駛行為閾值。例如，Vlieger，Kim、Kim等人[16-18]給出了城市道路中的激進(jìn)駕駛行為閾值。近年來，除了基于加速度外，加加速度也被用于激進(jìn)駕駛行為的分類。Yi[19]等在考慮道路類型和交通擁擠程度的基礎(chǔ)上，基于Jerk的標(biāo)準(zhǔn)差和均值之比將駕駛行為分為冷靜駕駛（Calm Driving）、正常駕駛（Normal Driving）、激進(jìn)駕駛（Aggressive Driving）等。Wang[20]等通過車載GPS設(shè)備收集3 600×104 s數(shù)據(jù)（包含51 370次行程及對(duì)應(yīng)的逐秒速度），分別基于加速度和Jerk，將超出不穩(wěn)定駕駛邊界的數(shù)據(jù)點(diǎn)占總數(shù)據(jù)點(diǎn)的比例作為不穩(wěn)定駕駛行為的量化指標(biāo)，并將不穩(wěn)定駕駛邊界定義為加速度或Jerk的均值加/減各自的標(biāo)準(zhǔn)差，在此邊界內(nèi)的點(diǎn)被稱為典型駕駛行為（Typical Driving Practices），界外的點(diǎn)被稱為不穩(wěn)定駕駛行為（Volatile）。

具體地，利用加速度的均值和標(biāo)準(zhǔn)差對(duì)駕駛行為進(jìn)行分類，如圖3所示。以加速度為正為例：圖中黑色部分表示加速度大于最小值、小于均值的所有速度點(diǎn)，這個(gè)區(qū)域內(nèi)的點(diǎn)表示較為冷靜的駕駛行為（Calm）；深灰色部分表示加速度大于均值、小于“均值+標(biāo)準(zhǔn)差”的所有速度點(diǎn)，這個(gè)區(qū)域的點(diǎn)表示一般的駕駛行為（Normal）；淺灰色部分表示加速度大于“均值+標(biāo)準(zhǔn)差”的所有速度點(diǎn)，該區(qū)域表示激進(jìn)的駕駛行為（Aggressive）。

利用Jerk的均值和標(biāo)準(zhǔn)差進(jìn)行駕駛行為分類，如圖4所示。以Jerk為正為例：黑色部分表示Jerk大于最小值、小于均值的所有速度點(diǎn)，這個(gè)區(qū)域內(nèi)的點(diǎn)表示較為冷靜的駕駛行為（Calm）；深灰色部分表示Jerk大于均值、小于均值+標(biāo)準(zhǔn)差”的所有速度點(diǎn)，這個(gè)區(qū)域的點(diǎn)表示一般的駕駛行為（Normal）；淺灰色部分表示Jerk大于“均值+標(biāo)準(zhǔn)差”的所有速度點(diǎn)，該區(qū)域表示激進(jìn)的駕駛行為（Aggressive）。

Mohsen[21]等將標(biāo)準(zhǔn)差、變異系數(shù)、圍繞中心點(diǎn)的平均絕對(duì)偏差、四分位變異系數(shù)、極值計(jì)數(shù)等37項(xiàng)參數(shù)作為統(tǒng)計(jì)度量，研究速度波動(dòng)性和交叉路口車輛碰撞頻率的關(guān)系。研究表明，駕駛波動(dòng)性的三個(gè)指標(biāo)與十字路口碰撞頻率具有正相關(guān)性，且在統(tǒng)計(jì)學(xué)上顯著。研究發(fā)現(xiàn)，更多的十字路口碰撞與基本安全消息（Basic Safety Messages，BSM）速度和加速度數(shù)據(jù)點(diǎn)的百分比的相關(guān)性更高，這些數(shù)據(jù)點(diǎn)位于十字路口使用平均值加兩個(gè)標(biāo)準(zhǔn)偏差創(chuàng)建的閾值帶之外，可為進(jìn)一步的交通安全管控提供依據(jù)。

綜上，因激進(jìn)的駕駛行為對(duì)交通安全、燃油經(jīng)濟(jì)性及乘坐舒適性影響較大，基于統(tǒng)計(jì)特性的駕駛行為分類方法主要使用均值、標(biāo)準(zhǔn)差等統(tǒng)計(jì)度量對(duì)駕駛行為的激進(jìn)程度進(jìn)行分類。而駕駛行為主要通過車速、加速度和Jerk定量表征，將抽象的駕駛行為分類問題轉(zhuǎn)化為速度、加速度和Jerk等隨機(jī)變量的數(shù)理統(tǒng)計(jì)問題，為激進(jìn)駕駛對(duì)交通安全、能耗及舒適性影響的研究奠定基礎(chǔ)。速度、加速度、Jerk等都是與時(shí)間相關(guān)的連續(xù)、隨機(jī)變量，在實(shí)際交通場(chǎng)景中，這些駕駛行為表征量具有時(shí)間軸上的先后性和數(shù)值空間上的隨機(jī)性。然而，基于統(tǒng)計(jì)特性的駕駛行為分類方法保留了以速度、加速度、Jerk為主要表征的駕駛行為的空間隨機(jī)性特征，將其視為離散隨機(jī)變量進(jìn)行數(shù)據(jù)處理，忽視了時(shí)間序列上的邏輯關(guān)系，未能很好地揭示多因素下的駕駛行為成因機(jī)理及其時(shí)空演化規(guī)律。針對(duì)考慮駕駛行為形成機(jī)理及時(shí)空演化規(guī)律的駕駛行為分類將是本領(lǐng)域亟需解決的難點(diǎn)和痛點(diǎn)問題。

3.2 基于機(jī)器學(xué)習(xí)的分類方法

隨著大數(shù)據(jù)時(shí)代的到來，數(shù)據(jù)的豐富度和覆蓋面已經(jīng)遠(yuǎn)遠(yuǎn)超出了人工可以觀察和總結(jié)的范疇，結(jié)合了統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫科學(xué)和計(jì)算機(jī)科學(xué)的機(jī)器學(xué)習(xí)已經(jīng)成為人工智能和數(shù)據(jù)科學(xué)發(fā)展的主流方向之一，機(jī)器學(xué)習(xí)技術(shù)迅速發(fā)展。機(jī)器學(xué)習(xí)可以從海量的數(shù)據(jù)中分析出數(shù)據(jù)的規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)，廣泛應(yīng)用于多個(gè)領(lǐng)域。根據(jù)學(xué)習(xí)任務(wù)的不同，可以把機(jī)器學(xué)習(xí)算法分為分類（Classification）、回歸（Regression）、聚類（Clustering）三類。利用機(jī)器學(xué)習(xí)中的分類算法和聚類算法對(duì)駕駛行為進(jìn)行分類是國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)，本節(jié)將從這兩個(gè)方面對(duì)駕駛行為分類研究進(jìn)行介紹，并概述典型算法。

3.2.1 分類算法

基于機(jī)器學(xué)習(xí)分類算法的駕駛行為分類是在大量車輛數(shù)據(jù)信息中挖掘與駕駛行為相關(guān)的重要特征，并找出輸入特征與駕駛行為類別之間的映射關(guān)系。其中，常用于分類的機(jī)器學(xué)習(xí)算法有：決策樹（Decision Tree，DT）算法、樸素貝葉斯（Native Bayesian Classifier，NBC）算法、支持向量機(jī)（Support Vector Machine，SVM）算法、K近鄰（K-Nearest Neighbor，K-NN）算法、神經(jīng)網(wǎng)絡(luò)算法等。

在實(shí)際的車輛駕駛過程中，駕駛員的行為會(huì)受到多方面因素的干擾，每一種駕駛行為都有各自的特點(diǎn)，為了將駕駛行為劃分為不同的類別，需要使用合適的特征來區(qū)分每一種駕駛行為類別。因此，從多個(gè)影響因素提取出最主要、最有價(jià)值的特征，作為駕駛行為分類依據(jù)，能夠更好地構(gòu)建駕駛行為分類模型。高巖[22]基于車聯(lián)網(wǎng)數(shù)據(jù)，利用ExtmTrees算法進(jìn)行駕駛行為分類的特征選擇，通過對(duì)比5種機(jī)器學(xué)習(xí)分類算法（DT、NBC、K-NN、神經(jīng)網(wǎng)絡(luò)、SVM），得出基于SVM分類器的駕駛行為分類模型的分類性能最優(yōu)，并利用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法和遺傳算法（Genetic Algorithm，GA）對(duì)模型參數(shù)加以優(yōu)化。Silva等人[8]通過車載設(shè)備采集真實(shí)數(shù)據(jù)，選用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）、SVM、K-NN等機(jī)器學(xué)習(xí)算法模型對(duì)平靜、正常、具有攻擊性的駕駛風(fēng)格進(jìn)行分類，試驗(yàn)結(jié)果表明，SVM模型在駕駛行為分類方面性能最好，準(zhǔn)確率高達(dá)96%，但由于數(shù)據(jù)集樣本數(shù)量較少，沒有考慮影響駕駛方式的外部因素，遷移能力較差。楊鴻飛[23]基于車輛保險(xiǎn)（Usage Based Insurance，UBI）及道路交通事故特征，采用相關(guān)性及多重共線性檢驗(yàn)獲取分類特征，通過PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方式建立駕駛行為分類模型。Brombacher等[24]基于ANN算法，將檢測(cè)到的縱向和橫向駕駛事件分為Defensive和Sporty兩大類，接著依據(jù)事件分類計(jì)算出駕駛風(fēng)格分類總體得分，將駕駛風(fēng)格分為五類。除了少數(shù)情況下，即當(dāng)無法檢測(cè)到足夠的事件，或者駕駛員必須根據(jù)交通堵塞中的環(huán)境調(diào)整其駕駛方式時(shí)，該分類模型均能實(shí)現(xiàn)高精度的分類。

駕駛員在道路上的行為與交通安全息息相關(guān)，因此，部分研究者針對(duì)駕駛行為安全問題也進(jìn)行了相應(yīng)的研究，Lattanzi等人[25]通過用傳感器提取車速、發(fā)動(dòng)機(jī)轉(zhuǎn)速、發(fā)動(dòng)機(jī)負(fù)載、油門位置、轉(zhuǎn)向盤角度、制動(dòng)踏板壓力等數(shù)據(jù)，并將此作為分類特征，采用支持向量機(jī)和前饋神經(jīng)網(wǎng)絡(luò)兩種分類方法來區(qū)分安全和不安全的駕駛行為，結(jié)果顯示，兩種分類器的平均準(zhǔn)確率均超過90%。Niu等人[26]主要對(duì)不安全駕駛行為進(jìn)行研究，從駕駛員信息、車輛信息、駕駛員心理狀態(tài)、企業(yè)安全管理、道路環(huán)境、法律法規(guī)等6個(gè)維度出發(fā)，分析了影響安全駕駛行為的因素，并采用卡方檢驗(yàn)和OR檢驗(yàn)探索了影響因素與駕駛行為的相關(guān)性，利用機(jī)器學(xué)習(xí)模型建立了不安全駕駛行為分類框架，將其分為酒駕、毒駕、疲勞駕駛、失誤操作、闖紅燈、超速、視線受阻、隨機(jī)變道、開車時(shí)打電話9種不安全駕駛行為。Yuksel等人[27]基于車輛運(yùn)動(dòng)數(shù)據(jù)對(duì)突然加速、突然減速、突然左轉(zhuǎn)、突然右轉(zhuǎn)4種危險(xiǎn)駕駛行為進(jìn)行分析，并通過ANN、SVM、K-NN、NBC和K-star算法等常見的機(jī)器學(xué)習(xí)分類算法建立分類器，進(jìn)行試驗(yàn)對(duì)比分析，其中K-star算法在分類效果上表現(xiàn)最佳，可以高精度識(shí)別危險(xiǎn)駕駛行為。

綜上，基于機(jī)器學(xué)習(xí)分類算法的駕駛行為分類是在大量車輛數(shù)據(jù)信息中挖掘與駕駛行為相關(guān)的重要特征，并找出輸入特征與駕駛行為類別之間的映射關(guān)系。與基于統(tǒng)計(jì)特性的分類方法相比較其具有強(qiáng)大的自學(xué)習(xí)能力，可以處理大樣本復(fù)雜數(shù)據(jù)集，在特定應(yīng)用場(chǎng)景內(nèi)優(yōu)于基于統(tǒng)計(jì)特征的分類方法。但由于分類算法屬于監(jiān)督學(xué)習(xí)方法，必須事先獲取樣本的類別信息，并進(jìn)行訓(xùn)練，從而對(duì)包含其屬性的未知樣本進(jìn)行分類，在不滿足條件情況下，尤其是在對(duì)海量數(shù)據(jù)進(jìn)行預(yù)處理時(shí)代價(jià)很大。

3.2.2 聚類算法

同時(shí)，很多研究者聚焦于通過聚類的機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)駕駛行為分類，其思想是將駕駛行為特征參數(shù)相類似的劃分為一類，將相異度較高的分成不同類。K-means算法作為最著名的基于劃分的聚類算法，因其簡(jiǎn)潔和高效被廣泛使用，但直接運(yùn)用傳統(tǒng)的K-means算法對(duì)駕駛行為特征參數(shù)進(jìn)行聚類，會(huì)導(dǎo)致聚類結(jié)果不穩(wěn)定。為解決此類問題，廖紀(jì)勇[4]提出一種基于決策值選取初始聚類中心的改進(jìn)K-means算法，試驗(yàn)表明，改進(jìn)算法比傳統(tǒng)K-means算法更加穩(wěn)定，迭代次數(shù)減少，在真實(shí)數(shù)據(jù)集上聚類性能優(yōu)異?；诟倪M(jìn)算法對(duì)駕駛行為片段進(jìn)行安全性分類，將駕駛行為劃分為危險(xiǎn)型、急躁型、穩(wěn)定性三類，其中危險(xiǎn)型占比18.35%，急躁型占比25.65%，穩(wěn)健性占比56%。陳輝[28]基于K-means++算法對(duì)駕駛行為特征參數(shù)進(jìn)行聚類分析，將駕駛行為分為一般型、激進(jìn)型、穩(wěn)健型三類，其中激進(jìn)型駕駛者占比為15.8%，一般型駕駛者占比為36.4%，穩(wěn)健型駕駛者占比為47.8%。

此外，還有學(xué)者利用模糊聚類和系統(tǒng)聚類對(duì)駕駛行為進(jìn)行研究[29-32]，并取得了豐富的研究成果。牛增良等人[29]以大量重特大交通事故數(shù)據(jù)為基礎(chǔ)，從危險(xiǎn)駕駛行為角度研究外部影響因素與駕駛行為的關(guān)系，通過模糊和系統(tǒng)聚類對(duì)危險(xiǎn)駕駛行為進(jìn)行分類。孫川等人[30]通過因子分析法對(duì)選取的江蘇范圍內(nèi)營(yíng)運(yùn)車輛駕駛行為特征參數(shù)進(jìn)行提取，并以營(yíng)運(yùn)車輛相應(yīng)因子的得分作為聚類指標(biāo)，應(yīng)用系統(tǒng)聚類將駕駛速度行為特征分為變速駕駛行為、超速傾向駕駛行為、減速駕駛行為、加速駕駛行為4類。張磊等人[31]以駕駛員自填式調(diào)查問卷為基礎(chǔ)，采用基于因子分析方法提取出駕駛能力因子和駕駛風(fēng)格因子，實(shí)現(xiàn)了對(duì)駕駛員駕駛行為模式的量化描述。進(jìn)而以提取出的因子為特征，采用模糊C均值聚類分析的方法建立了駕駛員行為模式的類別分布空間。

與前幾種聚類方法不同，基于密度的聚類方法更適于解決不規(guī)則形狀的聚類問題，廣泛應(yīng)用于空間信息處理，DBSCAN就是其中的典型代表。李土深[7]基于車輛速度、加速度分析，通過DBSCAN算法獲取正常減速和急減速的分界值，對(duì)正常減速操作和急減速操作進(jìn)行區(qū)分，并將其應(yīng)用于分析特定駕駛場(chǎng)景中的急減速行為。DBSCAN算法效率高，非常適合處理大量的數(shù)據(jù)。

綜上，基于機(jī)器學(xué)習(xí)聚類算法的駕駛行為分類是將駕駛行為特征參數(shù)相似的分為一類，相異的分為不同類。與分類算法相比，其為無監(jiān)督學(xué)習(xí)，不需要訓(xùn)練模型，是直接根據(jù)數(shù)據(jù)之間的聯(lián)系進(jìn)行分類，可以處理無類別標(biāo)記的大數(shù)據(jù)樣本，并基于某種度量將其劃分為若干類別。

常見的用于分類駕駛行為的機(jī)器學(xué)習(xí)方法及其優(yōu)缺點(diǎn)如表1所示。

3.3 混合式（組合、集成）分類方法

本節(jié)所述的混合方式是指通過統(tǒng)計(jì)特性與機(jī)器學(xué)習(xí)方法組合或多種不同的機(jī)器學(xué)習(xí)方法組合構(gòu)建分類器實(shí)現(xiàn)駕駛行為分類。這類混合方法往往比使用單一的機(jī)器學(xué)習(xí)方法表現(xiàn)更佳。

將機(jī)器學(xué)習(xí)方法組合進(jìn)行駕駛行為分類的常見思路為：先用聚類算法對(duì)駕駛行為進(jìn)行初始聚類，接著用不同的分類算法構(gòu)建分類器。鄭恒杰等人[33]通過主成分分析法選取疲勞駕駛、超速、急加速、急減速和急變道等作為評(píng)價(jià)指標(biāo)，然后通過K-means聚類算法歸類并添加標(biāo)簽，最后通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器，分類結(jié)果劃分為4類：安全、警告、輕度危險(xiǎn)、危險(xiǎn)。張雅楠[34]以行車數(shù)據(jù)為基礎(chǔ)，運(yùn)用K-means++算法對(duì)駕駛行為進(jìn)行初始聚類，聚類結(jié)果將駕駛行為分成危險(xiǎn)型、隱患型和安全型三類，根據(jù)聚類結(jié)果，用4種常用的分類算法分別進(jìn)行駕駛行為分類。根據(jù)混淆矩陣的評(píng)價(jià)指標(biāo)選出分類準(zhǔn)確度最高的方法為SVM算法，將SVM與K-means++結(jié)合作為駕駛行為分類方法。

此外，Ersal等人[35]基于徑向基（Radial Basis Function， RBF）神經(jīng)網(wǎng)絡(luò)對(duì)駕駛行為進(jìn)行建模，并結(jié)合SVM形成一種僅使用殘差對(duì)駕駛員分心進(jìn)行分類的系統(tǒng)方法。Eren等人[36]使用智能手機(jī)傳感器獲取事件數(shù)據(jù)，利用動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping，DTW）和貝葉斯分類方法區(qū)分了駕駛員的安全行為和不安全行為，并通過與其他方法的比較，顯示出該方法在計(jì)算成本和實(shí)現(xiàn)成本方面具有很好的應(yīng)用前景。還有部分學(xué)者針對(duì)駕駛風(fēng)格和駕駛技能，通過不同的方法實(shí)現(xiàn)其分類。陳鏡任等[37]通過采用基于馬爾可夫鏈蒙特卡洛采樣和離群點(diǎn)剔除的K-means算法對(duì)駕駛?cè)说鸟{駛風(fēng)格進(jìn)行分析，采用回歸學(xué)習(xí)對(duì)駕駛?cè)说鸟{駛技能進(jìn)行分析，將駕駛?cè)巳后w劃分為6類：激進(jìn)熟練型、適中熟練型、保守熟練型、激進(jìn)生疏型、適中生疏型、保守生疏型。孫劍等[38]從自然駕駛數(shù)據(jù)集中提取典型的分心駕駛片段，利用梯度提升決策樹-遞歸特征消除算法和隨機(jī)森林-遞歸特征消除算法得到重要度較高的分心監(jiān)測(cè)指標(biāo)，采用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM-NN）實(shí)現(xiàn)分心駕駛的分類識(shí)別。

混合式（組合、集成）分類方法可以取長(zhǎng)補(bǔ)短，集成幾種方法的優(yōu)點(diǎn)，在特定的應(yīng)用場(chǎng)景具有更高的分類精度。常見的用于分類駕駛行為的混合方法及其優(yōu)缺點(diǎn)如表2所示。

3.4 分類方法對(duì)比分析

本節(jié)從各種駕駛行為特征出發(fā)，基于上述駕駛行為分類方法的小類劃分思路，對(duì)駕駛行為分類研究的特征選取、分類方法、分類結(jié)果等進(jìn)行歸納介紹，如表3所示。

基于統(tǒng)計(jì)特征的分類方法主要以車輛速度、加速度和Jerk作為分類指標(biāo)，其分類結(jié)果通常較為簡(jiǎn)單，不夠精細(xì)?；跈C(jī)器學(xué)習(xí)的分類方法通常選取較多的駕駛行為特征參數(shù)對(duì)駕駛行為進(jìn)行分類，其分類結(jié)果較為精細(xì)，在許多應(yīng)用場(chǎng)景中能得到較好的分類效果。而混合式（組合、集成）的分類方法可以融合多種方法的優(yōu)勢(shì)，即使不采用較多的駕駛行為特征參數(shù)，其分類結(jié)果也較為精細(xì)，并且在特定場(chǎng)景中具有很高的分類精度，將是未來的研究重點(diǎn)。上述三種分類方法都是基于數(shù)據(jù)驅(qū)動(dòng)的，數(shù)據(jù)之間的時(shí)序耦合關(guān)系考慮較少，考慮時(shí)空演化特征的駕駛行為分類及趨勢(shì)演化機(jī)理研究是本領(lǐng)域研究者需要關(guān)注的內(nèi)容。

4 駕駛行為量化評(píng)估

駕駛行為評(píng)價(jià)是對(duì)駕駛員在交通安全、能源消耗等方面的綜合評(píng)估。駕駛行為評(píng)價(jià)結(jié)果能夠?yàn)楦纳岂{駛員操作習(xí)慣、提高行車安全提供合理可行的建議，因此對(duì)駕駛員的駕駛行為進(jìn)行科學(xué)評(píng)價(jià)具有重要意義。本節(jié)依據(jù)駕駛行為評(píng)價(jià)的目的，從安全性、經(jīng)濟(jì)性以及其他維度對(duì)駕駛行為評(píng)估進(jìn)行介紹。

4.1 安全性評(píng)價(jià)

由于影響駕駛行為的因素眾多而復(fù)雜，不能從單一指標(biāo)來評(píng)價(jià)其安全性。因此多數(shù)情況下，對(duì)駕駛行為進(jìn)行全面的安全性評(píng)價(jià)往往需要涉及多個(gè)層次、多個(gè)方面的指標(biāo)，這就需要采用綜合評(píng)價(jià)法，從而得出更加科學(xué)合理的結(jié)論。在實(shí)際中應(yīng)用較為廣泛的是常規(guī)綜合評(píng)價(jià)法，楊光[39]提出了影響駕駛員駕駛行為的6個(gè)安全評(píng)價(jià)指標(biāo)，每個(gè)指標(biāo)對(duì)應(yīng)不同的識(shí)別算法與評(píng)價(jià)方法，然后使用集成賦權(quán)法計(jì)算駕駛行為影響因子的權(quán)重，構(gòu)建了駕駛行為評(píng)分模型，駕駛員得分計(jì)算的一般公式為：

[S=w1k1+w2k2+w3k3+…+wnkn] ? ? ? ? ? ? ?（1）

式中：ki（1≤i≤n）為不同評(píng)價(jià)指標(biāo)對(duì)應(yīng)的量化分值；wi（1≤i≤n）為與之對(duì)應(yīng)的各項(xiàng)指標(biāo)權(quán)重，最終評(píng)分以百分制展示。

陳輝[28]增加了平均車速、行駛時(shí)長(zhǎng)、行駛里程、最大連續(xù)駕駛時(shí)長(zhǎng)、疲勞駕駛次數(shù)等作為安全評(píng)價(jià)指標(biāo)，采用組合賦權(quán)法計(jì)算各項(xiàng)指標(biāo)權(quán)重，并以此建立駕駛行為評(píng)分模型，實(shí)現(xiàn)了駕駛行為的評(píng)價(jià)。結(jié)果顯示，穩(wěn)健型駕駛員得分基本分布在85～100分之間，一般型駕駛員得分基本分布在65～85分之間，而激進(jìn)類型駕駛員得分基本分布在65分以下。

有的學(xué)者聚焦于攻擊性駕駛行為[40]，基于層次分析法（Analytic Hierarchy Process，AHP）從4個(gè)方面分析了攻擊性駕駛行為的因素，構(gòu)建了攻擊性駕駛行為的因素層次分析模型。通過專家調(diào)查問卷法計(jì)算評(píng)價(jià)指標(biāo)權(quán)重，并轉(zhuǎn)化為攻擊性調(diào)查量表，按照百分制分?jǐn)?shù)將攻擊性駕駛行為劃分為5個(gè)等級(jí)，分別對(duì)應(yīng)5個(gè)安全等級(jí)評(píng)價(jià)駕駛行為。上述幾種評(píng)價(jià)模型均可以保證評(píng)價(jià)指標(biāo)的公平性，但受權(quán)重系數(shù)影響較大。

除此之外，一些學(xué)者[41-42]基于模糊綜合評(píng)判，即基于模糊數(shù)學(xué)，將一些模糊的、難以量化的指標(biāo)定量化，以此進(jìn)行綜合評(píng)價(jià)。許治琦等人[41]基于AHP的模糊綜合評(píng)價(jià)法，從構(gòu)造因素集、評(píng)語集、權(quán)向量、隸屬度矩陣、模糊綜合評(píng)價(jià)結(jié)果矩陣五個(gè)環(huán)節(jié)對(duì)駕駛行為安全性進(jìn)行量化分析。鄧忠[42]以速度、角速度、滾動(dòng)角作為因素集，分別建立相應(yīng)的隸屬度函數(shù)，設(shè)置權(quán)重矩陣，通過計(jì)算隸屬度作為安全駕駛評(píng)價(jià)指標(biāo)。研究發(fā)現(xiàn)，正常駕駛的安全駕駛隸屬度高于激烈駕駛的安全駕駛隸屬度。上述研究的評(píng)價(jià)結(jié)果是以模糊集合或者模糊隸屬度表示，這種評(píng)估方法適合從整體上對(duì)駕駛員的駕駛行為狀態(tài)進(jìn)行綜合評(píng)估。

駕駛行為與事故傾向之間的關(guān)系已經(jīng)被證明并廣泛使用，探索影響駕駛風(fēng)險(xiǎn)的有效因子，可以量化評(píng)估個(gè)人駕駛行為的安全性并將其作為事故風(fēng)險(xiǎn)的評(píng)價(jià)指標(biāo)[43]，實(shí)現(xiàn)對(duì)駕駛風(fēng)險(xiǎn)的有效預(yù)測(cè)。Wang等人[44]提出了一種新的方法來量化碰撞事件中的駕駛風(fēng)險(xiǎn)，采用K-means方法將駕駛風(fēng)險(xiǎn)分為高、中、低三個(gè)級(jí)別，并基于CART方法分析了駕駛風(fēng)險(xiǎn)相關(guān)因素，實(shí)現(xiàn)了駕駛員風(fēng)險(xiǎn)評(píng)估。Xie等人[45]基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和分布式遺傳算法建立駕駛行為意識(shí)模型來估計(jì)不同交通場(chǎng)景下的車輛行為，并將其應(yīng)用于車輛變道場(chǎng)景中駕駛行為的估計(jì)。Zhu等[46]提出了一個(gè)融合回歸模型和信息聚合機(jī)制的貝葉斯網(wǎng)絡(luò)模型，研究了GPS駕駛觀測(cè)結(jié)果、個(gè)體駕駛行為、個(gè)體駕駛風(fēng)險(xiǎn)和個(gè)體碰撞頻率之間的關(guān)系，實(shí)現(xiàn)了對(duì)駕駛行為的評(píng)價(jià)。許多研究者通過對(duì)駕駛行為進(jìn)行分析，以分類特征作為安全性評(píng)價(jià)指標(biāo)，以事故或危險(xiǎn)駕駛行為發(fā)生的次數(shù)劃分風(fēng)險(xiǎn)等級(jí)，實(shí)現(xiàn)駕駛員行為的風(fēng)險(xiǎn)評(píng)估。經(jīng)試驗(yàn)對(duì)比分析，將駕駛行為分類模型或分類結(jié)果運(yùn)用于事故風(fēng)險(xiǎn)評(píng)估，其準(zhǔn)確度優(yōu)于駕駛行為評(píng)估模型，可以達(dá)到較好的預(yù)測(cè)效果。

除了基于模型方法評(píng)價(jià)駕駛行為，還有學(xué)者通過駕駛行為譜對(duì)駕駛行為安全性進(jìn)行評(píng)估：陳鏡任等[37]基于駕駛?cè)诵袨樽V各項(xiàng)指標(biāo)的分析，構(gòu)建了駕駛行為譜體系結(jié)構(gòu)，并采用模型視圖控制器（Model View Controller，MVC）架構(gòu)研發(fā)了駕駛?cè)诵袨樽V分析工具，為營(yíng)運(yùn)客車的駕駛?cè)笋{駛行為的定量分析提供了更為精確、有效的方案；陸鍵等人[47]以車輛行駛軌跡數(shù)據(jù)為研究對(duì)象，針對(duì)不良駕駛行為，采用風(fēng)險(xiǎn)度量公式和四分位差法計(jì)算不良駕駛行為特征參數(shù)及其閾值，通過計(jì)算各個(gè)特征參數(shù)超出閾值的比例，得到不良駕駛行為譜特征值，該方法能夠綜合評(píng)價(jià)車輛在各種不良駕駛行為的量化表現(xiàn)。

綜上，從安全性角度對(duì)駕駛行為進(jìn)行評(píng)估的方法主要有基于評(píng)估模型和基于駕駛行為譜兩大類。前者將不同的影響因素及對(duì)應(yīng)的不同權(quán)重構(gòu)建成一個(gè)數(shù)學(xué)模型，以某種度量來展示駕駛行為的安全性；后者對(duì)駕駛行為特征參數(shù)進(jìn)行數(shù)據(jù)處理，用圖譜表示不同駕駛員對(duì)應(yīng)的駕駛模式，并通過計(jì)算將不同駕駛模式對(duì)應(yīng)的安全類別以數(shù)值形式表示在圖譜中，可以直觀地評(píng)估駕駛員駕駛行為的安全性。這兩種評(píng)估方法都可以較好地展示出駕駛員駕駛行為的安全性能，對(duì)指導(dǎo)安全駕駛有重要作用。

4.2 經(jīng)濟(jì)性評(píng)價(jià)

在人-車-路系統(tǒng)中任何一個(gè)要素都會(huì)對(duì)駕駛行為構(gòu)成影響，并將間接地影響到車輛的燃料消耗和污染物排放，影響著車輛經(jīng)濟(jì)性和環(huán)境保護(hù)。國(guó)內(nèi)外許多學(xué)者在此領(lǐng)域進(jìn)行了廣泛的研究。

駕駛員不同的駕駛操作、不同的駕駛風(fēng)格在很大程度上決定著駕駛經(jīng)濟(jì)性，文獻(xiàn)[48]～文獻(xiàn)[50]揭示了不同駕駛行為對(duì)油耗的影響關(guān)系。孟興凱等[48]采用發(fā)動(dòng)機(jī)臺(tái)架試驗(yàn)和道路試驗(yàn)相結(jié)合的方法，對(duì)汽車起步、換擋時(shí)機(jī)的選擇、加速、減速、車速控制等典型的駕駛操作行為展開研究，分析了不同駕駛操作行為對(duì)汽車油耗的影響。Yi等[19]探究了燃油里程和駕駛風(fēng)格之間的相關(guān)性，并通過計(jì)算駕駛行為的燃油里程，分析了不同類型駕駛行為的燃油經(jīng)濟(jì)性。在此基礎(chǔ)上，許多研究者基于車輛行駛特征參數(shù)進(jìn)行駕駛行為經(jīng)濟(jì)性綜合評(píng)估。徐歆鈺[49]基于速度、加速度、減速度、轉(zhuǎn)速等建立各項(xiàng)評(píng)價(jià)指標(biāo)的油耗模型，通過計(jì)算各項(xiàng)指標(biāo)在單位時(shí)間內(nèi)多消耗的油耗值之和作為駕駛行為經(jīng)濟(jì)性綜合評(píng)分。Chen等人[50]研究了駕駛員行為對(duì)燃料消耗的定量影響，提出了一種基于駕駛事件的生態(tài)駕駛行為評(píng)價(jià)模型。首先，基于出租車運(yùn)行數(shù)據(jù)，分析了速度、加速度和駕駛模式持續(xù)時(shí)間與油耗之間的關(guān)系，確定了9個(gè)涉及油耗的駕駛事件（包括急劇加速、急劇減速和長(zhǎng)期加速），然后，以一定距離內(nèi)各駕駛事件的頻率為自變量、車輛油耗為因變量，采用主成分分析和多元線性回歸，建立駕駛員生態(tài)駕駛行為評(píng)價(jià)模型。該模型具有較高的精度（96.72%），進(jìn)一步促進(jìn)了定量生態(tài)駕駛建議的提出。陳晨[51]以北京市出租車運(yùn)行數(shù)據(jù)為基礎(chǔ)，從微觀層面對(duì)基于駕駛行為的城市道路車輛油耗特征進(jìn)行了分析?；谶\(yùn)行速度、加速度及工況持續(xù)時(shí)間等參數(shù)構(gòu)建了6種與油耗相關(guān)的駕駛事件的生態(tài)駕駛行為評(píng)估模型。Ivanco等人[52]通過傅里葉變換的方法，分析了速度、加速度、Jerk等信號(hào)的頻域信息，定義波動(dòng)激進(jìn)性（Ripple Aggressive，RA）為Jerk信號(hào)傅里葉變換高頻分量占總量的比例，將其作為燃油經(jīng)濟(jì)性的評(píng)價(jià)指標(biāo)，并基于LA92 和 US06兩種道路行駛工況數(shù)據(jù)進(jìn)行加噪和平滑試驗(yàn)，模擬出不同波動(dòng)激進(jìn)程度的行駛數(shù)據(jù)，如圖5所示。研究發(fā)現(xiàn)，當(dāng)RA大于0.8時(shí)，駕駛行為更耗油，當(dāng)RA小于0.8時(shí)更省油。Zhang等[53]基于Jerk將駕駛行為分為九類，并分析了不同Jerk類型的駕駛行為的燃油經(jīng)濟(jì)性，進(jìn)而建立了一種結(jié)合速度、加速度和Jerk的油耗模型，該模型在油耗預(yù)測(cè)方面具有較高的性能，可用于引導(dǎo)駕駛員節(jié)能駕駛。鮑宇[54]利用MATLAB中的Simulink模型庫，采用不同的評(píng)分算法建立了7種車輛工況相應(yīng)的評(píng)價(jià)模型，并將模型輸出值換算成百分?jǐn)?shù)作為評(píng)價(jià)結(jié)果。分值越高，表明該駕駛行為降低油耗越有益。此外，一定行駛速度情況下，節(jié)氣門開度處在合理水平，既能保障車輛行駛所需能源供給，又能減少不必要的能源消耗。

駕駛行為的經(jīng)濟(jì)性評(píng)價(jià)指標(biāo)多以油耗作為評(píng)價(jià)指標(biāo)，較少考慮到排放指標(biāo)。對(duì)此，肖雄[55]量化了駕駛行為與排放之間的聯(lián)系，從排放角度出發(fā)，選取CO2、NOx和HC排放因子作為排放指標(biāo)，利用因子分析法確定了影響污染物排放量的主因子作為評(píng)價(jià)指標(biāo)，通過計(jì)算綜合評(píng)價(jià)得分F作為生態(tài)駕駛評(píng)價(jià)指標(biāo)，研究發(fā)現(xiàn)，因子綜合得分F與排放量為正相關(guān)。

綜上，從能耗和排放兩個(gè)角度，對(duì)不同駕駛行為的經(jīng)濟(jì)性進(jìn)行評(píng)價(jià)：能耗多以車輛速度、加速度、Jerk等車輛參數(shù)為指標(biāo)，構(gòu)建油耗模型對(duì)車輛燃油進(jìn)行定量評(píng)估；排放多以排放因子為指標(biāo)，構(gòu)建綜合評(píng)價(jià)函數(shù)對(duì)生態(tài)駕駛進(jìn)行評(píng)價(jià)。

4.3 其他方面評(píng)價(jià)

除考慮安全性、經(jīng)濟(jì)性外，翟海朋[56]對(duì)駕駛行為的適宜性，即特定的個(gè)人是否適合駕駛職業(yè)進(jìn)行了檢測(cè)評(píng)價(jià)，首先根據(jù)駕駛行為特性分析，將駕駛行為劃分為感知、判斷、操作三類，并基于駕駛?cè)寺殬I(yè)適宜性理論選取了14項(xiàng)駕駛適宜性單項(xiàng)檢測(cè)評(píng)價(jià)指標(biāo)，接著通過探究各類駕駛行為與各項(xiàng)指標(biāo)之間相關(guān)程度，完成了駕駛員適宜性檢測(cè)，為駕駛員駕駛行為的培訓(xùn)與再教育提供了更有效的依據(jù)。Liu等人[57]基于從自然駕駛研究中提取的人類駕駛員行為特征，分析速度、加速度動(dòng)態(tài)參數(shù)分布概率，選擇第5百分位和第95百分位回歸線為安全性評(píng)估基線，選擇第99百分位回歸線為類人性評(píng)估基線，以此作為評(píng)價(jià)方法，對(duì)自適應(yīng)巡航控制（Adaptive Cruise Control，ACC）系統(tǒng)進(jìn)行了測(cè)試和評(píng)估。

更有學(xué)者從多個(gè)角度對(duì)駕駛行為進(jìn)行綜合性評(píng)價(jià)，王曉慧等[58]從多目標(biāo)（安全、油耗、維護(hù)、舒適）多維度出發(fā)，基于車聯(lián)網(wǎng)數(shù)據(jù)分析每個(gè)維度的相關(guān)因素，根據(jù)各維度特征分別采用基于廣義加性模型（Generalized Additive Model，GAM）和基于專家打分的方法建立評(píng)價(jià)模型，并構(gòu)建了多維駕駛行為評(píng)價(jià)體系，實(shí)現(xiàn)了更全面、合理的駕駛行為評(píng)價(jià)。余劍方[59]從操作規(guī)范、行車安全、車輛健康、經(jīng)濟(jì)節(jié)能、駕駛經(jīng)驗(yàn)5個(gè)維度對(duì)駕駛行為進(jìn)行綜合評(píng)價(jià)，通過分析典型場(chǎng)景下的駕駛特征，選取14類特征作為駕駛行為評(píng)價(jià)指標(biāo)，結(jié)合可拓層次分析法、熵權(quán)法、組合賦權(quán)法確定各指標(biāo)的權(quán)重，并通過灰色白化權(quán)函數(shù)聚類法以及模糊綜合評(píng)判法構(gòu)建了駕駛行為綜合評(píng)價(jià)模型，完成了駕駛員駕駛行為的量化評(píng)估。從多維度多方面對(duì)駕駛行為進(jìn)行綜合評(píng)價(jià)是未來的研究方向，有助于更加全面地評(píng)估駕駛行為，進(jìn)一步提高安全、經(jīng)濟(jì)、舒適等方面的性能。

由于實(shí)際行車過程中場(chǎng)景復(fù)雜多變，影響駕駛行為的因素眾多，對(duì)駕駛行為進(jìn)行全面、系統(tǒng)評(píng)估有較大挑戰(zhàn)。因此，以人、車、路、環(huán)境等因素為基礎(chǔ)，以安全、經(jīng)濟(jì)、舒適、通行效率等為目標(biāo)，構(gòu)建多維度駕駛行為評(píng)估模型，制定統(tǒng)一的駕駛行為分級(jí)評(píng)價(jià)標(biāo)準(zhǔn)將成為該領(lǐng)域的一大熱點(diǎn)和難點(diǎn)。

5 駕駛行為分類方法及量化評(píng)估應(yīng)用現(xiàn)狀

駕駛員培訓(xùn)是駕駛行為量化評(píng)估最直接的一種應(yīng)用[60]，它以不同的方式對(duì)駕駛?cè)颂峁﹦?dòng)態(tài)、靜態(tài)的駕駛建議，使其改善自身駕駛行為，提高駕駛技能，從而養(yǎng)成良好的駕駛習(xí)慣，達(dá)到安全駕駛、節(jié)能減排的目的。Toledo等人[61]基于車載數(shù)據(jù)記錄儀收集不同駕駛員的行駛數(shù)據(jù)，通過給予駕駛員不同的反饋意見，比較一段時(shí)間內(nèi)的安全事故事件及燃料消耗量，研究表明良好的反饋可以使安全事故減少8%，燃料消耗量減少3%～10%，對(duì)于駕駛風(fēng)格激進(jìn)的駕駛員效果更為顯著。陳晨[51]采用“閉環(huán)反饋”的模式設(shè)計(jì)搭建了面向駕駛員的生態(tài)駕駛行為監(jiān)測(cè)、評(píng)估及矯正平臺(tái)，如圖6所示。該平臺(tái)通過車載終端收集用戶數(shù)據(jù)，以移動(dòng)終端APP為媒介向用戶發(fā)布評(píng)估結(jié)果及推送矯正意見，使用戶了解其生態(tài)駕駛行為狀況，針對(duì)性地提升駕駛技術(shù)，養(yǎng)成良好的駕駛習(xí)慣。伍毅平等[62]基于如圖7所示的駕駛模擬器平臺(tái)，通過試驗(yàn)對(duì)比分析了生態(tài)駕駛行為培訓(xùn)前、后的車輛燃油消耗量，顯示出駕駛行為培訓(xùn)促進(jìn)節(jié)能減排的巨大潛力。

駕駛輔助系統(tǒng)利用多種傳感器感知周圍環(huán)境，可以幫助駕駛員監(jiān)測(cè)和處理穩(wěn)定性、控制和導(dǎo)航3個(gè)層面的信息，這將有效減少駕駛員的工作負(fù)擔(dān)，同時(shí)提高駕駛的安全性和舒適性，除此以外，在行車過程中，還可以根據(jù)當(dāng)前交通狀況，為駕駛員提供更加經(jīng)濟(jì)的駕駛方案。Dai等[63]提出了一個(gè)針對(duì)酒后駕駛的檢測(cè)系統(tǒng)，利用手機(jī)程序從傳感器收集數(shù)據(jù)，將檢測(cè)到的行為與典型醉酒駕駛模式進(jìn)行比較，對(duì)醉酒駕駛行為進(jìn)行危險(xiǎn)預(yù)警。該系統(tǒng)在智能手機(jī)（Android G1）上對(duì)不同的駕駛行為進(jìn)行測(cè)試，得到了較高的檢測(cè)精度。Jamson等人[64]提出一種車載生態(tài)駕駛輔助系統(tǒng)，在反饋當(dāng)前車輛燃油經(jīng)濟(jì)性的同時(shí)通過視覺、聽覺、觸覺模式實(shí)時(shí)地為駕駛員提供最省油的油門踏板開度，以指導(dǎo)駕駛員實(shí)現(xiàn)最佳燃油效率。另外，Wu等人[65]的研究還顯示了智能手機(jī)APP對(duì)降低油耗的具體效果，平均降低4.5%，最高降低13%。上述文獻(xiàn)均是通過智能手機(jī)或車載平臺(tái)以視、聽等方式對(duì)駕駛員進(jìn)行實(shí)時(shí)提醒，對(duì)于減少行車過程中的事故發(fā)生，以及節(jié)能減排都有明顯作用，但由于交通環(huán)境復(fù)雜，駕駛過程中受到的影響因素眾多，駕駛輔助系統(tǒng)的研究仍有很大的發(fā)展空間。

隨著大數(shù)據(jù)等智能技術(shù)應(yīng)用于駕駛行為數(shù)據(jù)的采集，與之相關(guān)的UBI車險(xiǎn)也得到了新的發(fā)展，Myers等人[66]證明了車輛行駛環(huán)境及駕駛?cè)诵袨槭怯绊懫囷L(fēng)險(xiǎn)狀況的關(guān)鍵因子，PROGRESSIVE公司[67]通過分析50×108 km的駕駛行為數(shù)據(jù)，認(rèn)為在預(yù)測(cè)保險(xiǎn)理賠時(shí)，駕駛行為比其他因子更優(yōu)。Paefgen等人[68]通過對(duì)從保險(xiǎn)公司獲得的1 600輛車輛位置軌跡數(shù)據(jù)進(jìn)行建模，探究了各種駕駛情況對(duì)事故參與風(fēng)險(xiǎn)的貢獻(xiàn)。Tselentis等人[69]基于按車付費(fèi)和按駕駛付費(fèi)分析了駕駛碰撞風(fēng)險(xiǎn)。近幾年UBI研究者開始把研究重心放在基于駕駛行為UBI與數(shù)據(jù)挖掘領(lǐng)域的結(jié)合上，通過數(shù)據(jù)挖掘算法建立駕駛行為與事故風(fēng)險(xiǎn)之間的聯(lián)系。依據(jù)駕駛行為分類模型構(gòu)建車險(xiǎn)模型，不同駕駛風(fēng)險(xiǎn)等級(jí)的用戶具有不同的車險(xiǎn)費(fèi)率系數(shù)，體現(xiàn)了不同駕駛行為車險(xiǎn)保費(fèi)的差異，以激勵(lì)用戶改善駕駛行為，降低交通事故率。上述研究表明，UBI是一種較為前沿的方法，對(duì)交通安全、交通擁堵和污染排放等有重大的潛在影響。

6 結(jié)束語

本文回顧了近年來駕駛行為研究領(lǐng)域駕駛行為分類及量化的研究成果。首先將駕駛行為分類方法分為基于統(tǒng)計(jì)特性的分類方法、基于機(jī)器學(xué)習(xí)的分類方法和混合式（組合、集成）分類方法三大類，對(duì)不同的駕駛行為分類方法的代表算法、優(yōu)點(diǎn)及局限性等進(jìn)行了系統(tǒng)歸納。其次，從安全性、經(jīng)濟(jì)性、舒適性等多個(gè)維度對(duì)駕駛行為的量化評(píng)估研究進(jìn)行了系統(tǒng)介紹。

駕駛行為研究是綜合了心理學(xué)、生理學(xué)、物聯(lián)網(wǎng)技術(shù)、數(shù)據(jù)挖掘、交通等領(lǐng)域知識(shí)的交叉學(xué)科研究，其發(fā)展也受到各方面技術(shù)水平發(fā)展的促進(jìn)與制約。由于駕駛行為對(duì)車輛行車安全性、環(huán)保經(jīng)濟(jì)性、乘坐舒適性等方面有著重要影響，未來，駕駛行為分類及量化評(píng)估方面的研究將持續(xù)受到關(guān)注。

從駕駛行為分類方法角度，未來研究的趨勢(shì)將更加傾向于通過機(jī)器學(xué)習(xí)方法與混合式方法進(jìn)行駕駛行為分類。目前，基于統(tǒng)計(jì)特征的分類方法在駕駛行為分類研究中應(yīng)用甚廣，但是該分類方法能力有限，而基于機(jī)器學(xué)習(xí)方法的駕駛行為分類在特定應(yīng)用場(chǎng)景內(nèi)優(yōu)于基于統(tǒng)計(jì)特征的分類方法。且基于機(jī)器學(xué)習(xí)方法進(jìn)行駕駛行為分類，對(duì)大數(shù)據(jù)集分類比較友好。隨著機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，其強(qiáng)大的自學(xué)習(xí)與非線性擬合能力將能夠更好地建立回歸模型，提高分類精度。此外，混合式（組合、集成）分類方法基于特定的應(yīng)用場(chǎng)景，可以取長(zhǎng)補(bǔ)短，集成幾種方法的優(yōu)點(diǎn)，具有高分類精度的潛力，也將是未來的研究趨勢(shì)。

從駕駛行為量化評(píng)估應(yīng)用角度，未來駕駛行為將逐步趨向于面向行業(yè)應(yīng)用的精細(xì)化分類研究，駕駛行為精細(xì)化分類對(duì)駕駛行為相關(guān)研究的深入進(jìn)行很有幫助。在不同的應(yīng)用場(chǎng)景下，選擇適用的方法，可以在該場(chǎng)景下達(dá)到理想的分類結(jié)果。如在節(jié)能環(huán)保方面，通過改善駕駛員的不良駕駛行為，可以降低車輛能耗，延長(zhǎng)車輛與道路的使用壽命。在保險(xiǎn)相關(guān)行業(yè)，依據(jù)駕駛風(fēng)格進(jìn)行差異化定價(jià)是未來發(fā)展的趨勢(shì)。在交通法規(guī)方面，對(duì)于由不良駕駛行為導(dǎo)致交通事故的駕駛員，可給予更加嚴(yán)厲的懲罰。

從駕駛行為研究對(duì)象角度，隨著智能網(wǎng)聯(lián)技術(shù)的不斷發(fā)展，道路行駛車輛的智能化程度及網(wǎng)聯(lián)化程度將不斷提升，未來對(duì)智能網(wǎng)聯(lián)車輛的駕駛行為研究將更側(cè)重于決策、軌跡規(guī)劃與跟蹤控制方面的研究，以及從安全性、經(jīng)濟(jì)性、舒適性、通行效率等方面，對(duì)智能網(wǎng)聯(lián)車輛駕駛行為的評(píng)估研究。

在駕駛行為研究縱深度方面，當(dāng)前對(duì)駕駛行為的研究更加側(cè)重于以離散化的數(shù)據(jù)驅(qū)動(dòng)為基礎(chǔ)，而較少開展基于“人-車-路-環(huán)境”等綜合因素下駕駛行為的成因機(jī)理及其時(shí)空演化規(guī)律的研究，缺乏對(duì)駕駛行為形成機(jī)理及時(shí)空演化過程的深入挖掘，該科學(xué)問題仍有待進(jìn)一步研究和探索。

參 考 文 獻(xiàn)

[1] 中華人民共和國(guó)公安部交通管理局. 全國(guó)機(jī)動(dòng)車保有量達(dá)4.35億輛 駕駛?cè)诉_(dá)5.23億人 新能源汽車保有量超過2000萬輛[EB/OL]. 北京： 中華人民共和國(guó)中央人民政府. （2024-01-11）[2024-05-07]. https：//www.mps.gov.cn/n2254314/n6409334/c9384907/content.html.

Traffic Management Bureau of the Ministry of Public Security of the Peoples Republic of China. The Total Number of ? ?Motor Vehicles in China Has Reached 435 Million， with 523 Million Drivers and Over 20 Million New Energy Vehicles [EB/OL]. Beijing： The State Council The Peoples Republic of China. （2024-01-11）[2024-05-07]. https：//www.mps.gov.cn/n2254314/n6409334/c9384907/content.html.

[2] 國(guó)家統(tǒng)計(jì)局. 中華人民共和國(guó)2023年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[N]. 人民日?qǐng)?bào)， 2024-03-01（10）.

National Bureau of Statistics of China. Statistical ? ? ? ? ? ? Communique of the Peoples Republic of China on the 2023 National Economic and Social Development[N]. Peoples Daily， 2024-03-01（10）.

[3] 中華人民共和國(guó)生態(tài)環(huán)境部. 中國(guó)移動(dòng)源環(huán)境管理年報(bào)（2023年）[J]. 環(huán)境保護(hù)， 2024， 52（2）： 48-62.

Ministry of Ecology and Environment the Peoples Republic of China. China Mobile Source Environmental Management Annual Report in 2023[J]. Environmental Protection， 2024， 52（2）： 48-62.

[4] 廖紀(jì)勇. 基于聚類和關(guān)聯(lián)規(guī)則的駕駛行為分析與研究[D]. 昆明： 昆明理工大學(xué)， 2021.

LIAO J Y. Analysis and Research of Driving Behavior Based on Clustering and Association Rules[D]. Kunming： Kunming University of Technology， 2021.

[5] 李世武， 蔣彬， 初秀民， 等. 駕駛行為對(duì)車輛燃料消耗和污染物排放的影響研究綜述[J]. 公路交通科技， 2003（1）： 155-158.

LI S W， JIANG B， CHU X M， et al. A Review of Driving ? ? Behavior Influence on Fuel Consumption and Exhaust ? ?Emission of Vehicle[J]. Journal of Highway and ? ? ? ? ? ? ?Transportation Research and Development， 2003（1）： 155-158.

[6] 冀秉魁. 基于駕駛員視覺特性的駕駛行為預(yù)測(cè)方法研究[D]. 長(zhǎng)春： 吉林大學(xué)， 2014.

JI B K. Research on Driving Behavior Prediction Method Based on Driver s Visual Characteristics[D]. Changchun： ?Jilin University， 2014.

[7] 李士深. 基于隱馬爾可夫模型的駕駛員行為分析研究[D]. 哈爾濱： 哈爾濱工程大學(xué)， 2017.

LI S S. Research on Driver Behavior Analysis Based on ? ?Hidden Markov Model[D]. Harbin： Harbin Engineering ? ? University， 2017.

[8] SILVA I， EUGENIO N J. A Systematic Methodology to ? ?Evaluate Prediction Models for Driving Style Classification[J]. Sensors， 2020， 20（6）： 1692.

[9] 楊碩， 杜煜， 杜晨， 等. 駕駛行為研究方法綜述[C]// 中國(guó)計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì).中國(guó)計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2017年第二十一屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集. 雄安： 《計(jì)算機(jī)科學(xué)》編輯部， 2017： 127-130.

YANG S， DU Y， DU C， et al. A Review of Research Methods on Driving Behavior[C]// Network Application Branch of ? ?China Computer Users Association. Proceedings of the 21st Annual Conference on New Network Technologies and ? ? ?Applications in 2017 by the Network Application Branch of China Computer Users Association. Xiong an： Editorial Board of Computer Science， 2017： 127-130.

[10] 嚴(yán)新平， 張暉， 吳超仲， 等. 道路交通駕駛行為研究進(jìn)展及其展望[J]. 交通信息與安全， 2013， 31（1）： 45-51.

YAN X P， ZHANG H， WU C Z， et al. Research Progress and Prospect of Road Traffic Driving Behavior[J]. Journal of Transport Information and Safety， 2013， 31（1）： 45-51.

[11] MILES D E， JOHNSON G L. Aggressive Driving Behaviors： Are there Psychological and Attitudinal Predictors？[J]. ? ? ? ?Transportation Research Part F： Psychology and Behaviour， 2003， 6（2）： 47-161.

[12] PALETI R， ELURU N， BHAT C R. Examining the ? ? ? ? ? ?Influence of Aggressive Driving Behavior on Driver Injury Severity in Traffic Crashes[J]. Accident Analysis and ? ? ?Prevention， 2010， 42（6）： 1839-1854.

[13] EBOLI L， MAZZULLA G， PUNGILLO G. Combining Speed and Acceleration to Define Car Users Safe or Unsafe ? ? ? Driving Behaviour[J]. Transportation Research Part C Emerging Technologies， 2016， 68： 113-125.

[14] LANGARI R， WON J S. Intelligent Energy Management Agent for A Parallel Hybrid Vehicle - Part I： System ? ? ? ? Architecture and Design of the Driving Situation ? ? ? ? ? Identification Process[J]. IEEE Transactions on Vehicular Technology， 2005， 54（3）： 925-934.

[15] WON J S， LANGARI R. Intelligent Energy Management Agent for A Parallel Hybrid Vehicle - Part II： Torque ? ? ?Distribution， Charge Sustenance Strategies， and ? ? ? ? ? ? ?Performance Results[J]. IEEE Transactions on Vehicular Technology， 2005， 54（3）： 935-953.

[16] VLIGER I D， KEUKELEERE D D， KRETZSCHMAR J G. Environmental Effects of Driving Behaviour and ? ? ? ? ? ? Congestion Related to Passenger Cars[J]. Atmospheric ? ? Environment， 2000， 34（27）： 4649-4655.

[17] HYUNMYUNG K， JUN S O， JAYAKRISHNAN R. Application of Activity Chaining Model Incorporating A Time Use ? Problem to Network Demand Analysis[J]. Transportation Research Record， 2006， 1977（1）： 214-224.

[18] EVNGCHEOL K， CHOI E. Estimates of Critical Values of ? Aggressive Acceleration from A Viewpoint of Fuel ? ? ? ? ?Consumption and Emissions[C]// Transportation Research Board. Transportation Research Board Meeting. ? ? ? ? ? Washington DC： Transportation Research Board， 2013.

[19] YI L M， MILTON R， KILIARIS L. Drivers Style ? ? ? ? ?Classification Using Jerk Analysis[C]// 2009 IEEE Workshop on Computational Intelligence in Vehicles and ? ? ? ?Vehicular Systems. New York： 2009： 23-28.

[20] WANG X， KHATTAK A J， LIU J， et al. What is the Level of Volatility in Instantaneous Driving Decisions？[J]. ? ? Transportation Research Part C： Emerging Technologies， 2015， 58： 413-427.

[21] MOHSEN K， RAMIN A， KHATTAK A J. Extracting Useful Information from Basic Safety Message Data： An Empirical Study of Driving Volatility Measures and Crash Frequency at Intersections[J]. Transportation Research Record Journal of the Transportation Research Board， 2018， 2762（38）： 290-301.

[22] 高巖. 基于駕駛行為分類的UBI費(fèi)率厘定模型[D]. 北京：北京交通大學(xué)， 2017.

GAO Y. UBI Rating Model Based on Driving Behavior ? Classification[D]. Beijing： Beijing Jiaotong University， 2017.

[23] 楊鴻飛. 基于駕駛行為分類的UBI車險(xiǎn)費(fèi)率厘算模型及發(fā)展對(duì)策研究[D]. 昆明： 昆明理工大學(xué)， 2021.

YANG H F. Research on the Calculation Model and ? ? ? ?Development Strategy of UBI Vehicle Insurance Rate Based on Driving Behavior Classification[D]. Kunming： Kunming University of Science and Technology， 2021.

[24] BROMBACHER P， MASINO J， FREY M， et al. Driving Event Detection and Driving Style Classification Using ? ? Artificial Neural Networks[C]// 2017 IEEE International Conference on Industrial Technology. New York： IEEE， 2017： 997-1002.

[25] LATTANZI E， FRESCHI V. Machine Learning Techniques to Identify Unsafe Driving Behavior by Means of ? ? ? ? ? ? ?In-Vehicle Sensor Data[J]. Expert Systems with ? ? ? ? ? ? ?Applications， 2021， 176.

[26] NIU Y， LI Z M， FAN Y X. Analysis of Truck Drivers ? ? Unsafe Driving Behaviors Using Four Machine Learning Methods[J]. International Journal of Industrial Ergonomics， 2021， 86.

[27] YUKSEL A S， ATMACA S. Drivers Black Box： A System for Driver Risk Assessment Using Machine Learning and Fuzzy Logic[J]. Journal of Intelligent Transportation ? ? ? ?Systems， 2021， 25（5）： 482-500.

[28] 陳輝. 面向車聯(lián)網(wǎng)大數(shù)據(jù)的駕駛行為分析[D]. 貴陽： 貴州大學(xué)， 2020.

CHEN H. Driving Behavior Analysis for Car Networking Big Data[D]. Guiyang： Guizhou University， 2020.

[29] 牛增良， 李海斌， 王文峰， 等. 基于聚類分析的營(yíng)運(yùn)駕駛?cè)宋ｋU(xiǎn)駕駛行為研究[J]. 山東交通學(xué)院學(xué)報(bào)， 2014， 22（1）：19-23.

NIU Z L， LI H B， WANG W F， et al. Study on Risky ? ? ? ?Behavior of Commercial Drivers Based on Cluster Analysis[J]. Journal of Shandong Jiaotong University， 2014， 22（1）： 19-23.

[30] 孫川， 吳超仲， 褚端峰， 等. 基于車聯(lián)網(wǎng)數(shù)據(jù)挖掘的營(yíng)運(yùn)車輛駕駛速度行為聚類研究[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2015， 15（6）： 82-87.

SUN C， WU C Z， CHU D F， et al. Driving Speed Behavior Clustering for Commercial Vehicle Based on Connected ? Vehicle Data Mining[J]. Journal of Transportation Systems Engineering and Information Technology， 2015， 15（6）： 82-87.

[31] 張磊， 王建強(qiáng)， 楊馥瑞， 等. 駕駛員行為模式的因子分析和模糊聚類[J]. 交通運(yùn)輸工程學(xué)報(bào)， 2009， 9（5）： 121-126.

ZHANG L， WANG J Q， YANG F R， et al. Factor Analysis and Fuzzy Clustering of Driver Behavior Patterns[J]. ? ? ?Journal of Traffic and Transportation Engineering， 2009， 9（5）： 121-126.

[32] 孟妮， 韓丹. 聚類分析和模糊邏輯在駕駛行為辨識(shí)中的應(yīng)用[J]. 計(jì)算機(jī)與數(shù)字工程， 2013， 41（7）： 4.

MENG N， HAN D. Application of Cluster Analysis and Fuzzy Logic in Driving Behavior Identification[J]. ? ? ? ? ?Computer and Digital Engineering， 2013， 41（7）： 4.

[33] 鄭恒杰， 熊昕， 張上. 基于車聯(lián)網(wǎng)數(shù)據(jù)挖掘的駕駛員行為分析[J]. 信息通信， 2019（8）： 52-55.

ZHENG H J， XIONG X， ZHANG S. Driver Behavior ? ? Analysis Based on Vehicle Network Data Mining[J]. ? ? ? ? Information & Communications， 2019（8）： 52-55.

[34] 張雅楠. 基于行車數(shù)據(jù)的危險(xiǎn)駕駛行為研究[D]. 錦州： 遼寧工業(yè)大學(xué)， 2020.

ZHANG Y N. Study on Dangerous Driving Behavior Based on Driving Data[D]. Jinzhou： Liaoning University of ? ? ?Technology， 2020.

[35] ERSAL T， FULLER H， TSIMHONI O， et al. Model-Based Analysis and Classification of Driver Distraction under ? Secondary Tasks[J]. IEEE Transactions on Intelligent Transportation Systems， 2010， 11（3）： 692-701.

[36] EREN H， MAKINIST S， AKIN E， et al. Estimating Driving Behavior by A Smartphone[C]// 2012 IEEE Intelligent ? ? Vehicles Symposium. New York： IEEE， 2012： 234-239.

[37] 陳鏡任， 吳業(yè)福， 吳冰. 基于車輛行駛數(shù)據(jù)的駕駛?cè)诵袨樽V分析方法[J]. 計(jì)算機(jī)應(yīng)用， 2018， 38（7）：1916-1922+1928.

CHEN J R， WU Y F， WU B. Driver Behavior Spectrum Analysis Method Based on Vehicle Driving Data[J]. Journal of Computer Applications， 2018， 38（7）： 1916-1922+1928.

[38] 孫劍， 張一豪， 王俊驊. 基于自然駕駛數(shù)據(jù)的分心駕駛行為識(shí)別方法[J]. 中國(guó)公路學(xué)報(bào)， 2020， 33（9）： 225-235.

SUN J， ZHANG Y H， WANG J H. Detecting Distraction ? Behavior of Drivers Using Naturalistic Driving Data[J]. ? ?China Journal of Highway and Transport， 2020， 33（9）： 225-235.

[39] 楊光. 基于車輛行駛數(shù)據(jù)的駕駛員行為模型構(gòu)建與應(yīng)用[D]. 西安： 西安石油大學(xué)， 2021.

YANG G. Construction and Application of Driver Behavior Model Based on Vehicle Driving Data[D]. Xi an： ?Xi an Shiyou University， 2021.

[40] 李山虎. 攻擊性駕駛行為評(píng)價(jià)方法研究[D]. 西安： 長(zhǎng)安大學(xué)， 2011.

LI S H. The Research on Evaluation Method of Aggressive Driving[D]. Xi an： ?Chang an University， 2011.

[41] 許治琦， 姚遠(yuǎn)， 周興社， 等. 基于模糊綜合評(píng)價(jià)的駕駛安全性評(píng)價(jià)研究[J]. 計(jì)算機(jī)測(cè)量與控制， 2019， 27（7）： 261-265.

XU Z Q， YAO Y， ZHOU X S， et al. Research on Driving Safety Evaluation Technology Based on Fuzzy Comprehensive Evaluation[J]. Computer Measurement and Control， 2019， 27（7）： 261-265.

[42] 鄧忠. 基于車載自組織網(wǎng)的車輛狀態(tài)識(shí)別與駕駛行為評(píng)估[D]. 廣州： 華南理工大學(xué)， 2015.

DENG Z. Vehicle State Recognition and Driving Behavior Assessment Based on VANET[D]. Guangzhou： South China University of Technology， 2015.

[43] 楚文慧， 吳超仲， 張暉. 駕駛行為安全性評(píng)價(jià)研究綜述[J].公路交通科技， 2017（增刊2）： 9.

CHU W H， WU C Z， ZHANG H. A Review of Safety ? ? ?Evaluation of Driving Behaviors[J]. Journal of Highway and Transportation Research and Development， 2017（S2）： 9.

[44] WANG J Q， ZHENG Y， LI X F， et al. Driving Risk Assessment Using Near-Crash Database Through Data Mining of Tree-Based Model[J]. Accident Analysis and Prevention， 2015， 84： 54-64.

[45] XIE G T， GAO H B， HUANG B， et al. A Driving Behavior Awareness Model Based on A Dynamic Bayesian Network and Distributed Genetic Algorithm[J]. International Journal of Computational Intelligence Systems， 2018， 11（1）： 469.

[46] ZHU X Y， YUAN Y F， HU X B， et al. A Bayesian Network Model for Contextual Versus Non-Contextual Driving ? ? ?Behavior Assessment[J]. Transportation Research Part C， 2017， 81： 172-187.

[47] 陸鍵， 王可， 蔣愚明. 基于車輛行駛軌跡的道路不良駕駛行為實(shí)時(shí)辨識(shí)方法[J]. 交通運(yùn)輸工程學(xué)報(bào)， 2020， 20（6）：227-235.

LU J， WANG K， JIANG Y M. Real-time Identification Method of Abnormal Road Driving Behavior Based on ? ? Vehicle Driving Trajectory[J]. Journal of Traffic and ? ? ? Transportation Engineering， 2020， 20（6）： 227-235.

[48] 孟興凱， 曾誠(chéng)， 陽冬波， 等. 不同駕駛操作行為對(duì)車輛燃油消耗量的影響分析[J]. 交通節(jié)能與環(huán)保， 2012， 8（4）： 14-20.

MENG X K， ZENG C， YANG D B， et al. Analysis of the ? Vehicle Fuel Consumption for Different Driving Operation Behavior[J]. Energy Conservation & Environmental ? ? ? ? Protection in Transportation， 2012， 8（4）： 14-20.

[49] 徐歆鈺. 營(yíng)運(yùn)車輛駕駛員駕駛行為經(jīng)濟(jì)性評(píng)價(jià)及性能提升研究[D]. 北京： 北京理工大學(xué)， 2016.

XU X Y. Research on Operating Vehicle Drivers Driving Behavior Economy Evaluation and Performance Improvement[D]. Beijing： Beijing Institute of Technology， 2016.

[50] CHEN C， ZHAO X H， ?YAO Y， et al. Drivers Eco-Driving Behavior Evaluation Modeling Based on Driving Events[J]. Journal of Advanced Transportation， 2018， 2018： 1-12.

[51] 陳晨. 城市道路駕駛員生態(tài)駕駛行為評(píng)估方法研究[D]. 北京： 北京工業(yè)大學(xué)， 2016.

CHEN C. Research on Evaluation Method of Drivers Eco-Driving Behavior on Urban Road[D]. Beijing： Beijing ? ? ?University of Technology， 2016.

[52] LIU Z F， IVANCO A， FILIPI Z. Quantification of Drive ? ?Cycles Rapid Speed Fluctuations Using Fourier Analysis[J]. SAE International Journal of Alternative Powertrains， 2015， 4（1）： 170-7.

[53] ZHANG L C， PENG K， ZHAO X M， et al. New Fuel ? ? ? Consumption Model Considering Vehicular Speed， ? ? ? ? ?Acceleration， and Jerk[J]. Journal of Intelligent ? ? ? ? ? ?Transportation Systems， 2023， 27（2）： 174-186.

[54] 鮑宇. 基于駕駛行為的綠色駕駛算法模型的研究[D]. 天津： 河北工業(yè)大學(xué)， 2015.

BAO Y. The Research on Eco-Driving Algorithm Model Based on Driving Behavior[D]. Tianjin： Hebei University of Technology， 2015.

[55] 肖雄. 基于車輛排放測(cè)試及跟馳模型的生態(tài)駕駛行為評(píng)價(jià)研究[D]. 西安： 長(zhǎng)安大學(xué)， 2020.

XIAO X. Evaluation of Eco-Driving Behavior Based on ? Vehicle Emission Test and Car-Following Model[D]. ? ? ? ? ?Xian： Chang an University， 2020.

[56] 翟海朋. 營(yíng)運(yùn)車輛駕駛員駕駛行為與駕駛適宜性檢測(cè)單項(xiàng)指標(biāo)相關(guān)性研究[D]. 西安： 長(zhǎng)安大學(xué)， 2015.

ZHAI H P. Study on Relationship Between the Driving ? ? Behaviors and the Single Index of the Driving Suitability Tests to Professional Drivers[D]. Xian： Chang an ? ? ? ?University， 2015.

[57] LIU L， ZHANG Q， LIU R， et al. Adaptive Cruise Control System Evaluation According to Human Driving Behavior Characteristics[J]. Actuators， 2021， 10（5）： 90.

[58] 王曉慧， 榮見華， 楊向前. 基于車聯(lián)網(wǎng)的多維駕駛員行為評(píng)價(jià)方法研究[J]. 機(jī)電工程技術(shù)， 2020， 49（11）： 119-122.

WANG X H， RONG J H， YANG X Q. Research on ? ? ? ?Multidimensional Driver Behavior Evaluation Method Based on Internet of Vehicles[J]. Mechanical & Electrical Engineering Technology， 2020， 49（11）： 119-122.

[59] 余劍方. 基于自然駕駛數(shù)據(jù)的駕駛行為研究[D]. 合肥： 合肥工業(yè)大學(xué)， 2020.

YU J F. Research on Driving Behavior Based on Natural Driving Data[D]. Hefei： Hefei University of Technology， 2020.

[60] 付銳， 張雅麗， 袁偉. 生態(tài)駕駛研究現(xiàn)狀及展望[J]. 中國(guó)公路學(xué)報(bào)， 2019， 32（3）：1-12.

FU R， ZHANG Y L， YUAN W. Progress and Prospect in Eco-Driving[J]. China Journal of Highway and Transport， 2019， 32（3）： 1-12.

[61] TOLEDO G， SHIFTAN Y. Can Feedback from In-Vehicle Data Recorders Improve Driver Behavior and Reduce Fuel Consumption？[J]. Transportation Research Part A， 2016， 94： 194-204.

[62] 伍毅平， 趙曉華， 榮建， 等. 基于駕駛模擬實(shí)驗(yàn)的生態(tài)駕駛行為節(jié)能減排潛力[J]. 北京工業(yè)大學(xué)學(xué)報(bào)， 2015， 41（8）： 1212-1218.

WU Y P， ZHAO X H， RONG J， et al. Potential of ?Eco-Driving in Reducing Fuel Consumption and Emissions Based on a Driving Simulator[J]. Journal of Beijing University of Technology， 2015， 41（8）： 1212-1218.

[63] DAI J P， TENG J， BAI X L， et al. Mobile Phone Based Drunk Driving Detection[C]// 2010 4th International ? ? ?Conference on Pervasive Computing Technologies for Healthcare. New York： IEEE， 2010： 1-8.

[64] JAMSON A H， HIBBERD D L， MERAT N. Interface ? ? ? ?Design Considerations for An In-Vehicle Eco-Driving ? ? Assistance System[J]. Transportation Research Part C， 2015， 58： 642-656.

[65] WU Y P， ZHAO X H， CHEN C， et al. Development and ? Application of an Eco-driving Support Platform Based on Internet+： Case Study in Beijing Taxicabs[J]. ? ? ? ? ? ? ? Transportation Research Record， 2017， 2645（1）： 57-66.

[66] BLANCHARD R A， MYERS A M， PORTER M M. Correspondence Between Self-Reported and Objective Measures of Driving Exposure and Patterns in Older Drivers[J]. ? ? ?Accident Analysis and Prevention， 2010， 42（2）： 523-529.

[67] PROGRESSIVE. Linking Driving Behavior to Automobile Accidents and Insurance Rates： An Analysis of Five Billion Miles Driven[R]. Washington D C， Progresive： 2012.

[68] PAEFGEN J， STAAKE T， FLEISCH E. Multivariate ? ? ? ?Exposure Modeling of Accident Risk： Insights from Pay-as-You-Drive Insurance Data[J]. Transportation Research Part A： Policy and Practice， 2014， 61： 27-40.

[69] TSELENTIS D I， YANNIS G， VLAHOGIANNI E I. Innovative Motor Insurance Schemes： A Review of Current ? ? ?Practices and Emerging Challenges[J]. Accident Analysis Prevention， 2017， 98： 139-148.

（責(zé)任編輯 王 一）

修改稿收到日期為2023年5月22日。