CN111731312A - 提取驾驶风格特征参数的实验***及驾驶风格识别方法 - Google Patents

Abstract

本发明公开了一种提取驾驶风格特征参数的实验***和驾驶风格识别方法，提取驾驶风格特征参数的实验***包括驾驶员操作台、肌肉电信号传感器、下位机和上位机，所述的驾驶员操作台用于模拟不同车流密度的驾驶场景，并且可实时获得制动踏板开度信息、加速踏板开度信息、方向盘转角信息；以及识别并存储车辆行驶过程中的速度值、识别并存储车辆在地图中所处坐标；所述的肌肉电信号传感器用于采集驾驶员的腓肠肌信号和胫骨前肌信号，本发明通过实验***能够较为全面且精准的采集驾驶风格特征参数，并用于考虑车流密度影响的驾驶风格分类与识别，在特征参数采集与应用上具有突破性的意义。

Description

提取驾驶风格特征参数的实验***及驾驶风格识别方法

技术领域

本发明涉及汽车能量管理策略的技术领域，具体为提取驾驶风格特征参 数的实验***和驾驶风格识别方法。

背景技术

驾驶风格是驾驶员在驾驶车辆过程中的行为特征，体现在行驶过程中人 对车的输入及整车响应。在整车能量管理策略开发过程中，驾驶风格的有效 识别可增强整车对不同驾驶风格自适应能力，这对于混合动力汽车燃油经济 性和排放性能的提高具有重要意义。

道路上车流密度的不同会对驾驶风格的分类与识别造成极大影响，这就 导致提取出的同一组驾驶风格特征参数在不同的车流密度下可能会表现出不 同的驾驶风格类型，如：同一组驾驶风格特征参数在车流密度较大的情况下 表现出的是激进型的风格，但在车流密度较小的情况下表现出的则是普通型 的风格。为此，需要对不同车流密度下的驾驶风格进行重新定义与修正。所 以有必要设计一种提取驾驶风格特征参数的实验***和驾驶风格识别方法及 基于该实验***的考虑车流密度影响的驾驶风格分类与识别方法。

发明内容

本发明的目的在于设计一种提取驾驶风格特征参数的实验***及基于该 实验***的考虑车流密度影响的驾驶风格分类与识别方法。以期通过实验系 统采集到不同车流密度下较为全面和准确的与驾驶风格有关的驾驶数据，并 提取出相应特征参数，然后基于这些提取得到的驾驶风格特征参数采用一种 多层次混合算法，包括主成分分析法、减法聚类算法、K均值聚类算法，建立 了不同车流密度下的驾驶风格特征参数表，进而通过一种用于驾驶风格识别 的算法，即随机森林算法，精准的识别出不同车流密度下驾驶员的驾驶风格， 以此通过驾驶风格自适应控制策略的制定与优化来提高汽车的燃油经济性。

为实现上述目的，本发明提供如下技术方案：一种提取驾驶风格特征参 数的实验***，包括驾驶员操作台、肌肉电信号传感器、下位机和上位机， 其中：

所述的驾驶员操作台用于模拟不同车流密度的驾驶场景，并且可实时获 得制动踏板开度信息、加速踏板开度信息、方向盘转角信息；以及识别并存 储车辆行驶过程中的速度值、识别并存储车辆在地图中所处坐标；

所述的肌肉电信号传感器用于采集驾驶员的腓肠肌信号和胫骨前肌信 号；

所述的下位机可将驾驶员操作台获得的信息以及肌肉电信号传感器检测 的信息传送至上位机；

所述的上位机通过下位机传递的信息，提取不同车流密度下的驾驶特征 参数，并且上位机将驾驶特征参数进行多层次混合算法处理，进而建立驾驶 风格识别模型，并对驾驶风格识别模型进行训练。

进一步的，所述的驾驶员操作台上设置有制动踏板、加速踏板和方向盘 以及装置在驾驶员操作台上的模拟驾驶软件和视觉识别软件，制动踏板、加 速踏板和方向盘通过角度传感器检测制动踏板开度信息、加速踏板开度信息、 方向盘转角信息，模拟驾驶软件可模拟四种车流密度的驾驶场景，视觉识别 软件包括仪表盘识别软件、GPS坐标识别软件。

进一步的，四种车流密度的驾驶场景分别为10％、40％、70％、100％的四种 城区工况。

进一步的，所述的下位机为STM32单片机。

进一步的，多层次混合算法包括主成分分析法、减法聚类算法、K均值聚 类算法，建立了不同车流密度下的驾驶风格特征参数表，进而形成驾驶风格 识别模型。

进一步的，角度传感器为增量式光电旋转编码器。

进一步的，所述驾驶特征参数包括车速平均值、车速标准差、加速度标 准差、正向加速度平均值、正向加速度标准差、负向加速度平均值、负向加 速度标准差、需求功率系数标准差、加速需求功率系数平均值、减速需求功 率系数平均值、腓肠肌肌电图时域特征均方根、腓肠肌的肌电图频域特征平 均功率频率、胫骨前肌的肌电图时域特征均方根、胫骨前肌的肌电图频域特 征平均功率频率、急转弯频率、换道频率、方向盘行程标准差、方向盘角速 度均值、方向盘角速度标准差、加速踏板行程平均值、加速踏板行程标准差、 加速踏板变化率标准差、踩加速踏板变化率平均值、松加速踏板变化率平均 值、制动踏板行程平均值、制动踏板行程标准差、制动踏板变化率标准差、 踩制动踏板变化率平均值、松制动踏板变化率平均值。

一种驾驶风格识别方法，使用所述的提取驾驶风格特征参数的实验*** 实现，包括以下步骤：

S01：利用实验***采集不同风格类型的驾驶员在不同车流密度的模拟道 路工况下的设定周期内的驾驶特征参数；

S02：使用主成分分析法对S01中的所有驾驶特征参数进行综合与降维处 理，得到综合特征参数；

S03：使用减法聚类算法的方法对S02中综合特征参数进行聚类分析，从 而获取不同车流密度下不同驾驶风格的综合特征参数聚类中心以及聚类个 数；

S04：使用K均值聚类算法S03中的综合特征参数聚类中心修正，得到 修正后的不同车流密度下各类驾驶风格的综合特征参数聚类中心结果；

S05：计算出修正后的各类驾驶风格特征参数，建立不同车流密度下不同 驾驶风格的特征参数表；

S06：建立基于随机森林算法的驾驶风格识别模型，使用不同车流密度下 的驾驶风格数据对各个车流密度下的驾驶风格识别模型进行训练。

进一步的，所述S03步骤中使用减法聚类算法对综合特征参数的聚类分 析过程，在不同车流密度下均采用相同的参数。

进一步的，驾驶风格识别模型的训练方法包括以下步骤：

步骤1:在N个驾驶风格特征参数样本中，有放回地随机选择N个样本形 成1个采样集，利用这个采样集训练1棵决策树；

步骤2:设每个样本有M个特征，在决策树的每个节点需要***时，从这 M个特征中随机选取m个特征，其中m<<M，针对选出的每一个特征遍历所有 可能的***方法，并分别求取其Gini指数，最终选择对应最小Gini指数的 特征作为该节点***特征，按此方法确定决策树的每个节点，直到不能*** 或达到我们设定的阈值，此时建立了一颗决策树；

步骤3:重复步骤1和步骤2，直到决策树的数量达到预定颗数为止，构 成用于驾驶风格识别的随机森林模型。

与现有技术相比，本发明的有益效果如下：

通过实验***能够较为全面且精准的采集用于驾驶风格分类与识别的特 征参数，在特征参数采集上具有突破性的意义。

通过对视觉识别软件与角度传感器的使用，使模拟驾驶数据的采集独立 于模拟驾驶软件，因此可选择未开源的第三方模拟驾驶软件用于驾驶风格特 征参数的采集。

通过使用基于一种多层次混合算法的聚类方法与基于随机森林算法的驾 驶风格识别方法，能够根据车辆所在道路的车流密度值计算出合适的驾驶风 格聚类个数以及聚类中心，并采用相应车流密度下的驾驶风格识别模型用于 驾驶风格的识别，对处于不同车流密度的道路工况的车辆提供不同的驾驶风 格识别模型，这提高了驾驶风格识别精度，从而能够采取更加有效的整车能 量管理策略，为不同车流密度下的驾驶风格自适应控制策略的开发奠定基础， 这对于混合动力汽车燃油经济性和排放性能的提高具有重要意义。

附图说明

图1为提取驾驶风格特征参数的实验***中驾驶员踏板信号采集装置的 示意图；

图2为提取驾驶风格特征参数的实验***中方向盘信号采集装置的示意 图；

图3为实验***提取驾驶风格特征参数的工作流程图；

图4为仪表盘识别软件工作示意图；

图5为GPS坐标识别软件工作示意图；

图6为基于车流密度的驾驶风格分类与识别方法；

图7为车流密度为10％时驾驶风格聚类结果；

图8为车流密度为40％时驾驶风格聚类结果；

图9为车流密度为70％驾驶风格聚类结果；

图10为车流密度为100％时驾驶风格聚类结果。

图中，1、驾驶员操作台，2、模拟驾驶软件，3、视觉识别软件，4、角 度传感器，5、肌肉电信号传感器，6、下位机，7、上位机，8、制动踏板，9、 加速踏板，10、方向盘，11、仪表盘识别软件，12、GPS坐标识别软件，13、 主动齿轮，14、从动齿轮，15输出轴。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外” “前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位 置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明的简化 描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的 方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、 “第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语 “安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以 是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可 以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个 元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述 术语在本发明中的具体含义。

请参考附图，一种提取驾驶风格特征参数的实验***，包括驾驶员操作 台1、模拟驾驶软件2、视觉识别软件3、角度传感器4、肌肉电信号传感器5、 下位机6和上位机7；如图1和图2所示，驾驶员操作台设有制动踏板8、加 速踏板9、方向盘10，并将制动踏板开度信号、加速踏板开度信号、方向盘 转角信号实时传输到模拟驾驶软件2中；角度传感器4的转子分别连接在制 动踏板8、加速踏板9和方向盘10上，分别用于采集制动踏板开度信号、加 速踏板开度信号和方向盘转角信号；如图4和图5所示，视觉识别软件包括 仪表盘识别软件11、GPS坐标识别软件12；肌肉电信号传感器分别用于采集 驾驶员的腓肠肌和胫骨前肌信号；

整个实验***的数据采集工作流程如图3所示，具体说明如下：

a：驾驶员操作驾驶员操作台1上的制动踏板8、加速踏板9、方向盘10。

b：驾驶员操作台1将采集到的制动踏板开度信号、加速踏板开度信号、 方向盘转角信号实时传输到模拟驾驶软件2中。

c：利用视觉识别软件3识别并存储模拟驾驶软件2显示在屏幕上的信息， 其中仪表盘识别软件识别并存储车辆行驶过程中的速度值，GPS坐标识别软件 识别并存储车辆在地图中所处坐标。

d：肌肉电信号传感器5分别用于采集驾驶员的腓肠肌和胫骨前肌信号；

e:角度传感器4分别用于实时采集驾驶员操作台1上的制动踏板开度信 号、加速踏板开度信号和方向盘转角信号。

f:肌肉电信号传感器5将采集到的腓肠肌和胫骨前肌信号通过下位机6 的ADC(模数转换器)端口传输至下位机6。

g:角度传感器4采集到的制动踏板开度信号、加速踏板开度信号和方向 盘转角信号通过下位机6的PWM(脉冲宽度调制器)端口传输至下位机6。

h:下位机6通过RS232接口将制动踏板开度信号、加速踏板开度信号、 方向盘转角信号与肌肉电信号实时传输至上位机7中。

综合制动踏板开度信号、加速踏板开度信号、方向盘转角信号、肌肉电 信号、速度信号与GPS坐标信号提取的特征参数包括车速平均值、车速标准 差、加速度标准差、正向加速度平均值、正向加速度标准差、负向加速度平 均值、负向加速度标准差、需求功率系数标准差、加速需求功率系数平均值、 减速需求功率系数平均值、腓肠肌肌电图时域特征均方根、腓肠肌的肌电图 频域特征平均功率频率、胫骨前肌的肌电图时域特征均方根、胫骨前肌的肌 电图频域特征平均功率频率、急转弯频率、换道频率、方向盘行程标准差、 方向盘角速度均值、方向盘角速度标准差、加速踏板行程平均值、加速踏板 行程标准差、加速踏板变化率标准差、踩加速踏板变化率平均值、松加速踏 板变化率平均值、制动踏板行程平均值、制动踏板行程标准差、制动踏板变 化率标准差、踩制动踏板变化率平均值、松制动踏板变化率平均值。

本实施例中，下位机采用的是STM32单片机，角度传感器采用的是增量 式光电旋转编码器，方向盘上的转动通过主动齿轮13、从动齿轮14传递到输 出轴15上。

本发明在利用上述的实验***实现提取驾驶风格特征参数的基础上，提 出了一种基于车流密度的驾驶风格分类与识别方法，本实施例中车流密度的 种类为4种，计算流程如图6所示，具体包括以下步骤：

S01：利用实验***采集不同风格类型的驾驶员在不同车流密度的模拟道 路工况下的设定周期内的特征参数。

S02：使用主成分分析法对S01中的所有特征参数进行综合与降维处理， 得到综合特征参数。

S03：使用减法聚类算法的方法对S02中综合特征参数进行聚类分析，从 而获取不同车流密度下不同驾驶风格的综合特征参数聚类中心以及聚类个 数。

S04：使用K均值聚类算法S03中的综合特征参数聚类中心修正，得到 修正后的不同车流密度下各类驾驶风格的综合特征参数聚类中心结果。

S05：计算出修正后的各类驾驶风格特征参数，建立不同车流密度下不同 驾驶风格的特征参数表。

S06：建立基于随机森林算法的驾驶风格识别模型，使用不同车流密度下 的驾驶风格数据对各个车流密度下的驾驶风格识别模型进行训练。

所述S03步骤中使用减法聚类算法对综合特征参数的聚类分析过程，在 不同车流密度下均采用相同的参数。

下面对基于车流密度的驾驶风格分类与识别的具体实施例进行详细说 明。

(1)基于上述的实验***，使用3D Instructor 2模拟驾驶软件的车流 密度设置选项，设置车流密度分别为10％、40％、70％、100％的四种城区工况， 针对44位驾驶员，通过驾驶员在环实验，分别在上述四种车流密度下进行 车速、肌肉电信号、方向盘角度、加速踏板开度、制动踏板开度等数据的采 集，共采集到有效试验数据样176组(每种车流密度工况下都采集了44组)。 根据所获取的实验数据，选取合适的特征参数来表征驾驶风格，具体特征参 数如表1所示。

表1驾驶风格特征参数及其测试数据

(2)根据表1中提取得到的驾驶风格特征参数及其测试数据，进行主成 分综合处理，得到29个主成分，即原始特征参数的29种组合方式，在此基 础上进行主成分分析，

取前4个主成分综合表征驾驶风格特征参数。前4个主成分的得分如表2 所示，根据主成分得分矩阵建立综合特征参数样本矩阵。

表2主成分得分

(3)基于上述综合特征参数样本矩阵，使用减法聚类算法提取综合特征 参数聚类中心，设X＝{x_i|i＝1,2,3,…,n}是m维空间中的样本点集，n则 为样本点个数，具体的算法步骤如下:

1)对于X中的每一个样本点x_i，按式(1)计算出其密度函数值。

式中:r_a为该点的邻域半径。

将密度函数值最高的数据点x_c1作为第一个聚类中心点，对应的密度函数 值为D_c1。

2)假设x_ck为第k次选定的聚类中心点，该点对应的密度函数值为D_ck， 将其余每一个样本点的密度函数值按照式(2)进行修改。

式中：S_f用于乘以确定集群中心邻域的半径值，从而消除将***点视为集 群一部分的可能性，通过设置适当的参数值可避免聚类中心过于密集的重合 聚类问题或者分类不充分导致的欠分类问题。

选取密度函数值最高的样本点x_ck+1作为新的聚类中心点。

3)设δ<1是预先给定的参数，判断式(3)的值。

若该式不成立，则转到第2)步，若成立则减法聚类过程结束。

在样本集确定的情况下，减法聚类得到的聚类中心的个数与位置由参数 δ与S_f确定。本文提出的驾驶风格分类算法中，通过反复的对比实验,将驾驶 风格被分割成较恰当的类数，得到四种车流密度下综合特征参数聚类中心， 如表3所示。

表3四种车流密度下的综合特征参数聚类中心

由表3可知，将四种车流密度下的综合特征参数样本数据分别使用同样 的参数进行减法聚类后得到了相同数量的聚类中心，即都可恰当地被分为3 类。由此可得，在上述各种工况下，驾驶风格均可分为3类，按照驾驶员驾 驶车辆激进程度的强弱将驾驶风格分为谨慎型、稳健型和激进型。

(4)使用K均值聚类算法对上述样本数据中的综合特征参数聚类中心 修正，得到修正后的不同车流密度下各类驾驶风格的综合特征参数聚类中心 结果，具体的算法步骤如下:

1)针对n个样本按照某种原则选取k个样本作为初始聚类中心(z₁， z₂，…，z_k)。

2)应用欧式距离将剩余任意样本x_i赋给距离它们最近的簇中心。欧式距 离是指两个样本所有n个变量值之差的平方和的平方根，即

式中:x_i是样本x的第i个变量的变量值；y_i是样本y的第i个变量的变量 值。

3)重新计算每个簇中对象的平均值，用此平均值作为新的聚类中心。

4)重复以上步骤，直到聚类中心不再发生变化。

迭代停止后得到修正后的综合特征参数聚类中心如表4所示，同时得到 的聚类结果如图8到图10所示，其中聚类结果1、2和3分别表示第1类、 第2类和第3类驾驶风格。对聚类后的样本进行计算分析，对不同车流密度 下的驾驶风格特征参数进行修正，建立不同车流密度下不同驾驶风格的特征 参数表，如表5至表8所示。

表4修正后的综合特征参数聚类中心

表5驾驶风格特征参数值(车流密度为10％)

表6驾驶风格特征参数值(车流密度为40％)

表7驾驶风格特征参数值(车流密度为70％)

表8驾驶风格特征参数值(车流密度为100％)

(5)建立基于随机森林算法的驾驶风格识别模型，使用各种车流密度下 的驾驶风格数据对相应车流密度下的驾驶风格识别模型进行训练，下面以车 流密度为10％的道路工况为例，详细说明具体的算法步骤。

对于车流密度为10％的工况，通过聚类分析已得到44个样本中每一个样 本所属的类别，在此基础上进行数据处理，构造满足随机森林算法要求的矩 阵，其数据如表5所示。

表9用于识别的驾驶风格特征参数(车流密度为10％时)

驾驶风格识别模型训练流程如下：

步骤1:在N个驾驶风格特征参数数据样本中，有放回地随机选择N个样 本(即允许其中存在重复的样本)形成1个采样集，利用这个采样集训练1棵 决策树。

步骤2:设每个样本有M个特征，在决策树的每个节点需要***时，从这 M个特征中随机选取m个特征(m<<M)，针对选出的每一个特征遍历所有可能 的***方法，并分别求取其Gini指数，最终选择对应最小Gini指数的特征 作为该节点***特征。按此方法确定决策树的每个节点，直到不能***或达 到我们设定的阈值(如叶子节点数或树的深度等)，此时建立了一颗决策树；

步骤3:重复步骤1和步骤2，直到决策树的数量达到预定颗数为止，构 成用于驾驶风格识别的随机森林模型。

利用上述方法训练得到的随机森林模型作为驾驶风格识别模型，能够对 上述四种车流密度的道路工况下的驾驶员驾驶风格进行识别。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节， 而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实 现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且 是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨 在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。 不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种提取驾驶风格特征参数的实验***，其特征在于：包括驾驶员操作台、肌肉电信号传感器、下位机和上位机，其中：

所述的驾驶员操作台用于模拟不同车流密度的驾驶场景，并且可实时获得制动踏板开度信息、加速踏板开度信息、方向盘转角信息；以及识别并存储车辆行驶过程中的速度值、识别并存储车辆在地图中所处坐标；

所述的肌肉电信号传感器用于采集驾驶员的腓肠肌信号和胫骨前肌信号；

所述的下位机可将驾驶员操作台获得的信息以及肌肉电信号传感器检测的信息传送至上位机；

所述的上位机通过下位机传递的信息，提取不同车流密度下的驾驶特征参数，并且上位机将驾驶特征参数进行多层次混合算法处理，进而建立驾驶风格识别模型，并对驾驶风格识别模型进行训练。

2.根据权利要求1所述的一种提取驾驶风格特征参数的实验***，其特征在于：所述的驾驶员操作台上设置有制动踏板、加速踏板和方向盘以及装置在驾驶员操作台上的模拟驾驶软件和视觉识别软件，制动踏板、加速踏板和方向盘通过角度传感器检测制动踏板开度信息、加速踏板开度信息、方向盘转角信息，模拟驾驶软件可模拟四种车流密度的驾驶场景，视觉识别软件包括仪表盘识别软件、GPS坐标识别软件。

3.根据权利要求2所述的一种提取驾驶风格特征参数的实验***，其特征在于：四种车流密度的驾驶场景分别为10％、40％、70％、100％的四种城区工况。

4.根据权利要求3所述的一种提取驾驶风格特征参数的实验***，其特征在于：所述的下位机为STM32单片机。

5.根据权利要求4所述的一种提取驾驶风格特征参数的实验***，其特征在于：多层次混合算法包括主成分分析法、减法聚类算法、K均值聚类算法，建立了不同车流密度下的驾驶风格特征参数表，进而形成驾驶风格识别模型。

6.根据权利要求5所述的一种提取驾驶风格特征参数的实验***，其特征在于：角度传感器为增量式光电旋转编码器。

7.根据权利要求6所述的一种提取驾驶风格特征参数的实验***，其特征在于：所述驾驶特征参数包括车速平均值、车速标准差、加速度标准差、正向加速度平均值、正向加速度标准差、负向加速度平均值、负向加速度标准差、需求功率系数标准差、加速需求功率系数平均值、减速需求功率系数平均值、腓肠肌肌电图时域特征均方根、腓肠肌的肌电图频域特征平均功率频率、胫骨前肌的肌电图时域特征均方根、胫骨前肌的肌电图频域特征平均功率频率、急转弯频率、换道频率、方向盘行程标准差、方向盘角速度均值、方向盘角速度标准差、加速踏板行程平均值、加速踏板行程标准差、加速踏板变化率标准差、踩加速踏板变化率平均值、松加速踏板变化率平均值、制动踏板行程平均值、制动踏板行程标准差、制动踏板变化率标准差、踩制动踏板变化率平均值、松制动踏板变化率平均值。

8.一种驾驶风格识别方法，使用如权利要求1-7任一所述的提取驾驶风格特征参数的实验***实现，其特征在于：包括以下步骤：

S01：利用实验***采集不同风格类型的驾驶员在不同车流密度的模拟道路工况下的设定周期内的驾驶特征参数；

S02：使用主成分分析法对S01中的所有驾驶特征参数进行综合与降维处理，得到综合特征参数；

S03：使用减法聚类算法的方法对S02中综合特征参数进行聚类分析，从而获取不同车流密度下不同驾驶风格的综合特征参数聚类中心以及聚类个数；

S04：使用K均值聚类算法S03中的综合特征参数聚类中心修正，得到修正后的不同车流密度下各类驾驶风格的综合特征参数聚类中心结果；

S05：计算出修正后的各类驾驶风格特征参数，建立不同车流密度下不同驾驶风格的特征参数表；

S06：建立基于随机森林算法的驾驶风格识别模型，使用不同车流密度下的驾驶风格数据对各个车流密度下的驾驶风格识别模型进行训练。

9.根据权利要求8所述的一种驾驶风格识别方法，其特征在于：所述S03步骤中使用减法聚类算法对综合特征参数的聚类分析过程，在不同车流密度下均采用相同的参数。

10.根据权利要求9所述的一种驾驶风格识别方法，其特征在于：驾驶风格识别模型的训练方法包括以下步骤：

步骤1:在N个驾驶风格特征参数样本中，有放回地随机选择N个样本形成1个采样集，利用这个采样集训练1棵决策树；

步骤2:设每个样本有M个特征，在决策树的每个节点需要***时，从这M个特征中随机选取m个特征，其中m<<M，针对选出的每一个特征遍历所有可能的***方法，并分别求取其Gini指数，最终选择对应最小Gini指数的特征作为该节点***特征，按此方法确定决策树的每个节点，直到不能***或达到我们设定的阈值，此时建立了一颗决策树；

步骤3:重复步骤1和步骤2，直到决策树的数量达到预定颗数为止，构成用于驾驶风格识别的随机森林模型。

Images