开展了基于大数据识别驾驶员驾驶风格的方法,建立驾驶风格识别数据库,包含80名驾驶员并覆盖不同性别、年龄、驾龄、驾驶习惯等属性,从数据库中提取能够反映驾驶风格的工况,包括换道、转弯、跟车等7种工况总计万余条工况数据,最后利用K均值聚类方法和D-S证据理论决策融合方法进行聚类分析,训练并测试了驾驶风格识别模型。经过验证,所提出的驾驶风格识别方法查准率达到80%。 我国在册机动车驾驶员男女比例约为1.8∶1[2]，本文筛选驾驶员时男女比例定为2∶1。为了避免参与试验的驾驶员驾驶风格偏向某一方面导致试验数据分布不均，在进行试验前通过《驾驶员驾驶风格调查问卷》进行初选，根据问卷得分在总体中的分布、性别、年龄和驾龄筛选参与试验的驾驶员。考虑样本分布的均衡合理，不仅要保证男女比例，而且须覆盖不同年龄分段（25~55岁）、不同的实际驾驶风格，本文从262名参与问卷调查的驾驶员中筛选出80名驾驶员参与实车试验。试验路线如图1示大数据的驾驶风格-数控滚圆机滚弧机张家港钢管滚圆机滚弧机缩管机，分为规定工况路线和自由驾驶路线。试验时，每位驾驶员需要提前熟悉车辆和试验路线，试验开始后，每位驾驶员分别在50km/h和70km/h两种常用车速下进行3次重复试验本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/。2.2试验数据预处理常见的数据预处理方法包括滤波、缺失值处理、异常值处理、归一化、重采样、单位转换等。车辆底盘CAN信号含有噪声，导致信号毛刺比较多。为了提高分析精度，根据各原始信号及其噪声的特点对其进行滤波处理。以纵向加速度信号为例，其含高频噪声成分较多，可采用低通滤波器，根据纵向加速度信号的频率属性设置滤波器通带截止频率为3Hz，阻带截止频率为6Hz。滤波后信号高频部分的幅值明显减小，低频部分幅值不变，符合纵向加速度信号的频率属性。（a）规定工况（b）自由驾驶图1试验路线3工况辨识根据车辆动力学原理进行工况辨识，从驾驶风格数据库中提取出7种固定工况，即转弯工况、变道工况、超车工况、掉头工况、跟车工况、起动工况和停止工况，然后利用工况辨识结果识别驾驶员风格。本文以转弯工况为例说明工况辨识逻辑，其他工况辨识原理与转弯工况相同，只是提取的特?大数据的驾驶风格-数控滚圆机滚弧机张家港钢管滚圆机滚弧机缩管机本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/