杨云开 范文兵 彭东旭

(郑州大学信息工程学院 河南 郑州 450001)

0 引 言

驾驶行为分类在过去几年里受到了不同行业的关注。在汽车行业中，对驾驶行为进行分类，对于保证驾驶员的安全至关重要，尤其是在半自动和高度自动化的车辆中。同样，在汽车保险行业，对驾驶行为进行分类和监控对于风险评估和保险费都至关重要[1]。虽然驾驶行为分类是一个有趣的研究主题，但是目前缺乏可用的数据限制了该领域的进展。机器学习技术可以极大地促进研究，但是它们依赖于大量的数据，这些数据可以使用三种不同的方法获得：(1) 驾驶风格问卷：每位驾驶员在自我报告表中评估自己的驾驶行为，但这种方法报告的数据很少，并且会生成主观的度量。(2) 驾驶模拟器：该方法通过对实验条件进行精确控制来模拟驾驶环境，但是环境的人为性质不容易模拟。(3) 真实车辆：真实车辆在日常驾驶过程中采集的数据精度最高，是三种方法中最客观的，在最近的文献中这种方法被称为自然驾驶研究(NDS)[2]。一些代表性的例子如文献[3]中使用100辆车进行研究和最近的公路研究项目(SHRP2)[4]。本文采用第三种方法，使用嵌入不同类型传感器的智能手机在车辆行驶中采集驾驶数据。

通过传感器采集到的驾驶数据往往呈现出高维度和非线性的特点，使用经典的降维算法例如PCA、LDA和LPP等有可能会造成数据特征信息的丢失。t-SNE是目前效果最好的数据降维与可视化方法之一，但是它的缺点也很明显，比如：占内存大，运行时间长。……