潘祥

摘 要：本文首先从NGSIM数据集中提取出自然行驶状态下的加速度以及车头时距的二维车辆运动数据。在K-means聚类分析后，为对聚类分析的准确性进行客观评价，提出一种基于遗传模型改进的HMM算法的车辆跟驰特性的验证方法对该聚类方法的准确性进行验证。实验表明，该分类方法可以通过准确率来提供一种量化分类精度的标准以客观的评价聚类方法的聚类精度。

关键词：智能交通;车辆跟驰特性;遗传算法;HMM

0 引言

近年来，交通领域发展迅猛，机动车驾驶人与机动车数量呈显著增长的态势，民用机动车保有量从2015年的16 284.45万辆增长至2019年的25 387.2万辆[1]，增幅近36%;机动车驾驶人从2015年的32 853.05万人增至2018年的41 030.16万人，增幅近20%。但于此统计中，追尾事故数量占到了总交通事故数量的50%，可见跟驰状态下行车安全性是亟待研究的课题。

本文着重讨论跟驰状态下的聚类结果验证问题。在聚类结果验证方面，研究者俞立平通过对原始评价指标进行聚类，然后采用可行的多属性评价方法进行评价并对评价结果进行二次聚类，最后根据评价结果聚类与原始指标聚类结果一致度的高低来选择评价方法，优先选取聚类结果一致度最高的评价方法[2]。徐涛、谢继文和杨国庆三位研究者通过选取分类簇的代表点并根据簇代表点及聚类算法的相似性定义度量聚类结果与外部数据的匹配程度后，根据匹配结果对聚类质量进行分析[3]。

聚类是一种无监督的学习方法，事先没有任何先验知识，因此需要一定的措施或方法对聚类结果进行有效性验证及评价[4]。……