CN106023344A - 基于驾驶模式转换概率的驾驶风格估计方法 - Google Patents

Abstract

本发明提供一种基于驾驶模式转换概率的驾驶风格估计方法，包括：步骤1、采集驾驶员的实际驾驶数据；其中所述实际驾驶历史数至少包括：方向盘转角、车速、纵向加速度、横向加速度；步骤2、根据实际驾驶数据，将驾驶行为分为N种驾驶行为模式；步骤3、确定驾驶行为模式转移概率，其中所述驾驶行为模式转移概率为N种驾驶行为模式中的任意两种驾驶行为模式之间的转换几率；步骤4、利用所述驾驶行为模式转移概率作为训练样本训练分类器，以通过所述分类器进行驾驶风格估计。

Description

基于驾驶模式转换概率的驾驶风格估计方法

技术领域

本发明涉及传感器技术领域，特别是指一种基于驾驶模式转换概率的驾驶风格估计方法。

背景技术

汽车的普及使人们的出行更加便利，也给人们带来了很多困扰，因此汽车厂商为车辆装配了先进驾驶辅助系统、ACC等汽车电子系统，以提高驾驶安全性和舒适性，减小驾驶员的驾驶负荷。

在很多研究中都表明，不同的驾驶员具有不同的驾驶风格，对驾驶情况的危险度也具有不同的判断。例如男性驾驶员感知的风险度低于女性驾驶员，因而一般情况下男性驾驶员会显示出更加激进的驾驶风格，如更短的跟车距离，更频繁的换道行为等等。基于不同驾驶风格设计的驾驶辅助系统等汽车电子系统能够提高系统的有效性和用户接受程度，同时也可以更好的控制驾驶员对系统的依赖性。因此对驾驶员驾驶风格的有效区分是提高驾驶辅助系统等汽车电子系统有效性的必要条件。

研究显示，驾驶员的驾驶风格会影响驾驶员在不同驾驶环境下的驾驶决策，不同的驾驶决策会造成驾驶员驾驶习惯的不同，甚至造成驾驶行为安全性的不同。驾驶风格除了可显著影响行车安全性之外，与车辆的燃油经济性和尾气排放也密切相关。研究证明，驾驶人的激进程度越高，急加速和急减速操作就越多，油耗就越高。因此现有的各种驾驶辅助系统都希望能够基于驾驶员的驾驶风格，能够为驾驶员提供更个性化、精准的服务。例如可以通过对驾驶人日常驾驶中的不良驾驶风格进行监测及反馈，来实现对驾驶人驾驶行为的监管和教育，并辅以相应措施提升行车安全性；在汽车保险中的分层保费的设计，将驾驶风格纳入到保费分层的因素中，能够提高分层有效性；在车队运营风险管理方面，驾驶风格评价可以帮助其考核驾驶人的驾驶绩效并筛选合适的驾驶人；驾驶风格评价还可以辅助公安和驾校来监督新手驾驶人在其驾驶过程中的不良操作，协助其快速提升驾驶技能，保障行车安全性；在互联网提供的服务中，如导航等服务，也可以基于驾驶风格，为驾驶员选择规划更合适的道路。

现有研究中普遍认为，人的驾驶过程是人-车-环境闭环交互的过程，整个驾驶过程包括主任务和次任务两个模块，其中驾驶主任务主要分为策略层、模式层、操作层、以及场景感知层四个层次。驾驶风格可表现在该体系结构中的任意层级。驾驶风格反映在决策层表现为省时或短距抉择偏好，反映在模式层变现为近距离跟驰、频繁换道等行车偏好，反映在操作层表现为急加速、急减速等操作偏好，反映在场景感知层表现为视线长时间偏离行车路径、换道或进入交叉路口前不观察周围交通情况的认知偏好，反应在驾驶次任务方面表现为行车过程中打电话、发短信、抽烟、吃东西等次任务偏好。

现有的驾驶风格估计方法中，主要存在的缺点有：1)驾驶操作评测维度过于单一，现有大多研究只是关注驾驶操作层中的加速、制动、跟驰车距、换道与转弯控制中的一个或两个方面，缺乏对驾驶操作及进度的综合评测；2)驾驶风格评测维度过于局限，现有研究大多关注的是驾驶操作层面的激进度，并没有对驾驶模式层的决策习惯和驾驶风格之间的关系建立有效的评测模型；3)基于单一行为估计法的不准确和多行为复合估计法的数据处理量大，算法复杂之间的矛盾。驾驶员的驾驶风格是概括性的描述驾驶员所有操作风格的变量，单一行为如换道频率分类法等对于驾驶风格的估计准确性差。基于多类行为的复合估计方法，则带来算法计算量的增加等问题；4)大部分估计法易受到不同道路环境的影响，由于完整的道路环境和车流环境相比之下较难获得，这些估计方法缺乏对于在不同道路和车流环境的鲁棒性。例如跟车行为分类法，采用跟车车距估计驾驶行为，但跟车车距会随着交通环境的变化而变化，如在车流较少的情况下跟车距离较远，车流密集或出现拥堵的情况下跟车距离会趋近。

发明内容

针对现有技术中存在的在对驾驶风格进行估计时存在的估计结果不准确的问题，本发明要解决的技术问题是提供一种基于驾驶模式转换概率的驾驶风格估计方法，提高估计的准确性。

为了解决上述问题，本发明实施例提出了一种基于驾驶模式转换概率的驾驶风格估计方法，包括：

1.一种基于驾驶模式转换概率的驾驶风格估计方法，其特征在于，包括：

步骤1、采集驾驶员的实际驾驶数据；其中所述实际驾驶历史数至少包括：方向盘转角、车速、纵向加速度、横向加速度；

步骤2、根据实际驾驶数据，将驾驶行为分为N种驾驶行为模式；

步骤3、确定驾驶行为模式转移概率，其中所述驾驶行为模式转移概率为N种驾驶行为模式中的任意两种驾驶行为模式之间的转换几率；

步骤4、利用所述驾驶行为模式转移概率作为训练样本训练分类器，以通过所述分类器进行驾驶风格估计。

其中，所述步骤1包括：

通过固定在车辆上的双轴加速度计来获取车辆的纵向加速度和横向加速度；

通过车辆的CAN总线获取车辆的车速参数；

通过车辆的环境感知传感器来获取车辆与周边车辆的距离信息。

其中，所述步骤2包括：将驾驶行为分割为纵向行为和横向行为，然后再在纵向行为和横向行为中分别进行分类，具体包括：

对于纵向行为，根据车辆的加速度、前车时距、前车大小改变，以将纵向行为分类为七个驾驶行为模式：紧急制动、自由行使、接近前车、远离前车、近距跟车、中距跟车、远距跟车；

对于横向行为，根据是否有前车、车辆向左向右的方向判断，以将横向行为分类为四个驾驶行为模式：限制左侧换道、限制右侧换道、自由左侧换道、自由右侧换道。

其中，所述步骤3包括：采用以下公式计算在一定时间范围内驾驶员的驾驶行为模式转移概率；

其中q_t为t时刻的行为模式，q_t+1为t+1时刻的行为模式，ω为从驾驶行为模式从θ_i到θ_j的转换次数，a_ij∈[0,1],为驾驶模式转移概率指标，N是分割的驾驶行为模式的数量,1≤i,j≤N；

其中驾驶模式转换矩阵可以定义为A＝{a_ij}；其中a_ij为驾驶行为模式转移概率，其中a_ij越接近于0则表明其对应的两种模式之间的转换概率越低；θ_i、θ_j为第i和第j种驾驶行为模式，θ_i,θ_j∈{θ₁,θ₂,θ₃,…,θ_N}。

其中，所述步骤4还包括：对获得的驾驶模式转移概率进行指标选择以实现优化。

其中，所述步骤4具体包括：

步骤41、采用基于互信息的最大条件似然概率方法进行指标选择，评价函数公式为：

其中，J_JMI(X_k)表示指标X_k的基于联合互信息的评价值；其中A为驾驶模式转移概率矩阵，为已选择的指标集X_k,X_j∈A，X_k为待评估指标，X_j为中已有指标，C为驾驶风格；其中I(X_k；C)为X_k和驾驶风格标签C的相关性，I(X_k；X_j)为X_k和X_j的相关性，I(X_k；X_j|C)为X_k和X_j的条件相关性；

选取使得左侧概率密度最大的指标X_k；

步骤42、以优化后驾驶模式转换概率作为训练样本，以随机森林分类器进行训练；随机森林分类器估计公式为：

$p\left(C\right|X)=\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}{p}_m\left(C\right|X)$

其中上式左侧p(C|X)表示的特征向量X条件下驾驶行为判定为C标签的概率，m代表第m棵决策树，M表示，p_m(C|X)表示的是第m棵决策树中特征向量X条件下驾驶行为判定为C标签的概率。

本发明的上述技术方案的有益效果如下：

1)本发明通过CAN总线采集方向盘转角和车速等信息，通过雷达等传感器获得前车距离等信号，避开了当前使用机器视觉监测驾驶员行为中存在的光照条件影响造成的鲁棒性差等问题，信号采集容易，可信度高。CAN总线数据可从车辆直接获取，随着雷达设备成本的不断降低，本发明将具有越来越大的市场应用空间。

2)本发明的驾驶风格估计方法基于加速、制动、车距控制、换道控制和转弯控制5个方面对驾驶操作层激进程度进行综合量化评测，从微观角度表达驾驶操作的强度特性，实现驾驶风格的驾驶操作层解析。解决了现有驾驶操作评测维度单一的问题。

3)本发明从各驾驶模式之间的相互转移的概率特性对驾驶模式层的决策偏好激进度进行量化评测，从宏观角度表达驾驶模式的转移频度特性，实现驾驶风格的驾驶模式层解析。对驾驶模式层的决策习惯和驾驶风格之间的关系建立了有效的评测模型。

4)本发明融合驾驶模式转移与驾驶操作控制两个维度对驾驶风格进行综合评测，突破了现有方法驾驶风格评测维度局限性。

5)本发明的驾驶风格估计方法基于不同驾驶模式之间的切换频率，为相对量，可以避免道路环境和交通流量对算法的影响，算法在不同的道路环境中和交通状况下的鲁棒性好，推广应用性高。

6)本发明的估计方法经过验证，判断准确性高于传统的基于驾驶模式频率的驾驶风格估计算法。

附图说明

图1为本发明实施例中对横向驾驶模式和纵向驾驶模式进行分类的示意图；

图2为本发明实施例中5类模式的转移概率分布示意图；

图3为发明实例中采用的选择的5种模式指标的转移概率差异。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明的目的在于克服已有技术的不足之处，提出一种基于驾驶模式转移概率的驾驶风格估计方法，首先对驾驶过程中的驾驶模式进行区分，以获得不同驾驶员的各驾驶模式之间转换的概率矩阵，并依据该转移概率矩阵的特点进行驾驶风格的分类，获得该驾驶员的驾驶风格估计。

本发明提出的一种基于驾驶模式转移概率的驾驶风格估计方法，通过获得不同驾驶员的各驾驶模式之间转换的概率矩阵，并依据该转移概率矩阵的特点进行驾驶风格的分类，获得该驾驶员的驾驶风格估计。其实现的主要包括以下步骤：

步骤1、采集驾驶员的实际驾驶数据；其中所述实际驾驶历史数包括：方向盘转角、车速、纵向加速度、横向加速度等。

其中，数据采样频率在[5,100]Hz之间均可。其中方向盘转角、车速通过解析CAN总线数据输出得到，方向盘转角单位为度(°)，车速单位为千米/小时(km/h)，纵向加速度、横向加速度通过在车辆上安装加速度计采集得到，单位均为m/s。

在本发明实施例中，采用双轴加速度计来获取纵向加速度和横向加速度。这是由于双轴加速度计具有体积小、能耗低、灵敏度高和工作稳定的优点，将其固连于车身纵向对称轴上任意位置进行数据采集即可。

步骤2、根据实际驾驶数据根据驾驶行为模式进行分类以形成N种驾驶行为模式。

具体可以如图1所示的，先将将驾驶行为模式分割为纵向行为模式和横向行为模式，然后再在纵向行为模式和横向行为模式中分别进行分类。

其中纵向行为模式中，对行为模式的加速度、前车时距(THW)、前车大小改变等进行阈值或是否判断，分类成紧急制动(EB)、自由行使(FD)、接近前车(AP)、远离前车(OP)、近距跟车(NF)、中距跟车(MF)、远距跟车(FF)七个子类别。例如，跟车状态中近距跟车、中距跟车、远距跟车的区分变量为前车时距(THW)的大小，当THW<1s时为近距跟车，当1s<THW<2s时为中距跟车，当THW＞2s时为远距跟车。横向行为模式中，对行为模式进行是否有前车以及向左向右的方向判断，分类为限制左侧换道(CLLC)、限制右侧换道(CRLC)、自由左侧换道(FLLC)、自由右侧换道(FRLC)四类。该种行为模式分类方法把行为划分为11种模式，即N＝11。

步骤3、确定两种驾驶行为模式之间的转换几率。具体的，可以采用以下公式计算在一定时间范围内驾驶员的驾驶行为模式转移概率。转移概率的计算方法如下面的公式所示：

其中q_t为t时刻的行为模式，q_t+1为t+1时刻的行为模式，ω为从驾驶行为模式从θ_i到θ_j的转换次数，a_ij∈[0,1],为驾驶模式转移概率指标，N是分割的驾驶行为模式的数量,1≤i,j≤N.驾驶模式转换矩阵可以定义为A＝{a_ij}.如果a_ij接近于0，则表明其对应的两种模式之间的转换极少发生。θ_i、θ_j为第i和第j种驾驶行为模式，θ_i,θ_j∈{θ₁,θ₂,θ₃,…,θ_N}。

由于一共有N种驾驶行为模式，因此根据前述的公式(1)可以获得的驾驶模式转移概率指标的数量为N²。

步骤4、对获得的驾驶模式转移概率进行指标选择以实现优化。

由于会存在N²个驾驶模式转换概率，前述的步骤3中采用了N＝11种驾驶行为模式。而随着驾驶行为模式的细化，驾驶模式转移概率会呈指数增加，导致运算量增加；且后续的分类器也会变得极其复杂，因此必须进行指标优化。

在本发明实施例中，如果两种驾驶模式之间的驾驶模式转移概率过低(如接近于0)，这种指标对于驾驶行为风格的估计贡献很小，因此可以剔除以降低运算复杂度。除此之外，指标间若存在相关度高的指标也可以进行剔除，降低计算量。

因此在本发明实施例中，需要在获取了N²个驾驶模式转换概率故需要对指标进行选择，称为指标特征选择(Feature Selection，FS，以下简称指标选择)。

其中指标选择是指从M个指标中选择K个指标，对指标系统进行降维，使得系统的指标最优化。指标选择通过评价函数(Objective Function)评价一个特征子集的好坏，用符号J(Y)表示，其中Y是一个指标集，J(Y)越大表示指标集Y越好。目前常见的指标选择算法可以分为三大类，分别为指数算法(Exponential algorithms)、序列算法(Sequentialalgorithms)、随机算法(Randomized algorithms)。常见的指数算法有穷举搜索法(Exhaustive Search)、分支限界搜索法(Branch and Bound)、定向搜索法(Beam Search)等，常见的序列算法有朴素序列特征选择(Naive Sequential Feature Selection)、序列前向选择(SFS,Sequential Forward Selection)、序列后向选择(SBS,SequentialBackward Selection)、增L去R选择算法(LRS,Plus-L Minus-RSelection)、双向搜索(BDS,Bidirectional Search)、序列浮动选择(Sequential Floating Selection)等，常见的随机算法有随机产生序列选择算法(RGSS,Random Generation plus SequentialSelection)、模拟退火算法(SA,Simulated Annealing)、遗传算法(Genetic Algorithms)等。

在本发明实施例中并不指定哪一种具体算法，所有的这些算法全都可以实现指标选择，从而使得对指标进行优化。

步骤5、利用优化后的数据训练分类器。

在进行了指标选择，将优化后的驾驶模式转移概率作为样本数据对分类器(Classifier)进行训练，训练后的分类器具有对驾驶风格进行分类估计的能力。

常见的分类器有决策树(decision tree)分类算法、支持向量机分类算法(SVM：Support Vector Machine)、随机森林分类算法(RF：Random Forest)、贝叶斯分类算法、基于关联规则的分类算法等。

基于以上步骤，本发明获得一种基于驾驶模式转移概率的驾驶风格估计方法，能够对驾驶行为进行有效分类估计。

以下以一个具体的例子来进行说明：

1)实车数据采集

从一辆实验车上采集车辆状态数据和车辆周围环境数据，实验场景为实际高速公路行驶。采集的数据包括方向盘转角、车速、纵向加速度、横向加速度等；数据采样频率为10Hz；其中方向盘转角、车速通过解析CAN总线数据输出得到，方向盘转角单位为度(°)，车速单位为千米/小时(km/h)，纵向加速度、横向加速度通过在车辆上安装双轴加速度计采集得到，单位均为m/s²。

2)驾驶行为模式分割

基于采集的实验数据进行驾驶行为模式的分割。基于高速公路驾驶行为特点，将驾驶行为分割为12中驾驶行为模式，如图1所示。首先将驾驶行为模式分为纵向行为模式和横向行为模式两大类。纵向行为模式中，对行为模式的加速度、前车时距(THW)、前车大小改变等进行阈值或是否判断，分类成紧急制动(EB)、自由行使(FD)、接近前车(AP)、远离前车(OP)、近距跟车(NF)、中距跟车(MF)、远距跟车(FF)七个子类别。例如，跟车状态中近距跟车、中距跟车、远距跟车的区分变量为前车时距(THW)的大小，当THW<1s时为近距跟车，当1s<THW<2s时为中距跟车，当THW＞2s时为远距跟车。横向行为模式中，对行为模式进行是否有前车以及向左向右的方向判断，分类为限制左侧换道(CLLC)、限制右侧换道(CRLC)、自由左侧换道(FLLC)、自由右侧换道(FRLC)四类。

3)驾驶模式转移概率矩阵计算

计算一定时间范围内，驾驶员的驾驶行为模式转移概率。转移概率的计算方法如下面的公式所示：

其中q_t为t时刻的行为模式，q_t+1为t+1时刻的行为模式，ω为从驾驶行为模式从θ_i到θ_j的转换次数，a_ij∈[0,1],为驾驶模式从θ_i到θ_j的转移概率指标，N是分割的驾驶行为模式的数量，取N＝11，1≤i,j≤N.驾驶模式转换矩阵可以定义为A＝{a_ij}.如果a_ij接近于0，则表明其对应的两种模式之间的转换极少发生。θ_i、θ_j为第i和第j种驾驶行为模式。

4)指标特征选择

采用基于互信息的最大条件似然概率方法(Conditional LikelihoodMaximization Method based on Mutual Information)进行指标的选择，该方法同时考虑指标的相关性和冗余性，选择最大条件似然概率对应的指标子集作为最优特征指标集。评价函数的公式为：

其中，J_JMI(X_k)表示指标X_k的基于联合互信息(JMI：Joint Mutual Information)的评价值。其中A为驾驶模式转移概率矩阵，为已选择的指标集X_k,X_j∈A，X_k为待评估指标，X_j为中已有指标，C∈{高风险,中等风险,低风险}。算法选取使得左侧概率密度最大的指标X_k。等式右侧：I(X_k；C)为X_k和驾驶风格标签C的相关性，I(X_k；X_j)为X_k和X_j的相关性，I(X_k；X_j|C)为X_k和X_j的条件相关性。此示例中将驾驶风格分为高风险,中等风险和低风险三个类型。

通过该方法获得的最有效的5个模式转换指标为：近距跟车→限制右侧换道(NF→CRLC)、限制右侧换道→限制左侧换道(CRLC→CLLC)、限制左侧换道→接近前车(CLLC→AP)、接近前车→限制右侧换道(AP→CRLC)、限制左侧换道→自由行驶(CLLC→FD)。这5类模式的转移概率分布如图2所示。

5)分类器训练

以随机森林分类器(Random Forest)为例设计分类器，并进行训练。如图3所示，一个随机森林由M棵决策树组成，每一个决策树包含分支、子节点和叶节点。每一个分支包含指标X_k和阈值τ。为了区分输入X，当前的节点被设为根节点，然后评判是否符合停止条件。接着通过分支判断函数和阈值τ的大小，若满足则更新节点到左侧或右侧的子节点,这个过程不断的重复直到到达该决策树不再有分支的叶节点。最后存储驾驶行为C标签下的概率分布p_m(C|X)，取各个决策树的概率分布均值为最终的概率分布。随机森林分类器估计公式为：

$p\left(C\right|X)=\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}{p}_m\left(C\right|X)$

其中上式左侧p(C|X)表示的特征向量X条件下驾驶行为判定为C标签的概率，m代表第m棵决策树，M表示，p_m(C|X)表示的是第m棵决策树中特征向量X条件下驾驶行为判定为C标签的概率。

基于选择的5个指标建立随机森林分类器。在决策树数量达到30时，分类器可达到最高的正确率。正确率达到93％。

通过分析低风险、中等风险和高风险驾驶风格的驾驶员表现出的概率转移特性，本发明得到驾驶风格的风险等级越高，驾驶员在各驾驶行为模式之间相互转移的形态就越复杂的结论。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于驾驶模式转换概率的驾驶风格估计方法，其特征在于，包括：

步骤1、采集驾驶员的实际驾驶数据；其中所述实际驾驶历史数至少包括：方向盘转角、车速、纵向加速度、横向加速度；

步骤2、根据实际驾驶数据，将驾驶行为分为N种驾驶行为模式；

步骤3、确定驾驶行为模式转移概率，其中所述驾驶行为模式转移概率为N种驾驶行为模式中的任意两种驾驶行为模式之间的转换几率；

步骤4、利用所述驾驶行为模式转移概率作为训练样本训练分类器，以通过所述分类器进行驾驶风格估计。

2.根据权利要求1所述的基于驾驶模式转换概率的驾驶风格估计方法，其特征在于，所述步骤1包括：

通过固定在车辆上的双轴加速度计来获取车辆的纵向加速度和横向加速度；

通过车辆的CAN总线获取车辆的车速参数；

通过车辆的环境感知传感器来获取车辆与周边车辆的距离信息。

3.根据权利要求1所述的基于驾驶模式转换概率的驾驶风格估计方法，其特征在于，所述步骤2包括：将驾驶行为分割为纵向行为和横向行为，然后再在纵向行为和横向行为中分别进行分类，具体包括：

对于纵向行为，根据车辆的加速度、前车时距、前车大小改变，以将纵向行为分类为七个驾驶行为模式：紧急制动、自由行使、接近前车、远离前车、近距跟车、中距跟车、远距跟车；

对于横向行为，根据是否有前车、车辆向左向右的方向判断，以将横向行为分类为四个驾驶行为模式：限制左侧换道、限制右侧换道、自由左侧换道、自由右侧换道。

4.根据权利要求1所述的基于驾驶模式转换概率的驾驶风格估计方法，其特征在于，所述步骤3包括：采用以下公式计算在一定时间范围内驾驶员的驾驶行为模式转移概率；

其中q_t为t时刻的行为模式，q_t+1为t+1时刻的行为模式，ω为从驾驶行为模式从θ_i到θ_j的转换次数，a_ij∈[0,1],为驾驶模式转移概率指标，N是分割的驾驶行为模式的数量,1≤i,j≤N；

其中驾驶模式转换矩阵可以定义为A＝{a_ij}；其中a_ij为驾驶行为模式转移概率，其中a_ij越接近于0则表明其对应的两种模式之间的转换概率越低；θ_i、θ_j为第i和第j种驾驶行为模式，θ_i,θ_j∈{θ₁,θ₂,θ₃,…,θ_N}。

5.根据权利要求1所述的基于驾驶模式转换概率的驾驶风格估计方法，其特征在于，所述步骤1还包括：对获得的驾驶模式转移概率进行指标选择以实现优化。

6.根据权利要求5所述的基于驾驶模式转换概率的驾驶风格估计方法，其特征在于，所述步骤4具体包括：

步骤41、采用基于互信息的最大条件似然概率方法进行指标选择，评价函数公式为：

其中，J_JMI(X_k)表示指标X_k的基于联合互信息的评价值；其中A为驾驶模式转移概率矩阵，为已选择的指标集X_k,X_j∈A，X_k为待评估指标，X_j为中已有指标，C为驾驶风格；其中I(X_k；C)为X_k和驾驶风格标签C的相关性，I(X_k；X_j)为X_k和X_j的相关性，I(X_k；X_j|C)为X_k和X_j的条件相关性；

选取使得左侧概率密度最大的指标X_k；

步骤42、以优化后驾驶模式转换概率作为训练样本，以随机森林分类器进行训练；随机森林分类器估计公式为：

$p\left(C\right|X)=\frac{1}{M}\underset{m=1}{\overset{M}{\&Sigma;}}{p}_m\left(C\right|X)$

其中上式左侧p(C|X)表示的特征向量X条件下驾驶行为判定为C标签的概率，m代表第m棵决策树，M表示，p_m(C|X)表示的是第m棵决策树中特征向量X条件下驾驶行为判定为C标签的概率。