CN117435884A - 一种驾驶员驾驶行为相关性分析方法 - Google Patents

Abstract

本发明公开一种驾驶员驾驶行为相关性分析方法，包括：S1：采集驾驶员出行数据；S2：对出行路程进行行程划分并解析S1中信号源码；S3：驾驶行为评价指标的选定和分析；S4：对S3中的驾驶行为评价指标参数依次进行标号；S5：根据S4中的行程指标数据集进行FP‑tree模型构建；S6：根据S5构建的FP‑tree模型结果进行生态驾驶行为相关性分析；S7：驾驶行为判定。结合城市驾驶数据及定位信息，进行行程划分，反映不同道路类型和交通状态对驾驶行为的影响，精确驾驶行为评价指标分析，提出驾驶行为评价指标编码标号方式并转化成数字集，便于大数据样本分析运算，构建FP‑tree对驾驶行为相关性分析，结合大数据高效快捷，划分驾驶行为评价指标区间，为驾驶行为评判提供依据。

Description

一种驾驶员驾驶行为相关性分析方法

技术领域

本发明涉及一种驾驶员驾驶行为相关性分析方法，属于汽车节能减排技术领域。

背景技术

车辆能耗是在人车路及天气环境综合作用下的结果。想要降低车辆能耗，可以从多方面入手。但是受限于几乎到达节油潜力极限的传统节油技术、城市拥堵状态短期内难以改观，从驾驶员角度来降低车辆能耗成为了一种较为可行的方法。如何评价和改进驾驶员的驾驶行为，以进一步提高纯电动汽车的性能和续航里程成为当下探索的焦点问题。在现有技术中，通常使用传统的车载数据记录仪来收集驾驶行为数据，如车速、加速度等。然后基于样本数据集提取特征因素，通过关联法挖搜索繁项集间的关联性。在重型工程车驾驶行为研究方向，喻铃华等从数据集中提取睡眠模式、道路条件、载重状态和时间特征等因素，借助关联规则挖掘(Apriori)法探索了重型工程车驾驶人驾驶绩效的影响因素，针对驾驶人管理和道路安全保障两个层面提出建议；在车辆换道研究方向，龙岩等人使用Apriori法描述了感知-操作的特征以及它们变道过程中的关联关系，为车辆变道操作提供支持；在分析不良驾驶行为时，梁陈磊等基于OBD数据采用Apriori算法分析不良驾驶行为内在关联性及行程发生概率，为个性化驾驶及驾驶风格研究提供理论拓展，此外，学者L等人针对多目标进行频繁项集搜索还提出了多重目标搜索的方法。

然而传统的车载数据无法提供关于驾驶员行为和习惯的详细信息，不能实时定位车辆轨迹，以反应外部环境对驾驶行为的影响。而对于数据集的处理方式迥异不同，在大数据情况下，使得指标集冗杂，并且Apriori法会产生大量候选集，每次计算都需要重新扫描数据集来计算每个项集的支持度。

发明内容

发明目的：针对现有技术中存在的不足，本发明提供了一种驾驶员驾驶行为相关性分析方法，本发明通过结合大数据优势，从个体特征出发研究驾驶员驾驶行为的内在相关性，并通过利用频繁模式增长(Frequent Pattern-growth，FP-Growth)法构建频繁模式树(FP-tree)提高运算效率，解决现有技术中的问题。

技术方案：一种驾驶员驾驶行为相关性分析方法，包括以下步骤：

S1：采集驾驶员出行数据：通过试验车上的采集装置进行采集，将驾驶员的完整出行记作一次出行事件，即起点与终点重合形成闭环路线，共采集同一驾驶员同款电动汽车同一路线m次出行事件，采集每次出行事件中采集装置所得的信号源码，信号包括：时间、车速、加速踏板行程百分比、制动踏板行程百分比、方向盘转向、方向盘转角和方向盘转角角速度，同时通过GPS惯导系统对试验车进行行驶位置定位，采集经纬度参数及时间参数；

S2：对出行路程进行行程划分并解析S1中信号源码，采用滑动窗口均值滤波对车辆行驶数据进行滤波处理，每隔1分钟记作1个时间段；

S3：驾驶行为评价指标的选定和分析：选定试验车行驶过程中的平均速度，踏板行程百分比，车速波动差，加减速度变化值，变速频次和停车时长作为驾驶行为评价指标参数并设定平均车速阈值车速波动差阈值E_w、加减速度波动差阈值E_a、变速频次阈值E_f、踏板行程百分比阈值E_p和停车时长阈值E_t作为驾驶行为评价指标阈值；

S4：对S3中的驾驶行为评价指标参数依次进行标号，并将超过阈值的驾驶行为评价指标参数转化为数字集，通过数字集定义行程指标数据集；

S5：根据S4中的行程指标数据集进行FP-tree模型构建；

S6：根据S5构建的FP-tree模型所得到的运行结果进行生态驾驶行为指标相关性分析；

S7：驾驶行为判定，根据支持度和置信度设定评判标准，对驾驶员的驾驶行为进行评判。

优选项，所述S2的具体步骤如下：

对采集装置得到的信号源码进行离线解析，对速度和加速度采用滑动窗口均值滤波进行处理，按每次出行整理滤波后的行程数据，获取时间列的最大值，用于确定时间段的上限，创建时间段并统计次数，记1分钟为一个时间段，选取进入行程交界路段的红绿灯交叉口处作为分界点，根据GPS惯导系统设备采集的数据找出此刻对应的经纬度，得到此刻距离出发的对应时长，将GPS惯导系统求得的出发时长同步至采集装置中。

优选项，所述S3的具体步骤如下：

求取平均车速阈值对采集m次出行的平均车速数据进行分析，分析电动汽车的平均速度区间，找出集中区间，根据下列公式计算纯电动汽车平均超速阈值/>

式中：E_M为平均车速全部样本总分布的75％分位数；E_N为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值；故取为纯电动汽车平均车速超速阈值；

求取纯电动汽车的车速波动阈值E_w：若车速波动差超过车速波动差阈值E_w则认定该段行程为非生态驾驶，车速波动阈值E_w为在行驶过程中最高车速与平均车速的差值，即

式中：E_w为电车车速波动值(单位：km/h)；E_Vmax为行程最高车速(单位：km/h)；为行程平均速度超速阈值(单位：km/h)；

求取加速度变化阈值E_a：计算m组行程加速度变化值范围：

df["加速度"]＝df.iloc[:,1].diff()/df.iloc[:,0].diff()

accel_min＝df["加速度"].min()

accel_max＝df["加速度"].max()

则加速度变化为accel_min～accel_max m/s²，根据加速度变化及测试工况，选定变化阈值E_a；加速度大于最大加速度或减速度小于最大减速度，则为超阈值；

求取变速频次阈值E_f：根据S1划分的行程，设定常规行驶中变速引发的加速度变化值在a m/s²内，计算E_f：

E_f＝Q/T

式中：E_f为变速频次；Q为变速次数；T为单位时间(单位：min)；将1次/分钟设为变速频次阈值，大于变频阈值为频繁变速行为即为非生态驾驶；

求取踏板行程变化阈值E_p：计算m组行程踏板行程百分比变化值范围，踏板行程百分比变化为pedal_min～pedal_max％；

求取停车时长阈值E_t：检测并记录每次车速数据中持续出现速度为0km/h时刻的时长，计算电动汽车平均停车阈值E_t：

E_t＝E_t1+1.5E_t2

式中：E_t1为平均车速全部样本总分布的75％分位数；E_t2为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值。

优选项，所述S4的具体步骤如下：

对每个行程中的驾驶行为评价指标参数进行阈值判断，若超过阈值，记为事件发生，则用数字集{1}、{2}、{3}、{4}、{5}、{6}表示，并将该行程内发生的所有事件，定义为行程指标数据集{1、2、3…}。

优选项，所述S5的具体步骤如下：

支持度support即p，计算公式为：

其中，α为关联项前项指标项集，β为关联项后项指标项集，P为概率；

置信度confidence即q，计算公式为：

S501：对驾驶行为评价指标参数数据库E即行程指标数据集进行编码并设定最小支持度p_min和最小置信度q_min；

S502：从数据库E中选取频繁项集F；

S503：验证频繁项集F是否满足支持度p；若频繁项集F不满足支持度p，则删除此数据；若频繁项集满足支持度p，则创建项头表，并构造FP-Tree，构建条件模式基，即在一个频繁项集中,除去一个项后,剩下的项集所组成的集合；

S504：进行递归迭代，直到树包含一个元素项为止，构建条件FP树；

S505：在条件FP树中搜索频繁项，获得频繁项集L并计算其支持度p；

S506：验证频繁项集L是否满足最小支持度p_min和最小置信度q_min；若频繁项集L不满足最小支持度p_min和最小置信度q_min，则删除此频繁项集；若频繁项集L满足最小支持度p_min和最小置信度q_min，则生成生态驾驶行为关联方法；

S507：输出FP-tree运算时间T₁。

优选项，所述S6的具体步骤如下：

将所得驾驶行为的前项评价指标与后项评价指标所形成的关联项按支持度百分比从大到小排列，关联项间的最大支持度表明该项的驾驶行为评价指标间的关联性最强，关联项间的最大置信度表明该项的前项驾驶行为评价指标有最大置信度的概率会影响后项驾驶行为评价指标。

优选项，所述S7的具体步骤如下：

将支持度判定区间划分为强(50％～100％)、中(37.5％～50％)、弱(12.5％～37.5％)三档，将置信度判定区间划分为高(95％～100％)、平(80％～95％)、低三档(50％～80％)在分析驾驶行为中，主要关注支持度强和置信度高的驾驶行为评价指标关联项，结合实际采集数据结果排除支持度低于12.5％和置信度低于50％的关联项。

有益效果：本发明可以结合城市驾驶数据及定位信息，更加精准的划分行程，反映不同道路类型，不同交通状态即市区拥堵路段和城郊畅通路段，对驾驶行为的影响，使得驾驶行为评价指标的分析更为精确。提出了驾驶行为评价指标的编码标号方式，将其转化成数字集，便于大数据样本的分析和运算。利用FP-Growth法构建FP-tree对驾驶行为相关性分析，结合大数据较已有的Apriori法更为高效快捷，同时划分了驾驶行为评价指标区间，为驾驶行为评判提供依据。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种驾驶员驾驶行为相关性分析方法流程图；

图2为出行超速占比分析示例图；

图3为行程平均车速示例图；

图4为加速度波动差示例图；

图5为部分驾驶行为评价指标阈值占比示例图；

图6为本发明所提供的运用FP-tree进行驾驶行为相关性指标建模流程图。

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，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”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和简化描述，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。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

如图1所示，S1：采集驾驶员出行数据：通过试验车上的采集装置进行采集，将驾驶员的完整出行记作一次出行事件，即起点与终点重合形成闭环路线，共采集同一驾驶员同款电动汽车同一路线m次出行事件，采集每次出行事件中采集装置所得的信号源码，信号包括：时间、车速、加速踏板行程百分比、制动踏板行程百分比、方向盘转向、方向盘转角和方向盘转角角速度，同时通过GPS惯导系统对试验车进行行驶位置定位，采集经纬度参数及时间参数；

S2：对出行路程进行行程划分，离线解析采集装置得到的信号源码。采用滑动窗口均值滤波对解析车辆形式数据进行滤波处理，每隔1分钟记作1个时间段；

数据滤波预处理S1得到的行程数据以筛选异常数据，定义滑动窗口大小，本实施例的采集数据设置为5s，使用Python编程软件中的pandas库来读取Excel数据，并对速度和加速度数据进行滑动窗口均值滤波处理。把处理后的行程数据按照出行日期排列，获取时间列的最大值，用于确定时间段的上限，创建时间段并统计次数，记1分钟为一个时间段，选取进入行程交界路段的红绿灯交叉口处作为分界点，根据GPS惯导系统设备采集的数据找出此刻对应的经纬度，得到此刻距离出发的对应时长，将GPS惯导系统求得的出发时长同步至采集装置中。

在本实施例中，考虑到驾驶行为研究对纯电动汽车生态驾驶的实际意义，以纯电动汽车驾驶员在城市行驶工况下为例，对高频数据即本实施例中车速、加速踏板行程百分比、制动踏板行程百分比的采样时间间隔为0.01s，方向盘转角、方向盘转向、方向盘角速度的采样时间间隔为0.02s，进行采集和处理。模拟城市上下班通勤，选取城郊任一地点作为行程起点，选定出行路线，包括市区道路途径闹市区、医院和学校，采集装置采集的信号源码解析后所得数据格式如表1所示，GPS惯导系统采集的数据格式如表2所示：

表1采集装置信号

表2GPS惯导信号

GNSS周	时间	纬度	经度	高度
					2270	128387.090	32.196170898	119.509352203	11.0307
2270	128387.100	32.196171094	119.509350944	11.0299
					2270	128387.110	32.196171290	119.509349685	11.0292
2270	128387.120	32.196171486	119.509348426	11.0285
					2270	128387.130	32.196171682	119.509347168	11.0278

由于GPS惯导与采集装置对应时间不匹配，故选取交界路段的红绿灯交叉口处，即经纬度数值有先增后减或先减后增趋势的红绿灯交叉口处，作为进入行程的分界点，根据GPS惯导系统设备采集的数据找出此刻对应的经纬度，得到此刻距离出发的对应时长。将惯导求得的出发时长同步至采集装置中，对采集装置得到的原始数据进行预处理。其中速度、加速踏板采样间隔为0.01s，方向盘转角和转向采样间隔为0.02s。正常人的反应时间为0.15-0.4s，最快反应时间也大于0.1s，因此本实施例采用0.1s作为采样间隔，使用MatLab对解析后的数据进行处理，得到同一驾驶员同款电车m次出行采样间隔为0.1s的行程数据。

S3：驾驶行为评价指标的选定和分析：选定试验车行驶过程中的平均速度，踏板行程百分比，车速波动差，加减速度变化值，变速频次和怠速时长作为驾驶行为评价指标参数并设定平均车速阈值车速波动差阈值E_w、加减速度波动差阈值E_a、变速频次阈值E_f、踏板行程百分比阈值E_p和怠速时长阈值E_t作为驾驶行为评价指标阈值；

在本实施例中，城市道路限定车速为50km/h，综合实验实际道路情况，将市区电动汽车超速行驶阈值定为50km/h，城郊道路超速行驶阈值定为80km/h，超速时间窗口设定4s，超速百分比示例如图2所示，横轴为超速百分比即超过50的10％，20％，30％，40％，50％的范围区间，纵轴为每个区间所对应超速次数占总超速次数的比值，可见市区超速绝大部分发生在40％以内，且主要集中在0％～10％区间内。

求取平均车速阈值对采集m次出行的平均车速数据进行分析，以一个月60组出行次数为例，行程平均速度如图3所示。根据图3饼状图即平均速度分布区间，以5km/h划分平均车速区间，其中平均车速在15-20km/h之间占比20％，在20-25km/h之间占比高达56.67％，由此可见集中区间主要集中于15-20km/h以及20-25km/h之间，对比CATC标准中的城市道路工况的平均车速29km/h，根据下列公式计算纯电动汽车平均超速阈值/>

式中：E_M为平均车速全部样本总分布的75％分位数；E_N为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值；故取为纯电动汽车平均车速超速阈值；本例中，E_M＝24.36km/h，E_N＝5.88km/h，则/>

求取纯电动汽车的车速波动阈值E_w：根据市区道路最高限速标准，将车速波动差阈值设定为35km/h，超过此阈值则认定为非生态驾驶。车速波动阈值E_w为在行驶过程中最高车速与平均车速的差值，即

式中：E_w为电车车速波动值(单位：km/h)；E_Vmax为行程最高车速(单位：km/h)；为行程平均速度超速阈值(单位：km/h)；

求取加速度变化阈值E_a：计算m组行程加速度变化值范围，将数据表第二列速度(km/h)换算成速度(m/s)：

df["加速度"]＝df.iloc[:,1].diff()/df.iloc[:,0].diff()

accel_min＝df["加速度"].min()

accel_max＝df["加速度"].max()

则加速度变化为accel_min～accel_max m/s²，以一个月60组出行的加速度波动差示例，如图4所示，横轴为每次行程，纵轴为该次行程加速度与减速度区间，可见加速度主要集中在2m/s²左右，减速度主要集中在2.75m/s²以内。根据加速度变化及测试工况，选定变化阈值E_a，本实施例为夏季空调全负载情况下所测，故根据夏季空调全负载工况，选定最大加速度2.28m/s²，最大减速度-2.73m/s²，加速度大于最大加速度或减速度小于最大减速度则为超阈值。根据实车路况可得，受城市环境影响，拥堵路段皆由于红绿灯交叉口导致。设定市区拥堵车速在20km/以下。定义电动汽车由20km/h减速至0km/h为进入拥堵路段，电动汽车由0km/h加速至20km/h为脱离拥堵路段，检测并记录原始数据中持续出现速度为0km/h时刻的次数，以及从数据中提取从0至20km/h的车速区间路段，得出拥堵路段和畅通路段的加速度，以此反应交通流以及信号灯对电动汽车驾驶员驾驶行为的影响。

求取变速频次阈值E_f：根据S1划分的行程，设定常规行驶中变速引发的加速度变化值在a m/s²内，计算E_f：

E_f＝Q/T

式中：E_f为变速频次；Q为变速次数；T为单位时间(单位：min)；将1次/分钟设为变速频次阈值，大于变频阈值为频繁变速行为即为非生态驾驶；

求取踏板行程变化阈值E_p：计算m组行程踏板行程百分比变化值范围，踏板行程百分比变化为pedal_min～pedal_max％；

求取怠速时长阈值E_t：检测并记录每次数据中持续出现速度为0km/h时刻的时长，计算电动汽车平均怠速阈值E_t：

E_t＝E_t1+1.5E_t2

式中：E_t1为平均车速全部样本总分布的75％分位数；E_t2为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值。

分析驾驶行为评价指标超阈值占比。以行程100组出行示例，选取超速、平均车速、车速波动差、加速度波动差、变速频次超阈值概率如图5所示，平均车速和加速度正常值占比概率高而加速度超阈值占比高。这是由于市区车流量较大，行车速度较慢；市区红绿灯数量多，会频繁导致走走停停现象，驾驶员易受非机动车突发状况影响，在交叉口处会频繁换道，因此导致加速度超阈值概率高。

S4：对S3中的驾驶行为评价指标参数依次进行标号，并将超过阈值的驾驶行为评价指标参数转化为数字集，通过数字集定义行程指标数据集：对每个行程中的驾驶行为评价指标参数进行阈值判断，若超过阈值，记为事件发生，则用数字集{1}、{2}、{3}、{4}、{5}、{6}表示，并将该行程内发生的所有事件，定义为行程指标数据集{1、2、3…}。

对纯电动汽车驾驶行为6个评价指标：平均车速、车速波动差、加速度波动差、踏板行程、怠速时长、变速频次依次进行标号。将所有行程的驾驶行为指标数值转换为相应数字集，如表3所示：

表3数字集标号表

若某个驾驶行为评价指标超过此驾驶行为评价指标阈值，则记为事件发生，用数字集表示：例如：当踏板行程百分比超过踏板行程阈值，则记为事件5发生，用数字集{5}表示；如某段行程平均车速(大于/>)，车速波动差E_w1(大于E_w)，加减速度变化值E_a1(大于E_a)、变速频次E_f1(大于E_f)，则该行程指标数据集为{1,2,3,4}。

S5：根据S4中的行程指标数据集进行FP-tree模型构建：

每次出行称之为一个事务，m次就包含m个事务。出行的每个驾驶行为评价指标称为一个项，项是基本的分析对象，如平均车速项{1}。包含零个或者多个驾驶行为指标项的集合称为驾驶行为指标项集，如H＝{1,2,3,4,5,6}就是一次出行的驾驶行为指标项的集合，本实施例的指标数据集是含有6个项的集合叫做6项集。

驾驶行为评价指标间的是从驾驶行为评价指标项集中找出各个项即各个驾驶行为评价指标之间的关系。

驾驶行为评价指标相关性可表示为满足：/>并且/>α为关联项前项指标项集，β为关联项后项指标项集，即加速度变化较大会引起变速频次增加。

驾驶行为评价指标相关性具有支持度p，例如/>是指项集3∪4在整个驾驶行为评价指标项集中所占比例。/>的置信度为q，例如/>是指评价指标项目集中包含3的同时也包含4的概率是q，实际上为条件概率P(4∣3)，

支持度support即p，表示为：

置信度confidence即q，表示为：

驾驶行为评价指标提升度代表项α出现对项β出现概率提升的程度，提高度lift表示为：

当提升度大于1，有提升；提升度小于1，有下降；提升度等于1，则不变。

驾驶行为评价指标频繁项集表示为支持度大于等于最小支持度阈值的评价指标项集。

如图6FP-tree运算流程图所示，以8组出行数据为例：

S501：对驾驶行为评价指标参数数据库E即行程指标数据集进行编码标号并设定最小支持度p_min＝10％和最小置性度q_min＝50％，根据S4标号表，得到8组驾驶行为评价指标编码为[2,3,6],[2,3,6],[2,3,6],[2,6],[2,6],[2,6],[2],[2]。

S502：从数据库E中选取频繁项集F：{2}{6}{2,6}。

S503：验证频繁项集F是否满足支持度p。若频繁项集F不满足支持度p，则删除此数据；若频繁项集F满足支持度p，则创建项目表4，对每个评价指标项集进行上述重复操作，将驾驶行为评价指标频繁项按支持度p从大到小，对应排序从前往后排序，并构造FP-Tree，构建条件模式基，即在一个频繁项集中,除去一个项后,剩下的项集所组成的集合。

表4项目表

项目	支持度	链表
			2	1	/
6	0.75	/

S504：进行递归迭代，直到树包含一个元素项为止，构建条件FP树；

构建条件FP树进行递归迭代，直到树包含一个元素项为止。创建根结点，若FP树的子节点已存在该项，则增加该项频数；若树中不存在该项，则创建新节点，根据S503所得排序依次对驾驶行为评价指标频繁项集F重复上述操作，通过频繁项集F使FP树拓展。例如：根节点root→2-8→6-6，2-8前项为项目2，后项为频数8。

S505：条件FP树中搜索频繁项，获得频繁项集L并计算其支持度p；

S506：验证频繁项集L是否满足最小支持度p_min和最小置信度q_min。若频繁项集L不满足最小支持度p_min和最小置信度q_min，则删除此频繁项集；若频繁项集L满足最小支持度p_min和最小置信度q_min，则生成生态驾驶行为关联方法：

frozenset({6})-->frozenset({2})conf:1.0

frozenset({2})-->frozenset({6})conf:0.75

S507：输出FP-tree运算时间T₁。用Apriori法对相同数据集进行驾驶行为关联性分析，输出运算时间T₂，T₂为Apriori法运算的时间，可得T₁<T₂。

S6：根据S5构建的FP-tree模型所得到的运行结果进行生态驾驶行为指标相关性分析；

FP-tree法运行结果如表5所示：

表5FP-tree运行结果

关联项	支持度	置信度	提升度
				5-4	60％	87％	2
5-1	40％	90％	0.6
				1-5-4	35％	54％	1
2-3-1	25％	98％	1.7

对于同一驾驶员同款电车同一路线m次出行事件，将所得驾驶行为的前项评价指标与后项评价指标所形成的关联项按支持度百分比从大到小排列。如表5示例，根据两个驾驶行为评价指标之间的关联项的最大支持度为60％，这表明踏板行程百分比与变速频次的驾驶行为关联性最强。若两个驾驶行为评价指标之间的关联项的最大置信度为90％，这表明前项指标踏板行程百分比有最大置信度90％的概率会影响后项评价指标平均车速。找出三个驾驶行为评价指标的最大支持度35％，这表明前项两个驾驶行为指标即平均车速和踏板行程百分比与后项驾驶行为变速频次先关性最强。若找出三个驾驶行为评价指标关联项的最大置信度为98％，这表明前两项驾驶行为评价指标即车速波动差和加速度变化有最大置信度98％的概率会影响后项评价指标平均车速。关联项及关联项数量的变化则对应相应的结论。

S7：驾驶行为判定，根据支持度和置信度设定评判标准，对驾驶员的驾驶行为进行评判。

该方法可以对不同驾驶员的数据进行分析，得到每个驾驶员的评价结果，根据评价结果对驾驶员的驾驶行为进行评判。如表6所示，设定驾驶行为评判标准为将支持度判定区间划分为强(50％～100％)、中(37.5％～50％)、弱(12.5％～37.5％)三档，将置信度判定区间划分为高(95％～100％)、平(80％～95％)、低三档(50％～80％)。

表6驾驶行为评判标准

在分析驾驶行为中，主要关注支持度强和置信度高的驾驶行为评价指标关联项，结合实际采集数据结果排除支持度低于12.5％和置信度低于50％的关联项。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种驾驶员驾驶行为相关性分析方法，其特征在于：包括以下步骤：

S1：采集驾驶员出行数据：通过试验车上的采集装置进行采集，将驾驶员的完整出行记作一次出行事件，即起点与终点重合形成闭环路线，共采集同一驾驶员同款电动汽车同一路线m次出行事件，采集每次出行事件中采集装置所得的信号源码，信号包括：时间、车速、加速踏板行程百分比、制动踏板行程百分比、方向盘转向、方向盘转角和方向盘转角角速度，同时通过GPS惯导系统对试验车进行行驶位置定位，采集经纬度参数及时间参数；

S2：对出行路程进行行程划分并解析S1中信号源码，采用滑动窗口均值滤波对车辆行驶数据进行滤波处理，每隔1分钟记作1个时间段；

S3：驾驶行为评价指标的选定和分析：选定试验车行驶过程中的平均速度，踏板行程百分比，车速波动差，加减速度变化值，变速频次和停车时长作为驾驶行为评价指标参数并设定平均车速阈值E_V、车速波动差阈值E_w、加减速度波动差阈值E_a、变速频次阈值E_f、踏板行程百分比阈值E_p和停车时长阈值E_t作为驾驶行为评价指标阈值；

S4：对S3中的驾驶行为评价指标参数依次进行标号，并将超过阈值的驾驶行为评价指标参数转化为数字集，通过数字集定义行程指标数据集；

S5：根据S4中的行程指标数据集进行FP-tree模型构建；

S6：根据S5构建的FP-tree模型所得到的运行结果进行生态驾驶行为指标相关性分析；

S7：驾驶行为判定，根据支持度和置信度设定评判标准，对驾驶员的驾驶行为进行评判。

2.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S2的具体步骤如下：

对采集装置得到的信号源码进行离线解析，对速度和加速度采用滑动窗口均值滤波进行处理，按每次出行整理滤波后的行程数据，获取时间列的最大值，用于确定时间段的上限，创建时间段并统计次数，记1分钟为一个时间段，选取进入行程交界路段的红绿灯交叉口处作为分界点，根据GPS惯导系统设备采集的数据找出此刻对应的经纬度，得到此刻距离出发的对应时长，将GPS惯导系统求得的出发时长同步至采集装置中。

3.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S3的具体步骤如下：

求取平均车速阈值对采集m次出行的平均车速数据进行分析，分析电动汽车的平均速度区间，找出集中区间，根据下列公式计算纯电动汽车平均超速阈值/>

式中：E_M为平均车速全部样本总分布的75％分位数；E_N为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值；故取为纯电动汽车平均车速超速阈值；

求取纯电动汽车的车速波动阈值E_w：若车速波动差超过车速波动差阈值E_w则认定该段行程为非生态驾驶，车速波动阈值E_w为在行驶过程中最高车速与平均车速的差值，即

式中：E_w为电车车速波动值(单位：km/h)；E_Vmax为行程最高车速(单位：km/h)；为行程平均速度超速阈值(单位：km/h)；

求取加速度变化阈值E_a：计算m组行程加速度变化值范围：

df["加速度"]＝df.iloc[:,1].diff()/df.iloc[:,0].diff()

accel_min＝df["加速度"].min()

accel_max＝df["加速度"].max()

则加速度变化为accel_min～accel_max m/s²，根据加速度变化及测试工况，选定变化阈值E_a；加速度大于最大加速度或减速度小于最大减速度，则为超阈值；

求取变速频次阈值E_f：根据S1划分的行程，设定常规行驶中变速引发的加速度变化值在a m/s²内，计算E_f：

E_f＝Q/T

式中：E_f为变速频次；Q为变速次数；T为单位时间(单位：min)；将1次/分钟设为变速频次阈值，大于变频阈值为频繁变速行为即为非生态驾驶；

求取踏板行程变化阈值E_p：计算m组行程踏板行程百分比变化值范围，踏板行程百分比变化为pedal_min～pedal_max％；

求取停车时长阈值E_t：检测并记录每次车速数据中持续出现速度为0km/h时刻的时长，计算电动汽车平均停车阈值E_t：

E_t＝E_t1+1.5E_t2

式中：E_t1为平均车速全部样本总分布的75％分位数；E_t2为四分位差，即平均车速全部样本总分布的75％分位数和25％分位数差值。

4.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S4的具体步骤如下：

对每个行程中的驾驶行为评价指标参数进行阈值判断，若超过阈值，记为事件发生，则用数字集{1}、{2}、{3}、{4}、{5}、{6}表示，并将该行程内发生的所有事件，定义为行程指标数据集{1、2、3…}。

5.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S5的具体步骤如下：

支持度support即p，计算公式为：

其中，α为关联项前项指标项集，β为关联项后项指标项集，P为概率；

置信度confidence即q，计算公式为：

S501：对驾驶行为评价指标参数数据库E即行程指标数据集进行编码并设定最小支持度p_min和最小置信度q_min；

S502：从数据库E中选取频繁项集F；

S503：验证频繁项集F是否满足支持度p；若频繁项集F不满足支持度p，则删除此数据；若频繁项集满足支持度p，则创建项头表，并构造FP-Tree，构建条件模式基，即在一个频繁项集中,除去一个项后,剩下的项集所组成的集合；

S504：进行递归迭代，直到树包含一个元素项为止，构建条件FP树；

S505：在条件FP树中搜索频繁项，获得频繁项集L并计算其支持度p；

S506：验证频繁项集L是否满足最小支持度p_min和最小置信度q_min；若频繁项集L不满足最小支持度p_min和最小置信度q_min，则删除此频繁项集；若频繁项集L满足最小支持度p_min和最小置信度q_min，则生成生态驾驶行为关联方法；

S507：输出FP-tree运算时间T₁。

6.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S6的具体步骤如下：

将所得驾驶行为的前项评价指标与后项评价指标所形成的关联项按支持度百分比从大到小排列，关联项间的最大支持度表明该项的驾驶行为评价指标间的关联性最强，关联项间的最大置信度表明该项的前项驾驶行为评价指标有最大置信度的概率会影响后项驾驶行为评价指标。

7.根据权利要求1所述的驾驶员驾驶行为相关性分析方法，其特征在于：所述S7的具体步骤如下：

将支持度判定区间划分为强(50％～100％)、中(37.5％～50％)、弱(12.5％～37.5％)三档，将置信度判定区间划分为高(95％～100％)、平(80％～95％)、低三档(50％～80％)在分析驾驶行为中，主要关注支持度强和置信度高的驾驶行为评价指标关联项，结合实际采集数据结果排除支持度低于12.5％和置信度低于50％的关联项。