编辑推荐：
为解决现有驾驶风格识别（DSR）方法在特征选择可靠性及动态描述精度上的不足，研究人员开展基于表征行为的 DSR 方法研究。通过引入驾驶风格区分度（DSD）和遗传算法特征选择（GA-FS），构建识别模型并计算驾驶风格指数（DSI）。道路测试验证方法可行，为 DSR 提供新方案。
在智能交通领域，驾驶风格识别（Driving Style Recognition, DSR）如同一位 “隐形考官”，默默分析着驾驶员的行为密码。它不仅关乎交通安全 —— 激进驾驶风格可能是交通事故的潜在隐患，还与车辆能耗紧密相连，不同驾驶习惯会导致燃油消耗出现显著差异，同时也是实现个性化自动驾驶的关键一环。然而，当前 DSR 领域面临两大挑战：一是传统聚类算法在特征选择上依赖主观经验，若输入特征与驾驶风格无关联，将导致识别结果不可靠；二是多数方法仅能输出驾驶风格类别，难以对驾驶风格的动态变化进行精准量化描述，就像只能给驾驶员贴标签，却无法实时记录他们在旅途中的风格 “变奏曲”。
为打破这些瓶颈，国内研究团队围绕驾驶风格的在线精准识别展开攻关。研究团队致力于开发一种能够实时捕捉驾驶行为动态特征、兼具可靠性与量化能力的 DSR 方法，相关成果发表在《Engineering Applications of Artificial Intelligence》。
研究人员采用的关键技术方法包括：
- 数据采集与处理：收集自然驾驶数据，通过驾驶行为单元（Driving Behavior Unit, DBU）识别器与拼接器，提取跟车、加速、减速三类驾驶行为数据片段（Driving Behavior Data Fragments, DBDFs）。
- 特征选择优化：引入基于遗传算法的特征选择（Genetic-Algorithm-Based Feature Selection, GA-FS）方法，筛选与驾驶风格最相关的特征，提升聚类算法的可靠性。
- 表征行为搜索：提出驾驶风格区分度（Driving Style Distinction, DSD）指标，辅助 k-means 算法搜索驾驶风格表征行为（Driving Style Representing Behaviors, DSRBs）。
- 实时识别与量化：通过监督学习构建 DSRB 识别模型，并计算驾驶风格指数（Driving Style Index, DSI），实现驾驶风格的在线量化描述。
研究结果
1. 驾驶行为数据片段提取
研究设计了包含 DBU 识别器与 DBU 拼接器的新型提取方法。DBU 识别器基于车辆传感器数据，精准识别跟车、加速、减速等独立驾驶行为单元；DBU 拼接器则将这些单元按时间序列拼接为完整的 DBDFs，为后续分析提供结构化数据基础。
2. 驾驶风格表征行为搜索
通过 DSD 指标与 GA-FS 方法的结合，k-means 算法能够有效从三类 DBDFs 中筛选出对驾驶风格区分最具代表性的行为模式。GA-FS 通过模拟生物进化过程，在特征空间中搜索最优特征组合，显著提升了聚类结果与驾驶风格的关联性，避免了传统主观特征选择的局限性。
3. 驾驶风格在线识别与量化
利用筛选出的特征和 DSRBs，研究人员构建了监督学习模型（如分类算法），实现对实时驾驶行为的 DSRB 识别。在此基础上，通过定义 DSI 计算公式（综合各类 DSRB 的出现频率与强度），将驾驶风格转化为可实时更新的量化指标。例如，激进驾驶风格对应的 DSI 可能在加速、减速行为的高强度特征上表现突出，而保守风格则在跟车距离保持等特征上得分较高。
4. 道路测试验证
通过实车道路测试，研究团队验证了 RB-DSR 方法的可行性。测试结果表明，该方法能够准确区分不同驾驶风格（如激进、正常、保守），DSI 指标对驾驶风格的动态变化响应灵敏，例如在驾驶员从城市道路切换至高速道路时，DSI 能实时反映出加速与跟车行为的模式变化。与传统方法相比，RB-DSR 在特征选择的客观性和量化描述的精度上均表现更优。
研究结论与意义
本研究提出的基于表征行为的在线驾驶风格识别方法（RB-DSR），通过 DSD、GA-FS 与 DSI 等创新设计，系统性解决了传统 DSR 方法在特征选择可靠性与动态描述能力上的不足。其核心价值体现在：
- 方法创新：将遗传算法与聚类分析结合，为驾驶行为特征选择提供了数据驱动的客观范式，减少了人为经验偏差的影响。
- 应用突破：DSI 的提出使驾驶风格从模糊的类别标签转化为可量化的动态指标，为智能车辆的实时个性化控制（如自适应巡航、能量管理系统）提供了关键参数支持。
- 实践验证：道路测试证实了方法的工程可行性，为其在智能交通系统、车联网及自动驾驶领域的落地应用奠定了基础，有望在提升交通安全、优化能源利用效率等方面发挥重要作用。
该研究不仅丰富了驾驶风格识别的技术体系，更通过跨学科融合，为智能车辆领域的 “人 - 车 - 路” 协同控制提供了新的思路与工具，展现了数据驱动方法在交通行为分析中的巨大潜力。
