基于OBD数据分析的驾驶行为研究

摘要

近年来，随着社会经济发展，国内汽车保有量也在大幅度增加，加强交通安全管理从而有效防止事故的发生成为近年来交通问题研究的重点。驾驶员作为车辆的操作者，其驾驶行为是交通运输安全影响的最主要因素，研究驾驶行为对预防交通事故、促进智能交通及驾驶辅助系统的发展具有重要意义。本文运用车联网相关技术，通过OBD智能车载终端获取车辆行驶数据，采用算法对数据进行挖掘分析，辨识驾驶员的驾驶行为和车辆状态，对异常驾驶行为进行算法识别，依据驾驶行为指标及其他行程数据对驾驶倾向性进行识别和构建驾驶行为评分模型，文章主要内容如下：
　　（1）介绍了驾驶行为数据的获取和简单的预处理过程。对文中采集数据所用的OBD设备车载终端构造、安装位置等做了简单介绍，详细介绍了设备中的数据采集模块，并对相关数据做了预处理。
　　（2）在驾驶行为评价指标研究的基础上，提出了超速、急加速、急减速、急刹车、急转弯、高转速、转速不匹配、长怠速等异常驾驶行为识别原理算法及判断流程，通过实车实验数据分析验证驾驶行为算法识别效果，并对超速行为、急变速行为做详细识别结果分析。
　　（3）对驾驶倾向性相关理论进行阐述，提取驾驶倾向性识别所需要的车辆状态数据和异常驾驶行为数据等特征参数，先利用k-means聚类算法对驾驶倾向性进行分类，再使用BP神经网络对驾驶倾向性样本进行训练及评估，并验证评估效果的可靠性。
　　（4）构建驾驶行为评分模型，使用改进型熵权层次分析法AEW-AHP确定指标权重，相比单一的熵权法和层次分析法计算结果表明，AEW-AHP法更加符合实际。计算得出权重后，再分析指标的备选项和分值，构建驾驶行为评分模型并运用实例进行分析。

目录

声明

第一章 绪论

1.1 研究背景及课题来源

1.2研究的意义

1.3 国内外研究现状

1.4 主要研究内容和章节安排

本章小结

第二章 驾驶行为数据信息采集与分析

2.1 OBD设备终端介绍

2.2 原始数据获取

2.3 数据预处理

本章小结

第三章 异常驾驶行为识别

3.2 异常驾驶行为识别算法

3.3 异常驾驶行为识别结果分析

本章小结

第四章 驾驶倾向性识别

4.2 基于 k-means聚类算法的驾驶倾向性分类

4.3 基于BP神经网络的驾驶倾向性评估

本章小结

第五章 基于AEW-AHP的驾驶行为评分模型

5.1 AEW-AHP算法

5.2 驾驶行为评分指标选取及权值确定

5.3 驾驶行为评分模型构建

5.4 驾驶行为评分实例分析

本章小结

结论与展望

参考文献

附录

致谢