[发明专利]一种基于预分类与集成学习的驾驶风格分类方法

权利要求书

1.一种基于预分类与集成学习的驾驶风格分类方法，其特征在于，包括以下步骤：

S1、采集若干样本车辆的实际驾驶数据，对实际驾驶数据进行预处理，并通过预处理后的实际驾驶数据提取特征参数，得到样本数据；

S2、采用模糊C均值方法和谱聚类方法对样本数据进行预分类，根据预分类结果获取训练样本；

S3、通过训练样本对分类器进行训练，获取训练完成的分类器；

S4、将待分类样本数据输入分类器进行分类，采用投票的集成策略获取最终的分类结果；

所述步骤S2中根据预分类结果获取训练样本的具体方法为：将使用模糊C均值方法和谱聚类方法聚类结果相同的样本作为训练样本，得到训练样本集，所述训练样本的样本标签为聚类结果对应的类别；

所述步骤S3中分类器包括CART决策树、支持向量机SVM和K最邻近分类器；

所述CART决策树的训练方法具体为：

C1、设定决策树的训练样本集D_s，并获取训练样本集D_s中每个样本的特征属性值；

C2、根据特征属性A的第s个属性值a，将训练样本集D分为左节点D₁和右节点D₂两部分，并计算特征属性A的第s个属性值a对于训练样本集D_s的基尼系数Gini(D_s,A)为：

所述左节点D₁和右节点D₂基尼系数的计算公式为：

其中，Gini(D_z)表示样本集D_z对应的基尼系数，D_z为D₁或D₂，|C_j|表示第j个类别的数量，j＝1,2,...,k，k表示聚类中心数目，|D₁|表示左节点D₁的样本数，|D₂|表示右节点D₂的样本数，|D_s|表示训练样本集D_s的样本数；

C3、使用步骤C2所述方法计算特征属性A的所有属性值的基尼系数，选取其中最小值作为属性A的最优二分方案；

C4、使用步骤C2-C3的方法，计算所有特征属性的最优二分方案，选取其中最小值作为训练样本集D_s的最优二分方案，得到训练样本集D_s的基尼系数；

C5、分别对左右节点递归调用步骤C2-C4，直至子节点数大于阈值Q、训练样本集的基尼系数小于阈值W或左右子节点中样本数小于阈值E，得到CART决策树；

所述支持向量机SVM的训练方法为：

D1、根据样本数据X构建数据集U＝{(x_i,y_i)}，i＝1,2,...,n，y_i∈(1,-1)，构建分离超平面方程为：

ω^Tx_i+B＝0

其中，ω＝(w₁,w₂,...,w_d)，ω表示平面法向量，w₁,w₂,...,w_d均表示平面法向量ω的元素，T表示转置，B表示位移项；

D2、构建SVM优化函数，使两个异类支持向量到超平面的距离之和最大；

所述SVM优化参数为：

所述支持向量符合的条件为：

所述两个异类支持向量到超平面的距离之和γ为：

其中，ξ_i≥0，Z表示惩罚因子，ξ_i表示第i个样本训练点的松弛变量；

D3、对优化函数求解，获取训练完成的分离超平面；

所述K最邻近分类器的分类方法为：

E1、通过训练样本集与其对应的分类标签构建数据集；

E2、输入待分类的样本数据，并计算待分类的样本数据与样本数据集中每条数据的欧氏距离；

E3、将欧氏距离从小到大排列，取前G个样本数据，并在数据集中获取前G个样本数据的分类标签；

E4、将前G个样本数据的分类标签中出现次数最多的分类标签作为待分类样本数据的分类结果；

所述步骤S4中采用投票的集成策略获取最终的分类结果具体方法为：根据CART决策树、支持向量机SVM和K最邻近分类器的分类结果，选取出现次数最多的分类结果作为待分类样本数据的最终分类结果。