【《基于集成学习的驾驶风格识别分析》10000字】

基于集成学习的驾驶风格识别分析目录TOC\o"1-3"\h\u20515基于集成学习的驾驶风格识别分析 [59]，说明其对数据的分类准确性还是有保障，只是相对性能差一些。表1.3三种分类器的总体分类性能汇总项目参数改进Fisher算法KNN算法SVM算法起步工况测试集样本数120120120正确分类样本数（TP+TN）104108112测试集Accuracy（%）86.790.091.3测试集Precision（%）89.394.991.8测试集Recall（%）86.790.091.8测试集F1分数0.8790.9330.938加速工况测试集样本数180180180正确分类样本数（TP+TN）152157166测试集Accuracy（%）84.687.292.3测试集Precision（%）84.694.991.2测试集Recall（%）84.690.092.3测试集F1分数0.8460.9240.927减速工况测试集样本数180180180正确分类样本数（TP+TN）157161171测试集Accuracy（%）87.289.794.9测试集Precision（%）84.690.694.9测试集Recall（%）87.189.794.9测试集F1分数0.8580.9010.949结果汇总总体准确率（%）86.188.891.5总体F1分数0.8610.9160.938除了上表体现出来的主要指标，还应该关注分类器的错误分类情况，以防止出现过高的“误报”概率。召回率可理解为在所有实际为正例的样本中，被正确地判断为正例的比率，即所谓的真阳性率（TruePositiveRate,TPR），同时还存在一种情况是在所有实际为负例的样本中，被错误地判断为正例的比率，称为假阳性率（FalsePositiveRate,FPR），其表达式如式（1.35）所示。 (1.35)显然TPR和FPR是一对“此消彼长”的参数，若以FPR为横坐标，TPR为纵坐标可以绘制一条ROC曲线（ReceiverOperatingCharacteristicCurve），曲线与X轴和Y轴所围成的面积称为AUC（AreaunderROCCurve），实际情况中使用准确率存在一定的片面性，使用AUC面积来进行表征分类器的综合分类性能更为合理，AUC面积越大表征该算法的分类性能越好，如图1.11所示为三种算法对于每一种驾驶风格识别效果的ROC曲线及三种算法的ROC曲线对比，每种曲线对应的AUC结果如下表1.4所示。图1.11三种算法ROC曲线对比结果表1.4三种算法AUC计算结果改进Fisher算法KNN算法SVM算法温和型0.9460.9610.942普通型0.8780.9050.922激进型0.8830.9120.986由图1.11和表1.4可知，根据曲线趋势和AUC数值，分类性能最佳的是SVM算法对于激进型驾驶风格的分类识别效果，其AUC值达到了0.986，分类性能最差的是改进Fisher算法对于普通型驾驶风格的分类识别效果，其AUC数值仅为0.878。通过AUC的变化趋势可得，三种算法对于温和型驾驶数据的AUC值区分度不大，最小差值仅为0.002，对激进型驾驶数据和普通型驾驶数据的AUC值区分度就比较明显了，对于普通型驾驶数据的最小差值为0.017，对于激进型驾驶数据的最小差值为0.029。分析其原因可能是温和型驾驶员的驾驶特征参数本身波动不剧烈，数值也不是很大且分布相对均匀，因此几种算法都能够取得比较一致的性能表现，但是随着驾驶数据波动变化，以及分布的不均匀性增加，各种算法对数据分类和描述能力的区分度就显现了。综上所述，SVM算法无论是在不同工况下的识别准确率还是对于不同驾驶风格数据的识别，都能够体现出来相对于其他两种算法更为明显的优势，其次是各项性能更为均衡的KNN算法，相对分类性能最弱的是改进Fisher算法，其分类效果受到驾驶风格数据的波动和分布均匀度影响较大，同时其在各工况下的分类准确率也是三种算法中最低的。1.5.2NBS集成学习分类算法性能评价对于NBS算法，其测试集的基本参数经过统计后的结果如下表1.5所示。表1.5NBS算法测试集分类基本参数汇总参数项目NBS算法总测试集样本总数（Testset）480样本构成（温和型—普通型—激进型）197—160—123正确分类样本构成（温和型—普通型—激进型）189—154—121合计正确分类样本数464总体准确率（%）96.7总体F1分数0.942经过NBS算法处理后的15位测试驾驶员的最终驾驶风格识别结果如下表1.6所示。表1.6驾驶员风格最终识别结果驾驶风格驾驶员编号温和型1号、4号、7号、12号一般型3号、5号、8号、10号、13号、14号激进型2号、6号、9号、11号、15号NBS算法的准确率和F1分数等参数和其他三种基分类器算法的性能参数对比如图1.12所示。图1.12NBS算法与单一算法性能对比图由上图可知，NBS算法的准确率为96.7%，高于SVM算法的准确率1.2%，说明了NBS算法具有更好分类准确性；NBS算法的F1分数为0.942，略高于SVM算法的F1分数（0.938），从这两个指标来判断NBS算法拥有更好相较于其他三种算法单独使用时更好的效果。同时应该注意到NBS算法对三种驾驶风格的识别准确率存在一些差异，对于温和型驾驶风格的识别准确率相对偏低（95.9%），而对于激进型驾驶风格的识别准确率接近全部正确（98.3%）。综上所述，针对含有480个样本数据的总测试集，NBS算法取得了96.7%的综合准确率足够其为新采集的驾驶员数据做出准确的驾驶风格识别和预测。1.5.3NBS算法与传统Voting算法、传统Stacking算法对比与NBS算法相比，传统的Voting算法的集成方式则会粗略很多，即统计每种识别结果出现的次数，用出现次数的识别结果来代表集成融合的结果并且不存在学习的过程，即算法的参数并不会优化，若在整个集成学习需要进行集成融合的地方均使用传统Voting算法，经统计，则其识别准确率仅为88.1%，这可能是由于不同算法的在不同工况下的识别结果基于传统Voting算法都是等权重的，因此某些算法在某些工况下偏低的识别率可能会大幅影响传统Voting算法的识别准确率。传统Stacking算法与NBS算法相比，同样不具备满足不同分类器之间由于基础分类性能差异而引发的调节权值需求，不过相对于传统Voting算法通过建立二级学习器具有了学习能力，选择前一次获得的分类性能最佳的SVM分类器作为二级分类器，一次行程的数据经过第一次SoftVoting集成融合处理后的数据将是一组240x5的矩阵数据（含聚类标签），其输入的特征参数依次是驾驶工况（x1）、改进Fisher算法识别结果（x2）、KNN算法识别结果（x3）和SVM算法识别结果（x4），标签项（y）为聚类标签参数，将这一数据集继续按照5折交叉验证输入一个SVM分类器，将10次行测中每次最佳的分类结果如下表1.7所示。表1.7传统Stacking算法识别性能汇总参数数值参数二级分类器选择SVM分类器单次测试集样本数48单次测试集样本正确识别数最佳值46单次测试集样本最佳准确率（%）95.83单次测试集样本最差准确率（%）91.66测试集样本平均准确率（%）91.75通过上表可得传统Stacking算法的十次行程的平均识别准确率为91.75%，和普通的SVM算法的识别结果基本持平，因为SVM算法的分类能力还是比较优秀，但是由于某些一次算法输出的部分结果不准确，导致了二次分类器输入的数据集质量有