0 引言
随着智能网联汽车与自动驾驶技术的迅速发展，交通系统正逐步向更加智能化、个性化的方向演进。在此背景下，驾驶风格识别逐渐成为交通安全评估、个性化辅助驾驶系统和驾驶行为建模中的关键环节。准确识别驾驶者的风格，不仅有助于理解其行为倾向和风险偏好，还能提升系统响应的合理性与人车交互的适应性，进一步推动智能交通系统的安全性与高效性发展。然而，该领域仍面临诸多挑战：一方面，驾驶行为复杂多变、个体差异显著，导致风格分类标准难以统一；另一方面，如何在实际驾驶场景中动态、精准地提取有效特征，仍是当前研究亟需突破的关键问题。
早期驾驶风格研究多采用问卷调查法，通过主观报告分析驾驶习惯与个体特征之间的关系[1]。该方法操作简便、成本较低，适用于早期探索性研究，能快速覆盖人口统计学变量，如年龄、性别等。然而，该方法存在明显局限，如主观偏差较大、无法实时提取行为特征、缺乏动态性等。为弥补主观方法的不足，近年来，研究者开始采用数据驱动方法，借助车载传感器实时采集速度、加速度、转向角等车辆运动参数，以实现更加客观和高频的驾驶风格识别。
在具体技术实现方面，学界已提出多种基于聚类、分类与深度学习的建模方法。李经纬等[2]提出了基于K-means的驾驶风格识别方法，以提升模型在不同车型间的适应性。侯海晶等[3]基于问卷数据与主成分分析，将驾驶员划分为谨慎型、正常型与激进型。Feng等[4]通过引入深度时间聚类模型，提升了分类准确率与模型可解释性。Wang等[5]提出基于k-means聚类的支持向量机（k-Means Clustering-Based Support Vector Machine, kMC-SVM）方法，以车辆速度和油门开度作为特征进行快速识别。此外，Zheng等[6]基于短时观测数据开展实时驾驶风格分类研究，提出了一种仅需短时间观测窗口即可识别驾驶风格的方法，旨在为个性化车辆行为预测与轨迹预测模型构建提供支持。尽管上述研究在建模方法与特征选取方面不断丰富，但大多仍局限于单车的运动参数，忽视了真实交通情境中“人与人”“车与车”的交互性。
针对上述不足，本研究基于实车轨迹数据与配套视频构建二维坐标系，对车辆实际位置进行重构与校正，从而提取出包含换道频率、起始状态、换道间距等在内的多维交互行为特征。在此基础上，结合6项传统车辆动力学参数，采用主成分分析（Principal Component Analysis, PCA）进行降维处理，并使用K-means聚类方法识别典型驾驶风格类型。该框架将换道行为参数系统性纳入建模，增强了模型对驾驶交互行为的表征能力；实证对比进一步验证了换道特征在提升聚类质量与分类准确性方面的重要性。研究结果可为精准构建驾驶行为模型、推动个性化交通管理策略提供理论基础与技术路径。
1 数据来源与预处理
本研究采用东南大学公开数据集中的“交通之眼”数据集，该数据集由无人机航拍获得，车辆轨迹数据库包括车辆编号、车道编号，以及车辆行驶速度、加减速度、位置坐标、车身长宽等参数，时间精度为0.1 s，位置精度为0.01 m，覆盖城市快速路航拍数据、城市交叉口航拍数据、城市快速路路侧检测数据、城市交叉口路侧检测数据等，共包含6个子数据集。每个子数据集中均包括视频数据和车辆轨迹数据，部分子数据集中包含路段线形数据。交通状况包括自由流、自由流向拥堵演变、双向交织区。
选用数据集中的SQM2子集进行研究，该子集对应场景为单向5车道的城市快速路段，其中包含2段合流区，由5车道逐渐合流为3车道，因此发生换道行为的车辆较多，用来研究换道行为对驾驶风格的影响比较合适。研究场景如图1所示。
数据集中存在不同类型的车辆，车辆类型由车身长度和宽度决定，数据集的车辆ID在采集过程中已自动标注。由于不存在摩托车，只有大型车和小型车的区别。此外，由于驾驶风格已经包含了驾驶员的特性、车辆性能，而不仅仅是驾驶员的状态，因此可以不用过多关注车辆性能。基于上述原因，本研究暂不筛选车型，考虑所有车型的驾驶风格识别。
原始数据中存在部分不完整或异常记录，可能由目标丢失、摄像抖动、车辆遮挡等问题引起。为保证后续特征提取与建模效果，本研究首先对数据进行了预处理，对个别轨迹中出现的异常值进行了清洗。图2为数据清洗前后车辆速度的箱线图对比。
2 驾驶风格特征提取与表征
2.1 坐标系构建
借助数据集对应的视频资料，对摄像区域所对应的实际道路建立了二维道路坐标系，并在此基础上对原始数据中的坐标信息进行了重建与矫正，为后续的换道行为特征提取提供了空间精度支持。
本研究以道路主线方向，即车辆主要行驶方向，建立X轴，用于表示车辆沿道路方向的纵向位置；以垂直车道方向建立Y轴，用于表示车辆在不同车道之间的横向位置。需要说明的是，图中道路在画面上呈水平展开，但本研究所述“纵向”和“横向”均基于道路交通语义定义，其中纵向指沿车道方向，横向指垂直车道方向。
通过手工标定视频画面中的固定参照物（如车道线、限速标志、护栏等），结合车辆实际尺寸及透视关系，对原始坐标进行了空间几何映射与纠正。最终，每辆车在任一帧中的中心点 均可在道路平面中被唯一定位，且能与其他车辆进行真实距离的计算。设每条车道宽度 为3.5 m，则车道中心的基准纵坐标 的计算方法为：
式（1）中： 为车道编号。由于原始文件内车辆的纵向坐标（Latitude Position）表示车道中心偏移量，因此新的 坐标可按下式计算：
式（2）~式（3）中： 为新坐标系下车辆的纵坐标； 为车辆的车道中心偏移量。
2.2 传统驾驶特征提取
所选特征具体包括：平均速度、速度标准差、平均加速度、加速度标准差、冲击度平均值与冲击度标准差，其计算方法及物理含义详见表1。
表1 传统驾驶特征参数汇总 |
| 特征名称 | 计算方法 | 物理含义 |
|---|---|---|
| 平均速度 | 全程速度采样值的 算术平均值 | 整体驾驶偏好 |
| 速度标准差 | 全程速度采样值的标准差 | 驾驶稳定性 |
| 平均加速度 | 全程加速度采样值的 算术平均值 | 操作积极性 |
| 加速度标准差 | 全程加速度采样值的标准差 | 行为波动性 |
| 冲击度平均值 | 全程冲击度（加速度变化率）采样值的算术平均值 | 操作平滑性 |
| 冲击度标准差 | 全程冲击度采样值的标准差 | 激烈操作程度 |
2.3 换道行为特征提取
为更全面地反映驾驶人在空间决策和交互行为方面的差异，本研究在传统动力学特征基础上，引入与换道行为相关的5项特征。该部分特征主要用于描述驾驶人在变道时的时机判断、操作节奏与空间容忍程度，是驾驶风格建模的重要补充维度。
本研究首先通过轨迹数据中横向位置变化与车道编号变化的联合趋势，识别换道行为的起始与结束帧，进而在识别出的换道过程中计算以下5项换道行为特征：换道频率、换道时长、换道起始速度、换道起始加速度、换道间距。
1）换道行为起始与结束帧识别
采用基于横向偏移趋势的换道检测方法，从车辆Y坐标变化（垂直车道方向）中提取换道意图。该方法主要包括两阶段：当车辆在连续5帧中，其Y坐标变化方向一致，且每帧的横向位移大于0.02 m或小于-0.02 m，则认为车辆出现稳定的横向偏移趋势。此偏移趋势的起始帧即被判定为换道起始帧，此时车辆车道ID尚未发生变化。从换道起始帧开始向后追踪，若车辆车道ID发生变化，且新车道ID在后续至少3帧内保持不变，则认为换道完成，该帧编号即为换道结束帧。该策略可避免因瞬时抖动或识别误差造成的误判，有效提取完整换道过程。
2）换道间距计算
如图3所示，在换道行为分析中，换道间距是指发起换道的车辆与目标车道中最近前车之间的空间距离。
该距离不仅反映换道时所处的交通环境稀疏程度，也可视为驾驶人在换道决策中对安全空间的主观容忍程度，因此具有显著的驾驶风格指示作用。换道间距越小，可能代表驾驶者更倾向于在车距较近的环境中穿插换道，表现出更激进的风格；相反，距离较大的换道则往往体现出更保守、审慎的行为特征。为提高计算精度，本研究在计算换道间距前，首先对每辆车的轮廓进行几何还原，具体做法如下。
每辆车在任一帧中的中心位置由其横纵坐标 表示，车身长度与宽度分别记为 和 。以车辆的左前角为例，其坐标可通过以下公式计算：
式（4）中： , 分别为目标车辆左前角的横、纵坐标，其余3个角均可以此类推得到具体的坐标。
完成所有车辆四角坐标计算后，在换道起始帧，通过逐车匹配当前车辆与目标车道中前方最近车辆的边缘点，可计算两车之间的最近边缘距离。本研究参考文献[15]，用欧几里得距离公式作为换道间距的度量方法，确保换道间距的物理意义和几何精度：
式（5）中： 为车辆换道间距； , 和 , 分别为发生换道的车辆以及其目标车道最近前车的坐标。
该方法将车辆从“质点模型”扩展为“矩形轮廓模型”，有效提升了换道行为交互性的建模能力，使换道间距在反映驾驶风格时具备更强的空间解释力。
3）换道频率计算
换道频率也需要单独计算，使用每分钟换道次数作为换道频率 ：
式（6）中： 为目标车辆轨迹中识别出的换道次数； 为该车行驶的总时间。
2.4 特征标准化
考虑到部分车辆在轨迹观测期间未发生任何换道行为，为保证所有车辆在后续聚类分析中具有一致的特征维度，本研究采用均值填补策略处理换道特征缺失问题。具体做法为：统计所有发生换道的车辆在5项换道特征上的算术平均值，并将该组均值用于填充未换道车辆的对应特征值。此外，本研究在样本层面添加Has Lane Change字段标记车辆是否真实发生换道，便于后续聚类结果的解释与风格标签分析。最终，每辆车均被表示为包含11维特征的统一向量，并进行了标准化处理，为后续主成分分析与聚类建模提供输入基础。
式（7）中： 为标准分数，表示某个特征值与平均值的偏离程度；x为原始特征值； 为特征均值； 为特征标准差。
2.5 特征加权分析
由于本研究中选取的11个特征参数彼此相互独立，每个特征对驾驶风格识别的影响也有所不同。特征的权重越大，表示该特征对驾驶风格的影响越大，反之亦然，因此在进行驾驶风格识别前需要确定各特征参数的权重。本研究采用主成分分析（PCA）来计算每个特征在第一主成分（PC1)上的贡献度，从而确定特征的重要性，即特征权重。
PCA通过计算标准化数据的协方差矩阵来找到特征之间的相关性[18]。协方差矩阵计算公式如下：
式（8）中： 是 的协方差矩阵； 是标准化后的数据矩阵；n为样本数量。
进一步对协方差矩阵 进行特征值分解，可得到一组特征值及其对应的特征向量。其中，特征值反映对应主成分所能解释的数据方差大小，特征向量则给出了原始特征在该主成分中的线性组合系数。按照特征值由大到小排序后，依次得到第一主成分（PC1）、第二主成分（PC2）和第三主成分（PC3）。表2中的数值为各原始特征在对应主成分上的特征载荷，其绝对值越大，说明该特征与该主成分的相关程度越高；正负号表示该特征与主成分变化方向一致或相反。
表2 前3个主成分的特征载荷矩阵 |
| 特征名称 | PC1 | PC2 | PC3 |
|---|---|---|---|
| 平均速度 | -0.517 | -0.099 | 0.027 |
| 速度标准差 | 0.372 | -0.415 | 0.099 |
| 平均加速度 | -0.173 | 0.559 | 0.098 |
| 加速度标准差 | -0.401 | -0.259 | 0.272 |
| 冲击度平均值 | 0.182 | -0.006 | -0.574 |
| 冲击度标准差 | 0.148 | -0.528 | 0.318 |
| 换道频率 | -0.362 | -0.180 | -0.227 |
| 换道时长 | -0.077 | 0.034 | -0.118 |
| 换道起始速度 | -0.427 | -0.275 | -0.181 |
| 换道起始加速度 | -0.043 | 0.221 | 0.604 |
| 换道间距 | -0.164 | -0.033 | -0.109 |
3 基于PCA-K-means的驾驶风格识别方法
3.1 聚类方法选择
驾驶风格识别旨在基于车辆在整个轨迹过程中的行为特征，对不同驾驶风格类型进行无监督聚类建模[19]。由于实际驾驶数据中不存在预设标签，且驾驶风格往往以连续谱系而非离散类别呈现，因此本研究采用无监督聚类方法对提取的特征向量进行自动分类。为保证可解释性与工程一致性，本研究将3类驾驶风格固定为K=3，并在相同预处理的前提下，比较了常用的3种聚类方法：K-means、基于密度的噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）和层次聚类。对比指标采用3个常用的内部有效性指标，包括Silhouette（轮廓系数）、CH（Calinski-Harabasz指数）、DBI（Davies-Bouldin指数），其中，Silhouette越大越好，CH越大越好，DBI越小越好；并同时输出噪声比例和覆盖率，结果如表3所示。表3中，K-means与DBSCAN均形成3类聚类结果；层次聚类在本研究参数设置下自动形成2个稳定类别，因此簇数为2。
表3 3种聚类方法指标对比 |
| 聚类方法 | 簇数 | 噪声比例 | 覆盖率 | Silhouette | DBI | CH |
|---|---|---|---|---|---|---|
| K-means | 3 | 0 | 1 | 0.346 | 1.088 | 824.606 |
| DBSCAN | 3 | 0 | 1 | 0.311 | 1.104 | 696.953 |
| 层次聚类 | 2 | 0.176 | 0.824 | 0.494 | 0.637 | 892.978 |
结果表明，层次聚类虽然各项指标效果最好，但其只能形成2个聚类簇，无法解释3类驾驶风格。在聚类簇为3时，K-means聚类的效果最佳，因此本研究选用了K-means聚类算法作为主建模方法。此外，鉴于本研究所采用的驾驶风格特征均为连续数值型变量，且样本规模较大，选择K-means聚类方法能在保证计算效率的同时提供清晰、可解释的聚类结果。K-means是一种基于距离度量的迭代优化算法，其目标是最小化样本点与所属簇中心之间的误差平方和，目标函数如下[20]：
$\min _{C}=\sum_{k=1}^{k} \sum_{x_{i} \in C_{k}}\left\|x_{i}-\mu_{k}\right\|^{2}$
式（9）中： 为第 个聚类簇； 为该簇的中心点； 为第 个样本。初始聚类中心通过随机选取样本设定，并在每次迭代中更新类中心直至收敛。
此外，本研究采用肘部法则来确定聚类的K值，图4所示为不同聚类数下的肘部法则结果。
综合3种聚类方法的比较结果可知，层次聚类虽然在部分内部指标上表现较好，但其覆盖率仅为0.824，存在一定比例的样本未被稳定纳入有效类别，不利于对全部样本进行统一解释；DBSCAN在本研究数据上虽可形成3类结果，但其轮廓系数和CH指数均低于K-means。相比之下，K-means因全样本覆盖、无噪声样本和结果更具稳定性，更适合本研究数据。进一步结合肘部法则与类间均值分析可知，当K=3时，各类样本在平均速度、加速度标准差和换道频率等关键指标上呈现出较为清晰的梯度差异，因此本研究将样本划分为3类，并将其解释为相对激进、相对一般和相对保守3种驾驶风格。需要说明的是，该3分类结果是针对SQM2样本的相对分组，而非对所有驾驶人普遍适用的固定分类标准。
3.2 主成分分析与降维处理
在驾驶风格聚类任务中，原始特征体系包含传统驾驶行为特征与换道行为特征共11个维度，虽然在标准化处理后各维度具备相同量纲，但依然可能存在特征间相关性较强、维度冗余等问题，进而影响聚类性能与模型的可解释性。
为了让特征维度更精简、减少冗余信息，并提升聚类算法的效率，本研究使用了主成分分析（PCA）对标准化后的11项驾驶风格特征进行降维。PCA的目标是通过变换，找到少数几个最能代表原始数据主要信息的主成分。
图5所示为各个主成分的累计解释方差比。
结果表明，若选择累计贡献率达到85%以上作为主成分保留阈值，则需要选择8个主成分，而相对于原本的11个原始特征来说，若选择8个主成分进行聚类，降维的意义将显著减弱。
从图6可以看出，当主成分数为3时，轮廓系数达到最高，此后主成分数量的增加并未显著提升聚类效果，反而在一定程度上引入了噪声或存在过拟合风险。因此，本研究最终选择保留前3个主成分用于聚类分析。
4 实验结果与分析
4.1 聚类结果及类别解释
针对基于主成分分析（PCA）降维后的特征数据，采用K-means聚类算法将数据样本划分为3类。此划分并非主观设定，而是基于以下依据：①既有研究中常采用“激进型-一般型（正常型）-保守型（谨慎型）”的三分类框架来描述驾驶者在风险偏好与操作风格上的差异；②本研究在不同聚类方法与不同聚类数条件下进行比较后发现，K=3时聚类结果在样本覆盖率、无噪声样本比例及结果可解释性方面表现较优；③3类样本在平均速度、加速度标准差、换道频率等关键特征上呈现出较为清晰的梯度差异，具备明确的行为语义。基于此，本研究将3类聚类结果分别解释为激进型、一般型和保守型驾驶风格。3类驾驶风格的类间均值如表4所示。
表4 不同类型驾驶风格类间均值 |
| 特征参数 | 激进型 | 一般型 | 保守型 |
|---|---|---|---|
| 平均速度/（km/h） | 59.824 | 52.671 | 29.338 |
| 速度标准差/（km/h） | 5.205 | 8.816 | 9.802 |
| 平均加速度/（m/s2） | 0.091 | -0.181 | -0.060 |
| 加速度标准差/（m/s2） | 3.295 | 3.293 | 1.944 |
| 冲击度平均值/（m/s3） | -0.267 | -0.096 | -0.015 |
| 冲击度标准差/（m/s3） | 5.499 | 5.718 | 5.622 |
| 换道频率/（次/min） | 3.670 | 3.517 | 2.526 |
| 换道时长/s | 4.648 | 4.585 | 4.395 |
| 换道起始速度/（km/h） | 58.157 | 57.985 | 44.249 |
| 换道起始加速度/（m/s2） | 0.663 | -0.480 | -0.046 |
| 换道间距/m | 16.719 | 15.633 | 11.330 |
表5 不同特征组合下驾驶风格聚类结果一致性统计 |
| 类型 | 样本数 | 占比 |
|---|---|---|
| 一致 | 1 271 | 89.51% |
| 不一致 | 149 | 10.49% |
| 合计 | 1 420 | 100% |
结果显示，两组结果在89.51%样本上保持一致，说明模型具有较强的稳定性；而10.49%标签变化的样本主要集中在传统特征模糊、边界模糊的样本中，换道特征的引入显著提升了其可识别性。
4.2 关键特征差异与风格表征
从表4可以看出，3类驾驶风格在速度水平、加速度波动性和换道行为特征上存在较为明显的差异。激进型驾驶员的平均速度最高，为59.824 km/h，同时加速度标准差也最高，为3.295 m/s2，说明其在纵向速度控制和加减速变化方面表现出更强的波动性。此外，激进型驾驶员的换道频率最高，为3.670次/min，表明其横向操作更加活跃。一般型驾驶员的平均速度为52.671 km/h，低于激进型但明显高于保守型；其加速度标准差为3.293 m/s2，与激进型较为接近，说明该类车辆在加减速波动方面也具有一定的活跃性，但其换道间距和换道起始加速度等指标与激进型存在差异，整体表现为介于激进型和保守型之间的过渡类型。保守型驾驶员的平均速度最低，为29.338 km/h；加速度标准差最低，为1.944 m/s2；换道频率也最低，为2.526次/min，说明其整体行驶速度较低，纵向控制更平稳，横向操作相对不活跃。综合来看，平均速度、加速度标准差和换道频率对3类驾驶风格区分作用较为明显，换道间距则可进一步反映车辆在换道过程中的空间选择差异。
4.3 降维与融合特征的有效性分析
在性能评估方面，本研究所提出的“传统特征+换道特征”模型在标签一致性方面保持89.51%的稳定性，同时对传统特征难以区分的边界样本识别能力显著提升，验证了换道特征的有效性与必要性。由于所用特征均可由轨迹和视频数据直接计算，模型计算量较低，可实时运行，具有较高的可用性。与仅使用纵向特征的传统方法相比，该方法在特征维度和信息丰富度上更具优势，能更全面地反映驾驶员在纵向与横向操作上的综合行为特征，在个性化驾驶行为建模与交通安全评估中具有较强的应用潜力。
需要指出的是，本研究的风格标签来源于客观轨迹特征的无监督聚类结果，尚未结合驾驶员问卷、专家标注或用户主观评价进行一致性验证。因此，文中“激进型-一般型-保守型”主要表示行为统计意义上的相对差异，而非已完成主观体验验证的最终标签。后续研究可在驾驶模拟器或自然驾驶试验中同步采集主观评价与客观轨迹数据，采用一致率或Kappa系数对用户感知风格与聚类标签之间的一致性进行检验。
5 结束语
本研究围绕传统驾驶风格识别对横向交互行为刻画不足的问题，构建了融合换道行为特征的驾驶风格识别框架。基于“交通之眼”SQM2数据，提取了6项传统纵向特征和5项换道行为特征，并结合PCA降维与K-means聚类实现了驾驶风格识别。研究结果表明，3类驾驶风格在速度水平、加速度波动性、换道频率和换道间距等方面具有较为明显的差异，引入换道行为特征后能增强对边界样本的区分能力，说明换道行为对驾驶风格表征具有重要补充作用。
本研究仍存在一定局限：一是数据来源较为单一，研究场景主要集中于特定快速路路段，样本的场景覆盖范围有限；二是换道特征提取依赖较高精度的轨迹与视频数据，方法在其他数据条件下的适用性仍需进一步验证；三是本研究识别结果主要基于静态聚类分析，尚未刻画驾驶风格随交通环境变化的动态演化特征。
后续研究可从多场景、多类型道路数据出发，进一步检验模型的泛化能力；同时结合时序建模方法，探索驾驶风格的动态识别与演化规律，并将识别结果与驾驶风险评估、辅助驾驶控制策略相结合，为个性化交通管理和智能驾驶系统设计提供支持。
