摘要：
随着车联网技术的普及，从大量的驾驶行为数据中挖掘出有用信息，对驾驶员的安全驾驶行为进行实时、准确、高效的评价，对提高道路运输过程安全管理水平和运输效率有着重要的意义。
针对问题1,首先利用GoogleEarth对车辆的行车轨迹进行数据可视化，观察行车轨迹分布状况。使用离群点去噪、速度异常点去噪、里程异常点去噪、路径优化四种方法对行车轨迹进行漂移去噪等处理。利用地图匹配算法，结合开源地图集项目OpenStreetMap对去噪后的行车轨迹进行地图匹配纠正。然后，根据同一辆运输车的时间隔阈值以及距离间隔阈值，划分不同的路线，进而画出车辆的运输路线图。将整个路线分为高速模式和低速模式，采用经纬度求解法，运动学求解法对不同模式下的里程进行求解，得到精确到米的里程值。根据国家运输行业的现行标准，找到急加速、急减速的阈值，求出每辆车的每个时刻所走的里程值，平均行车速度，急加速，急减速等。
针对问题2，首先确定安全驾驶行为评价相关指标，根据所给数据的离散化属性以及序列化属性，定义相关不良驾驶行为和不良驾驶行为对应的识别算法，将每一个路线分为多个微行程，深度挖掘出每辆车的每个微行程的不良驾驶行为累计次数和时长。然后，为每类指标建立相应的打分体系，利用层次分析和主成分分析相结合的权重赋值法，最后对每辆车的每个微行程进行比较、分析以及评价，及对该运输企业所给的450辆车进行整体评价分析。
针对问题3，首先对附件2中的数据进行数据离散化处理，使用气象标准、几何关系将风向，风力，天气情况等转换为具体数值，并将附件二给定的城市道路气象数据与附件一中的行车轨迹相匹配。在问题2的指标基础上，增加行驶侧滑可能性，车速稳定性，行车时间利用率，日均行驶里程等指标，并且考虑天气，温度等环境因素对疲劳驾驶，超速等指标的影响，对挖掘算法相应阈值进行修改。并通过模型2中所采取的主观客观结合赋权值法，计算出每辆车分别在安全，效率，节能等三个方面的得分情况。本文采用改进k-均值聚类算法，以450辆车的3个方面的得分为属性，得到驾驶行为典型样本及其所属类别。然后设计三层BP神经网络，将每辆车的3类得分为神经网络的输入，驾驶行为综合评价结果作为神经网络的输出。对BP神经网络进行训练，得到一个在线分类的BP神经网络分类器。该分类器模型可以对车联网所上传的大量实时驾驶行为数据进行快速分类，评价。
另外，经过对驾驶行为挖掘算法和评价模型研究之后，为了将本文研究的算法进行系统化的应用，本文采用ASP.NET技术构建了基于大数据分析的驾驶行为识别与评价平台。以此达到实施监控运输车辆不良驾驶行为的作用，更好的帮助运输车辆管理部门开展道路运输过程安全管理的数据分析，提高运输安全管理水平和运输效率。
关键词：改进k-means聚类算法，BP神经网络，不良驾驶行为挖掘，数据离散化
关注“官方公众号”
