激进型驾驶是影响道路交通安全的主要原因之一,检测车辆行驶过程中的激进型驾驶行为已成为智能交通领域的研究热点。在此背景下,论文基于行车大数据,从车辆运行状态的角度进行研究,提出了一种激进型驾驶行为检测框架。该框架首先采用汉克矩阵构建窗口的方法和变点检测算法提取行车状态数据中潜在的激进型驾驶事件,然后使用回声状态网络提取驾驶事件特征,最后构建两层聚类模型对驾驶事件进行聚类,通过对聚类结果进行描述性统计分析,从而检测出激进型驾驶行为。论文主要工作如下:(1)针对行车状态数据在采集过程会受到各方面的因素影响,从而导致数据的质量出现各种问题,通过缺失值填充、重复值删除、异常值处理等工作对数据进行预处理,筛选清洗了频率异常、记录重复的数据。然后对行车状态数据进行变点检测,为了考虑每个时间间隔内的序列样本,提出一种采用汉克矩阵构建滑动时间窗口的方法,并使用基于RuLSIF的密度比变点检测算法计算相邻时间窗口的相异度,得到数据点的变化分数,通过累计数据点同一时刻所有特征的变化总分数,利用变点确定规则确认变点,进而提取具有潜在激进型驾驶行为的驾驶事件。(2)利用回声状态网络(ESN)对具有潜在激进型驾驶行为的驾驶事件进行特征提取。使用网络中的参数构建动态储备池,将驾驶事件向量输入储备池网络训练,根据ESN网络训练的实际输出与期望输出之间的均方误差,使用交叉验证法选取最优参数,并提取最优参数下的输出连接权矩阵为驾驶事件特征。(3)构建了基于SOM算法和Mini Batch K-means算法的两层聚类模型。首先,使用SOM聚类算法对驾驶事件特征数据进行第一层粗聚类,创建初始集群,得出聚类数目和各簇的聚类中心,并引入U矩阵对聚类结果进行可视化展示。然后,将第一层聚类结果作为Mini Batch K-means聚类算法的初始输入,并进行第二层细聚类。通过对两层聚类模型聚类后的簇进行统计分析,对激进型驾驶行为进行检测并使用轮廓系数对聚类性能进行评估。最后,将本文提出的两层聚类模型与基于DENCLUE聚类的检测结果进行对比,实验结果表明本文提出的方法能在检测准确率和执行效率上均表现优异。本文提出的激进型驾驶行为检测框架使用美国交通部采集到的真实行车状态数据进行实验验证。实验提取了24辆车行车状态数据,在Inter Xeon 1.60GHz CPU,32.0GB内存的实验环境中,检测出行车状态下的急加速、急减速、急转弯、急加速转弯、急减速转弯5种激进型驾驶行为,其检测准确率达94.68%,并实现3分钟内完成600个驾驶事件的检测。