1. 研究目的与意义（文献综述）

随着我国经济水平提高、技术飞速发展和能源节约意识增强，新能源汽车的使用越来越广泛，我们对传统汽车的思考同样在向新能源汽车领域延伸，其中行车安全问题是至关重要的一环，提高行车的安全性，首先要正确识别驾驶行为，特别是危险驾驶行为。

驾驶行为的识别在上个世纪已被提出，其中对于危险驾驶行为的研究也始终是重要方向，在危险驾驶行为的识别方法中，模式识别的方法是国内外学者主要采用的方法，在对驾驶行为人工分类的基础上采集分类数据，选择合适的分类器模型算法训练和测试识别模型。

在国外学者的研究中，基于数理统计方法的隐马尔可夫模型凭借其识别时序特征的数据时具有的独特优势，得到了广泛的应用。不少学者也采用支持向量机、人工神经网络和动态贝叶斯网络及高斯混合模型的分类方法，对驾驶行为进行识别。还有不少学者通过建立特定的规则，建立了特定的识别模型，也取得了不错的成果。

2. 研究的基本内容与方案

本研究拟通过对公路行车过程的分析，对车辆危险驾驶行为进行分类，选取一到两种具有代表性的危险驾驶行为作为主要分析对象，考虑自车参数和其他相关车辆的参数，提取危险驾驶行为的特征参数，选择适合的算法，训练构建可以有效识别车辆危险驾驶行为的分类模型，并对其应用做进一步分析展望。

本研究的主要技术方案与措施如下：

(1)危险驾驶行为分类。本文根据车辆实际行车过程分析，对危险驾驶行为进行分类，选取具有代表性的危险驾驶行为如不正确的换道或超车等。

3. 研究计划与安排

3.10-3.30 获取原始数据，进行危险驾驶行为分类与特征提取

3.31-4.20 根据数据训练模型，构建决策树

4.20-5.4 对决策树剪枝并进行测试和完善

4. 参考文献（12篇以上）

[1]杨龙海,罗沂,徐洪.基于 gps 定位数据的高速公路换道特征分析与行为识别[j].北京交通大学学报, 2017, 41(3):1-7.

[2]maghsood r, johannesson p. detection ofthe curves based on lateral acceleration using hidden markov models[j].procedia engineering, 2013, 66: 425-434.

[3]bonnin s, weisswange t h, kummert f,et al. accurate behavior prediction on highways based on a systematic combination of classifiers[c]//ieee intelligent vehiclessymposium (iv). ieee, 2013: 242-249.