本發(fā)明屬于汽車列車行駛安全技術(shù)領(lǐng)域，涉及一種基于聚類分析雙半掛汽車行駛穩(wěn)定性自動識別與預(yù)警系統(tǒng)。

背景技術(shù)：

雙半掛汽車列車由牽引車和兩節(jié)半掛車組合而成，在汽車行駛過程中，一方面，汽車列車運(yùn)輸生產(chǎn)率高、載重量大、質(zhì)量利用系數(shù)大，掛車制造成本低、發(fā)動機(jī)燃油消耗率低、維修方便，適合長距離運(yùn)輸，可方便地實(shí)現(xiàn)區(qū)段運(yùn)輸、甩掛運(yùn)輸、滾裝運(yùn)輸。另一方面，隨著經(jīng)濟(jì)貿(mào)易全球化，各地區(qū)之間貨物的頻繁運(yùn)輸加大了對長距離運(yùn)輸車輛的需求，雙半掛汽車列車以其拖掛多個掛車，載重質(zhì)量大、燃油消耗率低且適合長距離運(yùn)輸，說明雙半掛汽車列車在我國未來將會有一個很大的發(fā)展時期。

汽車列車由于其結(jié)構(gòu)的特殊性，車輛各個單元之間是通過鉸接方式連接，行駛穩(wěn)定性差，雙半掛汽車列車的失穩(wěn)形式主要表現(xiàn)為掛車側(cè)翻、折疊、甩尾、蛇形運(yùn)動等危險形式，一旦發(fā)生交通事故，生命財產(chǎn)損失嚴(yán)重，有些危險情境僅靠駕駛員來識別和動作遠(yuǎn)遠(yuǎn)不夠，因此提前預(yù)知汽車列車行駛狀態(tài)并提醒駕駛員強(qiáng)制采取相應(yīng)措施意義重大。

傳統(tǒng)的車輛行駛穩(wěn)定性僅僅依靠車輛行駛狀態(tài)參數(shù)的實(shí)際輸出值與理想值之差，當(dāng)差值超過一定閾值之后對車輛發(fā)出報警，該方法對經(jīng)驗(yàn)的依賴性較大，缺乏理論指導(dǎo)和依據(jù)。申請?zhí)枮椤癈N201110143729.0”的中國發(fā)明專利，通過安裝在牽引車和掛車底部的兩個攝像頭，采集汽車列車下方直線標(biāo)志線的圖像信息，通過機(jī)器視覺檢測算法分別計算牽引車和掛車底部固定連接點(diǎn)相對于直線標(biāo)志線的距離，同時利用GPS獲得汽車列車沿直線標(biāo)志線的行駛速度，計算得到牽引車和掛車之間的最大橫向擺動量，根據(jù)橫向擺動量來判斷汽車列車橫向行駛穩(wěn)定性。該專利技術(shù)存在的缺陷在于：一、對道路標(biāo)志線要求較高且依賴性強(qiáng)，交通標(biāo)志線消失則該系統(tǒng)不起作用，二、僅依靠牽引車與掛車之間的橫向擺動量參數(shù)判斷汽車列車橫向行駛穩(wěn)定性的依據(jù)少，可靠性差。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于聚類分析雙半掛汽車行駛穩(wěn)定性自動識別與預(yù)警系統(tǒng)，對其所處的狀態(tài)進(jìn)行分類，當(dāng)車輛處于危險工況時，系統(tǒng)將對駕駛員提醒、警告或?qū)囕v主動實(shí)施制動，以提高車輛行駛穩(wěn)定性和安全性。

本發(fā)明的技術(shù)方案是：基于聚類分析雙半掛汽車行駛穩(wěn)定性自動識別與預(yù)警系統(tǒng)，包括試驗(yàn)數(shù)據(jù)采集模塊、試驗(yàn)數(shù)據(jù)預(yù)處理模塊、離線聚類分析模塊、在線識別模塊、車輛實(shí)時數(shù)據(jù)采集模塊、實(shí)時數(shù)據(jù)預(yù)處理模塊和決策執(zhí)行模塊。試驗(yàn)數(shù)據(jù)采集模塊的輸出端通過試驗(yàn)數(shù)據(jù)預(yù)處理模塊連接到離線聚類分析模塊的輸入端，離線聚類分析模塊的一個輸出端與在線識別模塊輸入端連接，另一輸出端與決策執(zhí)行模塊連接。車輛實(shí)時數(shù)據(jù)采集模塊的輸出端通過實(shí)時數(shù)據(jù)預(yù)處理模塊與在線識別模塊輸入端連接，在線識別模塊的輸出端與決策執(zhí)行模塊輸入端連接。系統(tǒng)對試驗(yàn)采集的數(shù)據(jù)通過數(shù)據(jù)預(yù)處理后進(jìn)行離線聚類分析，通過K-Means聚類分析實(shí)現(xiàn)對車輛的行駛狀態(tài)進(jìn)行分類，然后根據(jù)分類結(jié)果采取相應(yīng)的措施。

試驗(yàn)數(shù)據(jù)采集模塊包括有設(shè)計試驗(yàn)和試驗(yàn)數(shù)據(jù)的采集兩部分，設(shè)計試驗(yàn)為根據(jù)雙半掛汽車列車高速行駛中的典型行駛工況確定試驗(yàn)時的載重、車速和前輪轉(zhuǎn)角，車速和前輪轉(zhuǎn)角為恒定或變化狀態(tài)。試驗(yàn)數(shù)據(jù)采集為通過GPS、VBOX和陀螺儀采集車輛的行駛速度、角速度、加速度、橫擺角速度、質(zhì)心側(cè)偏角、側(cè)向加速度和后部放大率RWA狀態(tài)變量。車輛實(shí)時數(shù)據(jù)采集模塊與試驗(yàn)數(shù)據(jù)采集模塊相同，車輛實(shí)時數(shù)據(jù)采集模塊只需采集離線分析出的不相關(guān)的狀態(tài)變量。

試驗(yàn)數(shù)據(jù)預(yù)處理模塊包括有數(shù)據(jù)讀入、數(shù)據(jù)清洗和聚類參數(shù)相關(guān)性分析；所述試驗(yàn)數(shù)據(jù)預(yù)處理的過程為：①讀入數(shù)據(jù)，②判定是否＞，如果≯,結(jié)束，如果＞進(jìn)行下一步；③去冗余、去干擾、歸一化處理；④進(jìn)行聚類參數(shù)相關(guān)性分析；⑤輸出聚類參數(shù)；其中：為設(shè)定的某一速度閾值，為傳感器采集的車輛實(shí)時數(shù)據(jù)。實(shí)時數(shù)據(jù)預(yù)處理模塊包括有數(shù)據(jù)讀入和數(shù)據(jù)清洗，實(shí)時數(shù)據(jù)預(yù)處理的過程為：①讀入數(shù)據(jù)，②判定是否＞，如果≯,結(jié)束，如果＞進(jìn)行下一步；③去冗余、去干擾、歸一化處理。歸一化的公式：

其中：為車輛狀態(tài)參數(shù)數(shù)據(jù)，

為車輛狀態(tài)參數(shù)數(shù)據(jù)中的最小值，

為車輛狀態(tài)參數(shù)數(shù)據(jù)中的最大值，

為歸一化后的參數(shù)值。

離線聚類分析模塊包括有離線聚類和聚類結(jié)果分析并制定相應(yīng)的措施；離線聚類過程為：①確定聚類的個數(shù)K、聚類簇的質(zhì)心和最大的迭代次數(shù)，聚類個數(shù)可指定或讓聚類算法根據(jù)數(shù)據(jù)的分布情況自動確定聚類個數(shù)；②計算數(shù)據(jù)點(diǎn)到質(zhì)心的歐氏距離并分配到最近的質(zhì)心中，③均值函數(shù)求聚類簇新的質(zhì)心，④計算聚類簇質(zhì)心的偏移量，⑤判斷質(zhì)心偏移量＜閾值/迭代次數(shù)是否達(dá)到上限，如果為是聚類結(jié)束，如果為否進(jìn)行下一步驟，⑥確定聚類簇新的聚類質(zhì)心，返回步驟②。在離線聚類的數(shù)據(jù)點(diǎn)分配過程中：

⑴為聚類簇的質(zhì)心，代表質(zhì)心編號，為某一時刻的試驗(yàn)數(shù)據(jù)所對應(yīng)的n維數(shù)據(jù)點(diǎn)，通過歐氏距離公式計算每一時刻的數(shù)據(jù)點(diǎn)到聚類質(zhì)心的距離；

⑵在計算質(zhì)心偏移量 時用到的歐氏距離，表示新舊質(zhì)心之間的距離。

聚類結(jié)果分析并制定相應(yīng)的措施為根據(jù)聚類各簇所有點(diǎn)的均值及其方差對各類別命名，對各類別的特征進(jìn)行描述，判斷處于該類別下的危險程度，進(jìn)而制定相應(yīng)的措施提高車輛行駛安全性，如果聚類結(jié)果滿足要求，離線數(shù)據(jù)即可刪除，只保留各簇的質(zhì)心和方差，減少數(shù)據(jù)的存儲量，提高效率。在線識別模塊為當(dāng)雙半掛汽車列車實(shí)時數(shù)據(jù)經(jīng)過數(shù)據(jù)預(yù)處理輸入到在線識別模塊，以離線聚類最終聚類簇的均值為質(zhì)心，計算實(shí)時數(shù)據(jù)與聚類質(zhì)心之間的歐氏距離。在線識別的實(shí)質(zhì)為以離線聚類最終聚類質(zhì)心為質(zhì)心進(jìn)行數(shù)據(jù)點(diǎn)分配的過程。決策、執(zhí)行模塊根據(jù)在線識別結(jié)果危險程度給予駕駛員預(yù)警或車輛主動制動控制。決策、執(zhí)行包括：①當(dāng)車輛行駛狀態(tài)被聚類到安全駕駛模式時，車輛行駛穩(wěn)定，系統(tǒng)不做任何動作；②當(dāng)車輛行駛狀態(tài)被聚類到存在安全隱患駕駛模式時，系統(tǒng)對駕駛員提醒，③當(dāng)車輛行駛狀態(tài)被聚類到典型潛在危險駕駛模式時，系統(tǒng)對駕駛員燈光和聲音警告；④當(dāng)車輛行駛狀態(tài)被聚類到高危險駕駛模式時，系統(tǒng)對車輪實(shí)施制動，防止交通事故的發(fā)生，以提高車輛行駛穩(wěn)定性。

每個傳感器測量的參數(shù)是獨(dú)立存在于指定的txt文檔里，先將每個文件獨(dú)立的讀入MATLAB中，然后通過合并語句來合并所有的數(shù)據(jù)到一個矩陣中生成Data.mat文件，以供聚類分析所用。該Data.mat矩陣的每一行代表某一時刻采集的雙半掛汽車列車各車輛單元的參數(shù)值，行與行之間是按時間順序排列，該矩陣的每一列分別代表車輛某個傳感器測量的參數(shù)。由于傳感器在測量和傳輸過程中存在噪聲的干擾，容易出現(xiàn)錯誤數(shù)據(jù)，Data.mat矩陣是需要進(jìn)行數(shù)據(jù)清洗工作，該矩陣中存在缺失數(shù)據(jù)的行要刪除，為了減小離散點(diǎn)，需要剔除小概率事件，保留每條屬性3σ內(nèi)的數(shù)據(jù)。

雙半掛汽車列車車輛試驗(yàn)時每個車輛單元都要安裝多個傳感器，需要測量的參數(shù)量多，帶來的計算量增加，每個變量參數(shù)為一個維度，維度之間相互獨(dú)立。高維歐氏空間將會導(dǎo)致緯數(shù)災(zāi)難，聚類之前需要對各個變量進(jìn)行降維處理。采用相似性來測度，度量標(biāo)準(zhǔn)選用pearson系數(shù)。聚類方法選最遠(yuǎn)元素法，涉及到相關(guān)變量做標(biāo)準(zhǔn)化處理，相似性矩陣?yán)锏臄?shù)字為相關(guān)系數(shù)，如果兩個變量的相關(guān)系數(shù)接近1或-1，表明兩個變量可互相替代，相互替代的變量選一個聚類即可。實(shí)際應(yīng)用時只需測量相互獨(dú)立的變量，以減少傳感器的數(shù)量、數(shù)據(jù)存儲和運(yùn)算量，節(jié)約成本、提高運(yùn)算速度。

本發(fā)明基于聚類分析雙半掛汽車行駛穩(wěn)定性自動識別與預(yù)警系統(tǒng)的工作過程和原理為：聚類分析按照個體或樣品的特征將它們分類，使同一類別內(nèi)的個體具有盡可能高的同質(zhì)性，而類別之間則應(yīng)具有盡可能高的異質(zhì)性。聚類分析常用的指標(biāo)為“距離”和“相似系數(shù)”，假定研究對象均用所謂的“點(diǎn)”來表示。在聚類分析中，一般的規(guī)則是將“距離”較小的點(diǎn)或“相似系數(shù)”較大的點(diǎn)歸為同一類，將“距離”較大的點(diǎn)或“相似系數(shù)”較小的點(diǎn)歸為不同的類，聚類的結(jié)果，需要研究者的主觀判斷和后續(xù)的分析。首先根據(jù)雙半掛汽車列車高速行駛的典型工況設(shè)計并進(jìn)行實(shí)車試驗(yàn)，通過GPS、VBOX、陀螺儀等傳感器采集車輛行駛參數(shù)，然后通過K-Means聚類方法對車輛行駛狀態(tài)進(jìn)行離線聚類分析，當(dāng)聚類結(jié)果達(dá)到要求時，保存聚類質(zhì)心、權(quán)重和方差，并對各類別進(jìn)行描述后即可用來對雙半掛汽車列車實(shí)時的行駛狀態(tài)進(jìn)行在線識別，當(dāng)檢測到車輛行駛狀態(tài)有危險時，該系統(tǒng)將對駕駛員進(jìn)行提醒、報警，當(dāng)危險等級繼續(xù)上升時，將按照預(yù)先設(shè)定的規(guī)則對車輛實(shí)施制動，防止發(fā)生交通事故，提高車輛行駛安全性。

本發(fā)明基于聚類分析的雙半掛汽車列車橫向行駛穩(wěn)定性識別與預(yù)警系統(tǒng)的有益效果是：采用K-Means聚類算法，根據(jù)雙半掛汽車列車實(shí)時數(shù)據(jù)即可對雙半掛汽車列車橫向行駛穩(wěn)定性進(jìn)行分類，并根據(jù)分類結(jié)果采取預(yù)警或制動等措施，防止交通事故的發(fā)生。本發(fā)明結(jié)構(gòu)合理、所需傳感器數(shù)量少、運(yùn)算該程序所占用內(nèi)存少，及時刪除歷史數(shù)據(jù)，計算速度快、實(shí)時性好、準(zhǔn)確度高。

附圖說明

圖1為本發(fā)明基于聚類分析雙半掛汽車行駛穩(wěn)定性自動識別與預(yù)警系統(tǒng)的整體結(jié)構(gòu)流程圖；

圖2為數(shù)據(jù)預(yù)處理示意圖；

圖3為聚類過程示意圖；

圖4為聚類結(jié)果分析、制定相應(yīng)措施示意圖；

圖5為在線識別、決策執(zhí)行示意圖；

圖6為數(shù)據(jù)點(diǎn)離線K-Means聚類過程示意圖；

圖7為K-Means聚類過程中聚類質(zhì)心偏移量隨迭代次數(shù)的變化MATLAB仿真圖。

其中：1—試驗(yàn)數(shù)據(jù)采集模塊、2—試驗(yàn)數(shù)據(jù)預(yù)處理模塊、3—離線聚類分析模塊、4—在線識別模塊、5—決策執(zhí)行模塊、6—車輛實(shí)時數(shù)據(jù)采集模塊、7—實(shí)時數(shù)據(jù)預(yù)處理模塊。

具體實(shí)施方式

下面結(jié)合實(shí)施例和附圖對本發(fā)明進(jìn)行詳細(xì)說明。本發(fā)明保護(hù)范圍不限于實(shí)施例，本領(lǐng)域技術(shù)人員在權(quán)利要求限定的范圍內(nèi)做出任何改動也屬于本發(fā)明保護(hù)的范圍。

本發(fā)明基于聚類分析雙半掛汽車行駛穩(wěn)定性自動識別與預(yù)警系統(tǒng)，如圖1所示，包括數(shù)據(jù)采集模塊1、試驗(yàn)數(shù)據(jù)預(yù)處理模塊2、離線聚類分析模塊3、在線識別模塊4、車輛實(shí)時數(shù)據(jù)采集模塊6、實(shí)時數(shù)據(jù)預(yù)處理模塊7和決策執(zhí)行模塊5。試驗(yàn)數(shù)據(jù)采集模塊的輸出端通過試驗(yàn)數(shù)據(jù)預(yù)處理模塊連接到離線聚類分析模塊的輸入端，離線聚類分析模塊的一個輸出端與在線識別模塊輸入端連接，另一輸出端與決策執(zhí)行模塊連接。車輛實(shí)時數(shù)據(jù)采集模塊的輸出端通過實(shí)時數(shù)據(jù)預(yù)處理模塊與在線識別模塊輸入端連接，在線識別模塊的輸出端與決策執(zhí)行模塊輸入端連接。雙半掛汽車列車由牽引車、第一半掛車和第二半掛車組成。數(shù)據(jù)采集系統(tǒng)為GPS、VBOX和陀螺儀，VBOX、陀螺儀和GPS接收-發(fā)射器分別安裝在牽引車、第一半掛車和第二半掛車上。VBOX、陀螺儀要放在車輛的質(zhì)心處，本發(fā)明將其放在各車輛單元車架中心處。為防止GPS信號的接收受到阻擋，將GPS布置在車輛的頂部中央位置。車輛實(shí)時數(shù)據(jù)采集模塊與試驗(yàn)數(shù)據(jù)采集模塊相同，車輛實(shí)時數(shù)據(jù)采集模塊只需采集離線分析出的不相關(guān)的狀態(tài)變量。

試驗(yàn)數(shù)據(jù)采集模塊1包括有設(shè)計試驗(yàn)和試驗(yàn)數(shù)據(jù)采集兩部分，其中設(shè)計試驗(yàn)是根據(jù)雙半掛汽車列車高速行駛時的典型工況，設(shè)定車輛載荷、車速和前輪轉(zhuǎn)角，通過GPS、VBOX、陀螺儀來采集雙半掛汽車列車各車輛單元的狀態(tài)參數(shù)，參數(shù)包括行駛速度、角速度、加速度、橫擺角速度、質(zhì)心側(cè)偏角、側(cè)向加速度和后部放大率RWA狀態(tài)變量，以實(shí)車試驗(yàn)采集的數(shù)據(jù)進(jìn)行離線聚類分析。

試驗(yàn)數(shù)據(jù)預(yù)處理模塊2包括有數(shù)據(jù)讀入、數(shù)據(jù)清洗和聚類參數(shù)相關(guān)性分析。根據(jù)傳感器輸出格式的不同，需要進(jìn)行格式轉(zhuǎn)換，對各個數(shù)據(jù)項進(jìn)行合并，刪除冗余項。數(shù)據(jù)預(yù)處理是實(shí)車試驗(yàn)數(shù)據(jù)采集模塊和車輛狀態(tài)參數(shù)數(shù)據(jù)聚類分析的銜接部分，實(shí)車試驗(yàn)采集的數(shù)據(jù)會由于噪聲、信號干擾等因素造成數(shù)據(jù)缺失、GPS數(shù)據(jù)漂移等問題，要刪除無效、錯誤數(shù)據(jù)。實(shí)車試驗(yàn)時車輛的速度是漸變的過程，雙半掛汽列車高速典型行駛工況，需要對實(shí)車試驗(yàn)采集的數(shù)據(jù)進(jìn)行速度條件的篩選，速度篩選條件為＞，根據(jù)實(shí)際意義以及聚類結(jié)果進(jìn)行相應(yīng)的調(diào)整。如圖2所示，離線試驗(yàn)數(shù)據(jù)預(yù)處理的過程為：①讀入數(shù)據(jù)，②判定是否＞，如果,結(jié)束，如果＞進(jìn)行下一步；③去冗余、去干擾、歸一化處理。歸一化的公式為：

其中：為車輛狀態(tài)參數(shù)數(shù)據(jù)，

為車輛狀態(tài)參數(shù)數(shù)據(jù)中的最小值，

為車輛狀態(tài)參數(shù)數(shù)據(jù)中的最大值，

為歸一化后的參數(shù)值。

④進(jìn)行聚類參數(shù)相關(guān)性分析；⑤輸出聚類參數(shù)；其中：為設(shè)定速度，為采集速度。車輛的實(shí)時數(shù)據(jù)預(yù)處理模塊7與試驗(yàn)數(shù)據(jù)預(yù)處理模塊2的不同是實(shí)時數(shù)據(jù)預(yù)處理模塊不包含④進(jìn)行聚類參數(shù)相關(guān)性分析和⑤輸出聚類參數(shù)步驟。

離線聚類分析模塊3包括有離線聚類和聚類結(jié)果分析并制定相應(yīng)的措施。如圖3所示，聚類過程首先根據(jù)實(shí)際需要確定所要聚類的個數(shù)K，本實(shí)施例聚類個數(shù)，K=4，是根據(jù)車輛危險工況的嚴(yán)重程度劃分為四個等級。下一步尋找K個質(zhì)心，首先隨機(jī)選擇一個點(diǎn)，然后選擇另外K-1個點(diǎn)，每個后續(xù)點(diǎn)在選擇時都要盡可能遠(yuǎn)離前面選出的點(diǎn)，選定K個初始質(zhì)心后，點(diǎn)將被一個個地考察并分配到最近的質(zhì)心中去，分配完之后，對屬于同一質(zhì)心的所有點(diǎn)的屬性求均值重新確定質(zhì)心，再計算質(zhì)心偏移量,其中， 為當(dāng)前聚類質(zhì)心（新質(zhì)心）， 為前一次迭代質(zhì)心（舊質(zhì)心）， 為迭代次數(shù)，然后判斷各偏移量是否小于設(shè)定閾值（本發(fā)明實(shí)施例中取0.0001）、迭代次數(shù)是否達(dá)到上限，二者滿足其一，聚類結(jié)束，否則用均值函數(shù)計算新的質(zhì)心，以新的質(zhì)心為質(zhì)心重復(fù)迭代聚類，直到達(dá)到迭代次數(shù)或者偏移量小于閾值時為止，輸出并保存最終的聚類結(jié)果，即各簇的均值（質(zhì)心）、各類所占的權(quán)重和方差。

在確定閾值時，首先考慮特征數(shù)據(jù)的數(shù)量級，并抽樣選取部分?jǐn)?shù)據(jù)計算不同數(shù)據(jù)點(diǎn)之間的距離，確定一個待選閾值，然后根據(jù)幾次聚類后聚類中心的距離對閾值進(jìn)行調(diào)整。在確定閾值后，如果迭代達(dá)到上限值仍沒有收斂，閾值應(yīng)適當(dāng)調(diào)整。閾值的確定依賴于經(jīng)驗(yàn)，當(dāng)特征的選取不同時，閾值的確定也不同。

聚類結(jié)果分析、制定相應(yīng)的措施如圖4所示，根據(jù)離線聚類的質(zhì)心、權(quán)重和方差，分析各類所代表雙半掛汽車列車橫向行駛穩(wěn)定性，為每個類別命名，對各類別的特征進(jìn)行描述，并制定相應(yīng)的安全措施，當(dāng)在線識別模塊將車輛實(shí)時行駛狀態(tài)分類后系統(tǒng)將執(zhí)行離線預(yù)設(shè)的相應(yīng)措施。

在線識別、決策執(zhí)行如圖5所示，雙半掛汽車列車實(shí)時數(shù)據(jù)經(jīng)預(yù)處理后傳輸過來，以離線聚類質(zhì)心的個數(shù)K為聚類的個數(shù)，以離線聚類最終質(zhì)心為在線識別的質(zhì)心，計算當(dāng)前數(shù)據(jù)點(diǎn)到質(zhì)心的歐氏距離，并將點(diǎn)分配到最近的質(zhì)心中，該點(diǎn)屬于該質(zhì)心所在的類別，輸出車輛實(shí)時數(shù)據(jù)所屬類別并執(zhí)行相應(yīng)的措施。聚類結(jié)果分為四類，即安全駕駛模式、存在安全隱患駕駛模式、典型潛在危險駕駛模式和高危險駕駛模式。車輛當(dāng)前狀態(tài)被聚類到安全駕駛模式時，系統(tǒng)不作任何動作。車輛當(dāng)前狀態(tài)被聚類到存在安全隱患駕駛模式時，系統(tǒng)將對駕駛員提醒，車輛當(dāng)前狀態(tài)被聚類到典型潛在危險駕駛模式時，系統(tǒng)將對駕駛員警告。車輛當(dāng)前狀態(tài)被聚類到高危險駕駛模式時，系統(tǒng)將按照預(yù)先設(shè)定好的規(guī)則對車輪實(shí)施制動，防止發(fā)生交通事故，提高車輛行駛安全性。

數(shù)據(jù)點(diǎn)離線K-Means聚類過程如圖6所示，以聚兩類為例，其中圓圈代表數(shù)據(jù)點(diǎn)，叉×代表聚類質(zhì)心，黑色填充的代表一類，無填充的代表另一類，數(shù)據(jù)散點(diǎn)圖如圖6（a）所示，初始化聚類質(zhì)心如圖6（b）所示，即隨機(jī)選擇第一個質(zhì)心，另外的K-1個質(zhì)心點(diǎn)選擇時要盡可能遠(yuǎn)離前面選出的點(diǎn)，確定了聚類質(zhì)心之后，進(jìn)行數(shù)據(jù)點(diǎn)的分配如圖6（c）所示。以這K個點(diǎn)為簇的質(zhì)心計算所有數(shù)據(jù)點(diǎn)到質(zhì)心的歐氏距離，將數(shù)據(jù)點(diǎn)分配到最近的質(zhì)心所在的類別中，確定新的質(zhì)心如圖6（d）所示。用均值函數(shù)求屬于同一類中所有點(diǎn)的均值作為新的質(zhì)心，判斷質(zhì)心偏移條件、迭代次數(shù)條件是否滿足要求，如果沒滿足要求則繼續(xù)進(jìn)行點(diǎn)的分配并更新質(zhì)心點(diǎn)，直到滿足設(shè)定條件聚類結(jié)束，最終聚類結(jié)果如圖6（f）所示；

任意兩個點(diǎn) 和 之間的歐氏距離 。用歐氏距離公式計算當(dāng)前聚類質(zhì)心與前一次迭代質(zhì)心之間的距離，,其中， 為當(dāng)前聚類質(zhì)心（新質(zhì)心）， 為前一次迭代質(zhì)心（舊質(zhì)心）， 為迭代次數(shù)，理想情況下，當(dāng)質(zhì)心偏移量無限接近于零，即聚類質(zhì)心不再變化，也即聚類質(zhì)心將不再變化，實(shí)際上，只要質(zhì)心偏移量小于某閾值（閾值表示聚類的程度，本發(fā)明實(shí)施例中閾值取0.0001）時，聚類結(jié)束，由圖7所示，聚類質(zhì)心偏移量隨著迭代次數(shù) 的增加而減小，最終在迭代了14步時小于設(shè)定閾值0.0001，即認(rèn)為質(zhì)心偏移量為零，聚類結(jié)束。

本發(fā)明基于聚類分析雙半掛汽車行駛穩(wěn)定性自動識別與預(yù)警系統(tǒng)的聚類分析方法也可用于聚類分析車輛行駛平順性、舒適性領(lǐng)域，用于聚類分析車輛行駛平順性、舒適性時需要更換聚類參數(shù)和結(jié)果分析。本發(fā)明通過對離線數(shù)據(jù)的相關(guān)性分析，篩選出評價雙半掛汽車列車橫向行駛穩(wěn)定性的重要參數(shù)，在實(shí)車應(yīng)用時可減少冗余傳感器的數(shù)量，減少需處理的數(shù)據(jù)量，計算速度快，離線訓(xùn)練結(jié)果達(dá)標(biāo)后，離線數(shù)據(jù)即可刪除，占用內(nèi)存少，可靠性高，實(shí)時性好。