基于改进K-均值聚类算法的汽车用户行为分析方法研究

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险，对于道路交通安全具有重要的意义，针对这种情况，提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率，在自组织映射神经网络算法中采用遗忘第二名的策略，然后结合自组织映射神经网络改进K-均值聚类分析方法，实现对于车辆驾驶人员的风险行为等级进行划分，通过聚类分析得到风险标签后，利用XGBoost算法实现对于用户风险行为的辨识。实验结果表明，改进算法的聚类精确度和运行效率都得到了提高，预测准确率为98%,召回率为98%,F1值98%,kappa系数高达0.97,远远超过其他集成辨识模型，表明本文模型在汽车用户行为的分辨准确率上得到有效提高。