一套基于机器学习的驾驶行为分析系统设计的课程设计方案，全套成果包含代码、演示视频、说明文档和答辩PPT 项目使用的算法： 数据预处理算法： Butterworth低通滤波器（butter_lowpass_filter）：用于平滑速度、加速度和转向角数据 Savitzky-Golay滤波器（savgol_filter）：用于平滑转向角数据 数据标准化：对速度、加速度等数据进行归一化处理 特征提取算法： 时域特征提取： 统计特征：均值、标准差、最大值、最小值、范围 高阶统计特征：偏度（skewness）、峰度（kurtosis） 变化率特征：差分、平稳性 频域特征提取： Welch方法：计算功率谱密度 频带能量特征 谱熵计算 驾驶行为分类算法：
随机森林分类器（主要使用）： n_estimators=100：使用100个决策树 max_depth=10：树的最大深度 min_samples_split=5：内部节点再划分所需最小样本数 min_samples_leaf=2：叶子节点最少样本数 驾驶行为评分算法： 数据生成算法： 路线生成： 线性插值算法（np.linspace） 高斯噪声添加（np.random.normal） 速度生成： 分段线性函数 随机事件生成 加速度计算： 梯度计算（np.gradient） 转向角计算： 方位角计算（np.arctan2） 数据验证和清洗算法： IQR（四分位距）方法检测异常值 移动平均滤波 数据连续性检查 评估指标算法： 准确率（Accuracy） 精确率（Precision） 召回率（Recall） F1分数 混淆矩阵 可视化算法： 饼图生成算法 时序数据可视化 轨迹绘制算法（基于高德地图API） 热力图生成（用于混淆矩阵） 数据分析算法： 时间序列分析 统计分析（均值、方差等） 相关性分析 趋势分析 模型训练和验证算法： 数据集划分（70%训练集，30%测试集） 交叉验证 模型性能评估 这些算法共同工作，形成了一个完整的驾驶行为分析系统： 首先通过预处理算法清洗和规范化数据 然后使用特征提取算法获取关键特征 接着通过分类算法识别驾驶行为 最后通过评分算法和可视化算法展示结果 系统的核心是随机森林分类器，它能够有效地处理多维特征，对噪声具有较好的鲁棒性，并且能够给出特征重要性的评估。
