構建運輸車輛安全駕駛行為分析模型運輸車輛安全駕駛行為分析——樸素貝葉斯、K近鄰任務描述樸素貝葉斯法是基于貝葉斯定理與特征條件獨立假設的分類方法。對于運輸企業來說，安全意識和責任感的重要性不言而喻，這是是企業長期發展和穩定運營的必要因素。構建運輸車輛安全駕駛行為分析模型能幫助企業更好地管理和監控運輸車輛的安全性能。在本任務中將使用高斯樸素貝葉斯和多項式分布樸素貝葉斯構建運輸車輛安全駕駛行為分析模型，探索、分析各車輛的駕駛行為。構建運輸車輛安全駕駛行為分析模型任務要求讀取并探索駕駛行為數據。處理駕駛行為數據。使用sklearn庫構建樸素貝葉斯模型。利用Matplotlib庫對預測結果進行可視化展示。使用準確率、精確率、召回率、F1得分評估樸素貝葉斯模型。構建運輸車輛安全駕駛行為分析模型運用Python構建運輸車輛安全駕駛行為分析模型需調用不同的庫讀取并探索駕駛行為數據處理駕駛行為數據構建高斯樸素貝葉斯模型構建多項式分布樸素貝葉斯模型讀取并探索駕駛行為數據構建運輸車輛安全駕駛行為分析模型根據已知數據集，在盡量少的先驗假定下進行數據探索，通過查看數據分布規律、數據之間相關性等有助于確定如何有效地處理數據，以便更輕松地找出異常值、數據間的關系等。讀取并探索駕駛行為數據的步驟如下。查看駕駛行為數據讀取數據查看數據類型描述性統計分析分布分析查看駕駛行為數據特征名稱特征說明某運輸企業采集到的448輛運輸車駕駛行為數據的數據說明如下。車輛編碼車牌的唯一編碼，已脫敏行駛里程（km）根據車輛設備編號的變化計算行駛里程，若設備號無變化，則當前階段里程數=當前樣本里程值－當前階段里程起始值；若設備號變化，則將當前階段里程數累加至總里程數中平均速（km/h）根據傳感器記錄的速度來計算平均速度，即求速度不為0時的速度均值速度標準差基于平均速度，計算每輛車的速度標準差速度差值標準差基于加速度，計算每輛車的速度差值標準差構建運輸車輛安全駕駛行為分析模型查看駕駛行為數據特征名稱特征說明某運輸企業采集到的448輛運輸車駕駛行為數據的數據說明如下。急加速頻率將急加速次數除以該車的行駛里程數，得到相應的次數率急減速頻率將急減速次數除以該車的行駛里程數，得到相應的次數率疲勞駕駛頻率將疲勞駕駛次數除以該車的行駛里程數，得到相應的次數率熄火滑行頻率將熄火滑行次數除以該車的行駛里程數，得到相應的次數率超長怠速頻率將超長怠速次數除以該車的行駛里程數，得到相應的次數率駕駛行為駕駛行為類型。其中0表示疲憊型，1表示激進型，2表示穩健型構建運輸車輛安全駕駛行為分析模型查看駕駛行為數據特征名稱特征說明某運輸企業采集到的448輛運輸車駕駛行為數據的數據說明如下。急加速（次）按照行業經驗預設，若車輛加速度大于急加速閾值（10.8km/h），且前后間隔時間不超過2s，則將其判定為急加速行為急減速（次）按照行業經驗預設，若車輛加速度小于急減速閾值（10.8km/h），且前后間隔時間不超過2s，則將其判定為急減速行為疲勞駕駛（次）根據道路運輸行業相關法規和規范，駕駛人在24小時內累計駕駛時間超過8小時；連續駕駛時間超過4小時，且每次停車休息時間少于20分鐘；夜間連續駕駛2小時的行為判定為疲勞駕駛行為熄火滑行（次）假定車輛發動機的點火狀態為關，且車輛經緯度發生了位移的情況稱為熄火滑行狀態超長怠速（次）若車輛的發動機轉速不為零且車速為零時，當持續的時間超過設定的閾值（60s）后，可將其視為超長怠速行為構建運輸車輛安全駕駛行為分析模型處理駕駛行為數據異常值檢測異常值處理疲勞駕駛異常值檢測熄火滑行異常值檢測超長怠速異常值檢測使用Matplotlib庫的boxplot函數繪制箱線圖使用箱線圖識別異常值的方式剔除掉駕駛行為數據中的異常數據構建運輸車輛安全駕駛行為分析模型處理駕駛行為數據異常值上四分位數下四分位數上邊界下邊界中位數構建運輸車輛安全駕駛行為分析模型構建高斯樸素貝葉斯模型構建運輸車輛安全駕駛行為分析模型構建高斯樸素貝葉斯模型主要通過以下6個步驟實現。使用StandardScaler函數對數據進行標準差標準化處理。標準差標準化使用train_test_split類將數據集拆分為訓練集和測試集，用于訓練模型以及檢驗模型。拆分訓練集和測試集根據車輛駕駛行為數據將駕駛行為分為3類，分別為“疲憊型”“激進型”“穩健型”，對應的標簽集為“0”“1”“2”。使用GaussianNB類構建高斯樸素貝葉斯模型。構建模型構建高斯樸素貝葉斯模型構建運輸車輛安全駕駛行為分析模型在對高斯樸素貝葉斯的預測結果進行可視化之前，需要對數據進行PCA降維。此處，選擇將數據降為二維數據。對數據進行PCA降維在對數據進行PCA降維后，使用scatter函數對預測結果進行可視化。對預測結果進行可視化為了評估高斯樸素貝葉斯模型的分類效果，需要分別使用accuracy_score、recall_score、f1_score、precision_score類計算準確率、精確率、召回率以及F1得分。評估高斯樸素貝葉斯模型對預測數據進行可視化構建運輸車輛安全駕駛行為分析模型模型分類效果較好！構建多項式分布樸素貝葉斯模型構建運輸車輛安全駕駛行為分析模型使用MinMaxScaler類對數據進行最大最小標準化處理，以保證輸入多項式分布樸素貝葉斯的特征矩陣中不帶有負數。最大最小標準化使用MultinomialNB類構建多項式分布樸素貝葉斯模型。構建模型使用train_test_split類將數據集拆分為訓練集和測試集，用于訓練模型以及檢驗模型。拆分訓練集和測試集構建多項式分布樸素貝葉斯模型主要通過以下6個步驟實現。構建多項式分布樸素貝葉斯模型構建運輸車輛安全駕駛行為分析模型在對多項式分布樸素貝葉斯的預測結果進行可視化之前，需要對數據進行PCA降維。此處，選擇將數據降為二維數據。對數據進行PCA降維在對數據進行PCA降維后，使用scatter函數對預測結果進行可視化。對預測結果進行可視化為了評估多項式分布樸素貝葉斯模型的分類效果，需要分別使用accuracy_score、recall_score、f1_score、precision_score類計算準確率