1.一种基于改进粒子群算法优化支持向量机的驾驶换道风格辨识方法，其特征在于，包括以下步骤：S1、实验基于NGSIM数据集所提取数据为车辆行驶过程中轨迹数据和周围环境数据具体包括:换道时间、速度、加速度、跟车时距、与前车相对距离；

S2、将提取的驾驶人换道数据进行初步筛选，剔除对于换道的影响度小的换道数据，保留能反映驾驶人换道风格的换道特征参数；

S3、利用Kmeans聚类算法将提取到的换道数据进行聚为三类：谨慎型、一般型、激进型；

S4、并对聚类的参数进行统计分析和时频分析验证分类的驾驶人的差异性，并提取出有效参数作为辨识模型的输入；

S5、基于惯性权重非线性变化和粒子最大速度非线性递减的策略来改进粒子群算法，对SVM模型的两个关键参数C和g优化更新，建立起基于改进粒子群优化SVM的驾驶人风格辨识模型，对驾驶人换道风格进行识别。

2.根据权利要求1所述的一种基于改进粒子群算法优化支持向量机的驾驶换道风格辨识方法，其特征在于，步骤S3的具体过程为：S3.1、作为聚类的换道特征参数为换道时间、速度、加速度、跟车时距、与前车相对距离、横向位移差，通过Kmeans算法对数据以欧式距离的平方最小的原则将原始变量总数n聚成k类，新的聚类中心的确定可由不断计算各类的平均值来得到再进行聚类计算设定聚为三类，根据聚类结果的特征来判定三种类型分别是谨慎型、一般型、激进型；

S3.2、随机选择初始聚类中心，以欧式距离的平方最小的原则将原始变量聚成3类；

S3.3、不断计算各类的平均值来得到再进行聚类计算直到达到终止迭代条件来确定新的聚类中心。

3.根据权利要求1所述的一种基于改进粒子群算法优化支持向量机的驾驶换道风格辨识方法，其特征在于，步骤S4的具体过程为：S4.1、对换道特征参数进行统计分析

主要处理为换道时间、速度、加速度、跟车时距、与前车相对距离的均值，表示样本平均值为： 其中：i为单独样本；xi为换道各样本参数，n为总样本数。

标准差，表示为： 最大值：Xmax＝max(xi)，最小值：Xmin＝min(xi)，其中xi为所选样本，其中对有明显差异的进行方差检验，对无显著差异的使用K‑W检验：其中：N是样本量；Rj是秩和；nj是其测量值；J是样本组数；

S4.2、对换道特征参数进行时频分析

利用小波变换对信号(函数)的时间(空间)频率的局部化分析，突出不同频率的特征细节从而达到高低频率的划分，从而完成时频分析，分析驾驶人换道风格的差异性；

如信号f(t)，r0为被测小波起点，则其级数展开：

其中：r是尺度；t是时间；s是位移， 是近似系数、dr(s)是细节系数。 是尺度函数，ψr，s(t)是小波函数，当这两函数正交时，那么 和dr可表示为：其中<·>为内积计算方法。

4.根据权利要求1所述的一种基于改进粒子群算法优化支持向量机的驾驶换道风格辨识方法，其特征在于，步骤S5中，利用改进的粒子群算法对支持向量机两个关键参数C和g优化更新的过程如下：S5.1、使用SVM方法在训练集上寻找最优分类函数时，将最优函数转化为寻找超平面之n间的最大分类区间问题，给定一个样本训练集D＝{(xi，yi)，i＝1，2，...，1}∈(R×R)，建立起在高维空间的相关线性函数；

f(x)＝ωΦ(x)+b

且分类问题可以转化为下列方程来解决：

其中yi为对应训练样本纵坐标，ω为权重向量和b为偏移向量，训练样本为(xi，yi)，ξi，*ξi表示松弛变量，ε为阈值，n表示训练样本数量，参数C是可调参数，也称为惩罚系数；

为求解式上式，通过拉格朗日乘子法可将问题进行转化：

其中α是拉格朗日乘子和K(xi，yi)是核函数，因径向基函数收敛域较宽，可作为核函数选用，表达为：将参数 代入上式可得：

建立支持向量机模型的过程中，参数C和内核参数g的选择对算法的性能是至关重要的，目前没有明确的定义参数C和内核参数g的选择；因此，利用粒子群算法寻找最优参数，得到最优SVM模型；

S5.2、粒子群算法

PSO算法作为是一种基于分组的随机优化技术，第i个粒子表示为Xi＝(xi1，xi2，...，xiD)，其最佳位置为Pi＝(pi1，pi2，...，piD)，即PBest，种群中每个粒子所经历的最佳位置的下标用符号g表示，符号g为pg，粒子i的速度表示为Vi＝(vi1，vi2，...，viD)，对于每一代，其第d维(1≤d≤D)按照下式更新自己的速度和新位置：vid＝ωvid+c1rand()(pid‑xid)+c2Rand()(pgd‑xid)xid＝xid+vid，其中ω是惯性权重，c1和c2是学习因子，rand()和Rand()是两个在(0，1)之间变化的随机函数；

S5.3、惯性权重对于粒子的寻优能力具有较大的影响，于是基于惯性权重非线性变化策略，控制权重因子的大小来控制最大权值的所占比重，使得粒子群更精确地初始全局搜索，终期局部搜索，可表达为：其中t是迭代数，T是总迭代数，K是权重因子。

粒子的速度过大和过小会分别导致未找到全局最优和局部最优的结果，基于粒子的最大速度非线性递减的方法，有利于减少粒子因速度太大在搜索区域的遗失，减少无效的搜素，随时间变化最大粒子速度可表达为：其中t是迭代数，T是总迭代数，vmax与vmin是最大速度的最大最小值。

S5.4、改进PSO‑SVM识别模型的概念是利用改进的粒子群算法优化两个关键参数，数据样本集的基础上，我们随机选择的大约70％的数据作为训练集和30％的数据作为测试集，然后训练模型；

S5.4.1、在搜索空间内对粒子群的每个粒子群的速度、位置进行初始化，计算适应函数值，并且得到粒子的历史最优位置和群体全局最优位置；

S5.4.2、粒子的速度和位置的更新，根据自身的历史最优位置和全局的最优位置，更新每个粒子的速度和位置。在此对粒子群算法加入惯性权重非线性和粒子最大速度非线性递减策略，使得粒子群更精确地初始全局搜索，终期局部搜索，且减少粒子因速度太大在搜索区域的遗失，减少无效的搜素；

S5.4.3、评估每个粒子的适应度值，更新粒子的历史最优位置和全局的最优位置。迭代是否满足终止条件；

S5.4.4、设定终止条件的最大迭代数，满足条件则输出最优参数C和g，输入训练样本、预测样本，数据归一化，建立改进粒子群优化的SVM模型。否则重复S5.4.2。

5.根据权利要求1所述的一种基于改进粒子群算法优化支持向量机的驾驶换道风格辨识方法，其特征在于，还包括，建立好模型，将聚类后的三类驾驶人类型作为模型的输出，提取分析好的换道特征参数作为输入对该模型的辨识效果进行验证。