目前道路交通是我国乃至全世界石油消耗量最高的行业,也给日益增长的能源供给带来更多的压力。驾驶员作为车辆行驶过程中的主导者,其不良驾驶风格是车辆油耗增加的主要原因,因此基于行驶过程中的驾驶风格研究车辆油耗的变化具有重要意义。本文采用聚类算法和神经网络分类方法对行车数据进行挖掘分析,建立起驾驶风格的评估模型,并依据驾驶风格的聚类结果,构建车辆行驶过程中的油耗预测模型。本文的主要工作如下:(1)针对卡车行驶数据特性,对数据进行预处理与异常驾驶行为特征提取。通过过滤、重复值删除的预处理工作,筛选清洗了频率异常、记录重复以及经纬度范围异常的数据,并基于筛选后的数据对异常驾驶行为提取行为特征;然后利用主成分分析法(PCA)对速度、加速度的统计量以及驾驶行为参数实现降维,最终把19个参数减少为7个主要成分,有效的降低了聚类数据维数和数据处理的时间复杂度。(2)提出一种基于聚类和BP神经网络的驾驶风格评估模型。首先构建一个基于BIRCH算法和k-means算法的两层聚类模型,利用BIRCH聚类算法对7个主成分因子进行第一层粗聚类,创建出一棵聚类特征树(CF-Tree);然后利用k-means算法对CF-Tree的叶子节点进行第二层细聚类;基于驾驶风格聚类结果,利用BP网络进行学习,最终用训练得到的BP神经网络分类器对驾驶风格进行分类评价,并运用混淆矩阵验证模型的有效性。(3)提出一种基于驾驶风格的油耗预测模型。本文在进行油耗分析时以驾驶风格数据为基础提出了两个油耗预测模型,包括:单向堆叠LSTM模型和双向堆叠LSTM模型,这两个模型把不同驾驶风格下的行驶数据作为输入变量,油耗作为输出变量;最后通过将本文算法与RNN、GRU两个递归神经网络的平均绝对误差MAE和均方根误差RMSE进行比较,验证模型的有效性。本文提出的驾驶风格评估模型和油耗预测模型分别利用真实卡车的GPS数据进行实验验证,研究结果表明驾驶风格评估模型摒弃了人为主观因素,实现了对驾驶风格准确、高效的评价,模型准确率高达96.75%,对油耗模型进行仿真实验发现本文所提出的LSTM油耗模型比RNN、GRU的预测结果更准确,评估误差均处于?3%以内。最后基于油耗评估结果提出一些方便实施的生态驾驶策略,从而达到减少资源消耗和污染物排放的目的。