本文对驾驶行为特征进行了关联规则挖掘,以改进的K-means算法和改进的Apriori算法为主要研究目标,并使用标准UCI数据集和泰迪杯数据挖掘大赛中的驾驶行为数据集来验证算法的有效性。首先,将驾驶行为数据进行预处理,对异常数据进行清洗和删除,防止脏数据对挖掘结果的影响。由于Apriori算法本质上只能挖掘离散型数据之间的关联规则,而驾驶行为特征参数在空间上是连续的,因此根据K-means算法对驾驶行为数据进行聚类,划分结果将作为后续驾驶行为数据离散化的依据。直接运用传统的K-means算法对驾驶行为特征参数进行聚类,会导致聚类结果不稳定。针对这个问题,提出一种基于决策值选取初始聚类中心改进的K-means算法。该算法以局部密度和相对距离两种度量准则为基础,构造样本的二维决策值图;算法能够自动选取决策值最大的数据对象作为初始中心点,保证了聚类稳定性。实验结果表明,改进算法比K-means算法更加稳定,迭代次数减少,在真实数据集上聚类性能优异。最后利用改进的K-means算法对驾驶行为片段进行聚类,根据轮廓系数得到最佳聚簇数为3。因此,将驾驶行为划分为危险型、急躁型、稳定性三类,其中危险型占比18.35%,急躁型占比25.65%,稳健性占比56%。其次,为了挖掘驾驶行为特征参数之间的隐含关系,将离散化后的驾驶行为数据作为关联规则挖掘的输入变量,并提出了一种基于布尔矩阵约简的Apriori算法,通过扫描事务数据库,将其转化为布尔矩阵。在生成频繁项集的过程中,根据最小支持度约束约简矩阵。最后利用UCI标准数据集和驾驶行为数据集对提出的算法进行了性能验证,实验结果表明改进算法在运行时间和内存消耗上都要优于传统的Apriori算法。最后运用基于布尔矩阵约简的Apriori算法进行驾驶行为的关联特征挖掘,得出危险型的驾驶行为主要存在多次的超速行驶、疲劳驾驶、急刹车等不良驾驶习惯。本文提出的基于聚类和关联规则的算法能够准确地挖掘出驾驶行为之间存在的关联关系,在理论和实验中都证明了改进算法在驾驶行为的分析和决策上具有使用价值。