引用信息：Zhang, C., Huang, W., Niu, T. et al.: Review of clustering technology and its application in coordinating vehicle subsystems. Automotive Innovation 6(1), 89–115 (2023). https://doi.org/10.1007/s42154-022-00205-0

全文速览

聚类是一种无监督学习方法，通过静态分类将相似对象划分为不同组别。本文系统综述了传统与新型聚类算法，涵盖20种传统算法和4种新型算法的原理、优缺点，并介绍了相似度度量与聚类评价指标。文章重点总结了聚类算法在传统汽车、新能源汽车及智能汽车中的实际应用，探讨其在大数据背景下的发展趋势，为车辆工程领域研究者提供全面的技术参考。

研究背景

在大数据时代，无监督学习成为数据分析的重要基础，其中聚类算法因广泛应用而备受关注。尽管聚类技术已取得大量研究成果，但其在车辆工程领域的深度应用仍需系统梳理与总结。

综述内容

1）对当前主流聚类算法进行分类归纳，共六大类，包含20种传统算法与4种新型算法；
2）梳理聚类过程中的关键标准与评估手段，包括12种常用相似度度量方法和13项聚类评价指标；
3）系统总结聚类算法在传统汽车、新能源汽车和智能汽车中的具体应用场景。

Fig.1 聚类算法分类

Table 8 相似度度量方法对比

Fig.10 聚类算法在智能汽车中的应用

创新点

1）全面梳理现有聚类方法与相似性度量指标，针对K-Means、高斯混合模型（GMM）等常用算法提供详细文字与图表对比分析，并辅以章节附表总结；
2）聚焦聚类技术在汽车领域的应用，按传统汽车、智能汽车、新能源汽车三类展开，结合大量实例与文献图示，增强理解与实用性。

Table 10 聚类算法在车辆中的应用

未来展望

1）聚类分析不仅是算法选择问题，更涉及数据预处理与特征提取。提升这两项技术可有效降低计算成本并提高结果准确性；
2）面对复杂多样的实际数据集，单一算法难以满足需求，融合型算法将成为发展方向，尤其是能识别任意形状簇的算法；
3）面向大数据场景，基于GPU、Spark、MapReduce、图计算框架（如Pregel）的分布式聚类算法具有广阔前景；
4）个性化聚类算法可通过分析用户行为数据提供定制化建议，拓展应用场景；
5）随着云计算、物联网与大数据技术发展，复杂数据处理需求激增，将量子计算融入聚类算法有望显著提升运算效率，成为新兴研究热点。

作者简介

张财志，重庆大学机械与运载工程学院教授、博士生导师，燃料电池汽车实验室负责人，机械传动国家重点实验室研究员。主要研究方向为燃料电池、机器学习与智能燃料电池汽车。主持国家重点研发计划项目等多项课题，发表SCI论文90余篇。曾获重庆市“向上向善好青年”、重庆大学教学成果奖一等奖、重庆市教学成果奖一等奖等荣誉。

李国法，重庆大学机械与运载工程学院教授，中国科协青年托举人才。研究方向涵盖智能网联汽车环境感知、驾驶行为分析与决策控制。主持国家自然科学基金等项目，发表论文60余篇，其中7篇入选ESI高被引论文，获多项发明专利及行业奖项。现任Automotive Innovation期刊Lead Guest Editor，兼任多个学术组织委员。

期刊介绍

Automotive Innovation 是由中国国家新闻出版署批准、中国汽车工程学会主办的首个英文科技期刊，致力于打造中国汽车行业的国际交流平台。期刊与Springer Nature合作，坚持国际化高标准办刊，已被EI、ESCI、Scopus收录。每季度出版一期，读者覆盖72个国家和地区，单篇最高下载量超32000次。期刊聚焦智能网联汽车、新能源汽车、未来出行等前沿领域，主编为清华大学李骏院士、赵福全教授，执行副主编为吉林大学章新杰教授。