楊 曼 吳超仲 張 暉▲ 李思瑤

(1.武漢理工大學(xué)國家水運(yùn)安全工程技術(shù)研究中心 武漢 430063;2.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063;3.武漢理工大學(xué)水路公路交通安全控制與裝備教育部工程研究中心 武漢 430063)

0 引 言

道路交通事故是全球交通領(lǐng)域關(guān)注的熱點(diǎn)問題。在中國，隨著汽車保有量迅速增加，交通安全形勢變得尤為嚴(yán)重。在2015年全國交通事故統(tǒng)計(jì)年報(bào)中，涉及人員傷亡的道路交通事故187 781起，造成58 022人死亡、199 880人受傷，直接財(cái)產(chǎn)損失達(dá)10.4億元[1]。由于機(jī)動(dòng)車駕駛員違法導(dǎo)致產(chǎn)生的道路交通安全事故比例達(dá)到87.03%；雖然由于車輛本身造成的事故比例不大，但一旦發(fā)生，其后果一般都比較嚴(yán)重，據(jù)典型調(diào)查統(tǒng)計(jì)，現(xiàn)有運(yùn)行車輛中有50%左右屬于機(jī)構(gòu)失調(diào)、帶病運(yùn)行；道路交通的安全取決于交通過程中人、車、路、環(huán)境之問是否保持協(xié)調(diào)，因此，除了前2個(gè)因素以外，道路本身的技術(shù)等級(jí)、設(shè)施條件及交通環(huán)境作為構(gòu)成道路交通的基本要素，它們對(duì)交通安全的影響是不容忽視的，在某些情況下，它們可能成為導(dǎo)致交通事故發(fā)生的主要原因。所以駕駛風(fēng)險(xiǎn)影響因素的研究對(duì)降低事故風(fēng)險(xiǎn)是尤為必要的。

國內(nèi)外學(xué)者對(duì)駕駛安全中的行車風(fēng)險(xiǎn)影響因素開展了大量相關(guān)研究，行車過程中的風(fēng)險(xiǎn)要素主要集中在交通系統(tǒng)的人(性別、年齡等)、車(車速等)、路、環(huán)境等因素方面[2-4]。

在駕駛?cè)艘蚪嵌龋珺ogue等[5]在進(jìn)行碰撞損傷程度的影響因素研究中，考慮了駕駛?cè)诵詣e的因素；呂能超等[6]開展實(shí)駕實(shí)驗(yàn)，研究Near-crash 事件中駕駛?cè)诵袨樘卣鳎l(fā)現(xiàn)性別、經(jīng)驗(yàn)影響駕駛?cè)说牟僮?；Guo等[7]利用自然駕駛實(shí)驗(yàn)數(shù)據(jù)評(píng)估單個(gè)駕駛員的駕駛風(fēng)險(xiǎn)，發(fā)現(xiàn)駕駛員年齡、人格因素和行車安全事件(Critical-incident events，CIEs)率對(duì)crash風(fēng)險(xiǎn)和Near-crash風(fēng)險(xiǎn)有顯著影響。

在車輛安全角度，Bogue等[5]在建模過程中，除了考慮駕駛?cè)诵詣e因素外，還綜合考慮了車輛的行車車速影響；Wang等[8]提出了一個(gè)基于分類樹模型的駕駛風(fēng)險(xiǎn)評(píng)估系統(tǒng)，研究發(fā)現(xiàn)，制動(dòng)時(shí)的速度、觸發(fā)因素、潛在對(duì)象類型和潛在碰撞類型是影響駕駛風(fēng)險(xiǎn)的重要因素。

在道路環(huán)境角度，張芷毓等[9]，通過最小二乘法(OLS)回歸模型識(shí)別出建成環(huán)境對(duì)危險(xiǎn)駕駛行為顯著影響的變量。鄧瑤望等[10]，利用Logistic回歸模型對(duì)烏魯木齊市2006—2010年的交通事故數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)天氣、夜間照明和路表情況對(duì)行車安全影響較大。

綜上，在駕駛風(fēng)險(xiǎn)的研究中，涉及表征指標(biāo)選取過程中一般采用Near-crash、事故率等[11-13]參數(shù)。但由于事故是小概率事件，Near-crash是需要采取迅速的、劇烈的操作以避免事故的一種沖突的狀態(tài)，發(fā)生頻次也較少，所以存在樣本量不足、無法更好地用于事故前駕駛風(fēng)險(xiǎn)的評(píng)估等問題。同時(shí)，隨著Guo等[7]提出行車安全事件(CIEs)是發(fā)生頻率高(是crash的100倍，Near-crash的10倍)、嚴(yán)重程度比Near-crash小，由高加速/減速率或其他運(yùn)動(dòng)特征標(biāo)記的事件，可用來預(yù)測高風(fēng)險(xiǎn)駕駛員。所以，本研究利用行車安全事件(CIEs)表征駕駛風(fēng)險(xiǎn)來對(duì)其影響因素進(jìn)行研究，研究成果可更好的用于事故前駕駛風(fēng)險(xiǎn)的評(píng)估。

因此本研究針對(duì)以下內(nèi)容開展分析：為研究行車過程中的駕駛?cè)艘蚝婉{駛行為過程，邀請(qǐng)被試開展了實(shí)車實(shí)驗(yàn)，獲取被試基本信息和自然駕駛數(shù)據(jù)；通過數(shù)據(jù)量化分析，確定CIEs標(biāo)定方法和閾值，以研究不同CIEs表征的風(fēng)險(xiǎn)等級(jí)，最終根據(jù)風(fēng)險(xiǎn)的聚類結(jié)果，研究各因素對(duì)風(fēng)險(xiǎn)程度的影響規(guī)律，并提出風(fēng)險(xiǎn)因素的顯著影響因素。

1 基于自然駕駛實(shí)驗(yàn)的CIEs數(shù)據(jù)采集

1.1 實(shí)驗(yàn)準(zhǔn)備及實(shí)驗(yàn)設(shè)備

為獲取實(shí)驗(yàn)數(shù)據(jù)，本研究邀請(qǐng)被試駕駛?cè)耍谧匀获{駛，以高速公路環(huán)境為基礎(chǔ)，開展連續(xù)駕駛實(shí)驗(yàn)。

實(shí)驗(yàn)共招募30名被試，26名男性，4名女性；身體健康，視力正常；年齡在33～57歲之間(均值=46.33歲，標(biāo)準(zhǔn)差=6.5歲)；駕齡在3～27年之間(均值=15.8年，標(biāo)準(zhǔn)差=6.0年)；被試每年平均行駛里程超過1 000 km，實(shí)驗(yàn)前8 h內(nèi)無飲酒等刺激性食物。被試的基礎(chǔ)信息見表1。

表1 被試的基礎(chǔ)信息

每位被試都沿著漢十高速武漢-襄陽段往返550 km駕駛。具體為上午9點(diǎn)左右從武漢理工大學(xué)余家頭校區(qū)出發(fā)，到達(dá)襄陽北出口后折返，再返回至余家頭校區(qū)。實(shí)驗(yàn)時(shí)間為5～7 h。實(shí)驗(yàn)路線見圖1。

實(shí)驗(yàn)車輛采用先進(jìn)的數(shù)據(jù)采集系統(tǒng)。該系統(tǒng)包括3路高清攝像機(jī)(面部，駕駛操作，道路環(huán)境)、CAN總線、Mobileye c2-270、智能手機(jī)等。智能手機(jī)用于采集車輛速度、加速度和其他車輛動(dòng)力學(xué)數(shù)據(jù)。本研究主要使用智能手機(jī)和高清攝像機(jī)的數(shù)據(jù)。實(shí)驗(yàn)場景見圖2。

圖1 實(shí)車實(shí)驗(yàn)路線圖Fig.1 The route of driving experimental

圖2 實(shí)車實(shí)驗(yàn)場景圖Fig.2 The driving experiment scene

1.2 CIEs事件及提取

在駕駛風(fēng)險(xiǎn)的研究中，涉及表征指標(biāo)選取過程中一般采用Near-crash和crash[11-13]來表征駕駛風(fēng)險(xiǎn)進(jìn)行研究。但在正常駕駛情況下，crash是小概率事件，且Near-crash是需要采取迅速的、劇烈的操作以避免事故的一種沖突的狀態(tài)，發(fā)生頻次也較少，所以存在樣本量不足無法更好的用于事故前駕駛風(fēng)險(xiǎn)的評(píng)估等問題。

為了更深入了解事故前乃至危險(xiǎn)事件前的駕駛風(fēng)險(xiǎn)影響因素，并更好地對(duì)駕駛風(fēng)險(xiǎn)前的預(yù)測進(jìn)行研究。隨著Guo等[7]學(xué)者提出行車安全事件(CIEs)可用來預(yù)測高風(fēng)險(xiǎn)駕駛員，所以，本研究引入CIEs行車安全事件作為風(fēng)險(xiǎn)度量進(jìn)行駕駛風(fēng)險(xiǎn)影響因素的研究。

CIEs的定義[7]為由高加速/減速率或其他運(yùn)動(dòng)特征標(biāo)記的行車安全事件，可以用來預(yù)測高風(fēng)險(xiǎn)駕駛員。前提是CIEs是由駕駛行為引起，類似于crash和near-crash事件，但CIEs造成的嚴(yán)重程度比near-crash要小，可以更好地作為風(fēng)險(xiǎn)度量在事故發(fā)生前進(jìn)行駕駛風(fēng)險(xiǎn)評(píng)估。

對(duì)預(yù)處理后的自然駕駛行為數(shù)據(jù)進(jìn)行CIEs的提取?；贑IEs的定義，結(jié)合實(shí)驗(yàn)條件，一個(gè)符合標(biāo)準(zhǔn)的CIEs必須同時(shí)滿足觸發(fā)點(diǎn)前10 s和后5 s總共15 s的駕駛數(shù)據(jù)與視頻比對(duì)正確；一個(gè)觸發(fā)點(diǎn)的提取標(biāo)準(zhǔn)為當(dāng)車輛加速度達(dá)到一定閾值(滿足其一即可)[7]：縱向：±1.5 m/s2；橫向：±1 m/s2

本研究中CIEs事件的提取流程見圖3。

圖3 CIE提取流程圖Fig.3 CIE extraction flow chart

經(jīng)駕駛數(shù)據(jù)與視頻提取對(duì)比選取，最終總共得到519個(gè)符合標(biāo)準(zhǔn)的 CIEs。每位被試的換道次數(shù)、車速>80%限速值時(shí)間占比和CIEs見表2。

表2 每位被試的駕駛數(shù)據(jù)

為了研究影響CIEs的因素，本研究借鑒以往的研究方法選取影響變量[12-13]，提供了一個(gè)全面的CIEs數(shù)據(jù)庫，主要包括以下類型：駕駛行為、CIEs條件、環(huán)境和時(shí)間條件和駕駛員信息。CIEs數(shù)據(jù)庫的主要影響因素見表3。

2 基于CIEs等參數(shù)的駕駛風(fēng)險(xiǎn)聚類研究

聚類分析提供了一個(gè)劃分駕駛風(fēng)險(xiǎn)等級(jí)的分類方法，已被應(yīng)用于交通安全研究[14-16]。在本研究中，結(jié)合實(shí)驗(yàn)采集數(shù)據(jù)，劃分一個(gè)CIEs的風(fēng)險(xiǎn)水平的主要考慮3個(gè)特征指標(biāo)：CIEs次數(shù)e、換道(LC)次數(shù)f和車速>80%限速值時(shí)間占比g，具體為

表3 CIEs 影響因素集

X=[e,f,g]T

(1)

其中，CIEs次數(shù)和換道次數(shù)分別表示每1 000 km的CIE次數(shù)和換道次數(shù)。接著使用k-均值聚類法[16]對(duì)其聚類，一般研究中對(duì)駕駛風(fēng)險(xiǎn)的分類為高、中、低3類[7-8，17]。所以本研究中，利用k-均值聚類分析，將30位被試被分為3個(gè)風(fēng)險(xiǎn)組(高、中、低)。聚類結(jié)果見圖4。

圖4 駕駛風(fēng)險(xiǎn)聚類結(jié)果Fig.4 Cluster result of driving risk

得到每個(gè)風(fēng)險(xiǎn)組的CIEs數(shù)量分布不同，低風(fēng)險(xiǎn)組21人總CIEs (328)最多，占比63.2%；高風(fēng)險(xiǎn)組1人CIEs最少(28)，占比5.4%。駕駛風(fēng)險(xiǎn)的變量概述與風(fēng)險(xiǎn)分布見表4?；趫D4和表4結(jié)果，進(jìn)行Logit模型的駕駛風(fēng)險(xiǎn)因素建模分析。

3 基于Logit模型的駕駛風(fēng)險(xiǎn)因素建模

3.1 模型方法

本研究的目的是研究行車安全事件CIEs的駕駛風(fēng)險(xiǎn)影響因素。Logit模型可以用來分析影響變量的相關(guān)性程度[18-19]，本研究采用有序Logit模型，其一般步驟如下。

表4 變量概述與風(fēng)險(xiǎn)分布表

有序Logit模型(OLM) 用因變量y表示CIEs的駕駛風(fēng)險(xiǎn),見式(2)。

yi=αi+βijxij+εi

(2)

式中:yi為影響駕駛風(fēng)險(xiǎn)CIEsi的因變量；在本研究中，CIEs的駕駛風(fēng)險(xiǎn)水平被劃分為3個(gè)等級(jí)，即低風(fēng)險(xiǎn)(yi=1)、中等風(fēng)險(xiǎn)(yi=2)和高風(fēng)險(xiǎn)(yi=3)。xij表示影響CIEsi一個(gè)解釋變量j的相關(guān)類型(駕駛行為、CIEs因素、環(huán)境因素、駕駛員信息因素等)；εi表示一個(gè)隨機(jī)誤差項(xiàng)。

3.2 Logit 模型結(jié)果分析

基于CIEs聚類分析的結(jié)果：低、中、高3個(gè)風(fēng)險(xiǎn)組，可設(shè)置一個(gè)風(fēng)險(xiǎn)水平變量來表示，分別為：1(低風(fēng)險(xiǎn)組), 2(中風(fēng)險(xiǎn)組)和3(高風(fēng)險(xiǎn)組)。因此，該變量在模型中被設(shè)置為因變量。

基于表4 提供的CIEs在風(fēng)險(xiǎn)分類下的變量分布及比例。進(jìn)行Logit模型統(tǒng)計(jì)分析，常用的統(tǒng)計(jì)軟件(如 STATA, SAS, SPSS等)，在本研究中，選用STATA12進(jìn)行駕駛風(fēng)險(xiǎn)影響因素的有序Logit分析，模型以顯著性水平小于0.1來判別變量是否顯著重要。最終得到模型參數(shù)預(yù)測結(jié)果見表5。

表5 Logit模型參數(shù)預(yù)測結(jié)果Tab.5 Estimation Result of Ordered Logit Model

注：a為建模時(shí)的參照類；***表示顯著性水平<0.01；**表示顯著性水平<0.05；* 表示顯著性水平<0.10。

從表5模型參數(shù)預(yù)測結(jié)果可知，若CIEs伴隨著較小的平均減速度，則更易增加駕駛風(fēng)險(xiǎn)；相比于急加速的CIEs類型，急剎車和急減速更易引起駕駛風(fēng)險(xiǎn)升高；相比于交通擁堵的原因，信號(hào)燈更易增加駕駛風(fēng)險(xiǎn)，而前方剎車和緊急變線更不易引起風(fēng)險(xiǎn)升高；相比于陰天，晴天更不易引起駕駛風(fēng)險(xiǎn)的升高；相比于中老年駕駛?cè)?51～60歲)，中年駕駛?cè)?41～50歲)更不易引起駕駛風(fēng)險(xiǎn)的升高，青年駕駛?cè)?30～40歲)更易增加駕駛風(fēng)險(xiǎn)；且駕齡越低更易引起駕駛風(fēng)險(xiǎn)的升高。年輕駕駛?cè)送狈Ψ€(wěn)重成熟的心態(tài)，再加上駕駛年齡短，駕駛的經(jīng)驗(yàn)相對(duì)有限，從而導(dǎo)致更多的風(fēng)險(xiǎn)駕駛行為。

通過比較表5中所有變量的估計(jì)系數(shù)β，發(fā)現(xiàn)平均減速度顯然對(duì)駕駛風(fēng)險(xiǎn)有很大的影響(β=1.982 606)，擁有較少駕駛經(jīng)驗(yàn)的年齡30～40歲的駕駛?cè)烁子休^高的駕駛風(fēng)險(xiǎn)。由于這些因素是駕駛行為變量，因此有必要為駕駛員行為變量提供適當(dāng)?shù)姆ㄒ?guī)，從而提升交通安全。

4 結(jié)論與展望

本研究通過自然駕駛實(shí)驗(yàn)獲取了數(shù)據(jù)樣本，利用行車安全事件(CIEs)來表征駕駛風(fēng)險(xiǎn)，建立CIEs數(shù)據(jù)庫，并通過k-均值聚類法對(duì)駕駛風(fēng)險(xiǎn)進(jìn)行分類，最后對(duì)主要影響因素與風(fēng)險(xiǎn)關(guān)系進(jìn)行Logit回歸分析。研究結(jié)果表明有6個(gè)因素對(duì)駕駛風(fēng)險(xiǎn)有顯著影響，包括平均減速度、CIEs類型、CIEs原因、天氣、年齡和駕齡。其中平均減速度對(duì)其影響很大，此結(jié)果與Wang等[8]在研究基于分類樹模型的駕駛風(fēng)險(xiǎn)評(píng)估系統(tǒng)中發(fā)現(xiàn)：制動(dòng)時(shí)的速度、觸發(fā)因素、潛在對(duì)象類型和潛在碰撞類型是影響駕駛風(fēng)險(xiǎn)的重要因素的結(jié)果保持一致，由此可說明事故風(fēng)險(xiǎn)發(fā)生的原因大多是駕駛員操作行為產(chǎn)生的；且年輕擁有較少駕駛經(jīng)驗(yàn)的更易引起駕駛風(fēng)險(xiǎn)的升高，此結(jié)果與呂能超等[6]在研究Near-crash事件中駕駛?cè)私?jīng)驗(yàn)影響駕駛?cè)瞬僮鹘Y(jié)果保持一致，因?yàn)槟贻p駕駛?cè)送狈Ψ€(wěn)重成熟的心態(tài)，再加上駕駛年齡短，駕駛的經(jīng)驗(yàn)相對(duì)有限，從而更易導(dǎo)致風(fēng)險(xiǎn)駕駛行為。

本研究也存在一些不足。首先，時(shí)間因素考慮不全面：如未進(jìn)行晚上的駕駛實(shí)驗(yàn)，夜晚發(fā)生的駕駛風(fēng)險(xiǎn)沒能考慮在內(nèi)；其次，性別比例不平衡：如被試駕駛?cè)酥心行云?，這也可能會(huì)導(dǎo)致性別因素對(duì)駕駛風(fēng)險(xiǎn)沒有顯著相關(guān)性；最后，CIE樣本數(shù)量提取不充足：如由于實(shí)驗(yàn)路段大部分是高速路，行車安全事件的提取樣本相對(duì)較少。因此，后續(xù)將繼續(xù)深入細(xì)致的研究，并進(jìn)一步考慮個(gè)性化的駕駛風(fēng)險(xiǎn)。