惠 飛，郭 靜，賈 碩，邢美華

長安大學(xué) 信息工程學(xué)院，西安710064

1 引言

隨著經(jīng)濟(jì)與社會(huì)的發(fā)展，生活水平逐漸提高，人們的出行已經(jīng)離不開交通工具的幫助。相關(guān)交通工具給人們帶來便利的同時(shí)，也帶來了交通擁擠、交通安全等各種問題[1]。我國是世界上受道路交通安全傷害最嚴(yán)重的國家之一，每年發(fā)生交通事故達(dá)20 多萬起。而激進(jìn)型駕駛行為[2]如急加速、急減速等是導(dǎo)致交通事故的發(fā)生主要原因之一。因此，準(zhǔn)確識別行駛車輛的異常駕駛行為對交通安全、車輛安全有著重要意義。

目前已有很多關(guān)于駕駛行為的研究，但大多數(shù)致力于針對駕駛?cè)吮救说鸟{駛行為或意圖檢測[3]，或者利用圖像以及視頻對行駛車輛進(jìn)行檢測[4]，Kumtepe等人[5]在利用車載攝像頭獲取視覺數(shù)據(jù)的基礎(chǔ)上，通過檢測道路線和道路上的車輛來提取車道偏離率和可能的碰撞時(shí)間等特征，而后使用這些特征訓(xùn)練分類器識別激進(jìn)型駕駛行為。所采用的方法大多也是使用聚類算法對駕駛行為進(jìn)行識別以及統(tǒng)計(jì)，Lee 等人[6]提出了一種基于兩層聚類的框架，以評估大規(guī)模駕駛記錄，識別潛在的侵略性駕駛行為。而對于在道路上行駛時(shí)周圍車輛的相關(guān)駕駛行為的識別成為一個(gè)積極又具有挑戰(zhàn)的新興研究領(lǐng)域，目前已有部分研究者對這部分內(nèi)容進(jìn)行了研究。Li等人[7]仿照語音識別技術(shù)，使用一種結(jié)合隱馬爾可夫模型（HMM）和貝葉斯濾波（BF）技術(shù)的新算法來識別駕駛員換道意圖；哈爾濱工業(yè)大學(xué)的羅沂等人[8]，采集車輛行駛的GPS數(shù)據(jù)，針對自由行駛、跟車行駛、環(huán)道行為和超車行為等四種駕駛行為分別建立HMM模型，并獲取表征參數(shù)，最終實(shí)現(xiàn)對以上四種駕駛行為的識別。

隨著通信技術(shù)及智能交通系統(tǒng)（ITS）、傳感技術(shù)[9]的最新進(jìn)展，車-車通信創(chuàng)建車聯(lián)網(wǎng)大環(huán)境[10]使越來越多精確行駛數(shù)據(jù)可用于異常駕駛行為檢測。在網(wǎng)絡(luò)內(nèi)的車輛通過接收周圍車輛的實(shí)時(shí)駕駛數(shù)據(jù)等信息，提高駕駛員對周圍環(huán)境的認(rèn)知，實(shí)現(xiàn)更安全有效的駕駛動(dòng)機(jī)，使異常駕駛行為識別結(jié)果更為準(zhǔn)確、客觀。Ding等人[11]提出了基于調(diào)頻連續(xù)波雷達(dá)系統(tǒng)的疏忽駕駛行為檢測方法。Talebpour等人[12]在使用車聯(lián)網(wǎng)數(shù)據(jù)的基礎(chǔ)上，提出了一種基于博弈論方法的變道模型預(yù)測換道行為。Bejani 等人[13]提出了一種包括智能手機(jī)標(biāo)定、機(jī)動(dòng)分類和駕駛風(fēng)格評估的CADSE 系統(tǒng)，以考慮交通水平和車輛類型對駕駛評估的影響。

除了以上傳統(tǒng)的識別方法之外，隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，出現(xiàn)了新的駕駛行為的識別方法，并取得了較好的檢測效果。Huang 等人[14]介紹了深度學(xué)習(xí)融合技術(shù)，并引入了三種基于深度學(xué)習(xí)的融合模型，實(shí)現(xiàn)了基于視頻的異常駕駛行為檢測任務(wù)。Zyner等人[15]提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，從基于激光雷達(dá)的跟蹤系統(tǒng)系統(tǒng)中獲取數(shù)據(jù)，為潛在沖突在發(fā)生之前提供了一個(gè)預(yù)測窗口。Altché等人[16]通過使用長短時(shí)記憶（LSTM）神經(jīng)網(wǎng)絡(luò)，對高速公路車輛未來的縱向和橫向軌跡進(jìn)行準(zhǔn)確預(yù)測，為實(shí)現(xiàn)軌跡預(yù)測的關(guān)鍵一步。Zhao等人[17]提出了一種使用長短記憶神經(jīng)網(wǎng)絡(luò)來預(yù)測交通流量的方法，取得了較好的結(jié)果。

以上方法或是在宏觀角度對駕駛行為進(jìn)行分類，或是利用圖像數(shù)據(jù)對固定行為的車輛進(jìn)行異常駕駛行為識別，針對車輛本身在駕駛員的角度對駕駛行為進(jìn)行識別的研究較少。本文使用一種拓展神經(jīng)網(wǎng)絡(luò)（BiLSTMFC 網(wǎng)絡(luò)）模型對異常駕駛行為進(jìn)行識別。該網(wǎng)絡(luò)利用車輛行車數(shù)據(jù)，在車輛行駛的過程中準(zhǔn)確識別周圍車輛的駕駛行為，該模型具有兩層結(jié)構(gòu)。第一層是RNN 結(jié)構(gòu)的變體BiLSTM[18]，利用該網(wǎng)絡(luò)在處理時(shí)間序列數(shù)據(jù)方面的優(yōu)勢來處理行車數(shù)據(jù)，通過從前-后兩個(gè)方向?qū)︸{駛行為的數(shù)據(jù)序列進(jìn)行處理，突出異常駕駛行為發(fā)生時(shí)的行車數(shù)據(jù)的數(shù)據(jù)特證，有利于提高異常駕駛行為的識別精度。第二層是全連接神經(jīng)網(wǎng)絡(luò)，用于駕駛行為的分類。利用上一層BiLSTM 模型的輸出作為這一層模型的輸入，突出了駕駛行為運(yùn)動(dòng)特征的數(shù)據(jù)作為輸入比單純使用車輛行車數(shù)據(jù)作為輸入具有更高的精度。具體流程如圖1所示。

圖1 系統(tǒng)流程圖

2 駕駛行為數(shù)據(jù)處理及其特征分析

2.1 駕駛行為數(shù)據(jù)獲取

本篇文章中所使用的相關(guān)行車數(shù)據(jù)均來自美國交通安全部安全試驗(yàn)?zāi)Ｐ筒渴鹚杉臉颖緮?shù)據(jù)（SSPDSafety Pilot Model Deployment Data），該數(shù)據(jù)于2014年10 月由模型部署的試驗(yàn)和測試團(tuán)隊(duì)發(fā)布，數(shù)據(jù)版權(quán)為美國交通部（USDOT）智能交通系統(tǒng)（ITS）聯(lián)合項(xiàng)目辦公室（JPO）所有。

本研究中所使用的數(shù)據(jù)均從配備了數(shù)據(jù)采集系統(tǒng)（DAS）的車輛中收集，DAS以10 Hz的頻率獲取車輛基本行駛數(shù)據(jù)以及路測單元中的數(shù)據(jù)，獲取之后以csv 的格式存儲(chǔ)。駕駛行為發(fā)生的時(shí)間一般較短，10 Hz 的采集頻率足以詳細(xì)描述駕駛行為發(fā)生過程中數(shù)據(jù)的變化過程，并支撐神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。所采集的數(shù)據(jù)集包含車輛位置信息：經(jīng)度和緯度等；狀態(tài)信息：油門、剎車等；運(yùn)動(dòng)信息：速度、加速度和轉(zhuǎn)向角等；以及瞬時(shí)駕駛環(huán)境：周圍物體和最近物體的距離等。

本研究使用來自26輛車的132段行程數(shù)據(jù)，其中包含510多萬條原始數(shù)據(jù)，每一條數(shù)據(jù)描述當(dāng)前車輛在某一時(shí)刻的駕駛信息。由于傳感器和通信設(shè)備的在運(yùn)行過程中會(huì)受到各方面的因素影響，從而導(dǎo)致數(shù)據(jù)的質(zhì)量出現(xiàn)各種問題，例如數(shù)據(jù)重復(fù)、數(shù)據(jù)缺失、數(shù)據(jù)錯(cuò)誤、數(shù)據(jù)波動(dòng)等問題，所以在使用數(shù)據(jù)前需對數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，如缺失數(shù)據(jù)填補(bǔ)、誤差數(shù)據(jù)處理、重復(fù)數(shù)據(jù)刪除等預(yù)處理以提高數(shù)據(jù)的質(zhì)量，如公式（1）～（4）所示：

公式（1）為數(shù)據(jù)填補(bǔ)公式，其中xi為缺失數(shù)據(jù)；xi…xi-k為缺失數(shù)據(jù)前的正常數(shù)據(jù)；k為數(shù)據(jù)采用長度，本文取3 s 的數(shù)據(jù)量。公式（2）為誤差數(shù)據(jù)處理公式，根據(jù)原始數(shù)據(jù)序列x1,x2,…,xn，求得每個(gè)序列的算術(shù)平均值xˉ和每個(gè)數(shù)據(jù)的誤差ai，依據(jù)貝塞爾公式求得σ，作為判斷閾值，對于序列中的所有數(shù)據(jù)：

如|xi-xˉ|＞3σ，誤差過大，將xi剔除；

如|xi-xˉ|＜3σ，誤差正常，將xi保留。

經(jīng)過數(shù)據(jù)預(yù)處理后，對數(shù)據(jù)進(jìn)行初步統(tǒng)計(jì)，由于相關(guān)車輛均在城市內(nèi)行駛，不存在倒車情況，故速度值均大于零。本文中隨機(jī)挑選一段行程，對速度v、GPS 速度vG、縱向加速度a、轉(zhuǎn)向角以S及油門位置T等五個(gè)運(yùn)動(dòng)特征分別計(jì)算相關(guān)數(shù)學(xué)統(tǒng)計(jì)量，包括均值、中值、最大值、最小值以及方差等。相關(guān)數(shù)據(jù)的運(yùn)動(dòng)特征及統(tǒng)齊計(jì)量結(jié)果如表1所示。

2.2 異常駕駛行為特性分析

在交通相關(guān)法律法規(guī)中，急加速、急減速行為并不屬于違法或是違規(guī)行為，但也會(huì)造成追尾等交通事故的發(fā)生，對駕駛安全有一定程度的影響。我國現(xiàn)行的交通法規(guī)對于異常駕駛行為沒有明確的定義，按照違反交通安全行為的特征分類，異常駕駛行為是突然改變通行狀態(tài)對他人安全造成影響的不文明、不安全駕駛行為，是有意影響道路交通安全的駕駛行為。

在日常的駕駛過程中，駕駛員的駕駛行為絕大多數(shù)時(shí)間內(nèi)趨于穩(wěn)定，即速度、加速度等相關(guān)參數(shù)在相當(dāng)時(shí)間內(nèi)變化幅度較小甚至保持不變。但是當(dāng)駕駛?cè)藛T的操作出現(xiàn)異常行為時(shí)，速度加速度等相關(guān)參數(shù)會(huì)突然發(fā)生變化。所以本文中闡述的異常駕駛行為檢測，是通過提取眾多數(shù)據(jù)中的加速度或轉(zhuǎn)向角明顯有異于正常值的數(shù)據(jù)，來獲取駕駛行為中異常駕駛行為。

文獻(xiàn)[19]中關(guān)于駕駛行為中速度等數(shù)據(jù)的統(tǒng)計(jì)分析發(fā)現(xiàn)在所有駕駛時(shí)間中，15%駕駛行為是不穩(wěn)定（加速時(shí)間占15%，減速時(shí)間占15%）的。結(jié)合這一分布以及現(xiàn)實(shí)數(shù)據(jù)的實(shí)際情況，對數(shù)據(jù)中加速度以及轉(zhuǎn)向角在不穩(wěn)定概率內(nèi)的數(shù)據(jù)進(jìn)行標(biāo)定，將在連續(xù)3 s時(shí)間內(nèi)加速度、轉(zhuǎn)向角均異常的數(shù)據(jù)進(jìn)行提取，標(biāo)注為異常駕駛行為。

在駕駛的過程中，任何駕駛行為都會(huì)持續(xù)一定的時(shí)間，不會(huì)在瞬時(shí)完成所有動(dòng)作。將異常駕駛行為發(fā)生的過程用包含一段包含駕駛行為異常點(diǎn)的時(shí)間連續(xù)數(shù)據(jù)段來表示。本文中數(shù)據(jù)獲取頻率f=10 Hz（0.1 s），一般駕駛行為完成的時(shí)間t＜3 s，故定義時(shí)間窗口的長度為30，窗口內(nèi)包含車輛行駛時(shí)的30 組數(shù)據(jù)，滑動(dòng)窗口，可在包含X組數(shù)據(jù)的行為序列中獲得X-29 段駕駛行為。

駕駛過程中的平穩(wěn)駕駛、正常的加速、減速或轉(zhuǎn)向與異常駕駛行為的區(qū)別如圖2 所示。圖2（a）表示了車輛急加速行駛時(shí)加速度的變化過程：圖中紅色曲線表示平穩(wěn)駕駛行為的加速度變化曲線，加速度在小范圍內(nèi)波動(dòng)-0.5 m/s2＜a＜0.5 m/s2；黃色曲線表示正常加速行駛時(shí)的加速度變化曲線，曲線的增長趨勢較平緩，加速度峰值不高；藍(lán)色曲線所示為急加速駕駛行為，曲線增長速度較快，加速度明顯持續(xù)的大于正常值，且峰值較高。

圖2（b）表示了車輛急減速行駛時(shí)加速度的變化過程。黃色曲線表示正常減速行駛時(shí)的反向加速度變化曲線，曲線的下降趨勢平緩。而藍(lán)色曲線所示為急減速駕駛行為，曲線下降趨勢較快，在一段時(shí)間內(nèi)，反向加速度明顯持續(xù)的小于正常值，且出現(xiàn)了加速度的最低點(diǎn)。

圖2（c）與圖2（d）分別表示異常左向急轉(zhuǎn)彎與右向急轉(zhuǎn)時(shí)的轉(zhuǎn)向角的數(shù)據(jù)變化過程。所示圖中，兩根豎直紅色虛線內(nèi)的部分為標(biāo)注的異常駕駛行為。當(dāng)車輛正常平穩(wěn)行駛時(shí)，轉(zhuǎn)向角穩(wěn)定在零附近，如圖中紅線所示；在城市道路交通中，車輛變道及轉(zhuǎn)彎行駛時(shí)是減速行駛的，轉(zhuǎn)向角變化較平緩，且峰值不會(huì)很高，持續(xù)時(shí)間較短，如圖中黃線所示；但是當(dāng)車輛出現(xiàn)異常的左轉(zhuǎn)或右轉(zhuǎn)時(shí)，如車輛避險(xiǎn)時(shí)，車輛的轉(zhuǎn)向角變化較明顯，數(shù)據(jù)出現(xiàn)突然的上升或下降，且具有較高的峰值。如圖中藍(lán)色線所示。

表1 數(shù)據(jù)運(yùn)動(dòng)特征及其統(tǒng)計(jì)量

2.3 異常駕駛行為數(shù)據(jù)集的建立

根據(jù)異常駕駛行為的定義，通過異常點(diǎn)檢測，在原始數(shù)據(jù)中找到異常駕駛行為所在位置，并利用滑動(dòng)窗口截取相應(yīng)數(shù)據(jù)段來表示駕駛行為。單個(gè)數(shù)據(jù)異常很有可能是由于硬件或傳輸異常造成，所以對于某一時(shí)刻出現(xiàn)加速度或速度異常時(shí)不作為異常駕駛行為考慮。本文中共截取1 200 個(gè)數(shù)據(jù)段建立數(shù)據(jù)集，其中包括400段正常行駛數(shù)據(jù)段、200段急加速數(shù)據(jù)段、200段急減速數(shù)據(jù)段以及200段左向急轉(zhuǎn)彎數(shù)據(jù)段和200段右向急轉(zhuǎn)彎數(shù)據(jù)段。從1 200 個(gè)數(shù)據(jù)段中選取80%作為訓(xùn)練集，20%作為驗(yàn)證集，其中各駕駛行為類別在訓(xùn)練集與驗(yàn)證集所占比例均與其在所有數(shù)據(jù)集中所占比例相同。

圖2 異常駕駛行為數(shù)據(jù)

3 BiLSTM-FC模型構(gòu)建

異常駕駛行為識別主要使用的數(shù)據(jù)是車輛行駛過程中的數(shù)據(jù)，這些數(shù)據(jù)具有時(shí)間連續(xù)性，每一時(shí)刻的數(shù)據(jù)前后互相關(guān)聯(lián)。后期數(shù)據(jù)的變化是在前期數(shù)據(jù)的基礎(chǔ)上完成，而BiLSTM模型可以更好地捕捉駕駛行為在時(shí)間序列上的雙向依賴。同時(shí)其循環(huán)結(jié)構(gòu)，選擇性地記憶或遺忘輸入的數(shù)據(jù)。因此，在處理車輛運(yùn)動(dòng)學(xué)數(shù)據(jù)時(shí)，可以保存對結(jié)果有重要影響的數(shù)據(jù)，如速度、轉(zhuǎn)向角等；而不影響結(jié)果的數(shù)據(jù)將被遺忘。因此，本文使用的拓展模型是基于一層BiLSTM 網(wǎng)絡(luò)以及一層全連接神經(jīng)網(wǎng)絡(luò)。BiLSTM網(wǎng)絡(luò)將前面的信息進(jìn)行記憶，保存在網(wǎng)絡(luò)的內(nèi)部狀態(tài)中，并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱含層之間有鏈接，并且隱含層的輸入包含輸入層的輸出以及上一時(shí)刻隱含層的輸出。利用BiLSTM這一優(yōu)勢，獲取原始數(shù)據(jù)中的駕駛行為特征，所得結(jié)果作為下一層全連接神經(jīng)網(wǎng)絡(luò)的輸入，對異常駕駛行為進(jìn)行識別分類。

這里的輸入t有30個(gè)時(shí)間段，與數(shù)據(jù)集中每個(gè)異常駕駛行為的時(shí)間長度相同，每條數(shù)據(jù)內(nèi)容中包含速度、加速度、GPS經(jīng)緯度等11個(gè)特征值，將原始輸入調(diào)整為具有30個(gè)元素的矢量，每個(gè)元素為1×11 的數(shù)組。這30個(gè)時(shí)序一次送入BiLSTM 中，具如圖3 所示。根據(jù)數(shù)據(jù)輸入維度，建立異常駕駛行為檢測模型。

圖3 BiLSTM模塊結(jié)構(gòu)圖

3.1 BiLSTM模塊

LSTM 作為RNN 的一種變體，由Hochreiter 等人[20]于1997 年提出，LSTM 在繼承了RNN 在處理時(shí)間序列方面優(yōu)點(diǎn)的同時(shí)解決了RNN梯度消失的問題，BiLSTM將前向與后向LSTM相結(jié)合，能更好地從兩個(gè)方向獲取數(shù)據(jù)特征。由于車輛的行車數(shù)據(jù)具有時(shí)間連續(xù)性，如果時(shí)間序列數(shù)據(jù)直接由全連通神經(jīng)網(wǎng)絡(luò)處理，會(huì)造成數(shù)據(jù)丟失，降低模型精度。此外，在處理時(shí)間序列數(shù)據(jù)時(shí)，BiLSTM會(huì)考慮數(shù)據(jù)序列中數(shù)據(jù)之間的相關(guān)性，這樣可以最大限度地利用時(shí)間數(shù)據(jù)。

BiLSTM有向前和向后兩個(gè)訓(xùn)練層，每一層訓(xùn)練序列都是由長短記憶網(wǎng)絡(luò)（LSTM）構(gòu)成，而且這兩個(gè)都連接著一個(gè)輸出層。這個(gè)結(jié)構(gòu)提供給輸出層輸入序列中每一個(gè)點(diǎn)的完整的過去和未來的上下文信息，即駕駛行為在發(fā)生時(shí)前后時(shí)間內(nèi)的數(shù)據(jù)在順時(shí)和逆時(shí)兩個(gè)時(shí)間方向的信息都會(huì)通過隱藏層保留。本文所使用的BiLSTM 如圖4 所示，一個(gè)沿著時(shí)間展開的雙向長短記憶網(wǎng)絡(luò)，包含輸入層、前向LSTM層、后向LSTM層以及輸出層。圖中x1,x2,…,xn是新時(shí)刻輸入的信息，本文中n=30，x1,x2,…,x30代表數(shù)據(jù)集中連續(xù)30 個(gè)時(shí)刻的駕駛行為數(shù)據(jù)；Ct-1與at-1上文信息的表示，Ct與at表示本層傳遞給下一層的相關(guān)信息。六個(gè)獨(dú)特的權(quán)值在每一個(gè)時(shí)步被重復(fù)的利用，六個(gè)權(quán)值分別對應(yīng)：輸入到向前和向后隱含層(w1,w3)，隱含層到隱含層自己(w2,w5)，向前和向后隱含層到輸出層(w4,w6)。前向和后向隱含層之間沒有信息流，展開圖是非循環(huán)的，前向后向LSTM 對異常駕駛行為數(shù)據(jù)的處理結(jié)果依據(jù)權(quán)值(w4,w6)直接到達(dá)輸出層。

圖4 BiLSTM模塊結(jié)構(gòu)圖

另外，Wf與與Wb分別代表前向與后向LSTM，本文使用變體LSTM：窺視孔連接[21]（Peephole），該結(jié)構(gòu)彌補(bǔ)了傳統(tǒng)LSTM 中遺忘門中的缺點(diǎn)，使得當(dāng)前的cell 狀態(tài)能夠通過輸入門和遺忘門影響到下一時(shí)刻cell 對數(shù)據(jù)的處理，補(bǔ)充傳統(tǒng)LSTM 中cell 對上個(gè)序列處理中所丟失的部分?jǐn)?shù)據(jù)，運(yùn)用在車輛的行駛數(shù)據(jù)可以保留數(shù)據(jù)在時(shí)間序列上的變化特征，Peephole 展開后具體如圖5所示。

圖5 Peephole結(jié)構(gòu)圖

Peephole 由一個(gè)或多個(gè)內(nèi)存單元和三個(gè)門控制器（gate controllers）單元組成：輸入門、輸出門和遺忘門。其中xt是當(dāng)前的輸入向量，本實(shí)驗(yàn)中為每個(gè)時(shí)刻行車數(shù)據(jù)的輸入，ht是當(dāng)前隱藏層向量，ht包含LSTM細(xì)胞的輸出，以及i,f,o和g分別是輸入門、遺忘門、輸出門和細(xì)胞向量，所有這些都與隱藏向量hi的大小相同，c為長期狀態(tài)。遺忘門（forget gate，由ft控制）決定哪些長期記憶被遺忘；輸入門（input gate，由it控制）決定被添加到長期記憶的內(nèi)容；輸出門（output gate，由ot控制）決定長期記憶中讀取和輸出的內(nèi)容。具體計(jì)算公式如下：

其中，公式（5）為輸入門計(jì)算公式，公式（6）為遺忘門計(jì)算公式，公式（7）為內(nèi)部神經(jīng)元計(jì)算公式，公式（8）為輸出門計(jì)算公式，公式（9）及公式（10）分別為長期狀態(tài)及隱藏狀態(tài)的計(jì)算公式。Wxi,Wxf,Wxc,Wxo是4個(gè)全連接層關(guān)于輸入向量xt的權(quán)重矩陣。Whi,Whf,Whc,Who是4個(gè)全連接層關(guān)于短期記憶ht-1的權(quán)重矩陣。bi,bf,bo,bg是4個(gè)全連接層的偏置項(xiàng)。bf初始為全是1的矩陣。

3.2 全連接神經(jīng)網(wǎng)絡(luò)模塊

全連通網(wǎng)絡(luò)是最基本、最簡單的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由于參數(shù)量以及計(jì)算量較大等原因，使用越來越少，但是在本文中，輸入及輸出尺寸固定且數(shù)量較少，不存在上述問題；而且其在多參數(shù)融合中表現(xiàn)良好，且對輸出維度沒有具體要求，同時(shí)具有可靠性高、低延時(shí)等特點(diǎn)，適用于對本文中異常駕駛行為進(jìn)行分類因此采用全連通網(wǎng)絡(luò)作為分類網(wǎng)絡(luò)。全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6 所示。本文中將BiLSTM 的輸出作為全連接神經(jīng)網(wǎng)絡(luò)的輸入，輸出神經(jīng)元個(gè)數(shù)與分類結(jié)果的類別個(gè)數(shù)相同。

圖6 全連接神經(jīng)網(wǎng)絡(luò)層結(jié)構(gòu)圖

在本文中，提取的所有駕駛行為數(shù)據(jù)，包括速度、加速度以及GPS 點(diǎn)等經(jīng)過BiLSTM 處理，BiLSTM 輸出數(shù)據(jù)維度與輸入數(shù)據(jù)維度相同，輸出數(shù)據(jù)作為全連接網(wǎng)絡(luò)層的輸入，最后利用softmax 函數(shù)完成分類。結(jié)果分為急加速、急減速、左線急轉(zhuǎn)、右向急轉(zhuǎn)以及正常行駛五類，輸出維度為5。

4 實(shí)驗(yàn)過程及結(jié)果驗(yàn)證

本文所使用的算法是在Keras框架中使用Python3.7編譯器算法構(gòu)建的。建立算法模型后，輸入數(shù)據(jù)集中的樣本。在訓(xùn)練時(shí)，為了防止過擬合，在前向及后向LSTM網(wǎng)絡(luò)后添加Dropout函數(shù)；網(wǎng)絡(luò)模型包含三層，分別是正向LSTM、反向LSTM以及最后的全連接層。

為了驗(yàn)證本文使用的算法對異常駕駛行為檢測識別的準(zhǔn)確性，分別使用相同的訓(xùn)練數(shù)據(jù)來訓(xùn)練多個(gè)算法網(wǎng)絡(luò)，分別是BiLSTM-FC 網(wǎng)絡(luò)、LSTM 網(wǎng)絡(luò)、RNN 網(wǎng)絡(luò)以及傳統(tǒng)的BP 網(wǎng)絡(luò)。對比在訓(xùn)練過程中，識別率的大小以及損失函數(shù)的變化（算法模型的識別結(jié)果與實(shí)際結(jié)果的差異）均是反映算法的效果模型好壞的重要參數(shù)。識別率越高、損失函數(shù)值越小，識別結(jié)果越接近真實(shí)結(jié)果，識別效果越好。

如圖7 所示，圖7（a）為本文中使用的BiLSTM-FC拓展神經(jīng)網(wǎng)絡(luò)的識別率，圖中藍(lán)色線分別表示了訓(xùn)練過程中的識別率變化曲線，綠色線為測試時(shí)識別率的變化曲線；圖7（b）為損失函數(shù)，圖中藍(lán)色線為訓(xùn)練過程中的損失函數(shù)，橘色線為測試時(shí)的損失函數(shù)。圖8中，（a）為RNN網(wǎng)絡(luò)的識別率，（b）為BP網(wǎng)絡(luò)的識別率。其中，橘色線代表訓(xùn)練過程中識別精度的變化趨勢，藍(lán)色線代表測試過程中識別精度的變化趨勢。圖中accuracy 的值發(fā)生突變是由于神經(jīng)元的權(quán)值變化對網(wǎng)絡(luò)輸出有顯著影響，受輸入數(shù)據(jù)差異的影響，在迭代中產(chǎn)生了較大訓(xùn)練誤差。隨著訓(xùn)練過程的進(jìn)行，權(quán)值的變化幅度會(huì)逐漸減小，accuracy 值的突變也就會(huì)逐步減小。如圖7、圖8所示，BiLSTM-FC的識別率要優(yōu)于RNN網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的識別率。對比兩種模型損失函數(shù)變化曲線。LSTMFC 較其他模型識別率較高，隨著訓(xùn)練次數(shù)的增多趨于平緩，收斂速度較快，損失函數(shù)值也較低，說明BiLSTMFC的識別效果具有顯著優(yōu)勢。

從上述實(shí)驗(yàn)結(jié)果中可以得出BiLSTM-FC模型對于異常駕駛行為的識別優(yōu)于RNN 以及LSTM 等，為了降低實(shí)驗(yàn)結(jié)果的偶然性，使用同樣的數(shù)據(jù)集分別對各網(wǎng)絡(luò)模型做三次實(shí)驗(yàn)，并對識別率、損失值等實(shí)驗(yàn)結(jié)果取平均值，最終根據(jù)平均值對各網(wǎng)絡(luò)模型進(jìn)行比較，具體異常駕駛行為的檢測識別結(jié)果如表2所示。其中BP的識別率不是很理想，最終為86.82%，BiLSTM 的識別率最高達(dá)到了98.08%。

表2 數(shù)據(jù)運(yùn)動(dòng)特征及其統(tǒng)計(jì)量

圖7 BiLSTM模型識別率與損失函數(shù)

圖8 RNN模型識別率與BP模型識別率

5 結(jié)論

異常駕駛行為是影響交通安全、導(dǎo)致交通事故的主要原因之一。目前已有的研究中，使用深度學(xué)習(xí)對駕駛行為進(jìn)行識別的工作還較少。使用神經(jīng)網(wǎng)絡(luò)建立模型，使實(shí)時(shí)識別出的駕駛行為能夠具體到準(zhǔn)確的時(shí)間、準(zhǔn)確的車輛，提高駕駛行為識別在提高交通安全方面的作用。本中使用車輛終端采集的車輛行駛數(shù)據(jù)來識別異常駕駛行為。數(shù)據(jù)預(yù)處理后，采用統(tǒng)計(jì)方法對異常加速度點(diǎn)進(jìn)行分類。然后結(jié)合相關(guān)駕駛經(jīng)驗(yàn)，分割車輛駕駛數(shù)據(jù)，提取出用于訓(xùn)練模型的數(shù)據(jù)樣本，構(gòu)建異常駕駛行為訓(xùn)練模型用于識別行駛時(shí)車輛的駕駛行為。模型中第一層BiLSTM處理時(shí)間序列數(shù)據(jù)，第二層全連接神經(jīng)網(wǎng)絡(luò)用于對異常駕駛行為進(jìn)行檢測識別，該模型對異常駕駛行為的識別率達(dá)到98.08%。實(shí)驗(yàn)結(jié)果表明，所使用的BiLSTM-FC拓展網(wǎng)絡(luò)模型能夠識別異常駕駛行為，具有較高的識別率。研究結(jié)果有助于提高交通行駛安全性。