王廣川

(中冶(貴州)建設(shè)投資發(fā)展有限公司 貴陽(yáng)市 550000)

0 引言

交通安全是社會(huì)管理領(lǐng)域的重要組成部分[1]，90%的交通事故是由駕駛員的冒險(xiǎn)行為造成的。速度是交通安全中最重要的因素之一，因?yàn)楦咚贂?huì)增加撞車(chē)風(fēng)險(xiǎn)和更嚴(yán)重的傷害[2]。在本研究中，駕駛風(fēng)險(xiǎn)的狀態(tài)是減速區(qū)內(nèi)的行為，容易造成不良后果。車(chē)輛運(yùn)動(dòng)的參數(shù)通常是車(chē)速、加速度和車(chē)輛軌跡[3]?？梢酝ㄟ^(guò)觀察車(chē)輛運(yùn)動(dòng)參數(shù)來(lái)識(shí)別駕駛風(fēng)險(xiǎn)。檢測(cè)模型的準(zhǔn)確性是一個(gè)關(guān)鍵因素[4]。因此，建立一個(gè)高精度的神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別駕駛風(fēng)險(xiǎn)?；趶V義回歸神經(jīng)網(wǎng)絡(luò)模型對(duì)高速公路減速區(qū)駕駛風(fēng)險(xiǎn)檢測(cè)進(jìn)行研究，旨在降低事故發(fā)生率，保障駕駛員安全。

1 駕駛風(fēng)險(xiǎn)的影響因素分析

現(xiàn)有研究表明，影響駕駛員駕駛能力的主要因素有三個(gè)：

(1)疲勞導(dǎo)致駕駛員身體機(jī)能失衡。

(2)由于外界因素的干擾，分心駕駛使司機(jī)很難集中注意力。

(3)駕駛員受到暫時(shí)性傷害，如駕駛員實(shí)際工作能力下降，藥物和酒精的副作用。

車(chē)輛在減速區(qū)的狀態(tài)是駕駛員操縱車(chē)輛情況的具體表現(xiàn)，它可以確定駕駛員是否處于危險(xiǎn)狀態(tài)。駕駛員在危險(xiǎn)情況下的一個(gè)重要特征是操作車(chē)輛的反應(yīng)時(shí)間增加。處于危險(xiǎn)駕駛條件下的駕駛員通常會(huì)對(duì)突然的速度制動(dòng)做出反應(yīng)，以降低車(chē)輛的速度。此外，當(dāng)車(chē)輛行駛通過(guò)減速區(qū)時(shí)，如果沒(méi)有低于規(guī)定速度，這也是危險(xiǎn)的駕駛狀態(tài)。因此，通過(guò)車(chē)輛運(yùn)動(dòng)參數(shù)來(lái)檢測(cè)駕駛員的狀態(tài)是有效的。

為了建立駕駛風(fēng)險(xiǎn)的檢測(cè)模型，初步選擇反應(yīng)時(shí)間、加速度、初始速度、最終速度和速度差五個(gè)指標(biāo)作為危險(xiǎn)駕駛評(píng)估的表征指標(biāo)。詳情見(jiàn)表1。根據(jù)減速區(qū)的特點(diǎn)，我們?cè)O(shè)計(jì)了危險(xiǎn)駕駛狀態(tài)的檢測(cè)流程，如圖1所示。

表1 駕駛風(fēng)險(xiǎn)表征指標(biāo)集

圖1 危險(xiǎn)駕駛狀態(tài)的檢測(cè)過(guò)程

2 實(shí)驗(yàn)測(cè)試和數(shù)據(jù)優(yōu)化

本實(shí)驗(yàn)的目的是收集減速區(qū)內(nèi)駕駛員和車(chē)輛的數(shù)據(jù)，如加速度、反應(yīng)時(shí)間、初始速度、最終速度和速度差。

2.1 實(shí)驗(yàn)實(shí)施過(guò)程

基于實(shí)驗(yàn)?zāi)康模覀兺ㄟ^(guò)模擬駕駛實(shí)驗(yàn)開(kāi)發(fā)了一套綜合數(shù)據(jù)采集程序。我們選擇模擬駕駛平臺(tái)中的高速公路減速區(qū)場(chǎng)景作為典型路段，模擬駕駛平臺(tái)包含多個(gè)用于采集行為和車(chē)輛信號(hào)的傳感器，應(yīng)用于各種駕駛行為實(shí)驗(yàn)。

有四種駕駛狀態(tài)：“正常駕駛”“超速駕駛”“分心駕駛”和“疲勞駕駛”。每個(gè)駕駛員在四種駕駛條件下繼續(xù)接受大約30min的測(cè)試。實(shí)驗(yàn)設(shè)備實(shí)時(shí)采集駕駛員的生理信息、車(chē)輛運(yùn)行參數(shù)和駕駛環(huán)境信息。駕駛員控制模擬駕駛平臺(tái)完成根據(jù)實(shí)驗(yàn)操作過(guò)程的要求進(jìn)行自然操作，多個(gè)傳感器采集所需的五個(gè)指標(biāo)，即初始速度V1、最終速度VF、速度差△V，反應(yīng)時(shí)間T，加速度a。

實(shí)驗(yàn)完成后，總結(jié)每個(gè)駕駛員的特征、車(chē)輛運(yùn)行狀態(tài)、駕駛環(huán)境等數(shù)據(jù)，建立高速公路減速區(qū)駕駛實(shí)驗(yàn)數(shù)據(jù)庫(kù)，完成檢測(cè)模型。

2.2 有效數(shù)據(jù)提取

根據(jù)實(shí)驗(yàn)方案，我們需要通過(guò)多個(gè)傳感器獲得五個(gè)原始參數(shù)的信息。在獲得上述樣本數(shù)據(jù)后，可以根據(jù)式(1)、式(2)和式(3)計(jì)算反應(yīng)時(shí)間，經(jīng)過(guò)以上處理，我們可以得到上述五個(gè)所需的指標(biāo)。

tR=t2-t1

(1)

ΔV=VF-V1

(2)

(3)

在這個(gè)模擬實(shí)驗(yàn)中，每個(gè)駕駛員必須執(zhí)行三個(gè)正常駕駛過(guò)程和三個(gè)危險(xiǎn)駕駛過(guò)程。危險(xiǎn)駕駛過(guò)程分為超速駕駛、分心駕駛和疲勞駕駛。對(duì)于正常行駛，我們規(guī)定行駛速度不能超過(guò)高速公路相關(guān)路段的限速值。對(duì)于危險(xiǎn)駕駛，由于模擬特點(diǎn)和實(shí)驗(yàn)操作中的誤差，我們也剔除了無(wú)效數(shù)據(jù)。數(shù)據(jù)的組成如表2所示。

表2 部分原始樣本數(shù)據(jù)

在本實(shí)驗(yàn)中，我們從31名駕駛員那里獲得了60多個(gè)小時(shí)的數(shù)據(jù)，并采用均勻抽樣的方法提取了正常和危險(xiǎn)狀態(tài)下的332組有效數(shù)據(jù)。具體來(lái)說(shuō)，訓(xùn)練集中有266個(gè)樣本，其中133個(gè)樣本分別處于正常狀態(tài)和危險(xiǎn)狀態(tài)；測(cè)試集中有66個(gè)樣本，其中33個(gè)樣本分別處于正常狀態(tài)和危險(xiǎn)狀態(tài)。

2.3 最佳表征篩選

表2是基于多個(gè)傳感器的原始數(shù)據(jù)集，每組數(shù)據(jù)包含加速度、反應(yīng)時(shí)間、初始速度、最終速度和速度差五個(gè)指標(biāo)。檢驗(yàn)五個(gè)指標(biāo)在正常和危險(xiǎn)狀態(tài)下是否有顯著差異，選出被檢驗(yàn)的指標(biāo)作為駕駛風(fēng)險(xiǎn)的最佳指標(biāo)。測(cè)試結(jié)果見(jiàn)表3。

表3 各項(xiàng)指標(biāo)的方差分析結(jié)果

表3中的分析結(jié)果表明，在正常和危險(xiǎn)狀態(tài)之間，初始速度、最終速度、反應(yīng)時(shí)間和加速度存在顯著差異(P<0.05)。也就是說(shuō)以上四個(gè)指標(biāo)都可以作為駕駛風(fēng)險(xiǎn)的理想指標(biāo)。然而速度差沒(méi)有通過(guò)方差分析測(cè)試。因此，加速度、反應(yīng)時(shí)間、初始速度和最終速度這四個(gè)指標(biāo)將被用作駕駛風(fēng)險(xiǎn)檢測(cè)模式識(shí)別的指標(biāo)。

3 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的駕駛風(fēng)險(xiǎn)檢測(cè)模型

3.1 經(jīng)典GRNN的結(jié)構(gòu)

在許多非線性模型中，人工神經(jīng)網(wǎng)絡(luò)模型因其良好的自適應(yīng)能力而得到廣泛應(yīng)用[5]。此外，在實(shí)際建模和計(jì)算中，廣義回歸神經(jīng)網(wǎng)絡(luò)比其他非線性模型具有更高的預(yù)測(cè)精度和更快的計(jì)算速度。GRNN是基于非線性回歸理論的前饋神經(jīng)網(wǎng)絡(luò)模型，結(jié)構(gòu)由四層組成，即輸入層、模式層、求和層和輸出層，如圖2所示。

圖2 廣義回歸神經(jīng)網(wǎng)絡(luò)的經(jīng)典結(jié)構(gòu)

輸入矩陣是X = [ x1,x2,…,xn]T，輸出矩陣是Y = [ y1,y2,…,yn]T。神經(jīng)元的數(shù)量等于訓(xùn)練樣本中輸入矩陣的維數(shù)。輸入層只將樣本變量發(fā)送到模式層，不參與實(shí)際操作。模式層神經(jīng)元的數(shù)量等于訓(xùn)練集樣本的數(shù)量，層神經(jīng)元傳遞函數(shù)為：

(4)

求和層使用兩種類型的神經(jīng)元來(lái)表示所有模式層神經(jīng)元的線。模式層和每個(gè)神經(jīng)元的連接權(quán)重為1，第一類求和函數(shù)為：

(5)

第二類加權(quán)所有模式層的神經(jīng)元，模式層與每個(gè)神經(jīng)元之間的連接權(quán)值作為訓(xùn)練集的輸出矩陣，第二類求和函數(shù)為：

(6)

輸出層中的每個(gè)神經(jīng)元都與求和層的兩種類型的結(jié)果相關(guān)聯(lián)。輸出函數(shù)是：

(7)

3.2 廣義回歸神經(jīng)網(wǎng)絡(luò)的算法過(guò)程

(1)生成訓(xùn)練集和測(cè)試集

我們使用隨機(jī)方法來(lái)生成訓(xùn)練集和測(cè)試集。如上所述，實(shí)驗(yàn)數(shù)據(jù)包括駕駛狀態(tài)的類別(正常駕駛和危險(xiǎn)駕駛)和四個(gè)指示器(加速度、反應(yīng)時(shí)間、初始速度和最終速度)。一些樣本數(shù)據(jù)如表4所示。訓(xùn)練集中有266個(gè)樣本，測(cè)試集中有66個(gè)樣本。

(2)創(chuàng)建用于驅(qū)動(dòng)風(fēng)險(xiǎn)的GRNN模型組

我們使用MATLAB神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù)“newgrnn”來(lái)創(chuàng)建GRNN模型，建立了四個(gè)變量的總組合。將其分為15組，每個(gè)模型單獨(dú)構(gòu)建。例如：模型1中輸入層的變量是初始速度，模型2中輸入層的變量是初始速度和最終速度(應(yīng)為反應(yīng)時(shí)

表4 訓(xùn)練集和測(cè)試集的樣本數(shù)據(jù)

間)。輸入變量的組合如圖3所示，對(duì)應(yīng)于15個(gè)廣義回歸神經(jīng)網(wǎng)絡(luò)模型。

圖3 輸入對(duì)應(yīng)于15個(gè)模型的變量組合

(3)模擬測(cè)試

駕駛風(fēng)險(xiǎn)的GRNN模型建立后，可以將測(cè)試集的輸入矩陣納入模型，模型的輸出即為相應(yīng)的預(yù)測(cè)結(jié)果。

(4)性能賦值

通過(guò)計(jì)算測(cè)試集的預(yù)測(cè)類別和實(shí)際類別之間的誤差，可以評(píng)價(jià)廣義回歸神經(jīng)網(wǎng)絡(luò)模型對(duì)駕駛風(fēng)險(xiǎn)的泛化能力。同時(shí)，MATLAB函數(shù)“cputime”可以用來(lái)計(jì)算程序的運(yùn)行時(shí)間，即衡量程序的運(yùn)行速度和性能。

3.3 結(jié)果討論

由于訓(xùn)練集和測(cè)試集是隨機(jī)生成的，所以每次計(jì)算的結(jié)果略有不同。某些程序操作的結(jié)果是隨機(jī)選擇的，因此模型組的預(yù)測(cè)精度、運(yùn)行時(shí)間和最優(yōu)模型測(cè)試結(jié)果分別顯示在圖4、圖5、圖6中。

(1)從圖4可以看出，廣義回歸神經(jīng)網(wǎng)絡(luò)模型具有良好的泛化能力，測(cè)試集的最佳預(yù)測(cè)準(zhǔn)確率高達(dá)86.4%

(2)從圖4可以看出，單獨(dú)輸入每個(gè)變量建立的廣義回歸神經(jīng)網(wǎng)絡(luò)模型的數(shù)量為模型1、模型5、模型8和模型10，其中，僅由加速度建立的廣義回歸神經(jīng)網(wǎng)絡(luò)模型性能最差，而正確率只有59%。分別輸入反應(yīng)時(shí)間、初始速度和最終速度的廣義回歸

圖4 15個(gè)模型的預(yù)測(cè)精度

圖5 15個(gè)模型的運(yùn)行時(shí)間

圖6 模型4的預(yù)測(cè)結(jié)果

神經(jīng)網(wǎng)絡(luò)模型具有更好的性能，正確率分別為74%、80%和79%。這說(shuō)明加速度和車(chē)輛運(yùn)動(dòng)之間的相關(guān)性很小，但是初始速度、最終速度、反應(yīng)時(shí)間和車(chē)輛運(yùn)動(dòng)之間的相關(guān)性很大。

(3)在圖4中，模型1的輸入變量是加速度，模型2的輸入變量是加速度和反應(yīng)時(shí)間，模型3的輸入變量是加速度、反應(yīng)時(shí)間和初始速度，模型4的輸入變量是加速度、反應(yīng)時(shí)間、初始速度和最終速度。從圖3可以看出，從模型1到模型4，預(yù)測(cè)精度逐漸提高，同樣的規(guī)則也適用于模型5～模型7和模型8～模型9，這表明多種因素有助于對(duì)駕駛狀態(tài)的識(shí)別。輸入變量的數(shù)量與預(yù)測(cè)準(zhǔn)確率正相關(guān)。

(4)從圖5可以看出，15個(gè)模型的平均運(yùn)行時(shí)間約為0.2s，比BP神經(jīng)網(wǎng)絡(luò)算法快得多

(5)圖6中測(cè)試集預(yù)測(cè)表明模型4對(duì)應(yīng)駕駛風(fēng)險(xiǎn)檢測(cè)結(jié)果最優(yōu)值，是一個(gè)典型的涉及四個(gè)參數(shù)的運(yùn)行模型。模型4的預(yù)測(cè)精度為86.4%，高于其他模型。

4 結(jié)論

交通事故是對(duì)社會(huì)生活有負(fù)面影響的問(wèn)題之一。由于旅行次數(shù)增加，它對(duì)人們的生活產(chǎn)生了負(fù)面影響。它不僅會(huì)威脅個(gè)人健康，還會(huì)因?yàn)榻?jīng)濟(jì)損失而擾亂管理系統(tǒng)。

本研究旨在建立高速公路減速區(qū)行駛風(fēng)險(xiǎn)檢測(cè)模型。在本研究中，考慮提高廣義回歸神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度。這四個(gè)參數(shù)是通過(guò)方差分析選擇的，很明顯，輸入變量的數(shù)量與預(yù)測(cè)準(zhǔn)確率正相關(guān)。因此提出了15個(gè)模型來(lái)選擇最佳預(yù)測(cè)模型，將廣義回歸神經(jīng)網(wǎng)絡(luò)模型用于車(chē)輛運(yùn)動(dòng)檢測(cè)，可以顯著降低駕駛風(fēng)險(xiǎn)。