焦方源 李薇

摘 ?要：針對駕駛風險隨駕駛心態(tài)和路網信息發(fā)生變化，而目前個性化智能導航卻極其落后的嚴峻問題，以易受路網信息和駕駛心態(tài)影響的駕駛行為過程為研究對象，深入研究了路網狀態(tài)及駕駛心態(tài)與駕駛風險的本質聯(lián)系，提出了路網信息指標和駕駛風險參數(shù)及計算方法;以城鄉(xiāng)道路、高速公路相結合的車輛行駛環(huán)境為模型，運用逐級動態(tài)優(yōu)化原理，設計了適時路網信息和駕駛心態(tài)驅動下駕駛風險逐級動態(tài)智能規(guī)避機制算法，并運用Matlab仿真平臺對駕駛風險參數(shù)進行了仿真分析。結果表明，本算法能夠根據(jù)路網信息和駕駛心態(tài)適時分析計算駕駛風險并進行適時線路優(yōu)化，達到了駕駛風險控制和決策過程智能化目的。

關鍵詞：路況感知;風險規(guī)避;智能決策;個性導航;仿真分析

中圖分類號：TP399 ? ? 文獻標識碼：A

Abstract： Driving risk changes with driving mentality and road network information， while the current personalized intelligent navigation is extremely backward. In view of the problem， this paper takes driving behavior process that is easily affected by road network information and driving mentality as the research object， and conducts in-depth research on road network status and the essential connection between driving mentality and driving risk. It proposes road network information indicators， driving risk parameters and calculation methods. Algorithm of dynamic intelligent avoidance mechanism of driving risk driven by timely road network information and driving mentality is developed， taking vehicle driving environment that combines urban and rural roads and expressways as a model， and using the principle of gradual dynamic optimization. Matlab simulation platform is used to simulate and analyze driving risk parameters. The results show that the algorithm can analyze and calculate driving risks in a timely manner based on road network information and driving mentality， and timely optimize routes， realizing driving risk control and intelligent decision-making process.

Keywords： road condition perception; risk avoidance; intelligent decision-making; personalized navigation; simulation? ? ? ? ? ? ? ? ? ?analysis

1 ? 引言（Introduction）

推進智慧城市建設是我國社會發(fā)展的必然趨勢，智能交通是其中極為重要的領域，提高道路利用率和道路交通的安全程度成為迫切需要[1]。國內外學者普遍認為，單純增加道路設施或限制汽車數(shù)量是遠遠不夠的，更重要的是如何更加合理地使用現(xiàn)有的交通設施，同時將現(xiàn)代的高新信息處理技術運用到交通管理中以提高路網的交通性能和安全性能[2]。然而，我國在智能交通領域仍處于亟待發(fā)展和提高的階段，近年來重特大交通事故仍然頻繁發(fā)生，嚴重威脅著人民生命和財產安全[3]。駕駛人的異常心理狀態(tài)是引發(fā)重特大交通事故極其重要的因素[4]，目前駕駛心理、道路狀況和風險規(guī)避的關系研究尚處于局部領域和初級階段，更是缺少駕駛心理在交通事故風險規(guī)避中機理和有效實現(xiàn)方法的深入研究[5]，特別是在將適時路況信息與駕駛人心理相結合，利用智能信息處理技術實現(xiàn)有效規(guī)避駕駛風險方面還處于起步階段，更沒有達到交通事故可靠智能防范的實用狀態(tài)[6]。駕駛風險動態(tài)智能規(guī)避已成為提高人民生活質量的迫切需要和未來交通安全的發(fā)展方向[7]。本文著力探討適時路網信息和異常駕駛心態(tài)共同作用下的路、駕狀態(tài)特征和駕駛風險估算，并提出能夠有效降低駕駛風險的駕駛路線逐級動態(tài)智能優(yōu)化算法，力求達到總體駕駛風險最小化的目的。

2 ? 路、駕狀態(tài)與駕駛風險系數(shù)設置（Coifficent setting of road information，drivers' mentality and driving risks）

以最低風險為目的逐級動態(tài)智能優(yōu)化過程，就是根據(jù)當前駕駛人的駕駛心態(tài)和當前路網信息進行適時分析、風險估算，進一步對將要行駛的路線進行動態(tài)優(yōu)化調整的過程[8]。為了更好地滿足車輛行駛過程中路網信息采集、風險計算、路線優(yōu)化的需要，現(xiàn)對駕駛人心態(tài)、路況信息和駕駛風險參數(shù)作如下設置。

2.1 ? 路況狀態(tài)及其風險系數(shù)設置

由于受地形地貌、人文環(huán)境的影響，我國多數(shù)公路穿梭于山區(qū)、丘陵地區(qū)，以蜿蜒曲折的形態(tài)向前延伸，時常伴隨陡坡，而且易受雨雪等惡劣天氣的影響[9]。為準確描述公路特征對駕駛風險的影響，現(xiàn)選取常見道路狀態(tài)并定義路網性能參數(shù)，如表1所示（為節(jié)省篇幅，僅列9種）。

2.2 ? 駕駛心態(tài)及其風險系數(shù)設置

不同的駕駛人有不同的性格特點、駕駛心態(tài)、駕駛技能和駕駛習慣，這些因素在不同的道路條件下必然會對駕駛風險帶來不同的隱患[10]。為準確描述駕駛人的因素對駕駛風險的影響，現(xiàn)將駕駛人典型的異常心理狀態(tài)及其對駕駛風險的影響進行定義和描述，如表2所示（為節(jié)省篇幅，僅列9種）。

3.1 ? 個性風險系數(shù)修正

駕駛人的駕駛心理除與個人性格特征、駕駛技術熟練程度及偶然情感因素有關外，還與其經歷的遇險次數(shù)、遇險種類及事故后果有重要關系。對于正常性格的熟練駕駛人，在正常的情感因素條件下，其駕駛風險必然隨其遇險次數(shù)、事故后果嚴重程度的遞增而增加[11]。為準確描述此規(guī)律，基于

5 ?駕駛風險智能動態(tài)規(guī)避算法（Driving risk intelligent dynamic avoidance algorithm）

隨著車輛的不斷行進，車輛所處的環(huán)境、路段及性能也不斷發(fā)生改變，前方將要經過的路段和風險區(qū)域也將發(fā)生變化，駕駛人將要面對的駕駛風險必將隨著不同行駛路線而發(fā)生變化[13]。以最低風險為目的動態(tài)逐級智能優(yōu)化導航就是以表1、表2設置的基本參數(shù)為分析對象，以按特定頻率和時間間隔更新的路況和心理數(shù)據(jù)為基本數(shù)據(jù)，每一次搜索優(yōu)化過程都運用式（6）—式（12）的計算方法，對車輛將要行駛路線的風險特征進行數(shù)值分析和動態(tài)優(yōu)化，得到車輛的當前最優(yōu)（駕駛風險最?。┬旭偮肪€;整個行駛過程中搜索優(yōu)化過程按特定頻率和時間間隔重復進行，直到車輛到達目的地，以此保證車輛始終在風險最小路線上行駛。逐級動態(tài)智能優(yōu)化過程詳細流程如圖2所示，其中表示當前路線，;表示當前路線當前路段，;表示當前路線當前路段當前風險區(qū)，;表示當前路線當前路段當前風險區(qū)中的某種風險隱患，。

6 ?仿真實驗設計與數(shù)據(jù)分析（Simulation experiment design and data analysis）

6.1 ? 仿真實驗設計

車輛行駛過程就是特定心態(tài)駕駛人控制車輛沿特定路線經過一系列不同地理位置、路況和環(huán)境的過程，其中駕駛人的心態(tài)、路況及環(huán)境等因素均可能隨時間而變化，因此車輛行駛過程中駕駛風險值也將隨時間不斷變化。但是，車輛行駛是有一定速度的，如果風險路段距離較短，在這個路段上行駛的時間就會很短，在此時間范圍內駕駛風險則處于相對穩(wěn)定狀態(tài)，可視為穩(wěn)定值。逐級動態(tài)智能優(yōu)化導航就是根據(jù)這些短暫的穩(wěn)定值來計算將要行駛路線的駕駛風險值，從而對行駛路線進行優(yōu)化。為體現(xiàn)本機制的實際效果和簡化數(shù)據(jù)分析過程，現(xiàn)假定某駕駛人駕車從出發(fā)地（站點1）到目的地（站點4），途經2個中間站點，而且相鄰站點之間有4條通行路線可選，每一條路線都有不同的路況參數(shù)，具體信息如表3—表5所示。

6.2 ? 仿真數(shù)據(jù)分析

對表3—表5所示數(shù)據(jù)，運用式（6）—式（12）的參數(shù)計算方法，通過Matlab仿真平臺分別運用動態(tài)逐級優(yōu)化智能導航及傳統(tǒng)路徑最短優(yōu)先導航過程中的駕駛風險等特征參數(shù)進行仿真，得到仿真結果如圖3和圖4所示。

針對圖3，根據(jù)實驗設計方案，從出發(fā)地到目的地有2個中間站點，每個站點到下一站點有4條路線，每條路線有不同的駕駛風險值。根據(jù)圖3所示仿真數(shù)據(jù)，當特定駕駛人駕駛車輛到達站點1后應該選擇里程值最小的路線4行駛，到達站點2

后也應該選擇里程數(shù)最小的路線4行駛，到達站點3后仍應該選擇里程最小的路線4到達站點4。于是，根據(jù)逐級動態(tài)智能優(yōu)化導航方法，產生了行駛路徑：站點1路線4→站點2路

線4→站點3路線4→站點4，駕駛風險總值為2.0‰。

圖4為各站點及各路線的實際行駛里程及風險系數(shù)值，仍然運用表3—表5的數(shù)據(jù)，根據(jù)OSPF（路徑最短優(yōu)先）導航原則，當特定駕駛人駕駛車輛到達站點1后應該選擇風險值小的

路線3行駛，到達站點2后應該選擇風險最小的路線4行駛，到達站點3后應該選擇路線3到達站點4。于是，基于OSPF優(yōu)化產生了最優(yōu)行駛路徑：站點1路線3→站點2路線4→站點3路

線3→站點4，駕駛風險總值為5.62‰。

從以上兩種結果可知，逐級動態(tài)智能優(yōu)化得到的最優(yōu)行駛路線“站點1路線4→站點2路線4→站點3路線4→站點4”是針對特定駕駛人的心理狀態(tài)，按逐級優(yōu)化的方法得出的結果;而OSPF優(yōu)化得到的路線“站點1路線3→站點2路線4→站點3路線3→站點4”是在忽略駕駛人心理狀態(tài)條件下得出的結果。前者駕駛風險總值為2.0‰，而后者駕駛風險總值為5.62‰，無論從信息處理方法的智能化程度還是風險控制原理及效果方面看，前者風險控制效果更好，達到了有效控制駕駛風險的設計目的。

7 ? 結論（Conclusion）

首先，針對個性差異化導航智能決策及駕駛風險控制問題，以車輛運行過程中基于適時路網信息和駕駛人心態(tài)的駕駛行為過程為研究對象，提出了路網性能指標和駕駛風險參數(shù)及其計算方法;其次，設計了適時路網信息和駕駛心態(tài)驅動下，旨在有效降低駕駛風險的逐級智能動態(tài)風險規(guī)避算法;最后，用仿真實驗的方法對設計效果進行了驗證。結果表明，本機制能夠有效降低總體駕駛風險，并實現(xiàn)風險控制過程的智能化，達到了設計目的。本文創(chuàng)新性地將適時路況信息與駕駛心理相結合，運用逐級動態(tài)優(yōu)化原理，有效實現(xiàn)了駕駛風險的智能規(guī)避。

參考文獻（References）

[1] 陳俊亞.高速公路高風險路段的行車風險控制研究[D].西安：長安大學，2019.

[2] 陶剛.基于公安交通管理大數(shù)據(jù)的道路交通安全決策支持關鍵技術研究[D].西安：長安大學，2016.

[3] 祝春梅.城市道路交通安全影響因素綜合分析研究[D].廣州：華南理工大學，2015.

[4] 喬春玲.即時情緒和駕駛經驗在駕駛決策過程不同階段的特征表現(xiàn)[D].沈陽：遼寧師范大學，2018.

[5] 劉天亮，黃海軍，陳劍.考慮風險規(guī)避和認知更新的日常擇路行為演進[J].交通運輸工程學報，2008，8（4）：90-94，103.

[6] 趙亮.農村公路復雜條件下駕駛人典型生理心理指標變化規(guī)律及駕駛行為研究[D].西安：長安大學，2018.

[7] 丁天麟.考慮出行者風險態(tài)度的最優(yōu)路內停車策略研究及仿真分析[D].南京：南京大學，2017.

[8] 瞿衛(wèi)東.考慮風險規(guī)避的路徑選擇模型研究[D].長春：吉林大學，2018.

[9] 羅杰.山地城市道路交通安全評價指標與評價方法研究[D].重慶：重慶交通大學，2013.

[10] 嚴霞.憤怒和恐懼情景對風險決策的影響研究[D].重慶：西南大學，2008.

[11] APPARAO G， MALLIKARJUNAREDDY P， SSSV G R. Identification of ?accident black spots for national highway using GIS[J]. International Journal of Scientific & Technology Research， 2013， 2（2）：154-157.

[12] 文聰.山區(qū)高速公路事故風險因子識別與等級度量研究[D].西安：長安大學，2019.

[13] 王遠強.面向交通數(shù)據(jù)的事故分析與預測[D].天津：天津大學，2016.

作者簡介：

焦方源（1969-），男，碩士，副教授.研究領域：智能信息處理.

李 ? 薇（1982-），女，碩士，副教授.研究領域：計算機應用.