孫宮昊 榮建 常鑫 劉思楊 高亞聰

（1.北京工業(yè)大學(xué)，北京 100124；2.中國民航大學(xué)，天津 300300）

主題詞：駕駛行為 駕駛風(fēng)險(xiǎn) 模式轉(zhuǎn)移概率 隨機(jī)森林

1 前言

研究表明，90%的交通事故與駕駛?cè)说囊蛩赜嘘P(guān)[1]。因此，以提升駕駛?cè)说陌踩綖榍腥朦c(diǎn)，準(zhǔn)確評(píng)估駕駛行為風(fēng)險(xiǎn)，從而有針對(duì)性地開展駕駛行為培訓(xùn)，是提升道路交通安全水平的有效方法。同時(shí)，車輛智能化、個(gè)性化服務(wù)是未來車輛技術(shù)發(fā)展的重要趨勢(shì)，駕駛?cè)诵袨轱L(fēng)險(xiǎn)的評(píng)估研究對(duì)推動(dòng)車輛智能化產(chǎn)品的應(yīng)用具有重要意義。

目前，基于客觀駕駛數(shù)據(jù)的駕駛行為風(fēng)險(xiǎn)評(píng)估方法主要分為通過識(shí)別駕駛行為事件的駕駛行為風(fēng)險(xiǎn)評(píng)估、基于駕駛行為特征參數(shù)建模的駕駛行為風(fēng)險(xiǎn)評(píng)估兩種。在基于識(shí)別駕駛行為事件的駕駛行為風(fēng)險(xiǎn)評(píng)估研究中：Toledo 等通過駕駛行為數(shù)據(jù)識(shí)別加速、減速、換道等事件，結(jié)合駕駛事件的風(fēng)險(xiǎn)程度與頻率，構(gòu)建了綜合指標(biāo)評(píng)估體系，將駕駛風(fēng)格分為3 類[2]；吳振昕等從數(shù)據(jù)庫中提取7種典型駕駛工況，利用K均值聚類和D-S證據(jù)理論方法進(jìn)行聚類，將駕駛風(fēng)格分為3類[3]；Brombacher 等利用神經(jīng)網(wǎng)絡(luò)算法將縱向駕駛行為事件分為加速和緊急制動(dòng)行為，橫向駕駛行為事件分為輕度轉(zhuǎn)彎、中度轉(zhuǎn)彎和緊急轉(zhuǎn)彎，根據(jù)駕駛行為事件的發(fā)生頻率進(jìn)行風(fēng)險(xiǎn)評(píng)分，將駕駛?cè)朔譃? 類[4]。在基于駕駛行為特征參數(shù)建模的駕駛行為風(fēng)險(xiǎn)評(píng)估研究中：朱冰等利用跟車過程中的駕駛數(shù)據(jù)作為特征指標(biāo)，建立了基于隨機(jī)森林的駕駛?cè)笋{駛行為風(fēng)險(xiǎn)辨識(shí)模型[5]；李經(jīng)緯等采集商用車和乘用車的駕駛行為數(shù)據(jù)，通過主成分分析方法實(shí)現(xiàn)特征指標(biāo)降維，利用K均值聚類方法進(jìn)行駕駛風(fēng)格的識(shí)別[6]；Van Ly 等獲取速度、加速度、制動(dòng)踏板開度等數(shù)據(jù)，利用支持向量機(jī)（Support Vector Machine，SVM）和K均值聚類算法對(duì)駕駛?cè)诉M(jìn)行分類[7]。

綜上，駕駛行為風(fēng)險(xiǎn)的評(píng)估研究多以駕駛操作層面的駕駛行為參數(shù)統(tǒng)計(jì)數(shù)據(jù)或駕駛行為事件層面的行為事件頻率作為評(píng)估特征指標(biāo)，缺乏考慮駕駛行為在時(shí)間序列上的連續(xù)性變化特征。因此，本文從駕駛行為的時(shí)空維度出發(fā)，以駕駛行為模式間的轉(zhuǎn)移特性直觀反映駕駛?cè)嗽隈{駛過程中的行為偏好，構(gòu)建駕駛行為風(fēng)險(xiǎn)評(píng)估模型，實(shí)現(xiàn)對(duì)駕駛?cè)丝陀^行為風(fēng)險(xiǎn)的評(píng)價(jià)。

2 試驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集

2.1 試驗(yàn)設(shè)備及場(chǎng)景

使用駕駛模擬試驗(yàn)平臺(tái)模擬真實(shí)車輛的駕駛，并收集駕駛模擬器產(chǎn)生的試驗(yàn)車自身及周邊車輛的位置、距離等數(shù)據(jù)信息[8]。駕駛模擬器（見圖1）以20 Hz 的頻率記錄車輛的運(yùn)行數(shù)據(jù)。

圖1 駕駛模擬器

選取雙向四車道的興延高速公路的部分路段作為駕駛模擬仿真道路，試驗(yàn)路段長6.6 km，每條車道寬3.75 m，道路限速120 km/h。試驗(yàn)基本路徑如圖2所示，模擬試驗(yàn)道路由試驗(yàn)過渡路段與試驗(yàn)正式路段組成，為使駕駛?cè)嗽谡皆囼?yàn)前熟悉且適應(yīng)操作，設(shè)置試驗(yàn)過渡路段為1 km。正式路段總長為5.6 km。

圖2 試驗(yàn)基本路徑

2.2 試驗(yàn)測(cè)試與數(shù)據(jù)提取

共招募35 名駕駛經(jīng)驗(yàn)豐富的駕駛?cè)耍渲心行择{駛?cè)?0 人，女性駕駛?cè)?5 人，年齡分布在23～55 歲之間，平均年齡為35.8歲（標(biāo)準(zhǔn)差為11.3歲），平均駕齡為12.1 年（標(biāo)準(zhǔn)差為8.9 年），每位駕駛?cè)司鶕碛蠧 級(jí)機(jī)動(dòng)車駕駛證。同時(shí)，為了避免其他身體因素的影響，要求駕駛?cè)嗽谠囼?yàn)前身體狀況良好并且避免大量進(jìn)食。為確保試驗(yàn)的高效性和數(shù)據(jù)的有效性，試驗(yàn)包括預(yù)試驗(yàn)和正式試驗(yàn)，預(yù)試驗(yàn)在非正式試驗(yàn)場(chǎng)景下進(jìn)行，以確保駕駛?cè)诉m應(yīng)模擬駕駛。正式試驗(yàn)中，為還原駕駛?cè)苏鎸?shí)的駕駛習(xí)慣，每一名駕駛?cè)嗽谡麄€(gè)駕駛過程中根據(jù)其自身駕駛習(xí)慣完成整個(gè)路段的行駛即可。

模擬設(shè)備以20 Hz的頻率記錄車輛的運(yùn)行數(shù)據(jù)，可采集包括采樣時(shí)間、本車X坐標(biāo)、本車Y坐標(biāo)、側(cè)向位移、速度、加速度、油門踏板開度、制動(dòng)踏板開度、行駛距離、與前車的距離、前車速度等駕駛特征指標(biāo)數(shù)據(jù)。同時(shí)，本文根據(jù)車頭間距、前車速度及自車速度計(jì)算車頭時(shí)距及其變化率，表現(xiàn)駕駛?cè)说母Y變化特性：

式中，a為車頭時(shí)距；h為車頭間距；u為車頭時(shí)距變化率；v1為自車速度；v2為前車速度。

駕駛?cè)说牟糠竹{駛行為數(shù)據(jù)如表1所示。

表1 部分駕駛行為數(shù)據(jù)

3 駕駛行為模式轉(zhuǎn)移特征數(shù)據(jù)庫構(gòu)建

3.1 駕駛行為模式分解模型

駕駛行為模式是駕駛?cè)烁鶕?jù)所處駕駛環(huán)境，為使車輛達(dá)到預(yù)期運(yùn)動(dòng)狀態(tài)，在一段時(shí)間內(nèi)的連續(xù)操作變化[9]。在城市道路環(huán)境下，存在違規(guī)掉頭、加塞等風(fēng)險(xiǎn)行為，駕駛行為模式構(gòu)成復(fù)雜，因此，本文的研究范圍為高速道路環(huán)境下非違法行為的駕駛模式辨識(shí)。通過參考駕駛行為分解模型[10]，梳理駕駛行為辨識(shí)指標(biāo)，基于車輛運(yùn)行數(shù)據(jù)，對(duì)高速道路環(huán)境下的駕駛行為模式進(jìn)行辨識(shí)，將縱向駕駛行為模式分解為自由直行（A1）、接近（A2）、遠(yuǎn)距離跟馳（A3）、中距離跟馳（A4）、近距離跟馳（A5）、漸遠(yuǎn)（A6）和緊急制動(dòng)（A9）7種，橫向駕駛行為模式分解為受限換道（A7）和自由換道（A8）2種。

在縱向駕駛模式的分解上，根據(jù)心理-生理駕駛行為模型，將縱向駕駛模式分解為自由直行、接近、跟馳、漸遠(yuǎn)、緊急制動(dòng)5種[11]。在高速道路上，有約98%的情況縱向加速度小于3 m/s2，因此，將縱向減速度大于3 m/s2的駕駛行為模式辨識(shí)為緊急制動(dòng)模式[12]。本文采用《美國道路通行能力手冊(cè)》中對(duì)跟馳及自由狀態(tài)的定義，當(dāng)車頭時(shí)距小于或等于3 s 時(shí)，認(rèn)為車輛處于穩(wěn)定跟馳狀態(tài)[13]。因此，當(dāng)車頭時(shí)距大于3 s時(shí)，則認(rèn)為車輛處于自由直行狀態(tài)。根據(jù)心理-生理模型，駕駛?cè)嗽诟Y過程中難以準(zhǔn)確判斷自車與前車的速度差，因此，跟馳過程中車頭距離并不會(huì)保持穩(wěn)定，而是隨著自車加速、減速不斷調(diào)整。因此，當(dāng)自車速度大于前車速度，與前車距離逐漸縮小時(shí)，辨識(shí)為接近狀態(tài)，當(dāng)自車速度小于前車速度，與前車距離逐漸增大時(shí)，辨識(shí)為漸遠(yuǎn)狀態(tài)。研究表明，車頭時(shí)距變化率可用前車視角的變化衡量，進(jìn)而判斷車頭間距的增大或減小，從而細(xì)致化區(qū)分跟馳狀態(tài)，分別以跟馳時(shí)距的變化率0.03 和-0.03 為閾值將跟馳模式細(xì)分為接近、穩(wěn)態(tài)跟馳和漸遠(yuǎn)模式[14]。同時(shí)，由于駕駛?cè)说某俚仍?，高速公路上追尾事故頻發(fā)[15]，當(dāng)車頭時(shí)距較小時(shí)，發(fā)生緊急情況，留給駕駛?cè)说姆磻?yīng)時(shí)間很短，極易發(fā)生交通事故。因此，在跟馳模式中，不同跟馳時(shí)距的危險(xiǎn)程度也不相同。根據(jù)Li對(duì)跟馳狀態(tài)的定義，以車頭時(shí)距1 s 和2 s 為閾值，將穩(wěn)態(tài)跟馳細(xì)分為遠(yuǎn)距離跟馳、中距離跟馳和近距離跟馳3 種模式[10]?？v向駕駛行為模式辨識(shí)模型如圖3所示。

圖3 縱向駕駛行為模式辨識(shí)模型

根據(jù)前方是否有車輛，將橫向駕駛行為模式分為自由換道和受限換道[16]。自由換道是駕駛?cè)烁鶕?jù)自身意愿，在沒有其他車輛干擾的情況下的換道行為。受限換道為駕駛?cè)苏J(rèn)為前車干擾自身行車，從而進(jìn)行換道的行為。本文利用橫向側(cè)位移和車頭時(shí)距實(shí)現(xiàn)對(duì)換道模式的辨識(shí)。橫向側(cè)位移表示車輛中心對(duì)車道邊線的偏移距離，負(fù)值表示車輛向左側(cè)車道邊線偏移，正值表示車輛向右側(cè)車道邊線偏移。若駕駛?cè)嗽谀M路段上的橫向側(cè)位移指標(biāo)的符號(hào)發(fā)生突變，將其辨識(shí)為換道行為，在換道時(shí)，若車頭時(shí)距大于3 s，辨識(shí)為自由換道，反之，則辨識(shí)為受限換道。

3.2 駕駛行為模式轉(zhuǎn)移概率

在一段時(shí)間內(nèi)，由于駕駛?cè)松?、心理的特征差異，?huì)有不同的駕駛行為模式調(diào)整方式：有些駕駛?cè)藭?huì)跟隨前方車輛的狀態(tài)行駛，有些駕駛?cè)藙t會(huì)進(jìn)行頻繁換道達(dá)到目標(biāo)車速。駕駛行為模式轉(zhuǎn)移可以是從一種駕駛行為模式轉(zhuǎn)移到另一種駕駛行為模式，或是保持自身駕駛行為模式不變，如圖4所示。

圖4 駕駛模式轉(zhuǎn)移

為描述駕駛行為時(shí)空數(shù)據(jù)中2 種模式間的轉(zhuǎn)移特性，首先需要對(duì)轉(zhuǎn)移時(shí)間窗進(jìn)行選擇。本文駕駛模式轉(zhuǎn)移時(shí)間窗選取的目的是計(jì)算2 種模式間的轉(zhuǎn)移概率。數(shù)據(jù)采集周期為0.05 s，因此，選擇0.1 s 的時(shí)間窗寬描述模式間的轉(zhuǎn)移特性。如圖5所示，以自由直行和跟馳2種模式為例，一個(gè)時(shí)間窗內(nèi)包含2個(gè)模式數(shù)據(jù)，可以表示為保持自由模式、跟馳模式不變，或從直行轉(zhuǎn)移至跟馳以及從跟馳轉(zhuǎn)移至直行4種轉(zhuǎn)移方式。

圖5 駕駛模式?jīng)Q策過程

駕駛行為模式轉(zhuǎn)移概率為在某一模式i后發(fā)生模式j(luò)的概率，當(dāng)統(tǒng)計(jì)數(shù)據(jù)量足夠大時(shí)，統(tǒng)計(jì)的模式轉(zhuǎn)移概率通過模式的轉(zhuǎn)換頻率來表示：

式中，qt為駕駛?cè)嗽趖時(shí)刻的駕駛行為模式；p表示概率；Mi、Mj為第i種、第j種駕駛行為模式，1≤i,j≤N；N=9為駕駛行為模式種類；w為駕駛行為模式轉(zhuǎn)移次數(shù)；aij∈[0,1]為駕駛行為模式轉(zhuǎn)移概率。

在前向駕駛行為模式相同的情況下，9種駕駛行為模式轉(zhuǎn)移概率之和為1。針對(duì)每名駕駛?cè)丝梢詷?gòu)造出由81 種（9×9）駕駛行為模式轉(zhuǎn)移概率值組成的駕駛行為模式轉(zhuǎn)移矩陣O={aij}。因此，共有81 個(gè)特征組成評(píng)估駕駛?cè)诵袨轱L(fēng)險(xiǎn)的候選特征指標(biāo)集：

3.3 基于德爾菲法的駕駛行為風(fēng)險(xiǎn)評(píng)定標(biāo)簽

德爾菲專家咨詢法是20世紀(jì)50年代美國蘭德與道格拉斯公司合作研制的一種直觀預(yù)測(cè)技術(shù)，具有匿名性、及時(shí)反饋性和統(tǒng)計(jì)性的優(yōu)點(diǎn)[17]。本文基于德爾菲咨詢法對(duì)駕駛?cè)说鸟{駛行為風(fēng)險(xiǎn)等級(jí)進(jìn)行評(píng)估，得到駕駛?cè)说鸟{駛行為風(fēng)險(xiǎn)等級(jí)標(biāo)簽，以此作為駕駛風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)集中的風(fēng)險(xiǎn)分類標(biāo)簽集，并作為比對(duì)標(biāo)準(zhǔn)驗(yàn)證駕駛行為風(fēng)險(xiǎn)評(píng)估模型的評(píng)估效度。

選取來自相關(guān)企業(yè)、高校、科研機(jī)構(gòu)等的17 名專家，對(duì)每位駕駛?cè)说鸟{駛行為風(fēng)險(xiǎn)程度進(jìn)行評(píng)價(jià)，共分為安全、一般和危險(xiǎn)3個(gè)風(fēng)險(xiǎn)程度。專家評(píng)價(jià)調(diào)查表由35 位駕駛?cè)说鸟{駛模式圖像和駕駛行為參數(shù)2 個(gè)部分組成，駕駛模式圖像根據(jù)駕駛?cè)嗽谠囼?yàn)路段上的駕駛模式變化情況繪制，駕駛行為參數(shù)包括速度、加速度、車頭時(shí)距等。一種典型駕駛?cè)说鸟{駛狀態(tài)變化圖像如圖6所示，從圖6中可以看出，該駕駛?cè)嗽? 800 m 和4 000 m左右的位置處進(jìn)行了緊急制動(dòng)，在4 500 m處迫近前車并跟馳行駛，隨后減速行駛，與前車逐漸拉開距離，在短暫的跟馳行駛后，換道超車，保持自由狀態(tài)行駛。由此可知，該駕駛?cè)藶檫_(dá)到自身駕駛目的，頻繁地進(jìn)行不同駕駛行為模式的變換，風(fēng)險(xiǎn)程度較高。

圖6 駕駛?cè)说鸟{駛轉(zhuǎn)移模式圖像

評(píng)估結(jié)果的專家權(quán)威程度由專家對(duì)研究任務(wù)的熟悉程度與判斷依據(jù)兩方面決定。通常認(rèn)為專家權(quán)威系數(shù)≥0.7，即具有較好的權(quán)威性，本研究的專家權(quán)威系數(shù)為0.81，權(quán)威性較高，評(píng)價(jià)結(jié)果可靠性較強(qiáng)。專家意見的協(xié)調(diào)水平可以判斷專家意見的一致性程度，主要用Kendall 協(xié)調(diào)系數(shù)W表現(xiàn)，W∈[0,1]，其值越大代表專家意見的一致性越好。進(jìn)行2 輪專家咨詢的專家意見協(xié)調(diào)系數(shù)分別為0.453和0.488，具有90%置信度的顯著性差異，說明專家意見分歧較小。根據(jù)專家評(píng)估的結(jié)果對(duì)所有參與試驗(yàn)駕駛?cè)说鸟{駛行為風(fēng)險(xiǎn)程度進(jìn)行分類，得到安全型駕駛?cè)藰颖?4個(gè)，一般型駕駛?cè)藰颖?個(gè)，危險(xiǎn)型駕駛?cè)藰颖?個(gè)。

綜上，結(jié)合駕駛模式轉(zhuǎn)移特征指標(biāo)集和駕駛?cè)孙L(fēng)險(xiǎn)評(píng)定標(biāo)簽集，可以獲得駕駛?cè)诵袨轱L(fēng)險(xiǎn)評(píng)估特征數(shù)據(jù)集，并用于駕駛?cè)诵袨轱L(fēng)險(xiǎn)評(píng)估模型的構(gòu)建及分析。

4 基于模式轉(zhuǎn)移的駕駛行為風(fēng)險(xiǎn)評(píng)估

4.1 特征指標(biāo)相關(guān)性排序

為從眾多特征指標(biāo)中選取能夠有效表征駕駛模式轉(zhuǎn)移特征的子集，本文首先基于最大信息系數(shù)（Maximal Information Coefficient，MIC）分析各變量之間的相關(guān)性及冗余性，得到各參數(shù)與駕駛行為風(fēng)險(xiǎn)等級(jí)的相關(guān)性排序，接著通過隨機(jī)森林算法，以分類準(zhǔn)確率為判別準(zhǔn)則，采用序列前向選擇的方法進(jìn)行特征子集的優(yōu)選。

2011 年，Reshef 等首次提出MIC 算法理論，相較于互信息理論，MIC在度量變量間的關(guān)聯(lián)程度上具有更高的準(zhǔn)確度[18]。該算法用來衡量2個(gè)變量之間的相關(guān)性、線性或非線性關(guān)系。其計(jì)算公式為：

式中，Q為MIC值；E、F為變量；D為數(shù)據(jù)集；n為數(shù)據(jù)規(guī)模；B為關(guān)于數(shù)據(jù)規(guī)模n的函數(shù)；I為最大互信息值；M為特征矩陣。

最大信息系數(shù)的取值范圍為[0,1]，最大信息系數(shù)為0表示2個(gè)變量間相互獨(dú)立，最大信息系數(shù)為1表示2個(gè)變量之間存在線性或非線性的關(guān)系，隨著最大信息系數(shù)的增大，2個(gè)變量間的相關(guān)性增強(qiáng)。

計(jì)算81個(gè)駕駛行為模式轉(zhuǎn)移值和駕駛行為風(fēng)險(xiǎn)等級(jí)的最大信息系數(shù)，將81 個(gè)駕駛行為模式轉(zhuǎn)移方式與駕駛行為風(fēng)險(xiǎn)的相關(guān)性從大到小排序，結(jié)果如圖7 所示，排在前12 位的駕駛行為模式轉(zhuǎn)移方式與駕駛行為風(fēng)險(xiǎn)有著較高的相關(guān)性。當(dāng)駕駛行為模式達(dá)到第13位時(shí)，最大信息系數(shù)值下降明顯，且逐漸趨于平穩(wěn)，與駕駛行為風(fēng)險(xiǎn)相關(guān)性較低，最終降為0，因此剔除第13 位及以后的低相關(guān)性特征指標(biāo)。其中，自由換道→自由換道和自由換道→自由直行之間的最大信息系數(shù)達(dá)到0.72，2 個(gè)變量間具有較高的冗余性，同時(shí)，自由換道→自由換道的最大信息系數(shù)為0.36，自由換道→自由直行的最大信息系數(shù)為0.29。因此，自由換道→自由直行為自由換道→自由換道的冗余指標(biāo)，篩除自由換道→自由直行。篩選出11個(gè)相關(guān)性最大的駕駛行為模式轉(zhuǎn)移方式構(gòu)成候選特征指標(biāo)集，分別為：自由直行→緊急制動(dòng)、自由直行→自由直行、自由直行→迫近、迫近→迫近、自由換道→自由換道、迫近→緊急制動(dòng)、自由直行→自由換道、迫近→受限換道、受限換道→自由直行、受限換道→受限換道、緊急制動(dòng)→緊急制動(dòng)。

圖7 駕駛行為模式轉(zhuǎn)移方式與駕駛行為風(fēng)險(xiǎn)的相關(guān)性

4.2 特征指標(biāo)優(yōu)選及隨機(jī)森林算法構(gòu)建

機(jī)器學(xué)習(xí)有著完整的理論框架，且預(yù)測(cè)性能較好，因此在各研究領(lǐng)域中得到了廣泛的應(yīng)用。張寧等梳理了較多的預(yù)測(cè)模型，其中SVM有著良好的泛化能力，預(yù)測(cè)性能優(yōu)于神經(jīng)網(wǎng)絡(luò)，但其參數(shù)的調(diào)整仍未有較好的確定方法[19]。Nadezda等使用K均值聚類、神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林等算法對(duì)駕駛?cè)说鸟{駛風(fēng)格進(jìn)行識(shí)別分類，并比較各方法識(shí)別的準(zhǔn)確度和優(yōu)缺點(diǎn)，結(jié)果表明，隨機(jī)森林算法有著優(yōu)秀的分類性能，泛化能力強(qiáng)，且分類速度快，在實(shí)際問題中能夠得到較好的應(yīng)用效果[20]。本文通過對(duì)比隨機(jī)森林算法和支持向量機(jī)算法的分類精度，選取分類性能較好的算法進(jìn)行駕駛行為風(fēng)險(xiǎn)的評(píng)估。

（一）從政治意義看，習(xí)近平新時(shí)代中國特色社會(huì)主義思想，是新時(shí)代國家政治生活和社會(huì)生活的根本指針。從政黨發(fā)展史看，擁有堅(jiān)強(qiáng)的領(lǐng)導(dǎo)核心，擁有科學(xué)的指導(dǎo)思想，是一個(gè)政黨形成凝聚力戰(zhàn)斗力不可或缺的兩個(gè)方面，也是政黨走向成熟的重要標(biāo)志。我們黨確立習(xí)近平新時(shí)代中國特色社會(huì)主義思想的指導(dǎo)地位，確立習(xí)近平總書記的核心地位，對(duì)于維護(hù)黨中央權(quán)威和集中統(tǒng)一領(lǐng)導(dǎo)，對(duì)于保證黨和國家事業(yè)興旺發(fā)達(dá)、長治久安具有重大而深遠(yuǎn)的意義，標(biāo)志著我們這個(gè)走過97年光輝歷程的世界第一大黨，達(dá)到了政治上、思想上、組織上的空前團(tuán)結(jié)和統(tǒng)一，為推進(jìn)新時(shí)代中國特色社會(huì)主義事業(yè)提供了堅(jiān)強(qiáng)政治保障。

隨機(jī)森林和支持向量機(jī)算法均為有監(jiān)督的機(jī)器學(xué)習(xí)算法，按駕駛行為模式與駕駛風(fēng)險(xiǎn)的相關(guān)性排序，將前11 個(gè)駕駛行為模式轉(zhuǎn)移的概率作為輸入特征，基于德爾菲法得到的專家評(píng)估結(jié)果作為數(shù)據(jù)標(biāo)簽。通過5折交叉驗(yàn)證和網(wǎng)格搜索法對(duì)算法參數(shù)調(diào)優(yōu)，隨機(jī)森林的基決策樹數(shù)量調(diào)整為11棵，支持向量機(jī)的懲罰系數(shù)c調(diào)整為5，核參數(shù)d調(diào)整為0.1。采用5折交叉驗(yàn)證的平均準(zhǔn)確率對(duì)模型的性能進(jìn)行評(píng)估，其中，支持向量機(jī)算法的預(yù)測(cè)準(zhǔn)確率為71%，隨機(jī)森林算法的預(yù)測(cè)準(zhǔn)確率為79%，隨機(jī)森林算法的準(zhǔn)確性更高，評(píng)估性能更穩(wěn)定。因此，本文選擇隨機(jī)森林算法進(jìn)行駕駛行為風(fēng)險(xiǎn)的評(píng)估。

特征優(yōu)選可以降低模型的訓(xùn)練難度，提高模型分類速度和有效性，因此，根據(jù)駕駛模式轉(zhuǎn)移特征指標(biāo)的相關(guān)性進(jìn)行排序，采用序列前向選擇的方法，利用5 折交叉驗(yàn)證的平均值評(píng)估模型的分類精度。其中，基決策樹數(shù)量、單決策樹的最大特征數(shù)均采用網(wǎng)格搜索選取最優(yōu)參數(shù)，交叉驗(yàn)證平均分類準(zhǔn)確率達(dá)到最高時(shí)的算法參數(shù)，作為該輪迭代的隨機(jī)森林算法的參數(shù)。

特征數(shù)量與辨識(shí)精度的關(guān)系如圖8所示，當(dāng)特征數(shù)量達(dá)到9 個(gè)時(shí)，駕駛行為風(fēng)險(xiǎn)的辨識(shí)精度達(dá)到最高的85.71%，且趨于平穩(wěn)。因此，將前9 個(gè)特征指標(biāo)作為基于隨機(jī)森林算法的駕駛行為風(fēng)險(xiǎn)評(píng)估模型的輸入特征，此時(shí)隨機(jī)森林模型的基決策樹數(shù)量為71 棵，最大特征數(shù)量為5，最優(yōu)劃分屬性評(píng)判指標(biāo)為Gini 值。前9 個(gè)特征指標(biāo)分別是：自由直行→緊急制動(dòng)、自由直行→自由直行、自由直行→迫近、迫近→迫近、自由換道→自由換道、迫近→緊急制動(dòng)、自由直行→自由換道、迫近→受限換道、受限換道→自由直行。

圖8 特征數(shù)量與檢測(cè)精度的關(guān)系

4.3 駕駛行為模式轉(zhuǎn)移風(fēng)險(xiǎn)特性分析

不同風(fēng)險(xiǎn)等級(jí)駕駛?cè)说哪Ｊ睫D(zhuǎn)移概率特性如圖9所示。隨著駕駛風(fēng)險(xiǎn)的升高，行駛時(shí)轉(zhuǎn)移至受限換道的概率越高，安全型駕駛?cè)溯^多保持自由直行模式，危險(xiǎn)型駕駛?cè)藙t有較大概率采用受限換道模式。駕駛風(fēng)險(xiǎn)越低，駕駛模式的轉(zhuǎn)移形式越單一，駕駛風(fēng)險(xiǎn)越高，不同模式間的轉(zhuǎn)移越頻繁，駕駛?cè)烁鼉A向于通過多種駕駛模式之間的組合行駛，以達(dá)到縮短行程時(shí)間的目的。

圖9 不同風(fēng)險(xiǎn)等級(jí)駕駛?cè)说鸟{駛模式轉(zhuǎn)移概率

4.4 駕駛行為風(fēng)險(xiǎn)評(píng)估模型驗(yàn)證

隨機(jī)森林分類器的分類結(jié)果與駕駛行為風(fēng)險(xiǎn)評(píng)估標(biāo)簽對(duì)比如表2所示，總體辨識(shí)精度為85.71%。由于部分駕駛?cè)说鸟{駛風(fēng)險(xiǎn)存在向其他風(fēng)險(xiǎn)轉(zhuǎn)移的趨勢(shì)，因此，模型存在一定偏差。

表2 隨機(jī)森林分類器的辨識(shí)結(jié)果 個(gè)

以往的駕駛行為風(fēng)險(xiǎn)評(píng)估研究多集中于通過駕駛行為數(shù)據(jù)的統(tǒng)計(jì)分析和數(shù)學(xué)建模實(shí)現(xiàn)駕駛行為風(fēng)險(xiǎn)的評(píng)估，因此，為進(jìn)一步驗(yàn)證本文所提出方法的有效性，引用以往研究中一種基于駕駛行為特征參數(shù)建模的駕駛行為風(fēng)險(xiǎn)評(píng)估方法[21]，依據(jù)本文所用駕駛行為數(shù)據(jù)建立分類模型，對(duì)比2 種方法的評(píng)估結(jié)果。

該方法中，選取車速超過限速80%的時(shí)間比例、車速平均值、車速標(biāo)準(zhǔn)差、總加速度標(biāo)準(zhǔn)差、加速度平均值、加速度標(biāo)準(zhǔn)差、減速度平均值、減速度標(biāo)準(zhǔn)差共8個(gè)參數(shù)作為駕駛行為風(fēng)險(xiǎn)分類的特征指標(biāo)。利用因子分析的方法實(shí)現(xiàn)特征指標(biāo)的降維，因子分?jǐn)?shù)的計(jì)算公式為：

因子分?jǐn)?shù)得分越高，駕駛?cè)说鸟{駛行為風(fēng)險(xiǎn)越高。最后，利用系統(tǒng)聚類的方法將駕駛行為風(fēng)險(xiǎn)聚類為3類，系統(tǒng)聚類譜系如圖10所示。

圖10 系統(tǒng)聚類譜系

基于駕駛行為特征參數(shù)建模的評(píng)估方法識(shí)別準(zhǔn)確率為60%，與本文所提出方法的評(píng)估結(jié)果相比，共有71.4%的樣本識(shí)別結(jié)果相同，表明本文提出的方法與以往研究中使用的方法具有一定的一致性，同時(shí)，利用駕駛行為模式轉(zhuǎn)移概率描述駕駛行為特征，并基于隨機(jī)森林算法的駕駛風(fēng)險(xiǎn)識(shí)別模型辨識(shí)精度較高，可以滿足駕駛風(fēng)險(xiǎn)的識(shí)別需要。

5 結(jié)束語

本文基于客觀駕駛行為數(shù)據(jù)的時(shí)空特性，以駕駛?cè)说倪B續(xù)駕駛行為模式變化表征駕駛操縱特征，利用駕駛行為模式之間的相互轉(zhuǎn)移概率作為特征指標(biāo)，借助最大信息系數(shù)、隨機(jī)森林算法優(yōu)選可有效表征駕駛?cè)诵袨轱L(fēng)險(xiǎn)的駕駛行為轉(zhuǎn)移模式，進(jìn)而基于隨機(jī)森林算法構(gòu)建駕駛行為風(fēng)險(xiǎn)評(píng)估模型，實(shí)現(xiàn)了對(duì)駕駛?cè)丝陀^行為風(fēng)險(xiǎn)的評(píng)價(jià)，獲得以下結(jié)論：

a.相比于傳統(tǒng)駕駛行為特征參數(shù)統(tǒng)計(jì)分析，綜合考慮駕駛行為的時(shí)空特性，以駕駛?cè)说倪B續(xù)性駕駛行為模式變化表征駕駛操縱特征的方法能夠直觀反映駕駛?cè)嗽隈{駛過程中的行為偏好。

b.基于駕駛行為模式轉(zhuǎn)移的駕駛行為風(fēng)險(xiǎn)評(píng)估模型總體識(shí)別精度為85.71%，駕駛?cè)说男袨轱L(fēng)險(xiǎn)識(shí)別精確度較高。

c.相比于低風(fēng)險(xiǎn)型駕駛?cè)?，高風(fēng)險(xiǎn)型駕駛?cè)嗽诓煌{駛行為模式間的轉(zhuǎn)移更頻繁，為達(dá)到行駛需求，會(huì)采取多種駕駛行為模式行駛。

隨著車聯(lián)網(wǎng)技術(shù)的發(fā)展，基于車載設(shè)備采集駕駛行為數(shù)據(jù)，分析多風(fēng)險(xiǎn)情境下的駕駛特性，更好地推動(dòng)駕駛行為風(fēng)險(xiǎn)評(píng)估在智能網(wǎng)聯(lián)車輛駕駛培訓(xùn)、車輛交互技術(shù)個(gè)性化設(shè)計(jì)、面向商業(yè)化智能網(wǎng)聯(lián)汽車保險(xiǎn)產(chǎn)品定制化方案設(shè)計(jì)等領(lǐng)域的應(yīng)用將是未來的研究方向。