熊堅(jiān)，施錦浩，萬華森

（昆明理工大學(xué)，交通工程學(xué)院，昆明 650504）

0 引言

人因是導(dǎo)致交通事故最關(guān)鍵因素，約超過90%的交通事故都與駕駛?cè)诵袨橄嚓P(guān)，其中潛藏在駕駛?cè)俗陨淼牟涣捡{駛習(xí)慣、錯(cuò)誤的風(fēng)險(xiǎn)認(rèn)知傾向、過于自信或過于謹(jǐn)慎的駕駛能力自我認(rèn)知等主觀隱性誘因均對安全駕駛帶來深層次的隱患，如何幫助駕駛?cè)苏_認(rèn)知自我“真實(shí)”的駕駛能力尤為關(guān)鍵。

因駕駛?cè)巳艘驅(qū)傩砸鼐哂袝r(shí)變、非線性動態(tài)特征，準(zhǔn)確的駕駛技能評估、駕駛風(fēng)格辨識具有一定挑戰(zhàn)，駕駛風(fēng)格分類及辨識一般通過模式識別或系統(tǒng)辨識等學(xué)科理論解決[1]，主要研究方式為模型聚類和主觀問卷分析兩種。在聚類方面，通常先根據(jù)駕駛模擬或者實(shí)車試驗(yàn)得到車輛狀態(tài)及油門剎車踏板及駕駛?cè)松?、心理?shù)據(jù)，再利用機(jī)器學(xué)習(xí)分類算法，例如K-Means[2]、神經(jīng)網(wǎng)絡(luò)、高斯隱馬爾科夫模型(HMM)[3]，或者模糊數(shù)學(xué)[4]等數(shù)學(xué)方法對模型數(shù)據(jù)進(jìn)行訓(xùn)練從而得到駕駛?cè)朔诸?。而上述聚類模型主要通過不同模型組合提高分類精度，且研究對象多為獨(dú)立駕駛?cè)?，缺少“?車-路-環(huán)境”交互的駕駛?cè)溯敵鼋Y(jié)果，Wang等[5]提出了行車風(fēng)險(xiǎn)場理論用于評估交通場景多要素交互下動態(tài)風(fēng)險(xiǎn)，并設(shè)計(jì)了安全預(yù)警算法，為駕駛過程中影響駕駛安全的“人-車-路-環(huán)境”要素構(gòu)建了統(tǒng)一模型，并將風(fēng)險(xiǎn)場與電場進(jìn)行類比，重構(gòu)風(fēng)險(xiǎn)場力作用機(jī)制，開展跟車和匯入場景下實(shí)車試驗(yàn)得到駕駛?cè)孙L(fēng)險(xiǎn)響應(yīng)度模型，為駕駛?cè)说臓顟B(tài)評估提供了新的研究視角[6]。在主觀問卷方面，駕駛風(fēng)格量表主要有1993年Elander 等研發(fā)的DSQ(Driver Style Questionnaire)和2004年Taubman-Ben-Ari O. 等提出的MDSI (Multi-Dimensional Driving Style Inventory)[7]，2014年孫龍等[8]引入MDSI的中文版測量駕駛?cè)说鸟{駛情緒風(fēng)格分為冒險(xiǎn)型、憤怒型、焦慮型這3種類型，然而這些問卷沒有對駕駛風(fēng)格和駕駛行為作出嚴(yán)格區(qū)分，并且主觀問卷主要評估駕駛?cè)说鸟{駛意識，對實(shí)際駕駛操作能力表征較弱，屬于主觀心理層面，分類劃分標(biāo)準(zhǔn)較為粗糙。

綜上，駕駛風(fēng)格評估研究的方法往往各自獨(dú)立，缺少駕駛?cè)税踩庾R及其對應(yīng)駕駛能力的綜合考量；模型多為對不同試驗(yàn)數(shù)據(jù)的直接聚類分析，指標(biāo)選取簡單，對駕駛?cè)嗣鎸ν獠靠陀^風(fēng)險(xiǎn)作反饋的深層次安全駕駛能力機(jī)理解釋不足；用于風(fēng)格評估的試驗(yàn)場景多為城市道路跟車和匯入，少有復(fù)雜緊急突發(fā)風(fēng)險(xiǎn)場景下駕駛測試以全面考量駕駛?cè)藨?yīng)對風(fēng)險(xiǎn)的安全駕駛能力。

本文構(gòu)建在緊急突發(fā)風(fēng)險(xiǎn)下考慮駕駛風(fēng)格因子的綜合風(fēng)險(xiǎn)場模型，開展駕駛模擬試驗(yàn)評估駕駛?cè)笋{駛能力，針對風(fēng)險(xiǎn)激勵(lì)信號突變、非穩(wěn)態(tài)特征引入HHT變換時(shí)頻分析技術(shù)進(jìn)行局部處理將風(fēng)險(xiǎn)綜合作用轉(zhuǎn)化為風(fēng)險(xiǎn)能量計(jì)算，評估駕駛?cè)嗽诿鎸ν獠靠陀^環(huán)境風(fēng)險(xiǎn)時(shí)采取主觀駕駛操作的綜合風(fēng)險(xiǎn)，對得到的駕駛風(fēng)險(xiǎn)能量利用K-means聚類與公安部道路交通安全研究中心的“防御性駕駛?cè)笋{駛風(fēng)格自測問卷”對比識別出駕駛危險(xiǎn)人群，為研究駕駛?cè)笋{駛風(fēng)格，幫助駕駛?cè)苏嬲龑?shí)現(xiàn)安全駕駛提供新的方法。

1 綜合風(fēng)險(xiǎn)場模型的構(gòu)建

經(jīng)典的行車風(fēng)險(xiǎn)場模型可以較好地評估車輛在“車-路”要素下的行車風(fēng)險(xiǎn)，側(cè)重描述主車特性、外部風(fēng)險(xiǎn)特性，但模型在駕駛?cè)说鸟{駛特性方面未能開展細(xì)致地討論，駕駛?cè)烁鶕?jù)外部客觀風(fēng)險(xiǎn)的感知、判斷因不同的駕駛內(nèi)在“習(xí)性”，即駕駛風(fēng)格，采取不同的對策從而產(chǎn)生不同的駕駛風(fēng)險(xiǎn)。

1.1 基本模型結(jié)構(gòu)

行車風(fēng)險(xiǎn)場統(tǒng)一模型主要表征人-車-路各要素對行車安全造成的風(fēng)險(xiǎn)度，根據(jù)模型核心車輛動能場[5]，本文定義任意車輛i在（xi,yi）處的風(fēng)險(xiǎn)場場強(qiáng)Ev為

式中：D為風(fēng)險(xiǎn)場中主車與沖突物體之間的位移，計(jì)算時(shí)取標(biāo)量距離(m)；Vi為車輛i運(yùn)動速度(km·h-1)；θi為主車運(yùn)動方向與D之間的夾角；d0為主車距離道路邊界的距離(m)；ω*為總車道寬(m)；Mi為因物體屬性不同而對行車產(chǎn)生潛在風(fēng)險(xiǎn)的等效質(zhì)量，行車風(fēng)險(xiǎn)場將風(fēng)險(xiǎn)場景中所有車輛統(tǒng)一為等效質(zhì)量，與物體實(shí)際質(zhì)量mi、車輛速度vi有關(guān)，此處vi與Vi為相對概念，即他車與主車，選取隨具體場景而定。等效質(zhì)量不同發(fā)生碰撞時(shí)造成的嚴(yán)重程度不同，文獻(xiàn)[5]通過高速公路車速及事故數(shù)標(biāo)定了式(1)的相關(guān)參數(shù)，得到

Ri為道路環(huán)境影響因子，表征路面行車條件(路面材料摩擦系數(shù)μi、道路視覺能見度γi、道路坡度δi、道路曲率ηi)對駕駛安全性的影響，定義任意車輛在（xi,yi）處道路環(huán)境影響因子為

式中：φ為道路風(fēng)險(xiǎn)函數(shù)，以道路條件最好為基準(zhǔn)，假設(shè)在該條件下的風(fēng)險(xiǎn)函數(shù)為1，其他條件下的風(fēng)險(xiǎn)函數(shù)取值根據(jù)其條件下的事故平均死亡人數(shù)和基準(zhǔn)條件下的事故平均死亡人數(shù)的比值確定。

1.2 考慮駕駛?cè)笋{駛風(fēng)格的風(fēng)險(xiǎn)場模型

整個(gè)駕駛?cè)蝿?wù)中的風(fēng)險(xiǎn)，除了上述復(fù)雜交通環(huán)境的客觀風(fēng)險(xiǎn)外，還跟駕駛風(fēng)格屬性有緊密關(guān)系。駕駛風(fēng)格為駕駛?cè)碎L期形成的習(xí)慣性駕駛方式，具有內(nèi)在穩(wěn)定性，并受駕駛?cè)俗陨硇愿?、風(fēng)險(xiǎn)認(rèn)知、駕駛能力自我評價(jià)等眾多因素影響，而駕駛過程風(fēng)險(xiǎn)無法拋開駕駛?cè)说闹饔^要素進(jìn)行研究，故風(fēng)險(xiǎn)模型應(yīng)考慮駕駛?cè)说娘L(fēng)格屬性。駕駛風(fēng)格研究表明，車輛加速度方差、方向盤轉(zhuǎn)角值方差與駕駛?cè)笋{駛激進(jìn)程度具有高相關(guān)性[9]，由于車距、速度、軌跡角度等參數(shù)在客觀風(fēng)險(xiǎn)模型中均有體現(xiàn)，主觀駕駛風(fēng)險(xiǎn)量化部分則不納入，本文定義駕駛?cè)孙L(fēng)格因子w為

式中：δα為一定距離駕駛?cè)诵旭偧铀俚姆讲?，駕駛?cè)思铀俣确讲钶^大時(shí)，表示其一定時(shí)間內(nèi)頻繁地加速、制動，與速度指標(biāo)相比，加速度指標(biāo)能夠更好地反映激進(jìn)、急躁的駕駛風(fēng)格，體現(xiàn)腳部完成駕駛?cè)蝿?wù)(加減速)的激進(jìn)程度；δβ為方向盤轉(zhuǎn)角方差，用以衡量駕駛?cè)藢Ψ较虮P的操縱行為的穩(wěn)定程度，值越大表示對方向盤操縱越紊亂，體現(xiàn)手部完成駕駛?cè)蝿?wù)的激進(jìn)程度，指數(shù)部分統(tǒng)稱為駕駛風(fēng)格隸屬度；a,b為待定系數(shù)。

故人車路綜合風(fēng)險(xiǎn)場模型為

式中：Etotal為風(fēng)險(xiǎn)場場強(qiáng)，衡量主車在復(fù)雜交通環(huán)境中的綜合風(fēng)險(xiǎn)。為便于運(yùn)算，a,b待定系數(shù)取1。

1.3 駕駛風(fēng)險(xiǎn)能量計(jì)算

目前風(fēng)險(xiǎn)場模型的風(fēng)險(xiǎn)評估指標(biāo)主要為Wang等[5]提出的風(fēng)險(xiǎn)勢能RPE(Risk Potential Energy)，但風(fēng)險(xiǎn)勢能是對時(shí)間域上的積分作用，不能很好地反映在空間位置上的風(fēng)險(xiǎn)分布；風(fēng)險(xiǎn)場模型直接計(jì)算結(jié)果為場強(qiáng)，但不能較好地體現(xiàn)駕駛?cè)笋{駛過程的全時(shí)域風(fēng)險(xiǎn)，現(xiàn)模型計(jì)算缺乏對時(shí)-空間綜合作用效果的表征，故本文引入信號處理領(lǐng)域時(shí)頻分析技術(shù)對風(fēng)險(xiǎn)作用機(jī)制進(jìn)行進(jìn)一步揭示，時(shí)頻分析方法可以計(jì)算信號在二維時(shí)頻坐標(biāo)平面上在某時(shí)刻具備的能量，解決風(fēng)險(xiǎn)場模型在多維度上的計(jì)算問題。

然而時(shí)頻分析技術(shù)紛繁多樣，針對不同特征的外部信號，存在對應(yīng)的處理方法。相關(guān)研究表明，內(nèi)含復(fù)雜交通風(fēng)險(xiǎn)場景的交通事故多以緊急、短時(shí)風(fēng)險(xiǎn)形式呈現(xiàn)[10]，該類風(fēng)險(xiǎn)因受人、車、道路多要素協(xié)同干擾，呈現(xiàn)出非平穩(wěn)、非線性的特征，故可將駕駛過程產(chǎn)生的風(fēng)險(xiǎn)視作含局部突變的風(fēng)險(xiǎn)激勵(lì)信號，針對該類信號主要利用HHT (Hilbert-Huang Transform)對全域信號進(jìn)行分解變換處理，計(jì)算流程如圖1所示。

圖1 風(fēng)險(xiǎn)能量計(jì)算流程圖Fig.1 Risk signal energy calculation flowchart

駕駛過程中面對風(fēng)險(xiǎn)，安全駕駛能力薄弱的駕駛?cè)嘶蛞蝾A(yù)判不足頻繁加減速，無法明顯區(qū)分安全駕駛和風(fēng)險(xiǎn)駕駛階段，狀態(tài)識別較為困難，傳統(tǒng)研究中對難以識別的狀態(tài)數(shù)據(jù)往往不代入模型計(jì)算，產(chǎn)生一定誤差。而HHT 變換核心是通過EMD(Empirical Mode Decomposition)經(jīng)驗(yàn)?zāi)B(tài)分解，將輸入信號進(jìn)行分解得到反映局部信息的分量IMF(Intrinsic Mode Function)，再進(jìn)行Hilbert 變換，得到反映信號實(shí)際頻率成分的邊際譜，駕駛?cè)嗣鎸ν话l(fā)風(fēng)險(xiǎn)采取的緊急避險(xiǎn)駕駛行為，比如緊急剎車，數(shù)據(jù)高度振蕩，頻率表現(xiàn)呈現(xiàn)短時(shí)、高頻形式，通過邊際譜進(jìn)行識別，從而實(shí)現(xiàn)風(fēng)險(xiǎn)信號和平穩(wěn)信號的區(qū)分。

對分解后的信號分別計(jì)算各自信號能量，得到駕駛風(fēng)險(xiǎn)能量RPE-Sig (Risk Potential Energy-Signal)，即

式中：T為平穩(wěn)階段不含局部風(fēng)險(xiǎn)信號的持續(xù)時(shí)間；T*為局部風(fēng)險(xiǎn)信號的采樣持續(xù)時(shí)間；N為EMD分解后納入計(jì)算的局部風(fēng)險(xiǎn)信號個(gè)數(shù)；hi（ω,t）為對原式數(shù)學(xué)處理得到的邊際譜，ω為風(fēng)險(xiǎn)信號頻率，t為采樣時(shí)間。EMD要求Etotal（t）可以分解出兩個(gè)具備正交性的分量，本文提出的風(fēng)險(xiǎn)場模型Ev，包含三角函數(shù)cos（x）因子，滿足數(shù)學(xué)意義上的正交分解形式。

故信號能量由兩部分組成：第1部分為平穩(wěn)階段無風(fēng)險(xiǎn)信號期間具備的風(fēng)險(xiǎn)能量，在駕駛過程中體現(xiàn)為一定時(shí)間穩(wěn)定的車道保持；第2部分為局部突變信號風(fēng)險(xiǎn)能量，反映為緊急剎車、方向盤迅速轉(zhuǎn)向等駕駛操作，從而將風(fēng)險(xiǎn)場綜合作用大小計(jì)算轉(zhuǎn)化為風(fēng)險(xiǎn)能量計(jì)算。

2 基于駕駛模擬的數(shù)據(jù)采集

當(dāng)前風(fēng)險(xiǎn)場模型主要應(yīng)用于車輛跟馳、換道場景，缺乏復(fù)雜交通風(fēng)險(xiǎn)場景下的應(yīng)用，為評估駕駛?cè)嗣鎸o急突發(fā)風(fēng)險(xiǎn)的安全駕駛能力，同時(shí)檢驗(yàn)?zāi)Ｐ驮趶?fù)雜交通風(fēng)險(xiǎn)場景下的適用性，鑒于駕駛模擬試驗(yàn)在研究緊急突發(fā)風(fēng)險(xiǎn)場景下駕駛?cè)朔答伨哂邪踩院谩⒔?jīng)濟(jì)性強(qiáng)的獨(dú)特優(yōu)勢，故招募被試開展駕駛模擬實(shí)驗(yàn)。

2.1 試驗(yàn)條件

試驗(yàn)以昆明理工大學(xué)自主研發(fā)的6 自由度KMRTDS 駕駛模擬系統(tǒng)為測試平臺，該系統(tǒng)具有真實(shí)車駕駛艙的仿真設(shè)備，通過控制實(shí)驗(yàn)條件可進(jìn)行道路交通系統(tǒng)駕駛模擬閉環(huán)試驗(yàn)，模擬器數(shù)據(jù)采集頻率為50 Hz。

2.2 被試選取

為了分析不同駕駛?cè)藨?yīng)對風(fēng)險(xiǎn)的駕駛風(fēng)格傾向，招募45位駕駛?cè)诉M(jìn)行駕駛模擬試驗(yàn)，試驗(yàn)要求受試者24 h 內(nèi)不允許飲酒，12 h 內(nèi)未飲用功能性、興奮性飲料，持有有效駕照。最終有效樣本39 人(其中28 名男性，11 名女性)，年齡均值26.25 歲，標(biāo)準(zhǔn)差4.977；駕齡均值為5.64年，標(biāo)準(zhǔn)差3.74；累計(jì)駕駛里程均值26.25 萬km，標(biāo)準(zhǔn)差4.97，性別比例及人員數(shù)量均滿足實(shí)驗(yàn)要求[11]。

2.3 試驗(yàn)場景

根據(jù)某市發(fā)生的一起行人橫穿過街碰撞事故深度調(diào)查數(shù)據(jù)，利用事故視頻數(shù)據(jù)和鑒定報(bào)告，設(shè)計(jì)駕駛模擬風(fēng)險(xiǎn)場景，還原事故發(fā)生現(xiàn)場，設(shè)計(jì)動態(tài)交通流和行人過街以提高場景逼真度。事故發(fā)生路段為平整直線段，含港灣式公交?？空九_，天氣晴朗道路能見度良好，符合《城市道路工程設(shè)計(jì)規(guī)范》(CJJ37-2012)。試驗(yàn)路段總長D約為1 km，限速為60 km·h-1，行人橫穿碰撞事故發(fā)生前約200 m存在側(cè)向變道超車，干擾車加速離去，主車至行人橫穿碰撞事故點(diǎn)剩余路段無干擾，場景設(shè)計(jì)如圖2和圖3所示。其中Vcar表示駕駛模擬實(shí)驗(yàn)的主車速度，Vrun表示行人橫穿過街速度。

圖2 試驗(yàn)研究路段Fig.2 Simulation experiment road section

圖3 主車視角下行人橫穿過街場景Fig.3 Pedestrian crossing street scene from perspective of main car

2.4 主觀問卷調(diào)查

在做駕駛模擬實(shí)驗(yàn)的同時(shí)，利用公安部道路交通安全研究中心發(fā)布的《防御性駕駛?cè)笋{駛風(fēng)格自測問卷》通過對駕駛?cè)说陌踩{駛意識評測可以得到相應(yīng)的駕駛風(fēng)格類型，從主觀意識角度考量駕駛?cè)孙L(fēng)險(xiǎn)預(yù)判、安全駕駛常識的理性掌握情況，可以為駕駛?cè)嗽隈{駛模擬試驗(yàn)中面對“真實(shí)”風(fēng)險(xiǎn)檢驗(yàn)其綜合安全駕駛能力提供對照。

2.5 試驗(yàn)數(shù)據(jù)有效性檢驗(yàn)

2.5.1 區(qū)域劃分

駕駛?cè)嗽诿鎸ν獠凯h(huán)境風(fēng)險(xiǎn)的應(yīng)對過程分為風(fēng)險(xiǎn)感知、識別、操控這3 個(gè)階段且受個(gè)體應(yīng)急反應(yīng)時(shí)長差異的影響。受該思想啟發(fā)，為充分探究駕駛?cè)嗽谑鹿拾l(fā)生不同階段的駕駛行為特征，對試驗(yàn)事故路段按主車行駛方向劃分為安全感知區(qū)、過渡感知區(qū)、交織沖突區(qū)，討論在不同細(xì)分區(qū)域上駕駛?cè)耸芡獠凯h(huán)境風(fēng)險(xiǎn)影響采取的駕駛行為反饋，具體表征數(shù)據(jù)為駕駛主車的速度、縱向加速度、方向盤轉(zhuǎn)角幅度，同時(shí)也是模型計(jì)算主要數(shù)據(jù)。為了探討劃分區(qū)內(nèi)各表征數(shù)據(jù)是否具有顯著差異性，對其進(jìn)行單因素方差(ANOVA)分析，置信度為95%，具體如表1所示。

表1 方差檢驗(yàn)結(jié)果Table 1 Results of analysis of variance（ANOVA）

從表1可以看出，39名駕駛?cè)说母鞅碚鲾?shù)據(jù)組間、組內(nèi)的均方比值F值排序：速度均值＞方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差＞加速度標(biāo)準(zhǔn)差≈方向盤轉(zhuǎn)角均值＞加速度均值＞速度標(biāo)準(zhǔn)差，說明駕駛?cè)嗽诟鲄^(qū)域速度差異較大，整體平穩(wěn)性較好；由于行人橫穿避讓和側(cè)向來車干擾，方向盤轉(zhuǎn)動頻繁、轉(zhuǎn)動幅度差異適中；頻繁加減速明顯，總體而言，各表征數(shù)據(jù)在3段劃分區(qū)域存在一定差異，符合統(tǒng)計(jì)學(xué)規(guī)律（P＜0.05），說明對研究路段的3段劃分合理。

2.5.2 駕駛風(fēng)格自測問卷信度和效度檢驗(yàn)

為保證問卷結(jié)果真實(shí)可靠，對其進(jìn)行信度和效度檢驗(yàn)，由于駕駛風(fēng)格自測問卷試題回答采用二分變量“是、否”進(jìn)行判斷，故利用SPSS25.0，采用折半信度進(jìn)行檢驗(yàn)，結(jié)果顯示，格特曼折半系數(shù)等于0.858 ＞0.7，項(xiàng)總計(jì)統(tǒng)計(jì)里克隆巴赫Alpha 系數(shù)均大于0.8，說明該問卷具有較好的內(nèi)部一致性。

效度分析即有效性分析，測量方法能夠準(zhǔn)確測出所需測量對象失誤的程度，多采用因子分析方法，選擇KMO 和巴特利特球形度檢驗(yàn)，KMO 等于0.597 ＞0.5 ，說明樣本量足夠，球形度檢驗(yàn)P=0.000 ＜0.05，符合球形度要求，問卷具備結(jié)構(gòu)效度符合因子分析條件。

故問卷通過信度、效度檢驗(yàn)，問卷結(jié)果可靠。

3 試驗(yàn)結(jié)果討論

3.1 風(fēng)險(xiǎn)能量特性

通過人車路綜合風(fēng)險(xiǎn)場模型——HHT 變換將駕駛?cè)^程風(fēng)險(xiǎn)轉(zhuǎn)化為平穩(wěn)階段，不含局部風(fēng)險(xiǎn)信號和局部突變信號組合的風(fēng)險(xiǎn)信號能量，用以表征駕駛?cè)嗽隈{駛過程中所遇到的綜合風(fēng)險(xiǎn)。這里從空間形態(tài)分布和風(fēng)險(xiǎn)演變兩方面討論駕駛?cè)嗽诿鎸π腥藱M穿緊急突發(fā)風(fēng)險(xiǎn)下的風(fēng)險(xiǎn)能量特性。

從空間形態(tài)分布角度，圖4為主車在安全感知與過渡感知臨界區(qū)風(fēng)險(xiǎn)能量空間分布，此時(shí)主車速度為50 km·h-1，風(fēng)險(xiǎn)能量與物體運(yùn)動方向垂直集中分布在交通要素周圍并向四周按“橢圓形”圈層輻射，文獻(xiàn)[12]也驗(yàn)證了此結(jié)論，并隨物體物理輪廓呈現(xiàn)中心值高邊緣低特征。從行人與附近公交車風(fēng)險(xiǎn)交互來看，當(dāng)兩運(yùn)動物體接近時(shí)風(fēng)險(xiǎn)能量在交界處內(nèi)陷，風(fēng)險(xiǎn)能量增加，公交相比主車小汽車等效質(zhì)量更大，但由于處于緩慢往站臺?？侩A段，故風(fēng)險(xiǎn)能量與“安全感知區(qū)”主車風(fēng)險(xiǎn)能量相當(dāng)。由此可見，模型可以較好地描繪各交通要素在空間上的風(fēng)險(xiǎn)能量分布。

圖4 風(fēng)險(xiǎn)能量空間分布圖Fig.4 Integrated risk signal energy distribution

從風(fēng)險(xiǎn)演變角度，圖5給出駕駛?cè)嗽凇敖豢棝_突區(qū)”行人橫穿場景下風(fēng)險(xiǎn)能量空間變化趨勢。整體來看行人橫穿緊急突發(fā)風(fēng)險(xiǎn)“爬山式”遞增效應(yīng)顯著。主車速度在40 km·h-1左右風(fēng)險(xiǎn)能量達(dá)到峰值，人車沖突距離較遠(yuǎn)時(shí)，車速對風(fēng)險(xiǎn)能量影響作用較小，當(dāng)沖突距離減小至20 m以內(nèi)時(shí)，風(fēng)險(xiǎn)能量陡增，這與行人橫穿事故，行人橫穿意圖不易識別、突發(fā)性較高，駕駛員采取緊急避險(xiǎn)操作有關(guān)，與實(shí)際運(yùn)行特性相符。同時(shí)隆起的“尖角”與本次還原事故場景側(cè)向變道來車產(chǎn)生的風(fēng)險(xiǎn)吻合，模型可較好地描述風(fēng)險(xiǎn)在事故演變過程中的變化特性，驗(yàn)證了本文綜合風(fēng)險(xiǎn)場模型的有效性。

圖5 風(fēng)險(xiǎn)能量空間變化圖Fig.5 Integrated risk signal energy spatial change

3.2 風(fēng)險(xiǎn)能量與駕駛風(fēng)格關(guān)聯(lián)性驗(yàn)證

為了統(tǒng)一評價(jià)不同駕駛?cè)嗽诿鎸ν獠匡L(fēng)險(xiǎn)時(shí)作出駕駛反饋產(chǎn)生的綜合風(fēng)險(xiǎn)，對風(fēng)險(xiǎn)能量進(jìn)行歸一化處理，即

式中：Esig-normalization為歸一化后的累積駕駛風(fēng)險(xiǎn)能量；Esig-min、Esig-max分別為被試群體中駕駛風(fēng)險(xiǎn)能量最小值、最大值。

風(fēng)險(xiǎn)能量表示統(tǒng)計(jì)意義上駕駛?cè)^程中風(fēng)險(xiǎn)的空間累加幅度，反映了概率意義上風(fēng)險(xiǎn)在時(shí)間跨度上的積累，得到39 名被試各自累積風(fēng)險(xiǎn)能量頻數(shù)分布如圖6(a)所示。

圖6 風(fēng)險(xiǎn)能量頻數(shù)分布Fig.6 Frequency distribution of risk signal energy

從圖6(a)可以看出，駕駛?cè)孙L(fēng)險(xiǎn)能量總體服從正態(tài)分布(均值為0.49，標(biāo)準(zhǔn)差為0.21)，偏度(Skewness為-0.070)呈現(xiàn)負(fù)偏態(tài)右偏，峰度Kurtosis為-1.195，圖6(b)的Q-Q 圖顯示數(shù)據(jù)與對角線較為重合，駕駛?cè)孙L(fēng)險(xiǎn)能量計(jì)算結(jié)果符合統(tǒng)計(jì)學(xué)檢驗(yàn)，說明駕駛風(fēng)險(xiǎn)能量可以衡量駕駛?cè)嗣鎸ν獠靠陀^風(fēng)險(xiǎn)采取相應(yīng)駕駛行為的駕駛安全水平，累積風(fēng)險(xiǎn)能量越高，駕駛安全水平越低，表明其駕駛風(fēng)格越激進(jìn)危險(xiǎn)，反之則更謹(jǐn)慎安全。

4 基于風(fēng)險(xiǎn)能量的駕駛風(fēng)格分類

為幫助駕駛?cè)苏_認(rèn)知自我“真實(shí)”安全駕駛能力，同時(shí)對主觀定性駕駛風(fēng)格分類問卷結(jié)果進(jìn)行定量比對，在已有安全駕駛意識問卷測試的基礎(chǔ)上，開展表征駕駛?cè)税踩{駛水平——累積駕駛風(fēng)險(xiǎn)能量的駕駛風(fēng)格分類，探究安全駕駛意識和駕駛能力之間關(guān)系。

4.1 分類算法步驟

駕駛風(fēng)格作為隱藏在駕駛?cè)梭w內(nèi)的深層習(xí)性，其風(fēng)格標(biāo)簽較難獲取，目前研究多采用聚類算法進(jìn)行識別，作為一種無監(jiān)督機(jī)器學(xué)習(xí)方法，可以從無標(biāo)簽數(shù)據(jù)中挖掘數(shù)據(jù)內(nèi)在層次結(jié)構(gòu)與特征，因此很適用于駕駛風(fēng)格分類。而其中K-means 聚類算法由于計(jì)算效率高，收斂速度快，在數(shù)據(jù)量較大樣本進(jìn)行聚類時(shí)有很好的效果，故采用K-means聚類算法對駕駛風(fēng)格進(jìn)行分類。其核心思想是通過迭代把數(shù)據(jù)對象劃分到不同簇中，以求目標(biāo)函數(shù)最小化，使得生成的簇盡可能地緊湊和獨(dú)立，具體算法步驟如下。

Step 1 設(shè)待分類的駕駛?cè)斯灿?jì)n人，將n個(gè)待分類的駕駛風(fēng)險(xiǎn)能量分成k個(gè)類別，每個(gè)類別為一種駕駛風(fēng)格類型，聚類類別表示為

式中：Ci為第i個(gè)類別；1 ≤k≤kmax，kmax為駕駛?cè)说鸟{駛風(fēng)格總類別數(shù)。

Step 2 隨機(jī)選取駕駛風(fēng)險(xiǎn)能量m作為聚集中心，表示為

式中：Li為聚集中心；lm,i為第i種駕駛風(fēng)格群體的任意駕駛風(fēng)險(xiǎn)能量m。將所有駕駛風(fēng)險(xiǎn)能量離散點(diǎn)投影到二維坐標(biāo)圖像中，用于離散點(diǎn)與其相鄰的離散點(diǎn)之間的距離計(jì)算。

Step 3 計(jì)算離散點(diǎn)m與其相鄰的離散點(diǎn)之間的歐氏距離，即

式中：dm,m+1為離散點(diǎn)m+1 到m的歐氏距離；（xm,ym）,（xm+1,ym+1）分別為相應(yīng)的坐標(biāo)。

Step 4 重復(fù)Step 2～Step 3，重新選擇聚集中心并計(jì)算聚集中心與其相鄰的離散點(diǎn)之間的歐式距離，直到遍歷完n個(gè)離散點(diǎn)。

Step 5 根據(jù)歐式距離的大小判斷被試駕駛?cè)巳后w任意離散點(diǎn)與其相鄰離散點(diǎn)的相似度，相鄰的離散點(diǎn)之間的歐式距離小于設(shè)定的閾值，表明兩者具有相同的駕駛風(fēng)格類型；否則，表明兩者駕駛風(fēng)格不同。

4.2 分類模型評估

K-means聚類算法中簇(K值)選取成為影響算法計(jì)算結(jié)果可信度的關(guān)鍵因素，故進(jìn)行算法有效性驗(yàn)證，擬選用內(nèi)部有效性指標(biāo)誤差平方和SSE(Sum of Square Due to Error)、CH 系數(shù)(Calinski-Harabasz Index)、戴維森堡丁系數(shù)(DBI)、輪廓系數(shù)SC(Silhouette Coefficient)對K值選取進(jìn)行評價(jià)。評價(jià)結(jié)果如圖7和表3所示。

圖7 SSE指標(biāo)簇評價(jià)Fig.7 SSE cluster indicator

圖7表示，當(dāng)簇K=3 時(shí)，圖像出現(xiàn)“肘型”圖線曲率最大拐點(diǎn)下降率突然變緩，結(jié)合表2輪廓系數(shù)SC指標(biāo)，簇K=3 時(shí)取值最大，表征此時(shí)聚類“內(nèi)密外疏”效果最好，DBI 系數(shù)表示每個(gè)簇類最大相似度均值，取值越高表示該簇相似度越好。

表2 不同指標(biāo)下簇的聚類效果Table 2 Performance evaluation under different cluster indicators

4.3 主客觀分類結(jié)果一致性分析

通過對駕駛?cè)藨?yīng)對外部客觀風(fēng)險(xiǎn)采取措施得到的駕駛風(fēng)險(xiǎn)能量聚類，可以得到不同駕駛風(fēng)格屬性的群體劃分，如圖8和表3所示。

表3 駕駛?cè)司垲惤Y(jié)果Table 3 Results of driver clustering

圖8 39名駕駛?cè)司垲悎DFig.8 39 drivers clustering

從聚類圖可以發(fā)現(xiàn)，駕駛類型劃分為3類時(shí)較為直觀，與問卷結(jié)果具有一致性，即危險(xiǎn)型、一般型、安全型，但表征分類數(shù)據(jù)組內(nèi)與組間距離差測度的CH 系數(shù)，值越大表征分類效果越好，在K=4時(shí)取最大，說明量化分類結(jié)果存在進(jìn)一步劃分的可能。面對行人橫穿風(fēng)險(xiǎn)場景，有一定駕駛經(jīng)驗(yàn)的駕駛?cè)嗽谂R近公交站臺會進(jìn)行風(fēng)險(xiǎn)預(yù)判主動減速，故在模型中累積風(fēng)險(xiǎn)能量值會降低；而缺乏這類場景風(fēng)險(xiǎn)預(yù)判能力的駕駛?cè)送ㄟ^瞬間減速，猛打方向盤等緊急避險(xiǎn)操作，因方向盤操作獲得風(fēng)險(xiǎn)補(bǔ)償，累積風(fēng)險(xiǎn)能量增加。結(jié)合駕駛?cè)孙L(fēng)險(xiǎn)駕駛行為分析，故對分類結(jié)果進(jìn)行調(diào)整，即問卷判定為“一般型”駕駛?cè)巳后w可以進(jìn)一步細(xì)分為“一般型-安全傾向”“一般型-危險(xiǎn)傾向”兩類，共得到4類駕駛風(fēng)格劃分的定量閾值，問卷和模型分類結(jié)果對比如表4所示。

表4 問卷調(diào)查與模型計(jì)算分類結(jié)果對比Table 4 Comparison of classification results

試驗(yàn)前填寫的問卷主要反映駕駛?cè)说睦硇灾R掌握情況，體現(xiàn)駕駛安全意識水平；駕駛模擬仿真試驗(yàn)考察駕駛?cè)嗽诿鎸φ鎸?shí)事故現(xiàn)場還原風(fēng)險(xiǎn)場景時(shí)采取的駕駛行為，體現(xiàn)安全駕駛能力，通過問卷和模型計(jì)算分類一致性對比分析，如圖9所示，得到“問卷安全型-模型危險(xiǎn)型/危險(xiǎn)傾向”“問卷危險(xiǎn)型-模型危險(xiǎn)型/危險(xiǎn)傾向”等4 類危險(xiǎn)人群應(yīng)進(jìn)行重點(diǎn)監(jiān)測提醒，開展安全駕駛能力綜合提升訓(xùn)練。

圖9 駕駛?cè)朔诸惲鲃覨ig.9 Driver clustering flow

“問卷安全型-模型危險(xiǎn)型/危險(xiǎn)傾向”，總計(jì)13名安全意識較高駕駛?cè)?，?名安全駕駛能力存在不足，風(fēng)險(xiǎn)能量均值0.687∈[0.5993,0.7873]，這類駕駛?cè)巳菀壮霈F(xiàn)“自我感覺”良好，麻痹大意等不良駕駛心理，誤將駕駛安全意識等同于安全駕駛能力，安全意識問卷評測在環(huán)境壓力較小的情況下，駕駛?cè)四軌虮３指叨壤硇?，而真?shí)駕駛環(huán)境壓力較大，駕駛?cè)擞龅骄o急風(fēng)險(xiǎn)在高度緊張的環(huán)境下會出現(xiàn)非理性行為致使“知道卻做不到”的情況發(fā)生。

“問卷危險(xiǎn)型-模型危險(xiǎn)型/危險(xiǎn)傾向”，總計(jì)13名安全意識較低駕駛?cè)?，? 名安全駕駛能力較弱，風(fēng)險(xiǎn)能量均值0.791＞0.7873，這類駕駛?cè)藢儆凇半p危型”，安全駕駛綜合能力急需提升，同時(shí)部分意識較低的也有較強(qiáng)的安全駕駛能力(3/13)，發(fā)現(xiàn)這類駕駛?cè)说鸟{駛年齡較長(平均駕齡9.5年，大于樣本均值5.64)、駕駛里程較遠(yuǎn)(平均里程28 萬km，大于樣本均值26.25 萬km)，擁有較為豐富的駕駛經(jīng)驗(yàn)，提供了較強(qiáng)的安全駕駛能力。

故開展“問卷自測-綜合風(fēng)險(xiǎn)場風(fēng)險(xiǎn)能量計(jì)算”方法可以較好地評估駕駛?cè)说木C合安全駕駛能力，對需要開展安全駕駛能力提升的人群進(jìn)行精準(zhǔn)識別，為安全駕駛意識轉(zhuǎn)化為安全駕駛能力提升提供一套可操作、可驗(yàn)證的評估量化方法。這也在一定程度上表明，綜合風(fēng)險(xiǎn)場模型在人-車-路-環(huán)境交互的交通系統(tǒng)中所體現(xiàn)的駕駛?cè)孙L(fēng)格辨識較為真實(shí)。

5 結(jié)論

本文建立了考慮駕駛風(fēng)格因子的綜合風(fēng)險(xiǎn)場模型，利用駕駛模擬試驗(yàn)采集數(shù)據(jù)分析，得到的如下結(jié)論：

(1)從空間形態(tài)上看，風(fēng)險(xiǎn)能量與物體運(yùn)動方向垂直集中在交通要素周圍并按“橢圓形”圈層輻射，當(dāng)兩運(yùn)動物體接近時(shí)，在物體輪廓交界處內(nèi)陷，風(fēng)險(xiǎn)能量增加，沿物理輪廓呈中心高邊緣低分布。從風(fēng)險(xiǎn)演變過程看，駕駛?cè)嗽诿鎸π腥藱M穿這類突發(fā)性較強(qiáng)的風(fēng)險(xiǎn)，在“交織沖突區(qū)”的風(fēng)險(xiǎn)能量呈“爬山式”遞增效應(yīng)，當(dāng)人車沖突距離減小至20 m以內(nèi)，風(fēng)險(xiǎn)能量陡增，在速度為40 km·h-1達(dá)到峰值，表明模型可以較好地反映駕駛?cè)嗣鎸o急突發(fā)風(fēng)險(xiǎn)下的風(fēng)險(xiǎn)特性。

(2)量化改進(jìn)了問卷從安全意識角度得出的人群劃分，對風(fēng)險(xiǎn)能量聚類得到“安全型”“一般型-安全傾向”“一般型-危險(xiǎn)傾向”“危險(xiǎn)型”這4種駕駛風(fēng)格類型，表明不同駕駛?cè)说陌踩{駛能力存在細(xì)致差異，兩者分類結(jié)果對比發(fā)現(xiàn)，駕駛?cè)舜嬖凇罢J(rèn)知-操縱”偏差，即安全意識與駕駛能力不匹配(問卷安全型-模型危險(xiǎn)型/危險(xiǎn)傾向)，也存在安全意識淡薄但駕駛能力強(qiáng)的人群(問卷危險(xiǎn)型-模型安全型/安全傾向)，這類人群有著較長的駕駛年齡和較遠(yuǎn)的駕駛里程，補(bǔ)償了安全意識薄弱對駕駛能力的影響。