呂能超 高謹(jǐn)謹(jǐn) 王維鋒 王玉剛

（1.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；2.河海大學(xué)土木與交通學(xué)院 南京 210098）

0 引 言

駕駛?cè)孙L(fēng)格存在差異，體現(xiàn)在駕駛操作的差異化。早在上世紀(jì)90年代，就有學(xué)者對(duì)駕駛風(fēng)格開展了研究[1]，并將駕駛風(fēng)格定義為駕駛?cè)嗽隈{駛車輛過程中的駕駛行為習(xí)慣。駕駛風(fēng)格與駕駛技能有所區(qū)別，駕駛技能是指駕駛?cè)藢?duì)車輛的控制能力和適應(yīng)復(fù)雜交通狀況的能力，而駕駛風(fēng)格涉及個(gè)人選擇駕駛的方式或多年來形成的駕駛習(xí)慣，體現(xiàn)在駕駛?cè)藢?duì)行駛速度的選擇、超車閾值、車頭時(shí)距，以及違反交通規(guī)則的傾向等[2]。駕駛風(fēng)格對(duì)行車習(xí)慣有較大影響，因此在駕駛行為研究領(lǐng)域備受關(guān)注。

研究表明：不同風(fēng)格駕駛?cè)说母囆袨槊黠@不同[3]，為了便于研究駕駛風(fēng)格及其行為特征，通常將駕駛?cè)说鸟{駛風(fēng)格分為激進(jìn)型、普通型和保守型3類[4-6]，也有的學(xué)者將其分為冒進(jìn)型、比較冒進(jìn)型、比較謹(jǐn)慎型和謹(jǐn)慎型4類[7]，甚至還有的學(xué)者將其劃分為5類[3]。目前，駕駛風(fēng)格分類的研究一般可總結(jié)為主觀的問卷調(diào)查和基于客觀的駕駛數(shù)據(jù)分析建模等2類方法[8-9]。

主觀問卷調(diào)查分類方法一般通過問卷的形式，對(duì)反映駕駛?cè)酥饔^感受和心理預(yù)期等方面的評(píng)價(jià)指標(biāo)進(jìn)行統(tǒng)計(jì)和量化分析，從而實(shí)現(xiàn)對(duì)駕駛?cè)笋{駛風(fēng)格的分類[10-11]。如Taubman-Ben-Ari等[12]設(shè)計(jì)的多維度駕駛風(fēng)格量表法（multimensional driving style inventory，MDSI），從多維度問卷數(shù)據(jù)量化分析中評(píng)估駕駛風(fēng)格，對(duì)駕駛風(fēng)格的結(jié)構(gòu)進(jìn)行界定并將其明確區(qū)分為4種風(fēng)格；孫龍等[13]對(duì)MDSI中駕駛風(fēng)格的影響因素進(jìn)行了修訂，增加了駕駛風(fēng)格量表的信度和效度的評(píng)價(jià)指標(biāo)。基于主觀問卷的調(diào)查分類法方法簡(jiǎn)單，無需信息采集設(shè)備，但該方法的分類結(jié)果只能反映駕駛?cè)藢?duì)自我駕駛行為的評(píng)估，分類結(jié)果往往帶有一定主觀偏差，不能完全體現(xiàn)駕駛?cè)藢?shí)際駕駛行為特征[4]；此外，該方法只能基于問卷進(jìn)行事后分析，不能實(shí)時(shí)測(cè)量駕駛?cè)孙L(fēng)格。

為了彌補(bǔ)問卷調(diào)查方法的不足，Li等[14]采用1種基于客觀數(shù)據(jù)的主觀分類方法，這種方法主要是利用駕駛?cè)俗匀获{駛的視頻數(shù)據(jù)對(duì)駕駛風(fēng)格進(jìn)行分類。相比于問卷調(diào)查分類方法，該方法分類結(jié)果更符合駕駛?cè)说膶?shí)際駕駛行為特征。基于網(wǎng)聯(lián)行車數(shù)據(jù)構(gòu)建的駕駛風(fēng)格分類模型能夠更為客觀、嚴(yán)謹(jǐn)?shù)卦u(píng)價(jià)駕駛?cè)说鸟{駛風(fēng)格。該方法通常選擇能夠表征駕駛?cè)说鸟{駛行為參數(shù)作為分類指標(biāo)，如超速時(shí)間比例[5]、速度[6]、加速度[15]、車頭時(shí)距、換道時(shí)距[16]、油門踏板開度[17]等，在分類方法方面，通過構(gòu)建分層聚類和K-means聚類[7，18-19]等無監(jiān)督機(jī)器學(xué)習(xí)方法、有監(jiān)督機(jī)器學(xué)習(xí)的支持向量機(jī)模型方法[20]等實(shí)現(xiàn)駕駛風(fēng)格的分類；此外，Li[21]對(duì)典型的機(jī)動(dòng)狀態(tài)之間的轉(zhuǎn)換模式進(jìn)行分析，采用隨機(jī)森林算法對(duì)駕駛風(fēng)格進(jìn)行分類。結(jié)果表明：采用該方法可以顯著提升駕駛風(fēng)格的分類識(shí)別精度，有望在將來信息化程度高的車載環(huán)境中得到應(yīng)用。

目前基于客觀數(shù)據(jù)的駕駛風(fēng)格分類方法，一般選用較多的參數(shù)，而且建模過程比較復(fù)雜；而目前的網(wǎng)聯(lián)車輛僅能提供有限的感知參數(shù)，上述方法不能在現(xiàn)有網(wǎng)聯(lián)數(shù)據(jù)采集條件下推廣應(yīng)用。為了降低數(shù)據(jù)采集的復(fù)雜程度和建模難度，本研究提出了1種基于精簡(jiǎn)客觀行車數(shù)據(jù)的駕駛風(fēng)格分類方法。由于駕駛?cè)说囊恍┨卣髋c駕駛習(xí)慣相關(guān)，不同風(fēng)格的駕駛?cè)嗽诓僮鬈囕v時(shí)，車輛的一些運(yùn)行參數(shù)具有差異性，而車頭時(shí)距指標(biāo)能夠直觀地反應(yīng)出不同駕駛?cè)说鸟{駛習(xí)慣，即車頭時(shí)距能夠體現(xiàn)駕駛?cè)说募みM(jìn)型程度[21]；此外車頭時(shí)距數(shù)據(jù)易于獲取，通過常見的車載傳感器即可獲得。因此，本研究基于網(wǎng)聯(lián)行車數(shù)據(jù)提取車頭時(shí)距為研究指標(biāo)，根據(jù)不同風(fēng)格駕駛?cè)说母囂匦蕴崛∶糠N駕駛風(fēng)格典型的駕駛模式，利用模糊數(shù)學(xué)的思想對(duì)典型模式進(jìn)行賦值，并提出駕駛風(fēng)格分類的閾值。本研究提出的駕駛風(fēng)格快速分類的方法，使用易獲取、極精簡(jiǎn)的數(shù)據(jù)達(dá)到駕駛風(fēng)格分類目的；與以往研究相比，在數(shù)據(jù)集質(zhì)量要求、計(jì)算簡(jiǎn)便性等方面存在優(yōu)勢(shì)、便于實(shí)施；同時(shí)，對(duì)于制定個(gè)性化輔助駕駛策略、提高預(yù)警有效性方面具有重要意義[22]。

1 研究方法

1.1 駕駛風(fēng)格分類建模思路

駕駛模式是駕駛?cè)嗽谀骋粫r(shí)段內(nèi)的連續(xù)操作狀態(tài)的集合，反映了駕駛?cè)瞬僮鳡顟B(tài)變化的時(shí)變特征，不同風(fēng)格的駕駛?cè)说鸟{駛模式特征異質(zhì)性顯著；因此，可以通過提取駕駛?cè)说牡湫婉{駛模式來識(shí)別其駕駛風(fēng)格。由于駕駛行為具有典型的時(shí)序特性，前后時(shí)序的駕駛行為之間的關(guān)聯(lián)性和差異性具有重要的價(jià)值，因此采用時(shí)間窗分析駕駛?cè)诵袨樘匦浴８鶕?jù)文獻(xiàn)[23]，在駕駛過程中，一般時(shí)間窗為3 s的連續(xù)操作狀態(tài)，就能很好地反應(yīng)駕駛?cè)说男袨樘匦?，代表駕駛?cè)说鸟{駛習(xí)慣。太長(zhǎng)的連續(xù)時(shí)間涉及的因素較復(fù)雜，因此，應(yīng)在反映駕駛?cè)艘鈭D的基礎(chǔ)上盡可能選取較短的時(shí)間窗來分析其駕駛行為。研究在此基礎(chǔ)上，引入車頭時(shí)距（time headway，THW）指標(biāo)，將連續(xù)時(shí)間窗的THW特征值表征為1個(gè)駕駛模式。為了更好地對(duì)駕駛風(fēng)格進(jìn)行識(shí)別，本研究分別選取3 s和5 s的時(shí)間窗對(duì)的THW特征值進(jìn)行分析，通過對(duì)比發(fā)現(xiàn)，以5 s為時(shí)間窗提取出的不同駕駛風(fēng)格的典型駕駛模式具有相似性，不能很好的區(qū)分其駕駛風(fēng)格，因此，確定選取3 s的THW特征值為1個(gè)駕駛模式。

文獻(xiàn)表明，將駕駛風(fēng)格分為3種類型是最常用，也是最可用的分類方式[5-7]。本研究利用三分制量表法將44位駕駛?cè)说鸟{駛風(fēng)格標(biāo)定為激進(jìn)型、普通型和保守型3種類型。根據(jù)標(biāo)定結(jié)果，通過計(jì)算提取每種駕駛風(fēng)格中累計(jì)頻率排名較高的前85%的駕駛模式作為該駕駛風(fēng)格對(duì)應(yīng)的典型模式；通過事先獲取的大量帶有風(fēng)格標(biāo)簽的駕駛行為片段，提取能夠代表駕駛風(fēng)格的典型駕駛模型；利用模糊數(shù)學(xué)的方法，賦予不同駕駛風(fēng)格的典型模式相應(yīng)的分值。并基于自然駕駛采集的大量駕駛片段進(jìn)行模型的建模和驗(yàn)證。

在樣本數(shù)據(jù)選取時(shí)按照7∶3比例構(gòu)造訓(xùn)練集和測(cè)試集，根據(jù)典型模式的分值對(duì)訓(xùn)練集駕駛?cè)说鸟{駛風(fēng)格進(jìn)行量化，采用三分制量表法標(biāo)定的駕駛風(fēng)格結(jié)果，構(gòu)建駕駛風(fēng)格量化分類閾值準(zhǔn)則，并對(duì)測(cè)試集的駕駛?cè)说鸟{駛風(fēng)格進(jìn)行辨識(shí)。結(jié)合三分制量表法標(biāo)定的結(jié)果評(píng)價(jià)所辨識(shí)的駕駛風(fēng)格準(zhǔn)確率。具體流程見圖1。

圖1 基于網(wǎng)聯(lián)數(shù)據(jù)的駕駛風(fēng)格分類建模思路流程Fig.1 Procedure of driving style classification modeling based on connected data

1.2 樣本數(shù)據(jù)駕駛風(fēng)格標(biāo)定方法

為了開展本研究所提出的駕駛風(fēng)格分類方法建模和驗(yàn)證，要對(duì)每位參與實(shí)驗(yàn)的駕駛?cè)诉M(jìn)行評(píng)定和標(biāo)記，以確定每位駕駛?cè)说膶?shí)際駕駛風(fēng)格。根據(jù)以往駕駛行為相關(guān)研究經(jīng)驗(yàn)[5，14]，主觀評(píng)價(jià)是穩(wěn)定而又可行的評(píng)價(jià)方法；雖然該方法不能用于實(shí)時(shí)評(píng)價(jià)，但是在建模所需的樣本標(biāo)記階段，是非常適用的方法。因此，本研究采用多名專家主觀評(píng)價(jià)方法?？紤]到駕駛風(fēng)格分類方法的可行性和準(zhǔn)確性，本研究選取三分制量表法對(duì)駕駛?cè)说鸟{駛風(fēng)格進(jìn)行標(biāo)定。

三分制量表法是1種基于客觀駕駛數(shù)據(jù)的主觀分類方法。相比于其他主觀分類方法，該方法由3位專家分別對(duì)駕駛?cè)说鸟{駛風(fēng)格進(jìn)行分類，降低了評(píng)價(jià)的主觀性，是1種常用且有效的方法。這種方法是通過3位專家觀看駕駛?cè)嗽隈{駛過程中的駕駛行為表現(xiàn)，即超車、換道、跟車等能夠反映駕駛?cè)笋{駛風(fēng)格的駕駛行為等，對(duì)每位駕駛?cè)朔謩e進(jìn)行評(píng)分（1分為保守型；2分為普通型；3分為激進(jìn)型），即每位駕駛?cè)丝梢缘玫?個(gè)分值。每位駕駛?cè)说淖罱K得分取決于3位專家評(píng)分結(jié)果是否一致。基于三分制主觀評(píng)價(jià)的駕駛風(fēng)格辨識(shí)遵循如下處理準(zhǔn)則：①如果3位專家評(píng)分結(jié)果一致，那么該分值對(duì)應(yīng)的駕駛風(fēng)格類型即為該駕駛?cè)说鸟{駛風(fēng)格；②如果其中2位專家的評(píng)分結(jié)果相同，且與第3位專家的評(píng)分值相差小于或等于1，那么以相同評(píng)分的2位專家評(píng)分結(jié)果為準(zhǔn)；③如果其中2位專家的評(píng)分結(jié)果相同，而評(píng)分值與第3位專家評(píng)分值相差大于1，則重新進(jìn)行評(píng)分；若3位專家評(píng)分結(jié)果各不相同，也需要重新進(jìn)行評(píng)分。

具體評(píng)分規(guī)則如下。

式中：S為駕駛?cè)孙L(fēng)格得分值；EA為專家A評(píng)分值；EB為專家B評(píng)值；EC為專家C評(píng)分值。

三分制量表法提供了1種準(zhǔn)確、穩(wěn)定的駕駛風(fēng)格辨識(shí)方法，但其操作過程繁瑣，且需要大量的視頻數(shù)據(jù)資料支撐，不能實(shí)現(xiàn)駕駛風(fēng)格的實(shí)時(shí)識(shí)別；然而，對(duì)于駕駛風(fēng)格標(biāo)注階段非常適用。本研究用此方法對(duì)駕駛?cè)俗匀获{駛實(shí)驗(yàn)過程中的駕駛風(fēng)格進(jìn)行分類，并對(duì)行車片段進(jìn)行標(biāo)簽標(biāo)注，為后續(xù)駕駛風(fēng)格的閾值劃分和驗(yàn)證提供依據(jù)。

1.3 基于車頭時(shí)距的典型駕駛模式提取

駕駛?cè)嗽隈{駛過程中受交通流、周圍環(huán)境以及前方引導(dǎo)車的影響，從而采取不同的操作。車頭時(shí)距是駕駛行為的直觀體現(xiàn)。本研究定義連續(xù)3 s的車頭時(shí)距特征值為1個(gè)駕駛模式，提取不同駕駛風(fēng)格中出現(xiàn)累計(jì)頻率較高的駕駛模式作為該駕駛風(fēng)格的典型駕駛模式。提取方法及流程見圖2。

圖2 基于車頭時(shí)距的典型駕駛模式提取方法Fig.2 The method of typical driving patterns based on THW

1.3.1 車頭時(shí)距分級(jí)及編碼

對(duì)于時(shí)間序列數(shù)據(jù)，為了方便計(jì)算，需要對(duì)所提取的特征進(jìn)行合理的簡(jiǎn)化，以降低復(fù)雜度和信息量。本文采用符號(hào)聚合近似（symbolic aggregate approximation，SAX）方法將數(shù)據(jù)轉(zhuǎn)化為簡(jiǎn)化的代碼。SAX算法由Lin等[23]提出，它可以將輸入時(shí)間序列轉(zhuǎn)換成字符串，既能夠?qū)υ紨?shù)據(jù)進(jìn)行簡(jiǎn)化降維，也保留了原始時(shí)間序列的大體形狀。SAX包括2個(gè)步驟：①將原始數(shù)據(jù)轉(zhuǎn)化成分段聚合近似（piecewise aggregate approximation，PAA）表示形式，即將一定時(shí)間長(zhǎng)度的車頭時(shí)距進(jìn)行平均值計(jì)算，以均值代表該時(shí)間段內(nèi)的數(shù)據(jù)；②根據(jù)聚類點(diǎn)的位置將聚類數(shù)據(jù)轉(zhuǎn)換成字符串。

分段聚合近似是將n維時(shí)間序列C=c1，c2，…，c n轉(zhuǎn)換為w維的向量C=c1，c2，…，c w的過程，其中，第i個(gè)按照式（2）計(jì)算。

將n維原始的時(shí)間序列向量降維到w維，將原始時(shí)間序列向量劃分為w個(gè)片段，是第i個(gè)片段的均值。其中，為壓縮率，必須保證為整數(shù)。

將PAA形式的車頭時(shí)距數(shù)據(jù)轉(zhuǎn)化成字符串時(shí)需要依據(jù)車頭時(shí)距的分級(jí)和編碼規(guī)則來完成；因此，需要設(shè)置車頭時(shí)距分級(jí)及編碼規(guī)則。根據(jù)所有駕駛?cè)说能囶^時(shí)距數(shù)據(jù)的分布情況，將其按從小到大的范圍劃分為不同的等級(jí)，并設(shè)置相應(yīng)的編碼。根據(jù)前期Lyu等[24]研究中行車狀態(tài)下的車頭時(shí)距分布規(guī)律，本研究根據(jù)車頭時(shí)距分布情況將其劃分為8個(gè)等級(jí)，并依次將其代碼設(shè)置為1～8。具體劃分情況見表1。

表1 車頭時(shí)距等級(jí)劃分情況Tab.1 Classification of THWclass

轉(zhuǎn)化成PAA形式的時(shí)間序列根據(jù)車頭時(shí)距編碼設(shè)置規(guī)則，將PAA系數(shù)映射到相應(yīng)的符號(hào)，即將降維之后的THW值映射到對(duì)應(yīng)的等級(jí)中，從而將時(shí)間窗行車數(shù)據(jù)轉(zhuǎn)化為對(duì)應(yīng)的編碼代碼。

本研究樣本數(shù)據(jù)車頭時(shí)距的采集頻率為10 Hz，數(shù)據(jù)量較大，需對(duì)原始數(shù)據(jù)進(jìn)行欠采樣處理。因此，以1 s為時(shí)間長(zhǎng)度進(jìn)行符號(hào)聚合近似處理，即以1 s的車頭時(shí)距平均值來表示這1 s內(nèi)的車頭時(shí)距。以其中任意1名駕駛?cè)?0 s內(nèi)的車頭時(shí)距數(shù)據(jù)為例，分段聚合近似結(jié)果見圖3。圖中右側(cè)的數(shù)字表示各等級(jí)范圍，根據(jù)車頭時(shí)距所屬范圍確定其編碼。

圖3 車頭時(shí)距分級(jí)及編碼Fig.3 Grading and coding of THW

1.3.2 駕駛模式提取

本研究定義連續(xù)3 s的車頭時(shí)距對(duì)應(yīng)等級(jí)的字符串為1個(gè)駕駛模式。由于駕駛過程是1個(gè)連續(xù)的過程，因此采用滑動(dòng)時(shí)間窗法來檢測(cè)駕駛?cè)说鸟{駛模式。見圖3，每3 s產(chǎn)生1個(gè)駕駛模式，選擇3 s的滑動(dòng)時(shí)間窗口來檢測(cè)駕駛?cè)说鸟{駛模式，如123，234，345，…，等。時(shí)間段分別產(chǎn)生1個(gè)駕駛模式。由于車頭時(shí)距被劃分為8個(gè)等級(jí)，每3 s為1個(gè)駕駛模式，因此共產(chǎn)生83=512種駕駛模式。見圖4，每個(gè)矩形框包圍的連續(xù)3個(gè)代碼為1個(gè)駕駛模式，從第13 s起駕駛模式依次為：643，433，333。

圖4 駕駛模式提取及編碼過程Fig.4 The process of car driving patterns extracting and coding

考慮到有效樣本篩選的原則，充分考慮駕駛?cè)吮旧硪鈭D的跟車數(shù)據(jù)，剔除由于其他車輛的行為而產(chǎn)生的THW突變等情況；通過分析，認(rèn)為以下情形中THW不代表駕駛?cè)吮旧淼母囈鈭D，將剔除以下數(shù)據(jù)：①連續(xù)3 s內(nèi)的THW均大于6 s，即產(chǎn)生888這種駕駛模式時(shí)，此時(shí)車輛處于自由巡航狀態(tài)；②連續(xù)2 s內(nèi)的THW發(fā)生突變，即產(chǎn)生881，811，882，822或產(chǎn)生188，118，288，228等這幾種駕駛模式時(shí)，前者可能是該車輛被其他車輛切入，后者可能是由于前車換道駛離。

1.3.3 駕駛風(fēng)格典型模式選取

假設(shè)認(rèn)為，不同駕駛風(fēng)格有其典型的高頻駕駛模式，提取這些典型的高頻駕駛模式是關(guān)鍵。典型模式選取時(shí)，結(jié)合三分制量表法劃分的駕駛風(fēng)格結(jié)果，將每種風(fēng)格駕駛?cè)讼嗤a的駕駛模式自然聚集成一組；統(tǒng)計(jì)每種駕駛風(fēng)格中不同類型的駕駛模式的發(fā)生頻率，提取每種駕駛風(fēng)格典型高頻的駕駛模式。

此外，不同駕駛風(fēng)格存在典型駕駛模式可能存在類似的現(xiàn)象，即同一種駕駛模式在不同駕駛風(fēng)格中均出現(xiàn)，這就使得同一種駕駛模式成為不同駕駛風(fēng)格的典型模式，出現(xiàn)這一現(xiàn)象的原因可能是某些駕駛模式是所有駕駛?cè)似毡椴捎玫鸟{駛模式，不具有駕駛風(fēng)格的區(qū)別性。為了解決這一問題，設(shè)置典型模式提取規(guī)則：①一般情況下，提取每種駕駛風(fēng)格中出現(xiàn)頻率較高的前85%分位的駕駛模式為典型駕駛模式；②若不同駕駛風(fēng)格中累計(jì)排名較高的前85%分位駕駛模式中出現(xiàn)相同的駕駛模式，則對(duì)比該模式在不同駕駛風(fēng)格中的出現(xiàn)的累計(jì)頻率，認(rèn)為該模式屬于累計(jì)頻率較高的駕駛風(fēng)格的典型模式。

通過分析不同駕駛風(fēng)格的駕駛模式，以提取其對(duì)應(yīng)的典型駕駛模式，主要思路及步驟如下。

步驟1。根據(jù)三分制量表法的主觀評(píng)價(jià)分類結(jié)果，對(duì)駕駛?cè)孙L(fēng)格進(jìn)行分類，并將相同駕駛風(fēng)格的行車片段構(gòu)成1個(gè)子數(shù)據(jù)集，提取其THW特征值。

水肥一體化技術(shù)是將灌溉與施肥融為一體的農(nóng)業(yè)新技術(shù)。在國(guó)家大力發(fā)展現(xiàn)代農(nóng)業(yè)的新形勢(shì)下，河北華雨農(nóng)業(yè)科技有限公司發(fā)揮自身在灌溉裝備和新型微生物肥料行業(yè)多年形成的獨(dú)特優(yōu)勢(shì)，在水肥一體化技術(shù)領(lǐng)域推出新成果，為優(yōu)質(zhì)高效綠色環(huán)保型現(xiàn)代農(nóng)業(yè)注入新的活力。

步驟2。采用滑動(dòng)時(shí)間窗法檢測(cè)每類駕駛風(fēng)格駕駛?cè)说鸟{駛模式，將每種駕駛風(fēng)格產(chǎn)生的相同的代碼自動(dòng)劃分為1組，即每種駕駛風(fēng)格中包含的每種駕駛模式劃分為1組。

步驟3。統(tǒng)計(jì)每種駕駛風(fēng)格中每種駕駛模式出現(xiàn)的累計(jì)頻率，并提取每種駕駛風(fēng)格中出現(xiàn)累計(jì)頻率較高的前85%分位的駕駛模式作為典型駕駛模式。

1.4 基于模糊隸屬度的駕駛模式賦值

為了區(qū)分不同駕駛風(fēng)格，需將不同駕駛風(fēng)格駕駛?cè)说母囂匦粤炕瑢?duì)不同駕駛風(fēng)格中典型的駕駛模式進(jìn)行賦值。實(shí)現(xiàn)分類的方法有多種，如聚類、模式識(shí)別、模糊隸屬度等方法。模糊數(shù)學(xué)是研究現(xiàn)實(shí)世界中許多界限不分明甚至是很模糊問題的數(shù)學(xué)工具，本研究采用模糊隸屬度思想研究不同駕駛風(fēng)格的典型模式的分值設(shè)置。模糊隸屬度的首要問題就是確定隸屬度函數(shù)，半梯形分布或梯形分布是比較常用的隸屬度函數(shù)。根據(jù)本研究典型模式頻率數(shù)據(jù)分布的特點(diǎn)，采用半梯形分布方法確定典型模式的隸屬函數(shù)。

由本研究中定義的典型模式可知，每種風(fēng)格出現(xiàn)某種典型模式的頻率越高，說明這種典型模式越能夠體現(xiàn)該駕駛風(fēng)格的駕駛模式；因此可知，典型駕駛模式的頻次對(duì)應(yīng)的隸屬度函數(shù)屬于偏大型隸屬度函數(shù)，函數(shù)形式見式（3）。

為了定量描述駕駛?cè)说鸟{駛行為，根據(jù)駕駛?cè)诵熊嚁?shù)據(jù)中出現(xiàn)典型對(duì)應(yīng)的分值以及所占行車時(shí)間百分比對(duì)駕駛?cè)诉M(jìn)行分值計(jì)算，分值具體定義為，駕駛?cè)诵熊嚻沃谐霈F(xiàn)各典型模式所占總駕駛時(shí)間的百分比與該典型模式對(duì)應(yīng)分值乘積的累計(jì)值[25]。計(jì)算公式為

式中：S為駕駛?cè)笋{駛風(fēng)格的得分值；Pi為駕駛?cè)诵熊嚁?shù)據(jù)中出現(xiàn)典型模式i的時(shí)間占總駕駛時(shí)間的百分比；Si為典型駕駛模式i對(duì)應(yīng)的分值。

2 自然駕駛實(shí)驗(yàn)及數(shù)據(jù)集

2.1 被試駕駛?cè)?/h3>

樣本量的選取是獲得足夠?qū)嶒?yàn)數(shù)據(jù)的關(guān)鍵，樣本量過小會(huì)降低結(jié)果的可信度，過大則會(huì)導(dǎo)致資源的浪費(fèi)。本研究參考文獻(xiàn)[26]基于預(yù)期方差、目標(biāo)置信度和誤差幅度計(jì)算所需樣本量。計(jì)算公式為

式中：N為樣本量；Z為標(biāo)準(zhǔn)正態(tài)分布統(tǒng)計(jì)量；σ為標(biāo)準(zhǔn)偏差；E為最大誤差。

通常，選擇10%的顯著性水平來反映未知參數(shù)的90%置信水平。當(dāng)置信水平為90%時(shí)，Z=1.25；σ取值為0.25～0.5，E=10%。因此，計(jì)算所需最小樣本量取值范圍為10～39。因此，本研究共招募44名被試駕駛?cè)耍ㄅ?19；男性=25），被試年齡在22～55歲之間（mean=32.8，SD=8.2），駕駛?cè)笋{齡在2～18年之間（mean=6.9），平均駕駛里程為11萬(wàn)km，范圍在400～4×105km之間，樣本的性別、年齡和駕駛經(jīng)驗(yàn)的分布符合中國(guó)一般駕駛?cè)巳旱姆植记闆r。

2.2 實(shí)驗(yàn)設(shè)備及路段

本研究的建模數(shù)據(jù)來自自然駕駛網(wǎng)聯(lián)行車數(shù)據(jù)，實(shí)驗(yàn)基于自主開發(fā)的實(shí)車實(shí)驗(yàn)平臺(tái)開展。如圖5所示，實(shí)驗(yàn)平臺(tái)基于廣汽傳祺GA3集成，主要裝載了高級(jí)駕駛輔助系統(tǒng)Mobileye M630、前向激光雷達(dá)Ibeo LUX4、車載慣性導(dǎo)航系統(tǒng)OXTS RT2500、前視攝像頭等。其中Mobileye用于采集前方最多8個(gè)目標(biāo)的位置信息以及本車相對(duì)車道線位置信息，Mobileye的預(yù)警功能在部分實(shí)驗(yàn)過程中處于關(guān)閉狀態(tài)；CAN總線用于采集駕駛?cè)瞬僮骱筒糠周囕v運(yùn)動(dòng)姿態(tài)信息，如油門踏板、制動(dòng)踏板、轉(zhuǎn)向盤轉(zhuǎn)角和車速等；慣導(dǎo)系統(tǒng)用來采集車輛運(yùn)動(dòng)姿態(tài)和位置信息，如加速度、角速度和經(jīng)緯度；激光雷達(dá)隱藏安裝在車頭，用于采集前方目標(biāo)相對(duì)于本車的位置和相對(duì)速度，作為冗余信息采集傳感器；前視攝像頭用來采集車輛行車視頻。除視頻外，所有數(shù)據(jù)均采用CAN總線設(shè)備采集，實(shí)現(xiàn)了時(shí)間的同步；最終通過采集軟件處理后，采用頻率為10 Hz。

圖5 實(shí)驗(yàn)平臺(tái)Fig.5 Experimental platform

本次實(shí)驗(yàn)給出駕駛員起點(diǎn)和終點(diǎn)，實(shí)驗(yàn)路段包括4個(gè)部分，見圖6，路段1和路段3為城市快速路，路段2為高速公路，路段4為城市道路。整個(gè)實(shí)驗(yàn)過程中駕駛?cè)藷o需佩戴任何實(shí)驗(yàn)儀器，只需按照日常的習(xí)慣從起點(diǎn)駛向終點(diǎn)，在保證安全的前提下，發(fā)揮每位駕駛?cè)烁髯缘牟僮髁?xí)慣和駕駛風(fēng)格。

圖6 實(shí)驗(yàn)路線Fig.6 Experimental routes

2.3 網(wǎng)聯(lián)實(shí)驗(yàn)數(shù)據(jù)

通過自然駕駛實(shí)車實(shí)驗(yàn)獲取到88人次、每人次105 km的實(shí)車實(shí)驗(yàn)數(shù)據(jù)，共計(jì)約10 000 km。實(shí)驗(yàn)過程中采集的數(shù)據(jù)包括駕駛員基本信息、速度（v，km/h）、縱向加速度（a x，m/s2）、車頭時(shí)距（THW，s）、碰撞時(shí)間（time-to-collision，TTC，s）和車頭間距（Distance Headway，dhw，m）等，獲取的所有數(shù)據(jù)類型見表2。

表2 自然駕駛平臺(tái)采集的原始數(shù)據(jù)Tab.2 Raw data from a natural flight platform

本研究?jī)H使用Mobileye采集的THW及前視攝像頭采集的行車視頻數(shù)據(jù)來研究駕駛風(fēng)格。由于傳感器檢測(cè)范圍限制或者前方?jīng)]有目標(biāo)，Mobileye輸出的數(shù)據(jù)并不是直接輸出車頭時(shí)距指標(biāo)，需要進(jìn)行進(jìn)一步處理，同時(shí)車載傳感器采集的原始數(shù)據(jù)不可避免的存在漏幀、不連續(xù)、跳變等缺陷，需對(duì)原始數(shù)據(jù)進(jìn)行清洗與預(yù)處理以保證數(shù)據(jù)質(zhì)量。因此，本文使用三次樣條插值對(duì)丟失幀進(jìn)行補(bǔ)充，并基于Savitzky-Golay濾波器過濾噪聲、修正跳變，最終獲得準(zhǔn)確的車頭時(shí)距數(shù)據(jù)。

通過對(duì)行駛工況界定，提取有效行車片段。有效片段選取時(shí)充分考慮樣本中能夠代表本車駕駛?cè)艘鈭D的跟車數(shù)據(jù)。由于實(shí)驗(yàn)路段中高速公路路段車流量較小，車輛基本處于自由巡航狀態(tài)，無法提取到有效的車頭時(shí)距數(shù)據(jù)；城市道路車流量較大，車輛經(jīng)常處于交通擁堵狀態(tài)，車頭時(shí)距過小，難以有效區(qū)分不同風(fēng)格駕駛員操作的差異性。因此，最終選取路段1和路段3總長(zhǎng)度為47 km的城市快速路作為研究對(duì)象。將城市快速路的行車數(shù)據(jù)按照30 s為1個(gè)時(shí)間窗進(jìn)行劃分，每個(gè)時(shí)間窗內(nèi)的行車數(shù)據(jù)作為一段有效行車片段，最終共獲取到約2 640段有效行車片段。其中，30名駕駛?cè)藬?shù)據(jù)用于建模（占總數(shù)據(jù)集68.2%），14名駕駛?cè)藬?shù)據(jù)用于驗(yàn)證（占總數(shù)據(jù)集31.8%）。

3 建模過程及結(jié)果驗(yàn)證

3.1 模型訓(xùn)練

1）三分制量表法劃分駕駛風(fēng)格。選擇3位駕駛經(jīng)驗(yàn)豐富且深入了解不同駕駛風(fēng)格特征的駕駛?cè)俗鳛轳{駛風(fēng)格主觀評(píng)價(jià)專家，3位專家通過觀看44位駕駛?cè)说男熊囈曨l數(shù)據(jù)，根據(jù)被試駕駛?cè)嗽谛熊囘^程中的跟車、超車、換道等能體現(xiàn)駕駛風(fēng)格的駕駛行為，并采用三分制量表法分別對(duì)44位駕駛?cè)艘来芜M(jìn)行打分從而對(duì)其駕駛風(fēng)格進(jìn)行標(biāo)定。在駕駛風(fēng)格標(biāo)定過程中，初次打分時(shí)，不同專家之間出現(xiàn)意見分歧，其中39位駕駛?cè)说娘L(fēng)格標(biāo)定結(jié)果一致，5位駕駛?cè)说鸟{駛風(fēng)格不能確定；隨后，3位專家對(duì)這5位駕駛員重新進(jìn)行標(biāo)定；最終，將這5位駕駛員確定為3位屬于普通型，2位屬于保守型。三分制量表法的駕駛風(fēng)格分類結(jié)果見表3。

表3 駕駛風(fēng)格標(biāo)定結(jié)果Tab.3 The result of driving style calibration

2）不同駕駛風(fēng)格的模式賦值。根據(jù)不同駕駛風(fēng)格駕駛?cè)说男袨樘匦苑謩e賦予不同駕駛風(fēng)格的典型模式初始分值。分值可以設(shè)置為-1，0，1，也可以設(shè)置為其他值，主要用來區(qū)別不同類型風(fēng)格。初始值設(shè)置見表4。

表4 典型駕駛模式初始分值Tab.4 Typical initial values of the following patterns

首先，基于自然駕駛建立行車數(shù)據(jù)集，對(duì)行車數(shù)據(jù)集進(jìn)行有效性篩選及分段；然后，根據(jù)三分制量表法得到每位駕駛?cè)说鸟{駛風(fēng)格，進(jìn)而對(duì)每個(gè)行車片段進(jìn)行駕駛風(fēng)格標(biāo)注；最后，提取3種駕駛風(fēng)格的行車片段中的典型駕駛模式，并對(duì)其按照出現(xiàn)頻次百分比進(jìn)行分值賦值?；诿糠N典型模式所占的時(shí)間百分比，利用式（4）計(jì)算每種典型模式的隸屬度及對(duì)應(yīng)分值，提取的每種駕駛風(fēng)格的典型模式見表5。

表5 部分典型的駕駛模式隸屬度及對(duì)應(yīng)分值Tab.5 A part of the membership and the corresponding values of typical car following patterns

從上述提取的不同駕駛風(fēng)格的典型模式可以看出：①激進(jìn)型駕駛?cè)伺琶壳暗鸟{駛模式為222，433，332，443，322，可以看出激進(jìn)型駕駛?cè)藘A向于與前車保持較小的車頭時(shí)距，且有將車頭時(shí)距由大到小調(diào)整的意愿；②普通型駕駛?cè)伺琶壳暗鸟{駛模式為333，444，544，554，654，其車頭時(shí)距保持在比較適中的位置；③保守型駕駛?cè)伺琶壳暗鸟{駛模式為666，777，555，665，556，可以看出保守型駕駛?cè)藘A向于與前車保持較大的車頭時(shí)距，且有將車頭時(shí)距由小到大調(diào)整的意愿；④激進(jìn)型駕駛?cè)嗽隈{駛過程中緊緊跟隨前車，隨著前車速度的變化不斷調(diào)整運(yùn)行狀態(tài)；而保守型駕駛?cè)藙t為自己預(yù)留更加充裕的時(shí)間來應(yīng)對(duì)前車速度的變化，這一結(jié)果符合不同駕駛風(fēng)格駕駛?cè)说男睦硖匦浴?/p>

3）不同駕駛風(fēng)格的閾值設(shè)定。駕駛風(fēng)格閾值設(shè)置時(shí)，根據(jù)實(shí)驗(yàn)得到的44組有效樣本，選擇約70%的樣本，即30名駕駛?cè)俗鳛轳{駛風(fēng)格分類的建模數(shù)據(jù)集。隨機(jī)選取樣本時(shí)遵循分層抽樣的原則，按照比例隨機(jī)選擇激進(jìn)型、普通型、保守型駕駛?cè)朔謩e為4，15，11名。利用式（4）計(jì)算得出訓(xùn)練集駕駛?cè)说钠骄种?、分值?biāo)準(zhǔn)差、分值極大值和分支極小值見表6。

表6 訓(xùn)練集駕駛?cè)说梅智闆rTab.6 Training set the driver of the score

具體分值分布情況見圖7。由圖7中建模數(shù)據(jù)集駕駛?cè)说梅智闆r可知，普通型和保守型駕駛?cè)朔种涤薪徊嬷丿B部分。這種情況符合客觀規(guī)律，本身因個(gè)體差異會(huì)存在少數(shù)不同類型駕駛?cè)嗽u(píng)分分值重合情況；但是激進(jìn)型和保守型駕駛?cè)酥g分值沒有重疊。設(shè)置閾值的目的是區(qū)分不同的駕駛風(fēng)格，準(zhǔn)確地說，就是找出2個(gè)臨界值作為不同駕駛風(fēng)格的分界線，其中1條線盡可能將普通型與保守型分開，是與保守型、普通型的各個(gè)樣本分值距離之和最小的值，另1條線盡可能將激進(jìn)型與普通型分開，即與激進(jìn)型、普通型的各個(gè)樣本分值距離之和最小的值。通過計(jì)算得出與保守型和普通型各樣本分值距離之和最小的值為64.67，與普通型和激進(jìn)型樣本分值距離之和的最小的值為181.20，如圖7中的虛線所示。因此，將各駕駛風(fēng)格閾值是設(shè)置為：S＜64.67為保守型，64.67≤S＜181.20普通型，S≥181.20為激進(jìn)型駕駛?cè)恕?/p>

圖7 訓(xùn)練集駕駛?cè)朔种捣植记闆rFig.7 Drivers'scoring of training set

3.2 模型測(cè)試及驗(yàn)證

為了測(cè)試與驗(yàn)證本研究所提出的基于精簡(jiǎn)車頭時(shí)距特征駕駛風(fēng)格分類方法的識(shí)別效果，本研究利用樣本集中其余14名駕駛?cè)说膶?shí)驗(yàn)數(shù)據(jù)作為模型的測(cè)試集。利用上述同樣方法對(duì)測(cè)試集的駕駛?cè)藬?shù)據(jù)進(jìn)行分析，計(jì)算出14名駕駛?cè)说姆种担⒏鶕?jù)以上模型中設(shè)定的各駕駛風(fēng)格閾值對(duì)測(cè)試集駕駛?cè)说鸟{駛風(fēng)格進(jìn)行識(shí)別。測(cè)試集駕駛?cè)说梅智闆r及識(shí)別結(jié)果見表7。

將識(shí)別結(jié)果與三分制量表法劃分的結(jié)果進(jìn)行比較，驗(yàn)證識(shí)別結(jié)果的準(zhǔn)確率，見圖8中混淆矩陣。橫坐標(biāo)為本研究所提方法的辨識(shí)結(jié)果，縱坐標(biāo)三分制量表法的分類結(jié)果，即實(shí)際駕駛風(fēng)格，橫縱坐標(biāo)中的數(shù)字1，2，3分別表示保守型、普通型和激進(jìn)型。由混淆矩陣可知，利用本研究提出的駕駛風(fēng)格分類方法對(duì)14名駕駛?cè)诉M(jìn)行識(shí)別，具體識(shí)別結(jié)果為：保守型、普通型、激進(jìn)型駕駛?cè)巳藬?shù)分別為7，5，2名；與真實(shí)結(jié)果相比，本文所提方法誤將2名普通型駕駛?cè)俗R(shí)別成保守型駕駛?cè)?，總體來看，駕駛風(fēng)格識(shí)別準(zhǔn)確率為85.7%。其中，駕駛風(fēng)格被識(shí)別錯(cuò)誤的2名駕駛?cè)嗽趯＜掖蚍謺r(shí)也出現(xiàn)了不同的意見，由表7可知，采用三分制量表法進(jìn)行駕駛風(fēng)格劃分時(shí)，2名專家認(rèn)為是普通型，1名專家認(rèn)為是保守型，最終標(biāo)定為普通型，因此，這2名駕駛?cè)说鸟{駛風(fēng)格不明顯，介于保守型與普通型之間。此外，模型訓(xùn)練集與驗(yàn)證樣本量較小，導(dǎo)致不同駕駛風(fēng)格閾值設(shè)置時(shí)存在偏差，因此也會(huì)導(dǎo)致駕駛風(fēng)格識(shí)別錯(cuò)誤的情況。如果增加樣本數(shù)量有望進(jìn)一步減小隨機(jī)誤差對(duì)識(shí)別精度的影響。

表7 測(cè)試集駕駛?cè)说梅智闆rTab.7 Drivers'scoring of test set

圖8 駕駛風(fēng)格識(shí)別結(jié)果Fig.8 The result of driving style recognition.

4 結(jié)束語(yǔ)

本研究提出了1種基于車頭時(shí)距特性來辨識(shí)駕駛風(fēng)格的方法，僅利用精簡(jiǎn)的車頭時(shí)距指標(biāo)，在車聯(lián)網(wǎng)環(huán)境下具有可實(shí)施性。采用三分制量表法辨識(shí)駕駛?cè)笋{駛風(fēng)格，將駕駛?cè)说鸟{駛風(fēng)格分為保守型、普通型和激進(jìn)型3種，將駕駛?cè)说鸟{駛操作過程進(jìn)行量化，采用模糊隸屬度方法構(gòu)建了駕駛?cè)笋{駛風(fēng)格的分類閾值準(zhǔn)則，得到不同駕駛風(fēng)格的閾值，通過對(duì)測(cè)試集進(jìn)行驗(yàn)證，發(fā)現(xiàn)12名駕駛?cè)说鸟{駛風(fēng)格被正確識(shí)別，2名駕駛?cè)说鸟{駛風(fēng)格被錯(cuò)誤識(shí)別，識(shí)別的準(zhǔn)確率為85.7%。主要結(jié)論及貢獻(xiàn)如下。

1）激進(jìn)型駕駛?cè)烁鼉A向于近距離跟車，且有將車頭時(shí)距向小調(diào)整的傾向；相反地，保守型駕駛?cè)烁鼉A向于遠(yuǎn)距離跟車，且有將車頭時(shí)距向大調(diào)整的傾向。這一結(jié)論與之前研究中不同風(fēng)格駕駛?cè)说鸟{駛習(xí)慣相符合[27]。可見，本研究所提取的不同風(fēng)格下典型駕駛模式能夠很好地反映不同風(fēng)格駕駛?cè)说鸟{駛行為特征。

2）本研究創(chuàng)新性地提出了駕駛風(fēng)格分類的閾值，并結(jié)合實(shí)例得出各駕駛風(fēng)格閾值分別為：S＜64.67為保守型，64.67≤S＜181.20為普通型，S≥181.20為激進(jìn)型駕駛?cè)恕?/p>

3）通過極精簡(jiǎn)的單一指標(biāo)-車頭時(shí)距來實(shí)現(xiàn)駕駛風(fēng)格的識(shí)別。基于本研究提出的方法可以構(gòu)建一套實(shí)時(shí)、易用、有效的駕駛風(fēng)格識(shí)別方法，將分類結(jié)果反饋給駕駛?cè)撕蛙囕d系統(tǒng)，以實(shí)現(xiàn)個(gè)性化預(yù)警或個(gè)性化自動(dòng)駕駛，使得輔助駕駛及自動(dòng)駕駛更加符合個(gè)性化要求。

本研究在訓(xùn)練集樣本選取時(shí)，采用分層抽樣的方法。由于總樣本量不大，分層抽樣時(shí)存在每層的抽樣比例不均衡、有偏差的現(xiàn)象；抽樣的結(jié)果可能會(huì)影響閾值設(shè)置結(jié)果，進(jìn)而對(duì)駕駛風(fēng)格的識(shí)別結(jié)果產(chǎn)生一定影響。如果樣本量夠大，能夠消除訓(xùn)練集抽樣不均衡現(xiàn)象，使得不同駕駛風(fēng)格的典型駕駛模式及閾值設(shè)置更具有科學(xué)性和可信性。