符鋅砂，葛洪成，魯岳

（1.華南理工大學(xué)土木與交通學(xué)院，廣東 廣州 510640；2.廣州白云國(guó)際機(jī)場(chǎng)股份有限公司，廣東 廣州 510470）

0 引言

隧道路段作為高速公路中的特殊路段，明暗交替的視覺(jué)變化和密集的標(biāo)志標(biāo)線設(shè)置賦予了其復(fù)雜的交通運(yùn)行環(huán)境。隧道段交通事故是駕駛?cè)恕④?chē)輛、道路和環(huán)境這一動(dòng)態(tài)耦合系統(tǒng)不協(xié)調(diào)變化誘發(fā)的，更多的研究和統(tǒng)計(jì)結(jié)果表明駕駛?cè)俗陨淼囊蛩厥钱a(chǎn)生事故最直接和根本的原因[1]。隧道路段外部客觀交通環(huán)境的改變要求駕駛?cè)司哂懈叨鹊鸟{駛警惕性和協(xié)調(diào)性，一旦駕駛?cè)顺霈F(xiàn)分心駕駛、疲勞駕駛等狀態(tài)，作出正確的判斷和適宜的駕駛行為的概率就會(huì)降低，安全風(fēng)險(xiǎn)將會(huì)增大，當(dāng)車(chē)流量較大或外界行車(chē)條件不好時(shí)更容易發(fā)生事故。因此，合理量化駕駛?cè)嗽谒淼缆范涡旭傔^(guò)程中的壓力負(fù)荷，對(duì)于駕駛?cè)俗鞒稣_、適宜的駕駛操作、規(guī)避行車(chē)風(fēng)險(xiǎn)大有裨益。

近年來(lái)，得益于智能駕駛領(lǐng)域的快速發(fā)展，越來(lái)越多的傳感設(shè)備和通信技術(shù)被應(yīng)用于車(chē)輛中，在行駛中可以提取到車(chē)輛狀態(tài)和周?chē)h(huán)境等多模態(tài)指標(biāo)，大量參數(shù)為判斷駕駛?cè)笋{駛效果，預(yù)測(cè)壓力負(fù)荷、規(guī)避駕駛風(fēng)險(xiǎn)提供了重要依據(jù)，也是目前交通和運(yùn)載領(lǐng)域的重要研究方向[2]。

駕駛壓力負(fù)荷水平是關(guān)系穩(wěn)定、安全駕駛的重要因素，長(zhǎng)期以來(lái)，對(duì)其評(píng)估一般分為兩個(gè)方面：①主觀問(wèn)卷、量表評(píng)估；②客觀多模態(tài)參數(shù)評(píng)估。主觀評(píng)估方面，Healey 等通過(guò)對(duì)感知壓力等級(jí)的問(wèn)卷分析，確定了低、中、高、極高等4種壓力[3]；Mou 等通過(guò)駕駛模擬的方式，對(duì)駕駛?cè)诉M(jìn)行口頭問(wèn)詢收集駕駛?cè)藢?shí)時(shí)的壓力水平信息[4]；而Matthews等基于5種壓力維度開(kāi)發(fā)了駕駛?cè)藟毫α勘韀5]?？陀^評(píng)估方面，Rigas 等通過(guò)實(shí)車(chē)試驗(yàn)，以及駕駛?cè)说纳?、面部?shù)據(jù)和環(huán)境數(shù)據(jù)等，通過(guò)被試者自述駕駛感受來(lái)確定壓力和疲勞的分級(jí)，使用支持向量機(jī)（Support Vector Machine,SVM）分類器檢測(cè)壓力，準(zhǔn)確率達(dá)到了86%[6]；Rastgoo 等通過(guò)模擬駕駛，整合心電、車(chē)輛、環(huán)境等多模態(tài)數(shù)據(jù)，基于CNN-LSTM 多模態(tài)融合模型來(lái)預(yù)測(cè)高、中、低3 種壓力模式，平均精度達(dá)到92.8%[7]；鄭玲等采用生理、車(chē)輛信號(hào)作為認(rèn)知負(fù)荷評(píng)價(jià)指標(biāo)，采用駕駛模擬的方式進(jìn)行跟車(chē)行駛的數(shù)據(jù)采集，使用隨機(jī)森林（Random Forest,RF）算法進(jìn)行壓力負(fù)荷分類，最高精度達(dá)到92%[8]。

綜上，目前的研究多為單一地從主觀或客觀層面對(duì)壓力負(fù)荷進(jìn)行評(píng)估，存在的主要問(wèn)題是：客觀評(píng)估的方式過(guò)于依賴采集設(shè)備，對(duì)收集的數(shù)據(jù)質(zhì)量要求更高；而考慮主觀問(wèn)卷等因素的數(shù)據(jù)采集具有一定的延遲性，存在一定的誤差。研究表明，綜合主客觀的多模態(tài)參數(shù)匯聚被證明有著更好的壓力負(fù)荷預(yù)測(cè)性能[9]。因此，結(jié)合問(wèn)卷等方式獲得的主觀測(cè)評(píng)數(shù)據(jù)，對(duì)駕駛環(huán)境、行為、生理指標(biāo)進(jìn)行多模態(tài)壓力負(fù)荷預(yù)測(cè)，對(duì)于規(guī)避行車(chē)風(fēng)險(xiǎn)有著重要的意義。本文在某隧道路段實(shí)施自然駕駛試驗(yàn)，采集被試人員駛經(jīng)隧道路段的生心理、駕駛行為、環(huán)境等客觀參數(shù)，并結(jié)合主觀壓力負(fù)荷問(wèn)卷評(píng)分，基于多維信息進(jìn)行綜合壓力負(fù)荷等級(jí)評(píng)估，以期提升壓力負(fù)荷預(yù)測(cè)的準(zhǔn)確性。

1 自然駕駛試驗(yàn)

1.1 試驗(yàn)路段

該試驗(yàn)路段為G55 二廣高速三水至懷集段，全長(zhǎng)約120km，設(shè)計(jì)速度為120km/h，雙向六車(chē)道，其中隧道路段限速80km/h。該試驗(yàn)路段共30處隧道。路段走向和隧道分布如圖1 所示。試驗(yàn)期間路段車(chē)流量少，交通流密度低，可視為自由流狀態(tài)。

圖1 試驗(yàn)路段示意

1.2 試驗(yàn)參數(shù)選擇

1.2.1 客觀參數(shù)

本次試驗(yàn)選取了心電指標(biāo)和皮電指標(biāo)作為評(píng)價(jià)駕駛?cè)藟毫ω?fù)荷的生心理指標(biāo)。心率（Heart Rate,HR）是心理研究中最常用的指標(biāo)之一[10]，它一般與人的覺(jué)醒程度和精神活動(dòng)有關(guān)。

式（1）中：HR 為心率（bpm）；RR 為心電圖中兩相鄰R波的時(shí)間差（s）。

皮膚電活動(dòng)（Electrodermal Activity,EDA）作為一項(xiàng)生理指標(biāo)，它代表機(jī)體在受到外界環(huán)境刺激時(shí)，皮膚汗腺電傳導(dǎo)產(chǎn)生的變化：情緒發(fā)生改變時(shí)，汗腺分泌增加，皮膚導(dǎo)電性增加，引起皮電指數(shù)增高。因此皮電反應(yīng)與情緒、喚醒和注意力有密切聯(lián)系，其具體涵義為兩測(cè)點(diǎn)皮膚之間的電導(dǎo)大小，又稱為皮膚電導(dǎo)反應(yīng)（Skin Conduc?tance Response,SCR）[11]。

式（2）中：SCR 為皮膚電導(dǎo)反應(yīng)（μS）；SCM為皮電反應(yīng)中的電導(dǎo)峰值（μS）；SC0為皮電反應(yīng)開(kāi)始的基礎(chǔ)電導(dǎo)值（μS）。

常見(jiàn)的駕駛行為指標(biāo)有速度、轉(zhuǎn)速、縱向加速度、橫向加速度、方向盤(pán)偏轉(zhuǎn)角度等。本試驗(yàn)選取轉(zhuǎn)速、橫向、縱向加速度作為駕駛行為的衡量指標(biāo)。由于隧道具有密閉的環(huán)境特殊性，駕駛?cè)藢?duì)明暗交替的外界環(huán)境刺激反應(yīng)顯著。光照強(qiáng)度作為衡量光照強(qiáng)弱狀況的指標(biāo)，通過(guò)刺激駕駛?cè)说囊曈X(jué)進(jìn)一步影響其生心理狀況，故該指標(biāo)一定程度上反映了外界環(huán)境的變化，被選取為路側(cè)環(huán)境參數(shù)。本研究所選取的試驗(yàn)路段隧道的平面線形比較平順，多由直線和大半徑曲線組成，故在本研究中忽略隧道線形因素的影響。

1.2.2 主觀參數(shù)

本文采用NASA 任務(wù)負(fù)荷指數(shù)（NASA Task Load Index,NASA_TLX）評(píng)估主觀壓力負(fù)荷水平。NASA_TLX 使用6 個(gè)維度來(lái)評(píng)估工作量：心理需求、生理需求、時(shí)間需求、表現(xiàn)、努力程度和挫敗感。本研究針對(duì)駕駛?cè)蝿?wù)，將問(wèn)卷中的表述改為在駕駛情景下的6 個(gè)維度。20 步雙極刻度用于獲得這些尺寸的評(píng)級(jí)，量表的評(píng)分范圍為0～100。NASA_TLX 使用了一個(gè)需要配對(duì)比較任務(wù)的加權(quán)過(guò)程，要求被測(cè)人員在6 個(gè)維度的所有對(duì)中選擇與特定任務(wù)的工作負(fù)荷更相關(guān)的維度，一共需要比較選擇15次。每個(gè)任務(wù)的工作負(fù)荷量表分?jǐn)?shù)是通過(guò)將權(quán)重乘以個(gè)體維度量表得分，再將各個(gè)量表的分?jǐn)?shù)相加，最后除以總權(quán)重得到的，其計(jì)算公式如式（3）所示。一般來(lái)說(shuō)，NASA_TLX 是一個(gè)非常好的測(cè)量心理負(fù)荷的多維尺度，其對(duì)工作量、工作負(fù)荷的變化很敏感，診斷性和準(zhǔn)確性也很高[12]。

式（3）中：S為NASA_TLX 評(píng)分結(jié)果；Ni為20步雙極刻度確定的第i個(gè)主觀評(píng)分；wi為第i個(gè)維度在權(quán)重確定表中出現(xiàn)的次數(shù)。

1.3 試驗(yàn)裝置

試驗(yàn)采用了以下6 種設(shè)備：（1）大眾朗逸（1.6T 排量，三廂自動(dòng)擋小汽車(chē)），作為試驗(yàn)車(chē)輛；（2）BIOPAC MP160 生理采集儀，用于收集駕駛?cè)嗽隈{駛過(guò)程中的EDA、心電圖（Electro?cardiogram,ECG）及車(chē)輛的三軸加速度信號(hào)；（3）筆記本電腦，用于連接和收集生理儀器的數(shù)據(jù)；（4）行車(chē)記錄儀，用于記錄行駛環(huán)境；（5）照度儀，用于獲取試驗(yàn)隧道段的照度信息；（6）車(chē)載優(yōu)駕智能盒子，通過(guò)車(chē)載診斷系統(tǒng)（On Board Diagnostics,OBD）接口與車(chē)輛連接，以提取車(chē)輛運(yùn)行中的速度、轉(zhuǎn)速等行駛數(shù)據(jù)。

1.4 試驗(yàn)人員

試驗(yàn)招募了32名被試人員，均持有中華人民共和國(guó)機(jī)動(dòng)車(chē)駕駛C1 執(zhí)照，身體無(wú)嚴(yán)重基礎(chǔ)疾病，視力或矯正視力均達(dá)到5.0。其中包括22 名男性、10 名女性，年齡在24～35 歲（均值為27.1歲，標(biāo)準(zhǔn)差為3.1），駕齡在1～10年不等（均值為3.7年，標(biāo)準(zhǔn)差為2.4）。

1.5 試驗(yàn)過(guò)程

（1）試驗(yàn)準(zhǔn)備階段，將行車(chē)記錄儀及照度儀安裝在汽車(chē)前擋風(fēng)玻璃的正中央，并且確保擋風(fēng)玻璃清潔以及行駛過(guò)程中不會(huì)晃動(dòng)。

（2）正式開(kāi)始試驗(yàn)之前，駕駛?cè)诵枧宕魃韮x器進(jìn)行試駕，以避免佩戴儀器的不適感影響試驗(yàn)。

（3）試驗(yàn)出發(fā)前，要求被試者保持閉目休息狀態(tài)5min，以獲取駕駛?cè)遂o息狀態(tài)下各項(xiàng)生理指標(biāo)的基值。

（4）試驗(yàn)從上行路段四會(huì)西收費(fèi)站開(kāi)始，至下行路段四會(huì)西收費(fèi)站結(jié)束。全程共有2 名測(cè)試人員跟車(chē)，分別采集駕駛?cè)诵旭傔^(guò)程中的生心理、環(huán)境數(shù)據(jù)以及車(chē)輛速度、轉(zhuǎn)速等數(shù)據(jù)。另外，盡量避免出現(xiàn)影響被試者行駛心理的行為和車(chē)載環(huán)境。

（5）試驗(yàn)車(chē)輛通過(guò)連續(xù)的隧道路段后，從最近的互通收費(fèi)站駛離高速公路，具體行駛次序如圖2所示，測(cè)試人員在收費(fèi)站出口處收集駕駛?cè)藢?duì)剛剛通過(guò)1處或多處隧道的NASA_TLX問(wèn)卷，收集完成后繼續(xù)駕駛?cè)蝿?wù)，直至通過(guò)全部30處隧道。

圖2 試驗(yàn)路段行經(jīng)隧道次序示意

（6）單次試驗(yàn)結(jié)束后，測(cè)試人員將收集到的生理數(shù)據(jù)及時(shí)保存，并檢查筆記本電腦以及智能手機(jī)中的數(shù)據(jù)有無(wú)問(wèn)題。

（7）以上步驟完成后關(guān)閉儀器設(shè)備，將被試者身上的生理儀器取下并整理，清理電導(dǎo)液，將車(chē)輛熄火。

2 試驗(yàn)數(shù)據(jù)提取與處理

本研究共進(jìn)行了128 次自然駕駛試驗(yàn)，采集的每組數(shù)據(jù)包括生理儀器采集的生心理數(shù)據(jù)，車(chē)輛速度、轉(zhuǎn)速、三軸加速度等車(chē)輛數(shù)據(jù)，環(huán)境照度及行車(chē)記錄儀獲得的環(huán)境數(shù)據(jù)，以及駕駛?cè)说腘ASA_TLX 量表分?jǐn)?shù)等。經(jīng)過(guò)整理，其中有11 組試驗(yàn)數(shù)據(jù)丟失或無(wú)法使用，最終得到有效數(shù)據(jù)117 組。參照隧道分段的相關(guān)研究成果[13]，本試驗(yàn)研究范圍集中在隧道入口前100m至隧道出口后100m，在該范圍內(nèi)進(jìn)行數(shù)據(jù)分析與提取。

2.1 生心理信號(hào)

在本研究中，選擇HR 作為衡量駕駛?cè)诵熊?chē)舒適性的心電指標(biāo)，通過(guò)AcqKnowledge 軟件進(jìn)行ECG 分析，提取心率指標(biāo)。由于個(gè)體之間的心率水平存在差異，靜息心率或高或低，為了消除個(gè)體間的心理差異，選擇心率變化率P作為ECG 信號(hào)的衡量指標(biāo)[14]：

式（4）中：P為心率變化率（%）；h1為駕駛?cè)遂o息狀態(tài)下的基礎(chǔ)心率值（bpm）；h2為駕駛?cè)说膶?shí)時(shí)心率值（bpm）。

此外，由于生心理信號(hào)采集頻率高，且具有一定的滯后性，本次數(shù)據(jù)處理選擇長(zhǎng)度為5s的時(shí)間窗進(jìn)行提取以消除誤差：

式（5）中：Pi為第i秒的實(shí)際心率變化率（%）；Pn為處理分析后第n秒的心率變化率（%）。

為便于分析皮電數(shù)據(jù)，首先通過(guò)AcqKnowledge 軟件對(duì)采集的原始EDA 信號(hào)進(jìn)行降采樣，將采集頻率從500sample/s 降至31.25sample/s，隨后采用窗口為Blackman-61dB 的有限沖激響應(yīng)（Finite Impulse Response,FIP）濾波器進(jìn)行去噪處理，將頻率大于1Hz 的干擾信號(hào)清除后得到待分析的EDA 信號(hào)，最后利用AcqKnowledge 軟件分析并提取出SCR 指標(biāo)。本次數(shù)據(jù)處理選擇長(zhǎng)度為5s的時(shí)間窗進(jìn)行提取以消除誤差：

式（6）中：SCRi為第i秒的皮電反應(yīng)值（μS）；SCRn為處理分析后第n秒的皮電反應(yīng)值（μS）。

2.2 駕駛行為與駕駛環(huán)境

2.2.1 駕駛行為數(shù)據(jù)

通過(guò)優(yōu)駕官網(wǎng)（http://www.gooddriver.cn/）可以提取優(yōu)駕盒子在車(chē)輛運(yùn)行過(guò)程中記錄的轉(zhuǎn)速等數(shù)據(jù)，進(jìn)而衡量駕駛行為。該設(shè)備的采樣率為5sample/s，取1s 數(shù)據(jù)的均值作為車(chē)輛轉(zhuǎn)速指標(biāo)。三軸加速度也是衡量駕駛行為的車(chē)輛指標(biāo)。為了便于分析，首先對(duì)采集到的原始三軸加速度信號(hào)進(jìn)行降采樣，將采集頻率從500sample/s 降至31.25sample/s。由于車(chē)輛發(fā)動(dòng)機(jī)的振動(dòng)會(huì)對(duì)三軸加速度的采集產(chǎn)生干擾，采用窗口為Blackman-61dB 的FIP 濾波器進(jìn)行去噪處理，將頻率大于3Hz 的干擾信號(hào)清除后，利用AcqKnowledge 軟件取1s內(nèi)的均值得到待分析的三軸加速度信號(hào)。

2.2.2 環(huán)境照度數(shù)據(jù)

本試驗(yàn)采用照度儀提取行車(chē)過(guò)程中的光照強(qiáng)度。光照強(qiáng)度指單位面積所接受的可見(jiàn)光的光通量，簡(jiǎn)稱照度，單位為L(zhǎng)ux。測(cè)試人員對(duì)照度儀進(jìn)行攝像，通過(guò)視頻讀取實(shí)時(shí)位置的照度值，采樣頻率為1sample/s。

2.3 車(chē)輛位置

隧道事故的數(shù)量和風(fēng)險(xiǎn)因空間分布不同而存在較大差異，進(jìn)而造成不同水平的壓力負(fù)荷等級(jí)。本研究選取了行駛進(jìn)程DPi和距出入口最小距離MINDI作為衡量車(chē)輛位置的評(píng)估參數(shù)。

式（7）中：DPi為行駛進(jìn)程（%）；Li為第i秒車(chē)輛距離入口前100m 的距離（m）；Lt為隧道長(zhǎng)度（m）。

式（8）中：MINDI為距出入口最小距離（m）；Deni為第i秒車(chē)輛距離入口的距離（m）；Dexi為第i秒車(chē)輛距離出口的距離（m）。

2.4 基于三維聚類方法的壓力負(fù)荷等級(jí)劃分

長(zhǎng)期以來(lái)，衡量駕駛?cè)说膲毫ω?fù)荷水平通常采用主觀評(píng)估、客觀參數(shù)采集等方式。主觀評(píng)估依據(jù)的是問(wèn)卷調(diào)查和駕駛?cè)俗晕以u(píng)估報(bào)告，缺點(diǎn)是實(shí)時(shí)性、客觀性較差?？陀^評(píng)估一般根據(jù)駕駛?cè)说纳睦碇笜?biāo)以及駕駛行為、駕駛績(jī)效等進(jìn)行分類，但受限于儀器的靈敏度、精度以及駕駛?cè)说那榫w變化而導(dǎo)致準(zhǔn)確率得不到保證[15]?？紤]到這兩種評(píng)估方式的優(yōu)缺點(diǎn)，本文結(jié)合主客觀評(píng)估，利用駕駛?cè)松睦碇笜?biāo)和NASA_TLX 得分，通過(guò)三維聚類的方式對(duì)駕駛?cè)说膲毫ω?fù)荷進(jìn)行定量表達(dá)和分類。

對(duì)自然駕駛試驗(yàn)中獲取的生心理指標(biāo)數(shù)據(jù)進(jìn)行提取和處理?？紤]到駕駛?cè)嗣客ㄟ^(guò)1 處隧道均會(huì)產(chǎn)生1 個(gè)NASA_TLX 主觀得分，對(duì)駕駛?cè)送ㄟ^(guò)每處隧道的心率變化率和SCR 取均值，并將3 項(xiàng)指標(biāo)輸入origin 軟件進(jìn)行K-means 三維聚類（如表1 所示），K值取為3，從而將駕駛?cè)说膲毫ω?fù)荷等級(jí)劃分為低、中、高等3個(gè)水平。

表1 三維聚類輸入?yún)?shù)

最終的三維聚類分析結(jié)果如圖3 所示。圖3（a）表示三維聚類的空間分布情況，不同形狀的點(diǎn)代表不同等級(jí)的壓力負(fù)荷水平，圖3（b）和3 圖（c）分別表示聚類結(jié)果在x-z平面和y-z平面的投影圖。對(duì)聚類結(jié)果的具體描述如表2所示。

表2 聚類結(jié)果描述

圖3 三維聚類分析結(jié)果

將三維聚類結(jié)果投影至x-y平面。結(jié)合既往的研究結(jié)果，本文基于心率變化率和SCR 兩項(xiàng)指標(biāo)對(duì)3 類壓力等級(jí)進(jìn)行擬合，導(dǎo)出低壓力負(fù)荷與中壓力負(fù)荷之間，以及中壓力負(fù)荷與高壓力負(fù)荷之間的界線，如圖4所示[16]。

圖4 生心理指標(biāo)擬合結(jié)果

根據(jù)擬合結(jié)果，可以利用心率變化率和SCR兩項(xiàng)生心理指標(biāo)定量表示駕駛?cè)说膲毫ω?fù)荷等級(jí)，如式（9）所示。

式（9）中：P含義同式（4）；SCR含義同式（2）。

基于每處隧道1 個(gè)三維參數(shù)的數(shù)據(jù)來(lái)源，式（9）給出了壓力負(fù)荷等級(jí)的分類方法。以每1s提取1 個(gè)數(shù)據(jù)的頻率，僅需將每秒的心率變化率和SCR 輸入公式，即可確定不同時(shí)刻在隧道路段實(shí)時(shí)行駛的駕駛?cè)藟毫ω?fù)荷等級(jí)范圍，這為后續(xù)綜合評(píng)估模型的建立提供了數(shù)據(jù)支撐。

3 高速公路隧道路段壓力負(fù)荷評(píng)估模型

3.1 LightGBM模型原理

梯度提升決策樹(shù)（Gradient Boosting Decision Tree,GBDT）是機(jī)器學(xué)習(xí)中常見(jiàn)的分類模型，其主要思想是利用弱分類器（決策樹(shù)）迭代訓(xùn)練以得到最優(yōu)模型，具有訓(xùn)練效果好、不易過(guò)擬合等優(yōu)點(diǎn)，一般被用于多分類、點(diǎn)擊率預(yù)測(cè)、搜索排序等問(wèn)題。輕量級(jí)梯度提升機(jī)（Light Gradient Boosting Machine,LightGBM）對(duì)GBDT算法進(jìn)行了優(yōu)化，使其能支持高效率的并行訓(xùn)練，與極限梯度提升（eXtreme Gradient Boosting,XGBoost）相比訓(xùn)練速度更快、空間消耗更低、準(zhǔn)確率更高，具有支持分布式、可以快速處理海量數(shù)據(jù)、避免過(guò)擬合等優(yōu)點(diǎn)。LightGBM 的核心是采用了基于直方圖的決策樹(shù)算法（如圖5所示）、帶深度限制的Leaf-wise 增長(zhǎng)策略（如圖6 所示）、單邊梯度采樣及互斥特征捆綁技術(shù)。

圖5 基于直方圖的決策樹(shù)算法

圖6 Leaf-wise生長(zhǎng)策略

3.2 模型評(píng)價(jià)指標(biāo)

在機(jī)器學(xué)習(xí)模型中，常見(jiàn)的分類任務(wù)為二分類。對(duì)于分類任務(wù)來(lái)說(shuō)，結(jié)果分為4 種情況：真陽(yáng)（True Positive,TP）、假陽(yáng)（False Positive,FP）、假陰（False Negative,FN）和真陰（True Negative,TN）。用一個(gè)2×2 階的“混淆矩陣”來(lái)表示，如表3所示。

表3 混淆矩陣示意表

針對(duì)以上混淆矩陣的4 種情況，對(duì)分類任務(wù)的3種評(píng)價(jià)指標(biāo)進(jìn)行如下定義[17]。

（1）準(zhǔn)確率（Accuracy）

式（10）～式（12）中：TP,FP,FN,TN的含義見(jiàn)表3。

本研究中的壓力負(fù)荷分為低、中、高3 個(gè)等級(jí)，為多分類任務(wù)，故分類評(píng)價(jià)指標(biāo)中的精度和召回率采用了宏平均（Macro Averaging），先在每個(gè)二分類上分別計(jì)算各類指標(biāo)，共計(jì)算3 次，然后取平均值。

3.3 數(shù)據(jù)庫(kù)構(gòu)建

本研究利用LightGBM 建立基于多因素指標(biāo)的壓力負(fù)荷等級(jí)分類模型，綜合考慮了駕駛行為、駕駛環(huán)境、車(chē)輛所處位置等因素，共計(jì)選擇了8個(gè)自變量指標(biāo)，所有自變量指標(biāo)之間均不存在較強(qiáng)的相關(guān)性。以2.3 節(jié)中由生心理指標(biāo)定量表達(dá)的壓力負(fù)荷等級(jí)為輸出變量，各變量的分布如表4 所示。根據(jù)已設(shè)定的采樣率1sample/s，32 名駕駛?cè)说?17組試驗(yàn)數(shù)據(jù)共計(jì)產(chǎn)生17 888個(gè)樣本。將總樣本的80%設(shè)置為訓(xùn)練集，20%設(shè)置為測(cè)試集，采取十折交叉驗(yàn)證的方式以達(dá)到更好的泛化性。

表4 壓力負(fù)荷等級(jí)分類模型輸入與輸出變量

3.4 模型參數(shù)設(shè)置

LightGBM 的模型參數(shù)眾多，其中：n_estima?tors,max_depth,learning_rate 為影響模型最終精度和準(zhǔn)確率的重要指標(biāo)。研究中設(shè)置了不同組合的候選推薦值，然后使用機(jī)器學(xué)習(xí)工具庫(kù)scikitlearn 中的網(wǎng)格搜索GridSearchCV 模塊進(jìn)行參數(shù)的遍歷搜索。該方法可以根據(jù)設(shè)置的評(píng)價(jià)指標(biāo)進(jìn)行判斷，輸出最優(yōu)的參數(shù)設(shè)置組合，最終得到的優(yōu)化參數(shù)值如表5所示。

表5 LightGBM模型主要參數(shù)設(shè)置

3.5 模型結(jié)果評(píng)估

通過(guò)模型的數(shù)據(jù)庫(kù)構(gòu)建以及參數(shù)設(shè)置，輸出LightGBM 分類模型的各項(xiàng)評(píng)價(jià)指標(biāo)。表6 及圖7給出了LightGBM 與XGBoost,RF,GBDT,SVM 等主流機(jī)器學(xué)習(xí)模型關(guān)于壓力等級(jí)三分類的各項(xiàng)指標(biāo)對(duì)比。從圖表中可知，LightGBM 在各項(xiàng)指標(biāo)中均表現(xiàn)出強(qiáng)勁的分類性能，除了召回率略低于XG?Boost 之外，準(zhǔn)確率、精度分別達(dá)到了95.71%和93.33%，在5種機(jī)器學(xué)習(xí)模型中最高?？傮w而言，對(duì)于隧道路段的壓力負(fù)荷等級(jí)分類，LightGBM 和XGBoost 的表現(xiàn)更優(yōu)，其次是RF,GBDT，而SVM的表現(xiàn)較差。

表6 LightGBM與主流機(jī)器學(xué)習(xí)模型輸出指標(biāo)對(duì)比

圖7 LightGBM與主流機(jī)器學(xué)習(xí)模型輸出指標(biāo)對(duì)比

表7 總結(jié)了既往研究中，國(guó)內(nèi)外學(xué)者對(duì)于壓力負(fù)荷等級(jí)分類所采取的模型算法及其性能。長(zhǎng)期以來(lái)，針對(duì)駕駛?cè)藟毫ω?fù)荷的研究將特征量集中在車(chē)輛運(yùn)行產(chǎn)生的數(shù)據(jù)、環(huán)境指標(biāo)、駕駛?cè)说纳睦頎顟B(tài)以及問(wèn)卷量表等方面，分類標(biāo)簽主要有：低、中、高、極高、無(wú)壓力（安全）。本研究采取LightGBM 模型，綜合考慮了車(chē)輛、環(huán)境、生心理指標(biāo)等客觀指標(biāo)以及問(wèn)卷量表等主觀數(shù)據(jù)，對(duì)駕駛?cè)藟毫ω?fù)荷等級(jí)分類的準(zhǔn)確率更高。

表7 壓力負(fù)荷等級(jí)分類的模型算法及其性能

4 結(jié)語(yǔ)

本文以隧道路段的駕駛?cè)藟毫ω?fù)荷為研究對(duì)象，設(shè)計(jì)了自然駕駛試驗(yàn)，基于駕駛行為、駕駛環(huán)境、車(chē)輛位置多模態(tài)指標(biāo)，采用機(jī)器學(xué)習(xí)方法構(gòu)建了壓力負(fù)荷等級(jí)分類模型，得到的主要研究成果及結(jié)論如下：

（1）將駕駛?cè)说目陀^生心理指標(biāo)與主觀NASA_TLX 問(wèn)卷結(jié)合，通過(guò)K-means 三維聚類方法將壓力負(fù)荷劃分了低、中、高3 個(gè)等級(jí)，并基于心率變化率和SCR 兩項(xiàng)生心理指標(biāo)給出了隧道路段的壓力負(fù)荷等級(jí)計(jì)算模型。

（2）基于LightGBM 機(jī)器學(xué)習(xí)模型構(gòu)建了高速公路隧道路段的壓力負(fù)荷等級(jí)分類模型。通過(guò)車(chē)輛位置、駕駛行為、駕駛環(huán)境等8 個(gè)指標(biāo)和對(duì)應(yīng)的壓力負(fù)荷等級(jí)構(gòu)建了數(shù)據(jù)集，采用LightGBM 模型進(jìn)行分類，準(zhǔn)確率達(dá)到了95.71%，較其他主流機(jī)器學(xué)習(xí)模型結(jié)果更優(yōu)。

（3）本文結(jié)合主客觀指標(biāo)建立的壓力負(fù)荷等級(jí)分類模型，以及提出的基于多維信息進(jìn)行綜合壓力負(fù)荷評(píng)估方法，可以為交通風(fēng)險(xiǎn)的評(píng)估提供理論支持。

本研究仍存在一些不足，例如試驗(yàn)場(chǎng)景較為單一、自變量指標(biāo)較少等，未來(lái)的研究中將擴(kuò)大試驗(yàn)場(chǎng)景、豐富試驗(yàn)條件，從而完善對(duì)壓力負(fù)荷等級(jí)的監(jiān)測(cè)。