朱興林，姚亮，劉泓君，葉拉森·庫肯，艾力·斯木吐拉

(新疆農(nóng)業(yè)大學，交通與物流工程學院，烏魯木齊 830052)

0 引言

“交通運輸與旅游融合發(fā)展”理念的提出，積極推進了國內(nèi)高原景區(qū)道路的建設，吸引眾多無高海拔地區(qū)駕駛經(jīng)驗的駕駛?cè)顺鲂小８咴范嘁栏缴襟w修建，修建難度較大且線形多變，存在連續(xù)縱坡和彎坡組合等特征的路段，每百起交通事故死亡人數(shù)高達40～70人，因駕駛員操作不當引起的事故數(shù)約占總體的90%，超過76%的駕駛?cè)苏J為高原環(huán)境更容易發(fā)生交通事故[1]，駕駛?cè)耸芎０魏蜌鈮旱纫蛩氐挠绊懀壮霈F(xiàn)反應速度減慢和判斷失誤等問題，且復雜的線形組合也給駕駛?cè)说母兄?、判斷與操控造成影響[2]。在應對外部環(huán)境及生理變化影響時，不同風格駕駛?cè)说膽獙Ψ绞讲煌?，存在危險的路段特征與分布特點也存在差異。因此，從人因角度出發(fā)，考慮駕駛?cè)诵袨轱L格差異，依據(jù)駕駛狀態(tài)辨識危險路段，利于揭示生理變化和行為特點與道路線形特征間的潛在風險關聯(lián)，對高原公路的健康發(fā)展具有重要意義。

從交通安全角度分析，駕駛?cè)瞬粌H是信息處理者和決策者，也是調(diào)節(jié)者與控制者，其行為風格與駕駛狀態(tài)對行車安全具有顯著影響[3]。駕駛風格差異多源于人的性格與行為習慣不同，體現(xiàn)于車輛的運動特征，熊堅等[4]通過駕駛模擬實驗驗證了駕駛風險中的人因重要性，提出識別危險駕駛?cè)巳旱姆椒āAUBMAN 等[5]將駕駛?cè)孙L格分為謹慎型、焦慮型、冒險性及憤怒型這4 類，發(fā)現(xiàn)冒險型駕駛員慣于違反規(guī)范，憤怒型駕駛員常出現(xiàn)攻擊性行為，謹慎型與焦慮型駕駛員能仔細觀察路況，但反應較慢，證明了駕駛風格的差異導致駕駛?cè)顺霈F(xiàn)的風險類型不同。關于駕駛風格的研究，方法主要為主觀與客觀測評[6]，主觀以問卷調(diào)查為主，結果易受個人主觀影響；客觀測評多采用聚類分析，研究多側(cè)重于城市道路駕駛?cè)孙L格聚類，針對高原環(huán)境駕駛?cè)说男袨轱L格差異性分析還有待補充。在危險路段識別方面，研究多以事故黑點鑒別與致因分析為主[7],MOHAMMAD 等[8]結合全局與局部自相關性分析方法，識別了伊朗交通事故的熱點路段與空間模式。現(xiàn)階段研究多針對城市道路交叉口和山區(qū)隧道等特定場景，成果適用范圍相對固定，鮮有綜合考慮高原環(huán)境下駕駛風格和生理狀態(tài)與危險路段特征間交互性關系的研究。

綜上所述，本文考慮駕駛?cè)孙L格差異及生理指標的變化，從駕駛狀態(tài)角度識別多類型駕駛?cè)舜嬖跐撛陲L險的路段。為降低試驗與客觀實際的偏差，本文以實車試驗的方式采集數(shù)據(jù)，使用DBSCAN聚類方法客觀劃分駕駛?cè)诵袨轱L格，進一步以多方法組合的方式搭建基于卷積神經(jīng)網(wǎng)絡(CNN)、雙向長短時記憶神經(jīng)網(wǎng)絡(BiLSTM)與注意力機制(Attention)的危險駕駛狀態(tài)識別模型，通過GPS 點位對應實現(xiàn)各類型駕駛?cè)说奈ｋU路段識別，并在辨識分析的基礎上，使用多元回歸方法融合駕駛?cè)松?、行為與道路線形因素提出車速建議，為高原環(huán)境行車安全研究提供理論參考。

1 實驗方案設計

1.1 實驗路段

選取G217 線的獨庫公路(K670+500～K692+000)為實驗路段，海拔范圍于2405～3452 m，道路設計為雙向兩車道，設計車速為40 km·h-1，總體寬度約為8 m，車道外側(cè)有防護欄但無中央分隔帶。該路段依附高山修建，上行全程海拔持續(xù)增長，有94處彎坡段，多出現(xiàn)“S”型曲線，具有較為典型的高原環(huán)境公路特征，實驗路段概況如圖1所示?？紤]到獨庫公路為熱門旅游景區(qū)，實驗于旅游淡季中道路交通流量較小時段進行，免受其他道路使用者影響，單向?qū)嶒灷锍碳s為24 km，行駛時長約60 min，無疲勞駕駛隱患。

圖1 實驗路段概況Fig.1 Overview of test road section

1.2 測量指標選取

實驗針對駕駛?cè)松碇笜恕崟r車速及道路線形參數(shù)采集和整理數(shù)據(jù)。生理反應是駕駛?cè)嗽诟咴熊囃局小案兄?、操縱及狀態(tài)變化”的客觀反饋，常用的指標來源于腦電信號(EEG)、肌電信號(EMG)及心電信號(ECG)等。從感知角度考慮，EEG 中β波信號變化可良好地表征駕駛?cè)说木X性提升[9]；駕駛?cè)烁兄綕撛谖ｋU之后，常對車輛進行操縱避險，EMG 的信號變化能夠反應駕駛?cè)藢χ苿犹ぐ宓牟倏?；由ECG 提取出的心率變異性指標(HRV)可直觀反應駕駛?cè)诵熊嚂r心搏間期的微小差異，其中，血容量脈沖(BVP)[10]與心跳R-R間期標準差(SDNN)[11]均能良好體現(xiàn)駕駛?cè)藸顟B(tài)的變化。因此，本文針對駕駛?cè)诵熊嚂r的β波、EMG、BVP與SDNN采集數(shù)據(jù)。

對于駕駛行為的表征可由車速變化直接體現(xiàn)，實時車速不僅能體現(xiàn)車輛狀態(tài)的變化，經(jīng)計算后的車速變異性參數(shù)(平均車速、車速標準差及急加減速次數(shù))還可用于駕駛風格的表征?？紤]到高原公路特點以及試驗路段特征，試驗基于GPS信號采集行車軌跡，并綜合海拔(H)與線形參數(shù)中的曲線路段轉(zhuǎn)角值(p)、直縱坡坡度(i)及彎坡組合值(w)進行數(shù)據(jù)整理，因w為坡度與曲線半徑的比值，所以，本文i僅代表直線縱坡坡度，測量指標及道路線形參數(shù)如表1所示。

表1 測量指標及線形參數(shù)Table 1 Measurement indicators and road parameters

在測量指標數(shù)據(jù)分析時，為探究駕駛?cè)诵袨轱L格差異和生理變化與危險路段特征間的潛在聯(lián)系，本文首先采用DBSCAN 算法，由操控維度差異性分析駕駛風格；在此基礎上，從駕駛?cè)诵熊嚑顟B(tài)角度出發(fā)，搭建基于CNN-BiLSTM-Attention 的危險駕駛狀態(tài)識別模型，通過生理變化及行為特征，識別各類型駕駛?cè)舜嬖跐撛陲L險的危險路段，并綜合多維度因素對其進行致因分析；最后，以車速建議為優(yōu)化目標，結合道路線形和生理指標進行多元回歸分析，設計車速建議方案，研究路線如圖2所示。

圖2 研究路線Fig.2 Route of research

1.3 實驗人員及設備

實驗招募30 名駕駛?cè)?，年齡分布于24～61 歲，平均駕齡為8.7年，被測駕駛?cè)司钟蠧1類型駕駛證，無生理缺陷，實驗過程無情緒壓抑和過度疲勞等狀況。數(shù)據(jù)采集以傳感器傳導技術為主，分別使用BioGraph 生理反饋儀和Enobio NE 腦電檢測儀測量和記錄駕駛?cè)说纳碇笜藬?shù)據(jù)，采樣頻率均為200 Hz。上述2款設備通過無侵入式連接測量各生理指標信號，于電腦終端D-Lab 平臺匯總數(shù)據(jù)，并與GPS信號對接，實現(xiàn)長時序生理和行車數(shù)據(jù)的同步采集。將GPS 行車軌跡與實際道路進行圖像貼合比對，再次檢測貼合度誤差超過10%的樣本數(shù)據(jù)，確保實驗數(shù)據(jù)的準確性。試驗時間設定為10:00-19:30，單次上行實驗起點海拔高度為2405 m，終點高程為3452 m，上行結束后經(jīng)5 min 停歇，由該被測駕駛?cè)蓑?qū)車原路返回至起點，完成下行實驗。部分實驗數(shù)據(jù)如表2所示。

表2 部分實驗數(shù)據(jù)Table 2 Partial trial data

2 駕駛風格差異性分析

2.1 表征指標選定

駕駛風格體現(xiàn)于駕駛?cè)说能囕v操控特征差異，試驗路段為雙向兩車道，且試驗時段交通流密度較小，無超車和會車等工況，因此，相較于微觀駕駛行為指標(踏板深度和方向盤轉(zhuǎn)角等)，車輛行駛狀態(tài)指標(平均車速、車速標準差及急加減速次數(shù)等)能更加直觀地體現(xiàn)駕駛?cè)藢囕v的操控風格。從車輛操控角度分析，平均車速、車速標準差及急加減速次數(shù)可分別體現(xiàn)駕駛?cè)说鸟{駛習慣、穩(wěn)定性與謹慎程度，不同風格駕駛?cè)说能囁倏刂铺攸c具有差異，例如，相對偏激的駕駛?cè)送ǔ１３州^高的車速，面對突發(fā)狀況時，常以急加速和急減速的方式進行避險，導致該類型駕駛?cè)苏w車速分布相對擴散，車速標準差亦較大，因此，本文選取上述指標表征駕駛?cè)诵袨轱L格。

2.2 DBSCAN算法應用與結果分析

相較于K 均值聚類、模糊聚類等方法，DBSCAN(Density Based Spatial Clustering of Applications with Noise)算法無需人為指定簇的數(shù)量，能對任意形狀和密度的數(shù)據(jù)進行聚類，且聚類結果無主觀因素影響，能夠客觀反應數(shù)據(jù)真實的聚類特征[7]，本文旨在依據(jù)指標數(shù)據(jù)特征對駕駛?cè)诵袨轱L格進行聚類分析，因此，DBSCAN 算法具有良好的適用性。

本文記30 位實驗駕駛?cè)说钠骄囁佟④囁贅藴什罴凹訙p速次數(shù)值為數(shù)據(jù)集D，DBSCAN算法通過設置D中樣本點鄰域內(nèi)的最低樣本數(shù)量(MinPts)與聚類區(qū)域半徑(ε)，將數(shù)據(jù)樣本點劃分為簇心Pj、邊界點與噪聲點。在聚類分析之前，先對各指標數(shù)據(jù)進行標準化處理，并設定ε與MinPts帶入運算，計算各樣本點間距，因本文指標維度為3，所以，選取相對直觀的歐式距離進行計算，即

式中：L為第j個樣本與第j+1 個樣本點的歐式距離；xj、yj、zj為第j個樣本的平均車速、車速標準差與急加減速次數(shù)值。

基于Python 平臺對駕駛?cè)诉M行風格聚類，當MinPts 為3，且標準化后ε值為0.24 時聚類效果最佳，樣本可分為3 簇，最少樣本數(shù)為5，無噪聲點的影響。為保證數(shù)據(jù)分析的直觀性，對聚類結果進行數(shù)據(jù)還原，如圖3和表3所示。因DBSCAN為無監(jiān)督學習算法，數(shù)據(jù)分析無類別參照，因此，選取輪廓系數(shù)S對聚類效果進行檢驗，針對單一樣本設定c為其與同鄰域其余樣本的平均距離，d為其與最近不同簇中樣本點的平均距離，即

表3 聚類結果分析Table 3 Results of clustering

圖3 DBSCAN聚類效果Fig.3 Effect of DBSCAN clustering

輪廓系數(shù)S是所有樣本的輪廓系數(shù)均值，其取值范圍為[-1,1]，值越接近1，聚類結果越好。對本次模型運算進行輪廓系數(shù)檢驗，S為0.72，由此可知，模型準確度較高，適宜進行深入分析。

由模型聚類效果可知，30名實驗駕駛員依據(jù)平均車速、車速標準差與急加減速次數(shù)可分為3 類，類型“0”聚類區(qū)域內(nèi)包含14個樣本點，其平均車速與車速標準差均低于其他類型駕駛?cè)耍砻髟擃愋婉{駛?cè)藢④囁倏刂朴谳^低水平，全程車速變化幅度較小，相對較多的急加速和急減速次數(shù)，體現(xiàn)了駕駛?cè)藢ξｋU有著較高的謹慎程度，因此，將類型“0”定義為謹慎型；類型“1”區(qū)域有11 名駕駛?cè)?，平均車速分布?3.28～55.01 km·h-1，車速標準差亦相對較大，但急加減速次數(shù)相對最少，由此可知，駕駛?cè)藢囕v有著良好的把控能力，與類型“3”相比，該類駕駛?cè)怂兄笜藚?shù)值均處于較低水平，因此，判定類型“1”為穩(wěn)健型；類型“2”僅包含5 名駕駛?cè)耍擃愋婉{駛?cè)说钠骄囁?、車速標準差與急加減速次數(shù)值均高于謹慎型和穩(wěn)健型駕駛?cè)?，車速值域較高，且變化范圍較大，對危險的感知和判斷能力相對較弱，因此，將類型“2”定義為激進型。

結合樣本數(shù)據(jù)進行分析，謹慎型駕駛?cè)松闲泻拖滦械钠骄囁倥c車速標準差相對接近，且60%的駕駛?cè)讼滦袝r急加減速次數(shù)大于上行，行車途中始終保持謹慎的態(tài)度；穩(wěn)健型駕駛?cè)嗽谏闲泻拖滦袑嶒炛芯哂熊囁俣嘧兊奶攸c，但下行時有67%的駕駛?cè)藢囁龠M行控制，平均車速與急加減速次數(shù)明顯下降；激進型駕駛?cè)松闲袝r的平均車速普遍高于下行時，80%的駕駛?cè)嗽谙滦袝r降低了車速，且對車速變化范圍開始控制，但其激進的行為特點使其急加減速次數(shù)在下行時仍處與增長狀態(tài)。由此可知，各類駕駛?cè)诵熊囂卣鞔嬖诓町悾荫{駛?cè)嗽谏闲信c下行途中對車輛的操控特點也有不同，針對不同類型駕駛?cè)嗽诟咴返男熊囷L險，仍需結合道路線形、環(huán)境及駕駛?cè)松硇睦硪蛩剡M行深入分析。

3 基于駕駛狀態(tài)的高原公路危險路段辨識

3.1 危險駕駛狀態(tài)識別模型

針對生理指標和實時車速等序列型數(shù)據(jù)的特征提取與狀態(tài)識別，深度學習領域中的一維卷積神經(jīng)網(wǎng)絡(CNN)與長短時記憶神經(jīng)網(wǎng)絡(LSTM)算法對特征提取與學習有著較強的能力，將CNN 與LSTM單元結合，可利用CNN卷積核提取序列局部特征，同時，發(fā)揮LSTM的時序記憶能力，加強指標數(shù)據(jù)時空特征的提取和學習能力。處理較長的生理指標序列時，BiLSTM為LSTM的雙向結構，彌補了單一LSTM單元指標特征遺漏的缺陷，與注意力機制結合可通過調(diào)節(jié)指標權重的方式重新調(diào)整算法對特征學習的傾向性。

本文實驗數(shù)據(jù)具有多維和長時序的特征，因此，綜合上述算法優(yōu)勢，以多方法組合的形式，采用CNN 一維卷積核同步提取駕駛?cè)松砗托袨樘卣?，代入BiLSTM算法對其進行時空特征學習與危險狀態(tài)判別，并在學習過程中由注意力機制對各生理指標進行權重調(diào)整，搭建基于CNN-BiLSTMAttention危險駕駛狀態(tài)識別模型，避免單一算法時空特征遺漏等問題，保證特征提取、學習及判別的完整性和模型準確率，模型結構如圖4所示。

圖4 模型結構Fig.4 Structure of model

圖4 模型結構中，輸入層將GSDNN、GBVP、GEMG及β波作為模型輸入指標x1～x4，Y為車速變量，并對所有指標進行標準化處理，消除指標量綱對模型分析帶來的影響，并將多指標數(shù)據(jù)代入運算，過程如下。

Step 1 將輸入層指標數(shù)據(jù)代入CNN 卷積層，由一維卷積核(1D-Conv)提取序列特征，卷積為

式中：Z( out)為卷積特征輸出；n為特征區(qū)域總數(shù)；為第I個指標的第J部分特征提取區(qū)域元素；為權重參數(shù)；為該卷積層的偏置參數(shù)；K為卷積計算的激活函數(shù)，本文采用相對常用的ReLU函數(shù)進行運算。特征提取區(qū)域受卷積核尺寸影響，因儀器數(shù)據(jù)采樣頻率為200 Hz，所以，模型將卷積核尺寸設為1×20 。

Step 2 在BiLSTM 層，將CNN 卷積層提取到的指標變化特征輸入LSTM單元，并由正向和反向結構對時間序列數(shù)據(jù)進行雙向特征學習，依據(jù)生理指標與車速的同時域變化特征對各點位駕駛狀態(tài)進行異常識別，本文采用tanh函數(shù)將生理指標與實時車速進行映射融合，BiLSTM輸出可寫為

Step 3 在Attention 與Dense 層，將BiLSTM 層的輸出作為Attention層的輸入，通過點積運算得出各指標權重值，并與BiLSTM結果結合，在Dense層采用線性激活函數(shù)對生理與車速指標進行函數(shù)映射，令映射值為k，將k＞0 的點位確定為危險狀態(tài)點。在此基礎上，分別在CNN 卷積層與BiLSTM層后分別添加Dropout 層，隨機丟棄部分神經(jīng)元節(jié)點，用于提升神經(jīng)網(wǎng)絡的整體效能。

3.2 模型結果分析

根據(jù)模型結構，本文基于Python 平臺的Tensorflow 與Keras 框架搭建與運行模型。模型運算前，利用SPSS 軟件針對各維度生理指標數(shù)據(jù)進行K-S 檢驗，確定數(shù)據(jù)的分布特征；其次，采用Pearson相關性分析對生理指標與觀測變量的顯著性關系進行檢驗；最后，以Pearson相關系數(shù)為變量間關聯(lián)性的度量，結果如表4所示。

表4 Pearson相關性分析結果Table 4 Results of pearson correlation

由表4 可知，實驗選取的生理指標與V均有顯著相關，因此，將V作為目標變量，所有生理指標均作為輸入指標進行運算。對模型訓練進行訓練集與驗證集劃分，設置訓練集占比為80%，驗證集為20%。對各樣本結果進行準確率檢驗，上行和下行準確率均大于0.8，準確率均值分別為0.89 與0.90，表明，當前模型效果良好，適用于危險狀態(tài)的識別，將識別得出的危險狀態(tài)點位與GPS數(shù)據(jù)進行對應，得出各類型駕駛?cè)嗽谏闲泻拖滦型局械奈ｋU路段，結果如圖5所示。

圖5 危險路段辨識結果Fig.5 Identification results of dangerous road sections

由圖5可知，各類駕駛?cè)嗽谏闲泻拖滦型局形ｋU路段特征與分布情況既有相似也存在著差異。上行途中，謹慎型與穩(wěn)健型駕駛?cè)顺霈F(xiàn)危險狀態(tài)的路段均有10 段，總長度分別占總里程的33.39%與32.07%；激進型駕駛?cè)说奈ｋU路段數(shù)量相對最多，有11段，約占總里程的36.72%。下行時，謹慎型駕駛?cè)宋ｋU路段相對最多，有12 段，約占總里程的38.29%；穩(wěn)健型與激進型駕駛?cè)寺范螖?shù)量相對于上行均有減少，但路段總體長度均大于上行，分別占總里程的35.38%與37.61%。識別結果多為組合型路段，無法直接依據(jù)線形特征對路段進行分類，因此，本文按照直線路段(直縱坡)與曲線路段(彎坡)對危險路段進行初步劃分，并按照海拔區(qū)間對各類型路段進行危險點位占比分析，發(fā)現(xiàn)各類型駕駛?cè)藷o論行車方向，均于2400～2800 m區(qū)間中具有彎坡特征的路段出現(xiàn)危險駕駛狀態(tài)，點位占比均超過40%，由此可知，道路線形對行車安全的影響能力相對大于海拔變化，需結合線性參數(shù)進行深入分析。

3.3 危險路段致因分析

從駕駛?cè)烁兄?、操縱及狀態(tài)變化角度分析模型識別結果，以1 名激進型駕駛?cè)松闲性囼灋槔?，分析其在A32路段的指標變化特征，3 類駕駛?cè)嗽谠撀范尉霈F(xiàn)危險狀態(tài)(A32相似于A12、A22、a12、a22、a32)，指標特征如圖6所示。

圖6 危險路段指標變化特征Fig.6 Characteristics of indicator changes in hazardous road sections

圖6 中，在駛?cè)階32路段時，首先，駕駛?cè)甩虏ǔ霈F(xiàn)異常，表明其感知到風險；隨即GBVP與GSDNN指標出現(xiàn)變化，GBVP周期的擴大體現(xiàn)了駕駛?cè)诉M入緊張狀態(tài)，GSDNN數(shù)值的下降表明，駕駛?cè)诵奶鳵-R間期開始縮短，駕駛?cè)碎_始緊張；最后，在彎坡處駕駛?cè)说腉EMG信號出現(xiàn)短時異常，即駕駛?cè)藢囕v進行快速操控，由V的特征變化可以看出，該駕駛?cè)嗽谠撀范斡卸啻未蠓燃铀俸蜏p速行為。針對各類型駕駛?cè)松砗蛙囁倥c道路線形參數(shù)進行Pearson相關性分析，因GBVP呈周期性變化，而GSDNN以數(shù)值變化情況直觀反應生理狀態(tài)，且與GBVP具有相同的表征作用，所以，僅采用GSDNN進行相關性分析，結果如圖7所示。

圖7 駕駛?cè)宋ｋU狀態(tài)特征分析Fig.7 Analysis of hazard state characteristics

圖7 為多指標Pearson 分析結果，其中，**、*分別表示顯著性在0.01、0.05級別?；诜治鼋Y果發(fā)現(xiàn)，海拔的變化對3類駕駛?cè)藸顟B(tài)改變均起到了負向作用，加速了駕駛?cè)司o張狀態(tài)的發(fā)生，上行路段影響效果相對明顯，僅穩(wěn)健型駕駛?cè)嗽谙滦袝r無明顯影響。基于駕駛行為角度對各類型駕駛?cè)宋ｋU路段進行致因分析：

(1)謹慎型駕駛?cè)藢D(zhuǎn)角值相對敏感，上行和下行Pearson 系數(shù)分別為0.294 與0.267，在進入彎坡路段后，GSDNN出現(xiàn)明顯下降，隨即GEMG信號出現(xiàn)明顯變動，隨著w的增加，V開始減小，該特征發(fā)生于A12、A13、A14、C11、C13、C14、a11、a12、a13、b13、b14、b15、c11路段中；當感知到 ||i或w增加時，駕駛?cè)碎_始緊張并持續(xù)減速，發(fā)生于路段A11、B12、a14、b11、b12、c12、c13中；駛離彎坡路段后，駕駛?cè)烁兄?|i|在短時間內(nèi)持續(xù)增長時，GSDNN指標快速下降，緊張狀態(tài)持續(xù)至其適應 |i|的增長，該特征發(fā)生于B11與C12路段中。

(2)穩(wěn)健型駕駛?cè)烁兄獜澠侣范魏?，GEMG信號出現(xiàn)明顯波動，V快速減小，相對來說，該類型駕駛?cè)松鲜鲋笜嗽谖ｋU狀態(tài)中變化幅度最小，上述特征發(fā)生于A22、A23、A25、B22、C21、C22、C23、a21、a22、a23、a25、c21、c22路段中；感知直縱坡變陡時，駕駛?cè)酥饾u提升車速，GSDNN也逐漸變小，緊張狀態(tài)隨i變小趨向于結束，相比于謹慎型駕駛?cè)说男袨樘卣?，穩(wěn)健型駕駛?cè)嗽谙滦衅露仍龃髸r多進行加速操作，欲快速駛離路段，但無GEMG信號的大幅變動，GSDNN降幅較低，該特征發(fā)生于A21、A24、B21、a21、a22、a23、a25、c21、c22路段中。

(3)激進型駕駛?cè)诉M入彎坡路段前，GEMG信號出現(xiàn)明顯變化，V有大幅度下降，GSDNN同時開始快速下降，駕駛?cè)思纯剔D(zhuǎn)入緊張狀態(tài)，駛離路段后GSDNN下降趨向于平緩，但V有明顯提升，該特征出現(xiàn)于A35、B31、A33、C31、C32、C33、C34、C35、a31、a33、a34、c31、c33、c34、c35路段中；駕駛?cè)烁兄絠或w出現(xiàn)明顯增加，GEMG與V有均顯著變化，GSDNN持續(xù)下降，該特征發(fā)生于A31、A32、A34路段中，在A31與A34路段中，V為增加狀態(tài)，在A32中V則為減小狀態(tài)，下行時該特征出現(xiàn)于a32、b31、c32路段中。

根據(jù)現(xiàn)有成果對高原公路駕駛?cè)说木o張程度劃分，當GSDNN于[0,25)ms 與[25,31)ms 時，駕駛?cè)朔謩e為高度和輕度緊張，于[31,35]ms時為舒適狀態(tài)[12]。按照該標準對各類型駕駛?cè)说奈ｋU路段線形區(qū)間進行GSDNN值域進行界定，如表5所示。

表5 駕駛狀態(tài)界定Table 5 Definition of driving status

由表5可知，各類駕駛?cè)诵旭傊敛煌€形參數(shù)組合時，狀態(tài)表現(xiàn)具有共同也存在差異，從整體來看，3 類駕駛?cè)嗽谙滦性囼炛懈壮霈F(xiàn)高度緊張狀態(tài)，制定優(yōu)化方案時可結合道路線形因素進行綜合考慮。

4 優(yōu)化方案設計

車速控制為駕駛?cè)藨獙ξｋU的主要手段，且駕駛風格和生理與車速變化之間的影響具有交互性，因此，本文以車速控制為優(yōu)化方案的立足點，綜合考慮各類型駕駛?cè)松?、車速、海拔及道路線形因素設計優(yōu)化方案。根據(jù)識別出的線形組合路段，按照直線路段(直縱坡)與曲線路段(彎坡)劃分，并分別對各類型駕駛?cè)诉M行指標和參數(shù)數(shù)據(jù)總結及多元回歸分析，將生理指標GSDNN為因變量，車速和道路線形參數(shù)為自變量，結果如表6所示。

由表6 可知，R2為回歸準確率，當前所有模型R2均大于0.5，表明各模型均可用于計算。針對各類型駕駛?cè)说奈ｋU路段，采用表6中對應回歸式進行計算。首先，保證駕駛?cè)诵熊嚂r處于舒適狀態(tài)，將GSDNN值域定為[31,35]ms；其次，分別輸入各路段線形參數(shù)值，對車速進行不等式求解，得出直線和曲線路段安全車速區(qū)間；最后，則以直線和曲線路段區(qū)間交集的方式計算各組合路段的車速安全域。因道路服務所有類型使用者，且駕駛?cè)藷o法對自身的行為風格有客觀和正確的認知，在優(yōu)化時應讓方案適用于所有類型的駕駛?cè)?。取同向相鄰路段的多區(qū)間車速交集(各類駕駛?cè)塑囁侔踩?，作為整體車速建議區(qū)間，以輔助警示標置的形式放置于路側(cè)，如圖8所示。

表6 多元回歸分析結果Table 6 Results of multiple regression analysis

圖8 警示標志放置及車速建議區(qū)間Fig.8 Warning sign placement and speed advice range

在圖8中，V1至V5為上行路段警示標志擺放位置及車速區(qū)間建議，V6至V9則提供了下行路段車速建議，所有警示標志間均有較遠間隔且數(shù)量適中，過多的車速建議區(qū)間會導致駕駛?cè)塑囁俚亩嘧兗榜{駛負荷的增長。放置點多為危險路段起始點前視線良好處，給駕駛?cè)烁兄Q策與操縱增加時間。按照各警示標志中的建議車速行駛，駕駛?cè)藢Π踩囁賲^(qū)間有清醒的認知，并對車速有良好的控制，GSDNN則保持于[31,35]ms 之間，全程保持舒適狀態(tài)。

5 結論

(1)通過駕駛風格聚類分析發(fā)現(xiàn)，駕駛?cè)丝煞譃橹斏餍汀⒎€(wěn)健型與激進型，3類駕駛?cè)说男袨樘卣鞔嬖陲@著差異，謹慎型駕駛?cè)嗽谏闲泻拖滦型局芯３州^強的警惕性，穩(wěn)健型駕駛?cè)擞^察、判斷以及對車速的把控能力較強，而激進型駕駛?cè)塑囁俣嘧儯瑢︼L險的感知和判斷力較弱，行車較為莽撞。

(2)在高原環(huán)境中，道路線形對行車安全的影響相對強于海拔變化，各類駕駛?cè)说奈ｋU路段多為具有彎坡特征的組合型路段，上行途中，3類駕駛?cè)藢澠陆M合值與轉(zhuǎn)角值的增長最為敏感，穩(wěn)健與激進型駕駛?cè)俗钜壮霈F(xiàn)高度緊張狀態(tài)，而謹慎型駕駛?cè)耸芫€形影響相對較??；下行時，直縱坡坡度對行車安全的影響能力有顯著提升，謹慎與激進型駕駛?cè)嗽谄露却笥?%時均易出現(xiàn)危險駕駛狀態(tài)，而激進型駕駛?cè)嗽趶澠陆M合值大于50 和轉(zhuǎn)角值大于80°時也易高度緊張，綜合來看，激進型駕駛?cè)嗽谏闲泻拖滦兄写嬖谥鄬ψ罡叩鸟{駛風險，研究結果可為高原公路管理措施制定和道路線形設計提供參考。

(3)通過深度學習方法的組合運用發(fā)現(xiàn)，CNN、BiLSTM 與Attention 的結合對于從生理和車輛控制角度識別危險駕駛狀態(tài)的效果較好，上行和下行模型準確率均值分別為0.89 與0.9，適用于長時序生理及行為指標的特征提取與狀態(tài)識別，針對識別結果，高原公路交通運營管理階段以運行車速區(qū)間化建議作為管控方式，利于從人因角度降低事故率。