宋昊 楊光強 林展州 田磊 謝圣濱

1.同濟大學交通運輸工程學院 上海市 201804

2.上海城投（集團）有限公司 上海市 200336

3.杭州絡達交通市政規(guī)劃設計院有限公司 浙江省杭州市 310006

1 引言

每年，全世界有超過125 萬人死于交通事故[1]。因此許多研究人員試圖研究獲得交通事故發(fā)生的主要致因[2]。同時，研究人員通過對駕駛特征與駕駛安全關系的研究，發(fā)現(xiàn)可以通過培訓駕駛員、改善交通環(huán)境、糾正不良駕駛習慣等方式提高駕駛安全性[3]。例如，Ahmed[4]的研究表明，在糾正不良駕駛特征的基礎上，聯(lián)網車輛系統(tǒng)在非擁堵條件下可以減少事故概率。

駕駛特征的改善包括幾個方面。研究人員在尋找單一駕駛特征與駕駛安全之間的關系上做了大量工作。例如，Bedard 等人[5]采用多元logistic 回歸，發(fā)現(xiàn)駕駛傷害的嚴重程度隨司機年齡和性別的不同而不同；Reymond 等人[6]提出了一種駕駛行為模型，該模型考慮了駕駛員對最大橫向加速度和轉向修正的預測；Wang[7]識別了三種道路類型的安全切入特性。此外，相當多的研究還分析了多因素情況下駕駛特征與駕駛安全之間的關系。然而，在駕駛特征與駕駛安全的關系研究上仍然存在一些方法和數(shù)據(jù)來源上的不足。

對于分析方法，最先進的機器學習方法和計算能力的快速發(fā)展推動了此類技術在解決工程和社會科學領域復雜模式識別問題中的應用。Júnior[8]建議將機器學習方法應用于與安全相關的駕駛特征的任務，并取得了一定的結果。此外，在研究駕駛特征與駕駛安全之間的關系時，不少研究采用了機器學習的方法[9]。但是同時，這些研究中使用的方法都存在一定局限。

過去的研究中使用了不同的數(shù)據(jù)源來研究駕駛安全。最早的基于驅動程序的研究是通過收集路段的現(xiàn)場數(shù)據(jù)進行的[10]。此外，還有一些研究依靠問卷調查來收集數(shù)據(jù)[11]，但是此類數(shù)據(jù)可能具有高度主觀性。因此，一些研究使用非侵入式交通傳感器（如雷達設備或攝像頭傳感器）來收集微觀行為數(shù)據(jù)。例如，Wu 等人[12]使用遠程交通微波傳感器收集交通數(shù)據(jù)和車頭時距信息來預測事故風險。盡管取得了這些成就，但由于傳感器覆蓋范圍的限制，獲取實時交通和環(huán)境條件信息仍然很困難。隨著經濟的嵌入式數(shù)據(jù)記錄解決方案的發(fā)展，車輛動力學數(shù)據(jù)現(xiàn)在更容易獲得，并且已被用于研究駕駛員的行為（加速、制動和偏航率）。例如，Guo[13]使用100輛汽車自然駕駛研究來識別與個體駕駛員風險相關的因素并預測高風險駕駛員。

通過構建合適的數(shù)學模型，并綜合考慮多方因素（包括駕駛員特征、環(huán)境特征和車輛特征），探討駕駛特征與駕駛安全之間存在的關系。駕駛員特征包括年齡、性別、駕駛分心和工作量等因素。車輛特征包括速度、油門等，環(huán)境包括道路類型、交通流量和天氣。

2 文獻綜述

2.1 駕駛特征與駕駛安全的關系

一些駕駛員特征會影響駕駛安全。這些變量包括年齡、性別、駕駛經驗等，其中性別和年齡是最突出的因素[14]。Bedard 等人[5]采用多元logistic 回歸發(fā)現(xiàn)，駕駛安全事件的數(shù)量隨年齡和性別而變化。老年和女性司機比年輕和男性司機有著更高的駕駛風險。然而，Al-Balbissia 等人提出了相反的發(fā)現(xiàn)[15]，這些研究人員觀察到，在所有年齡組中，男性司機的風險高于女性司機。幾年后，Antin[16]使用泊松回歸模型確定，在年輕司機中，男性司機更容易遭受嚴重撞車事故。根據(jù)以上討論的文獻，關于駕駛安全與駕駛員不同特征之間關系的結果仍然高度矛盾。

此外，車輛特性（例如速度和油門）對駕駛安全的影響在很大程度上仍然未知。具體而言，Goebelbecker[17]提出的一篇論文參考了1930 年代和1940 年代進行的一系列現(xiàn)場測試，以確定彎道上的安全速度，并確定了重型卡車駕駛員感到不適的加速水平。最近，一些研究人員專注于車輛特性與駕駛安全之間的關系。例如，Eboli[18]使用速度和加速度描述了車輛的運動，這些參數(shù)是定義安全駕駛行為的基礎。一些之前的研究還發(fā)現(xiàn)，速度和油門是駕駛障礙的主要指標[19]。

關于環(huán)境對駕駛行為影響的文獻非常有限。許多以前的研究人員基于自然駕駛研究比較了不同道路類型導致的駕駛行為差異。如Wang[20]開發(fā)了一種提取算法，可以從自然駕駛研究中檢索5608 個切入事件。結果表明，道路類型之間的一些差異有明顯的解釋，如對于天氣而言，惡劣的天氣會影響交通事故率。通常，研究人員使用車輛的動態(tài)模擬來分析車輛的動態(tài)運動及其與道路幾何元素的相互作用，例如AliAbdiKordani[21]研究由天氣條件引起的摩擦系數(shù)變化對動態(tài)的影響，結果表明惡劣的天氣會增加駕駛的危險性。

3 數(shù)據(jù)預處理與結構方程模型

3.1 數(shù)據(jù)預處理

自然駕駛數(shù)據(jù)包括時間數(shù)據(jù)、環(huán)境數(shù)據(jù)、駕駛員行為數(shù)據(jù)和周圍車輛數(shù)據(jù)。詳情如表1所示。

表1 自然駕駛數(shù)據(jù)

（1）數(shù)據(jù)清洗和插值

收集的自然駕駛數(shù)據(jù)存在大量異常值和缺失數(shù)據(jù)。不同類型的數(shù)據(jù)需要使用不同的處理方法來處理。首先刪除異常數(shù)據(jù)，然后刪除大量缺失數(shù)據(jù)，以及插補異常數(shù)據(jù)。自然駕駛數(shù)據(jù)是時間序列數(shù)據(jù)，因此采用鄰值插值進行插值。

（2）數(shù)據(jù)噪聲過濾器

許多濾波器可以用于修改數(shù)據(jù)噪聲，包括卡爾曼濾波器、Savitzky-Golay 濾波器等。卡爾曼濾波器適用于線性隨機微分系統(tǒng)，是一種通過系統(tǒng)的輸入輸出來觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法。因此使用卡爾曼濾波器進行噪聲過濾。

（3）危險駕駛行為事件計算

使用每個指標的0.01%分位數(shù)值擬合判斷線，然后提取整個文件中的危險駕駛行為。將0-130km/h 以10km/h 的相等間隔劃分。對于不同的速度范圍，假設數(shù)據(jù)分布符合泊松分布。根據(jù)泊松分布的概率分布函數(shù)，將整個數(shù)據(jù)0.01%以外的數(shù)據(jù)作為危險駕駛行為數(shù)據(jù)。

3.2 結構方程模型及因子分析

結構方程模型可以同時處理大量內生變量和外生變量。在結構方程模型中，將變量定義為未被觀察到的潛在變量。潛在變量被指定為觀察變量的線性組合。此外，可以基于線性組合建立變量之間的關系。由于所有潛在變量都是從概念上推導出來的，因此它們是假設變量。結構方程模型分為三個部分，第1 部分是內生變量的測量模型（Y 測量模型）。第二部分是外生變量的測量模型（X測量模型）。第3 部分是結構模型。

使用IBMSPSS 中的矩結構分析（AMOS）20 模塊來創(chuàng)建結構方程模型。AMOS20 可以在SPSS 框架內高效交換數(shù)據(jù)文件，并具有方便的圖形界面。

為保證各變量對組的匹配程度，根據(jù)因子分析結果對組進行了重新分類。使用因子分析研究變量之間的相互關系，目的是找到一組新的較小的變量來表達原始變量的共同點。

因子分析的步驟如下：

（1）效度測試

采用KMO 檢驗和Bartlett 球形檢驗來保證因子分析的有效性，條件如下：1）KMO檢驗系數(shù)＞0.5；2）巴特利特的P＜0.05。如果不滿足測試條件，重新篩選危險駕駛行為指標。

（2）因子分析

因子載荷矩陣由實際值確定，并根據(jù)貢獻率（大于50%）確定公因子個數(shù)。如果不滿足測試條件，重新篩選有風險的駕駛行為指標。

4 實驗設計和數(shù)據(jù)收集

分析基于上海自然駕駛實驗數(shù)據(jù)，在實驗后分別提取駕駛行為數(shù)據(jù)和風險時刻。然后通過視頻驗證風險時刻。數(shù)據(jù)收集和數(shù)據(jù)分析的細節(jié)如下。

4.1 上海自然駕駛研究

分析基于同濟大學、通用汽車和弗吉尼亞理工大學交通研究所（VTTI）聯(lián)合開展的上海自然駕駛實驗數(shù)據(jù)。實驗采集數(shù)據(jù)超過50 萬公里。五輛配備SHRP2NextGen 數(shù)據(jù)采集系統(tǒng)的通用汽車輕型車輛用于收集真實的駕駛數(shù)據(jù)。車輛同時還配備：測量前方車輛和相鄰車道車輛距離的雷達系統(tǒng)、照度計、溫度/濕度傳感器、數(shù)據(jù)采集系統(tǒng)（包括用于收集車輛控制器局域網數(shù)據(jù)的接口盒、縱向加速度計和橫向加速度計）、GPS 傳感器以及四個同步攝像頭。如圖1 所示，四個攝像頭監(jiān)控駕駛員面部（a）、駕駛員的手部動作（b）、前方道路（c）和車輛后方的道路（d）。共篩選出60 名駕駛員，共計收集了10000 多個樣本，其行駛軌跡如圖2 所示。

圖1 上海自然駕駛研究數(shù)據(jù)采集系統(tǒng)的四個攝像頭

圖2 上海自然駕駛研究數(shù)據(jù)采集系統(tǒng)的行駛軌跡

4.2 風險傾向駕駛行為與風險時刻

美國國家公路交通安全管理局將風險傾向駕駛定義為個人“犯下一系列交通違法行為以危害他人或財產的行為”。然而，先前研究中制定的標準是基于簡單的閾值。盡管應該從多維角度看待駕駛行為，但通常缺乏定量的證據(jù)。這種統(tǒng)計數(shù)據(jù)會導致假陽性或真陰性的檢測結果。為了系統(tǒng)地識別危險傾向駕駛行為，需要制定更全面的標準，反映駕駛行為的多個維度。以往研究中風險傾向駕駛行為的定義總是基于統(tǒng)一的減速標準，不區(qū)分速度。然而，駕駛員縱向加減速特性不同，速度是不同的。因此，用統(tǒng)一的標準來衡量不同行駛速度下的風險傾向駕駛行為是不合理的。

以10km/h 的等間隔劃分0-130km/h（大于130km/h 的數(shù)據(jù)為極限，縱向加速度沒有波動，所以不予考慮）。對于0-10km/h，由于低速，風險傾向駕駛行為較小。參考最近的研究，將縱向加速度小于-0.6g 視為激進操作。對于其他速度范圍，假設加速度分布符合泊松分布。根據(jù)泊松分布的概率分布函數(shù)，將整個數(shù)據(jù)0.01%以外的數(shù)據(jù)作為風險傾向行為。為了使結果具有統(tǒng)計意義，根據(jù)分位數(shù)的分布擬合線性函數(shù)。當涉及到橫向激進操作時，駕駛員總是結合轉向操作，以避免來自橫向方向的緊急沖突。駕駛員的橫向操作特性包括橫向加速度、方向盤等。因此選擇橫向加速度作為衡量轉向程度的參數(shù)。然后，由于駕駛員在左/右兩個方向都可能發(fā)生急劇轉向，因此考慮了兩個方向上的橫向參數(shù)極端行為。與縱向加速度提取過程類似，對于0-10km/h，參考前人的研究，將橫向加速度小于-0.4g 或大于0.4g 作為風險傾向操作。對于其他速度區(qū)間，將整個數(shù)據(jù)0.01%以外的數(shù)據(jù)視為風險傾向行為。為了使結果具有統(tǒng)計意義，使用基于分位數(shù)的線性函數(shù)進行擬合。

此外，碰撞發(fā)生是與基礎設施相關安全影響評估的主要風險度量。通常使用車頭時距、碰撞時間（TTC）等指標用于駕駛風險的分類。風險定義為同時TTC＜2.7s 和速度＞120km/h。

4.3 數(shù)據(jù)收集和處理

自然駕駛實驗分四個階段進行。實驗一共收集了10500 個有用的文件。記錄數(shù)據(jù)的采樣率，即原始數(shù)據(jù)，以及選擇的計算導數(shù)的方法，都會影響閾值。Nyg?rd（1999）對速度數(shù)據(jù)使用5Hz 的初始采樣頻率，然后對其進行過濾以去除噪聲，并產生波動較小的加速度曲線。原始速度數(shù)據(jù)的過濾是通過使用三點移動平均值對速度數(shù)據(jù)進行平均來完成的。更高的采樣頻率提供了更好的導數(shù)分辨率，由于樣本之間的時間差更小，這會導致更高的峰值。較高的采樣頻率是以測量數(shù)據(jù)中較高程度的噪聲為代價的。記錄設備能夠以10Hz 的采樣率記錄速度。但是由于技術困難和其他未知因素，實際采樣率從5Hz 到10Hz 不等，有時甚至丟失了長時間的駕駛數(shù)據(jù)。這導致了質量不同的數(shù)據(jù)記錄，需要在進一步分析之前對其進行處理。數(shù)據(jù)處理的第一個步驟是去除任何異常值并處理缺失值，然后平滑原始數(shù)據(jù)以最小化因技術原因造成的測量波動的影響。原始數(shù)據(jù)的平滑是使用加權指數(shù)平滑方法自動完成的。

實驗后收集了8000 個有用的文件。選取了600 個文件（每個文件持續(xù)時間超過5 分鐘，數(shù)據(jù)總大小為16.1G）進行線性函數(shù)擬合。而后提取整個文件中的風險傾向行為。提取過程中發(fā)現(xiàn)，風險傾向性操作主要發(fā)生在20-60 公里/小時的范圍內，并且橫向加速度激進操作比縱向操作更多。

基于分位數(shù)線得到了風險傾向行為，并基于TTC＜2.7s 和速度＞120km/h 得到了風險情景。獲得了7337 個具有風險傾向或風險情景的樣本。為探索風險傾向的有效判斷方法，提取了包含傾向風險和風險情景的情景作為研究對象。提取了1210 個具有傾向性風險和風險場景的樣本。實際上，根據(jù)數(shù)據(jù)提取的風險傾向行為和風險場景存在一定的錯誤率，通過視頻確定場景，根據(jù)風險傾向和風險場景去除錯誤。最后取526 個樣品作為實驗的進一步研究對象。然后將基于TTC 事件率的風險傾向和風險情景計算為每行駛100公里的事件數(shù)，基于超速的風險情景計算為超速時間占總時間的百分比。

4.4 結果

使用上一節(jié)中報告的描述性數(shù)據(jù)建立了初始結構方程模型。幾個變量，例如基于環(huán)境特征數(shù)據(jù)、車輛特征和駕駛員特征數(shù)據(jù)的變量，被設置為“X”觀察變量，這些變量可以分為具有相似特征的幾組（即結構方程模型中的外生潛在變量）。其他變量設置為“Y”觀察變量，代表與駕駛安全相關的內生潛在變量，例如結構方程模型中的“激進行為”或“風險時刻”。

在初始模型中，變量包括五類：環(huán)境特征、車輛特征、駕駛員特征、激進行為和風險時刻。駕駛員特征由駕駛員年齡和性別來表示。車輛特征類別包括速度和油門。環(huán)境特征用道路類型和天氣來表示。激進駕駛行為類別包括橫向激進行為、縱向激進行為和混合激進行為。風險時刻包括TTC 風險和超速。

對于結構方程模型，所有分類和名義變量都需要轉換為二元變量。對于駕駛員年齡，創(chuàng)建三個二元類來構建外生測量模型：（1）19-30：1，其他：0；（2）30-40：1，其他：0；（3）40-50：1，其他：0。在三個二元變量中，只有（1）具有統(tǒng)計顯著性并包含在最終的結構方程模型中。對于環(huán)境特征，將道路類型劃分為地面道路：1，其他：0。然后將天氣劃分為惡劣天氣：1，其他：0。最后，將五個潛在因素定義為環(huán)境特征、車輛特征、駕駛員特征、激進行為和風險時刻。表2 顯示了變量的定義及其代碼。

表2 變量的定義、代碼和相關統(tǒng)計

使用上一節(jié)中的描述性數(shù)據(jù)分析建立了一個初始模型。為保證各變量對組的匹配程度，根據(jù)本節(jié)因子分析結果對組進行了重新分類。進行主成分分析，并使用方差極大旋轉進行因子分析。主成分分析試圖構建原始變量的線性組合來解釋大部分總方差，而因子分析則研究變量之間的相互關系，目的是找到一組新的、更小的變量來表達原始變量。Varimax 旋轉是因子分析的最后一步。在計算主成分后，降低了數(shù)據(jù)的維數(shù)，得到的因子往往實質上是無意義的。這樣做的原因是它們已被擬合成數(shù)據(jù)以解釋最大可能的方差，通常在相互關聯(lián)的變量（或對象）的獨立集群之間定位第一個因素。

使用SPSS20.0 來評估主成分分析的效果。采用KMO 檢驗和Bartlett 球形檢驗來保證因子分析的有效性，條件如下：1）KMO檢驗系數(shù)＞0.5；2）巴特利特的P＜0.05。分析表明，KMO=0.62 和P=0.00。采用主成分分析計算數(shù)據(jù)的初始特征值，碎石的公因子圖如圖3 所示，然后根據(jù)圖3 選取特征值大于1 的公因子1 和因子2。五個因素的總貢獻率為54.66%，其中因素1 解釋18.34%，因素2 解釋10.86%，因素3 解釋9.97%，因素4 解釋8.51%，因素5 解釋6.97%。方差極大旋轉因子分析的結果和各項目的因子載荷如表3所示。第一個因素是“危險駕駛時刻”，因為 TTC 風險和超速等項目具有高負載。第二個因素是“危險駕駛員狀態(tài)”，因為橫向加速度和風險行為具有高因素負荷。第三個因素是“駕駛員特征”，這與年齡、性別和注意力分散有關。此外，第四個因素是“道路環(huán)境”，包括天氣、平坦曲線和交通流量，第五個因素是“車輛駕駛特性”，因為速度、橫向加速度等項目的因素載荷較高。

圖3 陡坡圖

表3 項目的因子負荷

需要指出的是，因子分析的結果只是一個參考，根據(jù)一些觀察變量的實際意義，將幾個變量重新分類為其他因子。例如，將“車輛駕駛特性”因素中的工作量歸為因素3（駕駛員特性）。另外，因子5 中的橫向加速度被歸類為因子2（駕駛員風險狀態(tài)）。采用最大似然估計方法。最終的結構方程模型如圖4所示。

圖4 結構方程模型

在圖4 中，矩形代表觀察到的變量；橢圓代表未觀察到的潛在變量；從觀察變量指向潛在變量的箭頭表示回歸路徑。此外，帶有指向每個觀察變量的箭頭的圓圈表示測量誤差。此外，每個潛在變量通過彎曲的雙頭箭頭連接到每個其他變量，這表示每個變量與其他變量協(xié)變?？梢娊Y構方程模型由5 個潛在變量和16 個觀察變量組成。

根據(jù)圖4 所示結構方程模型的結果，比較了每個變量對潛在變量的影響。在X 測量模型中，年齡是影響駕駛員特征的最重要因素（因子負荷=0.99）。天氣是最重要的因素（因子載荷=0.99），而平坦曲線是對道路環(huán)境產生負面影響的最重要因素（因子載荷=-0.65）。速度是影響車輛駕駛行為的主要因素（因子載荷=0.99）。在結構模型中，影響駕駛員風險狀態(tài)的主要因素是車輛行駛特性，影響危險時刻的主要因素是道路環(huán)境。因此，要提高行車安全，必須充分考慮車輛的駕駛行為和道路環(huán)境。在Y 度量模型中，駕駛員風險狀態(tài)大多與復雜風險相關，風險時刻主要受TTC 風險影響。

廣泛使用的用于結構方程模型分析的擬合優(yōu)度指數(shù)是卡方檢驗。如果模型對數(shù)據(jù)擬合好，卡方值應該小，卡方相關的P 值應該比較大。估計模型具有52 個自由度，卡方值為65.379（P=0.054），這表明模型擬合是可以接受的。一些常用的擬合指數(shù)包括擬合優(yōu)度指數(shù)、調整合優(yōu)度指數(shù)、比較擬合指數(shù)、歸一擬合指數(shù)和近似均方根誤差。表4 顯示了結構方程模型的擬合優(yōu)度統(tǒng)計數(shù)據(jù)。該模型顯示的擬合優(yōu)度指數(shù)、調整擬合優(yōu)度指數(shù)、比較擬合指數(shù)和歸一擬合指數(shù)值大于0.9，近似均方根誤差顯示值小于0.05。這些結果表明這是一個可接受的擬合。

表4 擬合指數(shù)的值

5 結論與展望

結構方程模型用于確定駕駛員特征與駕駛安全之間的關系。16 個變量在結構方程模型中分為五個潛在變量。研究結果表明，與其他變量相比，年齡對駕駛員特征的影響最大，進而影響危險行為和冒險行為（老年駕駛員表現(xiàn)出更高的危險駕駛傾向）。這一發(fā)現(xiàn)與BagdadiO 研究所得[22]一致，后者指出經驗豐富的年輕司機比其他人更安全。這一結果可能是年輕駕駛員對處理緊急駕駛任務的良好反應能力和對聯(lián)網車輛等新型智能交通技術的良好學習能力。然后，惡劣的天氣對駕駛員的行為產生了負面影響（較低的速度和較高的經度加速度）。不利天氣包括雨、霧和其他日子的低能見度情況。在這些情況下，司機總是會感到緊張，從而導致危險。前人的一些研究中也得出了類似的結論，不利天氣被認為是駕駛風險的主要環(huán)境因素，例如Palat[23]總結，年齡較大的司機、惡劣的天氣和高速操作的駕駛安全水平低于其他組。此外，駕駛安全控制包括交通控制（車外）和駕駛員行為控制（車內）。結果還表明，駕駛員行為是影響危險行為的主要因素，環(huán)境是影響危險時刻的主要因素。因此，應針對不同的機構采取不同的措施來提高行車安全。其他駕駛員特征，例如性別和年齡，也會影響駕駛安全。結果表明年輕女性的駕駛安全水平較低，應該對其進行有效培訓。

考慮到這些結果，提出以下建議以提高駕駛安全性。

（1）交通法規(guī)的執(zhí)行可以遏制不良駕駛行為，提高駕駛安全，尤其是對于駕駛態(tài)度不好的年輕男性司機。具體而言，對屢犯者進行嚴格處罰，包括增加駕照積分、吊銷或吊銷執(zhí)照以及提高罰款，可以提高在這種不利條件下的駕駛安全。

（2）廣告是提高駕駛員意識的一種簡單而有前景的方法。值得注意的是，商業(yè)廣告可以告知司機駕駛安全的重要性。

（3）自動駕駛汽車技術的發(fā)展也可以提高駕駛安全性。對駕駛員特性的研究可以在自動駕駛汽車的開發(fā)和人機界面（HMI）的設計中考慮。

由于基于自我報告的駕駛員數(shù)據(jù)，因此無法避免自我報告問卷通常存在的缺點，并且答案會受到社會期望偏差的影響。在進一步的工作中，可以通過訪問個人的駕駛記錄以獲取客觀的數(shù)據(jù)，驗證自我報告的信息，從而減少反應偏差。