摘 要：為了準(zhǔn)確預(yù)測(cè)全觸屏人機(jī)交互模式下駕駛?cè)艘曈X(jué)分心時(shí)長(zhǎng)，建立了考慮駕駛?cè)朔中娘L(fēng)格的視覺(jué)分心時(shí)長(zhǎng)預(yù)測(cè)模型。采用實(shí)車(chē)道路試驗(yàn)所采集的多車(chē)速視覺(jué)分心數(shù)據(jù)，基于擊鍵水平模型（KLM）建立一組適用于全觸屏車(chē)載設(shè)備的基本操作單元，以及以各基本操作單元數(shù)量與車(chē)速作為輸入特征的視覺(jué)分心時(shí)長(zhǎng)預(yù)測(cè)隨機(jī)森林模型（RF），并采用自組織映射（SOM）算法將駕駛?cè)司垲?lèi)為謹(jǐn)慎型、正常型、激進(jìn)型3類(lèi)分心風(fēng)格表征駕駛?cè)艘曈X(jué)分心特性差異，將該參數(shù)作為輸入特征添加至原模型實(shí)現(xiàn)優(yōu)化。結(jié)果表明：優(yōu)化后模型具有最良好的預(yù)測(cè)精度，測(cè)試集的均方誤差、平均絕對(duì)誤差和決定系數(shù)R2分別為2.4148 s2、1.0371 s、0.9345，較原模型分別提升30.52%、11.8%、3.18%；模型性能顯著優(yōu)于線性回歸模型與XGBoost模型。研究結(jié)果可用于協(xié)助車(chē)載輔助駕駛系統(tǒng)適時(shí)警示或?qū)嵤└深A(yù)以降低分心所致的追尾風(fēng)險(xiǎn)，并為交互界面設(shè)計(jì)提供指導(dǎo)意見(jiàn)。

關(guān)鍵詞： 汽車(chē)主動(dòng)安全；視覺(jué)分心；擊鍵水平模型（KLM）；隨機(jī)森林模型（RF）；分心風(fēng)格

中圖分類(lèi)號(hào)： U 467.91 文獻(xiàn)標(biāo)識(shí)碼： A DOI： 10.3969/j.issn.1674-8484.2024.04.017

Prediction of driver visual distraction duration under a human-machine interaction mode with full-touch-screen

WANG Chang， NIU Jin， WANG Yifei， ZHANG Yali*， MA Wanliang

（Author Institute School of Automobile， Chang’an University， Xi’an 710064， China）

Abstract： A visual distraction duration prediction model considering the driver's distraction style was established to accurately predict the driver's visual distraction duration in the full touch-screen human-computer interaction mode. Based on the multi-speed visual distraction data collected from the real car road test， a set of basic operation units suitable for full touch screen vehicle-mounted devices was constructed based on the Keystroke Level Model （KLM）， and a Random Forest Model （RF） for visual distraction duration prediction with the number of each basic operation units and vehicle speed as input features was established. The Self-Organizing Map （SOM） Algorithm was used to cluster drivers into three types of distraction styles： Cautious， normal and aggressive to characterize the differences in drivers' visual distraction characteristics， and the parameters were added to the original model as input features to realize optimization. The results show that the optimized model"has the best prediction accuracy. The mean square error， mean absolute error and determination coeffcient R2 of the test set are 2.414 8 s2， 1.037 1 s and 0.934 5， respectively， which are 30.52%， 11.8% and 3.18% higher than those of the original model. The model performance is signifcantly better than the linear regression model and XGBoost model. The results can be used to assist in-vehicle driver assistance systems in timely warning or implementing intervention to reduce the risk of rear-end collision caused by distraction， and provide guidance for the design of interactive interfaces.

Key words： vehicle active safety; visual distraction duration; Keystroke Level Model （KLM）; Random Forest（RF）;"distraction style

2012年特斯拉Model S推出17英寸全觸屏掀起了車(chē)輛中控大屏化的潮流，此后，全觸屏人機(jī)交互逐漸取代傳統(tǒng)物理按鍵成為主流。然而，已有研究[1-2]指出該模式在為駕駛?cè)藥?lái)更為豐富的信息交互的同時(shí)會(huì)引發(fā)更為頻繁的視覺(jué)分心，加劇駕駛?cè)艘曈X(jué)負(fù)荷，進(jìn)而為駕駛安全帶來(lái)極大風(fēng)險(xiǎn)。針對(duì)該類(lèi)交互模式所帶來(lái)的高駕駛風(fēng)險(xiǎn)，若能準(zhǔn)確預(yù)估其引發(fā)視覺(jué)分心所帶來(lái)的風(fēng)險(xiǎn)程度，則可以從多方面采取措施為駕駛安全帶來(lái)保障，包括協(xié)助駕駛?cè)祟A(yù)知視覺(jué)分心的潛在風(fēng)險(xiǎn)以增強(qiáng)其警覺(jué)性，為交互界面的設(shè)計(jì)提供優(yōu)化策略以提高界面可用性與安全性，結(jié)合現(xiàn)有車(chē)載感知技術(shù)制定適時(shí)的風(fēng)險(xiǎn)應(yīng)對(duì)策略并降低輔助預(yù)警系統(tǒng)對(duì)駕駛?cè)说母蓴_等。因此，選擇合適參數(shù)對(duì)視覺(jué)分心程度進(jìn)行度量至關(guān)重要。

早期研究[3-4]多采用次任務(wù)操作時(shí)長(zhǎng)來(lái)衡量分心程度，并通過(guò)預(yù)測(cè)該參數(shù)實(shí)現(xiàn)風(fēng)險(xiǎn)評(píng)估，但相關(guān)研究數(shù)量較少且預(yù)測(cè)精度較低。隨著對(duì)駕駛分心的深入研究，有關(guān)學(xué)者與機(jī)構(gòu)發(fā)現(xiàn)駕駛?cè)艘暰€脫離道路的時(shí)長(zhǎng)與駕駛分心程度關(guān)系更為緊密，并將該參數(shù)定義為視覺(jué)分心時(shí)長(zhǎng)廣泛應(yīng)用于對(duì)駕駛風(fēng)險(xiǎn)的評(píng)估。G. S. Klauer等[5]基于100-car自然駕駛數(shù)據(jù)的研究發(fā)現(xiàn)，單次視覺(jué)分心時(shí)長(zhǎng)超過(guò)2 s將顯著增加碰撞風(fēng)險(xiǎn)；日本汽車(chē)制造商協(xié)會(huì)（Japan Automobile Manufacturers Association，JAMA） [6]開(kāi)展實(shí)車(chē)試驗(yàn)探討分心時(shí)長(zhǎng)對(duì)車(chē)輛橫向偏離量的影響，得出車(chē)載界面交互時(shí)長(zhǎng)不應(yīng)超過(guò)8 s；美國(guó)國(guó)家交通安全管理局（National Highway Traffic Safety Administration， NHTSA） [7]使用駕駛模擬器和眼動(dòng)儀等設(shè)備進(jìn)行經(jīng)驗(yàn)性測(cè)試，得出視覺(jué)分心總時(shí)長(zhǎng)不應(yīng)超過(guò)12 s，當(dāng)單次視覺(jué)分心時(shí)長(zhǎng)超過(guò)2 s時(shí)將大大增加車(chē)輛碰撞風(fēng)險(xiǎn)。以上研究均表明了視覺(jué)分心時(shí)長(zhǎng)較于次任務(wù)操作時(shí)長(zhǎng)更有利于量化視覺(jué)分心程度，并與追尾等碰撞風(fēng)險(xiǎn)密切相關(guān)，精準(zhǔn)預(yù)測(cè)該參數(shù)可以較好地預(yù)估視覺(jué)分心所引發(fā)的風(fēng)險(xiǎn)程度。

考慮到實(shí)車(chē)試驗(yàn)數(shù)據(jù)對(duì)于車(chē)企更具參考價(jià)值，并有研究[8]指出不同車(chē)速下的視覺(jué)分心時(shí)長(zhǎng)存在顯著差異，本研究搭建實(shí)車(chē)道路試驗(yàn)平臺(tái)獲取多車(chē)速下的視覺(jué)分心數(shù)據(jù)集，構(gòu)建基于擊鍵水平—隨機(jī)森林模型（Keystroke level Model-Random Forest Model，KLM-RF）的全觸屏人機(jī)交互模式下駕駛?cè)艘曈X(jué)分心時(shí)長(zhǎng)預(yù)測(cè)模型；提出分心風(fēng)格用于表征駕駛?cè)艘曈X(jué)分心特征差異，利用自組織映射（self-organizing map，SOM）算法對(duì)被試進(jìn)行聚類(lèi)后將其作為特征參數(shù)添加至預(yù)測(cè)模型進(jìn)行優(yōu)化。訓(xùn)練所得模型可直接應(yīng)用于對(duì)不同車(chē)速下由不同分心風(fēng)格駕駛?cè)嘶谠摻换ソ缑鎴?zhí)行次任務(wù)時(shí)視覺(jué)分心時(shí)長(zhǎng)的預(yù)測(cè)。

1 試驗(yàn)方案設(shè)計(jì)

1.1 試驗(yàn)設(shè)備與試驗(yàn)任務(wù)

試驗(yàn)車(chē)輛選用配備12.8英寸全觸屏的比亞迪秦（2018款），數(shù)據(jù)采集設(shè)備選用2臺(tái)高清運(yùn)動(dòng)相機(jī)（MiVue875，像素1080 P、采樣頻率30 Hz），安裝位置見(jiàn)圖1所示。相機(jī)自帶全球定位系統(tǒng)（global position system，GPS）模塊，視頻記錄時(shí)間戳為標(biāo)準(zhǔn)GPS時(shí)間。經(jīng)后續(xù)驗(yàn)證，設(shè)備間的時(shí)間戳誤差整體分布在30～60 ms以內(nèi)，對(duì)多路數(shù)據(jù)同步分析造成的影響基本可以忽略。

經(jīng)前期調(diào)研與現(xiàn)有研究總結(jié)，發(fā)現(xiàn)目前全觸屏交互仍以點(diǎn)擊為主，并涉及少量滑動(dòng)。為此選取日常駕駛中頻率最高且符合設(shè)備操作特性的6項(xiàng)次任務(wù)，具體操作流程見(jiàn)表1。

1.2 被試樣本

為保障試驗(yàn)安全，試驗(yàn)遵循自愿參與原則有償公開(kāi)招募共22名（5名女性）被試。被試人員均持有C1駕照，平均年齡40歲，駕齡均在6年以上，平均駕齡16.4年，駕駛總里程均超5萬(wàn)km。試驗(yàn)前24 h被試未飲酒服藥，確保8 h以上充足睡眠以排除疲勞、醉酒駕駛和藥物的影響。此外，試驗(yàn)設(shè)安全員與記錄員各1名，負(fù)責(zé)指令下達(dá)和設(shè)備調(diào)試。

1.3 試驗(yàn)道路與試驗(yàn)流程

為滿足數(shù)據(jù)集對(duì)多車(chē)速的需求，分別選取城市道路和高速公路作為試驗(yàn)道路。試驗(yàn)中的城市道路為西安市蘭池大道，其為雙向8車(chē)道限速70 km/h，中間綠化帶隔離，用于進(jìn)行40 km/h和60 km/h的試驗(yàn)任務(wù)。高速公路為西安S1機(jī)場(chǎng)專(zhuān)用高速，其為雙向8車(chē)道限速120 km/h，用于進(jìn)行80、100 km/h的試驗(yàn)任務(wù)。所選道路條件良好，基本為平直路段，整體車(chē)流量較小且無(wú)貨車(chē)流。此外，為保證每次試驗(yàn)過(guò)程的環(huán)境條件一致并降低環(huán)境因素對(duì)于駕駛?cè)说挠绊?，試?yàn)均選取在天氣晴朗、風(fēng)速小于3級(jí)、道路無(wú)積水的環(huán)境下進(jìn)行。

試驗(yàn)前告知被試試驗(yàn)內(nèi)容及要求，簽署知情同意書(shū)并填寫(xiě)駕駛?cè)嘶拘畔⒉杉怼ｑ{駛?cè)诉M(jìn)入車(chē)輛后調(diào)節(jié)座椅至舒適，靜態(tài)情況下充分熟悉各次任務(wù)操作流程后駕車(chē)前往試驗(yàn)起點(diǎn)。試驗(yàn)開(kāi)始后，駕駛?cè)税凑找?guī)定車(chē)速勻速行駛，安全員在確保安全后下達(dá)次任務(wù)指令，駕駛?cè)寺?tīng)到指令后根據(jù)自身情況執(zhí)行次任務(wù)，以6項(xiàng)次任務(wù)一組，要求嚴(yán)格按照次任務(wù)操作步驟執(zhí)行，各車(chē)速下重復(fù)執(zhí)行5次試驗(yàn)。

1.4 數(shù)據(jù)獲取與處理

儀表臺(tái)右上方與天窗上方高清運(yùn)動(dòng)相機(jī)分別記錄駕駛?cè)嗣娌颗c手部操作視頻，通過(guò)對(duì)照排除駕駛?cè)宋词艽稳蝿?wù)影響下的分心行為后，逐幀提取關(guān)鍵幀確定駕駛?cè)艘曈X(jué)分心過(guò)程。以某次視覺(jué)分心過(guò)程為例，起始時(shí)刻為駕駛?cè)艘暰€離開(kāi)道路前方瞬間，如圖2a所示，圖2b為視覺(jué)分心進(jìn)行中，結(jié)束時(shí)刻為駕駛?cè)艘暰€回到道路前方瞬間，如圖2c所示，由此提取單次視覺(jué)分心時(shí)長(zhǎng)，將其加和后得到執(zhí)行該項(xiàng)次任務(wù)的視覺(jué)分心時(shí)長(zhǎng)。對(duì)所有被試，在4種車(chē)速下共采集到2 640組試驗(yàn)數(shù)據(jù)，剔除部分異常數(shù)據(jù)后共得到有效數(shù)據(jù)2 504組。

2 基于 KLM-RF的視覺(jué)分心時(shí)長(zhǎng)預(yù)測(cè)模型

2.1 KLM模型

擊鍵水平模型（KLM）是由K. S. Card等[9]提出的一種用于預(yù)測(cè)完成計(jì)算機(jī)交互任務(wù)所需時(shí)長(zhǎng)的數(shù)學(xué)模型，廣泛應(yīng)用于人機(jī)交互領(lǐng)域。該模型將任務(wù)拆分為一系列基本操作單元，包括按鍵（K）、指向（P）和一般心理操作（M），并在一定規(guī)則下組成常見(jiàn)交互行為后，通過(guò)將各操作單元的時(shí)間參數(shù)進(jìn)行線性相加，即可預(yù)測(cè)交互時(shí)間。它以簡(jiǎn)單可計(jì)算的方式實(shí)現(xiàn)了對(duì)不同交互任務(wù)時(shí)間成本的估計(jì)，以協(xié)助產(chǎn)品開(kāi)發(fā)人員節(jié)約開(kāi)發(fā)階段的時(shí)間與金錢(qián)成本。然而KLM模型主要應(yīng)用于傳統(tǒng)鍵盤(pán)和鼠標(biāo)等按鍵式設(shè)備的交互，對(duì)于復(fù)雜的交互場(chǎng)景和觸控式設(shè)備的應(yīng)用具有局限性。

2.2 隨機(jī)森林模型

隨機(jī)森林模型（RF） [10]是一種包含多個(gè)決策樹(shù)的分類(lèi)器，具有準(zhǔn)確率高、魯棒性好、訓(xùn)練速度快以及能夠處理高維特征和大規(guī)模數(shù)據(jù)集的優(yōu)勢(shì)。算法結(jié)合使用Bagging集成算法和決策樹(shù)算法，使得RF模型抗過(guò)擬合能力更強(qiáng)、預(yù)測(cè)精度更高且結(jié)果穩(wěn)定，抗噪聲能力良好[11]。其核心思想是從原始數(shù)據(jù)集中有放回地隨機(jī)抽樣m個(gè)樣本數(shù)據(jù)集，構(gòu)建與原始樣本容量相同的訓(xùn)練集，并構(gòu)建m棵決策樹(shù)。RF的回歸結(jié)果由這m棵決策樹(shù)的輸出結(jié)果取平均得到，算法示意圖[12]見(jiàn)圖3，模型計(jì)算如下：

其中： x為輸入模型的自變量與因變量，h（x，θ）表示決n策樹(shù)（ θn為獨(dú)立同分布隨機(jī)向量）。

2.3 KLM-RF時(shí)間預(yù)測(cè)模型構(gòu)建

KLM模型無(wú)法直接對(duì)視覺(jué)行為進(jìn)行建模，但考慮到全觸屏人機(jī)交互模式在幾乎失去觸覺(jué)反饋的同時(shí)使得視覺(jué)行為與操作行為聯(lián)系更為緊密，因此，基于KLM模型的交互任務(wù)分解思路，排除掉不易觀察的心理操作單元后，構(gòu)建適用于全觸屏式車(chē)載設(shè)備的一組基本操作單元：以點(diǎn)擊（C）為主、加入全觸屏設(shè)備特有的滑動(dòng)（S）以及等待系統(tǒng)響應(yīng)（R）作為備選操作單元應(yīng)對(duì)不同車(chē)載系統(tǒng)間響應(yīng)速度存在的差異。隨后結(jié)合各次任務(wù)具體操作步驟與采集視頻，將具體任務(wù)抽象為各基本操作單元的數(shù)量，以復(fù)雜電話次任務(wù)為例：可分解為3次點(diǎn)擊、3次滑動(dòng)以及0次等待系統(tǒng)響應(yīng)。

鑒于預(yù)測(cè)目標(biāo)與視覺(jué)行為直接相關(guān)，利用統(tǒng)計(jì)得到各基本操作單元時(shí)長(zhǎng)后，進(jìn)行線性運(yùn)算或采用多元線性回歸方法擬合進(jìn)行預(yù)測(cè)往往存在較大誤差，因此選擇將構(gòu)成次任務(wù)的各基本操作單元數(shù)量與車(chē)速作為RF模型的輸入特征參數(shù)，以對(duì)應(yīng)的視覺(jué)分心時(shí)長(zhǎng)作為目標(biāo)參數(shù)進(jìn)行模型訓(xùn)練，從而構(gòu)建基于KLM-RF的時(shí)間預(yù)測(cè)模型，具體結(jié)構(gòu)流程見(jiàn)圖4。

為避免多次劃分?jǐn)?shù)據(jù)集使算法遍歷整個(gè)樣本數(shù)據(jù)后導(dǎo)致模型精度虛高，在模型訓(xùn)練前將樣本數(shù)據(jù)集按4 ： 1比例隨機(jī)劃分為訓(xùn)練集與測(cè)試集輸入至模型，隨機(jī)生成器種子設(shè)置為42。同時(shí)為提高模型性能與泛化能力，采用十折交叉驗(yàn)證在訓(xùn)練集中搜索最優(yōu)的參數(shù)組合：設(shè)置共24種參數(shù)組合，均計(jì)算10次，以均方誤差（mean-square error， MSE）作為篩選標(biāo)準(zhǔn)。每種組合的最優(yōu)MSE結(jié)果見(jiàn)圖5，取最小值2.879 s2，據(jù)此確定最優(yōu)參數(shù)組合為：n_estimators = 400，bootstrap = True，max_features = None，其余參數(shù)均取默認(rèn)值。

2.4 模型結(jié)果評(píng)價(jià)

選用預(yù)測(cè)任務(wù)中常用的3項(xiàng)性能指標(biāo)（MSE）、平均絕對(duì)誤差（mean absolute error，MAE）和決定系數(shù)（R2）對(duì)測(cè)試集預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)。其中，MSE、MAE指標(biāo)值與模型性能呈負(fù)相關(guān)關(guān)系，R2取值范圍為[0，1]，越趨于1，表示模型效果越好，各指標(biāo)計(jì)算式如式（2）?式（4）所示。

其中： ?i為預(yù)測(cè)值； yi為真實(shí)值； ?i為真實(shí)值的均值； i = 1， 2， …， m。

評(píng)價(jià)結(jié)果顯示3個(gè)指標(biāo)參數(shù)分別為3.4753 s2、1.1759 s、0.9057，模型整體擬合性能較好。

對(duì)測(cè)試集預(yù)測(cè)誤差進(jìn)行統(tǒng)計(jì)，誤差均值為?0.074 s，分布情況見(jiàn)圖6所示。圖6表明：預(yù)測(cè)誤差整體符合正態(tài)分布特性，數(shù)據(jù)多集中分布于0附近，但誤差分布范圍較廣。針對(duì)駕駛?cè)私换バ袨槎?，每次操作所致的視覺(jué)分心時(shí)長(zhǎng)本身存在一定偏差，即原始數(shù)據(jù)包含一定的正負(fù)波動(dòng)，而誤差均值幾乎為0，可見(jiàn)模型具有較好的預(yù)測(cè)功能，且精度較高。

3 考慮分心風(fēng)格的模型優(yōu)化

為有效提高模型預(yù)測(cè)精度，借鑒駕駛風(fēng)格的研究思路提出分心風(fēng)格的概念用于表征不同駕駛?cè)艘曈X(jué)分心特性差異，并利用試驗(yàn)數(shù)據(jù)對(duì)被試進(jìn)行聚類(lèi)，最終將分心風(fēng)格這一分類(lèi)特征作為輸入特征參數(shù)添加至原模型實(shí)現(xiàn)優(yōu)化。

3.1 基于 SOM的分心風(fēng)格聚類(lèi)

駕駛風(fēng)格作為駕駛?cè)碎L(zhǎng)期駕駛行為方式的綜合評(píng)價(jià)指標(biāo)，可表征駕駛?cè)苏ｑ{駛時(shí)的行為特征，多用于對(duì)汽車(chē)智能算法的個(gè)性化優(yōu)化，一般可分為謹(jǐn)慎型一般型和激進(jìn)型等[13-14]。借鑒該研究思路，提出分心風(fēng)格這一概念，定義為：分心風(fēng)格是駕駛?cè)笋{駛過(guò)程中執(zhí)行次任務(wù)時(shí)的行為特征，由于駕駛?cè)朔中臅r(shí)對(duì)于行駛風(fēng)險(xiǎn)接受水平存在差異，進(jìn)而具體表現(xiàn)為不同駕駛?cè)丝赡軆A向于采取多次少時(shí)或少次多時(shí)的視覺(jué)分心模式。因此可選用駕駛?cè)艘曈X(jué)分心次數(shù)、視覺(jué)分心時(shí)長(zhǎng)等參數(shù)差異進(jìn)行標(biāo)注。

關(guān)于分類(lèi)方法的選取，采用自組織映射（SOM）算法實(shí)現(xiàn)對(duì)采集樣本進(jìn)行分類(lèi)。該算法可將輸入數(shù)據(jù)映射到低維網(wǎng)格，再將相似樣本映射到相鄰節(jié)點(diǎn)實(shí)現(xiàn)聚類(lèi)，具有保持?jǐn)?shù)據(jù)拓?fù)浣Y(jié)構(gòu)、自組織和自適應(yīng)性、可降維等優(yōu)勢(shì)，適用于各種聚類(lèi)分析問(wèn)題[15]，且無(wú)需提前設(shè)置聚類(lèi)個(gè)數(shù)，有助于從視覺(jué)數(shù)據(jù)中發(fā)掘潛在的行為模式和特征。

考慮到每個(gè)人的預(yù)期心理安全閾值并不受次任務(wù)的時(shí)間長(zhǎng)短影響，是基本穩(wěn)定的。因此忽略速度與次任務(wù)類(lèi)型，選用表征駕駛?cè)朔中臅r(shí)接受行駛風(fēng)險(xiǎn)的最高、最低與平均水平的多名被試者執(zhí)行不同次任務(wù)時(shí)的最長(zhǎng)、最短以及平均單次視覺(jué)分心時(shí)長(zhǎng)作為聚類(lèi)模型的輸入特征參數(shù)進(jìn)行聚類(lèi)。

模型聚類(lèi)流程如圖7所示。經(jīng)多次調(diào)整及結(jié)果驗(yàn)證，使用輸出層結(jié)構(gòu)為1×3、鄰域半徑為0.6、鄰域函數(shù)為Gaussian函數(shù)、學(xué)習(xí)率為0.6的SOM網(wǎng)絡(luò)進(jìn)行聚類(lèi)可取得最佳的分類(lèi)結(jié)果。

3.2 聚類(lèi)結(jié)果及有效性分析

聚類(lèi)結(jié)果見(jiàn)圖8，分別有4、14、4名被試者被分為3簇，簇間區(qū)分度較高，輪廓系數(shù)為0.55，與1相近，可見(jiàn)聚類(lèi)效果良好。

忽略次任務(wù)與速度的影響，基于3類(lèi)駕駛者的視覺(jué)分心數(shù)據(jù)繪制其視覺(jué)分心時(shí)長(zhǎng)（tL）與視覺(jué)分心次數(shù)（nN）的箱線圖見(jiàn)圖9。由圖9可知，3個(gè)類(lèi)別間的2項(xiàng)參數(shù)分別呈現(xiàn)出逐級(jí)遞增與遞減的趨勢(shì)。對(duì)不同類(lèi)別駕駛者的2項(xiàng)參數(shù)進(jìn)行單因素方差分析，結(jié)果表明不同類(lèi)別間存在顯著差異（FtL = 12.129，P＜0.05；FnN = 13.330，P＜0.05），可知聚類(lèi)結(jié)果有效。

結(jié)合駕駛風(fēng)格的標(biāo)注思路，將3類(lèi)駕駛者的分心風(fēng)格依次命名為謹(jǐn)慎型、正常型及激進(jìn)型。理由如下：謹(jǐn)慎型駕駛視覺(jué)分心時(shí)長(zhǎng)最短，而視覺(jué)分心次數(shù)最多，可知該類(lèi)駕駛者傾向于選擇多次短時(shí)的操作模式來(lái)執(zhí)行次任務(wù)，接受行車(chē)風(fēng)險(xiǎn)水平偏低；激進(jìn)型駕駛者視覺(jué)分心時(shí)長(zhǎng)最長(zhǎng)，而視覺(jué)分心次數(shù)最少，可知該類(lèi)駕駛者傾向于選擇少次長(zhǎng)時(shí)的操作模式執(zhí)行次任務(wù)，接受行車(chē)風(fēng)險(xiǎn)水平最高。

3.3 模型優(yōu)化及結(jié)果評(píng)價(jià)

鑒于分心風(fēng)格對(duì)駕駛者視覺(jué)分心時(shí)長(zhǎng)的顯著影響，在原模型基礎(chǔ)上將分心風(fēng)格作為分類(lèi)特征參數(shù)添加至隨機(jī)森林模型實(shí)現(xiàn)優(yōu)化。使用獨(dú)熱編碼將分心風(fēng)格特征擴(kuò)展為3個(gè)二進(jìn)制特征，分別為“謹(jǐn)慎型”“正常型”和“激進(jìn)型”，如果某樣本屬于相應(yīng)的分心風(fēng)格類(lèi)別，則對(duì)應(yīng)特征值為1，其他特征值為0。

此外，為防止優(yōu)化后模型出現(xiàn)過(guò)擬合或欠擬合的現(xiàn)象，繪制學(xué)習(xí)曲線見(jiàn)圖10所示。由圖10可見(jiàn)：隨著訓(xùn)練集數(shù)量的增加，訓(xùn)練曲線的R2穩(wěn)定在接近0.95的水平；而測(cè)試集曲線的R2變化較大，在初始的25次迭代中，R2急劇上升到約0.8左右，接著逐漸趨向于訓(xùn)練集結(jié)果，并最終穩(wěn)定在約0.9左右。因此，優(yōu)化后模型表現(xiàn)良好，并未出現(xiàn)過(guò)擬合或欠擬合的問(wèn)題。

使用MSE、MAE及R2對(duì)模型測(cè)試集預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，得到3指標(biāo)參數(shù)結(jié)果分別為2.414 8 s2、1.037 1 s、0.934 5，較于原模型各參數(shù)提升30.52%、11.8%、3.18%，整體擬合度顯著提高。使用絕對(duì)誤差（Δt）與相對(duì)誤差（ε）對(duì)優(yōu)化前后模型測(cè)試集的預(yù)測(cè)結(jié)果進(jìn)行性能對(duì)比，對(duì)比結(jié)果如圖11所示。綜合來(lái)看兩模型相應(yīng)參數(shù)的分布情況、中值以及均值均驗(yàn)證了優(yōu)化后模型擁有較于原模型更為良好的預(yù)測(cè)效果。

從試驗(yàn)數(shù)據(jù)中隨機(jī)提取50組樣本數(shù)據(jù)分別使用原模型與優(yōu)化后模型進(jìn)行預(yù)測(cè)，對(duì)比結(jié)果見(jiàn)圖12所示。由圖12可知，優(yōu)化后模型較于原模型的預(yù)測(cè)值與實(shí)測(cè)值重合度更高，進(jìn)一步表明將分心風(fēng)格作為輸入特征參數(shù)添加至模型對(duì)其性能實(shí)現(xiàn)了有效優(yōu)化。

3.4 模型對(duì)比

為進(jìn)一步評(píng)估模型性能，基于優(yōu)化后的特征輸入?yún)?shù)，橫向?qū)Ρ萊F回歸算法與已有研究中常用的多元線性回歸模型算法（multiple linear regression model，MLR） [16]及預(yù)測(cè)任務(wù)中常用的極限梯度提升算法（extreme gradient boosting，XGBoost）在時(shí)間預(yù)測(cè)方面的性能差異，3種模型在測(cè)試集上的預(yù)測(cè)結(jié)果如表2所示。

由表2可知，就模型整體性能而言，RF＞XGBoost＞MLR。相較于兩模型中表現(xiàn)最優(yōu)的XGBoost模型，RF模型各參數(shù)分別提升了52.33%、15.88%、6.73%，進(jìn)一步表明考慮了分心風(fēng)格的RF時(shí)間預(yù)測(cè)模型取得最佳性能。

4 結(jié) 論

本文基于實(shí)車(chē)道路試驗(yàn)所得視覺(jué)分心數(shù)據(jù)，從降低全觸屏人機(jī)交互模式所致的高駕駛風(fēng)險(xiǎn)以及保障駕駛安全的需求入手，提出KLM-RF模型以實(shí)現(xiàn)對(duì)駕駛?cè)艘曈X(jué)分心時(shí)長(zhǎng)的高精度預(yù)測(cè)，并從調(diào)整模型輸入特征參數(shù)的角度對(duì)模型進(jìn)行優(yōu)化，得出結(jié)論如下：

1） 借鑒駕駛風(fēng)格研究思路提出分心風(fēng)格表征駕駛?cè)艘曈X(jué)分心特性差異，使用自組織映射（SOM）算法將駕駛?cè)擞行Ь垲?lèi)為謹(jǐn)慎型、正常型、激進(jìn)型3類(lèi)，輪廓系數(shù)0.55，樣本區(qū)分度高。對(duì)聚類(lèi)結(jié)果進(jìn)行驗(yàn)證，結(jié)果顯示不同分心風(fēng)格駕駛?cè)艘曈X(jué)分心特性存在顯著差異，謹(jǐn)慎型與激進(jìn)型駕駛?cè)藞?zhí)行次任務(wù)時(shí)分別傾向于多次短時(shí)與少次長(zhǎng)時(shí)的操作模式。

2） 將分心風(fēng)格作為輸入特征參數(shù)添加至原模型取得顯著的優(yōu)化效果，在測(cè)試集上的MSE、MAE與R2分別為2.414 8 s2、1.037 1 s、0.934 5，較于原模型分別取得30.52%、11.8%、3.18%的性能提升。

3） 優(yōu)化后的KLM-RF時(shí)間預(yù)測(cè)模型性能優(yōu)于MLR模型與XGBoost模型，相較兩模型中表現(xiàn)最優(yōu)的XGBoost模型，在均方誤差（MSE）取得最高52.33%的性能增長(zhǎng)。

本研究提出的模型無(wú)需耗費(fèi)大量時(shí)間與經(jīng)濟(jì)成本，通過(guò)簡(jiǎn)單的次任務(wù)分解，便可較為準(zhǔn)確地預(yù)測(cè)出不同車(chē)速及不同分心風(fēng)格駕駛?cè)藞?zhí)行各類(lèi)次任務(wù)時(shí)的視覺(jué)分心時(shí)長(zhǎng)。預(yù)測(cè)結(jié)果能更有效地評(píng)估全觸屏人機(jī)交互界面的安全性，并結(jié)合評(píng)估結(jié)果，在產(chǎn)品開(kāi)發(fā)階段對(duì)界面布局和操作步驟進(jìn)行優(yōu)化，以降低駕駛?cè)艘曈X(jué)分心時(shí)長(zhǎng)確保駕駛安全；同時(shí)，還可協(xié)助車(chē)載輔助駕駛系統(tǒng)及時(shí)發(fā)出警示或進(jìn)行干預(yù)，以降低追尾風(fēng)險(xiǎn)。

未來(lái)的研究，可細(xì)化并補(bǔ)充全觸屏人機(jī)交互模式下的基本操作單元，進(jìn)一步提高模型算法的精確度；對(duì)市面上流行的多款全觸屏車(chē)型進(jìn)行試驗(yàn)，豐富試驗(yàn)數(shù)據(jù)以驗(yàn)證模型算法的有效性與適用范圍。

參考文獻(xiàn)（References）

[1] 鐘奇， 支錦亦， 郭鋼. 車(chē)載信息系統(tǒng)交互方式對(duì)駕駛行為的影響研究[J]. 安全與環(huán)境學(xué)報(bào)， 2022， 22（3）： 1406-1411.ZHONG Qi， ZHI Jinyi， GUO Gang. In?uence of in-vehicle information system interaction modes on driving behavior [J]. J Safe Envi， 2022， 22（3）： 1406-1411. （in Chinese）

[2] 王暢， 王一飛， 葛振振， 等. 全觸屏人機(jī)交互模式下駕駛?cè)艘曈X(jué)負(fù)荷與操作特性[J]. 汽車(chē)安全與節(jié)能學(xué)報(bào)， 2023， 14（4）： 431-438.WANG Chang， WANG Yifei， GE Zhenzhen， et al. Driver visual load and operating characteristics under a human-machine interface mode with full-touch-screen [J]. J Autom Safe Energ， 2023， 14（4）： 431-438. （in Chinese）

[3] Safety and Human Factors Standards Steering Committee. SAE J2365_200205： Calculation of the time to complete in-vehicle navigation and route guidance tasks[S/OL]. （2002-05-10）. https：//doi.org /10.4271/J2365_200205.

[4] Green P， Kang T P， Lin B. Touch-screen task-element times for improving SAE recommended practice J2365： A ?rst proposal[R]. Center Advan Transport Leadership Safe （ATLAS Center）， 2015.

[5] Klauer S G， Dingus T A， Neale V L， et al. The impact of driver inattention on near-crash/crash risk： An analysis using the 100-car naturalistic driving study data[R]. NHTSA， U.S. Department of Transportation， 2006： DOT HS 810 594.

[6] Nakamura Y. JAMA guideline for in-vehicle display systems[R]. SAE Tech Paper， 2008-21-0003.

[7] National Highway Traf?c Safety Administration. Visual-manual NHTSA driver distraction guidelines for in-vehicle electronic devices [J]. Federal Register， 2012， 78（81）： 24819-24830.

[8] 王暢， 張巖， 趙晨， 等. 新型全觸屏人機(jī)交互模式對(duì)駕駛風(fēng)險(xiǎn)的影響特性[J]. 科學(xué)技術(shù)與工程， 2023， 23（22）： 9673-9679.WANG Chang， ZHANG Yan， ZHAO Chen， et al. In?uence characteristics of new full touch screen human-machine interaction mode on driving risk [J]. Sci Tech Engi， 2023， 23（22）： 9673-9679. （in Chinese）

[9] Card S K， Moran T P， Newell A. The keystroke-level model for user performance time with interactive systems [J]. Commun Assoc Comput Mach. 1980， 23（7）： 396-410.

[10] Breiman L. Bagging predictors [J]. Mach Learn， 1996， 24： 123-140.

[11] 武煒杰. 隨機(jī)森林算法的應(yīng)用與優(yōu)化方法研究[D]. 無(wú)錫：江南大學(xué)， 2021.WU Weijie. Research on application and optimization method of random forests algorithm[D]. Wuxin： Jiangnan University， 2021. （in Chinese）

[12] Montes C， Kapelan Z， Saldarriaga J. Predicting non-deposition sediment transport in sewer pipes using Random forest [J]. Water Research， 2021， 189： 116639.

[13] Ouali T， Shah N， Kim B， et al. Driving style identi?cation algorithm with real-world data based on statistical approach[R]. SAE Tech Paper， 2016-01-1422.

[14] 劉迪， 鄭建明， 覃斌， 等. 基于自然駕駛場(chǎng)景大數(shù)據(jù)的駕駛風(fēng)格研究[J]. 汽車(chē)技術(shù)， 2022 （9）： 36-42.LIU Di， ZHENG Jianming， QIN Bin， et al. Research on driving style based on big data of natural driving scene [J]. Autom Tech， 2022（9）： 36-42. （in Chinese）

[15] Purbasari I Y， Puspaningrum E Y， Putra A B S. Using self-organizing map （SOM） for clustering and visualization of new students based on grades [J]. J Phys： Conf Seri， 2020， 1569（2）： 022037.

[16] 劉奇. 視覺(jué)-操作型分心時(shí)長(zhǎng)預(yù)測(cè)及駕駛績(jī)效研究[D]. 西安：長(zhǎng)安大學(xué)， 2018.LIU Qi. Study on the relationship between the time of visual-manual disraction prediction and driving performance[D]. Shaanxi： Chang’an University， 2018. （in Chinese）