(3)頻繁加減速行為。
頻繁加減速行為的出現(xiàn)是由于交通環(huán)境的復(fù)雜,需要頻繁加速減速進(jìn)行速度控制規(guī)避風(fēng)險(xiǎn),另一種則發(fā)生在交通流擁擠時(shí)需要保證與前車有足夠的安全間距而不斷變速。首先根據(jù)a>1.2 m/s2或a<-2 m/s2對(duì)加速度進(jìn)行判斷,如式(1)所示,n用來(lái)標(biāo)記是否滿足判定條件,為更簡(jiǎn)約地統(tǒng)計(jì)符合閾值的個(gè)數(shù),將a>1.2 m/s2的數(shù)據(jù)標(biāo)記為1,將a<-2 m/s2的數(shù)據(jù)標(biāo)記為-1,其余的標(biāo)記為0,然后對(duì)60 s內(nèi)的1與-1進(jìn)行計(jì)數(shù),計(jì)數(shù)總數(shù)超過(guò)3個(gè)的時(shí)間區(qū)間認(rèn)為公交車出現(xiàn)頻繁加減速的行為。
(1)
(4)急轉(zhuǎn)彎行為。
在行駛過(guò)程中速度偏高時(shí)容易發(fā)生急轉(zhuǎn)彎行為,急轉(zhuǎn)彎時(shí)橫向加速度較大,乘客容易出現(xiàn)失去平衡的情況,因此急轉(zhuǎn)彎行為也是影響公交車運(yùn)行安全的因素。本文根據(jù)已有研究得出,急轉(zhuǎn)彎行為根據(jù)行駛平均速度及方向角變化值進(jìn)行判定,以窗口長(zhǎng)度為5的滑動(dòng)窗口對(duì)數(shù)據(jù)進(jìn)行遍歷,當(dāng)窗口內(nèi)的v>20 km/h且ω>90°時(shí)認(rèn)為公交車出現(xiàn)急轉(zhuǎn)彎行為。轉(zhuǎn)向角計(jì)算公式如式(2)所示。
(2)
轉(zhuǎn)向角值判斷如式(3)所示,其中status表示是否滿足ω>90°這一判定條件,滿足時(shí)status為1,反之,status為0。
(3)
1.3 數(shù)據(jù)空間連接
首先,通過(guò)Python將交叉口、路段的起終點(diǎn)構(gòu)造線要素,利用公交站、風(fēng)險(xiǎn)點(diǎn)位坐標(biāo)構(gòu)造點(diǎn)要素。其次,生成交叉口、路段和公交站的緩沖區(qū),交叉口緩沖半徑設(shè)為20 m,公交站緩沖半徑設(shè)為30 m,路段緩沖半徑設(shè)為15 m。最后,完成空間連接,以風(fēng)險(xiǎn)點(diǎn)位數(shù)據(jù)為基準(zhǔn),運(yùn)用sjoin函數(shù)完成對(duì)不良駕駛行為數(shù)據(jù)及dms報(bào)警數(shù)據(jù)與道路信息數(shù)據(jù)的空間連接,得到發(fā)生風(fēng)險(xiǎn)駕駛行為的空間位置(交叉口、公交站或路段)。
1.4 指標(biāo)選取
本文共選取了10個(gè)常見(jiàn)指標(biāo),分別為平均加速度及加速度標(biāo)準(zhǔn)差、平均減速度和減速度標(biāo)準(zhǔn)差、不良駕駛行為次數(shù)和持續(xù)時(shí)間、異常駕駛行為指數(shù)、年齡、駕齡和參與工作時(shí)間。由于在不同等級(jí)道路上,公交車運(yùn)行速度限制不同,故不將速度作為劃分駕駛員類別的指標(biāo)。
2 畫像標(biāo)簽提取
本文采用因子分析中的主成分分析進(jìn)行指標(biāo)降維,通過(guò)因子可行性驗(yàn)證,主成分分析后得出KMO值為0.810,表明各指標(biāo)之間有較強(qiáng)的相關(guān)性。
通過(guò)SPSS降維中的因子分析功能,選擇主因子分析并描述其系數(shù)相關(guān)性矩陣及KMO和巴特利特球形度檢驗(yàn),利用最大方差法進(jìn)行因子旋轉(zhuǎn)得出其旋轉(zhuǎn)后的解,并輸出旋轉(zhuǎn)后的成分矩陣如表1所示。

表1 旋轉(zhuǎn)后的成分矩陣
根據(jù)載荷絕對(duì)值越大的因子與變量越接近的規(guī)則,特征變量共分為3類,成分1與平均加速度、平均減速度、加速度標(biāo)準(zhǔn)差及減速度標(biāo)準(zhǔn)差較為靠近,這類速度皆與速度相關(guān)參數(shù)相關(guān),故將這一類參數(shù)構(gòu)成的特征變量命名為駕駛風(fēng)格偏好特征變量;成分2與年齡、駕齡、不良駕駛行為持續(xù)時(shí)間及不良駕駛行為總數(shù)較為密切,不良駕駛行為多與駕駛員的自身特征相關(guān),故將此類命名為駕駛員個(gè)體偏好特征變量;成分3與異常駕駛行為指數(shù)及參與工作時(shí)間相關(guān),2個(gè)指標(biāo)代表了駕駛員的安全態(tài)度及駕駛經(jīng)驗(yàn),故將此類命名為違規(guī)偏好特征變量。
3 聚類分析
聚類方法采用K-means聚類,對(duì)數(shù)據(jù)進(jìn)行歸一化處理后,通過(guò)確定的3類特征變量及相關(guān)指標(biāo)分別進(jìn)行聚類,并結(jié)合手肘法對(duì)最優(yōu)聚類數(shù)進(jìn)行判斷。
3.1 數(shù)據(jù)歸一化
為統(tǒng)一不同數(shù)據(jù)指標(biāo)的量綱,需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理,方便對(duì)比每個(gè)指標(biāo)之間的關(guān)系,研究中的歸一化計(jì)算公式如式(4)所示[9]。
(4)
其中,x為指標(biāo)單一樣本的觀測(cè)值,μ為研究樣本中某一指標(biāo)的總體平均值,σ為研究樣本某一指標(biāo)的總體標(biāo)準(zhǔn)差。
3.2 K-means聚類原理
K-means聚類是一種典型的無(wú)監(jiān)督學(xué)習(xí)的算法,SPSS自動(dòng)設(shè)置初始中心點(diǎn)并把所有樣本值分到各中心點(diǎn)所在的類中,針對(duì)每一個(gè)類別里的所有點(diǎn),計(jì)算所有點(diǎn)的平均值,生成新的中心點(diǎn),并不斷重復(fù)迭代直至收斂。其目標(biāo)函數(shù)如式(5)所示。
(5)
其中,n為數(shù)據(jù)集中點(diǎn)的總數(shù)目,K為聚類數(shù),mi為簇中心位置,對(duì)于riK,當(dāng)xi屬于第K個(gè)類時(shí),riK=1否則riK=0。最終的目的是要求解mi和riK。
3.3 手肘法原理
手肘法中運(yùn)用SSE的趨勢(shì)變化拐點(diǎn)來(lái)判斷最優(yōu)的聚類數(shù)(即K值),確認(rèn)最優(yōu)K值。需要利用Python進(jìn)行計(jì)算,SSE值公式如式(6)所示。
(6)
其中,SSE為誤差總平方和,K為最優(yōu)K均值聚類數(shù),Ci為第i簇,wp為Ci中的一個(gè)觀測(cè)值,mi為簇中心即聚類中心位置。
3.4 駕駛員駕駛行為聚類過(guò)程
通過(guò)SPSS軟件分類功能中的K-均值聚類,選擇樣本收斂準(zhǔn)則為0,并選擇輸出聚類中心、與聚類中心的距離,從2次開(kāi)始調(diào)整聚類數(shù)進(jìn)行聚類,與最優(yōu)K值進(jìn)行比較,最終選定聚類效果好且解釋性好的K值,并對(duì)聚類結(jié)果中的類別進(jìn)行命名,確定每個(gè)類別的風(fēng)險(xiǎn)程度排名。
3.4.1 駕駛風(fēng)格偏好
手肘法及聚類結(jié)果如圖1(a)所示,在K=4時(shí)斜率明顯減小,故駕駛風(fēng)格偏好中將駕駛員個(gè)體聚成4類,結(jié)果如表2所示,4個(gè)聚類簇中包含的個(gè)案數(shù)目較為均衡,聚類效果較好。如圖1(b)所示,平均加速度與加速度標(biāo)準(zhǔn)差成正相關(guān),平均加速度升高則其速度標(biāo)準(zhǔn)差相應(yīng)升高,同樣平均加速度與減速度成負(fù)相關(guān)。

圖1 駕駛風(fēng)格偏好特征結(jié)果
對(duì)聚類結(jié)果進(jìn)行分析可以看出,如表(3)所示,聚類共得出4個(gè)類別,根據(jù)其聚類中心偏離0的程度可以判斷其駕駛行為的激進(jìn)與否,分為激進(jìn)型、較激進(jìn)型及平穩(wěn)型3大類。故將各類別命名如表3所示,其中激進(jìn)型駕駛員其加速度相關(guān)指標(biāo)的風(fēng)險(xiǎn)程度大,需要對(duì)其加速度指標(biāo)進(jìn)行持續(xù)監(jiān)控并進(jìn)行督促、改進(jìn),并加強(qiáng)駕駛技能和駕駛平穩(wěn)性的培訓(xùn),而平穩(wěn)型駕駛員的相對(duì)風(fēng)險(xiǎn)程度較小。
3.4.2 駕駛員個(gè)體偏好
通過(guò)手肘法判斷如圖2(a)所示,斜率突變發(fā)生在K=4時(shí),故將K=4作為最優(yōu)K值,并將其可視化為散點(diǎn)圖,如圖2(b)所示,駕齡與不良駕駛行為數(shù)及不良駕駛行為持續(xù)時(shí)間呈負(fù)相關(guān),不良駕駛行為次數(shù)越多其持續(xù)時(shí)間越長(zhǎng),聚類后分類較為明顯,結(jié)合表4,聚類后的個(gè)案在每個(gè)類別中分布均勻,聚類效果較好。

圖2 駕駛員個(gè)體特征結(jié)果

表4 駕駛員個(gè)體偏好聚類各類別數(shù)量
如表5所示,對(duì)聚類中心進(jìn)行分析可以看出年齡及駕齡中類別3最高、類別4最低,據(jù)此依照年齡將駕駛員分為年長(zhǎng)駕駛員、中年駕駛員及年輕駕駛員3類,根據(jù)駕齡將駕駛員分為成熟型、進(jìn)階型及新手型3類,并根據(jù)不良駕駛情況將駕駛員分為平穩(wěn)駕駛型、較平穩(wěn)駕駛型、較風(fēng)險(xiǎn)駕駛型及風(fēng)險(xiǎn)駕駛型,故將各類別命名如表5所示,其中年輕新手風(fēng)險(xiǎn)型駕駛員在駕駛員中風(fēng)險(xiǎn)程度更大,而年長(zhǎng)成熟平穩(wěn)型駕駛員的不良駕駛行為最低,即風(fēng)險(xiǎn)程度小于其他3類駕駛員。
3.4.3 違規(guī)偏好
違規(guī)偏好是以駕駛員產(chǎn)生異常駕駛行為等分散駕駛員注意力的危險(xiǎn)行為為指標(biāo)進(jìn)行聚類,找出其參與工作時(shí)間與其違規(guī)偏好的規(guī)律。手肘法結(jié)果如圖3(a)所示,其在K=3和K=6時(shí)均出現(xiàn)斜率突變的拐點(diǎn),為了更清晰簡(jiǎn)潔地解釋聚類結(jié)果,最終確定以K=3作為最優(yōu)得到K值。如散點(diǎn)圖3(b)所示,參加工作時(shí)間與異常駕駛行不具有正負(fù)相關(guān)性,如表6所示,聚類后的3個(gè)類別的分類明顯,聚類效果較好。

表6 違規(guī)偏好聚類各類別數(shù)量
對(duì)聚類中心進(jìn)行分析,如表7所示,3類可分為工作時(shí)間短且異常駕駛行為少、工作時(shí)間長(zhǎng)且異常駕駛行為少及工作時(shí)間短且異常駕駛行為多的3類駕駛員,第二類駕駛員的異常駕駛行為指數(shù)高于平均值,解釋為參與工作時(shí)間越久的駕駛員經(jīng)驗(yàn)豐富,對(duì)自己的能力非常自信,使得其安全意識(shí)有所下降。本文對(duì)這3類駕駛員的類別進(jìn)行命名,其中危險(xiǎn)型駕駛員需要進(jìn)行密切關(guān)注,風(fēng)險(xiǎn)程度明顯高于其他2類,安全型駕駛員的風(fēng)險(xiǎn)程度在3個(gè)類別中最低。

表7 違規(guī)偏好最終聚類中心
3.5 駕駛員風(fēng)險(xiǎn)駕駛行為畫像
根據(jù)每個(gè)特征變量的聚類結(jié)果,每個(gè)特征劃分了3或4個(gè)類別,均存在風(fēng)險(xiǎn)程度高低的變化,能夠從中判斷出需要特別關(guān)注的公交駕駛員個(gè)體及群體。對(duì)結(jié)果中每個(gè)駕駛員在各個(gè)特征中的類別劃分進(jìn)行排列組合,將包含嚴(yán)重風(fēng)險(xiǎn)的駕駛員歸為一類,具體劃分標(biāo)準(zhǔn)為:若駕駛員在某一個(gè)特征中出現(xiàn)在風(fēng)險(xiǎn)嚴(yán)重程度最高的類別,則將其劃分為高風(fēng)險(xiǎn)人群;若駕駛員在多項(xiàng)特征中皆為風(fēng)險(xiǎn)程度排名中間的類別,則將其劃分為中風(fēng)險(xiǎn)人群;其余駕駛員則劃分為低風(fēng)險(xiǎn)駕駛員。最后將駕駛員劃分為3類風(fēng)險(xiǎn)等級(jí),劃分結(jié)果如表8所示。

表8 駕駛員風(fēng)險(xiǎn)類型劃分
將畫像后的3類駕駛員的3個(gè)特征變量制作成箱線圖,如圖4所示,通過(guò)分布可以看出當(dāng)駕駛員風(fēng)險(xiǎn)等級(jí)升高時(shí),整體加速度分布都不斷升高,中低風(fēng)險(xiǎn)的數(shù)據(jù)更加集中,高風(fēng)險(xiǎn)駕駛員的數(shù)據(jù)較為分散,可解釋為部分駕駛員在某一特征中的風(fēng)險(xiǎn)程度較大,極具危險(xiǎn)性,因此被劃入高風(fēng)險(xiǎn)駕駛員人群。

圖4 各風(fēng)險(xiǎn)等級(jí)駕駛員不同特征下的箱線圖
3.6 高風(fēng)險(xiǎn)駕駛員風(fēng)險(xiǎn)駕駛行為畫像
上文所識(shí)別的不良駕駛行為數(shù)量較多,經(jīng)對(duì)比,頻繁加減速行為數(shù)量明顯高于其他行為,且樣本量大,故對(duì)其進(jìn)行進(jìn)一步研究。
如圖5所示,速度主要分布區(qū)間為14 km/h~28 km/h,分布較為集中,在公交站位置的頻繁加減速行為最多,與公交車進(jìn)出站的行為相匹配;而路段位置的速度分布曲線相較于公交站和交叉口更偏于高速。對(duì)比加速度,加速度分布多大于0,僅有少部分點(diǎn)位于-2.5 m/s2附近,3個(gè)不同位置的加速度中值。

圖5 頻繁加速和減速行為不同指標(biāo)分布
異常駕駛行為中接打電話報(bào)警及駕駛員異常報(bào)警樣本量過(guò)低,故未考慮這2類報(bào)警類型。下文將通過(guò)分神駕駛及疲勞駕駛報(bào)警2個(gè)類型,進(jìn)一步探究高風(fēng)險(xiǎn)駕駛員人群在各報(bào)警類型中的特征。
如圖6和圖7所示,疲勞駕駛行為的速度分布更加分散,公交站位置分布在0~40 km/h,交叉口及路段位置分布在0~50 km/h,而分神駕駛行為在公交站及交叉口處的分布相近,為8~15 km/h,路段位置速度集中在0~30 km/h。疲勞駕駛行為的分布區(qū)間上限均高于分神駕駛行為,具有更大的風(fēng)險(xiǎn)性。

圖6 疲勞駕駛行為速度相關(guān)指標(biāo)分布
加速度分布中,疲勞駕駛行為出現(xiàn)多個(gè)峰值,公交站位置中,加速度值在±3 m/s2附近出現(xiàn)了較明顯的峰值,而路段位置主要集中在0附近。分神駕駛行為的加速度范圍明顯低于疲勞駕駛行為,公交站位置分別在3 m/s2和0附近出現(xiàn)明顯峰值,在路段中,加速度小于0的分布在-1.4 m/s2附近,在負(fù)值范圍內(nèi)相較于公交站和交叉口出現(xiàn)更大減速度值。故高風(fēng)險(xiǎn)駕駛員在疲勞駕駛和分神駕駛中擁有更大的加速度絕對(duì)值,且疲勞駕駛的加速度和減速度具有更大的風(fēng)險(xiǎn)性。
如圖8和圖9所示,從提取到異常駕駛行為發(fā)生時(shí)的實(shí)際運(yùn)營(yíng)里程(距離包含了加氣和充電環(huán)節(jié))可以看出,出現(xiàn)疲勞駕駛頻數(shù)最高的實(shí)際里程分布在13.3 km、15.5 km、17.6 km附近,在路段位置的發(fā)生里程在27 km附近出現(xiàn)了較高頻率,而分神駕駛的發(fā)生實(shí)際運(yùn)營(yíng)里程主要集中在15 km附近,與疲勞駕駛較為相似。5條公交線路的長(zhǎng)度為15~25 km,從圖中可以看出疲勞駕駛及分神駕駛多出現(xiàn)在運(yùn)營(yíng)路線的后半程中。

圖8 疲勞駕駛行為運(yùn)營(yíng)里程指標(biāo)分布

圖9 分神駕駛行為運(yùn)營(yíng)里程指標(biāo)分布
綜上所述,在以上3個(gè)最常發(fā)生的風(fēng)險(xiǎn)駕駛行為中,高風(fēng)險(xiǎn)駕駛員在公交站和路段上出現(xiàn)了更多的風(fēng)險(xiǎn)駕駛行為,且在速度和加速度2個(gè)指標(biāo)中的分布范圍更加更廣,存在風(fēng)險(xiǎn)較高的值,在實(shí)際運(yùn)營(yíng)里程方面,分布相似且主要集中于15~17 km。
4 結(jié)語(yǔ)
本文對(duì)公交車駕駛員進(jìn)行風(fēng)險(xiǎn)駕駛行為聚類,并對(duì)高風(fēng)險(xiǎn)駕駛員在特定時(shí)空?qǐng)鼍跋碌娘L(fēng)險(xiǎn)駕駛行為進(jìn)行特征畫像。本文采用了K-means聚類算法對(duì)115名公交車駕駛員進(jìn)行駕駛行為聚類分析,根據(jù)聚類結(jié)果的風(fēng)險(xiǎn)程度進(jìn)行統(tǒng)計(jì)分析,將駕駛員劃分為低風(fēng)險(xiǎn)型、中風(fēng)險(xiǎn)型及高風(fēng)險(xiǎn)型。高風(fēng)險(xiǎn)駕駛員速度偏好特征中各項(xiàng)指標(biāo)高于平均值,駕駛更激進(jìn);駕駛員個(gè)體特征中不良駕駛行為次數(shù)高于均值,駕駛習(xí)慣較差;違規(guī)偏好特征中,異常駕駛行為的次數(shù)和嚴(yán)重程度綜合指標(biāo)高于均值。
本文對(duì)判別出的高風(fēng)險(xiǎn)駕駛員的風(fēng)險(xiǎn)駕駛行為進(jìn)行群體畫像,進(jìn)一步研究了這類駕駛員在不同空間位置、不同時(shí)段中的風(fēng)險(xiǎn)駕駛速度、加速度或運(yùn)營(yíng)里程分布特征,得出其在部分空間位置場(chǎng)景下的特征規(guī)律。研究發(fā)現(xiàn)駕駛員在公交站及路段中更具風(fēng)險(xiǎn)性,同時(shí)在對(duì)公交車運(yùn)行安全監(jiān)管的過(guò)程中,需要加強(qiáng)對(duì)運(yùn)營(yíng)路線中后段的監(jiān)管力度。
通過(guò)對(duì)高風(fēng)險(xiǎn)駕駛員群體的特定場(chǎng)景下的風(fēng)險(xiǎn)駕駛行為特征畫像,可以為公交企業(yè)的駕駛安全意識(shí)培訓(xùn)及操作技能訓(xùn)練評(píng)估提供方向,對(duì)特定場(chǎng)景集中監(jiān)管,提高公交駕駛員的安全駕駛意識(shí),培養(yǎng)駕駛員群體安全運(yùn)行車輛的操作習(xí)慣,最終提升公交運(yùn)行的安全性和經(jīng)濟(jì)性。