基于低頻軌跡數據的分時租賃駕駛人駕駛風格分析

余榮杰， 龍曉捷， 涂穎菲， 李 健

(1.同濟大學 道路與交通工程教育部重點實驗室，上海 201804；2.上海國際汽車城(集團)有限公司，上海 201805)

近年來，在國務院《關于積極推進“互聯網+ ”行動的指導意見》推動下，共享經濟在我國蓬勃發展，成為經濟發展的新動力.2017年我國共享經濟市場規模達51 365億，參與共享經濟活動總人數達7億[1],交通運輸是共享經濟發展最活躍的領域之一.以汽車分時租賃為例，該共享經濟理念于2010年起在中國發展[2].分時租賃為駕駛人提供了更為經濟、靈活的用車可行性，降低了機動化出行門檻.

當前我國汽車分時租賃用戶以年輕駕駛人為主，其中高校學生群體約占20%[2].由于分時租賃用戶駕駛經驗不足，駕駛習慣具有相當大的不確定性，增加了道路交通的運行風險，也對運營企業的系統風險管理提出了挑戰,因此亟需對分時租賃用戶的駕駛行為進行深入研究.通過對駕駛群體進行風格分類來識別潛在高風險駕駛人，并利用駕駛安全輔助系統(ADAS)、UBI(usage based insurance)等方式進行風險管理，可降低分時租賃企業運營風險.

駕駛風格是表征駕駛人固有駕駛方式的整體性評價指標[3].相關研究主要從節能駕駛、交通安全等角度，將駕駛人劃分為兩類(激進、溫和[4-8])或三類(激進、溫和、謹慎[9-11]).既有研究表明，駕駛人的駕駛風格與交通安全密切關聯,激進駕駛風格駕駛人存在頻繁換道、急加減速、近距離跟馳等不良駕駛行為，易增加事故發生概率[12].

駕駛風格研究主要基于主觀問卷調查[13]、駕駛模擬[8,10]、自然駕駛[4-5,8,13-17]等方法獲取數據,并以高精度駕駛行為數據為主，如采集頻率為1 Hz[4,13]、10 Hz[5,15-16]的高頻衛星定位(GPS)軌跡數據.然而，汽車分時租賃企業采集的軌跡數據以車輛定位為目的，主要是低頻軌跡數據(GPS采集間隔為30～120 s).如何基于低頻軌跡數據特征，構建駕駛風格評估指標并開展駕駛風格分類仍待研究.

本研究基于汽車分時租賃企業的低頻軌跡數據進行駕駛行為的辨識與特征提取，采用聚類算法對分時租賃用戶的駕駛風格進行劃分，并開展不同駕駛風格駕駛人的特征分析.

1 研究綜述

駕駛風格評估的核心在于駕駛行為多維特征提取和分類模型的應用.本節將從駕駛風格特征指標與評估歸類方法兩方面對既有研究進行探討.

1.1 駕駛風格特征指標

既有研究的駕駛風格特征指標可歸類為宏、中、微觀駕駛行為特征，常用指標如表1所示.

表1 常用駕駛風格特征指標

由表1可知，多數研究基于加減速、跟馳等微觀駕駛行為進行駕駛風格評估.然而，微觀駕駛行為特征指標的獲取依賴高精度軌跡數據或視頻數據.面向海量用戶，汽車分時租賃企業采集的低頻軌跡數據不適用于此類微觀駕駛行為特征提取的開展.

在宏、中觀層面開展的駕駛風格特征研究主要采用速度相關指標.宏觀層面主要關注平均速度和速度標準差，常以加速度、急加減速次數等微觀特征和超速行駛時間比例等中觀特征共同作為駕駛風格評估依據[14,18].中觀層面的駕駛風格特征研究常采用高速行駛或超速行為特征.Constantinescu等[14]、孫川等[18]認為車速超過60 km·h-1和限速的80%時駕駛人具備超速傾向，并將超過上述速度閾值的行駛時間比例作為駕駛風格評估指標.高巖[19]將速度80～120 km·h-1和大于120 km·h-1的行駛時間比例納入駕駛風格評估指標體系.Feng等[5]定義相對超速時間比例為速度大于所有樣本駕駛人運行速度99分位的行駛時間與交通通暢狀態下正常速度行駛時間的比值，以此為依據劃分駕駛人駕駛風格，此方法排除了路況等因素造成相對低速行駛而無法反映駕駛人真實風格的情況，可更準確地判斷駕駛行為是否激進.

綜上，針對低頻軌跡數據特點，本研究將關注租賃用戶的超速行為及其特征指標.

1.2 駕駛風格評估方法

駕駛風格評估方法可分為四類：基于規則的分類模型、監督學習模型、非監督學習模型和半監督學習模型[26].

基于規則的分類模型通過指定閾值對駕駛風格進行判定[5,10,17]，其難點為特征指標閾值的確定.監督學習模型在駕駛風格評估時應用廣泛，主要包括隨機森林[27]、神經網絡[11,27]、支持向量機[19]等,該類方法難點在于訓練數據中駕駛人風格的標定.

由于駕駛風格是一個相對的概念，通常情況下缺乏先驗知識，難以進行人工標注類別.因此，非監督學習模型的類別自動劃分功能對于駕駛風格分析更為適用，研究人員常通過對模型結果的解讀實現對各風格類別的標注.常用非監督學習方法包括聚類算法[14,18,20]、隱狄利克雷(LDA)模型[15]等.其中，由于K-means聚類算法具有簡單、快速的特點，而且在處理大數據集時具有可伸縮性和高效性，因此在駕駛風格研究中應用廣泛.

2 數據準備

本研究基于某分時租賃企業在上海市的運營數據開展駕駛風格評估.研究數據包括用戶特征、訂單信息、車輛GPS軌跡、總線通訊信息(CAN)四個數據集.分時租賃車輛為純電動汽車，數據采集時段為2017年6月12日—18日，采樣間隔為30 s.

對采樣間隔30 s的低頻軌跡數據開展實際行車路徑還原可行性研究.由于篇幅限制，分析過程不做贅述.結果表明，低頻軌跡數據具有以下特點：①對于城市快速路等高等級道路路徑識別準確性高，而對于城市道路，尤其路網密集區域軌跡還原精度低；②對宏觀路徑識別效果較好，結合地理信息數據可獲取道路類型等宏觀出行信息和限速遵守情況、運行穩定性等中觀運行特征；③對微觀軌跡識別精度較低，無法支撐變道、基于加速度等微觀駕駛行為的研究.

因此，基于駕駛人在快速路上的行駛軌跡數據提取運行特征以開展駕駛風格評估.

2.1 軌跡數據與地理信息圖層數據匹配

開源路線規劃引擎[28](OSRM)是支持OpenStreetMap(OSM)的第三方庫，將路線規劃算法與OSM的開放道路網絡數據相結合，可將坐標捕捉到街道網絡，實現地圖匹配.利用如圖1所示基于OSRM的地圖匹配工具實現GPS數據與地理信息圖層數據的匹配.

圖1 OSRM地圖匹配分析工具

2.2 駕駛行為特征提取

駕駛風格是個體習慣性的駕駛方式，可靠的駕駛風格分析需要建立在一定里程基礎上[12].結合出行特征，借鑒既有研究的駕駛里程篩選條件[5]，對城市快速路行駛里程大于80 km的駕駛人的行為數據開展分析，分析樣本包含235位駕駛人、累計19 347.69 km的城市快速路駕駛數據.

2.2.1駕駛風格評估特征指標說明

基于相對超速時間比例評估駕駛人駕駛風格.相對超速時間比例(T)定義為特定駕駛情境(指定道路類型和交通運行通暢狀態)下速度高于v1行駛時長和速度高于v2行駛時長的比值，即：

式中：T為相對超速時間比例；tv1為速度高于v1行駛時長;v1為樣本駕駛人城市快速路的99分位車速；tv2為速度高于v2行駛時長;v2為城市快速路自由流車速[29].v1、v2取值參考圖2和表2，v1=90 km·h-1，v2=73 km·h-1.

圖2 城市快速路速度累積頻率分布

運行特征指標取值/(km·h-1)限速80自由流車速[29]7399分位車速90

基于相對超速時間比例，提出以下兩個駕駛風格評估變量：

(1)Tl.駕駛人l在城市快速路行駛的相對超速時間比例，表征駕駛人的超速傾向，計算式如下所示：

式中：tv1,q、tv2,q分別為第q次出行速度高于v1、v2行駛時長;n為出行次數；

(2)QTl.駕駛人l在城市快速路行駛的相對超速時間比例的變異系數(標準差與平均數的比值)，表征駕駛人相對超速行為的穩定性，即對于特定駕駛人，相對超速是習慣性或偶發行為,計算式如下所示：

式中：Tlq為第q次出行的相對超速時間比例.

2.2.2駕駛風格評估數據集形成

基于第2.1節中GPS數據與地圖匹配結果，完成對各駕駛人城市快速路出行和駕駛操作信息的計算和整理，形成如表3所示評價數據集.

表3 駕駛行為評價數據集說明

3 分析方法

MacQueen[30]提出的K-means算法是聚類技術中最簡單且有效的方法之一,工作機理為：設有k個類，根據目標函數最小化原則，計算各樣本和聚類中心之間的最小距離，將樣本分配給距離它最近的聚類中心，如此反復迭代至滿足目標函數最小或保持不變.K-means聚類算法最小化目標函數為

應用K-means進行聚類分析時，聚類數需要事先給定.由Kaufman等[31]提出的輪廓系數可作為聚類有效性評價指標，以優選聚類數.某樣本點xj的輪廓系數定義為

式中：a(xj)是xj與同類其他樣本的平均距離，即內聚度；b(xj)是xj與最近類中所有樣本的平均距離，即分離度.最近類的定義為

式中：p是某個類Ck中的樣本.利用xj到某個類所有樣本平均距離作為衡量該點到該類的距離后，選擇離xj最近的一個類作為最近類.

對于樣本數據的某次聚類，求出所有樣本的輪廓系數后取均值得到平均輪廓系數sk，sk∈[-1,1].類內樣本距離越近，類間樣本距離越遠，則sk越大，聚類效果越好，sk最大時k即為最佳聚類數.

4 駕駛風格評估結果及特征分析

4.1 基于K-means聚類的駕駛風格評估

采用K-means方法劃分駕駛風格類別，基于輪廓系數計算結果得到最佳聚類數為3，s3=0.43.聚類結果如圖3、4及表4所示，依據相對超速時間比例和單次出行相對超速時間比例的變異系數將駕駛風格劃分為謹慎、溫和、激進三類，各風格分別占樣本駕駛人的54.04%、36.60%、9.36%.各風格的特點為：

(1) 謹慎.相對超速時間比例最低且單次出行相對超速時間比例變異系數較高，即超速傾向低，相對超速為偶發行為.

(2) 溫和.相對超速時間比例較低且單次出行相對超速時間比例變異系數較高，即超速傾向較低，相對超速為偶發行為.

(3) 激進.相對超速時間比例最高且單次出行相對超速時間比例變異系數較低，即超速傾向較高，相對超速在各次出行中較為穩定地出現.

圖3 聚類結果

圖4 各風格駕駛人相對超速行為特征箱圖

Fig.4 Boxplots of relative speeding characteristics for different driving styles

表4 各風格駕駛人相對超速行為特征描述統計

4.2 駕駛風格特征分析

為進一步探究各駕駛風格的差異性，從個體特征、出行特征、車輛運行特征(速度、車輛能耗)和違章記錄角度開展了各駕駛風格的特征差異分析.如表5所示的方差分析結果表明，不同駕駛風格的租賃用戶在個體、違章特征無顯著差異，但在車輛運行特征和出行特征方面存在顯著差異.

表5 各風格駕駛人特征方差分析結果

Tab.5 ANOVA analysis of driver’s characteristics for different driving styles

駕駛人特征特征變量F值P值個體特征性別0.860.42年齡(分組)0.380.69出行特征單次出行平均行駛里程26.570.00*單次出行平均時長28.890.00*高峰行駛時間比例7.420.00*夜間行駛時間比例1.960.14運行特征平均速度26.880.00*速度變異系數3.150.04*車輛能耗效率90.280.00*違章特征違章次數0.160.86安全相關違章比例0.210.82

注：*表示在0.05水平下顯著.

個體特征方面，不同駕駛風格在年齡和性別方面無顯著差異，但存在一定的趨勢，如表6、7所示.18～25歲年輕駕駛人中僅2.86%駕駛風格激進，這可能與駕齡、駕駛經驗、技能等相關，新手或駕駛經驗相對不足的年輕駕駛人更為謹慎；與其他年齡組相比，46～60歲謹慎駕駛人比例最低，激進駕駛人比例最高.不同性別駕駛風格構成如表7所示.

表6 各年齡分組駕駛風格構成

表7 不同性別駕駛風格構成

違章特征方面，將違章分為與安全無關(違章停車)和與安全相關(超速、違反標志標線指示等)兩類.基于方差分析結果，不同駕駛風格間近半年違章次數、安全相關違章比例均無顯著差異，然而具有一定趨勢，即激進駕駛人違章次數高于溫和及謹慎駕駛人，如表8所示.三種風格駕駛人的安全相關違章比例均高于上海市總體的69%[32].

表8 三種風格駕駛人違章特征

出行特征方面，不同駕駛風格的單次出行里程、單次出行時長和高峰行駛時間比例有顯著差異，由高到低依次為謹慎、溫和、激進，如圖5和表9所示.夜間行駛時間比例由高到低依次為激進、溫和、謹慎，但三種風格駕駛人間不存在顯著差異.

表9 三種風格駕駛人出行特征

車輛運行特征方面，三種駕駛風格間速度差異顯著.如圖6和表10所示，謹慎、溫和、激進駕駛人快速路行駛平均速度依次增大，這與聚類變量所表征的超速傾向是一致的，而激進駕駛人速度變異系數更低，保持速度穩定的能力更強.此處速度穩定是相對駕駛人自身速度水平而言，如在相同的速度波動(速度標準差)情況下，平均速度更高的駕駛人具有變異系數更低、速度穩定性更高的特點.既有研究中，Chen等[33]發現速度中等或較高的駕駛人縱向速度波動性更低，與本文結論相似.

車輛能耗特征方面，不同風格駕駛人對應的車輛平均能耗效率(即單位電量行駛里程均值)也存在顯著差異，如表11所示，謹慎、溫和、激進駕駛人的平均能耗效率依次升高.表12表征了不同風格駕駛人的特征對比.

圖6 速度特征箱圖

駕駛風格平均速度/(km·h-1)速度變異系數/%謹慎58.2541.33溫和63.6142.40激進78.4331.64

表11 三種風格駕駛人車輛能耗特征

表12 不同風格駕駛人特征對比

Tab.12 Comparison of driver characteristics between three driving styles

項目駕駛人特征占比謹慎54.04%,溫和36.60%,激進9.36%個人特征①年齡、性別無顯著差異;②18～25歲年輕駕駛人激進風格比例最低違章特征①租賃用戶安全相關違章比例高于上海市總體;②激進駕駛人違章更多,但違章次數、安全相關違章比例無顯著差異出行特征①單次出行平均行駛里程和平均時長由高到低依次為謹慎、溫和、激進;②高峰行駛時間比例由高到低依次為謹慎、溫和、激進;③夜間行駛時間比例由高到低依次為激進、溫和、謹慎,但各風格間無顯著差異車輛運行特征①超速傾向和平均速度由高到低依次為激進、溫和、謹慎;②激進駕駛人保持速度穩定能力最強;③車輛能耗效率由高到低依次為激進、溫和、謹慎

5 結語

相對超速行為特征可作為駕駛風格識別依據，基于駕駛人相對超速時間比例和各次出行相對超速時間比例兩個特征變量，將駕駛風格聚為謹慎、溫和、激進三類，其中激進駕駛人占樣本總體的9.36%.

不同駕駛風格在出行及運行特征方面也具有差異性.對于出行特征，謹慎、溫和、激進駕駛人單次出行平均行駛里程、單次出行平均時長和高峰行駛時間比例依次減少.對于車輛運行特征，謹慎、溫和、激進駕駛人的超速傾向、運行速度及車輛能耗效率依次升高.然而，駕駛風格間個人特征(年齡、性別)及違章方面無統計上的顯著差異.

本研究僅針對城市快速路駕駛行為，后續可考慮引入其他道路類型(高速公路、城市道路等)的運行特征、出行特征等對駕駛風格及風險進行更全面的評價.此外，當前對駕駛行為的研究仍停留在分析階段，對于駕駛風格激進的駕駛人群體，可針對性制定安全教育項目或UBI方案等風險管理措施，以降低分時租賃企業運營風險.