基于因子分析與人工神經網絡的駕駛傾向性動態辨識模型

張洪賓， 王 云， 孫龍祥

(山東理工大學交通與車輛工程學院， 淄博 255000)

駕駛過程中駕駛員對周圍環境感知及處理所表現出來的異常加減速、轉彎、變道等駕駛行為，極易引發交通事故[1-4]。準確地識別駕駛員駕駛過程中的傾向性，提前做好汽車行駛過程中的安全預警具有重要意義。Yan等[5]根據駕駛員生理特征與情緒之間的相互關系，設計實驗探尋駕駛員脈搏、血壓、皮電、呼吸等生理特性與駕駛情緒間的變化規律，利用選定的心理參數對駕駛員情緒進行辨識與監測。Schmidt-Daffy[6]認為恐懼、焦慮等消極駕駛情緒會使駕駛員在駕駛任務中保持謹慎保守的駕駛態度，并使用增加駕駛任務與改變道路環境等方法進行驗證。李明俊等[7]依據支持向量機(support vector machine, SVM)與多分類半監督學習算法，分別建立SVM與多分類半監督學習的駕駛風格識別模型，得出結論多分類半監督學習算法(inductive multi-label classification with unlabeled data，iMLCU)模型，該模型與SVM相比可提高對駕駛傾向性的識別能力。Amanda等[8]認為具有憤怒傾向的駕駛員在行駛過程中更容易產生消極駕駛情緒，在與其他交通參與者博弈過程中更容易被激怒，從而產生頻繁超車、換道、超速等攻擊性駕駛行為。Roidl等[9]建立不同的交通情境，參與者可通過在線調查感受到不同的交通情境，評價自己的情緒，從而研究交通情境和情感體驗之間的關系。侯海晶等[10]提取表征駕駛風格的特征參數，對不同風格駕駛人的駕駛行為數據進行了量化分析。郝景賢等[11]在完成實車駕駛實驗基礎上對駕駛數據提取特征參數并使用K-means聚類對其進行聚類分析，完成駕駛傾向的辨識，辨識準確率較高。程靜等[12]將競爭學習算法應用于駕駛行為預測，并對高興、平靜、憤怒、悲傷四種情緒進行車速值預測，結果表明預測值非常接近觀測值。劉玲莉等[13]通過構建路怒情緒影響下駕駛員注意、感覺、思維決策信息加工模型對低駕齡駕駛員進行決策分析，結果表明路怒情緒對低駕齡駕駛員駕駛行為決策過程的注意、思維、感覺等有直接的影響關系。Zhang等[14]、Wang等[15]使用車載雷達與視頻檢測等技術手段采集駕駛員、其他交通參與者、駕駛環境等信息，探尋特定交通態勢下駕駛員駕駛行為及駕駛情感的變化規律，對不同道路環境下駕駛員駕駛傾向性預測、辨識等問題進行了研究，由于激光雷達成本較高，安裝復雜，抗震抗擾性較弱，容易產生一定誤差，普及率低且實驗數據處理過程煩瑣。

以上研究對駕駛員的生心理指標變化規律及其與駕駛行為的關系、駕駛員情緒與車速的關系等方面進行了研究，但綜合使用心理測試、實車實驗和模型預測對駕駛員的駕駛傾向性研究較少。現以駕駛傾向性為研究對象，基于駕駛員心理測試、實車實驗方式采集駕駛員駕駛傾向信息及駕駛狀態數據，采用因子分析和人工神經網絡建立駕駛傾向性動態辨識模型，并對模型進行驗證，以期準確高效地辨識駕駛員駕駛過程中的駕駛傾向性，提前做好安全預警，對減少道路交通事故具有重要意義。

1 模型設計

1.1 駕駛傾向性

根據不同駕駛員在駕駛行為上的差異性，駕駛傾向性可劃分為保守型、普通型和激進型。傳統駕駛傾向性辨識模型多采用自車車速、前車車速、前后車頭間距、前后車相對速度作為辨識模型的主要因素，參數選擇較少，而有些與駕駛傾向性有著明顯相關性的因素容易被忽略。另外，當輸入參數增多時，模型運算效率不高，無法直接代入使用。現將從人-車動態數據出發，分析駕駛員的駕齡、年齡、性別，自車速度、加速度以及與之對應的最大值、最小值、均值、標準差，前車速度、前后車頭間距、前后車相對速度等指標對駕駛傾向性的影響，利用因子提取駕駛傾向性特征向量作為人工神經網絡辨識模型的輸入參數，實現駕駛傾向性的動態辨識。

1.2 因子分析及神經網絡組合模型

通過分析駕駛傾向性動態辨識過程，設計基于因子分析與人工神經網絡的駕駛傾向性動態辨識模型。設x1，x2，…，xm為m個與駕駛傾向性有關的駕駛行為變量，這m個與駕駛傾向性有關的駕駛行為變量是由f1，f2，…，fn(n個主因子)和一個λm×n階矩陣的乘積加上ε(ε1,ε2,…,εm)組成，建立因子模型為Xm=λm×nfn+εm，具體表示為

(1)

(2)

(3)

(4)

(5)

(6)

(7)

如圖1所示，人工神經網絡的輸入向量由因子分析獲得，駕駛傾向性數據沿著人工神經網絡正向傳播，并根據誤差的大小反向修正誤差權值，重復訓練，最終建立駕駛傾向性動態辨識模型。

F1，F2，…，Fn為n個因子分析獲得的特征參數并作為BP神經網絡的輸入值；wij、wjk分別為人工神經網絡各層間的連接權值

2 實驗數據及指標提取

2.1 實驗設計

2.1.1 心理測試

征集50名出租車駕駛員，其中男性30名，女性20名，年齡均在20～50歲。參照文獻[14-15]對其進行心理問卷測試，根據這50名駕駛員最終問卷得分情況，確定其靜態駕駛傾向性。

2.1.2 實車實驗

(1)實驗設備。實驗需測試本車及前后車車速、前后車車距、周圍環境信息、駕駛員生理信息等，實驗設備如圖2所示。

圖2 實驗設備Fig.2 Experimental equipment

(2)實驗條件與地點。實驗地點選擇與具體行車路線如圖3所示。實驗車輛為出租車，型號統一，實驗時間選擇在天氣晴朗、周圍環境適宜且正常工作日的上午8:30—10:30，避開早高峰期，車流量較多但不會產生長時間擁堵。為確保駕駛人的一致性，實車實驗人員為上述征集的50名出租車駕駛員，在身心狀態良好時開始實驗，圍繞圖3所示路線行駛一周計一次實驗，其中紅色箭頭所指方向為實驗行駛方向，紅色標記桿之間路段為實驗數據路段，長度為245 m。起點標記桿位置的選擇是根據實際情景中交叉口上游車道數發生改變的位置而定；終點標記桿的位置則是根據車輛駛離交叉口且不再受交叉口影響的位置而定。每人實驗3～5次，收集駕駛行為數據，每次實驗所獲得的數據為一組有效數據。

圖3 實驗路線圖Fig.3 Road Map of the experiment

2.2 參數提取

實驗過程中，裝備動態人車環境信息采集系統的駕駛員在給定的路線上行駛。利用高清攝像機、激光測距儀、光纖配線盒車載自動診斷系統(on board diagnostics，OBD)、全球定位系統(global positioning system，GPS)、陀螺儀等實驗設備全程記錄本車及其(內、外)環境、駕駛員及行為以及其他相關動態傳感信息，進而得到自車的速度均值、最小速度、最大速度、速度標準差、加速比例、減速比例、勻速比例、加速度均值、減速度均值、加速度標準差，以及前車速度、前后車頭間距共12個與駕駛員駕駛傾向性有明顯相關性的駕駛行為指標。其中駕駛行為指標名稱及縮寫如表1所示。

表1 駕駛行為指標名稱及縮寫

以上駕駛指標中存在一定相關性，可通過數據降維將相同性質的變量歸為一個因子，找出具有代表性的因子。將已獲得數據輸入SPSS軟件進行分析，檢驗統計量(Kaiser-Meyer-Olkin，KMO)為0.545>0.5，適合做因子分析。分析結果顯示，前6個因子累計方差貢獻率為92.5%，能代表所有參數絕大部分信息。碎石圖展現因子分析里因子涵蓋變量信息多少[16]。與駕駛傾向性明顯相關的駕駛行為指標碎石圖，如圖4所示。由圖4可知，前8個因子可以百分百提取數據所有信息，前6個因子折線坡度較陡，可以看出前6個因子占數據中變異性的大部分。結合累計方差貢獻率，提取前6個因子為公因子是合理的。

圖4 各成分碎石圖Fig.4 Macadam map of each component

3 模型參數訓練及驗證

3.1 模型參數訓練

采用MATLAB語言編寫算法構建模型。經過道路條件劃分，提取行駛在快速路基礎路段的駕駛行為數據469 組，并隨機選取其中400 組數據進行因子分析作為訓練樣本數據。綜合考慮各特征參數，設置神經網絡結構為3-6-3，即3個輸入節點，6個隱含節點，3個輸出節點，其中激進型、普通型、保守型駕駛傾向性分別表示為(0，0，1)、(0，1，0)、(1，0，0)。模型訓練完成后，將剩余69 組數據輸入駕駛傾向性動態辨識模型進行模型測試，計算辨識模型準確率與MSE值驗證模型的準確性。模型訓練及驗證流程如圖5所示。

圖5 模型訓練及驗證流程圖Fig.5 Model training and validation flow chart

3.2 模型驗證

根據69組測試樣本輸出結果顯示(表2)，建立的模型駕駛傾向性動態辨識的準確率為89.85%，與BP神經網絡直接預測相比，訓練時間減少0.13 s，準確率提高5.59%，相對誤差降低4.33%。同時，圖6說明了BP神經網絡的測試、訓練及驗證均方誤差(MSE)變化情況，其中橫坐標表示神經網絡迭代次數，縱坐標表示均方誤差變化情況。由圖6可知，網絡訓練循環44次，MSE在第32次達到最優值0.032。結果表明，運用因子分析降低參數間相關性，再訓練神經網絡建立模型，可對駕駛員駕駛傾向性進行高效動態辨識。

圖6 模型預測結果誤差Fig.6 The error of model prediction

4 結論

通過心理測試、實車實驗方式獲取不同駕駛傾向性的駕駛行為數據，重點分析汽車行駛速度、加速度等指標，應用因子分析與人工神經網絡建立駕駛傾向性動態辨識模型，通過駕駛員心理測試、實車實驗數據對模型進行驗證，結果表明該模型具有訓練時間少、辨識準確率較高、相對誤差低的特點，為提前做好安全預警，減少道路交通事故具有重要意義。