基于廣義回歸神經網絡的高速公路減速帶行車風險檢測模型

王廣川

(中冶(貴州)建設投資發展有限公司 貴陽市 550000)

0 引言

交通安全是社會管理領域的重要組成部分[1]，90%的交通事故是由駕駛員的冒險行為造成的。速度是交通安全中最重要的因素之一，因為高速會增加撞車風險和更嚴重的傷害[2]。在本研究中，駕駛風險的狀態是減速區內的行為，容易造成不良后果。車輛運動的參數通常是車速、加速度和車輛軌跡[3]?？梢酝ㄟ^觀察車輛運動參數來識別駕駛風險。檢測模型的準確性是一個關鍵因素[4]。因此，建立一個高精度的神經網絡模型來識別駕駛風險。基于廣義回歸神經網絡模型對高速公路減速區駕駛風險檢測進行研究，旨在降低事故發生率，保障駕駛員安全。

1 駕駛風險的影響因素分析

現有研究表明，影響駕駛員駕駛能力的主要因素有三個：

(1)疲勞導致駕駛員身體機能失衡。

(2)由于外界因素的干擾，分心駕駛使司機很難集中注意力。

(3)駕駛員受到暫時性傷害，如駕駛員實際工作能力下降，藥物和酒精的副作用。

車輛在減速區的狀態是駕駛員操縱車輛情況的具體表現，它可以確定駕駛員是否處于危險狀態。駕駛員在危險情況下的一個重要特征是操作車輛的反應時間增加。處于危險駕駛條件下的駕駛員通常會對突然的速度制動做出反應，以降低車輛的速度。此外，當車輛行駛通過減速區時，如果沒有低于規定速度，這也是危險的駕駛狀態。因此，通過車輛運動參數來檢測駕駛員的狀態是有效的。

為了建立駕駛風險的檢測模型，初步選擇反應時間、加速度、初始速度、最終速度和速度差五個指標作為危險駕駛評估的表征指標。詳情見表1。根據減速區的特點，我們設計了危險駕駛狀態的檢測流程，如圖1所示。

表1 駕駛風險表征指標集

圖1 危險駕駛狀態的檢測過程

2 實驗測試和數據優化

本實驗的目的是收集減速區內駕駛員和車輛的數據，如加速度、反應時間、初始速度、最終速度和速度差。

2.1 實驗實施過程

基于實驗目的，我們通過模擬駕駛實驗開發了一套綜合數據采集程序。我們選擇模擬駕駛平臺中的高速公路減速區場景作為典型路段，模擬駕駛平臺包含多個用于采集行為和車輛信號的傳感器，應用于各種駕駛行為實驗。

有四種駕駛狀態：“正常駕駛”“超速駕駛”“分心駕駛”和“疲勞駕駛”。每個駕駛員在四種駕駛條件下繼續接受大約30min的測試。實驗設備實時采集駕駛員的生理信息、車輛運行參數和駕駛環境信息。駕駛員控制模擬駕駛平臺完成根據實驗操作過程的要求進行自然操作，多個傳感器采集所需的五個指標，即初始速度V1、最終速度VF、速度差△V，反應時間T，加速度a。

實驗完成后，總結每個駕駛員的特征、車輛運行狀態、駕駛環境等數據，建立高速公路減速區駕駛實驗數據庫，完成檢測模型。

2.2 有效數據提取

根據實驗方案，我們需要通過多個傳感器獲得五個原始參數的信息。在獲得上述樣本數據后，可以根據式(1)、式(2)和式(3)計算反應時間，經過以上處理，我們可以得到上述五個所需的指標。

tR=t2-t1

(1)

ΔV=VF-V1

(2)

(3)

在這個模擬實驗中，每個駕駛員必須執行三個正常駕駛過程和三個危險駕駛過程。危險駕駛過程分為超速駕駛、分心駕駛和疲勞駕駛。對于正常行駛，我們規定行駛速度不能超過高速公路相關路段的限速值。對于危險駕駛，由于模擬特點和實驗操作中的誤差，我們也剔除了無效數據。數據的組成如表2所示。

表2 部分原始樣本數據

在本實驗中，我們從31名駕駛員那里獲得了60多個小時的數據，并采用均勻抽樣的方法提取了正常和危險狀態下的332組有效數據。具體來說，訓練集中有266個樣本，其中133個樣本分別處于正常狀態和危險狀態；測試集中有66個樣本，其中33個樣本分別處于正常狀態和危險狀態。

2.3 最佳表征篩選

表2是基于多個傳感器的原始數據集，每組數據包含加速度、反應時間、初始速度、最終速度和速度差五個指標。檢驗五個指標在正常和危險狀態下是否有顯著差異，選出被檢驗的指標作為駕駛風險的最佳指標。測試結果見表3。

表3 各項指標的方差分析結果

表3中的分析結果表明，在正常和危險狀態之間，初始速度、最終速度、反應時間和加速度存在顯著差異(P<0.05)。也就是說以上四個指標都可以作為駕駛風險的理想指標。然而速度差沒有通過方差分析測試。因此，加速度、反應時間、初始速度和最終速度這四個指標將被用作駕駛風險檢測模式識別的指標。

3 基于廣義回歸神經網絡的駕駛風險檢測模型

3.1 經典GRNN的結構

在許多非線性模型中，人工神經網絡模型因其良好的自適應能力而得到廣泛應用[5]。此外，在實際建模和計算中，廣義回歸神經網絡比其他非線性模型具有更高的預測精度和更快的計算速度。GRNN是基于非線性回歸理論的前饋神經網絡模型，結構由四層組成，即輸入層、模式層、求和層和輸出層，如圖2所示。

圖2 廣義回歸神經網絡的經典結構

輸入矩陣是X = [ x1,x2,…,xn]T，輸出矩陣是Y = [ y1,y2,…,yn]T。神經元的數量等于訓練樣本中輸入矩陣的維數。輸入層只將樣本變量發送到模式層，不參與實際操作。模式層神經元的數量等于訓練集樣本的數量，層神經元傳遞函數為：

(4)

求和層使用兩種類型的神經元來表示所有模式層神經元的線。模式層和每個神經元的連接權重為1，第一類求和函數為：

(5)

第二類加權所有模式層的神經元，模式層與每個神經元之間的連接權值作為訓練集的輸出矩陣，第二類求和函數為：

(6)

輸出層中的每個神經元都與求和層的兩種類型的結果相關聯。輸出函數是：

(7)

3.2 廣義回歸神經網絡的算法過程

(1)生成訓練集和測試集

我們使用隨機方法來生成訓練集和測試集。如上所述，實驗數據包括駕駛狀態的類別(正常駕駛和危險駕駛)和四個指示器(加速度、反應時間、初始速度和最終速度)。一些樣本數據如表4所示。訓練集中有266個樣本，測試集中有66個樣本。

(2)創建用于驅動風險的GRNN模型組

我們使用MATLAB神經網絡的工具箱函數“newgrnn”來創建GRNN模型，建立了四個變量的總組合。將其分為15組，每個模型單獨構建。例如：模型1中輸入層的變量是初始速度，模型2中輸入層的變量是初始速度和最終速度(應為反應時

表4 訓練集和測試集的樣本數據

間)。輸入變量的組合如圖3所示，對應于15個廣義回歸神經網絡模型。

圖3 輸入對應于15個模型的變量組合

(3)模擬測試

駕駛風險的GRNN模型建立后，可以將測試集的輸入矩陣納入模型，模型的輸出即為相應的預測結果。

(4)性能賦值

通過計算測試集的預測類別和實際類別之間的誤差，可以評價廣義回歸神經網絡模型對駕駛風險的泛化能力。同時，MATLAB函數“cputime”可以用來計算程序的運行時間，即衡量程序的運行速度和性能。

3.3 結果討論

由于訓練集和測試集是隨機生成的，所以每次計算的結果略有不同。某些程序操作的結果是隨機選擇的，因此模型組的預測精度、運行時間和最優模型測試結果分別顯示在圖4、圖5、圖6中。

(1)從圖4可以看出，廣義回歸神經網絡模型具有良好的泛化能力，測試集的最佳預測準確率高達86.4%

(2)從圖4可以看出，單獨輸入每個變量建立的廣義回歸神經網絡模型的數量為模型1、模型5、模型8和模型10，其中，僅由加速度建立的廣義回歸神經網絡模型性能最差，而正確率只有59%。分別輸入反應時間、初始速度和最終速度的廣義回歸

圖4 15個模型的預測精度

圖5 15個模型的運行時間

圖6 模型4的預測結果

神經網絡模型具有更好的性能，正確率分別為74%、80%和79%。這說明加速度和車輛運動之間的相關性很小，但是初始速度、最終速度、反應時間和車輛運動之間的相關性很大。

(3)在圖4中，模型1的輸入變量是加速度，模型2的輸入變量是加速度和反應時間，模型3的輸入變量是加速度、反應時間和初始速度，模型4的輸入變量是加速度、反應時間、初始速度和最終速度。從圖3可以看出，從模型1到模型4，預測精度逐漸提高，同樣的規則也適用于模型5～模型7和模型8～模型9，這表明多種因素有助于對駕駛狀態的識別。輸入變量的數量與預測準確率正相關。

(4)從圖5可以看出，15個模型的平均運行時間約為0.2s，比BP神經網絡算法快得多

(5)圖6中測試集預測表明模型4對應駕駛風險檢測結果最優值，是一個典型的涉及四個參數的運行模型。模型4的預測精度為86.4%，高于其他模型。

4 結論

交通事故是對社會生活有負面影響的問題之一。由于旅行次數增加，它對人們的生活產生了負面影響。它不僅會威脅個人健康，還會因為經濟損失而擾亂管理系統。

本研究旨在建立高速公路減速區行駛風險檢測模型。在本研究中，考慮提高廣義回歸神經網絡模型的預測精度。這四個參數是通過方差分析選擇的，很明顯，輸入變量的數量與預測準確率正相關。因此提出了15個模型來選擇最佳預測模型，將廣義回歸神經網絡模型用于車輛運動檢測，可以顯著降低駕駛風險。