基于駕駛行為模式轉移的駕駛行為風險評估方法*

孫宮昊 榮建 常鑫 劉思楊 高亞聰

（1.北京工業大學，北京 100124；2.中國民航大學，天津 300300）

主題詞：駕駛行為 駕駛風險 模式轉移概率 隨機森林

1 前言

研究表明，90%的交通事故與駕駛人的因素有關[1]。因此，以提升駕駛人的安全水平為切入點，準確評估駕駛行為風險，從而有針對性地開展駕駛行為培訓，是提升道路交通安全水平的有效方法。同時，車輛智能化、個性化服務是未來車輛技術發展的重要趨勢，駕駛人行為風險的評估研究對推動車輛智能化產品的應用具有重要意義。

目前，基于客觀駕駛數據的駕駛行為風險評估方法主要分為通過識別駕駛行為事件的駕駛行為風險評估、基于駕駛行為特征參數建模的駕駛行為風險評估兩種。在基于識別駕駛行為事件的駕駛行為風險評估研究中：Toledo 等通過駕駛行為數據識別加速、減速、換道等事件，結合駕駛事件的風險程度與頻率，構建了綜合指標評估體系，將駕駛風格分為3 類[2]；吳振昕等從數據庫中提取7種典型駕駛工況，利用K均值聚類和D-S證據理論方法進行聚類，將駕駛風格分為3類[3]；Brombacher 等利用神經網絡算法將縱向駕駛行為事件分為加速和緊急制動行為，橫向駕駛行為事件分為輕度轉彎、中度轉彎和緊急轉彎，根據駕駛行為事件的發生頻率進行風險評分，將駕駛人分為5 類[4]。在基于駕駛行為特征參數建模的駕駛行為風險評估研究中：朱冰等利用跟車過程中的駕駛數據作為特征指標，建立了基于隨機森林的駕駛人駕駛行為風險辨識模型[5]；李經緯等采集商用車和乘用車的駕駛行為數據，通過主成分分析方法實現特征指標降維，利用K均值聚類方法進行駕駛風格的識別[6]；Van Ly 等獲取速度、加速度、制動踏板開度等數據，利用支持向量機（Support Vector Machine，SVM）和K均值聚類算法對駕駛人進行分類[7]。

綜上，駕駛行為風險的評估研究多以駕駛操作層面的駕駛行為參數統計數據或駕駛行為事件層面的行為事件頻率作為評估特征指標，缺乏考慮駕駛行為在時間序列上的連續性變化特征。因此，本文從駕駛行為的時空維度出發，以駕駛行為模式間的轉移特性直觀反映駕駛人在駕駛過程中的行為偏好，構建駕駛行為風險評估模型，實現對駕駛人客觀行為風險的評價。

2 試驗設計與數據采集

2.1 試驗設備及場景

使用駕駛模擬試驗平臺模擬真實車輛的駕駛，并收集駕駛模擬器產生的試驗車自身及周邊車輛的位置、距離等數據信息[8]。駕駛模擬器（見圖1）以20 Hz 的頻率記錄車輛的運行數據。

圖1 駕駛模擬器

選取雙向四車道的興延高速公路的部分路段作為駕駛模擬仿真道路，試驗路段長6.6 km，每條車道寬3.75 m，道路限速120 km/h。試驗基本路徑如圖2所示，模擬試驗道路由試驗過渡路段與試驗正式路段組成，為使駕駛人在正式試驗前熟悉且適應操作，設置試驗過渡路段為1 km。正式路段總長為5.6 km。

圖2 試驗基本路徑

2.2 試驗測試與數據提取

共招募35 名駕駛經驗豐富的駕駛人，其中男性駕駛人20 人，女性駕駛人15 人，年齡分布在23～55 歲之間，平均年齡為35.8歲（標準差為11.3歲），平均駕齡為12.1 年（標準差為8.9 年），每位駕駛人均擁有C 級機動車駕駛證。同時，為了避免其他身體因素的影響，要求駕駛人在試驗前身體狀況良好并且避免大量進食。為確保試驗的高效性和數據的有效性，試驗包括預試驗和正式試驗，預試驗在非正式試驗場景下進行，以確保駕駛人適應模擬駕駛。正式試驗中，為還原駕駛人真實的駕駛習慣，每一名駕駛人在整個駕駛過程中根據其自身駕駛習慣完成整個路段的行駛即可。

模擬設備以20 Hz的頻率記錄車輛的運行數據，可采集包括采樣時間、本車X坐標、本車Y坐標、側向位移、速度、加速度、油門踏板開度、制動踏板開度、行駛距離、與前車的距離、前車速度等駕駛特征指標數據。同時，本文根據車頭間距、前車速度及自車速度計算車頭時距及其變化率，表現駕駛人的跟馳變化特性：

式中，a為車頭時距；h為車頭間距；u為車頭時距變化率；v1為自車速度；v2為前車速度。

駕駛人的部分駕駛行為數據如表1所示。

表1 部分駕駛行為數據

3 駕駛行為模式轉移特征數據庫構建

3.1 駕駛行為模式分解模型

駕駛行為模式是駕駛人根據所處駕駛環境，為使車輛達到預期運動狀態，在一段時間內的連續操作變化[9]。在城市道路環境下，存在違規掉頭、加塞等風險行為，駕駛行為模式構成復雜，因此，本文的研究范圍為高速道路環境下非違法行為的駕駛模式辨識。通過參考駕駛行為分解模型[10]，梳理駕駛行為辨識指標，基于車輛運行數據，對高速道路環境下的駕駛行為模式進行辨識，將縱向駕駛行為模式分解為自由直行（A1）、接近（A2）、遠距離跟馳（A3）、中距離跟馳（A4）、近距離跟馳（A5）、漸遠（A6）和緊急制動（A9）7種，橫向駕駛行為模式分解為受限換道（A7）和自由換道（A8）2種。

在縱向駕駛模式的分解上，根據心理-生理駕駛行為模型，將縱向駕駛模式分解為自由直行、接近、跟馳、漸遠、緊急制動5種[11]。在高速道路上，有約98%的情況縱向加速度小于3 m/s2，因此，將縱向減速度大于3 m/s2的駕駛行為模式辨識為緊急制動模式[12]。本文采用《美國道路通行能力手冊》中對跟馳及自由狀態的定義，當車頭時距小于或等于3 s 時，認為車輛處于穩定跟馳狀態[13]。因此，當車頭時距大于3 s時，則認為車輛處于自由直行狀態。根據心理-生理模型，駕駛人在跟馳過程中難以準確判斷自車與前車的速度差，因此，跟馳過程中車頭距離并不會保持穩定，而是隨著自車加速、減速不斷調整。因此，當自車速度大于前車速度，與前車距離逐漸縮小時，辨識為接近狀態，當自車速度小于前車速度，與前車距離逐漸增大時，辨識為漸遠狀態。研究表明，車頭時距變化率可用前車視角的變化衡量，進而判斷車頭間距的增大或減小，從而細致化區分跟馳狀態，分別以跟馳時距的變化率0.03 和-0.03 為閾值將跟馳模式細分為接近、穩態跟馳和漸遠模式[14]。同時，由于駕駛人的超速等原因，高速公路上追尾事故頻發[15]，當車頭時距較小時，發生緊急情況，留給駕駛人的反應時間很短，極易發生交通事故。因此，在跟馳模式中，不同跟馳時距的危險程度也不相同。根據Li對跟馳狀態的定義，以車頭時距1 s 和2 s 為閾值，將穩態跟馳細分為遠距離跟馳、中距離跟馳和近距離跟馳3 種模式[10]。縱向駕駛行為模式辨識模型如圖3所示。

圖3 縱向駕駛行為模式辨識模型

根據前方是否有車輛，將橫向駕駛行為模式分為自由換道和受限換道[16]。自由換道是駕駛人根據自身意愿，在沒有其他車輛干擾的情況下的換道行為。受限換道為駕駛人認為前車干擾自身行車，從而進行換道的行為。本文利用橫向側位移和車頭時距實現對換道模式的辨識。橫向側位移表示車輛中心對車道邊線的偏移距離，負值表示車輛向左側車道邊線偏移，正值表示車輛向右側車道邊線偏移。若駕駛人在模擬路段上的橫向側位移指標的符號發生突變，將其辨識為換道行為，在換道時，若車頭時距大于3 s，辨識為自由換道，反之，則辨識為受限換道。

3.2 駕駛行為模式轉移概率

在一段時間內，由于駕駛人生理、心理的特征差異，會有不同的駕駛行為模式調整方式：有些駕駛人會跟隨前方車輛的狀態行駛，有些駕駛人則會進行頻繁換道達到目標車速。駕駛行為模式轉移可以是從一種駕駛行為模式轉移到另一種駕駛行為模式，或是保持自身駕駛行為模式不變，如圖4所示。

圖4 駕駛模式轉移

為描述駕駛行為時空數據中2 種模式間的轉移特性，首先需要對轉移時間窗進行選擇。本文駕駛模式轉移時間窗選取的目的是計算2 種模式間的轉移概率。數據采集周期為0.05 s，因此，選擇0.1 s 的時間窗寬描述模式間的轉移特性。如圖5所示，以自由直行和跟馳2種模式為例，一個時間窗內包含2個模式數據，可以表示為保持自由模式、跟馳模式不變，或從直行轉移至跟馳以及從跟馳轉移至直行4種轉移方式。

圖5 駕駛模式決策過程

駕駛行為模式轉移概率為在某一模式i后發生模式j的概率，當統計數據量足夠大時，統計的模式轉移概率通過模式的轉換頻率來表示：

式中，qt為駕駛人在t時刻的駕駛行為模式；p表示概率；Mi、Mj為第i種、第j種駕駛行為模式，1≤i,j≤N；N=9為駕駛行為模式種類；w為駕駛行為模式轉移次數；aij∈[0,1]為駕駛行為模式轉移概率。

在前向駕駛行為模式相同的情況下，9種駕駛行為模式轉移概率之和為1。針對每名駕駛人可以構造出由81 種（9×9）駕駛行為模式轉移概率值組成的駕駛行為模式轉移矩陣O={aij}。因此，共有81 個特征組成評估駕駛人行為風險的候選特征指標集：

3.3 基于德爾菲法的駕駛行為風險評定標簽

德爾菲專家咨詢法是20世紀50年代美國蘭德與道格拉斯公司合作研制的一種直觀預測技術，具有匿名性、及時反饋性和統計性的優點[17]。本文基于德爾菲咨詢法對駕駛人的駕駛行為風險等級進行評估，得到駕駛人的駕駛行為風險等級標簽，以此作為駕駛風險評估數據集中的風險分類標簽集，并作為比對標準驗證駕駛行為風險評估模型的評估效度。

選取來自相關企業、高校、科研機構等的17 名專家，對每位駕駛人的駕駛行為風險程度進行評價，共分為安全、一般和危險3個風險程度。專家評價調查表由35 位駕駛人的駕駛模式圖像和駕駛行為參數2 個部分組成，駕駛模式圖像根據駕駛人在試驗路段上的駕駛模式變化情況繪制，駕駛行為參數包括速度、加速度、車頭時距等。一種典型駕駛人的駕駛狀態變化圖像如圖6所示，從圖6中可以看出，該駕駛人在1 800 m 和4 000 m左右的位置處進行了緊急制動，在4 500 m處迫近前車并跟馳行駛，隨后減速行駛，與前車逐漸拉開距離，在短暫的跟馳行駛后，換道超車，保持自由狀態行駛。由此可知，該駕駛人為達到自身駕駛目的，頻繁地進行不同駕駛行為模式的變換，風險程度較高。

圖6 駕駛人的駕駛轉移模式圖像

評估結果的專家權威程度由專家對研究任務的熟悉程度與判斷依據兩方面決定。通常認為專家權威系數≥0.7，即具有較好的權威性，本研究的專家權威系數為0.81，權威性較高，評價結果可靠性較強。專家意見的協調水平可以判斷專家意見的一致性程度，主要用Kendall 協調系數W表現，W∈[0,1]，其值越大代表專家意見的一致性越好。進行2 輪專家咨詢的專家意見協調系數分別為0.453和0.488，具有90%置信度的顯著性差異，說明專家意見分歧較小。根據專家評估的結果對所有參與試驗駕駛人的駕駛行為風險程度進行分類，得到安全型駕駛人樣本24個，一般型駕駛人樣本6個，危險型駕駛人樣本5個。

綜上，結合駕駛模式轉移特征指標集和駕駛人風險評定標簽集，可以獲得駕駛人行為風險評估特征數據集，并用于駕駛人行為風險評估模型的構建及分析。

4 基于模式轉移的駕駛行為風險評估

4.1 特征指標相關性排序

為從眾多特征指標中選取能夠有效表征駕駛模式轉移特征的子集，本文首先基于最大信息系數（Maximal Information Coefficient，MIC）分析各變量之間的相關性及冗余性，得到各參數與駕駛行為風險等級的相關性排序，接著通過隨機森林算法，以分類準確率為判別準則，采用序列前向選擇的方法進行特征子集的優選。

2011 年，Reshef 等首次提出MIC 算法理論，相較于互信息理論，MIC在度量變量間的關聯程度上具有更高的準確度[18]。該算法用來衡量2個變量之間的相關性、線性或非線性關系。其計算公式為：

式中，Q為MIC值；E、F為變量；D為數據集；n為數據規模；B為關于數據規模n的函數；I為最大互信息值；M為特征矩陣。

最大信息系數的取值范圍為[0,1]，最大信息系數為0表示2個變量間相互獨立，最大信息系數為1表示2個變量之間存在線性或非線性的關系，隨著最大信息系數的增大，2個變量間的相關性增強。

計算81個駕駛行為模式轉移值和駕駛行為風險等級的最大信息系數，將81 個駕駛行為模式轉移方式與駕駛行為風險的相關性從大到小排序，結果如圖7 所示，排在前12 位的駕駛行為模式轉移方式與駕駛行為風險有著較高的相關性。當駕駛行為模式達到第13位時，最大信息系數值下降明顯，且逐漸趨于平穩，與駕駛行為風險相關性較低，最終降為0，因此剔除第13 位及以后的低相關性特征指標。其中，自由換道→自由換道和自由換道→自由直行之間的最大信息系數達到0.72，2 個變量間具有較高的冗余性，同時，自由換道→自由換道的最大信息系數為0.36，自由換道→自由直行的最大信息系數為0.29。因此，自由換道→自由直行為自由換道→自由換道的冗余指標，篩除自由換道→自由直行。篩選出11個相關性最大的駕駛行為模式轉移方式構成候選特征指標集，分別為：自由直行→緊急制動、自由直行→自由直行、自由直行→迫近、迫近→迫近、自由換道→自由換道、迫近→緊急制動、自由直行→自由換道、迫近→受限換道、受限換道→自由直行、受限換道→受限換道、緊急制動→緊急制動。

圖7 駕駛行為模式轉移方式與駕駛行為風險的相關性

4.2 特征指標優選及隨機森林算法構建

機器學習有著完整的理論框架，且預測性能較好，因此在各研究領域中得到了廣泛的應用。張寧等梳理了較多的預測模型，其中SVM有著良好的泛化能力，預測性能優于神經網絡，但其參數的調整仍未有較好的確定方法[19]。Nadezda等使用K均值聚類、神經網絡、決策樹、隨機森林等算法對駕駛人的駕駛風格進行識別分類，并比較各方法識別的準確度和優缺點，結果表明，隨機森林算法有著優秀的分類性能，泛化能力強，且分類速度快，在實際問題中能夠得到較好的應用效果[20]。本文通過對比隨機森林算法和支持向量機算法的分類精度，選取分類性能較好的算法進行駕駛行為風險的評估。

（一）從政治意義看，習近平新時代中國特色社會主義思想，是新時代國家政治生活和社會生活的根本指針。從政黨發展史看，擁有堅強的領導核心，擁有科學的指導思想，是一個政黨形成凝聚力戰斗力不可或缺的兩個方面，也是政黨走向成熟的重要標志。我們黨確立習近平新時代中國特色社會主義思想的指導地位，確立習近平總書記的核心地位，對于維護黨中央權威和集中統一領導，對于保證黨和國家事業興旺發達、長治久安具有重大而深遠的意義，標志著我們這個走過97年光輝歷程的世界第一大黨，達到了政治上、思想上、組織上的空前團結和統一，為推進新時代中國特色社會主義事業提供了堅強政治保障。

隨機森林和支持向量機算法均為有監督的機器學習算法，按駕駛行為模式與駕駛風險的相關性排序，將前11 個駕駛行為模式轉移的概率作為輸入特征，基于德爾菲法得到的專家評估結果作為數據標簽。通過5折交叉驗證和網格搜索法對算法參數調優，隨機森林的基決策樹數量調整為11棵，支持向量機的懲罰系數c調整為5，核參數d調整為0.1。采用5折交叉驗證的平均準確率對模型的性能進行評估，其中，支持向量機算法的預測準確率為71%，隨機森林算法的預測準確率為79%，隨機森林算法的準確性更高，評估性能更穩定。因此，本文選擇隨機森林算法進行駕駛行為風險的評估。

特征優選可以降低模型的訓練難度，提高模型分類速度和有效性，因此，根據駕駛模式轉移特征指標的相關性進行排序，采用序列前向選擇的方法，利用5 折交叉驗證的平均值評估模型的分類精度。其中，基決策樹數量、單決策樹的最大特征數均采用網格搜索選取最優參數，交叉驗證平均分類準確率達到最高時的算法參數，作為該輪迭代的隨機森林算法的參數。

特征數量與辨識精度的關系如圖8所示，當特征數量達到9 個時，駕駛行為風險的辨識精度達到最高的85.71%，且趨于平穩。因此，將前9 個特征指標作為基于隨機森林算法的駕駛行為風險評估模型的輸入特征，此時隨機森林模型的基決策樹數量為71 棵，最大特征數量為5，最優劃分屬性評判指標為Gini 值。前9 個特征指標分別是：自由直行→緊急制動、自由直行→自由直行、自由直行→迫近、迫近→迫近、自由換道→自由換道、迫近→緊急制動、自由直行→自由換道、迫近→受限換道、受限換道→自由直行。

圖8 特征數量與檢測精度的關系

4.3 駕駛行為模式轉移風險特性分析

不同風險等級駕駛人的模式轉移概率特性如圖9所示。隨著駕駛風險的升高，行駛時轉移至受限換道的概率越高，安全型駕駛人較多保持自由直行模式，危險型駕駛人則有較大概率采用受限換道模式。駕駛風險越低，駕駛模式的轉移形式越單一，駕駛風險越高，不同模式間的轉移越頻繁，駕駛人更傾向于通過多種駕駛模式之間的組合行駛，以達到縮短行程時間的目的。

圖9 不同風險等級駕駛人的駕駛模式轉移概率

4.4 駕駛行為風險評估模型驗證

隨機森林分類器的分類結果與駕駛行為風險評估標簽對比如表2所示，總體辨識精度為85.71%。由于部分駕駛人的駕駛風險存在向其他風險轉移的趨勢，因此，模型存在一定偏差。

表2 隨機森林分類器的辨識結果 個

以往的駕駛行為風險評估研究多集中于通過駕駛行為數據的統計分析和數學建模實現駕駛行為風險的評估，因此，為進一步驗證本文所提出方法的有效性，引用以往研究中一種基于駕駛行為特征參數建模的駕駛行為風險評估方法[21]，依據本文所用駕駛行為數據建立分類模型，對比2 種方法的評估結果。

該方法中，選取車速超過限速80%的時間比例、車速平均值、車速標準差、總加速度標準差、加速度平均值、加速度標準差、減速度平均值、減速度標準差共8個參數作為駕駛行為風險分類的特征指標。利用因子分析的方法實現特征指標的降維，因子分數的計算公式為：

因子分數得分越高，駕駛人的駕駛行為風險越高。最后，利用系統聚類的方法將駕駛行為風險聚類為3類，系統聚類譜系如圖10所示。

圖10 系統聚類譜系

基于駕駛行為特征參數建模的評估方法識別準確率為60%，與本文所提出方法的評估結果相比，共有71.4%的樣本識別結果相同，表明本文提出的方法與以往研究中使用的方法具有一定的一致性，同時，利用駕駛行為模式轉移概率描述駕駛行為特征，并基于隨機森林算法的駕駛風險識別模型辨識精度較高，可以滿足駕駛風險的識別需要。

5 結束語

本文基于客觀駕駛行為數據的時空特性，以駕駛人的連續駕駛行為模式變化表征駕駛操縱特征，利用駕駛行為模式之間的相互轉移概率作為特征指標，借助最大信息系數、隨機森林算法優選可有效表征駕駛人行為風險的駕駛行為轉移模式，進而基于隨機森林算法構建駕駛行為風險評估模型，實現了對駕駛人客觀行為風險的評價，獲得以下結論：

a.相比于傳統駕駛行為特征參數統計分析，綜合考慮駕駛行為的時空特性，以駕駛人的連續性駕駛行為模式變化表征駕駛操縱特征的方法能夠直觀反映駕駛人在駕駛過程中的行為偏好。

b.基于駕駛行為模式轉移的駕駛行為風險評估模型總體識別精度為85.71%，駕駛人的行為風險識別精確度較高。

c.相比于低風險型駕駛人，高風險型駕駛人在不同駕駛行為模式間的轉移更頻繁，為達到行駛需求，會采取多種駕駛行為模式行駛。

隨著車聯網技術的發展，基于車載設備采集駕駛行為數據，分析多風險情境下的駕駛特性，更好地推動駕駛行為風險評估在智能網聯車輛駕駛培訓、車輛交互技術個性化設計、面向商業化智能網聯汽車保險產品定制化方案設計等領域的應用將是未來的研究方向。