基于機器學(xué)習(xí)的汽車駕駛行為分析與風(fēng)險評估

中圖分類號：U463.6 文獻標識碼：A 文章編號：1003-8639（2025）10-0035-03

【Abstract】With the continuous growth of vehicle ownership，the problem of road traffic safety has become increasingly prominent.Traditional driving safety asessment methods basedon rules and post-analysis are dificult to realize real-timeand accurate perceptionandearly warning ofrisks.Therefore，this paper willstart with the influence mechanism ofdriving emotiononbehavior，and describe how touse theunderlying operatingdata collcted byvehicle CAN bus，inertial sensor and othercomponents，adriving risk assessment model basedonmachine learning is constructed to providea technical reference fortherealizationofamore efcient and intellgent driving safety assistance system.

【Key Words】driving behavior analysis; risk assessment; machine learning; feature extraction; model testin，

0 引言

車輛駕駛員在行駛過程中的駕駛狀態(tài)與行為異常情況是道路交通事故產(chǎn)生的重要主觀因素，具體包括情緒波動、過度疲勞、注意力不集中等，極易導(dǎo)致反應(yīng)遲緩、判斷錯誤、操作失誤而引發(fā)較大的道路交通安全問題。對交通駕駛行為的正確理解，安全評估道路交通駕駛風(fēng)險，不僅影響每個車、每個人的安全，也是實現(xiàn)道路交通智慧管理的基礎(chǔ)。為此，本文將嘗試通過技術(shù)手段，深人挖掘駕駛行為自身的內(nèi)在規(guī)律，探索駕駛情緒與操作之間的映射機制，結(jié)合機器學(xué)習(xí)方法挖掘有效特征，從而構(gòu)建一個駕駛風(fēng)險評估模型，以便對駕駛風(fēng)險進行科學(xué)、準確、快速的判斷。模型建立后，進行系統(tǒng)的模型驗證和優(yōu)化，以提高精準性。期望本文能夠為開發(fā)駕駛員輔助系統(tǒng)提供可操作的方法，最終實現(xiàn)提升道路交通安全水平的目的。

1基于機器學(xué)習(xí)的汽車駕駛行為分析與數(shù)據(jù)采集

1.1駕駛行為數(shù)據(jù)采集方法

采集駕駛行為數(shù)據(jù)時，安裝在車輛上的各種傳感器發(fā)揮了關(guān)鍵作用，這些傳感器大多原本就存在于現(xiàn)代汽車中，屬于車輛電子控制系統(tǒng)的一部分。車輛的車載網(wǎng)絡(luò)系統(tǒng)，即CAN總線能夠持續(xù)傳遞各種電子控制單元之間的數(shù)據(jù)，接入CAN總線就能讀取大量與駕駛操作直接相關(guān)的信號，包括車速、發(fā)動機轉(zhuǎn)速、油門踏板的開合程度、轉(zhuǎn)向盤轉(zhuǎn)動角度等，這些數(shù)據(jù)是分析駕駛行為最直接的第一手資料[1]。慣性測量單元（InertialMeasurementUnit，IMU）是一種非常重要的附加傳感器，能夠以很高的頻率精確測量車輛在3個方向上的加速度和旋轉(zhuǎn)角速度，這些數(shù)據(jù)可以用于判斷車輛是否緊急變道、急轉(zhuǎn)彎或發(fā)生側(cè)滑。另外，車內(nèi)也可以安裝麥克風(fēng)來采集環(huán)境聲音。環(huán)境聲音數(shù)據(jù)可用于識別駕駛員接打電話、車內(nèi)異常聲響等行為，為駕駛分心風(fēng)險評估提供補充依據(jù)。所有這些從不同來源采集到的數(shù)據(jù)經(jīng)處理后，形成一份完整的多維度駕駛行為數(shù)據(jù)集，為后續(xù)的深入分析做好充分的準備。

1.2駕駛行為數(shù)據(jù)預(yù)處理與特征提取

從車輛上直接采集到的原始數(shù)據(jù)存在大量的噪聲干擾、錯誤數(shù)值等問題，不能直接用于機器學(xué)習(xí)模型進行分析。因此，數(shù)據(jù)預(yù)處理的第一步就是進行數(shù)據(jù)清洗，發(fā)現(xiàn)并處理這些異常值。一個正常行駛中的車輛，其車速信號應(yīng)該是連續(xù)平滑變化的，如果數(shù)據(jù)中突然出現(xiàn)一個持續(xù)時間為零點幾秒的零值，這很大概率是由于傳感器瞬時接觸不良而產(chǎn)生的，對于這類數(shù)據(jù)，根據(jù)其前后時間段的數(shù)據(jù)進行合理修正。第二步是進行數(shù)據(jù)對齊。不同傳感器的數(shù)據(jù)采集頻率和上報時間點存在微小差異，導(dǎo)致記錄同一時刻的不同數(shù)據(jù)在時間上并不完全匹配，因此，需要通過插值等數(shù)學(xué)方法將所有數(shù)據(jù)統(tǒng)一到同一個時間基準上[2。數(shù)據(jù)預(yù)處理完成之后，提取出能夠有效刻畫駕駛行為本質(zhì)的高層特征信息，這些特征從不同維度量化了駕駛行為。其中，時域特征是最常用的一類，它直接從數(shù)據(jù)隨時間變化的過程中計算而來；另一類常用的特征是頻域特征，通過傅里葉變換等工具分析轉(zhuǎn)向盤信號的主要頻率成分，從而判斷車輛是否存在抖動現(xiàn)象。這些特征是后續(xù)機器學(xué)習(xí)分類的輸人。

2汽車駕駛行為與情緒關(guān)系分析

2.1駕駛員情緒對駕駛行為的影響

駕駛員的情緒狀態(tài)會顯著影響其操控車輛的方式。當駕駛員處于積極情緒，感到輕松、愉快或平靜時，其對油門踏板的控制會更加緩和，車輛加速過程順暢，能夠提前預(yù)判進行平緩減速，讓車內(nèi)乘員感到舒適。相反，當駕駛員處于憤怒、焦慮、煩躁等負面情緒狀態(tài)時，其會將車輛作為發(fā)泄情緒的工具，頻繁地急加速和急制動，猛踩油門，導(dǎo)致車輛猛然前；在需要減速時，又會很晚才采取行動，然后大力踩死制動踏板，極易造成追尾事故。另一種常見的負面情緒是疲勞，駕駛員的操作變得不精準，無法保持勻速行駛，車速忽快忽慢。所有這些由負面情緒引發(fā)的操作變化都為交通安全埋下了巨大的隱患。

2.2駕駛員情緒與駕駛風(fēng)險的映射關(guān)系

高風(fēng)險駕駛行為是特定負面情緒的直接產(chǎn)物，攻擊性和憤怒情緒最直接映射出的就是碰撞風(fēng)險。這種情緒驅(qū)使下的駕駛行為表現(xiàn)為緊逼跟車、強行超車、路口搶行等，一旦前車突然減速或側(cè)方車輛正常變道，處于憤怒狀態(tài)的駕駛員由于車輛距離過近發(fā)生追尾、側(cè)面碰撞事故的概率顯著提升。疲勞、倦怠、過度放松等情緒狀態(tài)則主要映射出車道偏離風(fēng)險和未及時避障風(fēng)險，疲勞或分心的駕駛員視覺焦點無法集中于前方車道線和遠距離的交通狀況，導(dǎo)致車輛逐漸偏離預(yù)定車道，但未能及時察覺，最終沖出車道線，與路側(cè)的障礙物、護欄發(fā)生刮擦碰撞[3。當前方道路出現(xiàn)突發(fā)障礙物，注意力分散的駕駛員發(fā)現(xiàn)危險的時間會大大延遲，最終因制動距離不足而釀成事故。因此，這類情緒雖然不像憤怒那樣具有主動攻擊性，但其導(dǎo)致的反應(yīng)遲緩和對環(huán)境感知能力的下降同樣構(gòu)成了極其嚴重的安全隱患。

3基于機器學(xué)習(xí)的汽車駕駛風(fēng)險評估與模型構(gòu)建

3.1基于機器學(xué)習(xí)的風(fēng)險評估模型構(gòu)建

為了建立駕駛風(fēng)險評價的機器學(xué)習(xí)模型，需要利用從車身各部位得到的數(shù)據(jù)訓(xùn)練一個可識別危險駕駛模式的計算機程序，從而形成駕駛危險性評價模型。這部分數(shù)據(jù)包括加減速踏板用力、制動器踏板用力、轉(zhuǎn)向盤轉(zhuǎn)向角、換擋指示、車速、發(fā)動機轉(zhuǎn)速等，也包括轉(zhuǎn)向燈、前照燈燈控等汽車電控部件的使用開停信息。經(jīng)過預(yù)處理和特征提取后，以上數(shù)據(jù)和信息轉(zhuǎn)化為描述駕駛員駕駛行為風(fēng)險特征的一組參數(shù)，每條行駛信息都有對應(yīng)的一維“特征向量”與“風(fēng)險標簽”[4]。

在獲得了充足的訓(xùn)練樣本后，就可以基于機器學(xué)習(xí)的任務(wù)設(shè)定進行模型訓(xùn)練。這需要根據(jù)具體任務(wù)的情況而定，例如將駕駛員劃分為高風(fēng)險或低風(fēng)險，其屬于分類問題，可使用回歸分析模型Logistic和支持向量機（SupportVectorMachine，SVM）進行訓(xùn)練。為了對風(fēng)險級別進行進一步的分級評估，也可以運用一些更復(fù)雜的過程，例如決策樹、隨機森林，這些算法可以分析特征與高風(fēng)險標記之間的復(fù)雜關(guān)聯(lián)，并通過大量現(xiàn)實案例學(xué)習(xí)對自身進行參數(shù)優(yōu)化，使其盡可能與人類所做的標記接近。應(yīng)用訓(xùn)練好的模型對上述內(nèi)容各模塊的操作信息進行實時匯聚，形成風(fēng)險評估報告，統(tǒng)一打分。如圖1所示。

隨著車況、傳感器特點、行駛環(huán)境、駕駛員行為的不斷改變，模型的性能會逐漸下降，因此，后續(xù)還需要不斷地獲取新數(shù)據(jù)并定期用新獲取的數(shù)據(jù)對模型進行調(diào)整優(yōu)化，使得風(fēng)險評估模型適應(yīng)這些新情況，保證評估結(jié)果的準確性。一個風(fēng)險管理模型是否有用，最重要的就是要不斷檢驗、修正、完善，這是風(fēng)險管理模型是否具有真實性以及是否有效的前提。

3.2 風(fēng)險評估模型的驗證與優(yōu)化

模型構(gòu)建完成后，須經(jīng)過嚴謹?shù)尿炞C來檢驗其真實能力，在開始訓(xùn)練前，采用分層隨機劃分方法，將全部數(shù)據(jù)集分為兩部分：大部分（ 80% ）用于訓(xùn)練模型，小部分（ 20% ）則嚴格封存，留作最后測試模型的效果，即測試集。用測試集來驗證時，先將測試數(shù)據(jù)的特征輸入已經(jīng)訓(xùn)練好的模型，讓模型給出預(yù)測的風(fēng)險等級，再將這個預(yù)測結(jié)果與測試集自帶的真實標簽進行對比。通過計算預(yù)測正確的比例（準確率）、漏報的高風(fēng)險事件數(shù)量（如召回率）等多項指標，來全面評估模型的性能。一個常見的問題是模型“過擬合”，即模型把訓(xùn)練數(shù)據(jù)中的一些偶然噪聲和特殊細節(jié)也當成了規(guī)律學(xué)了下來，導(dǎo)致它在訓(xùn)練集上表現(xiàn)極好，但一遇到新的測試數(shù)據(jù)就表現(xiàn)很差。驗證就是為了暴露并避免這個問題，確保模型學(xué)到的是普適的、真正的駕駛風(fēng)險規(guī)律[5。根據(jù)驗證階段發(fā)現(xiàn)的問題，我們需要對模型進行反復(fù)地優(yōu)化和調(diào)整。具體從數(shù)據(jù)本身人手，檢查特征工程是否到位，需要重新審視從油門、制動等原始信號中提取出的特征，嘗試構(gòu)建和篩選出鑒別能力更強的特征。而后，精細調(diào)節(jié)模型本身的參數(shù)，隨機森林模型中決策樹的數(shù)量和深度都需要調(diào)整到一個合適的值，模型才能既保證學(xué)習(xí)能力，又避免過擬合。最后，模型上線部署后，需要持續(xù)收集新的駕駛數(shù)據(jù)，并定期用新數(shù)據(jù)重新訓(xùn)練和更新模型，讓它能夠適應(yīng)變化，始終保持最佳的評估準確性。

圖1基于機器學(xué)習(xí)的汽車駕駛風(fēng)險評估模型構(gòu)建流程

4結(jié)束語

本文圍繞駕駛情緒與駕駛行為、機器學(xué)習(xí)模型構(gòu)建與驗證等方面對汽車駕駛風(fēng)險的形成機制與評估方法進行了探討。研究表明，駕駛員的負面情緒易導(dǎo)致操作變形，會增加行車風(fēng)險；而通過從車輛底層傳感器提取有效特征，結(jié)合機器學(xué)習(xí)方法能夠構(gòu)建出識別精度高的駕駛風(fēng)險評估模型，從而提高行車安全性。未來，研究可進一步探索多模態(tài)數(shù)據(jù)的融合應(yīng)用，以進一步推動駕駛安全輔助系統(tǒng)向更精準、更人性化的方向發(fā)展。

參考文獻

[1]王璐，樊飛轉(zhuǎn).利用數(shù)據(jù)分析和可視化技術(shù)提升汽車駕駛安全性研究[J].汽車電器，2025（8）：89-91.

[2]胡志龍，裴曉飛，周洪龍，等.基于風(fēng)險敏感的自動駕駛汽車分層強化學(xué)習(xí)決策[J].汽車安全與節(jié)能學(xué)報，2025，16（2）：326-333.

[3]李鳳印.汽車安全技術(shù)感知與不安全駕駛行為的關(guān)系分析[J].時代汽車，2024（14）：185-187.

[4]付新科，蔡英鳳，陳龍，等.不確定性環(huán)境下的自動駕駛汽車行為決策方法[J].汽車工程，2024，46（2）：211-221，259.

[5]羅承舜，李理，張雨培，等.汽車駕駛行為保險助力車險高質(zhì)量轉(zhuǎn)型發(fā)展的前瞻性研究[J].西南金融，2023（5）：18-31.

（編輯 楊景）