基于SVM的駕駛行為健康度評估模型

白東， 錢松榮

(復旦大學 信息科學與工程學院， 上海 200433)

基于SVM的駕駛行為健康度評估模型

白東， 錢松榮

(復旦大學 信息科學與工程學院， 上海 200433)

我國家庭的私家車戶擁有量逐年上升，大量車行駛和公路。隨之而來的后果就是道路擁擠、行車安全性下降、環境污染嚴重、駕駛體驗下降等問題。因此，為駕駛員提供一個駕駛輔助系統是很有必要的，而駕駛行為健康度的評估模型是這個系統的核心。以OBD數據為基礎，提出一種基于支持向量機的駕駛行為健康度評估模型。通過處理顯著影響駕駛行為健康度的OBD數據，提取特征值，進行最優分類超平面的獲取，再利用幾何間隔作為駕駛行為健康度的評價指標，大大降低了主觀因素在評估模型中的影響。實驗證明可以該模型是有效可行的。

駕駛行為分析； 支持向量機； 車載診斷系統； 評估模型

0 引言

汽車讓人們的交通旅行更加快捷便利，但也帶來了種種的問題，比如環境污染、交通事故等等。尤其在當前的形勢下，我國的私家車擁有量逐年上升，大量的新手駕駛員行車上路。由于新手駕駛員的駕駛經驗不夠豐富，很多新手駕駛員的駕駛操作不夠合理規范，這些不良的駕駛行為導致了許多不必要的車輛損耗和環境污染，以及更嚴重的交通事故。相關的研究資料表明，92%以上的交通事故是由駕駛員個人因素導致的[1]。因此，研究駕駛員的駕駛行為對安全駕駛、環保駕駛有著重要的研究意義。

目前，在駕駛行為研究領域根據研究行車過程的側重點不同主要分為如下幾類：基于車輛OBD數據的駕駛行為分析方法、基于駕駛員本身動作特征的駕駛行為分析方法以及基于駕駛員生理和心理參數的駕駛行為分析方法。其中，基于車輛OBD數據的分析方法有著主觀因素低、實驗變量可控、結果準確等優點，因此，本文采用的是基于車輛OBD數據的分析方法。

本文目標是建立一個駕駛行為健康度的評估模型。一個普遍適用于各個行業的評估模型的方法是通過對影響目標參數的各個因素進行打分，并將各個影響因素所得分數進行加權求和，得到一個最終的評價分數。實現該模型的常用的方法包括主成分分析法、模糊層次分析法、神經網絡分析法、支持向量機法等等。在這些的駕駛行為分析方法中，支持向量機(Support Vector Machine, SVM)是一種快速有效的分析方法，傳統的駕駛行為健康度的評估模型是利用專家的主觀評估進行駕駛行為類別劃分，之后利用SVM進行駕駛行為模型的訓練，從而得到不同駕駛行為的評估模型。這一方法簡單有效，但是過多的引入了專家的個人意見，使得評估模型的主觀因素大大增加，限于不同專家的理解，導致評估結果準確性浮動很大。所以如何降低評估模型中的人為因素顯得十分重要。

本文提出一種基于SVM的駕駛行為健康度評估模型。該模型利用SVM對最易判別的駕駛行為健康度進行分類，并利用幾何間隔在駕駛行為健康度中的實際意義來判斷駕駛行為的健康度級別，大大降低了評估模型的人為因素。

1 理論分析

1.1 支持向量機

支持向量機是以統計學理論和結構風險最小理論為基礎，根據有限的樣本信息在模型的復雜性和準確性之間尋找最佳的分類平面，以取得最佳的分類效果和推廣能力[2]。支持向量機有著分類泛化能力強、計算簡便快速、結果易于理解等優點，因此支持向量機的應用非常廣泛。

支持向量機的本質是將訓練數據映射到高維空間內，尋找最優分類超平面的模型。假設在空間維度為n的數據空間內，存在一個超平面，如式(1)。

wTx+b=0

(1)

該超平面能夠將數據準確的分開為兩類且有著最小的置信范圍，即數據點與超平面的幾何間隔最大，則該超平面被稱為最優分類超平面。

設訓練數據集為T={(xi,yi)},i=1,2,…,N，xi∈Rn,yi∈{1,-1},選取合適的核函數進行映射，選取合適的懲罰因數C，構造求解最優化問題，如式(2)、(3)、(4)。

其中w為超平面的法向量，ξi為松弛變量。

求解該最優化問題，可構造SVM的決策函數為式(5)。

f(x)=sgn(wTxi+b)

(5)

1.2 幾何間隔

幾何間隔與下文的評估模型建立有著重要關系，因此在此處簡介。幾何間隔是決定最優分類超平面的重要參數，也是判斷分類正確與否的關鍵指標。定義幾何間隔為向量點到超平面的距離。幾何間隔的示例，如圖1所示。

圖1 幾何間隔示例

(6)

1.3 評估模型

評估模型主要從兩個角度進行評估。一是整體評估，整體評估是對駕駛行為健康度的一個整體評價，主要用于對駕駛行為的分類和整體好壞的估計，本文將評價分為優秀，一般，不良，不合格四個級別；二是各項評估，各項評估是對影響駕駛行為健康度的幾個駕駛參數進行評估，主要用于對某一駕駛行為的細節分析，有助于為后期的駕駛行為改進提出指導意見。

1.3.1 整體評估

駕駛行為健康度的判別是一個比較困難操作，因為駕駛行為健康度的標準難以確定。傳統的評估模型采用專家打分的方法，并加以人為的分數權重，但這樣會在判定過程中加入太多主觀因素。筆者發現駕駛行為健康度的判斷難點在于健康度處于中等層次的判斷，非常優秀的駕駛行為和不合格的駕駛行為可以比較明顯的區分出來，而介于兩者之間的駕駛行為則需要一個評判標準。基于這一點，本文設計的SVM訓練數據僅包含兩種標簽，即優秀駕駛行為和不合格駕駛行為。利用前文介紹的最優分類超平面，可以得到一種不需要人為因素參與的駕駛行為健康度評估模型。

為方便理解，本文以二維數據空間為例進行說明，SVM分類的示例，如圖2所示。

圖2 二維SVM分類示例

圖中的叉點和原點分別表示優秀駕駛行為和不合格駕駛行為的數據點；直線wTx+b=0表示最優分類超平面；直線xTx+b=+1表示優秀駕駛行為邊界面；直線wTx+b=-1表示不合格駕駛行為邊界面；γ0代表標準幾何間隔，即支持向量到最優分類超平面的幾何間隔，圖中為1。

(7)

為了細化評估情況，也便于后續研究的分析，評估的詳細情況采用評估指數進行判斷，評估指數I的計算方法如式(8)。

(8)

“優秀”的評估指數為10，“不合格”的評估指數為-10，“一般”和“不良”的評估指數計算方法如上所示。

1.3.2 各項評估

各項評估彌補了整體評估只注重整體結果而忽視影響駕駛行為健康度的各項因素的缺點，各項評估采用打分的方式進行健康度評估。首先，確定各項影響因素的分數閾值xk和xm，設影響因素的數據集為T={xi|i=1,2,…,n}，則確定得分G(x)的判斷如式(9)。

(9)

根據所得分數，亦可將各項指標的評估分為“優秀”，“普通”，“不合格”三個級別。各項評估可以在整體評估的基礎上，對影響駕駛行為健康度的具體指標做出評估，有助于幫助駕駛員養成良好駕駛行為習慣，也有助于基于本文基礎的后續研究。

2 系統框架

圖3 系統框架

其中，虛線代表使用“優秀”，“不合格”兩種標簽數據的訓練過程；實線代表整個評估流程。首先，使用訓練數據集經過特征提取之后，進行SVM的分類，得到“優秀”和“不合格”的支持向量、分界面以及最優分類超平面；然后，將采集的OBD數據進行特征提取并輸入分類器，可以得到每個數據向量點的幾何間隔，根據幾何間隔按式(7)(8)即可得到整體評估的結果；另外，經特征提取的OBD數據可通過對各個特征進行打分，由式(9)可得到各項評估結果。

3 數據分析

3.1 OBD數據源

本文使用的車輛行車OBD數據記錄來源自數據堂公司提供的北京的30輛車自2014年4月22日到2014年12月8日的行車OBD數據，該資源的站點是http://www.datatang.com/detail/367。數據主要包括:車輛編號、日期時間、速度、里程、引擎轉速、引擎負荷、駕駛時長、引擎工作時長、油壓、電壓、氣壓、催化劑等各項參數。

3.2 樣本選取

經過仔細的分析數據集的特點，發現實驗數據集中瞬時數據與時間段數據的采集時間不關聯且瞬時數據的采集時間間隔不一致，因此無法將瞬時數據與時間段數據進行時間單位的統一。所以，為了保證實驗數據的可靠性，實驗數據選取一段時間內的車輛駕駛參數，即數據集中的“北京_30_駕駛行為表”中的數據。另外，由于數據集并沒有對車輛的行駛路況做分類，于是，本文根據單位距離的剎車次數以及加速次數簡易的判斷行駛路況，剔除單位剎車次數和加速次數小于10的數據，其余數據作為復雜路況下的駕駛數據，如表1所示。

3.3 特征提取

數據特征能夠表示所用數據的信息，對駕駛行為健康度有著影響。本文將3.2節所選樣本進行特征提取，所提取的特征值，如表2所示。

表1 部分樣本數據

表2 特征值說明

3.4 分類結果與健康評估

將提取的特征值作為向量F=(F1,F2,F3,F4,F5,F6)，根據各個特征值對駕駛行為健康度的影響情況確定權重矩陣k=(0.2,0.1,0.05,0.05,0.3,0.3)，結合公式(9)計算G(F)·kT得到各項加權的評分結果，對結果求和得到該段時間駕駛行為健康度的總分。根據總分，分別取其中最高10%和最低10%的數據記標簽為“優秀”和“不合格”，得到訓練數據集T。

取T中50%作為訓練數據，50%作為模型測評數據，進行SVM訓練和預測，得到分類正確率為92.413 8%，分類正確率主要影響到模型的評估權威性。影響正確率的主要原因在于訓練數據的數據源并非由實驗室控制變量所得，導致不可控變量較多，比如：駕駛路況不同、道路擁堵情況無法控制等等。盡管在數據預處理過程中對這些變量進行了簡單篩選，但仍無法排除其影響。如有良好的實驗條件，可對上述變量進行控制實驗，得到更加精確、科學的結果。

表3 部分采集數據的評估結果

可見，本文提出的駕駛行為健康度評估模型可以很好的排除人為因素的影響，得到比較客觀的評估結果。

4 總結

傳統的評估模型會引入太多的個人主觀因素，本文提出一種新的駕駛行為健康度的評估模型，該模型基于SVM分類，利用向量點到最優分類超平面的幾何間隔，對駕駛行為健康度進行了科學有效的分級和評估，將整體評估級別分為“優秀”、“一般”、“不良”、“不合格”四個級別。同時，在整體評估的基礎上，對影響整體評估結果的各項因素也進行打分評估。該模型相比于傳統的評估模型，對個人主觀因素的剔除效果明顯。在后續的研究中，可以對影響駕駛行為健康度的多個變量進行控制變量的實驗，可得到更好的分類效果和評估準確度。

[1] Yihu Wu, Jiajia Li, Dan Yu, Haitao Cheng. Research on Quantitative Method about Driver. Reliability[J]. Journal of Software, 2011, 6(6):1110-1116.

[2] Xiaoyan Zhu，Alberto Garcia-Diaz，Mingzhou Jin，et al. Vehicle fuel consumption minimization in routing over-dimensioned and overweight trucks in capacitated transportation networks[J]. Journal of Cleaner Production，2013.

[3] 梁軍，沙志強，陳龍. 基于人工神經網絡的駕駛行為動態集成學習算法[J]. 交通運輸系統工程與信息，2012,12(2): 34-40.

[4] 李小俊，姚煥新. 汽車油耗檢測方法的分析與比較[J]. 寧波工程學院學報，2013(2)：49-53.

[5] 白鵬，張喜斌，張斌，等.支持向量機理論及工程應用實例[M].西安: 西安電子科技大學出版社，2008:66- 67．

DrivingBehaviorEvaluationModelBasedonSVM

Bai Dong， Qian Songrong

(College of Information Science & Technology, Fudan University, Shanghai 200433, China)

With an increasing number of vehicles in our country, a large number of drivers join the family of driving. The consequences are obvious, for instance, road becomes crowded, traffic safety is reduced, and also environmental pollution, bad driving experience etc. Therefore, it is necessary to provide a driving support system for drivers. Driving behavior evaluation model is the key to the system. By using OBD data, a driving behavior health evaluation model is created based on SVM. The characters are extracted by dealing with OBD data that significantly affect the driving behavior. Then optimal hyperplane is get. The geometric margin is used to evaluate the driving behavior. The human factors are reduced. Experiments show that the model can be effective and feasible.

Driving behavior analysis; SVM; OBD; Evaluation model

1007-757X(2017)12-0040-04

白東(1991-)，男，上海，碩士，研究方向：數據通信與網絡。

錢松榮(1960-)，男，上海，教授，研究方向：網絡與數據通信、物聯網核心技術。

TP311

A

2017.04.28)