基于行程時(shí)間的駕駛風(fēng)格貝葉斯決策樹動態(tài)識別

張洪賓,于祥閣,陳慈,李夢琦

(山東理工大學(xué) 交通與車輛工程學(xué)院，山東 淄博 255049)

隨著機(jī)動車數(shù)量的增加，交通安全問題日益突出。駕駛員因素是影響交通安全的重要因素之一，也是誘發(fā)交通事故的主要原因。駕駛員因素包括心理、生理以及駕駛行為風(fēng)格，生理因素是心理因素的物質(zhì)基礎(chǔ)，并體現(xiàn)在心理特征上，而心理特征又直接影響人的行為風(fēng)格[1-2]。駕駛風(fēng)格是駕駛員對實(shí)際交通狀況的態(tài)度、心理特征以及決策偏好，反映了駕駛員在車輛運(yùn)行期間的行為表現(xiàn)。對于駕駛員來說，環(huán)境信息的識別和處理，即駕駛員的行為風(fēng)格，是心態(tài)和情緒的影響結(jié)果[3-4]；因此，研究駕駛風(fēng)格動態(tài)識別，提高車輛安全預(yù)警及行駛安全性，對降低交通事故的發(fā)生率具有重要意義。

國內(nèi)外學(xué)者對駕駛風(fēng)格的分類識別進(jìn)行了一定研究。Constantinescu等[5]應(yīng)用主成分分析和層次聚類分析來分類和識別駕駛風(fēng)格；Aljaafreh等[6]設(shè)計(jì)了一個(gè)模糊推理系統(tǒng)，通過使用在一定時(shí)間窗口內(nèi)的車輛縱向加速度和橫向加速度歐式范數(shù)以及平均車速進(jìn)行駕駛風(fēng)格的識別；Guo等[7]分析了不同行駛周期下的加速踏板開度及其變化率，并建立了模糊邏輯識別器來識別行駛方式；Yan等[8]提出了一種基于客觀駕駛數(shù)據(jù)和腦電圖數(shù)據(jù)的方法對駕駛風(fēng)格進(jìn)行分類；張敬磊等[9]從汽車安全輔助駕駛系統(tǒng)，特別是主動安全預(yù)警系統(tǒng)中汽車駕駛員意圖、情感及其關(guān)聯(lián)耦合作用等心理、意識計(jì)算問題出發(fā)，對駕駛風(fēng)格問題進(jìn)行了探索性研究；吳振昕等[10]基于大數(shù)據(jù)通過D-S證據(jù)理論決策融合的方法建立了駕駛風(fēng)格識別模型；黃麗蓉[11]基于駕駛員行為數(shù)據(jù)，采用深度信念網(wǎng)絡(luò)算法對駕駛風(fēng)格進(jìn)行識別；李立治等[12]利用k-means、模糊均值、層次聚類3種方法對駕駛風(fēng)格進(jìn)行分類;徐丹等[13]利用卷積神經(jīng)網(wǎng)絡(luò)對駕駛員的駕駛行為進(jìn)行識別，其識別率達(dá)到了97.13%。

駕駛風(fēng)格演變是駕駛員在時(shí)變動態(tài)環(huán)境中精神狀態(tài)的反映。駕駛風(fēng)格的演變過程無法方便、直接且準(zhǔn)確地測量，只能在駕駛期間基于相關(guān)信息間接推算獲得。已有關(guān)于駕駛風(fēng)格的研究主要集中在駕駛員個(gè)性分析、駕駛員意圖識別以及情感對駕駛行為的影響，關(guān)于駕駛風(fēng)格演變的動態(tài)識別研究較少。本文從車輛主動安全預(yù)警技術(shù)角度出發(fā)，以駕駛風(fēng)格為研究對象，利用汽車的行程時(shí)間作為特征參數(shù)，提出一種新的基于貝葉斯決策樹的駕駛風(fēng)格動態(tài)識別方法，并設(shè)計(jì)相應(yīng)的心理測試、實(shí)車實(shí)驗(yàn)以及模擬駕駛實(shí)驗(yàn)對該方法的準(zhǔn)確性進(jìn)行驗(yàn)證。

1 貝葉斯決策樹

1.1 決策樹

決策樹分類是常用的歸納分類算法，它采用從上到下的遞歸方法，對比決策樹內(nèi)部節(jié)點(diǎn)屬性值，依據(jù)不同屬性值判斷節(jié)點(diǎn)分支，能夠從一組無序、不規(guī)則的情形中推斷出分類規(guī)則。

1.2 貝葉斯決策樹簡介

貝葉斯節(jié)點(diǎn)[14]是貝葉斯決策樹添加到原始決策樹一個(gè)新節(jié)點(diǎn)，它位于兩個(gè)屬性測試節(jié)點(diǎn)之間，通過貝葉斯原理進(jìn)行函數(shù)計(jì)算，有此節(jié)點(diǎn)的決策樹稱為貝葉斯決策樹(結(jié)構(gòu)見圖1)。

從上往下理順基層常態(tài)化工作體制、人員編制和經(jīng)費(fèi)支持，明確基層專門工作部門、專職人員和經(jīng)費(fèi)預(yù)算。在工商、質(zhì)監(jiān)、食藥監(jiān)“三合一”以及知識產(chǎn)權(quán)、物價(jià)“五合一”，甚至商務(wù)執(zhí)法、鹽業(yè)執(zhí)法“七合一”的市場監(jiān)管體制改革背景下，全國范圍內(nèi)將領(lǐng)導(dǎo)小組辦公室統(tǒng)一至市場監(jiān)督管理部門，作為獨(dú)立機(jī)構(gòu)，通過三定方案、崗位責(zé)任和權(quán)責(zé)清單固定下來，形成條塊結(jié)合的良好行政管理體系，從而激發(fā)打擊侵權(quán)假冒工作的管理動力，增強(qiáng)打擊侵權(quán)假冒工作的管理活力，提高打擊侵權(quán)假冒工作的管理效力，提升打擊侵權(quán)假冒工作的管理能力。

圖1 貝葉斯決策樹結(jié)構(gòu)示意圖Fig.1 Structure diagram of Bayesian decision tree

由圖1可知，貝葉斯節(jié)點(diǎn)的取值是0或f。0表示此貝葉斯節(jié)點(diǎn)不用計(jì)算，可以依據(jù)條件轉(zhuǎn)到下個(gè)測試節(jié)點(diǎn)；f表示需依據(jù)貝葉斯原理使用先驗(yàn)概率計(jì)算后驗(yàn)概率進(jìn)行分類。

1.3 貝葉斯決策樹算法

1)對于能用信息增益方法確切選擇某個(gè)屬性的分支，選取0值。信息增益值Gain(A)的計(jì)算方法[15]如下：

Gain(A)=∑((s1j+…+smj)/|S|)·

∑(sij/|Sj|lb(sij/|Sj|))-

∑si/|S|lb(si/|S|)，

(1)

令pi=si/|S|，pij=sij/|Sj|，則

Gain(A)=∑((s1j+…+smj)/|S|)·

∑pijlb(pij)-∑pilb(pi)，

(2)

式中:S為數(shù)據(jù)樣本的集合，將S的數(shù)據(jù)樣本分到m個(gè)不同類別Ci(i=1,2,…,m)中；si為Ci的樣本個(gè)數(shù)；Sj(j=1,2,…,v)為用屬性A(屬性A具有v個(gè)不同的值{a1,a2,…,av})將S劃分出的子集；sij是子集Sj中類Ci的樣本數(shù)。

設(shè){X1,X2,…,Xn}為一個(gè)待分類數(shù)據(jù)集，每個(gè)Xi具有一個(gè)或多個(gè)屬性Xij(i=1,2,…,n;j=1,2,…,m)；Lj(j=1,2,…,k)為劃分的類別。按某種原則對Xi進(jìn)行分類，若Xi無法確定分到某一類別，而是和某些類均相關(guān)，則根據(jù)先驗(yàn)信息P(Lj)先把它放入某一類，再根據(jù)計(jì)算出的P(Xi|Lj)和P(Xi)來計(jì)算后驗(yàn)概率；如果依據(jù)Xi的m個(gè)屬性進(jìn)行分類，且屬性間是獨(dú)立的，則將Xi劃分為Xi1、Xi2、…、Xim，則P(Xi|Lj)可表示為

P(Xi|Lj)=P(Xi1|Lj)×P(Xi2|Lj)×

…×P(Xim|Lj)。

(3)

所以，可以計(jì)算出后驗(yàn)概率為

(4)

2 駕駛風(fēng)格動態(tài)辨識模型

2.1 實(shí)驗(yàn)設(shè)計(jì)

1)心理測試

在心理測試的實(shí)驗(yàn)中，隨機(jī)調(diào)查50名車輛駕駛員，使用心理問卷[16]對50名車輛駕駛員進(jìn)行一場測試，依據(jù)心理測試結(jié)果判斷所調(diào)查車輛駕駛員的靜態(tài)駕駛風(fēng)格的類型，并對這些類型進(jìn)行分類。由于篇幅有限，只列出部分問卷調(diào)查表和問卷調(diào)查結(jié)果(見表1和表2)。

2)實(shí)車實(shí)驗(yàn)

(1)實(shí)驗(yàn)設(shè)備

如圖2所示，在實(shí)車實(shí)驗(yàn)中所使用的設(shè)備有SG299-GPS非接觸多功能測試儀、便攜式生理信號測量儀、激光測距傳感器等。

表1 靜態(tài)駕駛風(fēng)格調(diào)查問卷Tab.1 Static driving style questionnaire

表2 駕駛傾向性類型得分情況Tab.2 Score list of driver propensity type

圖2 交通信息采集系統(tǒng)組成Fig.2 Composition of traffic information collection system

(2)實(shí)驗(yàn)條件

為了便于研究和獲得實(shí)驗(yàn)數(shù)據(jù)，在天氣晴朗和路面干燥的條件下進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)時(shí)間選擇在工作日進(jìn)行，實(shí)驗(yàn)時(shí)間段是8：30-10：30,選擇的道路交通繁忙但不擁堵。將50輛裝載GPS的出租車作為實(shí)驗(yàn)樣本。根據(jù)交通流定律，實(shí)驗(yàn)是在不影響原有交通流量的前提下進(jìn)行的。

(3)實(shí)驗(yàn)地點(diǎn)

圖3 實(shí)驗(yàn)路線Fig.3 Experimental route

選擇山東省淄博市的世紀(jì)路—新村西路—南京路—人民西路為實(shí)驗(yàn)路線，如圖3所示。兩標(biāo)記桿之間箭頭所示的部分是實(shí)驗(yàn)?zāi)繕?biāo)路線，標(biāo)記桿之間的相應(yīng)部分是研究的目標(biāo)部分，長度為245 m。根據(jù)實(shí)際場景中交叉口上游車道數(shù)變化的位置確定起始標(biāo)記位置，根據(jù)車輛離開交叉口的位置確定結(jié)束標(biāo)記位置。在實(shí)驗(yàn)過程中，配備交通信息采集儀器的車輛在給定路線上行駛，并記錄車輛通過起始標(biāo)記時(shí)的開始時(shí)間；當(dāng)通過結(jié)束標(biāo)記時(shí)，記錄結(jié)束時(shí)間，從而獲得相應(yīng)路段的行程時(shí)間。在測試期間，車輛如果在兩個(gè)標(biāo)點(diǎn)桿之間停車，則記錄停車時(shí)間和再次出發(fā)時(shí)間。使用高清攝像頭、激光測距儀、GPS、陀螺儀等實(shí)驗(yàn)設(shè)備記錄目標(biāo)車輛及其內(nèi)部和外部環(huán)境信息。

(4)數(shù)據(jù)及分析

當(dāng)車輛行駛過交叉路口時(shí)，由于信號燈控制，一些車輛受到阻滯;因此，需要先在測得的車輛行程時(shí)間中去除掉延誤時(shí)間，即從實(shí)際行駛時(shí)間中減去延遲時(shí)間。信號交叉口延誤包括三個(gè)部分：減速延誤、停車延誤和加速延誤。本文依據(jù)控制延誤(停車延誤與加、減速損失時(shí)間之和)來實(shí)現(xiàn)行程時(shí)間去除延誤的處理。具體計(jì)算步驟如下：

(a)某一實(shí)驗(yàn)車到達(dá)起點(diǎn)標(biāo)桿的時(shí)間記作t1，在實(shí)驗(yàn)?zāi)繕?biāo)路段某位置的停車時(shí)間為t2，停車后再出發(fā)時(shí)間為t3，到達(dá)終點(diǎn)標(biāo)桿的時(shí)間為t4。那么，該實(shí)驗(yàn)車在實(shí)驗(yàn)?zāi)繕?biāo)路段的總行程時(shí)間T=t4-t1，停車延誤時(shí)間ds=t3-t2。

(b)估算控制延誤dco=ds/0.77。依據(jù)美國通行能力手冊估算，其確認(rèn)停車延誤為控制延誤的77%。

(c)去除延誤之后的行程時(shí)間T′=T-dco。

對50輛實(shí)驗(yàn)車進(jìn)行多次重復(fù)實(shí)驗(yàn)，共收集1 200組數(shù)據(jù)，處理后的不同駕駛員的行程時(shí)間散點(diǎn)分布如圖4所示。

圖4 駕駛員行程時(shí)間數(shù)據(jù)散點(diǎn)圖Fig.4 Scatter plot of driver travel time

表3和圖5是利用上述散點(diǎn)數(shù)據(jù)進(jìn)行聚類分析的相關(guān)結(jié)果。

表3 最終聚類中心Tab.3 Final cluster center

圖5 駕駛員聚類散點(diǎn)圖Fig.5 Cluster scatter plot of driver

經(jīng)驗(yàn)證顯示，聚類分析確定的分類結(jié)果與心理測試結(jié)果基本一致。根據(jù)行程時(shí)間可將駕駛員分為三類：保守型、普通型和激進(jìn)型。這說明，可以使用行程時(shí)間作為參數(shù)來構(gòu)建合理的模型,從而實(shí)時(shí)識別和判斷駕駛員的行為風(fēng)格類型。

2.2 模型的建立

以貝葉斯決策樹理論為基礎(chǔ)，依據(jù)駕駛員在特定實(shí)驗(yàn)路段的參數(shù)，即經(jīng)過延誤處理后的行程時(shí)間T′，進(jìn)行駕駛員的行為風(fēng)格識別。將駕駛風(fēng)格分為三種類型：保守、普通和激進(jìn)。表4為用于識別駕駛員行為風(fēng)格的屬性表，圖6為貝葉斯決策樹。

表4 用于識別駕駛風(fēng)格的屬性表Tab.4 Property table for identifying driving style

圖6 駕駛風(fēng)格識別的貝葉斯決策樹Fig.6 Bayesian decision tree for driving style recognition

駕駛風(fēng)格識別的具體過程如圖7所示。訓(xùn)練樣本集是對應(yīng)于聚類數(shù)據(jù)中隨機(jī)選擇的30名駕駛員的實(shí)驗(yàn)數(shù)據(jù)樣本。

圖7 駕駛風(fēng)格識別流程圖Fig.7 Driving style recognition flow chart

3 模型驗(yàn)證

3.1 實(shí)車驗(yàn)證

利用剩余20名駕駛員的實(shí)驗(yàn)數(shù)據(jù)對模型進(jìn)行驗(yàn)證，表5為模型驗(yàn)證的結(jié)果，百分比表示20名參與模型驗(yàn)證的駕駛員有相應(yīng)的概率表現(xiàn)為該駕駛行為風(fēng)格。

表5 20名駕駛員實(shí)車驗(yàn)證結(jié)果Tab.5 Final verification results of 20 drivers

結(jié)果表明，僅考慮駕駛員出行時(shí)間時(shí)，駕駛風(fēng)格識別準(zhǔn)確率均在70%以上，模型驗(yàn)證結(jié)果與心理測試結(jié)果基本一致。

3.2 模擬駕駛實(shí)驗(yàn)驗(yàn)證

在模擬駕駛實(shí)驗(yàn)中，使用配備日本FORUM8公司仿真軟件UC-Win road ver.10的駕駛模擬器(如圖8所示)進(jìn)行模擬。模擬駕駛實(shí)驗(yàn)所用的仿真軟件具有駕駛模擬功能，可設(shè)計(jì)不同的交通場景，模擬各種車型的多種行駛狀況。

圖8 駕駛模擬實(shí)驗(yàn)Fig.8 Driving simulation experiment

在實(shí)驗(yàn)中，所有參與實(shí)驗(yàn)驗(yàn)證的駕駛員需要在實(shí)驗(yàn)之前進(jìn)行駕駛模擬器的操作訓(xùn)練，最后通過模擬駕駛實(shí)驗(yàn)獲得相應(yīng)的實(shí)驗(yàn)數(shù)據(jù)以驗(yàn)證駕駛風(fēng)格識別模型的準(zhǔn)確率。

利用構(gòu)建的貝葉斯決策樹動態(tài)識別模型對所得駕駛模擬實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，并將模型識別結(jié)果與心理測試結(jié)果進(jìn)行比較(表6)。

表6 模擬駕駛實(shí)驗(yàn)結(jié)果Tab.6 Simulation driving test results

由表6可以看出，所建立的模型在模擬駕駛實(shí)驗(yàn)中的識別結(jié)果與心理測試結(jié)果之間具有較高的擬合度。

4 結(jié)論

1)本文以貝葉斯決策樹分類方法為基礎(chǔ)，建立了基于行程時(shí)間的駕駛風(fēng)格動態(tài)識別模型，通過實(shí)車道路實(shí)驗(yàn)數(shù)據(jù)以及駕駛模擬實(shí)驗(yàn)數(shù)據(jù)進(jìn)行的驗(yàn)證表明，其識別準(zhǔn)確率達(dá)到70%以上，模型驗(yàn)證結(jié)果與心理問卷測試結(jié)果基本一致。

2)本文提出的駕駛風(fēng)格動態(tài)識別方法具有較高的精度，可為實(shí)現(xiàn)以人為本的個(gè)性化車輛主動安全系統(tǒng)、特別是基于物聯(lián)網(wǎng)的車輛安全技術(shù)的實(shí)現(xiàn)提供參考和理論基礎(chǔ)。

3)受現(xiàn)有條件限制，研究中未考慮駕駛員的年齡、性別、駕齡及環(huán)境等因素引起的駕駛風(fēng)格變化，在今后將增加對這些特征參數(shù)的考慮，以便與本文提出的行程時(shí)間相結(jié)合，進(jìn)一步提高識別模型的準(zhǔn)確度，更深入地研究駕駛員的行為規(guī)律。