基于大數據的車輛駕駛行為安全性研究

秦世昊 翟登旺 王江武 吳庭旭 李耀華

（長安大學汽車學院，西安 710064）

主題詞：駕駛行為 安全性評價 大數據分析 聚類分析K-Means

1 引言

隨著我國汽車保有量逐年遞增，交通事故數量也隨之增多，每年均會造成巨大的人員傷亡與財產損失。2020年，全國機動車交通事故達到211 074起，事故造成死亡61 703人，直接財產損失超過13億元[1]。根據Chan[2]的研究，94%的交通事故是由于駕駛員的主觀失誤所造成。2018年，我國因駕駛員違規違法行為所造成的交通事故死亡人數占總死亡人數比例為88.91%[3]。因此，研究駕駛人員的駕駛行為對保證車輛安全行駛有著重要的意義[4-5]。

本文采用北京51路電動公交車2020年5月20日至2021年5月20日的全年車輛行駛數據，對車輛駕駛行為安全性展開研究，對超速、急加速、急減速、熄火滑行的不安全駕駛行為進行識別分析，以自然月為單位，采用K-Means對數據進行聚類分析評價，從而量化評估駕駛員的駕駛行為，為車輛行駛安全性評價、駕駛員培訓管理和車輛保險定價提供參考。

2 數據概述

本文基于北京市51路10輛純電動公交車，2020年5月20日至2021年5月20日車輛正常工作期間的歷史運行數據，數據的采樣間隔為15 s，其內容包含車輛一般行駛數據和特別的電池與電機數據。

車輛一般行駛數據的類別如表1所示，車輛行駛路線如圖1所示，主要包括南三環和其它城市道路，圖像來源為百度地圖。

表1 車輛一般行駛數據類別

3 不安全駕駛行為識別

基于車輛行駛數據特性，對超速、急加速、急減速和熄火滑行的不安全行為進行分析，建立二級指標的評價體系，如表2所示。

表2 駕駛行為評價指標

3.1 超速行為

車速對交通安全有著重大影響。車速越快，駕駛員對車輛的控制能力越低，造成交通事故的可能性越大。因此，超速行為是危害車輛行駛安全的重要評價指標。根據51路公交車運行路線和《城市道路工程設計規范》規定，車輛在南三環上最高車速為80 km/h，其余路段最高車速均為60 km/h[6]。

為了量化評價超速行為的危險性，分別采用超速比例和超速次數評價超速行為的嚴重程度和發生頻率，超速比例的計算為：

式中，b為超速比例；u為車輛當前行駛速度；ur為當前路段限定最高行駛速度。

依據《道路安全法》，可將超速行為按超速比例分為4類，如表3所示[7]。

表3 超速分類[7]

經統計，某輛車全年超速情況如表4所示。

表4 某輛車全年行駛時超速情況

3.2 急加速和急減速行為

急加速、急減速行為并不違反交通規定，但過大和過頻繁的加減速將會導致車輛的行駛安全性下降。因此，車輛的急加速和急減速行為是衡量車輛安全性的重要指標。通常將加速度閾值設定為±2 m/s2，當加速度超過這一閾值時，則認為車輛出現急加速或急減速行為[8]。但由于本文所用數據采樣周期較大，難以計算出準確加速度，故需要通過其它數據信息對急加速和急減速行為進行識別。

金號[9]的研究成果表明：加速踏板開度與當前車輛行駛速度反映駕駛員的駕駛意圖，呈現如下規律。

（1）每一個加速踏板行程對應一個穩定車速。

（2）穩定車速下，加速踏板會存在輕微波動，此時駕駛員實際意圖為以穩定車速行駛。

（3）加速踏板與穩定車速為非線性關系。車速越低，踏板越敏感，微小的踏板變化會產生較大的速度變化。

基于上述規律，本節制定基于車速和加速踏板開度的加速行為識別模式，如表5所示，其中穩定車速對車輛的安全行駛沒有影響，一般加速、急加速均會對車輛的安全行駛產生影響。

表5 加速行為識別模式

根據上述加速行為識別模式，某輛車2020年6月的加速行為如表6所示。

表6 某輛車2020年6月行駛時的加速行為

王英范等[10]的研究表明，制動踏板開度可用于識別駕駛員駕駛時的制動意圖。因此，可根據制動踏板開度值進行急減速行為識別，如表7所示，其中過于頻繁的一般減速對車輛安全行駛有一定的影響，急減速會在較大的程度上影響車輛安全行駛。

表7 急減速行為識別模式

根據急減速行為識別條件，某輛車2020年6月的減速行為如表8所示。

表8 某輛車2020年6月行駛時的減速行為

3.3 熄火滑行行為

車輛熄火時，制動系統和方向盤可能會出現鎖死現象，造成滑行時無法轉向或制動，從而會出現車輛失控狀況，存在著一定的安全隱患。因此，熄火滑行也是評價駕駛員安全性駕駛行為的指標之一。熄火滑行行為的識別條件為車輛狀態為熄火狀態，并且當前車速不為零。經統計，某車全年熄火滑行情況如圖2所示。由圖2可知，車輛熄火滑行時，大部分車速較低，但也有個別時刻車速超過5 km/h。

4不安全駕駛行為統計與分析

4.1 不安全駕駛行為賦分統計

基于上文不安全駕駛行為的識別模式，對某輛車全年內每日的超速行為、加速行為、減速行為、熄火滑行行為的不安全駕駛行為統計結果，如表9所示。以自然月為單位，將每個月的不安全駕駛行總數除以每月實際運行天數的方法可得到每月的日平均不安全行為，如表10所示。

表9 某輛車不安全駕駛行為統計 次

表10 某輛車不安全駕駛行為日平均值 次/日

不安全駕駛行為出現的次數越多，車輛的行駛安全性會越差。為了量化駕駛員不安全駕駛行為所造成的影響，按不安全駕駛行為每日的次數進行賦分處理，賦分結果越高，安全性越好[11]。不安全駕駛行為的賦分細則如表11所示。

表11 評價指標得分細則

急加速一般減速急減速熄火滑行0 1～50 51～100 101～200 201～300＞300 0 1～50 51～100 101～200 201～300＞300 0 1～50 51～100 101～200 201～300＞300 0 0.01～0.3 0.31～0.6 0.61～0.8＞0.81 100 95 85 65 40 20 100 95 85 65 40 20 100 95 85 65 40 20 100 85 65 40 20

不同類別的不安全駕駛行為對安全性的影響程度也不相同，需賦予不同的權重，從而對不同類別的不安全駕駛行為得分進行加權求和，以得到評價指標總分。加權求和計算算法如表12所示。

基于表12加權求和算法規則，某輛車2020年6月的不安全駕駛行為賦分結果如表13所示。

表12 加權求和算法

表13 某輛車不安全駕駛行為賦分

4.2 聚類分析

聚類分析目的在于將數據分成不同的類簇，使得類簇之間相異性較高，類簇內部的數據相似度較高。因此，采用聚類算法可將不同類別駕駛行為進行分類，從而進行等級判定。本文采用K-Means聚類法，將按自然月統計得到的超速得分、加速得分、減速得分和熄火滑行的得分進行聚類，分別對應優秀、一般和風險3類。本文采用10輛51路電動公交車的統計數據進行聚類分析，獲得全年按自然月的120個樣本聚類，評價結果如表14所示。

由表14可知，該線路電動公交車的駕駛行為整體較好，其中風險類的有26個，占比為21.7%。

表14 駕駛行為安全性評價結果

經統計，優秀、一般和風險三類的超速得分、加速得分、減速得分和熄火滑行得分的平均值如表15所示。

由表15可知，優秀、一般和風險的3類行為得分差異明顯，聚類效果明顯，聚類結果合理。

表15 評價結果得分描述 分

按月份統計，51路10輛電動公交車的聚類結果如表16所示。

表16 駕駛行為安全性評價結果 個

由表16可知，1月、4月、5月和6月駕駛行為結果為風險類占比較高，安全性評價得分較低。這是由于元旦、春節、元宵節、清明節、勞動節法定節假日及中考和高考大型考試均集中在這段時間，導致交通流量激增，發生交通事故的風險明顯上升。因此，公交公司應特別注意以上時間段對駕駛員的培訓與監管，執法機關應加強監督管理。

5 結論

本文基于北京市51路電動公交車運行數據，對車輛超速、急加速、急減速以及熄火滑行的不安全駕駛行為進行識別，對不同駕駛行為賦以不同的分數與權重，并采用K-Means聚類對賦分結果進行聚類分析，對車輛駕駛行為進行客觀評價，為提升車輛駕駛安全提供一定的參考依據。