高速路匝道匯入路段駕駛風格

葉 明,甘 靜,胡海玉,隋 毅,楊金才

(1.重慶理工大學 車輛工程學院, 重慶 400054;2.重慶科技學院 機械與動力工程學院, 重慶 401331;3.長城汽車股份有限公司, 河北 保定 071000)

0 引言

近年來,高速公路入口匝道區(qū)域受到學者的廣泛關注。已有研究表明,入口匝道是影響高速路交通流量與通行能力的瓶頸區(qū)域[1-4]。入口匝道存在的頻繁匯入行為,會對主車道車流產生影響,甚至降低道路通行能力[5-6]。因此有必要對匝道匯入路段車輛的駕駛行為進行研究。

現(xiàn)有研究多從微觀特性入手,構建數(shù)學模型對匝道交通流進行仿真分析。溫惠英等[7]通過實車采集入口匝道匯入數(shù)據,考慮車流微觀運行特性建立沖突概率模型,仿真結果表明該模型可以準確識別匝道合流區(qū)車輛的潛在沖突。苗旭等[8]綜合考慮內部和外部因素建立回歸模型實現(xiàn)對入口匝道的仿真模擬,該模型可實現(xiàn)對交通流的準確模擬,誤差在12%以下。對道路交通流的模擬需要建立在準確把握時空軌跡特性的基礎上。Wan等[9]通過無人機采集高速路入口匝道處的車輛軌跡,觀測到高速路入口匝道路段的3種交通流狀態(tài),研究表明當間距為15～20 m時,換道車輛的切入會導致目標車道上的車輛采取強制減速。Zhu等[10]基于深度強化學習分析了不同流速下入口匝道、合流區(qū)和出口匝道的交通流特性。龍科軍等[11]通過實車采集匝道匯入軌跡數(shù)據,對比分析不同服務水平下車輛的時空特性,結果表明服務水平會顯著影響車輛的匯入行為。現(xiàn)有匝道匯入特性的研究中,多是以車輛在交通系統(tǒng)中的角色為中心進行展開,駕駛人作為人—車—路閉環(huán)中最不穩(wěn)定的主體因素,具有個性化差異,卻很少被納入研究范圍。駕駛人在行駛過程中表現(xiàn)出的對于油門、方向盤、跟車間距等的個性化差異即為駕駛風格[12]。由于駕駛人的駕駛風格差異,對駕駛輔助系統(tǒng)的預警需求也有一定區(qū)別,若不考慮駕駛風格則會出現(xiàn)系統(tǒng)與駕駛人意見相左的時刻,降低駕駛人對輔助系統(tǒng)的接受度[13]。如何讓車輛更貼合駕駛人的行為,設計符合駕駛人期望的ADAS令其做出更安全的駕駛決策是亟待解決的問題。

綜上,基于NGSIM數(shù)據集提取匝道匯入主車道路段的車輛行駛軌跡,使用無監(jiān)督學習算法實現(xiàn)駕駛風格分類,分析匯入位置與駕駛人駕駛風格的關聯(lián),并進一步分析不同駕駛風格在匝道匯入路段的駕駛特性分布和差異。

1 數(shù)據預處理

1.1 數(shù)據來源

本文中采用的US101數(shù)據集選自美國聯(lián)邦公路局(FHWA)發(fā)起的Next Generation Simulation (NGSIM)項目。NGSIM項目的研究人員于2005年6月15日在加利福尼亞州洛杉磯收集了美國101號公路的詳細車輛軌跡數(shù)據。研究區(qū)域長約640 m(2 100 英尺),包含8條車道,其中1～5為主車道(車道編號從左往右依次增大),7車道為上匝道,8車道為下匝道,6車道為輔助車道,包含了單行道、匝道匯入、匝道匯出等交通研究熱點區(qū)域。將其簡化后如圖1所示。

圖1 US101車道示意圖

NGSIM數(shù)據集在各種交通領域和車輛行為研究中得到了廣泛應用,同時各研究也指出數(shù)據集中存在部分測量誤差導致交通參量序列值噪聲較大[14-15]。若忽視這部分數(shù)據集本身的誤差,會導致試驗結果出現(xiàn)誤差累積。因此,在對軌跡數(shù)據做進一步的分析處理前,需要先對其進行數(shù)據清洗,以去除噪聲和異常值。

對于數(shù)據中存在的隨機干擾,平滑處理是最常見的手段[16]。使用SG濾波(savitzky-golay filter)進行平滑處理。采用Windows為21的SG濾波對車輛軌跡中的速度和加速度進行濾波處理,以US101數(shù)據集中ID為1250的車輛為例,去噪效果如圖2所示。

圖2 SavitzKy-Golay濾波前后對比

對比圖2中的原始數(shù)據與濾波后數(shù)據可以看出,原始數(shù)據中加速度的波動幅度非常大,SG濾波能夠在幾乎完整保留原數(shù)據的同時,縮小加速度的誤差。通過計算速度和加速度方差和均值發(fā)現(xiàn),加速度的方差數(shù)值由2.42下降到了0.55,其余值均在0.001的誤差范圍內,足見SG濾波去除數(shù)據噪聲的優(yōu)異能力。

1.2 數(shù)據篩選

由圖1可知,US101道路的上匝道入口在200 m左右的位置,車輛并不會在匝道口直接匯入主道,而是會依照原來的方向繼續(xù)行駛一段距離,因此將匝道匯入路段適當往車輛行進方向延伸,定義匝道匯入場景為前250 m區(qū)間。匝道匯入場景的數(shù)據樣本提取邏輯為:

1) 車道約束,選取由第7車道(上匝道)匯入主車道的車輛。

2) 異常數(shù)據剔除,為保證數(shù)據的準確性,定義換道行為只能發(fā)生在相鄰的車道之間。例如,它不能在一個時間步長(0.1 s)中跳過一個車道。所有出現(xiàn)這種不可行變道的車輛都將被剔除。同時假設在極短時間內發(fā)生超車行為的車輛未換道。

根據數(shù)據樣本提取邏輯,最終得到256輛由匝道匯入主車道的完整車輛軌跡數(shù)據。在匝道匯入合流區(qū)的過程中,在輔助車道上的匯入位置是一項重要的研究點,以10 m為單位進行統(tǒng)計,得到匯入位置的分布直方圖如圖3所示。從圖3可知,車輛主要集中在輔助車道的10～60 m處匯入合流區(qū),占比為53.51%;41.01%的車輛在60 m后匯入;5.48%的車輛在10 m前匯入。

圖3 匯入起始位置分布直方圖

2 降維

由于初步選取計算得到的特征參數(shù)統(tǒng)計值類別多,參數(shù)之間容易存在信息重疊,進而導致后續(xù)分析時結果不理想,計算量增大,因此需要對數(shù)據進行降維處理。在最大化保留原始變量信息的同時,將原始復雜且多維的變量通過線性組合轉換為低維度的新變量,這類分析過程被稱為數(shù)據降維。主成分分析(principal component analysis,PCA)和因子分析(factor analysis,FA)是數(shù)據降維的主要手段[17]。

因子分析法是對主成分分析法的延伸,2種方法都是通過相關系數(shù)或協(xié)方差矩陣的特征值與特征向量之間的不相關的特性,將原始變量綜合成不相關的新指標[18]。在考慮變量間內部關系時,因子分析更加貼近實際情況,其次由于因子載荷矩陣的可旋轉性,能夠更好地對公共因子進行解釋,這有助于后續(xù)對駕駛風格的進一步研究及分析。為了更好地解釋變量含義,提取出重要度較高的變量,選用因子分析對初步選取的原始多維特征參數(shù)進行降維處理。

2.1 駕駛風格特征參數(shù)選取

換道是分析駕駛行為和駕駛風格中最重要的因素之一,根據車輛換道意圖,可分為強制換道和自由換道[19]。當前方有障礙或行駛路線要求必須換道時做出的換道行為則為強制換道。考慮到在匝道匯入路段中,會同時存在這2種換道類型,故對其進行定義和區(qū)分:定義強制換道為從上匝道匯入主道和從下匝道駛離主道的變道行為,具體類型如圖4所示。

圖4 4種強制換道具體類型

除上述4種變道類型之外的為自由換道。同時考慮到在匝道匯入路段車輛存在連續(xù)換道行為,引入自由換道次數(shù)作為駕駛風格特征參數(shù)。根據前文的分析,部分車輛在入口匝道路段未匯入合流區(qū),因此引入在輔助車道(即第6車道)上的行駛距離作為駕駛風格特征參數(shù)。引入車頭間距均值及其方差用來分析入口匝道的運行效率[20]。本文中選取的全部駕駛風格特征參數(shù)如表1所示。

表1 特征參數(shù)

2.2 因子分析

對所選取的特征參數(shù)進行降維處理,圖5所示為主成分貢獻率情況。

圖5 主成分貢獻度

前5個因子特征根值均大于1,且累積方差解釋率為82.32%,能夠將原始指標大部分的信息量很好地表達,將其作為反映原始指標的信息量可以認為是有效的,即原來的13個駕駛風格特征參數(shù)指標可以綜合成5個公共因子,可代表原始多維特征參數(shù),故提取因子個數(shù)為5。

使用Kaiser標準化正交旋轉法將因子載荷陣旋轉得到旋轉成分矩陣,如表2所示。

表2 旋轉成分矩陣

通過表2可知,第一因子變量F1中自由換道次數(shù)、換道時間有較大的載荷,因此將其命名為換道因子;第二因子變量F2中橫向速度平均值、橫向速度方差及總車道數(shù)有較大載荷,因此將其命名為橫向因子;第三因子變量F3中縱向速度均值、縱向速度方差及加速度均值有較大載荷,因此將其命名為加速度因子;第四因子變量F4在車頭間距平均值及其方差上載荷較大,因此將其命名為跟馳因子;第五因子變量F5在加速度方差上載荷系數(shù)較大,而加速度方差可表現(xiàn)車輛速度波動,因此將其命名為速度波動因子。

于是可得到前5個因子的得分系數(shù)如表3所示,根據因子得分系數(shù)矩陣建立綜合特征參數(shù)樣本矩陣。

表3 因子得分系數(shù)矩陣

可由表3得到5個因子的表達式:

3 聚類

本文中考慮2種聚類算法:K-means算法和譜聚類。在K-means算法中,選取K-means++優(yōu)化初始聚類中心。

3.1 聚類算法

3.1.1K-means算法

K-means是一種以距離作為分類準則的算法,通過迭代更新聚類簇的平均值,重新分配聚類中心,直至聚類中心不再改變或者收斂,則聚類過程結束,返回當前聚類結果[21]。但是由于K-mean聚類算法的初始聚類中心為隨機選取,聚類時需要迭代多次以弱化伴隨隨機初始化不穩(wěn)定性,這會直接影響到最終的聚類結果。為了避免這一問題,K-means++算法應運而生。

K-means++算法的核心思想是選取距離盡可能遠的數(shù)據點作為初始聚類中心點,這樣可以有效解決聚類結果對初始聚類中心選取過于依賴的問題。

設D={x1,x2,…,xm}為原始數(shù)據集,現(xiàn)將數(shù)據集劃分為C={c1,c2,…,ck},K-means++算法中初始化聚類中心點的具體計算步驟如下:

1) 從數(shù)據集中隨機選擇k個樣本點作為初始聚類中心ci。

2) 計算每個樣本點與初始聚類中心ci之間的最短歐氏距離D(x);接著計算每個樣本點被選為下一個聚類中心的概率;最后,使用輪盤法作為選取法則選出下一個聚類中心。

3) 重復,直至選出k個聚類中心為止。

3.1.2 譜聚類算法

譜聚類方法起源于譜圖理論,其原理是通過對樣本數(shù)據的拉普拉斯矩陣特征分解進行聚類來得到新的圖的劃分,對應聚類算法的聚類過程。對于譜聚類而言,圖劃分的最優(yōu)準則選取將會直接影響聚類結果[22]。

譜聚類可分為3個步驟:依次是相似圖矩陣構建、圖切割和聚類分析。假設給定樣本數(shù)據集X=[x1,x2,…,xd]=[x1,x2,…,xn],即數(shù)據集含n個樣本,每個樣本有d維特征。算法具體流程如下:

1) 根據樣本輸入X構建相似圖矩陣S,對數(shù)據集特征進行抽象表達;

2) 根據相似圖矩陣構建拉普拉斯矩陣L;

3) 對L特征分解,對特征值進行排序將特征值按從小到大的順序排列,計算并選取前k個特征值所對應的特征向量,組成譜表示矩陣F;

4) 使用聚類算法(如K-means,模糊聚類等)對F中的特征向量進行聚類,將新的樣本點Y={y1,y2,…,yn}聚類為C={c1,c2,…,ck},得到k個聚類簇數(shù)。

3.2 評估指標

為評估聚類算法的分類效果,使用輪廓系數(shù)對聚類結果進行評價。輪廓系數(shù)(silhouette coefficient)[23]是通過將同一簇內物體的平均距離與其他簇中物體的平均距離進行對比得到的,可衡量內聚度和分離度的優(yōu)劣。聚類內相似度高、聚類之間相似度低的聚類將具有較高的SC值。假設聚類后的結果為k個類簇,C={c1,c2,…,ck},對其中一個點Xi,其輪廓系數(shù)S(i)表示為:

(1)

式中:a(Xi)是點Xi與同一類簇中ci所有點之間的平均距離;b(Xi)是點Xi到其他簇中各點的最小平均距離。

對于一個樣本集合,它的輪廓系數(shù)是所有樣本輪廓系數(shù)的平均值,可由式(2)得到:

(2)

輪廓系數(shù)取值范圍在[-1,1],若趨近于1,則說明同類樣本間距離越近,不同類別間樣本距離越遠,說明聚類結果越好。

3.3 聚類結果

為更好地對駕駛風格進行語義解釋及區(qū)分,現(xiàn)有研究大多傾向于將駕駛風格分為2～4個。本文中定義聚類簇數(shù)為3,將K-means++算法的聚類結果與其他算法進行比較,引入輪廓系數(shù)對其進行評估,如表4所示。通過對比輪廓系數(shù)可以發(fā)現(xiàn),在列舉的3類算法中,K-means++取得最優(yōu)的結果,故本文中使用K-means++聚類結果作為駕駛風格分類的依據進行后續(xù)研究。同時以K-means++為聚類模型,對比降維前后的輪廓系數(shù),見表5所示,可以發(fā)現(xiàn)使用因子分析降維后的特征序列可以得到更好的分類結果,這說明降維可以有效提取原始特征中的信息。

表4 不同聚類模型對比

表5 降維前后聚類效果對比

使用K-means++聚類得到的各駕駛風格聚類中心列表如表6所示,可以發(fā)現(xiàn)在所有類別中,類別3的換道因子F1、橫向因子F2的中心值最大,這說明該類型有更多的自由換道行為,同時跟馳因子F4最小,這說明該類型存在強跟馳現(xiàn)象,車輛與前車的間距小;類別1中的加速度因子F3最大,反映出該類型駕駛人在匝道匯入過程中的速度保持在較高值;速度波動因子F5在類別3中最小,類別1中最大,這反映了類別1的駕駛人具有更頻繁的加減速行為。綜合以上分析,對駕駛風格進行命名,命名類別1為謹慎型,類別2為穩(wěn)健型,類別3為激進型。可以發(fā)現(xiàn),激進型的駕駛風格更傾向于多次換道,并且在整個匝道匯入的過程中與前車的間距更近。

表6 聚類中心

在1.2節(jié)對匝道匯入起始位置分布做了分析,但并未對駕駛風格進行區(qū)分,為進一步觀察不同駕駛風格匯入合流區(qū)的位置選擇差異,將車輛切入合流區(qū)時刻的位置與其在上匝道的終止位置作差,可視化得到圖6。需要注意的是,圖6中的位置分布限定在入口匝道路段,實際上是在輔助車道上的行駛距離,由于在本路段多數(shù)車輛已完成了從匝道匯入合流區(qū)這一駕駛行為,因此本小節(jié)仍以匝道匯入起始位置切入進行分析。以5 m為單位進行統(tǒng)計,并進行曲線擬合,發(fā)現(xiàn)其位置分布均符合正態(tài)分布,激進型峰值在20 m左右出現(xiàn),穩(wěn)健型則在30～40 m內出現(xiàn),謹慎型選擇匯入合流區(qū)的位置最遠,峰值出現(xiàn)在100 m左右的位置。

圖6 不同駕駛風格匯入合流區(qū)的位置分布

為找出謹慎型與另外2種駕駛風格在匯入合流區(qū)位置分布差異的原因,將5個主因子對應的駕駛風格特征參數(shù)進行分析,列出3種駕駛風格各特征的均值,見表7所示,將部分參數(shù)可視化如圖7所示。

表7 不同駕駛風格特征均值

圖7 不同駕駛風格特征參數(shù)分布

通過速度的均值分布可以看出,3種駕駛風格中謹慎型的速度最大,而其速度方差最小,為2.079,對比其加速度分布可知,在匯入合流區(qū)的過程中,謹慎型駕駛人的加速頻次高于減速頻次,傾向于使用更多的時間和更長的行程來尋找切入合流區(qū)的時機。因此,該類型駕駛人相較激進型與穩(wěn)健型在入口匝道路段的橫向速度整體較小,并且由于未參與該路段的合流區(qū)匯入行為,其車頭間距維持在較大值。

而分析激進型駕駛風格的各項特征可以發(fā)現(xiàn),激進型駕駛風格的平均速度最小,為11.494 m/s,雖然與穩(wěn)健型的差距不大,但觀察其分布可以發(fā)現(xiàn)穩(wěn)健型的分布更集中更均勻;同時由于2種風格都傾向于在短程內匯入合流區(qū),其減速頻次比謹慎型更高,加速度平均值也呈負值。從車頭間距分布可以發(fā)現(xiàn)激進型與穩(wěn)健型駕駛風格都維持在20 m左右,這說明在這段區(qū)域,車輛匯入的通行率是較高的。

4 結論

1) 為分析不同駕駛風格的駕駛人匯入匝道的駕駛風格差異,選取K-means++、K-means和譜聚類分別對數(shù)據樣例進行聚類,對比各自的輪廓系數(shù)發(fā)現(xiàn)K-means++的聚類結果最優(yōu)。將降維前后的特征序列使用K-meas++進行聚類,發(fā)現(xiàn)因子分析可以有效提取關鍵信息。

2) 分析不同駕駛風格,結果表明激進型與穩(wěn)健性駕駛風格均能在短行程內完成匝道匯入,而謹慎型由于對匯入時機把握得不恰當,不得不提高車速在輔助車道上行駛更長的距離。