基于集成學習的交通事故嚴重程度預測研究與應用

單永航，張希，胡川，丁濤軍，姚遠

（上海交通大學機械與動力工程學院，上海 200240）

0 引言

近年來，隨著各國政府和企業的支持，車輛不斷朝著智能化方向發展。智能車輛因感知范圍廣、運算能力強、避免駕駛員操作錯誤等優勢，在一定程度上提高了車輛的安全性［1］，但由于違規駕駛、道路、車輛、自然條件等因素，交通事故不能完全避免。當前智能車輛更多地是關注如何去主動避免碰撞，執行一條安全且舒適的最優軌跡，而在面對無法避免的交通事故時，卻沒有更好的解決辦法。在這種條件下，如何預測車輛在不同行駛模式下的事故嚴重程度并做出正確的決策，從而在一定程度上避免事故或者降低事故嚴重程度就顯得尤為重要。

事故嚴重程度預測是車輛安全領域的重要研究方向之一，近年來受到了越來越多工業界以及學術界的關注。事故嚴重程度定義為事故造成的傷害或財產損失程度，傷害嚴重程度是評估安全性能的一個重要方面。事故嚴重程度模型構建主要分為3 類：統計模型，機器學習模型與物理模型。統計模型是事故嚴重程度分析常用的模型［2］，可解釋性好，便于分析自變量和因變量之間的關系。有序Probit模型［3-5］是研究者普遍用于事故嚴重程度分析的統計模型。此 外，Logit 統計學模型［6］、聯合概率方法［7］、聯立方程［8］、多元泊松回歸［9］等方法也常應用在事故嚴重程度預測任務中。但使用統計模型需要預先定義一個良好的函數形式來描述碰撞發生和解釋變量之間的關系，不適用于復雜問題。

與統計學習模型相比，機器學習模型更靈活，其重點關注如何設計模型或目標函數，對處理異常值、缺失和噪聲數據具有更好的適應性，適用場景更廣，在復雜問題上表現效果更優。例如人工神經網絡（ANN）［10］、決策樹（DT）［11］、支持向量機（SVM）［12］、隨機森林（RF）［13］、K 均值聚類（KC）［14］均廣泛應用于事故嚴重程度預測以及交通安全研究。然而，目前各機器學習算法性能不同，相互獨立，難以優勢互補，在交通事故嚴重程度預測任務中表現不佳。為實現更高的預測精度，一些研究者利用元學習器融合不同個體學習器預測結果，構建雙層Stacking 集成學習模型，融合各學習器優勢，提高預測性能［15-16］。雖然機器學習模型能夠實現較好的預測精度，但是其可解釋性不好，不利于調校模型參數。

相比之下，物理模型能夠揭示車輛間碰撞機理，精細分析車輛碰撞全過程，但表示相對復雜。文獻［17］提出兩種最典型的物理模型方法，即碰撞中的速度變化方法（Delta-V）和估計車輛能量變化的等效能量速度（EES）方法。文獻［18］通過進一步研究動量定理，將動量變化作為碰撞總嚴重程度的關鍵指標。

在現實場景中，人、車、路系統高度復雜，且非線性、交通事故涉及因素眾多，難以采用統計學習模型與物理模型構建高精度事故嚴重程度預測模型。為此，本文采用泛化性能更好的Stacking 雙層集成學習方法構建事故嚴重程度預測模型。在第1 層中綜合預測表現與時間消耗確定最優基學習器組合；在第2 層中考慮到模型的復雜度與魯棒性需求，采用邏輯回歸作為元學習器，整合第1 層基學習器的分類結果，糾正各基學習器分類偏差，提高Stacking 整體模型的泛化能力和準確性。同時，為保證模型能夠應用在智能車輛中，本文研究采用真實交通事故數據集NASS-CDS，提取通過攝像頭、激光雷達、毫米波雷達感知處理能夠獲取的事故嚴重程度相關特征作為輸入，事故后乘員最大損傷等級作為輸出，完成交通事故嚴重程度預測模型的構建；同時通過特征重要程度分析，得到事故嚴重程度重要影響因素，可幫助人們更好地理解交通事故，以采取有效措施。

1 數據集預處理

1.1 NASS-CDS 介紹

本文采用美國高速公路安全局（NHTSA）公布的NASS-CDS 真實交通事故數據集［19］構建模型，解決了現有研究利用仿真數據構建事故嚴重程度預測模型存在車輛類型少、事故類型少等問題，有效提高預測模型在實際應用場景中的可靠性和有效性。該數據集包含1988—2015 年的代表性事故詳細數據，每年研究約5 000 起撞車事故，樣本充足，覆蓋范圍廣，被廣泛用于交通安全研究。數據集包含信息如表1 所示。

表1 NASS-CDS 數據集描述 Table 1 NASS-CDS dataset description

1.2 特征提取

為使構建的事故嚴重程度預測模型能夠應用于智能車輛，本文提取NASS-CDS 中車輛能夠通過車載傳感器獲取的信息作為模型特征輸入。選定特征主要包括車輛特征以及道路、環境特征。初步提取的單一特征如表2 所示。

表2 初步特征 Table 2 Preliminary features

單一特征往往不能夠得到最優的預測結果，在實際問題中，常需面臨多種高維特征。因此，本文還提取了車輛相關組合特征，以提升模型預測準確度。車輛發生交通事故后，速度變化量越大，碰撞過程中車輛受到的沖擊力越大，對車輛造成的影響也就越大。考慮到自車與目標車輛碰撞后瞬間兩車可視為剛體固結，故通過動量定理可以對速度變化量進行估計，估計模型如式（1）～式（5）所示：

其 中：m1、m2表示兩 車質量；v1、v2表示兩 車速度；θ1、θ2表示為兩車航向角；ux、uy表示事故 后兩車速度；Δv1x、Δv1y表示事故后自車x、y方向上速度變化量；Δv1表示事故后自車速度變化量。

除絕對速度外，車輛間相對速度也是重要考慮的因素。本文僅考慮兩車之間交通事故情況，引入相對速度特征，計算公式如式（6）所示：

其中：v1x、v2x表示兩車沿x方向的速度；v1y、v2y表示兩車沿y方向的速度；vr表示相對速度。

相對航向角決定了車輛的碰撞類型，不同碰撞類型對應的有效碰撞面積不同，碰撞過程中吸收能量也不同，在相同環境下造成的影響有較大差異。文獻［20］通過研究沃爾沃車輛事故數據得出結論：相比于全面積正碰，1/3 面積碰撞嚴重程度更大。因此，本文引入相對航向角特征，并通過標簽編碼將相對航向角范圍分為4 個部分，如表3 所示。

表3 相對航向角特征Table 3 Relative heading angle feature 單位：(°)

不同類型車輛在交通事故中損害不同［21］。通常來講，小型車相較于大型車損害更為嚴重。依據重量以及尺寸，本文將NASS-CDS 數據集中車型分為4 類進行標簽編碼：（1）表示小型車，如轎車；（2）表示中小型車，如小貨車；（3）表示中大型車，如輕卡；（4）表示大型車，如重型貨車。定義車輛間碰撞強度因子（TYPESWET）如表4 所示，其中，（4）（1）表示4 類別的車輛與1 類別的車輛碰撞后，4 類別車輛的損傷情況（下同），特征值從1～7 代表強度遞增。可提取組合特征如表5 所示。

表4 碰撞強度因子特征 Table 4 Collision intensity factor features

表5 組合特征 Table 5 Combined features

1.3 預測標簽

本文選用簡明損傷分級標準（AIS）評估交通事故嚴重程度。AIS 值從0～6 分別對應未受傷害、輕微、輕度、中度、重度、嚴重和致死性損傷。NASSCDS 數據集中包含事故車內各乘員AIS 受傷等級，本文提取受傷嚴重程度最大的乘員AIS 等級作為事故嚴重程度預測標簽。

為簡化事故嚴重程度預測模型，將原七分類AIS 等級歸并為四分類，原0 等級對應為0 等級，原1、2 等級對應為1 等級，原3、4、5 等級對應為2 等級，原6 等級對應為3 等級。

1.4 數據不平衡問題處理

NASS-CDS 數據集中樣本分布不均，重傷與死亡類別樣本數量占比不到10%，導致模型在訓練過程中更加偏向于未受傷以及輕傷類別。而模型對于重傷、死亡等嚴重程度較高類別的預測能力才是本文研究重點，只有準確預測這些類別，才能夠及時采取措施減緩事故損害。為解決數據不均衡問題，本文采用合成少數過采樣技術（SMOTE）算法［22］重點提升重傷及死亡樣本的數量，改善樣本分布均衡情況。

如圖1 所示，SMOTE 算法主要分為3 步：1）計算各少數類正方形樣本到其樣本集中所有樣本的歐氏距離，得到K 近鄰；2）合理設置采樣比例；3）對于樣本中的每一個xi與每一個近鄰，依據采樣比例進行線性插值，以生成新的樣本，如式（7）所示：

圖1 SMOTE 算法圖解Fig.1 SMOTE algorithm diagram

數據集處理前后，樣本分布如表6 所示。

表6 數據集分布Table 6 Dataset distributions 單位：個

1.5 數據標準化

數據集中各特征量量綱不一，因此在模型訓練前為避免某些特征的重要程度過大，需要對數據集進行標準化處理。本文研究采用StandardScaler 方法進行轉化，如式（8）所示：

其中：μ為某特征所有樣本的均值；σ為某特征所有樣本的標準差。

2 Stacking 集成學習預測模型

Stacking 集成學習預測模型［23］在分類回歸任務中應用廣泛，第1 層由多個基學習器構成，基于原始數據集訓練預測，第2 層為元學習器，基于第1 層基學習器的輸出進行第2 次訓練。與Voting 集成學習模型［24］僅對多個基礎模型進行一次訓練，采用投票策略選擇投票最多的為最終的分類結果相比，具有更高的泛化精度。

2.1 基學習器

Stacking 模型對第1 層基學習器存在兩個要求：模型預測性能的優異以及模型表現的多樣性。優異指各基學習器的預測性能要好，分類預測性能應該在同一水平；多樣性指各基學習器預測應存在較大的差異，從不同的角度學習訓練，充分利用各模型優勢，以實現更好的性能。在第1 層中，通過實驗對不同基學習器組合進行訓練，得到分類性能最優的基學習器組合策略。

本文選擇多層感知機（MLP）、樸素貝葉斯（NB）、K 近鄰算法（KNN）、支持向量機（SVM）、隨機森林（RF）、自適應提升樹（AdaBoost）、梯度提升決策樹（GBDT）、極度梯度提升樹（XGBoost）共8 種在分類任務中應用較多的模型作為備選基學習器。將數據集按照7∶3 的比例分為訓練集和測試集，同時為避免過擬合，采用K折交叉驗證訓練基學習器，如圖2所示，將訓練集K等分，每次將其中一份用作驗證集，剩下的用作訓練集，以提高模型的準確性與穩定性。重復上述步驟K次，選出平均測試誤差最小的模型。通常來講，隨著交叉驗證次數的增大，誤差減小，但計算量隨之增大。綜合耗時以及數據量兩方面因素，最終K值取為5。

圖2 交叉驗證示意圖Fig.2 Schematic drawing of cross validation

2.2 元學習器

第2 層元學習器的選擇對Stacking 模型泛化性能影響較大［25］，由于第1 層各基學習器的預測存在差異，因此需要選擇合適的元學習器才能夠使最終Stacking 模型預測性能達到最優。Stacking 模型對元學習器存在4 個要求：1）算法性能，對底層模型的輸入進行整合，需要較好的泛化性能和集成能力；2）魯棒性，可以避免在底層模型發生錯誤或過擬合的情況下產生過度擬合的情況；3）穩定性，不容易受到數據隨機性的影響，以確保其穩健性；4）計算效率，可快速訓練以及預測。

相比于第1 層中各基學習器從不同角度學習，綜合各學習器優勢，第2 層元學習器重點考慮分類預測問題中的全面優化，旨在糾正各基學習器分類偏差，提高Stacking 整體模型的泛化能力和準確性［26］。

邏輯回歸（LR）方法［27］作為一種線性模型，其計算效率高，可解釋性強，魯棒性強，可適用于處理各種類型的數據，并且易集成，泛化能力強，能夠很好地避免過擬合問題，是應用最廣泛的元學習器。在第1 層中已經使用了復雜的非線性變換模型，這樣往往更容易造成過擬合的風險。為控制模型復雜度，降低計算耗時，第2 層采用邏輯回歸方法，整合第1 層基學習器的分類結果，訓練輸出最終預測結果，同時結合正則化方法進一步降低過擬合。

本文構建的Stacking 算法實現步驟如圖3 所示。使用訓練集訓練出Stacking 模型，并使用測試集對模型進行預測，最終將預測結果提供給后續事故嚴重程度減緩決策規劃模塊，依據不同行駛狀態下的事故嚴重程度先驗信息，幫助智能車輛做出最優的決策，當交通事故無法避免時，能夠有效減緩事故危害。其中決策規劃模塊將會作為后續研究內容。

圖3 Stacking 算法實現步驟Fig.3 Implementation steps of Stacking algorithm

3 模型性能分析與驗證

3.1 評價指標

對于含有N個樣本的數據集，準確率（A）為模型預測正確樣本數所占的比例，如式（9）所示：

但是準確率往往只能表征模型的整體性能，在實際情況中，會更加關注特定類別預測性能。針對本文研究問題，真實的交通事故數據集中重傷以及死亡數據量遠少于未受傷害以及輕微傷害的樣本數據量，即使少量樣本被分錯，模型的準確率也不會有明顯變化。故本文主要選擇精確率（P）、召回率（R）和F1 值（F1）作為性能評價指標，計算公式如式（10）～式（12）所示：

其中：TTP表示預測為正類的正樣本數量；FFP表示預測為正類的負樣本數量；FFN表示預測為負類的正樣本數量。

3.2 結果分析

3.2.1 個體分類器的實驗結果及分析

本文首先完成了學習器MLP、NB、KNN、SVM、RF、AdaBoost、GBDT、XGBoost 的訓練，并采用網格搜索法對各學習器參數進行優化。網格搜索法是一種窮舉搜索的調參方法，通過事先設定好超參數的選值范圍和調整步長進行窮舉遍歷，嘗試所有的參數組合，將表現最好的參數組合作為超參數調參結果。同時，為克服數據集噪聲的影響，對各學習器進行5 次訓練及預測，計算各評價指標平均值如表7所示。

表7 個體學習器預測結果 Table 7 Predicted results of individual learners %

分析結果發現，集成學習器RF、AdaBoost、GBDT 與XGBoost 預測性能優于其余個體學習器，通過集成決策樹可獲得比單一學習器更優越的泛化性能。NB、MLP 與SVM 個體學習器預測性能最差。在本文問題中，特征數量較多且相關性較大，違背了NB 各屬性間獨立性假設；而MLP 表現過于依賴于數據集，本文數據集樣本量偏少，不能充分利用MLP的優勢；SVM 在處理二分類問題時具有良好表現，而當面臨求解多分類問題時，計算能力以及求解精確率受到限制。

3.2.2 集成模型的實驗結果分析

為提高集成模型的精確率與泛化能力，應選擇精確率較高且存在較大差異的模型作為基學習器，個體學習器MLP、NB 和SVM 表現較差，不滿足基學習器組合的優異性原則，故在本研究中不做考慮。最終從KNN、RF、AdaBoost、GBDT 和XGBoost 中挑選基分類器進行組合訓練，考慮3～5 種基學習器組合形式，可以得到以下16 種基分類器組合策略，預測結果如圖4 所示，耗時情況如圖5 所示。

圖4 各基學習器組合預測表現Fig.4 Prediction performance of each base learners combination

圖5 各基學習器組合耗時情況Fig.5 Time consumption of each base learners combination

分析實驗結果可得出如下結論：

1）各基學習器組合下的Stacking 模型預測準確率均在81%以上，高于表7 中所有學習器，說明對多種“優而不同”的異質算法進行融合可改善預測效果。以精確率、召回率、F1 值作為評價指標，6 號組合策略，即KNN+AdaBoost+XGBoost 實現了最優的預測性能，其分類準確率達到85.01%，各項指標均為最優。2 號組合次之，11、12 號組合再次之，同時6 號組合耗時僅100 s 左右，低于2、11、12 號組合。綜合預測表現以及耗時，將6 號組合作為最終選用的Stacking 模型基分類器組合。

2）從6 號到11 號再到16 號組合，每次增加一個基學習器，融合模型的精確率反而有所下降。說明模型的精確率與基分類器的數量并非正比例關系，還與各基分類器的性質、關聯性存在聯系。

3）包含GBDT 學習器的組合均具有較高的耗時，在200 s 以上，說明GBDT 學習器復雜度較大。同時，對比組合1、2 和3 號性能表現以及耗時情況可以看出，KNN 與GBDT 為固定基分類器，將其分別與RF、AdaBoost、XGBoost 組合后，雖 然XGBoost 相對于RF 與AdaBoost 具有更優的表現，但3 號組合KNN、GBDT 與XGBoost卻獲得了最差的性能，說明模型的精確率與基分類器的精確率并非正比例關系。

XGBoost 是一種針對GBDT 算法的優化算法，其在優化過程中將損失函數二階泰勒展開，引入二階導數信息，同時在損失函數中添加正則化項來抑制模型復雜度。XGBoost 與GBDT 底層工作原理類似，它們的組合不滿足基分類器多樣性要求，不能夠充分融合基學習器優勢，提升整體性能，只有選擇適合的基分類器組合才能夠獲得更好的表現性能。

3.2.3 最優組合策略集成模型時效性分析

在緊急場景下，當交通事故無法避免時，事故嚴重程度預測模型的時效性非常重要，可以提高應急響應速度，降低事故風險，在事故發生前的關鍵時間內幫助車輛做出正確的決策以及提高安全水平。在第3.2.2 節中，最終確定的Stacking 模型推理平均耗時為每次1.48 ms，其可滿足L2輔助駕駛與L4自動駕駛的實時性需求。

對于L2輔助駕駛車輛，駕駛員主導車輛運行，駕駛員反應時間通常為300 ms 左右，該模型在危急場景下可為駕駛員實時提供事故嚴重程度相關信息，幫助其做出更優的決策。

對于L4自動駕駛車輛，不需要駕駛員參與，當事故無法避免時，車輛決策規劃模塊一般依據其最大行駛能力，生成多條離散軌跡，以最小化事故對車輛和行人的影響。

離散軌跡的數量與路徑搜索時間、軌跡精確率和計算成本有關，因此需要進行權衡。一般來說，軌跡數量需要在保證足夠細化的情況下盡量少，以降低計算成本和縮短路徑規劃時間，并提高實時性。在大多數情況下，大約10 條離散軌跡即可以滿足實時性和精確率要求，并且不會帶來過多計算成本。

而自動駕駛路徑規劃模塊更新頻率通常為幾百毫秒。以生成10 條軌跡為例，本文所提模型推理耗時要遠小于路徑規劃模塊更新耗時，通過并行計算可以進一步縮減時間消耗，以最大程度地保證模型推理的實時性。本文研究所提出的事故嚴重程度預測模型滿足實際工程應用中的實時性要求。

3.2.4 最優組合策略集成模型預測表現分析

該模型最優參數組合如表8 所示。

表8 學習器最優參數組合 Table 8 Optimal parameters combination of the learner

模型訓練集與測試集的準確率分別為95.87%與85.01%，性能指標精確率、召回率和F1 值如表9所示。

表9 精確率、召回率和F1 值結果 Table 9 Accuracy，Recall，and F1 value results %

在訓練集中，未受傷類別精確率大于召回率，受傷類別召回率大于精確率。這表明本文所訓練的模型更傾向于查找出所有受傷害樣本，而對于未受傷樣本，更傾向于準確區分。這對于開展交通事故減緩的研究至關重要，因為只有準確預測受傷類別，才能夠及時采取措施降低事故嚴重程度，這要求在模型訓練中提高對召回率的重視程度。

在測試集中，本文提出模型在各類別的表現均與訓練集上的表現一致。此外，對于重傷以及死亡類別預測的精確率以及召回率遠高于未受傷以及輕傷類別。受傷嚴重程度越大，模型預測越不容易出錯，這符合現實需求。F1 值作為一種精確率與召回率的綜合評價方式，重傷與死亡類別值也是遠遠高于未受傷與輕傷類別。

3.2.5 特征重要性分析

在事故嚴重程度預測模型中，不同的特征對最終的預測結果有不同的影響。為了評估不同特征在碰撞嚴重程度分析中的貢獻，本文對所選14 個特征在3 種基分類器中的重要性進行了分析，圖6～圖8 分別為3 種基分類器所對應的特征重要程度分布，其中，KNN、AdaBoost 具有相似的特征分布，DVTOTAL 對事故嚴重程度影響最大，ALIGNMNT、SURCOND、RHEADING 與TYPESWET 對事故嚴重程度敏感度最小。而在XGBoost 特征分布圖中，除DVTOTAL、TRAVELSP、TRAVELSPOTHER 占有較大的比重外，其余特征重要程度近似。

圖6 KNN 特征重要程度分布Fig.6 Importance distribution of KNN feature

圖7 AdaBoost 特征重要程度分布Fig.7 Importance distribution of AdaBoost feature

圖8 XGBoost 特征重要程度分布Fig.8 Importance distribution of XGBoost feature

圖9 展示了特征平均重要程度分布，速度相關特征（DVTOTAL、RSPEED、TRAVELSP、TRAVELSPOTHER）、重量相關特征（CURBWGT、OTVEHWGT）、位姿相關特征（ANGTHIS、ANGOTHER）、外形相關特征（BODYTYPE、OTBDYTYP）對最終的碰撞嚴重程度影響較大。這符合現實情況，從動量定理和能量守恒的角度來看，行駛速度、車輛質量和車輛姿態是事故發生后對車內乘員影響最大的幾個因素。此外，不同車輛的耐撞性不同，因此車型也是重要因素之一。

圖9 特征平均重要程度分布Fig.9 Importance distribution of feature average

4 事故嚴重程度預測模型應用分析

在緊急情況下，事故嚴重程度預測模型可幫助車輛實時預測行駛風險，但在L2輔助駕駛車輛與L4自動駕駛車輛中具有不同的警示與減緩方式。在常規車輛安全模塊的基礎上，事故嚴重程度預測模型的應用進一步提升了車輛與乘員的安全性。

在L2輔助駕駛車輛中，目前主要是通過碰撞預警模塊減輕緊急情況下事故損害。在車輛行駛過程中實時計算與前方車輛的距離，若小于安全距離，則首先以預警的方式提醒駕駛員即將發生碰撞風險，當檢測到駕駛員在一定時間內仍未采取有效措施時，車輛自動觸發緊急制動行為，最大程度保證安全。但是，在該種緊急情況下，緊急制動往往未必是最優的決策行為，而且駕駛員在慌張情況下可能會做出更危險的行為。本文所提預測模型可有效解決此類問題，通過預測與不同車輛碰撞風險損傷，在緊急情況下給駕駛員提供指導決策信息，例如左側車道車輛風險更低，則可提醒駕駛員采取向左變道措施。

在L4自動駕駛車輛中，若車輛具有碰撞風險（可基于安全距離方式判定）或者車輛此時無有效決策時，此時進入到緊急狀態下事故嚴重程度減緩模塊，通過軌跡規劃方式生成一系列碰撞減緩軌跡，調用事故嚴重程度預測模型，計算不同軌跡對應碰撞嚴重程度值，挑選最低碰撞嚴重程度軌跡作為最終執行軌跡。

除此之外，預測結果同樣可以作為先驗信息指導車輛自適應調整乘員約束系統（安全帶、安全氣囊），與主動碰撞減緩相結合，以更好地保證乘員安全。事故嚴重程度預測減緩系統如圖10 所示。在現有安全場景下自動駕駛決策規劃模塊基礎上，本文考慮了事故無法避免場景下事故嚴重程度如何減緩，通過雙層防護最大程度地保證了車輛以及乘員的安全。

圖10 事故嚴重程度預測減緩系統結構Fig.10 Structure of accident severity prediction mitigation system

以圖11 車輛跟隨場景為例，a車位于后方，速度為v1，b車輛位于前方，速度為v0，車輛間距為S0，則上述描述中兩車之間的安全距離可表示為：

圖11 車輛跟隨示意圖Fig.11 Schematic diagram of vehicle following

其中：v1、a1、amax分別為a車速度、加速度、最大加速度；v0、a0分別為b車速度、加速度；Δt為數據更新周期。若Sd＞S0，則說明車輛有碰撞風險；反之，則車輛不具有碰撞風險。

以圖12 所示場景為例說明事故嚴重程度預測模型在L4自動駕駛車輛中是如何應用的，其中，0 號車輛為自車，行駛在右側車道，左側車道前方2 號車速度較低，后方1 號車突然采取變道行為，插入到自車前方。在這種情況下，自車處境較為危險，當繼續在本車道行駛時極易因過小的前車間距與1 號車輛發生碰撞，變道則可能與2 號車輛發生碰撞。

圖12 交通場景Fig.12 Traffic scenario

1 號車輛變道后各車輛參數如表10 所示。經安全距離方式判定，若不具有碰撞風險，則智能車輛可繼續采用常規的路徑規劃算法，利用搜索、采樣等方法生成一系列軌跡，并依據安全性、舒適性等指標挑選一條最優的安全軌跡執行。若車輛具有碰撞風險，則此時進入到緊急狀態下事故嚴重程度減緩模塊，實時生成一系列碰撞減緩軌跡，對每條軌跡進行碰撞檢測，若此時仍存在無碰撞軌跡，則仍依據安全性、舒適性等因素挑選一條最優的安全軌跡執行。相反，若所有軌跡均發生碰撞，則將事故嚴重程度作為唯一的軌跡質量評估標準。調用Stacking 事故嚴重程度預測模型，得到車輛執行不同軌跡時對應的碰撞嚴重程度，挑選最低碰撞嚴重程度軌跡作為最終執行軌跡。由于預測模型輸出為四分類離散預測結果，因此此時會存在多條軌跡對應同一碰撞嚴重程度的情況，不利于幫助車輛做出更細致的決策。

表10 1 號車變道后各車輛參數Table 10 The parameters of each vehicle after lane change of vehicle 1

為使模型應用于智能車輛中，應定義碰撞嚴重程度連續值，依據本文提出的預測模型輸出的各受傷嚴重程度等級以及對應預測的最大概率加權得到受傷嚴重程度值（TAS），幫助做出最優的決策，以解決危急場景下不同方案風險的精確量化問題。TAS表達式如式（14）所示：

其中：k為事故嚴重程度類別；K為事故嚴重程度最高類別；pk為事故嚴重程度類別為k的預測概率。

當交通事故無法避免時，該模型可為智能車輛決策規劃模塊提供先驗信息，執行相對最安全軌跡，有效提升車輛安全性。

5 結束語

本文提出一種應用于危急場景下的雙層Stacking 集成模型，通過融合“優而不同”的基學習器實現高精度事故嚴重程度預測，在真實事故數據集上預測準確率達到85.01%，同時具有較低的預測推理耗時，精確率、召回率、F1 值3 項評估指標均高于其他個體以及集成模型，提高機器學習方法對事故嚴重程度的識別能力。當交通事故無法避免時，模型預測結果可作為先驗信息指導決策規劃模塊選擇最佳應急軌跡或自適應調整乘員約束系統（安全帶、安全氣囊），以降低事故損害。通過特征重要程度分析，得出對事故嚴重程度影響最大的因素，符合現實交通情況，對于后續事故預測減緩研究具有一定的指導作用。本文研究雖然能夠有效應用于車輛安全領域，但目前仍然存在不足，下一步將主要解決以下問題：1）機器學習預測模型表現依賴于數據集的大小和完備性。數據的獲取是交通事故分析重要前提，目前仍缺乏豐富的交通事故數據集，未來應提高事故數據的利用率，采用更完善的數據集訓練模型，同時機器學習模型可解釋性不好，難以分析出發生事故時車輛間碰撞內在機理情況，下一步將考慮構建車輛碰撞物理模型，與機器學習模型相融合，實現精確率更高、可解釋性更好的預測系統；2）本文研究僅考慮了事故后自車乘員的損傷預測，旨在最大程度地保證自車乘員安全，但是對他車的乘員安全情況考慮欠缺，未來應該綜合事故后雙方損傷情況，幫助車輛做出更合理的決策。