基于軌跡數據的車輛超速行為識別方法研究

摘要 車輛超速行為是造成交通事故的主要原因之一，嚴重影響交通安全，目前主要通過固定速度閾值對車輛超速行為進行識別。文章利用GPS數據獲取較為便捷，且能夠貫穿車輛整個行駛時段的特點，提出了一種基于軌跡數據的車輛超速行為識別方法。首先，對使用的GPS軌跡數據進行了分析，對數據進行了預處理。其次，利用處理后的數據，以研究區域內的瞬時超速事件為對象，在結合GPS軌跡點所在時間信息數據及車輛超速事件界定規則的基礎上，篩選出道路持續超速行為的發生情況，最后通過分析持續超速行為的時間分布情況得到超速行為的常發時段，并提出了相應的治超措施。結果表明，上述方法可以有效地識別出車輛的持續超速行為，對交通管理部門進行道路安全監督管理具有一定意義。

關鍵詞 交通安全；軌跡數據；超速行為

中圖分類號 U495 文獻標識碼 A 文章編號 2096-8949（2024）22-0001-03

0 引言

近年來，交通事故一直是影響人們生命和財產安全的主要原因之一，超速駕駛是導致交通事故的一個重要因素。駕駛人的駕駛行為，特別是超速駕駛，直接影響道路交通安全，通過相關策略方法規范駕駛人的駕駛行為是保障道路交通安全的重要舉措之一。

目前，相關領域對駕駛人的駕駛行為做了較多研究，在超速駕駛方面，主要通過超速執法和車輛管理兩個方面進行超速干預。超速執法是通過安裝的抓拍、測速等設備對車輛進行監控；而車輛管理則是通過在車輛本身設置相應的測速裝置，全程監控車輛的行駛速度，在車輛超速時，對駕駛員作出相應的預警提示。由于車輛超速管理機制并不健全，以及超速執法不能全程監控車輛，所以一些學者利用車輛駕駛過程中產生的自然駕駛數據進行超速駕駛行為的識別。任慧君等人[1]利用GPS軌跡數據對車輛駕駛安全性進行了分析，從軌跡數據中提取了超速、急加減速等行為，對駕駛安全性進行了評估；Guo等人[2]利用混合無監督深度學習模型識別車輛的超速駕駛行為；李開放等人[3]利用k-means算法和高斯混合聚類算法對駕駛數據進行聚類，利用BP神經網絡對聚類結果進行了訓練，最終實現了超速行為識別；許佳鑫[4]通過分析海量軌跡數據，建立危險駕駛行為識別算法，對超速、急加減速等八個不良駕駛行為進行量化，同時還對危險駕駛行為的發生頻率進行分析；惠飛等人[5]利用GPS數據特征構建車輛駕駛行為特征，包括時間、速度、轉向角等，并利用以上集中特征對現有車輛GPS軌跡數據進行聚類分析，提出了一種基于GPS軌跡數據的車輛駕駛員異常駕駛行為檢測方法，得到了局部異常駕駛行為的檢測結果，該方法能夠準確判斷待測車輛典型的駕駛錯誤行為。

綜上所述，基于GPS數據的車輛超速行為識別方法的相關研究側重于對駕駛人的駕駛行為進行分類識別，一部分學者利用GPS超速數據進行了聚類分析，得到研究區域的車輛超速規律。該文利用GPS軌跡獲取成本低廉及便捷的優勢，提出了一種基于軌跡數據的車輛超速行為識別方法，該方法結合車輛GPS軌跡數據、超速事件界定規則及行車軌跡所在的時間等信息，識別并篩選出車輛在行駛過程中的超速行為，為后續交通管理部門進行交通管理提供一定的參考依據。

1 基于軌跡數據的車輛超速行為識別方法

1.1 超速事件判定方法

超速駕駛通常是指駕駛員在行駛過程中，車速超出法定的道路限速值。這種行為可以分為兩類：一種是瞬時超速行車，通常發生在車輛突然加速的時候，例如超車，持續時間比較短；另一種是持續超速，即車輛在一段時間內持續超過限速值的行駛。目前對于超速駕駛行為的識別，主要通過設置相應速度閾值判斷車輛是否發生超速行為，該方法可能會導致一些瞬時超速行為被識別為超速行為，如短時間內的超車行為，也有可能導致一些超速行為無法被識別出來，所以該文將連續兩個及以上軌跡點均超速的軌跡序列視為超速行為。如圖1所示，在一條完整的行駛軌跡中，如果只有一個軌跡點發生超速，且前后軌跡點都在正常的速度范圍內，則將該點視為瞬時超速行為；如果前后連續出現兩個或以上的超速軌跡點，則將其視為持續超速行為。

1.2 超速行為識別流程

該文的超速研究主要分為兩個方面，首先是瞬時超速行為的提取，其次是持續超速行為的判定，具體識別流程如圖2所示。

基于軌跡數據的車輛超速行為識別方法的具體內容如下：

（1）瞬時超速軌跡點識別。將GPS軌跡點速度與所在道路速度限速閾值進行對比，得到車輛的瞬時超速行為；

（2）持續超速軌跡點識別。（1）中識別出來的超速軌跡點為瞬時超速數據，利用連續兩個及以上的軌跡點均超過道路速度限速閾值的方法，將持續超速軌跡點提取出來；

（3）持續超速行為統計。統計（2）中被識別為超速的軌跡點數量，再將（2）中識別出來的持續超速行為的附屬信息提取出來，主要包括車輛編號、時間、經緯度等；

（4）持續超速行為的時間分布情況。通過統計分析一天中各個小時的超速次數，分析該區域的超速時間分布情況。

識別超速行為的關鍵步驟包括以下幾個方面：（1）數據預處理；（2）道路速度限速閾值；（3）瞬時超速行為識別；（4）超速事件判定方法；（5）持續超速行為識別；（6）超速駕駛行為數量統計。

2 基于軌跡數據的車輛超速行為識別方法算例驗證

2.1 數據介紹及預處理

該文使用的數據分別是GPS軌跡數據和地圖數據。GPS軌跡數據是某地區33輛出租車的12萬條GPS軌跡數據，數據的時長為24 h，數據內容包括車輛編號、時間、經度、緯度、速度等，分布在該地區的15條道路上。地圖數據包含了大量的地理空間信息，是交通行業研究道路問題的重要工具，也是后續進行GPS數據處理的參照依據。該文是從OpenStreetMap平臺中獲取的地圖數據，OpenStreetMap是一個開源地圖。

雖然定位技術在不斷發展，但是由于交通擁堵、信號管控和站點停留等原因造成短時間停留或在有建筑物遮擋的區域進行移動時，收集到的數據將出現短時間的數據空白區。數據的漂移主要發生在高架橋等有建筑物遮擋或外界信號干擾較為嚴重的地方，需要通過不同的方法對缺失數據進行填補，對漂移數據進行修正。

（1）缺失數據插補。在數據缺失問題中，該文的GPS軌跡點缺失屬于隨機缺失，利用線性插補的方法進行數據插補，這種方法操作簡單，可以快速地處理數據。首先將GPS軌跡點中不合理的數據剔除，該文使用的GPS軌跡數據的時間間隔為15 s，所以將兩軌跡點間時間間隔超過15 s的數據認定為缺失數據，然后利用線性插值的方法進行缺失數據的插補。假設缺失點相鄰的兩個軌跡節點分別為（xm，ym）和（xn，yn），則缺失點的數值y的計算方法如公式（1）所示：

y= x?xn " "xm?xn ym+ x?xm " "xn?xm yn （1）

式中，x、y——缺失插值點的數值；xm、ym——缺失點相鄰節點1的數值；xn、yn——缺失點相鄰節點2的數值。

對于大量的數據缺失，缺失時間較大可能是由設備故障或數據傳輸異常導致，這部分數據的研究可行性較低，插補意義較小，所以將這部分數據剔除，防止其影響后續的識別。

（2）漂移數據處理。將GPS軌跡點導入路網中會發現有部分軌跡點偏離路段，與實際行駛路線不符，漂移的數據會影響后續軌跡速度與路段限速閾值的比較。該文利用地圖匹配方法進行漂移數據的處理，主要通過漂移軌跡段與路段之間的幾何關系，將漂移點匹配到正確的路段上，該方法的思路如下：

首先構建待匹配路段庫，該文使用的路段庫為研究區域內的15條道路，通過計算漂移軌跡點到待匹配路段的距離及角度，得出其基本概率分配情況，最后將漂移點的位置信息用投影點的信息進行替換，并填補到數據表中。

2.2 基于軌跡數據的超速行為識別

首先按照上述方法進行缺失數據和漂移數據的處理，并統計每條路段的道路限速閾值，然后將獲取的GPS軌跡點數據對應到不同的路段上，將每個GPS軌跡點的速度與當前道路限速閾值進行比較，得到車輛的全部瞬時超速行為，具體見表1所示。由于瞬時超速數據不能很好地體現車輛的車速行為，所以還需要進一步研究車輛的持續超速數據。

利用將連續兩個及以上的超速軌跡點視為持續超速行為的方法，對篩選出來的瞬時超速行為進行識別，共識別出8 471起超速事件，具體數據見表1所示，持續超速行為與瞬時超速行為對比情況如圖3所示。

從表1中可以看出，與第一次識別出來的瞬時超速數據相比，持續超速行為篩選掉了大概30%的瞬時超速數據。相較于最原始的基于速度閾值的方法，該文的方法對最終超速行為的識別起到了一定的篩選作用。

2.3 超速行為分布

為了對后續超速行為的結果進行進一步分析，該文從時間維度對篩選出來的持續超速行為進行分析，以一個小時為時間節點，將時間研究區域分為24個節點，可以得到研究區域內的超速行為分布情況，如表2所示：

從持續超速事件的時間分布可以看出，研究區域內的超速行為主要分布在晚上11點至凌晨2點，交通管理部門可以在這個時間段加大交警巡邏力度，對該區域進行實地考察，分析觀察該地段出現交通違法行為的原因，比如是否存在道路交通標志標線的缺失、損壞等現象，可在該地設置典型的移動式超速抓拍設施，此外還可以考慮在研究區域張貼反超速標語等措施。

3 結論

在交通領域，車輛超速行為對社會安全造成了極大影響。該文從車輛行駛過程中產生的GPS軌跡數據，進行車輛的超速行為研究，通過將相鄰兩個及以上的軌跡點均超速的數據識別為持續超速行為，篩選了基于固定速度閾值方法識別出的瞬時超速行為，能夠避免將車輛因超車等因素造成的瞬時超速行為識別為持續超速行為，并分析了超速行為的常發時段，相關管理部門可以在這個時間段加大管理力度。

參考文獻

[1]任慧君，許濤，李響.利用車載GPS軌跡數據實現公交車駕駛安全性分析[J].武漢大學學報（信息科學版），2014（6）：739-744.

[2]Guo J， Liu Y， Zhang L， et al. Driving behaviour style study with a hybrid deep learning framework based on GPS data[J]. Sustainability， 2018（7）：2351.

[3]李開放，劉忠濤，柏興濤，等.基于k-means聚類和神經網絡的超速行為識別研究[J].安徽建筑大學學報，2022（6）：83-88+102.

[4]許佳鑫.基于軌跡數據的“兩客一?！避囕v駕駛行為安全評價研究[D].石家莊：石家莊鐵道大學，2023.

[5]惠飛，彭娜，景首才，等.基于凝聚層次的駕駛行為聚類與異常檢測方法[J].計算機工程，2018（12）：196-201.

收稿日期：2024-09-02

作者簡介：崔懷煜（1978—），男，本科，研究方向：交通執法。

基金項目：道路交通安全公安部重點實驗室開放課題“多源信息融合的?；愤\輸車輛異常駕駛行為識別與預警”（2023ZDSYSK FKT06）；國家級大學生創新訓練計劃項目“基于視頻檢測的高速公路拋灑物識別及預警系統研究”（202310755044）。