基于駕駛員避撞行為的行車風(fēng)險(xiǎn)判別方法的仿真研究?

熊曉夏，陳 龍，梁 軍，蔡英鳳，江浩斌

(江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013)

前言

在對(duì)本車和周圍車輛運(yùn)行狀態(tài)感知的基礎(chǔ)上，研究汽車未來(lái)行駛風(fēng)險(xiǎn)狀態(tài)的預(yù)測(cè)方法，有助于實(shí)現(xiàn)輔助駕駛系統(tǒng)準(zhǔn)確、及時(shí)的碰撞預(yù)警或干預(yù)機(jī)制。目前行車風(fēng)險(xiǎn)預(yù)警主要通過(guò)比較實(shí)時(shí)距離和計(jì)算安全距離的大小進(jìn)行危險(xiǎn)判別，用于計(jì)算安全距離的模型主要包括基于制動(dòng)過(guò)程運(yùn)動(dòng)學(xué)分析的安全距離模型[1]、基于車間時(shí)間的安全距離模型[2]和基于碰撞時(shí)間的安全距離模型[3]等。而實(shí)際上，從行車風(fēng)險(xiǎn)形成開始到發(fā)生危險(xiǎn)沖突的整個(gè)風(fēng)險(xiǎn)轉(zhuǎn)化過(guò)程很難用單一的時(shí)空距離參數(shù)(實(shí)際車距、車間時(shí)間和碰撞時(shí)間等)進(jìn)行描述，需要綜合考慮多個(gè)時(shí)空距離參數(shù)并采用更復(fù)雜的模型和算法對(duì)車輛防碰撞預(yù)警進(jìn)行研究。同時(shí)，目前國(guó)內(nèi)外預(yù)警模型算法通常僅考慮車輛的運(yùn)行特征(如車間距、速度和加速度特征等)[4-6]，而忽略了動(dòng)態(tài)駕駛員行為、道路和環(huán)境變化對(duì)行車風(fēng)險(xiǎn)狀態(tài)的影響，不能全面反映行車狀態(tài)之間的內(nèi)在轉(zhuǎn)化規(guī)律，不利于行車風(fēng)險(xiǎn)模型的準(zhǔn)確性和預(yù)測(cè)精度。因此，有必要研究充分考慮駕駛員行為、道路和環(huán)境特征的行車風(fēng)險(xiǎn)預(yù)測(cè)方法。

自然駕駛學(xué)習(xí)(naturalistic driving study，NDS)近年來(lái)在車輛安全研究領(lǐng)域得到了廣泛關(guān)注，它通過(guò)實(shí)時(shí)記錄緊急情況或事故發(fā)生前后一段時(shí)間內(nèi)的車輛運(yùn)動(dòng)狀態(tài)參數(shù)和駕駛員及周圍環(huán)境圖像信息，為事故分析和車輛安全技術(shù)等研究提供了可靠的科學(xué)依據(jù)[7]。本文中為解決車輛防碰撞預(yù)警問(wèn)題，擬在自然駕駛數(shù)據(jù)的基礎(chǔ)上，提出基于駕駛員避撞行為的行車風(fēng)險(xiǎn)狀態(tài)分類方法，并在此基礎(chǔ)上通過(guò)機(jī)器學(xué)習(xí)建立反映不同駕駛員行為、道路和環(huán)境特征的行車風(fēng)險(xiǎn)判別算法，辨識(shí)和預(yù)測(cè)汽車未來(lái)運(yùn)行風(fēng)險(xiǎn)狀態(tài)，為研究防碰撞預(yù)警策略和控制方法提供新的思路。

1 數(shù)據(jù)來(lái)源

本文中的行車風(fēng)險(xiǎn)數(shù)據(jù)來(lái)源于美國(guó)弗吉尼亞理工大學(xué)于2004-2005年采集的“100-car”自然駕駛數(shù)據(jù)[8]，其中包括68起事故數(shù)據(jù)和760起臨近事故(即駕駛員采取了緊急制動(dòng)或緊急避讓行為的情形)數(shù)據(jù)，每組數(shù)據(jù)記錄了事故(或臨近事故)發(fā)生前30s至事故發(fā)生后10s內(nèi)車輛的運(yùn)行狀態(tài)、駕駛員狀態(tài)以及交通和環(huán)境狀態(tài)等特征信息，可以滿足研究反映動(dòng)態(tài)駕駛員行為、道路和環(huán)境特征的行車風(fēng)險(xiǎn)預(yù)測(cè)方法的目的。由于該數(shù)據(jù)集對(duì)換道事故涉及的沖突車輛運(yùn)動(dòng)參數(shù)記錄不完整，僅選取追尾事故和臨近追尾事故作為行車風(fēng)險(xiǎn)事故觀測(cè)樣本，經(jīng)過(guò)剔除觀測(cè)值缺失和錯(cuò)誤的無(wú)效樣本，最終獲取行車風(fēng)險(xiǎn)事故樣本{X1，X2，…，XN}，其中N=114，每個(gè)樣本Xi(i=1，2，…，N)是時(shí)長(zhǎng)為Ti的時(shí)間序列，包括篩選整合后的車輛、駕駛員、道路和環(huán)境信息變量，如表1所示。

表1 “100-car”自然駕駛數(shù)據(jù)集變量

其中層次-1中變量刻畫了實(shí)時(shí)的車輛運(yùn)動(dòng)特征，將用于第3節(jié)進(jìn)行行車風(fēng)險(xiǎn)狀態(tài)劃分；層次-2中變量表征了車輛運(yùn)動(dòng)數(shù)據(jù)記錄時(shí)段駕駛員、道路和環(huán)境的特征，將用于第4節(jié)進(jìn)行行車模式劃分，如圖1所示。第5節(jié)將通過(guò)機(jī)器學(xué)習(xí)分別對(duì)不同的行車模式建立行車風(fēng)險(xiǎn)狀態(tài)判別算法。

圖1 算法設(shè)計(jì)流程框架圖

2 基于駕駛員避撞行為的行車風(fēng)險(xiǎn)狀態(tài)劃分

研究表明，行車風(fēng)險(xiǎn)等級(jí)可由駕駛員的避撞行為特征表征[7]，其機(jī)理如下：在跟車過(guò)程中，駕駛員會(huì)根據(jù)車間距離過(guò)近或過(guò)遠(yuǎn)通過(guò)加速或減速操作調(diào)整車間距離，直至形成穩(wěn)定的跟車狀態(tài)(即穩(wěn)態(tài)跟車)，在該狀態(tài)下駕駛員無(wú)需采取制動(dòng)措施；若在跟車過(guò)程中前車出現(xiàn)制動(dòng)，車輛間距離逐漸縮短，車輛間追尾碰撞風(fēng)險(xiǎn)逐漸增大(即險(xiǎn)態(tài)跟車)，當(dāng)碰撞風(fēng)險(xiǎn)程度超過(guò)了駕駛員的風(fēng)險(xiǎn)感知閾值，駕駛員就會(huì)立即采取制動(dòng)操作進(jìn)行避撞。因此，可將追尾碰撞事故(或臨近追尾事故)發(fā)生前跟車過(guò)程中自車制動(dòng)開始時(shí)刻的車輛狀態(tài)視為行車風(fēng)險(xiǎn)狀態(tài)，并根據(jù)該時(shí)刻的自車速度、車間距離和相對(duì)速度等車輛狀態(tài)參數(shù)特征對(duì)行車風(fēng)險(xiǎn)等級(jí)進(jìn)行劃分。

2.1 基于瞬時(shí)運(yùn)動(dòng)參數(shù)的行駛風(fēng)險(xiǎn)等級(jí)劃分

碰撞時(shí)間TTC和車間時(shí)間THW均為衡量車輛運(yùn)行風(fēng)險(xiǎn)的傳統(tǒng)特征參數(shù)，為避免單一傳統(tǒng)預(yù)警變量TTC對(duì)車間距離變小風(fēng)險(xiǎn)狀況和單一THW對(duì)兩車相對(duì)速度變大風(fēng)險(xiǎn)狀況的評(píng)價(jià)不足，本文中結(jié)合兩者優(yōu)點(diǎn)，對(duì)“100-car”自然駕駛數(shù)據(jù)集中事故和臨近事故樣本中車輛在制動(dòng)開始時(shí)刻的{-iTTC，THW}參數(shù)向量進(jìn)行K-means聚類(為避免相對(duì)車速較小時(shí)TTC無(wú)限大的問(wèn)題，取TTC的倒數(shù)iTTC進(jìn)行分析；負(fù)號(hào)保證了其隨風(fēng)險(xiǎn)變化的增減性與THW一致)，通過(guò)elbow法[9]得到K=5個(gè)瞬時(shí)行車風(fēng)險(xiǎn)類別，各類別分布情況如圖2所示。

圖2 駕駛員制動(dòng)開始時(shí)刻車輛運(yùn)動(dòng)參數(shù)分布

由圖2可知，在(臨近)追尾事故發(fā)生前駕駛員制動(dòng)開始時(shí)刻車輛運(yùn)動(dòng)參數(shù)分布空間基本可由①iTTC=0.7s-1，②THW=0.9s，③THW=1.3s，④THW=1.8s以及⑤THW=2.5s 5條界線劃分為5大區(qū)域。值得注意的是，在(臨近)事故樣本中駕駛員制動(dòng)開始時(shí)，存在著iTTC為負(fù)數(shù)(根據(jù)傳統(tǒng)TTC判別方法為無(wú)風(fēng)險(xiǎn)情況[10])但THW較小的iTTC-THW參數(shù)對(duì)，進(jìn)一步表明了僅使用兩個(gè)參數(shù)中的單個(gè)參數(shù)進(jìn)行行車風(fēng)險(xiǎn)評(píng)估的局限性。同時(shí)，結(jié)合其它文獻(xiàn)基于TTC的預(yù)警范圍設(shè)定(1.0s-1≤iTTC，0.67s-1≤

iTTC＜1.0s-1，iTTC＜0 范圍內(nèi)對(duì)應(yīng)的事故-沖突比分別預(yù)計(jì)為0.8，0.6和0)[10]，本文中基于瞬時(shí)運(yùn)動(dòng)參數(shù)最終將行駛風(fēng)險(xiǎn)等級(jí)(risk level，RL)按表2進(jìn)行劃分。

表2 瞬時(shí)行車風(fēng)險(xiǎn)等級(jí)劃分

2.2 基于時(shí)間窗行駛風(fēng)險(xiǎn)等級(jí)特征的行車風(fēng)險(xiǎn)狀態(tài)劃分

為克服單一觀測(cè)點(diǎn)包含信息的局限性，進(jìn)而提高預(yù)測(cè)算法的實(shí)時(shí)性和準(zhǔn)確性，將瞬時(shí)的行駛風(fēng)險(xiǎn)等級(jí)信息按時(shí)間序列順序合并劃分為短時(shí)間的風(fēng)險(xiǎn)等級(jí)時(shí)間窗，如圖3所示，其中“100-car”自然駕駛數(shù)據(jù)集中的每個(gè)采樣時(shí)刻(采樣間隔為0.1s，即10Hz)對(duì)應(yīng)一個(gè)瞬時(shí)行車風(fēng)險(xiǎn)等級(jí)，例如圖中時(shí)長(zhǎng)φ=1.3s的時(shí)間窗由14個(gè)觀測(cè)到的瞬時(shí)行車風(fēng)險(xiǎn)等級(jí)組成，時(shí)刻t的行車風(fēng)險(xiǎn)狀態(tài)將由結(jié)束于時(shí)刻t的風(fēng)險(xiǎn)等級(jí)時(shí)間窗內(nèi)所有瞬時(shí)風(fēng)險(xiǎn)等級(jí)的統(tǒng)計(jì)特征值通過(guò)聚類算法決定。

圖3 行車風(fēng)險(xiǎn)等級(jí)時(shí)間窗示意圖

選取時(shí)間窗內(nèi)瞬時(shí)行車風(fēng)險(xiǎn)等級(jí)的平均值RLavg、時(shí)間窗內(nèi)最后觀測(cè)到的風(fēng)險(xiǎn)等級(jí)(即t時(shí)刻的瞬時(shí)風(fēng)險(xiǎn)等級(jí))RLlast和時(shí)間窗內(nèi)風(fēng)險(xiǎn)等級(jí)的趨勢(shì)值CON作為每個(gè)時(shí)間窗的統(tǒng)計(jì)特征變量。其中趨勢(shì)值CON源于圖像分析領(lǐng)域表征灰度變化特點(diǎn)的統(tǒng)計(jì)量Contrast[11]。本文中針對(duì)風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題，對(duì)時(shí)間窗內(nèi)風(fēng)險(xiǎn)等級(jí)觀測(cè)序列的趨勢(shì)值CON定義如下：

式中dij為風(fēng)險(xiǎn)度共生矩陣的第i行第j列元素(此處i，j代表瞬時(shí)行車風(fēng)險(xiǎn)等級(jí))。dij的表達(dá)式為

式中：Nij為按時(shí)間窗內(nèi)時(shí)間序列方向相鄰時(shí)刻組成的風(fēng)險(xiǎn)等級(jí)對(duì)(i，j)出現(xiàn)的次數(shù)；N_pairs為所有相鄰時(shí)刻風(fēng)險(xiǎn)等級(jí)可能組成的對(duì)數(shù)。以一個(gè)包含連續(xù)10個(gè)時(shí)刻瞬時(shí)行車風(fēng)險(xiǎn)等級(jí)的時(shí)間窗為例，dij的具體計(jì)算方法如圖4所示。

圖4 時(shí)間窗風(fēng)險(xiǎn)等級(jí)共生矩陣示意圖

由式(1)和式(2)可以看出，CON不僅衡量了時(shí)間窗內(nèi)每個(gè)觀測(cè)數(shù)據(jù)點(diǎn)與其相鄰數(shù)據(jù)點(diǎn)的對(duì)比強(qiáng)度關(guān)系，并反映了一個(gè)時(shí)間序列中數(shù)值的趨勢(shì)變化特征(即當(dāng)時(shí)間窗內(nèi)瞬時(shí)風(fēng)險(xiǎn)等級(jí)呈上升趨勢(shì)時(shí)CON為正值，反之為負(fù)值)，故在此用于表征時(shí)間窗內(nèi)風(fēng)險(xiǎn)等級(jí)的變化規(guī)律。

提取每個(gè)時(shí)間窗內(nèi)風(fēng)險(xiǎn)等級(jí)的均值、方差和趨勢(shì)值[RLavg，RLlast，CON]作為該時(shí)間窗的特征向量xi，對(duì)樣本劃分得到的所有時(shí)間窗特征向量{x1，x2，…，xn，…，xN′}進(jìn)行 K-means 聚類，獲取基于時(shí)間窗的K′類行駛風(fēng)險(xiǎn)狀態(tài)。從理論上講，時(shí)間窗長(zhǎng)度越長(zhǎng)，所涵蓋的車輛行駛信息越多，預(yù)測(cè)準(zhǔn)確率越高，但時(shí)間窗長(zhǎng)度越長(zhǎng)，更難突出反映車輛行駛最新的動(dòng)態(tài)變化特征，預(yù)測(cè)及時(shí)性降低。因此，為滿足預(yù)測(cè)的準(zhǔn)確度和及時(shí)性要求，本文中折中選取時(shí)間窗時(shí)長(zhǎng)φ=1.5s。同時(shí)，為獲取盡可能多的時(shí)間窗觀測(cè)樣本進(jìn)行風(fēng)險(xiǎn)狀態(tài)聚類分析，此處按時(shí)間窗間隔δ=0.1s對(duì)所有時(shí)間序列樣本進(jìn)行劃分，見圖3。為便于未來(lái)構(gòu)建行車風(fēng)險(xiǎn)預(yù)警策略，最終基于聚類劃分K′=3個(gè)風(fēng)險(xiǎn)狀態(tài)：1-高風(fēng)險(xiǎn)，2-中風(fēng)險(xiǎn)，3-低風(fēng)險(xiǎn)，風(fēng)險(xiǎn)聚類結(jié)果如表3所示，每個(gè)類別內(nèi)聚類變量RLavg，RLlast，CON和運(yùn)動(dòng)參數(shù)iTTC及THW的分布情況如圖5(各圖橫坐標(biāo)代表每個(gè)聚類狀態(tài)內(nèi)時(shí)間窗樣本的序列號(hào))所示。

表3 基于時(shí)間窗的風(fēng)險(xiǎn)狀態(tài)聚類結(jié)果

如表3所示，當(dāng)風(fēng)險(xiǎn)狀態(tài)由狀態(tài)1→狀態(tài)3變化時(shí)，-iTTC和THW的平均值均呈下降趨勢(shì)，說(shuō)明行車風(fēng)險(xiǎn)狀態(tài)正在向更危險(xiǎn)的狀態(tài)演變，因此定義狀態(tài)1為低風(fēng)險(xiǎn)狀態(tài)，狀態(tài)2為中風(fēng)險(xiǎn)狀態(tài)，狀態(tài)3為高風(fēng)險(xiǎn)狀態(tài)。圖5有兩點(diǎn)值得注意(與傳統(tǒng)的基于TTC的風(fēng)險(xiǎn)評(píng)估不完全相符)：

(1)在圖5(i)和圖5(l)中，一些TTC平均值高(iTTC∈(0，0.4)，即TTC＞2.5s)但THW平均值低(＜2s)且CON為正(表明在時(shí)間窗內(nèi)的風(fēng)險(xiǎn)等級(jí)序列呈上升趨勢(shì))的時(shí)間窗被分配到高風(fēng)險(xiǎn)狀態(tài)而不是低風(fēng)險(xiǎn)狀態(tài)；

(2)在圖5(h)和圖5(k)中，一些TTC平均值低(iTTC＞1s-1，即TTC＜1s)但CON為負(fù)(表明時(shí)間窗內(nèi)的風(fēng)險(xiǎn)等級(jí)序列呈下降趨勢(shì))且窗內(nèi)最后觀測(cè)到的瞬時(shí)風(fēng)險(xiǎn)等級(jí)低的時(shí)間窗被分配到中等風(fēng)險(xiǎn)狀態(tài)而不是高風(fēng)險(xiǎn)狀態(tài)。

以上兩點(diǎn)表明本文中提出的行車風(fēng)險(xiǎn)狀態(tài)分類與傳統(tǒng)的基于TTC閾值的風(fēng)險(xiǎn)評(píng)估存在差異，原因在于本文中定義的風(fēng)險(xiǎn)狀態(tài)是基于TTC-THW的二維平面而不是基于TTC的一維空間。注意到本文中高風(fēng)險(xiǎn)類的平均TTC值約為2.3s(表3狀態(tài)3中iTTC_avg=0.438s-1)，接近于NHTSA的TTC=2.4s的警告閾值[12]，表明此處的風(fēng)險(xiǎn)聚類結(jié)果是可信的。

圖5 各風(fēng)險(xiǎn)狀態(tài)類別內(nèi)聚類變量RLlast，CON和運(yùn)動(dòng)參數(shù)iTTC及THW的分布情況

3 基于駕駛員、道路和環(huán)境狀態(tài)的行車模式分類

研究表明，駕駛員和道路環(huán)境狀態(tài)對(duì)行車風(fēng)險(xiǎn)有顯著影響[13]，因此在建立行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)算法過(guò)程中，需考慮相關(guān)因素變量影響?？紤]到駕駛員、道路和環(huán)境變量維數(shù)多且復(fù)雜，不利于預(yù)測(cè)模型的預(yù)測(cè)效果[14]，因此對(duì)其進(jìn)行降維處理并進(jìn)行聚類分析，提取不同駕駛員-道路-環(huán)境因素下的行車模式(driving mode，DM)，為第4節(jié)基于不同行車模式下的行車風(fēng)險(xiǎn)狀態(tài)SVM模型預(yù)測(cè)奠定基礎(chǔ)。

通過(guò)計(jì)算各變量Spearson相關(guān)系數(shù)對(duì)變量進(jìn)行初步篩選(剔除相關(guān)度低的變量)，并通過(guò)主成分分析(principle component analysis，PCA)試驗(yàn)變量組合，最終獲得對(duì)樣本數(shù)據(jù)變異解釋程度最大的變量組合，如表4所示。其中駕駛員“非駕駛?cè)蝿?wù)”指駕駛員進(jìn)行的與駕駛?cè)蝿?wù)無(wú)關(guān)的任意其它行為(如打電話或飲食等)，可按實(shí)現(xiàn)該行為的復(fù)雜程度進(jìn)行等級(jí)劃分，按文獻(xiàn)[15]中的分類標(biāo)準(zhǔn)將駕駛員的非駕駛?cè)蝿?wù)行為分為簡(jiǎn)單、中等和復(fù)雜3大類。注意到所有變量均為多類別離散變量，而傳統(tǒng)PCA分析僅適用于連續(xù)變量，因而在此采用改進(jìn)的非線性PCA方法進(jìn)行主成分分析：首先采用最佳量化非線性方法將離散類別轉(zhuǎn)化為連續(xù)值，然后再對(duì)轉(zhuǎn)換后的變量連續(xù)值進(jìn)行傳統(tǒng)主成分分析[16]。非線性PCA算法由SAS中Prinqual和Princomp過(guò)程實(shí)現(xiàn)[17]，得到選擇變量(表4)的主成分分析結(jié)果如表5所示。

表4 最大樣本數(shù)據(jù)變異解釋程度變量列表

表5 所選變量主成分分析結(jié)果

有文獻(xiàn)表明，各成分特征值達(dá)到1以上，累積貢獻(xiàn)率達(dá)到60%以上，即可基本滿足分析要求[18]，因此選取前5個(gè)成分代替原多維變量對(duì)行車模式進(jìn)行K-means聚類劃分，最終得到KDM=3個(gè)行車模式(DM1，DM2，DM3)，各行車模式聚類中心的原始變量值如圖6所示。

值得注意的是，由圖6中IAT，NST，HST的中心值可以看出，從行車模式DM1到DM3駕駛員駕駛分心狀態(tài)的范圍和程度呈明顯下降趨勢(shì)(DM3內(nèi)駕駛員未觀測(cè)到駕駛分心行為)，而其它變量沒有觀測(cè)到明顯的變化規(guī)律。結(jié)果反映駕駛員分心狀態(tài)變量(IAT，NST，HST)對(duì)樣本數(shù)據(jù)變異解釋程度最大，是行車模式聚類最主要的特征變量。

圖6 各行車模式聚類中心變量值

4 基于SVM的行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)

4.3 SVM基本原理

SVM(support vector machine)為機(jī)器學(xué)習(xí)的代表算法之一，對(duì)分類預(yù)測(cè)問(wèn)題具有較好的預(yù)測(cè)效果(文獻(xiàn)[4]和文獻(xiàn)[19]中利用SVM對(duì)換道安全性進(jìn)行預(yù)測(cè)并獲得了較高的預(yù)測(cè)準(zhǔn)確率)，因而被本文中用于行車風(fēng)險(xiǎn)狀態(tài)類別預(yù)測(cè)。給定樣本數(shù)據(jù)，其算法主要通過(guò)高維空間變換(即將原輸入空間的樣本映射至高維的特征空間)在高維特征空間中尋找間隔最大的超平面將樣本進(jìn)行分類，且保證該超平面具有最好的泛化能力，其數(shù)學(xué)表達(dá)式為

式中：φ(x)為特征空間；w為權(quán)重向量；b為偏置項(xiàng)。該問(wèn)題可由如下表達(dá)式求解：

式中：{xi，yi}為給定N組帶標(biāo)記的訓(xùn)練數(shù)據(jù)，i=1，2，…，N；C為選用值懲罰參數(shù)；K(xi，xj)為核函數(shù)，即將原始向量xi和xj投影至特征空間后作內(nèi)積。則給定新的觀測(cè)向量z，SVM的判別函數(shù)D(z)為

式中為式(4)的最優(yōu)解。

4.2 模型構(gòu)建

以t時(shí)刻時(shí)間窗內(nèi)行車風(fēng)險(xiǎn)等級(jí)統(tǒng)計(jì)向量[RLavg，RLlast，CON]為輸入特征變量，以t+δ時(shí)刻(δ為時(shí)間窗滾動(dòng)間隔，見圖3)時(shí)間窗內(nèi)的行車風(fēng)險(xiǎn)狀態(tài)類別為SVM輸出預(yù)測(cè)類別(即δ為基于SVM的行車風(fēng)險(xiǎn)狀態(tài)類別預(yù)測(cè)區(qū)間)，綜合考慮駕駛員和環(huán)境狀態(tài)(即第3節(jié)中定義的行車模式)對(duì)行車風(fēng)險(xiǎn)的潛在影響，利用SVM對(duì)不同的行車模式分別建立基于時(shí)間窗行車風(fēng)險(xiǎn)等級(jí)統(tǒng)計(jì)特征的行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)模型。為不失一般性，按行車模式隨機(jī)選取60%時(shí)間序列樣本(共68個(gè))內(nèi)劃分的時(shí)間窗作為SVM判別器訓(xùn)練集，剩余的40%時(shí)間序列樣本(共46個(gè))劃分的時(shí)間窗作為測(cè)試集。根據(jù)訓(xùn)練集數(shù)據(jù)試驗(yàn)，不同行車模式SVM的平均正確率隨δ時(shí)長(zhǎng)的變化趨勢(shì)如表6所示。

表6 不同預(yù)測(cè)區(qū)間下SVM的平均預(yù)測(cè)準(zhǔn)確率

由表6可以看出，隨著預(yù)測(cè)區(qū)間δ的增大，SVM的平均正確率呈遞減趨勢(shì)，這可能是由于隨著預(yù)測(cè)視距變長(zhǎng)，車輛動(dòng)態(tài)變化存在的不確定因素更多，預(yù)測(cè)難度亦更大?？紤]到預(yù)測(cè)區(qū)間為1.0s時(shí)模型平均預(yù)測(cè)準(zhǔn)確率可達(dá)90%水平，且研究表明若駕駛員能在碰撞風(fēng)險(xiǎn)發(fā)生前1.0s得到風(fēng)險(xiǎn)預(yù)警，則90%左右的追尾事故可以避免[20]，因此綜合考慮防碰撞預(yù)警的準(zhǔn)確性和實(shí)時(shí)性要求，最終選擇δ=1.0s作為SVM行車風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)區(qū)間。

4.3 結(jié)果分析

對(duì)于風(fēng)險(xiǎn)類別預(yù)測(cè)問(wèn)題，通常需要考慮預(yù)測(cè)結(jié)果的真正率(true positive rate，TPR)和假正率(false positive rate，F(xiàn)PR)問(wèn)題。結(jié)合本文中行車風(fēng)險(xiǎn)狀態(tài)的劃分類別，預(yù)測(cè)結(jié)果的真正(TP)、假正(FP)、真負(fù)(TN)和假負(fù)(FN)的定義見表7，低、中、高風(fēng)險(xiǎn)狀態(tài)類別的預(yù)測(cè)正確率Acc1，Acc2和Acc3也如表7最后一行所示。

表7 預(yù)測(cè)結(jié)果劃分

相應(yīng)的真正率(TPR)和假正率(FPR)定義為

可以看出，該定義下TPR與高風(fēng)險(xiǎn)類別的預(yù)測(cè)正確率Acc3相同(即TPR=Acc3)。真正率TPR越高，說(shuō)明高風(fēng)險(xiǎn)狀態(tài)被提前預(yù)測(cè)的正確率越高，該預(yù)測(cè)系統(tǒng)的有效性亦越高。為了避免真正率越高可能帶來(lái)的模型過(guò)擬合問(wèn)題，一般同時(shí)需保證模型預(yù)測(cè)的假正率FPR(實(shí)際為中、低風(fēng)險(xiǎn)狀態(tài)但被預(yù)測(cè)為高風(fēng)險(xiǎn)狀態(tài)的比例)在合理范圍內(nèi)，考慮駕駛員對(duì)預(yù)測(cè)結(jié)果為假正的容忍限度，在實(shí)際應(yīng)用中最高假正率FPR通常選為5%。

基于不同行車模式的訓(xùn)練集數(shù)據(jù)(即按行車模式將訓(xùn)練樣本劃分為3組)，在風(fēng)險(xiǎn)預(yù)測(cè)區(qū)間δ=1.0s下，采用5-折交叉驗(yàn)證法得到不同行車模式下SVM的訓(xùn)練模型，利用訓(xùn)練得到的SVM模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到不同行車模式(DM)下基于SVM的行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)正確率Acc(5%FPR條件下)，如圖7所示。

圖7 基于SVM的行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)結(jié)果

由圖7可以看出，模型的預(yù)測(cè)正確率隨行車模式變化DM1→DM3呈遞減趨勢(shì)，這可能是由于DM1表征的駕駛員分心狀態(tài)對(duì)行車風(fēng)險(xiǎn)狀態(tài)變化的影響規(guī)律能更好地反映在SVM模型中，因而該行車模式下SVM模型的預(yù)測(cè)正確率普遍更高；而DM3表征的其它道路、環(huán)境狀態(tài)對(duì)行車風(fēng)險(xiǎn)狀態(tài)變化的影響機(jī)理更為復(fù)雜，更難在相應(yīng)SVM模型中得到全面反映，導(dǎo)致預(yù)測(cè)正確率降低。同時(shí)結(jié)果顯示，對(duì)于每一種行車模式，建立的SVM模型對(duì)高風(fēng)險(xiǎn)狀態(tài)的預(yù)測(cè)正確率(Acc3)最高(可達(dá)90%以上)，中風(fēng)險(xiǎn)狀態(tài)(Acc2)次之，低風(fēng)險(xiǎn)狀態(tài)(Acc1)最低，說(shuō)明基于SVM的行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)模型能有效預(yù)測(cè)高風(fēng)險(xiǎn)行車狀態(tài)。另外，基于所有訓(xùn)練樣本得到的基準(zhǔn)SVM模型(未按不同行車模式樣本組分別進(jìn)行訓(xùn)練)的預(yù)測(cè)總準(zhǔn)確率(總Acc1，總Acc2，總Acc3)均低于按行車模式分別訓(xùn)練的SVM模型的平均預(yù)測(cè)準(zhǔn)確率，說(shuō)明駕駛員、道路和環(huán)境特征對(duì)行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)有顯著影響，在進(jìn)行行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)建模時(shí)應(yīng)該考慮這些特征的差異化作用。

5 結(jié)論

針對(duì)行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)問(wèn)題提出了基于駕駛員避撞行為的風(fēng)險(xiǎn)狀態(tài)分類方法，并綜合考慮駕駛員-道路-環(huán)境因素的影響通過(guò)聚類方法對(duì)行車模式進(jìn)行了劃分，建立了基于不同行車模式的行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)算法，最后通過(guò)美國(guó)“100-car”自然駕駛數(shù)據(jù)對(duì)預(yù)測(cè)算法進(jìn)行了訓(xùn)練和驗(yàn)證。研究結(jié)果表明，駕駛員、道路和環(huán)境特征對(duì)行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)的準(zhǔn)確率有顯著影響(特別是駕駛員分心狀態(tài))，在構(gòu)建行車風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)算法時(shí)應(yīng)該充分考慮這些特征的差異化作用；同時(shí)，不同行車模式下SVM模型對(duì)各風(fēng)險(xiǎn)狀態(tài)的預(yù)測(cè)正確率均可達(dá)到80%以上，其中對(duì)高風(fēng)險(xiǎn)狀態(tài)的預(yù)測(cè)正確率可達(dá)90%以上，且均能滿足假正率FPR低于5%的要求。說(shuō)明本文中構(gòu)建的預(yù)測(cè)算法對(duì)未來(lái)行車過(guò)程中的高風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)具有較高的準(zhǔn)確率，有助于對(duì)臨近危險(xiǎn)狀態(tài)的駕駛員給予及時(shí)的警告或者輔助糾正，為研究防碰撞預(yù)警策略和控制方法提供了新的思路。未來(lái)可通過(guò)獲取更多實(shí)際的事故和臨近事故駕駛數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化，通過(guò)實(shí)車試驗(yàn)考察模型的在線實(shí)時(shí)預(yù)測(cè)效果，將其應(yīng)用到安全輔助駕駛系統(tǒng)中。