基于因子分析與人工神經(jīng)網(wǎng)絡(luò)的駕駛傾向性動(dòng)態(tài)辨識(shí)模型

張洪賓， 王 云， 孫龍祥

(山東理工大學(xué)交通與車(chē)輛工程學(xué)院， 淄博 255000)

駕駛過(guò)程中駕駛員對(duì)周?chē)h(huán)境感知及處理所表現(xiàn)出來(lái)的異常加減速、轉(zhuǎn)彎、變道等駕駛行為，極易引發(fā)交通事故[1-4]。準(zhǔn)確地識(shí)別駕駛員駕駛過(guò)程中的傾向性，提前做好汽車(chē)行駛過(guò)程中的安全預(yù)警具有重要意義。Yan等[5]根據(jù)駕駛員生理特征與情緒之間的相互關(guān)系，設(shè)計(jì)實(shí)驗(yàn)探尋駕駛員脈搏、血壓、皮電、呼吸等生理特性與駕駛情緒間的變化規(guī)律，利用選定的心理參數(shù)對(duì)駕駛員情緒進(jìn)行辨識(shí)與監(jiān)測(cè)。Schmidt-Daffy[6]認(rèn)為恐懼、焦慮等消極駕駛情緒會(huì)使駕駛員在駕駛?cè)蝿?wù)中保持謹(jǐn)慎保守的駕駛態(tài)度，并使用增加駕駛?cè)蝿?wù)與改變道路環(huán)境等方法進(jìn)行驗(yàn)證。李明俊等[7]依據(jù)支持向量機(jī)(support vector machine, SVM)與多分類半監(jiān)督學(xué)習(xí)算法，分別建立SVM與多分類半監(jiān)督學(xué)習(xí)的駕駛風(fēng)格識(shí)別模型，得出結(jié)論多分類半監(jiān)督學(xué)習(xí)算法(inductive multi-label classification with unlabeled data，iMLCU)模型，該模型與SVM相比可提高對(duì)駕駛傾向性的識(shí)別能力。Amanda等[8]認(rèn)為具有憤怒傾向的駕駛員在行駛過(guò)程中更容易產(chǎn)生消極駕駛情緒，在與其他交通參與者博弈過(guò)程中更容易被激怒，從而產(chǎn)生頻繁超車(chē)、換道、超速等攻擊性駕駛行為。Roidl等[9]建立不同的交通情境，參與者可通過(guò)在線調(diào)查感受到不同的交通情境，評(píng)價(jià)自己的情緒，從而研究交通情境和情感體驗(yàn)之間的關(guān)系。侯海晶等[10]提取表征駕駛風(fēng)格的特征參數(shù)，對(duì)不同風(fēng)格駕駛?cè)说鸟{駛行為數(shù)據(jù)進(jìn)行了量化分析。郝景賢等[11]在完成實(shí)車(chē)駕駛實(shí)驗(yàn)基礎(chǔ)上對(duì)駕駛數(shù)據(jù)提取特征參數(shù)并使用K-means聚類對(duì)其進(jìn)行聚類分析，完成駕駛傾向的辨識(shí)，辨識(shí)準(zhǔn)確率較高。程靜等[12]將競(jìng)爭(zhēng)學(xué)習(xí)算法應(yīng)用于駕駛行為預(yù)測(cè)，并對(duì)高興、平靜、憤怒、悲傷四種情緒進(jìn)行車(chē)速值預(yù)測(cè)，結(jié)果表明預(yù)測(cè)值非常接近觀測(cè)值。劉玲莉等[13]通過(guò)構(gòu)建路怒情緒影響下駕駛員注意、感覺(jué)、思維決策信息加工模型對(duì)低駕齡駕駛員進(jìn)行決策分析，結(jié)果表明路怒情緒對(duì)低駕齡駕駛員駕駛行為決策過(guò)程的注意、思維、感覺(jué)等有直接的影響關(guān)系。Zhang等[14]、Wang等[15]使用車(chē)載雷達(dá)與視頻檢測(cè)等技術(shù)手段采集駕駛員、其他交通參與者、駕駛環(huán)境等信息，探尋特定交通態(tài)勢(shì)下駕駛員駕駛行為及駕駛情感的變化規(guī)律，對(duì)不同道路環(huán)境下駕駛員駕駛傾向性預(yù)測(cè)、辨識(shí)等問(wèn)題進(jìn)行了研究，由于激光雷達(dá)成本較高，安裝復(fù)雜，抗震抗擾性較弱，容易產(chǎn)生一定誤差，普及率低且實(shí)驗(yàn)數(shù)據(jù)處理過(guò)程煩瑣。

以上研究對(duì)駕駛員的生心理指標(biāo)變化規(guī)律及其與駕駛行為的關(guān)系、駕駛員情緒與車(chē)速的關(guān)系等方面進(jìn)行了研究，但綜合使用心理測(cè)試、實(shí)車(chē)實(shí)驗(yàn)和模型預(yù)測(cè)對(duì)駕駛員的駕駛傾向性研究較少?，F(xiàn)以駕駛傾向性為研究對(duì)象，基于駕駛員心理測(cè)試、實(shí)車(chē)實(shí)驗(yàn)方式采集駕駛員駕駛傾向信息及駕駛狀態(tài)數(shù)據(jù)，采用因子分析和人工神經(jīng)網(wǎng)絡(luò)建立駕駛傾向性動(dòng)態(tài)辨識(shí)模型，并對(duì)模型進(jìn)行驗(yàn)證，以期準(zhǔn)確高效地辨識(shí)駕駛員駕駛過(guò)程中的駕駛傾向性，提前做好安全預(yù)警，對(duì)減少道路交通事故具有重要意義。

1 模型設(shè)計(jì)

1.1 駕駛傾向性

根據(jù)不同駕駛員在駕駛行為上的差異性，駕駛傾向性可劃分為保守型、普通型和激進(jìn)型。傳統(tǒng)駕駛傾向性辨識(shí)模型多采用自車(chē)車(chē)速、前車(chē)車(chē)速、前后車(chē)頭間距、前后車(chē)相對(duì)速度作為辨識(shí)模型的主要因素，參數(shù)選擇較少，而有些與駕駛傾向性有著明顯相關(guān)性的因素容易被忽略。另外，當(dāng)輸入?yún)?shù)增多時(shí)，模型運(yùn)算效率不高，無(wú)法直接代入使用?，F(xiàn)將從人-車(chē)動(dòng)態(tài)數(shù)據(jù)出發(fā)，分析駕駛員的駕齡、年齡、性別，自車(chē)速度、加速度以及與之對(duì)應(yīng)的最大值、最小值、均值、標(biāo)準(zhǔn)差，前車(chē)速度、前后車(chē)頭間距、前后車(chē)相對(duì)速度等指標(biāo)對(duì)駕駛傾向性的影響，利用因子提取駕駛傾向性特征向量作為人工神經(jīng)網(wǎng)絡(luò)辨識(shí)模型的輸入?yún)?shù)，實(shí)現(xiàn)駕駛傾向性的動(dòng)態(tài)辨識(shí)。

1.2 因子分析及神經(jīng)網(wǎng)絡(luò)組合模型

通過(guò)分析駕駛傾向性動(dòng)態(tài)辨識(shí)過(guò)程，設(shè)計(jì)基于因子分析與人工神經(jīng)網(wǎng)絡(luò)的駕駛傾向性動(dòng)態(tài)辨識(shí)模型。設(shè)x1，x2，…，xm為m個(gè)與駕駛傾向性有關(guān)的駕駛行為變量，這m個(gè)與駕駛傾向性有關(guān)的駕駛行為變量是由f1，f2，…，fn(n個(gè)主因子)和一個(gè)λm×n階矩陣的乘積加上ε(ε1,ε2,…,εm)組成，建立因子模型為Xm=λm×nfn+εm，具體表示為

(1)

(2)

(3)

(4)

(5)

(6)

(7)

如圖1所示，人工神經(jīng)網(wǎng)絡(luò)的輸入向量由因子分析獲得，駕駛傾向性數(shù)據(jù)沿著人工神經(jīng)網(wǎng)絡(luò)正向傳播，并根據(jù)誤差的大小反向修正誤差權(quán)值，重復(fù)訓(xùn)練，最終建立駕駛傾向性動(dòng)態(tài)辨識(shí)模型。

F1，F(xiàn)2，…，F(xiàn)n為n個(gè)因子分析獲得的特征參數(shù)并作為BP神經(jīng)網(wǎng)絡(luò)的輸入值；wij、wjk分別為人工神經(jīng)網(wǎng)絡(luò)各層間的連接權(quán)值

2 實(shí)驗(yàn)數(shù)據(jù)及指標(biāo)提取

2.1 實(shí)驗(yàn)設(shè)計(jì)

2.1.1 心理測(cè)試

征集50名出租車(chē)駕駛員，其中男性30名，女性20名，年齡均在20～50歲。參照文獻(xiàn)[14-15]對(duì)其進(jìn)行心理問(wèn)卷測(cè)試，根據(jù)這50名駕駛員最終問(wèn)卷得分情況，確定其靜態(tài)駕駛傾向性。

2.1.2 實(shí)車(chē)實(shí)驗(yàn)

(1)實(shí)驗(yàn)設(shè)備。實(shí)驗(yàn)需測(cè)試本車(chē)及前后車(chē)車(chē)速、前后車(chē)車(chē)距、周?chē)h(huán)境信息、駕駛員生理信息等，實(shí)驗(yàn)設(shè)備如圖2所示。

圖2 實(shí)驗(yàn)設(shè)備Fig.2 Experimental equipment

(2)實(shí)驗(yàn)條件與地點(diǎn)。實(shí)驗(yàn)地點(diǎn)選擇與具體行車(chē)路線如圖3所示。實(shí)驗(yàn)車(chē)輛為出租車(chē)，型號(hào)統(tǒng)一，實(shí)驗(yàn)時(shí)間選擇在天氣晴朗、周?chē)h(huán)境適宜且正常工作日的上午8:30—10:30，避開(kāi)早高峰期，車(chē)流量較多但不會(huì)產(chǎn)生長(zhǎng)時(shí)間擁堵。為確保駕駛?cè)说囊恢滦?，?shí)車(chē)實(shí)驗(yàn)人員為上述征集的50名出租車(chē)駕駛員，在身心狀態(tài)良好時(shí)開(kāi)始實(shí)驗(yàn)，圍繞圖3所示路線行駛一周計(jì)一次實(shí)驗(yàn)，其中紅色箭頭所指方向?yàn)閷?shí)驗(yàn)行駛方向，紅色標(biāo)記桿之間路段為實(shí)驗(yàn)數(shù)據(jù)路段，長(zhǎng)度為245 m。起點(diǎn)標(biāo)記桿位置的選擇是根據(jù)實(shí)際情景中交叉口上游車(chē)道數(shù)發(fā)生改變的位置而定；終點(diǎn)標(biāo)記桿的位置則是根據(jù)車(chē)輛駛離交叉口且不再受交叉口影響的位置而定。每人實(shí)驗(yàn)3～5次，收集駕駛行為數(shù)據(jù)，每次實(shí)驗(yàn)所獲得的數(shù)據(jù)為一組有效數(shù)據(jù)。

圖3 實(shí)驗(yàn)路線圖Fig.3 Road Map of the experiment

2.2 參數(shù)提取

實(shí)驗(yàn)過(guò)程中，裝備動(dòng)態(tài)人車(chē)環(huán)境信息采集系統(tǒng)的駕駛員在給定的路線上行駛。利用高清攝像機(jī)、激光測(cè)距儀、光纖配線盒車(chē)載自動(dòng)診斷系統(tǒng)(on board diagnostics，OBD)、全球定位系統(tǒng)(global positioning system，GPS)、陀螺儀等實(shí)驗(yàn)設(shè)備全程記錄本車(chē)及其(內(nèi)、外)環(huán)境、駕駛員及行為以及其他相關(guān)動(dòng)態(tài)傳感信息，進(jìn)而得到自車(chē)的速度均值、最小速度、最大速度、速度標(biāo)準(zhǔn)差、加速比例、減速比例、勻速比例、加速度均值、減速度均值、加速度標(biāo)準(zhǔn)差，以及前車(chē)速度、前后車(chē)頭間距共12個(gè)與駕駛員駕駛傾向性有明顯相關(guān)性的駕駛行為指標(biāo)。其中駕駛行為指標(biāo)名稱及縮寫(xiě)如表1所示。

表1 駕駛行為指標(biāo)名稱及縮寫(xiě)

以上駕駛指標(biāo)中存在一定相關(guān)性，可通過(guò)數(shù)據(jù)降維將相同性質(zhì)的變量歸為一個(gè)因子，找出具有代表性的因子。將已獲得數(shù)據(jù)輸入SPSS軟件進(jìn)行分析，檢驗(yàn)統(tǒng)計(jì)量(Kaiser-Meyer-Olkin，KMO)為0.545>0.5，適合做因子分析。分析結(jié)果顯示，前6個(gè)因子累計(jì)方差貢獻(xiàn)率為92.5%，能代表所有參數(shù)絕大部分信息。碎石圖展現(xiàn)因子分析里因子涵蓋變量信息多少[16]。與駕駛傾向性明顯相關(guān)的駕駛行為指標(biāo)碎石圖，如圖4所示。由圖4可知，前8個(gè)因子可以百分百提取數(shù)據(jù)所有信息，前6個(gè)因子折線坡度較陡，可以看出前6個(gè)因子占數(shù)據(jù)中變異性的大部分。結(jié)合累計(jì)方差貢獻(xiàn)率，提取前6個(gè)因子為公因子是合理的。

圖4 各成分碎石圖Fig.4 Macadam map of each component

3 模型參數(shù)訓(xùn)練及驗(yàn)證

3.1 模型參數(shù)訓(xùn)練

采用MATLAB語(yǔ)言編寫(xiě)算法構(gòu)建模型。經(jīng)過(guò)道路條件劃分，提取行駛在快速路基礎(chǔ)路段的駕駛行為數(shù)據(jù)469 組，并隨機(jī)選取其中400 組數(shù)據(jù)進(jìn)行因子分析作為訓(xùn)練樣本數(shù)據(jù)。綜合考慮各特征參數(shù)，設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-6-3，即3個(gè)輸入節(jié)點(diǎn)，6個(gè)隱含節(jié)點(diǎn)，3個(gè)輸出節(jié)點(diǎn)，其中激進(jìn)型、普通型、保守型駕駛傾向性分別表示為(0，0，1)、(0，1，0)、(1，0，0)。模型訓(xùn)練完成后，將剩余69 組數(shù)據(jù)輸入駕駛傾向性動(dòng)態(tài)辨識(shí)模型進(jìn)行模型測(cè)試，計(jì)算辨識(shí)模型準(zhǔn)確率與MSE值驗(yàn)證模型的準(zhǔn)確性。模型訓(xùn)練及驗(yàn)證流程如圖5所示。

圖5 模型訓(xùn)練及驗(yàn)證流程圖Fig.5 Model training and validation flow chart

3.2 模型驗(yàn)證

根據(jù)69組測(cè)試樣本輸出結(jié)果顯示(表2)，建立的模型駕駛傾向性動(dòng)態(tài)辨識(shí)的準(zhǔn)確率為89.85%，與BP神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)相比，訓(xùn)練時(shí)間減少0.13 s，準(zhǔn)確率提高5.59%，相對(duì)誤差降低4.33%。同時(shí)，圖6說(shuō)明了BP神經(jīng)網(wǎng)絡(luò)的測(cè)試、訓(xùn)練及驗(yàn)證均方誤差(MSE)變化情況，其中橫坐標(biāo)表示神經(jīng)網(wǎng)絡(luò)迭代次數(shù)，縱坐標(biāo)表示均方誤差變化情況。由圖6可知，網(wǎng)絡(luò)訓(xùn)練循環(huán)44次，MSE在第32次達(dá)到最優(yōu)值0.032。結(jié)果表明，運(yùn)用因子分析降低參數(shù)間相關(guān)性，再訓(xùn)練神經(jīng)網(wǎng)絡(luò)建立模型，可對(duì)駕駛員駕駛傾向性進(jìn)行高效動(dòng)態(tài)辨識(shí)。

圖6 模型預(yù)測(cè)結(jié)果誤差Fig.6 The error of model prediction

4 結(jié)論

通過(guò)心理測(cè)試、實(shí)車(chē)實(shí)驗(yàn)方式獲取不同駕駛傾向性的駕駛行為數(shù)據(jù)，重點(diǎn)分析汽車(chē)行駛速度、加速度等指標(biāo)，應(yīng)用因子分析與人工神經(jīng)網(wǎng)絡(luò)建立駕駛傾向性動(dòng)態(tài)辨識(shí)模型，通過(guò)駕駛員心理測(cè)試、實(shí)車(chē)實(shí)驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，結(jié)果表明該模型具有訓(xùn)練時(shí)間少、辨識(shí)準(zhǔn)確率較高、相對(duì)誤差低的特點(diǎn)，為提前做好安全預(yù)警，減少道路交通事故具有重要意義。