基于廣義回歸神經(jīng)網(wǎng)絡(luò)的高速公路減速帶行車風(fēng)險檢測模型

王廣川

(中冶(貴州)建設(shè)投資發(fā)展有限公司 貴陽市 550000)

0 引言

交通安全是社會管理領(lǐng)域的重要組成部分[1]，90%的交通事故是由駕駛員的冒險行為造成的。速度是交通安全中最重要的因素之一，因為高速會增加撞車風(fēng)險和更嚴重的傷害[2]。在本研究中，駕駛風(fēng)險的狀態(tài)是減速區(qū)內(nèi)的行為，容易造成不良后果。車輛運動的參數(shù)通常是車速、加速度和車輛軌跡[3]?？梢酝ㄟ^觀察車輛運動參數(shù)來識別駕駛風(fēng)險。檢測模型的準確性是一個關(guān)鍵因素[4]。因此，建立一個高精度的神經(jīng)網(wǎng)絡(luò)模型來識別駕駛風(fēng)險。基于廣義回歸神經(jīng)網(wǎng)絡(luò)模型對高速公路減速區(qū)駕駛風(fēng)險檢測進行研究，旨在降低事故發(fā)生率，保障駕駛員安全。

1 駕駛風(fēng)險的影響因素分析

現(xiàn)有研究表明，影響駕駛員駕駛能力的主要因素有三個：

(1)疲勞導(dǎo)致駕駛員身體機能失衡。

(2)由于外界因素的干擾，分心駕駛使司機很難集中注意力。

(3)駕駛員受到暫時性傷害，如駕駛員實際工作能力下降，藥物和酒精的副作用。

車輛在減速區(qū)的狀態(tài)是駕駛員操縱車輛情況的具體表現(xiàn)，它可以確定駕駛員是否處于危險狀態(tài)。駕駛員在危險情況下的一個重要特征是操作車輛的反應(yīng)時間增加。處于危險駕駛條件下的駕駛員通常會對突然的速度制動做出反應(yīng)，以降低車輛的速度。此外，當(dāng)車輛行駛通過減速區(qū)時，如果沒有低于規(guī)定速度，這也是危險的駕駛狀態(tài)。因此，通過車輛運動參數(shù)來檢測駕駛員的狀態(tài)是有效的。

為了建立駕駛風(fēng)險的檢測模型，初步選擇反應(yīng)時間、加速度、初始速度、最終速度和速度差五個指標作為危險駕駛評估的表征指標。詳情見表1。根據(jù)減速區(qū)的特點，我們設(shè)計了危險駕駛狀態(tài)的檢測流程，如圖1所示。

表1 駕駛風(fēng)險表征指標集

圖1 危險駕駛狀態(tài)的檢測過程

2 實驗測試和數(shù)據(jù)優(yōu)化

本實驗的目的是收集減速區(qū)內(nèi)駕駛員和車輛的數(shù)據(jù)，如加速度、反應(yīng)時間、初始速度、最終速度和速度差。

2.1 實驗實施過程

基于實驗?zāi)康?，我們通過模擬駕駛實驗開發(fā)了一套綜合數(shù)據(jù)采集程序。我們選擇模擬駕駛平臺中的高速公路減速區(qū)場景作為典型路段，模擬駕駛平臺包含多個用于采集行為和車輛信號的傳感器，應(yīng)用于各種駕駛行為實驗。

有四種駕駛狀態(tài)：“正常駕駛”“超速駕駛”“分心駕駛”和“疲勞駕駛”。每個駕駛員在四種駕駛條件下繼續(xù)接受大約30min的測試。實驗設(shè)備實時采集駕駛員的生理信息、車輛運行參數(shù)和駕駛環(huán)境信息。駕駛員控制模擬駕駛平臺完成根據(jù)實驗操作過程的要求進行自然操作，多個傳感器采集所需的五個指標，即初始速度V1、最終速度VF、速度差△V，反應(yīng)時間T，加速度a。

實驗完成后，總結(jié)每個駕駛員的特征、車輛運行狀態(tài)、駕駛環(huán)境等數(shù)據(jù)，建立高速公路減速區(qū)駕駛實驗數(shù)據(jù)庫，完成檢測模型。

2.2 有效數(shù)據(jù)提取

根據(jù)實驗方案，我們需要通過多個傳感器獲得五個原始參數(shù)的信息。在獲得上述樣本數(shù)據(jù)后，可以根據(jù)式(1)、式(2)和式(3)計算反應(yīng)時間，經(jīng)過以上處理，我們可以得到上述五個所需的指標。

tR=t2-t1

(1)

ΔV=VF-V1

(2)

(3)

在這個模擬實驗中，每個駕駛員必須執(zhí)行三個正常駕駛過程和三個危險駕駛過程。危險駕駛過程分為超速駕駛、分心駕駛和疲勞駕駛。對于正常行駛，我們規(guī)定行駛速度不能超過高速公路相關(guān)路段的限速值。對于危險駕駛，由于模擬特點和實驗操作中的誤差，我們也剔除了無效數(shù)據(jù)。數(shù)據(jù)的組成如表2所示。

表2 部分原始樣本數(shù)據(jù)

在本實驗中，我們從31名駕駛員那里獲得了60多個小時的數(shù)據(jù)，并采用均勻抽樣的方法提取了正常和危險狀態(tài)下的332組有效數(shù)據(jù)。具體來說，訓(xùn)練集中有266個樣本，其中133個樣本分別處于正常狀態(tài)和危險狀態(tài)；測試集中有66個樣本，其中33個樣本分別處于正常狀態(tài)和危險狀態(tài)。

2.3 最佳表征篩選

表2是基于多個傳感器的原始數(shù)據(jù)集，每組數(shù)據(jù)包含加速度、反應(yīng)時間、初始速度、最終速度和速度差五個指標。檢驗五個指標在正常和危險狀態(tài)下是否有顯著差異，選出被檢驗的指標作為駕駛風(fēng)險的最佳指標。測試結(jié)果見表3。

表3 各項指標的方差分析結(jié)果

表3中的分析結(jié)果表明，在正常和危險狀態(tài)之間，初始速度、最終速度、反應(yīng)時間和加速度存在顯著差異(P<0.05)。也就是說以上四個指標都可以作為駕駛風(fēng)險的理想指標。然而速度差沒有通過方差分析測試。因此，加速度、反應(yīng)時間、初始速度和最終速度這四個指標將被用作駕駛風(fēng)險檢測模式識別的指標。

3 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的駕駛風(fēng)險檢測模型

3.1 經(jīng)典GRNN的結(jié)構(gòu)

在許多非線性模型中，人工神經(jīng)網(wǎng)絡(luò)模型因其良好的自適應(yīng)能力而得到廣泛應(yīng)用[5]。此外，在實際建模和計算中，廣義回歸神經(jīng)網(wǎng)絡(luò)比其他非線性模型具有更高的預(yù)測精度和更快的計算速度。GRNN是基于非線性回歸理論的前饋神經(jīng)網(wǎng)絡(luò)模型，結(jié)構(gòu)由四層組成，即輸入層、模式層、求和層和輸出層，如圖2所示。

圖2 廣義回歸神經(jīng)網(wǎng)絡(luò)的經(jīng)典結(jié)構(gòu)

輸入矩陣是X = [ x1,x2,…,xn]T，輸出矩陣是Y = [ y1,y2,…,yn]T。神經(jīng)元的數(shù)量等于訓(xùn)練樣本中輸入矩陣的維數(shù)。輸入層只將樣本變量發(fā)送到模式層，不參與實際操作。模式層神經(jīng)元的數(shù)量等于訓(xùn)練集樣本的數(shù)量，層神經(jīng)元傳遞函數(shù)為：

(4)

求和層使用兩種類型的神經(jīng)元來表示所有模式層神經(jīng)元的線。模式層和每個神經(jīng)元的連接權(quán)重為1，第一類求和函數(shù)為：

(5)

第二類加權(quán)所有模式層的神經(jīng)元，模式層與每個神經(jīng)元之間的連接權(quán)值作為訓(xùn)練集的輸出矩陣，第二類求和函數(shù)為：

(6)

輸出層中的每個神經(jīng)元都與求和層的兩種類型的結(jié)果相關(guān)聯(lián)。輸出函數(shù)是：

(7)

3.2 廣義回歸神經(jīng)網(wǎng)絡(luò)的算法過程

(1)生成訓(xùn)練集和測試集

我們使用隨機方法來生成訓(xùn)練集和測試集。如上所述，實驗數(shù)據(jù)包括駕駛狀態(tài)的類別(正常駕駛和危險駕駛)和四個指示器(加速度、反應(yīng)時間、初始速度和最終速度)。一些樣本數(shù)據(jù)如表4所示。訓(xùn)練集中有266個樣本，測試集中有66個樣本。

(2)創(chuàng)建用于驅(qū)動風(fēng)險的GRNN模型組

我們使用MATLAB神經(jīng)網(wǎng)絡(luò)的工具箱函數(shù)“newgrnn”來創(chuàng)建GRNN模型，建立了四個變量的總組合。將其分為15組，每個模型單獨構(gòu)建。例如：模型1中輸入層的變量是初始速度，模型2中輸入層的變量是初始速度和最終速度(應(yīng)為反應(yīng)時

表4 訓(xùn)練集和測試集的樣本數(shù)據(jù)

間)。輸入變量的組合如圖3所示，對應(yīng)于15個廣義回歸神經(jīng)網(wǎng)絡(luò)模型。

圖3 輸入對應(yīng)于15個模型的變量組合

(3)模擬測試

駕駛風(fēng)險的GRNN模型建立后，可以將測試集的輸入矩陣納入模型，模型的輸出即為相應(yīng)的預(yù)測結(jié)果。

(4)性能賦值

通過計算測試集的預(yù)測類別和實際類別之間的誤差，可以評價廣義回歸神經(jīng)網(wǎng)絡(luò)模型對駕駛風(fēng)險的泛化能力。同時，MATLAB函數(shù)“cputime”可以用來計算程序的運行時間，即衡量程序的運行速度和性能。

3.3 結(jié)果討論

由于訓(xùn)練集和測試集是隨機生成的，所以每次計算的結(jié)果略有不同。某些程序操作的結(jié)果是隨機選擇的，因此模型組的預(yù)測精度、運行時間和最優(yōu)模型測試結(jié)果分別顯示在圖4、圖5、圖6中。

(1)從圖4可以看出，廣義回歸神經(jīng)網(wǎng)絡(luò)模型具有良好的泛化能力，測試集的最佳預(yù)測準確率高達86.4%

(2)從圖4可以看出，單獨輸入每個變量建立的廣義回歸神經(jīng)網(wǎng)絡(luò)模型的數(shù)量為模型1、模型5、模型8和模型10，其中，僅由加速度建立的廣義回歸神經(jīng)網(wǎng)絡(luò)模型性能最差，而正確率只有59%。分別輸入反應(yīng)時間、初始速度和最終速度的廣義回歸

圖4 15個模型的預(yù)測精度

圖5 15個模型的運行時間

圖6 模型4的預(yù)測結(jié)果

神經(jīng)網(wǎng)絡(luò)模型具有更好的性能，正確率分別為74%、80%和79%。這說明加速度和車輛運動之間的相關(guān)性很小，但是初始速度、最終速度、反應(yīng)時間和車輛運動之間的相關(guān)性很大。

(3)在圖4中，模型1的輸入變量是加速度，模型2的輸入變量是加速度和反應(yīng)時間，模型3的輸入變量是加速度、反應(yīng)時間和初始速度，模型4的輸入變量是加速度、反應(yīng)時間、初始速度和最終速度。從圖3可以看出，從模型1到模型4，預(yù)測精度逐漸提高，同樣的規(guī)則也適用于模型5～模型7和模型8～模型9，這表明多種因素有助于對駕駛狀態(tài)的識別。輸入變量的數(shù)量與預(yù)測準確率正相關(guān)。

(4)從圖5可以看出，15個模型的平均運行時間約為0.2s，比BP神經(jīng)網(wǎng)絡(luò)算法快得多

(5)圖6中測試集預(yù)測表明模型4對應(yīng)駕駛風(fēng)險檢測結(jié)果最優(yōu)值，是一個典型的涉及四個參數(shù)的運行模型。模型4的預(yù)測精度為86.4%，高于其他模型。

4 結(jié)論

交通事故是對社會生活有負面影響的問題之一。由于旅行次數(shù)增加，它對人們的生活產(chǎn)生了負面影響。它不僅會威脅個人健康，還會因為經(jīng)濟損失而擾亂管理系統(tǒng)。

本研究旨在建立高速公路減速區(qū)行駛風(fēng)險檢測模型。在本研究中，考慮提高廣義回歸神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。這四個參數(shù)是通過方差分析選擇的，很明顯，輸入變量的數(shù)量與預(yù)測準確率正相關(guān)。因此提出了15個模型來選擇最佳預(yù)測模型，將廣義回歸神經(jīng)網(wǎng)絡(luò)模型用于車輛運動檢測，可以顯著降低駕駛風(fēng)險。