面向運(yùn)輸風(fēng)險(xiǎn)識(shí)別的高速公路貨車(chē)用戶畫(huà)像方法

林培群 龔敏平 周楚昊

（華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640）

2021年我國(guó)全年公路營(yíng)業(yè)性貨運(yùn)量為391.39億噸，約占貨運(yùn)總量的75.04%，年末擁有載貨汽車(chē)1 173.26萬(wàn)輛，共17 099.50萬(wàn)噸位［1］。然而，由于高速公路貨車(chē)非法改裝、疲勞駕駛、超限超載等現(xiàn)象長(zhǎng)期存在，不僅嚴(yán)重破壞了公路交通設(shè)施和橋梁設(shè)施，安全也成為困擾行業(yè)良性發(fā)展的痛點(diǎn)。據(jù)統(tǒng)計(jì)，我國(guó)貨車(chē)保有量占全部機(jī)動(dòng)車(chē)保有量比重不足10%，但導(dǎo)致的事故占1/4，導(dǎo)致一次死亡3人以上事故約占1/3，導(dǎo)致一次死亡10人以上事故占40%［2］。因此，交通管理人員必須應(yīng)用更有針對(duì)性的、精細(xì)化的交通管控方法來(lái)提高貨運(yùn)行業(yè)安全水平。

隨著交通大數(shù)據(jù)獲取設(shè)施不斷完備以及大數(shù)據(jù)技術(shù)的快速發(fā)展，研究人員可基于交通大數(shù)據(jù)進(jìn)行出行特征畫(huà)像和出行群體分類(lèi)辨識(shí)模型研究，現(xiàn)有研究多側(cè)重于利用交通大數(shù)據(jù)對(duì)出行客車(chē)或全車(chē)型進(jìn)行出行特征畫(huà)像和分類(lèi)，如暢玉皎等［3］基于上海快速路牌照識(shí)別系統(tǒng)采集的數(shù)據(jù)，通過(guò)K-means聚類(lèi)進(jìn)行數(shù)據(jù)挖掘，提取通勤特征車(chē)輛；蔡素賢等［4］基于車(chē)輛運(yùn)行數(shù)據(jù)，提取了18項(xiàng)與駕駛行為相關(guān)的特征，并采用隨機(jī)森林算法對(duì)疲勞駕駛進(jìn)行識(shí)別；魏廣奇等［5］基于高速公路流水?dāng)?shù)據(jù)，利用聚類(lèi)方法進(jìn)行通勤車(chē)輛識(shí)別；徐進(jìn)等［6］以重慶市包茂高速某路段的電子不停車(chē)收費(fèi)數(shù)據(jù)為基礎(chǔ)，分析了一般路段和連續(xù)上坡路段不同車(chē)型的速度分布特征。

另外，對(duì)于高速公路貨車(chē)貨運(yùn)安全的研究中，側(cè)重風(fēng)險(xiǎn)量化評(píng)估和貨運(yùn)安全指標(biāo)構(gòu)建的較多，如裴愛(ài)暉等［7］構(gòu)建運(yùn)輸企業(yè)與從業(yè)人員的安全評(píng)價(jià)指標(biāo)體系，基于評(píng)價(jià)指標(biāo)體系，提出面向評(píng)價(jià)對(duì)象的安全量化評(píng)估方法及分級(jí)管理方法；宿碩等［8］構(gòu)建了以駕駛員超速駕駛行為和疲勞駕駛行為信息為基礎(chǔ)的公路貨運(yùn)安全指數(shù)，從時(shí)間序列角度分析了公路貨運(yùn)安全狀況的變化規(guī)律；張坤等［9］應(yīng)用長(zhǎng)大下坡風(fēng)險(xiǎn)指數(shù)評(píng)價(jià)方法，研究貨車(chē)及大貨車(chē)等載重汽車(chē)在長(zhǎng)縱坡條件下車(chē)輛行駛過(guò)程中多項(xiàng)指標(biāo)與事故發(fā)生頻率的相關(guān)性，進(jìn)而選定判定指標(biāo)，得出風(fēng)險(xiǎn)指數(shù)模型。同時(shí)，也有研究者基于駕駛員生物特征對(duì)駕駛員危險(xiǎn)駕駛行為進(jìn)行監(jiān)測(cè)和預(yù)警：如閔建亮等［10］提出基于前額腦電（EEG）信號(hào)多尺度小波對(duì)數(shù)能量熵的駕駛疲勞檢測(cè)方法；王紅君等［11］提出一種基于計(jì)算機(jī)視覺(jué)的面部多特征疲勞駕駛檢測(cè)算法，在此基礎(chǔ)上提出4個(gè)反映駕駛員疲勞狀態(tài)的指標(biāo)，據(jù)此對(duì)駕駛員疲勞狀態(tài)進(jìn)行分級(jí)；Zhao等［12］提出了一種基于人臉動(dòng)態(tài)融合信息和深度信念網(wǎng)絡(luò)（DBN）的駕駛員瞌睡表情識(shí)別框架；Gao等［13］基于多通道腦電圖（EEG）信號(hào)的時(shí)空結(jié)構(gòu)，開(kāi)發(fā)了一種基于EEG的時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（ESTCNN）來(lái)檢測(cè)疲勞駕駛。從已有研究來(lái)看，利用交通大數(shù)據(jù)，應(yīng)用用戶畫(huà)像和群體分類(lèi)理論提高貨運(yùn)安全水平的研究較少。

因此，基于對(duì)上述問(wèn)題的思考，本研究基于高速公路收費(fèi)數(shù)據(jù)，提出基于貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像的貨車(chē)運(yùn)行風(fēng)險(xiǎn)等級(jí)識(shí)別模型。首先，從駕駛行為和營(yíng)運(yùn)狀態(tài)兩方面制定面向貨運(yùn)風(fēng)險(xiǎn)識(shí)別的用戶畫(huà)像標(biāo)簽體系；然后，利用K-means++算法獲得貨車(chē)貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像分類(lèi)結(jié)果；最后，使用熵權(quán)法對(duì)各類(lèi)貨車(chē)進(jìn)行貨運(yùn)風(fēng)險(xiǎn)評(píng)分，確定各類(lèi)別貨車(chē)的風(fēng)險(xiǎn)等級(jí)。進(jìn)一步分析各類(lèi)別貨車(chē)的出行特征，據(jù)此為不同風(fēng)險(xiǎn)等級(jí)貨車(chē)車(chē)輛提供精細(xì)化管理建議，以期能夠提升行業(yè)安全管理水平，推動(dòng)我國(guó)道路貨運(yùn)市場(chǎng)健康發(fā)展。

1 模型與方法

1.1 基礎(chǔ)數(shù)據(jù)

隨著高速公路逐步實(shí)現(xiàn)聯(lián)網(wǎng)收費(fèi)，每年會(huì)生成海量收費(fèi)數(shù)據(jù)，聯(lián)網(wǎng)收費(fèi)數(shù)據(jù)樣本量大，且是全樣本統(tǒng)計(jì)，數(shù)據(jù)內(nèi)容豐富，應(yīng)用價(jià)值高，具有典型的大數(shù)據(jù)特征。高速公路收費(fèi)數(shù)據(jù)字段如表1所示。

表1 高速公路收費(fèi)數(shù)據(jù)字段Table 1 Fields of freeway toll data

1.2 面向貨運(yùn)風(fēng)險(xiǎn)識(shí)別的用戶畫(huà)像標(biāo)簽體系

本研究遵循科學(xué)性、全面性、發(fā)展性、可操作性的指標(biāo)選取原則，將從基于貨運(yùn)行業(yè)屬性與數(shù)據(jù)的質(zhì)量屬性以及貨車(chē)貨運(yùn)風(fēng)險(xiǎn)識(shí)別等方面考慮，選取貨車(chē)司機(jī)貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像標(biāo)簽指標(biāo)。貨車(chē)貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像標(biāo)簽體系如圖1所示，主要包括：駕駛行為（超速系數(shù)、夜間駕駛系數(shù)、超載系數(shù)）、營(yíng)運(yùn)狀態(tài)（運(yùn)輸距離（加權(quán)）、車(chē)貨總重、駕駛時(shí)長(zhǎng)（加權(quán)）、起訖點(diǎn)（OD對(duì)）穩(wěn)定系數(shù)、出行端點(diǎn)穩(wěn)定系數(shù)）。

圖1 貨車(chē)貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像標(biāo)簽體系Fig.1 Portrait label system of truck freight risk characteristics

（1）超速系數(shù)

車(chē)速是衡量駕駛員駕駛安全的重要標(biāo)準(zhǔn)之一，也是描述交通流狀態(tài)的重要指標(biāo)。

首先，計(jì)算進(jìn)、出口收費(fèi)站時(shí)間差得到行程時(shí)間ti，再根據(jù)行程距離si與ti的比值，得到貨車(chē)單趟行程的行程車(chē)速vi，即

其次，交通管理部門(mén)常以85%位地點(diǎn)車(chē)速作為某些路段的限制車(chē)速，即在該路段行駛的所有車(chē)輛中，有85%的車(chē)輛行駛速度在此速度以下，只有15%的車(chē)輛行駛速度高于此值?？紤]到收費(fèi)數(shù)據(jù)得出的是行程車(chē)速，因此，本研究將樣本的所有行程車(chē)速的85%位車(chē)速作為超速閾值vm，行程車(chē)速vi超過(guò)該閾值的行程認(rèn)定為超速。

最后，統(tǒng)計(jì)每輛貨車(chē)超速次數(shù)Nsp和統(tǒng)計(jì)時(shí)間內(nèi)上高速總趟次Nsum，使用式（2）計(jì)算二者的比值，結(jié)果即為貨車(chē)超速系數(shù)Fsp。

（2）夜間駕駛系數(shù)

首先計(jì)算統(tǒng)計(jì)時(shí)間內(nèi)貨車(chē)總行程時(shí)間Tsum，本研究將貨車(chē)在凌晨0：00—5：00行駛定義為夜間行駛，然后對(duì)貨車(chē)每趟行程的夜間駕駛時(shí)長(zhǎng)求和得到總夜間駕駛時(shí)長(zhǎng)Tni，使用式（3）計(jì)算二者的比值，結(jié)果即為貨車(chē)夜間駕駛系數(shù)Fni。

（3）駕駛時(shí)長(zhǎng)（加權(quán)）、運(yùn)輸距離（加權(quán)）

對(duì)于疲勞駕駛的評(píng)價(jià)，本研究提出駕駛時(shí)長(zhǎng)（加權(quán)）與運(yùn)輸距離（加權(quán)）兩個(gè)指標(biāo)作為衡量，駕駛時(shí)長(zhǎng)權(quán)重系數(shù)hi據(jù)單趟行程時(shí)間ti取值，運(yùn)輸距離權(quán)重系數(shù)yi據(jù)單趟行程距離si取值。

《中華人民共和國(guó)道路交通安全法實(shí)施條例》規(guī)定連續(xù)駕駛機(jī)動(dòng)車(chē)超過(guò)4 h應(yīng)停車(chē)休息，所以將行程時(shí)間ti在1～4 h之間的行程，權(quán)重系數(shù)hi取1，小于1 h的取0.5。根據(jù)相關(guān)研究得到的連續(xù)駕駛一段時(shí)間Tc后駕駛員的駕駛特性測(cè)評(píng)結(jié)果［14］，再考慮中長(zhǎng)途貨車(chē)的雙司機(jī)的情況，對(duì)測(cè)評(píng)結(jié)果中的時(shí)間乘2，以此對(duì)應(yīng)不同的權(quán)重等級(jí)，最后根據(jù)測(cè)評(píng)結(jié)果得分賦予權(quán)重。另外，根據(jù)相關(guān)數(shù)據(jù)，城市通勤半徑一般不超過(guò)50 km，2021年公路貨物運(yùn)輸平均運(yùn)距為176 km，再借鑒上述權(quán)重分級(jí)級(jí)差為運(yùn)輸距離賦予相應(yīng)權(quán)重，駕駛時(shí)長(zhǎng)權(quán)重系數(shù)hi和運(yùn)輸距離權(quán)重系數(shù)yi取值如表2所示。

表2 駕駛時(shí)長(zhǎng)、運(yùn)輸距離、超載次數(shù)權(quán)重分級(jí)Table 2 Weight classification of driving time， transportation distance and overload times

駕駛時(shí)長(zhǎng)（加權(quán)）計(jì)算方法如式（4）所示，運(yùn)輸距離（加權(quán)）計(jì)算方法如式（5）所示：

（4）超載系數(shù)

首先，本研究以收費(fèi)數(shù)據(jù)的入口總重作為單趟行程車(chē)貨總重，計(jì)算車(chē)貨總重Wi與核定總重W＇i的比值k，若k大于1，該次行程ri為1，反之為0；其次，根據(jù)k的所屬等級(jí)，為該次行程ri賦予權(quán)重zi；最后，計(jì)算每輛貨車(chē)加權(quán)之后的超載次數(shù)Nload與統(tǒng)計(jì)時(shí)間內(nèi)上高速總趟次Nsum的比值，結(jié)果即為貨車(chē)超載系數(shù)Fload，即：

其中，超載次數(shù)權(quán)重zi的取值以《道路交通安全違法行為記分管理辦法》中根據(jù)駕駛載貨汽車(chē)載物超過(guò)最大允許總質(zhì)量的百分比規(guī)定的扣分標(biāo)準(zhǔn)為依據(jù)，如表2所示。

（5）OD對(duì)穩(wěn)定系數(shù)、出行端點(diǎn)穩(wěn)定系數(shù)

本研究提出OD對(duì)穩(wěn)定系數(shù)和出行端點(diǎn)穩(wěn)定系數(shù)兩個(gè)指標(biāo)來(lái)衡量道路熟悉程度。兩個(gè)指標(biāo)采用信息熵來(lái)計(jì)算，先計(jì)算OD對(duì)Di出現(xiàn)的頻率pi以及出行端點(diǎn)Yi出現(xiàn)的頻率p＇i，然后利用信息熵公式（8）計(jì)算二者的信息熵。其中，出行端點(diǎn)統(tǒng)計(jì)，即不分起、訖點(diǎn)，貨車(chē)的所有出、入口收費(fèi)站都統(tǒng)一統(tǒng)計(jì)。

計(jì)算OD對(duì)穩(wěn)定系數(shù)時(shí)，式（8）中的Pi為OD對(duì)Di出現(xiàn)的頻率pi，計(jì)算出行端點(diǎn)穩(wěn)定系數(shù)時(shí)，式（8）中的Pi為出行端點(diǎn)Yi出現(xiàn)的頻率p＇i。

（6）車(chē)貨總重

本研究用車(chē)貨總重指標(biāo)來(lái)衡量貨車(chē)重量對(duì)于路面與行車(chē)安全的影響，以收費(fèi)數(shù)據(jù)的入口總重作為單趟行程車(chē)貨總重，統(tǒng)計(jì)樣本時(shí)間內(nèi)的總和作為車(chē)貨總重指標(biāo)。

1.3 基于貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像的貨車(chē)運(yùn)行風(fēng)險(xiǎn)等級(jí)識(shí)別模型構(gòu)建

如圖2所示，基于高速公路收費(fèi)數(shù)據(jù)挖掘、特征指標(biāo)提取，將指標(biāo)作為K-means++聚類(lèi)算法的輸入，通過(guò)肘部法則［15］確認(rèn)最佳分類(lèi)簇，然后獲得貨車(chē)貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像分類(lèi)結(jié)果，再利用熵權(quán)法對(duì)貨車(chē)貨運(yùn)風(fēng)險(xiǎn)進(jìn)行打分，最終確定各類(lèi)別的風(fēng)險(xiǎn)等級(jí)。

圖2 風(fēng)險(xiǎn)等級(jí)評(píng)估模型示意圖Fig.2 Diagram of risk level assessment model

1.3.1 基于K-means++的高速公路貨車(chē)分類(lèi)算法

K-means++聚類(lèi)算法［16］對(duì)初始質(zhì)心的選擇進(jìn)行了優(yōu)化，使得各初始質(zhì)心分布盡可能遠(yuǎn)，以消除K-means因生成較近的初始質(zhì)心而產(chǎn)生局部最優(yōu)解。本研究應(yīng)用K-means++聚類(lèi)算法對(duì)貨車(chē)貨運(yùn)風(fēng)險(xiǎn)指標(biāo)進(jìn)行聚類(lèi)，將車(chē)輛劃分到不同類(lèi)別。K-means++算法步驟如下：

（1）在數(shù)據(jù)集X中隨機(jī)選取一輛貨車(chē)作為第1個(gè)聚類(lèi)中心c1。

（2）計(jì)算每個(gè)數(shù)據(jù)點(diǎn)x與已有聚類(lèi)中心C之間的最短距離Dx，這個(gè)值越大，被選取作為聚類(lèi)中心的概率就越大，接著計(jì)算每個(gè)樣本點(diǎn)被選為下一個(gè)聚類(lèi)中心點(diǎn)的概率P＇x，最后按照輪盤(pán)法選擇下一個(gè)聚類(lèi)中心，即：

（3）重復(fù)步驟（2），直至選出所需的k個(gè)聚類(lèi)中心點(diǎn)。

（4）針對(duì)數(shù)據(jù)集中每個(gè)樣本x，計(jì)算它到k個(gè)聚類(lèi)中心的距離并將其分到距離最小的聚類(lèi)中心所對(duì)應(yīng)的類(lèi)Li中。

（5）針對(duì)每個(gè)類(lèi)別Li，重新計(jì)算它的聚類(lèi)中心ci（即屬于該類(lèi)的所有樣本的質(zhì)心），即

（6）重復(fù)步驟（4）和步驟（5）直到聚類(lèi)中心的位置不再變化。

K-means++聚類(lèi)算法需先確定最優(yōu)的聚類(lèi)數(shù)k，使聚類(lèi)產(chǎn)生高的簇內(nèi)相似度及低的簇間相似度。本研究將使用肘部法則保證選擇最優(yōu)的k值。

1.3.2 基于熵權(quán)法的貨運(yùn)風(fēng)險(xiǎn)評(píng)分模型

熵權(quán)法的基本原理是根據(jù)指標(biāo)的可變性確定目標(biāo)權(quán)重，目前已廣泛用于多目標(biāo)系統(tǒng)評(píng)價(jià)之中。本研究將采用熵權(quán)法對(duì)貨車(chē)的貨運(yùn)風(fēng)險(xiǎn)評(píng)價(jià)打分，熵權(quán)法的計(jì)算步驟如下所示：

（1）數(shù)據(jù)歸一化處理。將不同量綱的8個(gè)指標(biāo)的數(shù)據(jù)aij同量綱化，得到同量綱化后的指標(biāo)a＇ij，即

式中，aij為第i輛貨車(chē)的第j個(gè)指標(biāo)，aj為所有貨車(chē)的第j個(gè)指標(biāo)。

（2）計(jì)算指標(biāo)信息熵，其計(jì)算公式為

（3）計(jì)算各個(gè)指標(biāo)權(quán)重，其計(jì)算公式為

（4）計(jì)算貨車(chē)貨運(yùn)風(fēng)險(xiǎn)得分，即

2 基于廣東省高速公路流水?dāng)?shù)據(jù)的高風(fēng)險(xiǎn)貨車(chē)特征研究

2.1 數(shù)據(jù)準(zhǔn)備

本研究的數(shù)據(jù)來(lái)源于廣東省全網(wǎng)高速公路2022年3月1日—2022年5月31日貨車(chē)收費(fèi)數(shù)據(jù)，由于設(shè)備問(wèn)題或人工操作失誤等原因，收費(fèi)數(shù)據(jù)可能包含個(gè)別錯(cuò)誤數(shù)據(jù)。為提高研究精度，降低錯(cuò)誤干擾，將存在車(chē)牌號(hào)錯(cuò)誤、入口總重小于1 000 kg、行程距離小于1 km或大于2 100 km、行程時(shí)間小于2 min或大于2天、行程車(chē)速小于3.6 km/h或大于151.2 km/h、軸數(shù)大于6等情況的錯(cuò)誤數(shù)據(jù)刪除，保留數(shù)據(jù)118 558 117條，再排除上高速趟次少于4次的車(chē)輛對(duì)應(yīng)的收費(fèi)記錄，最后保留2 018 082輛貨車(chē)的收費(fèi)記錄。

2.2 指標(biāo)提取與分析

基于廣東省全網(wǎng)高速公路2022年3—5月共2 018 082輛貨車(chē)的所有收費(fèi)數(shù)據(jù)，提取8個(gè)貨運(yùn)風(fēng)險(xiǎn)指標(biāo)。部分指標(biāo)分布情況如圖3、圖4所示。

圖3 超載、夜間駕駛、超速情況分析圖Fig.3 Situation analysis diagram of overload， night driving and overspeed

圖4 超載、夜間駕駛、超速情況與周轉(zhuǎn)量散點(diǎn)圖Fig.4 Scatter plot of overload， night driving， overspeed and turnover

樣本數(shù)據(jù)中，貨車(chē)超載現(xiàn)象是比較嚴(yán)重，超載系數(shù)在0.0～0.4范圍內(nèi)的車(chē)輛占比45.0%，超載系數(shù)大于0.8的占比39.6%，周轉(zhuǎn)量越大，超載系數(shù)均值越高，超載現(xiàn)象多發(fā)生在高運(yùn)距、運(yùn)輸強(qiáng)度大的貨車(chē)中。夜間駕駛系數(shù)在0.2以下的占比81.9%，說(shuō)明大部分貨車(chē)還是選擇白天出行，夜間駕駛主要發(fā)生在高運(yùn)距、運(yùn)輸強(qiáng)度大的貨車(chē)中。無(wú)超速行為的貨車(chē)占比為30.8%，占比最大的是超速比例在0.0～0.2之間的貨車(chē)車(chē)輛，共43.8%；超速比例大于0.6的貨車(chē)車(chē)輛占總貨車(chē)的3.5%，該部分貨車(chē)屬于嚴(yán)重超速車(chē)輛，且超速行為主要發(fā)生在短途貨車(chē)中。

2.3 聚類(lèi)結(jié)果

為提高聚類(lèi)準(zhǔn)確性，避免各指標(biāo)數(shù)量級(jí)不同對(duì)聚類(lèi)結(jié)果造成影響，首先利用Z分?jǐn)?shù)（Z-score）算法將指標(biāo)標(biāo)準(zhǔn)化；然后根據(jù)肘部法則［15］確定類(lèi)別數(shù)k為5時(shí)獲得最優(yōu)聚類(lèi)效果；最后將8個(gè)指標(biāo)放入K-means++聚類(lèi)算法模型中，并將聚類(lèi)k值設(shè)為5，最終聚類(lèi)結(jié)果見(jiàn)表3。

表3 聚類(lèi)分群結(jié)果Table 3 Clustering results

再根據(jù)分類(lèi)結(jié)果，統(tǒng)計(jì)各類(lèi)車(chē)輛上高速趟次、T12（載重12噸及以上貨車(chē)）占比、W（危險(xiǎn)品運(yùn)輸貨車(chē)）占比、貨車(chē)私有占比、貨車(chē)公司或單位所有占比和周轉(zhuǎn)量等指標(biāo)，結(jié)果如表4所示。

表4 各類(lèi)貨車(chē)相關(guān)指標(biāo)Table 4 Relevant indicators of various types of trucks

2.4 風(fēng)險(xiǎn)等級(jí)評(píng)估

使用熵權(quán)法計(jì)算各個(gè)指標(biāo)權(quán)重，結(jié)果如表5所示；權(quán)重結(jié)果基本符合實(shí)際公路貨運(yùn)情況。再利用式（15）計(jì)算每個(gè)司機(jī)的貨運(yùn)風(fēng)險(xiǎn)得分，結(jié)果如圖5所示。

圖5 5類(lèi)貨車(chē)貨運(yùn)風(fēng)險(xiǎn)得分箱型分布圖Fig.5 Box type distribution map of freight risk score of 5 types of trucks

表5 指標(biāo)權(quán)重Table 5 Weight of indicators

2.5 各風(fēng)險(xiǎn)等級(jí)用戶分析

基于上述聚類(lèi)結(jié)果和貨運(yùn)風(fēng)險(xiǎn)得分情況，以及相關(guān)指標(biāo)數(shù)據(jù)，分析不同類(lèi)別車(chē)輛的貨運(yùn)風(fēng)險(xiǎn)特征，并結(jié)合實(shí)際對(duì)各類(lèi)群體進(jìn)行定義。

（1）類(lèi)別1貨運(yùn)風(fēng)險(xiǎn)特征明顯，如圖5所示，該類(lèi)貨車(chē)貨運(yùn)風(fēng)險(xiǎn)得分最高。從表3、表4可知，該類(lèi)貨車(chē)平均運(yùn)距和平均駕駛時(shí)長(zhǎng)遠(yuǎn)高于其余4類(lèi)用戶，運(yùn)輸強(qiáng)度高，運(yùn)輸范圍廣，超載系數(shù)均值也處于很高水平，超載行為普遍，夜間駕駛系數(shù)較高，道路熟悉度很低，危險(xiǎn)品運(yùn)輸貨車(chē)和私營(yíng)貨車(chē)占比均是5類(lèi)貨車(chē)中最高的，分別達(dá)到12.07%和82.64%。結(jié)合實(shí)際將類(lèi)別1定義為“高風(fēng)險(xiǎn)高強(qiáng)度貨車(chē)”，其在所有貨車(chē)中占比為5.42%。

（2）類(lèi)別2相比與3、4、5類(lèi)車(chē)輛，也擁有較高的運(yùn)輸強(qiáng)度，夜間駕駛系數(shù)和超載系數(shù)均是5類(lèi)用戶中最高的，分別為0.25、1.345，夜間駕駛行為和超載行為普遍，擁有最高的載重12噸及以上貨車(chē)和危險(xiǎn)品運(yùn)輸貨車(chē)總占比，私有屬性也較為明顯，結(jié)合實(shí)際將該類(lèi)定義為“較高風(fēng)險(xiǎn)夜間駕駛超載貨車(chē)”，其在所有貨車(chē)中占比為19.12%。

（3）類(lèi)別3與類(lèi)別5貨運(yùn)風(fēng)險(xiǎn)特征大體相似，運(yùn)輸距離、運(yùn)輸量、駕駛時(shí)長(zhǎng)均屬于較低水平，運(yùn)輸強(qiáng)度不高，夜間駕駛和超載行為也屬于正常水平，道路熟悉程度和公營(yíng)貨車(chē)比例均較高，運(yùn)輸路線重復(fù)率高，貨車(chē)公有屬性顯著；但類(lèi)別3的貨運(yùn)風(fēng)險(xiǎn)得分比類(lèi)別5的高，原因是類(lèi)別3的超速系數(shù)均值遠(yuǎn)高于其余類(lèi)別，達(dá)到0.524，超速行為普遍，類(lèi)別5在統(tǒng)計(jì)周期內(nèi)上高速趟次均值最少，為36.1。結(jié)合實(shí)際，將類(lèi)別3定義為“中風(fēng)險(xiǎn)超速貨車(chē)”，其在所有貨車(chē)中占比為12.85%，將類(lèi)別5定義為“低風(fēng)險(xiǎn)低頻貨車(chē)”，其在所有貨車(chē)中占比為37.00%。

（4）類(lèi)別4上高速趟次均值為86.53次，但道路熟悉程度低，載重12噸及以上貨車(chē)和危險(xiǎn)貨物運(yùn)輸總占比與其余類(lèi)別相比較低，夜間駕駛行為少，超速現(xiàn)象少，超載行為不普遍。結(jié)合實(shí)際，可將該類(lèi)用戶定義為“低風(fēng)險(xiǎn)高頻貨車(chē)”，其在所有貨車(chē)中占比為25.61%。

3 模型效果評(píng)估

為對(duì)文中提出的模型進(jìn)行效果評(píng)估，查詢同期廣東省某事故數(shù)據(jù)庫(kù)，查詢5類(lèi)風(fēng)險(xiǎn)等級(jí)貨車(chē)中發(fā)生事故的貨車(chē)占比，以此作為風(fēng)險(xiǎn)系數(shù)，并以第5類(lèi)車(chē)為基數(shù)1，其余風(fēng)險(xiǎn)類(lèi)型貨車(chē)相對(duì)風(fēng)險(xiǎn)系數(shù)如圖6所示。

圖6 5類(lèi)貨車(chē)相對(duì)風(fēng)險(xiǎn)系數(shù)折線圖Fig.6 Box type distribution map of freight risk score of 5 types of trucks

由此可知，相對(duì)風(fēng)險(xiǎn)系數(shù)與模型識(shí)別結(jié)果是一致的，可以驗(yàn)證本文貨車(chē)貨運(yùn)風(fēng)險(xiǎn)等級(jí)識(shí)別的有效性。

4 分類(lèi)結(jié)果分析及應(yīng)用

本研究最終將車(chē)輛劃分為5類(lèi)，并分別定義為“高風(fēng)險(xiǎn)高強(qiáng)度貨車(chē)”“較高風(fēng)險(xiǎn)夜間駕駛超載貨車(chē)”“中風(fēng)險(xiǎn)超速貨車(chē)”“低風(fēng)險(xiǎn)高頻貨車(chē)”“低風(fēng)險(xiǎn)低頻貨車(chē)”車(chē)輛群體，進(jìn)一步分析各類(lèi)別的出行特征，高速公路交管人員可基于此針對(duì)不同風(fēng)險(xiǎn)等級(jí)車(chē)輛進(jìn)行精細(xì)化管理。

對(duì)于運(yùn)輸強(qiáng)度高、運(yùn)輸范圍廣、超載行為和夜間駕駛行為均較為普遍、危險(xiǎn)品運(yùn)輸貨車(chē)占比高的“高風(fēng)險(xiǎn)高強(qiáng)度貨車(chē)”，可通過(guò)監(jiān)管平臺(tái)為其設(shè)置疲勞駕駛語(yǔ)音提醒功能，并加強(qiáng)貨車(chē)載重監(jiān)管力度，關(guān)注夜間燈光操作規(guī)范，針對(duì)該類(lèi)貨車(chē)密集區(qū)域或時(shí)段，加強(qiáng)高速公路巡邏、檢查力度，以強(qiáng)化事前預(yù)防。

對(duì)于夜間駕駛行為和超載行為普遍，載重12噸及以上貨車(chē)和危險(xiǎn)品運(yùn)輸貨車(chē)總占比大的“較高風(fēng)險(xiǎn)夜間駕駛超載貨車(chē)”，加強(qiáng)高速入口貨車(chē)載重核查，強(qiáng)化夜間行車(chē)燈光使用監(jiān)管，結(jié)合重點(diǎn)貨車(chē)監(jiān)管、優(yōu)惠政策，重點(diǎn)關(guān)注、統(tǒng)籌運(yùn)營(yíng)管理。

對(duì)于道路熟悉程度高，貨車(chē)公有屬性顯著，超速行為普遍的“中風(fēng)險(xiǎn)超速貨車(chē)”，可進(jìn)行企業(yè)安全駕駛宣傳，加強(qiáng)超速監(jiān)測(cè)。

5 結(jié)語(yǔ)

本研究基于高速公路收費(fèi)數(shù)據(jù)，以貨車(chē)為研究對(duì)象，應(yīng)用K-means++算法和熵權(quán)法，構(gòu)建了基于貨運(yùn)風(fēng)險(xiǎn)特征畫(huà)像的貨車(chē)運(yùn)行風(fēng)險(xiǎn)等級(jí)識(shí)別模型，基于廣東省全網(wǎng)高速公路2022年3個(gè)月的貨車(chē)收費(fèi)數(shù)據(jù)，利用所提出的模型，提取出5.42%的“高風(fēng)險(xiǎn)高強(qiáng)度貨車(chē)”車(chē)輛和19.12%的“較高風(fēng)險(xiǎn)夜間駕駛超載貨車(chē)”，并使用同期廣東省某事故數(shù)據(jù)庫(kù)數(shù)據(jù)驗(yàn)證了模型的有效性?；陲L(fēng)險(xiǎn)等級(jí)識(shí)別結(jié)果，交管部門(mén)可進(jìn)行高風(fēng)險(xiǎn)車(chē)輛識(shí)別、超載超限重點(diǎn)監(jiān)查、特定消息推送引導(dǎo)車(chē)輛安全駕駛等工作，以提升行業(yè)安全管理水平。

本研究只基于高速公路收費(fèi)數(shù)據(jù)獲取“過(guò)程”指標(biāo)對(duì)貨車(chē)進(jìn)行貨運(yùn)風(fēng)險(xiǎn)標(biāo)簽體系構(gòu)建，未來(lái)可利用全球衛(wèi)星定位系統(tǒng)（GPS）軌跡數(shù)據(jù)等來(lái)補(bǔ)充更多“瞬時(shí)”指標(biāo)，豐富標(biāo)簽體系；貨運(yùn)風(fēng)險(xiǎn)還會(huì)受公路管理、交通安全設(shè)施、照明系統(tǒng)等交通工程設(shè)施的影響，在未來(lái)研究中，可以綜合考慮此類(lèi)因素；還可以從重點(diǎn)物資運(yùn)輸、經(jīng)濟(jì)效益等角度，構(gòu)建重點(diǎn)貨車(chē)標(biāo)簽體系和識(shí)別模型。