基于聚類分析的營運駕駛人危險駕駛行為研究

牛增良，李海斌，王文峰，白麗霞

(1.長安大學汽車運輸保障技術交通行業(yè)重點實驗室，陜西西安 710064；2.中國汽車技術研究中心 北京中機車輛司法鑒定所，北京 100176；3.上海市政工程設計研究總院(集團)有限公司天津分公司，天津 300042)

基于聚類分析的營運駕駛人危險駕駛行為研究

牛增良1，李海斌2，王文峰2，白麗霞3

(1.長安大學汽車運輸保障技術交通行業(yè)重點實驗室，陜西西安 710064；2.中國汽車技術研究中心 北京中機車輛司法鑒定所，北京 100176；3.上海市政工程設計研究總院(集團)有限公司天津分公司，天津 300042)

為改善交通安全狀況，減少營運客車交通事故，從危險駕駛行為角度出發(fā)研究外部影響因素與駕駛行為之間的關系。以大量重特大交通事故數(shù)據(jù)為基礎，定量分析聚類方法在危險駕駛行為研究中的應用。運用模糊聚類、系統(tǒng)聚類2種方法對危險駕駛行為劃分層次進行分析，并通過營運客車駕駛人危險駕駛行為的實例對2種方法得出的結果進行討論。研究表明，通過聚類方法歸并為一類的危險駕駛行為，與對應的外部影響因素有相近的關聯(lián)度。

道路安全；交通事故；營運客車；駕駛行為；聚類分析

危險駕駛行為是導致營運客車重特大交通事故的最主要原因之一。文獻[1]指出，90.3%的交通事故都與人為因素(如危險駕駛行為、不良駕駛狀態(tài)等)有關。2010—2012年，我國營運客車死亡3人以上交通事故總計742起，死亡3 476人[2]，造成惡劣的影響。2012年“8·26”延安特大交通事故中，臥鋪客車追尾油罐車造成36人死亡，操作不當是事故主要原因之一。由于界定各種危險駕駛行為的標準模糊，每年因危險駕駛行為導致的交通事故要比報道數(shù)量高出許多。

由于營運客車駕駛人長時間注意力高度集中，加上環(huán)境的影響，易產(chǎn)生疲勞駕駛等危險駕駛行為[3-4]。文獻[5]通過采集實時數(shù)據(jù)，通過模糊推理網(wǎng)絡模型分析危險駕駛行為；文獻[6]通過試驗，對“碰撞”與“接近碰撞”狀態(tài)下的危險駕駛行為進行對比研究；各發(fā)達國家也建立起交通事故數(shù)據(jù)庫，對大量事故數(shù)據(jù)進行深度分析，危險駕駛行為相關研究已取得豐碩成果。但是上述文獻沒有從營運客車駕駛人行為角度進行研究。車輛行駛過程中，如果在不良外部條件作用下，駕駛人做出危險駕駛行為，就可能觸發(fā)交通事故。若將駕駛狀況與駕駛行為關聯(lián)起來，則外部條件是導致交通事故的誘發(fā)因素，而危險駕駛行為是觸發(fā)交通事故的直接原因。本文根據(jù)數(shù)百起營運客車事故數(shù)據(jù)[7]，通過聚類分析方法對危險駕駛行為進行研究。

1 聚類分析方法

聚類分析方法的研究目的是將相似的對象合并成一類。其主要研究內容是度量對象的相似性以及構造聚類分析方法[8]。本文討論常用的2種聚類分析方法，即系統(tǒng)聚類法和模糊聚類法應用于危險駕駛行為的分類，深入研究各種危險駕駛行為的內在關聯(lián)及其外部影響因素。

1.1模糊聚類分析方法

模糊聚類分析是利用模糊等價關系對研究對象進行分類。對于各種危險駕駛行為，若不能明確說明某些危險駕駛行為為一類，則對這種伴隨有模糊性的聚類問題，用模糊數(shù)學語言表達更加自然[9]。模糊聚類分析方法過程如下：

1)建立模糊相似關系

設u= {u1,u2, …,um}為待分類的危險駕駛行為，其中每一個待分類的危險駕駛行為對象都由同一組數(shù)據(jù)指標ui=(xi1,xi2,…,xin)表征。2種危險駕駛行為ui與uj之間的相似關系R(ui，uj)=rij的取值可由數(shù)量積法、相關系數(shù)法、最大最小法、絕對值指數(shù)法、絕對值減數(shù)法等方法來確定，得出相似矩陣R={rij}m×n。

2)構造等價矩陣

3)求解出λ截矩陣并繪制模糊聚類圖

1.2系統(tǒng)聚類分析方法

系統(tǒng)聚類分析法應用于危險駕駛行為研究的基本思路是：先將統(tǒng)計的危險駕駛行為各自看成一類，分別記為第1類、第2類、…、第m類，各種危險駕駛行為都用同一組要素{Xk}(k=1,2,…,n)來描述；然后根據(jù)各種危險駕駛行為的相似度，將這m類中最相似的兩類合并成一個新類，再在剩下的類中找出最相似的兩類合并，依次類推直到將所有的危險駕駛行為合并成一個大類為止。相似度可按照如下定義：假設Gp與Gq為2種危險駕駛行為類型，以dij表示Gp類中的第i種危險駕駛行為與Gq類中第j種危險駕駛行為之間的相似度(即距離)，則D1(p,q)=min{dij|iGp,jGq}(i,j=1,2,…,m)稱為兩類間的最短距離。dij的計算采用歐幾里德距離平方的方法，公式為

在計算歐氏距離平方時，應把各種危險駕駛行為的評價指標歸一化處理。此外應該事先給定臨界值，當類間距大于臨界值時，聚類停止。

2 危險駕駛行為聚類分析應用實例

危險駕駛行為影響因素如表1所示。根據(jù)統(tǒng)計數(shù)據(jù)，每起交通事故中的危險駕駛行為都有與其對應的不良外部因素。如果能從中了解到每種危險駕駛行為與視線、路況、車況條件的關聯(lián)程度，再借助聚類分析方法，從外部因素影響程度出發(fā)，對危險駕駛行為進行歸類。在統(tǒng)計的交通事故中，每種危險駕駛行為都不會單一出現(xiàn)，為了分析方便，將其它伴隨行為作為一項單獨的指標。

表1 危險駕駛行為影響因素 次

2.1模糊聚類分析應用實例

根據(jù)對各種危險駕駛行為影響因素的統(tǒng)計分析，按照影響因素誘發(fā)事故頻率，對各種影響因素進行頻率等級劃分，如表2所示。然后根據(jù)劃分的頻率等級，利用行矩陣對各種危險駕駛行為進行描述[10]，例如：u1=(5,5,5,5)。

表2 危險駕駛行為影響因素頻率等級劃分 次

根據(jù)各種危險駕駛行為的行矩陣描述，本文采用絕對值減數(shù)法計算rij，計算式為

式中i,j=1,2,…,10;c=0.05;n=4。

圖1 模糊聚類分析結果圖

根據(jù)選取的布爾矩陣和繪制的模糊聚類圖(如圖1所示)，若將10種危險駕駛行為分成4類應為：{G1}，{G2}，{G3}，{G4，G5，G6，G7，G8，G9，G10}。

2.2系統(tǒng)聚類分析應用實例

將每種危險駕駛行為各看成一類，即 {u1}，{u2}，…，{u10} 。

對各種危險駕駛行為指標進行歸一化處理

由歐氏距離平方公式得到距離矩陣的下三角陣D(0)為

在矩陣D(0)中類間距最小的是d68=0.010，合并G6與G8組成一個新類G11={G6，G8}，原來的個類G6與G8取消。

圖2 系統(tǒng)聚類圖

采用最近鄰元素法，d1,11=min{d1,6，d1,8}=min{2.754，2.898}=2.754。然后求得新合并出的類G11與其它各類間距，來構造新的矩陣D(1)；重復上述過程，直至各類合并成一個大類；應用SPSS軟件[12]得出系統(tǒng)聚類圖，如圖2所示。

由圖2可以得出，如果把危險駕駛行為分為4類，即為{G1}，{G2}，{G3}，{G4，G5，G6，G7，G8，G9，G10}；若分成2類，則應該為{G1}，{G2，G3，G4，G5，G6，G7，G8，G9，G10}。實際中應對視線條件、路況、車況及其它伴隨危險駕駛行為等因素進行分析，再確定其最終分類。

3 聚類結果分析

通過上述2種聚類分析可知，若將危險駕駛行為分成4類，兩種方法得出的結果相同，即為{G1}，{G2}，{G3}，{G4，G5，G6，G7，G8，G9，G10}，具體的危險駕駛行為如表1所示。

如果把第四類詳細劃分，2種方法同樣會得出相似的結果，模糊聚類分析方法得出的結果為{G4，G9，G10}，{G5，G7，(G6，G8)}；系統(tǒng)聚類分析方法得出的結果為{G5}，{G7}，{G9，G10}，{G4，G6，G8}。兩類結果的差異是由于方法不同造成的。

聚類分析作為統(tǒng)計學中的一種方法，從宏觀角度分析研究對象，但是得出的分類結果還要具體問題具體分析，以下坡操作不當行為G6和疲勞駕駛行為G8為例。由表1可知，下坡操作不當行為與外部影響因素關聯(lián)度由大到小的順序是：路況因素、車況因素、視線因素、疲勞駕駛行為，并且各影響因素與它們的關聯(lián)度大小也基本相同。聚類分析中歸為一類的危險駕駛行為都可以證明該結論。

在利用行矩陣對各種危險駕駛行為進行描述時可以得到例如u1=(5,5,5,5)，雖然各種影響因素頻率等級相同，但是影響因素誘發(fā)事故頻率卻不盡相同。在超速危險駕駛行為中，視線、路況、車況及伴隨危險駕駛行為誘發(fā)交通事故的比例是168:336:139:266。外部因素中，路況因素在誘發(fā)營運客車駕駛人重特大交通事故中占有最重要的地位，這是由于營運客車重特大交通事故多發(fā)在山區(qū)及低等級公路。聚類分析雖然不能具體分析各外部影響因素對危險駕駛行為的影響程度，但是可以確定的是聚類為一組的危險駕駛行為，各外部因素對其影響的比例相同。[13]

4 結語

聚類方法應用于危險駕駛行為分析是有效可行的，可將各種危險駕駛行為劃分為不同層次進行分析，對交通事故致因研究有重要理論價值。通過對聚類分析法的應用可知，歸并的危險駕駛行為在視線、路況、車況及伴隨危險駕駛行為影響因素方面具有相近的頻率，這對于篩選相關行為特征、推斷駕駛狀態(tài)是否安全具有實用價值。

[1]Klauer S G, Dingus T A, Neale V L， et al. Comparing Real-World Behaviors of Drivers with High Versus Low Rates of Crashes and Near-Crashes[R].Washington, DC: National Highway Traffic Safety Administration，2009.

[2]公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計年報(2010—2012)[R].北京：公安部交通管理局，2012.

[3]陸雅倩.延安客車追尾36人死亡[N/OL].[2012-09-17]. http://www.jinbaonet.com/topic/2012/august/yakczw.

[4]LIN Fen, QIU Jian-wei, WEN Hong. Survey on Health Condition of Long Distance Coach Drivers[J].Occupy and Health, 2010, 26(12): 1341-1343.

[5]Fang C Y, Hsueh H L, Chen S W. Dangerous Driving Event Analysis System by a Cascaded Fuzzy Reasoning Petri Net[C]// Intelligent Transportation Systems Coference 2006.Toronto,Ont:IEEE, 2006: 377-342.

[6]Sheila G Klauer, Jeremy Sudweeks, Jeffrey S Hickman, et al. An Assessment of the Relative Risk of Engaging in Potentially Unsafe Driving Behaviors[R].Blacksburg, Virginia: Virginia Tech Transportation Institute, 2006.

[7]韋華, 張偉.中美兩國汽車駕駛安全影響因素研究[J].中國安全科學學報,2004,14(19):24-28.

[8]胡大偉,閆光輝.聚類分析在公路運輸樞紐宏觀布局規(guī)劃中的應用[J].公路交通科技,2004,21(9):136-139.

[9]楊綸標,高英儀.模糊數(shù)學原理及應用[M].廣州:華南理工大學出版社,2008:70-72.

[10]張需鵬.信號交叉口不良汽車駕駛行為危險度分析[D].哈爾濱:哈爾濱工業(yè)大學,2009.

[11]蘇金明,王永利.MATLAB 7.0實用指南[M].北京:電子工業(yè)出版社,2004:66-68.

[12]張文彤.SPSS11統(tǒng)計分析教程[M].北京:北京希望電子出版社,2002.

[13]Fang C Y, Chiou C F, Chen C L, et al. Dangerous Driving Condition Analysis in Driver Assistance Systems[C]//Intelligent Transportation Systems Conference 2009. Louis,Mo:IEEE,2009:791-796.

(責任編輯：郎偉鋒)

StudyonRiskyBehaviorofCommercialDriversBasedonClusteringAnalysis

NIUZeng-liang1，LIHai-bin2，WANGWen-feng2，BAILi-xia3

(1.KeyLaboratoryofAutomotiveTransportationSafetyTechnology,Chang′anUniversity,Xi′an710064,China;2.ChinaAutomobileForensicAuthenticationInstitute(Beijing),ChinaAutomotiveTechnology&ResearchCenter,Beijing100176,China;3.TianjinBranch,ShanghaiMunicipalEngineeringDesignGeneralInstitute(Group)Co.Ltd.,Tianjin300042,China))

In order to improve the traffic safety and decrease the amount of traffic accidents about commercial vehicles, this article begins with studying the relationship between the external factors and driving behaviors from the risky driving behaviors. On the basis of a large number of traffic accident data, this paper analyzes the application of the quantificationally clustering method to the risky driving behavior research. The article puts forward the thought of applying the hierarchical clustering and fussy clustering to the calcification analysis of the risky driving behaviors. Also the paper discusses the result obtained from the two methods through the practical example of the risky driving behaviors of commercial drivers. The research shows that the merged risky driving behavior by the clustering method has the similar relevancy to the responding external factors.

road safety; traffic accident; commercial vehicle; driving behavior; clustering analysis

2013-12-24

牛增良(1988—)，男，內蒙古包頭人，長安大學碩士研究生，主要研究方向為交通安全.

10.3969/j.issn.1672-0032.2014.01.005

U471.3

A

1672-0032(2014)01-0019-05