基于低頻軌跡數(shù)據(jù)的分時租賃駕駛?cè)笋{駛風(fēng)格分析

余榮杰，龍曉捷，涂穎菲，李 健

(1.同濟大學(xué) 道路與交通工程教育部重點實驗室，上海 201804；2.上海國際汽車城(集團)有限公司，上海 201805)

近年來，在國務(wù)院《關(guān)于積極推進“互聯(lián)網(wǎng)+ ”行動的指導(dǎo)意見》推動下，共享經(jīng)濟在我國蓬勃發(fā)展，成為經(jīng)濟發(fā)展的新動力.2017年我國共享經(jīng)濟市場規(guī)模達51 365億，參與共享經(jīng)濟活動總?cè)藬?shù)達7億[1],交通運輸是共享經(jīng)濟發(fā)展最活躍的領(lǐng)域之一.以汽車分時租賃為例，該共享經(jīng)濟理念于2010年起在中國發(fā)展[2].分時租賃為駕駛?cè)颂峁┝烁鼮榻?jīng)濟、靈活的用車可行性，降低了機動化出行門檻.

當(dāng)前我國汽車分時租賃用戶以年輕駕駛?cè)藶橹?，其中高校學(xué)生群體約占20%[2].由于分時租賃用戶駕駛經(jīng)驗不足，駕駛習(xí)慣具有相當(dāng)大的不確定性，增加了道路交通的運行風(fēng)險，也對運營企業(yè)的系統(tǒng)風(fēng)險管理提出了挑戰(zhàn),因此亟需對分時租賃用戶的駕駛行為進行深入研究.通過對駕駛?cè)后w進行風(fēng)格分類來識別潛在高風(fēng)險駕駛?cè)耍⒗民{駛安全輔助系統(tǒng)(ADAS)、UBI(usage based insurance)等方式進行風(fēng)險管理，可降低分時租賃企業(yè)運營風(fēng)險.

駕駛風(fēng)格是表征駕駛?cè)斯逃旭{駛方式的整體性評價指標(biāo)[3].相關(guān)研究主要從節(jié)能駕駛、交通安全等角度，將駕駛?cè)藙澐譃閮深?激進、溫和[4-8])或三類(激進、溫和、謹慎[9-11]).既有研究表明，駕駛?cè)说鸟{駛風(fēng)格與交通安全密切關(guān)聯(lián),激進駕駛風(fēng)格駕駛?cè)舜嬖陬l繁換道、急加減速、近距離跟馳等不良駕駛行為，易增加事故發(fā)生概率[12].

駕駛風(fēng)格研究主要基于主觀問卷調(diào)查[13]、駕駛模擬[8,10]、自然駕駛[4-5,8,13-17]等方法獲取數(shù)據(jù),并以高精度駕駛行為數(shù)據(jù)為主，如采集頻率為1 Hz[4,13]、10 Hz[5,15-16]的高頻衛(wèi)星定位(GPS)軌跡數(shù)據(jù).然而，汽車分時租賃企業(yè)采集的軌跡數(shù)據(jù)以車輛定位為目的，主要是低頻軌跡數(shù)據(jù)(GPS采集間隔為30～120 s).如何基于低頻軌跡數(shù)據(jù)特征，構(gòu)建駕駛風(fēng)格評估指標(biāo)并開展駕駛風(fēng)格分類仍待研究.

本研究基于汽車分時租賃企業(yè)的低頻軌跡數(shù)據(jù)進行駕駛行為的辨識與特征提取，采用聚類算法對分時租賃用戶的駕駛風(fēng)格進行劃分，并開展不同駕駛風(fēng)格駕駛?cè)说奶卣鞣治?

1 研究綜述

駕駛風(fēng)格評估的核心在于駕駛行為多維特征提取和分類模型的應(yīng)用.本節(jié)將從駕駛風(fēng)格特征指標(biāo)與評估歸類方法兩方面對既有研究進行探討.

1.1 駕駛風(fēng)格特征指標(biāo)

既有研究的駕駛風(fēng)格特征指標(biāo)可歸類為宏、中、微觀駕駛行為特征，常用指標(biāo)如表1所示.

表1 常用駕駛風(fēng)格特征指標(biāo)

由表1可知，多數(shù)研究基于加減速、跟馳等微觀駕駛行為進行駕駛風(fēng)格評估.然而，微觀駕駛行為特征指標(biāo)的獲取依賴高精度軌跡數(shù)據(jù)或視頻數(shù)據(jù).面向海量用戶，汽車分時租賃企業(yè)采集的低頻軌跡數(shù)據(jù)不適用于此類微觀駕駛行為特征提取的開展.

在宏、中觀層面開展的駕駛風(fēng)格特征研究主要采用速度相關(guān)指標(biāo).宏觀層面主要關(guān)注平均速度和速度標(biāo)準(zhǔn)差，常以加速度、急加減速次數(shù)等微觀特征和超速行駛時間比例等中觀特征共同作為駕駛風(fēng)格評估依據(jù)[14,18].中觀層面的駕駛風(fēng)格特征研究常采用高速行駛或超速行為特征.Constantinescu等[14]、孫川等[18]認為車速超過60 km·h-1和限速的80%時駕駛?cè)司邆涑賰A向，并將超過上述速度閾值的行駛時間比例作為駕駛風(fēng)格評估指標(biāo).高巖[19]將速度80～120 km·h-1和大于120 km·h-1的行駛時間比例納入駕駛風(fēng)格評估指標(biāo)體系.Feng等[5]定義相對超速時間比例為速度大于所有樣本駕駛?cè)诉\行速度99分位的行駛時間與交通通暢狀態(tài)下正常速度行駛時間的比值，以此為依據(jù)劃分駕駛?cè)笋{駛風(fēng)格，此方法排除了路況等因素造成相對低速行駛而無法反映駕駛?cè)苏鎸嶏L(fēng)格的情況，可更準(zhǔn)確地判斷駕駛行為是否激進.

綜上，針對低頻軌跡數(shù)據(jù)特點，本研究將關(guān)注租賃用戶的超速行為及其特征指標(biāo).

1.2 駕駛風(fēng)格評估方法

駕駛風(fēng)格評估方法可分為四類：基于規(guī)則的分類模型、監(jiān)督學(xué)習(xí)模型、非監(jiān)督學(xué)習(xí)模型和半監(jiān)督學(xué)習(xí)模型[26].

基于規(guī)則的分類模型通過指定閾值對駕駛風(fēng)格進行判定[5,10,17]，其難點為特征指標(biāo)閾值的確定.監(jiān)督學(xué)習(xí)模型在駕駛風(fēng)格評估時應(yīng)用廣泛，主要包括隨機森林[27]、神經(jīng)網(wǎng)絡(luò)[11,27]、支持向量機[19]等,該類方法難點在于訓(xùn)練數(shù)據(jù)中駕駛?cè)孙L(fēng)格的標(biāo)定.

由于駕駛風(fēng)格是一個相對的概念，通常情況下缺乏先驗知識，難以進行人工標(biāo)注類別.因此，非監(jiān)督學(xué)習(xí)模型的類別自動劃分功能對于駕駛風(fēng)格分析更為適用，研究人員常通過對模型結(jié)果的解讀實現(xiàn)對各風(fēng)格類別的標(biāo)注.常用非監(jiān)督學(xué)習(xí)方法包括聚類算法[14,18,20]、隱狄利克雷(LDA)模型[15]等.其中，由于K-means聚類算法具有簡單、快速的特點，而且在處理大數(shù)據(jù)集時具有可伸縮性和高效性，因此在駕駛風(fēng)格研究中應(yīng)用廣泛.

2 數(shù)據(jù)準(zhǔn)備

本研究基于某分時租賃企業(yè)在上海市的運營數(shù)據(jù)開展駕駛風(fēng)格評估.研究數(shù)據(jù)包括用戶特征、訂單信息、車輛GPS軌跡、總線通訊信息(CAN)四個數(shù)據(jù)集.分時租賃車輛為純電動汽車，數(shù)據(jù)采集時段為2017年6月12日—18日，采樣間隔為30 s.

對采樣間隔30 s的低頻軌跡數(shù)據(jù)開展實際行車路徑還原可行性研究.由于篇幅限制，分析過程不做贅述.結(jié)果表明，低頻軌跡數(shù)據(jù)具有以下特點：①對于城市快速路等高等級道路路徑識別準(zhǔn)確性高，而對于城市道路，尤其路網(wǎng)密集區(qū)域軌跡還原精度低；②對宏觀路徑識別效果較好，結(jié)合地理信息數(shù)據(jù)可獲取道路類型等宏觀出行信息和限速遵守情況、運行穩(wěn)定性等中觀運行特征；③對微觀軌跡識別精度較低，無法支撐變道、基于加速度等微觀駕駛行為的研究.

因此，基于駕駛?cè)嗽诳焖俾飞系男旭傑壽E數(shù)據(jù)提取運行特征以開展駕駛風(fēng)格評估.

2.1 軌跡數(shù)據(jù)與地理信息圖層數(shù)據(jù)匹配

開源路線規(guī)劃引擎[28](OSRM)是支持OpenStreetMap(OSM)的第三方庫，將路線規(guī)劃算法與OSM的開放道路網(wǎng)絡(luò)數(shù)據(jù)相結(jié)合，可將坐標(biāo)捕捉到街道網(wǎng)絡(luò)，實現(xiàn)地圖匹配.利用如圖1所示基于OSRM的地圖匹配工具實現(xiàn)GPS數(shù)據(jù)與地理信息圖層數(shù)據(jù)的匹配.

圖1 OSRM地圖匹配分析工具

2.2 駕駛行為特征提取

駕駛風(fēng)格是個體習(xí)慣性的駕駛方式，可靠的駕駛風(fēng)格分析需要建立在一定里程基礎(chǔ)上[12].結(jié)合出行特征，借鑒既有研究的駕駛里程篩選條件[5]，對城市快速路行駛里程大于80 km的駕駛?cè)说男袨閿?shù)據(jù)開展分析，分析樣本包含235位駕駛?cè)?、累?9 347.69 km的城市快速路駕駛數(shù)據(jù).

2.2.1駕駛風(fēng)格評估特征指標(biāo)說明

基于相對超速時間比例評估駕駛?cè)笋{駛風(fēng)格.相對超速時間比例(T)定義為特定駕駛情境(指定道路類型和交通運行通暢狀態(tài))下速度高于v1行駛時長和速度高于v2行駛時長的比值，即：

式中：T為相對超速時間比例；tv1為速度高于v1行駛時長;v1為樣本駕駛?cè)顺鞘锌焖俾返?9分位車速；tv2為速度高于v2行駛時長;v2為城市快速路自由流車速[29].v1、v2取值參考圖2和表2，v1=90 km·h-1，v2=73 km·h-1.

圖2 城市快速路速度累積頻率分布

運行特征指標(biāo)取值/(km·h-1)限速80自由流車速[29]7399分位車速90

基于相對超速時間比例，提出以下兩個駕駛風(fēng)格評估變量：

(1)Tl.駕駛?cè)薼在城市快速路行駛的相對超速時間比例，表征駕駛?cè)说某賰A向，計算式如下所示：

式中：tv1,q、tv2,q分別為第q次出行速度高于v1、v2行駛時長;n為出行次數(shù)；

(2)QTl.駕駛?cè)薼在城市快速路行駛的相對超速時間比例的變異系數(shù)(標(biāo)準(zhǔn)差與平均數(shù)的比值)，表征駕駛?cè)讼鄬Τ傩袨榈姆€(wěn)定性，即對于特定駕駛?cè)?，相對超速是?xí)慣性或偶發(fā)行為,計算式如下所示：

式中：Tlq為第q次出行的相對超速時間比例.

2.2.2駕駛風(fēng)格評估數(shù)據(jù)集形成

基于第2.1節(jié)中GPS數(shù)據(jù)與地圖匹配結(jié)果，完成對各駕駛?cè)顺鞘锌焖俾烦鲂泻婉{駛操作信息的計算和整理，形成如表3所示評價數(shù)據(jù)集.

表3 駕駛行為評價數(shù)據(jù)集說明

3 分析方法

MacQueen[30]提出的K-means算法是聚類技術(shù)中最簡單且有效的方法之一,工作機理為：設(shè)有k個類，根據(jù)目標(biāo)函數(shù)最小化原則，計算各樣本和聚類中心之間的最小距離，將樣本分配給距離它最近的聚類中心，如此反復(fù)迭代至滿足目標(biāo)函數(shù)最小或保持不變.K-means聚類算法最小化目標(biāo)函數(shù)為

應(yīng)用K-means進行聚類分析時，聚類數(shù)需要事先給定.由Kaufman等[31]提出的輪廓系數(shù)可作為聚類有效性評價指標(biāo)，以優(yōu)選聚類數(shù).某樣本點xj的輪廓系數(shù)定義為

式中：a(xj)是xj與同類其他樣本的平均距離，即內(nèi)聚度；b(xj)是xj與最近類中所有樣本的平均距離，即分離度.最近類的定義為

式中：p是某個類Ck中的樣本.利用xj到某個類所有樣本平均距離作為衡量該點到該類的距離后，選擇離xj最近的一個類作為最近類.

對于樣本數(shù)據(jù)的某次聚類，求出所有樣本的輪廓系數(shù)后取均值得到平均輪廓系數(shù)sk，sk∈[-1,1].類內(nèi)樣本距離越近，類間樣本距離越遠，則sk越大，聚類效果越好，sk最大時k即為最佳聚類數(shù).

4 駕駛風(fēng)格評估結(jié)果及特征分析

4.1 基于K-means聚類的駕駛風(fēng)格評估

采用K-means方法劃分駕駛風(fēng)格類別，基于輪廓系數(shù)計算結(jié)果得到最佳聚類數(shù)為3，s3=0.43.聚類結(jié)果如圖3、4及表4所示，依據(jù)相對超速時間比例和單次出行相對超速時間比例的變異系數(shù)將駕駛風(fēng)格劃分為謹慎、溫和、激進三類，各風(fēng)格分別占樣本駕駛?cè)说?4.04%、36.60%、9.36%.各風(fēng)格的特點為：

(1) 謹慎.相對超速時間比例最低且單次出行相對超速時間比例變異系數(shù)較高，即超速傾向低，相對超速為偶發(fā)行為.

(2) 溫和.相對超速時間比例較低且單次出行相對超速時間比例變異系數(shù)較高，即超速傾向較低，相對超速為偶發(fā)行為.

(3) 激進.相對超速時間比例最高且單次出行相對超速時間比例變異系數(shù)較低，即超速傾向較高，相對超速在各次出行中較為穩(wěn)定地出現(xiàn).

圖3 聚類結(jié)果

圖4 各風(fēng)格駕駛?cè)讼鄬Τ傩袨樘卣飨鋱D

Fig.4 Boxplots of relative speeding characteristics for different driving styles

表4 各風(fēng)格駕駛?cè)讼鄬Τ傩袨樘卣髅枋鼋y(tǒng)計

4.2 駕駛風(fēng)格特征分析

為進一步探究各駕駛風(fēng)格的差異性，從個體特征、出行特征、車輛運行特征(速度、車輛能耗)和違章記錄角度開展了各駕駛風(fēng)格的特征差異分析.如表5所示的方差分析結(jié)果表明，不同駕駛風(fēng)格的租賃用戶在個體、違章特征無顯著差異，但在車輛運行特征和出行特征方面存在顯著差異.

表5 各風(fēng)格駕駛?cè)颂卣鞣讲罘治鼋Y(jié)果

Tab.5 ANOVA analysis of driver’s characteristics for different driving styles

駕駛?cè)颂卣魈卣髯兞縁值P值個體特征性別0.860.42年齡(分組)0.380.69出行特征單次出行平均行駛里程26.570.00?單次出行平均時長28.890.00?高峰行駛時間比例7.420.00?夜間行駛時間比例1.960.14運行特征平均速度26.880.00?速度變異系數(shù)3.150.04?車輛能耗效率90.280.00?違章特征違章次數(shù)0.160.86安全相關(guān)違章比例0.210.82

注：*表示在0.05水平下顯著.

個體特征方面，不同駕駛風(fēng)格在年齡和性別方面無顯著差異，但存在一定的趨勢，如表6、7所示.18～25歲年輕駕駛?cè)酥袃H2.86%駕駛風(fēng)格激進，這可能與駕齡、駕駛經(jīng)驗、技能等相關(guān)，新手或駕駛經(jīng)驗相對不足的年輕駕駛?cè)烁鼮橹斏?；與其他年齡組相比，46～60歲謹慎駕駛?cè)吮壤畹?，激進駕駛?cè)吮壤罡?不同性別駕駛風(fēng)格構(gòu)成如表7所示.

表6 各年齡分組駕駛風(fēng)格構(gòu)成

表7 不同性別駕駛風(fēng)格構(gòu)成

違章特征方面，將違章分為與安全無關(guān)(違章停車)和與安全相關(guān)(超速、違反標(biāo)志標(biāo)線指示等)兩類.基于方差分析結(jié)果，不同駕駛風(fēng)格間近半年違章次數(shù)、安全相關(guān)違章比例均無顯著差異，然而具有一定趨勢，即激進駕駛?cè)诉`章次數(shù)高于溫和及謹慎駕駛?cè)?，如?所示.三種風(fēng)格駕駛?cè)说陌踩嚓P(guān)違章比例均高于上海市總體的69%[32].

表8 三種風(fēng)格駕駛?cè)诉`章特征

出行特征方面，不同駕駛風(fēng)格的單次出行里程、單次出行時長和高峰行駛時間比例有顯著差異，由高到低依次為謹慎、溫和、激進，如圖5和表9所示.夜間行駛時間比例由高到低依次為激進、溫和、謹慎，但三種風(fēng)格駕駛?cè)碎g不存在顯著差異.

表9 三種風(fēng)格駕駛?cè)顺鲂刑卣?/p>

車輛運行特征方面，三種駕駛風(fēng)格間速度差異顯著.如圖6和表10所示，謹慎、溫和、激進駕駛?cè)丝焖俾沸旭偲骄俣纫来卧龃螅@與聚類變量所表征的超速傾向是一致的，而激進駕駛?cè)怂俣茸儺愊禂?shù)更低，保持速度穩(wěn)定的能力更強.此處速度穩(wěn)定是相對駕駛?cè)俗陨硭俣人蕉?，如在相同的速度波?速度標(biāo)準(zhǔn)差)情況下，平均速度更高的駕駛?cè)司哂凶儺愊禂?shù)更低、速度穩(wěn)定性更高的特點.既有研究中，Chen等[33]發(fā)現(xiàn)速度中等或較高的駕駛?cè)丝v向速度波動性更低，與本文結(jié)論相似.

車輛能耗特征方面，不同風(fēng)格駕駛?cè)藢?yīng)的車輛平均能耗效率(即單位電量行駛里程均值)也存在顯著差異，如表11所示，謹慎、溫和、激進駕駛?cè)说钠骄芎男室来紊?表12表征了不同風(fēng)格駕駛?cè)说奶卣鲗Ρ?

圖6 速度特征箱圖

駕駛風(fēng)格平均速度/(km·h-1)速度變異系數(shù)/%謹慎58.2541.33溫和63.6142.40激進78.4331.64

表11 三種風(fēng)格駕駛?cè)塑囕v能耗特征

表12 不同風(fēng)格駕駛?cè)颂卣鲗Ρ?/p>

Tab.12 Comparison of driver characteristics between three driving styles

項目駕駛?cè)颂卣髡急戎斏?4.04%,溫和36.60%,激進9.36%個人特征①年齡、性別無顯著差異;②18～25歲年輕駕駛?cè)思みM風(fēng)格比例最低違章特征①租賃用戶安全相關(guān)違章比例高于上海市總體;②激進駕駛?cè)诉`章更多,但違章次數(shù)、安全相關(guān)違章比例無顯著差異出行特征①單次出行平均行駛里程和平均時長由高到低依次為謹慎、溫和、激進;②高峰行駛時間比例由高到低依次為謹慎、溫和、激進;③夜間行駛時間比例由高到低依次為激進、溫和、謹慎,但各風(fēng)格間無顯著差異車輛運行特征①超速傾向和平均速度由高到低依次為激進、溫和、謹慎;②激進駕駛?cè)吮３炙俣确€(wěn)定能力最強;③車輛能耗效率由高到低依次為激進、溫和、謹慎

5 結(jié)語

相對超速行為特征可作為駕駛風(fēng)格識別依據(jù)，基于駕駛?cè)讼鄬Τ贂r間比例和各次出行相對超速時間比例兩個特征變量，將駕駛風(fēng)格聚為謹慎、溫和、激進三類，其中激進駕駛?cè)苏紭颖究傮w的9.36%.

不同駕駛風(fēng)格在出行及運行特征方面也具有差異性.對于出行特征，謹慎、溫和、激進駕駛?cè)藛未纬鲂衅骄旭偫锍獭未纬鲂衅骄鶗r長和高峰行駛時間比例依次減少.對于車輛運行特征，謹慎、溫和、激進駕駛?cè)说某賰A向、運行速度及車輛能耗效率依次升高.然而，駕駛風(fēng)格間個人特征(年齡、性別)及違章方面無統(tǒng)計上的顯著差異.

本研究僅針對城市快速路駕駛行為，后續(xù)可考慮引入其他道路類型(高速公路、城市道路等)的運行特征、出行特征等對駕駛風(fēng)格及風(fēng)險進行更全面的評價.此外，當(dāng)前對駕駛行為的研究仍停留在分析階段，對于駕駛風(fēng)格激進的駕駛?cè)巳后w，可針對性制定安全教育項目或UBI方案等風(fēng)險管理措施，以降低分時租賃企業(yè)運營風(fēng)險.