車輛運(yùn)行風(fēng)險(xiǎn)貝葉斯網(wǎng)絡(luò)量化分級(jí)方法

馬艷麗，范璐洋,2，呂天玲，郭 琳

(1.哈爾濱工業(yè)大學(xué) 交通科學(xué)與工程學(xué)院, 哈爾濱 150090；2.中國(guó)電建集團(tuán)成都勘測(cè)設(shè)計(jì)研究院有限公司, 成都 610072；3.黑龍江省勞動(dòng)安全科學(xué)技術(shù)研究中心, 哈爾濱 150040)

近十年來，盡管中國(guó)道路交通事故發(fā)生次數(shù)、受傷及死亡人數(shù)大幅度降低，但與發(fā)達(dá)國(guó)家相比，各指標(biāo)仍處于較高水平[1]. 對(duì)車輛運(yùn)行過程進(jìn)行早期評(píng)估，及早發(fā)現(xiàn)駕駛過程中存在的風(fēng)險(xiǎn)，對(duì)駕駛?cè)颂峁╋L(fēng)險(xiǎn)預(yù)警，為駕駛?cè)颂峁┳銐虻姆磻?yīng)與操作時(shí)間，進(jìn)而研究如何減少甚至避免發(fā)生道路交通事故顯得十分重要.

關(guān)于車輛運(yùn)行風(fēng)險(xiǎn)評(píng)估指標(biāo)，文獻(xiàn)[2]認(rèn)為個(gè)體駕駛?cè)塑囕v運(yùn)行風(fēng)險(xiǎn)與事故率、年齡、人格特征有關(guān)；文獻(xiàn)[3]發(fā)現(xiàn)車輛橫向轉(zhuǎn)動(dòng)行為與駕駛?cè)藸顟B(tài)相關(guān)，當(dāng)駕駛?cè)颂幱谄跔顟B(tài)時(shí)，車道位置會(huì)變得不穩(wěn)定；文獻(xiàn)[4]分析了次任務(wù)對(duì)駕駛?cè)说膾咭曅袨橛绊戧P(guān)系，認(rèn)為駕駛?cè)藪咭曅袨閷?duì)交通安全有影響；文獻(xiàn)[5]采集駕駛?cè)说难蹌?dòng)數(shù)據(jù)，包括換道行為以及超車行為，提出眼動(dòng)行為比操作行為發(fā)生較早，可用于預(yù)測(cè)駕駛行為；文獻(xiàn)[6]分析車載信息設(shè)備操作對(duì)駕駛績(jī)效影響的顯著性，將駕駛?cè)艘朁c(diǎn)轉(zhuǎn)移時(shí)長(zhǎng)、行駛速度、加速度、橫向位移、方向盤轉(zhuǎn)速、車輛橫向位置等指標(biāo)作為判定駕駛?cè)耸欠穹中牡闹笜?biāo)；文獻(xiàn)[7]對(duì)交通流與風(fēng)險(xiǎn)的相關(guān)性進(jìn)行了分析，評(píng)估不同交通流狀態(tài)下的車輛運(yùn)行風(fēng)險(xiǎn)；文獻(xiàn)[8]對(duì)年輕人自然駕駛數(shù)據(jù)進(jìn)行研究，獲得風(fēng)險(xiǎn)因素各因素之間的相互關(guān)系. 風(fēng)險(xiǎn)評(píng)估方法研究中，文獻(xiàn)[9]基于GIS技術(shù)，將聚類分析和回歸分析法應(yīng)用于交通事故的風(fēng)險(xiǎn)評(píng)估中；文獻(xiàn)[10]提出了一種基于馬爾可夫鏈的駕駛風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)算法；文獻(xiàn)[11]將貝葉斯網(wǎng)絡(luò)應(yīng)用于交通危急狀況下的警告系統(tǒng)，貝葉斯網(wǎng)絡(luò)在概率分析方面具有強(qiáng)大優(yōu)勢(shì)；文獻(xiàn)[12]通過道路駕駛測(cè)試來確定不同的駕駛相關(guān)風(fēng)險(xiǎn)評(píng)估指標(biāo)，建立了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的駕駛相關(guān)風(fēng)險(xiǎn)評(píng)價(jià)模型.

目前的評(píng)價(jià)方法主要針對(duì)多指標(biāo)的宏觀交通運(yùn)行狀況進(jìn)行評(píng)價(jià). 風(fēng)險(xiǎn)影響因素上，認(rèn)為與駕駛?cè)藗€(gè)體特征、眼動(dòng)行為、掃視行為、交通流、車輛控制行為及運(yùn)行狀態(tài)等因素有關(guān)，忽視了車輛運(yùn)行風(fēng)險(xiǎn)影響因素之間的關(guān)聯(lián)性. 貝葉斯網(wǎng)絡(luò)被廣泛應(yīng)用于輔助智能決策、模式識(shí)別等領(lǐng)域，通過參數(shù)學(xué)習(xí)和概率推理來獲取結(jié)果分布信息的貝葉斯網(wǎng)絡(luò)已廣泛應(yīng)用于對(duì)核工業(yè)操作員的工作環(huán)境進(jìn)行評(píng)價(jià)[13]、搜索營(yíng)救可靠性[14]以及分析航空系統(tǒng)存在的風(fēng)險(xiǎn)[15]等方面. 基于上述背景，本文將貝葉斯網(wǎng)絡(luò)應(yīng)用到車輛運(yùn)行風(fēng)險(xiǎn)評(píng)估研究.

1 車輛運(yùn)行風(fēng)險(xiǎn)指標(biāo)確定

車輛運(yùn)行風(fēng)險(xiǎn)不可能由單一的指標(biāo)界定，因此，應(yīng)選擇有效、可靠和敏感的風(fēng)險(xiǎn)指標(biāo)[6-8]. 結(jié)合車輛控制及駕駛?cè)诵袨閷?duì)車輛運(yùn)行風(fēng)險(xiǎn)影響的顯著性，確定車輛運(yùn)行風(fēng)險(xiǎn)判定變量，選取車輛控制指標(biāo)、駕駛?cè)搜蹌?dòng)指標(biāo)作為風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo).

1.1 車輛控制指標(biāo)

1.1.1 車輛距離控制指標(biāo)

為保證車輛行駛安全，駕駛?cè)吮仨毰c前車保持一定的距離. 由車輛制動(dòng)過程位移變化情況可以推導(dǎo)車輛間最小間距. 車輛制動(dòng)過程中行駛的距離為

(1)

式中：vi為制動(dòng)開始前第i輛車的行駛速度，τ為駕駛?cè)朔磻?yīng)時(shí)間和制動(dòng)起效時(shí)間之和，αi為第i輛車的最大制動(dòng)減速度，d0為停止后兩輛車之間需滿足的最小距離.

假設(shè)制動(dòng)過程前，前后兩輛車保持速度一致且制動(dòng)效果一致，則行駛過程中車輛需保持的最小間距為

Dmin(t)=vi(t)τ+d0.

(2)

1.1.2 加速度

加速度體現(xiàn)了一輛車速度變化的情況，駕駛員對(duì)加速度的控制情況可以間接地體現(xiàn)車輛運(yùn)行風(fēng)險(xiǎn)問題. 正常駕駛過程中加速度應(yīng)維持穩(wěn)定變化，保持在合理的范圍內(nèi)，加速度過大會(huì)導(dǎo)致行駛過程中存在一些駕駛隱患，故應(yīng)對(duì)行駛過程中駕駛員操作下的加速度進(jìn)行分析.

1.1.3 方向盤轉(zhuǎn)向熵

轉(zhuǎn)向熵是駕駛?cè)藢?duì)車輛轉(zhuǎn)向運(yùn)動(dòng)操作的穩(wěn)定性和對(duì)環(huán)境信息采取預(yù)判斷能力的評(píng)價(jià)指標(biāo). 駕駛?cè)嗽隈{駛過程中需要不間斷地對(duì)環(huán)境信息進(jìn)行判斷，對(duì)風(fēng)險(xiǎn)進(jìn)行評(píng)估，實(shí)時(shí)對(duì)車輛進(jìn)行轉(zhuǎn)向控制. 文獻(xiàn)[16]提出采用轉(zhuǎn)向熵來量化駕駛?cè)说霓D(zhuǎn)向控制能力. 在每個(gè)時(shí)間點(diǎn)t利用二階Taylor公式，預(yù)測(cè)下一時(shí)刻轉(zhuǎn)向角θp(t)，即

(3)

預(yù)測(cè)誤差為

e(t)=θ(t)-θp(t).

(4)

計(jì)算駕駛?cè)藢?duì)轉(zhuǎn)向預(yù)判斷錯(cuò)誤頻率分布的90百分位值α. 駕駛?cè)宿D(zhuǎn)向控制越平穩(wěn)，α值越小，轉(zhuǎn)向控制越激烈，α值越大. 將駕駛?cè)藢?duì)方向判斷上產(chǎn)生的偏差進(jìn)行劃分，將區(qū)間劃分為9個(gè). 統(tǒng)計(jì)每個(gè)區(qū)間內(nèi)駕駛?cè)藢?duì)方向盤控制產(chǎn)生的轉(zhuǎn)角值的頻數(shù)，獲得轉(zhuǎn)向熵公式為

(5)

式中SE為方向盤轉(zhuǎn)向熵，pi為預(yù)測(cè)誤差落在誤差區(qū)間的分布概率.

1.2 眼動(dòng)表征指標(biāo)

1)視線轉(zhuǎn)移時(shí)間.駕駛?cè)艘暰€離開前方視野是對(duì)駕駛存在風(fēng)險(xiǎn)的駕駛行為，其轉(zhuǎn)移時(shí)間是受很多因素影響，如行人、前車等因素.

2)掃視速度.掃視產(chǎn)生于兩次注視之間，又稱為眼跳. 掃視階段的視點(diǎn)移動(dòng)速度即為掃視速度，在駕駛過程中駕駛?cè)藶槭占h(huán)境信息會(huì)產(chǎn)較快的掃視行為.

3)眨眼頻率.駕駛?cè)苏Ｑ垲l率可以體現(xiàn)駕駛?cè)藢?duì)駕駛環(huán)境信息的采集能力和敏感性及駕駛?cè)说木駹顟B(tài). 駕駛?cè)司駹顟B(tài)不同，眨眼頻率也會(huì)有所不同. 正常駕駛過程中駕駛?cè)说恼Ｑ垲l率集中在1.5 次/s左右.

2 試驗(yàn)方案

2.1 試驗(yàn)設(shè)計(jì)

1)試驗(yàn)人員.選取不同年齡(20～55歲)，駕齡為2～15 a的駕駛?cè)?0人(10名男性、10名女性)作為被試對(duì)象，被試者身體狀態(tài)正常，在進(jìn)行試驗(yàn)前24 h內(nèi)，禁止攝入對(duì)神經(jīng)存在刺激性作用的食物或藥品. 記錄試驗(yàn)過程中出現(xiàn)的駕駛事件.

2)試驗(yàn)設(shè)備.試驗(yàn)所采用的設(shè)備有小轎車、距離測(cè)量?jī)x、加速度傳感器、方向盤傳感器、眼動(dòng)儀、行車記錄儀、攝像機(jī)等. 各測(cè)量?jī)x器布設(shè)如圖 1所示.

圖1 車內(nèi)儀器布設(shè)

3)試驗(yàn)地點(diǎn).本研究選取穩(wěn)定流、道路條件理想且交通干擾較小的路段. 試驗(yàn)路線為哈爾濱市和諧大道與城鄉(xiāng)路交叉口至安發(fā)橋與新陽(yáng)路交叉口，全長(zhǎng)6 km. 城鄉(xiāng)路至鄉(xiāng)政街為主干路，長(zhǎng)度3 km；鄉(xiāng)政街至安發(fā)橋?yàn)榇胃陕?，長(zhǎng)度3 km. 試驗(yàn)時(shí)段為天氣良好的非高峰時(shí)段.

2.2 試驗(yàn)步驟

具體試驗(yàn)步驟：1)采集駕駛?cè)嘶拘畔?、試?yàn)時(shí)間. 2)駕駛?cè)伺宕餮蹌?dòng)儀，工作人員檢測(cè)并同步所有設(shè)備，駕駛?cè)诉M(jìn)行預(yù)試驗(yàn). 3)試驗(yàn)進(jìn)行過程中實(shí)時(shí)采集交通環(huán)境、駕駛?cè)思败囕v的相關(guān)試驗(yàn)數(shù)據(jù). 駕駛?cè)艘罁?jù)環(huán)境信息采取起步、停車、轉(zhuǎn)彎、換道、跟馳、超車等駕駛操作. 4)試驗(yàn)結(jié)束后，收集駕駛過程中所采集的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行整理分析，對(duì)視頻數(shù)據(jù)進(jìn)行分類.

2.3 實(shí)驗(yàn)結(jié)果分析

2.3.1 車輛距離控制指標(biāo)

通過駕駛數(shù)據(jù)計(jì)算車輛距離控制指標(biāo)，對(duì)車輛距離控制指標(biāo)風(fēng)險(xiǎn)發(fā)生概率統(tǒng)計(jì)分析，獲得風(fēng)險(xiǎn)等級(jí).

當(dāng)ξ(t)≤0.8時(shí)，為低風(fēng)險(xiǎn)；當(dāng)0.8<ξ(t)≤0.85時(shí)，為一般風(fēng)險(xiǎn)；當(dāng)0.85<ξ(t)≤1時(shí)，為較高風(fēng)險(xiǎn)；當(dāng)ξ(t)>1時(shí)，為高風(fēng)險(xiǎn).

2.3.2 加速度

根據(jù)不同的駕駛階段，當(dāng)加速度百分位數(shù)為5%、10%、20%、30%、40%、50%、60%、70%、75%、80%、90%、95%時(shí)，對(duì)應(yīng)的加速度分別為-1.143 0、-0.647 0、-0.278 5、-0.136 9、-0.050 7、0.022 0、0.088 0、0.175 1、0.235 4、0.292 9、0.722 6、0.951 3 m/s2.

根據(jù)百分位數(shù)可知，加速度小于-0.647 0 m/s2和大于0.722 6 m/s2時(shí)的概率很小，概率為10%，此范圍內(nèi)存在駕駛風(fēng)險(xiǎn).

當(dāng)|a|<0.3 m/s2時(shí)，為低風(fēng)險(xiǎn)；當(dāng)0.3 m/s2≤|a|<0.7 m/s2時(shí)，為一般風(fēng)險(xiǎn)；當(dāng)0.7 m/s2≤|a|<1.3 m/s2時(shí)，為較高風(fēng)險(xiǎn)；當(dāng)|a|≥1.3 m/s2時(shí)，為高風(fēng)險(xiǎn).

2.3.3 方向盤轉(zhuǎn)向熵

試驗(yàn)中10名駕駛?cè)苏ｑ{駛和風(fēng)險(xiǎn)駕駛的轉(zhuǎn)向熵如圖2所示.

圖2 正常駕駛和風(fēng)險(xiǎn)駕駛轉(zhuǎn)向熵

所有駕駛?cè)宿D(zhuǎn)向熵明顯增加，可見轉(zhuǎn)向熵與駕駛風(fēng)險(xiǎn)成正比. 由于實(shí)驗(yàn)過程中實(shí)驗(yàn)數(shù)據(jù)提取過程可能存在誤差，排除第8位駕駛?cè)藬?shù)據(jù). 車輛方向盤轉(zhuǎn)向熵對(duì)應(yīng)風(fēng)險(xiǎn)等級(jí)如下：當(dāng)SE≤0.5時(shí)，為低風(fēng)險(xiǎn)；當(dāng)0.50.7時(shí)，為高風(fēng)險(xiǎn).

2.3.4 視線轉(zhuǎn)移時(shí)間

駕駛?cè)艘暰€離開前方視野時(shí)間如圖3所示.

圖3 駕駛?cè)艘暰€離開前方視野時(shí)間散點(diǎn)圖

統(tǒng)計(jì)數(shù)據(jù)顯示90%的駕駛?cè)艘暰€轉(zhuǎn)移時(shí)間小于0.24 s，且最大時(shí)間為0.88 s. 當(dāng)駕駛?cè)艘暰€離開前方視野時(shí)間超過1 s，則認(rèn)為是不安全的眼動(dòng)行為. 根據(jù)視線轉(zhuǎn)移時(shí)間DT劃定風(fēng)險(xiǎn)等級(jí)，具體分級(jí)如下：當(dāng)DT<0.2 s時(shí)，為低風(fēng)險(xiǎn)；當(dāng)0.2 s≤DT<0.4 s時(shí)，為一般風(fēng)險(xiǎn)；當(dāng)0.4 s≤DT<1.0 s時(shí)，為較高風(fēng)險(xiǎn)；當(dāng)DT≥1.0 s時(shí)，為高風(fēng)險(xiǎn).

2.3.5 掃視速度

駕駛?cè)搜蹌?dòng)的掃視速度如圖4所示. 當(dāng)出現(xiàn)重要信息時(shí)，眼睛的掃視為速度會(huì)有很大的變化. 根據(jù)掃視速度GS劃定風(fēng)險(xiǎn)等級(jí)，具體分級(jí)如下：當(dāng)GS<440 °/s時(shí)，為低風(fēng)險(xiǎn)；當(dāng)440 °/s≤GS<1 000 °/s時(shí)，為一般風(fēng)險(xiǎn)；當(dāng)1 000 °/s≤GS<2 000 °/s時(shí)，為較高風(fēng)險(xiǎn)；當(dāng)G≥2 000 °/s時(shí)，為高風(fēng)險(xiǎn).

圖4 掃視速度散點(diǎn)圖

2.3.6 眨眼頻率

駕駛?cè)苏Ｑ垲l率疲勞時(shí)較正常狀態(tài)明顯降低，正常狀態(tài)下眨眼次數(shù)大于0.5 次/s，瞌睡狀態(tài)下眨眼次數(shù)為0.2～0.5 次/s，入睡狀態(tài)下眨眼次數(shù)小于0.2 次/s.

眨眼頻率BF劃分風(fēng)險(xiǎn)等級(jí)如下: 當(dāng)BF>1次/s時(shí)，為低風(fēng)險(xiǎn)；當(dāng)0.5次/s≤BF<1 次/s時(shí)，為一般風(fēng)險(xiǎn)；當(dāng)0.2次/s≤BF<0.5次/s時(shí)，為較高風(fēng)險(xiǎn)；當(dāng)BF≤0.2次/s時(shí)，為高風(fēng)險(xiǎn).

3 貝葉斯網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估

3.1 貝葉斯網(wǎng)絡(luò)模型

車輛運(yùn)行風(fēng)險(xiǎn)評(píng)估貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，如圖5所示.

圖5 車輛運(yùn)行風(fēng)險(xiǎn)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)圖5可知變量DT、GS、BF、SE、a、ξ(t)是觀測(cè)節(jié)點(diǎn)，用Yj表示，可以直接獲?。籖、OR、ER是隱含節(jié)點(diǎn)，用Xi表示，通過計(jì)算得到，隱含節(jié)點(diǎn)有“Y”、“N”兩種狀態(tài).

P(X1,X2,X3|Y1,Y2,…，Y6)=

(6)

由式(6)可得

P(X1|X2,X3,Y1,Y2,…，Y6)=

(7)

其中:i∈[1,2],j∈[1,6],m∈[2,3].

3.2 模型推理

1)指標(biāo)風(fēng)險(xiǎn)條件概率.觀測(cè)節(jié)點(diǎn)推理的條件概率見表1.

表1 風(fēng)險(xiǎn)的條件概率

2)車輛運(yùn)行風(fēng)險(xiǎn)等級(jí)劃分.依據(jù)《國(guó)家突發(fā)公共事件總體應(yīng)急預(yù)案》[17]分類方法. 跟據(jù)車輛運(yùn)行風(fēng)險(xiǎn)發(fā)生概率，將風(fēng)險(xiǎn)等級(jí)劃分為低、一般、較高、高4級(jí)，見表2.

表2 風(fēng)險(xiǎn)等級(jí)表

3)Netica推理.選取Netica軟件對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行推理計(jì)算，量化風(fēng)險(xiǎn)等級(jí)，輸入節(jié)點(diǎn)參數(shù)并計(jì)算節(jié)點(diǎn)風(fēng)險(xiǎn)概率. 根據(jù)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步推導(dǎo)出車輛控制風(fēng)險(xiǎn)和眼動(dòng)表征風(fēng)險(xiǎn)的條件概率，以及相關(guān)因素影響的風(fēng)險(xiǎn)值. 建立Netica貝葉斯網(wǎng)絡(luò)評(píng)價(jià)模型，對(duì)車輛運(yùn)行風(fēng)險(xiǎn)進(jìn)行量化分級(jí).

3.3 有效性驗(yàn)證

選取駕駛試驗(yàn)數(shù)據(jù)中正常駕駛與存在風(fēng)險(xiǎn)路段進(jìn)行對(duì)比分析，風(fēng)險(xiǎn)會(huì)隨自然駕駛過程中事件的變化而發(fā)生改變. 如圖6所示，一般在駕駛過程中風(fēng)險(xiǎn)概率處于較低值，主要在20%上下波動(dòng)，屬于較低風(fēng)險(xiǎn). 而在風(fēng)險(xiǎn)路段的駕駛過程中發(fā)生風(fēng)險(xiǎn)的概率大于正常路段的值，風(fēng)險(xiǎn)概率處于35%～70%之間，認(rèn)為具有較高的風(fēng)險(xiǎn). 可以看出時(shí)間點(diǎn)3的風(fēng)險(xiǎn)概率隨交通事件的發(fā)生突然增加至70%，而駕駛?cè)瞬扇∠鄳?yīng)操作后，風(fēng)險(xiǎn)逐漸降低至40%左右；對(duì)于時(shí)間點(diǎn)7，由于駕駛過程中不同路段事件發(fā)生不同，正常路段駕駛過程中突發(fā)性事件導(dǎo)致駕駛風(fēng)險(xiǎn)短時(shí)增加，也可說明模型對(duì)風(fēng)險(xiǎn)駕駛事件也可以量化分析. 數(shù)據(jù)表明模型對(duì)車輛運(yùn)行風(fēng)險(xiǎn)分析有效.

圖6 不同時(shí)段車輛運(yùn)行風(fēng)險(xiǎn)

4 結(jié) 論

1)通過駕駛試驗(yàn)，獲取駕駛?cè)搜蹌?dòng)規(guī)律與操作車輛行為的數(shù)據(jù)，分析了各指標(biāo)數(shù)據(jù)可能存在的風(fēng)險(xiǎn)規(guī)律，確定了各個(gè)指標(biāo)的風(fēng)險(xiǎn)閾值.

2)考慮車輛控制和駕駛?cè)搜蹌?dòng)指標(biāo)，建立了基于貝葉斯網(wǎng)絡(luò)的車輛運(yùn)行風(fēng)險(xiǎn)評(píng)估模型，標(biāo)定了模型參數(shù)范圍，給出了車輛運(yùn)行風(fēng)險(xiǎn)量化分級(jí)方法.

3)通過Netica軟件對(duì)車輛運(yùn)行風(fēng)險(xiǎn)模型進(jìn)行推理分析，通過不同路段車輛運(yùn)行風(fēng)險(xiǎn)變化規(guī)律的分析驗(yàn)證了模型的有效性.