基于雙向長短記憶網(wǎng)絡的異常駕駛行為檢測

惠 飛，郭 靜，賈 碩，邢美華

長安大學 信息工程學院，西安710064

1 引言

隨著經(jīng)濟與社會的發(fā)展，生活水平逐漸提高，人們的出行已經(jīng)離不開交通工具的幫助。相關(guān)交通工具給人們帶來便利的同時，也帶來了交通擁擠、交通安全等各種問題[1]。我國是世界上受道路交通安全傷害最嚴重的國家之一，每年發(fā)生交通事故達20 多萬起。而激進型駕駛行為[2]如急加速、急減速等是導致交通事故的發(fā)生主要原因之一。因此，準確識別行駛車輛的異常駕駛行為對交通安全、車輛安全有著重要意義。

目前已有很多關(guān)于駕駛行為的研究，但大多數(shù)致力于針對駕駛?cè)吮救说鸟{駛行為或意圖檢測[3]，或者利用圖像以及視頻對行駛車輛進行檢測[4]，Kumtepe等人[5]在利用車載攝像頭獲取視覺數(shù)據(jù)的基礎上，通過檢測道路線和道路上的車輛來提取車道偏離率和可能的碰撞時間等特征，而后使用這些特征訓練分類器識別激進型駕駛行為。所采用的方法大多也是使用聚類算法對駕駛行為進行識別以及統(tǒng)計，Lee 等人[6]提出了一種基于兩層聚類的框架，以評估大規(guī)模駕駛記錄，識別潛在的侵略性駕駛行為。而對于在道路上行駛時周圍車輛的相關(guān)駕駛行為的識別成為一個積極又具有挑戰(zhàn)的新興研究領域，目前已有部分研究者對這部分內(nèi)容進行了研究。Li等人[7]仿照語音識別技術(shù)，使用一種結(jié)合隱馬爾可夫模型（HMM）和貝葉斯濾波（BF）技術(shù)的新算法來識別駕駛員換道意圖；哈爾濱工業(yè)大學的羅沂等人[8]，采集車輛行駛的GPS數(shù)據(jù)，針對自由行駛、跟車行駛、環(huán)道行為和超車行為等四種駕駛行為分別建立HMM模型，并獲取表征參數(shù)，最終實現(xiàn)對以上四種駕駛行為的識別。

隨著通信技術(shù)及智能交通系統(tǒng)（ITS）、傳感技術(shù)[9]的最新進展，車-車通信創(chuàng)建車聯(lián)網(wǎng)大環(huán)境[10]使越來越多精確行駛數(shù)據(jù)可用于異常駕駛行為檢測。在網(wǎng)絡內(nèi)的車輛通過接收周圍車輛的實時駕駛數(shù)據(jù)等信息，提高駕駛員對周圍環(huán)境的認知，實現(xiàn)更安全有效的駕駛動機，使異常駕駛行為識別結(jié)果更為準確、客觀。Ding等人[11]提出了基于調(diào)頻連續(xù)波雷達系統(tǒng)的疏忽駕駛行為檢測方法。Talebpour等人[12]在使用車聯(lián)網(wǎng)數(shù)據(jù)的基礎上，提出了一種基于博弈論方法的變道模型預測換道行為。Bejani 等人[13]提出了一種包括智能手機標定、機動分類和駕駛風格評估的CADSE 系統(tǒng)，以考慮交通水平和車輛類型對駕駛評估的影響。

除了以上傳統(tǒng)的識別方法之外，隨著神經(jīng)網(wǎng)絡的發(fā)展，出現(xiàn)了新的駕駛行為的識別方法，并取得了較好的檢測效果。Huang 等人[14]介紹了深度學習融合技術(shù)，并引入了三種基于深度學習的融合模型，實現(xiàn)了基于視頻的異常駕駛行為檢測任務。Zyner等人[15]提出了一種基于遞歸神經(jīng)網(wǎng)絡的預測方法，從基于激光雷達的跟蹤系統(tǒng)系統(tǒng)中獲取數(shù)據(jù)，為潛在沖突在發(fā)生之前提供了一個預測窗口。Altché等人[16]通過使用長短時記憶（LSTM）神經(jīng)網(wǎng)絡，對高速公路車輛未來的縱向和橫向軌跡進行準確預測，為實現(xiàn)軌跡預測的關(guān)鍵一步。Zhao等人[17]提出了一種使用長短記憶神經(jīng)網(wǎng)絡來預測交通流量的方法，取得了較好的結(jié)果。

以上方法或是在宏觀角度對駕駛行為進行分類，或是利用圖像數(shù)據(jù)對固定行為的車輛進行異常駕駛行為識別，針對車輛本身在駕駛員的角度對駕駛行為進行識別的研究較少。本文使用一種拓展神經(jīng)網(wǎng)絡（BiLSTMFC 網(wǎng)絡）模型對異常駕駛行為進行識別。該網(wǎng)絡利用車輛行車數(shù)據(jù)，在車輛行駛的過程中準確識別周圍車輛的駕駛行為，該模型具有兩層結(jié)構(gòu)。第一層是RNN 結(jié)構(gòu)的變體BiLSTM[18]，利用該網(wǎng)絡在處理時間序列數(shù)據(jù)方面的優(yōu)勢來處理行車數(shù)據(jù)，通過從前-后兩個方向?qū)︸{駛行為的數(shù)據(jù)序列進行處理，突出異常駕駛行為發(fā)生時的行車數(shù)據(jù)的數(shù)據(jù)特證，有利于提高異常駕駛行為的識別精度。第二層是全連接神經(jīng)網(wǎng)絡，用于駕駛行為的分類。利用上一層BiLSTM 模型的輸出作為這一層模型的輸入，突出了駕駛行為運動特征的數(shù)據(jù)作為輸入比單純使用車輛行車數(shù)據(jù)作為輸入具有更高的精度。具體流程如圖1所示。

圖1 系統(tǒng)流程圖

2 駕駛行為數(shù)據(jù)處理及其特征分析

2.1 駕駛行為數(shù)據(jù)獲取

本篇文章中所使用的相關(guān)行車數(shù)據(jù)均來自美國交通安全部安全試驗模型部署所采集的樣本數(shù)據(jù)（SSPDSafety Pilot Model Deployment Data），該數(shù)據(jù)于2014年10 月由模型部署的試驗和測試團隊發(fā)布，數(shù)據(jù)版權(quán)為美國交通部（USDOT）智能交通系統(tǒng)（ITS）聯(lián)合項目辦公室（JPO）所有。

本研究中所使用的數(shù)據(jù)均從配備了數(shù)據(jù)采集系統(tǒng)（DAS）的車輛中收集，DAS以10 Hz的頻率獲取車輛基本行駛數(shù)據(jù)以及路測單元中的數(shù)據(jù)，獲取之后以csv 的格式存儲。駕駛行為發(fā)生的時間一般較短，10 Hz 的采集頻率足以詳細描述駕駛行為發(fā)生過程中數(shù)據(jù)的變化過程，并支撐神經(jīng)網(wǎng)絡學習。所采集的數(shù)據(jù)集包含車輛位置信息：經(jīng)度和緯度等；狀態(tài)信息：油門、剎車等；運動信息：速度、加速度和轉(zhuǎn)向角等；以及瞬時駕駛環(huán)境：周圍物體和最近物體的距離等。

本研究使用來自26輛車的132段行程數(shù)據(jù)，其中包含510多萬條原始數(shù)據(jù)，每一條數(shù)據(jù)描述當前車輛在某一時刻的駕駛信息。由于傳感器和通信設備的在運行過程中會受到各方面的因素影響，從而導致數(shù)據(jù)的質(zhì)量出現(xiàn)各種問題，例如數(shù)據(jù)重復、數(shù)據(jù)缺失、數(shù)據(jù)錯誤、數(shù)據(jù)波動等問題，所以在使用數(shù)據(jù)前需對數(shù)據(jù)進行數(shù)據(jù)預處理，如缺失數(shù)據(jù)填補、誤差數(shù)據(jù)處理、重復數(shù)據(jù)刪除等預處理以提高數(shù)據(jù)的質(zhì)量，如公式（1）～（4）所示：

公式（1）為數(shù)據(jù)填補公式，其中xi為缺失數(shù)據(jù)；xi…xi-k為缺失數(shù)據(jù)前的正常數(shù)據(jù)；k為數(shù)據(jù)采用長度，本文取3 s 的數(shù)據(jù)量。公式（2）為誤差數(shù)據(jù)處理公式，根據(jù)原始數(shù)據(jù)序列x1,x2,…,xn，求得每個序列的算術(shù)平均值xˉ和每個數(shù)據(jù)的誤差ai，依據(jù)貝塞爾公式求得σ，作為判斷閾值，對于序列中的所有數(shù)據(jù)：

如|xi-xˉ|＞3σ，誤差過大，將xi剔除；

如|xi-xˉ|＜3σ，誤差正常，將xi保留。

經(jīng)過數(shù)據(jù)預處理后，對數(shù)據(jù)進行初步統(tǒng)計，由于相關(guān)車輛均在城市內(nèi)行駛，不存在倒車情況，故速度值均大于零。本文中隨機挑選一段行程，對速度v、GPS 速度vG、縱向加速度a、轉(zhuǎn)向角以S及油門位置T等五個運動特征分別計算相關(guān)數(shù)學統(tǒng)計量，包括均值、中值、最大值、最小值以及方差等。相關(guān)數(shù)據(jù)的運動特征及統(tǒng)齊計量結(jié)果如表1所示。

2.2 異常駕駛行為特性分析

在交通相關(guān)法律法規(guī)中，急加速、急減速行為并不屬于違法或是違規(guī)行為，但也會造成追尾等交通事故的發(fā)生，對駕駛安全有一定程度的影響。我國現(xiàn)行的交通法規(guī)對于異常駕駛行為沒有明確的定義，按照違反交通安全行為的特征分類，異常駕駛行為是突然改變通行狀態(tài)對他人安全造成影響的不文明、不安全駕駛行為，是有意影響道路交通安全的駕駛行為。

在日常的駕駛過程中，駕駛員的駕駛行為絕大多數(shù)時間內(nèi)趨于穩(wěn)定，即速度、加速度等相關(guān)參數(shù)在相當時間內(nèi)變化幅度較小甚至保持不變。但是當駕駛?cè)藛T的操作出現(xiàn)異常行為時，速度加速度等相關(guān)參數(shù)會突然發(fā)生變化。所以本文中闡述的異常駕駛行為檢測，是通過提取眾多數(shù)據(jù)中的加速度或轉(zhuǎn)向角明顯有異于正常值的數(shù)據(jù)，來獲取駕駛行為中異常駕駛行為。

文獻[19]中關(guān)于駕駛行為中速度等數(shù)據(jù)的統(tǒng)計分析發(fā)現(xiàn)在所有駕駛時間中，15%駕駛行為是不穩(wěn)定（加速時間占15%，減速時間占15%）的。結(jié)合這一分布以及現(xiàn)實數(shù)據(jù)的實際情況，對數(shù)據(jù)中加速度以及轉(zhuǎn)向角在不穩(wěn)定概率內(nèi)的數(shù)據(jù)進行標定，將在連續(xù)3 s時間內(nèi)加速度、轉(zhuǎn)向角均異常的數(shù)據(jù)進行提取，標注為異常駕駛行為。

在駕駛的過程中，任何駕駛行為都會持續(xù)一定的時間，不會在瞬時完成所有動作。將異常駕駛行為發(fā)生的過程用包含一段包含駕駛行為異常點的時間連續(xù)數(shù)據(jù)段來表示。本文中數(shù)據(jù)獲取頻率f=10 Hz（0.1 s），一般駕駛行為完成的時間t＜3 s，故定義時間窗口的長度為30，窗口內(nèi)包含車輛行駛時的30 組數(shù)據(jù)，滑動窗口，可在包含X組數(shù)據(jù)的行為序列中獲得X-29 段駕駛行為。

駕駛過程中的平穩(wěn)駕駛、正常的加速、減速或轉(zhuǎn)向與異常駕駛行為的區(qū)別如圖2 所示。圖2（a）表示了車輛急加速行駛時加速度的變化過程：圖中紅色曲線表示平穩(wěn)駕駛行為的加速度變化曲線，加速度在小范圍內(nèi)波動-0.5 m/s2＜a＜0.5 m/s2；黃色曲線表示正常加速行駛時的加速度變化曲線，曲線的增長趨勢較平緩，加速度峰值不高；藍色曲線所示為急加速駕駛行為，曲線增長速度較快，加速度明顯持續(xù)的大于正常值，且峰值較高。

圖2（b）表示了車輛急減速行駛時加速度的變化過程。黃色曲線表示正常減速行駛時的反向加速度變化曲線，曲線的下降趨勢平緩。而藍色曲線所示為急減速駕駛行為，曲線下降趨勢較快，在一段時間內(nèi)，反向加速度明顯持續(xù)的小于正常值，且出現(xiàn)了加速度的最低點。

圖2（c）與圖2（d）分別表示異常左向急轉(zhuǎn)彎與右向急轉(zhuǎn)時的轉(zhuǎn)向角的數(shù)據(jù)變化過程。所示圖中，兩根豎直紅色虛線內(nèi)的部分為標注的異常駕駛行為。當車輛正常平穩(wěn)行駛時，轉(zhuǎn)向角穩(wěn)定在零附近，如圖中紅線所示；在城市道路交通中，車輛變道及轉(zhuǎn)彎行駛時是減速行駛的，轉(zhuǎn)向角變化較平緩，且峰值不會很高，持續(xù)時間較短，如圖中黃線所示；但是當車輛出現(xiàn)異常的左轉(zhuǎn)或右轉(zhuǎn)時，如車輛避險時，車輛的轉(zhuǎn)向角變化較明顯，數(shù)據(jù)出現(xiàn)突然的上升或下降，且具有較高的峰值。如圖中藍色線所示。

表1 數(shù)據(jù)運動特征及其統(tǒng)計量

2.3 異常駕駛行為數(shù)據(jù)集的建立

根據(jù)異常駕駛行為的定義，通過異常點檢測，在原始數(shù)據(jù)中找到異常駕駛行為所在位置，并利用滑動窗口截取相應數(shù)據(jù)段來表示駕駛行為。單個數(shù)據(jù)異常很有可能是由于硬件或傳輸異常造成，所以對于某一時刻出現(xiàn)加速度或速度異常時不作為異常駕駛行為考慮。本文中共截取1 200 個數(shù)據(jù)段建立數(shù)據(jù)集，其中包括400段正常行駛數(shù)據(jù)段、200段急加速數(shù)據(jù)段、200段急減速數(shù)據(jù)段以及200段左向急轉(zhuǎn)彎數(shù)據(jù)段和200段右向急轉(zhuǎn)彎數(shù)據(jù)段。從1 200 個數(shù)據(jù)段中選取80%作為訓練集，20%作為驗證集，其中各駕駛行為類別在訓練集與驗證集所占比例均與其在所有數(shù)據(jù)集中所占比例相同。

圖2 異常駕駛行為數(shù)據(jù)

3 BiLSTM-FC模型構(gòu)建

異常駕駛行為識別主要使用的數(shù)據(jù)是車輛行駛過程中的數(shù)據(jù)，這些數(shù)據(jù)具有時間連續(xù)性，每一時刻的數(shù)據(jù)前后互相關(guān)聯(lián)。后期數(shù)據(jù)的變化是在前期數(shù)據(jù)的基礎上完成，而BiLSTM模型可以更好地捕捉駕駛行為在時間序列上的雙向依賴。同時其循環(huán)結(jié)構(gòu)，選擇性地記憶或遺忘輸入的數(shù)據(jù)。因此，在處理車輛運動學數(shù)據(jù)時，可以保存對結(jié)果有重要影響的數(shù)據(jù)，如速度、轉(zhuǎn)向角等；而不影響結(jié)果的數(shù)據(jù)將被遺忘。因此，本文使用的拓展模型是基于一層BiLSTM 網(wǎng)絡以及一層全連接神經(jīng)網(wǎng)絡。BiLSTM網(wǎng)絡將前面的信息進行記憶，保存在網(wǎng)絡的內(nèi)部狀態(tài)中，并應用于當前輸出的計算中，即隱含層之間有鏈接，并且隱含層的輸入包含輸入層的輸出以及上一時刻隱含層的輸出。利用BiLSTM這一優(yōu)勢，獲取原始數(shù)據(jù)中的駕駛行為特征，所得結(jié)果作為下一層全連接神經(jīng)網(wǎng)絡的輸入，對異常駕駛行為進行識別分類。

這里的輸入t有30個時間段，與數(shù)據(jù)集中每個異常駕駛行為的時間長度相同，每條數(shù)據(jù)內(nèi)容中包含速度、加速度、GPS經(jīng)緯度等11個特征值，將原始輸入調(diào)整為具有30個元素的矢量，每個元素為1×11 的數(shù)組。這30個時序一次送入BiLSTM 中，具如圖3 所示。根據(jù)數(shù)據(jù)輸入維度，建立異常駕駛行為檢測模型。

圖3 BiLSTM模塊結(jié)構(gòu)圖

3.1 BiLSTM模塊

LSTM 作為RNN 的一種變體，由Hochreiter 等人[20]于1997 年提出，LSTM 在繼承了RNN 在處理時間序列方面優(yōu)點的同時解決了RNN梯度消失的問題，BiLSTM將前向與后向LSTM相結(jié)合，能更好地從兩個方向獲取數(shù)據(jù)特征。由于車輛的行車數(shù)據(jù)具有時間連續(xù)性，如果時間序列數(shù)據(jù)直接由全連通神經(jīng)網(wǎng)絡處理，會造成數(shù)據(jù)丟失，降低模型精度。此外，在處理時間序列數(shù)據(jù)時，BiLSTM會考慮數(shù)據(jù)序列中數(shù)據(jù)之間的相關(guān)性，這樣可以最大限度地利用時間數(shù)據(jù)。

BiLSTM有向前和向后兩個訓練層，每一層訓練序列都是由長短記憶網(wǎng)絡（LSTM）構(gòu)成，而且這兩個都連接著一個輸出層。這個結(jié)構(gòu)提供給輸出層輸入序列中每一個點的完整的過去和未來的上下文信息，即駕駛行為在發(fā)生時前后時間內(nèi)的數(shù)據(jù)在順時和逆時兩個時間方向的信息都會通過隱藏層保留。本文所使用的BiLSTM 如圖4 所示，一個沿著時間展開的雙向長短記憶網(wǎng)絡，包含輸入層、前向LSTM層、后向LSTM層以及輸出層。圖中x1,x2,…,xn是新時刻輸入的信息，本文中n=30，x1,x2,…,x30代表數(shù)據(jù)集中連續(xù)30 個時刻的駕駛行為數(shù)據(jù)；Ct-1與at-1上文信息的表示，Ct與at表示本層傳遞給下一層的相關(guān)信息。六個獨特的權(quán)值在每一個時步被重復的利用，六個權(quán)值分別對應：輸入到向前和向后隱含層(w1,w3)，隱含層到隱含層自己(w2,w5)，向前和向后隱含層到輸出層(w4,w6)。前向和后向隱含層之間沒有信息流，展開圖是非循環(huán)的，前向后向LSTM 對異常駕駛行為數(shù)據(jù)的處理結(jié)果依據(jù)權(quán)值(w4,w6)直接到達輸出層。

圖4 BiLSTM模塊結(jié)構(gòu)圖

另外，Wf與與Wb分別代表前向與后向LSTM，本文使用變體LSTM：窺視孔連接[21]（Peephole），該結(jié)構(gòu)彌補了傳統(tǒng)LSTM 中遺忘門中的缺點，使得當前的cell 狀態(tài)能夠通過輸入門和遺忘門影響到下一時刻cell 對數(shù)據(jù)的處理，補充傳統(tǒng)LSTM 中cell 對上個序列處理中所丟失的部分數(shù)據(jù)，運用在車輛的行駛數(shù)據(jù)可以保留數(shù)據(jù)在時間序列上的變化特征，Peephole 展開后具體如圖5所示。

圖5 Peephole結(jié)構(gòu)圖

Peephole 由一個或多個內(nèi)存單元和三個門控制器（gate controllers）單元組成：輸入門、輸出門和遺忘門。其中xt是當前的輸入向量，本實驗中為每個時刻行車數(shù)據(jù)的輸入，ht是當前隱藏層向量，ht包含LSTM細胞的輸出，以及i,f,o和g分別是輸入門、遺忘門、輸出門和細胞向量，所有這些都與隱藏向量hi的大小相同，c為長期狀態(tài)。遺忘門（forget gate，由ft控制）決定哪些長期記憶被遺忘；輸入門（input gate，由it控制）決定被添加到長期記憶的內(nèi)容；輸出門（output gate，由ot控制）決定長期記憶中讀取和輸出的內(nèi)容。具體計算公式如下：

其中，公式（5）為輸入門計算公式，公式（6）為遺忘門計算公式，公式（7）為內(nèi)部神經(jīng)元計算公式，公式（8）為輸出門計算公式，公式（9）及公式（10）分別為長期狀態(tài)及隱藏狀態(tài)的計算公式。Wxi,Wxf,Wxc,Wxo是4個全連接層關(guān)于輸入向量xt的權(quán)重矩陣。Whi,Whf,Whc,Who是4個全連接層關(guān)于短期記憶ht-1的權(quán)重矩陣。bi,bf,bo,bg是4個全連接層的偏置項。bf初始為全是1的矩陣。

3.2 全連接神經(jīng)網(wǎng)絡模塊

全連通網(wǎng)絡是最基本、最簡單的神經(jīng)網(wǎng)絡，該網(wǎng)絡由于參數(shù)量以及計算量較大等原因，使用越來越少，但是在本文中，輸入及輸出尺寸固定且數(shù)量較少，不存在上述問題；而且其在多參數(shù)融合中表現(xiàn)良好，且對輸出維度沒有具體要求，同時具有可靠性高、低延時等特點，適用于對本文中異常駕駛行為進行分類因此采用全連通網(wǎng)絡作為分類網(wǎng)絡。全連接神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖6 所示。本文中將BiLSTM 的輸出作為全連接神經(jīng)網(wǎng)絡的輸入，輸出神經(jīng)元個數(shù)與分類結(jié)果的類別個數(shù)相同。

圖6 全連接神經(jīng)網(wǎng)絡層結(jié)構(gòu)圖

在本文中，提取的所有駕駛行為數(shù)據(jù)，包括速度、加速度以及GPS 點等經(jīng)過BiLSTM 處理，BiLSTM 輸出數(shù)據(jù)維度與輸入數(shù)據(jù)維度相同，輸出數(shù)據(jù)作為全連接網(wǎng)絡層的輸入，最后利用softmax 函數(shù)完成分類。結(jié)果分為急加速、急減速、左線急轉(zhuǎn)、右向急轉(zhuǎn)以及正常行駛五類，輸出維度為5。

4 實驗過程及結(jié)果驗證

本文所使用的算法是在Keras框架中使用Python3.7編譯器算法構(gòu)建的。建立算法模型后，輸入數(shù)據(jù)集中的樣本。在訓練時，為了防止過擬合，在前向及后向LSTM網(wǎng)絡后添加Dropout函數(shù)；網(wǎng)絡模型包含三層，分別是正向LSTM、反向LSTM以及最后的全連接層。

為了驗證本文使用的算法對異常駕駛行為檢測識別的準確性，分別使用相同的訓練數(shù)據(jù)來訓練多個算法網(wǎng)絡，分別是BiLSTM-FC 網(wǎng)絡、LSTM 網(wǎng)絡、RNN 網(wǎng)絡以及傳統(tǒng)的BP 網(wǎng)絡。對比在訓練過程中，識別率的大小以及損失函數(shù)的變化（算法模型的識別結(jié)果與實際結(jié)果的差異）均是反映算法的效果模型好壞的重要參數(shù)。識別率越高、損失函數(shù)值越小，識別結(jié)果越接近真實結(jié)果，識別效果越好。

如圖7 所示，圖7（a）為本文中使用的BiLSTM-FC拓展神經(jīng)網(wǎng)絡的識別率，圖中藍色線分別表示了訓練過程中的識別率變化曲線，綠色線為測試時識別率的變化曲線；圖7（b）為損失函數(shù)，圖中藍色線為訓練過程中的損失函數(shù)，橘色線為測試時的損失函數(shù)。圖8中，（a）為RNN網(wǎng)絡的識別率，（b）為BP網(wǎng)絡的識別率。其中，橘色線代表訓練過程中識別精度的變化趨勢，藍色線代表測試過程中識別精度的變化趨勢。圖中accuracy 的值發(fā)生突變是由于神經(jīng)元的權(quán)值變化對網(wǎng)絡輸出有顯著影響，受輸入數(shù)據(jù)差異的影響，在迭代中產(chǎn)生了較大訓練誤差。隨著訓練過程的進行，權(quán)值的變化幅度會逐漸減小，accuracy 值的突變也就會逐步減小。如圖7、圖8所示，BiLSTM-FC的識別率要優(yōu)于RNN網(wǎng)絡和BP網(wǎng)絡的識別率。對比兩種模型損失函數(shù)變化曲線。LSTMFC 較其他模型識別率較高，隨著訓練次數(shù)的增多趨于平緩，收斂速度較快，損失函數(shù)值也較低，說明BiLSTMFC的識別效果具有顯著優(yōu)勢。

從上述實驗結(jié)果中可以得出BiLSTM-FC模型對于異常駕駛行為的識別優(yōu)于RNN 以及LSTM 等，為了降低實驗結(jié)果的偶然性，使用同樣的數(shù)據(jù)集分別對各網(wǎng)絡模型做三次實驗，并對識別率、損失值等實驗結(jié)果取平均值，最終根據(jù)平均值對各網(wǎng)絡模型進行比較，具體異常駕駛行為的檢測識別結(jié)果如表2所示。其中BP的識別率不是很理想，最終為86.82%，BiLSTM 的識別率最高達到了98.08%。

表2 數(shù)據(jù)運動特征及其統(tǒng)計量

圖7 BiLSTM模型識別率與損失函數(shù)

圖8 RNN模型識別率與BP模型識別率

5 結(jié)論

異常駕駛行為是影響交通安全、導致交通事故的主要原因之一。目前已有的研究中，使用深度學習對駕駛行為進行識別的工作還較少。使用神經(jīng)網(wǎng)絡建立模型，使實時識別出的駕駛行為能夠具體到準確的時間、準確的車輛，提高駕駛行為識別在提高交通安全方面的作用。本中使用車輛終端采集的車輛行駛數(shù)據(jù)來識別異常駕駛行為。數(shù)據(jù)預處理后，采用統(tǒng)計方法對異常加速度點進行分類。然后結(jié)合相關(guān)駕駛經(jīng)驗，分割車輛駕駛數(shù)據(jù)，提取出用于訓練模型的數(shù)據(jù)樣本，構(gòu)建異常駕駛行為訓練模型用于識別行駛時車輛的駕駛行為。模型中第一層BiLSTM處理時間序列數(shù)據(jù)，第二層全連接神經(jīng)網(wǎng)絡用于對異常駕駛行為進行檢測識別，該模型對異常駕駛行為的識別率達到98.08%。實驗結(jié)果表明，所使用的BiLSTM-FC拓展網(wǎng)絡模型能夠識別異常駕駛行為，具有較高的識別率。研究結(jié)果有助于提高交通行駛安全性。