基于LightGBM的駕駛?cè)孙L(fēng)險(xiǎn)感知能力判別方法*

李 青 景云超 朱 彤▲ 朱秭碩 李海梅

（1.長安大學(xué)運(yùn)輸工程學(xué)院 西安710064；2.長安大學(xué)汽車運(yùn)輸安全保障技術(shù)交通行業(yè)重點(diǎn)實(shí)驗(yàn)室 西安710064；3.長安大學(xué)汽車學(xué)院 西安710064）

0 引 言

風(fēng)險(xiǎn)感知被定義為駕駛員識(shí)別道路環(huán)境中風(fēng)險(xiǎn)的能力，是1種基于判斷和情境意識(shí)的個(gè)人行為[1-2]。駕駛技能中，只有個(gè)人對(duì)危險(xiǎn)的感知與其事故經(jīng)歷有關(guān)[3]。駕駛?cè)说娘L(fēng)險(xiǎn)感知能力是唯一與碰撞風(fēng)險(xiǎn)有關(guān)的高階認(rèn)知技能[4-5]。多項(xiàng)研究結(jié)果表明對(duì)道路風(fēng)險(xiǎn)感知更敏銳的駕駛員發(fā)生交通事故的概率較低[6-7]。因此判別駕駛?cè)孙L(fēng)險(xiǎn)感知能力并采取相應(yīng)干預(yù)措施對(duì)預(yù)防與減少交通事故有著重要意義。

現(xiàn)有研究多從不同駕駛?cè)后w，駕駛?cè)嗣鎸?duì)危險(xiǎn)事件時(shí)的駕駛行為、生理指標(biāo)等角度出發(fā)分析駕駛?cè)说娘L(fēng)險(xiǎn)感知特性，較少有研究分析危險(xiǎn)源與風(fēng)險(xiǎn)感知之間的關(guān)系。A.Borowsky等[8]，G.Underwood等[9]，王豐元等[10]，文森等[11]分析了駕齡對(duì)風(fēng)險(xiǎn)感知特性的影響，結(jié)果表明，新手駕駛?cè)藢?duì)危險(xiǎn)事件的感知能力較差，對(duì)潛在危險(xiǎn)事件的反應(yīng)更為遲鈍，注視危險(xiǎn)事件的時(shí)間更短。S.W.Park等[12]發(fā)現(xiàn)年老駕駛員在控制車速、轉(zhuǎn)向、制動(dòng)等操作上有著更明顯的誤操作率。B.Liang等[13]研究了駕駛?cè)说哪X電、皮電活動(dòng)與對(duì)道路危險(xiǎn)行為的反應(yīng)時(shí)間對(duì)風(fēng)險(xiǎn)感知的影響。谷志朋等[14]分析了不同危險(xiǎn)源位置下（遠(yuǎn)前方、近前方、左側(cè)、右側(cè)）駕駛?cè)说娘L(fēng)險(xiǎn)感知差異性，結(jié)果表明，當(dāng)危險(xiǎn)源出現(xiàn)在遠(yuǎn)前方時(shí)識(shí)別能力較差，出現(xiàn)在右側(cè)時(shí)識(shí)別能力最好。在視覺搜索任務(wù)中，正確檢測到第1個(gè)目標(biāo)會(huì)妨礙對(duì)同一場景下第2個(gè)目標(biāo)的檢測，這被稱為后續(xù)搜索失敗[15]。R.J.Sall等[16]首次考慮危險(xiǎn)源因素對(duì)駕駛?cè)孙L(fēng)險(xiǎn)感知能力的影響，通過設(shè)計(jì)包含0，1，2個(gè)低顯著性或高顯著性危險(xiǎn)事件的靜態(tài)交通場景圖，要求被試觀看這些圖片后報(bào)告識(shí)別到的目標(biāo)順序及個(gè)數(shù)，以此達(dá)到檢驗(yàn)駕駛?cè)俗R(shí)別第1個(gè)危險(xiǎn)后是否有能力識(shí)別同一場景下第2個(gè)危險(xiǎn)的目的。筆者擬設(shè)計(jì)考慮危險(xiǎn)源因素的危險(xiǎn)場景模擬試驗(yàn)，研究危險(xiǎn)源個(gè)數(shù)（單/雙）及危險(xiǎn)源類型（顯性/隱性）對(duì)駕駛?cè)孙L(fēng)險(xiǎn)感知能力的影響。

現(xiàn)有研究多基于視頻或靜態(tài)圖片以駕駛?cè)藢?duì)不同風(fēng)險(xiǎn)等級(jí)的主觀評(píng)估或?qū)︼L(fēng)險(xiǎn)的反應(yīng)時(shí)間作為標(biāo)準(zhǔn)評(píng)價(jià)其風(fēng)險(xiǎn)感知能力，較少有學(xué)者通過分析駕駛過程中駕駛?cè)嗣鎸?duì)突發(fā)危險(xiǎn)事件時(shí)的應(yīng)激反應(yīng)信息進(jìn)行評(píng)價(jià)。風(fēng)險(xiǎn)感知作為駕駛?cè)藢?duì)外界客觀環(huán)境的個(gè)人感受，易受心理狀態(tài)與環(huán)境條件的影響，駕駛?cè)嗣鎸?duì)突發(fā)危險(xiǎn)事件時(shí)的反應(yīng)為下意識(shí)應(yīng)激行為，可客觀地反映其風(fēng)險(xiǎn)感知能力。交通沖突時(shí)間（TTC）常被用來分析碰撞風(fēng)險(xiǎn)，而駕駛?cè)孙L(fēng)險(xiǎn)感知能力與碰撞風(fēng)險(xiǎn)有關(guān)[3-4]。因此TTC可用來衡量駕駛?cè)说娘L(fēng)險(xiǎn)感知能力。Li等[17]在進(jìn)行碰撞概率估計(jì)時(shí)考慮了駕駛?cè)说娘L(fēng)險(xiǎn)感知特性，將TTC與駕駛?cè)嗽诮鲎矆鼍跋碌闹苿?dòng)反應(yīng)作為風(fēng)險(xiǎn)感知評(píng)價(jià)指標(biāo)。筆者擬采用駕駛模擬試驗(yàn)，將危險(xiǎn)事件嵌入駕駛場景中，以駕駛過程中駕駛?cè)嗣鎸?duì)危險(xiǎn)事件時(shí)的TTC衡量其風(fēng)險(xiǎn)感知能力。

駕駛?cè)孙L(fēng)險(xiǎn)感知能力判別研究對(duì)道路交通安全有著重要意義?，F(xiàn)有研究多采用讓駕駛?cè)擞^看視頻或靜態(tài)圖片的方式，從駕駛?cè)藗€(gè)人特性、生理指標(biāo)等角度評(píng)價(jià)其風(fēng)險(xiǎn)感知特性，較少考慮危險(xiǎn)源因素的影響。此外，風(fēng)險(xiǎn)感知能力量化指標(biāo)多為駕駛?cè)藢?duì)危險(xiǎn)的主觀評(píng)估，帶有一定的主觀性，較少采用駕駛?cè)嗽诿鎸?duì)危險(xiǎn)事件時(shí)的應(yīng)激行為表現(xiàn)。鑒此，本文設(shè)計(jì)考慮危險(xiǎn)源個(gè)數(shù)及類型的場景模擬試驗(yàn)，采用交通沖突時(shí)間（TTC）作為駕駛?cè)孙L(fēng)險(xiǎn)感知能力量化指標(biāo)，分析不同風(fēng)險(xiǎn)感知水平下的駕駛?cè)巳翰町愋?，并?gòu)建綜合危險(xiǎn)源因素、駕駛?cè)藗€(gè)人特性、駕駛?cè)笋{駛行為及眼動(dòng)特征的評(píng)價(jià)指標(biāo)特征集，利用LightGBM算法對(duì)駕駛?cè)说娘L(fēng)險(xiǎn)感知能力進(jìn)行評(píng)估。

1 數(shù)據(jù)采集

1.1 被試及設(shè)備

本次試驗(yàn)共招募35名駕駛?cè)耍行?5名，女性10名）。年齡于21～32歲之間（均值為24.86，標(biāo)準(zhǔn)差為2.12），駕齡于1～9年之間(均值為3.63，標(biāo)準(zhǔn)差為1.86)。被試持有合法駕照，雙眼視力（或矯正視力）均在1.0以上，無生理疾病，試驗(yàn)前24 h內(nèi)無飲酒或服用藥物。

本試驗(yàn)使用的駕駛模擬器包括三聯(lián)屏模擬場景顯示器、車輛操縱系統(tǒng)（轉(zhuǎn)向盤、加速踏板、制動(dòng)踏板、離合器踏板、擋桿）、音響系統(tǒng)，見圖1（a）。借助UC-win/Road軟件搭建試驗(yàn)場景并實(shí)時(shí)記錄車輛的運(yùn)行數(shù)據(jù)（速度，加速度等）和操縱數(shù)據(jù)（離合器，油門，制動(dòng)器等）。數(shù)據(jù)采集頻率為25 Hz。本試驗(yàn)使用的眼動(dòng)設(shè)備為澳大利亞Seeing Machines公司生產(chǎn)faceLAB5.0眼動(dòng)儀，可記錄駕駛?cè)说淖⒁晻r(shí)間、注視位置、頭部位置、頭部旋轉(zhuǎn)角度等多項(xiàng)數(shù)據(jù)。見圖1（b）。

圖1 試驗(yàn)設(shè)備Fig.1 Simulation equipments

1.2 試驗(yàn)場景

以危險(xiǎn)源個(gè)數(shù)（單/雙）、危險(xiǎn)源類型（顯性/隱性）、交通沖突類型（機(jī)動(dòng)車/非機(jī)動(dòng)車/行人）作為設(shè)計(jì)原則，共設(shè)計(jì)試驗(yàn)場景12種，其中干擾項(xiàng)3種，防止被試誤認(rèn)場景均有危險(xiǎn)而做出不當(dāng)反應(yīng)[9]，見表1和圖2。試驗(yàn)道路為雙向6車道城市道路，車道寬3.25 m，限速60 km/h。同向車道無其他車輛干擾，對(duì)向車道交通流為自由流模式。危險(xiǎn)事件隨機(jī)出現(xiàn)于駕駛過程中，由被試車輛觸發(fā)，危險(xiǎn)事件之間間隔500～800 m路段。

圖2 危險(xiǎn)場景示意圖Fig.2 Risk scenarios

表1 危險(xiǎn)場景描述Tab.1 Description of risk scenarios

1.3 采集流程

1）駕駛?cè)嘶拘畔⒄{(diào)查。要求被試填寫1份調(diào)察問卷，以了解其性別、年齡、駕齡、年均駕駛里程等個(gè)人信息。

2）試驗(yàn)介紹。試驗(yàn)人員向被試介紹試驗(yàn)內(nèi)容、流程與基本注意事項(xiàng)。

3）模擬器試駕。正式試驗(yàn)前被試被要求進(jìn)行約10 min的適應(yīng)性訓(xùn)練，以熟悉模擬器操作，體驗(yàn)?zāi)M場景。一旦出現(xiàn)眩暈等不適癥狀，不能參加后續(xù)試驗(yàn)。

4）眼動(dòng)儀校準(zhǔn)。對(duì)每位被試進(jìn)行眼動(dòng)儀校準(zhǔn)，校準(zhǔn)通過后方可正式試驗(yàn)。

5）正式試驗(yàn)。試驗(yàn)中要求被試嚴(yán)格遵守交通規(guī)則，不得隨意換道與超車，不得與場景中的交通參與者發(fā)生沖突。若發(fā)生碰撞，會(huì)發(fā)出警告信息。碰撞發(fā)生后，被試可重新啟動(dòng)車輛，完成剩余駕駛?cè)蝿?wù)。每名被試進(jìn)行1次試驗(yàn)即可完成全部場景。

6）收集整理數(shù)據(jù)并備份。

1.4 數(shù)據(jù)提取

筆者提取危險(xiǎn)事件發(fā)生點(diǎn)前150 m至危險(xiǎn)事件點(diǎn)處的數(shù)據(jù)用作分析。數(shù)據(jù)包括駕駛行為數(shù)據(jù)與駕駛?cè)搜蹌?dòng)數(shù)據(jù)。駕駛行為數(shù)據(jù)由UC-win/Road自動(dòng)記錄，眼動(dòng)數(shù)據(jù)通過逐幀觀看錄像提取。

提取的特征參數(shù)如下。

1）駕駛行為參數(shù)。車速、縱向加速度、轉(zhuǎn)向盤旋轉(zhuǎn)率、剎車深度、制動(dòng)反應(yīng)時(shí)間、制動(dòng)反應(yīng)位置。

2）眼動(dòng)參數(shù)。注視次數(shù)、首次注視時(shí)間、VSS、HSS。

制動(dòng)反應(yīng)時(shí)間為從危險(xiǎn)情景開始到駕駛?cè)俗龀鲇行е苿?dòng)反應(yīng)之間的時(shí)間差。制動(dòng)反應(yīng)位置為被試做出有效制動(dòng)反應(yīng)時(shí)的位置與危險(xiǎn)事件起點(diǎn)的相對(duì)位置。VSS為被試視線繞X軸方向的轉(zhuǎn)動(dòng)角度標(biāo)準(zhǔn)差。HSS為被試視線繞Y軸方向的轉(zhuǎn)動(dòng)角度標(biāo)準(zhǔn)差。

除以上特征外，還將危險(xiǎn)源個(gè)數(shù)（單/雙）、危險(xiǎn)源類型（顯性/隱性）、性別、駕齡納入評(píng)價(jià)指標(biāo)特征集。經(jīng)驗(yàn)駕駛員為駕齡大于2年的駕駛員，其余視為新手駕駛員[18]。

2 駕駛?cè)孙L(fēng)險(xiǎn)感知能力判別模型

2.1 風(fēng)險(xiǎn)感知能力量化

使用駕駛?cè)嗽谖ｋU(xiǎn)場景下的交通沖突時(shí)間（TTC）衡量駕駛?cè)孙L(fēng)險(xiǎn)感知能力。交通沖突開始時(shí)刻為駕駛?cè)藢?duì)危險(xiǎn)采取有效制動(dòng)措施的時(shí)刻，據(jù)此計(jì)算TTC。據(jù)已有文獻(xiàn)將TTC分為3類，代表駕駛?cè)说娘L(fēng)險(xiǎn)感知水平[19]。分類標(biāo)準(zhǔn)見表2。

表2 風(fēng)險(xiǎn)感知能力分類標(biāo)準(zhǔn)Tab.2 Standard for classifying risk perception

2.2 基于LightGBM算法的模型構(gòu)建

LightGBM算法是1種基于決策樹的分布式、高性能GBDT框架。相比于XGBoost具有低內(nèi)存、更快的訓(xùn)練效率、更高的準(zhǔn)確率等優(yōu)點(diǎn)。該算法基于Histogram對(duì)特征的分裂進(jìn)行優(yōu)化，利用帶深度限制的Leaf-wise葉子生長策略替代傳統(tǒng)的層生長決策樹策略，在保證高效率的同時(shí)降低了過擬合的風(fēng)險(xiǎn)[20]。

本文擬基于LightGBM算法構(gòu)建駕駛?cè)孙L(fēng)險(xiǎn)感知能力判別模型，具體步驟如下。

步驟1。劃分訓(xùn)練集、測試集。將數(shù)據(jù)的70%作為訓(xùn)練集訓(xùn)練模型參數(shù)，30%作為測試集測試模型的泛化能力。

步驟2。利用GridSearch算法確定模型最佳參數(shù)，結(jié)果見表3。

表3 基于GridSearch算法的模型參數(shù)優(yōu)化Tab.3 Optimization of model parameters based on the GridSearch algorithm

步驟3。利用LightGBM算法進(jìn)行駕駛?cè)孙L(fēng)險(xiǎn)感知能力判別。

步驟4。模型性能評(píng)價(jià)。

3 結(jié)果與分析

3.1 不同風(fēng)險(xiǎn)感知水平駕駛?cè)巳旱牟町愋苑治?/h3>

為分析不同風(fēng)險(xiǎn)感知水平下的駕駛?cè)巳翰町愋?，本文擬對(duì)危險(xiǎn)源因素、駕駛?cè)藗€(gè)人特性、駕駛行為及眼動(dòng)特征進(jìn)行統(tǒng)計(jì)學(xué)意義上的分析。由于危險(xiǎn)源個(gè)數(shù)、危險(xiǎn)源類型、性別、駕齡不滿足正態(tài)分布，選用Mantel-Haenszel非參數(shù)檢驗(yàn)法對(duì)其進(jìn)行分析[21]，對(duì)駕駛?cè)嗽谖ｋU(xiǎn)場景下的駕駛行為與眼動(dòng)特征采用Spearman檢驗(yàn)法。

危險(xiǎn)源個(gè)數(shù)（單/雙）與駕駛?cè)孙L(fēng)險(xiǎn)感知能力呈顯著負(fù)線性相關(guān)（見表4，p=0.004，Cor=-0.159）。表5數(shù)據(jù)顯示：①單目標(biāo)危險(xiǎn)源下，“安全”感知能力駕駛?cè)巳赫急?6.1%，“一般”感知能力駕駛?cè)巳赫急?0.4%，“危險(xiǎn)”感知能力駕駛?cè)巳赫急?3.5%；雙目標(biāo)危險(xiǎn)源下，分別占比30.2%，38.5%，31.3%。②“安全”感知能力駕駛?cè)巳褐?，單目?biāo)危險(xiǎn)源占比38.9%，雙目標(biāo)危險(xiǎn)源占比61.1%；“一般”感知能力駕駛?cè)巳褐?，分別占比28.2%，71.8%；“危險(xiǎn)”感知能力駕駛?cè)巳褐?，分別占比55.9%，44.1%。綜合以上信息并結(jié)合圖3（a）可知：單目標(biāo)危險(xiǎn)場景下，不同風(fēng)險(xiǎn)感知水平駕駛?cè)巳悍植疾痪?，“危險(xiǎn)”感知能力駕駛?cè)溯^多，這可能是因?yàn)轳{駛?cè)嗽诓煊X到危險(xiǎn)后，對(duì)外界環(huán)境的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果低于心理閾值，認(rèn)為繼續(xù)執(zhí)行當(dāng)前的駕駛狀態(tài)足以應(yīng)對(duì)危險(xiǎn)，無需另外采取避險(xiǎn)措施。雙目標(biāo)危險(xiǎn)場景下，不同風(fēng)險(xiǎn)感知水平駕駛?cè)巳悍植驾^為均衡。駕駛?cè)藢?duì)雙目標(biāo)危險(xiǎn)源的風(fēng)險(xiǎn)感知能力較好，這可以由任務(wù)難度穩(wěn)態(tài)理論解釋。多個(gè)危險(xiǎn)源場景的不確定性更大，影響駕駛安全的因素較多，駕駛?cè)蝿?wù)較難，導(dǎo)致駕駛?cè)藢?duì)駕駛?cè)蝿?wù)的難度難以把握，為了保證行車安全，駕駛?cè)藘A向于采取避險(xiǎn)操作以降低不確定性，應(yīng)對(duì)危險(xiǎn)事件的發(fā)生。

危險(xiǎn)源類型（顯/隱）與駕駛?cè)孙L(fēng)險(xiǎn)感知能力顯著負(fù)相關(guān)（見表4，p＜0.001，Cor=-0.279）。顯性危險(xiǎn)源下，“安全”感知能力駕駛?cè)巳赫急?5.7%，“一般”感知能力駕駛?cè)巳赫急?1.4%，“危險(xiǎn)”感知能力駕駛?cè)巳赫急?2.9%；隱性危險(xiǎn)源下，分別占比39.2%、30.4%、30.4%，見表5。這說明駕駛?cè)藢?duì)隱性危險(xiǎn)事件的風(fēng)險(xiǎn)感知能力好于顯性危險(xiǎn)事件，與SLong的研究結(jié)果一致[22]（見圖3（b））。他們對(duì)此的解釋是顯性危險(xiǎn)沒有時(shí)間壓力，駕駛?cè)擞凶銐虻臅r(shí)間評(píng)估風(fēng)險(xiǎn)，這在一定程度上會(huì)降低警覺性。本文進(jìn)一步延伸認(rèn)為駕駛?cè)艘迅兄斤@性危險(xiǎn)事件的存在，行車過程中的未知性與不確定性已大大降低，無須另外采取避險(xiǎn)操作應(yīng)對(duì)未知。但在隱性危險(xiǎn)源場景下，駕駛?cè)藢?duì)周圍環(huán)境信息的認(rèn)知具有不確定性，迫于時(shí)間壓力與結(jié)果致命性只能通過提前采取避險(xiǎn)措施應(yīng)對(duì)可能發(fā)生的危險(xiǎn)事件。

駕齡與駕駛?cè)孙L(fēng)險(xiǎn)感知能力存在正線性關(guān)系（見表4，p=0.003，Cor=0.164）。由表5可得以下結(jié)論。

表5 危險(xiǎn)源個(gè)數(shù)、危險(xiǎn)源類型、駕齡與風(fēng)險(xiǎn)感知能力交叉表Tab.5 Crosstabulation among risk perception,target number,target type,and driving years

1）駕駛經(jīng)驗(yàn)不足人群中，“安全”感知能力駕駛?cè)巳赫急?9.5%，“一般”感知能力駕駛?cè)巳赫急?6.9%，“危險(xiǎn)”感知能力駕駛?cè)巳赫急?3.6%；駕駛經(jīng)驗(yàn)豐富人群中，分別占比22.3%，33.0%，44.7%。

2）“安全”感知能力駕駛?cè)巳褐校靶率帧瘪{駛?cè)苏急?9.5%，“熟練”駕駛?cè)苏急?0.5%；“一般”感知能力駕駛?cè)巳褐?，分別占比31.1%，68.9%；“危險(xiǎn)”感知能力駕駛?cè)巳褐?，分別占比29.4%，70.6%。綜合以上信息及圖3（c）說明駕駛經(jīng)驗(yàn)不足人群中，駕駛?cè)巳旱娘L(fēng)險(xiǎn)感知能力分布相對(duì)分化；駕駛經(jīng)驗(yàn)豐富人群中，“危險(xiǎn)”感知能力駕駛?cè)司佣?，這可能是由于“經(jīng)驗(yàn)”導(dǎo)致；風(fēng)險(xiǎn)感知能力差的駕駛?cè)硕嘁娪隈{駛經(jīng)驗(yàn)豐富人群。由于本次試驗(yàn)“熟練”駕駛?cè)藬?shù)與“新手”駕駛?cè)藬?shù)配比并不均衡，結(jié)果還須進(jìn)一步論證。性別與駕駛?cè)孙L(fēng)險(xiǎn)感知能力之間不存在相關(guān)關(guān)系（見表4，p=0.329），故不對(duì)其展開論述。

圖3 危險(xiǎn)源個(gè)數(shù)、危險(xiǎn)源類型、性別與風(fēng)險(xiǎn)感知能力散點(diǎn)圖Fig.3 Relationship between risk perception，target number，target type，and gender

表4 Mantel-Haenszel檢驗(yàn)結(jié)果Tab.4 Results of Mantel-Haenszel test

駕駛?cè)嗽谖ｋU(xiǎn)場景下的駕駛行為、眼動(dòng)特征的描述性分析見表6，與風(fēng)險(xiǎn)感知能力的Spearman相關(guān)分析結(jié)果見表7。由表7可知，車速、縱向加速度、剎車深度、制動(dòng)反應(yīng)時(shí)間、制動(dòng)反應(yīng)位置、HSS、首次注視時(shí)間與風(fēng)險(xiǎn)感知能力顯著相關(guān)（p＜0.001，p=0.003，p＜0.001，p＜0.001，p＜0.001，p＜0.001，p＜0.001，p=0.037），其中車速、制動(dòng)反應(yīng)時(shí)間、制動(dòng)反應(yīng)位置與風(fēng)險(xiǎn)感知能力強(qiáng)相關(guān)（Cor=0.508，Cor=0.734，Cor=0.742）；方向盤旋轉(zhuǎn)率、VSS、注視次數(shù)與風(fēng)險(xiǎn)感知能力不存在相關(guān)關(guān)系（p=0.341，p=0.813，p=0.608）。結(jié)合表6與圖4信息可知，“危險(xiǎn)”感知能力駕駛?cè)巳旱能囁倨咔壹铀俣雀?，轉(zhuǎn)動(dòng)方向盤的角度更大，剎車深度更深，從發(fā)現(xiàn)危險(xiǎn)事件到采取行動(dòng)需要更多的反應(yīng)時(shí)間，這與A.Hill等[23]的研究結(jié)果一致；“安全”感知能力駕駛?cè)巳簝A向以較低的車速、更為平緩的加速度應(yīng)對(duì)危險(xiǎn)事件，在距離危險(xiǎn)事件很遠(yuǎn)時(shí)便能察覺到危險(xiǎn)，行車狀態(tài)下對(duì)外界環(huán)境的搜索范圍廣且當(dāng)危險(xiǎn)事件發(fā)生時(shí)可迅速察覺并采取行動(dòng)。風(fēng)險(xiǎn)感知能力遲鈍的駕駛?cè)祟A(yù)判狀況是否發(fā)生的能力較差，會(huì)對(duì)外界環(huán)境中的某一處長期觀察，因此無法快速、有效地鎖定危險(xiǎn)事件，在此情景下一旦察覺便會(huì)緊急采取避險(xiǎn)措施，如緊急制動(dòng)，急轉(zhuǎn)方向盤等。風(fēng)險(xiǎn)感知能力敏銳的駕駛?cè)四軌蝾A(yù)先全面地分析道路和交通狀況，快速對(duì)不利狀況采取正確行動(dòng)。

圖4 顯著因子在風(fēng)險(xiǎn)感知能力下的分布圖Fig.4 Distribution of significance factors under risk perception

表6 描述性分析Tab.6 Descriptive analysis

表7 Spearman相關(guān)結(jié)果Tab.7 Results of Spearman correlation

3.2 特征個(gè)數(shù)對(duì)模型性能的影響

為尋找模型的最優(yōu)輸入特征集，本文利用隨機(jī)森林（Random Forest）算法對(duì)特征進(jìn)行重要性排序[24]，在此基礎(chǔ)上分析不同特征個(gè)數(shù)輸入對(duì)模型性能的影響。

隨機(jī)森林是1種組合多個(gè)決策樹的Bagging類型集成學(xué)習(xí)算法，最終結(jié)果由所有樹分類結(jié)果的眾數(shù)而定。隨機(jī)森林能夠度量每個(gè)特征的重要性，因此可用來篩選特征。其思想是將特征在每棵樹上的貢獻(xiàn)求和取均值后，比較所有特征的貢獻(xiàn)大小。

本文使用該算法對(duì)備選特征集中的14個(gè)指標(biāo)進(jìn)行重要性排序，為后續(xù)分析提供依據(jù)。見圖5，制動(dòng)反應(yīng)位置、制動(dòng)反應(yīng)時(shí)間、車速、剎車深度、縱向加速度等特征的重要性較高，對(duì)判別結(jié)果貢獻(xiàn)較大。

圖5 特征重要性Fig.5 Importance of features

為探究特征個(gè)數(shù)對(duì)模型性能的影響，將排序后的特征指標(biāo)作為輸入訓(xùn)練模型，并在測試集上采用精度（accuracy）、F1值、查準(zhǔn)率（precision）、查全率（recall）進(jìn)行模型評(píng)估，結(jié)果見表8。查準(zhǔn)率和查全率是一對(duì)矛盾的評(píng)價(jià)指標(biāo)，F(xiàn)1值作為查準(zhǔn)率和查全率的調(diào)和平均，可更好地度量模型性能，見圖6。

表8 不同特征數(shù)下的模型性能Tab.8 Performance evaluation indicators of different features%

據(jù)表8與圖6可知：當(dāng)特征個(gè)數(shù)小于2/4/6時(shí)，F(xiàn)1值呈上升趨勢，此時(shí)模型欠擬合；當(dāng)特征個(gè)數(shù)大于6后，F(xiàn)1值呈下降趨勢，原因可能是模型過擬合。當(dāng)特征個(gè)數(shù)為6時(shí)，模型性能最優(yōu)，此時(shí)輸入指標(biāo)為：制動(dòng)反應(yīng)位置、制動(dòng)反應(yīng)時(shí)間、車速、剎車深度、縱向加速度、首次注視時(shí)間。因此選用這6個(gè)指標(biāo)作為判別模型的輸入。

圖6 特征數(shù)與F1值的關(guān)系Fig.6 Relationship between the number of features and F1

3.3 模型評(píng)價(jià)

駕駛?cè)孙L(fēng)險(xiǎn)感知能力判別模型建立完成后，須評(píng)估其泛化能力。本文擬采用精度（accuracy）、F1值、查準(zhǔn)率（precision）、查全率（recall）評(píng)估模型性能，并與支持向量機(jī)（SVM）、AdaBoost算法進(jìn)行對(duì)比，結(jié)果見表9。由表9可知：與SVM、AdaBoost算法相比，LightGBM模型的分類效果更優(yōu)。

表9 3種模型的性能比較Tab.9 Performance of three models%

4 結(jié)束語

筆者針對(duì)駕駛?cè)孙L(fēng)險(xiǎn)感知能力評(píng)價(jià)設(shè)計(jì)了駕駛模擬實(shí)驗(yàn)，將交通沖突時(shí)間（TTC）作為評(píng)價(jià)指標(biāo)，綜合考慮了危險(xiǎn)源個(gè)數(shù)與類型、駕駛?cè)藗€(gè)人特性、駕駛?cè)笋{駛行為與眼動(dòng)特征等因素，分析了這些因素與風(fēng)險(xiǎn)感知能力之間的關(guān)系并構(gòu)建了駕駛?cè)孙L(fēng)險(xiǎn)感知能力判別模型。主要結(jié)論如下。

1）危險(xiǎn)源個(gè)數(shù)（單/雙）、危險(xiǎn)源類型（顯/隱）與駕駛?cè)孙L(fēng)險(xiǎn)感知能力存在負(fù)相關(guān)關(guān)系。駕齡與駕駛?cè)孙L(fēng)險(xiǎn)感知能力存在正相關(guān)關(guān)系。車速、縱向加速度、剎車深度、制動(dòng)反應(yīng)時(shí)間、制動(dòng)反應(yīng)位置、HSS、首次注視時(shí)間與風(fēng)險(xiǎn)感知能力顯著相關(guān)。

2）相比于SVM、AdaBoost等算法，基于LightGBM算法的模型判別能力最好。建立模型前借助Random Forest算法對(duì)特征進(jìn)行了重要性排序，并分析了不同特征輸入個(gè)數(shù)對(duì)模型性能的影響。結(jié)果表明，當(dāng)特征個(gè)數(shù)為6，特征分別為制動(dòng)反應(yīng)位置、制動(dòng)反應(yīng)時(shí)間、車速、剎車深度、縱向加速度、首次注視時(shí)間時(shí)的模型效果最好。

TTC作為駕駛?cè)孙L(fēng)險(xiǎn)感知能力衡量標(biāo)準(zhǔn)的前提是駕駛?cè)嗣鎸?duì)危險(xiǎn)事件時(shí)采用的是制動(dòng)避險(xiǎn)，后續(xù)研究中將考慮其他避險(xiǎn)方式（如換道避險(xiǎn)），并將駕駛?cè)松碇笜?biāo)（如心率、腦電波等）、道路交通環(huán)境等因素納入模型，建立更為全面的風(fēng)險(xiǎn)感知能力判別方法。此外，本文試驗(yàn)方式為駕駛模擬，與真實(shí)道路環(huán)境存在一定差異，被試數(shù)量不夠多，類型不夠全面，后續(xù)將結(jié)合其他試驗(yàn)方式并充實(shí)樣本開展進(jìn)一步的研究。