貨車移動遮斷影響下的小客車駕駛行為識別

戢曉峰，盧夢媛，覃文文

(昆明理工大學(xué)，a.交通工程學(xué)院；b.云南省現(xiàn)代物流工程研究中心，昆明650500)

0 引言

山區(qū)雙車道公路彎多坡陡、行車條件復(fù)雜[1]，貨車混入交通流后對相鄰后方小客車駕駛?cè)嗽斐梢曈X障礙、心理壓力和降速等影響，由此引發(fā)的小客車換道、超車等危險(xiǎn)駕駛行為易導(dǎo)致交通事故。相關(guān)統(tǒng)計(jì)表明，貨車與小客車發(fā)生碰撞事故的比例約占所有致命貨車事故的60%，其中超過80%的事故與小客車駕駛?cè)擞嘘P(guān)，小客車駕駛?cè)怂劳雎矢哌_(dá)83%[2]。因此，分析與識別小客車在貨車視線遮斷、速度壓制影響下的駕駛行為，對降低小客車在山區(qū)雙車道公路的駕駛風(fēng)險(xiǎn)具有重要意義。

針對貨車對交通影響，GAZIS 等[3]分析慢行車輛對道路通行能力的影響，首次提出“移動瓶頸”的概念。MORIDPOUR 等[4]調(diào)查分析重型貨車附近的交通特征，發(fā)現(xiàn)重型貨車前、后車頭間距較大，且當(dāng)交通密度和重型貨車比例較大時(shí)小客車換道頻率更高。近年來，有學(xué)者關(guān)注到貨車與小客車交互作用對交通安全的影響，主要集中于高速公路，針對山區(qū)雙車道公路貨車對小客車駕駛行為影響的研究較為少見。PEETA 等[5]將貨車與小客車的交互作用視為小客車的駕駛行為，構(gòu)建高速公路路段交通流模擬器分析小客車駕駛行為決策。HYUN等[6]利用定點(diǎn)檢測器采集交通數(shù)據(jù)分析涉及貨車的車輛交互作用與碰撞風(fēng)險(xiǎn)的關(guān)系，發(fā)現(xiàn)貨車與其他車輛的相互作用與碰撞可能性顯著相關(guān)，當(dāng)小客車跟在貨車后面行駛時(shí)，發(fā)生碰撞的可能性較大。此外，在駕駛行為識別方面，常用支持向量機(jī)(SVM)[7]、隨機(jī)森林(BF)[8]、輕量梯度提升機(jī)(LGBM)[9]等機(jī)器學(xué)習(xí)方法。由于上述方法需使用行車參數(shù)的統(tǒng)計(jì)特征作為模型輸入變量，因此，貨車移動遮斷下小客車的駕駛行為關(guān)鍵特征有待進(jìn)一步提取。

綜上，針對山區(qū)雙車道公路貨車移動遮斷對小客車駕駛行為影響研究的不足，本文基于無人機(jī)視頻數(shù)據(jù)，通過提取貨車移動遮斷下小客車駕駛行為特征參數(shù)，構(gòu)建基于SVM 的小客車駕駛行為識別模型。

1 貨車移動遮斷下小客車駕駛行為分析

假設(shè)貨車i 以速度vi、小客車j 以速度vj行駛在山區(qū)雙車道公路中，其中，vj

(1)跟馳行為。當(dāng)行駛路段不具備超車條件且小客車駕駛?cè)艘暰€欠佳時(shí)，小客車以速度vj、跟馳距離L 跟馳貨車行駛，稱為“貨車移動遮斷下的小客車跟馳行為”，如圖1(a)所示。

(2)換道行為。當(dāng)行駛路段具備超車條件時(shí)，小客車駕駛?cè)艘运俣葀j>vi)加速行駛，跨越車道線駛向?qū)ο蜍嚨?，稱為“貨車移動遮斷下的小客車換道行為”，如圖1(b)所示。

(3) 超車行為。小客車換道后在對向車道上超越貨車，待具備條件后駛回原車道，完成超車，稱為“貨車移動遮斷下的小客車超車行為”，如圖1(c)所示。

圖1 貨車移動遮斷下小客車駕駛行為場景Fig.1 Scene of passenger car driver behavior under truck movement interruption

2 基于支持向量機(jī)的駕駛行為識別模型

2.1 小客車駕駛行為標(biāo)定

首先，根據(jù)無人機(jī)拍攝覆蓋范圍內(nèi)小客車是否產(chǎn)生換道動作初步判定其駕駛行為；其次，以貨車i與小客車j 的車頭時(shí)距(Time to Headway)小于5 s 作為跟馳行為的判別閾值；同時(shí)，在精度為0.1 的條件下，將小客車橫向位置曲線斜率m 傾向于0作為換道時(shí)刻T 的初始判斷條件，采用m 是否持續(xù)變化作為判斷換道行為起點(diǎn)、終點(diǎn)的依據(jù)，將m 持續(xù)大于0(或小于0)的起點(diǎn)定義為換道行為的開始時(shí)刻T1，持續(xù)變化的結(jié)束點(diǎn)為換道行為結(jié)束時(shí)刻T2；采用相同判別方法確定小客車超車完成駛回原車道結(jié)束時(shí)刻T3，即超車行為結(jié)束時(shí)刻；最后，基于判別條件標(biāo)定貨車移動遮斷下小客車駕駛行為類別。車頭時(shí)距、小客車橫向位置曲線斜率公式為

式中：ΔSij為貨車i 與小客車j 的車頭間距；xi、xj分別為貨車、小客車垂直于車道方向的坐標(biāo)位置；yi、yj分別為貨車、小客車沿車道方向的坐標(biāo)位置；m 為小客車橫向軌跡曲線斜率；Δxj為小客車橫向偏移量，其中，xj(p)、xj(q)分別為p、q 時(shí)刻小客車垂直于車道方向的坐標(biāo)位置，p=q+0.1；Δt 為橫向偏移所用時(shí)間，本文取值為0.1 s。標(biāo)定流程如圖2所示。

圖2 貨車移動遮斷下小客車駕駛行為標(biāo)定流程Fig.2 Flow chart of passenger car driver behavior calibration under truck movement interruption

2.2 小客車駕駛行為關(guān)鍵特征參數(shù)提取

基于文獻(xiàn)[7]，結(jié)合貨車與小客車在山區(qū)雙車道公路的交互特性，選取速度、加速度、橫向偏移量、車頭間距、速度差、車頭時(shí)距等指標(biāo)構(gòu)建貨車移動遮斷下的小客車駕駛行為特征參數(shù)集，如表1 所示。采用主成分分析法對特征數(shù)據(jù)進(jìn)行降維，得到的主成分公因子為小客車駕駛行為關(guān)鍵特征參數(shù)，即識別模型輸入變量。

表1 貨車移動遮斷下小客車駕駛行為特征參數(shù)Table 1 Characterization parameters of passenger car driver behavior under truck movement interruption

2.3 基于支持向量機(jī)的識別模型構(gòu)建

SVM小樣本學(xué)習(xí)能力強(qiáng)、模型泛化性能好，不易陷入局部最優(yōu)。本文為非線性分類問題，SVM通過核函數(shù)將樣本數(shù)據(jù)映射到高維空間，使其變?yōu)榫€性可分問題。貨車移動遮斷下小客車駕駛行為樣本數(shù)據(jù)集xu∈Rn，yu∈{-1,0 ,1} ，u=1,2,…,l ，Rn為n 維實(shí)數(shù)空間。假設(shè)存在超平面ωT?x+b=0 能夠正確分類所有樣本，所有樣本數(shù)據(jù)需滿足

式中：xu為小客車駕駛行為關(guān)鍵特征參數(shù)；yu為小客車駕駛行為類別；l 為小客車駕駛行為樣本數(shù)據(jù)數(shù)量，ω=(ω1,ω2,…,ωd)為法向量；b 為偏置。

根據(jù)文獻(xiàn)[10]推導(dǎo)，獲得尋優(yōu)目標(biāo)函數(shù)式，即

式 中：α=(α1,α2,…,αl)為Lagrange 乘子向量，αu、αv為Lagrange 乘 子；常數(shù)C為懲罰因子；k(xu,xv)為徑向基函數(shù)。

利用Python 構(gòu)建基于SVM 的識別模型，識別流程如下：

Step 1 按照4∶1 的比例將樣本數(shù)據(jù)劃分為訓(xùn)練、測試樣本。

Step 2 采用網(wǎng)格搜索法對徑向基函數(shù)k(xu,xv)的參數(shù)C、g 進(jìn)行尋優(yōu)，并通過k 折交叉驗(yàn)證評估模型性能，g 為核參數(shù)。

Step 3 采用序列最小優(yōu)化方法(SMO)求解最優(yōu)分類決策函數(shù)，獲得基于SVM的分類模型。

Step 4 預(yù)測測試樣本，并基于識別指標(biāo)評估模型的識別效果。

2.4 模型識別效果評價(jià)

本文可預(yù)見的識別結(jié)果如表2 所示。采用識別準(zhǔn)確率A、分類準(zhǔn)確率Ak、誤報(bào)率Pk和漏報(bào)率Rk評價(jià)模型識別效果，計(jì)算公式為

表2 3分類問題識別結(jié)果Table 2 Recognition results of three classification problem

3 實(shí)例分析

3.1 數(shù)據(jù)采集與處理

以云南省典型山區(qū)雙車道公路—元雙公路為例，選取貨車混入率較高的3 個(gè)路段作為研究路段，基本信息如表3所示。采用無人機(jī)拍攝方式采集交通視頻數(shù)據(jù)，并利用George2.1 視頻處理軟件提取目標(biāo)車輛的軌跡數(shù)據(jù)。軌跡的提取頻率為10 Hz，地面點(diǎn)坐標(biāo)的精度誤差控制在±0.05 m 之內(nèi)。通過處理軌跡數(shù)據(jù)，構(gòu)建貨車移動遮斷下小客車駕駛行為樣本數(shù)據(jù)庫，處理流程如圖3所示。

圖3 軌跡數(shù)據(jù)處理流程Fig.3 Flow chart of trajectory data processing

表3 研究路段基本信息Table 3 Basic information of research section

3.2 小客車駕駛行為特征分析

由圖4可知，元雙公路小客車在自由流條件下的行車速度為55～65 km·h-1，而在貨車移動遮斷下的行車速度僅為25～45 km·h-1。山區(qū)雙車道貨車移動遮斷導(dǎo)致小客車行車速度約降低20～30 km·h-1，比相同交通流條件高速公路中因貨車移動瓶頸影響而導(dǎo)致的降速約高15～20 km·h-1。

圖4 元雙公路貨車與小客車速度頻率分布Fig.4 Distribution of trucks'velocity and passenger cars'velocity frequency on Yuan Shuang Highway

分析貨車移動遮斷下小客車與貨車的行車軌跡發(fā)現(xiàn)，不同駕駛行為下的小客車橫向位置曲線具有顯著差異性。跟馳貨車行駛時(shí)，兩車行車軌跡高度相似，只是在時(shí)間、空間上有延遲；駛出換道時(shí)，小客車行車軌跡出現(xiàn)拐點(diǎn)，橫向位置曲線斜率傾向于0，而后橫向位置快速變化，m 持續(xù)大于0；超車執(zhí)行時(shí)，再次出現(xiàn)拐點(diǎn)后橫向位置逐漸向貨車橫向位置靠近，m 持續(xù)小于0，第3個(gè)拐點(diǎn)出現(xiàn)后小客車超車結(jié)束，如圖5所示。

圖5 貨車移動遮斷下貨車與小客車行車軌跡圖Fig.5 Figure of truck and passenger car travel track under truck movement interruption

根據(jù)小客車駕駛行為特征數(shù)據(jù)描述性統(tǒng)計(jì)結(jié)果，分析貨車移動遮斷下小客車3種不同駕駛行為的特征參數(shù)。

(1)速度、速度差

由表4、圖6可知，同跟馳、超車情況相比，小客車換道時(shí)平均速度最小(30.50 km·h-1)，與貨車間的速度差值最大(-8.36 km·h-1)，說明小客車在換道時(shí)適當(dāng)減速以探查超車交通條件，確保安全超車，體現(xiàn)了小客車駕駛?cè)嗽谏絽^(qū)雙車道公路換道行駛的謹(jǐn)慎性。

圖6 貨車與小客車速度分布Fig. 6 Distribution of velocity for trucks and passenger cars

(2)車頭間距

由表4、圖7 可知，小客車跟馳、換道時(shí)兩車平均車頭間距均為25 m，但車頭間距的頻率分布具有差異性。跟馳時(shí)兩車車頭間距分布于10～40 m，以5 m為分組間隔，頻率分布較為均勻；換道時(shí)車頭間距集中分布于15～30 m，頻率分布較為集中。

圖7 小客車跟馳、換道行為車頭間距分布Fig.7 Distribution of space headway for passenger cars car-following behavior and lane-change behavior

(3)車頭時(shí)距

由表4、圖8可知，跟馳時(shí)車頭時(shí)距集中分布于1.0～3.0 s，換道時(shí)車頭時(shí)距集中分布于2.0～4.0 s；小客車在山區(qū)雙車道公路中跟馳貨車行駛的平均車頭時(shí)距為2.53 s，小于《公路工程技術(shù)標(biāo)準(zhǔn)》中規(guī)定的最小安全車頭時(shí)距。

圖8 小客車跟馳、換道行為車頭時(shí)距分布Fig.8 Distribution of headway for passenger cars car-following behavior and lane-change behavior

表4 小客車駕駛行為特征參數(shù)描述性統(tǒng)計(jì)Table 4 Descriptive statistics of passenger car driver behavior characteristic parameters

3.3 模型識別結(jié)果與分析

對樣本數(shù)據(jù)進(jìn)行獨(dú)立樣本Kruskal Wallis 檢驗(yàn)，結(jié)果顯示所有特征參數(shù)在3 種駕駛行為中的P值均小于0.05，說明所選取的特征參數(shù)均具有顯著差異，適合作為識別模型的特征參數(shù)。將歸一化處理的樣本數(shù)據(jù)進(jìn)行主成分分析，確定vi、vj、vxj、為關(guān)鍵特征參數(shù)，得到3個(gè)主成分公因子即為識別模型的輸入變量，其累計(jì)貢獻(xiàn)率為86.24%，如圖9所示。

圖9 方差貢獻(xiàn)率Fig.9 Variance contribution rate

基于網(wǎng)格搜索算法和10 折交叉驗(yàn)證，尋找核函數(shù)的最優(yōu)參數(shù)C 和g ，尋優(yōu)過程如圖10 所示。最終確定最優(yōu)參數(shù)組合為C=300，g=150，此時(shí)交叉驗(yàn)證率達(dá)99.04%。

圖10 核函數(shù)參數(shù)尋優(yōu)Fig.10 Kernel function parameter optimization

用訓(xùn)練得到的識別模型對測試樣本進(jìn)行識別，對比識別結(jié)果與實(shí)際結(jié)果，利用式(7)～式(10)計(jì)算得到模型識別評價(jià)指標(biāo)。結(jié)果顯示：模型識別準(zhǔn)確率達(dá)98.41%，漏報(bào)率小于7.60%，誤報(bào)率小于4.00%，識別結(jié)果如表5所示。

表5 貨車移動遮斷下小客車駕駛行為識別結(jié)果Table 5 Recognition results of passenger car driver behavior recognition under truck movement interruption

從測試樣本中隨機(jī)挑選1組數(shù)據(jù)，識別模型預(yù)測的小客車駕駛行為如圖11所示。小客車跟馳貨車行駛時(shí)，兩車速度基本一致，車頭間距平穩(wěn)波動；換道超車時(shí)，小客車速度迅速提升，車頭間距迅速減小，直到兩車齊頭并排行駛時(shí)，車頭間距達(dá)到最低點(diǎn)，間距大小與車道寬度相近，此后兩車車頭間距又急劇擴(kuò)大。由圖11 可知，基于SVM 識別的小客車駕駛行為與樣本數(shù)據(jù)中駕駛行為的標(biāo)定結(jié)果基本吻合，說明基于SVM 的貨車移動遮斷下小客車駕駛行為識別模型識別效果較好。

圖11 貨車與小客車速度及兩車車頭間距Fig.11 Velocity of truck and passenger car and space headway between two vehicles

4 結(jié)論

(1)相比高速公路貨車移動瓶頸，山區(qū)雙車道貨車移動遮斷對小客車正常行車速度的影響更大。在相同交通流條件下，高速公路貨車移動瓶頸導(dǎo)致小客車平均車速約降低5～10 km·h-1，而在山區(qū)雙車道貨車移動遮斷影響下小客車行車速度約降低20～30 km·h-1。

(2)山區(qū)雙車道貨車移動遮斷在一定程度上增加了小客車的駕駛風(fēng)險(xiǎn)。小客車在換道時(shí)與貨車的平均速度差絕對值比超車時(shí)大3.00 km·h-1，體現(xiàn)了小客車在貨車移動遮斷影響下的謹(jǐn)慎型換道駕駛行為；同時(shí)，小客車在山區(qū)雙車道公路中跟馳貨車行駛的平均車頭時(shí)距為2.53 s，小于相關(guān)規(guī)范中規(guī)定的最小安全值，過小的車頭時(shí)距導(dǎo)致小客車跟馳行車風(fēng)險(xiǎn)增大。

(3) 以貨車速度、小客車速度、小客車橫向速度、車頭間距、車頭時(shí)距和小客車橫向偏移量為關(guān)鍵特征參數(shù)的支持向量機(jī)識別模型，對山區(qū)雙車道公路貨車移動遮斷影響下小客車駕駛行為的識別準(zhǔn)確率達(dá)98.41%。