基于自然駕駛數(shù)據(jù)的典型風(fēng)險場景致因分析 *

馮樹民，吳 迪，孫雅麗

(哈爾濱工業(yè)大學(xué) 交通科學(xué)與工程學(xué)院，黑龍江 哈爾濱 150090)

0 引 言

城市交通系統(tǒng)中各種影響因素非線性交互作用是形成危險工況的主要原因，研究其相互影響關(guān)系有助于針對性地制定主動防控策略，保證城市交通安全。目前國內(nèi)外學(xué)者已采用自然駕駛數(shù)據(jù)展開了場景風(fēng)險評估，并對駕駛者緊急駕駛行為、特定人群的駕駛風(fēng)險變更等進行了相關(guān)研究[1-4]。然而，針對于危險工況影響因素的研究相對較少，LV Bin等[5]使用美國公路戰(zhàn)略研究項目(SHRP)中的自然駕駛數(shù)據(jù)，分析了不同因素對駕駛者在交叉路口右轉(zhuǎn)時分心駕駛行為的影響；T.A.DINGUS等[6]使用由美國國家科學(xué)院資助的ND數(shù)據(jù)集，對交通事故及其誘因進行了相關(guān)性統(tǒng)計分析；A.HABIBOVIC等[7]使用改進的DREAM分析了日本的一項自然駕駛數(shù)據(jù)，結(jié)果表明：在交叉口范圍內(nèi)危險工況誘導(dǎo)因素主要為駕駛者視線遮擋和注意力分散；楊春風(fēng)等[8]對駕駛員違法駕駛行為與交通事故的4項指標(biāo)進行了相關(guān)性分析，利用改進灰色關(guān)聯(lián)度模型對各項駕駛行為與交通事故指標(biāo)的關(guān)聯(lián)程度進行評價；王濤等[9]設(shè)計了電動自行車的風(fēng)險駕駛行為量表，探究得到了與駕駛信心、安全態(tài)度、風(fēng)險感知以及風(fēng)險駕駛行為相關(guān)聯(lián)的多項影響因素；吳斌等[10]應(yīng)用修正的DREAM分析了China-FOT中汽車直行追尾危險工況的相關(guān)數(shù)據(jù)，研究發(fā)現(xiàn)：中國駕駛者的駕駛習(xí)慣與歐美有較大差別，直行追尾危險場景中最主要的深層誘導(dǎo)因素為駕駛者的不良駕駛習(xí)慣；王永崗等[11]構(gòu)建基于工作滿意度、魯莽駕駛和違章駕駛與事故傾向的結(jié)構(gòu)方程模型，研究獲取了駕駛行為影響因素與事故傾向間的相關(guān)關(guān)系。

以上研究表明，危險駕駛工況影響因素存在著時間和地域的差異性?，F(xiàn)階段基于自然駕駛數(shù)據(jù)分析影響因素的研究主要集中于工況與致因的相關(guān)性統(tǒng)計分析，未能系統(tǒng)地挖掘影響因素之間的相互作用、方向及強度大小。

筆者以實車采集的自然駕駛數(shù)據(jù)為基礎(chǔ)，通過視頻回放、數(shù)據(jù)篩選等得出包括駕駛者自身、道路條件及管制條件等在內(nèi)的20個影響因素。選定機動車與行人及非機動車沖突、前車變道兩類典型風(fēng)險工況，使用關(guān)聯(lián)規(guī)則改進的DEMATEL-ISM模型對影響因素進行分析，得到了兩類工況的影響因素矩陣，進而分析兩類風(fēng)險工況下各個致因的相對重要性。

1 影響因素數(shù)據(jù)集建立

1.1 自然駕駛數(shù)據(jù)采集

自然駕駛研究(NDS)方法是一種駕駛數(shù)據(jù)采集方法，其特點是通過先進的車載儀器連續(xù)采集駕駛者、車輛及駕駛環(huán)境等詳細數(shù)據(jù)[12]。

筆者所使用的自然駕駛數(shù)據(jù)為哈爾濱城市道路自然駕駛試驗數(shù)據(jù)，選取14名(男9名，女5名)25～40歲的駕駛者開展實車試驗，所有參與者均為筆者單位職工。采用大眾速騰(手動擋)作為試驗車型，安裝速度傳感器、角度傳感器、加速度傳感器等車輛測試設(shè)備。駕駛者全程佩戴眼動儀，沿著哈爾濱市主城區(qū)黑龍江省圖書館—華山路—淮河路—宣化街—寬城街—濱江街—南二十道街—松浦大道—中源大道的路線進行試驗。

試驗儀器采樣頻率為50 Hz，采集車輛行駛速度、三軸加速度、方向盤轉(zhuǎn)角、駕駛者視線軌跡等數(shù)據(jù)，用于辨析道路狀況和交通管制等相關(guān)因素。駕駛?cè)啼浵瘢苫胤跑囕v外部環(huán)境狀況、駕駛者駕駛狀況，為進一步分析駕駛狀況和駕駛行為相關(guān)指標(biāo)提供技術(shù)依據(jù)。圖1為Ergo LAB 科研集成系統(tǒng)數(shù)據(jù)處理界面，可顯示車輛外部環(huán)境錄像和車內(nèi)駕駛?cè)诵袨殇浵癫⑼教幚硐嚓P(guān)數(shù)據(jù)；圖2為選取的哈爾濱城市實車試驗道路路線。

圖1 Ergo LAB 科研集成系統(tǒng)數(shù)據(jù)處理界面Fig. 1 Data processing interface of Ergo LAB

圖2 實車試驗道路路線Fig. 2 Road map of real vehicle test

1.2 影響因素提取

從采集到的自然駕駛數(shù)據(jù)中提取風(fēng)險工況并分析影響因素。近些年，在道路碰撞事故影響因素中，車輛故障、道路設(shè)計缺陷等占比越來越低[13]。因此，筆者基于實車試驗中的車輛速度及加速度大小進行風(fēng)險工況提取，設(shè)定提取條件[14]為：縱向加速度±1.5 m/s2，橫向加速度±1.5 m/s2。

經(jīng)過數(shù)據(jù)篩選共獲得駕駛風(fēng)險場景268例，通過分析駕駛危險工況發(fā)生前后的視頻等相關(guān)數(shù)據(jù)，主要從駕駛?cè)藸顟B(tài)、駕駛?cè)诵袨?、道路狀態(tài)、交通管制這4個方面提取共20個影響因素。各因素及描述如表1。

表1 駕駛危險工況影響因素Table 1 Influencing factors of dangerous driving conditions

1.3 數(shù)據(jù)集建立

基于篩選出的駕駛危險工況，分析每條工況時間節(jié)點前后的自然駕駛數(shù)據(jù)，判斷該危險工況下存在的影響因素。經(jīng)逐一判斷，即可得到數(shù)據(jù)集矩陣D，數(shù)據(jù)集為n×m的[0-1]矩陣，如式(1)：

(1)

式中：n為每類駕駛危險工況的個數(shù)；m為影響因素的個數(shù)；Sij為在第i個危險工況下第j個影響因素是否存在，若存在則編碼為“1”，否則為“0”。

2 改進的DEMATEL-ISM模型

DEMATEL-ISM模型常被用來識別復(fù)雜系統(tǒng)內(nèi)部元素之間的相互關(guān)系及影響機理[15-17]，但由于模型構(gòu)建基礎(chǔ)多為德爾菲法，導(dǎo)致研究結(jié)論主觀性過強。筆者基于城市交通系統(tǒng)危險工況的影響因素數(shù)據(jù)集，使用關(guān)聯(lián)規(guī)則發(fā)現(xiàn)：Apriori算法改進了DEMATEL-ISM模型，消除模型的主觀性。具體步驟如圖3。

圖3 改進的DEMATEL-ISM模型Fig. 3 Improved DEMATEL-ISM model

2.1 確定直接影響矩陣

使用Apriori算法對數(shù)據(jù)集進行關(guān)聯(lián)規(guī)則發(fā)現(xiàn)，關(guān)聯(lián)規(guī)則置信度可反映影響因素之間的相互影響方向及強度，因此，可依據(jù)關(guān)聯(lián)規(guī)則置信度大小確定DEMATEL的直接影響矩陣。直接影響矩陣R內(nèi)的元素值rij如式(2)：

(2)

式中：Conf(Si→Sj)為關(guān)聯(lián)規(guī)則Si→Sj的置信度；Si、Sj分別為影響因素，i≠j。

2.2 計算綜合影響矩陣

根據(jù)直接影響矩陣R計算規(guī)范化直接影響矩陣R*如式(3)：

(3)

綜合影響矩陣T可近似表示如式(4)：

T=R*(I-R*)-1

(4)

式中：I為單位矩陣。

2.3 確定閾值化綜合影響矩陣及鄰接矩陣

(5)

(6)

取不同的閾值進行分析。當(dāng)閾值φ為綜合影響矩陣T內(nèi)所有非零元素的中位數(shù)時，獲得的層次結(jié)構(gòu)圖最優(yōu)。

2.4 確定影響因素層級歸屬

依據(jù)鄰接矩陣C計算可達矩陣M，如式(7)：

M=(C+I)n+1=(C+I)n≠…≠(C+I)1

(7)

基于可達矩陣，歸納各影響因素之間影響關(guān)系和被影響關(guān)系，依據(jù)式(8)可確定影響影子層級歸屬：

R(Si)∩A(Si)=R(Si)

(8)

式中：Si為可達矩陣中的元素；R(Si)為Si的可達集，即Si影響元素所構(gòu)成的集合；A(Si)為Si的先行集，即影響Si元素所構(gòu)成的集合。

依據(jù)式(8)，對可達矩陣中元素的最高層級要素進行遞歸性地篩選，確定影響因素層級歸屬。

2.5 繪制加權(quán)層次結(jié)構(gòu)圖

將閾值化綜合影響矩陣T*中元素值賦值于各層級的影響因素之間，使用復(fù)雜網(wǎng)絡(luò)分析軟件Pajek繪制駕駛危險工況加權(quán)層次結(jié)構(gòu)圖并進行分析。

3 實例分析

對篩選出的268例危險工況進行分析，剔除無效場景，篩選共得到行人和非機動車橫向沖突(機動車-非機動車/行人沖突)場景、前車變道沖突(機動車-機動車沖突)場景共117例，其中：行人和非機動車沖突場景51例、前車變道沖突場景66例。

構(gòu)建兩類典型工況數(shù)據(jù)集，設(shè)置TMinsup=0.1，TMinconf=0.2；使用Apriori算法進行一般關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘，只關(guān)注兩個影響因素之間的關(guān)聯(lián)規(guī)則。經(jīng)統(tǒng)計，行人和非機動車側(cè)向沖突場景數(shù)據(jù)集共發(fā)現(xiàn)56條關(guān)聯(lián)規(guī)則，前車變道危險場景數(shù)據(jù)集共發(fā)現(xiàn)45條關(guān)聯(lián)規(guī)則?；诖?，使用改進DEMATEL-ISM模型對兩類駕駛危險工況影響因素的相互關(guān)系進行描述、分析和比較。

3.1 沖突場景

3.1.1 工況1-行人和非機動車橫向沖突場景

行人及非機動車沖突場景主要為在自然駕駛過程中，車輛保持直行與橫穿時與行人或非機動車發(fā)生顯著沖突，如圖4。

圖4 行人及非機動車沖突場景示例Fig. 4 Pedestrian and non-motor vehicle conflict scene example

基于Apriori算法，挖掘出該類工況影響因素之間的關(guān)聯(lián)規(guī)則。依據(jù)模型確定機動車-行人和非機動車危險工況下影響因素直接影響矩陣R工1，如式(9)：

(9)

經(jīng)模型處理后，加權(quán)層級結(jié)構(gòu)如圖5。圖5中：不同灰度表示不同層級，線值表示不同影響強度。

圖5 行人及非機動車沖突場景影響因素加權(quán)層次結(jié)構(gòu)Fig. 5 Weighted hierarchy chart of influencing factors in pedestrian and non-motor vehicle conflict scenarios

3.1.2 工況2-前車變道風(fēng)險場景

前車變道沖突場景主要為在自然駕駛過程中前車突然變道駛?cè)氡拒囓嚨琅c駕駛車輛產(chǎn)生沖突，如圖6。

基于Apriori算法，挖掘出的該類工況影響因素的關(guān)聯(lián)規(guī)則，依據(jù)模型確定影響因素的直接影響矩陣R工2，如式(10)：

(10)

圖6 前車變道危險場景示例Fig. 6 Example of dangerous scene of lane change of front vehicle

3.2 影響因素度值分析

機動車-機動車危險工況影響因素加權(quán)層次結(jié)構(gòu)如圖7?；趫D7使用復(fù)雜網(wǎng)絡(luò)分析軟件Pajek進一步分析各影響因素及相互關(guān)系[18]。在加權(quán)層次結(jié)構(gòu)圖中，線值表征著影響因素之間相互作用大小，故可使用復(fù)雜網(wǎng)絡(luò)中頂點的加權(quán)度值分析各個影響因素的相對重要性，使用線值分析雙因素之間的影響程度。

3.2.1 單因素度值分析

經(jīng)Pajek分析，提取兩類工況層次結(jié)構(gòu)圖中加權(quán)出、入度值最大的5個致因和中心度、原因度度值總占比70%以上的致因，如表2、表3。

圖7 前車變道沖突場景影響因素加權(quán)層次結(jié)構(gòu)Fig. 7 Weighted hierarchy chart of influencing factors in dangerous scene of lane change of front vehicle

工況1中：占核心地位的致因，主要為觀察錯漏、心理負荷、參與者違規(guī)，特別是駕駛員觀察錯漏的中心度值(3.28)是其他影響因素的2倍以上。這表明在行人及非機動車沖突場景中，關(guān)鍵誘導(dǎo)因素為駕駛員未能及時觀察到正確的交通狀況如其他交通參與者、交通標(biāo)志和信號燈等，此外駕駛員緊張情緒及其他交通參與者的違規(guī)行為也是造成該類風(fēng)險場景的重要因素。

表2 兩類工況影響因素加權(quán)出入度值比較Table 2 Comparison of weighted access degree of influencing factors under two kinds of working conditions

加權(quán)出度值為從頂點向外擴散的所有線值之和；加權(quán)入度為從外部向頂點聚集的所有的線值之和。表3為以中心度為頂點的出度值和入度值之和，原因度為頂點出度值和入度值之差。中心度表征影響因素在結(jié)構(gòu)圖內(nèi)的重要性及復(fù)雜性大小。原因度區(qū)分工況內(nèi)的深層誘導(dǎo)因素和直接影響因素。當(dāng)原因度為正值時，元素為深層誘導(dǎo)因素，否則為直接影響因素。從表3可知：兩類工況中致因的重要度排序并不相同。

工況2中：占核心地位的致因主要為決策失誤、判斷錯誤、注意力分散，特別是駕駛員決策失誤的中心度值(3.33)是其他影響因素1.5倍以上。這表明在前車變道風(fēng)險場景中，關(guān)鍵誘導(dǎo)因素為駕駛員制定了錯誤的駕駛?cè)蝿?wù)，如駕駛速度過快、駕駛車輛與前車距離過近等；此外駕駛員未能正確地判斷前方車輛行駛軌跡及駕駛員在駕駛過程中分心也是造成該類風(fēng)險場景的重要因素。

表3 兩類工況影響因素中心度、原因度比較Table 3 Comparison of core degree and cause degree of influencing factors under two kinds of working conditions

依據(jù)表3可知：① 兩類工況的深層誘導(dǎo)因素大致相同，其中在原因度最大的5個元素中，直道與交叉路口均為客觀路段形態(tài)，表明在城市交通中，相比于直道而言，工況1更容易發(fā)生在交叉路口；而工況2發(fā)生在交叉路口和直道的概率大致相同。② 兩類危險工況的直接影響因素存在顯著差異，工況1直接影響因素為觀察錯漏、心理負荷、操作失誤；工況2直接影響因素為決策失誤、判斷失誤和注意力分散。

3.3.2 雙因素線值分析

對層次結(jié)構(gòu)圖內(nèi)的線值從大到小進行排序并篩選，提取兩類工況中線值最大的10組影響因素，如表4。

線值表征的是影響因素影響程度大小。由表4可知：

1)工況1中，線值最大的弧中有80%指向觀察錯漏，除直道與交叉路口兩個客觀道路形態(tài)因素之外，具體有交通組成復(fù)雜、參與者違規(guī)、道路擁擠、視線受阻、注意力分散和交叉口無信號燈，道路狀態(tài)因素占主要部分。

2)工況2中，線值最大的弧中有70%指向決策失誤，除直道與交叉路口兩個客觀道路形態(tài)的因素之外，具體有道路擁擠、交叉口無信號燈、光線、心理負荷、參與者違規(guī)，道路狀態(tài)因素占主要部分。

線值分析結(jié)果與中心度值一樣，表明兩類工況中最高影響因素分別為觀察錯漏和決策失誤。在網(wǎng)絡(luò)中受其他影響因素影響較大，需從多方面考慮才可消除對駕駛危險工況影響，尤其是道路狀態(tài)方面因素。

表4 兩類工況雙因素線值比較Table 4 Comparison of linear values under two kinds of workingconditions

綜合以上分析，交叉路口與直道在兩類工況影響因素內(nèi)的重要性及層級幾乎一致，由于它們屬于客觀的道路路段形態(tài)，暫時將其撇除，將剩余的因素歸納如表5。

由表5可知：兩類工況深層誘導(dǎo)因素大致相同，均屬于道路狀態(tài)因素；直接影響因素均屬于駕駛員狀態(tài)和駕駛員行為主因素，但具體因素存在顯著差異。由此可將危險場景的形成鏈路歸納如下：在工況1中，駕駛員往往因路況復(fù)雜等原因造成心理壓力過大，無法及時正確地觀察到行人與非機動車或不能向行人及非機動車正確表達自己的行車意愿，進而形成危險工況；工況2中，駕駛員往往因擁擠的路況、光線(天氣原因或其他原因造成光線過強或不足)和交叉口信號設(shè)施缺失等問題，不能正確地判斷前方車輛運動軌跡，制定了錯誤的駕駛?cè)蝿?wù)如駕駛車輛速度過快、跟車距離過近等，進而形成危險場景。此外，這兩類工況核心影響因素同樣應(yīng)該引起重視，往往在影響因素之間的影響鏈路中占據(jù)重要位置，如工況1中的心理負荷和參與者違規(guī)。

表5 兩類工況影響因素歸納Table 5 Induction of influencing factors of two kinds of workingconditions

4 結(jié) 論

1)分析了危險工況內(nèi)在產(chǎn)生機理并從駕駛員狀態(tài)、駕駛員行為、道路狀態(tài)、交通管制這4個方面提取出20組相關(guān)影響因素，獲取了各因素之間的層次結(jié)構(gòu)及作用強度。

2)基于Apriori算法對影響因素數(shù)據(jù)集的關(guān)聯(lián)規(guī)則，替代原有專家打分機制，對DEMATEL-ISM模型進行改進，構(gòu)建了新的風(fēng)險因素評價體系，消除了原有模糊評價的主觀性。

3)針對行人和非機動車橫向沖突、前車突然變道沖突這兩類典型場景，分別構(gòu)建了駕駛風(fēng)險因素矩陣，通過圖論分析，比較了這兩類場景下各因素影響程度。通過對各個影響因素度值深入分析表明：哈爾濱城市中兩類風(fēng)險場景深層誘導(dǎo)因素大致相同，但直接影響因素存在顯著差異，導(dǎo)致危險工況發(fā)生的主要來源分別為“駕駛員心理負荷過高導(dǎo)致觀察錯漏”和“駕駛員預(yù)判錯誤導(dǎo)致決策失誤”。故提高駕駛員的危險感知能力是保證城市交通安全的重要途徑。