抵近信控交叉口分心駕駛識(shí)別模型

張玉婷，陳波佑，張雙焱，閆學(xué)東，李曉夢(mèng)

(1.長(zhǎng)安大學(xué)，運(yùn)輸工程學(xué)院，西安710021；2.北京交通大學(xué)，綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京100044；3.昆士蘭科技大學(xué)，交通事故與道路安全研究中心，昆士蘭4059，澳大利亞)

0 引言

分心駕駛已經(jīng)成為交通事故發(fā)生的主要原因之一。2018年中國(guó)司法大數(shù)據(jù)研究院的報(bào)告顯示：手機(jī)分心誘發(fā)的機(jī)動(dòng)車交通事故占10.56%，排名第3，僅次于無證駕駛(26.9%)和酒后駕駛(18.1%)。2019年，根據(jù)美國(guó)國(guó)家公路交通安全管理局(Nation Highway Traffic Safety Administration，NHTSA)統(tǒng)計(jì)，受分心影響的交通事故死亡人數(shù)為3142 人，占事故死亡總?cè)藬?shù)的8.7%，比2018年增加了9.9%[1]。因此，研究分心任務(wù)對(duì)駕駛安全的影響，建立分心狀態(tài)識(shí)別模型對(duì)設(shè)計(jì)和優(yōu)化實(shí)時(shí)分心監(jiān)測(cè)系統(tǒng)、減少分心誘發(fā)交通事故等具有重要意義。

目前對(duì)分心駕駛行為的研究主要集中在高速公路路段[2]、彎道[3]、鄉(xiāng)村公路[4]，普通雙向4 車道城市道路[5]等。Choudhary等[2]仿真單4車道無分隔高速路場(chǎng)景，研究通話和發(fā)短信等分心行為對(duì)駕駛?cè)颂幚砟芰Φ挠绊懀恍暗萚3]模擬不同半徑彎道的場(chǎng)景，研究分心駕駛對(duì)彎道速度、橫向偏移量和橫向加速度變化率的影響；Kountouriotis 等[4]建立鄉(xiāng)村簡(jiǎn)單雙車道的場(chǎng)景，研究視覺分心對(duì)駕駛?cè)朔较虮P轉(zhuǎn)向率的影響；李鵬輝等[5]構(gòu)建了雙向4 車道城市道路環(huán)境，研究分心對(duì)側(cè)向行人沖突和縱向追尾沖突行為影響。部分學(xué)者也開展了交叉口處分心駕駛研究，如NAVEEN 等[6]仿真信控交叉口，研究不同手機(jī)通話類型對(duì)駕駛?cè)藘呻y區(qū)走停決策正確率的影響。

分心狀態(tài)識(shí)別模型方面，機(jī)器學(xué)習(xí)算法已被廣泛使用。羅毅等[7]提取換道過程中各類駕駛績(jī)效參數(shù)，利用徑向基函數(shù)(RBF)、神經(jīng)網(wǎng)絡(luò)模型構(gòu)建基于最小正交二乘法(OLS)的RBF 神經(jīng)網(wǎng)絡(luò)駕駛分心識(shí)別模型；張輝等[8]利用遺傳算法(GA)優(yōu)化SVM模型，準(zhǔn)確識(shí)別自由流和擁擠流場(chǎng)景下駕駛?cè)朔中臓顟B(tài)；孫劍等[9]提取與車輛平穩(wěn)控制直接相關(guān)的駕駛特性，利用LSTM-NN 有效學(xué)習(xí)分心序列前后信息準(zhǔn)確估計(jì)駕駛?cè)藸顟B(tài)；周揚(yáng)等[10]運(yùn)用隨機(jī)森林方法構(gòu)建認(rèn)知分心識(shí)別模型并分析認(rèn)知負(fù)荷對(duì)駕駛?cè)俗⒁暭罢Ｑ鄢掷m(xù)時(shí)間的影響；Masood等[11]利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行駕駛?cè)朔中臓顟B(tài)檢測(cè)；Atiquzzaman等[12]利用車輛動(dòng)力學(xué)數(shù)據(jù)分別建立基于支持向量機(jī)和隨機(jī)森林的駕駛?cè)朔中臓顟B(tài)識(shí)別模型；Tango等[13]基于駕駛模擬數(shù)據(jù)，分別建立基于支持向量機(jī)、前饋神經(jīng)網(wǎng)絡(luò)(FFNN)、層遞歸神經(jīng)網(wǎng)絡(luò)(LRNN)及自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的分心狀態(tài)識(shí)別模型。然而現(xiàn)有多數(shù)駕駛狀態(tài)識(shí)別模型引入的分類算法集中于某些特征指標(biāo)下的單一數(shù)值差異，未考慮駕駛狀態(tài)本身的時(shí)序性特點(diǎn)。

基于此，本文針對(duì)信控交叉口的駕駛場(chǎng)景，綜合考慮抵近全過程駕駛?cè)说臋M縱駕駛行為指標(biāo)，深化研究分心任務(wù)對(duì)駕駛?cè)藱M縱行為影響，并利用單因素方差分析方法篩選駕駛?cè)朔中臓顟B(tài)識(shí)別指標(biāo)，考慮駕駛狀態(tài)的時(shí)序性，建立基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分心駕駛識(shí)別模型，并利用駕駛模擬數(shù)據(jù)驗(yàn)證BILSTM 分心識(shí)別模型的有效性。研究結(jié)果可為信控交叉口駕駛?cè)朔中念A(yù)警系統(tǒng)優(yōu)化設(shè)計(jì)提供理論指導(dǎo)。

1 分心駕駛模擬試驗(yàn)

1.1 試驗(yàn)設(shè)計(jì)

1.1.1 分心任務(wù)設(shè)計(jì)

駕駛分心主要包括認(rèn)知分心、操作分心和視覺分心，本次試驗(yàn)選擇的分心任務(wù)是認(rèn)知分心的一種替代任務(wù)，即在駕駛?cè)私咏趴亟徊婵谶^程中(在黃燈啟亮前3 s)，通過車載語音設(shè)備向駕駛?cè)税l(fā)布兩位數(shù)加法的計(jì)算題，并要求駕駛?cè)嗽谕ㄟ^交叉口前做出回答，確保駕駛?cè)嗽诮咏徊婵谶^程中處于認(rèn)知分心的狀態(tài)。

1.1.2 駕駛場(chǎng)景設(shè)計(jì)

試驗(yàn)交叉口為典型的雙向兩車道的十字交叉口。駕駛?cè)私咏趴亟徊婵谶^程中，駕駛?cè)诵旭偡较蛐盘?hào)燈為綠色相位。當(dāng)駕駛?cè)司嚯x試驗(yàn)交叉口停車線的時(shí)距小于或等于預(yù)先設(shè)定的黃燈觸發(fā)時(shí)距閾值時(shí)，駕駛?cè)诵旭偡较虻男盘?hào)燈由綠變黃，黃燈時(shí)長(zhǎng)設(shè)置為4.5 s，之后進(jìn)入紅燈狀態(tài)。為了避免其他車輛對(duì)駕駛?cè)嗽邳S燈期間駕駛行為產(chǎn)生干擾，模擬器前方和交叉口沖突方向沒有其他車輛。此外，不同的黃燈觸發(fā)時(shí)距意味著黃燈啟亮?xí)r駕駛?cè)伺c停車線的距離不同，可能對(duì)駕駛?cè)说纸徊婵诘臋M縱行為有影響，因此，本試驗(yàn)設(shè)計(jì)了6 種黃燈觸發(fā)時(shí)距從4.5～7.0 s，以0.5 s 為間隔，最終形成12 種(6 種黃燈觸發(fā)時(shí)距乘2 種駕駛狀態(tài)(分心和不分心))不同類型的試驗(yàn)交叉口。每條試驗(yàn)道路包含25個(gè)相似的信控交叉口，每個(gè)交叉口由400 m的直線路段連接，道路限速為70 km·h-1，車道寬3.75 m。

1.2 試驗(yàn)設(shè)備和人員

試驗(yàn)所用的駕駛模擬器硬件系統(tǒng)由駕駛艙、投影系統(tǒng)與運(yùn)動(dòng)平臺(tái)構(gòu)成，其中駕駛艙由福特實(shí)車改造而成，包含車輛的外觀和車內(nèi)所有的操縱部件。該模擬器擁有環(huán)繞式360°視野模擬顯示系統(tǒng)，1 個(gè)自由度的運(yùn)動(dòng)平臺(tái)，震動(dòng)模擬及環(huán)境噪聲系統(tǒng)和駕駛員操作數(shù)字化再現(xiàn)系統(tǒng)。軟件系統(tǒng)主要包括道路場(chǎng)景設(shè)計(jì)軟件Sketch up、駕駛場(chǎng)景設(shè)計(jì)軟件Sim Vista和控制場(chǎng)景運(yùn)行軟件Sim Creator，共同實(shí)現(xiàn)駕駛?cè)说臋M縱行為多項(xiàng)指標(biāo)參數(shù)信息的采集，數(shù)據(jù)采樣頻率為60 Hz。

本試驗(yàn)最終完成實(shí)驗(yàn)的被試駕駛?cè)斯?5 名(男性21 名，女性24 名)，均取得C1 及以上駕駛證，且年行駛均超過1 萬km。被試者年齡為24～40 歲，平均年齡30.364 歲，標(biāo)準(zhǔn)差5.171 歲。被試者身心健康且無視覺及聽覺障礙，試驗(yàn)前未飲酒和服用藥物。

1.3 試驗(yàn)流程

(1)工作人員向被試者介紹試驗(yàn)主要內(nèi)容和基本要求，告知試驗(yàn)流程，被試者簽署知情同意書，并記錄年齡、駕齡、職業(yè)等基本信息。

(2)正式試驗(yàn)開始前，被試者進(jìn)行10～15 min的試駕，熟悉駕駛模擬器的方向盤、制動(dòng)和加速踏板等部件的操控力度和設(shè)備靈敏度，并確認(rèn)駕駛過程中身體無不適反應(yīng)。

(3)正式試驗(yàn)時(shí)，駕駛?cè)诵柰瓿蓛纱瓮暾囼?yàn)道路的駕駛，一次是正常駕駛狀態(tài)，一次是分心駕駛狀態(tài)。為了避免順序效應(yīng)的影響，對(duì)于每條試驗(yàn)道路，試驗(yàn)交叉口的位置、試驗(yàn)道路次序均隨機(jī)設(shè)置。在試驗(yàn)過程中，駕駛?cè)擞腥魏紊眢w不適，可立即停止試驗(yàn)。

2 分心任務(wù)對(duì)駕駛行為的影響分析

相關(guān)分心駕駛研究表明，大多數(shù)車輛動(dòng)力學(xué)相關(guān)變量在分心情況下會(huì)受到顯著影響，可用來有效區(qū)分分心狀態(tài)和非分心狀態(tài)[12]。因此，參考已有研究成果，本文提取抵近交叉口過程中的制動(dòng)反應(yīng)時(shí)間、制動(dòng)操作時(shí)間、剎車踏板力度這3 個(gè)指標(biāo)及其對(duì)應(yīng)的均值、標(biāo)準(zhǔn)差、方差、極差、變化率等統(tǒng)計(jì)指標(biāo)表征分心任務(wù)對(duì)縱向駕駛行為的影響[14-15]；提取抵近交叉口過程中的車道偏距與方向盤轉(zhuǎn)角兩個(gè)指標(biāo)及其對(duì)應(yīng)的均值、標(biāo)準(zhǔn)差、方差、極差、變化率等統(tǒng)計(jì)指標(biāo)表征分心任務(wù)對(duì)橫向駕駛行為的影響[16]。圖1為抵近交叉口過程中各駕駛行為均值變化趨勢(shì)圖。采取減速的駕駛?cè)丝筛鶕?jù)踩踏制動(dòng)踏板的力度變化得出駕駛?cè)说闹苿?dòng)反應(yīng)時(shí)間與制動(dòng)操作時(shí)間。此外，為了深度挖掘駕駛?cè)说纸^程的行為特征，根據(jù)信號(hào)燈相位顏色，將黃燈啟亮期間駕駛?cè)说纸徊婵谶^程劃分為3個(gè)階段：綠燈階段(黃燈啟亮前3 s)、黃燈階段(4.5 s)和紅燈階段(紅燈啟亮后1 s)，探究分心任務(wù)對(duì)不同階段駕駛?cè)藱M縱行為特征的影響規(guī)律，最終得到如表1所示的特征指標(biāo)表。

表1 駕駛行為指標(biāo)匯總Table 1 Summary of driving behavior indicators

圖1 駕駛?cè)私咏趴亟徊婵谶^程中橫縱行為趨勢(shì)圖Fig.1 Trend chart of drivers'lateral and longitudinal behavior when approaching signalized intersections

提取采取減速行為的樣本(n=360)，采用單因素方差分析表1 中的縱向指標(biāo)，得到4 個(gè)有顯著影響的縱向行為指標(biāo)；針對(duì)所有駕駛樣本(n=540)，采用單因素方差分析表1 中的橫向指標(biāo)，得到6 個(gè)有顯著影響的橫向行為指標(biāo)，最終結(jié)果如表2所示。

表2 單因素方差分析結(jié)果Table 2 Results of one-way ANOVA

由表2可知，駕駛?cè)耸欠穹中脑诳v向行為指標(biāo)制動(dòng)反應(yīng)時(shí)間均值、制動(dòng)操作時(shí)間均值、剎車踏板力度均值和剎車踏板力度標(biāo)準(zhǔn)差上存在顯著差異，在橫向行為指標(biāo)方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、變化率均值、轉(zhuǎn)角變化率標(biāo)準(zhǔn)差和車道偏距方差上存在顯著差異，且分心任務(wù)引起的縱向行為指標(biāo)差異主要表現(xiàn)在黃燈階段，橫向行為指標(biāo)差異則主要體現(xiàn)在整個(gè)抵近過程(綠燈加黃燈階段)。具體而言，在縱向行為上，相較于正常駕駛狀態(tài)，分心駕駛?cè)嗣鎸?duì)黃燈啟亮采取剎車減速行為所需的反應(yīng)時(shí)間更長(zhǎng)，踩動(dòng)制動(dòng)踏板的力度更小，并且采取制動(dòng)操作的時(shí)間較短；在橫向行為上，分心駕駛?cè)朔较虮P轉(zhuǎn)角標(biāo)準(zhǔn)差、變化率均值、轉(zhuǎn)角變化率標(biāo)準(zhǔn)差均大于正常駕駛狀態(tài)下，表明抵近信控交叉口過程中，分心駕駛?cè)瞬倏v方向盤的穩(wěn)定性更差。最終表2 中這些具有顯著差異性指標(biāo)將作為后續(xù)分心狀態(tài)識(shí)別模型的輸入指標(biāo)。

3 分心駕駛狀態(tài)識(shí)別模型

3.1 LSTM基本原理

由于駕駛狀態(tài)識(shí)別是一個(gè)連續(xù)的依賴時(shí)間推移的過程，可以利用完整的時(shí)序信息對(duì)駕駛?cè)藸顟B(tài)進(jìn)行識(shí)別。常規(guī)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)以序列數(shù)據(jù)作為輸入，網(wǎng)絡(luò)上所有節(jié)點(diǎn)按鏈?zhǔn)芥溄右赃_(dá)成在序列的方向上遞歸的遞歸神經(jīng)網(wǎng)絡(luò)。由于其具有遞歸的特性，上一節(jié)點(diǎn)輸出的信息可作為下一節(jié)點(diǎn)的輸入信息，使得RNN具有一定記憶性，在處理序列的非線性特征時(shí)具有一定優(yōu)勢(shì)，但在長(zhǎng)序列數(shù)據(jù)訓(xùn)練過程會(huì)存在梯度消失和梯度爆炸問題，故引入長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)建立多變量長(zhǎng)時(shí)序的駕駛?cè)朔中臓顟B(tài)識(shí)別模型。

LSTM 在節(jié)點(diǎn)間具有兩個(gè)傳輸狀態(tài)，即ct與ht，在LSTM層中通過輸入門來控制輸入信息的范圍，并通過遺忘門對(duì)上一個(gè)節(jié)點(diǎn)傳進(jìn)來的輸入進(jìn)行選擇性忘記，最終通過輸出門輸出ct與ht來達(dá)成節(jié)點(diǎn)間的遞歸。各階段機(jī)理描述如下。

(1)輸入門(i)

(2)遺忘門(f)

(3)狀態(tài)更新(g)

(4)輸出門(o)

LSTM層中的權(quán)重與偏差為

式中：it、ft、gt、ot分別為t時(shí)刻輸入門、遺忘門、元胞候選、輸出門的信息值；W、R、b分別為不同狀態(tài)下的輸入權(quán)重、遞歸權(quán)重、偏差率；ct為t時(shí)刻元胞狀態(tài)的備選取值；ht為t時(shí)刻隱藏狀態(tài)的輸出值；xt為t時(shí)刻的記憶元胞輸入值；σc與σg分別為元胞狀態(tài)激活函數(shù)與門控激活函數(shù)；⊙為矩陣間的哈達(dá)瑪積。

ct在遞歸的過程中變化較慢，而ht變化較大，說明LSTM通過門控狀態(tài)來控制傳輸狀態(tài)，記住需要長(zhǎng)時(shí)間記憶的，遺忘不重要的信息，從而達(dá)成對(duì)長(zhǎng)序列數(shù)據(jù)的精確學(xué)習(xí)。

3.2 雙向LSTM模型構(gòu)建

3.2.1 數(shù)據(jù)輸入

本文共提取出540條駕駛片段，其中分心駕駛片段270條，正常駕駛片段270條，每條駕駛片段為7.5 s(450個(gè)時(shí)間戳)的時(shí)間序列，用于計(jì)算平均值、變化率方差等統(tǒng)計(jì)特征；將6 個(gè)時(shí)間步長(zhǎng)(合計(jì)0.1 s)定義為1個(gè)時(shí)間單元來計(jì)算統(tǒng)計(jì)指標(biāo)，得到75個(gè)時(shí)間戳；每個(gè)時(shí)間戳包含6 個(gè)特征指標(biāo)，分別為綠燈加黃燈階段的制動(dòng)踏板力度均值及標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差及其變化率均值與標(biāo)準(zhǔn)差、車道偏距方差，而制動(dòng)反應(yīng)時(shí)間和制動(dòng)操作時(shí)間不具有時(shí)序性故不納入分析。

采用Z-Score方式對(duì)每一條駕駛片段數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，即

式中：x*、x、分別為標(biāo)準(zhǔn)化后的元素、初始元素、元素所在列的平均值；σ為每個(gè)特征指標(biāo)下75 個(gè)時(shí)間戳的樣本標(biāo)準(zhǔn)差。將540 條片段排列次序隨機(jī)打亂，其中70%作為訓(xùn)練集，30%作為測(cè)試集。

3.2.2 模型構(gòu)建

基于Matlab2020a 平臺(tái)的Deep Learning Toolbox 模塊進(jìn)行建模，模型的主構(gòu)架選用雙向LSTM(BILSTM)，即會(huì)在某一個(gè)時(shí)刻上提供兩個(gè)相反方向的LSTM，從序列數(shù)據(jù)的兩端進(jìn)行同時(shí)計(jì)算，其運(yùn)行機(jī)理如圖2所示。

圖2中，n為時(shí)間序列，hnF為正向計(jì)算層所得信息值，hnB為反向計(jì)算層所得信息值，H為正反向計(jì)算后得出的綜合信息表示；Y為Η經(jīng)翻譯得到的類別。在t時(shí)刻上輸入向量xt會(huì)同時(shí)通過正向計(jì)算層與反向計(jì)算層，兩層的輸出表達(dá)式為

圖2 雙向LSTM運(yùn)行機(jī)理Fig.2 Operation mechanism of BILSTM

經(jīng)過反復(fù)實(shí)驗(yàn)，LSTM 層構(gòu)建共建立3 層LSTM 層和2 個(gè)全連接層，輸入層的維度為6 維，LSTM層與層之間加入Dropout層防止過擬合現(xiàn)象的產(chǎn)生。本文將設(shè)定Dropout 等于0.5 來降低網(wǎng)格收斂的速度，以便在訓(xùn)練過程中放大可能存在的問題進(jìn)而解決。σg選用sigmoid 函數(shù)，σc選用leakyrelu函數(shù)，該激活函數(shù)有助于促進(jìn)網(wǎng)格收斂的同時(shí)，有效避免了當(dāng)有負(fù)值輸入時(shí)relu函數(shù)的輸出始終為0，導(dǎo)致Dead Neuron 現(xiàn)象的產(chǎn)生，leakyrelu函數(shù)的表達(dá)式為

且本文在該函數(shù)負(fù)向泄露值默認(rèn)值0.5 基礎(chǔ)上，拓 寬 定 義 該 函 數(shù) 負(fù) 向 泄 露 值。經(jīng)各參數(shù)組合實(shí)驗(yàn)，得到效果最優(yōu)值為0.25。

3.2.3 參數(shù)優(yōu)化

每個(gè)LSTM 層中包含過多或過少的隱藏單元數(shù)目均會(huì)對(duì)模型的泛用性產(chǎn)生影響，根據(jù)經(jīng)驗(yàn)，初步確定每個(gè)LSTM 層中包含的隱藏單元數(shù)目Nh∈{32,64,128,256}，設(shè)置BatchSize為Bs∈{16,32,64,128}，設(shè)置學(xué)習(xí)率為L(zhǎng)r∈{0.0001,0.001,0.01,0.1}。本文選擇具有收斂速度快、實(shí)現(xiàn)簡(jiǎn)單、計(jì)算高效等優(yōu)點(diǎn)的Adam優(yōu)化器作為L(zhǎng)STM網(wǎng)絡(luò)模型的優(yōu)化算法，該算法被普遍應(yīng)用于神經(jīng)網(wǎng)絡(luò)模型中。通過預(yù)試驗(yàn)設(shè)置上限迭代次數(shù)為1100 次，并采用早停法確定最終的模型參數(shù)。此外，為了盡可能使模型預(yù)測(cè)精度達(dá)到最優(yōu)，早停法設(shè)置每迭代10 次進(jìn)行一次驗(yàn)證，驗(yàn)證集Loss容忍度設(shè)置為10次，通過對(duì)上述參數(shù)組合的反復(fù)試驗(yàn)，從中選出最優(yōu)參數(shù)組合構(gòu)建雙向LSTM模型。

3.3 結(jié)果對(duì)比與分析

為了驗(yàn)證雙向LSTM分心識(shí)別模型性能，建立單向LSTM、SVM、決策樹C5.0 分心駕駛識(shí)別模型與之進(jìn)行對(duì)比，各個(gè)模型的優(yōu)化參數(shù)如表3所示。

表3 模型參數(shù)設(shè)定Table 3 Model parameter setting

圖3 展示了95%置信水平下4 種模型ROC 曲線的逐點(diǎn)置信區(qū)間。由圖3 可知，LSTM 的單向和雙向結(jié)構(gòu)中測(cè)試樣本點(diǎn)的置信區(qū)間連成的帶寬均窄于SVM、決策樹C5.0，說明基于LSTM 構(gòu)建的模型的穩(wěn)定性更好；另一方面BILSTM 的帶寬相較LSTM 更為均勻，波動(dòng)更小，說明雙向LSTM 架構(gòu)能夠進(jìn)一步提高駕駛?cè)藸顟B(tài)的識(shí)別能力。

圖3 4種模型ROC曲線逐點(diǎn)置信區(qū)間Fig.3 ROC curves with point-wise confidence bounds for four models

此外，采用模型準(zhǔn)確率、精確率、召回率、F1值和AUC對(duì)4種模型性能進(jìn)行綜合評(píng)價(jià)，結(jié)果如表4所示。結(jié)果表明，BILSTM取得了最高的識(shí)別準(zhǔn)確率，達(dá)到88.3%和84.0%，且模型在識(shí)別率、召回率、F1及AUC皆優(yōu)于單向LSTM、SVM與決策樹C5.0，尤其是對(duì)分心狀態(tài)的識(shí)別準(zhǔn)確率和F1更高，說明雙向LSTM 模型對(duì)抵近交叉口過程駕駛?cè)朔中臓顟B(tài)識(shí)別最佳。

表4 模型性能評(píng)價(jià)結(jié)果Table 4 Results of performance evaluation for four models

4 結(jié)論

(1)抵近交叉口過程中，分心駕駛?cè)吮憩F(xiàn)出滯后的黃燈減速反應(yīng)，不足的減速力度與制動(dòng)操作時(shí)長(zhǎng)及不穩(wěn)定的車輛橫向操縱。

(2)與單向LSTM、SVM、決策樹C5.0 相比，雙向LSTM在準(zhǔn)確率、精確率、召回率、F1值、AUC等模型性能指標(biāo)上均最優(yōu)。

(3)本文結(jié)論均基于駕駛模擬場(chǎng)景，在真實(shí)環(huán)境的適用性有待驗(yàn)證；此外，基于此識(shí)別模型的分心預(yù)警系統(tǒng)的信息提示可能會(huì)對(duì)駕駛?cè)水a(chǎn)生二次分心，因此分心預(yù)警系統(tǒng)的正面效果有待進(jìn)一步研究。