網(wǎng)聯(lián)環(huán)境下基于多駕駛?cè)孙L(fēng)險(xiǎn)評(píng)價(jià)的不良行為主動(dòng)干預(yù)研究

鮑瓊，屈琦凱，唐涵潤(rùn)，陳建明，沈永俊

（東南大學(xué)，交通學(xué)院，南京 211189）

0 引言

隨著道路交通需求迅猛增長(zhǎng)，交通安全問(wèn)題日益突出，世界衛(wèi)生組織在2018年的全球道路交通安全報(bào)告中指出，全世界每年有135萬(wàn)人因道路交通事故死亡，幾千萬(wàn)人不同程度受傷[1]。駕駛?cè)俗鳛榈缆方煌ㄏ到y(tǒng)的主要控制者、調(diào)節(jié)者和信息決策者，一直以來(lái)都是道路交通安全的研究重點(diǎn)。常見(jiàn)的駕駛?cè)瞬涣疾僮餍袨椋绯?、急加速、急減速、急打方向盤等，是導(dǎo)致翻車、追尾、車輛沖出路外等事故形態(tài)的主要原因。因此，有必要開(kāi)展針對(duì)駕駛?cè)瞬涣夹袨榈木C合評(píng)價(jià)與主動(dòng)干預(yù)研究。客觀評(píng)價(jià)不良駕駛行為并應(yīng)用評(píng)價(jià)結(jié)果進(jìn)行針對(duì)性干預(yù)，研究成果可用于不良駕駛行為的監(jiān)控預(yù)警駕駛?cè)诵袨橥扑]系統(tǒng)的研發(fā)等多個(gè)方面[2]。

近年來(lái)，許多學(xué)者通過(guò)采集駕駛?cè)诵熊嚁?shù)據(jù)，提煉出不良駕駛行為的關(guān)鍵指標(biāo)，進(jìn)而對(duì)駕駛風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)[3]。Jun 等[4]利用GPS （Global Positioning System）、OBD（On Board Diagnostics）等車載設(shè)備采集駕駛?cè)说乃俣?、加速度、減速度數(shù)據(jù)，分析不良駕駛行為與事故風(fēng)險(xiǎn)的關(guān)系，研究發(fā)現(xiàn)，駕駛?cè)嗽谒俣?、加速度和減速度方面的表現(xiàn)均與事故參與程度有關(guān)。Li 等[5]使用手機(jī)傳感器采集駕駛?cè)诵熊嚁?shù)據(jù)，基于閾值法進(jìn)行急加減速、急轉(zhuǎn)彎、駕駛過(guò)程中使用手機(jī)、頻繁換道等4 種不良駕駛行為的辨識(shí)。Ellison 等[6]基于不安全行車事件發(fā)生前的車輛速度、加速度、減速度等時(shí)空指標(biāo)的最大值、平均值、最小值、標(biāo)準(zhǔn)差等數(shù)據(jù)，構(gòu)建多層次的風(fēng)險(xiǎn)模型，對(duì)超速、急加速、急減速等不良駕駛行為進(jìn)行風(fēng)險(xiǎn)打分，最終得到駕駛?cè)司C合安全評(píng)分。Castignani等[7]通過(guò)手機(jī)傳感器采集駕駛?cè)嗽谝欢温烦虄?nèi)的行車數(shù)據(jù)，基于模糊系統(tǒng)辨識(shí)不良駕駛行為（包括超速、急加速、急減速），然后根據(jù)不良駕駛行為的發(fā)生頻次對(duì)駕駛?cè)说鸟{駛表現(xiàn)進(jìn)行打分。綜上所述，大部分研究都使用速度、加速度、減速度這3 個(gè)指標(biāo)辨識(shí)不良駕駛行為，但在安全性評(píng)價(jià)中多以不良駕駛行為出現(xiàn)的頻次為依據(jù)。

智能網(wǎng)聯(lián)交通系統(tǒng)的提出為駕駛?cè)诵袨橹鲃?dòng)干預(yù)提供了新的發(fā)展方向。Farah等[12]利用路側(cè)智能設(shè)備與車載設(shè)備通信技術(shù)，指出車路互聯(lián)能夠優(yōu)化車輛跟馳行為中的加減速幅度。Li 等[13]建立車路協(xié)同系統(tǒng)，利用車車通信進(jìn)行車輛軌跡預(yù)測(cè)，通過(guò)事故檢測(cè)算法實(shí)時(shí)估計(jì)車輛可能存在的危險(xiǎn)狀態(tài)。Payre 等[14]借助駕駛模擬器，以手機(jī)為載體實(shí)現(xiàn)駕駛行為網(wǎng)聯(lián)干預(yù)功能，如緊急剎車燈、緊急車輛警告、交通狀況警告等，通過(guò)對(duì)比干預(yù)前后駕駛?cè)诵袨樽兓?，評(píng)估了網(wǎng)聯(lián)干預(yù)方法的有效性和可接受性。Hong 等[15]利用虛擬仿真平臺(tái)模擬智能網(wǎng)聯(lián)交通環(huán)境，構(gòu)建駕駛?cè)诵袨橥扑]系統(tǒng)模型，向危險(xiǎn)駕駛?cè)穗x線推薦安全駕駛行為，仿真結(jié)果表明，所提出的系統(tǒng)可使整體交通安全效能有所提升。Hussai 等[16]基于車聯(lián)網(wǎng)和車路協(xié)同狀態(tài)，根據(jù)駕駛?cè)说男旭偹俣鹊忍卣鞣謩e對(duì)居民區(qū)視線不足的交叉口和路段行人過(guò)街進(jìn)行預(yù)警，提示形式包括儀表盤顯示和車內(nèi)屏幕閃動(dòng)等，結(jié)果表明該方法在很大程度上避免了碰撞事件的發(fā)生。

綜上，針對(duì)駕駛?cè)瞬涣夹袨榫C合評(píng)價(jià)及在此基礎(chǔ)上的主動(dòng)干預(yù)方法，國(guó)內(nèi)外學(xué)者開(kāi)展了大量研究，但仍存在以下問(wèn)題與不足。首先，針對(duì)單個(gè)不良駕駛行為分析，目前大多數(shù)研究?jī)H考慮不良駕駛行為出現(xiàn)的頻次，忽略了其持續(xù)時(shí)間及幅值；其次，針對(duì)多種不良駕駛行為的綜合評(píng)價(jià)，現(xiàn)有方法包含較強(qiáng)的主觀成分，客觀的綜合評(píng)價(jià)模型還比較欠缺；最后，在智能網(wǎng)聯(lián)環(huán)境下研究車輛主動(dòng)安全控制問(wèn)題總體上仍處于起步階段，且鮮有探討基于多駕駛?cè)瞬涣捡{駛行為綜合評(píng)價(jià)的主動(dòng)干預(yù)策略與方法。

為解決現(xiàn)有問(wèn)題，本文提出一種網(wǎng)聯(lián)環(huán)境下基于多駕駛?cè)孙L(fēng)險(xiǎn)評(píng)價(jià)的不良行為主動(dòng)干預(yù)框架體系。首先根據(jù)閾值法判定場(chǎng)景中多駕駛?cè)说母黝惒涣捡{駛行為；利用面積法實(shí)現(xiàn)對(duì)不良駕駛行為發(fā)生頻次、持續(xù)時(shí)間以及幅值的綜合計(jì)算，并利用可變權(quán)重構(gòu)建其與事故風(fēng)險(xiǎn)的關(guān)聯(lián)關(guān)系；借鑒數(shù)據(jù)包絡(luò)分析思想，提出考慮可變權(quán)重的不良駕駛行為綜合評(píng)價(jià)模型；通過(guò)微觀仿真模擬智能網(wǎng)聯(lián)交通環(huán)境，提出基于多駕駛?cè)孙L(fēng)險(xiǎn)評(píng)價(jià)的不良行為主動(dòng)干預(yù)方法，探討基于累加窗口和滑動(dòng)窗口的干預(yù)方式，每種方式均實(shí)現(xiàn)干預(yù)單車與干預(yù)多車兩種策略，并分析窗體大小、駕駛?cè)私邮苈?、干預(yù)車輛數(shù)等對(duì)干預(yù)結(jié)果的影響。

1 不良駕駛行為判定

不良駕駛行為會(huì)產(chǎn)生事故風(fēng)險(xiǎn)，不同駕駛行為造成的事故風(fēng)險(xiǎn)又有所不同。在判定不良駕駛行為時(shí)，常用方法即為閾值法。在現(xiàn)實(shí)生活中，常見(jiàn)的駕駛?cè)瞬涣夹袨榘ǔ?、急加速、急減速等。本文將車速和加速度超過(guò)一定閾值的車輛行駛狀態(tài)定義為風(fēng)險(xiǎn)行車狀態(tài)。同時(shí)，在識(shí)別特定的不良駕駛行為時(shí)，其不同幅值的風(fēng)險(xiǎn)程度也應(yīng)被考慮，例如超速10%和50%所帶來(lái)的事故風(fēng)險(xiǎn)應(yīng)該是不同的。許多學(xué)者基于速度管理對(duì)速度與事故風(fēng)險(xiǎn)的關(guān)系進(jìn)行研究。其中，較為權(quán)威的是Kloeden 等于1997年在澳大利亞進(jìn)行的超速風(fēng)險(xiǎn)研究，該研究提出速度與事故風(fēng)險(xiǎn)的定量關(guān)系[17]。

急加速與急減速均會(huì)影響車輛行駛平順性，導(dǎo)致車速在短時(shí)間內(nèi)發(fā)生明顯變化，進(jìn)而引發(fā)碰撞、追尾等事故。其中，急減速行為不但容易導(dǎo)致追尾事故，還會(huì)加劇車輛零部件的磨損，進(jìn)而影響車輛的制動(dòng)性能甚至造成制動(dòng)失效。本文在相關(guān)文獻(xiàn)基礎(chǔ)上選取急加速的基本閾值為3 m·s-2、急減速的基本閾值為2 m·s-2[18]。

2 不良駕駛行為綜合評(píng)價(jià)模型構(gòu)建

2.1 數(shù)據(jù)包絡(luò)分析

數(shù)據(jù)包絡(luò)分析方法（Data Envelopment Analysis,DEA）以決策單元（Decision Making Units,DMU）輸入、輸出指標(biāo)的權(quán)重系數(shù)作為變量，借助數(shù)學(xué)規(guī)劃和統(tǒng)計(jì)數(shù)據(jù)確定相對(duì)有效的生產(chǎn)前沿面，將各決策單元投影到DEA 的生產(chǎn)前沿面上，通過(guò)比較決策單元偏離前沿面的程度綜合評(píng)價(jià)它們的相對(duì)有效性[19]。其中，最為典型的是CCR（Charnes-Cooper-Rhodes）模型。假設(shè)有n個(gè)決策單元，每個(gè)決策單元D有m種輸入和s種輸出，xij、yrj分別為第j個(gè)決策單元的第i種輸入、第r種輸出，vi為第i種輸入的權(quán)重，ur為第r種輸出的權(quán)重。決策單元Dj的效率hj為總加權(quán)輸出與總加權(quán)輸入的比值，則第j0個(gè)決策單元相對(duì)于其他決策單元的效率為

自MOOC誕生以來(lái)，全球掀起了MOOC熱，涌現(xiàn)了享有 “國(guó)際在線教育三架馬車”之稱的Coursera，Udacity和Edx三大免費(fèi)網(wǎng)絡(luò)教育平臺(tái)，紐約時(shí)報(bào)稱2012年為國(guó)際MOOC元年。在此教育改革浪潮下，我國(guó)高等院校也順應(yīng)潮流，加快數(shù)字化教學(xué)資源的共建共享。當(dāng)前，很多高校管理人員觀念沒(méi)有更新，對(duì)MOOC理念下的教育教改認(rèn)識(shí)不深，對(duì)高校數(shù)字化教學(xué)資源的開(kāi)發(fā)與應(yīng)用重視程度不足，有的院校雖已將數(shù)字化教學(xué)資源開(kāi)發(fā)與應(yīng)用列于教育教改規(guī)劃，但在人力、物力、財(cái)力方面的投入遠(yuǎn)遠(yuǎn)不夠，在英語(yǔ)教育教改方面的投入更是甚微，這在很大程度上阻礙了英語(yǔ)數(shù)字化教學(xué)資源共建共享的進(jìn)程。

在輸入不變情況下，式（1）和式（2）可簡(jiǎn)化為

該模型中，每個(gè)決策單元的輸入都被賦予統(tǒng)一的值。此時(shí)，若將n個(gè)決策單元結(jié)合s個(gè)輸出特征進(jìn)行評(píng)價(jià)，其目標(biāo)值越高則表示性能越好，最佳決策單元是得分為1（基準(zhǔn)值）的決策單元。

DEA方法具有以下特點(diǎn)：首先，決策單元D的最優(yōu)得分與輸入/輸出的量綱無(wú)關(guān)，建模前無(wú)需對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；其次，權(quán)重由模型計(jì)算得到，在建模過(guò)程中無(wú)需權(quán)重值假設(shè)，因此排除了很多主觀因素；最后，該方法通過(guò)與其他所有D比較來(lái)評(píng)價(jià)某一特定D，其得分是根據(jù)所觀測(cè)到的最佳性能衡量的，故每一個(gè)D在任何其他可行加權(quán)方法中都不可能得到更優(yōu)的得分。

然而，在使用DEA方法求解時(shí)，每個(gè)D會(huì)去選擇對(duì)它自己最有利的權(quán)重，因此每個(gè)D的權(quán)重分配各不相同，無(wú)法針對(duì)所有D進(jìn)行統(tǒng)一排序。本文采用交叉指數(shù)法[20]解決此問(wèn)題。當(dāng)使用交叉指數(shù)法評(píng)價(jià)某D時(shí)，將使用所有D的最佳權(quán)重，在評(píng)價(jià)過(guò)程中，可將各D的評(píng)價(jià)結(jié)果匯總到交叉指數(shù)矩陣中，如表1所示。第i行第j列的元素表示Dj使用Dj的最優(yōu)權(quán)重后所獲得的評(píng)價(jià)得分。通過(guò)將交叉指數(shù)矩陣中的每一列取均值，得到每個(gè)D的交叉指數(shù)得分。此時(shí)，所有D都基于相同的加權(quán)權(quán)重集進(jìn)行評(píng)價(jià)，可以實(shí)現(xiàn)相互比較和排序。

表1 交叉指數(shù)矩陣Table 1 Cross index matrix

2.2 考慮可變權(quán)重的不良駕駛行為綜合評(píng)價(jià)

為了客觀評(píng)價(jià)各種不良駕駛行為對(duì)評(píng)價(jià)結(jié)果的貢獻(xiàn)，本文借鑒數(shù)據(jù)包絡(luò)分析的核心思想開(kāi)展針對(duì)多駕駛?cè)说牟涣夹袨橄鄬?duì)風(fēng)險(xiǎn)評(píng)價(jià)研究。對(duì)于不同的不良駕駛行為，在對(duì)其進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)時(shí)除考慮其出現(xiàn)頻次，每次不良駕駛行為持續(xù)的時(shí)間以及幅值也應(yīng)納入考量。理論上，可以將超過(guò)基本閾值的每個(gè)數(shù)值幅度都作為單獨(dú)的閾值來(lái)看待。實(shí)際操作中，可以對(duì)每種不良駕駛行為的幅值進(jìn)行等級(jí)劃分，針對(duì)每個(gè)閾值等級(jí)均設(shè)置嚴(yán)重性權(quán)重Wfg，其中，f表示各種不良駕駛行為（f=1,2,…,p；p為種類數(shù)），g表示不良駕駛行為幅值的等級(jí)數(shù)（g=1,2,…,q；q為等級(jí)數(shù)），從而建立單位時(shí)間內(nèi)超過(guò)基本閾值的行為數(shù)據(jù)與行為風(fēng)險(xiǎn)之間的聯(lián)系。具體過(guò)程如圖1所示。

圖1 速度/幅值-面積圖（限速60 km·h-1）Fig.1 Speed/amplitude area diagram（speed limit 60 km·h-1）

首先，在單位時(shí)間內(nèi)，計(jì)算每種不良駕駛行為的幅值，利用聚類分析劃定其等級(jí)[21]。其次，采用面積法，將不良駕駛行為持續(xù)時(shí)間內(nèi)所屬閾值等級(jí)的各幅值分別進(jìn)行累加，并利用嚴(yán)重性權(quán)重Wfg，得到各種不良駕駛行為的總風(fēng)險(xiǎn)。以速度為例，假設(shè)某一超速行為幅值的等級(jí)數(shù)為3，面積法示意圖如圖1所示?？梢?jiàn)，這一過(guò)程在考慮不良駕駛行為出現(xiàn)頻次的基礎(chǔ)上，同時(shí)考慮了每次不良行為的持續(xù)時(shí)間及其幅值。最后，基于出行距離對(duì)總風(fēng)險(xiǎn)進(jìn)行標(biāo)準(zhǔn)化，得到單位距離風(fēng)險(xiǎn)。為綜合評(píng)價(jià)各種不良駕駛行為，還需考慮每種不良行為對(duì)評(píng)價(jià)結(jié)果的貢獻(xiàn)權(quán)重。因此，另取權(quán)重變量v1,v2,…,vp表示第1,2,…,p種不良駕駛行為的加權(quán)權(quán)重。

將各種不良駕駛行為的單位距離風(fēng)險(xiǎn)作為模型輸入，不良駕駛行為得分作為模型輸出，借鑒數(shù)據(jù)包絡(luò)分析思想，模型目標(biāo)函數(shù)為最小化駕駛?cè)说牟涣夹袨榫C合得分。模型的約束條件為：所有駕駛?cè)说牡梅謶?yīng)不低于基準(zhǔn)值1，得分為1 的駕駛?cè)耸窍鄬?duì)最安全的駕駛?cè)?；?quán)重變量v應(yīng)大于等于0。據(jù)此，基于數(shù)據(jù)包絡(luò)分析的不良駕駛行為綜合評(píng)價(jià)模型為

式中：xfgj為第j個(gè)駕駛?cè)说趂種不良行為第g類幅值等級(jí)的面積累積總和；vf為第f種危險(xiǎn)駕駛行為的加權(quán)權(quán)重；rj0為第j0位駕駛?cè)说牡梅?。模型中?個(gè)約束條件反應(yīng)了嚴(yán)重性權(quán)重變量wfg之間的關(guān)聯(lián)關(guān)系，即超出基本閾值的程度越大，對(duì)應(yīng)的嚴(yán)重性權(quán)重變量值應(yīng)越大。

顯然，式（5）為非線性模型，通過(guò)引入一個(gè)新變量Ufg，令Ufg=vf·Wfg，可將其變換為線性模型，進(jìn)而方便求解，最終模型為

在此基礎(chǔ)上，根據(jù)表1計(jì)算各駕駛?cè)说慕徊嬷笖?shù)得分，并以此作為每個(gè)駕駛?cè)瞬涣夹袨樵u(píng)價(jià)的綜合得分。得分越低，表示駕駛?cè)说男熊嚢踩栽胶谩?/p>

3 基于多駕駛?cè)孙L(fēng)險(xiǎn)評(píng)價(jià)的不良駕駛行為主動(dòng)干預(yù)

在智能網(wǎng)聯(lián)環(huán)境下，通過(guò)車載終端系統(tǒng)可以實(shí)時(shí)獲取同一場(chǎng)景中不同駕駛?cè)说男袨閿?shù)據(jù)，并針對(duì)所辨識(shí)的各種不良駕駛行為開(kāi)展駕駛?cè)讼鄬?duì)風(fēng)險(xiǎn)評(píng)價(jià)，得到各位駕駛?cè)说娘L(fēng)險(xiǎn)等級(jí)，以此為基礎(chǔ)，針對(duì)風(fēng)險(xiǎn)駕駛?cè)松刹煌闹鲃?dòng)干預(yù)方案，并及時(shí)發(fā)布到車載終端系統(tǒng)，從而實(shí)現(xiàn)與駕駛?cè)说男畔⒔换ィＵ像{駛?cè)说男熊嚢踩?。本文利用微觀仿真模擬智能網(wǎng)聯(lián)交通環(huán)境，探討基于多駕駛?cè)孙L(fēng)險(xiǎn)評(píng)價(jià)的不良駕駛行為主動(dòng)干預(yù)方法。

3.1 仿真實(shí)驗(yàn)設(shè)計(jì)

本文基于SUMO（Simulation of Urban Mobility）和Python 聯(lián)合仿真平臺(tái)進(jìn)行仿真實(shí)驗(yàn)，在SUMO軟件中，搭建單車道直行路段仿真場(chǎng)景，如圖2 所示。其中，路段限速設(shè)為80 km·h-1，路段長(zhǎng)度設(shè)為14 km，仿真總時(shí)長(zhǎng)設(shè)為600 s。在仿真中，生成10輛小車，但本文只考慮處于跟馳狀態(tài)的9輛車（編號(hào)為ID1～9）。小車車身長(zhǎng)度設(shè)為5 m，所有車輛都從最左側(cè)的路段起點(diǎn)開(kāi)始行駛，初始速度均為0 m·s-1，車輛跟馳模型選用智能駕駛?cè)四Ｐ停↖ntelligent Driver Model,IDM），進(jìn)而模擬一列車隊(duì)起步，后車跟隨前車行駛。在Python 界面中，通過(guò)Traci 接口連接SUMO實(shí)現(xiàn)交互，實(shí)時(shí)獲得車輛的編號(hào)、速度、加速度、位置等信息。在仿真中，若需要對(duì)某一車輛施加干預(yù)，可通過(guò)Traci 接口將相應(yīng)參數(shù)傳遞給車輛。為模擬實(shí)際交通場(chǎng)景中的不良駕駛行為，本文在SUMO 仿真配置文件中設(shè)置車輛最大速度為120 km·h-1，車輛最大加速度和最大減速度均為4 m·s-2，以確保車輛可以隨機(jī)出現(xiàn)不良駕駛行為。

圖2 單車道仿真場(chǎng)景Fig.2 A single lane simulation scenario

3.2 駕駛干預(yù)仿真方法

在網(wǎng)聯(lián)環(huán)境下，通過(guò)構(gòu)建駕駛行為數(shù)據(jù)云平臺(tái)可以為每個(gè)駕駛?cè)私⑿旭倲?shù)據(jù)檔案。通過(guò)評(píng)價(jià)駕駛?cè)嗽谏弦粫r(shí)間段的駕駛表現(xiàn)，確定其在下一時(shí)間段需要被干預(yù)的駕駛行為。使用基于數(shù)據(jù)包絡(luò)分析的不良駕駛行為綜合評(píng)價(jià)方法，可以實(shí)時(shí)判斷駕駛?cè)说鸟{駛表現(xiàn)。但要實(shí)現(xiàn)對(duì)駕駛?cè)说闹鲃?dòng)干預(yù)，還需要考慮以下3個(gè)因素：干預(yù)間隔時(shí)間，每次行為評(píng)價(jià)所使用的數(shù)據(jù)量，以及每次干預(yù)的車輛數(shù)。

首先，干預(yù)方法需在一定的干預(yù)間隔內(nèi)實(shí)施。干預(yù)間隔過(guò)短，容易導(dǎo)致干預(yù)信息的頻繁變更；反之，干預(yù)間隔過(guò)長(zhǎng)，容易導(dǎo)致干預(yù)無(wú)效。

其次，在每次干預(yù)前，都需要提取駕駛?cè)说臍v史數(shù)據(jù)進(jìn)行不良駕駛行為綜合評(píng)價(jià)，以辨識(shí)場(chǎng)景中的危險(xiǎn)駕駛?cè)?。若使用歷史數(shù)據(jù)過(guò)少，可能導(dǎo)致干預(yù)類型的確定出現(xiàn)偏差；反之，若使用歷史數(shù)據(jù)過(guò)多，冗余信息不僅會(huì)影響干預(yù)類型的確定，還會(huì)降低實(shí)時(shí)計(jì)算速度。

最后，在模擬仿真中對(duì)危險(xiǎn)車輛進(jìn)行干預(yù)時(shí)，需要明確每次干預(yù)的車輛數(shù)。每次干預(yù)一輛車和每次干預(yù)多輛車所產(chǎn)生的結(jié)果必然存在差別。

基于以上考慮，本文預(yù)設(shè)干預(yù)間隔為60 s，以時(shí)間窗方式抽取數(shù)據(jù)，即單個(gè)窗口大小為60 s，采用基于累加窗口和基于滑動(dòng)窗口兩種干預(yù)方式。針對(duì)干預(yù)車輛數(shù)，考慮干預(yù)最具風(fēng)險(xiǎn)性車輛（單車）和干預(yù)所有風(fēng)險(xiǎn)性車輛（多車）兩種策略。

在仿真過(guò)程中，考慮的不良駕駛行為包括超速、急加速、急減速，使用基于數(shù)據(jù)包絡(luò)分析的不良駕駛行為綜合評(píng)價(jià)方法辨識(shí)風(fēng)險(xiǎn)車輛。針對(duì)被干預(yù)的車輛，根據(jù)其不良駕駛行為類型，設(shè)置行駛參數(shù)進(jìn)行干預(yù)。針對(duì)超速車輛，設(shè)置其允許的最大速度為路段限速；針對(duì)急加速車輛，設(shè)置其允許的最大加速度為3 m·s-2；針對(duì)急減速車輛，設(shè)置其允許的最大減速度為2 m·s-2。針對(duì)干預(yù)參數(shù)組合設(shè)定，通過(guò)SUMO仿真后臺(tái)的XML配置文件來(lái)完成。通過(guò)實(shí)時(shí)給定每種干預(yù)類型的行駛參數(shù)，實(shí)現(xiàn)針對(duì)車輛駕駛?cè)藗€(gè)體的干預(yù)。

3.3 駕駛干預(yù)仿真實(shí)驗(yàn)

基于累加窗口的干預(yù)方式，是指干預(yù)間隔為60 s，窗口大小不斷擴(kuò)充，使用當(dāng)前所有歷史行車數(shù)據(jù)辨識(shí)風(fēng)險(xiǎn)駕駛?cè)?，進(jìn)而實(shí)施干預(yù)，其干預(yù)流程如圖3（a）所示?；诨瑒?dòng)窗口的干預(yù)方式，是指干預(yù)間隔為60 s，窗口隨時(shí)間移動(dòng)且大小保持不變，使用最近固定時(shí)間長(zhǎng)度的歷史行車數(shù)據(jù)辨識(shí)風(fēng)險(xiǎn)駕駛?cè)?，進(jìn)而實(shí)施干預(yù)。本文實(shí)現(xiàn)的窗體大小有以下幾種：60 s（單個(gè)窗口）、120 s（2個(gè)窗口）、180 s（3個(gè)窗口）、240 s（4 個(gè)窗口）、300 s（5 個(gè)窗口），分別命名為方案1～方案5。其干預(yù)流程如圖3（b）所示。

圖3 駕駛干預(yù)仿真流程圖Fig.3 Flow chart of driving intervention simulation

3.4 干預(yù)仿真結(jié)果分析

針對(duì)無(wú)干預(yù)和基于累加窗口的單車干預(yù)與多車干預(yù)這3種情況，9輛車的駕駛?cè)嗽?00 s內(nèi)的不良行為總得分如圖4（a）所示，各車駕駛?cè)说牟涣夹袨榫C合得分如圖4（b）所示。與無(wú)干預(yù)情況相比，在干預(yù)多車策略下，車輛的不良駕駛行為總得分下降了22.80%。而在干預(yù)單車策略下，絕大部分車輛的不良駕駛行為綜合得分均增加，3 號(hào)車尤為明顯。分析仿真數(shù)據(jù)發(fā)現(xiàn)，在干預(yù)單車策略下，3號(hào)車頻繁超速與急減速，最終得分較高，其原因在于車隊(duì)起步初期，前車會(huì)加速行駛達(dá)到期望速度，針對(duì)前車的干預(yù)影響到了3 號(hào)車，3 號(hào)車為與前車保持合理的間距，會(huì)出現(xiàn)急加急減等行為，進(jìn)而導(dǎo)致速度變化較大。

圖4 干預(yù)前后不良駕駛行為得分（累加窗口方式）Fig.4 Score of risky driving behavior before and after intervention（cumulative window approach）

可見(jiàn)，在干預(yù)單車時(shí)，只干預(yù)不良行為得分最高的風(fēng)險(xiǎn)車輛，會(huì)忽視對(duì)其他車輛的調(diào)控，即使其他車輛得分也較高。在干預(yù)多車時(shí)，只要車輛出現(xiàn)過(guò)某種不良駕駛行為，那么在仿真中便一直針對(duì)該不良行為進(jìn)行干預(yù)，車輛的行為風(fēng)險(xiǎn)不會(huì)持續(xù)增加。

基于累加窗口的干預(yù)方式，因歷史數(shù)據(jù)的使用會(huì)隨著時(shí)間的增加而不斷累加，這不僅會(huì)造成數(shù)據(jù)冗余，增加計(jì)算時(shí)間，還無(wú)法準(zhǔn)確反映駕駛?cè)说膶?shí)時(shí)駕駛狀態(tài)。因此，該方法更適合針對(duì)駕駛?cè)说氖潞蟾深A(yù)，即通過(guò)分析個(gè)體駕駛?cè)说乃袣v史行車數(shù)據(jù)，挖掘他們的駕駛風(fēng)格，從而提出改善其駕駛行為的建議。

針對(duì)無(wú)干預(yù)和基于滑動(dòng)窗口的單車干預(yù)與多車干預(yù)這3種情況，9輛車的駕駛?cè)嗽?00 s內(nèi)的不良行為總得分如圖5所示。與無(wú)干預(yù)情況相比，在干預(yù)多車的方案4 與方案5 中，車輛駕駛?cè)说牟涣夹袨榭偟梅址謩e下降了4.28%和10.50%。針對(duì)其他方案，不良駕駛行為總得分有所增加?？梢?jiàn)，干預(yù)多車的后兩種方案更優(yōu)。

圖5 干預(yù)前后不良駕駛行為總得分（滑動(dòng)窗口方式）Fig.5 Total score of risky driving behavior before and after intervention（sliding window approach）

在干預(yù)單車/多車策略下，各車駕駛?cè)说牟涣夹袨榫C合得分如圖6（a）和圖6（b）所示。分析仿真數(shù)據(jù)發(fā)現(xiàn)，3 號(hào)車同樣出現(xiàn)了頻繁超速與急減速。隨著仿真進(jìn)行，各車在窗口時(shí)間內(nèi)不斷累積行為風(fēng)險(xiǎn)。

圖6 干預(yù)前后各車駕駛?cè)瞬涣夹袨榈梅郑ɑ瑒?dòng)窗口）Fig.6 Score of risky driving behavior of each vehicle before and after intervention（sliding window approach）

在干預(yù)單車策略下，隨著窗口增大，3號(hào)車的得分有不同程度上升，而6 號(hào)車的得分卻有所降低。其原因在于3 號(hào)車并非一開(kāi)始就出現(xiàn)不良駕駛行為。車隊(duì)起步初期，排列靠前的車輛仍是干預(yù)重點(diǎn)，它們會(huì)影響到3 號(hào)車。隨著窗口增大，對(duì)前車的干預(yù)時(shí)間會(huì)增加，導(dǎo)致3號(hào)車出現(xiàn)不良駕駛行為時(shí)仍無(wú)法被及時(shí)干預(yù)，只能再等待一個(gè)干預(yù)間隔。在此過(guò)程中，3 號(hào)車的風(fēng)險(xiǎn)持續(xù)累積。當(dāng)窗口較小時(shí)，風(fēng)險(xiǎn)車輛頻繁更新，針對(duì)前車的干預(yù)引起6 號(hào)車的不良駕駛行為，其在窗口內(nèi)的風(fēng)險(xiǎn)累積會(huì)超過(guò)3號(hào)車；當(dāng)窗口較大時(shí)，3號(hào)車在仿真后期成為干預(yù)重點(diǎn)，但該策略忽視了對(duì)后車的調(diào)控，導(dǎo)致后車得分也有小幅度增加。

在干預(yù)多車策略下，窗口時(shí)間內(nèi)出現(xiàn)過(guò)不良駕駛行為的所有車輛均是干預(yù)對(duì)象。隨著仿真進(jìn)行，窗口不斷滑動(dòng)，各車在窗口內(nèi)出現(xiàn)不良駕駛行為會(huì)不斷更新。車輛之間存在相互影響的關(guān)系，對(duì)多個(gè)風(fēng)險(xiǎn)車輛同時(shí)施加干預(yù)必然會(huì)影響到周圍的正常車輛。當(dāng)窗口較小時(shí)，每次行為評(píng)價(jià)所使用的數(shù)據(jù)量也較少，風(fēng)險(xiǎn)車輛會(huì)頻繁更新，這不僅會(huì)影響到更多的周圍車輛，而且針對(duì)某特定風(fēng)險(xiǎn)車的不良行為確定及干預(yù)時(shí)間均受到限制，進(jìn)而導(dǎo)致干預(yù)效果不佳。隨著窗口增大，風(fēng)險(xiǎn)車輛的更新頻率降低，不僅更加容易找出某些特定的風(fēng)險(xiǎn)車輛及其不良行為，而且會(huì)增加對(duì)風(fēng)險(xiǎn)車輛的防控時(shí)長(zhǎng)。從圖5可以看出，當(dāng)仿真時(shí)長(zhǎng)為600 s 且干預(yù)多車時(shí)，方案5的效果最好，這也說(shuō)明窗體大小會(huì)對(duì)干預(yù)結(jié)果產(chǎn)生影響。

基于滑動(dòng)窗口的干預(yù)方法，將使用窗口時(shí)間內(nèi)的行車數(shù)據(jù)，隨著時(shí)間推移，窗口不斷往前滑動(dòng)，不斷進(jìn)行數(shù)據(jù)更新。這種方法在仿真中的表現(xiàn)不如基于累加窗口的方法，即該方法的車輛總得分降低率更小，但該方法在現(xiàn)實(shí)中的可行性更高，具有一定的應(yīng)用前景。在現(xiàn)實(shí)中應(yīng)用該方法可以進(jìn)行近實(shí)時(shí)干預(yù)，因?yàn)榇翱谥械臄?shù)據(jù)是近期的行車數(shù)據(jù)，每次行為評(píng)價(jià)將使用近期行車數(shù)據(jù)，可以結(jié)合駕駛?cè)藢?shí)時(shí)行為，反映當(dāng)前駕駛狀態(tài)，通過(guò)不良駕駛行為綜合評(píng)價(jià)，找到風(fēng)險(xiǎn)駕駛?cè)瞬?shí)現(xiàn)近實(shí)時(shí)干預(yù)。

在以上仿真實(shí)驗(yàn)中，各駕駛?cè)司凑战o定的干預(yù)方案駕駛車輛，即駕駛?cè)私邮苈示鶠?00%。但在現(xiàn)實(shí)中，駕駛?cè)瞬灰欢ㄍ耆邮芨深A(yù)方案。因此，針對(duì)方案5 的多車干預(yù)，再進(jìn)行多次仿真實(shí)驗(yàn)。在每次干預(yù)時(shí)，隨機(jī)抽取50%的危險(xiǎn)車輛駕駛?cè)私邮芨深A(yù)，其余駕駛?cè)瞬唤邮芨深A(yù)，得到如圖7所示的仿真結(jié)果。從圖7可以看出，針對(duì)多次仿真實(shí)驗(yàn)，車輛駕駛?cè)说牟涣夹袨榭偟梅执嬖诓町悺Ｅc干預(yù)前相比，當(dāng)干預(yù)接受率為50%且車輛總得分降低時(shí)，降低率可達(dá)9.30%；當(dāng)干預(yù)接受率為50%且車輛總得分增加時(shí)，增加率可達(dá)11.43%?？梢?jiàn)，當(dāng)接受率相同時(shí)，干預(yù)的車輛不同，造成的干預(yù)效果會(huì)有所不同。

圖7 干預(yù)接受率50%的多次仿真結(jié)果Fig.7 Multiple simulation results of 50%intervention acceptance rate

如圖8 所示，從多次仿真實(shí)驗(yàn)的平均結(jié)果來(lái)看：與干預(yù)前相比，當(dāng)干預(yù)接受率為50%時(shí)，車輛的不良駕駛行為總得分降低且安全性有所提升；與干預(yù)接受率為100%相比，當(dāng)接受率為50%時(shí)，車輛的不良駕駛行為總得分會(huì)增加10.60%?？梢?jiàn)，針對(duì)相同的干預(yù)方法，駕駛?cè)私邮苈蕰?huì)對(duì)干預(yù)結(jié)果產(chǎn)生影響。

圖8 不同干預(yù)接受率干預(yù)前后不良駕駛行為總得分Fig.8 Total score of risky driving behavior based on different acceptance rates

4 結(jié)論

本文提出了一種智能網(wǎng)聯(lián)環(huán)境下基于多駕駛?cè)瞬涣夹袨榫C合評(píng)價(jià)的主動(dòng)干預(yù)框架。具體結(jié)論如下：

（1）基于數(shù)據(jù)包絡(luò)分析思想，同時(shí)考慮不良駕駛行為的發(fā)生頻次、持續(xù)時(shí)間以及幅值，提出不良駕駛行為綜合評(píng)價(jià)建模方法，以駕駛?cè)说南鄬?duì)風(fēng)險(xiǎn)代替?zhèn)鹘y(tǒng)的絕對(duì)風(fēng)險(xiǎn)。通過(guò)引入嚴(yán)重性權(quán)重這一變量，表征行為數(shù)據(jù)超出基本閾值的程度，超出閾值越大，權(quán)重變量就越大，對(duì)應(yīng)的風(fēng)險(xiǎn)亦越大，從而在技術(shù)層面解決了使用常量風(fēng)險(xiǎn)系數(shù)對(duì)不良駕駛行為進(jìn)行風(fēng)險(xiǎn)量化的難題。本文針對(duì)不良駕駛行為的綜合評(píng)價(jià)僅以超速、急加速、急減速為例進(jìn)行分析，但本文提出的評(píng)價(jià)方法也同樣適用于其他不良駕駛行為，可在采集相關(guān)數(shù)據(jù)完善不良駕駛行為表征指標(biāo)體系的基礎(chǔ)上直接引入所構(gòu)建的模型。

（2）利用SUMO和Python聯(lián)合搭建智能網(wǎng)聯(lián)環(huán)境下的駕駛仿真平臺(tái)，通過(guò)考慮可變權(quán)重的不良駕駛行為綜合評(píng)價(jià)方法辨識(shí)危險(xiǎn)駕駛?cè)?，提出基于累加窗口與滑動(dòng)窗口的主動(dòng)干預(yù)方法；針對(duì)每種方法，均實(shí)現(xiàn)干預(yù)單車（時(shí)間窗內(nèi)相對(duì)最危險(xiǎn)車輛）與干預(yù)多車（時(shí)間窗內(nèi)所有危險(xiǎn)車輛）兩種策略。仿真結(jié)果表明，無(wú)論何種干預(yù)方法，干預(yù)多車策略均取得較好的效果；而與基于累加窗口的干預(yù)方法相比，基于滑動(dòng)窗口的干預(yù)方法在現(xiàn)實(shí)中的可行性更高，更適合實(shí)際應(yīng)用；針對(duì)相同的干預(yù)方法，駕駛?cè)私邮苈蕰?huì)對(duì)干預(yù)結(jié)果產(chǎn)生影響。