基于LightGBM的高速公路隧道段駕駛人壓力負荷評估

符鋅砂，葛洪成，魯岳

（1.華南理工大學土木與交通學院，廣東 廣州 510640；2.廣州白云國際機場股份有限公司，廣東 廣州 510470）

0 引言

隧道路段作為高速公路中的特殊路段，明暗交替的視覺變化和密集的標志標線設置賦予了其復雜的交通運行環(huán)境。隧道段交通事故是駕駛人、車輛、道路和環(huán)境這一動態(tài)耦合系統(tǒng)不協(xié)調變化誘發(fā)的，更多的研究和統(tǒng)計結果表明駕駛人自身的因素是產生事故最直接和根本的原因[1]。隧道路段外部客觀交通環(huán)境的改變要求駕駛人具有高度的駕駛警惕性和協(xié)調性，一旦駕駛人出現(xiàn)分心駕駛、疲勞駕駛等狀態(tài)，作出正確的判斷和適宜的駕駛行為的概率就會降低，安全風險將會增大，當車流量較大或外界行車條件不好時更容易發(fā)生事故。因此，合理量化駕駛人在隧道路段行駛過程中的壓力負荷，對于駕駛人作出正確、適宜的駕駛操作、規(guī)避行車風險大有裨益。

近年來，得益于智能駕駛領域的快速發(fā)展，越來越多的傳感設備和通信技術被應用于車輛中，在行駛中可以提取到車輛狀態(tài)和周圍環(huán)境等多模態(tài)指標，大量參數(shù)為判斷駕駛人駕駛效果，預測壓力負荷、規(guī)避駕駛風險提供了重要依據(jù)，也是目前交通和運載領域的重要研究方向[2]。

駕駛壓力負荷水平是關系穩(wěn)定、安全駕駛的重要因素，長期以來，對其評估一般分為兩個方面：①主觀問卷、量表評估；②客觀多模態(tài)參數(shù)評估。主觀評估方面，Healey 等通過對感知壓力等級的問卷分析，確定了低、中、高、極高等4種壓力[3]；Mou 等通過駕駛模擬的方式，對駕駛人進行口頭問詢收集駕駛人實時的壓力水平信息[4]；而Matthews等基于5種壓力維度開發(fā)了駕駛人壓力量表[5]。客觀評估方面，Rigas 等通過實車試驗，以及駕駛人的生理、面部數(shù)據(jù)和環(huán)境數(shù)據(jù)等，通過被試者自述駕駛感受來確定壓力和疲勞的分級，使用支持向量機（Support Vector Machine,SVM）分類器檢測壓力，準確率達到了86%[6]；Rastgoo 等通過模擬駕駛，整合心電、車輛、環(huán)境等多模態(tài)數(shù)據(jù)，基于CNN-LSTM 多模態(tài)融合模型來預測高、中、低3 種壓力模式，平均精度達到92.8%[7]；鄭玲等采用生理、車輛信號作為認知負荷評價指標，采用駕駛模擬的方式進行跟車行駛的數(shù)據(jù)采集，使用隨機森林（Random Forest,RF）算法進行壓力負荷分類，最高精度達到92%[8]。

綜上，目前的研究多為單一地從主觀或客觀層面對壓力負荷進行評估，存在的主要問題是：客觀評估的方式過于依賴采集設備，對收集的數(shù)據(jù)質量要求更高；而考慮主觀問卷等因素的數(shù)據(jù)采集具有一定的延遲性，存在一定的誤差。研究表明，綜合主客觀的多模態(tài)參數(shù)匯聚被證明有著更好的壓力負荷預測性能[9]。因此，結合問卷等方式獲得的主觀測評數(shù)據(jù)，對駕駛環(huán)境、行為、生理指標進行多模態(tài)壓力負荷預測，對于規(guī)避行車風險有著重要的意義。本文在某隧道路段實施自然駕駛試驗，采集被試人員駛經隧道路段的生心理、駕駛行為、環(huán)境等客觀參數(shù)，并結合主觀壓力負荷問卷評分，基于多維信息進行綜合壓力負荷等級評估，以期提升壓力負荷預測的準確性。

1 自然駕駛試驗

1.1 試驗路段

該試驗路段為G55 二廣高速三水至懷集段，全長約120km，設計速度為120km/h，雙向六車道，其中隧道路段限速80km/h。該試驗路段共30處隧道。路段走向和隧道分布如圖1 所示。試驗期間路段車流量少，交通流密度低，可視為自由流狀態(tài)。

圖1 試驗路段示意

1.2 試驗參數(shù)選擇

1.2.1 客觀參數(shù)

本次試驗選取了心電指標和皮電指標作為評價駕駛人壓力負荷的生心理指標。心率（Heart Rate,HR）是心理研究中最常用的指標之一[10]，它一般與人的覺醒程度和精神活動有關。

式（1）中：HR 為心率（bpm）；RR 為心電圖中兩相鄰R波的時間差（s）。

皮膚電活動（Electrodermal Activity,EDA）作為一項生理指標，它代表機體在受到外界環(huán)境刺激時，皮膚汗腺電傳導產生的變化：情緒發(fā)生改變時，汗腺分泌增加，皮膚導電性增加，引起皮電指數(shù)增高。因此皮電反應與情緒、喚醒和注意力有密切聯(lián)系，其具體涵義為兩測點皮膚之間的電導大小，又稱為皮膚電導反應（Skin Conduc?tance Response,SCR）[11]。

式（2）中：SCR 為皮膚電導反應（μS）；SCM為皮電反應中的電導峰值（μS）；SC0為皮電反應開始的基礎電導值（μS）。

常見的駕駛行為指標有速度、轉速、縱向加速度、橫向加速度、方向盤偏轉角度等。本試驗選取轉速、橫向、縱向加速度作為駕駛行為的衡量指標。由于隧道具有密閉的環(huán)境特殊性，駕駛人對明暗交替的外界環(huán)境刺激反應顯著。光照強度作為衡量光照強弱狀況的指標，通過刺激駕駛人的視覺進一步影響其生心理狀況，故該指標一定程度上反映了外界環(huán)境的變化，被選取為路側環(huán)境參數(shù)。本研究所選取的試驗路段隧道的平面線形比較平順，多由直線和大半徑曲線組成，故在本研究中忽略隧道線形因素的影響。

1.2.2 主觀參數(shù)

本文采用NASA 任務負荷指數(shù)（NASA Task Load Index,NASA_TLX）評估主觀壓力負荷水平。NASA_TLX 使用6 個維度來評估工作量：心理需求、生理需求、時間需求、表現(xiàn)、努力程度和挫敗感。本研究針對駕駛任務，將問卷中的表述改為在駕駛情景下的6 個維度。20 步雙極刻度用于獲得這些尺寸的評級，量表的評分范圍為0～100。NASA_TLX 使用了一個需要配對比較任務的加權過程，要求被測人員在6 個維度的所有對中選擇與特定任務的工作負荷更相關的維度，一共需要比較選擇15次。每個任務的工作負荷量表分數(shù)是通過將權重乘以個體維度量表得分，再將各個量表的分數(shù)相加，最后除以總權重得到的，其計算公式如式（3）所示。一般來說，NASA_TLX 是一個非常好的測量心理負荷的多維尺度，其對工作量、工作負荷的變化很敏感，診斷性和準確性也很高[12]。

式（3）中：S為NASA_TLX 評分結果；Ni為20步雙極刻度確定的第i個主觀評分；wi為第i個維度在權重確定表中出現(xiàn)的次數(shù)。

1.3 試驗裝置

試驗采用了以下6 種設備：（1）大眾朗逸（1.6T 排量，三廂自動擋小汽車），作為試驗車輛；（2）BIOPAC MP160 生理采集儀，用于收集駕駛人在駕駛過程中的EDA、心電圖（Electro?cardiogram,ECG）及車輛的三軸加速度信號；（3）筆記本電腦，用于連接和收集生理儀器的數(shù)據(jù)；（4）行車記錄儀，用于記錄行駛環(huán)境；（5）照度儀，用于獲取試驗隧道段的照度信息；（6）車載優(yōu)駕智能盒子，通過車載診斷系統(tǒng)（On Board Diagnostics,OBD）接口與車輛連接，以提取車輛運行中的速度、轉速等行駛數(shù)據(jù)。

1.4 試驗人員

試驗招募了32名被試人員，均持有中華人民共和國機動車駕駛C1 執(zhí)照，身體無嚴重基礎疾病，視力或矯正視力均達到5.0。其中包括22 名男性、10 名女性，年齡在24～35 歲（均值為27.1歲，標準差為3.1），駕齡在1～10年不等（均值為3.7年，標準差為2.4）。

1.5 試驗過程

（1）試驗準備階段，將行車記錄儀及照度儀安裝在汽車前擋風玻璃的正中央，并且確保擋風玻璃清潔以及行駛過程中不會晃動。

（2）正式開始試驗之前，駕駛人需佩戴生理儀器進行試駕，以避免佩戴儀器的不適感影響試驗。

（3）試驗出發(fā)前，要求被試者保持閉目休息狀態(tài)5min，以獲取駕駛人靜息狀態(tài)下各項生理指標的基值。

（4）試驗從上行路段四會西收費站開始，至下行路段四會西收費站結束。全程共有2 名測試人員跟車，分別采集駕駛人行駛過程中的生心理、環(huán)境數(shù)據(jù)以及車輛速度、轉速等數(shù)據(jù)。另外，盡量避免出現(xiàn)影響被試者行駛心理的行為和車載環(huán)境。

（5）試驗車輛通過連續(xù)的隧道路段后，從最近的互通收費站駛離高速公路，具體行駛次序如圖2所示，測試人員在收費站出口處收集駕駛人對剛剛通過1處或多處隧道的NASA_TLX問卷，收集完成后繼續(xù)駕駛任務，直至通過全部30處隧道。

圖2 試驗路段行經隧道次序示意

（6）單次試驗結束后，測試人員將收集到的生理數(shù)據(jù)及時保存，并檢查筆記本電腦以及智能手機中的數(shù)據(jù)有無問題。

（7）以上步驟完成后關閉儀器設備，將被試者身上的生理儀器取下并整理，清理電導液，將車輛熄火。

2 試驗數(shù)據(jù)提取與處理

本研究共進行了128 次自然駕駛試驗，采集的每組數(shù)據(jù)包括生理儀器采集的生心理數(shù)據(jù)，車輛速度、轉速、三軸加速度等車輛數(shù)據(jù)，環(huán)境照度及行車記錄儀獲得的環(huán)境數(shù)據(jù)，以及駕駛人的NASA_TLX 量表分數(shù)等。經過整理，其中有11 組試驗數(shù)據(jù)丟失或無法使用，最終得到有效數(shù)據(jù)117 組。參照隧道分段的相關研究成果[13]，本試驗研究范圍集中在隧道入口前100m至隧道出口后100m，在該范圍內進行數(shù)據(jù)分析與提取。

2.1 生心理信號

在本研究中，選擇HR 作為衡量駕駛人行車舒適性的心電指標，通過AcqKnowledge 軟件進行ECG 分析，提取心率指標。由于個體之間的心率水平存在差異，靜息心率或高或低，為了消除個體間的心理差異，選擇心率變化率P作為ECG 信號的衡量指標[14]：

式（4）中：P為心率變化率（%）；h1為駕駛人靜息狀態(tài)下的基礎心率值（bpm）；h2為駕駛人的實時心率值（bpm）。

此外，由于生心理信號采集頻率高，且具有一定的滯后性，本次數(shù)據(jù)處理選擇長度為5s的時間窗進行提取以消除誤差：

式（5）中：Pi為第i秒的實際心率變化率（%）；Pn為處理分析后第n秒的心率變化率（%）。

為便于分析皮電數(shù)據(jù)，首先通過AcqKnowledge 軟件對采集的原始EDA 信號進行降采樣，將采集頻率從500sample/s 降至31.25sample/s，隨后采用窗口為Blackman-61dB 的有限沖激響應（Finite Impulse Response,FIP）濾波器進行去噪處理，將頻率大于1Hz 的干擾信號清除后得到待分析的EDA 信號，最后利用AcqKnowledge 軟件分析并提取出SCR 指標。本次數(shù)據(jù)處理選擇長度為5s的時間窗進行提取以消除誤差：

式（6）中：SCRi為第i秒的皮電反應值（μS）；SCRn為處理分析后第n秒的皮電反應值（μS）。

2.2 駕駛行為與駕駛環(huán)境

2.2.1 駕駛行為數(shù)據(jù)

通過優(yōu)駕官網(wǎng)（http://www.gooddriver.cn/）可以提取優(yōu)駕盒子在車輛運行過程中記錄的轉速等數(shù)據(jù)，進而衡量駕駛行為。該設備的采樣率為5sample/s，取1s 數(shù)據(jù)的均值作為車輛轉速指標。三軸加速度也是衡量駕駛行為的車輛指標。為了便于分析，首先對采集到的原始三軸加速度信號進行降采樣，將采集頻率從500sample/s 降至31.25sample/s。由于車輛發(fā)動機的振動會對三軸加速度的采集產生干擾，采用窗口為Blackman-61dB 的FIP 濾波器進行去噪處理，將頻率大于3Hz 的干擾信號清除后，利用AcqKnowledge 軟件取1s內的均值得到待分析的三軸加速度信號。

2.2.2 環(huán)境照度數(shù)據(jù)

本試驗采用照度儀提取行車過程中的光照強度。光照強度指單位面積所接受的可見光的光通量，簡稱照度，單位為Lux。測試人員對照度儀進行攝像，通過視頻讀取實時位置的照度值，采樣頻率為1sample/s。

2.3 車輛位置

隧道事故的數(shù)量和風險因空間分布不同而存在較大差異，進而造成不同水平的壓力負荷等級。本研究選取了行駛進程DPi和距出入口最小距離MINDI作為衡量車輛位置的評估參數(shù)。

式（7）中：DPi為行駛進程（%）；Li為第i秒車輛距離入口前100m 的距離（m）；Lt為隧道長度（m）。

式（8）中：MINDI為距出入口最小距離（m）；Deni為第i秒車輛距離入口的距離（m）；Dexi為第i秒車輛距離出口的距離（m）。

2.4 基于三維聚類方法的壓力負荷等級劃分

長期以來，衡量駕駛人的壓力負荷水平通常采用主觀評估、客觀參數(shù)采集等方式。主觀評估依據(jù)的是問卷調查和駕駛人自我評估報告，缺點是實時性、客觀性較差?？陀^評估一般根據(jù)駕駛人的生心理指標以及駕駛行為、駕駛績效等進行分類，但受限于儀器的靈敏度、精度以及駕駛人的情緒變化而導致準確率得不到保證[15]。考慮到這兩種評估方式的優(yōu)缺點，本文結合主客觀評估，利用駕駛人生心理指標和NASA_TLX 得分，通過三維聚類的方式對駕駛人的壓力負荷進行定量表達和分類。

對自然駕駛試驗中獲取的生心理指標數(shù)據(jù)進行提取和處理?？紤]到駕駛人每通過1 處隧道均會產生1 個NASA_TLX 主觀得分，對駕駛人通過每處隧道的心率變化率和SCR 取均值，并將3 項指標輸入origin 軟件進行K-means 三維聚類（如表1 所示），K值取為3，從而將駕駛人的壓力負荷等級劃分為低、中、高等3個水平。

表1 三維聚類輸入?yún)?shù)

最終的三維聚類分析結果如圖3 所示。圖3（a）表示三維聚類的空間分布情況，不同形狀的點代表不同等級的壓力負荷水平，圖3（b）和3 圖（c）分別表示聚類結果在x-z平面和y-z平面的投影圖。對聚類結果的具體描述如表2所示。

表2 聚類結果描述

圖3 三維聚類分析結果

將三維聚類結果投影至x-y平面。結合既往的研究結果，本文基于心率變化率和SCR 兩項指標對3 類壓力等級進行擬合，導出低壓力負荷與中壓力負荷之間，以及中壓力負荷與高壓力負荷之間的界線，如圖4所示[16]。

圖4 生心理指標擬合結果

根據(jù)擬合結果，可以利用心率變化率和SCR兩項生心理指標定量表示駕駛人的壓力負荷等級，如式（9）所示。

式（9）中：P含義同式（4）；SCR含義同式（2）。

基于每處隧道1 個三維參數(shù)的數(shù)據(jù)來源，式（9）給出了壓力負荷等級的分類方法。以每1s提取1 個數(shù)據(jù)的頻率，僅需將每秒的心率變化率和SCR 輸入公式，即可確定不同時刻在隧道路段實時行駛的駕駛人壓力負荷等級范圍，這為后續(xù)綜合評估模型的建立提供了數(shù)據(jù)支撐。

3 高速公路隧道路段壓力負荷評估模型

3.1 LightGBM模型原理

梯度提升決策樹（Gradient Boosting Decision Tree,GBDT）是機器學習中常見的分類模型，其主要思想是利用弱分類器（決策樹）迭代訓練以得到最優(yōu)模型，具有訓練效果好、不易過擬合等優(yōu)點，一般被用于多分類、點擊率預測、搜索排序等問題。輕量級梯度提升機（Light Gradient Boosting Machine,LightGBM）對GBDT算法進行了優(yōu)化，使其能支持高效率的并行訓練，與極限梯度提升（eXtreme Gradient Boosting,XGBoost）相比訓練速度更快、空間消耗更低、準確率更高，具有支持分布式、可以快速處理海量數(shù)據(jù)、避免過擬合等優(yōu)點。LightGBM 的核心是采用了基于直方圖的決策樹算法（如圖5所示）、帶深度限制的Leaf-wise 增長策略（如圖6 所示）、單邊梯度采樣及互斥特征捆綁技術。

圖5 基于直方圖的決策樹算法

圖6 Leaf-wise生長策略

3.2 模型評價指標

在機器學習模型中，常見的分類任務為二分類。對于分類任務來說，結果分為4 種情況：真陽（True Positive,TP）、假陽（False Positive,FP）、假陰（False Negative,FN）和真陰（True Negative,TN）。用一個2×2 階的“混淆矩陣”來表示，如表3所示。

表3 混淆矩陣示意表

針對以上混淆矩陣的4 種情況，對分類任務的3種評價指標進行如下定義[17]。

（1）準確率（Accuracy）

式（10）～式（12）中：TP,FP,FN,TN的含義見表3。

本研究中的壓力負荷分為低、中、高3 個等級，為多分類任務，故分類評價指標中的精度和召回率采用了宏平均（Macro Averaging），先在每個二分類上分別計算各類指標，共計算3 次，然后取平均值。

3.3 數(shù)據(jù)庫構建

本研究利用LightGBM 建立基于多因素指標的壓力負荷等級分類模型，綜合考慮了駕駛行為、駕駛環(huán)境、車輛所處位置等因素，共計選擇了8個自變量指標，所有自變量指標之間均不存在較強的相關性。以2.3 節(jié)中由生心理指標定量表達的壓力負荷等級為輸出變量，各變量的分布如表4 所示。根據(jù)已設定的采樣率1sample/s，32 名駕駛人的117組試驗數(shù)據(jù)共計產生17 888個樣本。將總樣本的80%設置為訓練集，20%設置為測試集，采取十折交叉驗證的方式以達到更好的泛化性。

表4 壓力負荷等級分類模型輸入與輸出變量

3.4 模型參數(shù)設置

LightGBM 的模型參數(shù)眾多，其中：n_estima?tors,max_depth,learning_rate 為影響模型最終精度和準確率的重要指標。研究中設置了不同組合的候選推薦值，然后使用機器學習工具庫scikitlearn 中的網(wǎng)格搜索GridSearchCV 模塊進行參數(shù)的遍歷搜索。該方法可以根據(jù)設置的評價指標進行判斷，輸出最優(yōu)的參數(shù)設置組合，最終得到的優(yōu)化參數(shù)值如表5所示。

表5 LightGBM模型主要參數(shù)設置

3.5 模型結果評估

通過模型的數(shù)據(jù)庫構建以及參數(shù)設置，輸出LightGBM 分類模型的各項評價指標。表6 及圖7給出了LightGBM 與XGBoost,RF,GBDT,SVM 等主流機器學習模型關于壓力等級三分類的各項指標對比。從圖表中可知，LightGBM 在各項指標中均表現(xiàn)出強勁的分類性能，除了召回率略低于XG?Boost 之外，準確率、精度分別達到了95.71%和93.33%，在5種機器學習模型中最高?？傮w而言，對于隧道路段的壓力負荷等級分類，LightGBM 和XGBoost 的表現(xiàn)更優(yōu)，其次是RF,GBDT，而SVM的表現(xiàn)較差。

表6 LightGBM與主流機器學習模型輸出指標對比

圖7 LightGBM與主流機器學習模型輸出指標對比

表7 總結了既往研究中，國內外學者對于壓力負荷等級分類所采取的模型算法及其性能。長期以來，針對駕駛人壓力負荷的研究將特征量集中在車輛運行產生的數(shù)據(jù)、環(huán)境指標、駕駛人的生心理狀態(tài)以及問卷量表等方面，分類標簽主要有：低、中、高、極高、無壓力（安全）。本研究采取LightGBM 模型，綜合考慮了車輛、環(huán)境、生心理指標等客觀指標以及問卷量表等主觀數(shù)據(jù)，對駕駛人壓力負荷等級分類的準確率更高。

表7 壓力負荷等級分類的模型算法及其性能

4 結語

本文以隧道路段的駕駛人壓力負荷為研究對象，設計了自然駕駛試驗，基于駕駛行為、駕駛環(huán)境、車輛位置多模態(tài)指標，采用機器學習方法構建了壓力負荷等級分類模型，得到的主要研究成果及結論如下：

（1）將駕駛人的客觀生心理指標與主觀NASA_TLX 問卷結合，通過K-means 三維聚類方法將壓力負荷劃分了低、中、高3 個等級，并基于心率變化率和SCR 兩項生心理指標給出了隧道路段的壓力負荷等級計算模型。

（2）基于LightGBM 機器學習模型構建了高速公路隧道路段的壓力負荷等級分類模型。通過車輛位置、駕駛行為、駕駛環(huán)境等8 個指標和對應的壓力負荷等級構建了數(shù)據(jù)集，采用LightGBM 模型進行分類，準確率達到了95.71%，較其他主流機器學習模型結果更優(yōu)。

（3）本文結合主客觀指標建立的壓力負荷等級分類模型，以及提出的基于多維信息進行綜合壓力負荷評估方法，可以為交通風險的評估提供理論支持。

本研究仍存在一些不足，例如試驗場景較為單一、自變量指標較少等，未來的研究中將擴大試驗場景、豐富試驗條件，從而完善對壓力負荷等級的監(jiān)測。