考慮駕駛風格差異的高原公路危險路段識別研究

朱興林，姚亮，劉泓君，葉拉森·庫肯，艾力·斯木吐拉

(新疆農(nóng)業(yè)大學，交通與物流工程學院，烏魯木齊 830052)

0 引言

“交通運輸與旅游融合發(fā)展”理念的提出，積極推進了國內高原景區(qū)道路的建設，吸引眾多無高海拔地區(qū)駕駛經(jīng)驗的駕駛人出行。高原公路多依附山體修建，修建難度較大且線形多變，存在連續(xù)縱坡和彎坡組合等特征的路段，每百起交通事故死亡人數(shù)高達40～70人，因駕駛員操作不當引起的事故數(shù)約占總體的90%，超過76%的駕駛人認為高原環(huán)境更容易發(fā)生交通事故[1]，駕駛人受海拔和氣壓等因素的影響，易出現(xiàn)反應速度減慢和判斷失誤等問題，且復雜的線形組合也給駕駛人的感知、判斷與操控造成影響[2]。在應對外部環(huán)境及生理變化影響時，不同風格駕駛人的應對方式不同，存在危險的路段特征與分布特點也存在差異。因此，從人因角度出發(fā)，考慮駕駛人行為風格差異，依據(jù)駕駛狀態(tài)辨識危險路段，利于揭示生理變化和行為特點與道路線形特征間的潛在風險關聯(lián)，對高原公路的健康發(fā)展具有重要意義。

從交通安全角度分析，駕駛人不僅是信息處理者和決策者，也是調節(jié)者與控制者，其行為風格與駕駛狀態(tài)對行車安全具有顯著影響[3]。駕駛風格差異多源于人的性格與行為習慣不同，體現(xiàn)于車輛的運動特征，熊堅等[4]通過駕駛模擬實驗驗證了駕駛風險中的人因重要性，提出識別危險駕駛人群的方法。TAUBMAN 等[5]將駕駛人風格分為謹慎型、焦慮型、冒險性及憤怒型這4 類，發(fā)現(xiàn)冒險型駕駛員慣于違反規(guī)范，憤怒型駕駛員常出現(xiàn)攻擊性行為，謹慎型與焦慮型駕駛員能仔細觀察路況，但反應較慢，證明了駕駛風格的差異導致駕駛人出現(xiàn)的風險類型不同。關于駕駛風格的研究，方法主要為主觀與客觀測評[6]，主觀以問卷調查為主，結果易受個人主觀影響；客觀測評多采用聚類分析，研究多側重于城市道路駕駛人風格聚類，針對高原環(huán)境駕駛人的行為風格差異性分析還有待補充。在危險路段識別方面，研究多以事故黑點鑒別與致因分析為主[7],MOHAMMAD 等[8]結合全局與局部自相關性分析方法，識別了伊朗交通事故的熱點路段與空間模式?，F(xiàn)階段研究多針對城市道路交叉口和山區(qū)隧道等特定場景，成果適用范圍相對固定，鮮有綜合考慮高原環(huán)境下駕駛風格和生理狀態(tài)與危險路段特征間交互性關系的研究。

綜上所述，本文考慮駕駛人風格差異及生理指標的變化，從駕駛狀態(tài)角度識別多類型駕駛人存在潛在風險的路段。為降低試驗與客觀實際的偏差，本文以實車試驗的方式采集數(shù)據(jù)，使用DBSCAN聚類方法客觀劃分駕駛人行為風格，進一步以多方法組合的方式搭建基于卷積神經(jīng)網(wǎng)絡(CNN)、雙向長短時記憶神經(jīng)網(wǎng)絡(BiLSTM)與注意力機制(Attention)的危險駕駛狀態(tài)識別模型，通過GPS 點位對應實現(xiàn)各類型駕駛人的危險路段識別，并在辨識分析的基礎上，使用多元回歸方法融合駕駛人生理、行為與道路線形因素提出車速建議，為高原環(huán)境行車安全研究提供理論參考。

1 實驗方案設計

1.1 實驗路段

選取G217 線的獨庫公路(K670+500～K692+000)為實驗路段，海拔范圍于2405～3452 m，道路設計為雙向兩車道，設計車速為40 km·h-1，總體寬度約為8 m，車道外側有防護欄但無中央分隔帶。該路段依附高山修建，上行全程海拔持續(xù)增長，有94處彎坡段，多出現(xiàn)“S”型曲線，具有較為典型的高原環(huán)境公路特征，實驗路段概況如圖1所示?？紤]到獨庫公路為熱門旅游景區(qū)，實驗于旅游淡季中道路交通流量較小時段進行，免受其他道路使用者影響，單向實驗里程約為24 km，行駛時長約60 min，無疲勞駕駛隱患。

圖1 實驗路段概況Fig.1 Overview of test road section

1.2 測量指標選取

實驗針對駕駛人生理指標、實時車速及道路線形參數(shù)采集和整理數(shù)據(jù)。生理反應是駕駛人在高原行車途中“感知、操縱及狀態(tài)變化”的客觀反饋，常用的指標來源于腦電信號(EEG)、肌電信號(EMG)及心電信號(ECG)等。從感知角度考慮，EEG 中β波信號變化可良好地表征駕駛人的警覺性提升[9]；駕駛人感知到潛在危險之后，常對車輛進行操縱避險，EMG 的信號變化能夠反應駕駛人對制動踏板的操控；由ECG 提取出的心率變異性指標(HRV)可直觀反應駕駛人行車時心搏間期的微小差異，其中，血容量脈沖(BVP)[10]與心跳R-R間期標準差(SDNN)[11]均能良好體現(xiàn)駕駛人狀態(tài)的變化。因此，本文針對駕駛人行車時的β波、EMG、BVP與SDNN采集數(shù)據(jù)。

對于駕駛行為的表征可由車速變化直接體現(xiàn)，實時車速不僅能體現(xiàn)車輛狀態(tài)的變化，經(jīng)計算后的車速變異性參數(shù)(平均車速、車速標準差及急加減速次數(shù))還可用于駕駛風格的表征。考慮到高原公路特點以及試驗路段特征，試驗基于GPS信號采集行車軌跡，并綜合海拔(H)與線形參數(shù)中的曲線路段轉角值(p)、直縱坡坡度(i)及彎坡組合值(w)進行數(shù)據(jù)整理，因w為坡度與曲線半徑的比值，所以，本文i僅代表直線縱坡坡度，測量指標及道路線形參數(shù)如表1所示。

表1 測量指標及線形參數(shù)Table 1 Measurement indicators and road parameters

在測量指標數(shù)據(jù)分析時，為探究駕駛人行為風格差異和生理變化與危險路段特征間的潛在聯(lián)系，本文首先采用DBSCAN 算法，由操控維度差異性分析駕駛風格；在此基礎上，從駕駛人行車狀態(tài)角度出發(fā)，搭建基于CNN-BiLSTM-Attention 的危險駕駛狀態(tài)識別模型，通過生理變化及行為特征，識別各類型駕駛人存在潛在風險的危險路段，并綜合多維度因素對其進行致因分析；最后，以車速建議為優(yōu)化目標，結合道路線形和生理指標進行多元回歸分析，設計車速建議方案，研究路線如圖2所示。

圖2 研究路線Fig.2 Route of research

1.3 實驗人員及設備

實驗招募30 名駕駛人，年齡分布于24～61 歲，平均駕齡為8.7年，被測駕駛人均持有C1類型駕駛證，無生理缺陷，實驗過程無情緒壓抑和過度疲勞等狀況。數(shù)據(jù)采集以傳感器傳導技術為主，分別使用BioGraph 生理反饋儀和Enobio NE 腦電檢測儀測量和記錄駕駛人的生理指標數(shù)據(jù)，采樣頻率均為200 Hz。上述2款設備通過無侵入式連接測量各生理指標信號，于電腦終端D-Lab 平臺匯總數(shù)據(jù)，并與GPS信號對接，實現(xiàn)長時序生理和行車數(shù)據(jù)的同步采集。將GPS 行車軌跡與實際道路進行圖像貼合比對，再次檢測貼合度誤差超過10%的樣本數(shù)據(jù)，確保實驗數(shù)據(jù)的準確性。試驗時間設定為10:00-19:30，單次上行實驗起點海拔高度為2405 m，終點高程為3452 m，上行結束后經(jīng)5 min 停歇，由該被測駕駛人驅車原路返回至起點，完成下行實驗。部分實驗數(shù)據(jù)如表2所示。

表2 部分實驗數(shù)據(jù)Table 2 Partial trial data

2 駕駛風格差異性分析

2.1 表征指標選定

駕駛風格體現(xiàn)于駕駛人的車輛操控特征差異，試驗路段為雙向兩車道，且試驗時段交通流密度較小，無超車和會車等工況，因此，相較于微觀駕駛行為指標(踏板深度和方向盤轉角等)，車輛行駛狀態(tài)指標(平均車速、車速標準差及急加減速次數(shù)等)能更加直觀地體現(xiàn)駕駛人對車輛的操控風格。從車輛操控角度分析，平均車速、車速標準差及急加減速次數(shù)可分別體現(xiàn)駕駛人的駕駛習慣、穩(wěn)定性與謹慎程度，不同風格駕駛人的車速控制特點具有差異，例如，相對偏激的駕駛人通常保持較高的車速，面對突發(fā)狀況時，常以急加速和急減速的方式進行避險，導致該類型駕駛人整體車速分布相對擴散，車速標準差亦較大，因此，本文選取上述指標表征駕駛人行為風格。

2.2 DBSCAN算法應用與結果分析

相較于K 均值聚類、模糊聚類等方法，DBSCAN(Density Based Spatial Clustering of Applications with Noise)算法無需人為指定簇的數(shù)量，能對任意形狀和密度的數(shù)據(jù)進行聚類，且聚類結果無主觀因素影響，能夠客觀反應數(shù)據(jù)真實的聚類特征[7]，本文旨在依據(jù)指標數(shù)據(jù)特征對駕駛人行為風格進行聚類分析，因此，DBSCAN 算法具有良好的適用性。

本文記30 位實驗駕駛人的平均車速、車速標準差及加減速次數(shù)值為數(shù)據(jù)集D，DBSCAN算法通過設置D中樣本點鄰域內的最低樣本數(shù)量(MinPts)與聚類區(qū)域半徑(ε)，將數(shù)據(jù)樣本點劃分為簇心Pj、邊界點與噪聲點。在聚類分析之前，先對各指標數(shù)據(jù)進行標準化處理，并設定ε與MinPts帶入運算，計算各樣本點間距，因本文指標維度為3，所以，選取相對直觀的歐式距離進行計算，即

式中：L為第j個樣本與第j+1 個樣本點的歐式距離；xj、yj、zj為第j個樣本的平均車速、車速標準差與急加減速次數(shù)值。

基于Python 平臺對駕駛人進行風格聚類，當MinPts 為3，且標準化后ε值為0.24 時聚類效果最佳，樣本可分為3 簇，最少樣本數(shù)為5，無噪聲點的影響。為保證數(shù)據(jù)分析的直觀性，對聚類結果進行數(shù)據(jù)還原，如圖3和表3所示。因DBSCAN為無監(jiān)督學習算法，數(shù)據(jù)分析無類別參照，因此，選取輪廓系數(shù)S對聚類效果進行檢驗，針對單一樣本設定c為其與同鄰域其余樣本的平均距離，d為其與最近不同簇中樣本點的平均距離，即

表3 聚類結果分析Table 3 Results of clustering

圖3 DBSCAN聚類效果Fig.3 Effect of DBSCAN clustering

輪廓系數(shù)S是所有樣本的輪廓系數(shù)均值，其取值范圍為[-1,1]，值越接近1，聚類結果越好。對本次模型運算進行輪廓系數(shù)檢驗，S為0.72，由此可知，模型準確度較高，適宜進行深入分析。

由模型聚類效果可知，30名實驗駕駛員依據(jù)平均車速、車速標準差與急加減速次數(shù)可分為3 類，類型“0”聚類區(qū)域內包含14個樣本點，其平均車速與車速標準差均低于其他類型駕駛人，表明該類型駕駛人將車速控制于較低水平，全程車速變化幅度較小，相對較多的急加速和急減速次數(shù)，體現(xiàn)了駕駛人對危險有著較高的謹慎程度，因此，將類型“0”定義為謹慎型；類型“1”區(qū)域有11 名駕駛人，平均車速分布于43.28～55.01 km·h-1，車速標準差亦相對較大，但急加減速次數(shù)相對最少，由此可知，駕駛人對車輛有著良好的把控能力，與類型“3”相比，該類駕駛人所有指標參數(shù)值均處于較低水平，因此，判定類型“1”為穩(wěn)健型；類型“2”僅包含5 名駕駛人，該類型駕駛人的平均車速、車速標準差與急加減速次數(shù)值均高于謹慎型和穩(wěn)健型駕駛人，車速值域較高，且變化范圍較大，對危險的感知和判斷能力相對較弱，因此，將類型“2”定義為激進型。

結合樣本數(shù)據(jù)進行分析，謹慎型駕駛人上行和下行的平均車速與車速標準差相對接近，且60%的駕駛人下行時急加減速次數(shù)大于上行，行車途中始終保持謹慎的態(tài)度；穩(wěn)健型駕駛人在上行和下行實驗中均具有車速多變的特點，但下行時有67%的駕駛人對車速進行控制，平均車速與急加減速次數(shù)明顯下降；激進型駕駛人上行時的平均車速普遍高于下行時，80%的駕駛人在下行時降低了車速，且對車速變化范圍開始控制，但其激進的行為特點使其急加減速次數(shù)在下行時仍處與增長狀態(tài)。由此可知，各類駕駛人行車特征存在差異，且駕駛人在上行與下行途中對車輛的操控特點也有不同，針對不同類型駕駛人在高原公路的行車風險，仍需結合道路線形、環(huán)境及駕駛人生理心理因素進行深入分析。

3 基于駕駛狀態(tài)的高原公路危險路段辨識

3.1 危險駕駛狀態(tài)識別模型

針對生理指標和實時車速等序列型數(shù)據(jù)的特征提取與狀態(tài)識別，深度學習領域中的一維卷積神經(jīng)網(wǎng)絡(CNN)與長短時記憶神經(jīng)網(wǎng)絡(LSTM)算法對特征提取與學習有著較強的能力，將CNN 與LSTM單元結合，可利用CNN卷積核提取序列局部特征，同時，發(fā)揮LSTM的時序記憶能力，加強指標數(shù)據(jù)時空特征的提取和學習能力。處理較長的生理指標序列時，BiLSTM為LSTM的雙向結構，彌補了單一LSTM單元指標特征遺漏的缺陷，與注意力機制結合可通過調節(jié)指標權重的方式重新調整算法對特征學習的傾向性。

本文實驗數(shù)據(jù)具有多維和長時序的特征，因此，綜合上述算法優(yōu)勢，以多方法組合的形式，采用CNN 一維卷積核同步提取駕駛人生理和行為特征，代入BiLSTM算法對其進行時空特征學習與危險狀態(tài)判別，并在學習過程中由注意力機制對各生理指標進行權重調整，搭建基于CNN-BiLSTMAttention危險駕駛狀態(tài)識別模型，避免單一算法時空特征遺漏等問題，保證特征提取、學習及判別的完整性和模型準確率，模型結構如圖4所示。

圖4 模型結構Fig.4 Structure of model

圖4 模型結構中，輸入層將GSDNN、GBVP、GEMG及β波作為模型輸入指標x1～x4，Y為車速變量，并對所有指標進行標準化處理，消除指標量綱對模型分析帶來的影響，并將多指標數(shù)據(jù)代入運算，過程如下。

Step 1 將輸入層指標數(shù)據(jù)代入CNN 卷積層，由一維卷積核(1D-Conv)提取序列特征，卷積為

式中：Z( out)為卷積特征輸出；n為特征區(qū)域總數(shù)；為第I個指標的第J部分特征提取區(qū)域元素；為權重參數(shù)；為該卷積層的偏置參數(shù)；K為卷積計算的激活函數(shù)，本文采用相對常用的ReLU函數(shù)進行運算。特征提取區(qū)域受卷積核尺寸影響，因儀器數(shù)據(jù)采樣頻率為200 Hz，所以，模型將卷積核尺寸設為1×20 。

Step 2 在BiLSTM 層，將CNN 卷積層提取到的指標變化特征輸入LSTM單元，并由正向和反向結構對時間序列數(shù)據(jù)進行雙向特征學習，依據(jù)生理指標與車速的同時域變化特征對各點位駕駛狀態(tài)進行異常識別，本文采用tanh函數(shù)將生理指標與實時車速進行映射融合，BiLSTM輸出可寫為

Step 3 在Attention 與Dense 層，將BiLSTM 層的輸出作為Attention層的輸入，通過點積運算得出各指標權重值，并與BiLSTM結果結合，在Dense層采用線性激活函數(shù)對生理與車速指標進行函數(shù)映射，令映射值為k，將k＞0 的點位確定為危險狀態(tài)點。在此基礎上，分別在CNN 卷積層與BiLSTM層后分別添加Dropout 層，隨機丟棄部分神經(jīng)元節(jié)點，用于提升神經(jīng)網(wǎng)絡的整體效能。

3.2 模型結果分析

根據(jù)模型結構，本文基于Python 平臺的Tensorflow 與Keras 框架搭建與運行模型。模型運算前，利用SPSS 軟件針對各維度生理指標數(shù)據(jù)進行K-S 檢驗，確定數(shù)據(jù)的分布特征；其次，采用Pearson相關性分析對生理指標與觀測變量的顯著性關系進行檢驗；最后，以Pearson相關系數(shù)為變量間關聯(lián)性的度量，結果如表4所示。

表4 Pearson相關性分析結果Table 4 Results of pearson correlation

由表4 可知，實驗選取的生理指標與V均有顯著相關，因此，將V作為目標變量，所有生理指標均作為輸入指標進行運算。對模型訓練進行訓練集與驗證集劃分，設置訓練集占比為80%，驗證集為20%。對各樣本結果進行準確率檢驗，上行和下行準確率均大于0.8，準確率均值分別為0.89 與0.90，表明，當前模型效果良好，適用于危險狀態(tài)的識別，將識別得出的危險狀態(tài)點位與GPS數(shù)據(jù)進行對應，得出各類型駕駛人在上行和下行途中的危險路段，結果如圖5所示。

圖5 危險路段辨識結果Fig.5 Identification results of dangerous road sections

由圖5可知，各類駕駛人在上行和下行途中危險路段特征與分布情況既有相似也存在著差異。上行途中，謹慎型與穩(wěn)健型駕駛人出現(xiàn)危險狀態(tài)的路段均有10 段，總長度分別占總里程的33.39%與32.07%；激進型駕駛人的危險路段數(shù)量相對最多，有11段，約占總里程的36.72%。下行時，謹慎型駕駛人危險路段相對最多，有12 段，約占總里程的38.29%；穩(wěn)健型與激進型駕駛人路段數(shù)量相對于上行均有減少，但路段總體長度均大于上行，分別占總里程的35.38%與37.61%。識別結果多為組合型路段，無法直接依據(jù)線形特征對路段進行分類，因此，本文按照直線路段(直縱坡)與曲線路段(彎坡)對危險路段進行初步劃分，并按照海拔區(qū)間對各類型路段進行危險點位占比分析，發(fā)現(xiàn)各類型駕駛人無論行車方向，均于2400～2800 m區(qū)間中具有彎坡特征的路段出現(xiàn)危險駕駛狀態(tài)，點位占比均超過40%，由此可知，道路線形對行車安全的影響能力相對大于海拔變化，需結合線性參數(shù)進行深入分析。

3.3 危險路段致因分析

從駕駛人感知、操縱及狀態(tài)變化角度分析模型識別結果，以1 名激進型駕駛人上行試驗為例，分析其在A32路段的指標變化特征，3 類駕駛人在該路段均出現(xiàn)危險狀態(tài)(A32相似于A12、A22、a12、a22、a32)，指標特征如圖6所示。

圖6 危險路段指標變化特征Fig.6 Characteristics of indicator changes in hazardous road sections

圖6 中，在駛入A32路段時，首先，駕駛人β波出現(xiàn)異常，表明其感知到風險；隨即GBVP與GSDNN指標出現(xiàn)變化，GBVP周期的擴大體現(xiàn)了駕駛人進入緊張狀態(tài)，GSDNN數(shù)值的下降表明，駕駛人心跳R-R間期開始縮短，駕駛人開始緊張；最后，在彎坡處駕駛人的GEMG信號出現(xiàn)短時異常，即駕駛人對車輛進行快速操控，由V的特征變化可以看出，該駕駛人在該路段有多次大幅度加速和減速行為。針對各類型駕駛人生理和車速與道路線形參數(shù)進行Pearson相關性分析，因GBVP呈周期性變化，而GSDNN以數(shù)值變化情況直觀反應生理狀態(tài)，且與GBVP具有相同的表征作用，所以，僅采用GSDNN進行相關性分析，結果如圖7所示。

圖7 駕駛人危險狀態(tài)特征分析Fig.7 Analysis of hazard state characteristics

圖7 為多指標Pearson 分析結果，其中，**、*分別表示顯著性在0.01、0.05級別?；诜治鼋Y果發(fā)現(xiàn)，海拔的變化對3類駕駛人狀態(tài)改變均起到了負向作用，加速了駕駛人緊張狀態(tài)的發(fā)生，上行路段影響效果相對明顯，僅穩(wěn)健型駕駛人在下行時無明顯影響?；隈{駛行為角度對各類型駕駛人危險路段進行致因分析：

(1)謹慎型駕駛人對轉角值相對敏感，上行和下行Pearson 系數(shù)分別為0.294 與0.267，在進入彎坡路段后，GSDNN出現(xiàn)明顯下降，隨即GEMG信號出現(xiàn)明顯變動，隨著w的增加，V開始減小，該特征發(fā)生于A12、A13、A14、C11、C13、C14、a11、a12、a13、b13、b14、b15、c11路段中；當感知到 ||i或w增加時，駕駛人開始緊張并持續(xù)減速，發(fā)生于路段A11、B12、a14、b11、b12、c12、c13中；駛離彎坡路段后，駕駛人感知到 |i|在短時間內持續(xù)增長時，GSDNN指標快速下降，緊張狀態(tài)持續(xù)至其適應 |i|的增長，該特征發(fā)生于B11與C12路段中。

(2)穩(wěn)健型駕駛人感知彎坡路段后，GEMG信號出現(xiàn)明顯波動，V快速減小，相對來說，該類型駕駛人上述指標在危險狀態(tài)中變化幅度最小，上述特征發(fā)生于A22、A23、A25、B22、C21、C22、C23、a21、a22、a23、a25、c21、c22路段中；感知直縱坡變陡時，駕駛人逐漸提升車速，GSDNN也逐漸變小，緊張狀態(tài)隨i變小趨向于結束，相比于謹慎型駕駛人的行為特征，穩(wěn)健型駕駛人在下行坡度增大時多進行加速操作，欲快速駛離路段，但無GEMG信號的大幅變動，GSDNN降幅較低，該特征發(fā)生于A21、A24、B21、a21、a22、a23、a25、c21、c22路段中。

(3)激進型駕駛人進入彎坡路段前，GEMG信號出現(xiàn)明顯變化，V有大幅度下降，GSDNN同時開始快速下降，駕駛人即刻轉入緊張狀態(tài)，駛離路段后GSDNN下降趨向于平緩，但V有明顯提升，該特征出現(xiàn)于A35、B31、A33、C31、C32、C33、C34、C35、a31、a33、a34、c31、c33、c34、c35路段中；駕駛人感知到i或w出現(xiàn)明顯增加，GEMG與V有均顯著變化，GSDNN持續(xù)下降，該特征發(fā)生于A31、A32、A34路段中，在A31與A34路段中，V為增加狀態(tài)，在A32中V則為減小狀態(tài)，下行時該特征出現(xiàn)于a32、b31、c32路段中。

根據(jù)現(xiàn)有成果對高原公路駕駛人的緊張程度劃分，當GSDNN于[0,25)ms 與[25,31)ms 時，駕駛人分別為高度和輕度緊張，于[31,35]ms時為舒適狀態(tài)[12]。按照該標準對各類型駕駛人的危險路段線形區(qū)間進行GSDNN值域進行界定，如表5所示。

表5 駕駛狀態(tài)界定Table 5 Definition of driving status

由表5可知，各類駕駛人行駛至不同線形參數(shù)組合時，狀態(tài)表現(xiàn)具有共同也存在差異，從整體來看，3 類駕駛人在下行試驗中更易出現(xiàn)高度緊張狀態(tài)，制定優(yōu)化方案時可結合道路線形因素進行綜合考慮。

4 優(yōu)化方案設計

車速控制為駕駛人應對危險的主要手段，且駕駛風格和生理與車速變化之間的影響具有交互性，因此，本文以車速控制為優(yōu)化方案的立足點，綜合考慮各類型駕駛人生理、車速、海拔及道路線形因素設計優(yōu)化方案。根據(jù)識別出的線形組合路段，按照直線路段(直縱坡)與曲線路段(彎坡)劃分，并分別對各類型駕駛人進行指標和參數(shù)數(shù)據(jù)總結及多元回歸分析，將生理指標GSDNN為因變量，車速和道路線形參數(shù)為自變量，結果如表6所示。

由表6 可知，R2為回歸準確率，當前所有模型R2均大于0.5，表明各模型均可用于計算。針對各類型駕駛人的危險路段，采用表6中對應回歸式進行計算。首先，保證駕駛人行車時處于舒適狀態(tài)，將GSDNN值域定為[31,35]ms；其次，分別輸入各路段線形參數(shù)值，對車速進行不等式求解，得出直線和曲線路段安全車速區(qū)間；最后，則以直線和曲線路段區(qū)間交集的方式計算各組合路段的車速安全域。因道路服務所有類型使用者，且駕駛人無法對自身的行為風格有客觀和正確的認知，在優(yōu)化時應讓方案適用于所有類型的駕駛人。取同向相鄰路段的多區(qū)間車速交集(各類駕駛人車速安全域)，作為整體車速建議區(qū)間，以輔助警示標置的形式放置于路側，如圖8所示。

表6 多元回歸分析結果Table 6 Results of multiple regression analysis

圖8 警示標志放置及車速建議區(qū)間Fig.8 Warning sign placement and speed advice range

在圖8中，V1至V5為上行路段警示標志擺放位置及車速區(qū)間建議，V6至V9則提供了下行路段車速建議，所有警示標志間均有較遠間隔且數(shù)量適中，過多的車速建議區(qū)間會導致駕駛人車速的多變及駕駛負荷的增長。放置點多為危險路段起始點前視線良好處，給駕駛人感知、決策與操縱增加時間。按照各警示標志中的建議車速行駛，駕駛人對安全車速區(qū)間有清醒的認知，并對車速有良好的控制，GSDNN則保持于[31,35]ms 之間，全程保持舒適狀態(tài)。

5 結論

(1)通過駕駛風格聚類分析發(fā)現(xiàn)，駕駛人可分為謹慎型、穩(wěn)健型與激進型，3類駕駛人的行為特征存在顯著差異，謹慎型駕駛人在上行和下行途中均保持較強的警惕性，穩(wěn)健型駕駛人觀察、判斷以及對車速的把控能力較強，而激進型駕駛人車速多變，對風險的感知和判斷力較弱，行車較為莽撞。

(2)在高原環(huán)境中，道路線形對行車安全的影響相對強于海拔變化，各類駕駛人的危險路段多為具有彎坡特征的組合型路段，上行途中，3類駕駛人對彎坡組合值與轉角值的增長最為敏感，穩(wěn)健與激進型駕駛人最易出現(xiàn)高度緊張狀態(tài)，而謹慎型駕駛人受線形影響相對較??；下行時，直縱坡坡度對行車安全的影響能力有顯著提升，謹慎與激進型駕駛人在坡度大于6%時均易出現(xiàn)危險駕駛狀態(tài)，而激進型駕駛人在彎坡組合值大于50 和轉角值大于80°時也易高度緊張，綜合來看，激進型駕駛人在上行和下行中存在著相對最高的駕駛風險，研究結果可為高原公路管理措施制定和道路線形設計提供參考。

(3)通過深度學習方法的組合運用發(fā)現(xiàn)，CNN、BiLSTM 與Attention 的結合對于從生理和車輛控制角度識別危險駕駛狀態(tài)的效果較好，上行和下行模型準確率均值分別為0.89 與0.9，適用于長時序生理及行為指標的特征提取與狀態(tài)識別，針對識別結果，高原公路交通運營管理階段以運行車速區(qū)間化建議作為管控方式，利于從人因角度降低事故率。