考慮車輛交互信息的換道風(fēng)格辨識(shí)

馬寬，鄧超,2

(1.430065 湖北省 武漢市 武漢科技大學(xué) 汽車與交通工程學(xué)院；2.430065 湖北省 武漢市 武漢科技大學(xué) 智能汽車工程研究院)

0 引言

隨著智能交通系統(tǒng)的不斷升級(jí)，在行車輛之間的信息交互越來(lái)越頻繁。研究表明，駕駛風(fēng)格和事故率關(guān)聯(lián)緊密[1]。Murphey 等[2]認(rèn)為駕駛風(fēng)格受很多因素影響，其中重要的影響因素為交通環(huán)境、心理狀態(tài)。強(qiáng)制換道是高速公路和城市快速路上常見的危險(xiǎn)駕駛行為，導(dǎo)致2019 年我國(guó)高速公路事故率為2.78%[3]。因此，研究在強(qiáng)制換道中對(duì)駕駛風(fēng)格的分類和識(shí)別具有重要意義，可以為換道的沖突性評(píng)價(jià)提供理論依據(jù)。

國(guó)內(nèi)外學(xué)者對(duì)駕駛風(fēng)格辨識(shí)進(jìn)行了相關(guān)研究，黑凱先[4]研究了駕駛風(fēng)格體現(xiàn)駕駛行為的差異性，為駕駛輔助系統(tǒng)的開發(fā)提供理論支持；黃晶等[5]通過(guò)駕駛模擬器采集了不同駕駛風(fēng)格駕駛員的換道數(shù)據(jù)，對(duì)其進(jìn)行換道軌跡規(guī)劃；馮杰[6]通過(guò)駕駛模擬實(shí)驗(yàn)對(duì)駕駛測(cè)試人員進(jìn)行量化分類，且對(duì)駕駛員變道意圖進(jìn)行了識(shí)別；李依[7]將車速、加速度、沖擊度、橫向速度、跟車間距等指標(biāo)作為駕駛風(fēng)格識(shí)別的特征，將駕駛風(fēng)格分為3 類；柳祖鵬等[8]比較了k-means 算法和模糊聚類算法對(duì)駕駛風(fēng)格分類的效果，認(rèn)為模糊聚類更能體現(xiàn)類間的不同特征；張一恒[9]以車輛橫縱向加速度的標(biāo)準(zhǔn)差等一系列車輛自身的行駛參數(shù)作為分類依據(jù)，對(duì)駕駛風(fēng)格進(jìn)行了聚類；Aljaafreh 等[10]將車輛平均車速、加速度的歐式范數(shù)作為特征指標(biāo)，采用模糊聚類將駕駛風(fēng)格進(jìn)行分類；Macadam 等[11]認(rèn)為跟車時(shí)距可以作為衡量駕駛風(fēng)格的指標(biāo)；Langari 等[12]用加速度標(biāo)準(zhǔn)差、平均加速度等指標(biāo)進(jìn)行駕駛風(fēng)格分類；Iván 等[13]選用車輛行駛過(guò)程中的平均加速度、減速度等特征參數(shù)進(jìn)行駕駛風(fēng)格分類。

上述研究鮮有從真實(shí)實(shí)驗(yàn)數(shù)據(jù)出發(fā)研究車輛交互信息對(duì)換道風(fēng)格的影響，因此無(wú)法解釋新形勢(shì)下的換道風(fēng)格特征，且未考慮換道車輛周圍車輛對(duì)換道風(fēng)格產(chǎn)生的影響。本研究考慮了多達(dá)13 個(gè)與周圍車輛的交互信息參數(shù)，使得對(duì)強(qiáng)制換道過(guò)程中的車輛進(jìn)行駕駛風(fēng)格分類和辨識(shí)更加全面。

1 數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)集介紹

數(shù)據(jù)[14]采集自美國(guó)加州舊金山灣區(qū)東向的I80大道，數(shù)據(jù)類型為攝像頭記錄轉(zhuǎn)換的車輛軌跡，采集區(qū)域長(zhǎng)度為503 m。如圖1 所示，I80 大道單向共有6 個(gè)車道，車道1、車道5 分別為最左和最右車道，車道6 為該區(qū)域高速公路出入口匝道之間的輔助車道。本文主要研究車道6 上的車輛換道情況。

圖1 I-80 數(shù)據(jù)采集區(qū)域示意圖Fig.1 Schematic diagram of I-80 data collection area

數(shù)據(jù)集中車輛種類屬性分為1、2、3 三種，屬性值為1 代表摩托車，屬性值為2 代表小汽車，屬性值為3 代表貨車，由于屬性值為1 和3 的樣本數(shù)目較少，所以在MATLAB 中將涉及摩托車和貨車的數(shù)據(jù)篩選后進(jìn)行刪除處理，只保留屬性值為2 的小汽車數(shù)據(jù)作為本文研究的對(duì)象。當(dāng)換道事件發(fā)生時(shí)，也不考慮主體車輛原車道上前后方車輛以及目標(biāo)車道上前后方車輛屬性值為1 或者3 的數(shù)據(jù)。

研究的數(shù)據(jù)集中有6 個(gè)車道上的車輛行駛數(shù)據(jù)，為了研究車輛是否從集散車道換道至快速車道，編寫程序?qū)? 號(hào)車道數(shù)換至5 號(hào)車道的小型車輛的數(shù)據(jù)篩選出來(lái)，提取出車輛的換道特征變量，共整理出有18 個(gè)反映車輛換道過(guò)程駕駛風(fēng)格的因素。研究采用的數(shù)據(jù)長(zhǎng)度單位為 ft，速度單位為 ft/s，加速度單位為 ft/s2。需進(jìn)行單位換算，長(zhǎng)度單位換算成 m，速度單位換算成 m/s，加速度單位換算成 m/s2，之后再進(jìn)行特征變量的換算。

1.2 駕駛風(fēng)格參數(shù)選擇

基于車輛在換道過(guò)程中自身的運(yùn)動(dòng)參數(shù)指標(biāo)以及與周圍在行車輛的交互信息，選取換道時(shí)間、換道過(guò)程的平均車速、車速標(biāo)準(zhǔn)差、最大縱向速度和換道距離、換道車輛與前后車的速度差、間距、加速度差、目標(biāo)車輛與目標(biāo)車道前后車的速度差、間距、加速度差以及目標(biāo)車道的換道間距等共18個(gè)指標(biāo)作為換道風(fēng)格聚類的參數(shù)，如表1 所示。

表1 車輛自身特征參數(shù)及交互信息指標(biāo)Tab.1 Vehicle's own characteristic parameters and interactive information indicators

1.3 基于主成分分析的特征降維

共提取出換道過(guò)程中106 輛車的數(shù)據(jù)，選取的18 個(gè)指標(biāo)反映車輛強(qiáng)制換道過(guò)程中駕駛風(fēng)格的特征，為消除數(shù)據(jù)量綱對(duì)聚類效果的影響，首先在SPSS 20.0 平臺(tái)中將數(shù)據(jù)歸一化處理，得到大小依然為106×18 的矩陣，此時(shí)矩陣中的數(shù)值皆分布在[0，1]范圍內(nèi)。歸一化處理后，為了將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)重要變量，采用主成分分析法將18 個(gè)評(píng)價(jià)指標(biāo)做特征降維處理，所依據(jù)的公式為

式中：N——主成分得分矩陣；P——106×18 的初始矩陣；V——主成分的系數(shù)矩陣[15]。

圖2 為18 個(gè)主成分貢獻(xiàn)率柱狀圖，圖3 為18個(gè)主成分累計(jì)貢獻(xiàn)率折線圖。圖3 中序號(hào)為1～10的主成分的累計(jì)貢獻(xiàn)率達(dá)到了86.828%，超過(guò)了85%[16]，通過(guò)變量間的線性關(guān)系可計(jì)算出10 個(gè)主成分的系數(shù)矩陣，依據(jù)式（1）將歸一化后的矩陣與主成分系數(shù)矩陣相乘，得到N（矩陣大小為106×10）作為駕駛風(fēng)格劃分的輸入指標(biāo)。

圖2 主成分貢獻(xiàn)率Fig.2 Principal component contribution rate

圖3 主成分累計(jì)貢獻(xiàn)率Fig.3 Principal component cumulative contribution rate

2 基于k-means 的駕駛風(fēng)格分類

k-means 算法采用歐式距離作為簇的劃分依據(jù)，而聚類中心的個(gè)數(shù)又會(huì)影響聚類算法的計(jì)算效果。將處理后的數(shù)據(jù)聚類為2 類、3 類。用最小化平方誤差S作為聚類結(jié)果的評(píng)判依據(jù)，S值越小則表示簇內(nèi)樣本相似度越高。

式中：y∈M；M——原始樣本集；di——簇Ci的一個(gè)均值向量。

由表2 可見，當(dāng)聚類中心個(gè)數(shù)為3 時(shí)，即將駕駛風(fēng)格分為激進(jìn)型、普通型、冷靜型時(shí)，誤差平方和S的值最小，故將駕駛風(fēng)格分為3 類。

表2 聚類中心劃分依據(jù)Tab.2 The basis of clustering center division

其中，原始數(shù)據(jù)共有106 輛車的換道數(shù)據(jù)，參照李經(jīng)緯等[17]研究的分類判別法將其分類后，如圖4 所示，激進(jìn)型占比21%，共有22 個(gè)樣本；普通型占比35%，共有37 個(gè)樣本；冷靜型占比44%，共有47 個(gè)樣本。

圖4 分類樣本所占比例圖Fig.4 The proportion of classified samples

3 基于SMO 的駕駛風(fēng)格辨識(shí)

SMO 算法[18]的基本思路和步驟：首先大間隔劃分超平面對(duì)應(yīng)的模型，如式（4）。

式中：ω，b——模型參數(shù)。

由于SMO 算法是對(duì)支持向量機(jī)（SVM）算法的改進(jìn)，原始SVM 算法的對(duì)偶問(wèn)題為

然后，求解該問(wèn)題需固定αi和αj以外的參數(shù)，此時(shí)，原二次規(guī)劃問(wèn)題分解為只有2 個(gè)變量的二次規(guī)劃子問(wèn)題；對(duì)子問(wèn)題進(jìn)行解析求解，直到所有變量滿足KKT 條件為止，詳細(xì)求解流程如圖5 所示。

圖5 SMO 算法求解流程圖Fig.5 SMO algorithm solution flow chart

為簡(jiǎn)便建模過(guò)程，可將實(shí)驗(yàn)數(shù)據(jù)調(diào)整為CSV格式，在Weka 平臺(tái)中選擇SMO 算法構(gòu)建模型，對(duì)其進(jìn)行十折交叉驗(yàn)證。結(jié)果表明，SMO 算法對(duì)于3 類駕駛風(fēng)格的識(shí)別精確度為87.74%，誤判率為12.26%。

4 基于LMT 的駕駛風(fēng)格辨識(shí)

邏輯模型樹（LMT）算法[19]是基于樹歸納和邏輯回歸的一種分類算法，采用Logit Boost 算法在樹節(jié)點(diǎn)上建立邏輯回歸函數(shù)，然后使用CART 算法進(jìn)行剪枝得到最終分類模型[20]。算法求解基本步驟如圖6 所示。

圖6 LTM 算法求解流程圖Fig.6 LTM algorithm solution flow chart

在Weka 仿真實(shí)驗(yàn)平臺(tái)中用LMT 算法構(gòu)建模型，對(duì)其進(jìn)行十折交叉驗(yàn)證。結(jié)果表明，LMT 算法對(duì)于3 類駕駛風(fēng)格的分類精確度為90.57%，誤判率為9.43%，識(shí)別效果較好。

5 結(jié)語(yǔ)

利用k-means 算法將強(qiáng)制換道過(guò)程中駕駛風(fēng)格分為激進(jìn)型、普通型、冷靜型3 類時(shí)效果最優(yōu)，并對(duì)比了SMO 和LMT 算法對(duì)風(fēng)格的辨識(shí)準(zhǔn)確性，辨識(shí)精度分別為87.74%、90.57%，說(shuō)明LMT 算法在行車輛交互信息的情況下能夠更高精度地識(shí)別出換道風(fēng)格。

本文只針對(duì)強(qiáng)制換道階段對(duì)不同駕駛員進(jìn)行風(fēng)格辨識(shí)，后續(xù)可針對(duì)自由換道階段駕駛員的駕駛風(fēng)格進(jìn)行研究，觀察執(zhí)行不同換道行為時(shí)駕駛員駕駛風(fēng)格所表現(xiàn)的特性變化，為不同換道風(fēng)格駕駛員在換道過(guò)程中的風(fēng)險(xiǎn)提供理論支撐。