基于車聯網的駕駛行為影響因素探究

羅國榮　戚金鳳

摘 要：由于汽車駕駛員駕駛行為的多樣性與復雜性，極大影響了道路交通安全，近年來，對駕駛員駕駛行為的分析能有效改善駕駛員的不良行為，對減少道路交通事故起了一定的作用。本文通過查找和整理文獻，基于車聯網技術，就駕駛行為的相關概述、駕駛行為的影響因子、駕駛行為的數據采集和存儲、駕駛事件的識別指標、駕駛事件的識別方法、駕駛行為的分類等進行了分析。研究表明，駕駛員的駕駛行為可分為冒險型、穩定型、焦慮型、憤怒型，其中穩定型對道路交通安全的影響極小，其它三種類型都有不同程度的影響。

關鍵詞：車聯網 駕駛行為 綜述 數據采集

1 前言

道路交通安全事故伴隨著我國汽車保有量的增多也隨之增加，研究表明，95%以上交通事故的發生都是由駕駛人員的不良駕駛行為引起[1]。因此研究駕駛員的駕駛行為可有效減少交通事故的發生。糾正駕駛員的不良駕駛行為，除了強制性的法律法規和行政措施外，還可利用現代科學技術以幫助駕駛員糾正不良駕駛行為。目前，基于智能數據采集技術和車聯網，研究駕駛員的日常駕駛行為，通過大數據分析，挖掘日常駕駛數據之間的內在聯系，形成更有價值的信息，以幫助駕駛員糾正不良的駕駛行為，從而減少交通事故的發生。

2 駕駛行為的影響因子

影響駕駛員駕駛行為的因素錯綜復雜，總體包含人、車、環境三大因子?；谌说囊蛩刂饕ㄈ说纳頎顟B和人的操作行為。人的生理狀態又分為身體生理功能和心理活動。生理功能包括年齡、性別、性格，受教育水平[2]、近視眼、肢體殘疾、突發疾病、疲勞等身體生理功能的缺陷，影響駕駛員駕駛行為[3]。特別是疲勞駕駛，會導致駕駛員困倦、反應遲緩等一系列不良反應，影響駕駛員的注意力、感覺、思維與判斷等方面[4][5]；心理活動主要是駕駛員的喜、怒、憂、思、悲、恐、驚等一系列情緒波動，這些波動會導致駕駛員操作不當，甚至會出現換錯擋位、將油門錯當剎車踩等錯誤的操作[6]。駕駛員在行駛過程中會產生包含急剎車、急加速、急減速、超速行駛、空檔滑行、熄火滑行、急轉彎等不良操作行為，這些操作行為和駕駛員的駕駛熟練程度，也是引發交通事故的重要因素。

基于車的因素主要包含發動機轉速、冷卻液溫度、方向盤轉角、車輛故障、汽車GPS位置及速度信息、汽車駕駛模式（如自動巡航、自動駕駛）等反映汽車行駛工況的信息，良好的汽車工況可有效避免交通事故的發生。

除了人、車兩個因子外，汽車行駛的環境也是影響駕駛員駕駛行為的主要因素，城市道路環境、高速公路環境、鄉村山地道路環境、高原環境、包含晴天、陰天、多云、霧霾、小雨、大雨、小雪、大雪等天氣環境[7]，不良的駕駛環境會導致輪胎與路面之間的摩擦系數變小，車輛之間的安全距離變短，對行車安全造成極為不利的影響[6]。

3 駕駛行為的數據采集與存儲

駕駛行為的分析需要大量的數據，而數據的采集存儲是分析駕駛行為的基礎，數據的采集、傳輸和存儲主要是通過4G或5G移動通信技術與車聯網進行交互。數據采集、傳輸和存儲三者的關聯如圖1所示。

3.1 以人的方式獲取數據

針對上述的影響因子，駕駛行為的數據獲取也可分人、車、環境三方面進行。通過人的方式獲取駕駛行為可分為直接和間接兩種方式，直接獲取方式主要是通過調查問卷的方式，即是駕駛員通過回答調查問卷的方式提供自身的駕駛行為情況。該方式雖然在一定程度上可獲得駕駛員的駕駛行為，但由于駕駛員的主觀性和駕駛員的相關知識水平，調查問卷的有效性和準確性存在缺陷，所以學者更傾向采用間接的方式獲取駕駛行為數據。所謂間接的方式是指通過接觸或非接觸的方法采集駕駛員的生理狀態、心理活動和駕駛操作，接觸的方法是駕駛員通過佩戴電帽、穿戴手表或其它接觸方式的醫療設備采集駕駛員的腦電波信號、心電圖信號、腳部表肌肉電信號、眼動信號，并根據這些信號分析駕駛員的駕駛行為。這種接觸采集數據的方法雖然能有效地采集人體的生理和心理特征，但都是以模擬駕駛、軟件仿真的方式采集，而且駕駛員佩戴采集設備線路繁多，存在一定的局限性。非接觸的采集方式主要是通過攝像頭記錄駕駛員的眼部變化、面部表情、操縱方向盤的動作等。該采集方式能在模擬駕駛場景、實車駕駛場景進行，并不影響駕駛員的注意力和心理活動，數據準確性較高。

3.2 以車的方式獲取數據

駕駛行為的信息獲取，還可以通過車的方式，檢測汽車的行駛參數和行駛狀態，通過大數據分析和人工智能學習，從而間接反映駕駛員的駕駛行為。汽車運行參數和狀態的獲取主要是通過汽車車載OBD采集終端、GPS、智能手機等途徑。車載OBD采集終端可獲取汽車的發動機轉速、車速、方向盤轉角、冷卻液溫度、節氣門位置、加速踏板行程、剎車踏板行程、汽車負荷、蓄電池電壓等數據。GPS可獲取汽車的實時行駛位置、行駛軌跡、汽車車速等數據。除了車載OBD采集終端和GPS裝置獲取駕駛行為信息外，學者也嘗試通過智能手機獲取，即是利用智能手機內置的攝像頭、GPS接收模塊、加速計、陀螺儀、光傳感器等采集汽車的相關行駛數據。

3.3 以行駛環境的方式獲數據

汽車行駛環境對駕駛員的駕駛行為也有重要的影響，行駛環境的獲取來自兩種途徑，一種主要是通過安裝在汽車上的雷達傳感器和攝像頭，獲取汽車行進中的前后方道路環境；另一種是通過車聯網獲取汽車附近的道路交通信號燈、智慧停車場信息等數據。上述車輛行駛環境的采集，主要以雷達傳感器為核心，融合攝像頭、GPS、IMU傳感器，獲取車輛周圍的駕駛環境，多傳感器的融合，不僅可以彌補攝像頭受光照、霧霾影響的缺點，也可以減少雷達精度低、可見范圍短的問題。另外，還有一類可通過接入車聯網，獲取道路交通、停車場等數據。

上述駕駛行為的數據采集，學者分人、車、環境三個研究對象進行，各有其優缺點，隨著通信技術、車聯網、大數據和人工智能的發展，駕駛行為數據所采集的數據呈幾何式增長，數據存儲也由單機服務器的存儲方式向網絡云存儲和邊緣存儲轉變。

4 駕駛事件的識別指標

駕駛事件是指駕駛員在駕駛車輛中的直線行駛、左轉彎、右轉變、加速、減速、轉向、超速、變車道、疲勞駕駛等操作行為。不良駕駛行為主要指是超速、急變速、急轉彎和疲勞駕駛等駕駛行為。超速行駛是指在駕駛過程中，車速超過法律、法規規定的速度。根據行駛道路的不同，我國規定，110-120km/h為高速道路限速速度；80km/h為國道、省道等限速速度；70-80km/h為城市郊區道路限速速度；40-60km/h為城市道路限速速度。因此，學者通常是結合實際行駛路段確定超速閾值，通過閾值確定是否存在超速駕駛行為。

急變速包括急加速、急減速、急制動，主要是通過比較汽車速度變化值和預設的速度閥值來識別變速行為。當加速度絕對值大于或等于最大加速度閥值，或當減速度絕對值小于最大減速度閾值，且持續3s以上即急加（減）變速行為。

此外，若減速度值達到設定的剎車減速度閾值時，同時速度小于 10km/h 閾值時被視為急制動行為。急轉彎主要是通過檢測汽車轉向角來識別汽車轉彎行為，一般轉向角角度為30-40度，若轉向角大于30度并且持續時間大于 3s 即表示為一次急轉彎為。

疲勞駕駛也是引發交通事故的主要因素，根據我國道路交通法，駕駛員連續駕駛機動車超過4小時，期間未停車休息或者停車休息少于20分鐘，即定義為疲勞駕駛。

5 駕駛事件的識別方法

駕駛事件的識別方法是指在獲得數據的基礎上對駕駛事件進行判斷的方法。常用的方法包含K-means聚類算法、熵權法、層次分析法、主成分分析法等。

5.1 K-means聚類算法

K-means聚類算法是研究分類問題的一種數據挖掘方法。其算法的最終目的是將數據分成幾（K）個簇（類），思路是先隨機生成幾個質心（每個類的中心），通過迭代的方式計算其它樣本點到各個質心的歐式距離，并把各個樣本點劃分到距離質心最近的那個類別，再重新計算質心的位置，如此迭代往復，直到質心位置變化不大為止。K-means聚類算法具有算法簡單、速度快、效率高等特點，而且數據元素不受輸入順序影響，但由于K個簇（類）是人為預先決定的，不同的值其結果也不同，存在不確定性。

5.2 熵權法

熵權法是一種根據指標的變異性大小來客觀確定指標權重的方法。通過信息熵來確定指標權重，權重越大，表明攜帶的信息量越多，指標值的變異程度越大，信息熵計算值越??；反之，權重越小信息熵值越大。熵權法的具體計算思路是先將原始數據進行標準化處理得到各指標數據，接著求解各指標的信息熵和信息熵冗余度，最后計算各指標的權重。熵權法確定的指標權重可以充分利用原始數據，避免人為因素造成的誤差，比其他主觀賦權法具有更高的可信度和精確度。

5.3 層次分析法

層次分析法是一種定性、定量結合的解決多目標復雜問題的決策分析方法。其基本思想是將要解決的問題層次化，把問題分析成不同層次的構成要素，不同層次的要素內聚和組合形成了多層次的分析結構模型。其具體步驟：

（1）根據決策的對象、目標和影響因素，按照它們之間的相互關系劃分為目標層、準則層和方案層，從而構建層次結構模型；

（2） 構建判斷矩陣A。假設有兩個因素i和j，判斷矩陣標度如表1所示。

（3）采用算術平均法計算各層要因素對應的權重。

（4） 計算判斷矩陣A的最大特征值λmax與一致性指標，進行一致性檢驗。

（5）定義一致性比率 CR。為了度量 CI 的大小，引入了隨機一致性指標。

5.4 主成分分析法

主成分分析法是一種針對多指標的降維統計方法，這種方法主要是處理受多變量（指標）影響的統計問題。因為指標太多，而且這些指標之間存在一定的相關性，所以，在觀測數據所反映的信息中，在一定程度上存在信息重疊的現象。另一方面，當指標太多時，樣本在高維空間的分布就越復雜，這樣就增加了分析的復雜度。由此，人們希望對數據進行簡化，將多個指標轉換為少數幾個主成分，這些主成分能反映出原始數據的大部分信息，且彼此之間互不相關，也是原始變量的線性組合。這樣可去除一些不必要的噪聲和不重要的特征，從而可以提高數據的處理速度，也可以節省大量的成本和時間。

6 駕駛行為的分類

在上述駕駛事件識別的基礎上，習慣將駕駛員操作汽車的相對穩定的操作行為特征統稱為駕駛風格。朱凱家等[7]通過在不同天氣下的駕駛數據分析，將駕駛行為分為一般激進、平穩、偏激進型三種風格。張家薇等[8、9、10]將駕駛行為劃分為安全型、風險型、危險型?？梢钥闯?，駕駛風格分為風險型、穩定型、憤怒（激進）型。其中穩定型對道路交通安全的影響極小，其它二種類型都有不同程度的影響。

7 結語

本文通過查找和整理文獻，分析總結駕駛行為的相關概述、影響因子、數據采集和存儲，駕駛事件的識別指標、識別方法和駕駛行為分類，其中駕駛行為的數據采集主要以人、車、環境的方式獲取，駕駛事件的識別方法包含K-means聚類算法、熵權法、層次分析法、主成分分析法等。駕駛行為可分為冒險型、穩定型、焦慮型、憤怒型。其中穩定型對道路交通安全的影響極小，其它三種類型都有不同程度的影響。將這些分析結果反饋給駕駛員，能在一定程度上減少道路交通事故的發生。

基金項目：

2022年度廣東省普通高校特色創新類項目“車聯網環境下基于大數據的汽車車車況及駕駛行為預警系統的研究”（2022KTSCX192）。

參考文獻：

[1]鄭恒杰，熊昕，張上.基于車聯網數據挖掘的駕駛員行為分析[J].信息通信，2019，200（08）：57-60.

[2]董杰.基于軌跡的駕駛行為分析與應用研究[D].南京郵電大學.

[3]魏婉瑩，單煒，裴玉龍.不同天氣對低駕齡駕駛人行為影響[J].交通科技與經濟，2022，24（03）：5-13.

[4]楊明.基于機器視覺的駕駛行為分析及邊緣系統設計[D].南京郵電大學，2022：DOI：10.27251/d.cnki.gnjdc.2022.001681.

[5]陳輝.面向車聯網大數據的駕駛行為分析_陳輝[D].貴陽市：2020：https：//kns.cnki.net/kcms/detail/detail.aspx？dbname=CMFD2021&filename=1020300678.nh&dbcode=CMFD.

[6]魏婉瑩.雨雪條件對低駕齡駕駛人駕駛行為影響研究[D].東北林業大學，2022：DOI：10.27009/d.cnki.gdblu.2022.001427.

[7]朱凱家.基于ACO+k-means算法的不同天氣下駕駛行為分析[J].太原科技大學學報，2022，43（04）：50-55+61.

[8]張宇.車輛駕駛員數據采集與模式分析[D].吉林大學，[2018].

[9]楊柳.基于腦電數據分析的駕駛行為研究[D].北京交通大學，[2019].

[10]李平凡.駕駛行為表征指標及分析方法研究[D].吉林大學，2010.