驾驶风格对不同跟驰场景下跟驰行为影响分析.pdf

0574.2023.04.010DOI:10.193cnki.1005文章编号：10 0 505/4：（2 0 2 3)0 4-0 0 43-0 5Highways&Transportation in Inner Mongolia总第19 6 期43内蒙古公路与运输驾驶风格对不同跟驰场景下跟驰行为影响分析汪敏，吴宏涛”，涂辉招，魏海然，柳本民（1.同济大学道路与交通工程教育部重点实验室，上海201804;2.山西省智慧交通研究院有限公司，山西太原030032)摘要：为了分析驾驶风格对不同跟驰场景下跟驰行为的影响，利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标，通过K-means聚类识别方法，对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别，并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明：六类典型跟驰场景下，不同驾驶风格驾驶员的跟驰行为存在明显差异；激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距，跟驰过程中的碰撞风险更高；晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。关键词：交通工程；驾驶风格；K-means聚类；跟驰风险；驾驶行为特性；驾驶模拟器中图分类号：U471文献标识码：AAbstract:To analyze the impact of driving styles on the car-following behavior in different car-following scenarios,a high-fi-delity driving simulator was used to design six typical car-following scenarios by combining two weather conditions(clear and foggy)and three traffic flow states(free flow,congested flow,and blocked flow).The maximum acceleration,the maximum accelerator pedalforce,and the maximum accelerator pedal force velocity were considered as indicators of the car-following driving behavior and the K-means clustering identification method was used to classify the different driving styles in six typical car-following scenarios,the head-way and time-headway were used as risk indicators to evaluate the following risks of drivers with different driving styles under six typi-cal car-following scenarios.The results show that there are significant differences in the car-following behavior of drivers with differ-ent driving styles in six typical following scenarios.Drivers with aggressive driving styles tend to maintain smaller following distancesand headway,resulting in a higher risk of collisions during the following process.The differences in following behavior among driverswith different driving styles are more evident in sunny weather and free-flowing traffic scenarios.Key words:traffic engineering,driving style,K-means clustering,car-following risk,driving behavior characteristics,drivingsimulator0引言驾驶过程中，驾驶员的行为习惯通常表现出一定的稳定性倾向。ELANDERJ等 在1993年提出了驾驶风格的概念，并将驾驶风格定义为驾驶员选择或者习惯的驾驶方式，强调驾驶风格受到驾驶员的车速控制、驾驶意识、风险评估、驾驶技能等众多因素的影响。不同驾驶风格驾驶员的交通事故隐患存在差异 2 ,同一驾驶员在不同场景下的驾驶风格也存在区别。进行驾驶风格分析，有助于更全面解析驾驶员的驾驶行为特征，为驾驶安全风险评估、交通规章制度制定、跟车安全预警系统构建等提供支撑。驾驶员行为量表、驾驶员行为问卷、驾驶员违规态度量表、驾驶员愤怒指标量表、驾驶员风格调查问卷15.6 等是国内外学者普遍采用的基于问卷量表的驾驶风格主观度量方法。速度、加速度等驾驶行为相关变量是衡量驾驶风格的常用参数，包括侧向和纵向加速度 7 8 、加速度变化率 7-12 、刹车操作时速度及加速度变化情况13 等，其中加速度变化率是最为常用的衡量参数。基于获取的驾驶行为相关变量，研究者利用贝叶斯分类算法4、支持向量机(SVM)和K-Means聚类相结合方法5)、基于规则的方法 6 、K-Means聚类和D-S证据理论决策融合方法 17 、综合使用主成分分析及K-Means聚类方法118 等来区分基金项目：国家重点研发项目（2 0 19YFE0108300)；山西省交控集团重点研究计划项目（No.20-JKKJ-1)；中央高校基本科研业务费（2 0 2 2-5-YB-07）作者简介：汪敏（1997 一），男，安徽安庆人，博士研究生，研究方向：自动驾驶运行安全分析、驾驶行为分析等。Highways&Transportation in Inner Mongolia2023年第4期44内蒙古公路与运输谨慎型、一般型、激进型等驾驶风格。近年来也有不少学者开始探究不同场景下驾驶风格的差异性，例如跟驰、换道、转弯等不同场景7 ,或自由驾驶、跟驰和换道等不同情景8。跟驰驾驶为典型驾驶场景，在跟驰过程中，前后车的平均速度、跟车间距和碰撞时间会受到大雾、冰雪、暴雨等不良天气的影响119.2 0 。能见度降低时，驾驶员会降低速度 2 1、减小车头时距 2 、倾向采用更加激进的加速反应以及更加谨慎的减速反应 2 3。但是目前的研究很少针对不同天气状况和不同交通流状态，分析驾驶员的驾驶风格对其驾驶行为特征的影响。面对动态多变的驾驶环境，同一驾驶员表现出的驾驶行为差别大，不同驾驶风格的驾驶员更是具有不同的驾驶行为特征。本文利用高逼真度驾驶模拟器设计高速公路晴天和雾天跟驰场景，采集跟驰驾驶行为相关变量数据，利用K-means聚类方法进行驾驶风格分类，分析驾驶风格对不同天气状况和不同交通流状态（自由流、拥挤流、阻塞流）下跟驰行为的影响。1研究方法1.1试验设计道路环境设置：双向四车道高速公路，限速120 km/h。交通流环境设置：为了尽可能模拟真实的驾驶环境，除了本车和跟驰的前车外，另设置后车、旁车和对向行驶车辆。后车跟随本车行驶，车头时距取值2s。本车驾驶员可以从后视镜中看到后车。两辆旁车以2 s的车头时距跟车行驶。旁车中的前车同试验对象的前车轨迹相同，因此旁车的行驶轨迹与本车的行驶轨迹存在一定的同步性。对向车辆限速90 km/h,以一定概率选择跟车或者换道行驶，当对向车辆距离本车的直线距离超过50 0 m时，对向车辆将消失，随后随机出现在本车50 0 m范围内的对向车道上,增强本车驾驶环境的真实性。气象环境设置：高坤等 2 3 结合实际能见度范围，对驾驶模拟器高速公路晴天和雾天的能见度进行了标定修正，得到晴天能见度大于10 km，雾天能见度为8 0 m，本试验根据此气象环境进行设置。晴天、雾天场景视觉效果如图1所示。驾驶员：本试验征集到2 7 名合格驾驶员进行驾驶模拟试验，每位驾驶员至少有一年以上的驾驶经验，没有重大交通事故记录，驾驶员的基本统计信息见表1。表1试验驾驶员信息统计统计值年龄（岁）驾龄（年）平均值32.84.3最小值201最大值4710试验设备：使用同济大学八自由度高逼真度驾驶模拟器，其具有能够模拟危险场景，采集多种车辆数据等优势，可以获取前后车车速、车距、加速度等车辆运动学指标数据，以及油门踏板受力、制动踏板受力等驾驶员操纵指标数据，如图2 所示。图1晴天、雾天实验场景对比示意图图2驾驶模拟器示意图试验步骤如下：第一阶段：预实验。时恒等 2 4提出了利用驾驶模拟器进行跟驰驾驶预实验的试验方案，每位驾驶员会被告知应遵守的操作规范，并熟悉驾驶模拟器。随后驾驶员将在晴天试验场景下的一条高速公路上自由驾驶5min，在此过程中，驾驶员将经历启动加速、平稳行驶、减速停车等过程，以便驾驶员熟悉踩踏油门板和制动板的动作。预试验阶段，将观察驾驶员是否有不适反应。若驾驶员一切正常，休息5min后开始正式试验第二阶段：正式试验。驾驶员在不了解试验目的的情况下，被告知在双向四车道限速12 0 km/h的高速公路上跟随前车行驶模拟驾驶过程中保持平时的驾驶习惯。根据前车的速度变化，试验车会循环经历启动加速、平稳行驶、加减速波动变化三类行驶过程。启动加速：驾驶员从静止状态以自我感知安全舒适的加速度启动加速平稳行驶：前车以多种不变的车速保持50 s以上的总第19 6 期汪45敏等：驾驶风格对不同跟驰场量驰行为影响分析时间行驶，以获取跟驰驾驶员在不同场景下跟车间距、车头时距的分布情况，加减速波动变化：前车短时间内保持加减速波动行驶、突然加速或减速行驶，以获取复杂跟驰环境下车辆运动学指标数据以及车辆驾驶员操纵指标数据1.2场景切割有效跟驰数据提取。有双跟驰双店敢。试验全过程中前车以不同速度多次重复加速、减速、平稳行驶等过程，如图3为雾天某名驾驶员跟车车速随前车车速变化情况。实验者1雾天120110前车车速后车车速1009080.(u/wy)706050L40302010005001000150020002500 30003500400045005000时间（0.1s)图3基于时间序列的前后车车速变化情况何民等 2 5 在实际观测我国大量高速公路交通流数据的基础上，深人分析跟驰车辆运动特性与车头时距的关系得到结论：车头时距高于8 s的车辆处于完全自由行驶状态,5s8s之间处于自由行驶向跟驰过渡状态，小于5s处于跟驰状态；同时，车速对跟驰状态的界限没有显著影响。因此，本文采取8 s作为有效跟驰数据的阈值，剔除完全自由行驶状态下的驾驶数据，提取平稳行驶阶段车头时距8 s的驾驶数据进行分析。场景切割。高速公路上车速是描述车流状态的一个最基本的参数，车速的快慢大体可以反映车流的拥挤程度，车速的离散程度可以描述车流的行驶稳定情况。标记加减速阶段数据序列的速度最大值，依据由HALLFL等 2 6 构建的速度一流量曲线图,将2 7 名驾驶员在晴天和雾天下的试验数据按最大速度Vmx继续划分，最大速度Vmax20km/h模拟为阻塞流,2 0 km/hVmax70km/h模拟为自由流，得到晴天阻塞流、雾天阻塞流、晴天拥挤流、雾天拥挤流、晴天自由流、雾天自由流六种典型场景下的跟驰数据，见表2。表2试验场景划分试验场景代号能见度划分阻塞流拥挤流自由流晴天(10 km)CJCCCF雾天(8 0 m)HJHCHF注：试验场景代码由两个大写字母组成：C(clear)为晴天,H(haze)为能见度为8 0 m的雾天;JGjam conditions)为阻塞流状态,C(congestedconditions)为拥挤流状态，F(free-flowconditions)为自由流状态。1.3聚类方法K-means算法是被广泛应用的动态聚类算法，将数据划分为预定的K类，采用距离作为类间相似性的评价指标，以误差平方和准则作为聚类准则，通过不断更新类中各样本的加权均值（称为质心)以达到同类间差异最小，不同类间差异最大。聚类算法过程如下：输人待分类的数据样本并确定聚类个数K。从数据样本中随机选取K个元素作为初始聚类中心。在每次迭代中，对任意一个样本，求其到K个聚类中心的距离，将该样本归到距离最短的聚类中心所在的类。每次迭代完成后，利用均值等方法更新该类的聚类中心值，即将每个类中所有元素的算术平均数作为新的聚类中心。将数据样本按新的聚类中心重新聚类，如果利用的代法更新后，每个类中的元素保持不变，则迭代结束，否则继续迭代。将聚类后的数据样本输出。本文将驾驶员的驾驶风格分为常见的三类：激进型驾驶风格（经常大幅度急加速，踩油门猛烈）、谨慎型驾驶风格（加速幅度小，踩油门缓慢）、一般型驾驶风格（加速和踩油门特性介于激进型和谨慎型之间，认为驾驶风格为一般型），根据驾驶员操纵指标和车辆加速度，采用K-means算法进行特性聚类。2试验结果与讨论2.1加速阶段数据提取由于采集到的数据中清晰记录了每名驾驶员在实验中油门踏板和制动踏板的受力状况，因此，提取油门踏板受力不为0 的驾驶数据序列，分析加速阶段驾驶员的跟驰行为；提取制动踏板受力不为0 的驾驶数据序列，分析减速阶段驾驶员的跟驰行为。2.2加速阶段跟驰行为分析2.2.1加速阶段跟驰行为特征指标驾驶员跟驰状态下加速过程中，能够体现其加速Highways&Transportation in Inner Mongolia2023年第4期46内蒙古公路与运输特性的信息有驾驶员操纵指标变量（以油门踏板的受力情况为主）、车辆运动学指标变量（包括后车加速度，前后车相对车速、车距等）。其中油门踏板的受力及其变化率直接体现驾驶员的加速操作特性，当驾驶员对前车车速变化或车头间距变化作出加减速反应时，最大油门踏板受力和加速过程中的最大加速度能够体现驾驶员的加速行为激进程度，油门踏板受力变化速度体现了驾驶员踩踏油门踏板的快慢，也能反应驾驶员的加速操作特性。因此针对加速跟驰行为，选用最大油门受力（apa）、最大油门受力速度（apa/s）、最大加速度（m/s）作为加速跟驰行为特征指标。2.2.2基于特征指标的K-means模糊聚类识别根据最大油门受力、最大油门受力速度、最大加速度三项指标对得到的12 0 8 个加速阶段跟驰数据进行聚类分析。为了消除指标之间不同量纲的影响，首先对提取到的三项指标数据进行Z-score标准化处理得到一系列三维数组,对处理后的三维数组进行K-means聚类分析，迭代次数为10，将驾驶风格分为激进型、谨慎型和一般型，并得到标准化下的聚类中心，再对其进行反标准化处理后得到真正的聚类中心。表3驾驶风格聚类分析结果最大油门最大油门受最大加速度驾驶加速受力(apa)力速度(apa/s)(m/3)风格均值0.38330.44390.9035标准差0.19400.22110.8010-0.9240-0.7883-0.7720谨慎型标准化下的0.18820.11230.0505一般型聚类中心1.26931.20001.3197激进型0.20400.26960.2851谨慎型反标准化后0.41980.46870.9440一般型聚类中心0.62950.70931.9606激进型表3给出了对加速特征指标聚类分析的参数化结果，经反标准化处理后，三类数据集的聚类中心分别是谨慎型 0.2 0 40,0.2 6 96,0.2 8 51，一般型 0.4198,0.46 8 7,0.9440，激进型 0.6 2 95，0.7 0 93，1.96 0 6 。如图4所示，谨慎型驾驶风格下车辆的最大油门受力、最大油门受力速度、最大加速度三项指标都较小；一般型驾驶风格下车辆的最大油门受力、最大油门受力速度、最大加速度三项指标都普遍适中；激进型驾驶风格下车辆的最大油门受力、最大油门受力速度、最大加速度三项指标都较大。将加速行为激进程度编号1（对应激进型）、2（对应一般型）、3（对应谨慎型）写人加速驾驶行为数据序列。4公3.5激进型般型谨慎型32.5A21.50.501.5-0.500.20.40.50.6Y轴-最大油门受力速度（apa/s）0.810X轴-最大油门受力(apa)图4驾驶风格聚类示意图2.2.3六种典型跟驰场景下加速特性将有聚类编号的跟驰数据按场景划分。聚类结果中晴天阻塞流2 8 2 个加速片段、雾天阻塞流153个加速片段、晴天拥挤流2 39个加速片段、雾天拥挤流2 7 7 个加速片段、晴天自由流12 8 个加速片段、雾天自由流141个加速片段。图5外环显示了雾天不同交通流状态下驾驶风格组成百分比，图5内环显示了晴天不同交通流状态下驾驶风格组成百分比。拥挤流加速行为百分比自由流加速行为百分比阻塞流加速行为百分比新慎型8.7%一般型35.8%型44.78%型激进.6%34.4号18.6%内环：晴天场景外环：雾天场景图5不同交通状态和天气状况下加速跟驰行为对比不同交通流状态下驾驶员晴天、雾天跟驰行为激进程度对比分析的结果表明，激进型驾驶风格的比例：阻塞流 拥挤流阻塞流 拥挤流。阻塞流状态下,激进型驾驶风格的比例非常小，一般型与谨慎型驾驶风格比例相当；拥挤流状态下，激进型驾驶风格比例相比阻塞流有所提高，一般型驾驶风格比例下降；自由流状态下，激进型驾驶风格比例明显增多，一般型驾驶风格比例很小，谨慎型驾驶风格比例略有提高。三种交通流状态下谨慎型驾驶风格比例基本保持在40%50%左右。由此说明，阻塞流状态下加速跟驰行为最为谨慎保守，拥挤流状态下次之，自由流状态下加速跟驰行为最为激进。此外，雾天激进型驾驶风格比晴天减少，谨慎型驾驶风格比晴天增加。其中阻塞流状态下雾天激进型驾驶风格比晴天减少3.1%，谨慎型驾驶风格增加4.8%；拥挤交通流状态下雾天激进型驾驶风格比晴天减少6.9%，谨慎型驾驶风格增加2.6%；自由交通流状态下雾147汪总第19 6 期敏等：驾驶风格对不同跟驰场景下跟驰行为影响分析天激进型驾驶风格比晴天减少5.6%，谨慎型驾驶风格增加2.1%。2.2.4六种场景下不同驾驶风格驾驶员跟驰指标CJHJ0.20.2加速激进型加速激进型加速一般型加速一般型0.1加速谨慎型0.1加速谨慎型00050100050100跟车间距(m)跟车间距（m）CCHC0.20.2加速激进型加速激进型加速一般型加速一般型0.1加速谨慎型0.1加速谨慎型00050100050100跟车间距（m）跟车间距（m）CFHF0.20.2加速激进型加速激进型加速一般型加速一般型0.1加速谨慎型0.1加速谦慎型0050100050100跟车间距（m）跟车间距（m)图6六种场景下不同驾驶风格的驾驶员跟车间距分布CJHJ加速激进型加速激进型0.6加速一般型0.6加速一般型0.4加速谨慎型0.4加速谨慎型0.20.2000246802468车头时距(s)车头时距(s)CCHC加速激进型加速激进型0.6加速一般型0.6加速一般型0.4加速谨慎型0.4加速谨慎型0.20.2000246802468车头时距（s）车头时距（s)）CFHF加速激进型加速激进型0.6加速一般型0.6加速一般型0.4加速谨慎型0.4加速谨慎型0.20.2000246802468车头时距（s)车头时距（s）图7六种场景下不同驾驶风格的驾驶员车头时距分布表4六种场景下不同驾驶风格的驾驶员跟车间距、车头时距显著性检验场景对比CJHJCCHCCFHF激进VS显著显著显著不显著显著显著一般(0.000)(0.000)(0.000)(0.571)(0.000)(0.000)跟车间激进VS显著显著显著显著显著显著谨慎(0.000）（0.0 0 0）（0.0 0 0）)（0.0 0 0）（0.0 0 0)(0.000)距一般Vs显著不显著显著显著显著显著谨慎(0.012)(0.135)（0.0 0 0)（0.0 0 0)（0.0 0 0)(0.000)激进VS显著显著显著显著显著显著一般(0.000)(0.000)（0.0 0 0)（0.0 0 0)(0.0 0 0)(0.0 0 0)车头激进VS显著显著显著显著显著显著时谨慎(0.000)（0.0 0 0)（0.0 0 0)（0.0 0 0)(0.0 0 0)(0.000)距一般VS不显著显著显著显著显著显著谨慎(0.167)（0.0 0 0)（0.0 0 0)（0.0 0 0)（0.0 0 0)（0.0 0 0)图6 和图7 分别给出了三类驾驶风格驾驶员驾驶的车辆在六种典型场景下的跟车间距和车头时距分布。表4列出了KS检验的p值及显著性检验结果。结果表明，不同驾驶风格驾驶员的跟驰行为存在显著性差异。晴天场景下，不同驾驶风格驾驶员在自由流状态和拥挤流状态下跟车间距和车头时距差别较大，阻塞流状态下差距较小；雾天场景下，不同驾驶风格驾驶员的跟车间距、车头时距之间的差别减小。特别是阻塞流状态下，不同驾驶风格驾驶员的跟车间距和车头时距差距很小；拥挤流与自由流状态下，激进型驾驶风格驾驶员的跟车间距、车头时距最小，一般型驾驶风格驾驶员的跟车间距、车头时距次之，谨慎型驾驶风格驾驶员的跟车间距、车头时距最大，说明谨慎型驾驶风格驾驶员风险意识比较强烈，加速行为较为平缓谨慎，倾向保持更大的跟车间距；而激进型驾驶风格驾驶员风险意识比较弱，加速行为较为强烈激进，倾向保持更小的跟车间距，可能是实际道路交通中潜在的高风险驾驶员。3结语基于最大油门受力、最大油门受力速度、最大加速度三项指标对跟驰行为聚类分析了驾驶员的不同驾驶风格。阻塞交通流状态下谨慎型驾驶风格的驾驶员比例较高，具体表现为驾驶员倾向于缓慢踩油门，加速过程中加速度较小；自由交通流状态下激进型驾驶风格的驾驶员比例较高，具体表现为驾驶员倾向于猛烈踩油门，加速过程中加速度较大；拥挤交通流状态下驾驶人的驾驶表现介于阻塞交通流与自由交通流之间。另外，雾天驾驶员倾向于谨慎型驾驶风格。谨慎型驾驶风格的驾驶员跟驰过程中风险意识强，采取相对较大的跟车间距和车头时距，而激进型驾驶风格的驾驶员采取相对较小的跟车间距和车头时距，尤其是自由流交通状态下不同驾驶风格的驾驶员驾驶行为的差异性更显著，且晴天比雾天也有更加明显的差异性。参考文献1JELANDER J,WEST R,FRENCH D.Behavioral correlates of individualdifferences in road-traffic crash risk:An examination of methods and find-ings JJ.Psychological Bulletin,1993,113(2):279-94.2张一恒.基于驾驶风格辨识和运动预测的换道风险评估及决策方法 D.西安：西安理工大学，2 0 2 0.3吴兵，罗雪,李林波.考虑驾驶风格的模糊控制跟驰模型 .同济大学学报（自然科学版），2 0 2 0，48（5）：6 94-7 0 1.（下转第58 页）收稿日期：2 0 2 2-0 9-0 8上接第47 页）收稿日期：2 0 2 2-0 7-2 9Highways&Transportation in Inner Mongolia2023年第4期58内蒙古公路与运输4结语本文针对道路开口的三个属性（开口交通量、开口车辆转向比例、开口距交叉口的距离），基于实地调查数据，利用VISSIM软件设计了1 2 5 种仿真场景，最后利用灰色关联分析理论对仿真结果进行了分析。结果表明，道路开口的三个属性均对公交延误产生较强的影响，其中开口交通量对公交延误的影响最大，开口距下游交叉口距离对公交延误的影响次之，开口车辆转向比例对公交延误的影响最小。该结论可为公交专用道的交通组织管控、规划设计提供理论支撑。参考文献1霍月英，李文权.基于VISSIM仿真的公交专用道延误与流量关系研究J.计算机应用研究，2 0 1 6,33（5)：1 36 3-1 36 5+1 36 9.2杨晓光，徐辉，王健，等.港湾式公交停靠站设置条件研究 J.中国公路学报,2 0 1 1,2 4(1):9 6-1 0 2+1 2 6.4刘通，付锐，马勇，等.考虑驾驶人风格的跟车预警规则研究 .中国公路学报，2 0 2 0,332)：1 7 0-8 0.5DEFFENBACHER J L,OETTING E R,LYNCH R S.Development of aDriving Anger Scale JJ.Psychological Reports,1994,74(1):83.6LAJUNEN T,OZKAN T.Self-Report Instruments and Methods-Chapter4M.San Diego:Academic Press,2011.7ROBERTSON D I,WINNETT M A,HERROD R T.Acceleration signa-tures JJ.Traffic Engineering&Control,1992,33(1):485-491.8JLAJUNEN T J,KAROLA J,SUMMALA H.Speed and acceleration asmeasures of driving style in young male drivers JJ.Perceptual&MotorSkills,1997,85(1):3-16.9JSAGBERG F,SELPI,BIANCHI PICCININI G F,et al.A Review ofResearch on Driving Styles and Road Safety JJ.Human Factors the Journalof the Human Factors&Ergonomics Society,2015,57(7):1248-1275.1OJDESAI A V,HAQUE M A.Vigilance monitoring for operator safety:Asimulation study on highway driving JJ.Journal of Safety Research,2006,37(2):139-147.IIJYI L M,MILTON R,KILIARIS L.Drivers style classification using jerkanalysis C/IEEE.Proceedings of the IEEE Workshop on ComputationalIntelligence in Vehicles&Vehicular Systems.New York:IEEE,2009:23-28.12李科勇.考虑驾驶风格的驾驶人疲劳驾驶辩识方法研究 D.吉林：吉林大学,2 0 1 7.13JWANG J,ZHENG Y,LI X,et al.Driving risk assessment using near-crash database through data mining of tree-based model J.Accident Analysis&Prevention,2015,84:54-64.14KEDAR-DONGARKAR G,DAS M.Driver Classification for Optimizationof Energy Usage in a Vehicle JJ.Procedia Computer Science,2012,1(1):388-393.15JLY M V,MARTIN S,TRIVEDI M M.Driver classification and drivingstyle recognition using inertial sensors CJ/IEEE.Proceedings of the Intelli-gent Vehicles Symposium IEEE.New York:IEEE,2013:1040-1045.16JLIN C-C,JEON S,PENG H,et al.Driving Pattern Recognition for Control3梁士栋，赵淑芝，马明辉，等.路段直线式公交站点对公交车延误的影响 J.吉林大学学报（工学版）,2 0 1 6,46(6)：1 8 0 7-1 8 1 7.4吴娇蓉，王宇沁，魏明，等.路侧公交专用道设置长度对公交线路运行可靠性的影响 J.吉林大学学报（工学版），2 0 1 7,47（1)：8 2-9 1.5张洪宾,孙小端,贺玉龙.公交站和出口组合影响的交通流生存分析 北京工业大学学报，2 0 1 5，41（1）：1 0 3-1 0 8.6吴昊，江剑英，谢林华.城市道路交叉口右转交通空间设计要素相关关系分析 J.中外公路，2 0 2 1,41（5）：32 7-332.7李爱增，王炜，李文权.城市道路交叉口借道右转车道设置方法 J.公路交通科技2 0 1 0,2 7（3）：1 2 5-1 2 9.8陈永恒,谌垚，徐扬，等.路侧公交专用车道模式下右转交织长度建模 交通运输系统工程与信息，2 0 1 7，1 7(3）：1 6 5-1 7 1.9曲昭伟，金勇，陈永恒,等.提前右转组织方式及其影响分析 .交通运输工程学报，2 0 0 8（0 2）：1 0 6-1 0 9+1 1 5.10邓聚龙.灰色系统基本方法 M.武汉：华中科技大学出版社，1 9 8 7.of Hybrid Electric Trucks J.Vehicle System Dynamics,2004,42(1-2):41-58.17吴振昕,何云廷，于立娇，等.基于大数据的驾驶风格识别算法研究 汽车技术，2 0 1 8,5 1 7(1 0）：1 4-1 9.18郝景贤，余卓平，赵治国，等.混合动力汽车驾驶风格识别的研究 汽车工程，2 0 1 7,39(1 2)：1 444-1 45 0.19JHAMDAR S H,QIN L,TALEBPOUR A.Weather and road geometryimpact on longitudinal driving behavior:Exploratory analysis using anempirically supported acceleration modeling framework J.TransportationResearch Part C Emerging Technologies,2016,67:193-213.20JEHAMMIT B,GHASEMZADEH A,JAMES R M,et al.Evaluation ofweather-related freeway car-following behavior using the SHRP2 naturalisticdriving study database J.Transportation Research Part F:Traffic Psychologyand Behaviour,2018,59:244-259.21HOOGENDOORN R GTG,HOOGENDOORN SP,DAAMEN W.Long-itudinal driving behavior under adverse weather conditions:Adaptationeffects,model performance and freeway capacity in case of fog CJ/NationalAcademy of Sciences.Proceedings of the International IEEE Conference onIntelligent Transportation Systems.New York:IEEE,2010:450-455.22赵佳.基于驾驶模拟实验的雾天对驾驶行为影响的研究 D.北京：北京交通大学，2 0 1 2.23高坤，涂辉招,时恒，等.雾霾天气低能见度对不同跟驰状态驾驶行为的影响 J.吉林大学学报（工学版），2 0 1 7，47(6)：1 7 1 6-1 7 2 7.24时恒,涂辉招，高坤.基于高逼真驾驶模拟器雾霾天气下跟驰行为分析 J.同济大学学报（自然科学版），2 0 1 8，46(3）：32 6-333.25何民，荣建，任福田.判定跟驰状态的研究 J.公路交通科技，2 0 0 1,18(4):74-78.26HALL F L,HURDLE V F,BANKS J H.A Synthesis of Recent Work onthe Nature of Speed-Flow and Flow-Occupancy(or Density)Relationshipson Freeways Mj.Washington:National Academy of Sciences,1992.