基于信息熵与高风险行为的驾驶行为风险评估方法.pdf

第 23 卷 第 4 期2023 年 8 月交摇 通摇 工摇 程摇 摇Vol.23No.4Aug.2023DOI:10.13986/ki.jote.2023.04.004基于信息熵与高风险行为的驾驶行为风险评估方法孙宫昊1,常摇 鑫2,高亚聪3,陈桂华1,毋摇 超1(1.国汽(北京)智能网联汽车研究院有限公司,北京摇 100176;2.中国民航大学,天津摇 300300;3.北京工业大学,北京摇 100124)摘摇 要:为客观评估驾驶人的驾驶安全性,提出以信息熵与高风险行为作为风险指标的驾驶行为风险评估方法.基于驾驶模拟实验获得个体驾驶人行为数据,根据个体驾驶行为特征,通过专家评估方式,获取驾驶行为风险评估比对标签;基于信息熵及高风险行为事件提取关键驾驶风险特征;利用随机森林算法进行驾驶行为风险分类.通过与驾驶行为风险评估标签进行比对验证,结果表明,该方法的驾驶行为风险总体辨识精度达到 80%,基于信息熵与高风险行为的驾驶行为风险特征指标选择,能客观描述驾驶行为数据的分布差异,精确分析个体驾驶行为风险特性,可为个性化设计车辆安全辅助系统提供依据.关键词:驾驶行为风险;驾驶特征;信息熵;随机森林;分类模型中图分类号:U 463郾 6文献标志码:A文章编号:2096鄄3432(2023)04鄄022鄄07收稿日期:2022鄄06鄄30.作者简介:孙宫昊(1996),男,硕士,研究方向为智能网联汽车驾驶安全、技术标准.E鄄mail:sungonghao china鄄.通讯作者:常鑫(1991),男,讲师,博士,研究方向为智能交通技术.E鄄mail:xchang .Evaluation of Driving Behavior Risk Based on Information Entropyand High鄄Risk Driving BehaviorSUN Gonghao1,CHANG Xin2,GAO Yacong3,CHEN Guihua1,WU Chao1(1.China Intelligent and Connected Vehicles(Beijing)Research Institute Co.,Ltd.,Beijing 100176,China;2.Civil Aviation University of China,Tianjin 300300,China;3.Beijing University of Technology,Beijing 100124,China)Abstract:In order to objectively evaluate the driving behavior risks of drivers,this paper proposes a riskassessment method based on information entropy and high鄄risk behaviors.Fine鄄grained driving behaviordata of individual drivers are obtained based on driving simulation experiments.According to thecharacteristics of individual driving behavior,and through expert evaluation,the risk assessmentcomparison label of driving behavior is obtained.Key driving risk characteristics are extracted based oninformation entropy and high鄄risk behavior events.The random forest algorithm is used to classify drivingbehavior risk.Through comparison and verification with the driving behavior risk assessment label,theresults show that the overall identification accuracy of the driving risk assessment model reaches 80%.Based on information entropy and high鄄risk behaviors,the selection of driving behavior risk characteristicindex is proposed.This method can objectively describe the overall distribution of driving behavior dataand accurately analyze the individual driving behavior risk characteristics.The evaluation result of thismethod is more accurate.The analysis results can provide a basis for the customized design of vehiclesafety assistance system.Key words:driving behavior risk;feature of driving behavior;information entropy;random forest;disaggregated model摇 第 4 期孙宫昊,等:基于信息熵与高风险行为的驾驶行为风险评估方法0摇 引言世卫组织研究报告显示,全球每年因交通事故造成的受伤人数可达 2 000 5 000 万人1.在我国,随着汽车技术的发展,在人们出行方便的同时,也带来了一系列交通安全问题.根据交管局公开数据显示,2016 年交通事故总数相比于 2015 年增加25 065 起,造成交通事故的众多因素中,人因是引发事故的重要原因,2016 年由驾驶人引发的交通事故数占事故总数的91郾 23%2.因此,对驾驶人的行为风险进行预测评估,是提升道路交通安全的有效手段,在车辆安全辅助系统的个性化设计等应用方面具有极大潜力.以往的研究表明,获取驾驶行为特性数据能实现辨识危险驾驶行为、预测交通事故几率、提出交通事故预防措施等目的3,并且驾驶行为数据分析法能客观地描述驾驶人的风险特性.目前,基于客观驾驶数据的驾驶行为风险评估研究方法主要分为2 种:淤以驾驶数据相应阈值识别高风险驾驶行为事件,评估驾驶风险;于以驾驶特征作为评估参数,通过机器学习等算法进行评估.其中,基于阈值识别高风险驾驶行为事件的驾驶行为风险研究,Toledo 等4通过驾驶行为数据识别了 20 种驾驶行为事件,包括加速、减速、换道等事件,结合驾驶事件的风险程度与频率,构建综合指标评估体系,将驾驶风格分为 3 类.吴振昕等5从数据库中提取 7 种典型驾驶工况,用 k鄄means 和 D鄄S 证据理论的方法进行聚类,将驾驶风格分为 3 类.Eren 等6用手机传感器获取速度、加速度等数据,通过动态时间规整算法识别高风险行为事件,实现对驾驶人驾驶行为安全性的评估.在基于驾驶特征参数建模的驾驶行为风险的研究中,朱冰等7用跟车过程中的驾驶数据作为特征指标,以层次聚类方法获得驾驶行为标签,建立了基于随机森林的驾驶人驾驶习性辨识模型.李经纬等8采集商用车和乘用车的驾驶行为数据,通过主成分分析法实现特征指标降维,利用 k鄄means 法进行驾驶风格的识别.Van LY 等9获取速度、加速度、制动踏板压力等数据,利用支持向量机和 K 均值聚类算法对驾驶人进行分类.综上所述,以往研究中,基于识别高风险事件的驾驶行为风险评估研究,对风险事件的阈值判别标准不一致;基于特征参数建模的驾驶行为风险研究,集中于通过统计分析及建模实现驾驶风险的预测.为此,本研究引入信息熵指标客观描述特征参数,同时识别驾驶人的高风险驾驶行为事件,分析驾驶人个体风险行为特性,基于随机森林算法对驾驶行为风险等级进行识别,建立驾驶行为风险评估模型.提出了 1 种基于信息熵与高风险行为的驾驶行为风险评估方法.1摇 驾驶模拟实验1郾 1摇 实验设备及场景研究所需的驾驶行为数据借助驾驶模拟实验平台获取,实验选取双向四车道的高速公路路段为实验模拟路段,每条车道路宽为 3郾 75 m,实验路段长度为 5郾 6 km,限速 120 km/h,本实验主要针对非违法状态下的高速工况展开研究.实验过程中驾驶人仅需根据其日常驾驶习惯完成模拟路段的驾驶即可.借助驾驶模拟实验平台可收集驾驶模拟器产生实验车自身及周边车辆的位置、距离等数据信息10.驾驶模拟实验平台如图 1 所示,获取的驾驶行为数据包括方向盘转角、刹车踏板深度、油门踏板深度、时间、车辆坐标、速度、加速度、侧位移、与前车在 250 m 内的距离、前车速度等驾驶操作参数.图 1摇 驾驶模拟器摇1郾 2摇 实验人员本次实验共招募 35 名驾驶经验丰富的驾驶人,35 名驾驶人的个体属性分布如表1 所示.每位驾驶人均拥有 C 级机动车驾驶证,同时,为了避免其他身体因素影响驾驶实验,在实验前,要求驾驶人保证充足睡眠并且避免大量进食,确保身体状况良好.表 1摇 驾驶人个体属性统计分布性别年龄/周岁驾龄/a男女45100 时:int=0 0郾 5,0郾 5 1,1 1郾 5,1郾 5 2,2 2郾 5,2郾 5 3,3 3郾 5,3郾 5 4,4 4郾 5,4郾 5 肄当 along,alat0 时:int=-肄-4郾 5,-4郾 5 -4,-4 -3郾 5,-3郾 5 -3,-3 -2郾 5,-2郾 5 -2,-2 -1郾 5,-1郾 5 -1,-1 -0郾 5,-0郾 5 0车头间距划分为 17 个区间,区间为:int=0 15,15 30,30 45,45 60,60 75,75 90,90 105,105 120,120 135,135 150,150 165,165 180,180 195,195 210,210 225,225 240,240 250车头时距划分为 10 个区间,区间为:int=0 0郾 5,0郾 5 1,1 1郾 5,1郾 5 2,2 2郾 5,2郾 5 3,3 3郾 5,3郾 5 4,4 4郾 5,4郾 5 肄统计各驾驶人在各参数区间内的分布比例 pi,分别计算 6 个参数的信息熵 Hk:Hk=移Ni=1-pi伊 log10(pi),i=1,2,3,N(2)式中,Hk为 6 个参数的熵值,k=1,2,3,4,5,6,分别为纵向加速度、纵向减速度、横向加速度、横向减速度、车头间距、车头时距 6 个参数的熵值;N 为参数区间划分总数.3郾 2摇 基于随机森林的驾驶行为风险评估随机森林是 1 种集成学习算法,由多个决策树组成.Nadezda 等21使用 K 均值聚类、神经网络、决策树、随机森林等算法对驾驶人的驾驶风格进行分类辨识,结果显示随机森林算法拥有分类性能好,分类速度快,在实际应用过程中能得到较好的应用的特点.本研究样本量较少,留一法交叉验证具有适用于小样本情形,可充分利用数据的优点22.因此本研究的随机森林分类器使用留一法交叉验证,将35 个样本的数据集分为 35 组,34 组的数据作为训练集,剩余 1 组作为测试集,共进行 35 次循环实验,方法流程如图 4 所示.使用 35 位驾驶人的数据进行随机森林的留一法交叉验证,模型辨识效果的 ROC 曲线如图 5 所示.ROC 曲线是用来反映敏感性和特异性连续变量的相互关系,曲线下面积(Area Under roc Curve,AUC)越大,代表着诊断准确性越高23.AUC 大于等于 0郾 75,可认为该判别指标或检测方法具有较高的准确性24.模型的 AUC 面积约为 0郾 95,说明提出的模型具有较高的检测真实性.各风险等级驾驶人的车头距离熵、总加速度熵分布如图 6 所示,对比不同风险等级驾驶人的车头距离熵值发现,安全型驾驶人熵值最低且数据分布52交摇 通摇 工摇 程2023 年图 4摇 方法流程摇图 5摇 模型辨识效果的 ROC 曲线图摇集中,说明安全型驾驶人会与前车保持较为平稳的距离行驶,与前车长期维持安全距离行驶,一般型驾驶人的熵值明显较高,且数据分布集中,说明一般型驾驶人车头距离变化较频繁,危险型驾驶人则熵值数据更为分散且数值较高,说明其数据不确定性高,距离变化频繁,部分危险型驾驶人为在期望车道行驶,会通过接近前车以及频繁换道等行为以获得期望的行驶速度.对比总加速度熵值发现,随着风险等级的上升,总加速度熵值呈上升趋势,说明危险型驾驶人会频繁出现急加速或急减速行为,极端驾驶行为出现次数较多,与安全型及一般型驾驶人危险程度差异明显.各风险等级驾驶人的平均紧急制动次数如图7 所示,随着风险等级的上升,累积紧急制动持续时图 6摇 信息熵指标箱线图摇间呈上升趋势,一般型驾驶人与危险型驾驶人的平均紧急制动次数较为接近,相比于安全型驾驶人制动次数有着明显的增多,说明一般型与危险型驾驶人均有着频繁的紧急制动行为,风险程度较高.图 7摇 平均紧急制动次数分布图摇表 3 为随机森林分类器的分类结果与专家评估标签的对比,安全型驾驶人有 1 人被辨识为一般型,其余均被辨识为安全型,在一般型驾驶人中,有 2 人被辨识为安全型,其余辨识为一般型,危险型驾驶人中,有 3 人被辨识为安全型,1 人辨识为一般型,1 人辨识为危险型,模型的总体辨识精度为 80%.由于危险型驾驶人与一般型驾驶人的平均紧急制动次数相似,同时,本研究所用数据有限.因此,相比于其他两种风险类型的识别精度,模型在危险型驾驶人的分类上出现轻微偏差.利用信息熵与高风险驾驶行为描述驾驶行为特征,并基于随机森林算法建立驾驶风险识别模型,模型在危险型驾驶人的分类上出现轻微偏差,但总体辨识精度较高,识别精度达到 80%,可满足驾驶风险的识别需要.表 3摇 随机森林分类器的辨识结果专家评估安全一般危险安全2310一般240危险31162摇 第 4 期孙宫昊,等:基于信息熵与高风险行为的驾驶行为风险评估方法3郾 3摇 驾驶行为风险评估模型验证本文所提出的基于信息熵与高风险行为的驾驶行为风险评估方法,具有客观描述驾驶行为数据的总体分布,针对性描述驾驶人的个体高风险行为特征的特性,同时,利用有监督机器学习中的随机森林算法建立分类模型,对于异常数据值具有较好的稳健性,并且泛化能力较强.在以往很多驾驶行为风险评估研究中,也会利用非监督机器学习中聚类分析的方法建立分类模型实现对驾驶风险的评估,虽然聚类分析的方法存在对数据中的异常值较为敏感等问题,但其具有实现方式简便、效率高、能发现数据中的内在结构等特性,因此,在驾驶风险评估方法上,仍能在一定程度上反映驾驶人的行驶风险情况.为验证本文所提出方法的合理性,引用以往研究中1 种基于非监督机器学习的 k鄄means 聚类方法25,建立分类模型,对比 2 种方法的评估结果.该方法中,选取车速超过限速 80%的时间比例、车速平均值、车速标准差、总加速度标准差、加速度平均值、加速度标准差、减速度平均值、减速度标准差,共 8 个参数作为驾驶行为风险分类的特征指标;利用因子分析的方法实现特征指标的降维,因子分数的计算公式如式(3)所示,得分越高,驾驶人的驾驶行为风险越高;最后,选定因子得分为指标展开系统聚类,得到驾驶风险聚类结果,见式(3).Fkj=bj1xk1+bj2xk2+bj8xk8(3)式中,Fkj为第 k 个驾驶人的第 j 个因子分数的估计值,bj1,bj2,bj8为因子分数系数,xk1,xk2,xk8为特征变量标准化后的数值,见式(4).xik=xik-xi滓xi(4)式中,xi和 滓xi分别为驾驶人第 i 个特征指标的均值和标准差.各特征指标变量在规范化后均满足均值为 0,标准差为 1.用该方法对本文实验数据进行风险分析,因子分析的特征值及方差贡献率如表 4 所示,前 3 个因子的累积方差贡献率为 77郾 208%,可解释 77郾 208%的信息量,因子分析效果较好,因此,将 8 个特征参表 4摇 特征值及方差贡献率%因子因子分析总特征值方差贡献率累计贡献率13郾 02337郾 78337郾 78321郾 65720郾 71858郾 50131郾 49718郾 70777郾 208数降维为 3 个因子.以 3 个因子的分数作为变量,利用系统聚类的方法将驾驶行为风险聚为 3 类,系统聚类谱系图如图 8 所示.图 8摇 系统聚类谱系图摇表 5 为基于以往文献中的方法与本文方法评估结果的识别准确率对比.表 5摇 评估结果对比%本文方法基于以往文献的方法识别结果相同样本数占比识别准确率806071郾 43摇 摇 从表 5 可见,基于以往文献中的方法识别准确率为 60%,与本文所提方法的评估结果相比,共有71郾 43%的样本识别结果相同,表明本文提出的方法与以往研究中使用的方法具有一定的一致性,同时,基于信息熵与高风险行为的驾驶行为风险评估方法,能客观描述驾驶行为数据的分布差异,精确化描述驾驶人的驾驶行为风险特征,评估结果更具有准确性,能用于驾驶行为风险评估.72交摇 通摇 工摇 程2023 年4摇 结束语本文通过引入信息熵描述驾驶行为特征并结合高风险行为事件的辨识,基于随机森林分类器建立驾驶行为风险评估模型,得到以下结论.1)信息熵能有效描述操作数据的分布情况,相比于安全型驾驶人,高风险驾驶人会更为频繁出现极端驾驶行为,信息熵值较高.2)不同等级驾驶人在发生紧急制动行为的频率上差异性明显,一般型驾驶人与危险型驾驶人会更为频繁地发生紧急制动行为.3)信息熵可客观度量数据信息的不确定性,结合信息熵与高风险行为描述驾驶行为特征,能客观描述速度、加速度等参数的分布差异,精确化描述驾驶人的驾驶行为风险特征,模型总体辨识精度为80%,辨识精度较高,本研究可根据驾驶人的不同驾驶风险情况,用于个性化调整车辆安全辅助系统的参数,以更好适应驾驶人的行车情况,并对提升行车安全,降低车辆能耗具有重要意义.随着车联网技术的发展,基于智能网联环境下驾驶人的驾驶行为数据,分析多场景下驾驶人的驾驶风险情况,解析风险驾驶原因,提高智能网联汽车的驾驶安全,将是未来的重要研究方向.参考文献:1 World Health Organization.Global status report on roadsafety 2018 R.Geneva:World Health Organization,2018.2 公安部交通管理局.中华人民共和国道路交通事故统计年报(2016 年度)R.北京:公安部交通管理局,2017.3 杨海飞.驾驶行为特性数据的实验观测方法研究J.山西建筑,2018,44(31):126鄄128.4 Toledo T,Musicant O,Lotan T.In鄄vehicle data recordersfor monitoring and feedback on drivers蒺 behavior J.Transportation Research Part C:Emerging Technologies,2008,16(3):320鄄331.5 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J.汽车技术,2018(10):10鄄15.6 Eren H,Makinist S,Akin E,et al.Estimating drivingbehavior by a smartphone C 椅2012 IEEE IntelligentVehicles Symposium.IEEE,2012:234鄄239.7 朱冰,李伟男,汪震,等.基于随机森林的驾驶人驾驶习性辨识策略J.汽车工程,2019,41(2):213鄄218,224.8 李经纬,赵治国,沈沛鸿,等.驾驶风格 K鄄means 聚类与识别方法研究J.汽车技术,2018(12):8鄄12.9 Van Ly M,Martin S,Trivedi M M.Driver classificationand driving style recognition using inertial sensorsC椅2013 IEEE Intelligent Vehicles Symposium(IV).IEEE,2013:1040鄄1045.10 常鑫,李海舰,荣建,等.基于驾驶模拟器的车联网环境搭建及对驾驶行为的影响J.科学技术与工程,2019,19(15):330鄄335.11 李国法.基于模式转移和操控特性的驾驶风格评测研究D.北京:清华大学,2016.12 孙宫昊,荣建,常鑫,等.基于驾驶行为模式转移的驾驶行为风险评估方法J.汽车技术,2021(11):22鄄29.13 范红敏,李小明,徐应军,等.企业粉尘职业危害监督量化分级管理指标体系的筛选J.中国安全生产科学技术,2011,7(2):60鄄66.14 Jin W,Deng Y,Jiang H,et al.Latent Class Analysis ofAccident Risks in Usage鄄based Insurance:Evidence fromBeijing J.Accident Analysis&Prevention,2018,115:79鄄88.15 Wang J Q,Zheng Y,Li X F,et al.Driving RiskAssessment Using Near鄄crash Database Through DataMining of Tree鄄based Model J.Accident Analysis&Prevention,2015,84:54鄄64.16 Feng G,You J F.Individual driver risk assessment usingnaturalistic driving data J.Accident Analysis andPrevention,2013,61.17 王伟,李兴华,陈作彬,等.基于小波包变换的爆破振动信号能量熵特征分析J.爆破器材,2019,48(6):19鄄23.18 魏巍,程长建.基于图形熵的化工应急响应预案复杂度评价J.中国安全生产科学技术,2011,7(2):67鄄72.19 Shannon C E.A mathematical theory of communicationJ.The Bell System Technical Journal,1948,27(3):379鄄423.20 向往.基于层级式驾驶仿真实验的驾驶员行为规律及表现评价方法研究D.北京:北京交通大学,2016.21 Karginova N,Byttner S,Svensson M.Data鄄DrivenMethods for Classification of Driving Styles in BusesJ.St覿ng,2012.22 张剑飞,王真,崔文升,等.基于交叉验证和神经网络融合的医学数据分类J.齐齐哈尔大学学报(自然科学版),2019,35(4):1鄄5.23 林永良,夏克文,王志恒,等.基于 SOCP鄄MKRVM 的区域滑坡敏感性分析研究J.中国安全生产科学技术,2016,12(12):64鄄68.24 万平,吴超仲,马晓凤.基于 ROC 曲线和驾驶行为特征的驾驶愤怒强度判别阈值J.吉林大学学报(工学版),2020,50(1):121鄄131.25 孙川.基于自然驾驶数据的车辆驾驶风险辨识及控制研究D.武汉:武汉理工大学,2016.82