基于貝葉斯判別的駕駛行為危險狀態(tài)辨識

1、西南交通大學(xué)學(xué)報第44卷第5期Vol.44No.52009年10月Oct.2009JOURNALOFSOUTHWESTJIAOTONGUNIVERSITY文章編號:025822724(2009)0520771205DOI:10.3969/j.issn.025822724.2009.05.026基于貝葉斯判別的駕駛行為危險狀態(tài)辨識郭孜政,陳崇雙,王欣112(1.西南交通大學(xué)交通運輸學(xué)院,四川成都610031;2.618307)摘要:為有效辨識危險性駕駛行為,.采用單因子方差分析提取危險狀態(tài)辨識主因子.將在連續(xù)駕駛條件下5名駕,.測試結(jié)果表明錯判率為4.3%.關(guān)鍵詞:交通運輸;駕駛行為中圖分類號:

2、.:ARiskIdentificationforDrivingBehaviorsBasedonBayesianDiscriminationGUOZhizheng,CHENChongshuang,WANGXinComputerScience,CivilAviationFlightUniversityofChina,Guanghan618307,China)112(1.SchoolofTrafficandTransportation,SouthwestJiaotongUniversity,Chengdu610031,China;2.SchoolofAbstract:Toeffectivelyide

3、ntifyrisk2stateindrivingbehaviors,theywereclassifiedintodifferentgradesaccordingtoaccidentprobabilities.Mainfactorsfordrivingbehaviorweredeterminedbysinglefactorvarianceanalysis.Amodelforrisk2stateidentificationwasconstructedbasedonBayesiandiscrimination.Thebehaviorstatesoffivedriversweretestedinaco

4、ntinuousdrivingexperiment,andthemeasureddataweredividedintotwogroupstocalibrateandtestthemodel,respectively.Thetestresultsshowthattheerrorratiois4.3%.Keywords:trafficandtransportation;safetyengineering;identificationofrisk2state;Bayesianidentification;drivingbehavior在某種程度上,機動車行駛狀態(tài)是駕駛行為的外在表現(xiàn),駕駛安全很大程度

5、上取決于駕駛行為的實時狀態(tài).由于各種干擾因素,駕駛行為狀態(tài)具有非穩(wěn)定性,因此,如何有效辨識駕駛行為危險狀態(tài),為分級防控提供依據(jù),成為交通安全研究的關(guān)鍵問題.目前對駕駛行為安全性的研究可歸為3類:(1)危險狀態(tài)行為模式研究.張殿業(yè)在抽象分析道路交通系統(tǒng)要求與駕駛員能力之間辨證關(guān)系的基礎(chǔ)上,對6類危險狀態(tài)行為模式予以界定;陳斌通過對駕駛員能力水平與系統(tǒng)任務(wù)匹配狀態(tài)的研究,揭2示系統(tǒng)在不同匹配狀態(tài)下的安全性,給出系統(tǒng)安全的匹配準則.(2)駕駛行為安全性分析方法研究.其代表性成果有駕駛員適應(yīng)性檢測法3,4、可靠性數(shù)學(xué)分析5,6789法、AHP層次分析法、神經(jīng)網(wǎng)絡(luò)模型法、希爾伯特空間向量范數(shù)法等.111

6、213(3)駕駛行為形成因子分析.對駕駛員暗適應(yīng)10、動視力、動視野、注意力等進行分組測試1收稿日期:2008206210基金項目:國家自然科學(xué)基金資助項目(60879022,70422201)作者簡介:郭孜政(1982-),男,講師,博士,研究方向為交通安全,E2mail:zizhengguo772西南交通大學(xué)學(xué)報第44卷分析,論證事故組及非事故組在上述方面的顯著差異.以上研究成果從不同角度為駕駛行為安全性分析奠定了基礎(chǔ),但均未能實現(xiàn)駕駛行為危險狀態(tài)辨識.本文在對駕駛行為危險狀態(tài)定義和分級的基礎(chǔ)上,分析探討駕駛行為危險狀態(tài)辨識的模型與方法.1駕駛行為危險狀態(tài)分級駕駛行為狀態(tài)是特定時刻駕駛員生

7、理、心理狀態(tài)的外在行為化體現(xiàn).外界道路交通環(huán)境的開放性,駕駛行為狀態(tài)C(t),t0與駕駛?cè)蝿?wù)需求狀態(tài)t),t0均為隨機變量,對于時刻t,事故以概率P(t)=PR(t)C(t)發(fā)生(1),.因此,可設(shè)定可接受的事故概率水平,.p0-kpK=1為給定的K+1個可接受事故概率水平,(按照事故發(fā)生時已連續(xù)駕駛時間統(tǒng)計),t2,t-K2,其中P(tk)=pk,k=0,1,2,K.又設(shè)時刻t,S(t),.因此有集合:k=(t(tk-1,tk,k=1,2,K,Sk,k=1,2,其中Sk稱為第k級危險狀態(tài),即在該類駕駛行為狀態(tài)下,(pk-1,pk.2駕駛行為危險狀態(tài)辨識模型駕駛行為危險狀態(tài)辨識的基本思想為:依

8、據(jù)按可接受事故概率水平,對已有駕駛行為狀態(tài)樣本組Sk,k=1,2,K分級,以錯判損失最小為準則,構(gòu)建一種辨識規(guī)則R,并用規(guī)則R辨識新采樣的駕駛行為狀態(tài)樣本14.2.1危險狀態(tài)辨識主因子的選取駕駛行為狀態(tài)因子包括:動視力、靜視力、聽力、掩蔽聽力、注意力、記憶力、反應(yīng)時間、操作誤差等眾多生理和心理因子.對不同危險狀態(tài)行為分級,各因子的顯著性存在差異,故需采用單因子方差分析法,從中選取若干顯著因子作為駕駛行為狀態(tài)辨識的主因子,構(gòu)成駕駛行為狀態(tài)辨識向量(s1,s2,sM),具體方法參見文獻15,此處不予贅述.2.2狀態(tài)樣本密度函數(shù)確定在完成辨識主因子選取后,需對各分組行為狀態(tài)概率密度函數(shù)進行估計.設(shè)第

9、k級危險狀態(tài)Sk的Nk個樣本為(sk11,sk21,skM1),(sk12,sk22,skM2),(sk1Nk,sk2Nk,skMNk),采用方窗函數(shù)估計其密度函數(shù):(sk1n,sk2n,skMn)f(xk1,xk2,xkM)=,k1)(2k2)(2kM)nk=1Nk(2Nk(2)k1,2k2,2kM分別為辨識向量的分量s1,s2,s其中:2M的窗寬;xk1,xk2,xkM在Nk個樣本分量的最大值與最小值之間選取,即第5期郭孜政等:基于貝葉斯判別的駕駛行為危險狀態(tài)辨識min(skm1,skm2,skmNk)xkmmax(skm1,skm2,skmNk),m=1,2,M;773(sk1nk,sk

10、2nk,skMnk)為M維窗函數(shù):1,(sk1nk,sk2nk,skMnk)xk1-k1,xk1+k1(sk1nk,sk2nk,skMnk)=xk2-k2,xk2+k2xkM+kM,xkM+kM;0,其他.(4)特別地,當(dāng)M=1時,f(xk1)=(sk1nk)k1,nk=12Nk窗函數(shù)為:(sk)=2.31,sknkxk-11+k1;0,.辨識規(guī)則R2RK,從形式上可認為是對駕駛行為狀態(tài)空間的一組劃分.在該類辨識規(guī)則下,將屬于SiSj級駕駛行為狀態(tài)的概率為:P(i,R)=f(x,x,xRji12M)dx1dx2dxM,i,j=1,2,K;ij,其中:fi(x1,x2,xM)為Si級樣本狀態(tài)辨識

11、向量(s1,s2,sM)的聯(lián)合分布函數(shù),則對于Si級樣本錯判的平均損失為:Kr(i,R)=c(j=1jii)P(i,R),(6)其中:c(ji)為將屬于Si的駕駛行為狀態(tài)樣本錯判為Sj的錯判損失,定義為:c(i)=NiMNiilt(sl=1t=1-s jt)2-NjMNjjlt(sl=1t=1-s jt)2,(7)其中:s jt=NjNjst=1jlt為Sj級狀態(tài)辨識向量(s1,s2,sM)的第l個分量sl(l=1,2,M)的樣本平均值.當(dāng)i=時j,顯然c(i)=0,表示沒有錯判損失.對于特定駕駛行為狀態(tài)樣本,其屬于不同狀態(tài)分類的可能性大小由其先驗分布qi決定,因此,所有各類錯判的總平均損失為

12、:KKiKig(R)=qr(i,R)i=1=qc(ji=1j=1i)p(i,R),(8)其中:qi=Ni/N,N=N1+N2+NK為樣本總量.K令hj(x1,x2,xM)=qc(ii=1i)fi(x1,x2,xM),則根據(jù)式(4)(7)有:h(x,x,xi=1RjjKg(R)=12M)dx1dx2dxM.(9)建立識別規(guī)則R的準則為使G(R)最小,等價于要求在Rj上hj(x)是所有h1(x),h2(x),hK(x)中最小的,因此,得到了一組識別規(guī)則R=R1R2RK.對于單個行為狀態(tài)點(s01,s02,s0M)的識別,其識別規(guī)則可簡化為:(s01,s02,s0M)Sjhj(s01,s02,s0M

13、)=min(hi(s01,s02,s0M).1iK(10)774西南交通大學(xué)學(xué)報第44卷3算例步驟1選取5名駕駛員為研究樣本,具體選擇標(biāo)準見表1.表1駕駛員駕駛行為狀態(tài)指標(biāo)Tab.1Driversdrivingstatusindicators年齡3035性別男氣質(zhì)膽汁質(zhì)駕齡/a35事故記錄5a內(nèi)在高速公路路段有3步驟2對以上5名駕駛員,進行連續(xù)駕駛模擬測試,每隔min視力、聽力、掩蔽聽力、注意力、記憶力、反應(yīng)時間、,并對同一時段(10min)內(nèi)所有樣本的相應(yīng)因子值求平均.步驟3調(diào)取歷史事故資料,以10,以P13,P2=0.5,t1=40min,t2=270min,最終將駕駛行為狀態(tài)劃分為3級S

14、1,S2,S3.步驟4采用單因子方差分析法,選定反應(yīng)時間(s1,P0.01)、注意力(s2,P0.01)、操作誤差(s3,P0.01)3項因子構(gòu)成駕駛行為危險狀態(tài)辨識向量(s1,s2,s3).步驟5對所有數(shù)據(jù)進行量綱歸一化處理,令3級窗寬11=21=31=0.005,12=22=32=0.001,13=23=33=0.001,選取2人的數(shù)據(jù)估計3級駕駛行為危險狀態(tài)S1,S2,S3的狀態(tài)辨識向量(s1,s2,s3)的聯(lián)合分布函數(shù)f1(x11,x12,x13),f2(x21,x22,x23)和f3(x31,x32,x33).由于其概率密度函數(shù)形式異常復(fù)雜,險于篇幅此處不列出.步驟6依據(jù)式(9)建立

15、險度辨識函數(shù)3h1(x11,x12,x13)=h2(x21,x22,x23)=h3(x31,x32,x33)=Ni=1N11+N2+N3c(i)f1(x11,x12,x13);(12)3Ni=11Nc(i)f2(x21,x22,x23);+N2+N3N+N2+N3c(i)f3(x31,x32,x33);3Ni=11(s01,s02,s03)Sjhj(s01,s02,s03)=min(hi(s01,s02,s03),1i3(13)其中:錯判矩陣為0.00000.28847.85910.28840.00007.57077.8597.570,0.000第i行第j列元素表示式(7)中的c(i),即為將

16、屬于Si的駕駛行為狀態(tài)樣本錯判到Sj的錯判損失.步驟7將另外3人108組駕駛行為狀態(tài)數(shù)據(jù)(其中S1有12組樣本;S2有69組樣本;S3有27組樣本)帶入模型,根據(jù)式(12)和(13)進行識別計算,依據(jù)識別結(jié)果計算其錯判率:M=108100%,(14)其中:n為識別模型錯判的總數(shù)目.經(jīng)計算錯判率為4.3%.4結(jié)論在對駕駛行為狀態(tài)進行危險狀態(tài)分級的基礎(chǔ)上,將危險狀態(tài)識別問題抽象為分類判別問題,采用統(tǒng)計學(xué)中貝葉斯判別方法構(gòu)建了駕駛行為危險狀態(tài)辨識模型.采用回代法通過實例對模型進行了試算,驗證了模型的正確性.第5期郭孜政等:基于貝葉斯判別的駕駛行為危險狀態(tài)辨識775當(dāng)狀態(tài)向量超過3維時,用窗函數(shù)法確定

17、子樣本密度函數(shù)變得異常困難;此外,危險狀態(tài)分級劃分方法多樣,不同的劃分方法需與不同的行為控制策略相對應(yīng),并對模型精度有一定影響.上述兩類問題需在今后做進一步研究.參考文獻:1張殿業(yè).道路交通事故與黑點分析M.北京:人民交通出版社,2003:1182165.2陳斌,魏慶曜,金煒東.道路交通系統(tǒng)駕駛員能力與系統(tǒng)任務(wù)的匹配與協(xié)調(diào)研究J.,2002,195(6):78280.CHENBin,WEIQingyao,JINWeidong.AstudyofharmonysystemtaskinroadtrafficsystemJ.TransportationScienceandTechnology,6)28

18、0.3戴冠軍,葉增光.駕駛適合性及評價方法研究(1):40246.DAIGuanjun,YEZengguang.ofandevaluationmethodJ.Ergonomics,1989,2(1):40246.4MAYOUaccidentsfordifferenttypesofroaduserJ.Injury,2003,34(2):1972202.5郭孜政,.機車雙司機駕駛行為可靠性研究J.中國安全科學(xué)學(xué)報,2007,17(2):1632166.GUOZizheng,ZHANGDianye,TANGYouhua.Studyonthereliabilityofdoublelocomotived

19、riversdrivingbehaviorJ.ChinaSafetyScienceJournal,2007,17(2):1632166.6GUOZizheng.ThereliablitymodelofdoublelocomotivedrivesworkingbehaviorCInternationalConferenceonTransportationEngineering.SanDiego:ASCE,2007:5862589.7韓文濤.交通事故預(yù)防中人為失誤駕駛失誤的評估方法J.黑龍江交通科技,2005,13(7):84285.8丁玉蘭,邵靈敏,胡子谷.基于神經(jīng)網(wǎng)絡(luò)的駕駛適性評價系統(tǒng)J.人類工效學(xué),1998,4(4):19221.DINGYulan,SHAOLinming,HUZigu.AneuralnetworkbaseddrivingaptitudeevaluationsystemJ.Ergonomics,1998,4(4):19221.9郭孜政,唐優(yōu)華.單司機值乘安全性評價模型J.中國鐵道科學(xué),2008,18(1):22225.GUOZizheng,TANGYouhua.Safetyevaluationmodelfortheon2dutyoperationofsinglelocomo