基于结构方程模型的驾驶特征研究_宋昊.pdf

192 AUTO TIMETRAFFIC AND SAFETY|交通与安全基于结构方程模型的驾驶特征研究宋昊1杨光强2林展州3田磊2谢圣滨11.同济大学交通运输工程学院 上海市 2018042.上海城投（集团）有限公司上海市2003363.杭州络达交通市政规划设计院有限公司浙江省杭州市310006摘 要：探究驾驶特征与驾驶安全之间的关系，并提出有效的驾驶建议和安全控制方法，可以显著提高驾驶安全性。但是驾驶特征的影响变量多且复杂，并且变量之间的相互关系不容易被识别。研究探讨了驾驶安全与驾驶特征之间的关系，其中驾驶特征包括驾驶员特征、环境特征和车辆特征。采用上海自然驾驶实验数据，基于结构方程模型构建驾驶安全相关变量之间的复杂关系，16 个变量在结构方程模型中被分组为 5 个具有良好适应度的潜在变量。模型结果表明，与其他变量相比，年龄对驾驶员特征潜变量的贡献度最大，该变量显著影响驾驶安全（老年的驾驶员表现出更高的危险驾驶倾向）。恶劣的天气对驾驶安全产生了负面影响（致使驾驶人变为较低的速度和较高的横向加速度）。综上，研究表明年龄较大的司机、恶劣的天气和速度较高的情况下驾驶安全水平较低。此外，驾驶员特征和环境特征是影响驾驶安全性的主要因素。关键词：驾驶安全驾驶特征结构方程建模自然驾驶研究1引言每年，全世界有超过 125 万人死于交通事故1。因此许多研究人员试图研究获得交通事故发生的主要致因2。同时，研究人员通过对驾驶特征与驾驶安全关系的研究，发现可以通过培训驾驶员、改善交通环境、纠正不良驾驶习惯等方式提高驾驶安全性3。例如，Ahmed4的研究表明，在纠正不良驾驶特征的基础上，联网车辆系统在非拥堵条件下可以减少事故概率。驾驶特征的改善包括几个方面。研究人员在寻找单一驾驶特征与驾驶安全之间的关系上做了大量工作。例如，Bedard 等人5采用多元 logistic 回归，发现驾驶伤害的严重程度随司机年龄和性别的不同而不同；Reymond 等人6提出了一种驾驶行为模型，该模型考虑了驾驶员对最大横向加速度和转向修正的预测；Wang7识别了三种道路类型的安全切入特性。此外，相当多的研究还分析了多因素情况下驾驶特征与驾驶安全之间的关系。然而，在驾驶特征与驾驶安全的关系研究上仍然存在一些方法和数据来源上的不足。对于分析方法，最先进的机器学习方法和计算能力的快速发展推动了此类技术在解决工程和社会科学领域复杂模式识别问题中的应用。Jnior8建议将机器学习方法应用于与安全相关的驾驶特征的任务，并取得了一定的结果。此外，在研究驾驶特征与驾驶安全之间的关系时，不少研究采用了机器学习的方法9。但是同时，这些研究中使用的方法都存在一定局限。过去的研究中使用了不同的数据源来研究驾驶安全。最早的基于驱动程序的研究是通过收集路段的现场数据进行的10。此外，还有一些研究依靠问卷调查来收集数据11，但是此类数据可能具有高度主观性。因此，一些研究使用非侵入式交通传感器（如雷达设备或摄像头传感器）来收集微观行为数据。Research on Driving Characteristics Based on Structural Equation ModelSong HaoYang GuangqiangLin ZhanzhouTian LeiXie ShengbinAbstract：Driving safety could be significantly improved with efective driving suggestion and safety control if the relationship between driving characteristics and driving safety can be explored.However,driving characteristics are complex,and the associated interrelationships among variables are not easily identified.This research explores the relationship between driving safety and driving characteristics which include driver characteristics,environment and vehicle characteristics.The data in this paper was based on Shanghai Naturalistic Driving Study.Then a structural equation model adopted to capture the complex relationships among driving safety analysis related variables.Finally,16 variables are grouped into 5 latent variables in the SEM with a good fitness.The result shows that compared with other variables,age is most positively afected driver characteristics,which in turn afects the risky behavior(Older drivers showed a higher tendency of risky driving).Adverse weather negatively afected driving safety(lower speed and high longitude acceleration).Generally,it shows that the older drivers,adverse weather and high-speed operation exhibited lower levels of driving safety than did other groups.Besides,the result shows that driver behavior and the environment are the main factors to influence risky behavior.Key words：Driving Safety,Driving Characteristics,Structural Equation Modeling,Naturalistic Driving StudyAUTO TIME 193 TRAFFIC AND SAFETY|交通与安全例如，Wu 等人12使用远程交通微波传感器收集交通数据和车头时距信息来预测事故风险。尽管取得了这些成就，但由于传感器覆盖范围的限制，获取实时交通和环境条件信息仍然很困难。随着经济的嵌入式数据记录解决方案的发展，车辆动力学数据现在更容易获得，并且已被用于研究驾驶员的行为（加速、制动和偏航率）。例如，Guo13使用 100辆汽车自然驾驶研究来识别与个体驾驶员风险相关的因素并预测高风险驾驶员。通过构建合适的数学模型，并综合考虑多方因素（包括驾驶员特征、环境特征和车辆特征），探讨驾驶特征与驾驶安全之间存在的关系。驾驶员特征包括年龄、性别、驾驶分心和工作量等因素。车辆特征包括速度、油门等，环境包括道路类型、交通流量和天气。2文献综述2.1驾驶特征与驾驶安全的关系一些驾驶员特征会影响驾驶安全。这些变量包括年龄、性别、驾驶经验等，其中性别和年龄是最突出的因素14。Bedard 等人5采用多元 logistic 回归发现，驾驶安全事件的数量随年龄和性别而变化。老年和女性司机比年轻和男性司机有着更高的驾驶风险。然 而，Al-Balbissia 等 人 提 出 了 相 反 的 发现15，这些研究人员观察到，在所有年龄组中，男性司机的风险高于女性司机。几年后，Antin16使用泊松回归模型确定，在年轻司机中，男性司机更容易遭受严重撞车事故。根据以上讨论的文献，关于驾驶安全与驾驶员不同特征之间关系的结果仍然高度矛盾。此外，车辆特性（例如速度和油门）对驾驶安全的影响在很大程度上仍然未知。具体而言，Goebelbecker17提出的一篇论文参考了 1930 年代和 1940 年代进行的一系列现场测试，以确定弯道上的安全速度，并确定了重型卡车驾驶员感到不适的加速水平。最近，一些研究人员专注于车辆特性与驾驶安全之间的关系。例如，Eboli18使用速度和加速度描述了车辆的运动，这些参数是定义安全驾驶行为的基础。一些之前的研究还发现，速度和油门是驾驶障碍的主要指标19。关于环境对驾驶行为影响的文献非常有限。许多以前的研究人员基于自然驾驶研究比较了不同道路类型导致的驾驶行为差异。如 Wang20开发了一种提取算法，可以从自然驾驶研究中检索 5608 个切入事件。结果表明，道路类型之间的一些差异有明显的解释，如对于天气而言，恶劣的天气会影响交通事故率。通常，研究人员使用车辆的动态模拟来分析车辆的动态运动及其与道路几何元素的相互作用，例如 AliAbdiKordani21研究由天气条件引起的摩擦系数变化对动态的影响，结果表明恶劣的天气会增加驾驶的危险性。3数据预处理与结构方程模型3.1数据预处理自然驾驶数据包括时间数据、环境数据、驾驶员行为数据和周围车辆数据。详情如表 1所示。数据类型描述时间年、月、日、分、秒等环境照度（Lux）、温度（）驾驶行为速度（km/h）、油门（g）、车道偏差（m）、转向角（）等。环绕车辆车辆ID、相对速度（km/h）、相对距离（m）等。表 1自然驾驶数据（1）数据清洗和插值收集的自然驾驶数据存在大量异常值和缺失数据。不同类型的数据需要使用不同的处理方法来处理。首先删除异常数据，然后删除大量缺失数据，以及插补异常数据。自然驾驶数据是时间序列数据，因此采用邻值插值进行插值。（2）数据噪声过滤器许多滤波器可以用于修改数据噪声，包括卡尔曼滤波器、Savitzky-Golay 滤波器等。卡尔曼滤波器适用于线性随机微分系统，是一种通过系统的输入输出来观测数据，对系统状态进行最优估计的算法。因此使用卡尔曼滤波器进行噪声过滤。（3）危险驾驶行为事件计算使用每个指标的 0.01%分位数值拟合判断线，然后提取整个文件中的危险驾驶行为。将 0-130km/h 以 10km/h 的相等间隔划分。对于不同的速度范围，假设数据分布符合泊松分布。根据泊松分布的概率分布函数，将整个数据 0.01%以外的数据作为危险驾驶行为数据。3.2结构方程模型及因子分析结构方程模型可以同时处理大量内生变量和外生变量。在结构方程模型中，将变量定义为未被观察到的潜在变量。潜在变量被指定为观察变量的线性组合。此外，可以基于线性组合建立变量之间的关系。由于所有潜在变量都是从概念上推导出来的，因此它们是假设变量。结构方程模型分为三个部分，第 1 部分是内生变量的测量模型（Y 测量模型）。第二部分是外生变量的测量模型（X测量模型）。第 3 部分是结构模型。使用IBMSPSS中的矩结构分析（AMOS）20 模块来创建结构方程模型。AMOS20 可以在 SPSS 框架内高效交换数据文件，并具有方便的图形界面。为保证各变量对组的匹配程度，根据因子分析结果对组进行了重新分类。使用因子分析研究变量之间的相互关系，目的是找到一组新的较小的变量来表达原始变量的共同点。因子分析的步骤如下：（1）效度测试采用 KMO 检验和 Bartlett 球形检验来保证因子分析的有效性，条件如下：1）KMO检验系数 0.5；2）巴特利特的 P0.05。如果不满足测试条件，重新筛选危险驾驶行为指标。（2）因子分析因子载荷矩阵由实际值确定，并根据贡献率（大于 50%）确定公因子个数。如果不满足测试条件，重新筛选有风险