基于图谱的个体驾驶行为特征描述方法研究

伍毅平，赵晓华

(北京工业大学城市交通学院，北京 100124)

0 引言

驾驶员的驾驶行为是影响机动车安全、绿色、顺畅运行的重要因素[1-3].由于个体属性、驾驶水平及驾驶习惯等存在差异，不同驾驶员具有不同的驾驶行为特征.因此，为挖掘和直观展示不同驾驶行为的特征规律，进而支撑更有针对性的驾驶行为优化，需寻找有效方法实现驾驶行为特征的准确描述与直观表达.

近年来，有不少研究尝试驾驶行为建模以刻画其特征，并在驾驶行为识别和预测等方面取得了成效，获得了可接受的模型精度[4-6].一方面，以往大多研究仅考虑驾驶员某些特定的驾驶行为，如急减速、急转向及急加速等，不能体现驾驶员整体驾驶行为习惯[7]；另一方面，以往研究主要集中于通过数学模型和统计分析实现驾驶行为识别、分类及预测，有关驾驶行为的直观描述和形象表达方法依然缺乏[8].基于以往研究成果，仍然较难回答驾驶员驾驶行为为什么不好，也不能直观展示出不同驾驶行为在何处存在差异.因此，相关研究成果并不能较好地支撑驾驶员驾驶行为培训及优化.

因为驾驶过程中的驾驶行为数据是连续变化的数字型数据，具有数据量大、稳定性差、噪音多等特点，并且某一时刻往往会有多种驾驶操作同时发生，因此传统统计分析与数据图表描述方法较难直观反映驾驶行为的变化过程，需要寻求新的方法以实现驾驶行为特征规律的准确描述.由于在信息可视化方面存在较大优势，图谱已逐渐发展成为展示复杂、多维、不确定、不完整及存在内部关联数据其特征的重要手段，并广泛应用于信息学、绘图学、天体学、生物学等众多领域探索知识可视化，如知识图谱、地理信息图谱、指纹图谱、社交图谱等.其中，通过数据挖掘、信息处理、知识计量和图形绘制，知识图谱可以将复杂知识领直观显示出来，揭示知识发展进程与结构关系.因此，借鉴知识图谱表现形式，通过数据编码和建立关联规则，可以以节点及连接线的形式实现驾驶行为数据特征及相互关系的准确描述，直观表达驾驶行为的变化过程[9-10].

事实上，实际行车过程中驾驶行为主要包括驾驶员驾驶操作和车辆运行状态2个方面.其中，驾驶操作主要体现为驾驶员对车辆方向盘、档位、加速踏板、减速踏板及离合踏板等的控制；车辆运行状态则主要通过车辆速度、加速度、发动机转速、扭矩等描述.为更加直接地反应驾驶员个体行为特征及驾车习惯，本研究旨在利用图谱理论，构建驾驶操作行为特征图谱，剖析驾驶操作行为的过程变化特性.

1 数据基础

用于驾驶操作行为图谱构建的基础数据来自北京工业大学驾驶模拟实验平台，驾驶车辆为丰田 Yaris 手动挡车型.该平台能模拟和再现实车运行环境，并以30 Hz的频率记录驾驶人操控行为参数(如加速踏板/制动踏板踩踏深度、方向盘转角、档位等)和车辆运行参数(速度、加速度、侧向位移等).其中，本研究主要涉及的驾驶操作行为数据项、表征符号以及数据取值范围如表1所示.

表1 驾驶操作行为数据项及变化范围

对于手动挡车型，车辆起步时需要驾驶员同时进行多种驾驶操作，其操作行为较其它驾驶事件(如停车、跟驰、变道等)更为复杂，起步过程是驾驶员驾驶操作行为特征的典型代表，可以较好地反应驾驶操作水平.因此，为更加明显地反映不同类型的驾驶操作行为特征差异，研究选定车辆起步过程为分析对象.起步过程均设置在城市道路的平直路段上，定义为车辆速度由0开始增加至车辆驶过100 m的距离，并控制实验场景无其他干扰因素.本研究共获取22名驾驶员的车辆起步数据，用于驾驶操作行为特征图谱建模与分析.随机选择1名驾驶员起步过程的驾驶操作数据绘制散点图(图1)，由于研究选定平直路段的起步过程作为数据分析对象，因此减速踏板行程值为0，方向盘转角数据无变化，加速踏板、离合踏板和档位的变化示意见图1.

图1 起步过程驾驶操作行为数据示意

2 驾驶行为特征图谱构建

研究旨在通过对原始驾驶行为数据的信息抽取、融合和加工，将连续数字型的基础数据转化为抽象型的图谱形式.由于驾驶操作行为数据具有连续过程变化的特点，对比图谱要素构成，研究以时间基元为横轴，空间基元为纵轴，连线代表行为持续时间，通过研究确定图谱元素排列组合规则进而完成驾驶行为特征图谱构建.

2.1 时间基元构建

时间基元主要用于描述驾驶员驾驶操作行为的时间维度.根据模拟实验测试结果，驾驶员平均花费15 s左右的时间完成起步过程，因此，本研究拟以1 s为时间间隔确定操作行为的变化过程.由于研究选用的模拟器每秒记录驾驶操作数据30次，因此研究引入时间窗概念，首先将原始数据抽取为逐秒数据.

以固定值30为窗口长度，逐秒驾驶操作行为特征平均值可由公式(1)计算.

(1)

式中,f(xi)为驾驶模拟器在时刻i采集到的驾驶操作行为原始值；f(n)为驾驶操作行为在该秒的平均值.如果本秒原始数据采集量不足30个，则f(n)采用可用的数据求平均值.

2.2 空间基元构建

完成时间基元构建获取逐秒数据后，空间基元构建的主要任务则是将数值型数据转化为图谱所具有的抽象化节点符号，即数据编码.研究定义编码的产生条件为：驾驶操作行为在某一时刻发生显著改变.因此，研究首先将驾驶操作行为数据范围划分为3等份，由节点大小代表驾驶操作的程度(如踩踏离合踏板深度).如图2所示，最小、中等、最大实心圆分别表征踩踏离合踏板行程位于0～1/3、1/3～2/3、2/3～1.特别地，研究采用空心圆表征驾驶操作行为为0.

图2 驾驶操作行为节点定义(以离合踏板为例)

按照此规则，可以分别获得加速踏板及档位的编码规则.因为选定平直道路上的起步过程为研究对象，且无其它外部条件干扰，因此车辆减速踏板行程始终为0，故在后文的研究中不再包含.

2.3 排列组合

在完成图谱时间和空间基元构建后，需要重点考虑图谱各要素之间的排列组合形式，刻画不同要素之间的关联关系.由于实际行车过程中，同一时刻可能存在单一或多个驾驶操作行为作用，不仅需要确定单个操作行为随时间的变化过程，还需要考虑多个操作行为之间的相互关系.首先，根据行为发生时间顺序分别排列单一驾驶操作行为；然后，设计不同操作行为之间的组合形式.

2.3.1 单一行为排列

进行单一行为排列时，主要考虑时间序列上连续相邻节点间的差异特征，定义假设条件如下：

1)驾驶操作行为编码从起步的第一秒开始；

2)如果当前秒与相邻上一节点的驾驶操作行为变化程度大于等于行程1/3，则在当前秒生成新的驾驶操作行为编码；

3)当驾驶操作行为值为0且相对于相邻上一秒首次发生，则在该秒生成带有驾驶操作行为符号的空心圆作为编码.

2.3.2 多种行为组合

多种行为组合主要涉及2方面内容：一是同一时刻不同操作行为的纵向排列；二是不同时刻之间行为的持续及变化.因此，研究定义以下3项规则实施多种行为的组合排列：

1)以时间序列为X轴、驾驶操作行为为Y轴构建坐标系，并且X轴和Y轴的间隔等分设置.同时，对于Y轴，按照驾驶操作行为的首字母先后顺序由下至上依次放置：加速踏板(A)、离合踏板(C)、档位(G)和方向盘(S)；

2)结合驾驶操作行为发生时间及节点编码产生规则，确定每一驾驶操作行为在上述坐标轴中的位置及相应的节点编码属性(大小、符号及虚实)；

3)从坐标轴原点开始，按照发生时间先后顺序利用直线连接每个驾驶操作行为节点编码，直线表示驾驶操作行为随时间延长一直持续.

依据上述方法，可构建获得起步过程中的驾驶操作行为图谱.随机选取1名驾驶员起步过程的操作行为数据，构建特征图谱如图3所示，由此可以明显看出每种驾驶操作行为的发生时间、操作程度及先后顺序.进一步分析图3可知，该驾驶员的典型驾驶行为特征包括：①对于方向盘操作，在第1秒出现后，后续时间一直没有出现大的改变；②通过一次换挡行为(1档换至2档)完成起步过程；③加速时加速踏板行程较小，起步过程未存在急加速现象.

2.4 结果分析

图3 驾驶员起步过程的驾驶操作行为图谱示意

图4 起步过程操作行为特征图谱(5名驾驶员)

根据以上图谱构建方法，随机选择5名驾驶员起步过程的操作行为数据构建图谱(如下图4)，进而分析不同个体驾驶操作行为特征.由图4明显可以看出，不同驾驶员完成相同距离起步过程的耗时长短存在差别.进一步对比分析不同驾驶员的驾驶行为图谱，可获得以下典型行为特征：

1)驾驶员A和B驾车相对激进，急加速现象明显、且不及时提升档位、经常出现空加油现象(换挡时刻仍踩踏加速踏板)；

2)驾驶员C驾车相对平缓，无急加速现象存在，但更换档位花费时间较长，可以推测该驾驶员极有可能为新手，同等条件下其驾驶熟练程度较其他4名驾驶员更低；

3)驾驶员D和E驾驶行为习惯相对更好，不仅无急加速现象，而且能及时和快速地更换档位.

3 结束语

基于驾驶模拟实验获取的驾驶操作行为数据，匹配分析行为数据特点与图谱元素构成，提出了基于图谱的个体驾驶行为特征描述方法.以操作行为发生时间为图谱时间基元(横轴)，以不同操作行为实施力度为图谱空间基元(纵轴)，按照操作行为的变化过程为主线，构建了不同驾驶员个体在车辆起步阶段的驾驶操作行为特征图谱，实现了个体驾驶行为过程变化规律的直观表达.通过不同驾驶员个体驾驶操作行为图谱对比分析可知，不同驾驶员的驾驶行为特征存在不同程度差异，驾驶行为特征图谱能较好地刻画其差异特性，为准确剖析和把握驾驶行为特征提供了方法支持.

本文提出了利用图谱描述个体驾驶行为特征的方法，但仅以典型的车辆起步过程为例进行了验证说明，后续会构建针对停车、变道、跟驰等不同驾驶事件的驾驶行为特征图谱，以增强研究结果的合理性和可行性.同时，构建图谱时定义的时空阈值需要针对不同事件进行标定和具体测算.另外，本研究只是定性地阐述了不同驾驶行为特征图谱的差异性，有必要引入相似性判别的方法进一步量化分析.

[1] 张卫华,胡喆,冯忠祥,等.低能见度环境中驾驶人危险驾驶行为影响因素分析[J].中国安全科学学报,2017,27(1): 13-18.

[2] WU Y P,ZHAO X H,YAO Y,MA J M,RONG J.Optimization method to improve ecodriving acceptance and effectiveness based on driver type classification [J].Transportation Research Record,2017(2665): 21-29.

[3] 王福景,于继承,赵雨旸,等.基于VISSIM仿真的生态驾驶行为对交叉口运行效率影响[J].交通科技与经济,2014,16(2): 109-113.

[4] WANG W,ZHANG W,GUO H,et al.A safety-based approaching behavioural model with various driving characteristics [J].TransportationResearch Part C: Emerging Technologies,2011,19: 1202-1214.

[5] PAUWELUSSEN J,FEENSTRA P J.Driver behavior analysis during ACC activation and deactivation in a real traffic environment [J].IEEE Transactions onIntelligent Transportation Systems,2010,11(2): 329-338.

[6] LINDGREN A,ANGELELLI A,MENDOZA P A,et al.Driver behaviour when using an integrated advisory warning display for advanced driver assistancesystems [M].IET on Intelligent Transport Systems,2009,3(4): 390-399.

[7] SEKIZAWA S,INAGAKI S,SUZUKI T,et al.Modeling and recognition of driving behavior based onstochastic switched ARX model.IEEE Transactions on Intelligent Transportation Systems,2007,8(4): 593-606.

[8] TOLEDO T,KOUTSOPOULOS H N,BEN-AKIVA M.Integrated driving behavior modeling.Transportation Research Part C,2007(15): 96-112.

[9] Chen C.Mapping scientific frontiers [M].Springer.London,2003.

[10] CHEN S W,FANG C Y,TIEN C T.Diver behavior modeling system based on graph construction [J].Transportation Research Part C: Emerging Technologies,2013(26): 314-330.