基于因子分析与人工神经网络的驾驶倾向性动态辨识模型

张洪宾， 王 云， 孙龙祥

(山东理工大学交通与车辆工程学院， 淄博 255000)

驾驶过程中驾驶员对周围环境感知及处理所表现出来的异常加减速、转弯、变道等驾驶行为，极易引发交通事故[1-4]。准确地识别驾驶员驾驶过程中的倾向性，提前做好汽车行驶过程中的安全预警具有重要意义。Yan等[5]根据驾驶员生理特征与情绪之间的相互关系，设计实验探寻驾驶员脉搏、血压、皮电、呼吸等生理特性与驾驶情绪间的变化规律，利用选定的心理参数对驾驶员情绪进行辨识与监测。Schmidt-Daffy[6]认为恐惧、焦虑等消极驾驶情绪会使驾驶员在驾驶任务中保持谨慎保守的驾驶态度，并使用增加驾驶任务与改变道路环境等方法进行验证。李明俊等[7]依据支持向量机(support vector machine, SVM)与多分类半监督学习算法，分别建立SVM与多分类半监督学习的驾驶风格识别模型，得出结论多分类半监督学习算法(inductive multi-label classification with unlabeled data，iMLCU)模型，该模型与SVM相比可提高对驾驶倾向性的识别能力。Amanda等[8]认为具有愤怒倾向的驾驶员在行驶过程中更容易产生消极驾驶情绪，在与其他交通参与者博弈过程中更容易被激怒，从而产生频繁超车、换道、超速等攻击性驾驶行为。Roidl等[9]建立不同的交通情境，参与者可通过在线调查感受到不同的交通情境，评价自己的情绪，从而研究交通情境和情感体验之间的关系。侯海晶等[10]提取表征驾驶风格的特征参数，对不同风格驾驶人的驾驶行为数据进行了量化分析。郝景贤等[11]在完成实车驾驶实验基础上对驾驶数据提取特征参数并使用K-means聚类对其进行聚类分析，完成驾驶倾向的辨识，辨识准确率较高。程静等[12]将竞争学习算法应用于驾驶行为预测，并对高兴、平静、愤怒、悲伤四种情绪进行车速值预测，结果表明预测值非常接近观测值。刘玲莉等[13]通过构建路怒情绪影响下驾驶员注意、感觉、思维决策信息加工模型对低驾龄驾驶员进行决策分析，结果表明路怒情绪对低驾龄驾驶员驾驶行为决策过程的注意、思维、感觉等有直接的影响关系。Zhang等[14]、Wang等[15]使用车载雷达与视频检测等技术手段采集驾驶员、其他交通参与者、驾驶环境等信息，探寻特定交通态势下驾驶员驾驶行为及驾驶情感的变化规律，对不同道路环境下驾驶员驾驶倾向性预测、辨识等问题进行了研究，由于激光雷达成本较高，安装复杂，抗震抗扰性较弱，容易产生一定误差，普及率低且实验数据处理过程烦琐。

以上研究对驾驶员的生心理指标变化规律及其与驾驶行为的关系、驾驶员情绪与车速的关系等方面进行了研究，但综合使用心理测试、实车实验和模型预测对驾驶员的驾驶倾向性研究较少。现以驾驶倾向性为研究对象，基于驾驶员心理测试、实车实验方式采集驾驶员驾驶倾向信息及驾驶状态数据，采用因子分析和人工神经网络建立驾驶倾向性动态辨识模型，并对模型进行验证，以期准确高效地辨识驾驶员驾驶过程中的驾驶倾向性，提前做好安全预警，对减少道路交通事故具有重要意义。

1 模型设计

1.1 驾驶倾向性

根据不同驾驶员在驾驶行为上的差异性，驾驶倾向性可划分为保守型、普通型和激进型。传统驾驶倾向性辨识模型多采用自车车速、前车车速、前后车头间距、前后车相对速度作为辨识模型的主要因素，参数选择较少，而有些与驾驶倾向性有着明显相关性的因素容易被忽略。另外，当输入参数增多时，模型运算效率不高，无法直接代入使用。现将从人-车动态数据出发，分析驾驶员的驾龄、年龄、性别，自车速度、加速度以及与之对应的最大值、最小值、均值、标准差，前车速度、前后车头间距、前后车相对速度等指标对驾驶倾向性的影响，利用因子提取驾驶倾向性特征向量作为人工神经网络辨识模型的输入参数，实现驾驶倾向性的动态辨识。

1.2 因子分析及神经网络组合模型

通过分析驾驶倾向性动态辨识过程，设计基于因子分析与人工神经网络的驾驶倾向性动态辨识模型。设x1，x2，…，xm为m个与驾驶倾向性有关的驾驶行为变量，这m个与驾驶倾向性有关的驾驶行为变量是由f1，f2，…，fn(n个主因子)和一个λm×n阶矩阵的乘积加上ε(ε1,ε2,…,εm)组成，建立因子模型为Xm=λm×nfn+εm，具体表示为

(1)

(2)

(3)

(4)

(5)

(6)

(7)

如图1所示，人工神经网络的输入向量由因子分析获得，驾驶倾向性数据沿着人工神经网络正向传播，并根据误差的大小反向修正误差权值，重复训练，最终建立驾驶倾向性动态辨识模型。

F1，F2，…，Fn为n个因子分析获得的特征参数并作为BP神经网络的输入值；wij、wjk分别为人工神经网络各层间的连接权值

2 实验数据及指标提取

2.1 实验设计

2.1.1 心理测试

征集50名出租车驾驶员，其中男性30名，女性20名，年龄均在20～50岁。参照文献[14-15]对其进行心理问卷测试，根据这50名驾驶员最终问卷得分情况，确定其静态驾驶倾向性。

2.1.2 实车实验

(1)实验设备。实验需测试本车及前后车车速、前后车车距、周围环境信息、驾驶员生理信息等，实验设备如图2所示。

图2 实验设备Fig.2 Experimental equipment

(2)实验条件与地点。实验地点选择与具体行车路线如图3所示。实验车辆为出租车，型号统一，实验时间选择在天气晴朗、周围环境适宜且正常工作日的上午8:30—10:30，避开早高峰期，车流量较多但不会产生长时间拥堵。为确保驾驶人的一致性，实车实验人员为上述征集的50名出租车驾驶员，在身心状态良好时开始实验，围绕图3所示路线行驶一周计一次实验，其中红色箭头所指方向为实验行驶方向，红色标记杆之间路段为实验数据路段，长度为245 m。起点标记杆位置的选择是根据实际情景中交叉口上游车道数发生改变的位置而定；终点标记杆的位置则是根据车辆驶离交叉口且不再受交叉口影响的位置而定。每人实验3～5次，收集驾驶行为数据，每次实验所获得的数据为一组有效数据。

图3 实验路线图Fig.3 Road Map of the experiment

2.2 参数提取

实验过程中，装备动态人车环境信息采集系统的驾驶员在给定的路线上行驶。利用高清摄像机、激光测距仪、光纤配线盒车载自动诊断系统(on board diagnostics，OBD)、全球定位系统(global positioning system，GPS)、陀螺仪等实验设备全程记录本车及其(内、外)环境、驾驶员及行为以及其他相关动态传感信息，进而得到自车的速度均值、最小速度、最大速度、速度标准差、加速比例、减速比例、匀速比例、加速度均值、减速度均值、加速度标准差，以及前车速度、前后车头间距共12个与驾驶员驾驶倾向性有明显相关性的驾驶行为指标。其中驾驶行为指标名称及缩写如表1所示。

表1 驾驶行为指标名称及缩写

以上驾驶指标中存在一定相关性，可通过数据降维将相同性质的变量归为一个因子，找出具有代表性的因子。将已获得数据输入SPSS软件进行分析，检验统计量(Kaiser-Meyer-Olkin，KMO)为0.545>0.5，适合做因子分析。分析结果显示，前6个因子累计方差贡献率为92.5%，能代表所有参数绝大部分信息。碎石图展现因子分析里因子涵盖变量信息多少[16]。与驾驶倾向性明显相关的驾驶行为指标碎石图，如图4所示。由图4可知，前8个因子可以百分百提取数据所有信息，前6个因子折线坡度较陡，可以看出前6个因子占数据中变异性的大部分。结合累计方差贡献率，提取前6个因子为公因子是合理的。

图4 各成分碎石图Fig.4 Macadam map of each component

3 模型参数训练及验证

3.1 模型参数训练

采用MATLAB语言编写算法构建模型。经过道路条件划分，提取行驶在快速路基础路段的驾驶行为数据469 组，并随机选取其中400 组数据进行因子分析作为训练样本数据。综合考虑各特征参数，设置神经网络结构为3-6-3，即3个输入节点，6个隐含节点，3个输出节点，其中激进型、普通型、保守型驾驶倾向性分别表示为(0，0，1)、(0，1，0)、(1，0，0)。模型训练完成后，将剩余69 组数据输入驾驶倾向性动态辨识模型进行模型测试，计算辨识模型准确率与MSE值验证模型的准确性。模型训练及验证流程如图5所示。

图5 模型训练及验证流程图Fig.5 Model training and validation flow chart

3.2 模型验证

根据69组测试样本输出结果显示(表2)，建立的模型驾驶倾向性动态辨识的准确率为89.85%，与BP神经网络直接预测相比，训练时间减少0.13 s，准确率提高5.59%，相对误差降低4.33%。同时，图6说明了BP神经网络的测试、训练及验证均方误差(MSE)变化情况，其中横坐标表示神经网络迭代次数，纵坐标表示均方误差变化情况。由图6可知，网络训练循环44次，MSE在第32次达到最优值0.032。结果表明，运用因子分析降低参数间相关性，再训练神经网络建立模型，可对驾驶员驾驶倾向性进行高效动态辨识。

图6 模型预测结果误差Fig.6 The error of model prediction

4 结论

通过心理测试、实车实验方式获取不同驾驶倾向性的驾驶行为数据，重点分析汽车行驶速度、加速度等指标，应用因子分析与人工神经网络建立驾驶倾向性动态辨识模型，通过驾驶员心理测试、实车实验数据对模型进行验证，结果表明该模型具有训练时间少、辨识准确率较高、相对误差低的特点，为提前做好安全预警，减少道路交通事故具有重要意义。