基于轨迹数据的小汽车急减速行为特征分析

2021-12-07张建波孙建平温慧敏宋国华

北京工业大学学报 2021年12期

张建波，孙建平，温慧敏，宋国华

(1.北京交通大学交通运输学院, 北京 100044；2.北京交通发展研究院城市交通运行仿真与决策支持北京市重点实验室, 北京 100073；3.北京交通发展研究院城市交通北京市国际科技合作基地, 北京 100073)

随着汽车出行的快速发展，交通安全与效率的改善已经成为道路交通管理的重要工作之一. 而不安全的驾驶行为(如剧烈加减速、突然换道、疲劳驾驶[1]等)是造成交通事故，引发交通震荡、严重拥堵的重要原因之一，经常导致严重的人员伤亡与经济财产损失[2].

手机传感器、卫星定位、车联网等技术的快速发展使得实时采集车辆运动轨迹[3]进行危险驾驶行为的监测和预警成为可能. 很多学者利用多源数据开展了高风险驾驶行为的诊断与评估研究. Carboni等[4]利用车辆轨迹数据分析车辆的激烈驾驶行为并诊断高风险道路. Phondeenana等[5]利用全球定位系统(global positioning system,GPS)设备采集的速度和方向角数据进行高风险驾驶行为的诊断，并开展驾驶员安全评分. Fugiglando等[6]利用控制器局域网络(controller area network,CAN)总线设备采集公交车运行数据进行驾驶行为分析与聚类研究. 王雪松等[2]基于自然驾驶数据建立了危险事件识别的随机森林模型. 此外，手机传感器数据[7-8]、车辆导航信息[9]等也被广泛应用到高风险驾驶行为的诊断与分析当中.

当前大部分研究聚焦于如何利用多源数据进行危险驾驶行为的诊断[8，10]、风险道路点段的识别等工作. 在现有的研究中，缺乏对以急减速为代表的高风险驾驶行为基本规律的挖掘，对影响高风险驾驶行为的时空因素讨论较少. 而挖掘急减速等高风险驾驶行为特征及其时空关联规律对于诊断高风险驾驶行为、识别道路风险点段，乃至驾驶行为安全预警等工作均有重要的指导意义，有助于更精准地降低驾驶行为风险，减少交通事故的发生.

本文以北京市的小汽车运行轨迹数据为支撑，针对高风险的小汽车急减速行为进行诊断与特征研究，希望为车辆网环境下的高风险驾驶行为的快速诊断与互助预警服务提供支持.

1 数据准备与急减速识别

1.1 数据准备

本文利用的车辆轨迹数据通过安装在社会车辆上的CAN总线设备“智驾盒子”[11]获得. 智驾盒子实时采集车辆的位置、速度、油耗和发动机运行参数等信息. 选取北京市1.3万余辆小汽车在2020年6月2个工作日的行驶轨迹数据作为小汽车急减速分析的样本，其数据采样频率为1 s.

数据处理与急减速诊断流程如图1所示，主要包括轨迹数据清洗、道路类型匹配和急减速筛选3个步骤.

图1 数据处理流程Fig.1 Data processing diagram

首先对经过脱敏处理的轨迹数据进行清洗，包括检查时间连续性，将前后时间间隔超过2 s的数据点剔除，保证轨迹数据的时间连续性. 剔除缺失数据(如经纬度、速度缺失，通常由数据传输问题导致)和错误数据(速度超过100 km/h、加速度绝对值超过10 m/s2的轨迹点)等. 随后利用轨迹的经纬度信息匹配北京市路网信息，建立轨迹数据与道路类型等空间地理信息(路段编号、路段等级等)的关联关系. 最后筛选出信息完整的小汽车轨迹有效样本9 000余万条. 在此基础上根据急减速定义与阈值敏感性分析结果筛选急减速样本数据.

1.2 急减速诊断方法

剧烈的急减速行为是影响道路交通流稳定的关键因素之一. 急减速通常是车辆为避免与前进方向上的车辆、物体发生碰撞，或是避免错过道路交通节点(如交叉口、快速路出入口匝道等)而采取的紧急减速措施. 在交通流速度较快或密度较高的情况下，急减速行为不仅具有较高的安全隐患，也会造成交通延误甚至严重的交通拥堵，如快速路的交通流陡降、交通震荡等[12].

通过概述急减速行为特点，可以总结急减速行为是一种车辆在短时间内速度急剧下降的现象. 而反映速度变化程度的减速度是有效衡量急减速行为剧烈程度的关键参数. 据此，本文对急减速行为[4]进行如下定义：急减速是机动车连续减速并且平均减速度超过临界阈值的剧烈减速行为. 其数学表达为

vt≤vt-1, ∀t∈(m，n]

(1)

Δt=n-m≥Δtc

(2)

(3)

式中：vt为车辆在t时刻的速度，m/s；Δt为连续减速的时间差，s；ad为车辆的平均减速度，m/s2，Δtc为减速持续时间的临界阈值，s；ac为平均减速度临界阈值，m/s2. 本研究中默认减速度均为参数绝对值.

为了提取有效的急减速样本，本文对急减速诊断的阈值参数持续时间和平均减速度2个关键阈值进行了参数敏感性分析. 结果如表1所示，随着减速持续时间或平均减速度的增大，急减速样本数量快速下降. 急减速的诊断阈值设置会显著影响样本数量. 统计发现虽然阈值参数会影响样本数量，但急减速的统计规律具有一定的稳定性.

表1 不同阈值参数下的急减速识别结果Table 1 Identification results of the rapid deceleration under different threshold parameters

为了保证足够的样本数量，同时尽可能排除车辆轨迹短时扰动带来的干扰，研究最终确定急减速诊断阈值分别取减速持续时间Δtc=2 s和平均减速度ac=1.0 m/s2(参数绝对值)，并剔除初始速度低于15 km/h的低速样本.

在筛选出急减速轨迹样本6.4万余个后，为了有效评价急减速行为特征，定义几个急减速的评价与分析指标.

1) 道路类型特征：急减速开始时所处车道的道路类型，分为快速路、主干路和次支路.

2) 初始速度：急减速开始时的车辆运行速度,km/h.

3) 平均减速度：车辆在急减速过程中的平均减速度的绝对值,m/s2.

4) 减速持续时间：急减速从开始到结束的持续时间,s.

5) 发生时间：急减速发生的具体时间，精确到小时,h.

6) 单车减速频率：在统计样本的时间范围内，同一车辆/驾驶员的急减速次数与车辆行驶时间的比值，次/h.

2 急减速行为特征分析

2.1 急减速的基本特征

1) 初始速度

以5 km/h为间隔划分速度间隔并统计急减速的发生概率分布，结果如图2所示. 结果表明快速路条件下的急减速行为的初始速度概率分布与主干路和次支路条件下的概率分布显著不同.

图2 考虑初始速度间隔的急减速概率分布Fig.2 Probability distribution of rapid deceleration based on initial speed intervals

主干路和次支路条件下的急减速初始速度概率分布呈现对数正态分布的特征，其分布峰值分别落在45和40 km/h的速度区间内. 而快速路的急减速初始速度分布峰值则处于25 km/h的速度区间. 这一结果反映出快速路的急减速行为更多些发生在低速状态下，即道路处于拥堵状态. 而当道路处于60～80 km/h的高速状态时，快速路的急减速行为发生概率要略高于主干路和次支路. 统计发现，急减速行为发生时所处道路类型的占比按快速路、主干路和次支路的顺序依次为14.3%、26.4%和59.3%. 更多的急减速行为发生在低等级道路上.

2) 持续时间

急减速的持续时间一定程度上反映了急减速行为的剧烈程度. 不同道路条件下，车辆急减速持续时间不超过4 s的比例按快速路、主干路和次支路的顺序依次为88.6%、79.6%和81.4%(见图3). 相比其他道路类型，车辆在快速路上的短时急减速比例会更高. 这反映出快速路上的车辆存在较多的剧烈的短时震荡行为，即车辆处在不断走走停停的拥堵状态. 这与图2中快速路条件下的急减速发生概率较高的特征具有一致性.

图3 急减速的持续时间分布Fig.3 Distribution of duration of rapid deceleration

3) 平均减速度

考虑急减速持续时间和初始速度条件统计急减速样本的平均减速度的均值变化特征，结果如图4所示. 在初始速度相同的条件下，急减速的持续时间越短，急减速行为的减速度均值越大，减速行为越剧烈. 而在减速持续时间相同的条件下，随着初始速度的增大，减速度均值也逐渐增大；但减速度均值的增幅逐渐下降，最大减速度均值稳定在1.5 m/s2左右. 分析出现这一变化趋势的原因是初始速度越高，急减速行为会越剧烈；但受车辆性能约束，其平均减速度不会超过一定限值，而是稳定在一定减速度水平. 这反映出初始速度和持续时间是影响急减速剧烈程度的关键因素.

图4 不同速度和持续时间下的平均减速度统计Fig.4 Statistics of average deceleration under different speeds and durations

针对急减速行为的减速度均值变化趋势特征，本文采用指数衰减函数，利用Origin软件对上述结果进行拟合，得到了由减速持续时间和初始速度作为自变量的急减速行为的平均减速度计算函数

ad=a·e-v/t+c

(4)

式中：a、t和c均为需要标定的模型参数，分别表示振幅、时间常量和偏移量；v为车辆初始减速度,km/h；ad为平均减速度，m/s2.

拟合参数结果如表2所示，指数函数对平均减速度曲线的拟合效果较好，拟合优度均超过0.98.

表2 平均减速度函数拟合结果Table 2 Fitting results of average deceleration function

2.2 与交通状态的关联特征

以同期的北京市道路交通运行指数(traffic performance index, TPI)[13]作为反映道路交通状态的指标参数，对比不同道路类型下急减速行为发生频率的时变曲线. 如图5所示，快速路、主干路和次支路条件下的急减速发生频率时变曲线与交通指数时变曲线的相关系数分别为0.84、0.85和0.86，表明急减速行为的发生频率与交通拥堵状态具有显著的正相关关系.

图5 急减速频率时序Fig.5 Timing diagram of rapid deceleration frequency

道路交通的拥堵程度越高，发生急减速行为的频率则越高. 同时，在早晚高峰期间，急减速发生频率显著增加的时间与交通指数快速增大的时间也具有一致性. 这表明急减速发生频率显著增加的过程与道路交通状态逐渐恶化的过程是同步的.

以快速路为例进一步分析急减速与交通拥堵的关系. 图6(a)对比了快速路条件下小汽车轨迹数据中的行驶速度和急减速频率分布. 小汽车急减速的频率分布与行驶速度的频率分布差异显著. 快速路小汽车的行驶速度呈现明显的双峰分布特征. 在速度分布较低的20～40 km/h区间内，小汽车的急减速行为发生的概率反而最高.

图6 快速路的急减速频率与交通状态的关系Fig.6 Relationship between the frequency of the rapid deceleration and traffic states

上述现象可以用道路交通流的状态演化机理来解释. 如图6(b)所示，如果按流量- 速度曲线(利用北京RTMS数据通过Van Aerde模型标定获得，详见文献[14])中的临界速度将交通状态分为自由流(临界速度以上)和拥堵流(临界速度以下)2相[15]，快速路条件下急减速概率分布的峰值区间恰好对应了流量- 速度曲线中的拥堵相. 在道路拥堵过程中，交通流中存在大量的交通扰动现象，即车辆处于不断的走走停停状态，此时快速路上的车辆即存在不断的急减速行为. 而快速路在高速度的畅通状态下，车流密度低，车辆间的相互作用较小(车辆间距大)，车辆发生急减速行为的频率则相对较低.

3 案例分析与讨论

急减速行为诊断与分析的主要目的是为道路交通安全与驾驶行为服务提供支持. 分别以急减速道路风险点诊断和考虑急减速的驾驶员评价为案例进行急减速行为分析的应用与讨论.

3.1 急减速风险路段诊断

急减速行为是引发交通事故和拥堵的关键因素之一. 通过对历史车辆轨迹大数据的挖掘可以有效识别急减速行为频发的道路热点位置.

如图7所示，以提取的急减速样本数据为例，根据急减速行为发生的初始位置绘制北京急减速空间分布热力图. 可以发现：对快速路来说，急减速行为发生的高频位置主要在快速路交通节点位置(此处将交通节点定义为车流发生交汇的物理位置，主要包括交叉口、道路出入匝道等)，典型的如快速路西直门桥、国贸桥路段等. 而非快速路的急减速发生热区也与交叉口等道路节点高度对应.

图7 急减行为分布热力图Fig.7 Distribution heatmap of the abrupt deceleration behavior

以北京路网信息为基础，统计急减速行为发生位置与下游道路节点的距离. 结果表明发生在主干路与次支路条件下的急减速行为中，距下游道路节点不超过200 m的样本分别占其样本总量的50.1%和49.5%. 分析其原因，是因为在临近道路节点的路段，存在大量的换道、转向和进出匝道等需求，从而导致车辆驾驶状态发生改变的概率显著增加.

3.2 驾驶员特征聚类与评价

以定义的单车减速频率为核心，从驾驶员/单车角度对急减速与驾驶员特征进行聚类分析，讨论急减速行为特征与驾驶员异质性(heterogeneity)[16]的关联关系. 统计轨迹数据中单车出行时间超过5 h的数据，共获得310个驾驶员/单车样本. 绘制驾驶员/单车急减速频率的分布，如图8所示. 结果展示驾驶员的急减速频率服从对数正态分布，其急减速期望均值为6.07次/h. 案例数据表明不同驾驶员在急减速行为频率上表现出显著的差异性，体现了驾驶员在减速行为上的驾驶风格差异.

图8 基于驾驶员的急减速频率分布统计Fig.8 Statistics of the frequency distribution of the abrupt deceleration based on drivers

为讨论急减速特征与驾驶员一般驾驶行为特征的关联性，分别计算单车/驾驶员在2个工作日内的驾驶行为特征参数(见表3中参数)，再分别统计与急减速频率的皮尔逊相关系数

(5)

式中：Cov(x,y)为x和y的协方差；Var(x)和Var(y)分别为x和y的方差.

结果如表3所示，与单车急减速频率相关性较高的参数是加速度标准差和减速度均值. 加速度标准差反映了单车行驶过程中速度的波动性，而减速度均值则反映了驾驶员减速的剧烈程度. 2个参数均在一定程度上代表了驾驶员特征.

表3 单车急减速频率与驾驶特征的相关性Table 3 Correlations between the frequency of vehicle-based rapid deceleration and vehicle-based driving characteristics

在上述分析基础上，本文采用K-means聚类模型[17]对驾驶员类型进行聚类.K-means聚类通过随机选择k个聚类中心，计算每个数据点到k个中心点的欧式距离，通过不断迭代实现最优聚类. 本文以加速度标准差和减速度均值为输入参数，指定驾驶员聚类数为k=3，分别为保守型、普通型和激进型. 聚类结果如表4所示，在310个驾驶员样本中，保守型、普通型和激进型驾驶员的比例分别为40.6%、39.7%和19.7%. 不同类型的驾驶员特征参数统计结果差异显著. 驾驶员类型越激进，其加速度标准差和减速度均值越大，其急减速频率也越高. 这一结果也表明在驾驶行为相关的分析中区分驾驶员类型的必要性.