基于大数据的车辆驾驶行为安全性研究

2022-11-07秦世昊翟登旺王江武吴庭旭李耀华

汽车文摘 2022年11期

秦世昊翟登旺王江武吴庭旭李耀华

（长安大学汽车学院，西安 710064）

主题词：驾驶行为安全性评价大数据分析聚类分析K-Means

1 引言

随着我国汽车保有量逐年递增，交通事故数量也随之增多，每年均会造成巨大的人员伤亡与财产损失。2020年，全国机动车交通事故达到211 074起，事故造成死亡61 703人，直接财产损失超过13亿元[1]。根据Chan[2]的研究，94%的交通事故是由于驾驶员的主观失误所造成。2018年，我国因驾驶员违规违法行为所造成的交通事故死亡人数占总死亡人数比例为88.91%[3]。因此，研究驾驶人员的驾驶行为对保证车辆安全行驶有着重要的意义[4-5]。

本文采用北京51路电动公交车2020年5月20日至2021年5月20日的全年车辆行驶数据，对车辆驾驶行为安全性展开研究，对超速、急加速、急减速、熄火滑行的不安全驾驶行为进行识别分析，以自然月为单位，采用K-Means对数据进行聚类分析评价，从而量化评估驾驶员的驾驶行为，为车辆行驶安全性评价、驾驶员培训管理和车辆保险定价提供参考。

2 数据概述

本文基于北京市51路10辆纯电动公交车，2020年5月20日至2021年5月20日车辆正常工作期间的历史运行数据，数据的采样间隔为15 s，其内容包含车辆一般行驶数据和特别的电池与电机数据。

车辆一般行驶数据的类别如表1所示，车辆行驶路线如图1所示，主要包括南三环和其它城市道路，图像来源为百度地图。

表1 车辆一般行驶数据类别

3 不安全驾驶行为识别

基于车辆行驶数据特性，对超速、急加速、急减速和熄火滑行的不安全行为进行分析，建立二级指标的评价体系，如表2所示。

表2 驾驶行为评价指标

3.1 超速行为

车速对交通安全有着重大影响。车速越快，驾驶员对车辆的控制能力越低，造成交通事故的可能性越大。因此，超速行为是危害车辆行驶安全的重要评价指标。根据51路公交车运行路线和《城市道路工程设计规范》规定，车辆在南三环上最高车速为80 km/h，其余路段最高车速均为60 km/h[6]。

为了量化评价超速行为的危险性，分别采用超速比例和超速次数评价超速行为的严重程度和发生频率，超速比例的计算为：

式中，b为超速比例；u为车辆当前行驶速度；ur为当前路段限定最高行驶速度。

依据《道路安全法》，可将超速行为按超速比例分为4类，如表3所示[7]。

表3 超速分类[7]

经统计，某辆车全年超速情况如表4所示。

表4 某辆车全年行驶时超速情况

3.2 急加速和急减速行为

急加速、急减速行为并不违反交通规定，但过大和过频繁的加减速将会导致车辆的行驶安全性下降。因此，车辆的急加速和急减速行为是衡量车辆安全性的重要指标。通常将加速度阈值设定为±2 m/s2，当加速度超过这一阈值时，则认为车辆出现急加速或急减速行为[8]。但由于本文所用数据采样周期较大，难以计算出准确加速度，故需要通过其它数据信息对急加速和急减速行为进行识别。

金号[9]的研究成果表明：加速踏板开度与当前车辆行驶速度反映驾驶员的驾驶意图，呈现如下规律。

（1）每一个加速踏板行程对应一个稳定车速。

（2）稳定车速下，加速踏板会存在轻微波动，此时驾驶员实际意图为以稳定车速行驶。

（3）加速踏板与稳定车速为非线性关系。车速越低，踏板越敏感，微小的踏板变化会产生较大的速度变化。

基于上述规律，本节制定基于车速和加速踏板开度的加速行为识别模式，如表5所示，其中稳定车速对车辆的安全行驶没有影响，一般加速、急加速均会对车辆的安全行驶产生影响。

表5 加速行为识别模式

根据上述加速行为识别模式，某辆车2020年6月的加速行为如表6所示。

表6 某辆车2020年6月行驶时的加速行为

王英范等[10]的研究表明，制动踏板开度可用于识别驾驶员驾驶时的制动意图。因此，可根据制动踏板开度值进行急减速行为识别，如表7所示，其中过于频繁的一般减速对车辆安全行驶有一定的影响，急减速会在较大的程度上影响车辆安全行驶。

表7 急减速行为识别模式

根据急减速行为识别条件，某辆车2020年6月的减速行为如表8所示。

表8 某辆车2020年6月行驶时的减速行为

3.3 熄火滑行行为

车辆熄火时，制动系统和方向盘可能会出现锁死现象，造成滑行时无法转向或制动，从而会出现车辆失控状况，存在着一定的安全隐患。因此，熄火滑行也是评价驾驶员安全性驾驶行为的指标之一。熄火滑行行为的识别条件为车辆状态为熄火状态，并且当前车速不为零。经统计，某车全年熄火滑行情况如图2所示。由图2可知，车辆熄火滑行时，大部分车速较低，但也有个别时刻车速超过5 km/h。

4不安全驾驶行为统计与分析

4.1 不安全驾驶行为赋分统计

基于上文不安全驾驶行为的识别模式，对某辆车全年内每日的超速行为、加速行为、减速行为、熄火滑行行为的不安全驾驶行为统计结果，如表9所示。以自然月为单位，将每个月的不安全驾驶行总数除以每月实际运行天数的方法可得到每月的日平均不安全行为，如表10所示。

表9 某辆车不安全驾驶行为统计次

表10 某辆车不安全驾驶行为日平均值次/日

不安全驾驶行为出现的次数越多，车辆的行驶安全性会越差。为了量化驾驶员不安全驾驶行为所造成的影响，按不安全驾驶行为每日的次数进行赋分处理，赋分结果越高，安全性越好[11]。不安全驾驶行为的赋分细则如表11所示。

表11 评价指标得分细则

急加速一般减速急减速熄火滑行0 1～50 51～100 101～200 201～300＞300 0 1～50 51～100 101～200 201～300＞300 0 1～50 51～100 101～200 201～300＞300 0 0.01～0.3 0.31～0.6 0.61～0.8＞0.81 100 95 85 65 40 20 100 95 85 65 40 20 100 95 85 65 40 20 100 85 65 40 20

不同类别的不安全驾驶行为对安全性的影响程度也不相同，需赋予不同的权重，从而对不同类别的不安全驾驶行为得分进行加权求和，以得到评价指标总分。加权求和计算算法如表12所示。

基于表12加权求和算法规则，某辆车2020年6月的不安全驾驶行为赋分结果如表13所示。

表12 加权求和算法

表13 某辆车不安全驾驶行为赋分

4.2 聚类分析

聚类分析目的在于将数据分成不同的类簇，使得类簇之间相异性较高，类簇内部的数据相似度较高。因此，采用聚类算法可将不同类别驾驶行为进行分类，从而进行等级判定。本文采用K-Means聚类法，将按自然月统计得到的超速得分、加速得分、减速得分和熄火滑行的得分进行聚类，分别对应优秀、一般和风险3类。本文采用10辆51路电动公交车的统计数据进行聚类分析，获得全年按自然月的120个样本聚类，评价结果如表14所示。

由表14可知，该线路电动公交车的驾驶行为整体较好，其中风险类的有26个，占比为21.7%。

表14 驾驶行为安全性评价结果

经统计，优秀、一般和风险三类的超速得分、加速得分、减速得分和熄火滑行得分的平均值如表15所示。

由表15可知，优秀、一般和风险的3类行为得分差异明显，聚类效果明显，聚类结果合理。

表15 评价结果得分描述分

按月份统计，51路10辆电动公交车的聚类结果如表16所示。

表16 驾驶行为安全性评价结果个

由表16可知，1月、4月、5月和6月驾驶行为结果为风险类占比较高，安全性评价得分较低。这是由于元旦、春节、元宵节、清明节、劳动节法定节假日及中考和高考大型考试均集中在这段时间，导致交通流量激增，发生交通事故的风险明显上升。因此，公交公司应特别注意以上时间段对驾驶员的培训与监管，执法机关应加强监督管理。