基于车联网的驾驶行为影响因素探究

罗国荣　戚金凤

摘 要：由于汽车驾驶员驾驶行为的多样性与复杂性，极大影响了道路交通安全，近年来，对驾驶员驾驶行为的分析能有效改善驾驶员的不良行为，对减少道路交通事故起了一定的作用。本文通过查找和整理文献，基于车联网技术，就驾驶行为的相关概述、驾驶行为的影响因子、驾驶行为的数据采集和存储、驾驶事件的识别指标、驾驶事件的识别方法、驾驶行为的分类等进行了分析。研究表明，驾驶员的驾驶行为可分为冒险型、稳定型、焦虑型、愤怒型，其中稳定型对道路交通安全的影响极小，其它三种类型都有不同程度的影响。

关键词：车联网 驾驶行为 综述 数据采集

1 前言

道路交通安全事故伴随着我国汽车保有量的增多也随之增加，研究表明，95%以上交通事故的发生都是由驾驶人员的不良驾驶行为引起[1]。因此研究驾驶员的驾驶行为可有效减少交通事故的发生。纠正驾驶员的不良驾驶行为，除了强制性的法律法规和行政措施外，还可利用现代科学技术以帮助驾驶员纠正不良驾驶行为。目前，基于智能数据采集技术和车联网，研究驾驶员的日常驾驶行为，通过大数据分析，挖掘日常驾驶数据之间的内在联系，形成更有价值的信息，以帮助驾驶员纠正不良的驾驶行为，从而减少交通事故的发生。

2 驾驶行为的影响因子

影响驾驶员驾驶行为的因素错综复杂，总体包含人、车、环境三大因子。基于人的因素主要包括人的生理状态和人的操作行为。人的生理状态又分为身体生理功能和心理活动。生理功能包括年龄、性别、性格，受教育水平[2]、近视眼、肢体残疾、突发疾病、疲劳等身体生理功能的缺陷，影响驾驶员驾驶行为[3]。特别是疲劳驾驶，会导致驾驶员困倦、反应迟缓等一系列不良反应，影响驾驶员的注意力、感觉、思维与判断等方面[4][5]；心理活动主要是驾驶员的喜、怒、忧、思、悲、恐、惊等一系列情绪波动，这些波动会导致驾驶员操作不当，甚至会出现换错挡位、将油门错当刹车踩等错误的操作[6]。驾驶员在行驶过程中会产生包含急刹车、急加速、急减速、超速行驶、空档滑行、熄火滑行、急轉弯等不良操作行为，这些操作行为和驾驶员的驾驶熟练程度，也是引发交通事故的重要因素。

基于车的因素主要包含发动机转速、冷却液温度、方向盘转角、车辆故障、汽车GPS位置及速度信息、汽车驾驶模式（如自动巡航、自动驾驶）等反映汽车行驶工况的信息，良好的汽车工况可有效避免交通事故的发生。

除了人、车两个因子外，汽车行驶的环境也是影响驾驶员驾驶行为的主要因素，城市道路环境、高速公路环境、乡村山地道路环境、高原环境、包含晴天、阴天、多云、雾霾、小雨、大雨、小雪、大雪等天气环境[7]，不良的驾驶环境会导致轮胎与路面之间的摩擦系数变小，车辆之间的安全距离变短，对行车安全造成极为不利的影响[6]。

3 驾驶行为的数据采集与存储

驾驶行为的分析需要大量的数据，而数据的采集存储是分析驾驶行为的基础，数据的采集、传输和存储主要是通过4G或5G移动通信技术与车联网进行交互。数据采集、传输和存储三者的关联如图1所示。

3.1 以人的方式获取数据

针对上述的影响因子，驾驶行为的数据获取也可分人、车、环境三方面进行。通过人的方式获取驾驶行为可分为直接和间接两种方式，直接获取方式主要是通过调查问卷的方式，即是驾驶员通过回答调查问卷的方式提供自身的驾驶行为情况。该方式虽然在一定程度上可获得驾驶员的驾驶行为，但由于驾驶员的主观性和驾驶员的相关知识水平，调查问卷的有效性和准确性存在缺陷，所以学者更倾向采用间接的方式获取驾驶行为数据。所谓间接的方式是指通过接触或非接触的方法采集驾驶员的生理状态、心理活动和驾驶操作，接触的方法是驾驶员通过佩戴电帽、穿戴手表或其它接触方式的医疗设备采集驾驶员的脑电波信号、心电图信号、脚部表肌肉电信号、眼动信号，并根据这些信号分析驾驶员的驾驶行为。这种接触采集数据的方法虽然能有效地采集人体的生理和心理特征，但都是以模拟驾驶、软件仿真的方式采集，而且驾驶员佩戴采集设备线路繁多，存在一定的局限性。非接触的采集方式主要是通过摄像头记录驾驶员的眼部变化、面部表情、操纵方向盘的动作等。该采集方式能在模拟驾驶场景、实车驾驶场景进行，并不影响驾驶员的注意力和心理活动，数据准确性较高。

3.2 以车的方式获取数据

驾驶行为的信息获取，还可以通过车的方式，检测汽车的行驶参数和行驶状态，通过大数据分析和人工智能学习，从而间接反映驾驶员的驾驶行为。汽车运行参数和状态的获取主要是通过汽车车载OBD采集终端、GPS、智能手机等途径。车载OBD采集终端可获取汽车的发动机转速、车速、方向盘转角、冷却液温度、节气门位置、加速踏板行程、刹车踏板行程、汽车负荷、蓄电池电压等数据。GPS可获取汽车的实时行驶位置、行驶轨迹、汽车车速等数据。除了车载OBD采集终端和GPS装置获取驾驶行为信息外，学者也尝试通过智能手机获取，即是利用智能手机内置的摄像头、GPS接收模块、加速计、陀螺仪、光传感器等采集汽车的相关行驶数据。

3.3 以行驶环境的方式获数据

汽车行驶环境对驾驶员的驾驶行为也有重要的影响，行驶环境的获取来自两种途径，一种主要是通过安装在汽车上的雷达传感器和摄像头，获取汽车行进中的前后方道路环境；另一种是通过车联网获取汽车附近的道路交通信号灯、智慧停车场信息等数据。上述车辆行驶环境的采集，主要以雷达传感器为核心，融合摄像头、GPS、IMU传感器，获取车辆周围的驾驶环境，多传感器的融合，不仅可以弥补摄像头受光照、雾霾影响的缺点，也可以减少雷达精度低、可见范围短的问题。另外，还有一类可通过接入车联网，获取道路交通、停车场等数据。

上述驾驶行为的数据采集，学者分人、车、环境三个研究对象进行，各有其优缺点，随着通信技术、车联网、大数据和人工智能的发展，驾驶行为数据所采集的数据呈几何式增长，数据存储也由单机服务器的存储方式向网络云存储和边缘存储转变。

4 驾驶事件的识别指标

驾驶事件是指驾驶员在驾驶车辆中的直线行驶、左转弯、右转变、加速、减速、转向、超速、变车道、疲劳驾驶等操作行为。不良驾驶行为主要指是超速、急变速、急转弯和疲劳驾驶等驾驶行为。超速行驶是指在驾驶过程中，车速超过法律、法规规定的速度。根据行驶道路的不同，我国规定，110-120km/h为高速道路限速速度；80km/h为国道、省道等限速速度；70-80km/h为城市郊区道路限速速度；40-60km/h为城市道路限速速度。因此，学者通常是结合实际行驶路段确定超速阈值，通过阈值确定是否存在超速驾驶行为。

急变速包括急加速、急减速、急制动，主要是通过比较汽车速度变化值和预设的速度阀值来识别变速行为。当加速度绝对值大于或等于最大加速度阀值，或当减速度绝对值小于最大减速度阈值，且持续3s以上即急加（减）变速行为。

此外，若减速度值达到设定的刹车减速度阈值时，同时速度小于 10km/h 阈值时被视为急制动行为。急转弯主要是通过检测汽车转向角来识别汽车转弯行为，一般转向角角度为30-40度，若转向角大于30度并且持续时间大于 3s 即表示为一次急转弯为。

疲劳驾驶也是引发交通事故的主要因素，根据我国道路交通法，驾驶员连续驾驶机动车超过4小时，期间未停车休息或者停车休息少于20分钟，即定义为疲劳驾驶。

5 驾驶事件的识别方法

驾驶事件的识别方法是指在获得数据的基础上对驾驶事件进行判断的方法。常用的方法包含K-means聚类算法、熵权法、层次分析法、主成分分析法等。

5.1 K-means聚类算法

K-means聚类算法是研究分类问题的一种数据挖掘方法。其算法的最终目的是将数据分成几（K）个簇（类），思路是先随机生成几个质心（每个类的中心），通过迭代的方式计算其它样本点到各个质心的欧式距离，并把各个样本点划分到距离质心最近的那个类别，再重新计算质心的位置，如此迭代往复，直到质心位置变化不大为止。K-means聚类算法具有算法简单、速度快、效率高等特点，而且数据元素不受输入顺序影响，但由于K个簇（类）是人为预先决定的，不同的值其结果也不同，存在不确定性。

5.2 熵权法

熵权法是一种根据指标的变异性大小来客观确定指标权重的方法。通过信息熵来确定指标权重，权重越大，表明携带的信息量越多，指标值的变异程度越大，信息熵计算值越小；反之，权重越小信息熵值越大。熵權法的具体计算思路是先将原始数据进行标准化处理得到各指标数据，接着求解各指标的信息熵和信息熵冗余度，最后计算各指标的权重。熵权法确定的指标权重可以充分利用原始数据，避免人为因素造成的误差，比其他主观赋权法具有更高的可信度和精确度。

5.3 层次分析法

层次分析法是一种定性、定量结合的解决多目标复杂问题的决策分析方法。其基本思想是将要解决的问题层次化，把问题分析成不同层次的构成要素，不同层次的要素内聚和组合形成了多层次的分析结构模型。其具体步骤：

（1）根据决策的对象、目标和影响因素，按照它们之间的相互关系划分为目标层、准则层和方案层，从而构建层次结构模型；

（2） 构建判断矩阵A。假设有两个因素i和j，判断矩阵标度如表1所示。

（3）采用算术平均法计算各层要因素对应的权重。

（4） 计算判断矩阵A的最大特征值λmax与一致性指标，进行一致性检验。

（5）定义一致性比率 CR。为了度量 CI 的大小，引入了随机一致性指标。

5.4 主成分分析法

主成分分析法是一种针对多指标的降维统计方法，这种方法主要是处理受多变量（指标）影响的统计问题。因为指标太多，而且这些指标之间存在一定的相关性，所以，在观测数据所反映的信息中，在一定程度上存在信息重叠的现象。另一方面，当指标太多时，样本在高维空间的分布就越复杂，这样就增加了分析的复杂度。由此，人们希望对数据进行简化，将多个指标转换为少数几个主成分，这些主成分能反映出原始数据的大部分信息，且彼此之间互不相关，也是原始变量的线性组合。这样可去除一些不必要的噪声和不重要的特征，从而可以提高数据的处理速度，也可以节省大量的成本和时间。

6 驾驶行为的分类

在上述驾驶事件识别的基础上，习惯将驾驶员操作汽车的相对稳定的操作行为特征统称为驾驶风格。朱凯家等[7]通过在不同天气下的驾驶数据分析，将驾驶行为分为一般激进、平稳、偏激进型三种风格。张家薇等[8、9、10]将驾驶行为划分为安全型、风险型、危险型。可以看出，驾驶风格分为风险型、稳定型、愤怒（激进）型。其中稳定型对道路交通安全的影响极小，其它二种类型都有不同程度的影响。

7 结语

本文通过查找和整理文献，分析总结驾驶行为的相关概述、影响因子、数据采集和存储，驾驶事件的识别指标、识别方法和驾驶行为分类，其中驾驶行为的数据采集主要以人、车、环境的方式获取，驾驶事件的识别方法包含K-means聚类算法、熵权法、层次分析法、主成分分析法等。驾驶行为可分为冒险型、稳定型、焦虑型、愤怒型。其中稳定型对道路交通安全的影响极小，其它三种类型都有不同程度的影响。将这些分析结果反馈给驾驶员，能在一定程度上减少道路交通事故的发生。

基金项目：

2022年度广东省普通高校特色创新类项目“车联网环境下基于大数据的汽车车车况及驾驶行为预警系统的研究”（2022KTSCX192）。

参考文献：

[1]郑恒杰，熊昕，张上.基于车联网数据挖掘的驾驶员行为分析[J].信息通信，2019，200（08）：57-60.

[2]董杰.基于轨迹的驾驶行为分析与应用研究[D].南京邮电大学.

[3]魏婉莹，单炜，裴玉龙.不同天气对低驾龄驾驶人行为影响[J].交通科技与经济，2022，24（03）：5-13.

[4]杨明.基于机器视觉的驾驶行为分析及边缘系统设计[D].南京邮电大学，2022：DOI：10.27251/d.cnki.gnjdc.2022.001681.

[5]陈辉.面向车联网大数据的驾驶行为分析_陈辉[D].贵阳市：2020：https：//kns.cnki.net/kcms/detail/detail.aspx？dbname=CMFD2021&filename=1020300678.nh&dbcode=CMFD.

[6]魏婉莹.雨雪条件对低驾龄驾驶人驾驶行为影响研究[D].东北林业大学，2022：DOI：10.27009/d.cnki.gdblu.2022.001427.

[7]朱凯家.基于ACO+k-means算法的不同天气下驾驶行为分析[J].太原科技大学学报，2022，43（04）：50-55+61.

[8]张宇.车辆驾驶员数据采集与模式分析[D].吉林大学，[2018].

[9]杨柳.基于脑电数据分析的驾驶行为研究[D].北京交通大学，[2019].

[10]李平凡.驾驶行为表征指标及分析方法研究[D].吉林大学，2010.