基于贝叶斯判别的驾驶行为危险状态辨识

1、西南交通大学学报第44卷第5期Vol.44No.52009年10月Oct.2009JOURNALOFSOUTHWESTJIAOTONGUNIVERSITY文章编号:025822724(2009)0520771205DOI:10.3969/j.issn.025822724.2009.05.026基于贝叶斯判别的驾驶行为危险状态辨识郭孜政,陈崇双,王欣112(1.西南交通大学交通运输学院,四川成都610031;2.618307)摘要:为有效辨识危险性驾驶行为,.采用单因子方差分析提取危险状态辨识主因子.将在连续驾驶条件下5名驾,.测试结果表明错判率为4.3%.关键词:交通运输;驾驶行为中图分类号:

2、.:ARiskIdentificationforDrivingBehaviorsBasedonBayesianDiscriminationGUOZhizheng,CHENChongshuang,WANGXinComputerScience,CivilAviationFlightUniversityofChina,Guanghan618307,China)112(1.SchoolofTrafficandTransportation,SouthwestJiaotongUniversity,Chengdu610031,China;2.SchoolofAbstract:Toeffectivelyide

3、ntifyrisk2stateindrivingbehaviors,theywereclassifiedintodifferentgradesaccordingtoaccidentprobabilities.Mainfactorsfordrivingbehaviorweredeterminedbysinglefactorvarianceanalysis.Amodelforrisk2stateidentificationwasconstructedbasedonBayesiandiscrimination.Thebehaviorstatesoffivedriversweretestedinaco

4、ntinuousdrivingexperiment,andthemeasureddataweredividedintotwogroupstocalibrateandtestthemodel,respectively.Thetestresultsshowthattheerrorratiois4.3%.Keywords:trafficandtransportation;safetyengineering;identificationofrisk2state;Bayesianidentification;drivingbehavior在某种程度上,机动车行驶状态是驾驶行为的外在表现,驾驶安全很大程度

5、上取决于驾驶行为的实时状态.由于各种干扰因素,驾驶行为状态具有非稳定性,因此,如何有效辨识驾驶行为危险状态,为分级防控提供依据,成为交通安全研究的关键问题.目前对驾驶行为安全性的研究可归为3类:(1)危险状态行为模式研究.张殿业在抽象分析道路交通系统要求与驾驶员能力之间辨证关系的基础上,对6类危险状态行为模式予以界定;陈斌通过对驾驶员能力水平与系统任务匹配状态的研究,揭2示系统在不同匹配状态下的安全性,给出系统安全的匹配准则.(2)驾驶行为安全性分析方法研究.其代表性成果有驾驶员适应性检测法3,4、可靠性数学分析5,6789法、AHP层次分析法、神经网络模型法、希尔伯特空间向量范数法等.111

6、213(3)驾驶行为形成因子分析.对驾驶员暗适应10、动视力、动视野、注意力等进行分组测试1收稿日期:2008206210基金项目:国家自然科学基金资助项目(60879022,70422201)作者简介:郭孜政(1982-),男,讲师,博士,研究方向为交通安全,E2mail:zizhengguo772西南交通大学学报第44卷分析,论证事故组及非事故组在上述方面的显著差异.以上研究成果从不同角度为驾驶行为安全性分析奠定了基础,但均未能实现驾驶行为危险状态辨识.本文在对驾驶行为危险状态定义和分级的基础上,分析探讨驾驶行为危险状态辨识的模型与方法.1驾驶行为危险状态分级驾驶行为状态是特定时刻驾驶员生

7、理、心理状态的外在行为化体现.外界道路交通环境的开放性,驾驶行为状态C(t),t0与驾驶任务需求状态t),t0均为随机变量,对于时刻t,事故以概率P(t)=PR(t)C(t)发生(1),.因此,可设定可接受的事故概率水平,.p0-kpK=1为给定的K+1个可接受事故概率水平,(按照事故发生时已连续驾驶时间统计),t2,t-K2,其中P(tk)=pk,k=0,1,2,K.又设时刻t,S(t),.因此有集合:k=(t(tk-1,tk,k=1,2,K,Sk,k=1,2,其中Sk称为第k级危险状态,即在该类驾驶行为状态下,(pk-1,pk.2驾驶行为危险状态辨识模型驾驶行为危险状态辨识的基本思想为:依

8、据按可接受事故概率水平,对已有驾驶行为状态样本组Sk,k=1,2,K分级,以错判损失最小为准则,构建一种辨识规则R,并用规则R辨识新采样的驾驶行为状态样本14.2.1危险状态辨识主因子的选取驾驶行为状态因子包括:动视力、静视力、听力、掩蔽听力、注意力、记忆力、反应时间、操作误差等众多生理和心理因子.对不同危险状态行为分级,各因子的显著性存在差异,故需采用单因子方差分析法,从中选取若干显著因子作为驾驶行为状态辨识的主因子,构成驾驶行为状态辨识向量(s1,s2,sM),具体方法参见文献15,此处不予赘述.2.2状态样本密度函数确定在完成辨识主因子选取后,需对各分组行为状态概率密度函数进行估计.设第

9、k级危险状态Sk的Nk个样本为(sk11,sk21,skM1),(sk12,sk22,skM2),(sk1Nk,sk2Nk,skMNk),采用方窗函数估计其密度函数:(sk1n,sk2n,skMn)f(xk1,xk2,xkM)=,k1)(2k2)(2kM)nk=1Nk(2Nk(2)k1,2k2,2kM分别为辨识向量的分量s1,s2,s其中:2M的窗宽;xk1,xk2,xkM在Nk个样本分量的最大值与最小值之间选取,即第5期郭孜政等:基于贝叶斯判别的驾驶行为危险状态辨识min(skm1,skm2,skmNk)xkmmax(skm1,skm2,skmNk),m=1,2,M;773(sk1nk,sk

10、2nk,skMnk)为M维窗函数:1,(sk1nk,sk2nk,skMnk)xk1-k1,xk1+k1(sk1nk,sk2nk,skMnk)=xk2-k2,xk2+k2xkM+kM,xkM+kM;0,其他.(4)特别地,当M=1时,f(xk1)=(sk1nk)k1,nk=12Nk窗函数为:(sk)=2.31,sknkxk-11+k1;0,.辨识规则R2RK,从形式上可认为是对驾驶行为状态空间的一组划分.在该类辨识规则下,将属于SiSj级驾驶行为状态的概率为:P(i,R)=f(x,x,xRji12M)dx1dx2dxM,i,j=1,2,K;ij,其中:fi(x1,x2,xM)为Si级样本状态辨识

11、向量(s1,s2,sM)的联合分布函数,则对于Si级样本错判的平均损失为:Kr(i,R)=c(j=1jii)P(i,R),(6)其中:c(ji)为将属于Si的驾驶行为状态样本错判为Sj的错判损失,定义为:c(i)=NiMNiilt(sl=1t=1-s jt)2-NjMNjjlt(sl=1t=1-s jt)2,(7)其中:s jt=NjNjst=1jlt为Sj级状态辨识向量(s1,s2,sM)的第l个分量sl(l=1,2,M)的样本平均值.当i=时j,显然c(i)=0,表示没有错判损失.对于特定驾驶行为状态样本,其属于不同状态分类的可能性大小由其先验分布qi决定,因此,所有各类错判的总平均损失为

12、:KKiKig(R)=qr(i,R)i=1=qc(ji=1j=1i)p(i,R),(8)其中:qi=Ni/N,N=N1+N2+NK为样本总量.K令hj(x1,x2,xM)=qc(ii=1i)fi(x1,x2,xM),则根据式(4)(7)有:h(x,x,xi=1RjjKg(R)=12M)dx1dx2dxM.(9)建立识别规则R的准则为使G(R)最小,等价于要求在Rj上hj(x)是所有h1(x),h2(x),hK(x)中最小的,因此,得到了一组识别规则R=R1R2RK.对于单个行为状态点(s01,s02,s0M)的识别,其识别规则可简化为:(s01,s02,s0M)Sjhj(s01,s02,s0M

13、)=min(hi(s01,s02,s0M).1iK(10)774西南交通大学学报第44卷3算例步骤1选取5名驾驶员为研究样本,具体选择标准见表1.表1驾驶员驾驶行为状态指标Tab.1Driversdrivingstatusindicators年龄3035性别男气质胆汁质驾龄/a35事故记录5a内在高速公路路段有3步骤2对以上5名驾驶员,进行连续驾驶模拟测试,每隔min视力、听力、掩蔽听力、注意力、记忆力、反应时间、,并对同一时段(10min)内所有样本的相应因子值求平均.步骤3调取历史事故资料,以10,以P13,P2=0.5,t1=40min,t2=270min,最终将驾驶行为状态划分为3级S

14、1,S2,S3.步骤4采用单因子方差分析法,选定反应时间(s1,P0.01)、注意力(s2,P0.01)、操作误差(s3,P0.01)3项因子构成驾驶行为危险状态辨识向量(s1,s2,s3).步骤5对所有数据进行量纲归一化处理,令3级窗宽11=21=31=0.005,12=22=32=0.001,13=23=33=0.001,选取2人的数据估计3级驾驶行为危险状态S1,S2,S3的状态辨识向量(s1,s2,s3)的联合分布函数f1(x11,x12,x13),f2(x21,x22,x23)和f3(x31,x32,x33).由于其概率密度函数形式异常复杂,险于篇幅此处不列出.步骤6依据式(9)建立

15、险度辨识函数3h1(x11,x12,x13)=h2(x21,x22,x23)=h3(x31,x32,x33)=Ni=1N11+N2+N3c(i)f1(x11,x12,x13);(12)3Ni=11Nc(i)f2(x21,x22,x23);+N2+N3N+N2+N3c(i)f3(x31,x32,x33);3Ni=11(s01,s02,s03)Sjhj(s01,s02,s03)=min(hi(s01,s02,s03),1i3(13)其中:错判矩阵为0.00000.28847.85910.28840.00007.57077.8597.570,0.000第i行第j列元素表示式(7)中的c(i),即为将

16、属于Si的驾驶行为状态样本错判到Sj的错判损失.步骤7将另外3人108组驾驶行为状态数据(其中S1有12组样本;S2有69组样本;S3有27组样本)带入模型,根据式(12)和(13)进行识别计算,依据识别结果计算其错判率:M=108100%,(14)其中:n为识别模型错判的总数目.经计算错判率为4.3%.4结论在对驾驶行为状态进行危险状态分级的基础上,将危险状态识别问题抽象为分类判别问题,采用统计学中贝叶斯判别方法构建了驾驶行为危险状态辨识模型.采用回代法通过实例对模型进行了试算,验证了模型的正确性.第5期郭孜政等:基于贝叶斯判别的驾驶行为危险状态辨识775当状态向量超过3维时,用窗函数法确定

17、子样本密度函数变得异常困难;此外,危险状态分级划分方法多样,不同的划分方法需与不同的行为控制策略相对应,并对模型精度有一定影响.上述两类问题需在今后做进一步研究.参考文献:1张殿业.道路交通事故与黑点分析M.北京:人民交通出版社,2003:1182165.2陈斌,魏庆曜,金炜东.道路交通系统驾驶员能力与系统任务的匹配与协调研究J.,2002,195(6):78280.CHENBin,WEIQingyao,JINWeidong.AstudyofharmonysystemtaskinroadtrafficsystemJ.TransportationScienceandTechnology,6)28

18、0.3戴冠军,叶增光.驾驶适合性及评价方法研究(1):40246.DAIGuanjun,YEZengguang.ofandevaluationmethodJ.Ergonomics,1989,2(1):40246.4MAYOUaccidentsfordifferenttypesofroaduserJ.Injury,2003,34(2):1972202.5郭孜政,.机车双司机驾驶行为可靠性研究J.中国安全科学学报,2007,17(2):1632166.GUOZizheng,ZHANGDianye,TANGYouhua.Studyonthereliabilityofdoublelocomotived

19、riversdrivingbehaviorJ.ChinaSafetyScienceJournal,2007,17(2):1632166.6GUOZizheng.ThereliablitymodelofdoublelocomotivedrivesworkingbehaviorCInternationalConferenceonTransportationEngineering.SanDiego:ASCE,2007:5862589.7韩文涛.交通事故预防中人为失误驾驶失误的评估方法J.黑龙江交通科技,2005,13(7):84285.8丁玉兰,邵灵敏,胡子谷.基于神经网络的驾驶适性评价系统J.人类工效学,1998,4(4):19221.DINGYulan,SHAOLinming,HUZigu.AneuralnetworkbaseddrivingaptitudeevaluationsystemJ.Ergonomics,1998,4(4):19221.9郭孜政,唐优华.单司机值乘安全性评价模型J.中国铁道科学,2008,18(1):22225.GUOZizheng,TANGYouhua.Safetyevaluationmodelfortheon2dutyoperationofsinglelocomo