英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
个人驾驶行为的图形化建模方法及其在GPS数据驾驶安全分析中的应用
摘要：
由于驾驶员之间的驾驶技能和个人特征的差异，面对各种驾驶环境时的驾驶者行为不同，导致驾驶安全问题级别不同。在过去的研究中，有关安全驾驶的测量行为主要集中在分类上，而很少有研究关注个体驾驶行为特征。但是，对于驾驶员来说，识别并纠正他们的危险行为并优化他们的驾驶尤为重要。本文提出了模拟个体驾驶行为的图形化方法，其结果可用于驾驶安全性分析。基于驾驶员有特定的驾驶习惯的假设，首先检测并提取驾驶过程中的典型驾驶模式。 这些典型的驾驶模式根据其频率对其进行分类，形成一种驾驶行为图，可以直接说明每个驾驶员的行为特征。此外，提供了一种基于行为图的驾驶安全性评价定量分析方法。为了验证所提出的方法，进行了以汽车纵向运动为重点的案例研究，其中使用从北京出租车收集的GPS数据。。 结果表明图形化方法可以描述驾驶员纵向加速度的各个特征行为并区驾驶员之间的差异。这种方法的发展可以帮助了解驾驶行为的个体特征并采取进一步的支持措施以优化驾驶安全性。
1.介绍
不同的驾驶员因其个人特征和驾驶技能而具有不同的驾驶行为，从而导致不同的驾驶行为，引起事故风险。一些驾驶员喜欢激进驾驶，而另一些则更为谨慎。因此,驾驶行为分析有助于衡量驾驶员的驾驶安全并有助于防止交通事故。近年来，许多研究尝试从驾驶安全性的角度对驾驶行为进行建模(Chen, Fang, Tien, amp; Wu, 2014; Constantinescu, Marinoiu, amp; Vladoiu, 2010; Douml;rr, Grabengiesser, amp; Gauterin, 2014; Eboli, Guido, Mazzulla, Pungillo, amp; Pungillo, 2017; Eren, Makinist, Akin, amp; Yilmaz, 2012; Hong, Margines, amp; Dey, 2014; Johnson amp; Trivedi, 2011; Li, Li, Cheng, amp; Green, 2017; Lu, Jiang, amp; Wang, 2013; Saiprasert, Pholprasit, amp; Pattara-Atikom, 2013; Van Ly, Martin, amp; Trivedi, 2013)。这些研究中使用的方法包括基于驾驶事件的评估，模糊分析和机器学习。这些研究的大多数目的是将驾驶员分为几个驾驶安全等级，例如安全，正常或危险，而很少关注个人驾驶行为特征。但是，除了分类之外，驾驶行为建模的另一个重要功能是协助驾驶行为优化，这与驾驶员自身有关。换句话说，对驾驶技能的提高有明确的指导将有助于个人驾驶员。此外，由于驾驶员个性和驾驶技能的差异，对一组驾驶条件的反应可能不相同，因此基于预定义驾驶事件的评估并不适合所有驾驶员。因此，有必要找到一种方法来描述单个驾驶员的驾驶行为特征，并进一步分析这些特征与驾驶安全性之间的关系，以帮助改善行为并降低事故风险。
驾驶行为可以看作是驾驶员对外部驾驶条件的反应。我们假设每个驾驶员都有一些基本模式，可以将其视为在时间维度上进行安排后形成驾驶行为的基本单位。基本模式代表内部特征，可以看作是与驾驶相关的习惯，技能和其他特征的集成，而与环境无关。当驾驶员面对特定的驾驶条件时，这些模式最终导致观察到的驾驶行为。本文介绍了我们探索驾驶员个人行为特征的尝试。图形化建模方法用于直接演示驾驶员的典型驾驶模式。与神经网络和支持向量机技术之类的机器学习方法相比，图形可以直观地显示驾驶员的驾驶功能，从而易于理解并易于传达信息。
随着信息技术的发展，各种传感器已经嵌入到许多设备中，如智能手机和车载诊断(OBD)设备，使得获取自然驾驶行为的数据变得更加容易。特别是全球定位系统(GPS)是应用最广泛、精度最高的系统。本文以安装在北京出租车上的OBD设备的GPS数据为例，利用车辆的纵向运动来验证所提出的方法。
本文的结构如下:下一节将回顾以往关于驾驶行为建模的文献。第3节描述了提出的图形化建模方法，第4节给出了一个基于OBD数据的案例分析，以证明该方法的有效性。
2．文献回顾
在驾驶行为安全性分析领域，驾驶风格检测是一个热门话题，主要涉及驾驶风格的分类，最常见的是非攻击性，中性或攻击性。 因为驾驶风格被认为与驾驶安全性紧密相关，所以驾驶风格的区分被视为评估驾驶安全性的一种方式。
一些与驾驶风格相关的研究使用统计方法或使用驾驶行为参数特征的机器学习算法对驾驶风格进行分类(Constantinescu et al., 2010; Douml;rr et al., 2014; Eboli et al., 2017; Hong et al., 2014)。Constantinescu等人(Constantinescu et al.， 2010)基于GPS数据建模了个人驾驶风格。在他们的研究中使用的驾驶参数包括速度超过60公里/小时和加速(正加速和制动)。利用聚类分析和主成分分析方法，将驾驶员分为不同的驾驶风格，包括非攻击性、稍微非攻击性、中性、中度攻击性和非常攻击性。Eboli等(2017)使用基于车速的参数对交通事故风险进行了调查。第50和80百分位的速度和平均速度被计算出来，并被用来将驾驶员分为三种驾驶行为:安全的、不安全的和安全但有潜在危险的。Hong等(2014)构建了一个车内感知平台来评估驾驶员的驾驶风格。在他们的研究中使用的传感器有一个Android智能手机，一个OBD和一个惯性测量单元(IMU)。收集驾驶员的驾驶行为特征，包括速度、速度变化、纵向加速度、横向加速度、转速和油门位置的最大值、平均值和标准差，并使用阈值将这些特征离散成5个水平，使每个状态下的样本数量相等。采用朴素贝叶斯分类器对驾驶特征与驾驶风格之间的关系进行建模(通过违章驾驶行为和问卷回答来确定)。结果表明，提出的模型具有较好的精度，并描述了不同驾驶方式的驾驶特征分布。其中一些研究在驾驶风格的分类上获得了更高的准确性。然而，由于所使用方法的特点，这些研究不能直接用于诊断个人驾驶员行为中的过错。
另一种流行的驾驶风格分类方法是检测与安全相关的驾驶事件，例如急加速，急刹车和急转弯(Bagdadi, 2013; Baldwin, Duncan, amp; West, 2004; Bergasa et al., 2014; Chen et al., 2014; Eren et al., 2012; Fazeen, Gozick, Dantu, Bhukhiya, amp; Gonzaacute;lez, 2012; Johnson amp; Trivedi, 2011; Li et al., 2017; Lu et al., 2013; Musicant, Bar-Gera, amp; Schechtman, 2010; Paefgen, Kehr, Zhai, amp; Michahelles, 2012; Saiprasert et al., 2013; Van Ly et al., 2013)，而不是使用驾驶行为数据的抽象特征。在Johnson（Johnson＆Trivedi，2011）的研究中，来自智能手机传感器的数据（包括加速度计值，陀螺仪值和欧拉角旋转）被用来确定驾驶员的驾驶方式。可以检测到的事件类型包括右/左/ U弯，激进的右/左/ U弯以及激进的加速/减速/车道变化。根据这些数据，驾驶员的行为被确定为典型或具有攻击性。他们研究中使用的方法是动态时间规整（DTW），主要是对时间序列数据进行匹配。因此，需要一些检测到的的驾驶事件的预定义模板。在李等人的研究中（2017），高速公路上的驾驶行为分为12种驾驶状态，包括紧急制动，自由驾驶，受限/自由的左/右车道变更以及近/中/远跟随，其定义基于先前作品的阈值。然后，使用随机森林算法通过各个操纵状态之间的转换对驾驶风格进行分类。结果表明:自由驾驶、接近、接近跟随、左右变道受限五种机动状态对分类具有统计学意义。在该研究中，对行驶状态的检测非常详细，不过需要许多传感器，包括7个摄像头和CAN总线，并且这些状态是逐帧手动识别的，因此无法进行大规模测试。 Chen等（2014）提出了一种预测危险驾驶事件的方法。在他们的研究中，危险的驾驶事件被转化为危险的属性关系图（ARM），它是说明基于时间序列的驾驶操作的图。然后，使用双向模糊属性映射匹配技术将转换后的驾驶行为与模板ARM进行比较，以确定这是否是危险的驾驶事件。 Van Ly等（2013）探索了使用车辆CAN总线数据来为驾驶员构建驾驶资料，然后对他们的驾驶方式进行分类的方法。他们研究中使用的驾驶事件包括加速，制动和转弯。训练算法中使用了支持向量机和k-均值聚类，结果表明算法准确度为60–80％。在这些研究中，必须使用预定义的驾驶事件，但是在定义这些驾驶事件时使用的阈值并不一致。在Paefgen等（2012）的研究中，用于急剧加速和减速的阈值为plusmn;0.1gasymp; 1 m/s2。Baldwin等(2004)使用plusmn;0.15 g asymp;1.5 m / s2，Bergasa等（2014）使用plusmn;0.4 g asymp;4 m / s2。在Fazeen等（2012）的研究中，阈值为plusmn;0.3 gasymp; 3 m / s2。 Bagdadi使用的是plusmn;0.48 g asymp;4.8 m / s2（Bagdadi，2013）。
除了对驾驶风格的分析外，一些学者还直接对驾驶行为的安全性进行了建模。Vaiana等(2014)开发了一种基于g-g图的攻击性评估算法，该图使用纵向和横向加速度来绘制。在他们的研究中，在g-g图上定义了一个“安全区”，并通过计算外部点的百分比来评估驾驶员的攻击性。同样，Joubert、de Beer和de Koker(2016)使用三个分位数在g-g图上定义了三个风险等级空间。通过赋予三个风险空间不同的权重，可以计算出驾驶安全。另一项研究(Eboli, Mazzulla， amp; Pungillo, 2016)也使用了g-g图来分析汽车用户的安全或不安全驾驶行为，并将车速考虑在内。Ellison、Greaves和Bliemer(2015)引入了驾驶员行为特征来评估驾驶行为的风险。以超速事件、攻击性加速事件和攻击性制动事件的频率和强度作为行为测量指标，并以其时空特征作为影响因素。根据这些参数，建立驾驶员的行为特征，并给出代表驾驶风险的总分。虽然这些研究直接评估了驾驶行为的风险，但个体特征尚不清楚。
综上所述，大多数与驾驶安全相关的研究都集中在驾驶方式的分类或驾驶风险评分上。 但是，这些先前的方法主要考虑了聚类特征的描述。 对于个人驾驶员，其个人驾驶行为的特征仍然不明确。 尽管基于事件的研究可以为驾驶员提供一些信息，例如危险驾驶事件的发生频率，但是在定义危险驾驶事件时，大多数此类研究都需要预先定义的固定阈值。 除了此类事件的定义不一致之外，由于驾驶员的驾驶技能和知识水平不同，固定阈值可能不适用于所有驾驶员驾驶环境。
近年来，在驾驶行为建模中引入了可以提供数据特征可视化显示的图形模型。 Chen，Fang和Tien（2013）提出使用驾驶习惯图（DHG）来建模驾驶行为。 DHG可以说明驾驶数据序列中行为参数的重大变化，从而提供驾驶风格的直观显示。 但是，DHG可能不适用于庞大的数据集，因为它在绘制行驶图和手动作业时需要进行主观判断。 受这项研究的启发，本文着重于驾驶行为的一般特征，并提出了一种不同的图形方法来对驾驶行为进行建模。
3．方法
3.1.方法概述
如上所述，假设驾驶员具有单独的典型驾驶模式。 驾驶行为是这些模式根据驾驶情况随时间推移的排列方式。 我们的工作是识别这些典型模式，然后将其用于评估驾驶员的驾驶安全水平。
该方法的主要任务是提取典型模式，这些模式是时间连续行为数据的一部分。在驾驶过程中，车辆由驾驶员不断调整以达到所期望的状态。我们认为三秒是一个适当的持续时间，在这期间，驾驶员能够调整车辆到某种理想的状态。因此，模式被定义为每三秒钟的驾驶行为(如速度、加速度、转向等)。
作为时间序列数据，需要对提取的特征进行合理的简化以降低复杂度。在方法探索过程中，我们使用符号聚合近似(SAX)方法将数据转换成简化代码。SAX算法是由Lin、Keogh、Lonardi和Chiu(2003)在2003年提出的，它可以将输入时间序列转换成“aabcda”之类的字符串。图1显示了SAX结果的详细示例。SAX过程包括两个步骤(符号聚合近似，2018):(i)将原始数据转换为分段聚合近似(PAA)表示(蓝线到红点)和(ii)根据红点的位置将PAA数据转换为字符串。本文将驾驶行为数据转换为代码(如 001123 )，而不是字符串(如 aabbcd )，以方便计算机读取和计算。应用PAA的帧持续时间为1秒。在这种情况下，每三个连续的代码是一个单元，并被标识为一个驾驶模式(如“012”)，代表司机在这三秒钟内的行为。
包含在我们的方法有五个步骤:数据标准化、数据分级和编码、模式检测、典型模式提取和图形绘制。在五个步骤中，前两个步骤是SAX过程的一部分。图2给出了该方法的流程。图2中使用的数据只是一个示例，以供说明。在下面的描述中，加速度数据被用作一个例子来帮助理解这个过程。
数据标准化
一个驾驶员的原始驾驶行为数据，如加速数据，使用Z-标准化方法进行标准化，使其具有与其他驾驶员数据相同的尺度：
这里，x是一个驱动程序的原始数据。micro;和sigma;分别是x的均值和标准差。x*为归一化后的数据，均值为0，标准差为1，如图2b所示。SAX中需要这种标准化，以便为数据分级做准备。每个驱动程序的数据是单独处理的。
数据分级和编码
与SAX类似，标准化数据首先经过PAA处理，使每一帧为1 s，然后分为7个等级，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237943]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
