考虑行车安全事件严重程度和个体差异的驾驶行为风险评估

doi:10.16265/j.cnki.issn1003-3033.2023.07.1120

中国安全科学学报 ›› 2023, Vol. 33 ›› Issue (7): 24-31.doi: 10.16265/j.cnki.issn1003-3033.2023.07.1120

• 安全社会科学与安全管理 • 上一篇下一篇

考虑行车安全事件严重程度和个体差异的驾驶行为风险评估

张晖¹^,²^,³(), 刘永杰¹^,², 吴超仲¹^,², 丁乃侃¹^,², 张琦¹^,², 肖逸影⁴

¹ 武汉理工大学智能交通系统研究中心,湖北武汉 430063
² 国家水运安全工程技术研究中心,湖北武汉 430063
³ 运输车辆运行安全技术交通运输行业重点实验室,北京 100088
⁴ 武汉市交通发展战略研究院,湖北武汉 430063

收稿日期:2023-02-12 修回日期:2023-05-06 出版日期:2023-07-28
作者简介:
张晖 (1983—),男,安徽铜陵人,博士,研究员,主要从事道路交通安全、驾驶行为及车路协同等方面的研究。E-mail: zhanghuiiits@whut.edu.cn。
吴超仲,教授
丁乃侃,副研究员
基金资助:
国家自然科学基金(52072289); 国家重点研发计划(2019YFB1600803); 运输车辆运行安全技术交通运输行业重点实验室开放课题(KFKT2018-04)

A risk assessment method of driving behavior considering severity of safety-critical events and individual heterogeneity

ZHANG Hui¹^,²^,³(), LIU Yongjie¹^,², WU Chaozhong¹^,², DING Naikan¹^,², ZHANG Qi¹^,², XIAO Yiying⁴

¹ Intelligent Transportation Systems Research Center, Wuhan University of Technology, Wuhan Hubei 430063, China
² National Engineering Research Center for Water Transport Safety, Wuhan University of Technology, Wuhan Hubei 430063, China
³ Key Laboratory of Operation Safety Technology on Transport Vehicles, Ministry of Transport, Beijing, 1000888, China
⁴ Wuhan Transportation Development Strategy Institute, Wuhan Hubei 430063, China

Received:2023-02-12 Revised:2023-05-06 Published:2023-07-28

摘要/Abstract

摘要：

为解决驾驶行为风险评估方法存在事件危险程度度量缺失及个体行为习惯考虑不足的问题,采集15位被试的自然驾驶试验数据,通过配对T检验和具有噪声的基于密度的聚类方法(DBSCAN),聚类得到行车安全事件中指标偏离正常状态的显著程度和驾驶人风险倾向性等级;选取指标量化单次行车安全事件严重程度,修正驾驶风险权重,构建考虑行车事件严重程度和个体差异的驾驶行为风险评估方法;开展实例分析,使用车头时距(TH)验证模型的有效性。研究结果表明:速度标准差、速度极差、加速度均值和最大值对于驾驶风险评估的重要度较高;使用优化后的评估方法得到的驾驶行为风险评分范围为[21,42.6],均值为32.93,标准差6.62,相较于传统评分方法,该风险评分与实际情况更为接近;采用上述指标评价综合驾驶行为风险,有助于提升驾驶风险辨识准确性。

关键词: 行车安全事件, 严重程度, 个体差异, 驾驶行为, 风险评估, 具有噪声的基于密度的聚类方法(DBSCAN)

Abstract:

Aiming at the lack of risk degree measurement and insufficient consideration of individual differences in the driving behavior risk assessment method, the natural driving experimental data of 15 subjects were collected, and the paired T-test and DBSCAN (Density-Based Spatial Clustering of Applications with Noise) clustering were used to obtain the deviation of the indicator from the normal state in driving safety events and driver risk propensity level. The indicators were selected to quantify the severity of a single driving safety event, and the driving risk weights were corrected to construct a driving behavior risk assessment method that considered the severity of driving events and individual differences. The validity of the model was verified by using time head (TH). The results show that speed standard deviation, speed range and mean and maximum value of acceleration are more important for driving risk assessment. The risk score obtained by the optimized evaluation methods ranges from [21,42.6], with a mean value of 32.93 and a standard deviation of 6.62. The driving behavior risk score in this study is closer to the actual situation than the traditional score. The above indicators can be used to evaluate the comprehensive driving behavior risk and improve the accuracy of driving risk identification.

Key words: safety-critical events, severity, individual heterogeneity, driving behavior, risk identification, density-based spatial clustering of applications with noise (DBSCAN)

张晖, 刘永杰, 吴超仲, 丁乃侃, 张琦, 肖逸影. 考虑行车安全事件严重程度和个体差异的驾驶行为风险评估[J]. 中国安全科学学报, 2023, 33(7): 24-31.

ZHANG Hui, LIU Yongjie, WU Chaozhong, DING Naikan, ZHANG Qi, XIAO Yiying. A risk assessment method of driving behavior considering severity of safety-critical events and individual heterogeneity[J]. China Safety Science Journal, 2023, 33(7): 24-31.

图/表 11

表1

图1

表2

图2

图3

表3

表4

图4

表5

表6

图5

参考文献 18

[1]	严新平, 张晖, 吴超仲, 等. 道路交通驾驶行为研究进展及其展望[J]. 交通信息与安全, 2013, 31(1):45-51.
	YAN Xinping, ZHANG Hui, WU Chaozhong, et al. Research progress and prospect of road traffic driving behavio[J]. Journal of Transport Information and Safety, 2013, 31(1):45-51.
[2]	张正. 基于车联网驾驶行为评分的安全驾驶卫士分析与设计[D]. 南京: 南京邮电大学, 2017.
	ZHANG Zheng. The analysis and design of driving safety guards based on the score of driving behavior in vehicle networking[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2017.
[3]	ELLISON A B, BLIEMER M C J, GREAVES S P. Evaluating changes in driver behaviour: a risk profiling approach[J]. Accident Analysis & Prevention, 2015, 75:298-309. doi: 10.1016/j.aap.2014.12.018
[4]	李平凡. 驾驶行为表征指标及分析方法研究[D]. 长春: 吉林大学, 2010.
	LI Pingfan. Research on indices and analysis of driving behavior[D]. Changchun: Jilin University, 2017.
[5]	SAIPRASERT C, PHOLPRASIT T, THAJCHAYAPONG S. Detection of driving events using sensory data on smartphone[J]. International Journal of Intelligent Transportation Systems Research, 2017, 15(1):17-28. doi: 10.1007/s13177-015-0116-5
[6]	GUO Feng, FANG Youjia. Individual driver risk assessment using naturalistic driving data[J]. Accident Analysis & Prevention, 2013, 61(6):3-9. doi: 10.1016/j.aap.2012.06.014
[7]	胥川, 裴赛君, 王雪松. 基于无侵入测量指标的个体差异化驾驶疲劳检测[J]. 中国公路学报, 2016, 29(10):118-125.
	XU Chuan, PEI Saijun, WANG Xuesong. Driver drowsiness detection based on non-intrusive metrics considering individual difference[J]. China Journal of Highway and Transport, 2016, 29(10):118-125.
[8]	秦雅琴, 李秋谷, 赵鹏燕, 等. 基于多分类Adaboost算法的驾驶人风险感知倾向研究[J]. 中国安全科学学报, 2022, 32(4):141-147. doi: 10.16265/j.cnki.issn1003-3033.2022.04.021
	QIN Yaqin, LI Qiugu, ZHAO Pengyan, et al. Research on risk perception tendency of drivers based on multi-class Ada-boost algorithm[J]. China Safety Science Journal, 2022, 32(4): 141-147. doi: 10.16265/j.cnki.issn1003-3033.2022.04.021
[9]	曾诚, 吴初娜, 孟兴凯. 驾驶人危险辨识进展研究[J]. 中国安全科学学报, 2016, 26(12): 74-79.
	ZENG Cheng, WU Chu'na, MENG Xingkai. A review of progress in studying drivers' hazard perception[J]. China Safety Science Journal, 2016, 26(12): 74-79.
[10]	乔洁, 徐鑫, 刘传攀, 等. 驾驶人危险感知能力影响因素及干预方式综述[J]. 中国安全科学学报, 2022, 32(2): 34-41. doi: 10.16265/j.cnki.issn1003-3033.2022.02.006
	QIAO Jie, XU Xin, LIU Chuanpan, et al. Review on affecting factors and intervention methods of drivers' hazard perception ability[J]. China Safety Science Journal, 2022, 32(2): 34-41. doi: 10.16265/j.cnki.issn1003-3033.2022.02.006
[11]	AKSAN N, SAGER L, HACKER S, et al. Individual differences in cognitive functioning predict effectiveness of a heads-up lane departure warning for younger and older drivers[J]. Accident Analysis & Prevention, 2017, 99: 171-183. doi: 10.1016/j.aap.2016.11.003
[12]	ENEV M, TAKAKUWA A, KOSCHER K, et al. Automobile driver fingerprinting[J]. Proceedings on Privacy Enhancing Technologies, 2015, 2016(1): 34-50. doi: 10.1515/popets-2015-0029
[13]	EBOLI L, MAZZULLA G, PUNGILLO G. Combining speed and acceleration to define car users' safe or unsafe driving behavior[J]. Transportation Research Part C: Emerging Technologies, 2016, 68: 113-125. doi: 10.1016/j.trc.2016.04.002
[14]	BIAN Yiyang, YANG Chen, ZHAO J, et al. Good drivers pay less: a study of usage-based vehicle insurance models[J]. Transportation Research Part A: Policy and Practice, 2018, 107: 20-34. doi: 10.1016/j.tra.2017.10.018
[15]	WILDE G J S. The theory of risk homeostasis: implications for safety and health[J]. Risk Analysis, 1982, 2(4): 209-225. doi: 10.1111/risk.1982.2.issue-4
[16]	ZHANG Xiaoxuan, LU Guangquan, CHENG Bo. Parameters calibration for car-following model based desired safety margin[C]. International Conference on Optoelectronics & Image Processing. IEEE, 2011: 97-100.
[17]	吕能超, 任泽远, 段至诚, 等. Near-crash事件中驾驶人行为特征分析[J]. 中国安全科学学报, 2017, 27(6): 19-24. doi: 10.16265/j.cnki.issn1003-3033.2017.06.004
	LYU Nengchao, REN Zeyuan, DUAN Zhicheng, et al. Analysis of driving behavior characteristics of drivers in near-crash events[J]. China Safety Science Journal, 2017, 27(6): 19-24. doi: 10.16265/j.cnki.issn1003-3033.2017.06.004
[18]	张新生, 蔡宝泉. 基于改进随机森林模型的海底管道腐蚀预测[J]. 中国安全科学学报, 2021, 31(8): 69-74. doi: 10.16265/j.cnki.issn1003-3033.2021.08.010
	ZHANG Xinsheng, CAI Baoquan. Corrosion prediction of submarine pipelines based on improved random forest model[J]. China Safety Science Journal, 2021, 31(8): 69-74. doi: 10.16265/j.cnki.issn1003-3033.2021.08.010

参数类型	采集设备	说明
TH/s	Mobileye	采样频率8 Hz,TH超过2.5 s 时为0,数据范围[0,2.5]
车速值/(km·h^-1)	原车控制器区域网络(Controller Area Network,CAN)输出	采样频率>20 Hz
加速度/(m·s^-2)	原车CAN输出	采样频率>20 Hz
方向盘转角/(°)	方向盘转角传感器	转向角度,正中央往左为负,往右为正
方向盘转角加速度/(°·s^-1)	方向盘转角传感器	转向加速度,正中央向左为负,右为正
刹车踏板	原车CAN输出	0或1(0表示未刹车,1表示刹车)
左转向灯	原车CAN输出	0或1(1表示开启左转向灯)
右转向灯	原车CAN输出	0或1(1表示开启右转向灯)

操纵能力	指标	驾驶行为表征指标
车速保持能力	速度	速度均值、速度标准差、速度最大值、速度极差
车速保持能力	加速度	加速度均值、减速度均值、加速度标准差、加速度最大值、减速度最大值
转向盘控制能力	方向盘转角	右向方向盘转角均值、左向方向盘转角均值、方向盘转角标准差、方向盘转角最大值
转向盘控制能力	方向盘转角加速度	右向方向盘转角加速度均值、左向方向盘转角加速度均值、方向盘转角加速度标准差、方向盘转角加速度最大值

指标名称	超速事件 i₁	急加速事件 i₂	急减速事件 i₃	急转弯事件 i₄	风险评估重要度	指标名称	超速事件 i₁	急加速事件i₂	急减速事件i₃	急转弯事件i₄	风险评估重要度
速度均值	3	1	1	1	6	方向盘转角均值(右)	1	1	1	2	5
速度标准差	1	3	3	1	8	方向盘转角均值(左)	1	1	2	1	5
速度最大值	3	1	1	1	6	方向盘转角标准差	1	1	1	3	6
速度极差	1	3	3	1	8	方向盘转角最大值	1	1	1	3	6
加速度均值	1	3	3	1	8	方向盘转角加速度均值(右)	2	1	1	3	7
减速度均值	1	2	3	1	7	方向盘转角加速度均值(左)	1	1	1	3	6
加速度标准差	1	2	3	1	7	方向盘转角加速度标准差	2	1	1	3	7
加速度最大值	1	3	3	1	8	方向盘转角加速度最大值	1	1	1	3	6
减速度最大值	1	2	3	1	7	—	—	—	—	—	—

事件类别i	事件严重程度量化评估指标k
超速	速度均值、速度最大值
急加速	加速度均值、加速度最大值
急减速	速度标准差、速度极差、减速度均值、减速度最大值
急转弯	方向盘转角加速度标准差、方向盘转角加速度最大值

被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度
1	1	2	3	2	8	6	1	1	1	1	4	11	1	2	1	1	5
2	1	2	1	1	5	7	1	2	1	1	5	12	3	3	2	1	9
3	1	2	1	1	5	8	1	2	1	1	5	13	1	2	1	1	5
4	1	2	1	3	7	9	2	2	2	1	7	14	1	2	1	1	5
5	1	2	1	1	5	10	1	2	1	1	5	15	1	2	1	1	5

考虑行车安全事件严重程度和个体差异的驾驶行为风险评估

A risk assessment method of driving behavior considering severity of safety-critical events and individual heterogeneity

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度
1	1	2	3	2	8	6	1	1	1	1	4	11	1	2	1	1	5
2	1	2	1	1	5	7	1	2	1	1	5	12	3	3	2	1	9
3	1	2	1	1	5	8	1	2	1	1	5	13	1	2	1	1	5
4	1	2	1	3	7	9	2	2	2	1	7	14	1	2	1	1	5
5	1	2	1	1	5	10	1	2	1	1	5	15	1	2	1	1	5

被试	i₁	i₂	i₃	i₄	被试	i₁	i₂	i₃	i₄	被试	i₁	i₂	i₃	i₄
1	0.13	0.25	0.38	0.25	6	0.25	0.25	0.25	0.25	11	0.2	0.4	0.2	0.2
2	0.2	0.4	0.2	0.2	7	0.2	0.4	0.2	0.2	12	0.33	0.33	0.22	0.11
3	0.2	0.4	0.2	0.2	8	0.2	0.4	0.2	0.2	13	0.2	0.4	0.2	0.2
4	0.14	0.29	0.14	0.43	9	0.29	0.29	0.29	0.14	14	0.2	0.4	0.2	0.2
5	0.2	0.4	0.2	0.2	10	0.2	0.4	0.2	0.2	15	0.2	0.4	0.2	0.2

[1]	陈芳, 崔庆敏, 向千秋. 基于动态贝叶斯网络的民航空中停车事件安全风险评估[J]. 中国安全科学学报, 2023, 33(7): 16-23.
[2]	杨校毅, 杨春雪, 朱俞臣, 杨雪松. 面向OSH的职业心理管控法律法规比较研究[J]. 中国安全科学学报, 2023, 33(5): 81-87.
[3]	南彦洲, 柯辉, 朱才华, 姚振兴, 李岩. 面向驾驶员心电数据的交叉口驾驶风险评估方法[J]. 中国安全科学学报, 2023, 33(2): 185-193.
[4]	王轶宏, 翟越, 李艳, 屈璐. 城市燃气管网泄漏蒸气云爆炸事故风险评估[J]. 中国安全科学学报, 2023, 33(2): 194-201.
[5]	孟祥海, 由冰玉, 邱志雄, 李之啸, 张明扬. 基于事故修正系数的山区高速公路事故预测模型[J]. 中国安全科学学报, 2023, 33(1): 10-17.
[6]	周占松, 王玉松, 向余红, 马锦飞. 急性应激对列车驾驶员认知加工和安全驾驶的影响[J]. 中国安全科学学报, 2022, 32(S2): 243-247.
[7]	郑安娜, 李建微, 陈思喜, 郭伟, 陈晓梦. 城市洪涝风险评估中的软件应用及进展[J]. 中国安全科学学报, 2022, 32(9): 118-125.
[8]	姜文宇, 王飞, 苏国锋, 李鑫, 孟庆祥, 王冠宁. 面向森林火灾的应急管理信息化关键技术[J]. 中国安全科学学报, 2022, 32(9): 182-191.
[9]	孙树立, 韩旭东, 陈璞. 建筑结构安全分析方法与评估技术综述[J]. 中国安全科学学报, 2022, 32(9): 37-48.
[10]	周勇, 杨波, 唐伟, 李月安, 王月冬, 李泽椿. 面向公共安全的气象监测预报预警软件发展综述[J]. 中国安全科学学报, 2022, 32(9): 76-85.
[11]	李金蓉, 杨玉中. DS理论-贝叶斯网络下的煤矿通风系统风险评估*[J]. 中国安全科学学报, 2022, 32(8): 146-153.
[12]	法慧妍, 帅斌, 吕敏, 黄文成. 基于WBS-RBS和IFWA算子的中欧班列多式联运安全风险评估[J]. 中国安全科学学报, 2022, 32(6): 200-206.
[13]	刘嘉豪, 余杨, 张振兴, 余建星, 王巍巍, 傅一钦. 二维云模型和贝叶斯网络的立管风险评估方法[J]. 中国安全科学学报, 2022, 32(5): 147-154.
[14]	辛保泉, 喻健良, 党文义, 白永忠, 于安峰. 定量风险评估视域下的多组分混合物危险特性[J]. 中国安全科学学报, 2022, 32(4): 80-85.
[15]	秦雅琴, 李秋谷, 赵鹏燕, 宝发旺, 谢济铭. 基于多分类Adaboost算法的驾驶人风险感知倾向研究[J]. 中国安全科学学报, 2022, 32(4): 141-147.

被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度
1	1	2	3	2	8	6	1	1	1	1	4	11	1	2	1	1	5
2	1	2	1	1	5	7	1	2	1	1	5	12	3	3	2	1	9
3	1	2	1	1	5	8	1	2	1	1	5	13	1	2	1	1	5
4	1	2	1	3	7	9	2	2	2	1	7	14	1	2	1	1	5
5	1	2	1	1	5	10	1	2	1	1	5	15	1	2	1	1	5

被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度	被试	i₁	i₂	i₃	i₄	风险度
1	1	2	3	2	8	6	1	1	1	1	4	11	1	2	1	1	5
2	1	2	1	1	5	7	1	2	1	1	5	12	3	3	2	1	9
3	1	2	1	1	5	8	1	2	1	1	5	13	1	2	1	1	5
4	1	2	1	3	7	9	2	2	2	1	7	14	1	2	1	1	5
5	1	2	1	1	5	10	1	2	1	1	5	15	1	2	1	1	5