呂 露 曾敘堅(jiān) 王 東

（桂林電子科技大學(xué)數(shù)學(xué)與計(jì)算科學(xué)學(xué)院 廣西·桂林 541004）

1 模型的目標(biāo)

基于車(chē)聯(lián)網(wǎng)系統(tǒng)以及天氣狀況，我們建立了道路交通安全評(píng)價(jià)模型。通過(guò)此模型，分析駕駛員的危險(xiǎn)駕駛行為是否與天氣相關(guān)，以及天氣狀況以多大的程度影響駕駛員的駕駛行為。

2 分析過(guò)程與結(jié)果

2.1 問(wèn)題的分析方法與過(guò)程

2.1.1 數(shù)據(jù)處理

首先，利用Excel對(duì)450個(gè)評(píng)價(jià)對(duì)象進(jìn)行去重，得到175個(gè)評(píng)價(jià)對(duì)象，為了消除量綱的影響，我們使用均值法進(jìn)行無(wú)量綱處理，得到103個(gè)評(píng)價(jià)對(duì)象，為了較好的處理，我們選取其中100個(gè)評(píng)價(jià)對(duì)象，通過(guò)對(duì)車(chē)輛不良駕駛行為的挖掘，得到對(duì)行車(chē)安全影響最大的四個(gè)因素有急加速、急減速、超速和疲勞駕駛。

2.2 問(wèn)題的分析方法與過(guò)程

2.2.1 流程圖

2.2.2 數(shù)據(jù)預(yù)處理

在題目給出的數(shù)據(jù)中，自然氣象條件和道路狀況等情況都是文字信息，為了我們后續(xù)的模型建立與求解，需要用獨(dú)熱編碼方法對(duì)其進(jìn)行編碼處理，并在原始數(shù)據(jù)上進(jìn)行去重處理。

2.2.3 方法與模型

（1）氣象數(shù)據(jù)編碼：

為了方便，需要把文字信息的氣象數(shù)據(jù)轉(zhuǎn)變?yōu)槲覀兊臄?shù)字信息，因此，需要用到獨(dú)熱編碼方法。獨(dú)熱編碼即One-Hot編碼，又稱(chēng)一位有效編碼，其方法是使用N位狀態(tài)寄存器來(lái)對(duì)N個(gè)狀態(tài)進(jìn)行編碼，每個(gè)狀態(tài)都由他獨(dú)立的寄存器位，并且在任意時(shí)候，其中只有一位有效?？梢赃@樣理解，對(duì)于每一個(gè)特征，如果它有m個(gè)可能值，那么經(jīng)過(guò)獨(dú)熱編碼后，就變成了m個(gè)二元特征。并且，這些特征互斥，每次只有一個(gè)激活。因此，數(shù)據(jù)會(huì)變成稀疏的。這樣做的好處主要有：

①解決了分類(lèi)器不好處理屬性數(shù)據(jù)的問(wèn)題；②在一定程度上也起到了擴(kuò)充特征的作用。

（2）過(guò)濾式特征選擇。

過(guò)濾式方法先對(duì)數(shù)據(jù)集進(jìn)行特征選擇，然后再訓(xùn)練學(xué)習(xí)器，特征選擇過(guò)程與后續(xù)學(xué)習(xí)器無(wú)關(guān)。這相當(dāng)于先用特征選擇過(guò)程對(duì)初始特征進(jìn)行“過(guò)濾”，再用過(guò)濾后的特征來(lái)訓(xùn)練模型。在此我們選用Relief(Relevant Features)[Kira and Rendell，1992]特征選擇方法，這是一種著名的過(guò)濾式特征選擇方法。

該方法最終只需指定一個(gè)閾值 ，然后選擇比 大的相關(guān)統(tǒng)計(jì)量分量所對(duì)應(yīng)的特征即可；也可指定欲選取的特征個(gè)數(shù)k，然后選擇相關(guān)統(tǒng)計(jì)量分量最大的k個(gè)特征。

（3）神經(jīng)網(wǎng)絡(luò)。

第一步，網(wǎng)絡(luò)初始化。

第九步，判斷網(wǎng)絡(luò)誤差是否滿(mǎn)足要求。當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法。否則，選取下一個(gè)學(xué)習(xí)樣本及對(duì)應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)。

2.3 結(jié)果分析

首先，氣象數(shù)據(jù)獨(dú)熱編碼如下。

接下來(lái)進(jìn)行特征選擇，根據(jù)Relief算法原理，我們將急加速或急減速狀況作為訓(xùn)練集的因變量，天氣狀況以及氣溫作為特征子集進(jìn)行訓(xùn)練，特征子集的最終分類(lèi)器的誤差如下，誤差越小，說(shuō)明該特征對(duì)于因變量的越顯著有效，選取的23個(gè)特征及誤差如圖1、圖2所示。

圖1：23個(gè)特征向量及誤差

圖2：18個(gè)特征向量及誤差

根據(jù)Relief算法原理，我們疲勞駕駛狀況作為訓(xùn)練集的因變量，天氣狀況以及氣溫作為特征子集進(jìn)行訓(xùn)練，特征子集的最終分類(lèi)器的誤差如下，誤差越小，說(shuō)明該特征對(duì)于因變量的越顯著有效，所以我們選取了18個(gè)特征向量，從特征的選擇結(jié)果看，在疲勞駕駛中，天氣的大多數(shù)是晴天或多云狀況，這也解釋了：在天氣情況良好的情況下，司機(jī)逐步放松警惕，選擇長(zhǎng)時(shí)間駕駛。在急加速和急減速的情況中，天氣的特征為下雨天氣和大風(fēng)天氣，這解釋了：在道路濕滑的情況下，汽車(chē)的輪胎與地面摩擦減少，司機(jī)的剎車(chē)或油門(mén)控制受到影響，容易照成急加速或急減速的情況發(fā)生。

最后，進(jìn)行神經(jīng)網(wǎng)絡(luò)算法：

在急加速和急減速的神經(jīng)網(wǎng)絡(luò)中，將因變量變?yōu)?和1，0代表著急加速或急減速的情況不發(fā)生，1代表急加速或急減速的情況發(fā)生，自變量為特征選取出來(lái)的23個(gè)變量，將總數(shù)據(jù)的70%作為訓(xùn)練數(shù)據(jù)集，剩下的30%作為驗(yàn)證數(shù)據(jù)集。設(shè)置該神經(jīng)網(wǎng)絡(luò)的層數(shù)為3，輸入層的節(jié)點(diǎn)為23，輸出層的節(jié)點(diǎn)為1，訓(xùn)練次數(shù)為400次。從圖3的損失函數(shù)可以看出，在訓(xùn)練次數(shù)為400時(shí)，驗(yàn)證集的損失在0.1左右，訓(xùn)練集的損失在0.15左右，從圖4的精度函數(shù)中可以看出，在訓(xùn)練次數(shù)為400時(shí)，驗(yàn)證集的精度在90%左右，訓(xùn)練集的精度在85%左右,可以認(rèn)為該模型可以很好地預(yù)測(cè)駕駛員的急加速急減速行為。

圖3：急加速急減速神經(jīng)網(wǎng)絡(luò)損失函數(shù)

圖4：急加速急減速神經(jīng)網(wǎng)絡(luò)精度函數(shù)

在疲勞駕駛神經(jīng)網(wǎng)絡(luò)中，將因變量變?yōu)?和1，0代表著疲勞駕駛的情況不發(fā)生，1代表疲勞駕駛的情況發(fā)生，自變量為特征選取出來(lái)的18個(gè)變量，將總數(shù)據(jù)的70%作為訓(xùn)練數(shù)據(jù)集，剩下的30%作為驗(yàn)證數(shù)據(jù)集。設(shè)置該神經(jīng)網(wǎng)絡(luò)的層數(shù)為3，輸入層的節(jié)點(diǎn)為18，輸出層的節(jié)點(diǎn)為1，訓(xùn)練次數(shù)為400次。從圖5的損失函數(shù)可以看出，在訓(xùn)練次數(shù)為400時(shí)，驗(yàn)證集的損失在0.16左右，訓(xùn)練集的損失在0.18左右，從圖6的精度函數(shù)中可以看出，在訓(xùn)練次數(shù)為400時(shí)，驗(yàn)證集的精度在79%左右，訓(xùn)練集的精度在73%左右，可以認(rèn)為該模型可以較好地預(yù)測(cè)駕駛員的疲勞駕駛行為。

圖5：疲勞駕駛神經(jīng)網(wǎng)絡(luò)損失函數(shù)

圖6：疲勞駕駛神經(jīng)網(wǎng)絡(luò)精度函數(shù)

3 結(jié)論

對(duì)行車(chē)安全進(jìn)行分析研究，了解那些是不安全的行車(chē)行為的特點(diǎn)與危害，對(duì)社會(huì)的每個(gè)人的安全是息息相關(guān)的，同時(shí)這也是本文分析的一個(gè)難題。傳統(tǒng)的處理行車(chē)安全的方法已經(jīng)不適應(yīng)于如今數(shù)據(jù)量龐大的車(chē)輛和道路信息。本文采取灰色關(guān)聯(lián)分析法建立行車(chē)安全的評(píng)價(jià)模型，利用獨(dú)熱編碼、過(guò)濾式選擇和神經(jīng)網(wǎng)絡(luò)建立行車(chē)安全的綜合評(píng)價(jià)指標(biāo)體系于綜合評(píng)價(jià)模型。

考慮自然氣象條件和行車(chē)安全，我們先把文字信息獨(dú)熱編碼，再選取特征，最后通過(guò)神經(jīng)網(wǎng)絡(luò)得出模型及其結(jié)果。從結(jié)果分析來(lái)看，在天氣情況良好的情況下，長(zhǎng)時(shí)間駕駛和天氣的特征為下雨天氣和大風(fēng)天氣，急加速和急減速是危害行車(chē)安全的主要原因。