朱凱家

(重慶交通大學 交通運輸學院,重慶 400074)

交通運輸安全是道路交通規(guī)劃管制的基本要求，近年我國的旅客運輸業(yè)得到快速發(fā)展，給人們帶來便利的同時也產(chǎn)生了一定的危害。據(jù)交通事故年報統(tǒng)計[1]，2019年全國共發(fā)生交通事故23萬起，造成6萬多人死亡，27萬多人次受傷。而客運車輛載客量大，一旦發(fā)生交通事故，帶來的人員傷亡和財產(chǎn)損失都相對較大。研究發(fā)現(xiàn)由駕駛員感知失誤和判斷決策失誤引起的交通事故是事故產(chǎn)生的直接原因，從駕駛員的角度出發(fā)，國內(nèi)外學者對駕駛員行車過程的駕駛行為特性展開了一定的研究，GACA S學者[2]利用三軸加速度計將采集到的行車加速度選取k值臨近算法進行分析，將駕駛行為分為普通型、激進型駕駛行為。錢宇彬等研究學者[3]選取踏板的操作行為和行駛速度作為研究參數(shù)，通過聚類分析，設(shè)計一種基于駕駛行為的客車駕駛員換班管理的方法。任慧君等學者[4]提出一種基于聚類融合技術(shù)的駕駛行為特征參數(shù)的提取方法，Greaves等學者[5]利用GPS數(shù)據(jù)獲取的駕駛數(shù)據(jù)，并對駕駛?cè)说某傩袨樾畔⑦M行了挖掘。Feng Guo等學者[6]利用線性回歸模型識別危險駕駛因子，得出駕駛員性格、年齡是危險駕駛行為的兩個重要參數(shù)。對駕駛行為分析研究中很少有學者考慮天氣因素。

本文考慮到天氣因素對公路上車輛能否正常通行和交通安全有著很大的影響，選取不同天氣下的客運車輛行駛數(shù)據(jù)進行分析研究。

1 數(shù)據(jù)來源與預處理

1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于重慶市某一客運公司的營運車輛安全監(jiān)測系統(tǒng)提供的城際客車行駛數(shù)據(jù)，全部數(shù)據(jù)為2019年4月1日至30日的行車數(shù)據(jù)，采樣時間間隔為5 s，具體采樣信息包括：車牌號、駕駛員ID、客運線路名稱、經(jīng)度、緯度、采集時間點、行駛車速、方向角、道路限速值等字段，行駛路線為重慶市道路規(guī)劃的重慶至大足的客運往返路線，如圖1所示。

圖1 重慶與大足間客運線路Fig.1 Passenger line between Chongqing and Dazu

1.2 數(shù)據(jù)預處理

在實際數(shù)據(jù)的采集過程中，由于外界條件的影響和自身設(shè)備運行時，都容易產(chǎn)生數(shù)據(jù)錯亂的情況，例如設(shè)備故障、數(shù)據(jù)輸入過程出現(xiàn)重復輸入、數(shù)據(jù)重復讀取等情況，使用Hadoop對冗余數(shù)據(jù)進行了檢測和處理[7]。

(1)冗余數(shù)據(jù)處理

①將車輛編號和采集時間作為關(guān)鍵詞統(tǒng)計。

②被統(tǒng)計1次的為正常數(shù)據(jù)，≥1次的為異常數(shù)據(jù)，進行刪除。

(2)缺失數(shù)據(jù)修復

實驗選取車輛行車數(shù)據(jù)時間間隔為5 s，部分空值數(shù)據(jù)需要進行修復，選取采集時間和車輛編號為關(guān)鍵詞，針對所要研究內(nèi)容補全車速、時間。參考文獻[8]選取移動平均法補全缺失數(shù)據(jù)。移動平均法基于時間序列Tt，t=1，2，…，n，計算公式如式(1)所示：

(1)

Yt為第t+1時期的觀測值，N為擬定的移動平均項，這里取移動平均項為3.

(3)異常數(shù)據(jù)處理

對GPS定位的客車行駛數(shù)據(jù)進行分析時，其異常數(shù)據(jù)主要包括車速和經(jīng)緯度，由于客車行駛路段為高速公路[9]，速度限制為0 km/h≤v≤120 km/h，故剔除此范圍外的數(shù)據(jù)。根據(jù)此次客車行駛路段相同，但記錄的起終點位置不完全相同，故選用共同路段的經(jīng)緯度南北緯度29.416 31°至29.710 25°，東西經(jīng)度105.683 47°至106.504 12°，將此范圍外的數(shù)據(jù)進行清洗刪除。

(4)數(shù)據(jù)規(guī)格化

數(shù)據(jù)規(guī)格化就是將數(shù)據(jù)同時規(guī)劃到一定的比例范圍內(nèi)，減少因?qū)傩圆煌鴰淼姆治稣`差[10]。本文選用的是最大最小規(guī)格化方法。該方法利用最大最小值進行轉(zhuǎn)換，設(shè)minA和minB分別為屬性A的最小值、最大值，將A的其中一個屬性值v映射為v′，具體計算公式如式(2).

v′=

(2)

2 不同天氣下的駕駛數(shù)據(jù)分析

重慶至大足路線的客運車輛行駛數(shù)據(jù)進行分析時，基于重慶春夏之交夜雨尤甚的天氣特征，通過天氣查詢網(wǎng)站獲得重慶各地區(qū)歷史天氣信息，進行查詢可得到重慶市4月份的天氣狀況如表1所示。

表1 重慶2019年4月天氣情況

2.1 運行車速分布

為了研究天氣狀況與高速公路客運車輛駕駛員駕駛行為之間的影響關(guān)系，通過我國氣象部門對重慶市的標準劃分天氣狀況分類，選取不同天氣狀況下同一駕駛員的駕駛車輛運行數(shù)據(jù)進行分析，選取4月7日、4月9日、4月17日、4月20日數(shù)據(jù)，對應天氣狀況分別為：晴天、小雨、陰天/多云、中雨。四種天氣下的車速變化情況如圖2-圖5所示。

圖2 4月7號(晴天)車速變化Fig.2 Change of speed on April 7(sunny day)

圖3 4月9號(小雨)車速變化Fig.3 Change of vehicle speed on April 9(light rain)

圖4 4月17號(陰天/多云)車速變化Fig.4 Change of vehicle speed on April 17(cloudy/cloudy)

圖5 4月20號(中雨)車速變化Fig.5 Change of vehicle speed on April 20(moderate rain)

2.2 不同天氣下的駕駛參數(shù)分析

對于同一位駕駛員在不同天氣下駕駛車輛的平均車速(km·h-1)、平均加速度(km·h-2)、速度最大值(km·h-1)、速度最小值(km·h-1)、加速度最大值(km·h-2)、加速度最小值(km·h-2)、車速標準差等數(shù)值計算如表2所示。

表2 不同條件下的駕駛參數(shù)值

研究表明，駕駛員行駛過程中行車速度與行車過程的平均速度值相差越大、加速度變化幅度越大，則車輛行駛越不穩(wěn)定。由表2可知，在天氣晴朗的條件下，客運車輛在高速公路上正常行駛的平均行駛車速為73.58 km·h-1、速度標準差為23.81；在陰天/多云天氣下的平均行駛車速為72.16 km·h-1、速度標準差為25.24；小雨天氣下的平均行駛車速為67.81 km·h-1、速度標準差為19.93；中雨天氣下的平均行駛車速為63.95 km·h-1、速度標準差為21.75；同晴天相比，陰天/多云、小雨、中雨天氣下的客運車輛整個行駛過程中平均行駛車速分別下降了1.9%、7.8%、13.0%.

行駛過程加速度的變化情況為：晴天平均加速度為-0.02 km·h-2；陰天/多云天氣平均加速度為-284.41 km·h-2；小雨天氣平均加速度為-0.15 km·h-2；中雨天氣車輛平均加速度為0.11 km·h-2.由以上可分析得知：天氣狀況晴朗時，客運駕駛員駕駛車輛的整體速度相對較高，但加速度的變化幅度也相對大一些。陰天/多云平均車速值低于晴天，但速度標準差高于晴天，可推出在行車穩(wěn)定性方面陰天/多云低于晴天車輛行駛，由車速占比也可知陰天/多云時車速分布80 km·h-1以上占比高達65%.

小雨和中雨天氣下整體行車速度而兩個天氣狀態(tài)下的整體行駛平均車速相差不明顯，表明雨天時駕駛員明顯謹慎度增加，行駛車速平穩(wěn)性較好。由此可猜測雖然交通事故在雨天的發(fā)生率高一些，但是小雨、中雨條件下車速的穩(wěn)定性并非明顯低于晴天。

3 聚類分析

3.1 ACO+k-means聚類算法

k-means屬于一種基于劃分的聚類方法。對給定的樣本集，樣本之間的距離大小是劃分類簇的標準，首先從n個樣本中任意選取K個聚類中心，將距離聚類中心較近的數(shù)據(jù)分到該類簇，一次聚類結(jié)束之后，再重新計算每個獲取新聚類的聚類中心，依次重復聚類中心的選取迭代過程，直至聚類中心不再發(fā)生變化，實現(xiàn)簇內(nèi)的距離較小，簇間距離較大的過程[11]。形象原理如圖6所示。

圖6 k-means算法聚類原理Fig.6 K-means algorithm clustering principle

理論上k-means算法受孤立點的影響，當噪聲和孤立點數(shù)據(jù)較多時，k-means算法受到極端數(shù)據(jù)的影響容易導致聚類算法不能夠具有較強的魯棒性或準確性，本文1.2節(jié)進行了數(shù)據(jù)預處理，完成了異常數(shù)據(jù)清洗和缺失數(shù)據(jù)增補，故可不考慮數(shù)據(jù)噪聲和孤立點的因素，但由于數(shù)據(jù)量較大，初始聚類中心隨機選擇進行迭代過程會有較大的工作量，因此需要在聚類中心的選取上做出改進。

蟻群算法(Ant Colony Optimization，ACO)是一種用來尋找優(yōu)化路徑的概率型算法?；驹頌椋何浵佋谶\動過程中會產(chǎn)生一定的信息素，而信息素的總量與所走的路徑長度有關(guān)，螞蟻在有多條路徑到達信息源時，初始時螞蟻隨機選取一條道路，并在該道路上留取信息素，相同時間內(nèi)越短的路徑上經(jīng)過螞蟻數(shù)量較多，累積的信息素濃度越大，從而吸引更多的螞蟻進行較短路徑的選擇，該過程也稱為螞蟻的自催化行為(autocatalytic behavior)，是一種正反饋機制[12]，蟻群覓食路徑選擇如圖7所示。

圖7 蟻群覓食路徑選擇Fig.7 Foraging path selection of ant colony

(3)

上式中allowedk={0，1，…，n-1}表示螞蟻k到達食物源允許選擇的路徑，ηij為路徑(i，j)的能見度因數(shù)，ηij=1/dij，ɑ為信息啟發(fā)式因子，代表螞蟻在路徑搜素中隨機性因素作用的強度。β為期望啟發(fā)式因子，反映蟻群在搜索道路信息素的確定性因素的強弱。

經(jīng)過t時間，各路徑上的信息素量根據(jù)式(4)、式(5)調(diào)整。

τi，j(t+1)=ρ·τij(t)+Δτij(t，t+1)

(4)

(5)

ACO+k-means聚類算法是在k-means的基礎(chǔ)上融合蟻群算法的改進方法。改進原理為：用k-means算法進行聚類時，將數(shù)據(jù)視為具有不同屬性的螞蟻，而聚類結(jié)果即是螞蟻所要找的“食物源”，所以數(shù)據(jù)聚類過程就可以看作是螞蟻尋找食物源的過程，選擇k-means算法將數(shù)據(jù)分為k個類簇時，認為存在k個食物源，食物源的位置跟隨螞蟻位置變化而變化。這樣通過蟻群與食物源之間的相互變動，實現(xiàn)聚類的過程。根據(jù)螞蟻所在蟻群中心提供的信息素的原理，加強了聚類過程中局部空間區(qū)域的搜索能力，避免了聚類中心局部最優(yōu)的現(xiàn)象?；谙伻核惴ǜ倪M后的kmeans算法流程如圖8所示。

圖8 ACO+k-means算法流程Fig.8 ACO+ K-means algorithm process

3.2 駕駛數(shù)據(jù)聚類

由于駕駛行為的穩(wěn)定性主要體現(xiàn)在車速、加速度的分布及變化趨勢[16]，故對不同天氣下的車速進行聚類分析，等同于對駕駛員的操作行為進行分析。2.2節(jié)中對晴天、小雨、陰天/多云、中雨天氣下的駕駛參數(shù)進行分析時，發(fā)現(xiàn)小雨和中雨天氣下車速變化規(guī)律相似，故小雨和中雨天氣可歸為一類。進行參數(shù)選取時，經(jīng)查閱文獻資料選取李士勇教授通過仿真獲得蟻群算法優(yōu)化后的參數(shù)，信息啟發(fā)式因子ɑ=1，期望啟發(fā)因子β=5，信息素軌跡持久性因子ρ=0.7，軌跡強度的初始量設(shè)為τij(0)=0，效果最優(yōu)，故本文按上述參數(shù)值進行聚類，聚類個數(shù)k為3.

對陰天/多云、晴天、中雨三種天氣下的車速、加速度聚類分析，聚類結(jié)果如圖9所示，由晴天時的實際車速相對較大、加速度相對較小，而雨天的車速相對較小、加速度較大，陰天時的車速和加速度都相對平穩(wěn)的聚類規(guī)律，可知date1、date2、date3可認為分別是陰天/多云、晴天、中雨天氣下的行駛數(shù)據(jù)，按照速度越大、加速度越大駕駛行為越激進的判斷原則，將三種天氣下的駕駛行為分為一般激進型、平穩(wěn)型、偏激進型的三種駕駛行為。

圖9 速度、加速度聚類(k=3)Fig.9 Clustering of velocity and acceleration(k=3)

3.3 算法對比

選取k-means聚類算法、根據(jù)隸屬度進行聚類的FCM算法將歸一化后的車速及加速度進行聚類，得出k-means算法的三個聚類中心點分別為C1(0.247，0.362)、C2(0.461，0.573)、C3(0.729，0.511)，F(xiàn)CM算法聚類中心點分別為C1(0.351，0.397)、C2(0.514，0.462)、C3(0.692，0.403)，ACO+k-means算法聚類中心點C1(0.247，0.362)、C2(0.461，0.573)、C3(0.729，0.511).計算各算法聚類中心間距及迭代次數(shù)，結(jié)果如表3所示，由表3可知，改進后的k-means算法得到各簇聚類中心間距大于等于k-means算法和FCM算法，滿足簇內(nèi)距離越小、簇間距離越大，聚類效果越優(yōu)，且迭代次數(shù)最少，聚類時間最短。

4 結(jié)束語

對不同天氣下的駕駛數(shù)據(jù)聚類分析，可以為駕駛行為分類提供依據(jù)，有助于交管部門開展針對性的安全培訓，減少交通事故的發(fā)生。

(1)考慮天氣因素的影響，對于同一位駕駛員在不同天氣下駕駛車輛的平均車速、平均加速度、車速標準差等數(shù)值進行了分析。

(2)根據(jù)重慶市某一客運公司提供的真實客車行駛數(shù)據(jù)，數(shù)據(jù)量較大，相對于傳統(tǒng)的調(diào)查方式具有可靠性和真實性。

(3)提出一種基于蟻群算法改進k-means的聚類算法。通過聚類分析將陰天/多云、晴天、中雨三種天氣下的駕駛行為分為一般激進型、平穩(wěn)型、偏激進型三種駕駛行為，并用FCM算法、k-means算法進行聚類結(jié)果對比，證明改進后得到的ACO+k-means算法能加快聚類中心點的選取，減少聚類時間，聚類效果更優(yōu)。

不足之處：在對天氣因素下的駕駛行為進行分析時，未考慮具體的道路環(huán)境，在實際行車過程中，道路環(huán)境和天氣因素均影響到駕駛員的駕駛行為，故后續(xù)需要更多學者深入研究。