高速公路隧道出入口危险驾驶行为特性分析与识别方法

摘要

高速公路隧道出入口危险驾驶行为频发，事故风险高。针对隧道进出口区段连续轨迹数据无法有效检测导致的驾驶风险评估难题，设计了1种监测范围覆盖隧道口内外共250 m的雷达-视频融合轨迹采样系统，研究了基于特征参数优化的危险驾驶行为识别方法。基于隧道出入口轨迹数据，分析隧道出入口的驾驶行为特点，选取急变速、蛇形驾驶、高风险跟车及冒险换道4种危险驾驶行为构建危险驾驶行为谱，利用风险度量法量化4种危险驾驶行为指标，并运用四分位法设定其特征参数阈值边界，通过阈值判断，对超出阈值边界的驾驶风险点开展可视化分析，初步得出4种危险驾驶行为的空间分布特点。选用随机过采样（random oversampling,ROS）、合成少数类过采样技术（synthetic minority oversampling technique,SMOTE）、自适应综合过采样（adaptive synthetic sampling,ADASYN）对危险驾驶样本进行预处理，均衡数据样本，而后与3类集成学习算法即极端梯度提升算法（eXtreme gradient boosting,XGBoost）、轻量级梯度提升机算法（light gradient boosting machine,LGBM）、自适应提升算法（adaptive boosting,AdaBoost），通过正交组合构建均衡-集成耦合算法，共提出基于单一集成学习算法和正交组合均衡-集成算法的12种危险驾驶行为识别模型，并通过模型测试验证了不同算法模型的性能差异，确定最优危险驾驶行为识别模型。采用斯皮尔曼相关系数分析参数间的相关性，筛选出关键参数，提高模型识别性能。研究结果表明：高速公路隧道出入口因交通环境复杂性与驾驶人行为波动，成为交通事故易发路段；在3种单模态集成算法模型和9种均衡-集成耦合模型的对比评估中，基于样本优化的SMOTE-LGBM耦合模型在隧道过渡区段对危险驾驶行为的识别效果显著占优，其精确率、F-s、AUC值具体评价数值区间分别为91.2%～91.4%、0.913～0.918、0.907～0.912，相较于其他算法维持在较高水平。

关键词

交通安全 / 危险驾驶行为 / SMOTE-LGBM算法 / 隧道过渡区 / 驾驶行为谱

基金资助

国家重点研发计划项目（2023YFC3009500）; 国家自然科学基金项目（52302430）资助