基于FL-XGBoost的换道超车驾驶行为生态性评估方法

严利鑫; 邓光阳; 陈青云; 高雅婷

交通信息与安全 ›› 2025, Vol. 43 ›› Issue (5) : 137 -146+190.

严利鑫, 邓光阳, 陈青云, 高雅婷

作者信息 +

Author information +

文章历史 +

摘要

换道超车作为1个连续且复杂的过程，对能耗有着显著影响。传统生态驾驶研究多聚焦于不区分时段的共性因素（如整体急加速频率），却忽略了驾驶过程中不同时段驾驶行为对能耗的差异化影响。研究了基于焦点损失函数（focal loss,FL）改进的极限梯度提升树（extreme gradient boosting,XGBoost）模型（FL-XGBoost模型），考虑时段异质性，分析不同时段驾驶行为对能耗的差异化影响。结合换道超车过程的动态特征，将换道超车过程划分为4个阶段，并在此基础上划分各阶段驾驶行为数据集。为实现特征空间的降维与关键信息提取，采用随机森林（random forest,RF）与蚁群优化（ant colony optimization,ACO）相融合的混合特征选择策略。此外，针对数据集中类别不均衡导致的模型识别偏倚问题，引入焦点损失函数作为优化目标，替代传统交叉熵损失，从而提升模型的识别鲁棒性与泛化性。结果表明，FL-XGBoost模型性能优于其他基线模型，如支持向量机（support vector machine,SVM）。与未改进的基准XGBoost模型相比，FL-XGBoost的准确率提升3%,F1分数提升5.1%。为进一步揭示影响因素与能耗间的因果关系，采用SHAP解释框架（shapley additive explanations,SHAP）对模型开展可解释性分析。结果表明：2次横向换道阶段的加速时长占比对换道超车全过程的生态性影响最为显著，且换道超车多阶段驾驶操作的生态性特征存在非线性耦合效应。