孫 倩 郭忠印

(同濟大學(xué)道路與交通工程教育部重點實驗室 上海 201804)

0 引 言

我國海拔2 000 m以上的高原占全國總面積的33%，海拔3 000 m以上占26%，而全球海拔2 000 m以上的地區(qū)面積僅占陸地總面積的13.2%，比例遠低于我國.高原具有獨特而復(fù)雜的自然條件，對駕駛員有較顯著的影響.問卷調(diào)查結(jié)果表明，在高原行車時有34%的駕駛員時常感到口干舌燥，超過23%的駕駛員有頭重腳輕的感覺，另外約18%的駕駛員感覺手腳痛、15%頻繁打哈欠、14%感覺自身有頭暈癥狀、14%感到乏力和虛脫、13%感到眼皮常發(fā)沉、眼睛酸痛，11%的駕駛員感覺手腳不靈活，超過76%的駕駛員認為在高原公路行車時較在其他公路更容易產(chǎn)生疲勞感[1].此外據(jù)調(diào)查，盡管我國道路安全形勢持續(xù)好轉(zhuǎn)，但相比發(fā)達國家交通事故與死亡率仍處于較高水平，一次死亡10人以上重、特大道路交通事故頻發(fā)，與東部、中部地區(qū)相比，西部地區(qū)特大交通事故數(shù)量大，除由于西部山區(qū)較多外，另一個重要原因即在于我國高原地區(qū)集中于西部[2].由此可見，有必要針對高原地區(qū)車輛駕駛安全開展研究.

由于受高原環(huán)境影響地區(qū)較少，國外相關(guān)研究大多集中在高原公路病害預(yù)防和治理[3]，我國相關(guān)研究較多.目前高原地區(qū)車輛駕駛安全研究主要集中在駕駛員生心理和駕駛行為兩方面.

Bot等[4]從醫(yī)學(xué)角度對心律與耗氧量進行研究，李巖巖等通過研究高原公路線性與駕駛員腦電特性[5]和心率變化[6]發(fā)現(xiàn)當(dāng)海拔與線形一起作用時，相應(yīng)指標均比線形單獨作用時的變化更顯著.通過現(xiàn)場測試數(shù)據(jù)分析發(fā)現(xiàn)[7]，高原環(huán)境下駕駛員反應(yīng)能力和判斷能力較差，靜視力與動視力顯著降低，這些指標變化主要與海拔、年齡和駕駛時間相關(guān).姬生強[8]認為高原環(huán)境下駕駛員靜視力、動視力、反應(yīng)能力和速度估計能力的弱化將導(dǎo)致駕駛過程中的誤反應(yīng)次數(shù)和判斷錯誤次數(shù)顯著增長，并認為認知能力降低、對速度判斷失誤、行駛過程中注意力不集中等高原區(qū)駕駛員錯誤駕駛行為，會對駕駛員處理突發(fā)事件和獲取道路信息的準確度和效率產(chǎn)生影響，從而影響交通安全.肖潤謀等[9]分析了駕駛員在高海拔長平直線路段上行車時的交通安全認知及行為特性，認為該類路段上交通事故多發(fā)的主要原因是單調(diào)的道路景色和高原反應(yīng)使駕駛員疲勞并反應(yīng)遲鈍，道路兩側(cè)缺乏明顯的參照物，影響了駕駛員速度判斷的準確性，以及受牧群橫穿產(chǎn)生的橫向干擾.汪雙杰等[10]通過分析不同海拔典型路段實測速度數(shù)據(jù)得出平直線路段上車輛在無路側(cè)干擾條件下能達到期望速度，小半徑平曲線路段運行速度變化劇烈，海拔4 000 m為海拔對運行速度的影響臨界點等結(jié)論.

以往對高原道路研究多為針對不同海拔高度駕駛員腦電、心律、反應(yīng)時間、車速判斷和駕駛速度等顯性指標的變化情況以及引起該指標變化的因素的分析，而較少涉及針對指標變化導(dǎo)致高原車輛駕駛風(fēng)險方面的研究.本研究實地采集不同海拔、不同線形,以及不同車型的斷面速度，定量評價車輛行駛狀態(tài)安全性，基于支持向量機理論較強的適應(yīng)能力和良好的泛化能力，以及與其他方法相比在解決小樣本問題的良好表現(xiàn)[11]，利用該理論建立行駛狀態(tài)安全性評價模型，分析海拔、線形和車速等因素對安全的影響.

1 數(shù)據(jù)采集

1.1 調(diào)研地點的選取

青藏公路起于青海西寧，終于西藏拉薩，全長1 937 km，為雙向2車道，雖然設(shè)計標準較低，但經(jīng)過大幅改建，是目前通往西藏的公路中路況最好且相對最安全的公路.

調(diào)研以青藏公路格爾木到拉薩段為數(shù)據(jù)采集路段，路段覆蓋海拔3 349～5 187 m范圍，調(diào)研時間范圍為7—8月份.文獻[12]將公路線形劃分為平直線、縱坡、平曲線和彎坡組合四種，但相比平原，在高原環(huán)境下車輛對縱坡更加敏感，因此，將高速公路線形劃分為直線段和曲線段兩種，其中直線段包括平直段和縱坡段，曲線段包括平曲線段和彎坡組合段，達到保留更多縱坡信息的目的，具體劃分依據(jù)見表1.調(diào)研共采集154個截面的相關(guān)數(shù)據(jù)，其中包含44組直線段與22組曲線段，每組直線段包含首尾兩個截面，曲線段包含直曲點、曲中點和曲直點三個截面.調(diào)研地點分布與海拔范圍分布相匹配，見表2.

1.2 調(diào)研方法

調(diào)研首先獲取了青藏公路設(shè)計資料，然后利用MC5600氣壓管式車輛分型統(tǒng)計系統(tǒng)對現(xiàn)場車速、車型等數(shù)據(jù)進行調(diào)研.根據(jù)青藏公路車道數(shù)和行車方向，采用適用的車輛分型統(tǒng)計方式布置MC系統(tǒng)，見圖1.數(shù)據(jù)采集過程中要求滿足白天、天氣晴好、路面干燥和自由流交通的環(huán)境條件.經(jīng)過路上初步統(tǒng)計，青藏公路典型車型為小客車和大貨車，因此，要求每個截面調(diào)研車輛數(shù)樣本量在300以上，且小客車和大貨車均達到100以上，以滿足統(tǒng)計學(xué)要求.

表1 路段劃分標準

表2 調(diào)研地點分布

圖1 MC5600系統(tǒng)布置圖

2 高原公路車輛行駛特征分析

2.1 環(huán)境特征

海拔對駕駛員行駛狀態(tài)產(chǎn)生作用并最終影響安全，因此，采集路段海拔數(shù)據(jù)，用H表示.

道路線形很大程度上決定了駕駛環(huán)境，對行車安全具有舉足輕重的影響，因此從設(shè)計資料中獲取線形數(shù)據(jù).定義每個直線段為一個分析單元，每個曲線段從曲中點劃分成二個分析單元，即共44個直線分析單元，44個曲線分析單元.提取每個分析單元的長度L、初曲率r1、末曲率r2、曲率差r和縱坡i.

2.2 車輛特征

載重和發(fā)動機對車輛性能影響很大，尤其在高原低溫缺氧環(huán)境下，可能加大其影響程度，此外，不同車型駕駛員的駕駛習(xí)慣也有較大不同，因此，對車輛進行車型劃分.根據(jù)現(xiàn)場調(diào)查，高原公路上大型車輛多為長途貨車，而小汽車則多為客車，鮮少有大客車和小貨車，因此，將路上車輛分為大貨車和小客車兩種類型，以軸距為劃分依據(jù)，參照文獻[12]，結(jié)合實地調(diào)研和數(shù)據(jù)采集結(jié)果分析，最終選定軸距低于4.5 m為小客車，大于4.5 m為大貨車.

車速為車輛駕駛過程中重要的車輛特征，通常以運行速度為代表車速.以車型為劃分依據(jù)，對每個截面的現(xiàn)場調(diào)研數(shù)據(jù)進行統(tǒng)計，得到每種車型的85%車速作為特征運行速度，用v表示.

每個分析單元有兩個截面，對兩個截面的特征運行速度求平均值，得到分析單元的特征運行速度，用V表示.

V統(tǒng)計結(jié)果見表3，直線段運行速度稍高于曲線段，小客車運行速度顯著高于大貨車，但離散性也高于大貨車.

表3 不同車型運行速度統(tǒng)計結(jié)果 km/h

2.3 行駛狀態(tài)安全性特征

行駛狀態(tài)安全性主要受公路線形連續(xù)性和與運行速度匹配性影響，相鄰路段運行速度協(xié)調(diào)性能夠有效評價連續(xù)性指標[13-14]，駕駛員能夠在連續(xù)性較好的路段維持較穩(wěn)定的行駛狀態(tài)，不會因線形不良或突發(fā)事件出現(xiàn)緊急制動或加速行為，線形依據(jù)設(shè)計速度設(shè)計，因此,運行速度與設(shè)計速度的匹配程度可以評價后者.

相鄰路段運行速度協(xié)調(diào)性以相鄰分析單元運行速度差的絕對值|Δv|和同一分析單元內(nèi)運行速度梯度絕對值|IΔv|作為指標.|IΔv|意義是100 m行駛長度運行速度變化絕對值，|IΔv|越大，連續(xù)型越差，行駛狀態(tài)安全性越差，計算式為

(1)

式中：vi為點i處運行速度；Li,i+1為兩相鄰點之間的距離，該相鄰點應(yīng)屬于同一分析單元.

考慮到高原的低氧駕駛環(huán)境以及青藏公路為該路線唯一通車公路的特殊條件，發(fā)生風(fēng)險的可能性較高，因此基于文獻[12]，采用較高的標準評價行駛狀態(tài)安全性特征，判斷標準為

(2)

(3)

(4)

式中：Vd為設(shè)計速度;A1,A2,A分別為線形與運行速度匹配性、線形連續(xù)性和行駛狀態(tài)安全性;1為肯定；-1為否定.

以高程為橫軸，繪制|IΔv|曲線，見圖2.大貨車與小汽車的相關(guān)發(fā)展趨勢基本一致，隨著海拔高度的升高，大貨車相比小客車表現(xiàn)得更加穩(wěn)健.

圖2 不同海拔高度下車輛行駛狀態(tài)安全性分布圖

3 車輛行駛狀態(tài)安全性評價模型建立

3.1 支持向量機

支持向量機最早在20世紀末被提出，是以VC維理論和結(jié)構(gòu)風(fēng)險最小化原則為基礎(chǔ)的一種算法，常用的支持向量機核函數(shù)有四種類型，即線性核函數(shù)(LF)、多項式核函數(shù)(PF)、徑向基核函數(shù)(RBF)和Sigmoid核函數(shù)(SF)，這四種核函數(shù)都滿足Mercer條件，通過核函數(shù)可以將采集到的現(xiàn)場數(shù)據(jù)映射到高維度.一般情況下其他三種核函數(shù)經(jīng)過訓(xùn)練的結(jié)果都能優(yōu)于LF，基于核函數(shù)需確定的參數(shù)數(shù)量考慮，RBF能夠有效減少模型優(yōu)化的復(fù)雜度，同時RBF也是實際應(yīng)用最廣泛的核函數(shù)，因此選擇采用RBF作為核函數(shù)，形式為

K(xi,xj)=exp(-γ‖xi-xj‖2),γ>0(5)

式中：γ為核函數(shù)參數(shù)；‖xi-xj‖為xi-xj的范數(shù).

支持向量機車輛駕駛安全性評價模型的函數(shù)形式為

(6)

式中：sgn(·)為提取表達式符號的函數(shù)；(xi,yi)為已知的樣本，xi∈Rn，為預(yù)期對駕駛安全性有影響的n個參數(shù)，yi∈{-1,1}為所屬安全性類別，其中i=1,2,…,m，m為樣本數(shù)；αi為拉格朗日乘子，不小于0；b為常數(shù).

為了得到最好的超平面，可以對以下問題進行優(yōu)化求解.

(7)

yTα=0

(8)

0≤αi≤Ci=1,2,…,m

(9)

式中：e為全部為1的向量;α為拉格朗日乘子向量;Q為一個大小為m行、m列的矩陣，Qij=yiyjK(xi,xj)，由于核函數(shù)滿足Mercer條件，K(xi,xj)=gT(xi)g(xj);C為拉格朗日乘子αi的上界.

為了最終得到最優(yōu)的支持向量機分類器，需要尋找最優(yōu)的參數(shù)對(γ,C)，即在該參數(shù)對下，模型的分類準確率最高，采用交叉驗證方法可以達到這一目的.在一定范圍內(nèi)選取一組參數(shù)對(γ,C)，K-折交叉驗證將樣本隨機分為K個子集，每次將其中1個子集作為測試集，其余K-1個作為訓(xùn)練集，訓(xùn)練支持向量機分類器，將K次預(yù)測的平均準確度作為該參數(shù)對下的分類器準確度，選擇準確度最高的分類器對應(yīng)的參數(shù)對(γ,C)，當(dāng)有多組準確度最高的參數(shù)對時，選取其中C最小的一組.

3.2 參數(shù)選擇

在訓(xùn)練支持向量機分類器的過程中，過多無關(guān)參數(shù)的進入會影響到分類器的準確度，因此需要選擇與行駛狀態(tài)安全性相關(guān)性最高的變量作為參數(shù).F值方法是一種有效的篩選方法，F(xiàn)值越高，表示該參數(shù)在不同的A條件下差異越大，分類效率越高，某參數(shù)x的F值為

(10)

3.3 模型準確度評價

采用留一法評價模型準確度.首先從樣本集中去掉一個樣本(xi,yi)，利用剩余的樣本集訓(xùn)練分類器得到fi，進行如下統(tǒng)計.

(11)

式中：fi(xi)為fi對xi預(yù)測分類，fi(xi)∈{-1,1}；P(fi(xi),yi))為分類結(jié)果，當(dāng)fi(xi)與yi一致時為1，否則為0.Acc數(shù)值越高，表示分類器越可取.

3.4 行駛狀態(tài)安全性評價模型建立

根據(jù)3.1～3.3，建立車輛行駛狀態(tài)安全性評價模型，步驟為

步驟1分別整理大車和小車的數(shù)據(jù)，得到可選參數(shù)(H，L，r1，r2，r，i，V)，為減少高維數(shù)據(jù)對低維數(shù)據(jù)的影響，將所有參數(shù)進行歸一化處理.

步驟2計算所有參數(shù)的F值并降序排列，結(jié)果見表4.

表4 F值排序結(jié)果

步驟3去除1個F值最低的參數(shù)，進行4-折交叉驗證，尋找最優(yōu)的參數(shù)對(γ,C).

步驟4建立RBF核函數(shù)的支持向量機行駛狀態(tài)安全性評價模型，采用留一法評價模型準確度.

步驟5每次在剩余參數(shù)的基礎(chǔ)上重復(fù)步驟3～4，直到模型準確度達到最大值，過程見圖3，此時所選的參數(shù)作為模型輸入?yún)?shù)，該模型為評價該車型行駛狀態(tài)安全性的最優(yōu)模型，結(jié)果見表5.

圖3 參數(shù)篩選過程

表5 行駛狀態(tài)安全性評價模型評價結(jié)果

4 模型評價結(jié)果分析

4.1 模型超平面分析

3.4建立的模型中，小客車有42個支持向量，大客車有37個，兩組支持向量分別定義了支持向量機的超平面，以平均值代表模糊邊界，模糊邊界均在各參數(shù)不同安全狀態(tài)條件下平均值之間,見表6，說明模型及其模糊邊界有意義.

表6 行駛狀態(tài)安全性參數(shù)統(tǒng)計

4.2 模型參數(shù)分析

車輛行駛狀態(tài)安全性評價模型對不同車型的預(yù)測表現(xiàn)有差異，對大貨車表現(xiàn)得更好.小客車行駛狀態(tài)安全性主要受運行速度、分析單元末端曲率、縱坡和分析單元長度影響，大貨車的行駛狀態(tài)安全性主要取決于高程、分析單元長度、運行速度和分析單元始端曲率.

由表5可知，運行速度對小客車安全性的影響比大貨車更顯著，在小客車行駛狀態(tài)安全性評價模型中更占據(jù)了主導(dǎo)地位.

圖4為不同車型車輛在兩種行駛狀態(tài)下的運行速度、分析單元長度、末曲率和初曲率箱形圖.

圖4 不同車型不同安全狀態(tài)下箱形圖

由圖4a)可知，小客車運行速度在所有狀態(tài)下均高于大貨車，不論小客車還是大貨車，當(dāng)運行速度較大時，駕駛均偏于不安全，且離散性相對較大.

由圖4b)可知，單元長度對兩種車型的影響方向不同，對于大貨車，較短的分析單元長度對行駛安全不利，而對小客車較長的長度對行駛安全不利.當(dāng)行駛狀態(tài)從安全過渡到不安全時，大貨車有分析單元長度有明顯的銳減，而小客車分析單元長度的漲幅相對較少，說明分析單元長度對大貨車的影響更顯著，這與表5一致.

由圖6～7可知，曲率也是影響車輛安全性的參數(shù)，但小客車受末曲率較多，大貨車則受初曲率影響更大.在不同的行駛安全狀態(tài)下，小客車末曲率有明顯變化，大貨車僅略有變動.大貨車初曲率隨著安全狀態(tài)的變化存在顯著差異，小客車則幾乎沒有變化.但不論小客車還是大貨車，均當(dāng)曲率較大時偏于安全.

此外，大貨車受海拔高度影響較大，這是由于大車的柴油發(fā)動機在缺氧環(huán)境下能量轉(zhuǎn)化率下降，導(dǎo)致大車的性能受到較大影響，從而影響了行駛狀態(tài)安全性；小車的汽油發(fā)動機則受海拔影響較小，其安全性偏于受線形本身，即縱坡的影響，縱坡的大小能夠顯著影響車速變化，從而影響行駛狀態(tài)安全性.

5 結(jié) 論

1) 小客車與大貨車行駛狀態(tài)安全性受影響因素不盡相同，有些甚至互相制約.

2) 小客車行駛狀態(tài)安全性主要受車速、分析單元末曲率、縱坡和分析單元長度影響，較低的車速、較大的末曲率、較平緩的縱坡和較短的分析單元長度有利于安全.

3) 大車行駛狀態(tài)安全性主要受高程、分析單元長度、車速和分析單元始端曲率影響，較低的海拔、較長的分析單元長度、較低的車速和較大的初曲率有利于安全.

因此，合理設(shè)計高原公路線形，平衡小客車與大客車的行駛安全顯性需求并有效控制車速能夠提高高原車輛行駛安全.此外在研究中發(fā)現(xiàn)，小車的行駛狀態(tài)安全性評價模型準確度明顯低于大車，可能是由于小車駕駛行為受影響因素更多，未來將做進一步研究.