基于隨機(jī)森林的雨天車輛跟馳風(fēng)險(xiǎn)行為研究*

黃兆國(guó) 過秀成 賈 亮

（1.東南大學(xué)城市智能交通江蘇省重點(diǎn)實(shí)驗(yàn)室 南京 211189；2.蘭州理工大學(xué)土木工程學(xué)院 蘭州 730050，3.東南大學(xué)現(xiàn)代城市交通技術(shù)江蘇高校協(xié)同創(chuàng)新中心 南京 211189；4.東南大學(xué)交通學(xué)院 南京 211189）

0 引 言

降雨天氣給道路交通安全帶來的威脅日益凸顯。據(jù)中國(guó)道路交通事故年報(bào)統(tǒng)計(jì)，2017年有12%的交通事故起數(shù)和致死人數(shù)與降雨天氣有關(guān)[1]；美國(guó)國(guó)家公路交通安全管理局的數(shù)據(jù)顯示，近10年內(nèi)與降雨因素有關(guān)的交通事故起數(shù)和致死人數(shù)分別為11%和8%[2]。研究表明，危險(xiǎn)跟馳行為是降雨天氣下車輛行駛過程中發(fā)生交通安全事故的主要安全隱患之一[3]。因此，對(duì)降雨天氣下的車輛跟馳的風(fēng)險(xiǎn)識(shí)別和控制進(jìn)行研究具有重要意義[4]。

車輛跟馳模型是一類重要的交通流微觀模型，目前國(guó)內(nèi)外學(xué)者對(duì)降雨等不利天氣下的車輛跟馳模型研究主要集中在模型建立和參數(shù)標(biāo)定方面[5-6]。李長(zhǎng)城等[7]考慮降雨和車輛類型、車道位置、不同時(shí)間段的車速等多因素，采用非線性回歸方法，建立了雨天車輛跟馳速度的綜合預(yù)測(cè)模型。顏冉等[8]建立了考慮降雨影響的全速度差跟馳模型，并利用美國(guó)加州道路上的實(shí)際數(shù)據(jù)對(duì)模型進(jìn)行標(biāo)定。龔節(jié)坤[9]通過引入雨天路面附著率和滑移率建立了考慮路面實(shí)時(shí)附著條件的跟馳模型。Yang等[10]在跟馳模型中引入最大減速度，并對(duì)干燥路面和濕滑路面條件下的跟馳行為進(jìn)行對(duì)比。利用實(shí)測(cè)的交通和天氣數(shù)據(jù)對(duì)雨天車輛跟馳模型進(jìn)行標(biāo)定取得了一定成果，但由于實(shí)測(cè)數(shù)據(jù)采集手段的局限性，所得模型的適用性也存在一定限制。隨著車輛駕駛模擬器在道路交通安全研究領(lǐng)域的廣泛應(yīng)用，國(guó)內(nèi)外學(xué)者也逐漸傾向于利用模擬器對(duì)車輛跟馳行為進(jìn)行仿真研究，通過改變仿真實(shí)驗(yàn)中相關(guān)參數(shù)而獲取更加全面的數(shù)據(jù)以提高模型的適用性。柴琳果等[3]對(duì)Paramics微觀交通仿真軟件進(jìn)行二次開發(fā)，實(shí)現(xiàn)對(duì)危險(xiǎn)跟馳的模擬場(chǎng)景建立，并基于車輛最小安全距離跟馳模型提出了危險(xiǎn)跟馳預(yù)警方法。張存保等[11]在Vissim仿真軟件中模擬霧天環(huán)境下高速公路交通流運(yùn)行狀態(tài)，分析最小安全間距與實(shí)時(shí)交通安全狀態(tài)之間的關(guān)系。

綜上所述，已有研究對(duì)雨天等不利天氣下的車輛跟馳行為研究主要集中在跟馳模型方面，但對(duì)跟馳行為風(fēng)險(xiǎn)性的量化研究還不充分。因此，有必要引入風(fēng)險(xiǎn)控制理論分析降雨條件下的車輛跟馳特征與交通安全之間的潛在關(guān)系[12]。目前學(xué)者們對(duì)于車輛跟馳風(fēng)險(xiǎn)的研究主要集中在正常天氣條件下[13]、高速公路施工區(qū)[14]、低照度環(huán)境[15]及城市快速路[16]等方面，對(duì)雨天條件下的車輛跟馳風(fēng)險(xiǎn)研究還較少。因此，筆者結(jié)合駕駛模擬軟件，采集降雨條件下車輛運(yùn)行數(shù)據(jù)，構(gòu)建了雨天車輛跟馳風(fēng)險(xiǎn)水平的量化判定模型，并基于隨機(jī)森林算法對(duì)該判定模型進(jìn)行訓(xùn)練和測(cè)試，進(jìn)而對(duì)雨天車輛跟馳的風(fēng)險(xiǎn)水平進(jìn)行準(zhǔn)確的量化分析和判定，從而實(shí)現(xiàn)降雨條件下可靠、快速的車輛跟馳風(fēng)險(xiǎn)水平判定過程。

1 仿真實(shí)驗(yàn)

1.1 仿真場(chǎng)景設(shè)置及模擬駕駛員選擇

目前，虛擬現(xiàn)實(shí)技術(shù)（virtual reality，VR）廣泛應(yīng)用于交通安全的微觀仿真領(lǐng)域中，能夠?qū)煌ōh(huán)境、天氣條件、道路線性及駕駛環(huán)境等進(jìn)行較為真實(shí)的模擬[17-18]。本文利用UC-winRoad三維虛擬現(xiàn)實(shí)軟件進(jìn)行仿真駕駛，模擬降雨條件下城市道路中車輛跟馳行為，進(jìn)而分析其風(fēng)險(xiǎn)水平。

將蘭州市七里河區(qū)蘭工坪路作為實(shí)驗(yàn)道路，在UC-winRoad仿真環(huán)境中依據(jù)實(shí)際道路條件進(jìn)行駕駛環(huán)境的搭建。蘭工坪路是雙向6車道的城市主干路，全長(zhǎng)1.5 km，道路基礎(chǔ)設(shè)施情況見表1。對(duì)實(shí)驗(yàn)路段進(jìn)行交通參數(shù)調(diào)查用于UC-winRoad中交通運(yùn)行環(huán)境的設(shè)置。選取2018年7月23日—26日為調(diào)查時(shí)間，期間歷經(jīng)晴天、小雨、中雨到大雨天氣，設(shè)置4個(gè)調(diào)查點(diǎn)，采用人工和視頻調(diào)查結(jié)合的方法，對(duì)經(jīng)過斷面的交通量、車速進(jìn)行統(tǒng)計(jì)。經(jīng)過數(shù)據(jù)整理，得到晴天和降雨天氣下的交通流參數(shù)結(jié)果見表2。

在UC-winRoad中搭建得到的仿真路段場(chǎng)景見圖1。根據(jù)實(shí)地調(diào)查結(jié)果，不同降雨等級(jí)下的基本交通量及車速設(shè)置如下：小雨2 200 veh/h，45 km/h；中雨2 000veh/h，41km/h；大雨1 800veh/h，37 km/h，各自駕駛場(chǎng)景見圖2。選擇46名模擬駕駛員，身心狀態(tài)良好，駕齡均在2年以上，職業(yè)包括教師、學(xué)生、出租車司機(jī)、企事業(yè)單位工作人員等，平均年齡33.5歲，其中男性24人，女性22人。每位模擬駕駛員按照要求完成小雨、中雨及大雨條件下的駕駛過程各1次。

表1 實(shí)驗(yàn)路段道路基礎(chǔ)設(shè)施Tab.1 Experimental road section road infrastructure

圖1 仿真路段場(chǎng)景Fig.1 Simulation section scene

1.2 仿真數(shù)據(jù)輸出

模擬駕駛的輸出數(shù)據(jù)包括：①駕駛員編號(hào)及基本信息；②降雨等級(jí)、路面附著系數(shù)等雨天條件信息；③駕駛過程中時(shí)間戳、距離、速度和加速度等車輛運(yùn)行信息；④車輛燃料消費(fèi)量及CO2排放量，此類數(shù)據(jù)不作為下文中模型輸入數(shù)據(jù)。圖3為駕駛員編號(hào)為id-10（女性、教師）在大雨條件下的其中1段模擬駕駛輸出的速度和加速度變化情況。

2 雨天車輛跟馳風(fēng)險(xiǎn)水平判定模型建立

2.1 改進(jìn)的安全距離模型

雨天車輛跟馳過程中，前導(dǎo)車與跟馳車需要保持一定的安全距離。當(dāng)2車距離小于安全距離時(shí)，跟馳風(fēng)險(xiǎn)上升，跟馳行為過程見圖4。

傳統(tǒng)安全距離模型的前提條件是前導(dǎo)車突然原地停止，此時(shí)安全距離模型為

式中：S為安全距離，m；v0為跟馳車制動(dòng)前的初速度，m/s；td為制動(dòng)遲滯時(shí)間，取1.2～2.0 s；amax為跟馳車制動(dòng)最大減速度，正常天氣及良好路面情況下取7～8 m/s2；d為跟馳車輛制動(dòng)后與前導(dǎo)車之間的安全距離，取2～5 m。

從模型建立的前提和適用條件來看，傳統(tǒng)安全距離模型未考慮降雨天氣下跟馳車的制動(dòng)最大減速度變化，且前導(dǎo)車突然原地停止降低這一前提條件與道路交通運(yùn)行的實(shí)際情況不相符，因此基于傳統(tǒng)安全距離模型，構(gòu)建一種考慮以上2類因素的安全距離改進(jìn)模型，重新標(biāo)定雨天過程中的停車過程和反應(yīng)等造成的和常規(guī)不同的參數(shù)變化。

1）降雨條件下路面積水形成水膜，改變了路面附著系數(shù)。不考慮坡度阻力和空氣阻力對(duì)車輛運(yùn)行的影響，則跟馳車在降雨條件下的最大制動(dòng)減速度為

式中：為降雨條件下最大制動(dòng)減速度，m/s2；φ為路面附著系數(shù)；g為重力加速度，9.8 m/s2。

2）引入減速度的增長(zhǎng)過程以避免前導(dǎo)車突然原地停止的問題，增加駕駛員對(duì)雨天駕駛環(huán)境的反應(yīng)時(shí)間，則改進(jìn)的車輛安全距離模型為

圖2 雨天駕駛場(chǎng)景Fig.2 Rainy driving scene

圖3 UC-winRoad輸出數(shù)據(jù)舉例Fig.3 UC-winRoad output data example

圖4 單車道車輛跟馳行為示意圖Fig.4 Schematic diagram of the following behavior of single lane vehicles

式中：tr為駕駛員反應(yīng)時(shí)間，根據(jù)已有研究，小、中、大雨時(shí)分別取1.0 s，1.5 s，2.0 s；ti為減速度的增長(zhǎng)時(shí)間，取0.1～0.2 s。

2.2 雨天車輛跟馳風(fēng)險(xiǎn)的影響因素

雨天車輛跟馳發(fā)生風(fēng)險(xiǎn)的主要原因是降雨條件和跟馳車輛運(yùn)行狀態(tài)的變化，結(jié)合2.1中安全距離的計(jì)算以及UC-winRoad仿真實(shí)驗(yàn)的場(chǎng)景設(shè)置、輸出數(shù)據(jù)，篩選得到風(fēng)險(xiǎn)水平判定模型的影響因素見表3。

表3 風(fēng)險(xiǎn)水平判定模型的影響因素描述Tab.3 Model influence factor description

將車輛跟馳風(fēng)險(xiǎn)的影響因素用矩陣形式表示，設(shè)降雨條件p下的第k個(gè)樣本的車輛運(yùn)行狀態(tài)向量為upk，則upk可以表示為

式中：p為降雨條件，p=1,2,3分別對(duì)應(yīng)小、中、大雨條件下不同的水膜厚度和附著系數(shù)參數(shù)；k為樣本數(shù)量，總計(jì)138個(gè)；upk1,upk2,…,upk6為上述車輛運(yùn)行狀態(tài)的6個(gè)參變量。

2.3 風(fēng)險(xiǎn)水平判定模型

雨天車輛跟馳行為中的風(fēng)險(xiǎn)因素彼此相互聯(lián)系，跟馳風(fēng)險(xiǎn)也表現(xiàn)出非線性、復(fù)雜性特點(diǎn)。當(dāng)以上因素的影響結(jié)果超過一定閾值時(shí)，綜合作用下跟馳車輛所處的環(huán)境會(huì)從平衡狀態(tài)躍遷到不平穩(wěn)狀態(tài)，這種系統(tǒng)紊亂的程度可以用風(fēng)險(xiǎn)熵來衡量。風(fēng)險(xiǎn)熵越高，車輛跟馳行為越危險(xiǎn)，反之熵值越低，車輛跟馳越安全。

綜合2.2中影響因素分析，降雨條件p下的第k個(gè)樣本車輛在跟馳時(shí)間段T內(nèi)的風(fēng)險(xiǎn)熵可以表示為

式中：Hpk為風(fēng)險(xiǎn)熵；upk為降雨條件p下的第k個(gè)樣本的車輛運(yùn)行狀態(tài)向量；t為發(fā)生跟馳行為的時(shí)刻；T為跟馳行為的總時(shí)間。

結(jié)合風(fēng)險(xiǎn)等級(jí)定理表，對(duì)風(fēng)險(xiǎn)熵所屬的風(fēng)險(xiǎn)水平進(jìn)行定義，根據(jù)計(jì)算出的風(fēng)險(xiǎn)熵值的大小判定該跟馳狀態(tài)所屬的風(fēng)險(xiǎn)水平，確定風(fēng)險(xiǎn)熵值對(duì)應(yīng)的風(fēng)險(xiǎn)水平見表4。

表4 風(fēng)險(xiǎn)水平判定Tab.4 Risk level discrimination

由此可得降雨條件下車輛跟馳風(fēng)險(xiǎn)水平判定的流程見圖5。

圖5 雨天車輛跟馳風(fēng)險(xiǎn)水平判定流程Fig.5 Process of car-following risk level on rainy day

3 基于隨機(jī)森林的雨天車輛跟馳風(fēng)險(xiǎn)水平判定模型

3.1 RF提取風(fēng)險(xiǎn)特征

隨機(jī)森林（random forest，RF）是一種機(jī)器學(xué)習(xí)模型，其實(shí)質(zhì)是用隨機(jī)的方法建立1個(gè)由多棵決策樹組成的森林，且森林內(nèi)部每一棵決策樹之間不存在任何關(guān)聯(lián)。此算法能夠在運(yùn)算量沒有顯著提高的前提下提高預(yù)測(cè)精度，且對(duì)多元共線性和非平衡的數(shù)據(jù)比較穩(wěn)健，因此能夠用于非線性函數(shù)關(guān)系的訓(xùn)練和學(xué)習(xí)。

RF在模型中的首要作用在于對(duì)UC-winRoad中的仿真數(shù)據(jù)進(jìn)行學(xué)習(xí)，輸入矩陣為降雨條件下的車輛運(yùn)行狀態(tài)影響因素?cái)?shù)據(jù)集，輸出結(jié)果為RF提取到的車輛跟馳過程中的風(fēng)險(xiǎn)特征。由2.2已知降雨條件p下的第k個(gè)樣本的車輛運(yùn)行狀態(tài)影響因素向量為upk，定義經(jīng)過RF提取到的風(fēng)險(xiǎn)特征矩陣為Gpk，表示降雨條件p下的第k個(gè)樣本在跟馳過程中由于降雨、速度或加速度等因素而造成的風(fēng)險(xiǎn)特征，則Gpk可表示為

RF提取風(fēng)險(xiǎn)特征的過程可以表示為

式中：p,v,a為降雨、速度和加速度因素；gs為風(fēng)險(xiǎn)特征；s為特征數(shù)量；f為RF中運(yùn)算的非線性函數(shù)關(guān)系。

3.2 RF輸出分類結(jié)果

基于RF算法對(duì)UC-winRoad中仿真數(shù)據(jù)進(jìn)行學(xué)習(xí)后，還需輸出雨天車輛跟馳風(fēng)險(xiǎn)水平的判定結(jié)果，由2.3節(jié)可知，輸出結(jié)果為英文字母A,B,C,D和E，分別代表不同的風(fēng)險(xiǎn)水平。RF中的每1棵分類樹均為二叉樹，其生成遵循自頂向下的遞歸分類原則。按照節(jié)點(diǎn)純度最小原則，1棵二叉樹分裂成左節(jié)點(diǎn)和右節(jié)點(diǎn)，且分別包含訓(xùn)練學(xué)習(xí)后數(shù)據(jù)的1個(gè)子集，依次分裂后直到滿足分支停止規(guī)則而停止生長(zhǎng)。

1）構(gòu)建j棵分類樹，應(yīng)用bootstrap法有放回地從風(fēng)險(xiǎn)特征矩陣Gpk中隨機(jī)抽取j個(gè)新的自主樣本集。

2）設(shè)有θ個(gè)變量，則在每1棵樹的每個(gè)節(jié)點(diǎn)處隨機(jī)抽取θ個(gè)變量，然后在θ中選擇1個(gè)最具有分類能力的變量，變量分類的閾值通過檢查每1個(gè)分類點(diǎn)來確定。

3）使每棵樹最大限度地生長(zhǎng)，即不做任何修剪。

4）將生成的多棵分類樹組成隨機(jī)森林，并利用每一顆樹被選擇的概率大小p(y=j|θ|) 來判定風(fēng)險(xiǎn)水平 j。

因此，基于隨機(jī)森林的雨天車輛跟馳風(fēng)險(xiǎn)水平判定模型的運(yùn)算過程分為3個(gè)階段：①輸入U(xiǎn)C-winRoad中的仿真數(shù)據(jù)，包括駕駛員信息、降雨條件及車輛運(yùn)行狀況相關(guān)數(shù)據(jù)；②RF提取風(fēng)險(xiǎn)特征矩陣Gpk；③RF對(duì)風(fēng)險(xiǎn)特征進(jìn)行判定，對(duì)每1個(gè)樣本的風(fēng)險(xiǎn)水平進(jìn)行分類，最終獲取風(fēng)險(xiǎn)水平判定結(jié)果。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)描述

采用UC-WinRoad仿真軟件和RF算法對(duì)雨天車輛跟馳風(fēng)險(xiǎn)水平進(jìn)行判定，實(shí)驗(yàn)數(shù)據(jù)包括3個(gè)部分：①UC-winRoad模擬駕駛中的降雨、速度和加速度信息；②通過安全距離模型計(jì)算所得的前導(dǎo)車輛與跟馳車輛之間的距離；③根據(jù)風(fēng)險(xiǎn)熵公式計(jì)算所得的跟馳車輛的風(fēng)險(xiǎn)熵及由此判定的風(fēng)險(xiǎn)水平。通過核算，46名駕駛員在小、中、大雨條件下的3次模擬駕駛中，最多跟馳次數(shù)為11次，最少跟馳次數(shù)為7次，平均9次，共計(jì)1 242次，由此獲取了1 242條風(fēng)險(xiǎn)水平判定結(jié)果，即實(shí)驗(yàn)中數(shù)據(jù)量也為1 242條。將138次模擬駕駛中前7次跟馳行為的數(shù)據(jù)作為訓(xùn)練集，后2次的數(shù)據(jù)作為測(cè)試集；經(jīng)核查，有9條數(shù)據(jù)的跟馳次數(shù)為7次，取前5次跟馳行為的數(shù)據(jù)作為訓(xùn)練集，后2次的數(shù)據(jù)作為測(cè)試集，最終所得訓(xùn)練集、測(cè)試集數(shù)據(jù)量分別為957條、285條。實(shí)驗(yàn)在Matlab R2016a平臺(tái)上通過編程完成。

4.2 性能指標(biāo)選取

為了衡量此模型對(duì)風(fēng)險(xiǎn)水平判定結(jié)果的優(yōu)劣，選取平均絕對(duì)誤差（MAE）和平均相對(duì)誤差（MRE）這2個(gè)常見指標(biāo)進(jìn)行分析，這2個(gè)指標(biāo)的計(jì)算方法見式（8）～（9）。

4.3 RF參數(shù)確定

1）確定決策樹的個(gè)數(shù)。根據(jù)2.3節(jié)中風(fēng)險(xiǎn)水平判定分析，確定決策樹的個(gè)數(shù)為5。

2）確定特征參數(shù)類別的個(gè)數(shù)。特征參數(shù)類別的個(gè)數(shù)與雨天車輛跟馳風(fēng)險(xiǎn)影響因素的類別有關(guān)，根據(jù)2.2分析可知，影響因素包括降雨條件和車輛運(yùn)行狀態(tài)2個(gè)大類9個(gè)特征參數(shù)，為避免遺漏其他影響因素，再加入1個(gè)隨機(jī)特征參數(shù)，共計(jì)10個(gè)特征參數(shù)。

3）調(diào)試決策樹的深度。決策樹的深度即遞歸次數(shù)影響RF預(yù)測(cè)的精度，經(jīng)測(cè)試，當(dāng)遞歸次數(shù)小于30次時(shí)，運(yùn)算時(shí)間在10 s之內(nèi)，滿足時(shí)效要求；當(dāng)遞歸次數(shù)超過30次時(shí)，訓(xùn)練速度明顯變慢，且MAE和MRE變化并不明顯，因此將遞歸次數(shù)確定為30次。

4.4 結(jié)果分析與驗(yàn)證

RF算法中對(duì)每1次模擬駕駛中的前7條跟馳行為數(shù)據(jù)進(jìn)行訓(xùn)練，后2條跟馳風(fēng)險(xiǎn)水平數(shù)據(jù)進(jìn)行測(cè)試，得到圖6中的結(jié)果，圖中橫坐標(biāo)為測(cè)試樣本編號(hào)，縱坐標(biāo)為風(fēng)險(xiǎn)水平判定結(jié)果。從圖6可以看出，經(jīng)調(diào)試后的RF對(duì)雨天車輛跟馳風(fēng)險(xiǎn)水平的判定結(jié)果準(zhǔn)確率較高，絕大多數(shù)判定結(jié)果的預(yù)測(cè)值都落在了實(shí)際值所在的風(fēng)險(xiǎn)水平散點(diǎn)上；為方便分析，將風(fēng)險(xiǎn)水平判定結(jié)果按照由A到E的順序重新排列得到圖7，能夠看出預(yù)測(cè)結(jié)果的偏差也較小，大部分在1級(jí)以內(nèi)，說明本文中的雨天車輛跟馳風(fēng)險(xiǎn)水平判定模型在RF算法中得到了良好的運(yùn)用。

圖6 RF算法測(cè)試結(jié)果Fig.6 Test results of RF algorithm

圖7 重新排列的RF算法測(cè)試結(jié)果Fig.7 Rearranged test results of RF algorithm

對(duì)每類風(fēng)險(xiǎn)水平判定結(jié)果的預(yù)測(cè)值誤差進(jìn)行匯總，得到MAE和MRE的平均值分別為0.69和8.35%，符合精度要求，各風(fēng)險(xiǎn)水平判定結(jié)果的誤差值見表5。

表5 5種風(fēng)險(xiǎn)水平的測(cè)試誤差Tab.5 Test error of five risk levels

為驗(yàn)證RF算法在風(fēng)險(xiǎn)水平判定方面的優(yōu)越性，選擇傳統(tǒng)機(jī)器學(xué)習(xí)中的2種經(jīng)典算法對(duì)本文中雨天車輛跟馳風(fēng)險(xiǎn)行為的數(shù)據(jù)進(jìn)行測(cè)試，分別為人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，BP-ANN）[19]和支持向量機(jī)（support vector machine，SVM）[20]，并對(duì)測(cè)試結(jié)果的誤差進(jìn)行對(duì)比分析。

對(duì)BP-ANN和SVM中的參數(shù)進(jìn)行設(shè)置。BP-ANN是1個(gè)包含輸入層、隱含層和輸出層的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層與影響因素類型相關(guān)，設(shè)置為9層；輸出層與風(fēng)險(xiǎn)水平類別相關(guān)，設(shè)置為5層，隱含層與模擬駕駛行為次數(shù)相關(guān)，故設(shè)置為140次；激活函數(shù)選擇ReLU函數(shù)。對(duì)SVM中參數(shù)進(jìn)行設(shè)置，核函數(shù)選取高斯徑向基函數(shù)。

經(jīng)測(cè)試得到3種模型的性能指標(biāo)結(jié)果，見表6。從表6可以看出：①BP-ANN模型的判定結(jié)果較差，這是因?yàn)锽P-ANN網(wǎng)絡(luò)結(jié)構(gòu)只有3層，隱含層的深度不夠，與輸入層和輸出層之間的神經(jīng)元連接過于簡(jiǎn)單，因此在風(fēng)險(xiǎn)特征的訓(xùn)練方面有所欠缺；且由于隱含層神經(jīng)元數(shù)量過多，運(yùn)算時(shí)間明顯高于其他2種算法；②SVM的判定結(jié)果較優(yōu)，風(fēng)險(xiǎn)水平判定偏差稍大于1級(jí)，誤差率相比RF較高，這是因?yàn)镾VM模型對(duì)于判定分類問題的處理方式是直接給類別打分并作為輸出，而RF算法則是由隨機(jī)森林中的決策樹對(duì)樣本進(jìn)行反復(fù)判斷，通過比較決策樹被選擇的次數(shù)來確定判定結(jié)果，因此說明RF中的遞歸算法在判定風(fēng)險(xiǎn)水平問題中有更優(yōu)的結(jié)果；③RF算法的準(zhǔn)確性均高于另外2種算法，平均相對(duì)誤差比BP-ANN和SVM分別降低了10.36%和4.54%，特別是MAE小于1表現(xiàn)出本文中模型對(duì)風(fēng)險(xiǎn)水平判定的優(yōu)越性，這是因?yàn)镽F中對(duì)決策樹個(gè)數(shù)設(shè)置的標(biāo)準(zhǔn)較低，且本文中確定特征參數(shù)類別時(shí)增加了1個(gè)隨機(jī)參數(shù)，這就避免了運(yùn)用RF進(jìn)行人工提取特征因素時(shí)容易出現(xiàn)的漏提現(xiàn)象，進(jìn)而降低了預(yù)測(cè)誤差。

表6 3種機(jī)器學(xué)習(xí)算法的測(cè)試性能指標(biāo)對(duì)比Tab.6 Comparison of predictive performance indicators of three machine learning models

5 結(jié)束語

筆者對(duì)傳統(tǒng)安全距離模型進(jìn)行改進(jìn)，并結(jié)合UC-winRoad模擬駕駛所得數(shù)據(jù)，引入風(fēng)險(xiǎn)熵，構(gòu)建了基于隨機(jī)森林的雨天車輛跟馳風(fēng)險(xiǎn)水平判定模型，通過調(diào)試算法參數(shù)對(duì)風(fēng)險(xiǎn)水平進(jìn)行預(yù)測(cè)。經(jīng)實(shí)驗(yàn)表明，當(dāng)決策樹個(gè)數(shù)為5，深度為30，特征參數(shù)中增加1個(gè)隨機(jī)參數(shù)，即總計(jì)為10時(shí)，預(yù)測(cè)性能最佳。本文僅考慮了降雨條件和車輛運(yùn)行狀態(tài)兩方面的影響因素，下一步將增加駕駛員特性，并從模型自變量的量化分析中得到駕駛員行為對(duì)車輛跟馳風(fēng)險(xiǎn)產(chǎn)生的影響，并將基于實(shí)車測(cè)試數(shù)據(jù)開展相關(guān)研究。