貨車駕駛?cè)笋{駛行為與行車安全研究進(jìn)展

　　摘要：駕駛行為是影響交通安全最活躍的因素，在“人-車-路”復(fù)雜環(huán)境中扮演著關(guān)鍵角色。為了深入理解貨車駕駛?cè)笋{駛行為規(guī)律和行為風(fēng)險性，本文聚焦貨車駕駛?cè)笋{駛行為對行車安全的影響，對貨車駕駛?cè)说鸟{駛行為風(fēng)格、行為風(fēng)險性及其與行車安全的關(guān)系等相關(guān)研究成果進(jìn)行系統(tǒng)地梳理和分析。首先，利用構(gòu)建的文獻(xiàn)檢索策略，篩選出 38 篇相關(guān)文獻(xiàn)，并結(jié)合 LDA(Latent DirichletAllocation)模型，對生成的四個研究主題，即貨車駕駛?cè)笋{駛行為辨識、危險駕駛行為與行車安全、貨車碰撞事故致因分析和駕駛安全風(fēng)險評估進(jìn)行了總結(jié);其次，針對數(shù)據(jù)源、特征工程、建模方法等分析要素，構(gòu)建了適用于任意研究主題的通用研究路徑，并重點歸納了目前研究主題在數(shù)據(jù)源、變量選擇方法、研究地點、建模方法等關(guān)鍵要素的研究進(jìn)展;最后，就貨車駕駛?cè)笋{駛行為與行車安全領(lǐng)域面臨的主要問題進(jìn)行了分析和探討，從描述、解釋、關(guān)聯(lián)和應(yīng)用的角度提煉該領(lǐng)域研究的未來發(fā)展趨勢。研究認(rèn)為：有必要將駕駛狀態(tài)特性、車輛運行狀態(tài)、道路交通狀況等多維特征變量進(jìn)行多源信息融合，開展基于大數(shù)據(jù)和人工智能雙驅(qū)動的駕駛行為研究;需加強研究山區(qū)公路環(huán)境下貨車與其他類型車輛之間的交互作用機制，從“人-車-路”視角分析貨車碰撞事故致因;需進(jìn)一步完善智能網(wǎng)聯(lián)、自動駕駛等高新智能自動化環(huán)境下的貨車駕駛?cè)笋{駛行為與行車安全關(guān)系研究;拓展面向駕駛安全的貨車駕駛?cè)笋{駛風(fēng)險評估的理論方法和應(yīng)用框架。研究成果將為貨車事故治理、公路貨運平臺監(jiān)控、道路線形設(shè)計等應(yīng)用場景提供重要依據(jù)，并有助于對貨車駕駛?cè)笋{駛行為與道路行車安全交互作用機理有相對全面的理解。

　　關(guān)鍵詞：交通工程;駕駛行為;LDA 模型;貨車駕駛?cè)?行車安全;風(fēng)險評估

　　引言

　　營運貨車一般具有重心位置高、載貨量大、行車時間長、動能高和減速能力弱等特點，其引發(fā)的事故通常比未涉及貨車的事故更加嚴(yán)重。近年來，我國道路運輸業(yè)發(fā)展快速，營運貨車的數(shù)量迅速增加，貨運規(guī)模逐漸向大型化、重載化方向發(fā)展，由此帶來的交通安全隱患問題也日益突出。據(jù)《中國道路交通事故統(tǒng)計年報(2017 年度)》針對營運車輛肇事情況的統(tǒng)計結(jié)果表明[1]：2016 年共發(fā)生39462起事故，導(dǎo)致19018人死亡;營運貨車(指重型、中型和輕型貨車)導(dǎo)致26649起事故，占總數(shù)的 67.53%，并導(dǎo)致 14231 人死亡，占總數(shù)的 74.83%。報告中特別指出，由營運貨車駕駛?cè)艘�起的不�?dāng)駕駛行為，如超速、疲勞駕駛和違反交規(guī)等造成了大量的交通事故。

　　可以看出，貨車駕駛?cè)俗鳛檐囕v的決策和控制者，其行為標(biāo)準(zhǔn)極大影響著道路交通的安全性。為預(yù)防和減少重特大事故的發(fā)生，如何科學(xué)合理地描述、甄別和預(yù)測貨車駕駛?cè)藵撛诘鸟{駛行為風(fēng)險，并揭示其與行車安全的內(nèi)在復(fù)雜關(guān)系，已成為我國道路運輸業(yè)安全可持續(xù)發(fā)展亟待解決的核心問題，對于選拔培訓(xùn)貨車駕駛?cè)�、減少人員傷亡及財產(chǎn)損失具有重要的現(xiàn)實意義。大量研究表明[2-4]：駕駛?cè)笋{駛行為與道路交通安全具有極強的相關(guān)性，超過 90%的交通事故和 65%的危險工況均與人因有關(guān)。

　　顯然，事故致因由人為因素占主導(dǎo)，駕駛?cè)耸擒囕v的直接操控者，其駕駛行為是導(dǎo)致車輛是否具有事故風(fēng)險的重要因素。一般來說，駕駛?cè)说鸟{駛行為可分為兩類[5]：一類是常規(guī)駕駛行為，包括自由直行、跟馳、換道等;另一類是危險駕駛行為，包括分心駕駛、疲勞駕駛、超速駕駛、飲酒/醉酒駕駛等。危險駕駛行為蘊含著由于駕駛方式的不規(guī)范而可能產(chǎn)生的事故風(fēng)險性，其在貨車駕駛?cè)酥斜憩F(xiàn)得尤為突出。受行程距離偏長和限時送達(dá)的現(xiàn)實制約，貨車駕駛?cè)藶榱艘?guī)避運輸超時的處罰，普遍存在疲勞駕駛、超速駕駛等危險駕駛行為[20, 34]。

　　駕駛行為作為影響交通安全最活躍的因素，目前從該角度研究貨車的行車安全性獲得了國內(nèi)外學(xué)者的廣泛關(guān)注，涉及問題包括但不限于貨車的駕駛行為識別[35-36]及其與行車安全關(guān)系分析[42-43]、碰撞事故致因分析[46-48]、駕駛?cè)笋{駛風(fēng)險評估[44-45]等。然而，已有涉及行車安全相關(guān)內(nèi)容的主題研究，通常從小汽車駕駛?cè)私嵌�，探究駕駛?cè)说囊曈X[6]、超速行為[7]、分心行為[8]、疲勞行為[9]等特性與駕駛風(fēng)險的關(guān)系，缺乏針對貨車駕駛?cè)笋{駛行為與行車安全研究進(jìn)展的系統(tǒng)性總結(jié)和梳理。

　　比如，駕駛行為數(shù)據(jù)采集方式雖然豐富但各有弊端且適用場景不統(tǒng)一;所采集的樣本數(shù)量大多有限，缺乏大規(guī)模路網(wǎng)的貨車駕駛行為監(jiān)測、干預(yù)和管理，使得數(shù)據(jù)及結(jié)果的參考價值受到一定局限;貨車駕駛?cè)笋{駛行為辨識單一，且特征指標(biāo)的合理性分析較少，缺少通用的指標(biāo)適應(yīng)性選取原則;目前無論是國內(nèi)還是國外，尚沒有較優(yōu)的基于貨車駕駛?cè)颂匦缘鸟{駛安全風(fēng)險評估方法及干預(yù)手段;同時在高新智能自動化環(huán)境下，貨車駕駛?cè)宋ｋU駕駛行為和道路環(huán)境、交通擁堵程度等因素之間復(fù)雜的交互關(guān)系仍有待細(xì)化。

　　隨著研究的深入和技術(shù)水平的發(fā)展，可以預(yù)見，從人、車、路三方面，基于車輛軌跡數(shù)據(jù)、車輛運動數(shù)據(jù)、視頻監(jiān)控數(shù)據(jù)、氣象數(shù)據(jù)等多源數(shù)據(jù)的融合，研究貨車在途動態(tài)風(fēng)險預(yù)測和道路風(fēng)險實時預(yù)警系統(tǒng)在復(fù)雜行車環(huán)境中的可靠性和魯棒性將是未來貨車駕駛?cè)笋{駛行為與行車安全領(lǐng)域的長期研究方向。相關(guān)的貨車駕駛?cè)宋ｋU駕駛在線監(jiān)測技術(shù)和主動安全干預(yù)系統(tǒng)也將會有較大發(fā)展。鑒于主題模型具有從大量繁雜文本中自動組織、搜索和挖掘隱含語義結(jié)構(gòu)的特點，形成的主題群有利于凝練研究領(lǐng)域的發(fā)展方向[10]。

　　因此，本文采用主題模型，全面梳理近十二年內(nèi)貨車駕駛?cè)笋{駛行為與行車安全領(lǐng)域的 38 篇文獻(xiàn)，系統(tǒng)總結(jié)該領(lǐng)域內(nèi)的各類研究主題，并歸納總結(jié)了各類研究主題的通用分析路徑，對各類研究主題涉及到的數(shù)據(jù)源、變量選擇方法、研究地點和建模方法進(jìn)行綜述和分析。此外，本文在總結(jié)現(xiàn)有研究存在問題的基礎(chǔ)上展望未來可能的研究方向，以使讀者對于“貨車駕駛?cè)笋{駛行為與道路行車安全交互作用機理”這一關(guān)鍵問題有相對全面的認(rèn)識，從而在中國范圍內(nèi)促使面向貨車駕駛?cè)说奈ｋU駕駛行為預(yù)警干預(yù)與主動式道路風(fēng)險防控決策的深入開展。

　　1 研究方法

　　1.1 文獻(xiàn)檢索策略

　　為了篩選出與貨車駕駛?cè)说鸟{駛行為、行車安全相關(guān)的研究文獻(xiàn)，本文將從以下 4 個數(shù)據(jù)庫中進(jìn)行英文和中文文獻(xiàn)的搜索：Web of Science，Scopus，TRID(Transport Research InternationalDocumentation)和中國知網(wǎng)。

　　其中，文獻(xiàn)搜索時間范圍設(shè)定為 2010 年至 2021 年，文獻(xiàn)搜索截止時間為 2021 年 12 月 31 日，搜索關(guān)鍵詞的詞組由 3 個部分組成：(1)貨車，營運貨車，重型貨車，貨車駕駛?cè)耍琭reight truck，commercial truck，large truck，heavy-duty truck，heavy goods vehicle，truckdriver;(2)駕駛行為，駕駛風(fēng)格，駕駛風(fēng)險，driving behavior，driving style，driving risk;(3)碰撞風(fēng)險，碰撞嚴(yán)重程度，道路風(fēng)險，道路安全，交通事故，crash risk，crash severity，road risk，road safe，traffic accident。

　　上述關(guān)鍵詞的詞組主要根據(jù)研究對象、與研究對象相關(guān)的研究內(nèi)容進(jìn)行了整理和提煉。在文獻(xiàn)搜索過程中，詞組的每個部分至少要有 1 個關(guān)鍵詞起作用，并根據(jù)不同的數(shù)據(jù)庫調(diào)整搜索語言和搜索關(guān)鍵詞。在此基礎(chǔ)上，通過剔除數(shù)據(jù)庫間重復(fù)的文獻(xiàn)、綜述性文獻(xiàn)、與生態(tài)駕駛相關(guān)的文獻(xiàn)、與心理學(xué)和社會科學(xué)相關(guān)的文獻(xiàn)，最終得到 38 篇關(guān)鍵文獻(xiàn)。

　　1.2 研究主題建模

　　主題模型是一種無監(jiān)督的機器學(xué)習(xí)模型，在自然語言處理中被廣泛應(yīng)用于大規(guī)模文檔集或語料庫中潛藏的主題信息和語義結(jié)構(gòu)的識別。例如，如果一篇文檔的主題與足球相關(guān)，那么某一些特定的詞，如“足球”、“球隊”和“球員”等，將更頻繁地出現(xiàn)在該文檔中。主題模型能夠自動地分析語料庫中的文檔，并根據(jù)文檔中單詞的共現(xiàn)情況提取潛在的主題信息。LDA(Latent DirichletAllocation)模型作為主題模型家族中最流行和最經(jīng)典的模型，采用詞袋方法將每一篇文檔處理為一個詞頻向量，從而將文本信息轉(zhuǎn)化為易于建模的數(shù)字信息[49]。本文將采用 LDA 模型實現(xiàn)表 1 中38 篇文獻(xiàn)的研究主題分類。

　　1.3 研究路徑構(gòu)建

　　在文獻(xiàn)主題分類的基礎(chǔ)上，本文通過系統(tǒng)梳理各主題中文獻(xiàn)的研究目標(biāo)、所采用的數(shù)據(jù)源、研究方法和研究結(jié)論，提煉出了包括數(shù)據(jù)源、變量選擇方法、變量類型、建模方法、研究地點等論文的基本組成要素，由此可構(gòu)成任意一個研究主題下的通用研究路徑，如表 2 所示。根據(jù)表 2 中的各組成要素，每篇文獻(xiàn)的研究框架可大致得以重構(gòu)。在接下來的章節(jié)中，本文將進(jìn)一步統(tǒng)計和分析通用路徑下文獻(xiàn)所采用的數(shù)據(jù)類型、變量選取和建模方法等關(guān)鍵要素。

　　2 結(jié)果分析

　　2.1 主題生成結(jié)果分析

　　主題一的前 7 個共現(xiàn)高頻詞分別為 driver、datum、vehicle、behavior、driving、traffic 和 analysis。其中，括號內(nèi)的數(shù)值表示單詞出現(xiàn)的概率。結(jié)合詞云可以發(fā)現(xiàn)，高頻主導(dǎo)詞組合偏向于定性描述基于數(shù)據(jù)的貨車駕駛?cè)笋{駛行為分析。具體地，主題二關(guān)注利用相關(guān)性分析方法探索貨車駕駛?cè)笋{駛行為與道路安全事故風(fēng)險的關(guān)聯(lián)性，主題三聚焦于人為因素為主導(dǎo)的貨車碰撞事故致因研究，而主題四則強調(diào)了利用相關(guān)模型評估貨車駕駛?cè)说鸟{駛行為風(fēng)險性。

　　2.1.1 主題一：駕駛行為辨識研究駕駛行為是駕駛?cè)藶轫憫?yīng)當(dāng)前道路行駛環(huán)境而執(zhí)行的特定駕駛操作，實現(xiàn)車輛實際運行狀態(tài)跟隨駕駛?cè)笋{駛意圖的過程[52]。一般來說，駕駛行為是駕駛風(fēng)格的外在表現(xiàn)形式，用于刻畫駕駛?cè)说鸟{駛習(xí)慣，不同的駕駛?cè)送ǔＲ矔�表現(xiàn)出不同的駕駛風(fēng)格。因此，國內(nèi)外大部分研究主要基于不同的駕駛行為模式(如跟馳、換道、加速、制動、轉(zhuǎn)向等行為模式)，綜合評定駕駛?cè)说鸟{駛風(fēng)格。實現(xiàn)駕駛風(fēng)格評定通常涉及三個研究內(nèi)容，具體如下。

　　(1)特征變量選取相關(guān)研究發(fā)現(xiàn)駕駛?cè)说鸟{駛風(fēng)格和加速度、速度、燃油量、能量功耗等變量具有很強的相關(guān)性[53]。如孫川等[19]、Wu 等[22]和王海星等[36]均提取營運貨車行駛過程中的車速超過限速 80%的時間比例、速度的均值/標(biāo)準(zhǔn)差、加減速度的均值/標(biāo)準(zhǔn)差等 8 維特征變量，聚類分析貨車駕駛?cè)说鸟{駛速度行為。Figueredo 等[28]采用駕駛時長、每日平均駕駛距離、緊急制動次數(shù)、超速時長、節(jié)氣門開合度作為輸入變量實現(xiàn)駕駛風(fēng)格的識別。Wang等[41]利用貨車行駛過程中的加速踏板位置的最大值/均值/標(biāo)準(zhǔn)差、油門踩踏角速度的最大值/均值/標(biāo)準(zhǔn)差、速度的最大值/均值/標(biāo)準(zhǔn)差和縱向加速度共 10 維特征變量用于駕駛風(fēng)格的分類。

　　(2)風(fēng)格分類在上述研究中，速度和加速度是一對極為重要的參量指標(biāo)，既有研究通常將這兩個指標(biāo)與其它變量、統(tǒng)計特征組合作為輸入變量，分類和識別貨車駕駛?cè)说鸟{駛風(fēng)格。在分類結(jié)果層面，目前研究大多是使用兩個或者三個類別區(qū)分駕駛?cè)说鸟{駛風(fēng)格。如從駕駛安全的角度，部分研究學(xué)者將駕駛風(fēng)格劃分為激進(jìn)型和保守型[35]。進(jìn)一步地，Wang 等[41]則將駕駛風(fēng)格分為中等型、溫和型和激進(jìn)型。此外，部分學(xué)者傾向使用更高類別數(shù)目的駕駛風(fēng)格分類。如 Zhou 和 Zhang[34]選用超速、疲勞、急動度共三個類別指標(biāo)，采用主成分分析和密度聚類相結(jié)合的方法，將駕駛風(fēng)格劃分為：冒進(jìn)型、比較冒進(jìn)型、輕度冒進(jìn)型、輕度謹(jǐn)慎型和謹(jǐn)慎型。

　　(3)風(fēng)格識別現(xiàn)有針對貨車駕駛?cè)说鸟{駛風(fēng)格識別研究主要是借鑒小汽車駕駛?cè)笋{駛風(fēng)格辨識的分析模式，采用車輛運行狀態(tài)數(shù)據(jù)，提煉出特征變量(如車速平均值與標(biāo)準(zhǔn)差、加速度、急動度、橫向速度等)來刻畫貨車駕駛?cè)说鸟{駛風(fēng)格。如徐婷等[35]則通過提取最高車速、橫向加速度峰值、行車方向加速度峰值、車速與發(fā)動機轉(zhuǎn)速的最大相對比值構(gòu)建貨車駕駛?cè)税踩珒A向性評價指標(biāo)，定量評估駕駛的激進(jìn)程度。在方法層面，基于機器學(xué)習(xí)算法對貨車駕駛?cè)笋{駛風(fēng)格進(jìn)行識別是目前的主流研究范式。由于駕駛風(fēng)格是對駕駛?cè)肆?xí)慣性駕駛方式的泛化概括，通常情況下缺乏先驗知識，難以人工標(biāo)注識別無標(biāo)簽的駕駛風(fēng)格數(shù)據(jù)。

　　因此，有監(jiān)督機器學(xué)習(xí)算法是需要輸入已標(biāo)注的駕駛風(fēng)格數(shù)據(jù)，而無監(jiān)督機器學(xué)習(xí)算法不需要預(yù)先了解數(shù)據(jù)的屬性，能夠自適應(yīng)分析和自動劃分類別，更適用于駕駛風(fēng)格的評定。常用的無監(jiān)督機器學(xué)習(xí)算法包括聚類算法[19, 22, 33-35]、LDA 模型[54]等。其中，k 均值聚類算法以其計算簡單、運算快速的特點，特別是在處理大規(guī)模數(shù)據(jù)集時具有可伸縮性和高效性，被廣泛應(yīng)用于駕駛風(fēng)格研究中。

　　2.1.2 主題二：危險駕駛行為與行車安全研究危險駕駛行為主要分為三類[55-56]：①駕駛疏忽。駕駛?cè)艘驅(qū)π熊嚟h(huán)境觀察錯誤或不周導(dǎo)致的操作疏忽，如分心駕駛、疲勞駕駛等;②駕駛失誤。駕駛?cè)艘驅(qū)Ξ?dāng)前車輛狀態(tài)、行車環(huán)境狀態(tài)及變化趨勢估計錯誤導(dǎo)致的決策失誤，如錯誤估計前車速度，導(dǎo)致剎車過猛;③違法駕駛。駕駛?cè)艘虿话唇煌ǚㄒ?guī)和其他交通安全規(guī)定行車等產(chǎn)生的交通違法行為，如超速駕駛、飲酒/醉酒駕駛等。已有研究表明，駕駛?cè)说奈ｋU駕駛行為是導(dǎo)致交通事故的主要誘因，其與行車安全有極強的相關(guān)性[57-58]。對于行車安全而言，研究貨車駕駛?cè)说奈ｋU駕駛行為，可以從根本上更好地理解貨車駕駛?cè)说鸟{駛行為風(fēng)險性。接下來，本文將從上述三類危險駕駛行為與行車安全的關(guān)聯(lián)性進(jìn)行綜述。

　　(1)駕駛疏忽與行車安全與小汽車駕駛?cè)讼啾龋�由于貨源的不確定性及其與目的地的距離偏長等因素，貨車駕駛?cè)似毡榇嬖诠ぷ髫?fù)荷大、作息混亂、注意力不集中等特點，更容易發(fā)生以分心駕駛和疲勞駕駛為主的駕駛疏忽行為，極大影響著道路行車安全[34]。在分心駕駛方面，現(xiàn)有研究主要聚焦在貨車行駛過程中不同分心源(如操作手機、進(jìn)食、飲水、調(diào)整座椅等)組成的次要任務(wù)對行車安全的影響。

　　如 Claveria 等[27]則基于問卷調(diào)查數(shù)據(jù)，采集了貨車駕駛?cè)说纳鐣�屬性、工作屬性、駕駛行為與車輛配置等參量，采用隨機參數(shù)二項 Logit 模型，探究了手機使用對貨車駕駛行為的影響，發(fā)現(xiàn)駕駛?cè)说鸟{駛行為、社會屬性、工作屬性、工作時間和工作管理特征會顯著影響貨車駕駛?cè)嗽隈{駛過程中使用手機的可能性。此外還發(fā)現(xiàn)，工作管理和安全培訓(xùn)能有效降低貨車駕駛?cè)耸褂檬謾C的概率。探究分心駕駛通常使用問卷調(diào)查數(shù)據(jù)，輔以觀察、訪談的方式更加精準(zhǔn)地獲取駕駛?cè)藞?zhí)行次要任務(wù)的原因、類型和頻率。

　　目前，基于自然駕駛數(shù)據(jù)的貨車駕駛?cè)朔中鸟{駛監(jiān)測開始獲得學(xué)者們的關(guān)注[29]。在疲勞駕駛方面，貨車駕駛?cè)藢儆诼殬I(yè)駕駛?cè)�，往往需要長時間駕駛車輛，正常作息難以保障。因此，疲勞駕駛發(fā)生的可能性極大增加，貨車駕駛?cè)说木�覺性、工作表現(xiàn)、風(fēng)險處理等能力也隨之不同程度地下降。如 Chen 和 Xie[16]研究發(fā)現(xiàn)，睡眠質(zhì)量較差的貨車司機，在日常工作中疲勞程度越高，更傾向于表現(xiàn)出駕駛失誤、駕駛分心、交通違法等行為。Filtness 等[37]研究表明，咖啡因雖然能有效對抗駕駛?cè)说氖人�特性，但攝入過多的咖啡因并不能明顯提高駕駛安全性能，且容易對職業(yè)駕駛?cè)说纳眢w健康、睡眠質(zhì)量產(chǎn)生不良影響。

　　此外，Cori 等[43]則發(fā)現(xiàn)延長換班之間的休息時間可顯著提升貨車駕駛?cè)说乃�眠質(zhì)量，并對貨車駕駛?cè)说木�覺性、工作表現(xiàn)產(chǎn)生適度的積極影響。上述疲勞的研究通常將駕駛?cè)松鐣�工作屬�?年齡、收入、違章記錄等)、駕駛?cè)孙L(fēng)格/操作特征(緊急駕駛、近距離跟馳等)、車輛運行特征(車速平均值、加速度等)作為輸入變量，利用統(tǒng)計學(xué)模型建立輸入變量與疲勞駕駛的關(guān)系，缺乏從人工智能的角度研究數(shù)據(jù)驅(qū)動型的疲勞駕駛與行車安全。

　　(2)駕駛失誤與行車安全在日常駕駛?cè)蝿?wù)中，貨車駕駛?cè)送�往頻繁地行駛在同一片區(qū)域，對車況、道路條件、環(huán)境會進(jìn)一步熟悉，進(jìn)而在日積月累中形成自身的駕駛經(jīng)驗和行為習(xí)慣。然而，這類經(jīng)驗型和個性化的貨車駕駛?cè)丝赡軙�表現(xiàn)出程序化/激進(jìn)化駕駛、分心駕駛的現(xiàn)象，一定程度上增加了在途運輸?shù)鸟{駛風(fēng)險。目前，針對由于駕駛經(jīng)驗和個性化情緒造成的駕駛失誤與行車安全的相關(guān)研究相對偏少。這類研究主要以問卷調(diào)查數(shù)據(jù)為主，通過提取貨車駕駛?cè)说男愿裉卣鳌⑸鐣�和工作屬性、風(fēng)格特征等變量，采用統(tǒng)計學(xué)模型方法，探究駕駛經(jīng)驗和個性化情緒對駕駛?cè)税踩�駕駛行為的作用機制。

　　如 Girotto 等[21]利用 Logistics 回歸模型，對貨車駕駛?cè)说牟煌瑐�人屬性(如年齡、收入、經(jīng)驗等)、駕駛操作特點、不同駕駛時間段與事故風(fēng)險之間關(guān)系進(jìn)行統(tǒng)計分析，發(fā)現(xiàn)只有 10 年及以上貨車駕駛經(jīng)驗的駕駛?cè)�，發(fā)生事故的概率能夠降低 30%。而 Landay 等[38]則說明，同理心較強的貨車駕駛?cè)税l(fā)生事故的概率較低，而具有焦慮、易怒、冒險和內(nèi)疚傾向的貨車駕駛?cè)耍�更容易誘發(fā)交通事故。

　　2.1.3 主題三：貨車碰撞事故致因分析研究基于統(tǒng)計學(xué)模型的貨車碰撞事故影響因素辨識是目前應(yīng)用最為廣泛的事故致因定量分析方法。大部分研究基于文本和電子記錄數(shù)據(jù)，從駕駛?cè)松鐣��?jīng)濟屬性 [11, 23, 33, 46-47]、車輛特征[23, 33, 48]、空間特征[18, 30, 46-48]、時間特征[18, 30, 33]和天氣特征[23, 30, 33]等方面對貨車碰撞事故致因進(jìn)行了相關(guān)探索。接下來，本文將從貨車碰撞事故顯著影響因素集和建成環(huán)境影響因素集分別進(jìn)行綜述。

　　(1)貨車碰撞事故顯著影響因素集國內(nèi)外學(xué)者不僅僅關(guān)注貨車碰撞事故的直接致因因素，還注重探討違法行為、車輛類型、道路線形等因素對碰撞事故的影響。如 Cantor 等[11]分析美國高速公路交通事故數(shù)據(jù)顯示，涉及卡車的事故中有 74%是由于違反交通法規(guī)、危險駕駛行為和身體狀況等駕駛?cè)艘蛩匾�起。Pahukula 等[18]發(fā)現(xiàn)在早上時段和晚上時段，貨車混入率(特別是大型載重貨車)與事故發(fā)生率呈顯著正相關(guān)關(guān)系。

　　Wang等[33]則揭示了彎道、坡度、平曲線等線形因素顯著影響大型貨車的事故傷害程度。在開展人、車、路等因素對貨車碰撞事故影響機制研究的基礎(chǔ)上，貨車混入對道路交通事故發(fā)生的影響也逐漸得到了研究者的關(guān)注。Hong 等[30]研究了駕駛?cè)藗�人屬性、違法行為、交通狀況、路面狀況、天氣等因素對韓國高速公路碰撞事故頻率的影響關(guān)系，發(fā)現(xiàn)道路線形、路側(cè)結(jié)構(gòu)、時間和季節(jié)性貨車涉入交通流比例等特征對碰撞事故有非線性影響。

　　(2)建成環(huán)境影響因素集一般認(rèn)為，建成環(huán)境(包括土地利用、交通基礎(chǔ)設(shè)施、道路網(wǎng)絡(luò)等)決定了出行者/駕駛?cè)说幕顒涌臻g范圍、集聚程度和活動強度，直接影響著出行者/駕駛?cè)说某鲂匈|(zhì)量和滿意度。然而，建成環(huán)境如何影響交通事故的發(fā)生，在多大程度上影響貨車碰撞事故，這類問題鮮有報道。Yang 等[46]首次嘗試將道路基礎(chǔ)設(shè)施、道路線形條件、貨運 OD、人口密度和土地利用作為自變量，以貨車碰撞嚴(yán)重程度作為分類因變量，構(gòu)建基于可解釋性機器學(xué)習(xí)算法的貨車碰撞嚴(yán)重度分析模型，分析發(fā)現(xiàn)人口統(tǒng)計、土地利用、道路網(wǎng)絡(luò)與碰撞嚴(yán)重程度顯著相關(guān)。在兩類影響因素集分析的基礎(chǔ)上，總結(jié)了近年來貨車事故致因分析的研究方法和關(guān)鍵影響因素。

　　可以發(fā)現(xiàn)，貨車事故關(guān)鍵影響因素中，駕駛?cè)巳藶橐蛩卣贾鲗?dǎo)，主要包括駕駛?cè)嗽隈{駛過程的行為失當(dāng)。一般認(rèn)為，通過規(guī)范貨車駕駛?cè)说鸟{駛行為和控制人為風(fēng)險因素，可以有效提高道路交通運輸?shù)陌踩�性。因此，針對貨車駕駛?cè)诉M(jìn)行安全培訓(xùn)和風(fēng)險監(jiān)控具有非常重要的意義。雖然國內(nèi)外學(xué)者一直關(guān)注貨車碰撞事故成因及對策，但研究視角主要集中于高速公路、隧道及長大下坡等特定路段，目前對山區(qū)公路貨車碰撞事故機理與防治的關(guān)注仍較為有限。如何合理、準(zhǔn)確、及時地評估貨車駕駛?cè)藵撛诘鸟{駛行為風(fēng)險性及其發(fā)展態(tài)勢，則是目前研究亟待解決的核心問題。

　　3 結(jié)論

　　貨車駕駛?cè)说鸟{駛行為特性是影響行車安全的重要因素。如何描述、甄別貨車駕駛?cè)笋{駛行為特性并對其進(jìn)行關(guān)聯(lián)分析和行車風(fēng)險評估，進(jìn)而提出針對性的風(fēng)險調(diào)控策略，是解決貨車駕駛?cè)笋{駛行為與道路行車安全交互作用機理問題的關(guān)鍵。其中，挖掘道路交通環(huán)境、駕駛行為與車輛狀態(tài)的隱性關(guān)聯(lián)是問題的核心。本文從貨車駕駛?cè)说慕嵌�，系統(tǒng)綜述了駕駛行為辨識、危險駕駛行為與行車安全分析、貨車事故致因分析、駕駛安全風(fēng)險評估等研究主題目前取得的研究進(jìn)展。然后，從數(shù)據(jù)源、變量選擇方法、研究地點、建模方法等方面分析了各類研究主題的研究路徑�；�于上述相關(guān)研究工作的分析，總結(jié)當(dāng)前研究局限性和未來研究方向如下。

　　3.1 研究局限性

　　通過系統(tǒng)梳理 4 個主題的研究進(jìn)展情況及其研究路徑生成結(jié)果，可以發(fā)現(xiàn)，國內(nèi)外學(xué)者主要聚焦于貨車的駕駛?cè)笋{駛行為分類、危險駕駛行為識別和碰撞事故致因分析，研究場景更多集中于城市快速路和高速公路，針對山區(qū)公路環(huán)境下的貨車駕駛安全風(fēng)險評估與防控研究仍缺乏足夠的關(guān)注。總的來說，盡管上述研究提供了具有理論或應(yīng)用價值的成果，但仍需客觀地認(rèn)識到，現(xiàn)有研究在數(shù)據(jù)獲取和研究地點、特征變量提取、建模方法層面還存在一些不足，總結(jié)如下。

　　(1)數(shù)據(jù)獲取和研究地點評述。

　　首先，貨車駕駛?cè)笋{駛行為與行車安全數(shù)據(jù)的獲取途徑較為單一，采集數(shù)據(jù)一般為文本電子類數(shù)據(jù)，使得結(jié)果的參考價值受到一定局限，也變相地導(dǎo)致目前針對駕駛風(fēng)險動態(tài)評估的研究較少;其次，研究地點主要集中在正常天氣條件下的高速公路、城市道路等有利于數(shù)據(jù)收集的常規(guī)地點，在特殊天氣條件下或山區(qū)公路環(huán)境下的相關(guān)研究還不夠豐富;最后，現(xiàn)有研究正在嘗試使用車輛監(jiān)控軌跡數(shù)據(jù)，開展貨車駕駛?cè)笋{駛行為辨識和運行安全相關(guān)研究。然而，這類數(shù)據(jù)的樣本量在空間和時間層面較為有限，以宏觀或集計分析為主，缺少對貨車運行的精細(xì)化描述和貨車個體異質(zhì)性的科學(xué)表征，以及針對貨車危險駕駛行為的產(chǎn)生機制及演變機理的實測數(shù)據(jù)分析。

　　(2)特征變量評述。四類主題的已有研究偏向使用較多的指標(biāo)數(shù)量，但動態(tài)且高頻指標(biāo)較少，主要表現(xiàn)為貨車駕駛?cè)瞬僮魈卣�、車輛運行特征和道路交通狀況等這一類的指標(biāo)數(shù)量運用得偏少。此外，指標(biāo)選取呈現(xiàn)兩極化特征，一方面是指標(biāo)選取的合理性分析較少，具體表現(xiàn)為經(jīng)驗選取或已有研究推薦的方式來確定指標(biāo)的類型和數(shù)量，這類選取方式可能會根據(jù)當(dāng)前的客觀條件所限而選擇與研究主題不匹配的指標(biāo)，容易導(dǎo)致變量與研究目標(biāo)之間的關(guān)聯(lián)性不強，使得模型精準(zhǔn)度有限。

　　另一方面是指標(biāo)選取方法的有效性有待驗證，盡管部分研究給出了基于數(shù)據(jù)驅(qū)動或數(shù)理統(tǒng)計的指標(biāo)篩選方法，仍然會不同程度地缺失針對所選指標(biāo)的適應(yīng)性評估方法，難以保證指標(biāo)選取的規(guī)范性和選取效果最佳的指標(biāo)。隨著研究的深入和技術(shù)水平的發(fā)展，未來會出現(xiàn)新的采集設(shè)備和指標(biāo)，需要建立通用的適應(yīng)性指標(biāo)選取方法和原則。

　　(3)建模方法評述。四類主題的相關(guān)研究所采用的方法主要分為兩類：一是數(shù)理統(tǒng)計建模;二是數(shù)據(jù)驅(qū)動建模。可以發(fā)現(xiàn)，主題二和主題三的相關(guān)研究多采用統(tǒng)計學(xué)模型，基本實現(xiàn)了危險駕駛行為與行車安全交互作用、貨車碰撞事故影響等機制的解析，但是對于探索貨車駕駛?cè)宋ｋU駕駛行為和交通事故、車輛狀況、道路類型、交通擁堵程度、交通管理措施等因素之間復(fù)雜的交互關(guān)系有待進(jìn)一步細(xì)化，特別是對實時道路信息接收、駕駛監(jiān)控系統(tǒng)、駕駛輔助系統(tǒng)、網(wǎng)聯(lián)自動駕駛等應(yīng)用環(huán)境對降低事故風(fēng)險的潛在效能仍沒有充分地進(jìn)行論證和分析。

　　相反地，主題一和主題四的相關(guān)研究主要采用基于機器學(xué)習(xí)的數(shù)據(jù)驅(qū)動方法，開展更為細(xì)致地駕駛行為分析與風(fēng)險評估方面的研究，但是此類方法僅僅對駕駛行為進(jìn)行分類或者靜態(tài)風(fēng)險評估，所采用方法的優(yōu)劣對比不具有對等性，且不能夠解釋自變量估計系數(shù)是否在統(tǒng)計上有意義。此外，針對貨車在途實時風(fēng)險預(yù)測的相關(guān)研究仍較為缺乏。

　　3.2 未來研究方向

　　結(jié)合現(xiàn)有研究在數(shù)據(jù)獲取、研究地點、指標(biāo)提取和建模方法的局限性，本文嘗試討論了未來可能的關(guān)于貨車駕駛?cè)笋{駛行為與行車安全的四個研究方向。

　　首先，針對貨車駕駛?cè)笋{駛行為研究，討論了利用大數(shù)據(jù)和人工智能描述貨車駕駛?cè)藭r空駕駛行為模式的發(fā)展方向(描述);其次，針對貨車碰撞事故致因分析，討論了“人-車-路”時空因素建模的可能性(解釋);然后，面向高新智能自動化環(huán)境，討論了貨車危險駕駛行為與行車安全關(guān)系的研究重點(關(guān)聯(lián));最后，面向道路運輸安全的重大現(xiàn)實需求，討論了貨車在途動態(tài)風(fēng)險預(yù)測的必要性(應(yīng)用)。

　　總的來說，本文將貨車駕駛行為模式、貨車碰撞事故致因分析、貨車危險駕駛行為和行車安全關(guān)聯(lián)性、貨車在途動態(tài)風(fēng)險預(yù)測作為一個整體系統(tǒng)考慮，四者之間的關(guān)系(即描述-解釋-關(guān)聯(lián)-應(yīng)用)。隨著數(shù)據(jù)的實時更新與未來其他類型數(shù)據(jù)的接入，整個系統(tǒng)將通過基于統(tǒng)計和人工智能算法的數(shù)據(jù)驅(qū)動模式，改善和提升四個部分輸出結(jié)果的準(zhǔn)確性。同時，貨車駕駛行為和貨車碰撞事故致因的分析結(jié)果，將有助于進(jìn)一步解析和理解駕駛行為和行車安全之間的關(guān)聯(lián)性，而前三者(描述-解釋-關(guān)聯(lián))的研究成果能夠幫助提升貨車動態(tài)風(fēng)險預(yù)測的精度，推動貨車駕駛?cè)宋ｋU駕駛在線監(jiān)測技術(shù)和貨車主動安全設(shè)備研制的實用化進(jìn)程。

　　參考文獻(xiàn)：

　　[1] GSUL M, 胡予紅, 周旋, 等. 道路交通運輸安全發(fā)展報告(2017)[J]. 中國應(yīng)急管理, 2018, 12(2): 48-58.[GSUL M, HU Y H, ZHOU X, et al. Road traffic safety development report(2017)[J]. China EmergencyManagement, 2018, 12(2): 48-58.]

　　[2] ARBABZADEH N, JAFARI M. A data-driven approach for driving safety risk prediction using driver behaviorand roadway information data[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(2): 446-460

　　[3] FORMOSA N, QUDDUS M, ISON S, et al. Predicting real-time traffic conflicts using deep learning[J].Accident Analysis and Prevention, 2020, 136: 1-14.

　　[4] YUKSEL A S, ATMACA S. Driver’ s Black Box: A system for driver risk assessment using machine learningand fuzzy logic[J]. Journal of Intelligent Transportation Systems, 2021, 25(5): 482-500.

　　[5] Li G F, Li S B, CHENG B, et al. Estimation of driving style in naturalistic highway traffic using maneuvertransition probabilities[J]. Transportation Research Part C: Emerging Technologies, 2017, 74: 113-125.

　　[6] 胡立偉, 李耀平, 林玉珍. 不同等級公路環(huán)境下駕駛?cè)藙討B(tài)視覺特性規(guī)律研究[J]. 交通運輸系統(tǒng)工程與信息, 2014, 14(3): 58-63. [HU L W, LI Y P, LIN Y Z. Driver’s dynamic visual characteristics and laws underdifferent highway environments[J]. Journal of Transportation Systems Engineering and InformationTechnology, 2014, 14(3): 58-63.]

　　[7] 周悅, 江欣國, 付川云,等. 基于混合 Logit 模型的出租車超速者運營因素分析[J]. 交通運輸系統(tǒng)工程與信息, 2021, 21(3): 229-236. [ZHOU Y, JIANG X G, FU C Y, et al. Operational factors analysis for taxi speedersusing mixed logit model[J]. Journal of Transportation Systems Engineering and Information Technology, 2021,21(3): 229-236.]

　　作者：覃文文 1, 2，李歡 1，李武 3，谷金晶 4，戢曉峰*1, 2

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/29994.html