详情

原文传递网约车驾驶人驾驶风格识别及影响因素分析

论文题名：	网约车驾驶人驾驶风格识别及影响因素分析
关键词：	交通安全;网约车驾驶人;驾驶风格;机器学习
摘要：	随着经济社会的发展，人们出行需求不断衍生，作为“互联网+”和共享经济的产物，网约车出行服务满足了人们出行方式多样化的需求，并以其便捷、舒适的优势迅速占领市场。由于网约车驾驶人群体的异质性和网约车服务模式的特殊性，其驾驶风格易受多重因素影响，驾驶风格与道路安全密切相关。为确保网约车稳态驾驶风格，提升城市道路交通安全，针对网约车驾驶人驾驶风格进行研究是非常必要的。因此，本文面向网约车驾驶人群体，研究其驾驶风格分类及影响机理，具体研究内容如下：　　首先，开展自然驾驶实车试验，获取网约车驾驶人在真实道路场景下的车辆运动学数据、车内外视频数据，并通过设计调查问卷获取驾驶人个人信息数据。并对三种数据进行数据拼接、数据清洗、数据平滑、数据转换、时间校正、数据匹配等数据预处理工作。　　其次，提出一种基于驾驶事件的驾驶风格分类框架。利用阈值检测算法从车辆运动学数据中提取出转弯、加速和减速三种驾驶事件，对提取出的驾驶事件计算统计特征值，并用主成分分析法对特征值进行降维。然后，利用k-means算法分别对三种事件降维之后的主成分进行聚类，并根据聚类评估指标确定聚类簇的个数。最后，对不同簇的属性进行分析，确定每一簇对应的驾驶风格。　　然后，提取驾驶风格影响因素，构建基于网约车驾驶人特性的驾驶风格识别模型。根据网约车服务的特殊性，提取了环境因素、操作特征、个人特征三种驾驶风格影响因素。选择多元逻辑回归、广义加性逻辑回归两种统计模型，随机森林、XGBoost、Lightgbm、Catboost四种集成学习模型对驾驶风格进行识别，利用贝叶斯优化算法对集成学习模型的超参数进行优化，并选取准确率、精准率、召回率、F1-score、ROC曲线、AUC值作为模型优选评估指标，结果表明XGBoost模型在各个评估指标上均表现最优。　　最后，引入SHAP框架对评估出的最优模型结果进行解释，深入分析相关影响因素对网约车驾驶人的驾驶风格作用机理。针对三种驾驶风格，从特征重要度、总效应、主效应、交互效应四个角度出发，分别分析单个特征因素的影响以及多个特征因素的交互影响，重点分析了不同驾驶阶段、驾驶时长、驾驶距离、道路特征下驾驶风格的变化特征。结果表明本文所选特征因素对驾驶风格具有显著的影响，而且特征因素之间具有明显的交互效应。　　综上所述，本文研究了网约车驾驶人驾驶风格分类和影响因素分析的全过程。通过车辆运动学数据对驾驶风格进行分类，基于驾驶风格影响因素指标，使用统计模型和集成学习算法对驾驶风格进行识别，并引入SHAP对最优模型进行解释，对驾驶风格影响因素进行深入分析。研究成果为驾驶风格研究提供了新的思路，对网约车平台安全监管和驾驶人辅助系统开发具有重要意义。
作者：	李文露
专业：	交通运输工程;交通运输规划与管理
导师：	马永锋
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022