高原环境行驶状态安全性评价*

孙 倩 郭忠印

(同济大学道路与交通工程教育部重点实验室 上海 201804)

0 引 言

我国海拔2 000 m以上的高原占全国总面积的33%，海拔3 000 m以上占26%，而全球海拔2 000 m以上的地区面积仅占陆地总面积的13.2%，比例远低于我国.高原具有独特而复杂的自然条件，对驾驶员有较显著的影响.问卷调查结果表明，在高原行车时有34%的驾驶员时常感到口干舌燥，超过23%的驾驶员有头重脚轻的感觉，另外约18%的驾驶员感觉手脚痛、15%频繁打哈欠、14%感觉自身有头晕症状、14%感到乏力和虚脱、13%感到眼皮常发沉、眼睛酸痛，11%的驾驶员感觉手脚不灵活，超过76%的驾驶员认为在高原公路行车时较在其他公路更容易产生疲劳感[1].此外据调查，尽管我国道路安全形势持续好转，但相比发达国家交通事故与死亡率仍处于较高水平，一次死亡10人以上重、特大道路交通事故频发，与东部、中部地区相比，西部地区特大交通事故数量大，除由于西部山区较多外，另一个重要原因即在于我国高原地区集中于西部[2].由此可见，有必要针对高原地区车辆驾驶安全开展研究.

由于受高原环境影响地区较少，国外相关研究大多集中在高原公路病害预防和治理[3]，我国相关研究较多.目前高原地区车辆驾驶安全研究主要集中在驾驶员生心理和驾驶行为两方面.

Bot等[4]从医学角度对心律与耗氧量进行研究，李岩岩等通过研究高原公路线性与驾驶员脑电特性[5]和心率变化[6]发现当海拔与线形一起作用时，相应指标均比线形单独作用时的变化更显著.通过现场测试数据分析发现[7]，高原环境下驾驶员反应能力和判断能力较差，静视力与动视力显著降低，这些指标变化主要与海拔、年龄和驾驶时间相关.姬生强[8]认为高原环境下驾驶员静视力、动视力、反应能力和速度估计能力的弱化将导致驾驶过程中的误反应次数和判断错误次数显著增长，并认为认知能力降低、对速度判断失误、行驶过程中注意力不集中等高原区驾驶员错误驾驶行为，会对驾驶员处理突发事件和获取道路信息的准确度和效率产生影响，从而影响交通安全.肖润谋等[9]分析了驾驶员在高海拔长平直线路段上行车时的交通安全认知及行为特性，认为该类路段上交通事故多发的主要原因是单调的道路景色和高原反应使驾驶员疲劳并反应迟钝，道路两侧缺乏明显的参照物，影响了驾驶员速度判断的准确性，以及受牧群横穿产生的横向干扰.汪双杰等[10]通过分析不同海拔典型路段实测速度数据得出平直线路段上车辆在无路侧干扰条件下能达到期望速度，小半径平曲线路段运行速度变化剧烈，海拔4 000 m为海拔对运行速度的影响临界点等结论.

以往对高原道路研究多为针对不同海拔高度驾驶员脑电、心律、反应时间、车速判断和驾驶速度等显性指标的变化情况以及引起该指标变化的因素的分析，而较少涉及针对指标变化导致高原车辆驾驶风险方面的研究.本研究实地采集不同海拔、不同线形,以及不同车型的断面速度，定量评价车辆行驶状态安全性，基于支持向量机理论较强的适应能力和良好的泛化能力，以及与其他方法相比在解决小样本问题的良好表现[11]，利用该理论建立行驶状态安全性评价模型，分析海拔、线形和车速等因素对安全的影响.

1 数据采集

1.1 调研地点的选取

青藏公路起于青海西宁，终于西藏拉萨，全长1 937 km，为双向2车道，虽然设计标准较低，但经过大幅改建，是目前通往西藏的公路中路况最好且相对最安全的公路.

调研以青藏公路格尔木到拉萨段为数据采集路段，路段覆盖海拔3 349～5 187 m范围，调研时间范围为7—8月份.文献[12]将公路线形划分为平直线、纵坡、平曲线和弯坡组合四种，但相比平原，在高原环境下车辆对纵坡更加敏感，因此，将高速公路线形划分为直线段和曲线段两种，其中直线段包括平直段和纵坡段，曲线段包括平曲线段和弯坡组合段，达到保留更多纵坡信息的目的，具体划分依据见表1.调研共采集154个截面的相关数据，其中包含44组直线段与22组曲线段，每组直线段包含首尾两个截面，曲线段包含直曲点、曲中点和曲直点三个截面.调研地点分布与海拔范围分布相匹配，见表2.

1.2 调研方法

调研首先获取了青藏公路设计资料，然后利用MC5600气压管式车辆分型统计系统对现场车速、车型等数据进行调研.根据青藏公路车道数和行车方向，采用适用的车辆分型统计方式布置MC系统，见图1.数据采集过程中要求满足白天、天气晴好、路面干燥和自由流交通的环境条件.经过路上初步统计，青藏公路典型车型为小客车和大货车，因此，要求每个截面调研车辆数样本量在300以上，且小客车和大货车均达到100以上，以满足统计学要求.

表1 路段划分标准

表2 调研地点分布

图1 MC5600系统布置图

2 高原公路车辆行驶特征分析

2.1 环境特征

海拔对驾驶员行驶状态产生作用并最终影响安全，因此，采集路段海拔数据，用H表示.

道路线形很大程度上决定了驾驶环境，对行车安全具有举足轻重的影响，因此从设计资料中获取线形数据.定义每个直线段为一个分析单元，每个曲线段从曲中点划分成二个分析单元，即共44个直线分析单元，44个曲线分析单元.提取每个分析单元的长度L、初曲率r1、末曲率r2、曲率差r和纵坡i.

2.2 车辆特征

载重和发动机对车辆性能影响很大，尤其在高原低温缺氧环境下，可能加大其影响程度，此外，不同车型驾驶员的驾驶习惯也有较大不同，因此，对车辆进行车型划分.根据现场调查，高原公路上大型车辆多为长途货车，而小汽车则多为客车，鲜少有大客车和小货车，因此，将路上车辆分为大货车和小客车两种类型，以轴距为划分依据，参照文献[12]，结合实地调研和数据采集结果分析，最终选定轴距低于4.5 m为小客车，大于4.5 m为大货车.

车速为车辆驾驶过程中重要的车辆特征，通常以运行速度为代表车速.以车型为划分依据，对每个截面的现场调研数据进行统计，得到每种车型的85%车速作为特征运行速度，用v表示.

每个分析单元有两个截面，对两个截面的特征运行速度求平均值，得到分析单元的特征运行速度，用V表示.

V统计结果见表3，直线段运行速度稍高于曲线段，小客车运行速度显著高于大货车，但离散性也高于大货车.

表3 不同车型运行速度统计结果 km/h

2.3 行驶状态安全性特征

行驶状态安全性主要受公路线形连续性和与运行速度匹配性影响，相邻路段运行速度协调性能够有效评价连续性指标[13-14]，驾驶员能够在连续性较好的路段维持较稳定的行驶状态，不会因线形不良或突发事件出现紧急制动或加速行为，线形依据设计速度设计，因此,运行速度与设计速度的匹配程度可以评价后者.

相邻路段运行速度协调性以相邻分析单元运行速度差的绝对值|Δv|和同一分析单元内运行速度梯度绝对值|IΔv|作为指标.|IΔv|意义是100 m行驶长度运行速度变化绝对值，|IΔv|越大，连续型越差，行驶状态安全性越差，计算式为

(1)

式中：vi为点i处运行速度；Li,i+1为两相邻点之间的距离，该相邻点应属于同一分析单元.

考虑到高原的低氧驾驶环境以及青藏公路为该路线唯一通车公路的特殊条件，发生风险的可能性较高，因此基于文献[12]，采用较高的标准评价行驶状态安全性特征，判断标准为

(2)

(3)

(4)

式中：Vd为设计速度;A1,A2,A分别为线形与运行速度匹配性、线形连续性和行驶状态安全性;1为肯定；-1为否定.

以高程为横轴，绘制|IΔv|曲线，见图2.大货车与小汽车的相关发展趋势基本一致，随着海拔高度的升高，大货车相比小客车表现得更加稳健.

图2 不同海拔高度下车辆行驶状态安全性分布图

3 车辆行驶状态安全性评价模型建立

3.1 支持向量机

支持向量机最早在20世纪末被提出，是以VC维理论和结构风险最小化原则为基础的一种算法，常用的支持向量机核函数有四种类型，即线性核函数(LF)、多项式核函数(PF)、径向基核函数(RBF)和Sigmoid核函数(SF)，这四种核函数都满足Mercer条件，通过核函数可以将采集到的现场数据映射到高维度.一般情况下其他三种核函数经过训练的结果都能优于LF，基于核函数需确定的参数数量考虑，RBF能够有效减少模型优化的复杂度，同时RBF也是实际应用最广泛的核函数，因此选择采用RBF作为核函数，形式为

K(xi,xj)=exp(-γ‖xi-xj‖2),γ>0(5)

式中：γ为核函数参数；‖xi-xj‖为xi-xj的范数.

支持向量机车辆驾驶安全性评价模型的函数形式为

(6)

式中：sgn(·)为提取表达式符号的函数；(xi,yi)为已知的样本，xi∈Rn，为预期对驾驶安全性有影响的n个参数，yi∈{-1,1}为所属安全性类别，其中i=1,2,…,m，m为样本数；αi为拉格朗日乘子，不小于0；b为常数.

为了得到最好的超平面，可以对以下问题进行优化求解.

(7)

yTα=0

(8)

0≤αi≤Ci=1,2,…,m

(9)

式中：e为全部为1的向量;α为拉格朗日乘子向量;Q为一个大小为m行、m列的矩阵，Qij=yiyjK(xi,xj)，由于核函数满足Mercer条件，K(xi,xj)=gT(xi)g(xj);C为拉格朗日乘子αi的上界.

为了最终得到最优的支持向量机分类器，需要寻找最优的参数对(γ,C)，即在该参数对下，模型的分类准确率最高，采用交叉验证方法可以达到这一目的.在一定范围内选取一组参数对(γ,C)，K-折交叉验证将样本随机分为K个子集，每次将其中1个子集作为测试集，其余K-1个作为训练集，训练支持向量机分类器，将K次预测的平均准确度作为该参数对下的分类器准确度，选择准确度最高的分类器对应的参数对(γ,C)，当有多组准确度最高的参数对时，选取其中C最小的一组.

3.2 参数选择

在训练支持向量机分类器的过程中，过多无关参数的进入会影响到分类器的准确度，因此需要选择与行驶状态安全性相关性最高的变量作为参数.F值方法是一种有效的筛选方法，F值越高，表示该参数在不同的A条件下差异越大，分类效率越高，某参数x的F值为

(10)

3.3 模型准确度评价

采用留一法评价模型准确度.首先从样本集中去掉一个样本(xi,yi)，利用剩余的样本集训练分类器得到fi，进行如下统计.

(11)

式中：fi(xi)为fi对xi预测分类，fi(xi)∈{-1,1}；P(fi(xi),yi))为分类结果，当fi(xi)与yi一致时为1，否则为0.Acc数值越高，表示分类器越可取.

3.4 行驶状态安全性评价模型建立

根据3.1～3.3，建立车辆行驶状态安全性评价模型，步骤为

步骤1分别整理大车和小车的数据，得到可选参数(H，L，r1，r2，r，i，V)，为减少高维数据对低维数据的影响，将所有参数进行归一化处理.

步骤2计算所有参数的F值并降序排列，结果见表4.

表4 F值排序结果

步骤3去除1个F值最低的参数，进行4-折交叉验证，寻找最优的参数对(γ,C).

步骤4建立RBF核函数的支持向量机行驶状态安全性评价模型，采用留一法评价模型准确度.

步骤5每次在剩余参数的基础上重复步骤3～4，直到模型准确度达到最大值，过程见图3，此时所选的参数作为模型输入参数，该模型为评价该车型行驶状态安全性的最优模型，结果见表5.

图3 参数筛选过程

表5 行驶状态安全性评价模型评价结果

4 模型评价结果分析

4.1 模型超平面分析

3.4建立的模型中，小客车有42个支持向量，大客车有37个，两组支持向量分别定义了支持向量机的超平面，以平均值代表模糊边界，模糊边界均在各参数不同安全状态条件下平均值之间,见表6，说明模型及其模糊边界有意义.

表6 行驶状态安全性参数统计

4.2 模型参数分析

车辆行驶状态安全性评价模型对不同车型的预测表现有差异，对大货车表现得更好.小客车行驶状态安全性主要受运行速度、分析单元末端曲率、纵坡和分析单元长度影响，大货车的行驶状态安全性主要取决于高程、分析单元长度、运行速度和分析单元始端曲率.

由表5可知，运行速度对小客车安全性的影响比大货车更显著，在小客车行驶状态安全性评价模型中更占据了主导地位.

图4为不同车型车辆在两种行驶状态下的运行速度、分析单元长度、末曲率和初曲率箱形图.

图4 不同车型不同安全状态下箱形图

由图4a)可知，小客车运行速度在所有状态下均高于大货车，不论小客车还是大货车，当运行速度较大时，驾驶均偏于不安全，且离散性相对较大.

由图4b)可知，单元长度对两种车型的影响方向不同，对于大货车，较短的分析单元长度对行驶安全不利，而对小客车较长的长度对行驶安全不利.当行驶状态从安全过渡到不安全时，大货车有分析单元长度有明显的锐减，而小客车分析单元长度的涨幅相对较少，说明分析单元长度对大货车的影响更显著，这与表5一致.

由图6～7可知，曲率也是影响车辆安全性的参数，但小客车受末曲率较多，大货车则受初曲率影响更大.在不同的行驶安全状态下，小客车末曲率有明显变化，大货车仅略有变动.大货车初曲率随着安全状态的变化存在显著差异，小客车则几乎没有变化.但不论小客车还是大货车，均当曲率较大时偏于安全.

此外，大货车受海拔高度影响较大，这是由于大车的柴油发动机在缺氧环境下能量转化率下降，导致大车的性能受到较大影响，从而影响了行驶状态安全性；小车的汽油发动机则受海拔影响较小，其安全性偏于受线形本身，即纵坡的影响，纵坡的大小能够显著影响车速变化，从而影响行驶状态安全性.

5 结 论

1) 小客车与大货车行驶状态安全性受影响因素不尽相同，有些甚至互相制约.

2) 小客车行驶状态安全性主要受车速、分析单元末曲率、纵坡和分析单元长度影响，较低的车速、较大的末曲率、较平缓的纵坡和较短的分析单元长度有利于安全.

3) 大车行驶状态安全性主要受高程、分析单元长度、车速和分析单元始端曲率影响，较低的海拔、较长的分析单元长度、较低的车速和较大的初曲率有利于安全.

因此，合理设计高原公路线形，平衡小客车与大客车的行驶安全显性需求并有效控制车速能够提高高原车辆行驶安全.此外在研究中发现，小车的行驶状态安全性评价模型准确度明显低于大车，可能是由于小车驾驶行为受影响因素更多，未来将做进一步研究.