风险驾驶行为识别及干预研究综述

李艳 刘文超 尤志栋

摘 要：驾驶人的风险行为已成为交通事故的主要致因。识别风险驾驶行为并进行干预对提高道路交通安全水平具有重要意义，因此本文从风险驾驶行为识别、干预方法以及干预效果评估三方面对国内外研究进行综述。通过车载数据记录设备或智能手机进行数据采集，基于规则或机器学习算法识别风险行为，基于规则的识别方法简单易理解，但各研究中设定的阈值并不一致，机器学习算法的识别效果相对更优。行为干预分为非实时干预和实时干预两种，其中非实时干预包括安全教育和奖惩手段，部分研究采取两种组合的干预方案。研究表明，两种干预方式均对减少风险驾驶行为或降低危险事件率有一定的效果，但效果的大小、持续性有所不同。此外，不同干预方法效果不同，同样的干预方法对不同的驾驶人、风险行为的干预效果也存在差异。

关键词：驾驶行为；行为数据采集；风险行为识别；行为干预；效果评估

Review of risk driving behaviorsidentification and intervention

LI Yan1， LIU Wenchao1， YOU Zhidong2

（1.Beijing Xiaoju Technology Co.， Ltd.， Beijing 100193，China； 2. The Key Laboratory of Ministry of Public Security of Road Traffic Safety， Wuxi 214151，China）

Abstract： The risk behavior of drivers has become the main cause of traffic accidents. Identifying and intervening risky driving behaviors are of great significance for improving road traffic safety. This paper reviews the research at home and abroad in terms of risk driving behavior identification， intervention methods， and intervention effectsevaluation. Data is collected through in-vehicle data recorder or smartphones， and risk behaviors are identified based on rules or machine learning algorithms. Rulesbased identification methods are simple and easy to interpret， but the thresholds set in various studies are not consistent， and the recognition effect of machine learning algorithms is relatively more excellent. Behavioral intervention is divided into non-realtime intervention and real-time intervention. Among them， non-real-time intervention includes safety education and reward and punishment methods. Some studies have adopted two combined intervention schemes. Studies have shown that both interventions have certain effects on reducing risky driving behavior or reducing the rate of safety related incidents， but the magnitude and persistence of the effects are different. In addition， different intervention methods have different effects， and the same intervention methods have different effects on different drivers and risk behaviors.

Keywords： Driving behavior； behaviordata collection； risk behavior identification； behavior intervention； effect evaluation

基金項目：道路交通安全公安部重点实验室开放课题基金资助，驾驶风险在线监测评价方法与干预技术研究（2019ZDSYSKFKT02-1）

驾驶人的风险行为已成为道路交通事故的主要致因。2018年，全国因机动车驾驶人违法行为造成的事故死亡人数占88.19%，其中未按规定让行、酒后驾驶、超速行驶、未与前车保持安全距离肇事死亡人数分别占11.23%、6.82%、6.72%和4.30%[1]。因此，减少驾驶人行车过程中的风险行为，对提高道路交通安全水平具有重要意义。

研究表明，驾驶行为的影响因素分为三类：个体差异、暂时性能力损失、认知与社会心理因素[2]。个体差异，指由于年龄、性别、驾驶经验与技能、个性与态度等不同，驾驶人呈现出不同的行为表现；暂时性能力损伤，指某些因素导致驾驶人出现暂时性的行为能力损伤，如酒后驾驶、疲劳驾驶等；认知与社会心理因素包括驾驶人注意力集中度、情绪与感觉和社会心理因素，如使用手机、路怒、有无监督等。此外，驾驶人受时空上或经济上的利益驱使，在明知有风险的情况下依然可能做出不安全驾驶行为。风险平衡理论认为，驾驶人总是不断地调整自身的驾驶行为，从而在自己可接受的风险水平下获得时空上或经济上的利益。风险阈限模型则认为只有当驾驶人的感知风险度超过了阈限时，驾驶人才改变其行为[3]。

基于驾驶行为的影响因素分析，学者们从驾驶技能、安全意识、风险感知、驾驶人心理等方面开展了风险驾驶行为干预方法的研究，包括驾驶人安全操作培训、安全宣传教育、奖惩措施、实时风险警告提醒等手段，并通过实验验证其效果。因此，本文对国内外风险驾驶行为干预的相关研究进行综述，包括风险驾驶行为识别方法、行为干预方法、干预效果评估三部分。

1 风险驾驶行为识别方法

1.1 驾驶行为数据采集

驾驶模拟器和自然驾驶数据采集技术是两种主要的驾驶行为采集手段。驾驶模拟器是一种虚拟现实仿真设备，驾驶人通过模拟器的操作部件与虚拟的交通环境进行交互，驾驶模拟器实验具有场景可控、可重复等特征，且能够方便地采集驾驶人的生理信号，如脑电、眼动数据。自然驾驶数据采集技术则是通过各类传感器和移动智能终端对车辆日常运行过程中的数据进行采集，场景真实且多样化，采集的数据更贴近驾驶人的真实驾驶状态。

已有研究与应用中，自然驾驶行为数据的采集设备主要分为车载数据记录设备和智能手机。车载数据记录设备是指GPS监控设备、车载诊断系统、自适应巡航控制系统等安装在车辆上的设备[4]。Mobileye属于一种交互式的车载数据记录设备，可以定期报告驾驶人的行为，也可以在驾驶过程中实时提供声音和灯光的提醒[5]。一些大型运输企业在车辆上安装了基于GPS和北斗等卫星定位系统技术、GIS技术的运行监控系统，用于识别驾驶人一些异常驾驶行为并进行提醒。智能手机的快速普及与应用，为自然驾驶行为数据采集提供了便利[6-7]。手机上配备的加速度、陀螺仪、GPS、摄像头等多种传感器，可以用于识别和监控驾驶人的行为，包括超速、加减速、刹车、变道、转弯、使用手机、疲劳驾驶等。

1.2 风险驾驶行为识别

驾驶行为与事故风险的关联性一直是研究的重点，常用的驾驶安全性评价指标包括急加速、急刹车、急转弯、急变道等接近碰撞事件。此外，超速行驶、疲劳驾驶、分心驾驶等行为也容易导致交通事故，是驾驶安全研究的重点。

基于规则的识别方法是最为常见的风险驾驶行为识别方法，其核心在于设定阈值。当检测到速度、加速度、角速度等参数超过设定的阈值时，即判定为出现风险驾驶行为。超速是指速度超过道路标明的限速或者营运公司规定的阈值速度。急刹车是日常驾驶中最频繁的风险行为，可以定义为减速度超过0.4g，急加速则被定义为加速度超过0.4g，急转弯定义为转弯时横向加速度超过0.4g[8]。在McGehee等[9]的研究中，急加速和急刹车的阈值取0.5g，急转弯的阈值取0.55g。研究表明安全变道的平均时间为5至6秒[10]，急变道是指车道变更持续时间较短的行为[11]。

除此之外，机器学习算法在风险驾驶行为识别方面应用越来越多，尤其是基于模糊逻辑[7，12]和动态时间规整的识别方法[13-15]。Castignani等[7]提出了基于模糊逻辑的驾驶行为分析方法，根据智能手机传感器采集的数据，将驾驶行为分为正常、温和以及激进三个等级。Saiprasert等[15]提出了基于动态时间规整的模式匹配算法检测风险驾驶行为，将70%的样本数据作为训练集，30%作为测試集，发现该算法优于基于规则的识别方法。Ferreira等[16]比较了人工神经网络、支持向量机、随机森林和贝叶斯网络四种机器学习算法的识别效果，随机森林在急转弯、急加速和急刹车识别方面表现最优，其次人工神经网络在急变道识别方面优于随机森林。

疲劳驾驶的识别方法相对多样化，包括基于车辆操控行为、车辆运行状态、生理信息、机器视觉等方法。车辆操控行为是指驾驶人对方向盘的操控，Mortazavi等[18]发现，驾驶人对方向盘的操控能力在疲劳状态下会明显下降，通过检测方向盘的操作信息，能够实现对疲劳驾驶的判别。车辆运行状态是指偏离车道、异常转向以及异常加速等行车状态，Friedrichs[19]提取车辆横向位置指标，利用神经网络算法建立监测模型，该模型识别精度达到了84%。基于生理信息的识别方法中，采用的心理指标包括脑电信号[20]、心电信号[21]和肌电信号[22]等，Patel等[21]以心率变异性作为特征参数，构建神经网络模型对疲劳驾驶进行识别，准确率达到90%。基于机器视觉的识别方法是通过图像识别设备捕捉驾驶人头部、面部等变化来识别，包括闭眼情况[23]、眼睛注视方向[24]、头部位置[25]、打哈欠[26]等。

2 行为干预方法

2.1 非实时干预方法

非实时干预方法是指基于采集的风险驾驶行为数据，对驾驶安全性进行评价，开展针对性安全教育或通过奖惩等激励手段，以达到改善风险驾驶行为的目的。

2.1.1 安全教育

开展安全教育是较为常见的非实时行为干预方法。安全教育的材料主要包括直观材料和间接材料两种类型。直观材料包括视频、照片等直接记录了驾驶人风险驾驶行为的材料，能够使驾驶人直观地观看风险驾驶行为引发危险交通事件的过程。间接的教育材料是指通过行为观测和分析后，制作的分析报告、警告信等材料，材料没有直接展示危险交通事件的发生过程，但是描述了驾驶人风险驾驶行为的特点，并提出了针对性的改善建议。

Hickman和Hanowski[27-28] 以及Hickman等[29]利用车载安全监控系统对营运驾驶人的危险交通事件和风险驾驶行为数据进行采集，当营运企业的管理者认为有必要的时候，使用视频材料对驾驶人进行安全教育，频率不固定。Bell等[30]的研究中，首先根据风险驾驶行为对驾驶人进行评级，管理者每周对风险最高的驾驶人（3级和4级）基于视频片段进行一对一的教育。同济大学王雪松等[31]与营运企业合作，采集货运驾驶人行为数据，提取风险驾驶行为视频片段并制作分析报告，分别采取面对面分析行为视频片段、电话讲解行为分析报告的方式进行驾驶人安全教育。Toledo和Lotan[32]在干预期让驾驶人登录网站查看自己的风险行为视频片段、分析报告，同时也能查看所有驾驶人的平均风险水平。

然而，McGehee等[9，34]的研究表明，干預期间危险驾驶人的平均危险事件率有了明显的下降，安全驾驶人则没有显著变化，在40周后停止干预，接下来的8周内继续观察驾驶人的风险行为，发现危险事件率与干预期相比没有明显变化。Toledo和Shiftan[40]基于干预前的驾驶行为数据，将驾驶人分为安全、中等、危险三个等级，发现两周一次的干预对安全和中等水平的驾驶人行为没有影响，但危险驾驶人的危险事件率明显降低。Choudhary等[41]基于保险公司采集的驾驶行为数据进行研究，驾驶人会在行程结束后收到本次行程的评分、累计评分和所能享受的保险折扣信息，结果表明，该干预措施对改善风险驾驶行为没有积极的作用，但驾驶人收到低评分时，短期内驾驶行为会有所改善。

此外，不同干预方法的效果也存在差异。Bell等[30]对比了两种干预策略的效果，发现仅进行实时干预，驾驶人的风险行为频率较干预前有所下降，但与对照组（无干预）相比下降并不显著，另一组采取的是实时干预加定期安全教育的干预方法，风险行为频率较对照组有显著的下降。同样的干预方法对于不同风险行为的效果也不同。Kim等[36]发现，经过安全教育后，驾驶人的急加速、急转弯、急减速行为均有所减少，其中急加速行为下降速度最快。Mcgehee等[9]的研究中，发现干预对急转弯行为有改善作用，但是驾驶人的急刹车行为并没有明显下降。

4 结论

车载数据记录设备和智能手机是当前主流的自然驾驶行为数据采集设备，其中车载数据记录设备一般应用于运输企业的车辆，智能手机更多地应用于私家车，驾驶人只需在手机上安装相应的应用程序，即可采集数据，也能通过视听的方式进行实时的交互。

风险驾驶行为的识别方法呈现多样化，包括基于规则的识别方法与基于机器学习算法进行识别。基于规则的识别方法简单易理解，但各研究中设定的阈值并不一致，机器学习算法的识别效果相对更优。

行为干预方法分为非实时干预和实时干预两种，其中非实时干预包括安全教育和奖惩手段，多数研究中采取非实时和实时组合的干预方案。多数研究表明，两种干预方式均对减少风险驾驶行为或降低危险事件率有一定的效果，但效果的大小、持续性有所不同。此外，不同干预方法效果不同，同样的干预方法对不同的驾驶人、风险行为的干预效果也存在差异。

参考文献

[1] 公安部交通管理局.道路交通事故统计年报[M].2018.

[2] 段冀阳，李志忠. 风险驾驶行为影响因素的研究综述[J]. 人类工效学，2013（02）：88-93.

[3] 杨京帅. 预防道路交通事故的驾驶行为干预技术分析[J]. 人类工效学，2005（03）：40-42.

[4] Zhang C ， Patel M ， Buthpitiya S ， et al. Driver Classification Based on Driving Behaviors[C]// International Conference on Intelligent User Interfaces. ACM， 2016.

[5] Albert G ，Musicant O ， Lotan T ， et al. Evaluating Changes in the Driving Behavior of Young Drivers A Few Years After Licensure Using In-Vehicle Data Recorders[C]// Driving Assessment Conference. 2017.

[6] Arroyo C ，Bergasa L M ， Romera E . Adaptive fuzzy classifier to detect driving events from the inertial sensors of a smartphone[C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems （ITSC）. IEEE， 2016.

[7] CastignaniG ，Derrmann T ， Frank R ， et al. Driver Behavior Profiling Using Smartphones： A LowCost Platform for Driver Monitoring[J]. IEEE Intelligent Transportation Systems Magazine， 2015， 7（1）：91-102.

[8] Bergasa L M ， Daniel Almería， Javier Almazán， et al. DriveSafe： an App for Alerting Inattentive Drivers and Scoring Driving Behaviors[C]// IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2014.

[9] Mcgehee D V ， Raby M ， Carney C ， et al. Extending parental mentoring using an event-triggered video intervention in rural teen drivers[J]. Journal of Safety Research， 2007， 38（2）：215-227.

[10] Toledo T， Zohar D. Modeling duration of lane changes[J]. Transportation Research Record， 2007， 1999（1）： 71-78.

[11] Levi-Bliech M， Kurtser P， Pliskin N， et al. Mobile apps and employee behavior： An empirical investigation of the implementation of a fleet-management app[J]. International Journal of Information Management， 2019， 49： 355-365.

[12] Araujo R， Igreja A， de Castro R， Araujo RE. Driving coach： A smartphone application to evaluate driving efficient patterns. In： Intelligent Vehicles Symposium （IV）， 2012 IEEE； 2012. p. 1005-1010.

[13] Johnson DA， Trivedi MM. Driving style recognition using a smartphone as a sensor platform. In： Intelligent Transportation Systems （ITSC）， 2011 14th International IEEE Conference on； 2011. p. 1609-1615.

[14] Eren H， Makinist S， Akin E， Yilmaz A. Estimating driving behavior by a smartphone. In： Intelligent Vehicles Symposium （IV）， 2012 IEEE； 2012. p. 234-239.

[15] Saiprasert C， Thajchayapong S， Pholprasit T， Tanprasert C. Driver behaviour profiling using smartphone sensory data in a V2I environment. In： Connected Vehicles and Expo （ICCVE）， 2014 International Conference on； 2014. p. 552-557.

[16] Ferreira J ， Carvalho E ， Ferreira B V ， et al. Driver behavior profiling： An investigation with different smartphone sensors and machine learning[J]. Plos One， 2017， 12（4）：1-16.

[17] You C W ， Montes-De-Oca M ， Bao T J ， et al. CarSafe： A driver safety app that detects dangerous driving behavior using dual-cameras on smartphones[C]// Proceedings of the 2012 ACM Conference on Ubiquitous Computing. ACM， 2012.

[18] EskandarianA ， Mortazavi A . Evaluation of a Smart Algorithm for Commercial Vehicle Driver Drowsiness Detection[C]// Intelligent Vehicles Symposium， 2007 IEEE. IEEE， 2007.

[19] Friedrichs F，Yang Bin. Drowsiness monitoring by steering and lanedata based feathers under real driving conditions[C]//18th European SignalProcessing Conference，Aalborg，2010：23 27.

[20] Lal S K L ， Craig A ， Boord P ， et al. Development of an algorithm for an EEG-based driver fatigue countermeasure[J]. Journal of Safety Research， 2003， 34（3）：321-328.

[21] M.Patel，S.K.L.Lai et al. Applying neural network analysis on heart ratevariability data to assess driver fatigue[J]. Expert Systems withApplications，2011，38（6）：7235-7242.

[22] HostensI ， Ramon H . Assessment of muscle fatigue in low level monotonous task performance during car driving[J]. Journal of Electromyography and Kinesiology， 2005， 15（3）：0-274.

[23] Albu A B ，Widsten B ， Wang T ， et al. A computer vision-based system for real-time detection of sleep onset in fatigued drivers[C]// Intelligent Vehicles Symposium， 2008 IEEE. IEEE， 2008.

[24] Batista J. A Drowsiness and Point of Attention Monitoring System forDriver Vigilance[C]//Intelligent Transportation Systems Conference ，2007.ITSC 2007. IEEE. IEEE，2007：702 - 708.

[25] Lee D，Oh S，Heo S，et al. Drowsy Driving Detection Based on theDrivers Head Movement using Infrared Sensors[J]. in Proceedings of the2nd International Symposium on Universal Communication，2008：231-236.

[26] Fan X ， Yin B C ， Sun Y F . Yawning Detection for Monitoring Driver Fatigue[C]// International Conference on Machine Learning & Cybernetics. IEEE， 2007.

[27] Hickman J， Hanowski R. Evaluating the safety benefits of a low-cost driving behavior management system in commercial vehicle operations[R]. Washington D.C： Federal Motor Carrier Safety Administration，2009.

[28] Hickman J， Hanowski R. Use of a video monitoring approach to reduce at-risk driving behaviors[J]. Transportation Research Part F，2011，14： 189-198.

[29] Hickman J， Hanowski R， Ajayi O. Evaluation of an onboard safety monitoring device in commercial vehicle operations [C]. The Fifth International Driving Symposium on Human Factors in Driver Assessment， Training and Vehicle Design，2005.

[30] Bell J L ， Taylor M A ， Chen G X ， et al. Evaluation of an in-vehicle monitoring system （IVMS） to reduce risky driving behaviors in commercial drivers： Comparison of in-cab warning lights and supervisory coaching with videos of driving behavior[J]. Journal of Safety Research， 2017， 60：125-136.

[31] Wang X ， Xing Y ， Luo L ， et al. Evaluating the effectiveness of Behavior-Based Safety education methods for commercial vehicle drivers[J]. Accident Analysis & Prevention， 2018， 117：114-120.

[32] Toledo T， Lotan T. In-vehicle data recorder for evaluation of driving behavior and safety[J]. Transportation Research Record， 2006， 1953（1）： 112-119.

[33] 王罡. 基于UBI的車辆个性化保险费率厘定模式研究与应用[D].中国科学院大学，2017.

[34] Mcgehee D V ， Carney C ， Raby M ， et al. The impact of an event-triggered video intervention on rural teenage driving [C]. Fourth International Driving Symposium， 2007.

[35] Levick N， Swanson J. An optimal solution for enhancing ambulance safety： implementing a driver performance feedback and monitoring device in ground emergency medical service vehicles[C]. 49th annual proceedings Association： For The Advancement of Automotive Medicine， 2005.

[36] Kim D， Lee C， Park B J. Use of digital tachograph data to provide traffic safety education and evaluate effects on bus driver behavior[J]. Transportation research record， 2016， 2585（1）： 77-84.

[37] Toledo T， Musicant O， Lotan T. In-vehicle data recorders for monitoring and feedback on driversbehavior [J]. Transportation Research Part C， 2008，16： 320-331.

[38] 罗楝，王雪松，余荣杰，等.营运驾驶人行为安全教育效果研究[J]. 中国安全科学学报，2016，26（9）：124-128.

[39] Musicant O， Lotan T， Toledo T. Safety correlation and implications of an in-vehicle data recorder on driver behavior [C]. Washington D.C： Transportation Research Board Annual Meeting，2007.

[40] Toledo G， Shiftan Y. Can feedback from invehicle data recorders improve driver behavior and reduce fuel consumption？[J]. Transportation Research Part A： Policy and Practice， 2016， 94： 194-204.

[41] Choudhary V， Shunko M， Netessine S. Does Immediate Feedback Make You Try Less Hard？ A Study of Automotive Telematics[J]. 2019.