基于轨迹数据的车辆超速行为识别方法研究

摘要 车辆超速行为是造成交通事故的主要原因之一，严重影响交通安全，目前主要通过固定速度阈值对车辆超速行为进行识别。文章利用GPS数据获取较为便捷，且能够贯穿车辆整个行驶时段的特点，提出了一种基于轨迹数据的车辆超速行为识别方法。首先，对使用的GPS轨迹数据进行了分析，对数据进行了预处理。其次，利用处理后的数据，以研究区域内的瞬时超速事件为对象，在结合GPS轨迹点所在时间信息数据及车辆超速事件界定规则的基础上，筛选出道路持续超速行为的发生情况，最后通过分析持续超速行为的时间分布情况得到超速行为的常发时段，并提出了相应的治超措施。结果表明，上述方法可以有效地识别出车辆的持续超速行为，对交通管理部门进行道路安全监督管理具有一定意义。

关键词 交通安全；轨迹数据；超速行为

中图分类号 U495 文献标识码 A 文章编号 2096-8949（2024）22-0001-03

0 引言

近年来，交通事故一直是影响人们生命和财产安全的主要原因之一，超速驾驶是导致交通事故的一个重要因素。驾驶人的驾驶行为，特别是超速驾驶，直接影响道路交通安全，通过相关策略方法规范驾驶人的驾驶行为是保障道路交通安全的重要举措之一。

目前，相关领域对驾驶人的驾驶行为做了较多研究，在超速驾驶方面，主要通过超速执法和车辆管理两个方面进行超速干预。超速执法是通过安装的抓拍、测速等设备对车辆进行监控；而车辆管理则是通过在车辆本身设置相应的测速装置，全程监控车辆的行驶速度，在车辆超速时，对驾驶员作出相应的预警提示。由于车辆超速管理机制并不健全，以及超速执法不能全程监控车辆，所以一些学者利用车辆驾驶过程中产生的自然驾驶数据进行超速驾驶行为的识别。任慧君等人[1]利用GPS轨迹数据对车辆驾驶安全性进行了分析，从轨迹数据中提取了超速、急加减速等行为，对驾驶安全性进行了评估；Guo等人[2]利用混合无监督深度学习模型识别车辆的超速驾驶行为；李开放等人[3]利用k-means算法和高斯混合聚类算法对驾驶数据进行聚类，利用BP神经网络对聚类结果进行了训练，最终实现了超速行为识别；许佳鑫[4]通过分析海量轨迹数据，建立危险驾驶行为识别算法，对超速、急加减速等八个不良驾驶行为进行量化，同时还对危险驾驶行为的发生频率进行分析；惠飞等人[5]利用GPS数据特征构建车辆驾驶行为特征，包括时间、速度、转向角等，并利用以上集中特征对现有车辆GPS轨迹数据进行聚类分析，提出了一种基于GPS轨迹数据的车辆驾驶员异常驾驶行为检测方法，得到了局部异常驾驶行为的检测结果，该方法能够准确判断待测车辆典型的驾驶错误行为。

综上所述，基于GPS数据的车辆超速行为识别方法的相关研究侧重于对驾驶人的驾驶行为进行分类识别，一部分学者利用GPS超速数据进行了聚类分析，得到研究区域的车辆超速规律。该文利用GPS轨迹获取成本低廉及便捷的优势，提出了一种基于轨迹数据的车辆超速行为识别方法，该方法结合车辆GPS轨迹数据、超速事件界定规则及行车轨迹所在的时间等信息，识别并筛选出车辆在行驶过程中的超速行为，为后续交通管理部门进行交通管理提供一定的参考依据。

1 基于轨迹数据的车辆超速行为识别方法

1.1 超速事件判定方法

超速驾驶通常是指驾驶员在行驶过程中，车速超出法定的道路限速值。这种行为可以分为两类：一种是瞬时超速行车，通常发生在车辆突然加速的时候，例如超车，持续时间比较短；另一种是持续超速，即车辆在一段时间内持续超过限速值的行驶。目前对于超速驾驶行为的识别，主要通过设置相应速度阈值判断车辆是否发生超速行为，该方法可能会导致一些瞬时超速行为被识别为超速行为，如短时间内的超车行为，也有可能导致一些超速行为无法被识别出来，所以该文将连续两个及以上轨迹点均超速的轨迹序列视为超速行为。如图1所示，在一条完整的行驶轨迹中，如果只有一个轨迹点发生超速，且前后轨迹点都在正常的速度范围内，则将该点视为瞬时超速行为；如果前后连续出现两个或以上的超速轨迹点，则将其视为持续超速行为。

1.2 超速行为识别流程

该文的超速研究主要分为两个方面，首先是瞬时超速行为的提取，其次是持续超速行为的判定，具体识别流程如图2所示。

基于轨迹数据的车辆超速行为识别方法的具体内容如下：

（1）瞬时超速轨迹点识别。将GPS轨迹点速度与所在道路速度限速阈值进行对比，得到车辆的瞬时超速行为；

（2）持续超速轨迹点识别。（1）中识别出来的超速轨迹点为瞬时超速数据，利用连续两个及以上的轨迹点均超过道路速度限速阈值的方法，将持续超速轨迹点提取出来；

（3）持续超速行为统计。统计（2）中被识别为超速的轨迹点数量，再将（2）中识别出来的持续超速行为的附属信息提取出来，主要包括车辆编号、时间、经纬度等；

（4）持续超速行为的时间分布情况。通过统计分析一天中各个小时的超速次数，分析该区域的超速时间分布情况。

识别超速行为的关键步骤包括以下几个方面：（1）数据预处理；（2）道路速度限速阈值；（3）瞬时超速行为识别；（4）超速事件判定方法；（5）持续超速行为识别；（6）超速驾驶行为数量统计。

2 基于轨迹数据的车辆超速行为识别方法算例验证

2.1 数据介绍及预处理

该文使用的数据分别是GPS轨迹数据和地图数据。GPS轨迹数据是某地区33辆出租车的12万条GPS轨迹数据，数据的时长为24 h，数据内容包括车辆编号、时间、经度、纬度、速度等，分布在该地区的15条道路上。地图数据包含了大量的地理空间信息，是交通行业研究道路问题的重要工具，也是后续进行GPS数据处理的参照依据。该文是从OpenStreetMap平台中获取的地图数据，OpenStreetMap是一个开源地图。

虽然定位技术在不断发展，但是由于交通拥堵、信号管控和站点停留等原因造成短时间停留或在有建筑物遮挡的区域进行移动时，收集到的数据将出现短时间的数据空白区。数据的漂移主要发生在高架桥等有建筑物遮挡或外界信号干扰较为严重的地方，需要通过不同的方法对缺失数据进行填补，对漂移数据进行修正。

（1）缺失数据插补。在数据缺失问题中，该文的GPS轨迹点缺失属于随机缺失，利用线性插补的方法进行数据插补，这种方法操作简单，可以快速地处理数据。首先将GPS轨迹点中不合理的数据剔除，该文使用的GPS轨迹数据的时间间隔为15 s，所以将两轨迹点间时间间隔超过15 s的数据认定为缺失数据，然后利用线性插值的方法进行缺失数据的插补。假设缺失点相邻的两个轨迹节点分别为（xm，ym）和（xn，yn），则缺失点的数值y的计算方法如公式（1）所示：

y= x−xn " "xm−xn ym+ x−xm " "xn−xm yn （1）

式中，x、y——缺失插值点的数值；xm、ym——缺失点相邻节点1的数值；xn、yn——缺失点相邻节点2的数值。

对于大量的数据缺失，缺失时间较大可能是由设备故障或数据传输异常导致，这部分数据的研究可行性较低，插补意义较小，所以将这部分数据剔除，防止其影响后续的识别。

（2）漂移数据处理。将GPS轨迹点导入路网中会发现有部分轨迹点偏离路段，与实际行驶路线不符，漂移的数据会影响后续轨迹速度与路段限速阈值的比较。该文利用地图匹配方法进行漂移数据的处理，主要通过漂移轨迹段与路段之间的几何关系，将漂移点匹配到正确的路段上，该方法的思路如下：

首先构建待匹配路段库，该文使用的路段库为研究区域内的15条道路，通过计算漂移轨迹点到待匹配路段的距离及角度，得出其基本概率分配情况，最后将漂移点的位置信息用投影点的信息进行替换，并填补到数据表中。

2.2 基于轨迹数据的超速行为识别

首先按照上述方法进行缺失数据和漂移数据的处理，并统计每条路段的道路限速阈值，然后将获取的GPS轨迹点数据对应到不同的路段上，将每个GPS轨迹点的速度与当前道路限速阈值进行比较，得到车辆的全部瞬时超速行为，具体见表1所示。由于瞬时超速数据不能很好地体现车辆的车速行为，所以还需要进一步研究车辆的持续超速数据。

利用将连续两个及以上的超速轨迹点视为持续超速行为的方法，对筛选出来的瞬时超速行为进行识别，共识别出8 471起超速事件，具体数据见表1所示，持续超速行为与瞬时超速行为对比情况如图3所示。

从表1中可以看出，与第一次识别出来的瞬时超速数据相比，持续超速行为筛选掉了大概30%的瞬时超速数据。相较于最原始的基于速度阈值的方法，该文的方法对最终超速行为的识别起到了一定的筛选作用。

2.3 超速行为分布

为了对后续超速行为的结果进行进一步分析，该文从时间维度对筛选出来的持续超速行为进行分析，以一个小时为时间节点，将时间研究区域分为24个节点，可以得到研究区域内的超速行为分布情况，如表2所示：

从持续超速事件的时间分布可以看出，研究区域内的超速行为主要分布在晚上11点至凌晨2点，交通管理部门可以在这个时间段加大交警巡逻力度，对该区域进行实地考察，分析观察该地段出现交通违法行为的原因，比如是否存在道路交通标志标线的缺失、损坏等现象，可在该地设置典型的移动式超速抓拍设施，此外还可以考虑在研究区域张贴反超速标语等措施。

3 结论

在交通领域，车辆超速行为对社会安全造成了极大影响。该文从车辆行驶过程中产生的GPS轨迹数据，进行车辆的超速行为研究，通过将相邻两个及以上的轨迹点均超速的数据识别为持续超速行为，筛选了基于固定速度阈值方法识别出的瞬时超速行为，能够避免将车辆因超车等因素造成的瞬时超速行为识别为持续超速行为，并分析了超速行为的常发时段，相关管理部门可以在这个时间段加大管理力度。

参考文献

[1]任慧君，许涛，李响.利用车载GPS轨迹数据实现公交车驾驶安全性分析[J].武汉大学学报（信息科学版），2014（6）：739-744.

[2]Guo J， Liu Y， Zhang L， et al. Driving behaviour style study with a hybrid deep learning framework based on GPS data[J]. Sustainability， 2018（7）：2351.

[3]李开放，刘忠涛，柏兴涛，等.基于k-means聚类和神经网络的超速行为识别研究[J].安徽建筑大学学报，2022（6）：83-88+102.

[4]许佳鑫.基于轨迹数据的“两客一危”车辆驾驶行为安全评价研究[D].石家庄：石家庄铁道大学，2023.

[5]惠飞，彭娜，景首才，等.基于凝聚层次的驾驶行为聚类与异常检测方法[J].计算机工程，2018（12）：196-201.

收稿日期：2024-09-02

作者简介：崔怀煜（1978—），男，本科，研究方向：交通执法。

基金项目：道路交通安全公安部重点实验室开放课题“多源信息融合的危化品运输车辆异常驾驶行为识别与预警”（2023ZDSYSK FKT06）；国家级大学生创新训练计划项目“基于视频检测的高速公路抛洒物识别及预警系统研究”（202310755044）。