驾驶行为识别与评分：一种基于贝叶斯方法的驾驶模拟器数据分析技术

《Accident Analysis & Prevention》：Driving behavior recognition and scoring: A Bayesian approach to driving simulator data analytics

驾驶风格识别框架基于高保真驾驶模拟器数据，通过统计速度、油门、方向盘等特征结合贝叶斯分类器实时建模驾驶风险，实验验证测试集准确率达88%-91%。

　　

Mohammad Pourghasemi|Esmaeil Rezaei|Alireza Ansariyar|Anam Ardeshiri|Mansoureh Jeihani|Mazdak Tootkaboni

马萨诸塞大学达特茅斯分校土木与环境工程系及科学计算与数据科学研究中心，地址：285 Old Westport Rd, North Dartmouth, 02747, MA, USA

摘要

安全是操作商用机动车（CMVs）的关键因素。先进的驾驶辅助系统旨在帮助驾驶员提高驾驶安全性并降低事故风险。本研究提出了一个驾驶风格识别框架，并引入了能够实时建模驾驶员行为风险的统计特征。这些特征包括速度、油门和方向盘等主要方面，以及与交通状况相关的因素。使用全尺寸、高保真的驾驶模拟器生成驾驶数据。将驾驶记录分为不同的组，并使用贝叶斯分类器对训练数据进行处理，以计算属于激进或安全类别的概率。然后在正态性假设下，利用距离均值的距离，将该框架扩展为基于与安全驾驶和危险驾驶边界接近程度提供驾驶评分的系统。最后，通过计算混淆矩阵和AUC来评估该框架的准确性和有效性。实验结果表明，所提出的驾驶风格识别框架在驾驶模拟器数据集的测试部分实现了88%至91%的准确率。

引言

《2018年全球道路安全报告》显示，由于道路事故导致的年死亡人数高达135万，相当于每天约有3700人死亡——相当于全球道路上每24秒就有一人丧生（Peng等人，2021年）。交通事故的原因多种多样且复杂，主要归类为人为因素、车辆因素、道路因素和环境因素（Zhang等人，2018年；Xie等人，2012年；Naseralavi等人，2025a年；Naseralavi等人，2025b年）。然而，最近的研究一致认为人为因素是最关键的（Batishcheva和Ganichev，2018年；Bro?yna，2017年），但也有研究探讨了自动驾驶车辆在真实世界碰撞场景中的行为（Zhou等人，2024年；Abbasi等人，2024年；Samadi等人，2025年）。因此，理解和分析驾驶员的行为（Han等人，2019年；Yang等人，2018年）有望显著提高安全性并减少事故。

由于驾驶员行为和环境的巨大差异，很难确定在不同条件下充分代表驾驶风险的特征（Han等人，2019年）。尽管存在多种因素，研究人员主要考虑了制动（Tang等人，2014年）和油门（Xu等人，2015年）等变量，以及车辆速度（Chu等人，2017年；Wang等人，2025年）、加速度和减速度（Tang等人，2014年；Wang等人，2016年）、抖动（Qin等人，2016年）和燃油消耗（Sunitha等人，2016年）。当特征向量维度较高时，使用主成分分析（PCA）（Peng等人，2021年；Gao和Wüthrich，2019年）等降维技术来提取最重要的协变量并减少维度数量，同时保持信息量；参见Peng等人（2021年）或Gao等人（Sunitha等人，2016年），以及Gao和Wüthrich（2019年），其中PCA和神经网络用于从速度-加速度热图中提取协变量。

驾驶行为，通常定义为驾驶员的惯常驾驶风格，对每个驾驶员来说都是独特的（Elander等人，1993年），并与许多驾驶方面相关，如速度控制、驾驶意识和驾驶技能，这些因素又决定了驾驶安全性（Simons-Morton等人，2015年；Tak等人，2015年；Saiprasert等人，2017年；Yang等人，2025年）。为了识别驾驶风格，研究人员采用了不同的策略。例如，Li等人（2017年）对225名非专业驾驶员进行了标准问卷调查，并应用模糊C均值（FCM）算法来识别驾驶风格类别。Lin Jing（Liu和Sun，2015年）向199名驾驶员分发问卷，研究各种因素与驾驶风格之间的关系，同时使用多维驾驶风格量表和一般决策风格量表等缩放方法。虽然问卷可以提供详细信息，但它们受到驾驶员认知偏见的影响。为了减少主观性，研究人员开始实施车辆运动学分析（Peng等人，2021年；Joubert等人，2016年；Yang等人，2018年；Sun等人，2021年；Guillen等人，2021年；Abbasi和Li，2021年）或监控系统来监测驾驶员行为（Wu等人，2014年）。物理监控记录器通常需要非侵入式摄像头和传感器来检测驾驶员的警觉性生理信号，包括疲劳、分心和受药物影响下的驾驶（Joubert等人，2016年；Ansari等人，2025年）。车载数据记录器（IVDRs）的优势在于它们是可靠的、无偏见的驾驶行为数据来源（Gonzalez等人，2014年；Toledo和Lotan，2006年）。它们还具有成本效益，并能持续测量在路上行驶的行为，而这在其他情况下很难观察到。此外，与手持设备相比，IVDRs由于基于设备姿态的预校准或自动校准，能够更准确地检测极端驾驶事件（Paefgen等人，2012年）。因此，使用IVDRs将驾驶员行为分类为安全和激进类别非常流行；参见Tang等人，2014年；Qin等人，2016年；Thomas等人，2017年；Liu等人，2016年）。

最近也有尝试将驾驶风格识别策略扩展为提供驾驶评分的努力。例如，Han等人（2019年）使用贝叶斯分类器来计算驾驶员属于某个驾驶类别的概率（Han等人，2019年）。然后他们将这些概率之间的差异分为七个区间，不同的值表示不同程度的安全或激进驾驶。同样，Yang等人（2018年）使用贝叶斯分类和假设类别概率之间的差异呈正态分布（Yang等人，2018年）来提供驾驶评分。其他研究探索了不同的分类方法，包括模糊评估方法（Jin等人，2015年）、风险指数方法（Moghaddam和Ayati，2014年）、回归模型（Pande等人，2017年）、决策树和神经网络（Chong等人，2013年）。

仔细研究文献后发现，在使用模拟器数据（Han等人，2019年；Yang等人，2018年；Piri等人，2025年）分析驾驶员行为方面存在空白。最近的研究大多考虑了远程信息处理数据（Joubert等人，2016年；Guillen等人，2021年；Sun等人，2020年；Gao等人，2022年），这些数据提供了高质量且无偏见的驾驶记录。然而，远程信息处理提供的信息通常仅限于车内工具。另一方面，驾驶模拟器数据可以通过精心设计的场景提供大量信息，而这些场景在远程信息处理数据中往往很少见且难以获得（Shechtman等人，2009年；Afshari等人，2025年）。最近关于驾驶行为的研究的另一个局限性是，它们通常使用每组的一组训练数据将驾驶员分类为激进和安全组（Tang等人，2014年；Qin等人，2016年；Thomas等人，2017年；Liu等人，2016年）。这实际上是有悖常理的，因为驾驶员在驾驶过程中行为会突然或逐渐变化，涵盖了从低风险或安全到高风险或激进的广泛范围。

在这项研究中，我们提出了一个驾驶风险识别框架。数据集是在摩根州立大学的安全与行为分析（SABA）中心的全尺寸驾驶模拟器中生成的，包括40名驾驶员在多种场景下的驾驶记录，这些场景包括分心驾驶或紧急驾驶。考虑到驾驶行为不是固定的，可能会在轨迹上从一点变为另一点，因此引入了能够实时建模驾驶风险的统计特征，包括速度、油门和方向盘轮廓等统计信息。将记录分为不同的组，并用于训练贝叶斯分类器，以计算属于激进或安全类别的概率。在正态性假设下，我们将提出的框架扩展为根据与安全驾驶和危险驾驶边界接近程度提供驾驶评分的系统。

本文的结构如下：第2节重点介绍所提出框架的要素，讨论统计技术（贝叶斯估计）和分类方法。第3节提供了实验和数据收集过程的详细信息，第4节深入探讨了用于建模驾驶员行为风险的“工程”特征。第5节展示了结果，包括记录的聚类、基于熵权重和欧几里得距离的贝叶斯分类和评分，以及将所提出的框架应用于驾驶模拟器数据集测试部分的性能演示。最后，第6节总结了研究结果和未来研究的方向。

部分摘录

驾驶行为识别与评分

在本节中，我们详细介绍了我们提出的用于分类驾驶员行为的框架。该框架结合了统计技术，包括聚类和分类来衡量驾驶风险。图1展示了从驾驶模拟器设置开始的步骤。

实验设置和数据收集

如上所述，本研究中使用的数据来自摩根州立大学的安全与行为分析（SABA）中心的全尺寸模拟器中40名驾驶员的驾驶记录；见图4。

根据实验后的问卷调查，参与者群体分布均衡。男性受访者和女性受访者比例相等，其中最大比例为26-35岁的受访者（50%），其次是36-45岁的受访者（30%），46-55岁的受访者（10%），以及

特征选择

Yang等人（2018年）和Han等人（2019年）强调了车辆速度、油门开度和加速度作为识别驾驶员行为风险的关键特征的重要性。我们将车辆的不同部分（如方向盘和油门踏板）视为驾驶员行为的接收器，并选择记录数据中的速度、转向、油门、制动和加速度相关特征作为最能反映驾驶风格的特征。

驾驶数据块的聚类和标记

如上所述，实验设置涉及有控制的路线和预设的交通情况，因此减少了诸如接近碰撞或紧急制动等明确的安全关键事件。因此，无法可靠地获得直接的真实风险标签，我们采用了在驾驶行为建模中广泛使用的方法，即对运动学特征进行无监督学习以识别连贯的驾驶模式。多项研究表明，聚类自然或

结论

我们提出了一个驾驶风格识别框架。使用高保真的全尺寸驾驶模拟器生成了驾驶数据。选择的驾驶路径类似于真实的交通基础设施模型，精心设计的不同驾驶场景和事件使数据集变得多样化。几个与驾驶风险相关的统计特征，包括用户和周围车辆的风险

CRediT作者贡献声明

Mohammad Pourghasemi：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，方法论，调查，形式分析。Esmaeil Rezaei：撰写 – 原始草稿，可视化，软件，形式分析。Alireza Ansariyar：验证，软件，数据管理。Anam Ardeshiri：监督，资源，概念化。Mansoureh Jeihani：监督，资源，项目管理，资金获取。Mazdak Tootkaboni：撰写 – 审稿与编辑，监督，项目

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

作者感谢美国交通部和联邦汽车运输安全管理局（FMCSA）的财政支持（资助编号：69A3602240993MHP0MD）。