商业车辆主动安全技术的探索：基于报警信息及其他多源数据的在路上行驶风险识别研究

《Acta Astronautica》：An exploration of active safety technologies for commercial vehicles: Research on on-road driving risk identification based on alarm and other multi-source data

多源数据融合驱动的商用车主动安全管理研究。基于驾驶警报、轨迹、驾驶员视频及驾驶记录视频，构建高风险场景识别变量集，经Pearson相关系数与VIF筛选冗余变量后，采用K-原型混合聚类法划分四类风险等级。结合有序Logit模型量化关键变量边际效应，通过SHAP分析揭示风险特征，并借助大语言模型提出三级管理建议，为商用车主动安全系统开发提供"风险识别-分类-控制"理论框架。

　　

徐波|卢健|董春娇

中国东南大学城市智能交通系统江苏省重点实验室，南京 211189

摘要

在事故分析和预防中，被动车辆安全技术确保了驾驶安全的最低限度，而主动安全技术则决定了最高限度。本研究旨在通过识别高风险的道路场景，为商用车辆的主动安全管理提供建议。首先，以常规线路的客运巴士作为研究对象，基于多源数据融合技术，整合了报警数据、报警前5分钟内的车辆轨迹数据、报警前10秒内的驾驶员视频数据以及驾驶记录视频数据，提取关键特征并构建了一个驾驶风险识别变量集。其次，依次使用皮尔逊相关系数和方差膨胀因子（VIF）进行共线性测试，并剔除冗余变量。考虑到变量中包含连续型和离散型异构数据，采用了K-原型混合聚类方法，最终确定了最优的聚类数量（K = 4）。第三，构建了一种“多源异构数据融合–混合变量聚类–有序逻辑回归建模–SHAP可解释性分析”的综合方法。为了探索主动安全技术，本研究尝试根据关键车辆运动学参数将识别的驾驶模式映射到有序风险等级。随后，应用有序逻辑回归模型定量分析显著变量的边际效应。最后，结合聚类结果的变量分布特征和SHAP可解释性分析，系统地描述了四个风险等级的核心特征和关键因素，并在大语言模型（LLMs）的帮助下提出了有针对性的主动安全管理建议。本研究旨在为车辆主动安全研究提供一定的见解，并为商用车辆的动态监控和管理提供参考和建议。

引言

在全球交通系统中，出现了大量的商用车辆以满足人们的出行需求并解决资源分配不平衡的问题（Castillo-Manzano等人，2015年）。在中国，主要服务于乘客出行的商用车辆包括常规线路的客运巴士和旅游巴士，而旨在缓解资源分配不平衡的车辆主要包括危险品运输车辆和重型货物运输车辆。这些车辆在国家经济运输中发挥着重要作用；一旦发生事故，往往会导致大量人员伤亡和难以估量的财产损失（中华人民共和国交通运输部，2019年，2022年）。因此，识别和分析商用车辆的驾驶风险具有重要意义（Wang等人，2025年）。

随着智能交通技术的不断发展，车辆变得越来越智能化。越来越多的实时和准确的车辆运行数据被记录和存储，例如高速公路上的环形检测器传感器数据（Sun等人，2022年）、驾驶辅助系统数据（Naujoks等人，2016年）、UDRIVE数据库（Guyonvarch等人，2020年）、驾驶员监控数据（Lim等人，2025年）以及危险驾驶行为数据（Zhou & Zhang，2019年）。这些数据为预防车辆驾驶风险和事故提供了重要的参考价值。

在驾驶风险和事故预防的研究中，车辆安全系统可以分为被动安全和主动安全。

被动安全可以定义为在事故发生后将伤害降到最低。其核心目标是通过碰撞后的物理结构和保护配置来减少乘员和行人的受伤程度，同时减轻火灾和漏油等次生车辆损害。在商用车辆被动安全的研究中，关键的设计要素包括车内驾驶员和乘客的安全带（Cook等人，2008年，Eby等人，2002年）、安全气囊系统、主动油门踏板（Schneider等人，2021年）和酒精锁定装置（Bjerre & Kostela，2008年）。此外，还采用了高强度材料用于车门防撞梁、车辆A/B/C柱和底盘，以在碰撞过程中尽可能保持结构完整性。除此之外，自动燃油切断装置、自动车门解锁装置和防眩后视镜也都提供了最大限度减少伤害的保障。因此，车辆被动安全技术确保了驾驶安全的最低限度。

主动安全可以定义为在事故发生之前预防事故。其核心目标是在潜在事故的萌芽阶段进行干预：通过车辆配置，帮助驾驶员判断道路状况、纠正操作，甚至主动避免风险，从而从源头上降低碰撞概率。特别是随着自动驾驶技术的不断进步（Jeong & Oh，2017年），强化学习（Fang等人，2025年）等方法的集成使得这些技术的应用更加成熟。首先，早期的系统包括防抱死制动系统（ABS）、自动紧急制动（AEB）（Tan等人，2021年）、高级驾驶辅助系统（ADAS）（Zhou等人，2024年）、自动紧急转向（AES）（Li等人，2025a）和坡道起步辅助系统，确保了车辆行驶轨迹的稳定性，降低了车辆失控的风险。其次，用于环境感知的智能主动安全系统（Li等人，2025b）和早期预警依赖于传感器（摄像头、雷达、超声波传感器）（Xu等人，2025年）来监测车辆周围环境（Habibovic & Davidsson，2012年）。结合碰撞时间（Anis等人，2025年）等参数，它们提供早期风险预警，如前向碰撞预警（Kovaceva等人，2022年），甚至进行主动干预，利用智能交通技术避免风险并确保驾驶安全。第三，辅助系统如自动头灯、停车雷达、虚拟现实技术（Angulo等人，2024年）和驾驶员监控系统（Huang & Huang，2025年）主要解决“不可见”的风险，并在复杂场景中增强道路状况感知能力。因此，车辆主动安全技术决定了驾驶安全的最高限度。

从系统角度来看，只有有效整合被动和主动安全技术，车辆的驾驶安全系统才能更高效地确保驾驶安全。

在事故预防和分析过程中，定量分析风险或事故的能力对交通安全管理具有重要意义。多年来，研究人员使用有序逻辑回归模型（Chen等人，2016年，Zeng等人，2019年）和各种类型的混合逻辑回归模型（Chang等人，2019年，Liu和Fan，2020年）进行了广泛的研究，用于事故因果分析或驾驶风险识别。他们还采用了不同的聚类方法对典型风险场景进行分类（Salehian等人，2023年，Zhou等人，2023年），并在研究中整合了边际效应分析（Hou等人，2022年）或变量异质性分析（Jin等人，2023年）。随着机器学习技术的不断成熟，SHAP值（Samerei & Aghabayk，2024年）和偏依赖图（Sun等人，2024年）等技术被广泛用于解释和分析这些黑箱模型，特别是在需要高准确性和可解释性的场景中。

目前，随着人工智能技术的不断发展，大型模型正在为更智能的交通系统提供支持。其中，大型语言模型（LLMs）在交通安全领域表现出色，因为它们具有出色的数据处理和复杂模式识别能力。关于将多模态大型语言模型与视频数据结合用于事故分析（Zhang等人，2025b）、结合雷达-视频数据进行碰撞风险分类和接管建议（Liu等人，2025年）、分类驾驶员的分心驾驶行为（Zhang等人，2024年）以及研究不同层次自动驾驶车辆的安全性（Ansarinejad等人，2025年，Li等人，2024年，Pan等人，2025年，Zhou等人，2026年）的研究取得了爆炸性增长。通过整合科学研究热点来探索前沿未知领域，对未来交通安全的发展具有积极意义。

总之，本研究尝试通过整合车辆报警数据、轨迹数据、驾驶员视频数据和驾驶记录视频数据来进行数据挖掘并构建变量集。首先，选择适当的变量使用K-原型聚类模型对商用车辆的高风险场景进行聚类分析。随后，为了探索主动安全技术，本研究尝试根据车辆运动学参数（如速度和加速度）将聚类结果映射到有序风险等级，使用有序逻辑回归模型进行定量分析，重点分析显著变量的边际效应。最后，结合聚类的变量分布结果和SHAP方法，从三个维度（驾驶行为、车辆系统和车队管理）提出了有针对性的风险预防和管理建议，并在大语言模型的帮助下生成了这些建议。本研究为构建商用车辆的“风险识别–风险分类–风险控制”主动安全系统提供了宝贵的参考。具体的研究工作流程如图1所示。

部分摘录

数据

事故源于风险，报警数据在某种程度上可以被视为这些风险的替代指标。报警数据包含了2023年3月至2024年3月某一年间100辆常规客运巴士的报警数据。该年度记录了十九种类型的报警数据。如表1所示：

轨迹数据可以与报警数据的发生时间匹配，相关轨迹数据可以根据车辆ID和报警时间进行匹配

K-原型聚类

在对报警数据进行聚类分析之前，考虑到连续变量和离散变量的共存，K-原型聚类模型在处理多类型数据时能够取得良好的结果（Zhang等人，2025a）。

K-原型聚类模型的目标是最小化以下成本函数Eq. (1)：其中 E 是聚类内分散函数，也称为成本函数；L 是预设的聚类数量；N 是总数据量

聚类结果

为了避免变量之间的高相关性导致的多共线性问题，本研究首先对所有连续变量进行了皮尔逊相关系数分析。对于任何一对相关系数 |r| > 0.8 的变量，会剔除高度相关的变量，并保留与该对中其他变量相关系数较低的变量，以最小化关键信息的损失。

在皮尔逊相关系数测试过程中，共

主动安全探索中的“运动学悖论”

这项探索性研究最重要的发现之一是识别出了商用车辆驾驶中的“运动学悖论”。传统的安全分析通常假设驾驶员疲劳与碰撞风险之间存在线性相关。然而，聚类结果（第1层）和有序逻辑回归模型（D₂ 和 V₂ 的负系数）揭示了一个违反直觉的事实：严重的生理疲劳（例如，眼睛闭合）可以与高运动稳定性（A₁ ≈ 0）共存。

CRediT作者贡献声明

徐波：撰写 – 审稿与编辑，撰写 – 原稿，软件，方法论，概念化。卢健：撰写 – 审稿与编辑，监督，资金获取。董春娇：资金获取，数据整理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究由中国国家重点研发计划资助（项目编号：2023YFC3009600）。