《Infrastructures》：Evaluating Risky Driving Behavior Using a Naturalistic Driving Dataset: A Hybrid Modelling Approach
编辑推荐：
驾驶员行为是道路安全的关键因素，导致了大多数交通事故。i-DREAMS项目引入了安全容忍区（Safety Tolerance Zone, STZ）的概念，通过实时和行程后干预来增强驾驶安全。本研究开发并评估了三种混合机器学习模型——（i）深度神经网络-随机森林
驾驶员行为是道路安全的关键因素，导致了大多数交通事故。i-DREAMS项目引入了安全容忍区（Safety Tolerance Zone, STZ）的概念，通过实时和行程后干预来增强驾驶安全。本研究开发并评估了三种混合机器学习模型——（i）深度神经网络-随机森林（Deep Neural Network–Random Forest, DNN-RF），（ii）卷积神经网络-长短期记忆（Convolutional Neural Network–Long Short-Term Memory, CNN-LSTM），以及（iii）循环神经网络-自适应提升（Recurrent Neural Network–AdaBoost, RNN-AdaBoost）——利用来自比利时和英国的自然驾驶数据将危险驾驶行为分为三个安全等级。数据集包括69名驾驶员、15,389次行程和265,512分钟的驾驶数据。在测试的模型中，DNN-RF模型表现出最高的准确率，在比利时达到98%，在英国达到97%，优于其他方法。特征重要性分析确定了急加速和急刹车是比利时最关键的因素，而总行程距离和急加速在英国占主导地位。为了增强模型透明度，研究人员应用了局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations, LIME）算法，为模型预测提供了有价值的见解。研究结果支持混合深度学习模型通过准确检测危险驾驶行为来改善道路安全的潜力。这些见解可以为有针对性的干预措施和驾驶员辅助技术提供信息，以减轻碰撞风险并促进更安全的驾驶实践。
道路运输是现代交通的基础，但也带来严重的安全问题。全球每年约119万人死于交通事故，其中90–95%的碰撞由驾驶员因素导致，危险驾驶行为如超速、突然变道、分心、疲劳等显著增加风险。现有机器学习模型在检测危险驾驶方面取得进展，但深度学习模型常因“黑箱”特性缺乏可解释性，限制了其在安全关键领域的应用。此外，驾驶员行为受认知、环境和基础设施因素复杂交互影响，需要整合多种变量。本研究旨在利用自然驾驶数据，通过开发混合机器学习模型，同时提升分类准确性和可解释性，以支持实时干预和道路安全政策。
研究人员利用欧洲Horizon 2020 i-DREAMS项目收集的自然驾驶数据集，该数据集包含比利时（54名驾驶员，3100次行程，48,688分钟）和英国（26名驾驶员，2200次行程，37,600分钟）的驾驶数据，排除未标记间隔后共获得90,424个比利时标记间隔和71,267个英国标记间隔。基于安全容忍区（Safety Tolerance Zone, STZ）概念，将每个30秒间隔的驾驶行为划分为正常（Normal）、危险（Dangerous）和可避免事故（Avoidable Accident）三个等级。研究人员开发了三种混合模型：深度神经网络-随机森林（Deep Neural Network–Random Forest, DNN-RF）、卷积神经网络-长短期记忆（Convolutional Neural Network–Long Short-Term Memory, CNN-LSTM）和循环神经网络-自适应提升（Recurrent Neural Network–AdaBoost, RNN-AdaBoost）。通过80/20划分训练集和测试集，采用合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）处理类别不平衡，评估指标包括准确率、精确率、召回率、假阳性率（False Positive Rate, FPR）和F1分数。同时应用局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations, LIME）算法增强模型透明性。研究得出主要结论：DNN-RF模型在比利时和英国均表现最佳，准确率分别达98%和97%。特征重要性分析显示，在比利时急加速和急刹车是最关键预测因子，而在英国总行程距离和急加速占主导地位。LIME分析揭示了这些区域差异的驱动因素。该研究证明了混合深度学习模型在准确检测危险驾驶行为方面的潜力，可为针对性干预和驾驶员辅助技术提供依据，论文发表在《Infrastructures》。
关键技术方法方面，研究人员使用自然驾驶数据采集系统（OBD-II和Mobileye，比利时样本由UHasselt/IMOB协调，英国样本由Loughborough University协调），基于时间间隔（time headway）阈值映射STZ标签（安全容忍区三级状态）。特征选择后保留四个变量：总行程距离（GPS_distances_sum）、平均速度（GPS_spd_mean）、平均急加速水平（DEM_evt_ha_lvl_L_mean）和平均急刹车水平（DEM_evt_hb_lvl_L_mean）。模型开发采用DNN-RF（DNN作为特征提取器，RF分类）、CNN-LSTM（CNN提取局部模式，LSTM建模序列）和RNN-AdaBoost（RNN学习非线性表示，AdaBoost提升分类）。通过SMOTE平衡训练集，使用网格搜索和交叉验证优化超参数，评估指标包括准确率、精确率、召回率、假阳性率和F1分数，可解释性通过LIME实现。
研究结果部分：
4.1 安全容忍区水平的识别
通过比较三种模型在比利时和英国数据集上的评估指标（见表3），DNN-RF模型在两国均取得最高准确率（比利时98%，英国97%），最低假阳性率（比利时0.96%，英国1.36%），召回率分别为93%和92%，F1分数分别为96%和95%。CNN-LSTM模型准确率较低（比利时83%，英国87%），假阳性率较高（17.5%和11.11%），召回率分别为75%和85%。RNN-AdaBoost模型准确率分别为82%和80%，假阳性率为14.9%和19.4%，精确率在比利时达88%但在英国仅为79%。混淆矩阵进一步显示各模型在三个STZ级别上的分类细节，DNN-RF在正常、危险和可避免事故类别中均表现优异，而CNN-LSTM和RNN-AdaBoost对危险和可避免事故类别的识别能力较弱。
4.2 分类模型的可解释性
通过LIME算法分析特征重要性，发现急加速（harsh acceleration）和急刹车（harsh braking）是比利时中最关键的预测因子，而总行程距离（total trip distance）和急加速在英国中占主导地位。这些区域差异归因于交通密度、道路条件和驾驶文化的不同：比利时城市环境及频繁的停停走走导致突然加速和刹车更普遍，而英国驾驶员倾向于长途驾驶，导致疲劳相关风险增加，因此总行程距离成为更重要的风险指标。LIME提供了模型决策的透明解释，使特征对预测的影响清晰可见。
讨论部分总结：本研究开发的混合模型在分类危险驾驶行为方面表现出高精度，DNN-RF模型优于其他模型，与以往研究一致。LIME的可解释性揭示了区域差异，支持定制化安全干预。假阳性率（FPR）是实际部署的关键，DNN-RF的低FPR（比利时0.96%，英国1.36%）可减少不必要的警报，避免驾驶员脱敏；而高FPR可能引发警报疲劳。研究局限性包括：数据不平衡（危险事件较少）、未包含人口统计学和心理变量、未对干预阶段进行分离分析、未与独立机器学习模型进行系统比较、以及使用聚合的行程级特征而非30秒间隔序列。未来方向包括扩大数据集、纳入更多变量（如生理数据、道路类型、天气）、采用驾驶员级或行程级交叉验证、保留区间时序进行序列建模、以及考虑干预阶段的影响。
研究结论部分翻译：本研究开发了基于比利时和英国真实驾驶数据的高效危险驾驶行为分类模型。通过结合先进机器学习和深度学习方法，模型在识别危险驾驶模式上取得了高准确率。关键发现包括：急加速、急刹车和总驾驶距离是安全的重要指标；区域差异显示速度和长途旅行在英国更关键，而突然操作在比利时更普遍。混合建模方法DNN-RF在两国均表现最佳。LIME提供了可解释性，使特征影响透明化。局限性包括数据聚合级别、未考虑干预阶段分布偏移、以及未与独立模型进行基准比较。未来研究应探索区间级模型、驾驶员级交叉验证、跨阶段分析、以及整合多模态数据（如行为、环境和生理变量），以增强模型的泛化能力和实际应用价值。
