利用驾驶行为图揭示驾驶员内和驾驶员间异质性

《International Journal of Transportation Science and Technology》：Uncovering intra- and inter-driver heterogeneity using driving behavior graphs

　　

本研究开发了一种基于图的特征分析方法，利用驾驶行为图（driving-behavior graph）来表征同一驾驶员多个片段中的驾驶员内异质性（intra-driver heterogeneity）以及不同驾驶员单个片段中的驾驶员间异质性（inter-driver heterogeneity）。通过分析驾驶行为片段的差异，构建了微观驾驶行为图以识别异常驾驶片段。提取并分类异常行为片段以细化驾驶员内异质性标签。为探索驾驶员间异质性，研究人员采用多视图方法分析不同驾驶员间的单个行为片段，排除了驾驶员内变异性。从构建的微观驾驶行为图中提取关键节点数据以分析时空动态。结果表明，驾驶行为图有效揭示了驾驶员内和驾驶员间异质性的关键特征。卷积神经网络（CNN）和XGBoost的集成模型在二分类任务（正常与异常驾驶片段）中达到91%的准确率，在三分类任务（正常、保守倾向异常、激进倾向异常）中达到89%的准确率，分别比传统统计模型提升14%–19%和10%–16%。驾驶员在行为上表现出显著变异性，部分驾驶员对纵向操作（如速度和加速度）更敏感，而其他驾驶员对横向操作（如车道变更和风险指标）更敏感。这些发现强调了驾驶员行为的复杂性，并为制定针对性交通安全干预措施提供了科学依据。

**论文解读：利用驾驶行为图揭示驾驶员内和驾驶员间异质性**

**研究背景与问题**

道路交通事故是全球范围内伤亡的主要原因，驾驶员行为作为关键因素具有高度复杂性和不可预测性。现有研究将驾驶员异质性（driver heterogeneity）分为两类：驾驶员间异质性（inter-driver heterogeneity），反映不同驾驶员个体间的驾驶风格差异；以及驾驶员内异质性（intra-driver heterogeneity），指同一驾驶员在不同驾驶情境下行为的变化。传统研究常将两者混淆，且多聚焦于特定行为（如换道、跟驰），忽略整体驾驶行为谱。此外，现有方法多依赖统计指标或时序特征，难以直观捕捉异质性的时空动态。因此，开发一种能同时建模并可视化两种异质性的方法具有重要意义。本研究构建了驾驶行为图（driving behavior graph），并集成机器学习模型，旨在系统分析驾驶员内和驾驶员间异质性，为交通安全管理提供新视角。

**研究方法**

研究人员利用上海自然驾驶研究数据集（Shanghai Naturalistic Driving Study, SH-NDS），从60名驾驶员（32男28女）的20,000次行程中提取了25名驾驶员在高速公路上571次行程的2,825个30秒驾驶行为片段。主要技术方法包括：（1）构建驾驶行为图：通过提取分类指标（性别、天气等）、时序指标（速度、加速度等）和风险指标（碰撞时间TTC、车头时距TH）的异质性波动节点，建立节点和边，形成两种图——一种强调异质性波动的序列与强度，另一种强调持续时间与频率；（2）使用K-means和K-Shape聚类结合DeepCluster进行伪标签校正，定义正常与异常驾驶片段，并进一步细分为保守异常和激进异常；（3）采用卷积神经网络（CNN）提取图特征，再输入XGBoost进行二分类和三分类识别。

**研究结果**

**4.1 模型性能比较**
通过对比以均值、均值+标准差和驾驶行为图为输入的模型，发现基于驾驶行为图的CNN-XGBoost模型在二分类中准确率达91%，异常行为召回率较均值逻辑回归提升49%，较均值+标准差XGBoost提升22%；三分类准确率达89%，保守异常和激进异常召回率分别为86%和76%。表明驾驶行为图能有效捕捉驾驶员内异质性导致的异常模式。

**4.2 驾驶员间异质性分析**
分析发现性别和年龄显著影响驾驶行为：男性驾驶员平均速度和加速度高于女性，且随年龄增长，速度和加速度呈下降趋势。通过随机选取驾驶员2和3进行对比，发现驾驶员2在速度和纵向加速度上异常节点更多，表明其更关注纵向控制；驾驶员3则在横向偏移、横向加速度和TTC上异常更明显，表明其更侧重横向操作。进一步对比6名驾驶员的行为图，发现驾驶员1和3最相似，但驾驶员1更激进；驾驶员1和2在横向偏移和风险指标上部分重叠，但速度差异显著；驾驶员1和6在TTC和TH上异常互补，提示不同风险行为类型。

**4.3 驾驶员内异质性分析**
通过余弦相似度（C_sim）和Jaccard相似度（J_sim）比较同一驾驶员正常与异常行为图的差异。驾驶员2的C_sim较低（0.943），表明其异常行为与正常行为差异较大，主要体现在速度和纵向加速度；驾驶员3的C_sim较高（0.963），但纵向加速度、TTC和TH节点仍存在显著变化。J_sim分析显示，所有驾驶员的横向偏移Jaccard相似度均较低，说明横向偏移行为变化剧烈。

**讨论与结论**

研究结果表明，驾驶行为图能有效揭示驾驶员内和驾驶员间异质性，CNN-XGBoost模型在识别异常驾驶片段上显著优于传统统计模型。驾驶员在纵向与横向操作上的偏好差异，证明了异质性行为模式的复杂性。该框架可集成到高级驾驶辅助系统（ADAS）和交通管理系统中，实现个性化干预和实时异常检测，提升交通安全。研究结论翻译如下：
本研究提出了一种新颖的框架，通过构建驾驶行为图并集成机器学习模型，分析驾驶员内和驾驶员间异质性。利用该图谱和CNN-XGBoost等模型，框架准确识别了异常驾驶片段，揭示了驾驶员异质性的关键模式。主要结论如下：
- 驾驶行为图有效捕捉了驾驶时空动态。以该图为输入，CNN-XGBoost模型在二分类中达到91%准确率，三分类中达到89%准确率，比传统统计模型提升14%–19%和10%–16%。
- 驾驶员在不同驾驶片段中表现出显著行为变异性。例如，驾驶员2的正常与异常行为图余弦相似度低21%，表明其在速度和纵向加速度上异质性更大。驾驶员在纵向与横向操作上的关注点差异显著：驾驶员2在速度和纵向加速度上异常节点更频繁，而驾驶员3在横向偏移和风险指标上变异性更大。
- CNN-XGBoost模型在检测异常驾驶片段上优于传统方法。与使用均值的逻辑回归相比，二分类中异常行为召回率提升49%，三分类中保守和激进行为召回率分别提升63%和72%。
局限性包括仅使用25名驾驶员数据，可能影响泛化性，且行为图计算强度大，限制可扩展性。未来研究应扩大数据集、提高计算效率，并探索实时异常检测及整合认知或情绪指标。