人工神经网络在驾驶员道路标线理解建模中的应用研究

《Infrastructures》：Application of Artificial Neural Networks in Modeling Drivers’ Comprehension of Road Markings

　　

道路标线在交通安全与交通流中发挥着至关重要的作用，然而其有效性完全依赖于驾驶员的理解水平。本研究旨在评估伊拉克纳杰夫市（Al-Najaf city）驾驶员样本的理解水平，并考察其个人特征对这些水平的潜在影响。尽管传统的线性统计方法已为驾驶员理解提供了基础性测量，本研究通过采用多层感知器（MLP）人工神经网络（ANN）框架拓展了现有研究，以捕捉伊拉克纳杰夫市驾驶员属性与道路标线理解之间复杂的非线性关系。研究人员采用结构化问卷对402名驾驶员进行了直接访谈，收集了其个人属性、驾驶行为以及对14种道路标线认知情况的数据。在进行基于反向传播的ANN分析之前，研究人员初步开展了一系列相关分析和组间比较统计分析；此外，还对最佳激活函数组合及训练/测试分割比例进行了补充敏感性分析。分析结果显示，总体理解水平为72%。至关重要的是，优化后的ANN模型揭示了非线性的预测重要性层级，表明驾驶员的标线识别能力和受教育程度是概念性理解的主要决定因素，其重要性超越了原始驾驶经验。这些发现表明，驾驶年限并不能确保驾驶员对标线具备充分的知识，揭示了现行驾照标准的重大局限性。因此，本研究为交通管理部门从静态驾照考试向针对高风险人口群体的持续适应性驾驶员教育计划过渡提供了实证基础。

论文解读：基于人工神经网络的驾驶员道路标线理解建模研究

道路标线是交通控制系统的重要组成部分，能够有效补充或替代交通标志和信号，向道路使用者传递规则、警告和引导信息。与侧向和头顶的标志不同，驾驶员无需将视线偏离中央视野即可获取标线信息，因此标线在保障交通安全和促进交通流畅方面具有独特优势。然而，道路标线的有效性完全取决于驾驶员的准确识别和理解。误解或不熟悉标线含义可能导致车道违规、错误转弯、未让行等危险驾驶行为，进而增加碰撞事故风险。尽管已有大量研究关注标线的材料、颜色、逆反射和清晰度等设计因素，但针对驾驶员对标线的理解水平及其个人特征影响的研究相对有限。传统的线性统计方法虽能提供基础性测量，却难以捕捉驾驶员属性与标线理解之间复杂的非线性关系。在此背景下，本研究利用伊拉克纳杰夫市的一手调查数据，首次尝试采用人工神经网络（ANN）框架揭示驾驶员属性与其对路网中各类道路标线概念性理解之间的非线性关系，弥补了伊拉克语境中该领域研究的空白。

研究人员在伊拉克纳杰夫省 metropolitan区域开展了问卷调查，该省人口近200万，注册驾驶员超过50万。根据大总体样本量确定原则，研究计划并成功调查了402名驾驶员。调查采用面对面访谈形式，使用结构化问卷收集驾驶员的社会人口特征、驾驶行为特征及对14种道路标线的识别和理解数据。在分析方法上，研究人员首先进行了描述性统计和推断性统计分析（包括Spearman秩相关、Mann–Whitney检验和Kruskal–Wallis检验），以识别显著影响驾驶员标线理解水平的个人和驾驶特征变量。随后，研究采用多层感知器（MLP）人工神经网络（ANN）架构作为非参数诊断工具，构建预测模型。ANN建模过程中涉及数据预处理（含变量归一化）、网络架构设计（包括单隐层和双隐层结构）、反向传播训练算法、以及系统性的超参数优化。为量化激活函数类型和训练/测试数据分割比例对预测精度的影响，研究人员进行了敏感性分析，以最小化平方误差和（SSE）和均方根误差（RMSE）为评价指标筛选最优模型。

研究结果部分围绕三个层面展开。第一，描述性分析结果显示，约78%的驾驶员能够识别75%以上的道路标线，但仅有23%的驾驶员的理解水平达到85%以上；全体驾驶员的总平均理解水平（RMCL）为71.7%。逐项分析表明，只有减速带标线（RM3）和路面文字符号（RM10）的正确理解率超过85%，而箭头标线（RM5）、纵向渠化装置（RM11）、车道虚线标线（RM12）和凸起路标（RM13）等四类标线存在较大理解缺陷，约三分之一或以上的驾驶员对其含义存在错误理解。第二，推断性分析结果揭示了六个具有统计学显著影响的驾驶员特征：性别（女性驾驶员理解水平显著高于男性）、就业状况（自由职业者理解水平较低）、受教育程度（高中及以下学历者理解水平较低）、车辆类型（客车驾驶员高于公交车和卡车驾驶员）、标线先验知识（有先验知识者理解水平显著更高）以及标线识别水平（与理解水平呈显著正相关，r=0.228，p<0.001）。第三，ANN建模分析中，研究人员对20种不同结构配置的MLP网络进行了系统比较，最终确定模型18（双隐层结构，各层节点数为10和3，激活函数为tanh和sigmoid组合）为最优模型，其在测试集上取得了最低的RMSE（0.07958）。变量重要性分析表明，标线识别（重要性值0.299）和受教育程度（0.242）是预测驾驶员标线理解水平的最关键因素，其次依次为标线先验知识（0.148）、就业状况（0.146）和车辆类型（0.137），而性别的影响最小（0.029）。

讨论部分对研究结果进行了深入阐释。关于标线识别与受教育程度的核心预测作用，研究借助双过程认知理论进行解释：标线识别（熟悉性）通过构建心智框架降低视觉解释过程中的认知负担，使驾驶员能够本能地提取含义；而教育成就则作为认知辅助工具，通过增强认知储备积极影响理解机制。研究还指出了现行驾照考试制度的不足——驾驶年限不能有效保证驾驶员对标线的充分认知，这为交通管理部门改革静态驾照考试模式，转向针对高风险群体的持续性和适应性驾驶员教育计划提供了重要实证依据。同时，研究也承认了若干局限性，包括样本量对ANN性能的潜在制约、样本中女性驾驶员比例偏低、研究地理范围限于纳杰夫省影响外部效度、以及未纳入标线设计特征和道路几何条件等外部因素。

研究结论指出：本研究评估了驾驶员对14种交通标线的理解水平，并考察了影响理解水平的社会人口和驾驶特征。基于402名驾驶员面对面访谈数据，通过描述性统计、推断性分析和ANN建模分析，发现驾驶员总体理解水平约为72%。性别、就业状况、受教育程度、车辆类型、标线先验知识和标线识别是显著影响理解水平的关键因素。ANN分析结果显示，标线识别和受教育程度在预测模型中具有最高的相对重要性。此外，系统性调整网络超参数（如隐藏层数、节点密度和激活函数）对于确立最优ANN架构至关重要。这些实证发现凸显了开展针对性驾驶员培训和教育活动以增强标线理解的必要性与紧迫性，对于提升道路交通安全和优化交通效率具有重要意义。未来研究可扩展到更多地理区域以检验结论的普适性，并进一步探讨标线设计特征对驾驶员理解的调节作用。