考虑换道博弈的驾驶风格在线识别方法

doi:10.12141/j.issn.1000-565X.230159

华南理工大学学报(自然科学版) ›› 2024, Vol. 52 ›› Issue (4): 126-137.doi: 10.12141/j.issn.1000-565X.230159

考虑换道博弈的驾驶风格在线识别方法

张云超¹ 黄建玲² 李永行¹ 陈艳艳^1† 杨安安² 张永男¹

^1.北京工业大学交通工程北京市重点实验室，北京 100124
^2.北京市智慧交通发展中心，北京 100027

收稿日期:2023-03-30 出版日期:2024-04-25 发布日期:2023-06-07
通信作者: 陈艳艳（1970-），女，博士，教授，主要从事智能交通研究。 E-mail:cdyan@bjut.edu.cn
作者简介:张云超（1994-），男，博士生，主要从事道路交通安全研究。E-mail：zhangyunchao@emails.bjut.edu
基金资助:
国家自然科学基金资助项目(62203021)

Online Driving Style Recognition Method Considering Lane-Changing Game

ZHANG Yunchao¹ HUANG Jianling² LI Yongxing¹ CHEN Yanyan¹ YANG Anan² ZHANG Yongnan¹

^1.Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing 100124, China
^2.Beijing Intelligent Transportation Development Center, Beijing 100027, China

Received:2023-03-30 Online:2024-04-25 Published:2023-06-07
Contact: 陈艳艳（1970-），女，博士，教授，主要从事智能交通研究。 E-mail:cdyan@bjut.edu.cn
About author:张云超（1994-），男，博士生，主要从事道路交通安全研究。E-mail：zhangyunchao@emails.bjut.edu
Supported by:
the National Natural Science Foundation of China(62203021)

摘要/Abstract

摘要：

驾驶风格是驾驶行为的外在表达，激进风格的驾驶员容易进行更为频繁的危险驾驶操作，加剧车辆之间的交互作用，影响换道安全。在换道动作执行前识别驾驶员的驾驶风格，可以通过个性化预警信息有效约束驾驶员行为。文中提出了一种网联环境下考虑换道博弈的驾驶风格在线识别方法SHAP-XGBoost，以期在换道意图期间完成驾驶风格的识别。首先，将换道意图期间换道车辆及其周围车辆的个体行为和博弈行为的波动程度作为输入特征变量，通过相关性分析、主成分分析以及4种不同聚类方法对驾驶风格进行标记；然后，利用提出的SHAP-XGBoost模型选择关键特征，以训练驾驶风格识别模型，并通过滑动窗口完成在线识别；最后，采用HighD数据进行实验。结果表明：与基于质心距离、连通性、密度分布的聚类方法相比，基于图论原理的谱聚类可以更好地根据输入特征变量的形态标记驾驶风格；利用SHAP-XGBoost模型及14个关键特征进行驾驶风格识别，可以在不损失准确率的同时提高在线识别效率，驾驶风格识别准确率高达99%；同时将个体特征和博弈特征作为模型的输入时，可以提升驾驶风格标记和识别的准确率。此研究成果可为个性化换道决策和预警提供支持。

关键词: 智能交通, 驾驶风格识别, 极端梯度提升树, 换道安全

Abstract:

Driving style is the external expression of driving behavior. Drivers with aggressive style tend to engage in more frequent risky driving operations, intensifying interactions between vehicles and affecting lane-changing safety. Identifying a driver’s driving style before executing a lane-changing can effectively constrain driver’s behavior through personalized warning information. This paper proposed the SHAP-XGBoost method, which considers lane-changing game in a connected environment, aiming to achieve the real-time recognition of driving styles during the lane-changing intention phase. Firstly, the fluctuation degree of individual behavior and gaming behavior during the lane-changing intention was used as input feature variables, and the driving style was marked by correlation analysis, principal component analysis, and four different clustering methods. Next, the proposed SHAP-XGBoost model was used to select key features for training the driving style recognition model, and online recognition was completed through a sliding window. Finally, experiments were conducted using the HighD dataset. Results show that: compared with clustering methods based on centroid distance, connectivity and density distribution, spectral clustering based on graph theory principles can better label driving styles based on the morphology of the input feature variables; using the proposed SHAP-XGBoost model with 14 key features for driving style recognition can improve online recognition efficiency without loss of accuracy, and the driving style recognition accuracy is up to 99%; simultaneously incorporating individual features and gaming features as inputs to the model can improve the accuracy of driving style labeling and recognition. The research results can be used to support personalized lane-changing decisions and early warnings.

Key words: intelligent transportation, driving style recognition, extreme gradient boosting tree, lane-changing safety

中图分类号:

U491.31

张云超, 黄建玲, 李永行, 等. 考虑换道博弈的驾驶风格在线识别方法[J]. 华南理工大学学报(自然科学版), 2024, 52(4): 126-137.

ZHANG Yunchao, HUANG Jianling, LI Yongxing, et al. Online Driving Style Recognition Method Considering Lane-Changing Game[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(4): 126-137.

图/表 17

图1

图2

图3

表1

表2

图4

图5

图6

表3

图7

图8

表4

表5

图9

表6

表7

图10

参考文献 28

1	ISHIBASHI M， OKUWA M，DOI S，et al ．Indices for characterizing driving style and their relevance to car following behavior［C］∥ Proceedings of SICE Annual Conference 2007．Takamatsu：IEEE，2007：1132-1137.
2	CARSTEN O， KIRCHER K， JAMSON S ．Vehicle-based studies of driving in the real world：the hard truth？［J］．Accident Analysis & Prevention，2013，58：162-174.
3	SHANGGUAN Q， FU T， WANG J，et al ．A proactive lane-changing risk prediction framework considering driving intention recognition and different lane-changing patterns［J］．Accident Analysis & Prevention，2022，164：106500/1-14.
4	公安部交通管理局．中国道路交通事故统计年鉴（2019）［R］．北京：公安部交通管理局，2020.
5	TAUBMAN-BEN-ARI O， SKVIRSKY V ．The multidimensional driving style inventory a decade later：review of the literature and re-evaluation of the scale［J］．Accident Analysis & Prevention，2016，93：179-188.
6	TAUBMAN-BEN-ARI O， MIKULINCER M， GILLATH O ．The multidimensional driving style inventory：scale construct and validation［J］．Accident Analysis & Prevention，2004，36（3）：323-332.
7	MOHAMMADNAZAR A， ARVIN R， KHATTAK A J ．Classifying travelers’ driving style using basic safety messages generated by connected vehicles：application of unsupervised machine learning［J］．Transportation Research Part C：Merging Technologies，2021，122：102917/1-18.
8	BROMBACHER P， MASINO J， FREY M，et al ．Driving event detection and driving style classification using artificial neural networks［C］∥ Proceedings of 2017 IEEE International Conference on Industrial Technology．Toronto：IEEE，2017：997-1002.
9	De RANGO F， TROPEA M， SERIANNI A，et al ．Fuzzy inference system design for promoting an eco-friendly driving style in IoV domain［J］．Vehicular Communications，2022，34：100415/1-17.
10	刘冠颖，郭凤香，申江卫，等．基于数据特征的驾驶风格分类与识别方法研究［J］．昆明理工大学学报（自然科学版），2023，48（3）：165-173.
	LIU Guanying， GUO Fengxiang， SHEN Jiangwei，et al ．Driving style classification and recognition method based on data features［J］．Journal of Kunming University of Science and Technology （Natural Science Edition），2023，48（3）：165-173.
11	柳祖鹏，罗陈怡，严运兵．考虑车辆跟车及换道交互参数的驾驶风格识别［J］．武汉理工大学学报（交通科学与工程版），2023，47（2）：209-213.
	LIU Zupeng， LUO Chenyi， YAN Yunbing ．Driving style recognition considering vehicle following vehicle and lane-changing interaction parameters［J］．Journal of Wuhan University of Technology （Transportation Science and Engineering），2023，47（2）：209-213.
12	朱兴林，姚亮，刘泓君，等．考虑驾驶风格差异的高原公路危险路段识别研究［J］．交通运输系统工程与信息，2022，22（6）：172-182.
	ZHU Xing-lin， YAO Liang， LIU Hong-jun，et al ．Identification of dangerous sections of highland roads considering different driving behaviors［J］．Journal of Transportation Systems Engineering and Information Technology，2022，22（6）：172-182.
13	LI G， LI S E， CHENG B，et al ．Estimation of driving style in naturalistic highway traffic using maneuver transition probabilities［J］．Transportation Research Part C：Emerging Technologies，2017，74：113-125.
14	LI Y， GU R， LEE J，et al ．The dynamic tradeoff between safety and efficiency in discretionary lane-changing behavior：a random parameters logit approach with heterogeneity in means and variances［J］．Accident Analysis & Prevention，2021，153：106036/1-7.
15	SUZDALEVA E， NAGY I ．An online estimation of driving style using data-dependent pointer model［J］．Transportation Research Part C：Emerging Technologies，2018，86：23-36.
16	KRAJEWSKI R， BOCK J， KLOEKER L，et al ．The highD dataset：a drone dataset of naturalistic vehicle trajectories on German highways for validation of highly automated driving systems［C］∥ Proceedings of 2018 the 21st International Conference on Intelligent Transportation Systems．Maui：IEEE，2018：2118-2125.
17	HAN T， JING J， ÖZGÜNER Ü ．Driving intention recognition and lane change prediction on the highway［C］∥ Proceedings of 2019 IEEE Intelligent Vehicles Symposium （Ⅳ）．Paris ：IEEE，2019：957-962.
18	ARVIN R， KAMRANI M， KHATTAK A J ．The role of pre-crash driving instability in contributing to crash intensity using naturalistic driving data［J］．Accident Analysis & Prevention，2019，132：105226/1-13.
19	KAMRANI M， ARVIN R， KHATTAK A J ．Extracting useful information from basic safety message data：an empirical study of driving volatility measures and crash frequency at intersections［J］．Transportation Research Record，2018，2672（38）：290-301.
20	ARVIN R， KHATTAK A J， QI H ．Safety critical event prediction through unified analysis of driver and vehicle volatilities：application of deep learning methods［J］．Accident Analysis & Prevention，2021，11：105949/1-12.
21	JAIN A K ．Data clustering：50 years beyond K-means ［J］．Pattern Recognition Letters，2010，31（8）：651-666.
22	ABIRAMI K， MAYILVAHANAN P ．Performance analysis of K-means and bisecting K-means algorithms in Weblog data［J］．International Journal of Emerging Technologies in Engineering Research，2016，4（8）：119-124.
23	NG A， JORDAN M， WEISS Y ．On spectral clustering：analysis and an algorithm［C］∥ Proceedings of the 14th International Conference on Neural Information Processing Systems：Natural and Synthetic．Vancouver：ACM，2001：849-856.
24	LUNDBERG S M， LEE S ．A unified approach to interpreting model predictions［C］∥ Proceedings of the 31st International Conference on Neural Information Processing Systems．Long Beach：ACM，2017，30：4768-4777.
25	CHEN T， GUESTRIN C ．XGBoost：a scalable tree boosting system［C］∥ Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining．San Francisco：ACM，2016：785-794.
26	CHAWLA N V， BOWYER K W， HALL L O，et al ．SMOTE：synthetic minority over-sampling technique［J］．Journal of Artificial Intelligence Research，2002，16（1）：321-357.
27	赵建东，赵志敏，屈云超，等．轨迹数据驱动的车辆换道意图识别研究［J］．交通运输系统工程与信息，2022，22（4）：63-71.
	ZHAO Jian-dong， ZHAO Zhi-min， QU Yun-chao，et al ．Vehicle lane change intention recognition driven by trajectory data［J］．Journal of Transportation Systems Engineering and Information Technology，2022，22（4）：63-71.
28	赵晓华，董文慧，李佳，等．基于驾驶行为的隧道交通标志影响特征及作用机理［J］．华南理工大学学报（自然科学版），2023，51（4）：88-100.
	ZHAO Xiaohua， DONG Wenhui， LI Jia，et al ．Influence characteristics and action mechanism of tunnel traffic signs based on driving behavior［J］．Journal of South China University of Technology （Natural Science Edition），2023，51（4）：88-100.

时间窗/s	换道样本数		换道样本数
1.0	4 417	3.5	2 750
1.5	4 098	4.0	2 471
2.0	3 813	4.5	2 146
2.5	3 459	5.0	1 884
3.0	3 136

特征类型	特征序号	特征名称	特征含义	单位
个体操作行为特征	1	xVelocity	车辆在X轴方向上的速度	m/s
	2	yVelocity	车辆在Y轴方向上的速度	m/s
	3	xAcceleration	车辆在X轴方向上的加速度	m/s²
	4	yAcceleration	车辆在Y轴方向上的加速度	m/s²
博弈行为特征	5	SV&CLV_vd_x	SV&CLV在X轴方向的速度差	m/s
	6	SV&CLV_vd_y	SV&CLV在Y轴方向的速度差	m/s
	7	SV&CLV_ad_x	SV&CLV在X轴方向的加速度差	m/s²
	8	SV&CLV_ad_y	SV&CLV在Y轴方向的加速度差	m/s²
	9	SV&CLV_gd_x	SV&CLV在X轴方向的距离差	m
	10	SV&CLV_gd_y	SV&CLV在Y轴方向的距离差	m
	11	SV&TFV_vd_x	SV&TFV在X轴方向的速度差	m/s
	12	SV&TFV_vd_y	SV&TFV在Y轴方向的速度差	m/s
	13	SV&TFV_ad_x	SV&TFV在X轴方向的加速度差	m/s²
	14	SV&TFV_ad_y	SV&TFV在Y轴方向的加速度差	m/s²
	15	SV&TFV_gd_x	SV&TFV在X轴方向的距离差	m
	16	SV&TFV_gd_y	SV&TFV在Y轴方向的距离差	m
	17	SV&TLV_vd_x	SV&TLV在X轴方向的速度差	m/s
	18	SV&TLV_vd_y	SV&TLV在Y轴方向的速度差	m/s
	19	SV&TLV_ad_x	SV&TLV在X轴方向的加速度差	m/s²
	20	SV&TLV_ad_y	SV&TLV在Y轴方向的加速度差	m/s²
	21	SV&TLV_gd_x	SV&TLV在X轴方向的距离差	m
	22	SV&TLV_gd_y	SV&TLV在Y轴方向的距离差	m

聚类算法	聚类原理	SC		DB
聚类算法	聚类原理	个体特征	个体+博弈特征	个体特征	个体+博弈特征
K-均值	质心距离	0.19	0.22	1.82	1.73
高斯混合	概率分度	0.20	0.22	1.76	1.73
层次聚类	连通性	0.21	0.23	1.73	1.72
谱聚类	图论	0.39	0.41	0.97	0.90

特征	均值
特征	类别1	类别2	类别3
A_v_SV&CLV_vd_x	2.46	3.02	3.69
S_dev_SV&CLV_gd_x	3.41	5.02	5.21
S_dev_SV&TLV_vd_x	0.53	0.84	1.10
S_dev_SV&TLV_gd_x	9.76	15.51	18.72
S_dev_SV&TLV_gd_y	0.16	0.18	0.22
C_v_SV&TFV_vd_x	0.22	1.04	2.29
C_v_SV&TFV_ad_y	0.76	1.20	2.10
C_v_SV&TFV_gd_x	0.40	1.24	2.45
C_v_SV&TFV_gd_y	0.11	1.01	2.42

参数名称	参数含义	最优取值
colsample_bytree	采样比例	0.8
gamma	惩罚项系数	0.3
learning_rate	学习率	0.08
max_depth	树最大深度	3
min_child_weight	叶子最小样本数	2
n_estimators	弱分类器数量	600
reg_alpha	L1正则化权重项	0.01
reg_lambda	L2正则化权重项	0.1
subsample	采样率	0.7

考虑换道博弈的驾驶风格在线识别方法

Online Driving Style Recognition Method Considering Lane-Changing Game

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 28

相关文章 14

编辑推荐

Metrics

本文评价

SHAP包		XGBoost模型
特征变量	SHAP值	特征变量	重要度值
Q_cv_SV&TFV_gd_x	1.719	A_v_SV&TFV_ad_x	0.212
Q_cv_SV&TFV_vd_x	1.661	Q_cv_SV&TFV_gd_x	0.166
A_v_SV&TFV_gd_y	1.385	Q_cv_SV&TFV_vd_x	0.162
C_v_SV&TFV_gd_y	0.917	A_v_SV&TFV_gd_y	0.136
Q_cv_SV&TFV_vd_y	0.532	Q_cv_SV&TFV_gd_y	0.124
Q_cv_SV&TFV_gd_y	0.445	C_v_SV&TFV_vd_x	0.059
Q_cv_SV&TFV_ad_y	0.249	C_v_SV&TFV_gd_y	0.042
A_v_SV&TFV_ad_x	0.215	Q_cv_SV&TFV_vd_y	0.027
Q_cv_SV&TFV_ad_x	0.223	A_v_SV&TFV_vd_y	0.014
A_v_SV&TFV_gd_x	0.149	Q_cv_SV&TFV_ad_y	0.012
A_v_SV&TFV_ad_y	0.110	C_v_SV&TFV_gd_x	0.008
A_v_SV&TFV_vd_y	0.034	S_dev_SV&TFV_gd_y	0.006
D_mean_SV&TFV_gd_y	0.029	D_mean_SV&TFV_gd_y	0.006
S_dev_SV&TFV_gd_y	0.029	A_v_SV&TFV_gd_x	0.006
C_v_SV&TFV_gd_x	0.026	Q_cv_SV&TFV_ad_x	0.005

[1]	路庆昌, 徐标, 崔欣. 建成环境与共享单车流率的非线性关系研究[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 100-110.
[2]	卢凯林茂伟邓兴栋徐广辉徐建闽. 停车总成本最小的区域停车位动态分配与诱导模型[J]. 华南理工大学学报(自然科学版), 2018, 46(9): 82-91,98.
[3]	骆晨刘澜. 交通诱导信息组合方式对路径决策的影响[J]. 华南理工大学学报（自然科学版）, 2017, 45(8): 77-83.
[4]	王泽胜董宝田王爱丽. 基于自适应脉冲耦合神经网络的行人检测方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(6): 74-80.
[5]	秦华标肖志勇. 基于位置信息的稳定分簇路由协议[J]. 华南理工大学学报（自然科学版）, 2010, 38(6): 1-6.
[6]	温惠英徐建闽邹亮 . 基于遗传算法的离散时间动态网络最短路径求解[J]. 华南理工大学学报（自然科学版）, 2008, 36(2): 13-16,28.
[7]	黄玲徐建闽. 基于浮动车技术的动态交通拥挤预测模型[J]. 华南理工大学学报（自然科学版）, 2008, 36(10): 47-50,56.
[8]	史胜利徐建闽秦钟. 基于CDMA 和GSM 网络的车辆定位方法[J]. 华南理工大学学报（自然科学版）, 2007, 35(2): 50-53.
[9]	钟慧玲徐建闽彭选荣. 专用短程通信协议模型的求解与分析[J]. 华南理工大学学报（自然科学版）, 2005, 33(6): 18-22.
[10]	钟慧玲徐建闽彭选荣. 专用短程通信协议模型的建立[J]. 华南理工大学学报（自然科学版）, 2005, 33(4): 34-38.
[11]	屠宇徐建闽钟慧玲. ITS专用短程通信的协议验证[J]. 华南理工大学学报（自然科学版）, 2005, 33(3): 63-68.
[12]	屠宇徐建闽钟慧玲. ITS专用短程通信协议一致性测试系统的设计与实现[J]. 华南理工大学学报(自然科学版), 2004, 32(8): 9-12.
[13]	胡郁葱, 徐建闽, 吴一民, 等. 基于BP神经网络的车辆定位融合模型[J]. 华南理工大学学报(自然科学版), 2004, 32(2): 46-49.
[14]	胡郁葱曾悦徐建闽. 车辆定位系统中的信息融合方法[J]. 华南理工大学学报(自然科学版), 2004, 32(1): 75-79.

模型使用特征	准确率/%	计算时间/ms
所有特征	99.68	55.40
14个重要特征	99.00	12.89