貨車駕駛人駕駛行為與行車安全研究進展

　　摘要：駕駛行為是影響交通安全最活躍的因素，在“人-車-路”復雜環境中扮演著關鍵角色。為了深入理解貨車駕駛人駕駛行為規律和行為風險性，本文聚焦貨車駕駛人駕駛行為對行車安全的影響，對貨車駕駛人的駕駛行為風格、行為風險性及其與行車安全的關系等相關研究成果進行系統地梳理和分析。首先，利用構建的文獻檢索策略，篩選出 38 篇相關文獻，并結合 LDA(Latent DirichletAllocation)模型，對生成的四個研究主題，即貨車駕駛人駕駛行為辨識、危險駕駛行為與行車安全、貨車碰撞事故致因分析和駕駛安全風險評估進行了總結;其次，針對數據源、特征工程、建模方法等分析要素，構建了適用于任意研究主題的通用研究路徑，并重點歸納了目前研究主題在數據源、變量選擇方法、研究地點、建模方法等關鍵要素的研究進展;最后，就貨車駕駛人駕駛行為與行車安全領域面臨的主要問題進行了分析和探討，從描述、解釋、關聯和應用的角度提煉該領域研究的未來發展趨勢。研究認為：有必要將駕駛狀態特性、車輛運行狀態、道路交通狀況等多維特征變量進行多源信息融合，開展基于大數據和人工智能雙驅動的駕駛行為研究;需加強研究山區公路環境下貨車與其他類型車輛之間的交互作用機制，從“人-車-路”視角分析貨車碰撞事故致因;需進一步完善智能網聯、自動駕駛等高新智能自動化環境下的貨車駕駛人駕駛行為與行車安全關系研究;拓展面向駕駛安全的貨車駕駛人駕駛風險評估的理論方法和應用框架。研究成果將為貨車事故治理、公路貨運平臺監控、道路線形設計等應用場景提供重要依據，并有助于對貨車駕駛人駕駛行為與道路行車安全交互作用機理有相對全面的理解。

　　關鍵詞：交通工程;駕駛行為;LDA 模型;貨車駕駛人;行車安全;風險評估

　　引言

　　營運貨車一般具有重心位置高、載貨量大、行車時間長、動能高和減速能力弱等特點，其引發的事故通常比未涉及貨車的事故更加嚴重。近年來，我國道路運輸業發展快速，營運貨車的數量迅速增加，貨運規模逐漸向大型化、重載化方向發展，由此帶來的交通安全隱患問題也日益突出。據《中國道路交通事故統計年報(2017 年度)》針對營運車輛肇事情況的統計結果表明[1]：2016 年共發生39462起事故，導致19018人死亡;營運貨車(指重型、中型和輕型貨車)導致26649起事故，占總數的 67.53%，并導致 14231 人死亡，占總數的 74.83%。報告中特別指出，由營運貨車駕駛人引起的不當駕駛行為，如超速、疲勞駕駛和違反交規等造成了大量的交通事故。

　　可以看出，貨車駕駛人作為車輛的決策和控制者，其行為標準極大影響著道路交通的安全性。為預防和減少重特大事故的發生，如何科學合理地描述、甄別和預測貨車駕駛人潛在的駕駛行為風險，并揭示其與行車安全的內在復雜關系，已成為我國道路運輸業安全可持續發展亟待解決的核心問題，對于選拔培訓貨車駕駛人、減少人員傷亡及財產損失具有重要的現實意義。大量研究表明[2-4]：駕駛人駕駛行為與道路交通安全具有極強的相關性，超過 90%的交通事故和 65%的危險工況均與人因有關。

　　顯然，事故致因由人為因素占主導，駕駛人是車輛的直接操控者，其駕駛行為是導致車輛是否具有事故風險的重要因素。一般來說，駕駛人的駕駛行為可分為兩類[5]：一類是常規駕駛行為，包括自由直行、跟馳、換道等;另一類是危險駕駛行為，包括分心駕駛、疲勞駕駛、超速駕駛、飲酒/醉酒駕駛等。危險駕駛行為蘊含著由于駕駛方式的不規范而可能產生的事故風險性，其在貨車駕駛人中表現得尤為突出。受行程距離偏長和限時送達的現實制約，貨車駕駛人為了規避運輸超時的處罰，普遍存在疲勞駕駛、超速駕駛等危險駕駛行為[20, 34]。

　　駕駛行為作為影響交通安全最活躍的因素，目前從該角度研究貨車的行車安全性獲得了國內外學者的廣泛關注，涉及問題包括但不限于貨車的駕駛行為識別[35-36]及其與行車安全關系分析[42-43]、碰撞事故致因分析[46-48]、駕駛人駕駛風險評估[44-45]等。然而，已有涉及行車安全相關內容的主題研究，通常從小汽車駕駛人角度，探究駕駛人的視覺[6]、超速行為[7]、分心行為[8]、疲勞行為[9]等特性與駕駛風險的關系，缺乏針對貨車駕駛人駕駛行為與行車安全研究進展的系統性總結和梳理。

　　比如，駕駛行為數據采集方式雖然豐富但各有弊端且適用場景不統一;所采集的樣本數量大多有限，缺乏大規模路網的貨車駕駛行為監測、干預和管理，使得數據及結果的參考價值受到一定局限;貨車駕駛人駕駛行為辨識單一，且特征指標的合理性分析較少，缺少通用的指標適應性選取原則;目前無論是國內還是國外，尚沒有較優的基于貨車駕駛人特性的駕駛安全風險評估方法及干預手段;同時在高新智能自動化環境下，貨車駕駛人危險駕駛行為和道路環境、交通擁堵程度等因素之間復雜的交互關系仍有待細化。

　　隨著研究的深入和技術水平的發展，可以預見，從人、車、路三方面，基于車輛軌跡數據、車輛運動數據、視頻監控數據、氣象數據等多源數據的融合，研究貨車在途動態風險預測和道路風險實時預警系統在復雜行車環境中的可靠性和魯棒性將是未來貨車駕駛人駕駛行為與行車安全領域的長期研究方向。相關的貨車駕駛人危險駕駛在線監測技術和主動安全干預系統也將會有較大發展。鑒于主題模型具有從大量繁雜文本中自動組織、搜索和挖掘隱含語義結構的特點，形成的主題群有利于凝練研究領域的發展方向[10]。

　　因此，本文采用主題模型，全面梳理近十二年內貨車駕駛人駕駛行為與行車安全領域的 38 篇文獻，系統總結該領域內的各類研究主題，并歸納總結了各類研究主題的通用分析路徑，對各類研究主題涉及到的數據源、變量選擇方法、研究地點和建模方法進行綜述和分析。此外，本文在總結現有研究存在問題的基礎上展望未來可能的研究方向，以使讀者對于“貨車駕駛人駕駛行為與道路行車安全交互作用機理”這一關鍵問題有相對全面的認識，從而在中國范圍內促使面向貨車駕駛人的危險駕駛行為預警干預與主動式道路風險防控決策的深入開展。

　　1 研究方法

　　1.1 文獻檢索策略

　　為了篩選出與貨車駕駛人的駕駛行為、行車安全相關的研究文獻，本文將從以下 4 個數據庫中進行英文和中文文獻的搜索：Web of Science，Scopus，TRID(Transport Research InternationalDocumentation)和中國知網。

　　其中，文獻搜索時間范圍設定為 2010 年至 2021 年，文獻搜索截止時間為 2021 年 12 月 31 日，搜索關鍵詞的詞組由 3 個部分組成：(1)貨車，營運貨車，重型貨車，貨車駕駛人，freight truck，commercial truck，large truck，heavy-duty truck，heavy goods vehicle，truckdriver;(2)駕駛行為，駕駛風格，駕駛風險，driving behavior，driving style，driving risk;(3)碰撞風險，碰撞嚴重程度，道路風險，道路安全，交通事故，crash risk，crash severity，road risk，road safe，traffic accident。

　　上述關鍵詞的詞組主要根據研究對象、與研究對象相關的研究內容進行了整理和提煉。在文獻搜索過程中，詞組的每個部分至少要有 1 個關鍵詞起作用，并根據不同的數據庫調整搜索語言和搜索關鍵詞。在此基礎上，通過剔除數據庫間重復的文獻、綜述性文獻、與生態駕駛相關的文獻、與心理學和社會科學相關的文獻，最終得到 38 篇關鍵文獻。

　　1.2 研究主題建模

　　主題模型是一種無監督的機器學習模型，在自然語言處理中被廣泛應用于大規模文檔集或語料庫中潛藏的主題信息和語義結構的識別。例如，如果一篇文檔的主題與足球相關，那么某一些特定的詞，如“足球”、“球隊”和“球員”等，將更頻繁地出現在該文檔中。主題模型能夠自動地分析語料庫中的文檔，并根據文檔中單詞的共現情況提取潛在的主題信息。LDA(Latent DirichletAllocation)模型作為主題模型家族中最流行和最經典的模型，采用詞袋方法將每一篇文檔處理為一個詞頻向量，從而將文本信息轉化為易于建模的數字信息[49]。本文將采用 LDA 模型實現表 1 中38 篇文獻的研究主題分類。

　　1.3 研究路徑構建

　　在文獻主題分類的基礎上，本文通過系統梳理各主題中文獻的研究目標、所采用的數據源、研究方法和研究結論，提煉出了包括數據源、變量選擇方法、變量類型、建模方法、研究地點等論文的基本組成要素，由此可構成任意一個研究主題下的通用研究路徑，如表 2 所示。根據表 2 中的各組成要素，每篇文獻的研究框架可大致得以重構。在接下來的章節中，本文將進一步統計和分析通用路徑下文獻所采用的數據類型、變量選取和建模方法等關鍵要素。

　　2 結果分析

　　2.1 主題生成結果分析

　　主題一的前 7 個共現高頻詞分別為 driver、datum、vehicle、behavior、driving、traffic 和 analysis。其中，括號內的數值表示單詞出現的概率。結合詞云可以發現，高頻主導詞組合偏向于定性描述基于數據的貨車駕駛人駕駛行為分析。具體地，主題二關注利用相關性分析方法探索貨車駕駛人駕駛行為與道路安全事故風險的關聯性，主題三聚焦于人為因素為主導的貨車碰撞事故致因研究，而主題四則強調了利用相關模型評估貨車駕駛人的駕駛行為風險性。

　　2.1.1 主題一：駕駛行為辨識研究駕駛行為是駕駛人為響應當前道路行駛環境而執行的特定駕駛操作，實現車輛實際運行狀態跟隨駕駛人駕駛意圖的過程[52]。一般來說，駕駛行為是駕駛風格的外在表現形式，用于刻畫駕駛人的駕駛習慣，不同的駕駛人通常也會表現出不同的駕駛風格。因此，國內外大部分研究主要基于不同的駕駛行為模式(如跟馳、換道、加速、制動、轉向等行為模式)，綜合評定駕駛人的駕駛風格。實現駕駛風格評定通常涉及三個研究內容，具體如下。

　　(1)特征變量選取相關研究發現駕駛人的駕駛風格和加速度、速度、燃油量、能量功耗等變量具有很強的相關性[53]。如孫川等[19]、Wu 等[22]和王海星等[36]均提取營運貨車行駛過程中的車速超過限速 80%的時間比例、速度的均值/標準差、加減速度的均值/標準差等 8 維特征變量，聚類分析貨車駕駛人的駕駛速度行為。Figueredo 等[28]采用駕駛時長、每日平均駕駛距離、緊急制動次數、超速時長、節氣門開合度作為輸入變量實現駕駛風格的識別。Wang等[41]利用貨車行駛過程中的加速踏板位置的最大值/均值/標準差、油門踩踏角速度的最大值/均值/標準差、速度的最大值/均值/標準差和縱向加速度共 10 維特征變量用于駕駛風格的分類。

　　(2)風格分類在上述研究中，速度和加速度是一對極為重要的參量指標，既有研究通常將這兩個指標與其它變量、統計特征組合作為輸入變量，分類和識別貨車駕駛人的駕駛風格。在分類結果層面，目前研究大多是使用兩個或者三個類別區分駕駛人的駕駛風格。如從駕駛安全的角度，部分研究學者將駕駛風格劃分為激進型和保守型[35]。進一步地，Wang 等[41]則將駕駛風格分為中等型、溫和型和激進型。此外，部分學者傾向使用更高類別數目的駕駛風格分類。如 Zhou 和 Zhang[34]選用超速、疲勞、急動度共三個類別指標，采用主成分分析和密度聚類相結合的方法，將駕駛風格劃分為：冒進型、比較冒進型、輕度冒進型、輕度謹慎型和謹慎型。

　　(3)風格識別現有針對貨車駕駛人的駕駛風格識別研究主要是借鑒小汽車駕駛人駕駛風格辨識的分析模式，采用車輛運行狀態數據，提煉出特征變量(如車速平均值與標準差、加速度、急動度、橫向速度等)來刻畫貨車駕駛人的駕駛風格。如徐婷等[35]則通過提取最高車速、橫向加速度峰值、行車方向加速度峰值、車速與發動機轉速的最大相對比值構建貨車駕駛人安全傾向性評價指標，定量評估駕駛的激進程度。在方法層面，基于機器學習算法對貨車駕駛人駕駛風格進行識別是目前的主流研究范式。由于駕駛風格是對駕駛人習慣性駕駛方式的泛化概括，通常情況下缺乏先驗知識，難以人工標注識別無標簽的駕駛風格數據。

　　因此，有監督機器學習算法是需要輸入已標注的駕駛風格數據，而無監督機器學習算法不需要預先了解數據的屬性，能夠自適應分析和自動劃分類別，更適用于駕駛風格的評定。常用的無監督機器學習算法包括聚類算法[19, 22, 33-35]、LDA 模型[54]等。其中，k 均值聚類算法以其計算簡單、運算快速的特點，特別是在處理大規模數據集時具有可伸縮性和高效性，被廣泛應用于駕駛風格研究中。

　　2.1.2 主題二：危險駕駛行為與行車安全研究危險駕駛行為主要分為三類[55-56]：①駕駛疏忽。駕駛人因對行車環境觀察錯誤或不周導致的操作疏忽，如分心駕駛、疲勞駕駛等;②駕駛失誤。駕駛人因對當前車輛狀態、行車環境狀態及變化趨勢估計錯誤導致的決策失誤，如錯誤估計前車速度，導致剎車過猛;③違法駕駛。駕駛人因不按交通法規和其他交通安全規定行車等產生的交通違法行為，如超速駕駛、飲酒/醉酒駕駛等。已有研究表明，駕駛人的危險駕駛行為是導致交通事故的主要誘因，其與行車安全有極強的相關性[57-58]。對于行車安全而言，研究貨車駕駛人的危險駕駛行為，可以從根本上更好地理解貨車駕駛人的駕駛行為風險性。接下來，本文將從上述三類危險駕駛行為與行車安全的關聯性進行綜述。

　　(1)駕駛疏忽與行車安全與小汽車駕駛人相比，由于貨源的不確定性及其與目的地的距離偏長等因素，貨車駕駛人普遍存在工作負荷大、作息混亂、注意力不集中等特點，更容易發生以分心駕駛和疲勞駕駛為主的駕駛疏忽行為，極大影響著道路行車安全[34]。在分心駕駛方面，現有研究主要聚焦在貨車行駛過程中不同分心源(如操作手機、進食、飲水、調整座椅等)組成的次要任務對行車安全的影響。

　　如 Claveria 等[27]則基于問卷調查數據，采集了貨車駕駛人的社會屬性、工作屬性、駕駛行為與車輛配置等參量，采用隨機參數二項 Logit 模型，探究了手機使用對貨車駕駛行為的影響，發現駕駛人的駕駛行為、社會屬性、工作屬性、工作時間和工作管理特征會顯著影響貨車駕駛人在駕駛過程中使用手機的可能性。此外還發現，工作管理和安全培訓能有效降低貨車駕駛人使用手機的概率。探究分心駕駛通常使用問卷調查數據，輔以觀察、訪談的方式更加精準地獲取駕駛人執行次要任務的原因、類型和頻率。

　　目前，基于自然駕駛數據的貨車駕駛人分心駕駛監測開始獲得學者們的關注[29]。在疲勞駕駛方面，貨車駕駛人屬于職業駕駛人，往往需要長時間駕駛車輛，正常作息難以保障。因此，疲勞駕駛發生的可能性極大增加，貨車駕駛人的警覺性、工作表現、風險處理等能力也隨之不同程度地下降。如 Chen 和 Xie[16]研究發現，睡眠質量較差的貨車司機，在日常工作中疲勞程度越高，更傾向于表現出駕駛失誤、駕駛分心、交通違法等行為。Filtness 等[37]研究表明，咖啡因雖然能有效對抗駕駛人的嗜睡特性，但攝入過多的咖啡因并不能明顯提高駕駛安全性能，且容易對職業駕駛人的身體健康、睡眠質量產生不良影響。

　　此外，Cori 等[43]則發現延長換班之間的休息時間可顯著提升貨車駕駛人的睡眠質量，并對貨車駕駛人的警覺性、工作表現產生適度的積極影響。上述疲勞的研究通常將駕駛人社會工作屬性(年齡、收入、違章記錄等)、駕駛人風格/操作特征(緊急駕駛、近距離跟馳等)、車輛運行特征(車速平均值、加速度等)作為輸入變量，利用統計學模型建立輸入變量與疲勞駕駛的關系，缺乏從人工智能的角度研究數據驅動型的疲勞駕駛與行車安全。

　　(2)駕駛失誤與行車安全在日常駕駛任務中，貨車駕駛人往往頻繁地行駛在同一片區域，對車況、道路條件、環境會進一步熟悉，進而在日積月累中形成自身的駕駛經驗和行為習慣。然而，這類經驗型和個性化的貨車駕駛人可能會表現出程序化/激進化駕駛、分心駕駛的現象，一定程度上增加了在途運輸的駕駛風險。目前，針對由于駕駛經驗和個性化情緒造成的駕駛失誤與行車安全的相關研究相對偏少。這類研究主要以問卷調查數據為主，通過提取貨車駕駛人的性格特征、社會和工作屬性、風格特征等變量，采用統計學模型方法，探究駕駛經驗和個性化情緒對駕駛人安全駕駛行為的作用機制。

　　如 Girotto 等[21]利用 Logistics 回歸模型，對貨車駕駛人的不同個人屬性(如年齡、收入、經驗等)、駕駛操作特點、不同駕駛時間段與事故風險之間關系進行統計分析，發現只有 10 年及以上貨車駕駛經驗的駕駛人，發生事故的概率能夠降低 30%。而 Landay 等[38]則說明，同理心較強的貨車駕駛人發生事故的概率較低，而具有焦慮、易怒、冒險和內疚傾向的貨車駕駛人，更容易誘發交通事故。

　　2.1.3 主題三：貨車碰撞事故致因分析研究基于統計學模型的貨車碰撞事故影響因素辨識是目前應用最為廣泛的事故致因定量分析方法。大部分研究基于文本和電子記錄數據，從駕駛人社會經濟屬性 [11, 23, 33, 46-47]、車輛特征[23, 33, 48]、空間特征[18, 30, 46-48]、時間特征[18, 30, 33]和天氣特征[23, 30, 33]等方面對貨車碰撞事故致因進行了相關探索。接下來，本文將從貨車碰撞事故顯著影響因素集和建成環境影響因素集分別進行綜述。

　　(1)貨車碰撞事故顯著影響因素集國內外學者不僅僅關注貨車碰撞事故的直接致因因素，還注重探討違法行為、車輛類型、道路線形等因素對碰撞事故的影響。如 Cantor 等[11]分析美國高速公路交通事故數據顯示，涉及卡車的事故中有 74%是由于違反交通法規、危險駕駛行為和身體狀況等駕駛人因素引起。Pahukula 等[18]發現在早上時段和晚上時段，貨車混入率(特別是大型載重貨車)與事故發生率呈顯著正相關關系。

　　Wang等[33]則揭示了彎道、坡度、平曲線等線形因素顯著影響大型貨車的事故傷害程度。在開展人、車、路等因素對貨車碰撞事故影響機制研究的基礎上，貨車混入對道路交通事故發生的影響也逐漸得到了研究者的關注。Hong 等[30]研究了駕駛人個人屬性、違法行為、交通狀況、路面狀況、天氣等因素對韓國高速公路碰撞事故頻率的影響關系，發現道路線形、路側結構、時間和季節性貨車涉入交通流比例等特征對碰撞事故有非線性影響。

　　(2)建成環境影響因素集一般認為，建成環境(包括土地利用、交通基礎設施、道路網絡等)決定了出行者/駕駛人的活動空間范圍、集聚程度和活動強度，直接影響著出行者/駕駛人的出行質量和滿意度。然而，建成環境如何影響交通事故的發生，在多大程度上影響貨車碰撞事故，這類問題鮮有報道。Yang 等[46]首次嘗試將道路基礎設施、道路線形條件、貨運 OD、人口密度和土地利用作為自變量，以貨車碰撞嚴重程度作為分類因變量，構建基于可解釋性機器學習算法的貨車碰撞嚴重度分析模型，分析發現人口統計、土地利用、道路網絡與碰撞嚴重程度顯著相關。在兩類影響因素集分析的基礎上，總結了近年來貨車事故致因分析的研究方法和關鍵影響因素。

　　可以發現，貨車事故關鍵影響因素中，駕駛人人為因素占主導，主要包括駕駛人在駕駛過程的行為失當。一般認為，通過規范貨車駕駛人的駕駛行為和控制人為風險因素，可以有效提高道路交通運輸的安全性。因此，針對貨車駕駛人進行安全培訓和風險監控具有非常重要的意義。雖然國內外學者一直關注貨車碰撞事故成因及對策，但研究視角主要集中于高速公路、隧道及長大下坡等特定路段，目前對山區公路貨車碰撞事故機理與防治的關注仍較為有限。如何合理、準確、及時地評估貨車駕駛人潛在的駕駛行為風險性及其發展態勢，則是目前研究亟待解決的核心問題。

　　3 結論

　　貨車駕駛人的駕駛行為特性是影響行車安全的重要因素。如何描述、甄別貨車駕駛人駕駛行為特性并對其進行關聯分析和行車風險評估，進而提出針對性的風險調控策略，是解決貨車駕駛人駕駛行為與道路行車安全交互作用機理問題的關鍵。其中，挖掘道路交通環境、駕駛行為與車輛狀態的隱性關聯是問題的核心。本文從貨車駕駛人的角度，系統綜述了駕駛行為辨識、危險駕駛行為與行車安全分析、貨車事故致因分析、駕駛安全風險評估等研究主題目前取得的研究進展。然后，從數據源、變量選擇方法、研究地點、建模方法等方面分析了各類研究主題的研究路徑。基于上述相關研究工作的分析，總結當前研究局限性和未來研究方向如下。

　　3.1 研究局限性

　　通過系統梳理 4 個主題的研究進展情況及其研究路徑生成結果，可以發現，國內外學者主要聚焦于貨車的駕駛人駕駛行為分類、危險駕駛行為識別和碰撞事故致因分析，研究場景更多集中于城市快速路和高速公路，針對山區公路環境下的貨車駕駛安全風險評估與防控研究仍缺乏足夠的關注�？偟膩碚f，盡管上述研究提供了具有理論或應用價值的成果，但仍需客觀地認識到，現有研究在數據獲取和研究地點、特征變量提取、建模方法層面還存在一些不足，總結如下。

　　(1)數據獲取和研究地點評述。

　　首先，貨車駕駛人駕駛行為與行車安全數據的獲取途徑較為單一，采集數據一般為文本電子類數據，使得結果的參考價值受到一定局限，也變相地導致目前針對駕駛風險動態評估的研究較少;其次，研究地點主要集中在正常天氣條件下的高速公路、城市道路等有利于數據收集的常規地點，在特殊天氣條件下或山區公路環境下的相關研究還不夠豐富;最后，現有研究正在嘗試使用車輛監控軌跡數據，開展貨車駕駛人駕駛行為辨識和運行安全相關研究。然而，這類數據的樣本量在空間和時間層面較為有限，以宏觀或集計分析為主，缺少對貨車運行的精細化描述和貨車個體異質性的科學表征，以及針對貨車危險駕駛行為的產生機制及演變機理的實測數據分析。

　　(2)特征變量評述。四類主題的已有研究偏向使用較多的指標數量，但動態且高頻指標較少，主要表現為貨車駕駛人操作特征、車輛運行特征和道路交通狀況等這一類的指標數量運用得偏少。此外，指標選取呈現兩極化特征，一方面是指標選取的合理性分析較少，具體表現為經驗選取或已有研究推薦的方式來確定指標的類型和數量，這類選取方式可能會根據當前的客觀條件所限而選擇與研究主題不匹配的指標，容易導致變量與研究目標之間的關聯性不強，使得模型精準度有限。

　　另一方面是指標選取方法的有效性有待驗證，盡管部分研究給出了基于數據驅動或數理統計的指標篩選方法，仍然會不同程度地缺失針對所選指標的適應性評估方法，難以保證指標選取的規范性和選取效果最佳的指標。隨著研究的深入和技術水平的發展，未來會出現新的采集設備和指標，需要建立通用的適應性指標選取方法和原則。

　　(3)建模方法評述。四類主題的相關研究所采用的方法主要分為兩類：一是數理統計建模;二是數據驅動建模�？梢园l現，主題二和主題三的相關研究多采用統計學模型，基本實現了危險駕駛行為與行車安全交互作用、貨車碰撞事故影響等機制的解析，但是對于探索貨車駕駛人危險駕駛行為和交通事故、車輛狀況、道路類型、交通擁堵程度、交通管理措施等因素之間復雜的交互關系有待進一步細化，特別是對實時道路信息接收、駕駛監控系統、駕駛輔助系統、網聯自動駕駛等應用環境對降低事故風險的潛在效能仍沒有充分地進行論證和分析。

　　相反地，主題一和主題四的相關研究主要采用基于機器學習的數據驅動方法，開展更為細致地駕駛行為分析與風險評估方面的研究，但是此類方法僅僅對駕駛行為進行分類或者靜態風險評估，所采用方法的優劣對比不具有對等性，且不能夠解釋自變量估計系數是否在統計上有意義。此外，針對貨車在途實時風險預測的相關研究仍較為缺乏。

　　3.2 未來研究方向

　　結合現有研究在數據獲取、研究地點、指標提取和建模方法的局限性，本文嘗試討論了未來可能的關于貨車駕駛人駕駛行為與行車安全的四個研究方向。

　　首先，針對貨車駕駛人駕駛行為研究，討論了利用大數據和人工智能描述貨車駕駛人時空駕駛行為模式的發展方向(描述);其次，針對貨車碰撞事故致因分析，討論了“人-車-路”時空因素建模的可能性(解釋);然后，面向高新智能自動化環境，討論了貨車危險駕駛行為與行車安全關系的研究重點(關聯);最后，面向道路運輸安全的重大現實需求，討論了貨車在途動態風險預測的必要性(應用)。

　　總的來說，本文將貨車駕駛行為模式、貨車碰撞事故致因分析、貨車危險駕駛行為和行車安全關聯性、貨車在途動態風險預測作為一個整體系統考慮，四者之間的關系(即描述-解釋-關聯-應用)。隨著數據的實時更新與未來其他類型數據的接入，整個系統將通過基于統計和人工智能算法的數據驅動模式，改善和提升四個部分輸出結果的準確性。同時，貨車駕駛行為和貨車碰撞事故致因的分析結果，將有助于進一步解析和理解駕駛行為和行車安全之間的關聯性，而前三者(描述-解釋-關聯)的研究成果能夠幫助提升貨車動態風險預測的精度，推動貨車駕駛人危險駕駛在線監測技術和貨車主動安全設備研制的實用化進程。

　　參考文獻：

　　[1] GSUL M, 胡予紅, 周旋, 等. 道路交通運輸安全發展報告(2017)[J]. 中國應急管理, 2018, 12(2): 48-58.[GSUL M, HU Y H, ZHOU X, et al. Road traffic safety development report(2017)[J]. China EmergencyManagement, 2018, 12(2): 48-58.]

　　[2] ARBABZADEH N, JAFARI M. A data-driven approach for driving safety risk prediction using driver behaviorand roadway information data[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(2): 446-460

　　[3] FORMOSA N, QUDDUS M, ISON S, et al. Predicting real-time traffic conflicts using deep learning[J].Accident Analysis and Prevention, 2020, 136: 1-14.

　　[4] YUKSEL A S, ATMACA S. Driver’ s Black Box: A system for driver risk assessment using machine learningand fuzzy logic[J]. Journal of Intelligent Transportation Systems, 2021, 25(5): 482-500.

　　[5] Li G F, Li S B, CHENG B, et al. Estimation of driving style in naturalistic highway traffic using maneuvertransition probabilities[J]. Transportation Research Part C: Emerging Technologies, 2017, 74: 113-125.

　　[6] 胡立偉, 李耀平, 林玉珍. 不同等級公路環境下駕駛人動態視覺特性規律研究[J]. 交通運輸系統工程與信息, 2014, 14(3): 58-63. [HU L W, LI Y P, LIN Y Z. Driver’s dynamic visual characteristics and laws underdifferent highway environments[J]. Journal of Transportation Systems Engineering and InformationTechnology, 2014, 14(3): 58-63.]

　　[7] 周悅, 江欣國, 付川云,等. 基于混合 Logit 模型的出租車超速者運營因素分析[J]. 交通運輸系統工程與信息, 2021, 21(3): 229-236. [ZHOU Y, JIANG X G, FU C Y, et al. Operational factors analysis for taxi speedersusing mixed logit model[J]. Journal of Transportation Systems Engineering and Information Technology, 2021,21(3): 229-236.]

　　作者：覃文文 1, 2，李歡 1，李武 3，谷金晶 4，戢曉峰*1, 2

轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/jjlw/29994.html