Transport Research >

2023 , Vol. 9 >Issue 6: 88 - 98

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2023.06.009

Technology Frontier

Method for Portraying Driving Characteristics of Expressway Vehicles Based on ETC Gantry Data

  • LIU Libing , 1 ,
  • LU Hong 2 ,
  • MEI Lexiang 3 ,
  • LI Wei 1 ,
  • Gai Bingyang 1 ,
  • JIN Yinli , 1
Expand
  • 1 School of Electronics and Control Engineering, Chang′an University, Xi′an 710064, China
  • 2 Shaanxi Provincial Expressway Toll Center, Xi′an 710021, China
  • 3 Highway Monitoring & Emergency Response Center, Ministry of Transport of the People′s Republic of China, Beijing 100029, China

Received date: 2023-06-09

  Online published: 2024-01-16

Fold

Abstract

In order to reasonably evaluate the risk of driving behavior and the degree of abnormal toll inspection status of vehicles on expressway and to warn the risk vehicles in advance, a method for constructing vehicle driving characteristic portraits based on ETC gantry data was proposed. Firstly, by analyzing the risky driving behavior and the toll inspection status of vehicles, a vehicle driving characteristic portrait index system was constructed with indicators including overspeed driving behavior, fatigue driving behavior, abnormal gantry state, abnormal toll state and abnormal path state. Then, a comprehensive entropy weight method was established by using entropy weight-TOPSIS method and entropy weight-grey correlation analysis to determine the weight of each index. Finally, eight vehicles were selected as the experimental objects to generate radar maps of vehicle driving characteristics to verify the effectiveness of the method. The results showed that three out of four Type 1 buses exhibited overspeed driving behavior, with their overspeed driving index tending towards 0.8, while other driving characteristic indices all tended to 0. Among the four Type 6 trucks, two showed abnormal performance on the fatigue driving index, with the fatigue driving index tending towards 0.4, and one had abnormal toll status index tending towards 0.4, indicating a possible risk of fee evasion. It can be seen that this method can effectively distinguish the risk types of different vehicle models and help expressway managers to make targeted risk decisions.

Key words： ETC gantry; vehicle driving characteristics; entropy weight method; risky driving behavior; toll inspection status

Cite this article

LIU Libing , LU Hong , MEI Lexiang , LI Wei , Gai Bingyang , JIN Yinli . Method for Portraying Driving Characteristics of Expressway Vehicles Based on ETC Gantry Data[J]. Transport Research, 2023 , 9(6) : 88 -98 . DOI: 10.16503/j.cnki.2095-9931.2023.06.009

0 引言

交通安全问题一直备受社会各界关注。高速公路运营以来，车辆偷逃费现象长期存在，成为公路运营管理的一大难题。如何有效预防和打击偷逃费行为，保障公路运营的公平性和秩序性，是摆在管理者面前的重要课题。在交通系统中，高速公路车辆作为主要参与者，其通行特征受到人、车、路、环境等多方面因素的影响，呈现出一定的差异性。通过对车辆历史通行数据的分析，可深入了解车辆的长期风险驾驶行为以及通行费稽查指标。这不仅有助于评估车辆的风险驾驶程度，还能发现通行费缴纳的异常情况。因此，从研究车辆行驶特征的角度出发，准确评估车辆的行驶风险水平，对于预防交通事故和提高车辆稽查管理水平具有重要意义。
目前，国内外对车辆风险驾驶行为的研究主要分为以下2类：①根据车辆驾驶特征的驾驶风格识别与划分；②基于车辆驾驶特征的风险安全评估模型研究。第一类研究主要通过聚类算法，如K近邻聚类[1]和K-means++算法[2]，神经网络算法[3]，决策树等对车辆驾驶风格进行分类，并对应于不同的风险程度；对于选取车辆驾驶特征指标，Wang等人[4]采用随机森林算法分析车辆横向、纵向加速度以及不同时间点的方向盘转角指标与疲劳驾驶行为的关系，发现横向和纵向加速度是监测疲劳驾驶最有效的指标；Ellision等人[5]采用GPS数据对超速行为的时间效益以及危险程度进行了分析。第二类基于车辆驾驶特征的安全风险评估模型研究，主要通过确定车辆风险驾驶特征，采用层次分析法、熵权法和贝叶斯网络等建立车辆风险评价模型。如牛世峰等人[6]利用卫星定位数据，选取加速度、加速度标准差等26个驾驶行为特征参数，采用集成赋权法建立了驾驶风险评估模型；蔡晓禹等人[7]基于车辆OBD驾驶行为数据及信息熵理论，提出了城市道路交通安全风险预估方法；郭淼等人[8]基于交通事故数据提取风险驾驶行为影响变量，利用逻辑回归算法计算交通事故发生概率。
综上，既有研究中，基于车辆行驶特征划分驾驶风格主要根据数据源的不同进行有针对性的研究，但过多的特征指标会增加数据采集及处理的难度，也会降低驾驶风格的聚类识别精度，合理有效地选取特征指标一直是特征工程追求的目标；基于车辆驾驶特征的安全风险评估模型研究，大多采用车载和卫星定位数据，采集成本高、难度大，较难准确评估不同道路情况下车辆驾驶风险程度。考虑评估的准确性和数据获取的便捷性，本研究将基于ETC门架监测数据，在保证数据采集成本较低且具有时效性的同时，可完整获取车辆的ETC门架历史通行数据，同时结合用户画像思想，建立车辆不同风险驾驶行为和稽查特征的长期行驶特征画像，以期为高速公路车辆驾驶安全风险评估和收费稽查管理提供理论支撑，推动相关政策的制定和实施。

1 车辆行驶特征画像指标体系构建

通过ETC门架可以采集到行驶在对应区间的车辆行驶信息，主要包括车辆通过的门架编号、行驶时间、车型、车牌号码、入口收费站、入口时间、应收金额、实收金额等140余项信息。从中可以提取车辆自身属性信息、出入口信息、门架通行信息等与车辆行驶特征密切相关的信息，进而能从风险驾驶行为以及通行费用支付情况等方面挖掘车辆的长期通行特征。

1.1 车辆行驶特征画像指标选取

1.1.1 车辆风险驾驶行为评价指标选取

《道路交通运输安全发展报告（2017）》[9]指出，大量的交通事故由驾驶人超速、疲劳驾驶、疏忽大意及操作不当造成。而部分运营车辆驾驶人为追逐运输利益，存在超速驾驶和疲劳驾驶等危险驾驶行为。对于高速公路上的车辆超速行为[10-11]，当车辆在高速公路上超速行驶遇到突发情况时，由于车速较快，驾驶者应对时间更短，会增加交通事故发生的可能性，若发生碰撞冲击力会更大，导致事故伤害更加严重。对于疲劳驾驶行为，当驾驶员疲劳驾驶时，注意力会下降，大脑反应变慢，常常表现出肢体动作不协调的症状。当面对复杂的道路和车辆状况时，如果无法对突发事件及时反应，采取有效的安全措施，很可能发生交通事故。因此，本文从超速驾驶、疲劳驾驶两方面构建车辆风险驾驶行为的评价指标。
通过ETC门架监测信息可获取车辆通过相邻两个门架的平均车速和通过时间，基于车速与时间信息对超速驾驶、疲劳驾驶行为进行分析，可为高速公路交通安全评价提供支撑。

1.1.2 车辆通行费稽查状态评价指标选取

全国撤销省界收费站后，已建立两万余套ETC门架系统，有效提高了综合交通运输体系运转效率，实现了行驶路径的精准识别，同时采集到了大量视频、图像信息。但实行门架分段计费，会存在因设备故障、极端天气或屏蔽干扰OBU信号等导致的门架不能成功识别到车辆信息的问题，以致无法判定车辆行驶路径。
因此，本文将对通行费相关数据进行分析挖掘，判断车辆的行驶路径，基于每辆车的行驶特征进行车辆画像，探究如何通过新收费模式获取的数据发现路径不闭合、超时行驶、U形行驶路径等作弊行为，以及新收费模式下产生的新作弊方式。通过对已经逃费车辆的精准稽查和多项稽查指标的关联分析，可确定车辆逃费路径，帮助减少甚至杜绝逃漏通行费行为。车辆通行费稽查状态异常分为车辆ETC门架状态信息异常、收费状态异常、路径状态异常3大类。
综上，本文所选取的车辆行驶特征画像指标如图1所示。
图1 车辆行驶特征画像指标

1.2 车辆行驶特征指标集构建

1.2.1 超速驾驶行为指标集构建

高速公路上，每个收费单元由相邻两个ETC门架构成，当车辆驶入高速公路后，其通行记录中会存在车辆通过每个收费单元上游门架时刻和下游门架时刻。通过车辆通过的上下游门架时刻以及当前收费单元长度，可计算车辆通过当前收费单元的平均车速，计算公式为：
V c = L c t c d - t c u
式（1）中： V c为车辆在收费单元 c的平均车速； t c u为车辆通过上游门架时刻； t c d为车辆通过下游门架时刻，则 t c d - t c u为车辆通过收费单元时长 t c； L c为收费单元 c的长度。
定义高速公路上不同类型车辆在不同路段下实际限速为 V r，若 V c > V r，则判定车辆在当前收费单元 c中超速行驶，且被判定为单次通行中的一次超速。基于超速行为判别方法，构建车辆单次通行超速驾驶指数如式（2）所示：
R 1 o s = ∑ c ' = 1 C ' L c ' o s L R 2 o s = ∑ c ' = 1 C ' T c ' o s T
式（2）中： R 1 o s ,   R 2 o s分别为车辆单次通行距离累计超速率、时间累计超速率； L为车辆单次通行的总里程； T为车辆单次通行的总时长； c '为车辆被判定为超速驾驶的收费单元； L c ' o s为车辆被判定为超速驾驶收费单元 c '的里程； T c ' o s为车辆在超速驾驶收费单元 c '的通行时长。
因此，构建超速指标集：
R o s = { R 1 o s ,   R 2 o s }
车辆总通行次数中存在超速驾驶行为通行次数的占比计算公式为：
R n o s = n o s N
式（4）中： R n o s为车辆 N次通行中存在超速驾驶行为的占比； n o s为存在超速驾驶行为的通行次数。

1.2.2 疲劳驾驶行为指标集构建

对于疲劳驾驶行为的判断，目前主要采用基于驾驶员生理指标[12]、基于驾驶员面部行为特征识别[13]、基于车辆运行状态[14]3种方法，其监测准确度高，但是数据采集难度大、采集成本高、不能保证实时性，并且会对驾驶员产生影响。针对疲劳驾驶状态时间阈值的确定，研究表明[15]驾驶员连续驾驶3 h后道路交通事故的发生率开始增加，连续驾驶4 h后发生重大交通事故的概率是连续驾驶3 h的1.5倍，在由疲劳驾驶引发的交通事故中，有20%~30%是由于连续驾驶时间过长而引起的。基于此，本文主要从车辆通行时长出发，通过车辆长期的通行数据，实现单车疲劳驾驶判别。疲劳驾驶状态共分为两类，疲劳驾驶状态1：车辆单次总通行时长大于3 h，其间不存在停车时刻，即车辆全程连续行驶，且行驶期间不存在服务区停车休息情况；疲劳驾驶状态2：车辆单次总通行时长大于3 h，其间存在停车时刻，即车辆间断行驶，存在服务区停车时刻，且近邻的两个停车时刻之差大于3 h，存在连续行驶3 h以上的行驶区间。
因此，为判断车辆单次通行中是否存在疲劳驾驶，首先需判断单次通行中是否存在收费单元超时停留现象。根据车辆在每个收费单元中的通行时长，结合收费单元理论最大通行时长 t c m a x判断车辆是否存在停车时刻；若 t c < t c m a x，则车辆单次通行不存在停车时刻；若 t c ≥ t c m a x，则车辆单次通行存在停车时刻。因车辆在收费单元区间内具体停车时刻无法确定，故定义停车时刻为车辆驶入该收费单元的上游门架时刻，根据得到的停车时刻判断车辆疲劳驾驶行为。停车时刻集合 M s为：
M s = { M s 1 ,   M s 2 ,   ⋯ ,   M s i ,   … ,   M s n }
式（5）中： M s i为车辆第 i次超时停车时刻， i = 1 ,   2 , ⋯ ,   n，超时停车时刻示意图如图2所示。
图2 超时停车时刻示意图
首先根据单次总通行时间 T判断车辆单次通行时长是否大于3 h：若小于等于3 h则车辆单次通行不存在疲劳驾驶；若大于3 h，且车辆单次通行不存在停车时刻，判定车辆属于疲劳驾驶状态1；若存在停车时刻，则判断 M s ( i + 1 ) - M s i - Δ t s i是否大于3 h（ Δ t s i为车辆在该单元通行时间与该单元理论最大通行时间之差，即车辆休息时间； M s ( i + 1 )为车辆第 i + 1次超时停车时刻； M s i为车辆第 i次超时停车时刻），若小于等于3 h，则判定车辆不属于疲劳驾驶状态2，该车不存在疲劳驾驶，否则判定车辆在 M s i ~ M s ( i + 1 )存在疲劳驾驶。疲劳驾驶判断流程如图3所示。
图3 疲劳驾驶状态判断流程图
根据图3疲劳驾驶的判断结果，若车辆被判定存在疲劳驾驶，则在不同的疲劳驾驶状态下单次通行连续疲劳驾驶的里程 L f t和连续疲劳驾驶时长 T f t的计算如式（6）、式（7）所示。
疲劳驾驶状态1：
L f t = ∑ c ' ' = 1 C ' ' L c ' ' f t ,         T f t = T - 3
式（6）中： L c " f t为车辆连续行驶3 h后通过的所有收费单元的里程； C "为车辆连续行驶3 h后通过的门架总数。
疲劳驾驶状态2：
L f t = ∑ c ' ' = 1 C ' ' L c ' ' f t ,         T f t = ∑ i ' I ' [ ( M s ( i ' + 1 ) - M s i ' ) - 3 ]
式（7）中： M s i '为车辆连续行驶时间大于3 h的起始停车时刻； M s ( i ' + 1 )为近邻的下一停车时刻； L c ' ' f t为车辆在 M s i ' ~ M s ( i ' + 1 )连续行驶3 h后所通过的收费单元里程；I′为车辆单次通行过程中的停车时刻总数。
根据车辆单次通行连续疲劳驾驶里程及疲劳驾驶时长，构建车辆单次行驶的疲劳驾驶指标集为：
R 1 f t = L f t L R 2 f t = T f t T
式（8）中： R 1 f t ,   R 2 f t分别为车辆单次通行的距离累计疲劳驾驶率、时间累计疲劳驾驶率。
根据式（8）得到疲劳驾驶指标集为：
R f t = R 1 f t ,   R 2 f t
车辆总通行次数中存在疲劳驾驶行为通行次数的占比计算公式为：
R n f t = n f t N
式（10）中： R n f t为车辆 N次通行中存在疲劳驾驶行为通行次数的占比； n f t为存在疲劳驾驶行为的通行次数。

1.2.3 车辆通行费稽查状态指标集构建

车辆稽查状态异常指标主要包括车辆ETC门架状态信息异常、收费状态异常、路径状态异常3项。
1）门架状态异常：判断车辆是否存在屏蔽门架的行为。当车辆通过ETC门架时，ETC门架会读取车辆的信息，通行过程中可能存在门架信息缺失的情况，若某辆车长期行驶均存在门架信息缺失情况，则该车辆很大程度存在屏蔽门架的行为。
2）收费状态异常：若车辆存在屏蔽门架的行为，会导致车辆单次通行存在收费单元缺失，最终收费金额中会缺失部分收费单元应缴费金额。
3）路径状态异常：大型货车长期通行于高速公路产生的通行费较高，部分驾驶人员为偷逃费，选择J形或U形行驶路径，这与正常行驶相比只需缴纳少许通行费用。
对车辆通行费稽查状态进行分析，可帮助高速公路管理部门识别重点车辆，并对其进行针对性管理。表1给出了不同稽查类型的定义、每个类型中的不同状态代码以及不同状态的识别方式。
表1 高速公路车辆通行费稽查类型及状态代码
稽查类型 状态代码 代码描述
门架
状态		 A 门架状态信息正常，路径完整或者门架路径的完整度和匹配度均在90%以上
B 门架状态信息缺失严重，门架路径的完整度在90%以下、匹配度在90%以上
X 实际路径存在多跑的可能，门架路径的完整度在90%以上、匹配度在90%以下
Y 路径与最小费额路径不符，门架路径的完整度、匹配度均在90%以下
F 路径完全缺失
收费
状态		 A 收费正常
Q 费用异常
R 实收费用为0
Z 无法判断
路径
状态		 A 路径正常
C U形路径
D J形路径
E 往复型路径
Z 无法判断
如表1所示，对于门架状态，定义代码A为门架状态正常，B、X、Y、F均为门架状态异常；收费状态和路径状态也划分为正常和异常两类。若车辆单次通行中存在不同通行费稽查指标的异常状态，则定义此次通行的车辆稽查状态异常。则车辆通行费稽查指标集包括在车辆历史总通行次数中的ETC门架状态信息异常占比 R g、收费状态异常占比 R f和路径状态异常占比 R p，其计算公式为：
R g = n g N R f = n f N R p = n p N
式（11）中： n g, n f, n p分别为存在ETC门架状态信息异常、收费状态异常、路径状态异常的通行次数。

2 车辆行驶特征画像指标权重计算方法

2.1 常用权重系数计算方法

基于以上的风险驾驶行为和车辆通行费稽查状态评价指标体系，风险驾驶行为中，超速行为与疲劳驾驶行为的评价指标集中均存在多个指标，因此为综合反映车辆的风险特征，需要计算各指标集中每个指标对综合指标的权重系数，进而构建车辆风险特征综合画像。常用的权重系数计算方法包括层次分析法（AHP）、主成分分析法（PCA）、变异系数法（CRITIC法）、熵权法、熵权-TOPSIS法、熵权-灰色关联法。
车辆运行特征画像属于无监督学习范畴，同时风险驾驶行为评价指标集与车辆通行费稽查状态评价指标集中每个指标之间存在一定的关联，为保证指数融合的准确性，本文采用熵权-TOPSIS法[16]与熵权-灰色关联分析[17]建立综合熵权法，分别对车辆风险驾驶行为中的超速驾驶行为指标集 R o s、疲劳驾驶行为指标集 R f t中的子指标进行权重分配。

2.2 综合熵权法计算流程

以超速驾驶行为指标集为例，设车辆通行次数为 m，以每次通行作为一个样本，综合熵权法的算法流程如下。
Step1：构建评价矩阵，对超速驾驶行为指标进行量化和标准化处理，得到评价矩阵 R o s = [ R i j o s ] m × n，其中 R i j o s为第 i个样本的第 j个指标， i = 1 ,   2 , ⋯ ,   m， j = 1 ,   2 , ⋯ ,   n。
Step2：计算熵值和权重，采用熵权法计算各指标的权重，首先根据式（12）计算各指标的熵值：
E j = - 1 l n m ∑ i = 1 m p i j l n p i j p i j = R i j o s ∑ i = 1 m R i j o s
式（12）中： E j为第 j个指标的熵值； p i j为指标 j在样本 i中所占的比例。
然后基于式（13）计算各指标的初始权重 w j：
w j = 1 - E j n - ∑ j = 1 n E j
Step3：计算正向化矩阵，采用正向化方法将原始矩阵 R o s转化为正向化矩阵 V o s = [ v i j o s ] m × n，其中 v i j o s为样本 i在指标 j上的得分。
Step4：计算最优解和最劣解，根据式（14）对正向化矩阵 V o s进行最大化和最小化处理，得到最优解 A +和最劣解 A -：
A + = m a x i = 1 ,   2 , … ,   m v i j o s           j = 1 ,   2 , … ,   n A - = m i n i = 1 ,   2 , … ,   m v i j o s           j = 1 ,   2 , … ,   n
Step5：计算样本与最优解和最劣解的距离，采用TOPSIS方法计算各样本与最优解和最劣解的距离，从而得到各指标的权重。首先根据式（15）计算各样本与最优解和最劣解的距离 S i +和 S i -：
S i + = ∑ j = 1 n ( v i j o s - A j + ) 2 S i - = ∑ j = 1 n ( v i j o s - A j - ) 2
然后得到各样本与最优解和最劣解的距离之比 R i = S i - S i + + S i -，从而根据式（16）计算得到排序指数 T i o s：
T i o s = ∑ j = 1 n w j R i j o s ∑ j = 1 n w j
将样本按照 T i o s从大到小进行排序，将排序结果中的每个样本视为一个样本序列，序列中每个元素为该样本在不同指标上的排名，选取最大化方案作为参照序列。
Step6：计算灰色关联度，对于参照序列和当前样本序列的每个指标，分别计算其差值的绝对值，得到差值序列 D = [ d 1 , d 2 , ⋯ , d n ]，计算其中的最大值和最小值，分别记为 D m a x和 D m i n，对于差值序列中的每个元素 d j分别计算其与 D m a x和 D m i n的距离，记为 r j , m a x = | D m a x - d j |和 r j ,   m i n = | D m i n - d j |，则当前样本序列与参照序列的灰色关联度 η j为：
η j = w j m i n ( r j ,   m a x ,   r j ,   m i n ) w j m a x ( r j ,   m a x ,   r j ,   m i n )
最终权重为：
w j * = ∑ j = 1 n w j η i j ∑ j = 1 n w j
式（17）~式（18）中： w j *为指标 j的最终权重； w j为初始权重； η i j为第 j个指标在第 i个样本中与参照序列中第 j个指标的灰色关联度。
对 R n o s与 R 1 o s和 R 2 o s的综合指数采用等权法进行融合，则每辆车在长期通行过程中超速驾驶行为指数 O S计算公式为：
O S = 1 2 ∑ i = 1 m ∑ j = 1 n w j R i j o s m + 1 2 R n o s
同理，可根据以上步骤计算疲劳驾驶行为指标集Rft的指数。

3 案例分析

3.1 数据准备

1）本文所使用的高速公路ETC门架数据来自陕西省西汉北高速公路2021年6月至2022年5月共计365 d的ETC门架过车监测数据，去掉其中2021年12月23日到2022年1月23日疫情封控期间的数据。依据研究内容，选取主要字段，经过初步整理后，得到如表2所示的ETC门架基础数据字段。
表2 ETC门架基础数据字段
字段编号 字段名称 约定及说明
1 通行标识 车辆单次通行的唯一标识
2 车牌 车辆唯一标识
3 门架识别车牌 车辆唯一标识
4 车型 1~4：1~4类客车，11~16：1~6类货车
5 门架编号 收费路段编号+门架顺序码+
上下行编号+保留位
6 通行时间 日期格式为年-月-日 时/分/秒
2）数据预处理，即进行数据清洗、数据转换、数据规约和数据整合。
①数据清洗。本研究所获取的数据中存在车辆单次通行标识不唯一、车辆通过下游门架的时间记录早于上游门架的时间记录等错误，经统计错误率为0.004%，将此类数据直接删除；存在门架时间缺失、门架识别车牌缺失、车型缺失以及门架编号缺失问题，经统计缺失率为0.032%，对此类数据进行相应的补全和删除操作；经统计数据重复率为0.024%，删除重复数据。
②数据转换。将ETC门架数据中的日期格式，从“年-月-日时/分/秒”转换为Unix时间戳格式。
③数据规约。选取部分典型车辆进行车辆行驶特征画像研究，如“两客一危”车辆。
④数据整合。按照车辆单次通行标识（PASSID）唯一性的原则，检索ETC门架过车监测数据中所有PASSID相同的数据，分别将每条数据记录的门架编号和门架通行时间采用字符“|”进行拼接，得到单车单次通行的完整门架轨迹与门架通行时间轨迹数据。
最后，生成的单车单次通行数据字典如表3所示。
表3 单车单次通行数据字典
字段编号 字段名称 约定及说明
1 OD 入口收费站-出口收费站
2 车牌 车辆唯一标识
3 车型 1~4：1~4类客车，11~16：1~6类货车
4 入口时间 时间格式为：yyyy-MM-dd HH-mm-ss
5 出口时间 时间格式为：yyyy-MM-dd HH-mm-ss
6 行驶时长 车辆单次通行时长/min
7 行驶里程 车辆单次通行里程/km
8 门架轨迹 GANTRYID_1|GANTRYID_2
|…|GANTRYID_n
9 门架时间轨迹 TRANSTIME_1|TRANSTIME2
|…|TRANSTIME_n
3）考虑样本量以及车辆在单次通行中可能出现不同驾驶行为，选取2021年6月至2022年5月期间1类客车通行次数最多的前4辆车和6类货车通行距离最长的前4辆车共计8辆车作为研究对象。本研究所选取的实验车辆及其基本通行信息见表4。
表4 实验车辆基本通行数据
车辆编号 车牌 车型 总通行
次数		 平均通行
里程/km		 平均通行
时长/min
a 陕A****6 1类客车 4 092 11.11 16.51
b 陕U****1 1类客车 3 934 26.62 14.30
c 陕D****4 1类客车 3 899 30.99 18.56
d 陕D****8 1类客车 3 807 30.79 19.05
e 陕D****0 6类货车 977 234.31 174.99
f 陕E****2 6类货车 965 223.91 181.01
g 豫R****7 6类货车 473 431.67 360.97
h 豫R****1 6类货车 439 461.98 386.70

3.2 指标权重计算

首先，根据式（2）、式（8）、式（11）分别计算实验车辆超速驾驶行为指标集、疲劳驾驶行为指标集中的每个指标值，以及车辆通行费稽查状态指标值；然后，根据式（13）分别计算表4中每辆车超速行为指标中的距离累计超速率和时间累计超速率的初始权重，以及疲劳驾驶行为指标中的距离累计疲劳驾驶率和时间累计疲劳驾驶率的初始权重。经过计算，得到每辆车超速驾驶行为指标集 R o s中每个指标与疲劳驾驶行为指标集Rft中每个指标的初始权重，如表5所示。
表5 风险驾驶行为指标初始权重
车辆
编号		 车牌 车型 R o s初始权重 R f t 初始权重
a 陕A****6 1类客车 （4.463，10.168） （0，0）
b 陕U****1 1类客车 （2.265，2.511） （0，0）
c 陕D****4 1类客车 （1.809，2.385） （0，0）
d 陕D****8 1类客车 （1.853，2.457） （0，0）
e 陕D****0 6类货车 （2.128，3.233） （132.588，129.752）
f 陕E****2 6类货车 （2.339，4.618） （356.468，519.435）
g 豫R****7 6类货车 （2.112，3.045） （4.318，5.432）
h 豫R****1 6类货车 （2.116，2.245） （3.785，5.108）
然后根据式（16）对每个样本进行排序，选取每辆车的最大化方案参照序列，计算每辆车超速驾驶行为与疲劳驾驶行为中每个样本序列与参照序列的灰色关联度，并得到最终权重，如表6所示。
表6 风险驾驶行为指标最终权重
车辆
编号		 车牌 车型 R o s最终权重 R f t 最终权重
a 陕A****6 1类客车 （0.652，0.348） （0.5，0.5）
b 陕U****1 1类客车 （0.505，0.495） （0.5，0.5）
c 陕D****4 1类客车 （0.501，0.499） （0.5，0.5）
d 陕D****8 1类客车 （0.501，0.499） （0.5，0.5）
e 陕D****0 6类货车 （0.501，0.499） （0.978，0.022）
f 陕E****2 6类货车 （0.502，0.498） （0.988，0.012）
g 豫R****7 6类货车 （0.505，0.495） （0.646，0.354）
h 豫R****1 6类货车 （0.509，0.491） （0.652，0.348）
按照2.2节中的流程计算车辆的超速驾驶行为指数、疲劳驾驶行为指数，结合已计算出的车辆通行费稽查状态指数，得到实验车辆行驶特征画像雷达图。

3.3 结果分析

实验车辆行驶特征画像雷达图如图4所示，其中图4（a）~图4（d）为1类客车行驶特征画像，图4（e）~图4（h）为6类货车行驶特征画像。
图4 1类客车与6类货车行驶特征画像雷达图
从图4可知，1类客车中除超速驾驶指数外，其余行驶特征指数均趋于0，表示车辆在疲劳驾驶、车辆通行费稽查状态两个方面表现良好。因为通常情况下，1类客车平均通行里程少、平均通行时长短，因此疲劳驾驶行为与通行费稽查异常状态存在的概率较低。车辆a超速驾驶指数为0.4，其余车辆的超速驾驶指数均趋于0.8，经统计车辆a在其总通行次数中超速驾驶行为占比为53.27%，其余3辆车分别为97.56%、99.70%、99.66%，可以判定在1类客车中，车辆a相比于车辆b、c、d的驾驶安全水平更高，表明该方法可有效区分车辆超速驾驶行为风险程度。
从6类货车驾驶特征雷达图可以看出，车辆在路径异常状态方面均表现良好。其余指标方面，车辆e与f的疲劳驾驶行为指数趋于0，车辆g与h的疲劳驾驶行为指数趋于0.4，同时车辆g与h超速驾驶行为指数、门架状态异常指数与收费状态异常指数均高于车辆e与f，根据表4可知，车辆g与h的平均通行里程与平均通行时长均大于车辆e与f。因此，车辆g与h的驾驶安全水平总体低于车辆e与f，结合其在通行费稽查状态方面的表现，将车辆g与h归类为重点筛查车辆。
通过以上分析可以看出，本文提出的高速公路车辆行驶特征画像方法可清晰地刻画车辆各风险指标的数值差异。针对风险指标高的车辆可进行重点监控，对司机建立惩戒机制，尽量避免以后再发生该风险驾驶行为。

4 结束语

本文从高速公路交通安全与车辆通行费稽查角度出发，分析车辆长期通行的风险驾驶行为与稽查指标，提出了一种基于ETC门架数据的高速公路车辆行驶特征画像方法来评估车辆的风险驾驶程度，并通过案例分析验证了该方法的有效性。然而，本研究仍存在一定局限。由于所提方法给出的是车辆长期行驶特征画像，针对通行次数少和通行里程短的车辆，可能会因数据不足导致评估结果不准确。同时，本研究现阶段数据源较单一，仅利用了ETC数据，下一步可以结合其他数据，如GPS和车辆OBD数据，实现多源数据融合。此外，还可考虑纳入超车频次、加速度等指标，进一步完善车辆行驶特征画像指标体系。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
KARGINOVA N, BYTTNER S, SVENSSON M, et al. Data-driven methods for classification of driving styles in buses[C]// SAE World Congress Exhibition. Detroit: SAE International, 2012: 744-750.

[2]
王旭, 马菲, 廖小棱, 等. 基于多分类监督学习的驾驶风格特征指标筛选[J]. 交通信息与安全, 2022, 40(1):162-168.

[3]
XU L, HU J, JIANG H, et al. Establishing style-oriented driver models by imitating human driving behaviors[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(5): 2522-2530.

[4]
WANG M S, JEONG N T, KIM K S, et al. Drowsy behavior detection based on driving information[J]. International Journal of Automotive Technology, 2016, 17(1): 165-173.

[5]
ELLISON A B, GREAVES S P. Speeding in urban environments: Are the time savings worth the risk?[J]. Accident Analysis and Prevention, 2015, 85: 239-247.

[6]
牛世峰, 李贵强, 张士伟, 等. 卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型[J]. 中国公路学报, 2020, 33(6):202-211.

[7]
蔡晓禹, 雷财林, 彭博, 等. 基于驾驶行为和信息熵的道路交通安全风险预估[J]. 中国公路学报, 2020, 33(6):190-201.

[8]
郭淼, 赵晓华, 姚莹, 等. 基于驾驶行为和交通运行状态的事故风险研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9):29-38.

[9]
GSUL M, 胡予红, 周旋, 等. 道路交通运输安全发展报告(2017)[J]. 中国应急管理, 2018(2):48-58.

[10]
FIGUEREDO G P, AGRAWAL U, MASE J M, et al. Identifying heavy goods vehicle driving styles in the United Kingdom[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(9): 3324-3336.

[11]
MEHDIZADEH M, SHARIAT-MOHAYMANY A, NORDFJAERN T, et al. Driver behaviour and crash involvement among professional taxi and truck drivers: Light passenger cars versus heavy goods vehicles[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2019, 62: 86-98.

[12]
WANG L, ZHANG C, YIN X, et al. A non-contact driving fatigue detection technique based on driver's physiological signals[J]. Qiche Gongcheng/Automotive Engineering, 2018, 40(3): 333-341.

[13]
郭慧利, 王恁, 郭浩, 等. 基于面部多特征的疲劳驾驶预警系统的研究[J]. 通信学报, 2018, 39(S1):22-29.

[14]
胡峰松, 程哲坤, 徐青云, 等. 基于多特征融合的疲劳驾驶状态识别方法研究[J]. 湖南大学学报(自然科学版), 2022, 49(4):100-107.

[15]
PATTEN C, KIRCHER A, ÖSTLUND J, et al. Driver experience and cognitive workload in different traffic environments[J]. Accident Analysis and Prevention, 2006, 38(5): 887-894.

[16]
WANG X, ZHANG J, GUO W, et al. Research on the evaluation of routine maintenance quotas of expressways based on the Entropy Weight-TOPSIS Method[C]// CICTP 2022:Intelligent, Green, and Connected Transportation-Proceedings of the 22nd COTA International Conference of Transportation Professionals. Changsha: American Society of Civil Engineers(ASCE), 2022: 2275-2283.

[17]
冯运卿, 李雪梅, 李学伟. 基于熵权法与灰色关联分析的铁路安全综合评价[J]. 安全与环境学报, 2014, 14(2):73-79.

Options
Outlines

/

〈 〉