Evaluation method of driving proficiency based on fixation transition mode
-
摘要: 为了客观量化评价驾驶人驾驶熟练程度, 分析了实车试验环境中的眼动仪采集数据。采取注视区域划分方法, 选取8个注视转移模式表征参数作为评价指标。运用主成分分析方法研究了15个驾驶人眼动数据, 得到了基于注视转移模式的驾驶熟练程度计算方法。试验结果表明: 15个驾驶人驾驶熟练程度评价得分值与其驾驶经验里程之间存在密切关系; 运用提出的方法, 可以清楚区分以5.0×104 km驾驶经验里程为界限的2个群体, 但是在每个群体内部, 驾驶人驾驶熟练程度评价得分不呈现明显的规律性。Abstract: In order to quantitatively and objectively evaluate the driving proficiency of driver, the collected data from eye movement tracking device was analyzed in real vehicle test environment.By using fixation area division method, 8 characterization parameters of fixation transition mode were chosen as evaluation indexes.Principal component analysis(PCA) method was using to analyze the eye movement experiment data of 15 drivers, and the calculation method of driving proficiency evaluation based on fixation transition mode was built.Test result shows that the evaluation score of driving proficiency has close relationship with the driving experience mileage.When the threshold ralue of driving experience mileage is 50 000 km, the driving proficiencies of two groups of drivers can be distinguished by using the proposed method, but in each group, the evaluation scores of driving proficiencies have unobvious regularity.
-
Key words:
- traffic safety /
- driver /
- driving proficiency /
- principal component analysis /
- fixation transition mode
-
要提高公路建设项目环境评价和环境保护设计的质量, 除规范环境评价与环保设计方法外, 还必须对公路在建设和营运期间影响环境的一些关键性的参数进行测试和研究, 确定和规范其取值方法。公路上行驶的各种机动车车流(线源) 污染物排放强度(也称排放源强) 就是一个十分重要、需要深入研究的参数。本文首先分析了建立机动车污染物排放强度常用方法的优缺点, 结合中国机动车排放水平, 在公路隧道内实测机动车污染物平均单车排放因子和选取典型在用汽车单车污染物排放速度特性模拟实测相结合的方法, 建立了中国公路机动车线源污染物排放强度的计算公式及其参数的取值。其研究成果可供公路项目环境影响评价、公路隧道通风设计、机动车污染物控制和交通环境规划等工作中参考使用。
1. 车流污染物排放强度常用确定方法
1.1 单车污染物排放因子法
该方法把公路上行驶的机动车分为几类, 用实测得各类型车单车污染物排放因子分别乘以分类型车的交通量计算车流的污染物排放强度。该方法的优点是可以用测功机模拟公路上机动车行驶状态(加速、减速、匀速等) 来实测不同类型机动车的单车排污因子。在计算排放源强时考虑了公路行驶车辆的组成(车种比例)。该方法的局限是每类型机动车的单车排污因子值离散性大[1], 很难取得各分类机动车排放因子代表实际公路车流的排放水平。
1.2 用机动车耗油量确定车流污染物排放强度
该方法以车辆行驶单位里程耗油量推算车流污染物排放率。该法的优点是计算简单, 局限性是推算的污染物排放强度不能完全反映公路上车辆行驶状态的影响。因为, 机动车污染物(CO、NOx、HC) 的排放与其运行工况、公路的结构和所处的环境有关。而且机动车排放的NOx以气缸作功高温环境中氮气和氧气的合成为主, 而与机动车耗油量没有直接的关系。所以这种方法在公路项目环境评价和公路隧道通风计算中较少使用。
1.3 用公路隧道确定车流污染物排放强度
在建成营运的公路隧道内测试车流排气形成的污染物浓度的分布和隧道内风场等环境要素, 再通过隧道内污染物质量守恒方程可导出车流污染物排放强度[2-4]。隧道法确定的公路线源污染物排放强度代表真实公路上机动车在真实的行驶状态下的排污水平。隧道法的优点是计算出的车流平均单车污染物排放因子符合实际车流的污染物排放水平, 同时回避了美国环保局Mobile模式中诸如机动车车龄、行驶里程等在中国难以确定的因素。该法不足之处是不易分出各类型机动车污染物排放的贡献。
2. 公路线源污染物排放强度计算方法
2.1 公路线源强度的表达式
从中国公路上行驶的机动车车流的组成和行驶速度分析, 公路通过的地域、地区经济发展水平以及公路沿线矿产资源的分布不同, 交通量和车型组成差别较大。不同等级的公路上, 机动车行车速度也不相同。此外, 在同一公路上行驶的轻型车(质量 < 3.5 t)、中型车(3.5 t < 质量 < 8.0 t) 和重型车(质量 > 8.0 t) 其车速也不相同。所以, 在公路线源污染物排放强度的计算方法中必须考虑车型分类和行车速度等因素。因此将公路线源污染物排放强度的表达式表示为
Qj=13600n∑i=1λij(v)ΚijAi (1)
式中: Qj为公路线源机动车j污染物排放强度(g/ (km·s)), j=1, 2, 3分别表示污染物为CO、HC、NOx; Ai为公路上i分类型机动车小时交通量(vehs/h), i=1, 2, 3, 4分别表示轻型车、中型车、重型车和摩托车; Kij为i型机动车以50 km/h匀速行驶排放j污染物单车综合排放因子(g/ (km·veh)); λij为i分类型车j污染物排放因子Kij的车速订正系数; v为车速。
2.2 公路线源污染物排放强度各参数的确定
为了使公路线源污染物排放强度的计算建立在目前中国公路路况机动车污染物排放基础上, 采用实测公路隧道内机动车行驶条件下排放污染物浓度的方法确定车流平均单车污染物排放因子。
由于行车速度对机动车污染物排放量有显著的影响[1], 而通过公路隧道的机动车车速在一定范围之内, 不便分析单车污染物排放因子与车速的关系。因此对中国目前一些代表性机动车采用能模拟道路荷载的底盘测功机上实测在不同速度(稳定) 平均车速下单车污染物排放因子(或浓度), 以获得排放因子的速度订正系数。即把建立公路线源机动车污染物排放强度计算表达式中各参数的测试和确定过程分为三步: ①用隧道法确定实际车流污染物平均排放强度; ②用实验室底盘测功机台架模拟测试确定机动车单车污染物排放因子的车速变化曲线; ③用线性优化方法确定各分类车型综合单车污染物排放因子。
2.2.1 隧道法确定平均单污染物排放因子
在全国范围内选取成都至重庆高速公路龙泉山隧道(长780 m)、甘川公路七道梁隧道(长1600 m) 和西安市北路隧道(长470 m), 通过实测隧道中CO、HC和NOx浓度和交通量以及风速等气象要素, 建立隧道空气质量方程[5]求得中国高速公路、山岭公路和城市道路机动车平均单车污染物排放因子[6-8]列表 1。
2.2.2 机动车单车污染物排放因子车速订正因子的确定
根据对中国11种正在使用的轻型机动车和4种中型和重型机动车在不同车速行驶条件下污染物排放因子和浓度实测值用多项式拟合得到了中国轻型车[1]和中、重型车CO、HC和NOx排放因子车速订正系数的计算公式为
λij(v)=aij+bijv+cijv2 (2)
式中: λij为i车型排放j污染物车速订正系数; aij、bij和cij为回归系数。回归值见表 2。表 2的使用条件为: 轻型车的车速v在20~110 km/h之间, 当v > 110 km/h, 取v=110 km/h时的值。中重型车速v在20~90 km/h, 当v > 90 km/h, 取v=90 km/h的订正系数。
表 2 单车污染物综合排放因子速度订正系数车型 CO HC NOx a b c a b c a b c 轻型车 3.6169 -0.07394 0.00043 2.7392 -0.04655 0.00025 1.16875 -0.0896 0.00011 中、重型车 2.1398 -0.0291 0.00012 4.22107 -0.09182 0.00057 0.707017 -0.0024 0.000169 2.2.3 分类车型单车污染物排放因子的线性优化确定
若设ˉEj为在隧道内测试的机动车j污染物平均单车排放因子(表 1), Kij为i分类型机动车单车j污染物排放因子; 则在一个隧道内测试污染物浓度期间, 所求的分类型机动车单车污染物排放因子Kij必满足
VˉEj=n∑i=1ViΚij=Vn∑i=1aiΚij (3)
式中: Vi为隧道测试期间过往隧道i类型车的交通量; ai为i类车所占总车量(V=n∑i=1Vi)的百分比; 脚标i=1, 2, 3, 4分别为轻型车、中型车、重型车和摩托车。
各分类机动车污染物排放因子Kij必须在一定的范围内取值有意义, 即
min{Κij}≤Κij≤max{Κij} (4)
这里, 最小值min{Kij}和最大值max{Kij}取实测的各分类型机动车排放因子数据。Kij所满足的两个条件(3) 和(4) 在数学上等价地表示为下列线性优化问题
max 3∑iaⅠiλij(vⅠi)Κij+4∑iaⅡiλij(vⅡi)Κij+4∑iaⅢiλij(vⅢi)Κij (5)
s.t. min{Kij}≤Kij≤max{Kij} (6)
3∑iaⅠiλij(vⅠi)Κij+4∑iaⅡiλij(vⅡi)Κij+4∑iaⅢiλij(vⅢi)Κij≤ˉEⅠj+ˉEⅡj+ˉEⅢj (7)
式中: λj (v) 为车速订正因子; Ⅰ、Ⅱ、Ⅲ分别为龙泉山、七道梁和西安北路隧道。由于高速公路上禁止摩托车行驶, 龙泉山隧道车型只有3种。
根据龙泉山、七道梁和西安北路隧道实测平均单车污染物排放因子(表 1) 及测试期间隧道内交通量的车种比例ai、各分类车型的平均车速vi。求解线性优化问题(5) ~ (7) 得中国公路机动车分类车型(参考车速50 km/h) 单车污染物排放因子Kij列表 3。
表 3 分类车型单车污染物排放因子Kij(g/ (km·veh)) 车型 CO HC NOx 轻型车 36.291 3.310 2.881 中型车 33.249 4.519 4.671 重型车 17.830 2.860 13.760 摩托车 20.007 3.486 0.184 3. 公路线源机动车污染物排放强度可靠性分析
根据空气污染物扩散理论[9-10], 公路上行驶机动车j污染物排放强度Qj与公路两侧污染物浓度的分布cj (x) 成立线性关系
cj(x)=Qjf(u,st,h,⋯) (8)
式中: f (u, st, h, …) 为大气扩散函数, 与公路两侧风速(u)、大气稳定度(st) 和路基高度(h) 等工程和气象条件有关[11]。不同的扩散模式, f的表达式不同。通过在公路上实测和计算式(8) 中cj, Qj和f中的任意两个量可以验证第3个量。
为了评价Qj的代表性, 我们在某高速公路上选取了一个断面, 通过实测公路断面两侧不同距离处NOx浓度记作cj观测, 同时统计采样期间各时段的交通量、车型和观测用于计算f (u, st, h…) 的气象条件。用本文的分类车型单车污染物排放因子Kij和实测交通量代入式(1) 计算Qj计算。再用同步观测的气象条件计算f得到Qj计算·f计算 (u, st, h) =cj计算并和cj观测用统计方法分析公路线源污染物排放强度Qj计算方法的可靠度。
采用Willmott提出的证价模式预测浓度值p与观测浓度值O相关程度的统计量称为符合度指数(index of agreement) 以及系统方差和非系统方差等统计量一道使用分析计算浓度与观测浓度之间的统计关系, 各统计量的定义如下:
符合指数为
d=1-n∑i=1(pi-Οi)2n∑i=1(pi-ˉΟ+Οi-ˉΟ)2 Ο≤d≤1 (9)
系统方差(MSEs) 为
ΜSEs=RΜSE2s=Ν-1n∑i=1[(a′+b′Οi)-Οi]2 (10)
非系统方差(MSEu) 为
ΜSEu=RΜSE2u=Ν-1n∑i=1[pi-(a′+b′Οi)]2 (11)
式中: a、b为回归系数; n为样本数。
总系统均方差为
RΜSE=√RΜSE2s+RΜSE2u (12)
根据某高速公路各测点实测NOx浓度和用目前公路环境评价中常用的线源扩散模式GM和HIWAY线源扩散模式计算得各点的NOx浓度值分别计算了上述统计量。此外, 还计算了实测浓度和模式计算浓度的均值ˉΟ、ˉp‚标准差Sa、Sb以及线性回归系数a′和b′ (截距和斜率), 结果列表 4。可见, 两个模式的d在0.7865~0.8982之间, r在0.695~0.780之间。故采用本文提出的公路线源机动车污染物排放强度公式, 用目前公路项目环境评价常用的线源扩散模式只要扩散参数和风速具有代表性, 计算的公路两侧污染物浓度具有满意的可信度。这也说明建立的中国公路机动车线源污染物排放强度计算方法及各参数的取值有良好的可靠性。
表 4 可靠性统计参数模式 实测值、计算值 线性回归 评价统计分析 ˉΟ ˉp Sa Sb a′ b′ r RMSEs RMSEu RMSE d GM 0.123 0.094 0.085 0.088 0.023 0.581 0.695 0.8222 0.0023 0.008 0.7865 HIWAY 0.123 0.125 0.085 0.100 0.008 0.953 0.780 0.1086 0.0007 0.0118 0.8982 4. 结语
通过在三座代表性公路隧道内对中国机动车污染物排放因子现场实测和在实验室底盘测功机上对典型在用机动车排放工况实验测试基础上, 提出了中国公路线源机动车污染物排放强度的计算方法。给出了分类型机动车污染物排放因子及其车速订正系数的参数取值。
经在某高速公路机动车NOx排放浓度实测和计算扩散浓度可靠性分析表明, 提出的公路线源排放强度计算方法有良好的精度。
-
表 1 累计贡献率
Table 1. Accumulative contribution rates
表 2 转移概率
Table 2. Transition probablities
表 3 驾驶熟练程度评价得分与驾驶经验里程
Table 3. Evaluation scores of driving proficiency and driving experience mileages
表 4 八个指标对E值的影响程度
Table 4. Influence degrees of 8 indexes on E value
-
[1] 公安部交通管理局. 中华人民共和国道路交通事故统计年报[R]. 北京: 公安部交通管理局, 2010. [2] CRUNDALL D, UNDERWOOD G. Effects of experience and processing demands on visual information acquisition in drivers[J]. Ergonomics, 1998, 41(4): 448-458. doi: 10.1080/001401398186937 [3] CHAPMAN P, UNDERWOOD G. Visual search of driving situations danger and experienced]. Perception, 1998, 27(8): 951-964. [4] CRUNDALL D, UNDERWOOD G, CHAPMAN P. Driving experience and the functional field of view[J]. Perception, 1999, 28(9): 1075-1087. doi: 10.1068/p281075 [5] UNDERWOOD G, CRUNDALL D, CHAPMAN P. Selective searching while driving the role of experience in hazard detection and general surveillance[J]. Ergonomics, 2002, 45(1): 1-12. doi: 10.1080/00140130110110610 [6] CHAPMAN P, UNDERWOOD G, ROBERTS K. Visual search patterns in trained and untrained novice drivers[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2002, 5(2): 157-167. doi: 10.1016/S1369-8478(02)00014-1 [7] UNDERWOOD G, CHAPMAN P, BERGER Z E, et al. Driving experience, attentional focusing, and the recall of recently inspected events[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2003, 6(4): 289-304. doi: 10.1016/j.trf.2003.09.002 [8] UNDERWOOD G, CHAPMAN P, BROCKLEHURST N, et al. Visual attention while driving sequences of eye fixations made by experienced and novice drivers[J]. Ergonomics, 2003, 46(6): 629-646. doi: 10.1080/0014013031000090116 [9] UNDERWOOD G. Visual attention and transition from novice to advanced driver[J]. Ergonomics, 2007, 50(8): 1235-1249. doi: 10.1080/00140130701318707 [10] KONSTANTOPOULOS P, CHAPMAN P, CRUNDALL D. Driver's visual attention as a function of driving experience and visibility: using a driving simulator to explore drivers eye movements in day, night and rain driving[J]. Accident Analysis and Prevention, 2010, 42(3): 827-834. doi: 10.1016/j.aap.2009.09.022 [11] HOSKING S G, LIU C C, BAYLY M. The visual search patterns and hazard responses of experienced and inexperienced motorcycle riders[J]. Accident Analysis and Prevention, 2010, 42(1): 196-202. doi: 10.1016/j.aap.2009.07.023 [12] 袁伟. 城市道路环境中汽车驾驶员动态视觉特性试验研究[D]. 西安: 长安大学, 2009.YUAN Wei. Study on car driver's dynamic visual characters test on city road[D]. Xi'an: Chang'an University, 2008. (in Chinese). [13] 薛传亮. 城市道路交通环境下驾驶员注视点分配转移特性研究[D]. 西安: 长安大学, 2009.XUE Chuan-liang. Study on driver's fixation shift and distribution characteristics under real environment of urban road[D]. Xi'an: Chang'an University, 2009. (in Chinese). [14] 郭应时. 交通环境及驾驶经验对驾驶员眼动和工作负荷影响的研究[D]. 西安: 长安大学, 2009.GUO Ying-shi. Study on effects of traffic environment and driving experience on driver's eye movement and workload[D]. Xi'an: Chang'an University, 2009. (in Chinese). [15] 孙璐, 郁烨, 顾文钧. 基于PCA和HMM的汽车保有量预测方法[J]. 交通运输工程学报, 2013, 13(2): 92-98. doi: 10.3969/j.issn.1671-1637.2013.02.014SUN Lu, YU Ye, GU Wen-jun. Car ownership prediction method based on principal component analysis and hidden Markov model[J]. Journal of Traffic and Transportation Engineering, 2013, 13(2): 92-98. (in Chinese). doi: 10.3969/j.issn.1671-1637.2013.02.014 [16] WU Yi-hu, YU Dan, YU Wei, et al. Double-layer rampmetering model for incident congestion on expressway[J]. Journal of Traffic and Transportation Engineering: English Edition, 2014, 1(2): 129-137. doi: 10.1016/S2095-7564(15)30097-0 [17] 裴玉龙. 于涛. 车道变换进程中驾驶员视点转移特性研究[J]. 交通信息与安全, 2009, 27(2): 92-95. doi: 10.3963/j.issn.1674-4861.2009.02.025PEI Yu-long, YU Tao. Driver's eye movement law during lane-change[J]. Journal of Transport Information and Safety, 2009, 27(2): 92-95. (in Chinese). doi: 10.3963/j.issn.1674-4861.2009.02.025 [18] CHAPMAN J R, NOYCE D A. Influence of roadway geometric elements on driver behavior when overtaking bicycles on rural roads[J]. Journal of Traffic and Transportation Engineering: English Edition, 2014, 1(1): 28-38. doi: 10.1016/S2095-7564(15)30086-6 [19] 赵晓华, 许士丽, 荣建, 等. 基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究[J]. 西南交通大学学报, 2013, 48(1): 178-183. doi: 10.3969/j.issn.0258-2724.2013.01.028ZHAO Xiao-hua, XU Shi-li, RONG Jian, et al. Discriminating threshold of driving fatigue based on the electroencephalography sample entropy by receiver operating characteristic curve analysis[J]. Journal of Southwest Jiaotong University, 2013, 48(1): 178-183. (in Chinese). doi: 10.3969/j.issn.0258-2724.2013.01.028 [20] 王琳虹, 李世武, 周茹波, 等. 高速公路路侧景观色彩对驾驶员心率指标的影响[J]. 吉林大学学报: 工学版, 2013, 43(1): 74-90. https://www.cnki.com.cn/Article/CJFDTOTAL-JLGY201301013.htmWANG Lin-hong, LI Shi-wu, ZHOU Ru-bo, et al. Impact of roadside landscape color on driver mean heart rate[J]. Journal of Jilin University: Engineering and Technology Edition, 2013, 43(1): 74-90. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JLGY201301013.htm [21] 冀杰, 李以农, 郑玲, 等. 车辆自动驾驶系统纵向和横向运动综合控制[J]. 中国公路学报, 2010, 23(5): 119-126. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201005018.htmJI Jie, LI Yi-nong, ZHENG Liang, et al. Integrated control of longitudinal and lateral motion for autonomous vehicle driving system[J]. China Journal of Highway and Transport, 2010, 23(5): 119-126. (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201005018.htm -