基于多源数据的特长隧道驾驶疲劳模型

尚婷; 连冠; 黄龙显; 谢磊

doi:10.3963/j.jssn.1674-4861.2024.04.004

基于多源数据的特长隧道驾驶疲劳模型

doi: 10.3963/j.jssn.1674-4861.2024.04.004

尚婷^1, ,,
连冠²,
黄龙显³,
谢磊¹

1.
重庆交通大学交通运输学院重庆 400074
2.
重庆交通大学土木工程学院重庆 400074
3.
重庆高速工程顾问有限公司重庆 404100

基金项目:

国家自然科学基金项目 52172341

教育部青年人文社会科学研究青年基金项目 22YJCZH143

重庆市交通委员会交通科技项目 CQJT2022ZC06

详细信息

通讯作者:
尚婷（1983—），博士，副教授.研究方向：道路交通安全、驾驶信息传输、驾驶行为特性. E-mail: 335304854@qq.com

中图分类号: U491
计量
- 文章访问数: 71
- HTML全文浏览量: 28
- PDF下载量: 17
- 被引次数: 0
出版历程
- 收稿日期: 2023-07-17
- 网络出版日期: 2024-11-25

A Driving Fatigue Model for Extra-long Tunnels Based on Multi-source Data

1.
School of Traffic & Transportation, Chongqing Jiaotong University, Chongqing 400074, China
2.
School of Civil Engineering, Chongqing Jiaotong University, Chongqing 400074, China
3.
Chongqing High Speed Engineering Consulting Co., Ltd., Chongqing 404100, China

摘要

摘要: 为研究驾驶人在特长隧道内驾驶疲劳演变过程及其影响因素，基于实车试验采集的多源数据，对特长隧道内驾驶疲劳分类判别以及驾驶疲劳影响因素关系模型展开了研究。通过差异显著性分析和相关性分析筛选出闭眼百分率P80、瞳孔直径变异系数和加速度作为疲劳敏感性指标，并分析了各指标随行驶时间累积的变化规律。为构建驾驶疲劳分类判别模型，基于卡罗林斯卡嗜睡量表（Karolinska sleeping scale，KSS）主观疲劳检测结果，将疲劳程度划分清醒状态、半疲劳状态和疲劳状态，采用构造多类分类器的方法将不同疲劳状态样本进行组合分类，利用网格搜索法进行分类模型的参数寻优，并将筛选出的疲劳敏感性指标作为分类模型的输入变量，建立了基于网格搜索法的多分类支持向量机疲劳状态判别模型（GS-M-SVMs模型）。然后根据疲劳状态分类判别模型，利用有序多分类Logistic模型建立了特长隧道疲劳程度与影响因素的关系模型，对特长隧道内驾驶疲劳影响因素进行了探究。研究结果表明：疲劳敏感性指标变化规律可有效表征特长隧道内驾驶疲劳演变过程，而GS-M-SVMs模型分类检测准确率达到90.75%，对疲劳程度的分类识别效果较好，并且累积行驶时间和隧道长度显著影响驾驶人的疲劳程度，其模型回归系数分别为2.634和0.395，表明累积行驶时间是驾驶人在特长隧道路段中疲劳程度加重的最主要因素，隧道照度和隧道线形等因素并无显著影响。
- 交通安全 /
- 驾驶疲劳 /
- GS-M-SVMs模型 /
- 网格搜索法 /
- 有序多分类Logistic模型
Abstract: To investigate the evolution of driving fatigue in extra-long tunnels and its influencing factors, multi-source data from real-vehicle experiments are utilized to classify and identify driving fatigue, as well as to analyze the relationship between fatigue levels and influencing factors. Through significance tests of differences and correlation analysis, the percentage of eyelid closure over the pupil over time (PERCLOS) P80, the variable coefficient of pupil diameter, and acceleration are selected as key fatigue sensitivity indicators, and their changing patterns with accumulated driving time are examined. To construct a driving fatigue classification model, fatigue levels, based on the subjective fatigue detection results from the Karolinska sleepiness scale (KSS), are categorized into awake, semi-fatigued, and fatigued states. A multi-class classifier method is then employed to combine and classify these fatigue states. The grid-search method (GS) is utilized for parameter optimization, and the selected fatigue sensitivity indicators are used as input variables to establish a multi-class support vector machine model (GS-M-SVMs) for fatigue state classification. Following this, an ordinal multi-class Logistic model is developed to explore the relationship between driving fatigue levels and influencing factors in extra-long tunnels. The results indicate that the changing patterns of fatigue sensitivity indicators effectively capture the evolution of driving fatigue. The GS-M-SVMs model achieved a classification accuracy of 90.75%, indicating strong performance in fatigue level detection. Both accumulated driving time and tunnel length significantly influence driving fatigue levels, with regression coefficients of 2.634 and 0.395, respectively. This indicates that accumulated driving time is the primary factor contributing to increased fatigue in extra-long tunnels, while factors such as tunnel illumination and alignment do not significantly impact fatigue levels.
- traffic safety /
- driving fatigue /
- GS-M-SVMs model /
- grid search method /
- ordered multi-class Logistic model

HTML全文

图 1 银百高速万州段位置图

Figure 1. Location map of Wanzhou section of Yinbai expressway

下载: 全尺寸图片幻灯片

图 2 不同疲劳状态下各指标箱型图

Figure 2. Box plots of indicators at different fatigue states

下载: 全尺寸图片幻灯片

图 3 相关系数热力图

Figure 3. Correlation heatmap

下载: 全尺寸图片幻灯片

图 4 各工况下闭眼百分率P80随时间变化曲线

Figure 4. The variation curve of the perclos P80 with time under each working condition

下载: 全尺寸图片幻灯片

图 5 各工况下瞳孔直径变异系数随时间变化曲线

Figure 5. The variation curve of coefficient of pupil diameter with time under each working condition

下载: 全尺寸图片幻灯片

图 6 工况2-5加速度随时间变化曲线

Figure 6. The variation curve of acceleration with time under condition 2-5

下载: 全尺寸图片幻灯片

图 7 网格搜索法参数寻优流程

Figure 7. Grid search method parameter optimization process

下载: 全尺寸图片幻灯片

图 8 网格搜索法5折交叉验证参数寻优结果

Figure 8. Grid search 5-fold cross-validation parameter finding results

下载: 全尺寸图片幻灯片

图 9 GS-M-SVMs模型分类检测效果

Figure 9. GS-M-SVMs model classification detection effect

下载: 全尺寸图片幻灯片

表 1 2018—2022年中国特长公路隧道列表

Table 1. List of extra-long highway tunnels in China from 2018 to 2022

名称	地点	长度/m	开通年份	公路
米仓山隧道	陕西，南郑-四川，南江	13 833	2018	G85银昆高速
狮子坪隧道	四川，理县	13 156	2020	蓉昌高速
秦岭天台山隧道	陕西，宝鸡-凤县	15 560	2021	银昆高速
城开隧道	重庆，城口-开州	11 437	2022	银百高速
盐源隧道	四川，盐源	14 150	在建	都香高速
木寨岭隧道	甘肃，漳县-岷县	15 710	在建	兰海高速
武汉两湖隧道	湖北，武汉	19 450	在建	秦园路-三环线
天山胜利隧道	新疆，乌鲁木齐-和静	22 035	在建	乌若高速
金塘海底隧道	浙江，宁波-舟山	10 990	拟建	甬舟复线高速
海太长江隧道	江苏，南通-常熟	11 185	拟建	海太过江通道
五宝山隧道	云南，云龙	13 410	拟建	云泸高速
哀牢山隧道	云南，新平-镇沅	20 275	拟建	天猴高速

下载: 导出CSV

表 2 试验路段信息

Table 2. Test section information

工况	名称	长度/m	路段类型
1	瓦店子-铁峰山明线	13 800	明线路段
2	大树隧道群	5 825	隧道群路段
3	龙井隧道群	13 448	隧道群路段
4	瓦店子隧道	3 356	特长隧道路段
5	铁峰山隧道	11 362	特长隧道路段
6	南山隧道	4 828	特长隧道路段

下载: 导出CSV

表 3 Bartlett球形检验表

Table 3. Bartlett's spherical test

取样足够度的KMO度量		0.768
Bartlett球形度检验	近似c²	476.419
	df	15
	Sig	0.000

下载: 导出CSV

表 4 各检验指标分析汇总

Table 4. Summary of the analysis of each test index

检验指标	差异显著分析	相关性分析
眨眼频率	显著	中等相关
平均眨眼时间	不显著	不相关
闭眼百分率P80	显著	较强相关
平均注视时间	不显著	不相关
瞳孔直径变异系数	显著	较强相关
速度	不显著	不相关
加速度	显著	较强相关

下载: 导出CSV

表 5 GS-M-SVMs模型分类检测结果统计

Table 5. GS-M-SVMs model classification detection statistics

样本数量	样本类型
样本数量	总样本	清醒状态样本	半疲劳状态样本	疲劳状态样本
样本总数	270	37	140	93
正确识别数	245	30	125	90
识别准确率/%	90.75	81.08	89.29	96.77

下载: 导出CSV

表 6 疲劳状态数据混淆矩阵

Table 6. Fatigue state data confusion matrix

疲劳状态		预测值
疲劳状态		清醒状态	半疲劳状态	疲劳状态
实际值	清醒状态	30	7	0
	半疲劳状态	12	125	3
	疲劳状态	0	3	9

下载: 导出CSV

表 7 变量选取及编码

Table 7. Variable selection and encoding

变量类型	变量名称	单位	编码
解释变量	闭眼百分率P80 x₁	%	协变量
	瞳孔直径变异系数x₂		协变量
	加速度x₃	m/s²	协变量
影响变量	累积行驶时间x₄	s	协变量
	工况行驶时间x₅	s	协变量
	隧道长度x₆	m	协变量
	隧道照度x₇	Lux	协变量
	CCR x₈	°/m	协变量
	是否为停车港x₉		0=否，1=是
	是否为明线路段x₁₀		0=否，1=是
注：协变量为连续变量。

下载: 导出CSV

表 8 有序多分类Logistic模型回归结果

Table 8. Regression results of ordered multiclassification Logistic model

	变量	估算值	标准误	瓦尔德	自由度	显著性	Exp（β）
阈值	[疲劳程度=1]	1.270	0.642	3.917	1	0.048
	[疲劳程度=2]	6.568	0.859	58.502	1	0.000
位置	闭眼百分率P80	12.136	5.183	10.930	1	0.000	186 465.218
	瞳孔直径变异系数	0.073	0.048	60.723	1	0.001	1.075
	累积行驶时间	2.634	3.855	15.135	1	0.000	13.929
	工况行驶时间	0.264	1.913	13.260	1	0.000	1.302
	隧道长度	0.395	0.036	28.014	1	0.000	1.484
	[是否为明线=0]	-0.293	0.566	0.116	1	0.000	0.746
	[是否为明线=1]	0^a			0
注：“a”因为此参数冗余，所以将其设为0。

下载: 导出CSV

参考文献(28)

[1]	中华人民共和国交通运输部. 2022年交通运输行业发展统计公报[N]. 中国交通报, 2023-6-16(2). Ministry of Transport, People's Republic of China. 2022 Statistical bulletin on the development of the transportation Industry[N], China Communication News, 2023-6-16(2). (in Chinese)
[2]	倪娜, 杨少伟, 潘兵宏, 等. 终南山公路隧道交通事故特征及预防措施研究[J]. 现代隧道技术, 2018, 55(4): 25-32. NI N, YANG S W, PAN B H, et al. Traffic accident characteristics and prevention measures for the Zhongnanshan highway tunnel[J]. Modern Tunnelling Technology, 2018, 55(4): 25-32. (in Chinese)
[3]	黄发明. 基于"黑洞效应"的公路驾驶员视错觉改善方法试验研究[D]. 武汉: 武汉理工大学, 2014. HUANG F M. Experimental study on the improvement of optical illusion at highway tunnel entrance based on the"Black Hole Effect"[D]. Wuhan: Wuhan University of Technology, 2014. (in Chinese)
[4]	杜志刚, 梅家林, 倪玉丹, 等. 基于视觉需求的城市水下特长隧道光环境评价与优化综述[J]. 交通运输工程学报, 2020, 20(6): 48-61. DU Z G, MEI J L, NI Y D, et al. Review on evaluation and optimization of light environment of extra-long urban underwater tunnel based on visual demands[J]. Journal of Traffic and Transportation Engineering, 2020, 20(6): 48-61. (in Chinese)
[5]	段儒禹. 长距离连续隧道群运营安全预测方法及措施研究[D]. 成都: 西南交通大学, 2021. DUAN R Y. Research on operation safety prediction method and measures of long-distance continuous tunnel group[D]. Chengdu: Southwest Jiaotong University, 2021. (in Chinese)
[6]	杨香丽. 单调环境下驾驶疲劳生成机理及预防对策[D]. 西安: 长安大学, 2020. YANG X L. The mechanism and preventive measures of driving fatigue under monotonous environment[D]. Xi'an: Chang'an University, 2020. (in Chinese)
[7]	ORON-GILAD T, RONEN A, SHINAR D. Alertness maintaining tasks(AMTs)while driving[J]. Accident Analysis & Prevention, 2008, 40: 851-860.
[8]	谢晓莉. 驾驶疲劳生成机理研究[D]. 北京: 北京工业大学, 2010. XIE X L. Study on driving fatigue formation mechanism[D]. Beijing: Beijing University of Technology, 2010. (in Chinese)
[9]	王连震. 机动车驾驶员疲劳累积特性及预防措施研究[D]. 哈尔滨: 哈尔滨工业大学, 2014. WANG L Z. Characteristics and prevention measures of fatigue accumulation of vehicle drivers[D]. Harbin: Harbin Institute of Technology, 2014. (in Chinese)
[10]	李庆臣. 基于面部特征的疲劳驾驶检测系统设计[D]. 郑州: 郑州大学, 2019. LI Q C. Design of fatigue driving detection system based on facial feature[D]. Zhengzhou: Zhengzhou University, 2019. (in Chinese)
[11]	阎莹, 袁华智, 杨香丽, 等. 基于多源数据的单调道路环境与驾驶疲劳关系模型[J]. 中国公路学报, 2021, 34(5): 156-167. doi: 10.3969/j.issn.1001-7372.2021.05.015 YAN Y, YUAN H Z, YANG X L, et al. Relationship model of monotonous road environment and driving fatigue based on multi-source data[J]. China Journal of Highway and Transport, 2021, 34(5): 156-167. (in Chinese) doi: 10.3969/j.issn.1001-7372.2021.05.015
[12]	蔡素贤, 杜超坎, 周思毅, 等. 基于车辆运行数据的疲劳驾驶状态检测[J]. 交通运输系统工程与信息, 2020, 20(4): 77-82. CAI S X, DU C K, ZHOU S Y, et al. Fatigue driving state detection based on vehicle running data[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(4): 77-82. (in Chinese)
[13]	白婧荣, 唐伯明, 孙宗元, 等. 毗邻互通立交特长隧道驾驶负荷研究[J]. 交通运输系统工程与信息, 2022, 22(1): 301-310. BAI J R, TANG B M, SUN Z Y, et al. On driving load of super-long tunnel adjacent to interchanges[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(1): 301-310. (in Chinese)
[14]	朱兴林, 克然木·司马义, 姚亮, 等. 基于SSA-BP极端高温天气驾驶疲劳的检测[J]. 科学技术与工程, 2023, 23(3): 1254-1261. doi: 10.3969/j.issn.1671-1815.2023.03.044 ZHU X L, SIMAYI K, YAO L, et al. Research on driving fatigue detection in extreme high temperature weather based on SSA-BP[J]. Science Technology and Engineering, 2023, 23(3): 1254-1261. (in Chinese) doi: 10.3969/j.issn.1671-1815.2023.03.044
[15]	梁波, 刘涛, 肖尧, 等. 特长隧道出口处交通标志与驾驶人感知关系试验[J]. 长安大学学报(自然科学版), 2020, 40(5): 48-55. LIANG B, LIU T, XIAO Y, et al. Experimental on relationship between traffic signs and drivers' perception at exit of extra-long tunnel[J]. Journal of Chang'an University(Natural Science Edition), 2020, 40(5): 48-55. (in Chinese)
[16]	LAI S K, CRAIG A. A critical review of the psychophysiology of driver fatigue[J]. Biological Psychology, 2001, 55(3): 173-194. doi: 10.1016/S0301-0511(00)00085-5
[17]	PHILLIPS R O. A review of definitions of fatigue - and a step towards a whole definition[J]. Transportation Research Part F: Psychology & Behaviour, 2015, 29: 48-56.
[18]	祝荣欣. 基于生理信号的驾驶疲劳检测研究综述[J]. 人类工效学, 2020, 26(4): 82-86. ZHU R X. A review of research on driving fatigue detection based on physiological signals[J]. Chinese Journal of Ergonomics, 2020, 26(04): 82-86. (in Chinese)
[19]	胥川, 裴赛君, 王雪松. 基于无侵入测量指标的个体差异化驾驶疲劳检测[J]. 中国公路学报, 2016, 29(10): 118-125. doi: 10.3969/j.issn.1001-7372.2016.10.013 XU C, PEI S J, WANG X S. Driver drowsiness detection based on non-intrusive metrics considering individual difference[J]. China Journal of Highway and Transport, 2016, 29 (10): 118-125. (in Chinese) doi: 10.3969/j.issn.1001-7372.2016.10.013
[20]	付川云. 疲劳状态下驾驶人生理及眼动特征研究[D]. 哈尔滨: 哈尔滨工业大学, 2011. FU C Y. Research on physiological and eye movement characteristics of driver under fatigue condition[D]. Harbin: Harbin Institute of Technology, 2011. (in Chinese)
[21]	秦洪懋, 刘志强, 汪澎. 基于多通道信息融合的疲劳驾驶行为分析研究[J]. 中国安全科学学报, 2011, 21(2): 115-120. doi: 10.3969/j.issn.1003-3033.2011.02.020 QIN H M, LIU Z Q, WANG P. Research on drowsy driving behavior based on multi-channel information fusion[J]. China Safety Science Journal(CSSJ), 2011, 21 (2): 115-120. (in Chinese) doi: 10.3969/j.issn.1003-3033.2011.02.020
[22]	王雪松, 李飞虎. 基于驾驶模拟实验的眼部指标与疲劳分级[J]. 同济大学学报(自然科学版), 2015, 43(2): 226-231, 264. WANG X S, LI F H. Eye indicators and drowsy level analysis based on driving simulator[J]. Journal of Tongji University (Nature Science), 2015, 43(2): 226-231, 264. (in Chinese)
[23]	焦方通, 杜志刚, 王首硕, 等. 城市水下特长隧道出入口视觉及舒适性研究[J]. 中国公路学报, 2020, 33(6): 147-156. JIAO F T, DU Z G, WANG S S, et al. Visual characteristic and comfort at the entrance and exit of the extra-long urban underwater tunnel[J]. China Journal of Highway and Transport, 2020, 33(6): 147-156. (in Chinese)
[24]	李德才. 基于数据特征的汽车行驶速度状态与驾驶行为安全性研究[D]. 哈尔滨: 东北林业大学, 2021. LI D C. Research on vehicle speed and driving safety based on data characteristics[D]. Harbin: Northeast Forestry University, 2021(in Chinese)
[25]	朱承元, 张澈, 管建华. 基于改进支持向量机的空域交通态势识别方法[J]. 交通信息与安全, 2023, 41(2): 76-85. doi: 10.3963/j.jssn.1674-4861.2023.02.008 ZHU C Y, ZHANG C, GUAN J H. A method for monitoring traffic state in the airspace based on an improved support vector machine[J]. Journal of Transport Information and Safety, 2023, 41(2): 76-85. (in Chinese) doi: 10.3963/j.jssn.1674-4861.2023.02.008
[26]	付旻, 王炜, 王昊, 等. 多分类支持向量机在公交换乘识别中的应用[J]. 哈尔滨工业大学学报, 2018, 50(3): 26-32. FU M, WANG W, WANG H, et al. Application of multi-class support vector machine in public transit transfer recognition[J]. Journal of Harbin Institute of Technology, 2018, 50 (3): 26-32. (in Chinese)
[27]	李清毅, 周昊, 林阿平, 等. 基于网格搜索和支持向量机的灰熔点预测[J]. 浙江大学学报(工学版), 2011, 45(12): 2181-2187. doi: 10.3785/j.issn.1008-973X.2011.12.017 LI Q Y, ZHOU H, LIN A P, et al. Prediction of gray melting point based on grid search and support vector machine[J]. Journal of Zhejiang University(Engineering Edition), 2011, 45(12): 2181-2187. (in Chinese) doi: 10.3785/j.issn.1008-973X.2011.12.017
[28]	叶飞, 苏恩杰, 梁晓明, 等. 公路隧道景观设计现状和思考[J]. 中国公路学报, 2022, 35(1): 23-37. YE F, SU E J, LIANG X M, et al. Review and thinking on landscape design of highway tunnel[J]. China Journal of Highway and Transport, 2022, 35(1): 23-37. (in Chinese)