基于DE-EL的城市快速路合流区危险驾驶行为识别方法

为提高快速路合流区行车安全水平,实现合流区危险驾驶行为准确识别与交通事故预防,基于车辆轨迹数据提出了1种合流区驾驶人危险驾驶操作行为辨识方法。依托合流区交通航拍视频轨迹数据,运用风险度量法与四分位差法确定4类合流区驾驶人危险驾驶操作行为特征指标阈值。通过前期建立的合流区危险驾驶行为谱,计算驾驶人危险操作得分G,标记危险驾驶人,实现驾驶人分类。选用ROS、SMOTE、ADASYN数据均衡算法（data equalization,DE）对不平衡数据集中的危险驾驶人样本进行扩充,降低轨迹数据集的不平衡度。联合XGBoost、LGBM、AdaBoost集成学习分类算法（ensemble learning,EL）建立DE-EL模型,以车速、变速、横向操作、位置特征以及时间占比5类特征参数变量作为输入,对合流区驾驶人危险驾驶操作行为进行识别。通过Spearman相关性分析对DE-EL识别模型输入特征参数进行优化,提升合流区危险驾驶操作行为识别模型的性能,最终从模型的精确率、召回率、F1值和AUC值确定最优合流区危险驾驶行为识别模型。研究表明：合流区驾驶人行车风险水平与横向操作关联度最高,与车辆速度关联度较低;不平衡的轨迹数据集通过单一的EL算法难以有效识别危险驾驶操作行为,DE算法可显著提升分类算法的性能;特征优化工程后,DE-EL识别模型的性能得到了提升,结果表明SMOTE-LGBM模型对合流区危险驾驶行为的识别效果最好,精确率为93.4%,召回率为92.1%,F1值为0.927,AUC值为0.933,模型可用于合流区危险驾驶行为识别、预警以及干预。