货车驾驶人驾驶行为与行车安全研究进展

　　摘要：驾驶行为是影响交通安全最活跃的因素，在“人-车-路”复杂环境中扮演着关键角色。为了深入理解货车驾驶人驾驶行为规律和行为风险性，本文聚焦货车驾驶人驾驶行为对行车安全的影响，对货车驾驶人的驾驶行为风格、行为风险性及其与行车安全的关系等相关研究成果进行系统地梳理和分析。首先，利用构建的文献检索策略，筛选出 38 篇相关文献，并结合 LDA(Latent DirichletAllocation)模型，对生成的四个研究主题，即货车驾驶人驾驶行为辨识、危险驾驶行为与行车安全、货车碰撞事故致因分析和驾驶安全风险评估进行了总结;其次，针对数据源、特征工程、建模方法等分析要素，构建了适用于任意研究主题的通用研究路径，并重点归纳了目前研究主题在数据源、变量选择方法、研究地点、建模方法等关键要素的研究进展;最后，就货车驾驶人驾驶行为与行车安全领域面临的主要问题进行了分析和探讨，从描述、解释、关联和应用的角度提炼该领域研究的未来发展趋势。研究认为：有必要将驾驶状态特性、车辆运行状态、道路交通状况等多维特征变量进行多源信息融合，开展基于大数据和人工智能双驱动的驾驶行为研究;需加强研究山区公路环境下货车与其他类型车辆之间的交互作用机制，从“人-车-路”视角分析货车碰撞事故致因;需进一步完善智能网联、自动驾驶等高新智能自动化环境下的货车驾驶人驾驶行为与行车安全关系研究;拓展面向驾驶安全的货车驾驶人驾驶风险评估的理论方法和应用框架。研究成果将为货车事故治理、公路货运平台监控、道路线形设计等应用场景提供重要依据，并有助于对货车驾驶人驾驶行为与道路行车安全交互作用机理有相对全面的理解。

　　关键词：交通工程;驾驶行为;LDA 模型;货车驾驶人;行车安全;风险评估

　　引言

　　营运货车一般具有重心位置高、载货量大、行车时间长、动能高和减速能力弱等特点，其引发的事故通常比未涉及货车的事故更加严重。近年来，我国道路运输业发展快速，营运货车的数量迅速增加，货运规模逐渐向大型化、重载化方向发展，由此带来的交通安全隐患问题也日益突出。据《中国道路交通事故统计年报(2017 年度)》针对营运车辆肇事情况的统计结果表明[1]：2016 年共发生39462起事故，导致19018人死亡;营运货车(指重型、中型和轻型货车)导致26649起事故，占总数的 67.53%，并导致 14231 人死亡，占总数的 74.83%。报告中特别指出，由营运货车驾驶人引起的不当驾驶行为，如超速、疲劳驾驶和违反交规等造成了大量的交通事故。

　　可以看出，货车驾驶人作为车辆的决策和控制者，其行为标准极大影响着道路交通的安全性。为预防和减少重特大事故的发生，如何科学合理地描述、甄别和预测货车驾驶人潜在的驾驶行为风险，并揭示其与行车安全的内在复杂关系，已成为我国道路运输业安全可持续发展亟待解决的核心问题，对于选拔培训货车驾驶人、减少人员伤亡及财产损失具有重要的现实意义。大量研究表明[2-4]：驾驶人驾驶行为与道路交通安全具有极强的相关性，超过 90%的交通事故和 65%的危险工况均与人因有关。

　　显然，事故致因由人为因素占主导，驾驶人是车辆的直接操控者，其驾驶行为是导致车辆是否具有事故风险的重要因素。一般来说，驾驶人的驾驶行为可分为两类[5]：一类是常规驾驶行为，包括自由直行、跟驰、换道等;另一类是危险驾驶行为，包括分心驾驶、疲劳驾驶、超速驾驶、饮酒/醉酒驾驶等。危险驾驶行为蕴含着由于驾驶方式的不规范而可能产生的事故风险性，其在货车驾驶人中表现得尤为突出。受行程距离偏长和限时送达的现实制约，货车驾驶人为了规避运输超时的处罚，普遍存在疲劳驾驶、超速驾驶等危险驾驶行为[20, 34]。

　　驾驶行为作为影响交通安全最活跃的因素，目前从该角度研究货车的行车安全性获得了国内外学者的广泛关注，涉及问题包括但不限于货车的驾驶行为识别[35-36]及其与行车安全关系分析[42-43]、碰撞事故致因分析[46-48]、驾驶人驾驶风险评估[44-45]等。然而，已有涉及行车安全相关内容的主题研究，通常从小汽车驾驶人角度，探究驾驶人的视觉[6]、超速行为[7]、分心行为[8]、疲劳行为[9]等特性与驾驶风险的关系，缺乏针对货车驾驶人驾驶行为与行车安全研究进展的系统性总结和梳理。

　　比如，驾驶行为数据采集方式虽然丰富但各有弊端且适用场景不统一;所采集的样本数量大多有限，缺乏大规模路网的货车驾驶行为监测、干预和管理，使得数据及结果的参考价值受到一定局限;货车驾驶人驾驶行为辨识单一，且特征指标的合理性分析较少，缺少通用的指标适应性选取原则;目前无论是国内还是国外，尚没有较优的基于货车驾驶人特性的驾驶安全风险评估方法及干预手段;同时在高新智能自动化环境下，货车驾驶人危险驾驶行为和道路环境、交通拥堵程度等因素之间复杂的交互关系仍有待细化。

　　随着研究的深入和技术水平的发展，可以预见，从人、车、路三方面，基于车辆轨迹数据、车辆运动数据、视频监控数据、气象数据等多源数据的融合，研究货车在途动态风险预测和道路风险实时预警系统在复杂行车环境中的可靠性和鲁棒性将是未来货车驾驶人驾驶行为与行车安全领域的长期研究方向。相关的货车驾驶人危险驾驶在线监测技术和主动安全干预系统也将会有较大发展。鉴于主题模型具有从大量繁杂文本中自动组织、搜索和挖掘隐含语义结构的特点，形成的主题群有利于凝练研究领域的发展方向[10]。

　　因此，本文采用主题模型，全面梳理近十二年内货车驾驶人驾驶行为与行车安全领域的 38 篇文献，系统总结该领域内的各类研究主题，并归纳总结了各类研究主题的通用分析路径，对各类研究主题涉及到的数据源、变量选择方法、研究地点和建模方法进行综述和分析。此外，本文在总结现有研究存在问题的基础上展望未来可能的研究方向，以使读者对于“货车驾驶人驾驶行为与道路行车安全交互作用机理”这一关键问题有相对全面的认识，从而在中国范围内促使面向货车驾驶人的危险驾驶行为预警干预与主动式道路风险防控决策的深入开展。

　　1 研究方法

　　1.1 文献检索策略

　　为了筛选出与货车驾驶人的驾驶行为、行车安全相关的研究文献，本文将从以下 4 个数据库中进行英文和中文文献的搜索：Web of Science，Scopus，TRID(Transport Research InternationalDocumentation)和中国知网。

　　其中，文献搜索时间范围设定为 2010 年至 2021 年，文献搜索截止时间为 2021 年 12 月 31 日，搜索关键词的词组由 3 个部分组成：(1)货车，营运货车，重型货车，货车驾驶人，freight truck，commercial truck，large truck，heavy-duty truck，heavy goods vehicle，truckdriver;(2)驾驶行为，驾驶风格，驾驶风险，driving behavior，driving style，driving risk;(3)碰撞风险，碰撞严重程度，道路风险，道路安全，交通事故，crash risk，crash severity，road risk，road safe，traffic accident。

　　上述关键词的词组主要根据研究对象、与研究对象相关的研究内容进行了整理和提炼。在文献搜索过程中，词组的每个部分至少要有 1 个关键词起作用，并根据不同的数据库调整搜索语言和搜索关键词。在此基础上，通过剔除数据库间重复的文献、综述性文献、与生态驾驶相关的文献、与心理学和社会科学相关的文献，最终得到 38 篇关键文献。

　　1.2 研究主题建模

　　主题模型是一种无监督的机器学习模型，在自然语言处理中被广泛应用于大规模文档集或语料库中潜藏的主题信息和语义结构的识别。例如，如果一篇文档的主题与足球相关，那么某一些特定的词，如“足球”、“球队”和“球员”等，将更频繁地出现在该文档中。主题模型能够自动地分析语料库中的文档，并根据文档中单词的共现情况提取潜在的主题信息。LDA(Latent DirichletAllocation)模型作为主题模型家族中最流行和最经典的模型，采用词袋方法将每一篇文档处理为一个词频向量，从而将文本信息转化为易于建模的数字信息[49]。本文将采用 LDA 模型实现表 1 中38 篇文献的研究主题分类。

　　1.3 研究路径构建

　　在文献主题分类的基础上，本文通过系统梳理各主题中文献的研究目标、所采用的数据源、研究方法和研究结论，提炼出了包括数据源、变量选择方法、变量类型、建模方法、研究地点等论文的基本组成要素，由此可构成任意一个研究主题下的通用研究路径，如表 2 所示。根据表 2 中的各组成要素，每篇文献的研究框架可大致得以重构。在接下来的章节中，本文将进一步统计和分析通用路径下文献所采用的数据类型、变量选取和建模方法等关键要素。

　　2 结果分析

　　2.1 主题生成结果分析

　　主题一的前 7 个共现高频词分别为 driver、datum、vehicle、behavior、driving、traffic 和 analysis。其中，括号内的数值表示单词出现的概率。结合词云可以发现，高频主导词组合偏向于定性描述基于数据的货车驾驶人驾驶行为分析。具体地，主题二关注利用相关性分析方法探索货车驾驶人驾驶行为与道路安全事故风险的关联性，主题三聚焦于人为因素为主导的货车碰撞事故致因研究，而主题四则强调了利用相关模型评估货车驾驶人的驾驶行为风险性。

　　2.1.1 主题一：驾驶行为辨识研究驾驶行为是驾驶人为响应当前道路行驶环境而执行的特定驾驶操作，实现车辆实际运行状态跟随驾驶人驾驶意图的过程[52]。一般来说，驾驶行为是驾驶风格的外在表现形式，用于刻画驾驶人的驾驶习惯，不同的驾驶人通常也会表现出不同的驾驶风格。因此，国内外大部分研究主要基于不同的驾驶行为模式(如跟驰、换道、加速、制动、转向等行为模式)，综合评定驾驶人的驾驶风格。实现驾驶风格评定通常涉及三个研究内容，具体如下。

　　(1)特征变量选取相关研究发现驾驶人的驾驶风格和加速度、速度、燃油量、能量功耗等变量具有很强的相关性[53]。如孙川等[19]、Wu 等[22]和王海星等[36]均提取营运货车行驶过程中的车速超过限速 80%的时间比例、速度的均值/标准差、加减速度的均值/标准差等 8 维特征变量，聚类分析货车驾驶人的驾驶速度行为。Figueredo 等[28]采用驾驶时长、每日平均驾驶距离、紧急制动次数、超速时长、节气门开合度作为输入变量实现驾驶风格的识别。Wang等[41]利用货车行驶过程中的加速踏板位置的最大值/均值/标准差、油门踩踏角速度的最大值/均值/标准差、速度的最大值/均值/标准差和纵向加速度共 10 维特征变量用于驾驶风格的分类。

　　(2)风格分类在上述研究中，速度和加速度是一对极为重要的参量指标，既有研究通常将这两个指标与其它变量、统计特征组合作为输入变量，分类和识别货车驾驶人的驾驶风格。在分类结果层面，目前研究大多是使用两个或者三个类别区分驾驶人的驾驶风格。如从驾驶安全的角度，部分研究学者将驾驶风格划分为激进型和保守型[35]。进一步地，Wang 等[41]则将驾驶风格分为中等型、温和型和激进型。此外，部分学者倾向使用更高类别数目的驾驶风格分类。如 Zhou 和 Zhang[34]选用超速、疲劳、急动度共三个类别指标，采用主成分分析和密度聚类相结合的方法，将驾驶风格划分为：冒进型、比较冒进型、轻度冒进型、轻度谨慎型和谨慎型。

　　(3)风格识别现有针对货车驾驶人的驾驶风格识别研究主要是借鉴小汽车驾驶人驾驶风格辨识的分析模式，采用车辆运行状态数据，提炼出特征变量(如车速平均值与标准差、加速度、急动度、横向速度等)来刻画货车驾驶人的驾驶风格。如徐婷等[35]则通过提取最高车速、横向加速度峰值、行车方向加速度峰值、车速与发动机转速的最大相对比值构建货车驾驶人安全倾向性评价指标，定量评估驾驶的激进程度。在方法层面，基于机器学习算法对货车驾驶人驾驶风格进行识别是目前的主流研究范式。由于驾驶风格是对驾驶人习惯性驾驶方式的泛化概括，通常情况下缺乏先验知识，难以人工标注识别无标签的驾驶风格数据。

　　因此，有监督机器学习算法是需要输入已标注的驾驶风格数据，而无监督机器学习算法不需要预先了解数据的属性，能够自适应分析和自动划分类别，更适用于驾驶风格的评定。常用的无监督机器学习算法包括聚类算法[19, 22, 33-35]、LDA 模型[54]等。其中，k 均值聚类算法以其计算简单、运算快速的特点，特别是在处理大规模数据集时具有可伸缩性和高效性，被广泛应用于驾驶风格研究中。

　　2.1.2 主题二：危险驾驶行为与行车安全研究危险驾驶行为主要分为三类[55-56]：①驾驶疏忽。驾驶人因对行车环境观察错误或不周导致的操作疏忽，如分心驾驶、疲劳驾驶等;②驾驶失误。驾驶人因对当前车辆状态、行车环境状态及变化趋势估计错误导致的决策失误，如错误估计前车速度，导致刹车过猛;③违法驾驶。驾驶人因不按交通法规和其他交通安全规定行车等产生的交通违法行为，如超速驾驶、饮酒/醉酒驾驶等。已有研究表明，驾驶人的危险驾驶行为是导致交通事故的主要诱因，其与行车安全有极强的相关性[57-58]。对于行车安全而言，研究货车驾驶人的危险驾驶行为，可以从根本上更好地理解货车驾驶人的驾驶行为风险性。接下来，本文将从上述三类危险驾驶行为与行车安全的关联性进行综述。

　　(1)驾驶疏忽与行车安全与小汽车驾驶人相比，由于货源的不确定性及其与目的地的距离偏长等因素，货车驾驶人普遍存在工作负荷大、作息混乱、注意力不集中等特点，更容易发生以分心驾驶和疲劳驾驶为主的驾驶疏忽行为，极大影响着道路行车安全[34]。在分心驾驶方面，现有研究主要聚焦在货车行驶过程中不同分心源(如操作手机、进食、饮水、调整座椅等)组成的次要任务对行车安全的影响。

　　如 Claveria 等[27]则基于问卷调查数据，采集了货车驾驶人的社会属性、工作属性、驾驶行为与车辆配置等参量，采用随机参数二项 Logit 模型，探究了手机使用对货车驾驶行为的影响，发现驾驶人的驾驶行为、社会属性、工作属性、工作时间和工作管理特征会显著影响货车驾驶人在驾驶过程中使用手机的可能性。此外还发现，工作管理和安全培训能有效降低货车驾驶人使用手机的概率。探究分心驾驶通常使用问卷调查数据，辅以观察、访谈的方式更加精准地获取驾驶人执行次要任务的原因、类型和频率。

　　目前，基于自然驾驶数据的货车驾驶人分心驾驶监测开始获得学者们的关注[29]。在疲劳驾驶方面，货车驾驶人属于职业驾驶人，往往需要长时间驾驶车辆，正常作息难以保障。因此，疲劳驾驶发生的可能性极大增加，货车驾驶人的警觉性、工作表现、风险处理等能力也随之不同程度地下降。如 Chen 和 Xie[16]研究发现，睡眠质量较差的货车司机，在日常工作中疲劳程度越高，更倾向于表现出驾驶失误、驾驶分心、交通违法等行为。Filtness 等[37]研究表明，咖啡因虽然能有效对抗驾驶人的嗜睡特性，但摄入过多的咖啡因并不能明显提高驾驶安全性能，且容易对职业驾驶人的身体健康、睡眠质量产生不良影响。

　　此外，Cori 等[43]则发现延长换班之间的休息时间可显著提升货车驾驶人的睡眠质量，并对货车驾驶人的警觉性、工作表现产生适度的积极影响。上述疲劳的研究通常将驾驶人社会工作属性(年龄、收入、违章记录等)、驾驶人风格/操作特征(紧急驾驶、近距离跟驰等)、车辆运行特征(车速平均值、加速度等)作为输入变量，利用统计学模型建立输入变量与疲劳驾驶的关系，缺乏从人工智能的角度研究数据驱动型的疲劳驾驶与行车安全。

　　(2)驾驶失误与行车安全在日常驾驶任务中，货车驾驶人往往频繁地行驶在同一片区域，对车况、道路条件、环境会进一步熟悉，进而在日积月累中形成自身的驾驶经验和行为习惯。然而，这类经验型和个性化的货车驾驶人可能会表现出程序化/激进化驾驶、分心驾驶的现象，一定程度上增加了在途运输的驾驶风险。目前，针对由于驾驶经验和个性化情绪造成的驾驶失误与行车安全的相关研究相对偏少。这类研究主要以问卷调查数据为主，通过提取货车驾驶人的性格特征、社会和工作属性、风格特征等变量，采用统计学模型方法，探究驾驶经验和个性化情绪对驾驶人安全驾驶行为的作用机制。

　　如 Girotto 等[21]利用 Logistics 回归模型，对货车驾驶人的不同个人属性(如年龄、收入、经验等)、驾驶操作特点、不同驾驶时间段与事故风险之间关系进行统计分析，发现只有 10 年及以上货车驾驶经验的驾驶人，发生事故的概率能够降低 30%。而 Landay 等[38]则说明，同理心较强的货车驾驶人发生事故的概率较低，而具有焦虑、易怒、冒险和内疚倾向的货车驾驶人，更容易诱发交通事故。

　　2.1.3 主题三：货车碰撞事故致因分析研究基于统计学模型的货车碰撞事故影响因素辨识是目前应用最为广泛的事故致因定量分析方法。大部分研究基于文本和电子记录数据，从驾驶人社会经济属性 [11, 23, 33, 46-47]、车辆特征[23, 33, 48]、空间特征[18, 30, 46-48]、时间特征[18, 30, 33]和天气特征[23, 30, 33]等方面对货车碰撞事故致因进行了相关探索。接下来，本文将从货车碰撞事故显著影响因素集和建成环境影响因素集分别进行综述。

　　(1)货车碰撞事故显著影响因素集国内外学者不仅仅关注货车碰撞事故的直接致因因素，还注重探讨违法行为、车辆类型、道路线形等因素对碰撞事故的影响。如 Cantor 等[11]分析美国高速公路交通事故数据显示，涉及卡车的事故中有 74%是由于违反交通法规、危险驾驶行为和身体状况等驾驶人因素引起。Pahukula 等[18]发现在早上时段和晚上时段，货车混入率(特别是大型载重货车)与事故发生率呈显著正相关关系。

　　Wang等[33]则揭示了弯道、坡度、平曲线等线形因素显著影响大型货车的事故伤害程度。在开展人、车、路等因素对货车碰撞事故影响机制研究的基础上，货车混入对道路交通事故发生的影响也逐渐得到了研究者的关注。Hong 等[30]研究了驾驶人个人属性、违法行为、交通状况、路面状况、天气等因素对韩国高速公路碰撞事故频率的影响关系，发现道路线形、路侧结构、时间和季节性货车涉入交通流比例等特征对碰撞事故有非线性影响。

　　(2)建成环境影响因素集一般认为，建成环境(包括土地利用、交通基础设施、道路网络等)决定了出行者/驾驶人的活动空间范围、集聚程度和活动强度，直接影响着出行者/驾驶人的出行质量和满意度。然而，建成环境如何影响交通事故的发生，在多大程度上影响货车碰撞事故，这类问题鲜有报道。Yang 等[46]首次尝试将道路基础设施、道路线形条件、货运 OD、人口密度和土地利用作为自变量，以货车碰撞严重程度作为分类因变量，构建基于可解释性机器学习算法的货车碰撞严重度分析模型，分析发现人口统计、土地利用、道路网络与碰撞严重程度显著相关。在两类影响因素集分析的基础上，总结了近年来货车事故致因分析的研究方法和关键影响因素。

　　可以发现，货车事故关键影响因素中，驾驶人人为因素占主导，主要包括驾驶人在驾驶过程的行为失当。一般认为，通过规范货车驾驶人的驾驶行为和控制人为风险因素，可以有效提高道路交通运输的安全性。因此，针对货车驾驶人进行安全培训和风险监控具有非常重要的意义。虽然国内外学者一直关注货车碰撞事故成因及对策，但研究视角主要集中于高速公路、隧道及长大下坡等特定路段，目前对山区公路货车碰撞事故机理与防治的关注仍较为有限。如何合理、准确、及时地评估货车驾驶人潜在的驾驶行为风险性及其发展态势，则是目前研究亟待解决的核心问题。

　　3 结论

　　货车驾驶人的驾驶行为特性是影响行车安全的重要因素。如何描述、甄别货车驾驶人驾驶行为特性并对其进行关联分析和行车风险评估，进而提出针对性的风险调控策略，是解决货车驾驶人驾驶行为与道路行车安全交互作用机理问题的关键。其中，挖掘道路交通环境、驾驶行为与车辆状态的隐性关联是问题的核心。本文从货车驾驶人的角度，系统综述了驾驶行为辨识、危险驾驶行为与行车安全分析、货车事故致因分析、驾驶安全风险评估等研究主题目前取得的研究进展。然后，从数据源、变量选择方法、研究地点、建模方法等方面分析了各类研究主题的研究路径。基于上述相关研究工作的分析，总结当前研究局限性和未来研究方向如下。

　　3.1 研究局限性

　　通过系统梳理 4 个主题的研究进展情况及其研究路径生成结果，可以发现，国内外学者主要聚焦于货车的驾驶人驾驶行为分类、危险驾驶行为识别和碰撞事故致因分析，研究场景更多集中于城市快速路和高速公路，针对山区公路环境下的货车驾驶安全风险评估与防控研究仍缺乏足够的关注。总的来说，尽管上述研究提供了具有理论或应用价值的成果，但仍需客观地认识到，现有研究在数据获取和研究地点、特征变量提取、建模方法层面还存在一些不足，总结如下。

　　(1)数据获取和研究地点评述。

　　首先，货车驾驶人驾驶行为与行车安全数据的获取途径较为单一，采集数据一般为文本电子类数据，使得结果的参考价值受到一定局限，也变相地导致目前针对驾驶风险动态评估的研究较少;其次，研究地点主要集中在正常天气条件下的高速公路、城市道路等有利于数据收集的常规地点，在特殊天气条件下或山区公路环境下的相关研究还不够丰富;最后，现有研究正在尝试使用车辆监控轨迹数据，开展货车驾驶人驾驶行为辨识和运行安全相关研究。然而，这类数据的样本量在空间和时间层面较为有限，以宏观或集计分析为主，缺少对货车运行的精细化描述和货车个体异质性的科学表征，以及针对货车危险驾驶行为的产生机制及演变机理的实测数据分析。

　　(2)特征变量评述。四类主题的已有研究偏向使用较多的指标数量，但动态且高频指标较少，主要表现为货车驾驶人操作特征、车辆运行特征和道路交通状况等这一类的指标数量运用得偏少。此外，指标选取呈现两极化特征，一方面是指标选取的合理性分析较少，具体表现为经验选取或已有研究推荐的方式来确定指标的类型和数量，这类选取方式可能会根据当前的客观条件所限而选择与研究主题不匹配的指标，容易导致变量与研究目标之间的关联性不强，使得模型精准度有限。

　　另一方面是指标选取方法的有效性有待验证，尽管部分研究给出了基于数据驱动或数理统计的指标筛选方法，仍然会不同程度地缺失针对所选指标的适应性评估方法，难以保证指标选取的规范性和选取效果最佳的指标。随着研究的深入和技术水平的发展，未来会出现新的采集设备和指标，需要建立通用的适应性指标选取方法和原则。

　　(3)建模方法评述。四类主题的相关研究所采用的方法主要分为两类：一是数理统计建模;二是数据驱动建模。可以发现，主题二和主题三的相关研究多采用统计学模型，基本实现了危险驾驶行为与行车安全交互作用、货车碰撞事故影响等机制的解析，但是对于探索货车驾驶人危险驾驶行为和交通事故、车辆状况、道路类型、交通拥堵程度、交通管理措施等因素之间复杂的交互关系有待进一步细化，特别是对实时道路信息接收、驾驶监控系统、驾驶辅助系统、网联自动驾驶等应用环境对降低事故风险的潜在效能仍没有充分地进行论证和分析。

　　相反地，主题一和主题四的相关研究主要采用基于机器学习的数据驱动方法，开展更为细致地驾驶行为分析与风险评估方面的研究，但是此类方法仅仅对驾驶行为进行分类或者静态风险评估，所采用方法的优劣对比不具有对等性，且不能够解释自变量估计系数是否在统计上有意义。此外，针对货车在途实时风险预测的相关研究仍较为缺乏。

　　3.2 未来研究方向

　　结合现有研究在数据获取、研究地点、指标提取和建模方法的局限性，本文尝试讨论了未来可能的关于货车驾驶人驾驶行为与行车安全的四个研究方向。

　　首先，针对货车驾驶人驾驶行为研究，讨论了利用大数据和人工智能描述货车驾驶人时空驾驶行为模式的发展方向(描述);其次，针对货车碰撞事故致因分析，讨论了“人-车-路”时空因素建模的可能性(解释);然后，面向高新智能自动化环境，讨论了货车危险驾驶行为与行车安全关系的研究重点(关联);最后，面向道路运输安全的重大现实需求，讨论了货车在途动态风险预测的必要性(应用)。

　　总的来说，本文将货车驾驶行为模式、货车碰撞事故致因分析、货车危险驾驶行为和行车安全关联性、货车在途动态风险预测作为一个整体系统考虑，四者之间的关系(即描述-解释-关联-应用)。随着数据的实时更新与未来其他类型数据的接入，整个系统将通过基于统计和人工智能算法的数据驱动模式，改善和提升四个部分输出结果的准确性。同时，货车驾驶行为和货车碰撞事故致因的分析结果，将有助于进一步解析和理解驾驶行为和行车安全之间的关联性，而前三者(描述-解释-关联)的研究成果能够帮助提升货车动态风险预测的精度，推动货车驾驶人危险驾驶在线监测技术和货车主动安全设备研制的实用化进程。

　　参考文献：

　　[1] 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, 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] 胡立伟, 李耀平, 林玉珍. 不同等级公路环境下驾驶人动态视觉特性规律研究[J]. 交通运输系统工程与信息, 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] 周悦, 江欣国, 付川云,等. 基于混合 Logit 模型的出租车超速者运营因素分析[J]. 交通运输系统工程与信息, 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，李欢 1，李武 3，谷金晶 4，戢晓峰*1, 2