胡立偉，何越人，李耀平,，孟玲，殷秀芬

(1.昆明理工大學(xué)，a.交通工程學(xué)院，b.津橋?qū)W院，理工學(xué)院，昆明650500；2.云南建投基礎(chǔ)工程有限責(zé)任公司，昆明650500)

0 引言

隨著貨運(yùn)大流量、車輛重載化發(fā)展，營(yíng)運(yùn)貨車交通事故頻發(fā)且損失慘重。2017年，營(yíng)運(yùn)車輛交通事故死亡率達(dá)7.97人?萬(wàn)車-1，是全國(guó)機(jī)動(dòng)車交通事故萬(wàn)車死亡率平均水平的2.9倍。營(yíng)運(yùn)貨車運(yùn)行安全受到了極大挑戰(zhàn)。

國(guó)內(nèi)外學(xué)者對(duì)營(yíng)運(yùn)貨車交通安全進(jìn)行了大量研究。高建平等[1]基于交通事故及車速數(shù)據(jù)，分析貨車對(duì)高速公路運(yùn)行安全的影響。姜琪[2]研究發(fā)現(xiàn)，貨車主要事故形態(tài)是追尾碰撞，基于貨車制動(dòng)特性構(gòu)建了貨車安全行車間距模型。尹心怡[3]通過(guò)G24高速公路貨車事故數(shù)據(jù)，探究了貨車事故分布特征，從高速公路出入口區(qū)域因素及交通流因素方面構(gòu)建了貨車運(yùn)行安全評(píng)價(jià)模型。JOSE 等[4]分析不同類型卡車的安全性差異，結(jié)果證明，貨車裝載能力和事故概率之間呈負(fù)相關(guān)性，與交通事故死亡率間成倒U型曲線。PENG Yong等[5]利用有序邏輯回歸模型分析影響駕駛?cè)耸軅麌?yán)重性的因素，研究表明，貨車右前方發(fā)生碰撞時(shí)駕駛?cè)酥旅L(fēng)險(xiǎn)降低。目前，對(duì)于營(yíng)運(yùn)貨車的風(fēng)險(xiǎn)性研究，大多基于道路交通事故歷史數(shù)據(jù)分析事故特征及事故影響因素，未從動(dòng)態(tài)實(shí)時(shí)的角度評(píng)價(jià)營(yíng)運(yùn)貨車行駛風(fēng)險(xiǎn)性。

因此，本文利用營(yíng)運(yùn)車輛監(jiān)控平臺(tái)實(shí)時(shí)數(shù)據(jù)，運(yùn)用人工免疫危險(xiǎn)理論及改進(jìn)的樹突細(xì)胞算法，構(gòu)建營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)模型，以期為營(yíng)運(yùn)貨車風(fēng)險(xiǎn)規(guī)避提供依據(jù)。

1 營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

數(shù)據(jù)來(lái)源于云南省公安廳交通警察總隊(duì)提供的2010-2017年云南省貨車交通事故數(shù)據(jù)、事故調(diào)查報(bào)告等，共5702 條。從駕駛?cè)?、營(yíng)運(yùn)貨車、道路及自然環(huán)境、企業(yè)管理4個(gè)方面分析貨車交通事故致因，統(tǒng)計(jì)風(fēng)險(xiǎn)因素發(fā)生頻率，如表1所示。最終提取15個(gè)概率較大的營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)因素作為風(fēng)險(xiǎn)要素層。

表1 營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)因素導(dǎo)致貨車交通事故發(fā)生頻率統(tǒng)計(jì)表Table 1 Statistical table of frequency of truck traffic accidents caused by commercial truck driving risk factors

參照相關(guān)標(biāo)準(zhǔn)及文獻(xiàn)，并考慮實(shí)際應(yīng)用中數(shù)據(jù)采集及可靠性，確定指標(biāo)層共11項(xiàng)，指標(biāo)風(fēng)險(xiǎn)等級(jí)劃分為4 個(gè)，用分?jǐn)?shù)值標(biāo)記，具體指標(biāo)選取依據(jù)及劃分標(biāo)準(zhǔn)如表2和表3所示。

2 基于樹突細(xì)胞算法的營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)模型的構(gòu)建

2.1 模型構(gòu)建可行性分析

將營(yíng)運(yùn)貨車系統(tǒng)抽象為生物機(jī)體，運(yùn)用人工免疫機(jī)制構(gòu)建營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)模型具有可行性，如表4所示。

2.2 信號(hào)映射

營(yíng)運(yùn)貨車運(yùn)行特征映射為人工免疫系統(tǒng)中的各類信號(hào)?？乖瓰橐欢〞r(shí)間段內(nèi)車輛基本信息，可用貨車風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)值表示。未分化樹突狀細(xì)胞（iDC）表示檢測(cè)器；半成熟樹突狀細(xì)胞（smDC）為貨車處于風(fēng)險(xiǎn)運(yùn)行狀態(tài)；成熟樹突狀細(xì)胞（mDC）為貨車處于安全運(yùn)行狀態(tài)。病原體相關(guān)分子模式（PAMP）信號(hào)為貨車風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)處于Ⅰ級(jí)、Ⅱ級(jí)；危險(xiǎn)信號(hào)（DS）為貨車風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)處于Ⅲ級(jí)；安全信號(hào)（SS）為車輛風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)處于Ⅳ級(jí)。協(xié)同刺激分子（csm）表示貨車可能處于風(fēng)險(xiǎn)運(yùn)行狀態(tài)；半成熟樹突狀細(xì)胞因子（semi）、成熟樹突狀細(xì)胞因子（mat）分別表示貨車所處狀態(tài)的安全程度和危險(xiǎn)程度。

人工免疫機(jī)制信號(hào)間融和處理采用加權(quán)和，即

表2 營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)選取及劃分依據(jù)Table 2 Selection and classification basis of driving risk evaluation index of commercial truck

表3 營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)分級(jí)標(biāo)準(zhǔn)Table 3 Classification standard of commercial truck driving risk evaluation index

表4 模型構(gòu)建可行性分析Table 4 Model construction feasibility analysis

式中：Ocsm、Osemi、Omat分別為輸出信號(hào)csm、semi、mat 的信號(hào)濃度；Cp、Cd、Cs分別為輸入信號(hào)PAMP、DS、SS的信號(hào)濃度，輸入信號(hào)的濃度由風(fēng)險(xiǎn)指標(biāo)在一定周期內(nèi)發(fā)生的頻數(shù)表示；wpc為PAMP和csm信號(hào)間的轉(zhuǎn)換；wdc為DS和csm信號(hào)間的轉(zhuǎn)換；wsc為SS和csm信號(hào)間的轉(zhuǎn)換；wps為PAMP和semi信號(hào)間的轉(zhuǎn)換；wds為DS和semi信號(hào)間的轉(zhuǎn)換；wss為SS和semi信號(hào)間的轉(zhuǎn)換；wpm為PAMP和mat信號(hào)間的轉(zhuǎn)換；wdm為DS和mat信號(hào)間的轉(zhuǎn)換；wsm為SS和mat信號(hào)間的轉(zhuǎn)換。具體數(shù)據(jù)由免疫學(xué)家通過(guò)生物免疫實(shí)驗(yàn)得出，如表5所示。

表5 樹突細(xì)胞算法信號(hào)轉(zhuǎn)換權(quán)值矩陣Table 5 Dendritic cell algorithm signal conversion weight matrix

2.3 算法流程

傳統(tǒng)人工免疫機(jī)制中樹突細(xì)胞算法是離線分析系統(tǒng)，無(wú)法滿足貨車風(fēng)險(xiǎn)實(shí)時(shí)評(píng)價(jià)要求。本文改進(jìn)算法，設(shè)定抗原判別閾值，當(dāng)抗原被檢測(cè)次數(shù)達(dá)到一定數(shù)量獲得足夠信息后立即輸出以達(dá)到實(shí)時(shí)目的，彌補(bǔ)了普遍算法“非黑即白”的評(píng)價(jià)缺陷。圖1為基于樹突細(xì)胞算法的營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)算法流程，具體步驟如下：

(1)信息收集階段

在一定時(shí)間周期內(nèi)采集的貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)集合構(gòu)成抗原向量。

(2)樹突細(xì)胞算法檢測(cè)階段

初始化長(zhǎng)度為l的抗原信號(hào)池，iDC 在生命周期內(nèi)從抗原信號(hào)池中隨機(jī)采樣。根據(jù)抗原向量，生成不同的輸入信號(hào)PAMP、DS、SS。根據(jù)式(1)～式(3)計(jì)算輸出信號(hào)csm、semi、mat，并累加信號(hào)濃度。當(dāng)累積的csm 達(dá)到遷移閾值，iDC 則脫離采樣區(qū)域，進(jìn)入分析階段；若未達(dá)到閾值則返回抗原池繼續(xù)采樣。

(3)分析階段

當(dāng)半成熟樹突狀細(xì)胞因子累計(jì)信號(hào)濃度大于成熟樹突狀細(xì)胞因子累計(jì)信號(hào)濃度，iDCs 轉(zhuǎn)化為smDC，代表細(xì)胞環(huán)境安全，提呈抗原環(huán)境值記0；當(dāng)半成熟樹突狀細(xì)胞因子累計(jì)信號(hào)濃度小于成熟樹突狀細(xì)胞因子累計(jì)信號(hào)濃度，iDCs轉(zhuǎn)化為mDC，代表細(xì)胞環(huán)境危險(xiǎn)，提呈抗原環(huán)境值記1。記錄iDC細(xì)胞采樣抗原的判定次數(shù)和異常次數(shù)。若iDC細(xì)胞中存在抗原已達(dá)到預(yù)先設(shè)置的判別閾值，則計(jì)算該抗原的上下文環(huán)境成熟抗原值MCAV，并依據(jù)抗原異常閾值確定最終分類并輸出，將該抗原從抗原池中移除；否則，返回抗原信號(hào)池。

MCAV 值反映抗原異常程度表征風(fēng)險(xiǎn)度值，即

式中：nmDC和nsmDC分別為成熟樹突細(xì)胞和半成熟樹突細(xì)胞的數(shù)量。正常抗原MCAV 值[0.0,0.5)，異常抗原MCAV 值[0.5,1.0]，MCAV 值越接近1.0，風(fēng)險(xiǎn)性越高。

3 模型應(yīng)用分析

3.1 數(shù)據(jù)采集及預(yù)處理

通過(guò)云南省某運(yùn)輸集團(tuán)營(yíng)運(yùn)車輛監(jiān)控平臺(tái)，隨機(jī)抽取6 輛營(yíng)運(yùn)貨車行駛數(shù)據(jù)(包括車速、衛(wèi)星定位、駕駛員基本情況等)。貨車行駛線路為昆石高速公路，全長(zhǎng)約78 km，每輛車在該路段運(yùn)行時(shí)長(zhǎng)約1 h。采集24組貨車運(yùn)行數(shù)據(jù)。如表3所示，以30 s為周期預(yù)處理數(shù)據(jù)，數(shù)據(jù)周期內(nèi)的貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)等級(jí)分?jǐn)?shù)集合構(gòu)成一個(gè)抗原向量。

3.2 模型測(cè)試

從完成預(yù)處理的24 組數(shù)據(jù)中提取4 組數(shù)據(jù)約550條，用JAVA實(shí)現(xiàn)算法。

圖1 基于人工免疫機(jī)制的營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)流程圖Fig.1 Flow chart of driving risk evaluation of commercial trucks based on artificial immune mechanism

根據(jù)經(jīng)驗(yàn)值設(shè)定實(shí)驗(yàn)參數(shù)。30 s 為數(shù)據(jù)預(yù)處理周期，為使運(yùn)行過(guò)程5 min內(nèi)的數(shù)據(jù)產(chǎn)生關(guān)聯(lián)性，設(shè)定抗原信號(hào)池長(zhǎng)度為10。一個(gè)iDC 細(xì)胞采集多個(gè)抗原及信號(hào)，根據(jù)場(chǎng)景設(shè)定樹突細(xì)胞種群數(shù)量為100。樹突細(xì)胞生命周期設(shè)置為10，即iDC 采集10個(gè)抗原向量仍未大于遷移閾值，則該iDC 無(wú)效，返回重新初始化。遷移閾值范圍一般是均勻分布的中心值±50%。據(jù)式(1)估算csm平均值為3.8，為保證算法隨機(jī)性、精度和響應(yīng)速度，允許單個(gè)DC細(xì)胞取5個(gè)抗原向量較合適，因此根據(jù)場(chǎng)景設(shè)遷移閾值為10～30?？乖卸ㄩ撝导词强乖脑u(píng)判總次數(shù)，設(shè)為10?？乖惓ｉ撝翟O(shè)為0.5，即該抗原被判別為異常的次數(shù)與判別總次數(shù)之比為50%時(shí)，該抗原被判別為異常，即貨車運(yùn)行中的風(fēng)險(xiǎn)點(diǎn)。

樹突細(xì)胞算法抗原采樣、遷移閾值都具有隨機(jī)性，某次實(shí)驗(yàn)結(jié)果如圖2所示。專家依據(jù)原始數(shù)據(jù)及風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)結(jié)合實(shí)際經(jīng)驗(yàn)判斷車輛是否處于風(fēng)險(xiǎn)運(yùn)行狀態(tài)，以此評(píng)價(jià)結(jié)果為基礎(chǔ)，比較模型與專家經(jīng)驗(yàn)評(píng)價(jià)結(jié)果一致性。以準(zhǔn)確率、誤報(bào)率、漏報(bào)率作為檢測(cè)指標(biāo)，重復(fù)實(shí)驗(yàn)，檢測(cè)指標(biāo)值如圖3所示。隨著實(shí)驗(yàn)次數(shù)增多，在狀態(tài)轉(zhuǎn)換過(guò)渡區(qū)間，狀態(tài)邊界的抗原會(huì)互相干擾，出現(xiàn)微小程度的混亂，產(chǎn)生誤判，導(dǎo)致模型準(zhǔn)確率有所下降，但仍處于較高水平，準(zhǔn)確率平均值穩(wěn)定在90%以上。漏報(bào)率較低，算法漏報(bào)主要在算法設(shè)定閾值附近，將是下一步改進(jìn)的重點(diǎn)。

圖2 實(shí)驗(yàn)結(jié)果Fig.2 Experimental results

3.3 實(shí)例應(yīng)用分析

采用模型檢測(cè)中設(shè)定參數(shù)評(píng)價(jià)余下20組預(yù)處理數(shù)據(jù)，圖4為部分評(píng)價(jià)結(jié)果?？芍?，貨車運(yùn)行風(fēng)險(xiǎn)值大多處于低風(fēng)險(xiǎn)運(yùn)行狀態(tài)。追蹤貨車運(yùn)行風(fēng)險(xiǎn)異常值較大的時(shí)刻，發(fā)現(xiàn)同一時(shí)刻多項(xiàng)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)處于嚴(yán)重和較嚴(yán)重的異常狀態(tài)，表明高風(fēng)險(xiǎn)的發(fā)生通常是多因素耦合的結(jié)果，如駕駛員在危險(xiǎn)路段超速并有不良駕駛行為時(shí)存在風(fēng)險(xiǎn)性。

圖3 模型平均準(zhǔn)確率、誤報(bào)率及漏報(bào)率Fig.3 Model average accuracy rate,false positive rate and false negative rate

為驗(yàn)證模型應(yīng)用分析的合理性及有效性，運(yùn)用模型計(jì)算并統(tǒng)計(jì)多輛貨車運(yùn)行于同一路段的風(fēng)險(xiǎn)值，定義車輛運(yùn)行風(fēng)險(xiǎn)均值為路段行車風(fēng)險(xiǎn)系數(shù)。以昆石高速公路K25～K35 段為例，以500 m為路段單元計(jì)算路段行車風(fēng)險(xiǎn)系數(shù)，如圖5所示。K27～K29、K30、K33～K35 段行車風(fēng)險(xiǎn)系數(shù)較高。據(jù)云南省公安廳交警總隊(duì)提供的2012-2017年昆石高速公路交通事故數(shù)據(jù)，統(tǒng)計(jì)該區(qū)段億車公里事故率如圖5所示，K24、K28～K29、K33～K35 路段事故率較高，車輛運(yùn)行風(fēng)險(xiǎn)性較大。結(jié)合路段實(shí)際資料分析，昆石高速下行方向K27～K31 段是連續(xù)長(zhǎng)大下坡路段，存在坡度大于3%的較大縱坡段，貨車在該路段易發(fā)生交通事故；K32～K35 路段屬于“U 型”轉(zhuǎn)彎路段，存在小半徑圓曲線，營(yíng)運(yùn)貨車行駛風(fēng)險(xiǎn)較大。通過(guò)對(duì)比昆石高速公路K20～K35 段交通事故數(shù)據(jù)和公路設(shè)計(jì)特征，模型判定的昆石高速車輛運(yùn)行風(fēng)險(xiǎn)區(qū)域與交通事故黑點(diǎn)段一致率為72%，表明本文構(gòu)建的風(fēng)險(xiǎn)評(píng)價(jià)模型具有合理性及有效性。

圖4 貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果Fig.4 Truck driving risk evaluation results

圖5 昆石高速公路車輛運(yùn)行風(fēng)險(xiǎn)Fig.5 Kunshi expressway vehicle driving risk

4 結(jié)論

本文運(yùn)用人工免疫危險(xiǎn)理論的信號(hào)處理機(jī)制及改進(jìn)的樹突細(xì)胞算法構(gòu)建了基于樹突細(xì)胞算法的營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)評(píng)價(jià)模型，突破傳統(tǒng)靜態(tài)評(píng)價(jià)模型。研究表明，該模型能利用車輛監(jiān)控平臺(tái)海量數(shù)據(jù)實(shí)時(shí)評(píng)價(jià)營(yíng)運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)性，模型具有合理性和有效性，且有較高的準(zhǔn)確率及較低的誤報(bào)率，可動(dòng)態(tài)監(jiān)管營(yíng)運(yùn)貨車，提高其運(yùn)輸安全性。應(yīng)用分析表明，風(fēng)險(xiǎn)指標(biāo)集中任一風(fēng)險(xiǎn)因素的變化都會(huì)影響風(fēng)險(xiǎn)值，高風(fēng)險(xiǎn)的發(fā)生通常是多因素耦合的結(jié)果。