基于可解释集成学习的异常驾驶行为风险识别方法

来源：交通运输系统工程与信息杂志2025年第2期北京时间：

作者：邓院昌, 蒋昀轩, 陶胜芹

单位：中山大学，智能工程学院，广东省智能交通系统重点实验室，广东深圳518107

摘要：为实现对异常驾驶行为风险的准确识别，并克服现有模型可解释性差的局限，本文通过自然驾驶试验获取车辆运动数据，针对超速、急变速、急转弯、跟车过近、危险变道这5种异常驾驶行为，采用阈值法量化其风险系数，结合CRITIC(CriteriaImportance Through Inter-criteria Correlation)权重法及分位值法划分异常驾驶行为风险等级。构建基于Stacking的集成学习识别模型，由不同学习器组合训练结果，选择综合性能最佳的学习器GBDT(Gradient Boosting Decision Tree)、AdaBoost、XGBoost作为初级学习器组合，采用Logistic回归作为次级学习器。在此基础上，利用SHAP(ShapleyAdditiveexPlanation)算法分析了特征变量对最优Stacking模型识别结果的影响。研究表明，最优Stacking模型识别准确率达92.68%，对于异常驾驶行为风险实现较高精度的识别。车速和换道碰撞时间是对模型识别结果影响较大的特征，车速超过95 km·h-1和换道碰撞时间小于2.8s均会增加行为风险，且车速超过150km·h-1时风险等级更高。本文为异常驾驶行为风险的识别与解释提供了一个可行的框架，有望为提升交通安全水平提供技术支持。

关键词：交通工程,风险识别,Stacking集成学习,异常驾驶行为,自然驾驶试验,SHAP算法

基金资助：国家自然科学基金(U1611461)。