基于车辆横向运行数据的遗传-支持向量机算法的分心驾驶状态判别模型

分心状态是造成交通事故的重要原因。当前侵入式与半侵入式检测多被应用于分心驾驶识别，此方法会对驾驶任务产生一定干扰，且成本相对较高。对此提出一种低成本的基于车辆横向运行数据的分心驾驶状态判别方法：实验选取手机通话作为分心影响因素，设计了正常驾驶、免提通话、手提通话三个维度。首先，基于驾驶模拟器采集的数据，对正常与分心状态下的车辆运行指标进行Man Whitney U检验，从时域及频域中提取出与分心驾驶显著相关的车辆横向控制指标；其次，构建支持向量机（support vector machine，SVM）分心状态判别模型，将径向基函数作为SVM的核函数，使用网格搜索算法（grid search algorithm，GSA）、粒子群算法（particle swarm optimization，PSO）及遗传算法（genetic algorithm，GA）对SVM模型参数进行优化；最后，对比GSA-SVM、PSO-SVM与GA-SVM分心判别模型的分类效果，并运用ROC曲线对模型性能进行评估。研究结果表明：GA-SVM分心判别模型的最优交叉验证率、准确率及F_1值分别为87.9%、91.9%、94.05%，高于GSA-SVM（86.2%、87.2%、90.35%）与PSO-SVM（87.9%、91.2%、93.46%）；GA-SVM判别模型ROC曲线接近于（0，1）坐标，其AUC值为93.53%。所提出的GA-SVM分心判别模型获得了较好的分类效果，故认为此模型适合作为低成本条件下基于车辆横向控制的分心驾驶状态判别模型。

GA-SVM Distracted Driving State Discrimination Model Based on Vehicle Lateral Running Data