一种基于因果推断的驾驶人行为分析与预测方法

本发明属于交通工程人因分析领域，更具体的说涉及一种基于因果推断的驾驶人行为分析与预测方法。

背景技术：

1、近年来，随着城市化进程的加快，交通拥堵和交通事故频发已成为严重的城市病。av的发展提供了一种创新的解决方案，其核心优势在于通过高级感知系统和智能算法，能够有效减少交通事故、优化交通流量并提升道路使用效率。av可以实时分析交通状况，自动调整行驶路线和速度，避免交通拥堵和潜在的碰撞。此外，自动驾驶技术还能减少驾驶者的疲劳和人为错误，进一步提高道路安全性。随着技术的不断进步和成熟，av有望成为未来城市交通系统的重要组成部分，极大地改善城市交通状况，促进可持续发展。在不久的将来，av将逐渐与hv共存于复杂的交通场景和道路环境中。在自动驾驶技术得到广泛应用之前，分析和研判av和hv之间的交互具有非常重要的实际意义。例如，在研究驾驶人在驾驶途中面对汇入车流的av会作何反应后，自动驾驶公司就能够针对其驾驶行为，改进自动驾驶车辆的系统和算法；交通规划与管理部门也能够基于此，来改进对于av和hv更加友好的道路设计。然而，现有的关于av和hv对于驾驶人行为影响分析方法，要么仅仅停留在宏观层面，要么只是进行较为简单的驾驶指标分析，没有对驾驶人行为进行深入的建模与挖掘，其难以有效满足复杂、可重复的模拟实验要求，尤其是在需要处理多场景下的反事实数据(即在实际实验中不存在的数据)的情况下。因此需要定义一个全面综合的驾驶人行为分析和建模框架，以促进av的外观设计和算法设计，从而提高道路交通效率和av的社会认可度，为未来av与hv的和谐共存打下坚实的基础。

技术实现思路

1、本发明要解决的技术问题是：提出一种基于因果推断的驾驶人行为分析与预测方法，实现在av和hv混行环境中，能够对驾驶人行为进行综合全面的因果估计。

2、为了实现上述目的，本发明是采用以下技术方案实现的：所述的方法包括：

3、构建驾驶指标评价体系，包括四类指标分别是：车头时距、即将碰撞时间、速度与刹车幅度、眼动追踪信息；

4、将因果推断理论应用于驾驶行为分析，研究人类驾驶员在遇到av和hv时的驾驶行为差异；

5、对于某一个具体的驾驶行为评价指标，分别收集驾驶员在av场景下和hv场景下的实验数据，经过数据预处理，再输入到基于双重机器学习的因果推断模型中，其即可输出驾驶行为的因果估计。

6、在一个方案中，所述的车头时距为两辆连续车辆经过同一点之间的时间间隔；时间间隔计算为前车和后车之间的空间间隔除以后车的速度，如下所示：

7、

8、其中xl(t)表示t时刻前车的位置，xf(t)为t时刻后车的位置，vf(t)表示t时刻后车的速度。

9、在一个方案中，所述的即将碰撞时间定义为“如果发生碰撞，两辆车之间发生碰撞之前的剩余时间”，描述如下：

10、

11、其中xl(t)表示t时刻前车的位置，xf(t)为t时刻后车的位置，l表示前车的车身长度，vf(t)表示t时刻后车的速度，vl(t)表示t时刻前车的速度；

12、车头时距主要用于测量跟车距离，即将碰撞时间用于指示跟车情况下的碰撞风险和安全程度。

13、在一个方案中，所述的基于双重机器学习的因果推断模型的学习任务分解为两个阶段：

14、(1)将残差的条件估计分解为结果和处理的两个预测子任务；

15、(2)通过具有结果和处理的残差的最终预测模型，获得ate和cate的估计。

16、在一个方案中，所述的基于双重机器学习的因果推断模型具体步骤如下：

17、y＝θ(x)·t+g(x)+∈#(1)

18、t＝f(x)+η#(2)

19、e[∈|x]＝0；e[η|x]＝0；e[η·∈|x]＝0#(3)

20、在等式(1)中，y是结果，是驾驶人所驾驶车辆的特性，包括：速度、与av或hv的距离，θ(x)是每个x的处理效应，代表处理t对结果y的因果效应，t为处理方式，即车辆类型，在t形交叉口场景中为av或hv，g(x)是用于控制协变量和混杂因子效应的函数。∈是随机误差，表示模型无法解释的y中的随机性。

21、在等式(2)中，t是上述提到的处理，f(x)是表示t如何依赖于协变量x的模型，并且η是一种类似于等式(1)中的∈的随机误差；

22、在公式(3)中，在给定x的情况下，误差项∈和η的期望值为零，这意味着x包含影响y和t的所有相关信息；x是驾驶员的背景数据；

23、处理目的是估计恒定的边际cate，即θ(x)；估计θ(x)的思想如下，方程改写为：

24、y-e[y|x]＝θ(x)·(t-e[tix])+∈#(4)

25、在等式(4)中，e[y|x]和e[t|x]是两个条件期望函数，两者都是非参数回归任务；

26、因此按照q(x)＝e[y|x]和f(x)＝e[t|x]进行估计，则计算残差：

27、

28、其随后通过以下等式相关：

29、

30、随后，由于(e[η·∈|x]＝0)，估计θ(x)是最终回归问题，即在x、t上回归y(尽管在t中是线性的模型)，即：

31、

32、至此，就得到了cate(即θ(x))的值。

33、在一个方案中，所述的速度与刹车幅度是为衡量驾驶人的驾驶行为，表示其驾驶状态的指标；驾驶人所驾驶车辆的驾驶状态由其速度大小明确表示；

34、驾驶人的刹车行为反映了驾驶员在接近车辆或周围区域距离他们太近的物体时所做的措施。

35、在一个方案中，所述的眼动追踪信息包含：眼睛的凝视方向、聚散度、睁眼度、瞳孔直径、瞳孔位置、焦点物体位置、焦点物体的种类与名称、焦点物体距离眼球的距离、焦点物体的凝视持续时间。本发明有益效果：

36、通过构建驾驶指标评价体系，应用因果推断理论进行驾驶行为分析，可以深入研究人类驾驶员在遇到自动驾驶(av)和人工驾驶(hv)时的驾驶行为差异。并且可以对具体的驾驶行为评价指标进行分析，预测驾驶人的驾驶行为，以此增强交通安全，提高驾驶效率。采用双重机器学习的因果推断模型，可以更准确地估算驾驶行为的因果效应，并且模型拟合的准确性高，预测结果更可靠。此外，该方法还考虑到眼动追踪信息等多元因素，在分析驾驶人行为时，更全面，可以实现更准确的驾驶人行为预测。

1.一种基于因果推断的驾驶人行为分析与预测方法，其特征在于：所述的方法包括：

2.根据权利要求1所述的一种基于因果推断的驾驶人行为分析与预测方法，其特征在于：所述的车头时距为两辆连续车辆经过同一点之间的时间间隔；时间间隔计算为前车和后车之间的空间间隔除以后车的速度，如下所示：

3.根据权利要求1所述的一种基于因果推断的驾驶人行为分析与预测方法，其特征在于：所述的即将碰撞时间定义为“如果发生碰撞，两辆车之间发生碰撞之前的剩余时间”，描述如下：

4.根据权利要求1所述的一种基于因果推断的驾驶人行为分析与预测方法，其特征在于：所述的基于双重机器学习的因果推断模型的学习任务分解为两个阶段：

5.根据权利要求1所述的一种基于因果推断的驾驶人行为分析与预测方法，其特征在于：所述的基于双重机器学习的因果推断模型具体步骤如下：

6.根据权利要求1所述的一种基于因果推断的驾驶人行为分析与预测方法，其特征在于：所述的速度与刹车幅度是为衡量驾驶人的驾驶行为，表示其驾驶状态的指标；驾驶人所驾驶车辆的驾驶状态由其速度大小明确表示；

7.根据权利要求1所述的一种基于因果推断的驾驶人行为分析与预测方法，其特征在于：所述的眼动追踪信息包含：眼睛的凝视方向、聚散度、睁眼度、瞳孔直径、瞳孔位置、焦点物体位置、焦点物体的种类与名称、焦点物体距离眼球的距离、焦点物体的凝视持续时间。