《道路交通运输安全发展报告(2017)》显示，2016年中国共接报道路交通事故864.3万起，同比增加65.9万起，上升16.5%。道路交通事故万车死亡率为2.14，同比上升2.9%。据NHTSA（美国国家高速公路交通安全管理局）数据显示，94%的交通事故由人为因素导致，通过有效措施降低人为因素对交通安全的影响至关重要。采用机器学习算法，对危险驾驶行为进行识别和预警，相比于传统方法在数据特征提取以及识别方面的优势非常显著，机器学习方法能够将更多的影响驾驶行为的因素进行深度分析，从而实现危险驾驶行为的精确识别和路网路段的交通安全风险识别。

陆键教授是“十三五”国家重点研发计划公共安全专项“道路交通安全主动防控技术及系统集成”的首席科学家，并主持了专项的课题二“道路交通行为分析及特征谱建库技术”、国家自然科学基金项目“基于人工智能建模的危险驾驶行为识别和风险评估”等国家级项目，针对各种道路条件下驾驶行为特性进行研究。研究任务包括道路交通驾驶行为海量数据采集与预处理、构建驾驶行为描述与人工智能模型、驾驶行为谱特征参数提取方法、驾驶行为特征谱建库等，重点攻克道路交通环境与驾驶行为同步采集方法、视频监测数据的交通行为自动化/半自动化匹配提取、驾驶行为普适性表达、参数化特征提取与反演重构、驾驶行为特征谱快速识别等关键技术，提出驾驶行为描述、构建、特征表达与参数提取、安全评估、预测等成套理论与技术，建立各类驾驶行为谱库，确定不良交通行为特征谱参数值的阈值范围，为不良驾驶行为早期预判、预警提供理论基础与技术支撑。

图1.基于人工智能的危险驾驶与交通风险模型建立框架

分心驾驶是导致道路交通事故的重要诱因之一。陆键课题组通过使用先进的自然驾驶实验设备，研究驾驶员在使用手机过程中的分心特性，建立高精度的分心驾驶识别模型。研究结合运用全局随机搜索算法和机器学习分类算法LightGBM，基于偏航角速度小波参数等建立道路场景识别模型和分心场景识别模型，识别准确率均达到90%以上。

智能交通最大的特点就是现代化理论和技术手段的应用。充分利用无人机的专长和优势参与城市交通管理，可以从微观上进行交通流实况监控，实现区域管控，确保交通畅通，应对突发交通事件，实施紧急救援。陆键课题组使用基于深度学习的计算机视觉处理方法，快速识别交通流中车辆行驶轨迹。研究考虑驾驶环境与道路类型差异，建立危险驾驶行为特征参数（Measure Of Risk）。通过对车辆轨迹时间序列的修正处理与特征参数提取，使用小波分析、动态时间规整等特征工程方法，结合适用于危险驾驶行为的不均衡样本分类算法CUSBoost，获得稳健、有效、准确的危险驾驶行驶识别模型。

图2.MOR参数阈值判断危险驾驶行为

陆键课题组将风险理论、预警理论与道路交通安全理论相结合，探索研究区域路网道路交通安全风险的危险车辆识别，实时监测与风险评价，区域路网风险预警等技术。研究采用驾驶员驾驶风格、危险驾驶行为的MOR、驾驶场景沿途的土地利用、交通流量、道路等级、车辆速度、车型、可能发生的事故类型（单车、多车）等特征参量进行驾驶行为的风险评估，基于事故数据、车辆碰撞风险、交通冲突计算事故概率，并采用神经网络、支持向量机等机器学习算法建立事故风险等级预测模型。基于模型结果建立风险指标体系，获取指标权重，评估事故后果的风险等级。

图3.道路交通网络风险评估