2024年4月26日发(作者：谷歌5手机)

龙源期刊网

风险驾驶行为识别及干预研究综述

作者：李艳 刘文超 尤志栋

来源：《汽车与安全》2020年第03期

摘 要：驾驶人的风险行为已成为交通事故的主要致因。识别风险驾驶行为并进行干预对

提高道路交通安全水平具有重要意义，因此本文从风险驾驶行为识别、干预方法以及干预效果

评估三方面对国内外研究进行综述。通过车载数据记录设备或智能手机进行数据采集，基于规

则或机器学习算法识别风险行为，基于规则的识别方法简单易理解，但各研究中设定的阈值并

不一致，机器学习算法的识别效果相对更优。行为干预分为非实时干预和实时干预两种，其中

非实时干预包括安全教育和奖惩手段，部分研究采取两种组合的干预方案。研究表明，两种干

预方式均对减少风险驾驶行为或降低危险事件率有一定的效果，但效果的大小、持续性有所不

同。此外，不同干预方法效果不同，同样的干预方法对不同的驾驶人、风险行为的干预效果也

存在差异。

关键词：驾驶行为；行为数据采集；风险行为识别；行为干预；效果评估

Review of risk driving behaviorsidentification and intervention

LI Yan1， LIU Wenchao1， YOU Zhidong2

（g Xiaoju Technology Co.， Ltd.， Beijing 100193，China； 2. The Key Laboratory

of Ministry of Public Security of Road Traffic Safety， Wuxi 214151，China）

Abstract： The risk behavior of drivers has become the main cause of traffic accidents.

Identifying and intervening risky driving behaviors are of great significance for improving road traffic

safety. This paper reviews the research at home and abroad in terms of risk driving behavior

identification， intervention methods， and intervention effectsevaluation. Data is collected through

in-vehicle data recorder or smartphones， and risk behaviors are identified based on rules or machine

learning algorithms. Rulesbased identification methods are simple and easy to interpret， but the

thresholds set in various studies are not consistent， and the recognition effect of machine learning

algorithms is relatively more excellent. Behavioral intervention is divided into non-realtime

intervention and real-time intervention. Among them， non-real-time intervention includes safety

education and reward and punishment methods. Some studies have adopted two combined

intervention schemes. Studies have shown that both interventions have certain effects on reducing

risky driving behavior or reducing the rate of safety related incidents， but the magnitude and

persistence of the effects are different. In addition， different intervention methods have different

effects， and the same intervention methods have different effects on different drivers and risk

behaviors.

龙源期刊网

Keywords： Driving behavior； behaviordata collection； risk behavior identification；

behavior intervention； effect evaluation

基金項目：道路交通安全公安部重点实验室开放课题基金资助，驾驶风险在线监测评价方

法与干预技术研究（2019ZDSYSKFKT02-1）

驾驶人的风险行为已成为道路交通事故的主要致因。2018年，全国因机动车驾驶人违法

行为造成的事故死亡人数占88.19%，其中未按规定让行、酒后驾驶、超速行驶、未与前车保

持安全距离肇事死亡人数分别占11.23%、6.82%、6.72%和4.30%[1]。因此，减少驾驶人行车

过程中的风险行为，对提高道路交通安全水平具有重要意义。

研究表明，驾驶行为的影响因素分为三类：个体差异、暂时性能力损失、认知与社会心理

因素[2]。个体差异，指由于年龄、性别、驾驶经验与技能、个性与态度等不同，驾驶人呈现

出不同的行为表现；暂时性能力损伤，指某些因素导致驾驶人出现暂时性的行为能力损伤，如

酒后驾驶、疲劳驾驶等；认知与社会心理因素包括驾驶人注意力集中度、情绪与感觉和社会心

理因素，如使用手机、路怒、有无监督等。此外，驾驶人受时空上或经济上的利益驱使，在明

知有风险的情况下依然可能做出不安全驾驶行为。风险平衡理论认为，驾驶人总是不断地调整

自身的驾驶行为，从而在自己可接受的风险水平下获得时空上或经济上的利益。风险阈限模型

则认为只有当驾驶人的感知风险度超过了阈限时，驾驶人才改变其行为[3]。

基于驾驶行为的影响因素分析，学者们从驾驶技能、安全意识、风险感知、驾驶人心理等

方面开展了风险驾驶行为干预方法的研究，包括驾驶人安全操作培训、安全宣传教育、奖惩措

施、实时风险警告提醒等手段，并通过实验验证其效果。因此，本文对国内外风险驾驶行为干

预的相关研究进行综述，包括风险驾驶行为识别方法、行为干预方法、干预效果评估三部分。

1 风险驾驶行为识别方法

1.1 驾驶行为数据采集

驾驶模拟器和自然驾驶数据采集技术是两种主要的驾驶行为采集手段。驾驶模拟器是一种

虚拟现实仿真设备，驾驶人通过模拟器的操作部件与虚拟的交通环境进行交互，驾驶模拟器实

验具有场景可控、可重复等特征，且能够方便地采集驾驶人的生理信号，如脑电、眼动数据。

自然驾驶数据采集技术则是通过各类传感器和移动智能终端对车辆日常运行过程中的数据进行

采集，场景真实且多样化，采集的数据更贴近驾驶人的真实驾驶状态。

已有研究与应用中，自然驾驶行为数据的采集设备主要分为车载数据记录设备和智能手

机。车载数据记录设备是指GPS监控设备、车载诊断系统、自适应巡航控制系统等安装在车

辆上的设备[4]。Mobileye属于一种交互式的车载数据记录设备，可以定期报告驾驶人的行

为，也可以在驾驶过程中实时提供声音和灯光的提醒[5]。一些大型运输企业在车辆上安装了

龙源期刊网

基于GPS和北斗等卫星定位系统技术、GIS技术的运行监控系统，用于识别驾驶人一些异常驾

驶行为并进行提醒。智能手机的快速普及与应用，为自然驾驶行为数据采集提供了便利[6-7]。

手机上配备的加速度、陀螺仪、GPS、摄像头等多种传感器，可以用于识别和监控驾驶人的行

为，包括超速、加减速、刹车、变道、转弯、使用手机、疲劳驾驶等。

1.2 风险驾驶行为识别

驾驶行为与事故风险的关联性一直是研究的重点，常用的驾驶安全性评价指标包括急加

速、急刹车、急转弯、急变道等接近碰撞事件。此外，超速行驶、疲劳驾驶、分心驾驶等行为

也容易导致交通事故，是驾驶安全研究的重点。

基于规则的识别方法是最为常见的风险驾驶行为识别方法，其核心在于设定阈值。当检测

到速度、加速度、角速度等参数超过设定的阈值时，即判定为出现风险驾驶行为。超速是指速

度超过道路标明的限速或者营运公司规定的阈值速度。急刹车是日常驾驶中最频繁的风险行

为，可以定义为减速度超过0.4g，急加速则被定义为加速度超过0.4g，急转弯定义为转弯时横

向加速度超过0.4g[8]。在McGehee等[9]的研究中，急加速和急刹车的阈值取0.5g，急转弯的

阈值取0.55g。研究表明安全变道的平均时间为5至6秒[10]，急变道是指车道变更持续时间较

短的行为[11]。

除此之外，机器学习算法在风险驾驶行为识别方面应用越来越多，尤其是基于模糊逻辑

[7，12]和动态时间规整的识别方法[13-15]。Castignani等[7]提出了基于模糊逻辑的驾驶行为分

析方法，根据智能手机传感器采集的数据，将驾驶行为分为正常、温和以及激进三个等级。

Saiprasert等[15]提出了基于动态时间规整的模式匹配算法检测风险驾驶行为，将70%的样本数

据作为训练集，30%作为测試集，发现该算法优于基于规则的识别方法。Ferreira等[16]比较了

人工神经网络、支持向量机、随机森林和贝叶斯网络四种机器学习算法的识别效果，随机森林

在急转弯、急加速和急刹车识别方面表现最优，其次人工神经网络在急变道识别方面优于随机

森林。

疲劳驾驶的识别方法相对多样化，包括基于车辆操控行为、车辆运行状态、生理信息、机

器视觉等方法。车辆操控行为是指驾驶人对方向盘的操控，Mortazavi等[18]发现，驾驶人对方

向盘的操控能力在疲劳状态下会明显下降，通过检测方向盘的操作信息，能够实现对疲劳驾驶

的判别。车辆运行状态是指偏离车道、异常转向以及异常加速等行车状态，Friedrichs[19]提取

车辆横向位置指标，利用神经网络算法建立监测模型，该模型识别精度达到了84%。基于生理

信息的识别方法中，采用的心理指标包括脑电信号[20]、心电信号[21]和肌电信号[22]等，Patel

等[21]以心率变异性作为特征参数，构建神经网络模型对疲劳驾驶进行识别，准确率达到

90%。基于机器视觉的识别方法是通过图像识别设备捕捉驾驶人头部、面部等变化来识别，包

括闭眼情况[23]、眼睛注视方向[24]、头部位置[25]、打哈欠[26]等。

2 行为干预方法

龙源期刊网

2.1 非实时干预方法

非实时干预方法是指基于采集的风险驾驶行为数据，对驾驶安全性进行评价，开展针对性

安全教育或通过奖惩等激励手段，以达到改善风险驾驶行为的目的。

2.1.1 安全教育

开展安全教育是较为常见的非实时行为干预方法。安全教育的材料主要包括直观材料和间

接材料两种类型。直观材料包括视频、照片等直接记录了驾驶人风险驾驶行为的材料，能够使

驾驶人直观地观看风险驾驶行为引发危险交通事件的过程。间接的教育材料是指通过行为观测

和分析后，制作的分析报告、警告信等材料，材料没有直接展示危险交通事件的发生过程，但

是描述了驾驶人风险驾驶行为的特点，并提出了针对性的改善建议。

Hickman和Hanowski[27-28] 以及Hickman等[29]利用车载安全监控系统对营运驾驶人的

危险交通事件和风险驾驶行为数据进行采集，当营运企业的管理者认为有必要的时候，使用视

频材料对驾驶人进行安全教育，频率不固定。Bell等[30]的研究中，首先根据风险驾驶行为对

驾驶人进行评级，管理者每周对风险最高的驾驶人（3级和4级）基于视频片段进行一对一的

教育。同济大学王雪松等[31]与营运企业合作，采集货运驾驶人行为数据，提取风险驾驶行为

视频片段并制作分析报告，分别采取面对面分析行为视频片段、电话讲解行为分析报告的方式

进行驾驶人安全教育。Toledo和Lotan[32]在干预期让驾驶人登录网站查看自己的风险行为视

频片段、分析报告，同时也能查看所有驾驶人的平均风险水平。

此外，通过驾驶模拟器设置虚拟场景，驾驶人可以亲身体验因疲劳驾驶、分心驾驶、酒后

驾驶等行为带来的危险，让“事故”帮驾驶人培养安全意识，一些驾校、安全宣教基地和保险公

司提供可以提供该项教育。美国一家保险公司特别开设名为“分心101”的安全驾驶培训课程，

坐在模拟驾驶器前，驾驶人可以一边打电话或发短信一边“开车”，面前的显示屏上将会出现多

个危险场景，这些场景均来自真实事故，以此强调分心驾驶的危险，并教育驾驶人预判隐藏的

危险，对紧急情况做出正确反应。

2.1.2 奖惩等激励手段

交警部门利用电子雷达在事故多发点段定点监测，或通过路面巡查来发现驾驶人违法行

为，并对其处以相应罚款或驾驶证记分，使驾驶人在承受事故的可能性风险同时，还要承受因

风险驾驶行为带来的惩戒。营运企业利用驾驶行为采集设备记录驾驶人的行为，基于行为数据

对驾驶人的进行风险排名及评级，将其与奖金挂钩，并对高风险驾驶人进行监督教育。

在保险行业，基于驾驶行为的汽车保险费（Usage-based insurance，UBI）計算模式近年开

始流行，驾驶人可以通过更安全的驾驶方式来节省费用。保险公司基于采集的急加速、急刹

车、超速等风险驾驶行为数据，为用户提供相应保费折扣。2009年，美国Progressive公司正

龙源期刊网

式推行UBI保险模式，率先推出产品Snapshot，为用户提供对应的保费折扣，其折扣最高值可

以达到30%。荷兰PolisVoorMij公司向公众提供了自己的UBI产品，最高可提供20%的保险

折扣，美国State Farm保险公司的优惠折扣高达40%[33]。

2.2 实时行为干预方法

实时行为干预方法是指对驾驶行为进行实时监测，当检测到风险驾驶行为时，通过视觉或

听觉上的提醒等方式干预驾驶人的行为，如超速提醒、疲劳警告。

车载视频监控系统一般应用于运输企业的车辆，在检测到风险驾驶行为时，警示灯会亮

起，不同颜色的灯表示不同风险等级，以提醒驾驶人安全驾驶[28，30，34]。不同风险驾驶行

为导致的后果可能存在差异，如不同的疲劳等级、超速比例等，因此部分营运企业会根据风险

等级实行分级干预，对于低风险的驾驶行为进行语音提醒，高风险的驾驶行为则是语音提醒加

监管人员介入干预。

智能手机应用程序由于安装便利、经济实惠，在驾驶行为实时干预中应用广泛。高德、百

度等地图应用在驾驶人超速时进行语音提醒；iOnRoad和Augmented Driving在驾驶人跟车过

近时发出声音警报；SmartLDWS在检测到车道偏移时发出声音警报；CarSafe基于手机摄像

头，检测到疲劳驾驶或分心驾驶时发出警报[17]。一些网约车平台为提高司乘的行程安全性，

基于手机应用程序对驾驶人的风险行为进行语音提醒，对于风险等级高的驾驶行为，监管人员

会直接联系驾驶人进行干预。

越来越多的研究采取非实时干预与实时干预组合的方案，以达到更好的干预效果。

Mcgehee等[34]研究中，干预期内青少年驾驶人出现风险行为，警示灯会亮起，并且每周将视

频片段及对应的图形报告卡作为教育材料发送给驾驶人及其父母，由父母对驾驶人进行安全教

育。Levi-Bliech等[11]基于车队驾驶人的研究中，除了提供实时的风险行为警报，在行程结束

后，驾驶人还可以在手机应用程序上查看本次行程的驾驶安全性分析报告。Bell等[30]的研究

中，为其中一组驾驶人提供实时的风险行为警报，同时管理者每周对高风险驾驶人基于视频片

段进行一对一的教育。

3 干预效果评估

3.1 评估指标

驾驶人的风险行为频率是最为直接的行为评估指标。Levick和Swanson[35]对驾驶人的超

速、急刹车以及不使用安全带三种风险行为进行干预，通过对比基准期（3个月）和干预期

（15个月）风险行为频率的变化情况来评估干预效果。Kim等[36]在基准期（2周）后进行一

次安全干预，后续反馈期约7周，采用生存分析法计算生存距离，生存距离表示驾驶人再次出

现该类风险行为时所行驶的里程数，距离越长说明干预的效果越好。此外，基于风险驾驶行为

龙源期刊网

计算的驾驶风险指数同样被用来评估干预效果。Toledo等[37]的研究中，通过一个线性函数计

算驾驶风险系数，综合考虑风险驾驶行为的频率与严重程度以及驾驶时长。

行为干预的目的是降低事故，事故率是安全性评估最直观的指标。但由于事故是一个小概

率事件，在较少的实验对象以及较短时间周期的条件下，难以采集到足够的样本量进行对比分

析，因此部分研究将危险交通事件（包括事故、接近碰撞和紧急交通事件）作为事故的替代变

量，用于评估行为干预措施的安全效果。McGehee等[9]将驾驶人分为危险驾驶人和安全驾驶

人，分别对比了基准期和干预期两类驾驶人的危险交通事件率变化，并根据危险交通事件率的

下降程度评估干预效果。在Hickman和Hanowski[27-28]以及Hickman等[29]的研究中，同样

分析了教育前后营运驾驶人危险交通事件率的下降程度，以此评估行为干预方法对提高营运驾

驶人交通安全水平的效果。

3.2 干预效果

对风险驾驶行为干预效果的评估主要是采用前后对比法和对照组法。关于干预对风险驾驶

行为的影响，各研究得出的结论不一致，这与研究对象、干预方案设计、评估指标等均有关

系。

多数研究表明，行为干预对减少风险驾驶行为、提高驾驶安全性有一定的效果，但干预效

果的大小、效果的持续性存在差异。Levick和Swanson[35]对救护车驾驶人的风险行为进行实

时语音提醒，发现与干预前相比，驾驶人不系安全带、超速、急加速、急刹车和急转弯的频率

均下降。Levi-Bliech等[11]发现，驾驶人行程前查看历史安全分析报告、风险行为实时提醒两

种干预措施均与风险驾驶行为频率呈负相关关系。Hickman等[27]发现实施干预后，营运驾驶

人的危险交通事件率虽然有所下降，但是下降的程度并不显著。同济大学罗楝等[38]的研究表

明，针对性教育能显著减小驾驶人的危险交通事件率，每月一次的面对面教育后，危险驾驶人

的危险交通事件率（以周为时间单位统计）先下降后回升。同样的， Musicant等[39]发现干预

期间驾驶人的事故率、肇事率均显著低于干预前，驾驶人的驾驶风险系数在干预期间呈较低水

平，干预结束后开始升高，逐渐接近于基准期的水平。

然而，McGehee等[9，34]的研究表明，干預期间危险驾驶人的平均危险事件率有了明显

的下降，安全驾驶人则没有显著变化，在40周后停止干预，接下来的8周内继续观察驾驶人

的风险行为，发现危险事件率与干预期相比没有明显变化。Toledo和Shiftan[40]基于干预前的

驾驶行为数据，将驾驶人分为安全、中等、危险三个等级，发现两周一次的干预对安全和中等

水平的驾驶人行为没有影响，但危险驾驶人的危险事件率明显降低。Choudhary等[41]基于保

险公司采集的驾驶行为数据进行研究，驾驶人会在行程结束后收到本次行程的评分、累计评分

和所能享受的保险折扣信息，结果表明，该干预措施对改善风险驾驶行为没有积极的作用，但

驾驶人收到低评分时，短期内驾驶行为会有所改善。

龙源期刊网

此外，不同干预方法的效果也存在差异。Bell等[30]对比了两种干预策略的效果，发现仅

进行实时干预，驾驶人的风险行为频率较干预前有所下降，但与对照组（无干预）相比下降并

不显著，另一组采取的是实时干预加定期安全教育的干预方法，风险行为频率较对照组有显著

的下降。同样的干预方法对于不同风险行为的效果也不同。Kim等[36]发现，经过安全教育

后，驾驶人的急加速、急转弯、急减速行为均有所减少，其中急加速行为下降速度最快。

Mcgehee等[9]的研究中，发现干预对急转弯行为有改善作用，但是驾驶人的急刹车行为并没有

明显下降。

4 结论

车载数据记录设备和智能手机是当前主流的自然驾驶行为数据采集设备，其中车载数据记

录设备一般应用于运输企业的车辆，智能手机更多地应用于私家车，驾驶人只需在手机上安装

相应的应用程序，即可采集数据，也能通过视听的方式进行实时的交互。

风险驾驶行为的识别方法呈现多样化，包括基于规则的识别方法与基于机器学习算法进行

识别。基于规则的识别方法简单易理解，但各研究中设定的阈值并不一致，机器学习算法的识

别效果相对更优。

行为干预方法分为非实时干预和实时干预两种，其中非实时干预包括安全教育和奖惩手

段，多数研究中采取非实时和实时组合的干预方案。多数研究表明，两种干预方式均对减少风

险驾驶行为或降低危险事件率有一定的效果，但效果的大小、持续性有所不同。此外，不同干

预方法效果不同，同样的干预方法对不同的驾驶人、风险行为的干预效果也存在差异。

参考文献

[1] 公安部交通管理局.道路交通事故统计年报[M].2018.

[2] 段冀阳，李志忠. 风险驾驶行为影响因素的研究综述[J]. 人类工效学，2013（02）：88-

93.

[3] 杨京帅. 预防道路交通事故的驾驶行为干预技术分析[J]. 人类工效学，2005（03）：40-

42.

[4] Zhang C ， Patel M ， Buthpitiya S ， et al. Driver Classification Based on Driving

Behaviors[C]// International Conference on Intelligent User Interfaces. ACM， 2016.

[5] Albert G ，Musicant O ， Lotan T ， et al. Evaluating Changes in the Driving Behavior of

Young Drivers A Few Years After Licensure Using In-Vehicle Data Recorders[C]// Driving

Assessment Conference. 2017.

龙源期刊网

[6] Arroyo C ，Bergasa L M ， Romera E . Adaptive fuzzy classifier to detect driving events

from the inertial sensors of a smartphone[C]// 2016 IEEE 19th International Conference on Intelligent

Transportation Systems （ITSC）. IEEE， 2016.

[7] CastignaniG ，Derrmann T ， Frank R ， et al. Driver Behavior Profiling Using

Smartphones： A LowCost Platform for Driver Monitoring[J]. IEEE Intelligent Transportation

Systems Magazine， 2015， 7（1）：91-102.

[8] Bergasa L M ， Daniel Almería， Javier Almazán， et al. DriveSafe： an App for Alerting

Inattentive Drivers and Scoring Driving Behaviors[C]// IEEE Intelligent Vehicles Symposium （IV）.

IEEE， 2014.

[9] Mcgehee D V ， Raby M ， Carney C ， et al. Extending parental mentoring using an event-

triggered video intervention in rural teen drivers[J]. Journal of Safety Research， 2007， 38（2）：

215-227.

[10] Toledo T， Zohar D. Modeling duration of lane changes[J]. Transportation Research

Record， 2007， 1999（1）： 71-78.

[11] Levi-Bliech M， Kurtser P， Pliskin N， et al. Mobile apps and employee behavior： An

empirical investigation of the implementation of a fleet-management app[J]. International Journal of

Information Management， 2019， 49： 355-365.

[12] Araujo R， Igreja A， de Castro R， Araujo RE. Driving coach： A smartphone

application to evaluate driving efficient patterns. In： Intelligent Vehicles Symposium （IV），

2012 IEEE； 2012. p. 1005-1010.

[13] Johnson DA， Trivedi MM. Driving style recognition using a smartphone as a sensor

platform. In： Intelligent Transportation Systems （ITSC）， 2011 14th International IEEE

Conference on； 2011. p. 1609-1615.

[14] Eren H， Makinist S， Akin E， Yilmaz A. Estimating driving behavior by a smartphone.

In： Intelligent Vehicles Symposium （IV）， 2012 IEEE； 2012. p. 234-239.

[15] Saiprasert C， Thajchayapong S， Pholprasit T， Tanprasert C. Driver behaviour profiling

using smartphone sensory data in a V2I environment. In： Connected Vehicles and Expo

（ICCVE）， 2014 International Conference on； 2014. p. 552-557.

龙源期刊网

[16] Ferreira J ， Carvalho E ， Ferreira B V ， et al. Driver behavior profiling： An

investigation with different smartphone sensors and machine learning[J]. Plos One， 2017， 12

（4）：1-16.

[17] You C W ， Montes-De-Oca M ， Bao T J ， et al. CarSafe： A driver safety app that

detects dangerous driving behavior using dual-cameras on smartphones[C]// Proceedings of the 2012

ACM Conference on Ubiquitous Computing. ACM， 2012.

[18] EskandarianA ， Mortazavi A . Evaluation of a Smart Algorithm for Commercial Vehicle

Driver Drowsiness Detection[C]// Intelligent Vehicles Symposium， 2007 IEEE. IEEE， 2007.

[19] Friedrichs F，Yang Bin. Drowsiness monitoring by steering and lanedata based feathers

under real driving conditions[C]//18th European SignalProcessing Conference，Aalborg，2010：23

27.

[20] Lal S K L ， Craig A ， Boord P ， et al. Development of an algorithm for an EEG-based

driver fatigue countermeasure[J]. Journal of Safety Research， 2003， 34（3）：321-328.

[21] ， et al. Applying neural network analysis on heart ratevariability data to

assess driver fatigue[J]. Expert Systems withApplications，2011，38（6）：7235-7242.

[22] HostensI ， Ramon H . Assessment of muscle fatigue in low level monotonous task

performance during car driving[J]. Journal of Electromyography and Kinesiology， 2005， 15

（3）：0-274.

[23] Albu A B ，Widsten B ， Wang T ， et al. A computer vision-based system for real-time

detection of sleep onset in fatigued drivers[C]// Intelligent Vehicles Symposium， 2008 IEEE.

IEEE， 2008.

[24] Batista J. A Drowsiness and Point of Attention Monitoring System forDriver

Vigilance[C]//Intelligent Transportation Systems Conference ， 2007. IEEE. IEEE，

2007：702 - 708.

[25] Lee D，Oh S，Heo S，et al. Drowsy Driving Detection Based on theDriver’s Head

Movement using Infrared Sensors[J]. in Proceedings of the2nd International Symposium on Universal

Communication，2008：231-236.

[26] Fan X ， Yin B C ， Sun Y F . Yawning Detection for Monitoring Driver Fatigue[C]//

International Conference on Machine Learning & Cybernetics. IEEE， 2007.

龙源期刊网

[27] Hickman J， Hanowski R. Evaluating the safety benefits of a low-cost driving behavior

management system in commercial vehicle operations[R]. Washington D.C： Federal Motor Carrier

Safety Administration，2009.

[28] Hickman J， Hanowski R. Use of a video monitoring approach to reduce at-risk driving

behaviors[J]. Transportation Research Part F，2011，14： 189-198.

[29] Hickman J， Hanowski R， Ajayi O. Evaluation of an onboard safety monitoring device in

commercial vehicle operations [C]. The Fifth International Driving Symposium on Human Factors in

Driver Assessment， Training and Vehicle Design，2005.

[30] Bell J L ， Taylor M A ， Chen G X ， et al. Evaluation of an in-vehicle monitoring

system （IVMS） to reduce risky driving behaviors in commercial drivers： Comparison of in-cab

warning lights and supervisory coaching with videos of driving behavior[J]. Journal of Safety

Research， 2017， 60：125-136.

[31] Wang X ， Xing Y ， Luo L ， et al. Evaluating the effectiveness of Behavior-Based

Safety education methods for commercial vehicle drivers[J]. Accident Analysis & Prevention，

2018， 117：114-120.

[32] Toledo T， Lotan T. In-vehicle data recorder for evaluation of driving behavior and

safety[J]. Transportation Research Record， 2006， 1953（1）： 112-119.

[33] 王罡. 基于UBI的車辆个性化保险费率厘定模式研究与应用[D].中国科学院大学，

2017.

[34] Mcgehee D V ， Carney C ， Raby M ， et al. The impact of an event-triggered video

intervention on rural teenage driving [C]. Fourth International Driving Symposium， 2007.

[35] Levick N， Swanson J. An optimal solution for enhancing ambulance safety：

implementing a driver performance feedback and monitoring device in ground emergency medical

service vehicles[C]. 49th annual proceedings Association： For The Advancement of Automotive

Medicine， 2005.

[36] Kim D， Lee C， Park B J. Use of digital tachograph data to provide traffic safety

education and evaluate effects on bus driver behavior[J]. Transportation research record， 2016，

2585（1）： 77-84.

[37] Toledo T， Musicant O， Lotan T. In-vehicle data recorders for monitoring and feedback

on drivers’behavior [J]. Transportation Research Part C， 2008，16： 320-331.

龙源期刊网

[38] 罗楝，王雪松，余荣杰，等.营运驾驶人行为安全教育效果研究[J]. 中国安全科学学

报，2016，26（9）：124-128.

[39] Musicant O， Lotan T， Toledo T. Safety correlation and implications of an in-vehicle data

recorder on driver behavior [C]. Washington D.C： Transportation Research Board Annual

Meeting，2007.

[40] Toledo G， Shiftan Y. Can feedback from invehicle data recorders improve driver behavior

and reduce fuel consumption？[J]. Transportation Research Part A： Policy and Practice， 2016，

94： 194-204.

[41] Choudhary V， Shunko M， Netessine S. Does Immediate Feedback Make You Try Less

Hard？ A Study of Automotive Telematics[J]. 2019.