基于停车预测的驾驶安全通知系统

通过停车时间预测实现驾驶时更安全地发短信

摘要

由于车载设备使用导致的驾驶员分心问题日益受到关注，并已引起国家层面的重视。我们提出一个问题：与其完全禁止移动设备使用，是否更有效的方式是将驾驶员对设备和信息系统的使用引导至更安全时段？本文旨在通过探讨自动识别操作移动设备的相对安全时段的可行性，启动这一话题的讨论。我们提出一种基于运动的架构设计，用于识别相对安全时段，估计每个时段的持续时间和安全等级，并将通知延迟至更安全时段到来时再发出。为进一步探索此类系统架构的可行性，我们针对一种安全时段——长时间交通信号灯停车，设计并实现了一种依赖众包位置数据的预测算法。仿真和实验评估结果表明，该系统能够实现较低的预测误差，且其收敛性和预测准确性随着众包数据量的增加而相应提高。

引言

由于移动设备频繁中断而导致的分心问题日益引起关注 [21]。当出现严重安全风险时，这一问题尤为突出，例如在驾驶汽车、操作建筑设备或操作火车时。在美国，研究估计手机分心每年导致445人死亡[20]。因此，许多州和国家的法律禁止手持电话使用或驾驶时发短信。

尽管这些法律总体上看似合理，但技术发展迅速，这引发了关于其有效性的诸多问题。首先，可穿戴设备导致了法律适用性的不确定性，并使得执法愈发困难，因为通常难以明确判断可穿戴设备是被主动使用还是仅仅佩戴着[24]。其次，移动设备使用的增长带来了越来越强的社会压力，要求人们立即回复消息。第三，汽车通过车载用户、导航和娱乐界面提供了越来越多的信息。

车辆用户界面当然以驾驶员为中心设计，且必须遵循特定的指南[7]。鉴于汽车用移动操作系统（例如安卓汽车或苹果CarPlay）的发展趋势，这一界限正变得越来越模糊。如果此类系统最终允许第三方汽车应用程序接入，是否所有应用程序都会经过严格筛查其分心可能性？此外，由于车辆的生命周期较长，过时的用户界面和技术可能比最新的移动设备更容易造成分心。

鉴于这种日益增加的不确定性，我们不禁要问，与其完全禁止手持移动设备使用，是否不如将驾驶员的设备和信息系统使用引导至更安全时段更为有效。在大多数行程中，驾驶员注意力的需求变化很大，这意味着存在一些设备使用相对安全的时段。最安全的时段可能是车辆停止时，这种情况经常发生在交通信号灯处，或偶尔出现在交通拥堵期间。自动驾驶的发展趋势可以预期创建相对安全的额外时段。尽管当前生产系统仍需要驾驶员监督系统，但技术路线图预计车辆最终将能够无需驾驶员监督地完成部分行程。如果移动系统能够将潜在交互引导至这些时段，并远离更危险的时段，我们能否实现整体安全提升？

然而，对这一问题的明确答案还需要进一步考虑人类行为、伦理和法律层面。更普遍的问题是，移动操作系统是否应管理用户注意力，Garlan [8]以及最近Lee及其同事[16]都曾提出过此问题。然而迄今为止，尚未出现一种统一方法来评估用户注意力容量。因此我们认为，开发应从最紧迫的需求入手，特别是驾驶场景，并尝试将讨论转向更具体的技术提案。

因此，本文旨在通过研究技术可行性并提出一种基于停车时间预测的技术方法，来开启这一讨论。具体而言，我们提出了一种基于运动的系统，该系统可识别相对安全时段，估计每个时段的持续时间和安全等级，并将通知延迟至更安全时段到来时发出。为了验证该方法的可行性，我们开发了一种算法，用于预测频繁发生的红灯等待时段，以确定安全时段。我们的算法可部署于众包环境中，随着众包数据可用性的增加，系统性能也随之提升。我们的系统表明，即使使用有限的众包交通数据，也能通过停车时间预测来确定安全时段。

相关工作

减少驾驶时的交互

消除来自驾驶员手机干扰的最直接方法是完全忽略来电和短信。例如，一些智能手机应用程序（如 OneTap[4], AT& TDriveMode[2]，以及 Live2 Txt[3]）利用 GPS信息自动感知用户是否正在驾驶，并屏蔽所有可能使驾驶员分心的通知。不同于使用GPS信息的方法， Agent[1]在用户的智能手机连接到车辆的蓝牙系统时，判断其正在驾驶，并自动向拨打或发送短信给驾驶员的人回复一条消息，告知其驾驶状态。还有一些严格的方法通过在车辆中安装附加硬件，彻底阻断蜂窝信号[5, 23]，以消除驾驶过程中使用手机带来的干扰。Lindqvist 和 Hong [17]更进一步探讨了驾驶员手机如何通过情境感知与呼叫者进行交互。他们建议让呼叫者了解被叫方的驾驶状态，并允许呼叫者决定是否稍后拨打电话或发送短信给被叫方。为了获取人们的驾驶状态，已有多种方法被提出用于区分驾驶员手机与乘客手机[26, 25, 18]。然而，这些研究都旨在减少驾驶员在驾驶过程中的手机交互，却未考虑上下文环境和人类行为因素。

智能通知

一些研究致力于智能管理智能手机通知。霍维茨等人 [12] 提出应用贝叶斯模型来推断用户的可用注意力水平，并计算干扰的预期成本。根据日历信息来中断和延迟提醒。然而，该系统受限于贝叶斯模型本身，即当前上下文与先前上下文之间是否存在强关联性。

Ho 和 S.Intille [11]发现，身体活动变化中可能存在自发任务中断，例如用户状态从坐到站的时刻可能表明用户正在休息，这可能是推送提醒通知的最佳时机。然而，仅依靠移动设备难以检测人类活动及其上下文的此类转换。Mehrota 等人[19]构建了一个机器学习模型，通过分析通知的内容和上下文来预测用户对通知的接受程度。李等人 [16]认为，在评估每个潜在交互时，除了其重要性之外，还应将用户注意力视为一种需要管理的资源。然而，上述所有研究仅考虑了通用通知上下文，可能不适用于存在显著安全问题的现实生活场景，例如驾驶时的智能手机通知。

引导驾驶员注意力

驾驶时使用移动设备通常被视为可能导致事故的危险行为。尽管许多研究致力于通过屏蔽移动设备的通知来避免驾驶分心，但我们确实观察到存在一些相对安全时段，驾驶员可以在这些时段操作其移动设备，例如在红灯前停车、遭遇交通拥堵被堵住或在加油站等待等情况。如果移动设备能够引导驾驶员注意力至这些相对安全时段，而不是完全屏蔽驾驶过程中设备的通知，会怎样呢？为回答这一问题，我们首先探讨以下三个问题的答案。

在驾驶过程中与信息系统交互的安全机会有多常见？

与设备交互最安全的机会是当车辆停止时。因此，我们使用来自欧洲保险公司的一份公开驾驶员远程信息处理轨迹数据集 [13][9]，分析行程中的典型停车时间。该数据集包含来自50,000名匿名驾驶员的547,200次行程，每次行程的平均持续时间为 10.85分钟。我们处理了所有行程，并在图1中展示了不同停车持续时间对应的停车间隔长度。例如，每3.96分钟就会出现一次超过9.56秒的停车（这是回复一条简短短信所需的最短时间要求，详细内容见下一段）。因此，在一次10分钟行程中，预计大约会有2.5次这样的安全机会。

这些安全机会中有许多发生在车辆在交通信号灯处等待

由于之前的数据集未提供每次停车原因的任何信息，我们从新泽西州美国1号公路的一段自适应交通信号系统中单独分析交通信号等待时间数据，该路线与美国东海岸平行，是许多当地居民通勤路线的重要组成部分。该数据集来自新泽西州交通部（NJDOT），包含最近9个月内美国1号公路沿线22个交叉路口的记录，并包括排队中第一辆车的等待时间。如图2所示，在92%的情况下，第一辆车的等待持续时间超过10秒，而在32%的情况下，它超过60秒。

短时交互需要多长时间？

实验表明，人们仅需9.56秒即可完成一条10个字符的消息的文本输入[10]。在实际情况下，使用安卓手机与金融类应用（如美国银行、谷歌财经、iStockManager）、出行类应用（如谷歌地图、Yelp和 Waze）以及通信类应用（如谷歌邮箱、Handcent短信、K‐9邮箱）的平均交互持续时间分别为37.01秒、44.72秒和46.92秒[6]。

交互会延迟多长时间？

该系统可以通过在车辆停止时延迟通知和来电消息，直到出现合适的时机，从而将驾驶员与移动信息系统之间的交互引导为短时交互。两次合适持续时间的停车之间的时间间隔是由此产生的交互延迟的上限。图1展示了我们在第二个问题中讨论的四种不同交互的延迟情况。从图1可以看出，回复一条文本消息将产生230.54秒的延迟。对于金融、旅行和通信类应用，我们最多需要568.64秒、687.58秒和723.95秒才会遇到一次合适的停车机会。因此，对数据集的分析表明，在可接受的延迟范围内，我们可以预期有多次安全的机会与信息系统进行交互。

系统设计

接下来，我们讨论系统的架构设计，并通过展示在驾驶员在交通灯处等待的上下文下的示例系统来说明该设计的可行性。

系统架构

概述

我们提出了一种系统，该系统将驾驶员的设备使用引导至更安全的时间段，而不是在驾驶过程中完全禁止某些设备而对其使用不加管制。该系统的主要目标是引导潜在将各种应用程序的通知（例如收到的文本或聊天消息）延迟，直到出现足够长的安全时段，从而将交互转移到安全时段（即车辆处于静止状态时）。该系统主要针对可能分散驾驶员注意力并促使驾驶员与设备进行交互的通知，但不会阻止驾驶员主动发起交互。我们设想该系统能够有效减少导致驾驶员分心的大量交互行为。

基于车辆处于静止状态时驾驶员与设备交互的风险最低这一启发式方法，系统可利用车辆的停车时段作为潜在的安全交互时段。通过使用移动设备中的惯性运动传感器（如加速度计和陀螺仪），采用基于运动的方法来检测车辆的停车事件。该方法能够在相对较低的功耗下实现较高的停车检测准确率。系统随后可预测每次停车事件的停车持续时间，并通过众包其他驾驶员的驾驶行为进一步提高预测准确率。通过同时考虑每次停车的上下文，系统可判断当前停车的安全性，并将该安全性与预测的停车持续时间一起输出为特征向量。最终，系统对通知进行调度，仅在更安全的停车持续时间内释放可交互的通知。在向驾驶员推送通知时，还应考虑通知优先级和便于交互的传递通道。

Interaction Period Detection模块负责通过惯性与GPS数据检测并分类停车时段。对于检测到的停车时段，Period Feature Extraction模块能够提取时段特征向量，该向量将作为 Device Usage Recommendation模块的输入，以传递更安全的通知。我们注意到，为了将交互引导至安全时段，移动设备首先应意识到其所有者正在驾驶。现有研究 [26, 25, 18]提供了区分驾驶员和乘客的解决方案。尽管这些技术并非完全准确，但误报只会导致通知出现轻微延迟，这通常可以接受；而漏报则仅会导致在驾驶过程中收到通知，正如当前情况一样。

潜在交互周期检测

由于潜在的交互时段通常发生在车辆处于静止状态时，该系统设计了一个使用惯性数据检测车辆停车的 Stop Detection 模块。与基于GPS的方法相比，移动设备中的惯性传感器具有相对较低的功耗。一旦检测到潜在的停车，Stop Classification模块将请求精确的GPS位置，以根据停车的位置上下文进一步区分不同类型的停车（例如，等待红绿灯、陷入交通拥堵或停留在加油站）。例如，行驶轨迹及相应的地图信息作为停车的位置上下文，可用于判断车辆是在道路上还是道路外，以及是否位于加油站等兴趣点。如果车辆停在地图显示存在交通拥堵的道路上，则驾驶员可能正处于交通拥堵中。

周期特征提取

我们发现，停车类型为确定交互的安全时段提供了两个重要特征：时段持续时间和停车安全等级。对于特定类型的停车，系统应能够通过 Period Duration Estimation模块预测停车持续时间。在等待交通信号灯的情况下，可以通过当前交通相位计划和交通队列放行模型来预测停车持续时间，这将在第 4.2节中讨论。如果驾驶员陷入交通拥堵，我们可以基于其最近一段时间内的停车频率进行保守预测，其依据是交通越拥堵，停车次数越少但每次停车的持续时间越长。对于在加油站停留的情况，可以利用历史加油时间和加油站的受欢迎程度来估计停车持续时间。此外，设计了 Crowd Sourcing Calibration 模块，通过利用从其他驾驶员的设备中提取的实时参数（例如等待交通信号灯时的交通状况、驾驶员遭遇拥堵时的交通情况以及停车加油时的加油站受欢迎程度）来提高预测准确率并预测未来趋势。

Safety Level Classification模块推导出另一个时段特征——安全等级，用于描述每次停车时段进行车载设备交互的安全程度。安全等级主要取决于停车类型，例如，在加油站停留相比因交通拥堵而停车，能为交互提供更高的安全等级。对于相同类型的停车，系统还可以进一步微调安全等级。例如，交通拥堵越严重，该停车时段所面临的安全等级越高。在获得安全等级后，系统会为每次停车构建一个时段特征向量，以帮助确定驾驶过程中进行设备交互的合适安全时段。

设备使用建议

在确定停车时段及其安全等级后，我们的系统能够智能地传递适当的通知，这些通知可在安全时段内通过用户友好的交互渠道，在预计的停车时段内得到处理。为此，Notification Analyzer可以提取通知的特征，例如通知的紧急程度和用户预期交互时间。基于通知的特征，Notification Manager将负责协调通知的处理，例如屏蔽通知或将通知及时、无干扰地转发至适当的交付通道（即屏幕显示、音频警报、抬头显示）。

案例研究：交通信号灯等待时间预测

等待交通信号灯为驾驶员与车载设备交互提供了最大潜力，因为它能带来更频繁且更长的停车时段。因此，我们在等待红绿灯的上下文中，通过扩展第4.1节中的架构设计，实现了一个示例系统。具体而言，我们实现了时段持续时间估计，利用基于先前交通调度预测工作的预测的交通计划来估计交通信号等待时长[15]。由于交通调度并非恒定不变，我们进一步提出了一种众包校准机制，该机制不仅能够基于少量样本快速收敛预测精度，还能随着样本数量的增加成比例地提升预测性能。

实现概述

基于图3所示的架构，我们在等待交通信号灯的上下文中扩展并实现了一个示例系统。图4展示了扩展模块的详细信息。

在该示例系统中，我们主要关注在交通信号灯等待时间预测上下文中对周期时长估计和众包校准模块的扩展。由停车分类模块区分的其他情况可能各自具有针对周期时长估计和众包校准模块的具体设计与实现。图4中带有斜线阴影的模块在此案例研究中将不会被实现和讨论。

系统工作流程从 Interaction Period Detection 模块开始，如图4所示，该模块负责：（1）通过惯性与GPS数据检测驾驶员何时停车；（2）根据行驶方向和地图信息确定车辆正在等待的交通信号灯。一旦检测到停车事件，系统便开始估计车辆等待时长，该时长包括两部分：交通灯变绿前的等待时间和车辆队列消散所需的等待时间。为了估算这两个等待时间，系统分别执行 Waiting Time Prediction 和 Queue Discharge Model。当车辆启动后，等待时间预测的真实值将反馈给系统，并触发 Sample Pool Update模块将新的等待时间样本加入样本池。随后，系统在 Error Checking中计算预测等待时长的误差，并根据最新样本决定是否执行 Sample Pool reconstruct。在更新样本池后，系统通过重新计算周期长度和偏移量 Cycle Length Prediction和 Offset Calculation。输出将是最新预测的 Cycle Length and Offset集合，该集合将用于下一次等待时间预测。

交通信号配时预测背景

为了预测交通信号灯等待时间，我们基于预测的交通信号灯配时来估计等待持续时间。一个交叉口特定方向的配时可以用周期长度建模。不失一般性，周期被定义为一个完整的信号显示序列，从绿灯相位开始，随后是黄灯相位和红灯相位。为了简化模型，黄灯相位被视为与红灯相位相同。因此，周期长度是一个完整周期的时间持续时间。

有两种不同交通信号灯调度方式的交通信号灯系统。自适应交通信号灯系统根据当前交通状况自动改变周期长度，而定时式交通信号灯系统则在一天中的不同时间段使用预设周期长度。我们的系统设计为能够适用于这两种类型的交通信号灯系统。

在本研究中，我们基于Kerper等人[15],的工作来预测周期长度，该方法通过相对于偏移量产生的误差不断优化估计的周期长度。我们在特定空间(→X−)内搜索周期长度(x)，通过最小化偏移量计算的均方误差（MMSE）来实现，如公式1所示：

$$
\argmin_{x \in \rightarrow X} \sum_{i=1}^{m}(dt_i - \bar{dt})^2 \
dt_i = t_{cycleStart_i} \mod x, \
\bar{dt} = (1/m) * \sum_{j=1}^{m} dt_j,
$$

其中 $t_{cycleStart_i}$ 是周期开始的时间（即交通信号灯变为绿色的时间），$dt_i$ 是相对于当前周期长度（x）的偏移量，$t_{cycleStart_i}$ 和 $\bar{dt}$ 是由所有 $t_{cycleStart_i}$ 个样本计算出的平均相位差。我们系统中周期长度的搜索空间为50秒到200秒，涵盖了实际交通信号灯系统中周期长度的大部分范围。

交通信号灯等待时长估计

为了预测交通信号灯等待时间，系统使用 Queue Discharge Model来预测车辆离开队列所需的时间，并执行 Waiting TimePrediction来估计车辆将等待多长时间直到交通信号灯变为绿灯相位。

算法 1 交通信号灯等待持续时间估计

输入: 停车事件，周期长度，偏移量
Output: 估计的停车时长
1: 函数 DurationEstimation(停车事件 ，周期长度, 偏移量)
2:   将停车事件添加到全局队列；
3:   如果 Poolall.size>=2 那么
4:     T_GreentoLeave ← QModel(距离);
5:     T_StoptoGreen ← DPredict(周期长度, 偏移量);
6:     T_waiting ← T_StoptoGreen + T_GreentoLeave;
7:     return T_waiting;
8:   else
9:     return null;
10:  end if
11: 结束函数

持续时间估计的详细过程如算法 1 所示。我们假设系统维护一个全局停车事件队列，用于收集当前周期内发生的所有停车事件。队列中的每个条目均为一个停车事件，记录车辆停止的时间以及车辆停车位置到交叉口中心的距离。我们的算法以一个停车事件和由校准模块预测的一组周期长度和相位差作为输入，来估计交通信号等待时长。（注意：如果系统尚未做出首次预测，则该组周期长度和偏移量可能为空。）作为起点，算法在第 2 行将输入的停车事件加入全局停车事件队列。 Poolall 用于存储可用于预测最新周期长度和偏移量的数据样本周期， Poolall 中的每个元素为一个子池，用于存储一个周期内的所有数据样本。因此，第 3 行中对 Poolall 的大小检查确保至少存在两个周期的样本可用于执行估计，这意味着校准模块应已对周期长度和偏移量做出了预测。如果 Poolall 中有足够数量的停车事件样本，则算法通过第 4 到 6 行预测交通灯变绿相位时的等待时间（T_StoptoGreen）以及车辆队列消散的等待时间（T_GreentoLeave），并计算该停车事件的估计等待持续时间（T_waiting）。为了预测车辆离开等待队列所需的时间，我们使用一个简单的线性排队消散模型 [22]，根据车辆的停车距离计算等待持续时间，该部分由 QModel(distance) 实现。等待交通灯变绿的持续时间可通过公式 2 预测，其实现方式为 DPredict(周期长度, 偏移量)。

$$
T_{StoptoGreen} = \text{mod}((t_{stop} - \text{Offset}), \text{Cycle Length}),
$$

其中 $t_{stop}$ 是车辆实际停车的时间，变量偏移量和周期长度是由更新的输入众包校准。

众包校准机制

交通系统的时刻表并非一成不变，即使是预设定时交通系统，其周期长度也会因预设策略或行人请求而发生变化。因此，该系统不仅应能够利用最新的数据样本进行校准并使预测收敛，还应随着众包数据样本数量的增加而提高预测准确率。

算法 2 基于众包的校准

输入: 停车事件，该停车事件的真实持续时间
1: 函数 Calibration(stopevent, tstopduration);
2:   估计 t_green；
3:   将 t_green 添加到子池；
4:   errorArray.add(error);
5:   如果 已收到全局队列中所有停车事件的 真实值 全局队列 则
6:     PoolUpdate(Poolall, 子池);
7:     如果 Poolall.size <= 1 则
8:       return;
9:     elseif ErrorChecking(阈值) then
10:      PoolReconstruct(Poolall);
11:    end if
12:    周期长度 ← CLPredict(Poolall);
13:    偏移量 ← OffCalculate(Poolall, 周期长度);
14:    初始化子池和误差数组；
15:  结束如果
16: 结束函数

我们的快速收敛且性能成比例的校准机制的工作流程如算法2所述。当一辆先前停止的车辆开始移动时，会调用该算法，从而可以通过车辆停止到车辆移动之间的时间间隔获得实际停车时长。基于停车持续时间的真实值，可通过公式3计算交通灯变绿的时间（t_green）：

$$
t_{green} = t_{stop} + t_{stopduration} - T_{GreentoLeave},
$$

其中 $t_{stop}$是车辆停车的时间，$t_{stopduration}$是停车持续时间的真实值。由于 $t_{green}$是一个周期的起点，因此可以将多组$t_{green}$作为公式1中的$t_{cycleStart_i}$来预测周期长度。所有从当前周期内样本中得出的$t_{green}$将被存储到一个子池中，以确保包含一个周期内的所有样本，从而减少队列消散模型带来的噪声，提高未来预测的准确性，并使预测准确率随样本数量成比例提升。此外，当前停车事件的绝对预测误差也应存储到误差数组中，用于未来的条件检查。

只有当队列中所有停车事件的真实值都已接收到时，才会触发周期长度重新预测，这表示系统已经接收到了当前周期内所有停车事件的反馈。我们注意到，该条件不适用于累积交通等待队列，但可以通过使用聚类方法或最大队列生命周期来解决。从算法2的第6行开始，包含 $t_{green}$ 的子池将通过调用(Poolall, sub-pool)作为条目添加到Poolall PoolUpdate中。

在系统进行评估之前调度发生变化时，会检查 Poolall 的大小，以判断系统是否具有两个或以上的周期数据来预测周期长度。如果 Poolall 的大小不超过 1，则算法终止且不进行更新。否则，系统通过 ErrorChecking(threshold) 检查误差数组的平均值是否大于阈值，以评估调度变化。若平均误差大于该阈值，表明当前周期发生了调度变化，算法将通过调用 PoolReconstruct(Poolall) 将 Poolall 替换为最近两个周期的子池。此步骤可确保校准机制比通用均值滤波器更快收敛，因为未来的预测基于最新数据。最后，系统基于更新后的 Poolall，通过 CLPredict(Poolall) 和 OffCalculate(Poolall, 周期长度) 预测新的周期长度和偏移量，并初始化子池与误差数组。更新后的周期长度和偏移量将用于算法 1 中后续的等待时间长度估计。

性能评估

在本节中，我们展示了我们的系统在交通信号灯等待时间预测场景下的性能。我们的系统按照第4.2节所述进行实现，首先使用我们在实际道路驾驶过程中收集的实际数据对系统进行评估。为了进一步探究系统在不同类型交通系统中的预测准确率以及众包所需的数据样本数量，我们还基于仿真数据对系统进行了评估。我们采用预测误差（定义为预测等待时间与真实等待时间之差的绝对值）来评估系统性能。若一个周期内存在多个样本，则通过计算每个周期内所有样本的平均误差来评估系统。

基于实际数据的评估

为了收集实际数据，我们安排了两名驾驶员在新泽西州伊顿森的林肯公路与普莱恩菲尔德大道交叉口于两天不同的高峰时段进行驾驶。第一天，我们在下午3:30至4:15之间收集了25次停车，第二天在下午5:15至6:00之间进一步收集了18次停车。总共收集到特定行驶方向的43次停车，平均停车持续时间为61.43秒。在数据收集期间，一名驾驶员驾驶搭载Nexus 5 的丰田凯美瑞，另一名驾驶员驾驶搭载Nexus 6的本田思域。数据由一个安卓应用程序收集，该程序实现了第4.1.2节中讨论的停车检测模块。系统的其余部分在服务器上离线实现，用于处理数据。该交叉口的交通灯调度系统为预设定时模式，这意味着周期长度不会根据实时交通状况自动调整。

预测准确率如图5所示。图5a显示了第一天的预测误差，平均误差为2.37秒。图5b显示了第二天的预测误差，平均误差为2.50秒。两幅图中均存在多个峰值，这些误差条是由队列消散模型的噪声或行人请求引起的相位偏移变化所导致的。预测结果表明，我们的系统能够准确预测交通信号灯的等待时间，从而为驾驶时更安全地发短信提供了可能。

基于仿真数据的评估

为了进一步探索我们系统的性能，我们通过仿真数据从两方面对系统进行评估。首先，我们模拟了预设定时和自适应交通系统，以评估我们系统的等待时间预测精度。其次，我们尝试检查我们系统的数据需求，以了解周期数量以及每个周期内的样本数量如何影响系统性能。

预测准确性评估

为了模拟真实的交通状况，我们从泊松分布中采样交通流量 $n_i$（等待红灯相位的车辆数量）。该泊松分布的 $\lambda_i$从范围为[1, 30],的均匀分布中采样，该范围覆盖了大多数交叉路口从非高峰时段到高峰时段的交通流量。为了模拟车辆排队消散行为，我们采用第4.2.2节中介绍的相同模型，并在其上添加方差为2秒的高斯噪声。此外，我们使用两种不同的方式来模拟不同的交通控制系统。对于定时式交通信号灯系统，我们手动设定周期长度和绿灯相位时长；对于自适应交通信号灯系统，我们则使用来自新泽西州交通部（NJDOT）的实际自适应系统的周期长度和绿灯相位时长。在实验过程中，仿真数据生成程序将向系统输入10个周期的数据，每个数据包含二维向量（即[车辆停车的时间、停车位置与交叉口之间的距离]），以及当前红灯相位结束后车辆启动的时间。所有仿真数据的平均停车持续时间为44.02秒。

我们的仿真中的预测误差以图6中对应于左侧y轴的条形表示，用于生成仿真数据的周期长度真实值显示在右侧y轴。该系统对于定时交通系统数据集的平均预测误差仅为1.43秒，因为在这些周期中周期长度不发生变化。对于自适应交通系统仿真，平均预测误差增加到14.51秒，因为在此场景中周期长度不稳定。在前五个周期中，周期长度变化范围较小，因此由周期长度变化引起的误差不大。然而，在第六个周期发生了周期长度的巨大变化，导致出现最高的误差条。实际上，系统尝试重建样本池，并基于第六、第七和第八周期的样本来预测新的周期长度。经过这一过程后，系统的预测准确率迅速收敛，最后两个周期的平均误差再次降低至较小且稳定的数值。从图6可以看出，（1）该系统预测在周期长度稳定或变化较小时，误差均小于3秒。（2）当周期长度发生巨大变化时，会导致较大误差，但我们系统的预测准确率能快速收敛，并在变化后的两个周期内使误差减小。

数据需求评估

我们还从众包所需的数据样本数量方面评估了我们的系统。系统使用的数据样本数量有两个参数：一是周期数量，二是每个周期内的样本数量。在此，我们采用第5.2.1节中提到的相同仿真方法，通过指定每个周期内的三种不同样本数量来生成三百个数据集（每个周期内的样本数量生成100个数据集）。我们并未使周期长度保持固定或变化，而是在周期长度上增加了2.2秒方差（即新泽西州1号路线自适应交通系统的平均周期长度方差），以实现交通系统的中等变异情况。仿真数据的平均停车持续时间为31.14秒。

结果如图7所示。从周期数量对预测准确率的影响角度来看，我们可以观察到，从第3个周期开始，系统就能够进行预测，并且随着周期数量的增加，预测误差逐渐减小。经过五个周期后，每个周期一个样本、每个周期三个样本以及每个周期五个样本的数据集预测均能达到小于4.3秒的准确度。这是因为周期数量越多，对周期长度的预测就越准确，因此这三条曲线随着周期数量的增加而趋于收敛。但由于周期长度的方差以及队列放行模型中的噪声影响，误差并不完全稳定。关于每个周期内样本数量对系统性能的影响，我们从图中发现，每个周期内的样本数量越多，所能达到的准确度就越高。这是因为每个周期内的更多样本可被众包校准模块利用，以降低队列放行模型中的噪声。因此，基于仿真数据集，本系统在获取五个周期的数据后，可在4.3秒误差范围内完成预测，且预测准确率与周期数量以及每个周期内的数据样本数量成正比。

结论与讨论

本文探讨了通过将驾驶员与移动设备的交互时段限制在相对安全的时段（特别是车辆停止时）来提高驾驶安全性的可能性。初步的车辆行程测量和智能手机使用情况表明，大多数行程中存在足够的停车时段，可在这些时段内进行基于文本的短消息通信。为验证可行性，我们提出了一种架构设计，并针对等待交通信号灯的场景实现了部分系统功能。该系统基于实际和模拟数据集，对等待时长进行精确预测。通过真实道路驾驶实验和仿真分析发现，当前车辆在交通信号灯处的等待时间预测依赖于前两个交通信号灯周期内其前方两辆车的数据样本，表明仅需有限的众包数据即可支持该预测。我们提出的快速收敛和性能比例校准机制使系统能够随着众包数据量的增加而自我修正。研究结果增强了在驾驶过程中传递更安全通知的信心。

我们进一步讨论了未来的研究方向，重点是本系统的硬件和软件扩展。在硬件方面，使交通基础设施（例如各个交叉路口的信号控制器）能够与智能手机通信其状态和动作调度，是改进我们方法的关键途径。尽管已提出许多用于交通应用的专用短程通信（DSRC）[14]系统，但目前仍缺乏统一的公共接口向驾驶员提供实时交通信息（例如交叉口级别的交通调度和交通流量）。智能交叉路口信号控制器及其接口的开发仍是开放的研究课题，有望促进我们系统的发展。在软件方面，我们将专注于安全等级分类和众包机制的实现。为了量化每次停车事件的安全等级，有必要分析停车事件类型与驾驶员注意力之间的映射关系，以实现安全驾驶。此外，由于现实世界中停车事件的原因更为复杂，我们还需要在众包机制中设计规则，以实现对停车事件类型的鲁棒分类。