基于组合模型的车辆出行特征模式划分

精准掌握车辆的出行规律研究智能化城市交通管理及规划的基础工作,而掌握车辆出行规律的前提是探究车辆的出行特征。为研究城市道路交通车辆的出行特征模式,通过对历史RFID轨迹数据挖掘,对私家车、出租车样本轨迹数据进行定性分析,总结车辆运行的分布特征规律。基于数理统计分析,建立了出行频次、在网时间、轨迹重复率、出行时段,活动偏好区域、干线影响区偏好等出行特征指标体系。通过对出行特征指标的定制选取,建立基于密度峰值(CFSFDP)算法与BP神经网络算法的出行特征群体辨识模型。研究了私家车、出租车存在的特征群体,辨识出不同的出行模式,即实现出行特征群体的辨识。选取重庆市主城区域内的RFID数据进行试验分析,分别基于私家车、出租车提取的出行特征指标,进行CFSFDP算法的聚类分析,找到聚类中心,归纳分类数据。再利用分类数据进行BP神经网络训练学习,评价模型试验结果。结果表明:私家车存在3种出行特征群体:商用私家车群体、通勤私家车群体、其他私家车群体,群体识别率为97.2%。出租车具有2种出行特征群体:其他区域偏好出租车群体、干线影响区偏好出租车群体;群体识别率高达99.18%。     

基于XGBoost算法的危险场景驾驶行为模式分析及安全评估

危险感知能力对驾驶人的驾驶行为模式具有重要影响。为准确评估驾驶人的危险感知能力、提升危险感知水平判别的准确度，提出了基于模拟驾驶技术的危险感知能力影响分析方法和基于极端梯度提升树（XGBoost）算法的危险感知水平判别模型。通过设计3种常见交通冲突场景，采集模拟驾驶中驾驶人的多维度驾驶行为特征数据，并分析危险感知能力与驾驶行为的相关关系。通过模拟实验发现:驾驶人对行人的危险感知能力较弱，易发生碰撞事故；驾驶人在危险场景中的车速（p＝0.01）、制动反应位置（p < 0.01）以及反应时间（p < 0.01）与危险感知水平之间存在显著负相关关系。在相关性分析的基础上，利用XGBoost算法识别能反映驾驶人危险感知能力的重要特征变量，并构建以制动反应位置、反应时间、车速、刹车深度，以及加速度为指标的驾驶人危险感知水平判别模型；通过与LightGBM、支持向量机（SVM），以及逻辑回归（LR）等算法分类预测性能的对比分析，评价危险感知模型的判别精度，结果表明:基于XGBoost算法的危险感知水平判别模型的判别准确率为84.8%、F1值为83.4%、AUC值为0.959，优于LightGBM（准确率为78.8%、F1值为76.7%、AUC值为0.924）、SVM（准确率为57.6%、F1值为42.2%、AUC值为0.859），以及LR算法（准确率为69.7%、F1值为65.5%、AUC值为0.836）。所提方法可为判别驾驶人危险感知能力及其对驾驶行为模式的影响提供可靠手段。      

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

驾驶人在手机通话行为中的认知分心图像识别研究

在手机通话（MPC）行为中，驾驶人极易陷入认知分心（DCD）状态，对此提出了一种基于头-眼行为特性的DCD图像识别方法。为适应自然驾驶中的波动光照和复杂背景，首先建立基于YCbCr色彩空间的在线肤色模型，提取待检肤色区域的PCA-HOG特征并建立支持向量机分类器来识别MPC手势；与此同时，采用多尺度局部模极大值方法检测嘴部显著边缘，并通过边缘活跃度来识别驾驶人说话行为，综合MPC手势和说话行为建立MPC行为的判别逻辑。最后，以5 s为时间窗口获取驾驶人的眼球活跃度、眨眼指数、头部横摆和俯仰运动活跃度，采用D-S证据理论建立融合头-眼行为特性的DCD识别方法。试验结果表明：融合手势和说话行为图像检测的MPC识别率为92.8%；对于不佩戴眼镜的驾驶人，眼球活跃度是DCD识别率最高的单一指标，“眼球活跃度-头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为86.2%；对于佩戴眼镜的驾驶人，“头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为83.2%；算法对熟练驾驶人的DCD识别率略高于非熟练驾驶人。     

基于出行问卷与多模式公交刷卡数据匹配的公交调价影响分析

在公共交通宏观客流变化分析的基础上,展开公共交通出行选择调查,结合基于问卷和IC卡信息关联的公交个体出行跟踪,对北京市公共交通票价调整对出行者出行行为的影响进行深入分析.利用二元Logistic模型对问卷数据进行回归分析发现,职业、收入、是否拥有私家车及出行目的与调价后出行行为的变化存在明显的相关性.同时,研究以样本出行者的多模式公共交通IC卡刷卡数据为基础,提取了公交个体出行链,定量分析调价前后出行结构的变化.结果表明,调价对于非通勤出行者出行结构的影响大于通勤出行者,且这种影响主要体现为引发出行链结构相对简单的短距离轨道出行者转向公交出行.研究结果为公共交通政策实施效果评估,线网优化以及运营管理提供了科学依据和决策支持,有利于进一步提升北京市公共交通的服务水平.     

基于车辆位置与速度特征的驾驶行为模式分类方法

精细车辆轨迹中包含连续的时间戳、位置，以及速度等信息。通过对车辆轨迹数据进行量化表达与挖掘分析，可以实现对车辆行为模式的分类。现有研究大多关注对位置的聚类，很少对车速、加速度等特征进行研究分析，而车速等是反映驾驶行为模式的重要特征。为了将轨迹多维信息纳入分析框架，研究了基于位置与速度特征的车辆轨迹行为模式分类方法。为克服现有行为模式分类方法的维度单一性，运用豪斯多夫轨迹距离算法计算出位置和速度特征的综合距离矩阵，针对豪斯多夫距离算法鲁棒性差的缺点，采用单向豪斯多夫距离90%分位值对算法进行了改进，降低噪声影响。同时，引入了车辆位置和速度来进一步提高分类的准确性，运用多次分层聚类算法依次对位置与速度轨迹图进行分类，得到车辆位置和速度上的行为模式。以HighD数据集为样本，提取了三车道上的行车轨迹，验证了基于速度与位置特征的车辆行为模式分类方法。结果表明:①本方法可以得到位置和速度的综合行为模式，聚类平均准确率达到94.8%，优于DBTCAN准确率89.3%和t-Cluster准确率86.4%；②基于换道模式轨迹偏移率曲线的分析，得到了4种互异的典型车辆换道模式。该方法可利用多维轨迹数据对行车模式进行分类及行为辨识，在车辆轨迹分类与不良行为辨识方面具有应用潜力。      

基于Two-step Cluste的出行选择行为研究

为研究广佛城际交通出行者选择公共交通出行的意愿,根据2016年广佛城际交通发展调研数据,基于两步聚类方法,将总出行群体聚为两类,并运用熵权法选取9类指标分别对聚类前后的群体进行满意度评价,结果显示聚类后群体的满意度较低,表明聚类后的群体的出行需求更为集中。基于此,分别对聚类前后群体构建是否选择公共交通出行方式选择BNL (binart-nomial logit)模型,预测管理策略的效果,进一步验证将群体进行聚类的必要性,并为城际出行乘客提供更精准的服务。     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分，对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式，提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先，考虑车辆类型对驾驶行为产生直接的影响，分析了大车和小车的车辆轨迹特征变量分布的差异性，包括速度、加速度、碰撞时间倒数、车头时距等，在标记危险驾驶行为的过程中考虑车辆类型的影响。其次，针对不同的车辆类型，利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估，将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间，评估驾驶人的整体驾驶状态是否危险，作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数，为了提高模型识别效率，将关键特征参数进行排序，从而确定最优判别指标；最后，利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别，并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下，LGBM算法对危险驾驶行为的理论识别率最高可达93.62%，可以实现基于机器学习算法的危险驾驶行为的高精度自动识别，该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

基于高速公路收费数据的用户交通出行多维度特征分析

为提升高速公路信息化管理水平，调节高速公路需求分布不均衡问题，构建了包含时间、空间、用户个人属性3个维度的特征指标体系，在K-means聚类算法的基础上，设计并使用Mini-Batch-Kmeans聚类算法对出行用户进行了分类，同时从时间、空间、个人属性3个不同维度深入分析了各类出行特征指标。研究结果表明：1)高速公路出行者多为单次出行或周末出行；2)经PCA降维和Mini-Batch-Kmeans聚类后，出行用户可分为6类；3)时间上，用户出行早晚高峰为7:00—9:00和16:00—18:00;空间上，用户出行站点多在经济水平较高城市，长途用户多在沿海或有货物中转站的城市；个人属性上，通勤用户与长途用户多使用ETC支付且花费金额高。     

拥挤收费下基于前景理论的出行者路径选择行为分析

出行者（特指私家车出行者）路径选择行为的研究对于城市的交通管理和交通组织都有着重要的意义,而且随着交通出行费用的不断增加,以及道路拥挤收费政策逐步实施,仅仅考虑距离最短、时间最短来对出行者路径选择行为模型进行研究,往往实用性欠佳。针对以往的研究中考虑因素单一、模型实用性不强这一问题,运用能有效描述出行者不确定性条件下决策行为的前景理论,综合考虑出行者的出行时间、出行费用以及出行者的个人偏好、出行经验等因素,建立一个更为贴合实际的出行者路径选择行为模型。以实际算例的形式对比分析了,不同收费标准对不同出行者人群、不同性质出行的路径选择行为的影响程度。结果表明：与拥挤收费政策实施前相比,收费3元时,高收入水平出行者购物出行时的路径发生变化,而对于通勤出行,当收费大于6元时出行路径才发生变化;对于中低收入水平出行者来说,因为其较高收入者对费用更为敏感,所以拥挤收费政策实施后他们的反应也不尽相同。     

基于数据驱动的城市快速路段拥堵状态辨识及诱导对象选择方法

交通诱导实施效果不佳的主要原因之一是具有差异性出行特征的出行者无法接受单一的诱导方案。针对城市快速路高峰时段拥堵问题, 研究了考虑车辆出行特征差异的交通诱导对象精准识别方法, 以保障诱导方案的实施效果。利用高德路况数据提取拥堵路段, 根据拥堵路段与相邻路段交通状态的相关性提出拥堵源路段识别方法; 利用车牌识别数据提取使用快速路车辆的出行特征, 包括快速路出行强度、地面道路出行强度、快速路出发时刻离散度和快速路路径选择多样性; 采用K-means++算法对车辆出行特征进行聚类, 识别出显著影响道路交通状态的出行者, 并为出行者推荐适合其出行特征的错峰或绕行诱导方案。以苏州快速路为例, 研究发现: 针对拥堵源路段的交通诱导能有效改善拥堵路段的交通状态; 类型3车辆(高频出行且易绕行)占单月工作日早高峰所有使用快速路车辆总数的14%, 却占单日早高峰总交通量的51%, 是重点诱导对象; 通过精准识别, 可推荐诱导车辆数占总车辆数的47%。      

基于遗传算法的FCM聚类分析在边坡稳定性评价中的应用

FCM聚类分析在边坡稳定性评价研究中已得到广泛的应用,但传统的FCM算法存在着对初始聚类中心值敏感的问题。引入遗传算法来克服这个问题,提出了基于遗传算法的FCM聚类分析。以具体实例,采用基于遗传算法的FCM聚类分析对边坡进行稳定性评价,然后进行模式识别。研究结果表明:基于遗传算法的FCM聚类分析,克服了传统FCM聚类分析对初始聚类中心敏感的问题,其结果明显好于传统的FCM聚类分析。     

Characteristic analysis for cognition of dangerous driving using automobile black boxes

Automobile black boxes are devices that collect information regarding vehicle operation and the driver’s operating situation in the case of a traffic accident. The information collected from the automobile black box, which can also be used during normal driving, can provide information about dangerous driving cognition. This study was designed to analyze characteristics of dangerous driving data and build a dangerous driving cognition system as follows. First, dangerous driving is divided into four types by considering the vehicle’s movement, such as acceleration, deceleration, turning and statistical data of traffic accidents. Second, dangerous driving data were collected by vehicle tests using the automobile black box, and characteristics of the driving data were analyzed to classify dangerous driving. Third, a standard threshold was chosen to recognize dangerous driving, and an algorithm of dangerous driving cognition was created. Finally, verification was conducted by vehicle tests with automobile black boxes embedded with the developed algorithm. The presented recognition methods of dangerous driving can be used for on/off-line management of drivers and vehicles. Scientific traffic accident databases can be built with this driving and accident information, and can be used in various industrial areas.     

基于SOM神经网络的多工况驾驶风格识别

不同的驾驶员对车辆的各项性能可能有个性化地要求,因此有必要对驾驶风格的分类与识别问题进行研究。首先在驾驶模拟器上采集不同驾驶员在多工况下的数据,利用主成分分析法选取驾驶员在各个工况下的特征参数,SOM神经网络分别对起步、加速及制动工况下的驾驶数据进行了聚类分析,然后以驾驶风格聚类分析结果为基础,建立了基于SOM神经网络的驾驶风格识别系统,该系统可根据驾驶员驾驶历史数据来判断其驾驶风格,最后以某一温和型驾驶风格识别结果为例验证了系统的合理性。     

基于相对隶属度的发动机磨损模糊模式识别

针对模糊数学需人为确定隶属函数的缺陷,利用以相对隶属度为基础的模糊理论对发动机磨损模式进行了识别,得到了较为客观的识别结果,证明了该方法对发动机磨损模式识别的有效性。同时,Matlab的仿真结果还证明了利用最优模糊聚类中心矩阵可以消除冗余信息、简化模式特征值的提取,使模式识别的准确率提高。     

驾驶人对潜在危险性事件的心理预期识别研究

为准确识别驾驶人对潜在危险事件的心理预期，提出一种通过脑电信号对驾驶人心理预期进行识别的方法。参照心理学预期行为研究常用的标准S1-S2范式，改进设计了路侧停靠公交车造成视觉遮挡的人车碰撞事故模拟驾驶试验。模拟任务中以路侧停靠的公交车为线索刺激，公交车头的行人为目标刺激，诱发驾驶人的心理预期。为有效识别驾驶人心理预期，首先采用释放油门的避险行为对每个试次标定是否产生心理预期，然后通过快速傅里叶变换提取相关的脑电特征数据，并通过差异性分析及主成分分析算法对脑电特征指标进行筛选和压缩，最后基于支持向量机建立驾驶人心理预期识别模型。研究获取36名驾驶人数据，共计1 440个样本。结果表明：当驾驶人产生心理预期活动时，枕区和额区的α波能量值显著降低，而β波能量值则显著增加；差异性分析显示共有31项脑电指标对驾驶人心理预期敏感，所有脑电特征指标通过PCA算法进行降维，抽取出5个主成分作为识别模型输入；选择径向基核函数构建SVM识别模型，通过粒子群寻优算法对模型进行优化，模型对驾驶人心理预期水平的平均识别正确率为82.02%，平均AUC面积为0.82，结果表明模型具有良好的识别能力和稳定性，可为驾驶辅助系统的研发提供技术理论支撑。     

关于一、三级公路安全性认知因素的试验建模研究

在实测86处一级公路典型路段和188处三级公路典型路段道路结构基础上,确定驾驶员对国道一、三级公路的安全性认知因素集,进而针对一级公路的38处样本路段和三级公路的77处样本路段,组织47名驾驶人员进行现场认知评价试验,并应用模糊集合原理和模糊统计方法对评价试验得到的2829组(一级路673组、三级路2156组)有效认知试验评语数据进行分析处理,得到一、三级公路安全性认知因素的模糊评价隶属函数,从而给出驾驶人员对一、三级公路道路条件和交通环境的安全性模糊评价模型。     

人机共驾智能车驾驶模式决策属性析取研究

为了深入分析驾驶模式决策影响因子,通过实车试验采集了人-车-路多源特征信息。用驾驶人主观经验将驾驶模式划分为人工驾驶、警示辅助、自动驾驶3种状态,并利用采集的驾驶人血流量脉冲（BVP）和皮肤电导（SC）值进行K均值聚类,将驾驶人当前合适的驾驶模式自动聚类为3级。通过融合驾驶人自汇报结果和聚类结果对驾驶模式进行准确标定。采用以信息增益为依据的Ranker算法对多特征进行排序,并在此基础上,根据多分类器分级结果确定最优特征属性集合。研究结果表明：当选取车速、车头时距、车道中心距离、前轮转角标准差、驾驶经验5个指标为特征子集时,支持向量机、朴素贝叶斯及K近邻这3种分类器的识别准确率都超过90%;除警示辅助模式与自动驾驶模式下的车速值和车道中心距之外,其余所有不同模式决策属性值均呈显著性差异;研究结果可为人机共驾智能车驾驶模式决策提供依据。