高速动态交通场景下自动驾驶车辆换道意图识别模型研究

为提高自动驾驶车辆在高速动态复杂交通场景下车辆换道意图识别精度和预判能力，提出了基于融合注意力机制的卷积残差双向长短时记忆（BiLSTM）识别模型。采用一维卷积神经网络提取车辆运动状态特征；将构造的特征向量作为BiLSTM输入信息；通过残差连接，解决多层BiLSTM易出现的优化瓶颈和梯度消失问题；利用注意力机制，调整残差BiLSTM不同时刻输出权重；应用Softmax函数计算驾驶意图概率。采用NGSIM高速公路数据集对模型进行验证，并与其他4种模型进行对比，结果表明：该模型对换道意图整体识别准确率最高，达到97.44%，在换道前2.5 s预测结果准确率达到90%以上，具有更好的识别精度和预判能力。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

基于非线性回归和BP神经网络的交通事故时空影响预测模型

高速公路偶发性事故影响的严重程度和波及范围的定量研究,对保障道路通行能力和为偶发性事故提供科学的应急处置方案与高效的应急救援具有重大意义。本文通过VISSIM交通仿真平台模拟了高速公路偶发性事故路段交通拥堵、扩散和消散的全过程,仿真分析了事故路段上游到达车流量、客货比例、事故处置时间和占道情况等因素的影响。根据仿真结果,建立了基于非线性回归和BP神经网络方法的两种交通事故时空影响预测模型。运用广东省某高速公路的交通事故处置记录对模型的有效性进行了验证,结果表明两种预测模型均有较好的效果,且BP神经网络预测模型更为精确,最大排队长度的最大值误差小于1 km的准确率为88. 6%,拥堵消散时间的误差小于10 min的准确率为75. 7%。     

基于灰色理论的道路交通事故预测模型综述

交通事故预测模型是进行交通安全控制的关键问题之一。重点介绍了目前几种主要的基于灰色系统理论的道路交通事故预测模型:基本灰色预测GM(1,1)模型、残差灰色预测模型、灰色Verhulst预测模型、灰色马尔可夫预测模型、灰色神经网络预测模型,并指出各模型的适用条件和优缺点,为相关研究提供参考。     

基于一种组合新模型的翻车事故严重性预测

由于近年来发生在高速公路上的翻车事故较多,且预测翻车事故严重性的文献较少,故通过一种组合新模型来预测翻车事故的严重程度。通过收集的2012年—2016年1 939起高速公路翻车事故数据,采用Logistic回归与朴素贝叶斯组合的新模型作为翻车事故严重性的预测方法。为了进一步验证组合预测模型的优越性,构建了朴素贝叶斯预测模型和Logistic回归预测模型。对比这3个预测模型的预测数据正确率值,表明组合预测模型效果更好。同时,11个候选变量经过单因素分析和多因素分析,选出7个显著性变量:驾驶员年龄、事故涉及车型、事故涉及车辆数、事故发生时段、天气条件、事故是否发生在匝道、肇事车辆是否超载超限。当相应道路或环境条件得到改善后,组合预测模型有助于道路管理者了解翻车事故严重程度可能的变化情况;当出现一起翻车事故时,可根据已知的有限信息利用组合预测模型预估事故严重程度,以便开展后期救援。     

野外环境下基于改进 Faster R-CNN的无人车障碍物检测方法

针对无人车在越野环境中障碍物检测存在特征提取能力不足和检测准确率低等问题,提出一种基于改进型Faster R-CNN卷积神经网络模型的障碍物检测方法。通过构建FPN与ResNet50组合的网络结构来实现对野外障碍物的特征提取,有效解决了特征提取时障碍物细节特征丢失和尺度变换大的问题。使用Soft-NMS代替NMS,避免了NMS非极大值抑制由于阈值难调整带来的误删除和误检问题。在每个卷积层残差块最后嵌入注意力机制,有助于特征图中有效特征信息筛选和减小计算量。试验结果表明,构建的改进型Faster R-CNN卷积神经网络模型可准确识别野外环境中的障碍物,从而验证了该模型有良好的检测能力,对提升无人车的野外感知能力具有重要意义。     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题，受驾驶人注意力机制和现有端到端自动驾驶模型的启发，充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响，以连续多帧驾驶场景的RGB图像为输入，构建一种基于注意力机制的多模态自动驾驶行为预测模型，实现对方向盘转角和车速的准确预测。首先，通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像；其次，为剔除与驾驶行为决策无关信息，以神经科学和空间抑制理论为基础，设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度；为学习语义图像中与驾驶行为决策最为相关类别之间的关系，采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取；然后，以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合，采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递，进而实现下一帧驾驶场景对应驾驶行为的预测；最后，与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比，所提出模型的训练误差为0.021 2，预测准确率为86.97%，均方误差为0.031 5，其驾驶行为的预测性能优于其他模型；连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能；该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

基于多视图时空卷积的交通流量预测模型

交通流量预测一直是智能交通系统的首要任务。由于交通流量序列具有复杂的时空依赖性,使得对其准确预测变得极具挑战性。现有很多工作主要基于循环神经网络、图网络以及Transformer模型构建交通流量预测模型。考虑到卷积网络具有计算效率高以及特征提取能力强等优点,提出基于多视图时空卷积的交通流量预测模型。模型在输入编码层对序列数据进行表示学习,并引入了位置信息和时间信息。在时空特征表示学习层,考虑到序列具有不同的周期模式,设计了多个表示学习模块。每个时空表示学习模块,基于一维卷积完成局部时空特征挖掘,然后基于因果卷积实现全局时空特征挖掘。在预测层,引入通道注意力机制提升模型对时空特征利用的有效性。在2个真实交通数据集上的实验结果,验证了MSTC模型在交通流预测任务上的有效性。     

基于安全替代指标的城市道路交通安全高风险点位研判方法

针对城市道路开展高风险点位的判别和筛查，是交通安全改善工作的重要内容。以上海市为例，基于手机导航定位数据，提取了急减速事件、急加速事件、平均速度、速度变异系数和拥堵指数五种替代安全指标，进而分别构建了基于零截尾负二项的事故频率预测模型和基于多元logit的事故严重程度预测模型，可有效识别出城市道路交通高风险点位。模型具备较高的准确率和可解释性。该方法可为精细化的城市道路交通安全治理提供有效的技术支撑。     

基于道路环境因素的公路隧道交通事故预测

为提高公路隧道交通事故预测准确率，以西汉高速秦岭某隧道群的496起交通事故作为研究对象，对影响公路隧道交通事故预测的道路环境因素进行相关性分析，针对不同预测类别选定具有显著影响的主要变量，通过贝叶斯模型、随机森林模型、BP神经网络模型和支持向量机模型分别对公路隧道交通事故形态、严重程度、伤亡情况和持续时间进行预测，根据准确率和稳定性确定出最优预测模型。研究结果表明： 1）随机森林模型在预测公路隧道交通事故形态时最为可靠，准确率约为84%； 2）在对公路隧道交通事故严重程度和伤亡情况进行预测时可优先考虑贝叶斯模型，其对重大或特大事故的预测准确率高达50%； 3）选择随机森林模型作为公路隧道交通事故持续时间的预测模型，绝对误差为20 min时模型准确率将超过70%。     

高速公路交通事故交通流辐射分析与仿真研究

针对目前我国高速公路2次事故多发的特点,从初次交通事故交通流辐射分析入手,阐述高速公路交通事故影响范围和影响时间的分析方法.建立基于TransModeler微观交通仿真平台的交通事故辐射分析模型,对其中一种紧急事件的交通流辐射范围进行实例分析.本模型可为交通事故或其他突发事件的信息发布、预警提供信息与决策支持,从而达到...     

高速公路交通事故非线性负二项预测模型

以京港澳高速公路（G4）粤境北段3年发生的1 354起交通事故为研究对象,将基础数据根据路段长度一致、曲线半径一致和坡度一致划分路段单元对基础数据进行处理,从道路线形和环境条件2个方面选取13个自变量,分别采用负二项（Negative Binomial,NB）回归模型和非线性负二项（Nonlinear Negative Binomial,NNB）回归模型建立交通事故起数预测模型,根据模型的拟合优度和预测准确性对比分析负二项回归和非线性负二项回归模型的优劣,并找出影响交通事故起数的显著自变量,分析显著自变量对交通事故起数的影响程度。研究结果表明：无论采用上述何种路段划分方法,非线性负二项回归模型构建的交通事故起数预测模型均优于负二项回归模型;采用坡度一致划分方法明显优于路段长度一致和曲线半径一致划分方法,更适合应用于山区高速公路交通事故数预测研究;从显著变量相关性来看,路段长度、相邻路段坡度变化值、弯坡组合、曲率、是否存在隧道路段以及是否为易结冰和起雾路段均是非线性模型的显著影响因素。     

基于交通安全的乡村道路设计技术研究

随着乡村道路交通网络通达顺畅水平的稳步提升，其交通安全形式依然严峻。为进一步提升乡村道路的行车安全水平，现首先分析乡村道路的交通事故特征，从“人-车-路-环境”角度系统分析事故诱因，然后基于事故分析结果，从道路本身属性角度出发，提出乡村道路系统设计要求，最后以桂林市某山区乡村道路为例，结合事故数据分析其交通安全影响因素并提出针对性的改善措施，以适应新时代下四好农村路的建设要求。     

高速公路交通事故数据分析方法研究

高速公路交通事故数据对管理部门提升道路交通安全具有重要意义。为研究贵州省某两条高速公路历史交通事故数据分布规律与事故发展趋势,首先利用邻近度与关联性分析方法,完善事故数据;然后分析道路特征对交通安全的影响,划分连续下坡路段、隧道路段单元范围;最后对路段单元进一步划分为区块,建立不同区块范围内的事故概率与区块位置的预测模型,其中连续下坡路段后半段符合线形关系,隧道进出口段符合二次函数关系,并根据事故分布特征提出改善方案,进而辅助管理者掌握不同特征路段未来可能发生交通事故的路段范围以及改善的优先级。     

三车道高速公路隧道出口与互通式立交最小间距研究

隧道和互通式立交作为高速公路的重要构筑物,其科学合理的间距直接影响高速公路路线走向和运营安全。通过界定高速公路隧道出口与互通式立交最小间距的定义并分析隧道出口与互通式立交间距过近路段的交通事故特点,探讨影响高速公路隧道出口与互通式立交最小间距的因素。基于车道变换行为,给出3车道高速公路隧道出口与互通式立交最小间距计算模型,并提出条件受限情况下的最小间距推荐值及安全保障对策。     

我国双车道公路普通路段路侧事故预测模型研究

针对双车道公路路侧事故的各种影响因素,建立适合我国国情的双车道公路路侧事故预测模型,探索双车道公路路侧事故的分布规律。研究中根据我国双车道公路两侧用地情况,把公路划分为普通路段、村庄路段和交叉口路段,并对普通路段进行了路侧事故预测模型研究,主要内容包括普通路段的划分、路侧事故的定义、路侧危险度的划分、模型的结果自检验以及应用检验等等。研究结果表明交通量、货车比例、平曲线用长度加权的弯曲度、所在地域对路侧事故率的高低有较大影响,模型验证结果表明路侧事故预测值和实际值呈现一致性。     

基于几何线形指标的山区高速公路安全性评价

通过分析交通事故与几何线形的相关关系,提出了基于几何线形指标的山区高速公路路段交通安全评价方法。首先应用统计分析原理,建立了事故率与平、纵线形指标的关系模型,根据该模型确定具有不同线形条件的各类路段的基础事故率;然后利用各类路段的基础事故率,提出了单一线形的事故率系数及组合线形的综合事故率系数概念,并给出了系数计算公式和取值方法;最后利用综合事故率系数并基于统计分布原理,提出了基于几何线形指标的路段交通安全评价方法,并进行了案例分析。结果表明:该方法能够从几何线形指标的角度评估山区高速公路各路段的交通安全状况。     

基于SVM的水上交通事故严重程度的影响因素研究

为研究水上交通事故中事故严重程度的影响因素,减小水上交通事故发生时的人员伤亡及财产损失,对2015-2016年的水上交通事故统计数据的分析.选取了水上交通事故数据中的船舶类型、事故发生时间、地点、船舶吨位、能见度和风力等级等相关因素建立了事故信息库.根据水上交通事故造成的人员伤亡数量和财产损失的大小,将事故严重程度分为3个等级,并建立了基于支持向量机(SVM)的三分类模型.然后通过交叉验证以及网格搜索算法优化SVM分类模型的惩罚参数和核函数参数,得到最优的分类模型.模型建立后,利用SVM-RFE算法求解上述影响因素对事故严重程度的权重值并排序,筛选出对于事故严重程度影响最大的因素.结果表明,支持向量机三分类模型总体分类准确率可达70% 以上;同时自沉事故、渔船事故和秋季发生的事故易造成较大的人员伤亡;危化品船舶,内河发生的事故和渔船易造成较大的财产损失.      

车速与交通事故综合研究

随着人们对交通安全问题日益关注,道路交通安全技术和相关研究也得以快速发展。分析车速对交通事故率及事故严重程度的影响,建立车速与交通事故率和事故严重程度2者之间的相关关系。研究发现,车速偏差越大,事故率越高;事故冲撞前后车速变化越大,事故越严重。由此可知,车速对交通安全有显著影响。