基于主因子分析的驾驶倾向综合评价

为正确判断驾驶员的驾驶安全倾向,设计了具有较高信度和效度的驾驶行为问卷,选择非职业驾驶员进行问卷调查。对调查数据进行因子分析,提取了驾驶风格、驾驶技能和判断反应等3个主因子作为评价指标,运用多层次模糊综合评判的方法实现了驾驶安全倾向的判定。     

基于驾驶实验的驾驶员气质特征实证探讨

对驾驶行为开展研究,在提高道路通行能力、减少道路交通事故以及智能驾驶、辅助驾驶和汽车安全设计等方面具有重要意义。如何辨别驾驶员类型、分析驾驶员驾驶特征已成为驾驶员对道路交通流影响量化研究的关键问题。研究选取20位拥有三年以上驾驶经验的驾驶员进行道路驾驶实测实验,以高精度车载GPS为数据采集工具(Video VBOX Pro),记录车辆驾驶过程中速度、加/减车速、换道次数等特征参数,并结合驾驶员自我驾驶评述及随车实验人员主观评价,确定驾驶员的驾驶行为特征。将实验数据确定的驾驶员驾驶类型与心理学气质量测表确定的驾驶员驾驶类型进行对比,通过分析发现:心理学气质量测表不适合用于判断驾驶员的驾驶类型。     

视觉干预标线对驾驶行为的影响研究

通过对视觉干预下实验车辆的转向盘转角,以及纵、横向加速度连续观测分析,提出了转向盘转角变化率指标,用于评价视觉干预标线对驾驶行为的干预程度．实验结果表明,视觉干预标线能够影响驾驶员的驾驶行为,使其调整车辆的运行状态,改变行驶轨迹,设置适宜宽度的视觉干预标线不会影响行车安全．     

驾驶员综合特征对行车控制与紧急度判断的影响

利用动态心电分析仪、Frecord数据采集系统及动态GPS研究驾驶员特征对紧急状况主观评价和车辆行驶控制的影响。研究表明：具有不同驾驶经验、个性、年龄特征的驾驶员对同一紧急状况做出的紧急度主观评价和制动操纵存在差异,其中驾驶经验的影响最明显。经验丰富的驾驶员采用减速度相对较小,变化相对平缓的驾驶技术,相对于谨慎型驾驶员而言,鲁莽型驾驶员操纵时制动减速度变化剧烈;年龄对驾驶员的操纵也有一定影响,通常年轻驾驶员会进行快速制动,这与驾驶员的生理状况有很大关系。研究结果可为驾驶员安全管理提供理论依据。     

重载货车驾驶人驾驶风格识别与量化研究

重载货车驾驶人的激进驾驶风格具有强烈的习惯性特征和风险性特征，一旦养成很难矫正，且极易诱发交通事故。针对现有研究极少关注重载货车驾驶人驾驶风格的不足，本文基于某全国货运监管平台提供的云南省重载货车低频轨迹数据，从风格聚类、风格识别和风格评估这3个方面，提出综合考虑疲劳驾驶特征和超速驾驶特征的重载货车驾驶人驾驶风格分析方法。首先，基于轨迹数据蕴含驾驶人驾驶行为模式的特点，构建表征重载货车驾驶人驾驶风格的疲劳驾驶和超速驾驶特征集；其次，利用因子分析进行特征约简，并采用K-均值聚类方法划分重载货车驾驶人的驾驶风格；然后，构建基于支持向量机的驾驶风格识别模型，并与梯度提升决策树的识 别结果进行对比；最后，基于疲劳驾驶特征和超速驾驶特征的累积分布，建立基于 CRITIC (Criteria Importance Though Intercriteria Correlation)赋权法的重载货车驾驶人驾驶风格量化评估 模型。研究结果表明：经过特征约简，提取的疲劳因子和超速因子能综合反映上述两类特征集 80.838%的信息；根据疲劳因子和超速因子可将驾驶风格划分为4种类别，即稳健型、超速型、疲劳型和危险型，相应重载货车驾驶人比例依次为62.60%、25.02%、7.40%和4.98%；基于支持向量机的重载货车驾驶人驾驶风格识别模型对不同风格的识别准确率均大于97%，整体表现优于梯度提升决策树；基于CRITIC赋权法的驾驶风格评估模型能有效量化重载货车驾驶人的驾驶风格， 其中稳健型驾驶人表现最好，75%以上的驾驶人风格评估总分高于60分；危险型驾驶人表现最差，75%以上的驾驶人风格评估总分低于20分。研究结果可为重载货车驾驶人不良驾驶行为的监测、干预和管理提供理论依据和技术支撑。     

不同情绪作用下的汽车驾驶行为预测

为探究驾驶员情绪对驾驶行为的影响,本文采集驾驶员心电信号和行车数据,对不同情绪作用下的驾驶员行为进行预测。首先,根据问题的数学描述,建立融合驾驶员情绪变化的驾驶员模型,依据模型设计神经网络体系结构。然后,采用竞争学习算法进行驾驶行为预测,其损失减小到传统方法的1/2,结果表明,竞争学习算法是一个有效的算法,可以很好地应用在驾驶行为预测的研究中。最后,对驾驶员高兴、悲伤、愤怒和平静4种情绪作用下的驾驶行为进行预测,车速预测值非常接近观测值。在高兴和愤怒情绪状态下,平均车速相比于平静状态时都有显著增加,伴随着明显的超速行为;愤怒情绪下,出现事故的可能性增加,驾驶员趋向更危险的驾驶行为;在悲伤情绪下,平均车速相比于平静状态时显著下降,驾驶员驾驶较谨慎。     

基于法契纳效应的高速公路限速方法研究

长时间高速驾驶容易造成驾驶员视觉和神经的双重疲劳和速度适应性提高,使得驾驶员对速度信息的获取和处理速度下降,造成驾驶员出现无意识超速行为。为此,文中将法契纳效应成色规律、人眼的辨色机理和高速情况下的视觉特性、道路的实际环境结合,设计一种施画在高速公路护栏上的矩形图案。在行车速度达到限制值时,驾驶员即可发现两旁的护栏出现彩色,从而在行车过程中实时意识到当前超速行驶状态。     

并发任务对驾驶员驾驶行为的影响

驾驶过程中使用手机、收听音乐等并发任务会对驾驶员驾驶行为产生不同程度的影响,进 而给周围道路环境、车辆以及行人造成安全威胁。为了系统探析不同并发任务模式对驾驶员驾驶 行为的影响程度,以四种典型并发任务模式（手机使用、乘客互动、视频播放、音频播放） 为研 究对象,引入主成分分析法,构建面向驾驶员行为表现的综合评价体系。同时,以国外学者针对 不同并发任务进行模拟实验所用的原始数据作为数据来源,对四种并发任务对于驾驶员行为的不 同影响进行了评价。结果表明,使用手机对于驾驶员的驾驶行为影响最大,与乘客互动次之;视 觉上注意力的分散相对于认知上注意力的分散更容易对驾驶员的驾驶能力产生负面影响。     

基于持续跟踪调查的防御性驾驶行为分析模型

为解决防御性驾驶行为心理作用过程缺少定量描述的问题，在界定防御性驾驶行为内涵的基础上，设计防御性驾驶行为量表. 基于计划行为理论，构建以过去防御性驾驶行为、行为态度、主观规范和知觉行为控制为预测变量，行为意图为中介变量，后续防御性驾驶行为为结果变量的分析模型. 对非职业驾驶员在间隔3 个月的两个时间点跟踪调查，第1 次调查内容包括过去防御性驾驶行为、TPB变量、个人基本信息，第2 次调查包括后续防御性驾驶行为和个人基本信息，获得两次调查数据完全匹配的有效问卷213 份. 对有效数据分析显示：主观规范对防御性驾驶行为意向不显著，知觉行为控制、行为态度和过去防御性驾驶行为对防御性驾驶行为意向影响值分别为0.40、0.29 和0.26；行为态度、知觉行为控制和过去驾驶行为通过行为意向(0.36)，可以在一定程度上对后续行为进行解释.     

���ټ�ʻ��Ϊ���ݻ�����

为遏制超速驾驶,通过分析驾驶员超速的心理博弈过程,建立了交通管理者和驾驶员策略选择的决策博弈模型,应用演化博弈论分析了交通管理者检查与不检查、驾驶员超速与不超速各自2种策略选择的时间演化过程. 根据雅可比矩阵的局部稳定性对可能的演化稳定状态进行了分析,由于交通管理者和驾驶员选择不同的策略会有不同的收益,因此,演化稳定状态会有鞍点、稳定点、不稳定点等几种情况. 分析结果表明：政府部门要加强对交通管理者尽职的奖励与失职的惩罚,敦促交通管理者严格检查;同时,针对个体差异对超速的驾驶员进行严厉处罚,这样就会在一定程度上遏制超速驾驶,提高交通安全.     

网联环境下基于多驾驶人风险评价的不良行为主动干预研究

依托智能网联技术背景，本文提出基于多驾驶人综合风险评价的不良行为主动干预框架。选取驾驶场景中多驾驶人行为表征参数，基于行车数据定义并辨识驾驶人的各类不良行为； 利用面积法实现对不良驾驶行为发生频次、持续时间以及幅值的综合计算，并以可变权重构建其与事故风险的关联关系；借鉴数据包络分析思想，提出考虑可变权重的不良驾驶行为综合评价方法；利用Simulation of Urban Mobility(SUMO)搭建智能网联环境下驾驶仿真平台，以时间窗方式抽取场景中多驾驶人的历史行车数据，利用不良驾驶行为综合评价方法辨识风险驾驶人，提出基于累加窗口与滑动窗口的主动干预方法，每种方法均实现干预单车与干预多车两种策略；分析不 同干预手段的效果，探究窗体大小、驾驶人接受率、干预车辆数等对干预结果的影响。研究表明， 干预多车策略取得较好的效果，基于累加窗口与滑动窗口的驾驶人不良行为总得分分别下降 22.80%和10.50%；与无干预情况相比，当干预接受率为50%时，驾驶人不良行为总得分仍有所降 低；与基于累加窗口方法相比，基于滑动窗口的干预方法更适合实际应用。本文提出的框架可为驾驶行为监测等提供技术支持。     

智能手机使用行为对驾驶可靠性的影响模型

为解决智能手机使用行为对驾驶安全影响过程缺少定量描述的问题，基于驾驶行为信息加工和注意分配理论，探索智能手机使用行为与驾驶可靠性的关联关系，提出7 个因果关系假设，构建涵盖视觉资源消耗、认知资源消耗、驾驶不可靠性等潜变量的智能手机使用行为影响的结构方程模型. 通过线上与线下相结合的方式进行驾驶人问卷调查，实证分析结果表明，视觉资源消耗(0.448)、认知资源消耗(0.256)对驾驶可靠性具有直接负向效应，信息输入、显示观看、语音通话及心理特征具有间接负向效应，其中显示观看(0.450)的效应最大.     

智能手机使用行为对驾驶可靠性的影响模型

为解决智能手机使用行为对驾驶安全影响过程缺少定量描述的问题，基于驾驶行为信息加工和注意分配理论，探索智能手机使用行为与驾驶可靠性的关联关系，提出7 个因果关系假设，构建涵盖视觉资源消耗、认知资源消耗、驾驶不可靠性等潜变量的智能手机使用行为影响的结构方程模型. 通过线上与线下相结合的方式进行驾驶人问卷调查，实证分析结果表明，视觉资源消耗(0.448)、认知资源消耗(0.256)对驾驶可靠性具有直接负向效应，信息输入、显示观看、语音通话及心理特征具有间接负向效应，其中显示观看(0.450)的效应最大.     

公交驾驶员心理状况影响因素分析与疾病判别模型

为对公交驾驶员心理疾病实现精准干预，维护乘客生命及公共交通安全，本文通过分析公 交驾驶员心理状况影响因素构建心理疾病类型判别模型。选用由基本信息、身体状况、生活状 态、驾驶行为、组织认同感、人格特征以及职业压力与工作倦怠问卷组成的公交驾驶员心理健康 状况调查问卷，对400名城市公交驾驶员展开问卷调查研究，通过皮尔逊相关性检验分析心理状 况影响因素，利用K-means聚类算法和多元Logistic回归模型判别和分析心理疾病，提出相应干 预措施。结果表明：人格冷怒和驾驶行为、身体状况、生活状态、组织认同感显著正相关，职业压 力与工作倦怠和这4个影响因素显著负相关，相关性均较强，因此，构建心理疾病判别模型时排除 与多个影响因素均呈较强相关性的人格冷怒、职业压力与工作倦怠这两个影响因素；被调查的公 交驾驶员中，心理状态良好型、轻度心理疾病型、严重心理疾病型占比分别为52%、34%、14%；公 交驾驶员心理疾病类型与身体状况、驾驶行为以及生活状态显著正相关，与驾驶行为的相关性最 强，身体状况次之，生活状态最弱。     

不安全驾驶行为对高速公路上发生大型卡车交通事故的影响分析

通过对高速公路上发生大型卡车交通事故原因分析．结合美国最新调查资料．对不安全驾驶行为进行论述。     

多源信息刺激下驾驶员综合认知拓扑结构研究

根据多传感器信息融合和人类对多源信息综合处理过程之间的相似性,充分考虑驾驶员心理-物理因素及其对驾驶行为多变性和不确定性的制约,研究多源信息刺激下驾驶员任务集聚的心理-物理综合认知拓扑结构和认知活动链,探讨各驾驶行为模式的决策机制、车辆运行模式的运行机制和驾驶员协同反应机理,可为微观交通流仿真和智能车辆的研究提供理论依据,为智能运输系统的建立提供分析工具.     

山区公路穿村镇路段过境车辆事故严重程度推理分析

为获取道路线形、驾驶员属性、车辆类型、事故形态等因素对山区公路穿村镇路段过境车辆事故严重程度的影响机制。本文基于元双公路(元谋—牟定)2012—2017年事故数据,利用社会网络分析法从人、车、路、环境等方面筛选出15个影响因素;基于机器学习方法构建贝叶斯网络模型;以事故严重程度为决策变量,分析不同证据变量与驾驶员行为共同作用的推理结果。结果表明：不安全驾驶行为与危险事故因素的共同作用,将会增加事故严重程度;当涉及货车时,由于未保持安全距离,伤人事故率增加8.2%;在弯坡组合路段,由于驾驶员判断失误,伤人事故率增加 19.6%;阴雨天行驶时,由于驾驶员判断失误,伤人事故率增加5.4%;由于操作不当,发生侧翻事故时,伤人事故概率增加3.1%。     

车辆导航系统语音路径引导模块的实现

研究了路径引导模块在车辆导航系统中与其他模块的关系，以及语音路径引导功能的主要优点，设计了一种应用GIS为基础数据平台，结合路径规划模块以及定位模块的算法步骤，给出了行驶指令的生成、规划路径的跟踪与发声条件判断以及声频引导信息的生成三大关键子模块的实现方法。实际使用结果表明，该模块生成的声频引导信息准确及时，达到了设计目的。     

分心驾驶研究文献计量学分析

车辆自动化和信息娱乐系统的发展趋势使驾驶人分心成为日益突出的社会问题。为全面了解分心驾驶的研究进展，本文选取近 12 年关于分心驾驶的 2313 篇文章，利用文献计量工具VOSviewer和R-Bibliometrix系统梳理与分析分心驾驶的研究现状。首先，概述分心驾驶研究的总体情况，包括分心驾驶研究的国家分布、核心作者及核心期刊；其次，重点归纳分心驾驶领域的高影响力文献，并从“注意力机制”“分心驾驶风险与年轻驾驶人驾驶行为”“分心源”“分心驾驶检测”“自动驾驶下驾驶人的分心效应”这5个研究主题总结分心驾驶的研究热点；最后，构建分心驾驶的研究体系，并预测未来的发展趋势。研究认为：有必要加强研究分心的形成、消散和恢复机理；需扩展研究对象和场景，综合考虑车内和车外的分心源以及复合分心带来的风险；多源信息融合及考虑多类型分心可以进一步完善分心驾驶风险的研究；界定分心状态与等级划分，针对不同驾驶分心类型的识别应是未来分心驾驶检测研究的重点；自动驾驶场景下的分心行为及接管效能，以及混合交通流下的分心状态是值得关注的研究。基于机器视觉的分心检测和自动驾驶的接管效能将成为分心驾驶领域的研究前沿。