排序方式: 共有70条查询结果,搜索用时 424 毫秒
61.
急弯处警告标志位置对驾驶行为的影响研究 总被引:1,自引:0,他引:1
为探索急弯处不同警告标志位置对驾驶行为的影响机理,利用驾驶模拟试验,在急弯前设置5种不同位置的警告标志,观察车辆在弯前直线路段、弯道路段中的运行状态.结果表明,标志位置对直线路段的平均速度,直线、弯道路段的平均加速度、速度标准差均存在显著性影响;标志位置与急弯半径的交互效应对直线路段的平均速度、弯道路段的平均加速度有显著性影响.警告标志位置能够影响车辆在弯前直线路段的行驶速度、驾驶员在弯道路段对速度的纵向控制以及过弯前后速度的波动性;同时,对速度控制的影响还受到急弯半径的干扰. 相似文献
62.
交通安全设施对提高学校地区交通安全有重要作用.但在实际工程应用过程中存在2类问题:①学校地区某种交通安全设施的有效性问题;②是否需要增设新的设施以提高现有设施有效性问题.以解决学校地区这2类工程问题为出发点,建立了一种迭代判别式交通安全设施选择模型.选取北京市2种不同类型的学校为研究对象,采用驾驶模拟技术获取了平均速度、相对速度变化率、加速度标准差等评价指标,以黄色闪烁警示灯为基础,说明了迭代判别式交通安全设施选择模型的应用过程及结果.研究结果表明,该模型对于解决多种交通安全设施的选择问题具有较好的实用性. 相似文献
63.
为解决黄色闪烁警示灯有效性量化评估的问题,提高交叉口的综合运行水平,减少交通事故的发生.针对3种不同类型交叉口黄色闪烁警示灯的综合评估问题,提出了基于驾驶模拟技术的评价方法,实现以微观驾驶行为数据结合基于熵权的功效系数法对黄色闪烁警示灯进行有效性综合评价.以国道101部分路段为背景搭建T形、十字形、畸形3种类型交叉口国标组和专项组的模拟驾驶实验场景,采用驾驶模拟实验方法,从3个层面选取8项评价指标,进行综合评估.结果表明,同类型交叉口设置黄色闪烁警示灯后其总功效均显著性提高,交叉口的安全性、舒适性及预见性水平得到提高.功效系数法能够科学合理的实现方案间的相互对比,具有较强的实用性,为黄色闪烁警示灯的设置提供理论依据. 相似文献
64.
65.
从飞机的垂直动响应出发,运用小波理论对机场道面平整度指标评定的新方法--小波理论分析法,进行了理论验证分析,并比较了国际平整度评定指标与新提出的评定理论之间的差异.结果表明新方法比国际平整度指标更能反映飞机的垂直动响应. 相似文献
66.
基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究 总被引:3,自引:0,他引:3
为了获得客观而准确的驾驶疲劳判别阈值,采用驾驶模拟实验研究方法,采集驾驶员在清醒及疲劳状态下的脑电信号,对比分析不同状态下脑电信号的时域特征,选取表征信号复杂程度的样本熵作为驾驶疲劳判别指标,并利用受试者工作特性曲线(receiver operating characteristic curve, ROC)分析方法,确定基于脑电信号样本熵值的驾驶疲劳判别阈值.研究结果表明:脑电信号样本熵值处于区间(0.32,0.71)时,驾驶员处于疲劳过渡时期,可能出现疲劳特征;脑电信号样本熵值小于阈值0.605时,判定驾驶员处于驾驶疲劳状态,准确率为0.95,该值可作为基于脑电信号样本熵的驾驶疲劳判定阈值. 相似文献
67.
醉酒驾驶严重威胁道路交通安全,对醉酒驾驶进行准确识别意义重大.利用驾驶模拟舱进行驾驶实验,提取醉酒驾驶和正常驾驶的驾驶行为参数.首先,通过方差分析和均值分析选取方向盘转角作为识别特征,并采用滑动数据窗求取方向盘转角均值序列,构建识别特征参数;然后,分别采用K近邻(KNN)和支持向量机(SVM)对驾驶状态进行识别,得到两种分类方法在不同道路线形的最高识别准确率及其相对应的最优数据窗;最后,对两种分类方法进行了对比分析.结果表明,SVM对醉酒驾驶的识别性能优于 KNN;数据窗对KNN的识别准确率影响显著,对SVM的识别准确率影响不明显. 相似文献
68.
69.
首先,介绍了以切线支距法和偏角法为主的恢复中线传统方法。然后介绍了恢复中线的坐标放线法。最后,论述了全站仪在中桩测设以及GPS在公路中线放样中的应用。 相似文献
70.
由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络(long short-term memory,LSTM)跟驰模型的基础上,采用迁移学习(transfer learning,TL)方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下(源域)的跟驰样本与100组雾天下(目标域)的跟驰样本。提出了基于最长公共子序列(longest common sequence solution,LCSS)的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明:直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。 相似文献