高速公路作业区智能预警与驾驶行为关系研究

为探寻高速公路作业区智能预警与驾驶行为影响关系,通过构建警示标志、人机交互界面及智慧道钉群三种预警场景,同时将驾驶人对智能预警功能知晓与否作为研究自变量,采用驾驶模拟器对53位驾驶人进行试验,提取车辆行驶状态数据并利用方差分析及配对T检验方法分析驾驶行为差异性.结果表明,警告区不同预警方式对驾驶行为具有显著性影响;人机交互界面预警方式下最小速度位置有所前移;驾驶人在知晓与不知晓智慧道钉群功能前后驾驶行为差异较大,当知晓智慧道钉群功能后行车速度减小最大,初始换道位置也出现明显前移.     

基于LightGBM的驾驶人风险感知能力判别方法

碰撞风险与风险感知能力有关, 为准确评估驾驶人风险感知能力, 设计考虑危险源个数与类型的驾驶模拟试验, 采集危险场景下的驾驶人驾驶行为与眼动特征等数据。利用Mantel-Haenszel检验分析危险源因素、驾驶人个人特性在不同风险感知水平人群下的差异性, 借助Spearman相关性分析探索驾驶行为、眼动特征与风险感知能力之间的关系。结果表明: 危险源个数、类型与风险感知能力负相关。驾龄、车速、纵向加速度、刹车深度、制动反应时间及位置等与风险感知能力显著相关。风险感知能力迟钝的驾驶人车速偏高且加速度更大, 刹车深度更深, 从发现危险事件到采取行动需要更多的反应时间。构建综合风险感知能力评价指标集, 借助Random Forest算法对特征进行重要性排序, 在此基础上利用LightGBM算法建立驾驶人风险感知能力判别模型, 分析不同特征个数输入对模型性能的影响。结果表明: 与SVM和AdaBoost等算法相比, 基于LightGBM算法的模型F1值达到86.07%, 精度为86.14%, 可以有效地对不同风险感知等级的驾驶人进行分类。