基于改进IDM-GARCH模型的速度波动不确定性研究（双语出版）

为定量分析跟驰行为中由驾驶人感知不确定性产生的速度波动不确定性，基于改进IDM-GARCH模型研究了后车速度波动存在的异方差性。首先，提出在经典智能驾驶模型中加入速度差刺激项和非对称系数，以增强速度波动方程残差项的实际意义。在此基础上，为度量速度波动的不确定性引入异方差的思想，并验证速度波动方程残差项的异方差性，最后运用广义自回归条件异方差模型对其异方差性建模。实证分析中，采用了美国联邦公路管理局主导下的下一代仿真项目中真实有效的跟驰数据。研究结果表明：改进的IDM模型能有效地拟合实际跟驰行为中后车的速度变化，且较经典IDM模型在精度上有了很大提高；同时，GARCH类模型估计的条件方差也能准确反映后车速度波动的趋势和幅度，以及不同驾驶人驾驶行为的差异。     

基于改进沙漏模型的突发事件下交通流预测

通过分析突发事故导致车道被占用时,道路通行能力的演变过程及交通流的 变化特征,将占道发生后车流与沙漏模型中颗粒物质运动类比,结合突发事件下交通流 中不同类型车辆的换道规律,提出了含概率崩塌各异性的改进沙漏模型.并结合元胞自动 机仿真理论,运用MATLAB进行仿真计算不同时刻的车辆排队长度,与实际数据对比, 该模型的平均相对误差为6.509 7%,验证了模型的可靠性.最后利用该模型预测不同车道 被占用和不同车流量的情况下车队长度达到特定长度所需的时间,进而探讨其分别对道 路通行能力的不同影响程度,为交通部门监管道路提供理论依据.     

大数据环境下营运车辆驾驶行为特征分析

通过大规模采集营运车辆驾驶行为信息,并对其驾驶行为特征进行定性、定量分析是有效遏制交通事故的前提.对采集的营运车辆驾驶行为数据进行预处理,包括清洗、筛选、分段等,提高了数据的质量.利用经纬度坐标转换后计算出的车辆行驶速度与车载速度加权的车速进行分析;并运用DBSCAN聚类和 Spearman秩相关方法对不同车辆、不同时间段及不同天气状况下速度和加速度进行聚类和讨论相关系数,提取驾驶行为特征.结果表明,驾驶员夜晚比白天行车速度波动大,需加强夜晚行车的安全监控,且聚类方法可用于判定车辆驾驶的稳定性程度,有助于道路交通中心对车辆安全状态的判断和避免交通事故发生;对于经验丰富的营运车辆驾驶员,天气对驾驶的影响相对较弱.      

基于结构方程模型的疲劳驾驶行为影响因素间量化关系研究

导致疲劳驾驶的影响因素众多,量化相互间的关系是疲劳驾驶行为研究的理论基础.通过实车试验采集了32名驾驶人在疲劳状态下的驾驶行为数据,观测变量包括车速、加速度、车道位置、车头时距、血流量脉冲、皮电、闭眼周期等,并对数据进行了预处理以及利用Bootstrap法对样本容量进行扩充来满足结构方程模型对样本的需求.建立结构方程模型分析了疲劳程度、身体状况和驾驶经验之间的关系以及对疲劳驾驶行为的影响.结果表明,疲劳程度对驾驶行为的影响程度最大,达到0.944;其次是驾驶经验,相关系数为0.447,说明在驾驶过程中驾驶人应时刻注意自身的疲劳状况,因其会直接影响驾驶安全.     

基于自回归条件持续期模型的疲劳驾驶研究

对实际驾驶实验中不同驾驶员的车速数据进行处理,得到车速变化持续期间序列,应用自回归条件持续期模型(ACD),讨论了车速变化持续期的相关性质,并对模型的可靠性做了评估.使用ACD模型为车速变化持续期时间序列建模,其优点是能够在不损失原始非等间隔时间序列特性的条件下,直接分析得到驾驶状态的时域微观性质.采用EACD(1,1)和 WACD(1,1)模型对不同驾驶员的车速变化时间序列进行建模,结果表明：其具有较好的拟合程度,当实际期间小于条件预期期间,驾驶员的驾驶状态有变好的可能;当实际期间大于条件预期期间,驾驶员的驾驶状态有变差的可能.