排序方式: 共有26条查询结果,搜索用时 62 毫秒
1.
根据《国家公路网交通标志调整工作技术指南》和现行国家及地方标准规范,从标识体系、路网管理、出行环境等方面,对上海市国家高速公路命名编号调整后的交通标志基本状况、适应性、视认效果、安全水平等进行了评估,同时通过调查问卷的方式,从道路使用者角度,对社会满意度、驾驶员行驶体验等内容进行了评价。通过多部门统筹协作、合理设计、数码电刻新工艺运用、施工质量严格管理以及各大媒体积极宣传,上海市较好地完成了本轮国家高速公路命名编号调整工作。由问卷调查结果可知,较多的驾驶人认为更换后的标志牌视认性良好,标志牌中增加的地理方向信息有助于驾驶人辨别行驶方向,社会满意度较高,驾驶人行车体验较好。 相似文献
2.
基于Android系统,开发了一个道路养护信息采集软件。该软件可以实现道路养护信息的简单化、格式化采集和大量存储。采集的数据以表的形式存储于数据库中,较以往的书面记录方法省去了后期的录入和分类工作,方便后续的养护措施决策分析,减少了决策时间。 相似文献
3.
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。 相似文献
4.
5.
6.
山区公路紧急避险车道驶入角研究 总被引:4,自引:0,他引:4
通过实地调查和查阅相关资料的方法确定了我国山区长大下坡公路交通事故的主要车型和紧急避险车道的设计车速。以保证制动失效车辆行驶时的横向稳定性为前提,以主线为右转曲线的公路为主要研究对象,通过制动失效车辆由主线驶入紧急避险车道的行车轨迹几何特征对紧急避险车道驶入角和主线平曲线半径之间的关系进行了研究,得出了适合我国山区紧急避险车道驶入角的合理取值范围。为我国山区公路紧急避险车道驶入角的选取提供了必要的理论参考。 相似文献
7.
8.
大量证据表明,驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式(如脑电波等)或半侵入式(如视频等)检测驾驶人分心的方法,不仅对驾驶任务造成一定干扰,且受多种环境因素的制约,误报率较高。基于此,只考虑非侵入式车辆运动特征,提出一种基于深度学习的驾驶人分心状态识别方法:首先,从自然驾驶数据集中获得大量的跟驰片段,采用态势感知方法,提取典型的分心驾驶片段,并建立仅包含车辆运动学特征的分心判别指标集;其次,利用梯度提升决策树-递归特征消除算法(GBDT-RFE)和随机森林-递归特征消除算法(RF-RFE)对特征进行重要度排序,得到重要度较高的分心监测指标;最后,采用长短时记忆神经网络(LSTM-NN)实现分心驾驶的分类识别,并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明:LSTM-NN在判别分心或正常状态时F1分别为89%、91%,高于SVM和AdaBoost对应二分类结果;进行多分类任务时,判别分心情景的平均F1较SVM和AdaBoost分别提升了12%和7%,不同类别分心识别的误报率在15%以下,说明LSTM-NN能够有效学习分心序列的前后信息,有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。 相似文献
9.
近年来,高速公路事故发生率高居不下.同时,对于高速公路而言,其交通流检测器安装又较为普遍.因此研究如何深入挖掘交通流检测数据以实现对高速公路事故风险实时预测很有必要.基于美国加州2012年发生事故最多的4条高速公路I5,I10,I405和I15的全年事故数据和交通流数据,以病例对照基本思路选取事故组和对照组数据,选定交通流数据研究范围,并选用ADASYN算法处理不平衡数据集问题.基于随机森林模型,利用事故发生前10~40 min内的事故地上游4个检测器、下游2个检测器的3种基本交通流数据构建高速公路实时事故风险模型,事故预测准确率可达到88.02%.选取重要性前十的变量作为事故重要诱导因素,对事故重要诱导因素进行调值,将调值后的测试集放入之前构建的随机森林模型进行分类预测,结果显示减少了41.82%的事故,故可认为利用事故重要诱导因素可进行事故先兆预警工作,从而减少事故的发生. 相似文献
10.
在城市快速路匝道合流区,驾驶任务难度主要来自于车辆与其周边车辆之间的动态交互,目前对这种交互行为的特征和机理的认识还不十分清楚。基于从无人机视频中提取的高精度车辆轨迹数据,提取出表征车辆交互行为的指标TTC和GAP,并结合速度、加速度、车道位置等其他指标,对车辆的交互过程加以刻画,从中获得了大量交互行为实例,并在此基础上归纳总结出9种典型的车辆交互行为模式。通过分析各模式特征发现:即使在相同的外部环境下,车辆交互行为模式也可能存在差异,这表明交互行为不仅与车辆之间的相对位置、时空距离、速度状态等环境因素有关,还与驾驶人的应对能力、动机及风险意识等认知心理有关;另外,不同的交互模式面临的风险不同,并且该风险既可能是周边车辆行为发生改变而被迫卷入,也可能是驾驶人自身主动寻求的结果;9种不同类型的交互行为模式,构成了驾驶人自行感知的4种风险状态互相转换的具体实现形式;在驾驶过程中,驾驶人努力寻找契机并选择某种交互行为模式在各个风险状态之间来回切换,并非仅由心理压力较大的危险态向压力较小的自由态转换,也会发生反向转换,前者主要由降低事故风险和减少认知努力的动机驱动,后者旨在追求行车效率,但同时驾驶人会付出更多的认知努力以对抗风险的增加,这充分反映了驾驶人试图在行车效率、事故风险与认知努力三方面取得平衡。研究成果对深化理解驾驶行为及其背后的决策机制具有积极意义。 相似文献