基于驾驶行为的驾驶愤怒表现量表研究

对456名驾驶人的调查数据进行了因子分析,得到一份有21个项目的驾驶愤怒表现量表（Cronbachα=0.861）,量表包括操作强度、操作频率、言语攻击、对车发泄、自我调节5个可靠的分量表,子量表的信度系数（Cronbachα）在0.667～0.894之间.除自我调节子量表外,其余各子量表彼此显著正相关.并通过比较月收入不同的驾驶人驾驶愤怒表现得分平均数对量表的结构效度进行了检验.研究结果表明,本量表具有较高的信度和效度,符合心理测量学标准.     

基于扩展置信规则库的海盗袭击事件风险预测

为有效应对海盗袭击事件,减少可能产生的损失,本文提出一种新的基于扩展置信规则库(EBRB)联合优化的海盗袭击事件风险预测模型。通过引入Relief F算法和差分进化算法,从结构和参数两个角度对EBRB系统进行优化,以确保EBRB系统具有最优的参数数量和取值,利用实际海盗事件数据集进行模型验证。结果显示,联合优化的EBRB系统预测结果与实际情况的拟合效果较好,相对于初始的EBRB系统,联合优化EBRB系统将海盗事件的风险预测准确性提高了60%。此外,与现有其他预测模型对比发现,基于联合优化EBRB系统的预测模型在提高预测准确性方面具有一定的优势。     

基于数据包络分析和扩展置信规则库的交通运输业环境治理成本预测

针对交通运输业中环境治理成本规划问题,提出基于数据包络分析(DEA)和扩展置信规则库(EBRB)的环境治理成本预测模型. 基于DEA模型对环境治理投入产出历史数据进行有效性分析,量化EBRB中每条规则的可靠度,建立考虑规则可靠性的EBRB模型,用于预测交通运输业的环境治理成本. 根据2004-2017 年我国各省份交通运输业环境治理实际数据验证模型. 研究结果表明,本文模型的准确性高于现有环境治理成本预测方法,可为相关决策者提供一个模型支撑和参考依据.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream,MTS)下智能网联车(Intelligent Connected Vehicle,ICV)实现鸣笛意图(Horn’s Intention,HI)识别,更好地遵循常规车辆(Manual Vehicle, MV)的驾驶意图,提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR),采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声;采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV;再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明,HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%,定位角度估计误差小于5°,HI 识别率达 82.5%,为ICV在MTS中的智能驾驶决策提供依据.     

基于驾驶人决策机制的换道意图识别模型

依据驾驶人换道决策的产生机制,提出速度期望满足度、危险感知系数和换道 可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明： 量化指标与换道决策存在不同程度的相关性;同时在换道初期、车道保持及过渡状态阶 段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数, 建立基于模糊神经网络的驾驶人换道意图识别模型,进行驾驶人换道意图的识别.结果表 明,该模型在换道初期的预测准确率达到89.93%,虚警率为9.52%,优于以碰撞时间TTC 为输入指标的BP神经网络模型,以及以RV、RP、RS为变量的Logistic 模型,说明模型具 有较好的预测准确性.     

基于大规模浮动车数据的交叉口转向规则自动提取算法

针对传统电子地图在生成时只包含路网拓扑关系,不具备路口转向规则的自动生成及更新能力,提出了利用大规模浮动车数据自动生成交叉口转向规则的算法.该方法建立转向规则数学表达和存储模型,并依托大规模浮动车数据分析和处理,引入置信点概念,提出基于首尾置信点控制的转向规则自动提取算法;以广州市为例,选取1d的浮动车GPS数据,对提出的算法进行效用评价,实验结果表明提出的算法准确率达90.4％,可准确实现多数交叉口转向规则的自动提取.     

考虑驾驶愤怒的元胞自动机交通流模型

驾驶员在愤怒时的驾驶行为表现与正常驾驶时存在较大的差异,这些行为差异会影响车辆的运行速度、运行轨迹等,进而对道路交通流产生影响.文中在NaSch元胞自动机交通流模型的基础上,考虑愤怒驾驶行为的特点,从运行速度、换道条件和安全距离3个方面重新确定元胞更新规则,构建考虑驾驶愤怒情绪的周期边界条件下双车道元胞自动机交通流模型.在MATLAB环境下,对所建模型与普通NaSch交通流模型进行对比仿真分析.结果表明,驾驶愤怒所引起的行驶速度变化对交通流影响明显.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) — 定位(Location) — 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积—循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.     

考虑驾驶人不同分心类型的分心识别研究

驾驶人分心状态判别是实现分心预警的基础。由于视觉分心相比认知分心对行车安全具有更大威胁,本文针对驾驶人不同分心类型的识别展开研究,设计了驾驶人两种分心类型和正常驾驶下的模拟驾驶试验,利用1-back任务和看手机任务分别诱导驾驶人产生认知分心和视觉分心,采集并提取驾驶绩效、眼动及头动特征,采用序列后向选择算法进行特征优选,运用网格搜索确定分心识别的最佳时间窗口及模型参数。结果表明,基于随机森林所构建模型在测试集上取得了94.07%的宏精准率、93.89%的宏召回率和93.98%的宏F1值,分类表现优于两种比较方法,说明模型能够准确地对驾驶人的3种状态进行分类。根据随机森林模型的特征重要性排序结果以及采用不同类型特征作为输入训练模型的分类结果发现,驾驶人眼动及头动特征对驾驶人分心类型的识别更为重要。本文研究可为分心预警系统根据分心类型判定风险等级提供基础。     

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。     

基于贝叶斯网络的驾驶疲劳程度识别模型

国内外学者大多采用单一类型指标对驾驶疲劳程度进行判断。为克服单一指标检测的不稳定性,构建基于贝叶斯网络的驾驶疲劳程度识别模型。将驾驶环境属性、驾驶人个体属性和原始疲劳属性作为模型输入层变量。选择脑电指标、心电指标、眼动指标、驾驶绩效指标作为模型输出层变量。将清醒、轻度疲劳、重度疲劳三种驾驶疲劳程度作为隐含层变量。采用模拟驾驶方法进行实验,得到不同实验对象各个时刻不同疲劳程度的概率。将利用单一指标和贝叶斯网络模型得到的驾驶人疲劳程度与主观疲劳测评结果进行对照,证明贝叶斯网络模型不仅能消除单一指标失效时产生的误判和漏判,而且可提高识别的准确性。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

引入驾驶风格的熵权法多属性换道决策模型

为改善AHP换道模型需要主观赋权的问题,在分析换道决策机理及换道决策属性的基础上,提出引入驾驶风格的熵权法多属性换道决策模型.在不同空间占有率D 下对模型进行仿真,获得不同驾驶风格、多种车道分隔方式下的平均换道动机概率和平均换道成功概率. 分析发现,驾驶风格对平均换道动机概率和平均换道成功概率产生显著影响的空间占有率分别为(0.10, 0.85)和(0.30, 0.85),其中,激进驾驶风格的概率最大,保守的概率最小. 说明该模型能响应驾驶风格偏好的影响,熵权法在多车道元胞自动机换道决策模型中的适用性较强.     

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.     

基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

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.     

驾驶经验对先进驾驶辅助系统的作用研究

为了探究驾驶经验对先进驾驶辅助系统(ADAS)的影响,招募32名被试开展现场运行测试(FOTs).开发的试验车通过数据同步技术采集车辆运动学信息、道路环境信息和驾驶人操作信息,对采集的数据进行预处理并提取城市快速路数据进行统计分析.试验结果表明:跟车时,ADAS对熟练驾驶人和非熟练驾驶人均有积极影响且对非熟练驾驶人更为显著;制动时,ADAS对非熟练驾驶人有积极影响但对熟练驾驶人有消极影响;接受程度方面,熟练驾驶人对ADAS的接受程度显著高于非熟练驾驶人.本文研究结论为避免ADAS在特定驾驶经验的人群中产生的不利影响提供了数据支撑.