基于Two-step Cluste的出行选择行为研究

为研究广佛城际交通出行者选择公共交通出行的意愿,根据2016年广佛城际交通发展调研数据,基于两步聚类方法,将总出行群体聚为两类,并运用熵权法选取9类指标分别对聚类前后的群体进行满意度评价,结果显示聚类后群体的满意度较低,表明聚类后的群体的出行需求更为集中。基于此,分别对聚类前后群体构建是否选择公共交通出行方式选择BNL (binart-nomial logit)模型,预测管理策略的效果,进一步验证将群体进行聚类的必要性,并为城际出行乘客提供更精准的服务。     

基于出行问卷与多模式公交刷卡数据匹配的公交调价影响分析

在公共交通宏观客流变化分析的基础上,展开公共交通出行选择调查,结合基于问卷和IC卡信息关联的公交个体出行跟踪,对北京市公共交通票价调整对出行者出行行为的影响进行深入分析.利用二元Logistic模型对问卷数据进行回归分析发现,职业、收入、是否拥有私家车及出行目的与调价后出行行为的变化存在明显的相关性.同时,研究以样本出行者的多模式公共交通IC卡刷卡数据为基础,提取了公交个体出行链,定量分析调价前后出行结构的变化.结果表明,调价对于非通勤出行者出行结构的影响大于通勤出行者,且这种影响主要体现为引发出行链结构相对简单的短距离轨道出行者转向公交出行.研究结果为公共交通政策实施效果评估,线网优化以及运营管理提供了科学依据和决策支持,有利于进一步提升北京市公共交通的服务水平.     

基于累积前景理论的拥挤阈值计算模型

信息诱导是缓解交通拥挤的有效途径,为了描述道路拥挤程度对出行者路径选择决策的影响机理,基于累积前景理论分析了出行者的出行决策过程,分析了出行者拥挤认知模式以及不同出行方式的拥挤信息需求。解析了拥挤阈值的概念,将行程时间作为累积前景理论决策指标建立了拥挤阈值的计算模型,以1个简单路网进行算例分析,模拟驾驶员的拥挤认知及出行活动决策。算例结果揭示了拥挤阈值对路径选择决策行为的影响,同时验证了拥挤阈值是出行者在决策过程中的决策变化分界点。出行时间在拥挤阈值内出行者不改变出行路径;出行时间超过拥挤阈值,出行者将改变出行路径。      

家庭收入差异对出行方式选择的影响分析

出行者时间价值是影响出行决策的最重要因素之一,研究时间价值有利于准确构建方式划分离散选择模型.在分析居民出行调查数据的基础上,应用聚类树分析对家庭收入分组的合理性进行了探讨,分别对每种出行方式的出行者家庭收入统计分析,说明家庭收入对家庭成员出行方式选择的影响.在说明家庭收入与出行时间价值之间关系的前提下,提出家庭共享时间价值的概念,数据拟合的结果发现家庭共享时间价值服从对数正态分布.分别基于MNL模型和ML模型构建出行方式选择模型以家庭共享时间价值为主要变量的对比模型,研究了设置家庭收入变量与不设置家庭收入变量、设置家庭收入分段变量与设置家庭收入常量、设置服从对数正态分布的费用项随机系数与不设置费用项随机系数3类情况下模型的精度和准确程度.当设置家庭收入变量且费用项系数服从对数正态分布时,拟合效果最优,居民对交通出行的主观支付意愿期望值约为家庭共享小时收入的2倍.      

私家车出行者交通信息需求研究

交通出行信息对私家车出行者行为选择存在不同程度的影响。通过对大连市私家车出行者交通出行信息使用意向调查,获取私家车出行者交通出行信息选择行为特性数据,引入因子分析方法对交通出行信息内容进行合理分类,建立交通出行信息选择累积Logistic回归模型,对私家车出行者交通出行信息需求进行研究。研究结果表明私家车出行者对交通出行信息内容存在不同程度的需求,其中与个人私家车出行质量相关信息的需求最高,面向私家车出行者的城市交通信息服务系统建设与运营应体现针对性。     

出行者特征要素对公交服务模式的影响分析

公共交通是面向大众的服务,公共交通服务模式的制定与完善需要重点考虑出行者的出行需求,才能从根本上提高公共交通的竞争力.借鉴服务经济学的理论将公共交通服务模式分为公交服务标准、出行者界面、公交服务环境和技术4个维度.基于攀枝花市居民出行调查与公交专项调查数据,应用SPSS定量分析出行者特征要素与公交服务选择的相关性,以考...     

基于随机森林的驾驶人驾驶习性辨识策略

深入理解驾驶人驾驶习性及其表征方法,对于实现在汽车自动驾驶、辅助驾驶等不同控制系统下的人机和谐交互具有重要意义。为此,本文中提出了一种基于随机森林模型的驾驶人驾驶习性辨识策略。搭建了驾驶人驾驶数据实车采集系统,在典型跟车驾驶工况下对驾驶人驾驶习性数据进行了实时采集;根据层次聚类理论,对驾驶人驾驶习性进行了标定;在此基础上,引入随机森林模型建立了驾驶人驾驶习性辨识策略,并进行了重要性分析、模型训练和测试分析。测试结果表明,本文提出的基于随机森林模型的驾驶人驾驶习性辨识策略能有效辨识驾驶人驾驶习性,模型整体精准度可达97.1%。     

拥堵收费对弹性出行的小汽车使用者出行方式选择影响研究

所有出行群体中,受拥堵收费政策影响最大的是弹性出行的小汽车使用者。引入相对拥堵费作为政策变量,表征拥堵收费政策对该群体出行方式选择的影响,并基于Nested Logit模型,建立了拥堵收费影响下的出行者出行方式选择模型。利用对南京新街口商圈区域弹性出行的小汽车使用者进行的RP和SP调查所获得的数据,对模型参数进行了估计,结果显示:女性、低收入者、IC卡持有者、短途和高频出行者在面对拥堵收费政策时,更容易放弃小汽车而转向公共交通出行。利用弹性理论,分析了不同拥堵费水平下出行者对出行时间和拥堵收费政策的弹性,结果发现:①出行时间的弹性反映了出行方式的总体服务水平;②出行者在出行方式选择时对拥堵收费变得“显著”敏感的临界值为13.25元/次。      

基于海量数据的城市绕行比率研究

利用海量轨迹数据对不同城市绕行比率进行研究,比较绕行比率与路网密度、探究绕行比率的地理分布特征,分析绕行出行者比例并研究多种因素对绕行效果的影响.依托对浮动车数据的特征解析,研究北京、广州、成都、纽约的非直线绕行比率,使用DBSCAN-GRID方法研究OD地理分布对绕行比率的影响.同时比较北京、广州、成都3个城市的选择性绕行比率,分析选择绕行的出行者中提升平均速度及降低旅行时间的比例,基于海量数据评价绕行效果.结果表明,城市出行距离与欧几里得距离呈现拟合优度大于0.9的线性相关性;短距离出行的绕行比率显著高于长距离出行;绕行平均能够帮助提升19% 平均速度和节省10% 旅行时间;信任导航出行者错误绕行比例比依靠经验出行者高15%,有经验的出行者比信任导航的出行者能做出更正确的路径选择.      

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

基于数据驱动的城市快速路段拥堵状态辨识及诱导对象选择方法

交通诱导实施效果不佳的主要原因之一是具有差异性出行特征的出行者无法接受单一的诱导方案。针对城市快速路高峰时段拥堵问题, 研究了考虑车辆出行特征差异的交通诱导对象精准识别方法, 以保障诱导方案的实施效果。利用高德路况数据提取拥堵路段, 根据拥堵路段与相邻路段交通状态的相关性提出拥堵源路段识别方法; 利用车牌识别数据提取使用快速路车辆的出行特征, 包括快速路出行强度、地面道路出行强度、快速路出发时刻离散度和快速路路径选择多样性; 采用K-means++算法对车辆出行特征进行聚类, 识别出显著影响道路交通状态的出行者, 并为出行者推荐适合其出行特征的错峰或绕行诱导方案。以苏州快速路为例, 研究发现: 针对拥堵源路段的交通诱导能有效改善拥堵路段的交通状态; 类型3车辆(高频出行且易绕行)占单月工作日早高峰所有使用快速路车辆总数的14%, 却占单日早高峰总交通量的51%, 是重点诱导对象; 通过精准识别, 可推荐诱导车辆数占总车辆数的47%。      

基于遗传算法的FCM聚类分析在边坡稳定性评价中的应用

FCM聚类分析在边坡稳定性评价研究中已得到广泛的应用,但传统的FCM算法存在着对初始聚类中心值敏感的问题。引入遗传算法来克服这个问题,提出了基于遗传算法的FCM聚类分析。以具体实例,采用基于遗传算法的FCM聚类分析对边坡进行稳定性评价,然后进行模式识别。研究结果表明:基于遗传算法的FCM聚类分析,克服了传统FCM聚类分析对初始聚类中心敏感的问题,其结果明显好于传统的FCM聚类分析。     

Characteristic analysis for cognition of dangerous driving using automobile black boxes

Automobile black boxes are devices that collect information regarding vehicle operation and the driver’s operating situation in the case of a traffic accident. The information collected from the automobile black box, which can also be used during normal driving, can provide information about dangerous driving cognition. This study was designed to analyze characteristics of dangerous driving data and build a dangerous driving cognition system as follows. First, dangerous driving is divided into four types by considering the vehicle’s movement, such as acceleration, deceleration, turning and statistical data of traffic accidents. Second, dangerous driving data were collected by vehicle tests using the automobile black box, and characteristics of the driving data were analyzed to classify dangerous driving. Third, a standard threshold was chosen to recognize dangerous driving, and an algorithm of dangerous driving cognition was created. Finally, verification was conducted by vehicle tests with automobile black boxes embedded with the developed algorithm. The presented recognition methods of dangerous driving can be used for on/off-line management of drivers and vehicles. Scientific traffic accident databases can be built with this driving and accident information, and can be used in various industrial areas.     

基于SOM神经网络的多工况驾驶风格识别

不同的驾驶员对车辆的各项性能可能有个性化地要求,因此有必要对驾驶风格的分类与识别问题进行研究。首先在驾驶模拟器上采集不同驾驶员在多工况下的数据,利用主成分分析法选取驾驶员在各个工况下的特征参数,SOM神经网络分别对起步、加速及制动工况下的驾驶数据进行了聚类分析,然后以驾驶风格聚类分析结果为基础,建立了基于SOM神经网络的驾驶风格识别系统,该系统可根据驾驶员驾驶历史数据来判断其驾驶风格,最后以某一温和型驾驶风格识别结果为例验证了系统的合理性。     

基于相对隶属度的发动机磨损模糊模式识别

针对模糊数学需人为确定隶属函数的缺陷,利用以相对隶属度为基础的模糊理论对发动机磨损模式进行了识别,得到了较为客观的识别结果,证明了该方法对发动机磨损模式识别的有效性。同时,Matlab的仿真结果还证明了利用最优模糊聚类中心矩阵可以消除冗余信息、简化模式特征值的提取,使模式识别的准确率提高。     

驾驶人对潜在危险性事件的心理预期识别研究

为准确识别驾驶人对潜在危险事件的心理预期，提出一种通过脑电信号对驾驶人心理预期进行识别的方法。参照心理学预期行为研究常用的标准S1-S2范式，改进设计了路侧停靠公交车造成视觉遮挡的人车碰撞事故模拟驾驶试验。模拟任务中以路侧停靠的公交车为线索刺激，公交车头的行人为目标刺激，诱发驾驶人的心理预期。为有效识别驾驶人心理预期，首先采用释放油门的避险行为对每个试次标定是否产生心理预期，然后通过快速傅里叶变换提取相关的脑电特征数据，并通过差异性分析及主成分分析算法对脑电特征指标进行筛选和压缩，最后基于支持向量机建立驾驶人心理预期识别模型。研究获取36名驾驶人数据，共计1 440个样本。结果表明：当驾驶人产生心理预期活动时，枕区和额区的α波能量值显著降低，而β波能量值则显著增加；差异性分析显示共有31项脑电指标对驾驶人心理预期敏感，所有脑电特征指标通过PCA算法进行降维，抽取出5个主成分作为识别模型输入；选择径向基核函数构建SVM识别模型，通过粒子群寻优算法对模型进行优化，模型对驾驶人心理预期水平的平均识别正确率为82.02%，平均AUC面积为0.82，结果表明模型具有良好的识别能力和稳定性，可为驾驶辅助系统的研发提供技术理论支撑。     

关于一、三级公路安全性认知因素的试验建模研究

在实测86处一级公路典型路段和188处三级公路典型路段道路结构基础上,确定驾驶员对国道一、三级公路的安全性认知因素集,进而针对一级公路的38处样本路段和三级公路的77处样本路段,组织47名驾驶人员进行现场认知评价试验,并应用模糊集合原理和模糊统计方法对评价试验得到的2829组(一级路673组、三级路2156组)有效认知试验评语数据进行分析处理,得到一、三级公路安全性认知因素的模糊评价隶属函数,从而给出驾驶人员对一、三级公路道路条件和交通环境的安全性模糊评价模型。     

驾驶人在手机通话行为中的认知分心图像识别研究

在手机通话（MPC）行为中，驾驶人极易陷入认知分心（DCD）状态，对此提出了一种基于头-眼行为特性的DCD图像识别方法。为适应自然驾驶中的波动光照和复杂背景，首先建立基于YCbCr色彩空间的在线肤色模型，提取待检肤色区域的PCA-HOG特征并建立支持向量机分类器来识别MPC手势；与此同时，采用多尺度局部模极大值方法检测嘴部显著边缘，并通过边缘活跃度来识别驾驶人说话行为，综合MPC手势和说话行为建立MPC行为的判别逻辑。最后，以5 s为时间窗口获取驾驶人的眼球活跃度、眨眼指数、头部横摆和俯仰运动活跃度，采用D-S证据理论建立融合头-眼行为特性的DCD识别方法。试验结果表明：融合手势和说话行为图像检测的MPC识别率为92.8%；对于不佩戴眼镜的驾驶人，眼球活跃度是DCD识别率最高的单一指标，“眼球活跃度-头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为86.2%；对于佩戴眼镜的驾驶人，“头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为83.2%；算法对熟练驾驶人的DCD识别率略高于非熟练驾驶人。     

人机共驾智能车驾驶模式决策属性析取研究

为了深入分析驾驶模式决策影响因子,通过实车试验采集了人-车-路多源特征信息。用驾驶人主观经验将驾驶模式划分为人工驾驶、警示辅助、自动驾驶3种状态,并利用采集的驾驶人血流量脉冲（BVP）和皮肤电导（SC）值进行K均值聚类,将驾驶人当前合适的驾驶模式自动聚类为3级。通过融合驾驶人自汇报结果和聚类结果对驾驶模式进行准确标定。采用以信息增益为依据的Ranker算法对多特征进行排序,并在此基础上,根据多分类器分级结果确定最优特征属性集合。研究结果表明：当选取车速、车头时距、车道中心距离、前轮转角标准差、驾驶经验5个指标为特征子集时,支持向量机、朴素贝叶斯及K近邻这3种分类器的识别准确率都超过90%;除警示辅助模式与自动驾驶模式下的车速值和车道中心距之外,其余所有不同模式决策属性值均呈显著性差异;研究结果可为人机共驾智能车驾驶模式决策提供依据。