汽车驾驶人驾驶经验对注视行为特性的影响

通过实车试验,分别在城市道路和公路上,利用EyeLinkⅡ眼动仪测试了20名驾驶人的眼动参数与注视行为特性。将被试驾驶人分为熟练驾驶人组和非熟练驾驶人组,通过将实际驾驶过程中的交通场景录像逐帧分解,并与驾驶人的眼动数据相结合来确定驾驶人的真实注视目标,对比了熟练与非熟练驾驶人的注视区域和注视目标特征,研究了2组驾驶人驾驶经验对驾驶人注视行为特性的影响,并分析了导致2组驾驶人注视行为差异的原因。研究结果表明：驾驶经验对驾驶人注视行为特性有显著影响;在城市道路上,熟练驾驶人对近处目标的注视频次比非熟练驾驶人高约18％,而对车内后视镜的注视频次约为非熟练驾驶人的4．7倍;在公路上,非熟练驾驶人对远距离区域的注视频次仅为熟练驾驶人的4l％,而对车内区域的注视频次则为熟练驾驶人的2．1倍;驾驶人对右区域的注视频次平均约为左区域的2．5倍,且熟练驾驶人对右区域关注更多,约为左区域的4倍,而非熟练驾驶人对右区域的注视频次约为左区域的1．5倍;非熟练驾驶人处理信息的策略和效率均比熟练驾驶人差。     

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.     

基于单调关联系统的驾驶行为可靠度计算方法

为合理评估驾驶员驾驶行为的可靠性, 提出了驾驶行为可靠度计算方法, 将人机系统可靠性理论与驾驶行为链相结合, 构建了基于感知、判断、操作元件及模块组的驾驶行为可靠性框图, 确定了单项器官元件可靠度测试与计算方法, 运用单调关联系统理论给出了功能模块可靠度及驾驶行为系统可靠度的量化模型, 计算了模型中各生理、心理元件概率重要度, 分析了其对驾驶行为的影响度。计算结果表明: 事故组与非事故组间行为可靠性存在明显差异, 非事故组的可靠性整体大于事故组, 但整体可靠性呈下降趋势, 事故组驾驶员整体操作稳定性较差; 生理因素对驾驶行为可靠度影响度前期较大后期较小, 而心理因素则相反。     

基于主成分法的道路交通事故综合评价方法研究

在现有各种交通事故评价指标的基础上，应用主成分分析方法，可构造出交通事故综合评价指标，使其凸现交通事故的变化趋势和主要特征．且与原始数据有较高的弥合度。     

基于主成分分析与BP 神经元网络的驾驶能耗组合预测模型研究

近年来交通领域能源消耗问题备受关注,本文从微观交通能耗预测出发,以实现北京市快速路基础路段的油耗预测为目的,基于出租车车载OBD/GPS终端,提取驾驶员微观驾驶行为数据,建立基于主成分分析与BP神经元网络的油耗组合预测模型,实现北京市快速路基础路段油耗的准确预测.结果表明：速度均值及标准差、最大车速、工况百分比、加速度及减速度均值、行驶距离和动能对油耗影响程度相对较高;同时模型能够实现城市快速路基础路段能耗的有效预测,预测精度达到92.46%.该方法的研究为城市交通能源消耗的监管与把控提供了支持.     

基于主成分和聚类分析的区域道路交通安全综合评价

对我国省级区域的道路交通安全水平进行综合评价和分类,基于道路交通事故死亡与机动化水平等社会经济因素的相关性,构建了8个评价指标,利用主成分分析法将它们综合为3个主成分变量并评价了我国2006年31个省级区域道路交通安全水平;在此基础上,采用K-均值聚类分析法将31个省级区域的道路交通安全水平分为了3类.结果表明,我国省级区域的道路交通安全水平差异明显,社会经济发达地区的道路交通安全水平高于社会经济欠发达的地区.     

基于主成分分析理论的交通事故成因研究

研究了道路交通事故的各种成因,用主成分分析理论对引起道路交通事故的主要因素进行分析,得出影响交通安全的主要矛盾,并采取适当的安全措施,从而达到降低交通事故发生的次数和强度的目的。     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s^-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。     

基于加权主成分分析的中国上市公司的综合评价

基于主成分分析法建立了加权主成分分析法数学模型;运用加权主成分分析对中国上市公司进行综合评价,并通过选取2015年部分上市公司第一季度报告提供的财务指标进行了实证分析。评价结果表明:利用加权主成分分析法对上市公司进行综合评价,可以将主成分分析法的客观分析和层次分析法的主观分析有机结合起来,以得出结合客观分析与主观评价的相对可靠的结论。与用主成分分析法评价的结果相比,其评价结果更加合理、更加符合上市公司的实际经营水平,可以给广大证券投资者一个更加可靠的投资参考。     

基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。     

不同通道宽度条件下汽车驾驶员注视点分布规律

为分析驾驶员感知-判断-操作行为模式, 对驾驶员在通过不同通道宽度障碍物时的动态视觉进行研究。用眼动仪等设备记录了驾驶员在通过设定障碍物间的通道宽度时眼睛注视点的变化和相应的车辆行驶速度, 分析了在7.04、.4、3.5、3.0和2.0 m五种通道宽度条件下驾驶员注视点变化的分布规律。试验结果显示, 无障碍物时, 对应通道宽度为7.0 m, 驾驶员注视点在车辆前方较远处和道路的中央区域; 通道宽度较充裕时, 对应通道宽度为4.4和3.5 m, 驾驶员注视点主要在左侧障碍物和道路中央; 通道宽度较窄时, 对应通道宽度为3.0 m, 驾驶员注视点频繁在左右两侧障碍物间移动; 随着驾驶任务难度增加, 驾驶员的注视点分布区域变近, 视线的变化频率提高。     

车辆颜色等多因素对驾驶行为的交互作用研究

车辆颜色是影响驾驶行为与交通安全的重要因素,为研究动态运行环境下车辆颜色、车型对于驾驶行为的影响,首先,建立不同颜色、车型车辆模型及其白天与黄昏两种道路环境,构建6类典型驾驶场景;其次,选取25名测试人员,采用组内实验的方法进行试验,实验中利用驾驶模拟系统、眼动仪与多导生理仪采集车辆运行、驾驶员眼动与心率数据。实验结果表明,驾驶员对车辆的识认有明显差异,白天识认距离明显高于黄昏,大客车则明显高于小轿车,黑色车辆在黄昏时识认性明显低于其他车辆,尤其是在观察前方车辆时更为明显。上述结果表明,车辆颜色对于驾驶员识认距离存在明显影响,尤其是小型车辆在黄昏时响更为显著,以上结果应在车辆颜色选择及驾驶员培训时予以关注。     

城市道路汽车行驶工况构建方法

为了优化汽车行驶性能, 制定了反映中国实际道路行驶状况的测试工况, 以轻型汽车道路实测数据为数据源, 提出了城市道路汽车行驶工况构建方法; 数据采集覆盖主要时段和道路, 剔除了异常数据, 并引入多尺度小波变换对车速降噪; 利用3层小波分解过滤地面扰动的影响, 保留车速关键信息; 基于9种与行驶特性密切相关且具有代表性的特征参数建立汽车运动学片段特征体系; 分别利用主成分分析和自编码器对特征降维处理, 使用K-means++聚类算法确定运动学片段, 并引入Silhouette函数筛选聚类结果以替代人工选择, 确定聚类类别为2类; 以与相应聚类中心的距离为指标, 筛选出各类别中最能反映本类别特性的200个运动学片段, 作为候选运动学片段, 最终以基于最小性能值的评估方法确定代表性运动学片段, 完成了汽车行驶工况的构建, 分别得到主成分分析和自编码器2种降维处理对应的汽车行驶工况曲线。计算结果表明: 以主成分分析和自编码器2种处理方法为基础构建的汽车行驶工况对数据源均体现了较高的代表性与合理性, 基于主成分分析降维最终得到的数据与数据源的相对误差绝对值多数低于10%, 其中平均速度、平均行驶速度、怠速时间比、加速时间比、减速时间比、平均加速度、加速度标准差、平均减速度的相对误差分别为0.75%、5.50%、9.14%、9.80%、9.98%、8.45%、6.17%、7.73%, 仅速度标准差的相对误差较大, 为24.31%, 与自编码器方法得到的结果相比具有更强的综合代表性, 更适合用于汽车行驶工况的构建。     

驾驶员行车紧张度评价试验

为了研究道路条件对驾驶紧张程度的影响, 选择了33名驾驶员, 选用驾驶员心率、眼球移动角速度和注视点分布范围3项测试指标, 进行了多车型多工况实车试验。采用心电测试仪和眼动仪采集了3项测试指标试验数据, 并进行回归分析, 建立了不同车型的驾驶员测试指标隶属于不紧张区域、较紧张区域和很紧张区域的隶属度函数。在车速为80km.h^-1, 侧向余宽为1.2m的行车工况下, 计算了各车型测试指标的隶属度。试验结果表明: 大型车驾驶员3项测试指标的隶属度均属于较紧张区域, 中型车驾驶员3项测试指标的隶属度均属于不紧张区域, 与实车试验的驾驶员感受评价相符合。     

人机共驾智能汽车的控制权切换与安全性综述

根据智能汽车技术发展特点和趋势提出了人机共驾的概念; 从切换的发起者、强制性与计划性三方面论述了人机共驾智能汽车控制权切换的分类方法, 分析了广义和狭义2种分类的特点和应用范围; 从驾驶人的认知、驾驶负荷、反应力等方面剖析了人机共驾中人因的特性及其对控制权切换安全性的影响, 总结了控制权切换的试验研究方法和人机交互形式, 指出了控制权切换安全性研究存在的问题和未来发展方向。分析结果表明: 人机共驾智能汽车的应用范围是L2~L3级自动驾驶, 特点是人与系统彼此协同完成动态的驾驶任务; 由系统主动发起、驾驶人被动接管的控制权切换情形与安全性更被业内关注; 驾驶人能有效地对当前驾驶状态进行认知和评估, 进而接管车辆操作, 并最终规避风险, 是保证控制权切换安全性的关键; 人因是影响控制权安全平稳切换的重要因素, 主要表现为认知水平偏低, 切换前后驾驶负荷阶跃式突变, 次任务的影响机理不明确, 反应力随切换场景的不同而差异显著等; 该领域的主要研究还包括接管绩效的评价, 切换时机与人机交互方式的优化以及试验手段的提升等。     

基于模糊综合评判模型的沙漠环境下驾驶员安全特性评价

为了揭示沙漠公路道路交通环境下驾驶员驾驶特性与交通事故之间的作用机理,选择了影响驾驶员安全特性的主要因素,并利用驾驶适宜性实地检测数据进行相关性分析,建立了影响因素与驾驶特性指标之间的模糊综合评判模型,对沙漠公路驾驶员安全可靠性进行了动态分析和评价.研究表明:由于受特殊的道路交通条件、沿线自然环境以及驾驶员生理和心理特性的影响,沙漠公路中驾驶员表现出较强的事故倾向性;诸影响因素中,气温对驾驶安全性的影响最为显著,然后依次为持续驾车时间、驾龄和年龄.