���ڶ�Դ��Ϣ�ںϵļ�ʻԱ��ΪЭͬ�����㷨

交通仿真是交通控制与管理方案评价和优化的重要研究手段.传统的微观交通仿真模型，特别是刻画驾驶员行为的车辆跟驰模型，未能综合考虑交通环境中信息刺激的多源性和驾驶员任务集聚、协调反应的行为过程.本文利用Bayes方法和模糊积分方法描述驾驶员在复杂行驶环境中多源信息的融合过程，确定驾驶员任务集聚后对车辆应采取的驾驶行为.模型验证表明:交通仿真过程中，在车辆跟驰模型实施之前，利用Bayes算法和模糊积分算法模拟驾驶员在多源信息刺激下任务集聚、协同反应的过程是行之有效的.     

不同情绪作用下的汽车驾驶行为预测

为探究驾驶员情绪对驾驶行为的影响,本文采集驾驶员心电信号和行车数据,对不同情绪作用下的驾驶员行为进行预测。首先,根据问题的数学描述,建立融合驾驶员情绪变化的驾驶员模型,依据模型设计神经网络体系结构。然后,采用竞争学习算法进行驾驶行为预测,其损失减小到传统方法的1/2,结果表明,竞争学习算法是一个有效的算法,可以很好地应用在驾驶行为预测的研究中。最后,对驾驶员高兴、悲伤、愤怒和平静4种情绪作用下的驾驶行为进行预测,车速预测值非常接近观测值。在高兴和愤怒情绪状态下,平均车速相比于平静状态时都有显著增加,伴随着明显的超速行为;愤怒情绪下,出现事故的可能性增加,驾驶员趋向更危险的驾驶行为;在悲伤情绪下,平均车速相比于平静状态时显著下降,驾驶员驾驶较谨慎。     

公交驾驶员不良驾驶行为调查与特征分析——以成都为例

为了确定公交驾驶员行为失当的具体表现,首先界定了广义公交驾驶员不良驾驶行为。根据交通心理学、交通行为学与组织行为学等理论,结合城市公交系统中的驾驶员个体因素、行业因素和交通环境因素,构建了基于主成分分析法与信度分析法公交驾驶员的不良驾驶行为评价指标体系。以成都茶店子公交总站和九里堤的公交线路及公交驾驶员的抽样调查为例,结合本文所构建的评价指标体系,可得出:成都市公交驾驶员不良驾驶行为的具体表现具有以下四类特性,即驾驶员的冒险特性、习惯惯性、随意特质与个体特性。通过算例分析可证实,提出的评价体系具有可行性与有效性,可为城市常规公交管理过程中对驾驶员的安全驾驶考评提供相应的量化方法。     

影响道路交通安全的驾驶员异常行为研究

道路交通事故的产生多归因于驾驶员行为因素,分析驾驶异常行为对于研究交通事故致因具有重要意义.利用驾驶行为调查表(DBQ)对我国120名驾驶员在1 a内的驾驶行为特点进行匿名调查.根据驾驶员自我报告的驾驶行为调查结果,采用方差分析方法,分析不同性别、年龄类别、性别×年龄类别作用下的驾驶异常行为差异;并对驾驶异常行为调查结果进行因子分析,提取了2个独立的公共因子,分别可以解释为侵犯及违例和认知失误及疏忽.结合方差分析和因子分析的结果,男性驾驶员、年轻驾驶员与侵犯与违例有关的驾驶异常行为较多;而女性驾驶员、年老驾驶员与认知失误及疏忽有关的驾驶异常行为较多.     

不同天气状况下驾驶员驾驶工作负荷实验

利用心率变异性(HRV)指标,在室内进行晴天、中雨、中雨+雾(能见度100 m)和中雨+雾(能见度50 m)四种不同驾驶条件下,驾驶员高速公路驾驶工作负荷特性的仿真实验,数据分析表明,驾驶员驾驶工作负荷随天气条件的恶劣程度增加,驾驶环境的能见度对驾驶员驾驶工作负荷影响最大.有必要根据不同的天气状况,采取不同的交通安全管制措施,约束驾驶员的驾驶行为,以降低不良天气带给驾驶员的过高工作负荷.     

一种虚拟交通环境中的微观交通仿真模型

为提高虚拟交通环境中车辆行为仿真的逼真度及解决用户与系统的实时交互问题,提出了一种微观交通模型.该模型由道路模型和车辆行为模型构成:道路模型包括了车道的交通属性、几何形状、路网拓扑关系等数据;车辆行为模型考虑驾驶员的交通性格、车辆性能等因素,包括自由行驶、跟驰及换道模型.车辆行为模型可检测与用户所驾驶的汽车仿真器的位置关系,并作出减速、换道、停车等响应.建立了包含153个车道的虚拟交通环境,对模型进行测试,结果表明:所建立的微观交通仿真模型能够反映仿真车辆的个体行为差异;路网中仿真车辆为600辆时,仿真周期约2~4 ms,能实现实时仿真及与用户的实时交互.      

出租汽车驾驶员生态驾驶行为培训方法--以北京市为例

驾驶行为是影响机动车能耗和尾气排放的主要因素之一,生态驾驶行为已在众多发达国家推广实施,并取得显著的节能减排效益。选取北京市同一车型的60名出租汽车驾驶员实施生态驾驶行为培训,利用OBD+北斗/GPS逐秒采集车辆油耗和运行数据。通过对比培训前后车辆平均百公里油耗改变量,明确生态驾驶培训的节能效果,形成面向出租汽车驾驶员行为矫正的生态驾驶培训方法。培训方案包括三种形式：基于培训手册和宣传视频的静态培训、基于驾驶模拟器的实操动态培训、先静态后动态的综合培训。培训结果表明：生态驾驶行为培训平均降低车辆百公里油耗8.6%;对出租汽车驾驶员实施动态生态驾驶培训更合理有效。由于车辆本身油耗的差异,生态驾驶行为培训对于改善公共交通、货运交通及长途客运汽车等行业的能耗现状可能更为显著。     

预瞄跟随理论和驾驶员模型在汽车智能驾驶研究中的应用

根据预瞄跟随理论及驾驶员的开车行为特性 ,指出汽车智能驾驶与驾驶员操纵行为的内在一致性——汽车智能驾驶系统的控制特性与熟练驾驶员的驾驶行为特性基本一致。结合驾驶员操纵行为模式将汽车智能驾驶系统划分为信息感知、轨迹决策和操纵控制三个部分 ,并一一加以具体分析 ,利用系统模糊决策理论对几种汽车行驶的典型工况进行了智能车辆方向控制仿真计算。理论分析和仿真结果表明预瞄跟随理论为智能车辆的研究提供了一个可行的研究途径 ,按照该理论建立的驾驶员方向控制模型可以直接应用于智能车辆控制算法的研究开发     

老年人驾驶反应行为分析

本文对老年驾驶员的驾驶行为进行测试,并年轻组驾驶员比较.结果表明老年驾驶员驾驶反应能力较年轻驾驶员差(p<0.01);由于年龄的增长,老年人的生理机能在不同程度上发生衰退,老年驾驶各种反应能力等均受到影响.本文主要研究老年人安全驾驶的反应行为指标体系.为制定老年驾驶员安全管理提供参考依据.     

三车道动态环境下汽车驾驶倾向性的转移概率及其预测

驾驶倾向性是汽车行驶中驾驶员情感偏好等特征的动态测度,易随环境的改变而变化,并影响驾驶员意识和汽车操控行为;另一方面,其类型和转移概率又同时受到后者的作用与影响.准确揭示动态环境下驾驶倾向性转移概率,对实现汽车自动驾驶和辅助驾驶系统具有重要意义.本文以三车道为例,从环境变化,特别是从刻画交通态势复杂性的车辆编组关系演化角度出发,设计三车道条件下的驾驶实验,采集不同行驶环境下驾驶员倾向性并进行统计分析,揭示环境嬗变情况下,汽车驾驶倾向性转移概率.验证结果表明,利用倾向性转移概率对汽车驾驶员倾向性进行预测的结果与实时辨识结果相吻合,平均准确率达80%以上.     

驾驶人“感知-决策-操控”行为模型

为准确模拟驾驶人跟车行为，提出基于隐马尔可夫模型(Hidden Markov Model，HMM)的驾驶人“感知-决策-操控”行为模型。建立描述驾驶意愿的HMM模型，模拟驾驶人感知过程，获得期望的车间距；预测模块模拟驾驶人根据交通环境和自身生理、心理状态预测车辆未来轨迹，即决策过程；优化模块描述驾驶人为使预测的车辆轨迹跟踪上期望的车辆间距而采取的操控汽车的执行动作，即操控过程。上述3个模块的滚动过程实现了对驾驶人跟车行为的模拟。利用自然驾驶数据进行算例分析，结果表明，本文模型预测车间距平均误差仅为1.47%，证明了所建模型的有效性及准确性。本文为驾驶行为建模方法的理论研究和应用拓宽了思路。     

主观拥堵感知下驾驶人路径调整行为决策研究

为深入调查研究交通拥挤的形成机制和扩散规律，本文针对交通拥堵形成和消散的内因， 即驾驶人在拥挤状态下路径的研判调整行为进行研究。设计基于全方位视角场景的驾驶人主观 拥堵感知实验，通过采集驾驶人个体特征、出行特征和交通流参数，结合驾驶人的主观拥堵评分 和路径调整决策，采用方差分析方法，探究驾驶人个体特征和出行特征对路径调整决策的差异 性。基于二项Logistic建立主观拥堵状态下路径调整行为模型，进一步量化所选驾驶人个体特征 和出行特征对路径调整决策产生的具体影响。研究表明：驾驶人个体和出行特征因素不同导致 路径调整决策产生显著性差异，其中，男性、老年人、低驾龄、出行次数少，以及弹性出行的人群更 青睐于保持原路径行驶；调整路径后增加的行驶距离占剩余行驶距离比例越大，保持原路径行驶 的可能性越大；熟悉周边路网的人群保持原路径的可能性是陌生人群的11.3%；区间车速每增加 1 km·h-1，驾驶人保持原路径行驶的可能性为之前的1.223倍。     

山区公路穿村镇路段过境车辆事故严重程度推理分析

为获取道路线形、驾驶员属性、车辆类型、事故形态等因素对山区公路穿村镇路段过境车辆事故严重程度的影响机制。本文基于元双公路(元谋—牟定)2012—2017年事故数据,利用社会网络分析法从人、车、路、环境等方面筛选出15个影响因素;基于机器学习方法构建贝叶斯网络模型;以事故严重程度为决策变量,分析不同证据变量与驾驶员行为共同作用的推理结果。结果表明：不安全驾驶行为与危险事故因素的共同作用,将会增加事故严重程度;当涉及货车时,由于未保持安全距离,伤人事故率增加8.2%;在弯坡组合路段,由于驾驶员判断失误,伤人事故率增加 19.6%;阴雨天行驶时,由于驾驶员判断失误,伤人事故率增加5.4%;由于操作不当,发生侧翻事故时,伤人事故概率增加3.1%。     

基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.     

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。      

杭州市驾驶员培训行业发展环境与需求预测研究

本文介绍了杭州的经济环境和杭州市驾驶员培训行业的现状。选取杭州市人均GDP水平、总人口及机动车保有量这三项指标为变量,采用人工神经网络模型对驾培机构、教练车辆、教练员数进行预测。并对预测结果进行合理的分析。     

抵近信控交叉口分心驾驶识别模型

为降低驾驶人抵近交叉口过程因分心导致的交通事故，本文基于双向长短时记忆网络 (BILSTM)建立分心驾驶识别模型。依托驾驶模拟实验，采集了45位驾驶人抵近信控交叉口过程中的横纵行为数据，通过方差分析研究分心任务对驾驶行为的影响。结果表明，分心驾驶人需要更长的制动反应时间，制动操作时间缩短，踩压制动踏板的力度下降，同时操纵方向盘的稳定性变差。然后，筛选有显著性影响的6个特征行为指标作为模型的输入，结果表明：BILSTM模型分心状态识别的精确率最高，达到92.6%，F1值为88.7%；准确率、精确率、召回率、F1、AUC和ROC曲 线等模型性能均优于单向长短期记忆网络、支持向量机和决策树5.0分心识别模型。研究结果说 明BILSTM模型能有效判别抵近信控交叉口驾驶人分心状态，可为交叉口驾驶人分心预警系统的优化设计提供依据和指导。     

道路运输驾驶员远程监控信息采集系统的构建

介绍以ARMCortex—A8为内核的车载终端,利用视频摄像头、红外温度测试仪等多种传感器采集信息,将这些信息进行融合,搭建Android嵌入式信息采集系统,从而实时、准确地监测道路运输驾驶员是否疲劳驾驶、驾驶时打电话、醉酒驾驶、生病症状下驾驶、烦躁状态下驾驶等不良行为。同时,开发了监控系统软件,把监测到的信息通过无线网络传到后台监控中心,实现对道路运输过程中驾驶员不良行为的远程监控。     

驾驶压力影响因素与识别方法研究综述

高强度的驾驶压力会对驾驶人的情绪、决策及行为产生负面影响，可能导致交通事故，并对驾驶人的健康状况造成长期影响。本文借助CiteSpace软件对驾驶压力研究进行可视化分析，进一步从驾驶人自身因素、车辆内部和外部因素这3方面总结驾驶压力影响因素，并归纳整理驾驶压力识别方法。总结发现：交通拥堵、道路复杂性及新技术使用等驾驶环境因素是引发或增加驾驶压力的主要因素；非职业驾驶人易受车辆外部环境的影响，职业驾驶人易因工作产生负面情绪，导致驾驶压力增加。驾驶压力识别主要基于主观测评量表、驾驶行为分析及生理数据分析等方法开展研究，其中，基于生理数据的识别方法因其较高的识别精度和准确度被认为在驾驶压力识别领域具有明显的优势。从研究趋势来看，未来研究需重视社会环境以及多因素叠加对驾驶压力的影响，特别关注职业驾驶人及新技术的影响，以及如何采用多模态数据融合方法实现实时监测，以提高驾驶压力识别的精度。     

道路环境对驾驶人眼动行为影响的试验研究

为了分析道路类型条件对驾驶人眼动行为的影响,分别在城市道路、城乡结合道路及山区公路上开展试验,利用EyeLink Ⅱ型眼动仪对20 名驾驶人的眼动行为进行测试和记录,分析不同道路环境中驾驶人的注视区域、注视目标及注视时长等特征.结果表明,驾驶人根据道路环境的变化调整其视觉搜索行为,在交通环境相对简单的道路上,驾驶人注视较远且平均注视时间较短,而在交通环境复杂多变的道路上,驾驶人注视较近且平均注视时间较长.研究结果为深入研究驾驶人的视觉行为规律、提高驾驶人行车安全性奠定了试验基础.