共查询到20条相似文献,搜索用时 578 毫秒
1.
《道路交通与安全》2020,(2)
对536名驾驶人的人口统计学特征(包括年龄、性别、受教育程度、职业和家庭月收入)以及基本的驾驶情况(驾龄、车型、周均驾驶里程、驾驶能力)进行调查.使用多重对应分析的方法对其中报告在驾驶行为中存在驾驶分心的363名驾驶人的年龄、性别、职业、驾龄、周均驾驶里程和驾驶能力等特征进行了分析.结果显示,男性、非固定职业、驾龄在3~5 a在同一方向出现聚集; 18~35岁与驾龄在3 a以内、周均驾驶里程为中途(50~400 km)与固定职业也存在一定的关联性.同时,不同性别、不同驾驶能力认知的驾驶人分布出现差异,相对而言,女性驾驶人可能更多地受到驾驶能力认知的影响. 相似文献
2.
为研究驾驶人的驾驶经验对道路交通事故的影响,应用数据统计方法,分析了我国机动车驾驶人数量变化情况,以及2013年不同驾龄驾驶人肇事道路交通事故的总体情况.在此基础上,以我国东部某省持证驾驶人肇事事故为研究对象,分析了不同驾龄驾驶人的事故特征.分析结果表明,1年以下驾龄驾驶人事故率为10.6/万人,明显高于其他驾龄组;3年以下低驾龄驾驶人和11年以上驾龄的营运车辆驾驶人是驾驶人管理的重点人群.基于分析得到的肇事特征,从完善驾驶培训内容和重点、改进驾驶培训考试方式方法、提升再教育针对性等方面提出了驾驶人安全管理的对策建议. 相似文献
3.
为探究不同类型驾驶人的事故倾向性,以湖南省湘潭市2008—2017年间发生的交通事故为研究对象,采用相对危险暴露量方法计算了中国驾驶人在驾龄、年龄及其交互作用下的事故风险值,并针对不同交通环境,分析了高风险驾驶群体的3类碰撞事故风险.结果表明:相比25~45岁的壮年驾驶人,小于25岁的青年驾驶人在几乎所有环境下都更易发生追尾事故与刮擦事故;驾龄小于1年的新手驾驶人在复杂环境下更易发生追尾事故;中老年新手驾驶人是事故风险仅次于青年新手驾驶人的群体,并且其在恶劣天气下的事故风险甚至高于青年新手驾驶人.基于研究结果提出了针对青年新手驾驶人、中老年新手驾驶人和高驾龄驾驶人的安全改善对策. 相似文献
4.
《道路交通与安全》2021,(1)
搜集北京市2012—2015年的2 040起两车交通事故中4 080名驾驶人的相关数据,将他们分成有责驾驶人和无责驾驶人2组,比较他们在性别、年龄、驾龄、驾驶车辆类型等4个方面的分布差异.并基于相对危险暴露面法,对有责驾驶人的相对驾驶事故风险进行了评估.结果表明:1)相对于女性,男性驾驶人更可能成为事故责任方; 2)有责驾驶人的年龄、驾龄均略小于无责驾驶人,需要注意的是,除了青年驾驶人、老年驾驶人和驾龄小于2年驾驶人外,交通安全管理还应该关注到新购车驾驶人和年龄在47~57岁之间的驾驶人等两个可能存在风险的驾驶人群体; 3)车辆类型对于驾驶人在有责与否上的分布存在差异,提示需要进一步加强对中小型客货运企业的交通安全监管. 相似文献
5.
为探索中国危险品车辆驾驶人风险驾驶行为影响因素以及与小车驾驶人的差异性,采集50名男性危险品车辆驾驶人的DBQ问卷、PDBS问卷、DSI问卷、DAIS问卷、驾驶人基本信息问卷数据.借助Spearman相关性分析方法探索问卷中各变量的相关性,使用Mann-Whitney检验不同年龄、驾龄、攻击性、积极性4个维度在DBQ和DSI上的差异性.结果表明,相对于年龄,驾龄对驾驶技能的影响程度较小.年轻男性危险品车辆驾驶人的平均驾驶经验虽不如中年驾驶人,但行车更为谨慎,安全技能水平相对较高.与小车驾驶人不同,危险品车辆驾驶人的驾驶技能、异常驾驶行为与积极性没有明显相关性.攻击性行为频率较高的驾驶人出现违规操作、错误行为、失误行为的频率要高于低频组.利用Logistic二元回归分析建立了驾驶人攻击性预测模型,研究表明,限速50 km/h城区道路倾向行驶速度、违规操作总分、过去3年主动事故数可以作为驾驶人攻击性强弱预测模型的输入变量,依次输入模型后,模型卡方值改进为10.513,11.529,14.566,预测正确率依次为76.10%,80.40%,87.00%.整体模型Hosmer-Lemeshow检验值为4.415,最终驾驶人攻击性预测模型的预测正确率为87.00%. 相似文献
6.
7.
8.
9.
为探究不同情景下自动驾驶接管行为的影响特征,面向驾驶人、自动驾驶车辆、交通环境等内容提出自动驾驶测试研究框架。基于驾驶模拟技术开发自动驾驶测试平台,通过案例验证其有效性,为自动驾驶相关技术的测试评估提供有力支撑。研究以接管场景、接管请求时间、驾驶次任务、交通流为要素设计18个高速公路接管情景,邀请被试开展驾驶模拟试验测试。从主观维度探究驾驶人对自动驾驶的适应性差异,从客观维度构建广义线性混合效应模型,研究驾驶人属性因素(性别、年龄、驾龄)和接管情景因素(接管场景、接管请求时间、驾驶次任务)的主效应及其交互作用对接管行为的影响。统计分析结果表明:①性别因素对自动驾驶的信任度和状态感知度有统计学差异,男性对自动驾驶的适应性高于女性;②驾驶人的年龄和驾龄因素对试验前和试验后的技术接受度具有显著影响,对技术信任度和状态感知度具有统计学差异,中年人和老年人、中驾龄和高驾龄人群的适应性相对较高;③不同因素水平对应的接管成功率、正确率和第一操纵行为不同。广义线性混合效应模型结果表明:①接管情景因素及其交互作用对接管行为指标具有显著影响;②模型中引入驾驶人属性因素,发现与接管情景因素存在交互效用。研究基于驾驶模拟技术开发自动驾驶测试平台的方法具有一定的推广性,研究结果可为深度挖掘自动驾驶接管行为影响因素及其作用机理奠定基础。 相似文献
10.
为研究不同年龄驾驶人驾驶过程中疲劳情况及疲劳累积速度,对比其疲劳产生与变化的差异性,获取不同年龄驾驶人的最优驾驶时间,设计自然驾驶试验,利用Physio生理多导仪采集脑电数据,并采用主观检测方法对驾驶人进行问询。应用MATLAB对采集到的脑电数据进行降噪处理,通过积分获取各时段α波、β波和θ波的平均功率谱密度,进而求得脑电指标R(α/β),R(θ/β),R(α+θ)/β。利用SPSS将其与驾驶时间进行单因素方差分析,并通过敏感性判断,选取R(α+θ)/β作为驾驶疲劳表征指标。对各年龄段驾驶人的R(α+θ)/β进行均值化处理,并将其与驾驶时间进行线性拟合,分析驾驶人年龄对驾驶疲劳累积速度的影响。对驾驶过程中各时段的R(α+θ)/β进行配对样本t检验,并结合主观问询结果确定不同年龄驾驶人的最优驾驶时间。研究结果表明:青年和中年驾驶人在0~1.5 h内疲劳累积速度相对缓慢,老年驾驶人较快;在1.5~3 h内,青年驾驶人疲劳累积速度最快,中年驾驶人最慢;老、中、青年驾驶人的最优驾驶时间分别为60~75,120~135,105~120 min;不同年龄驾驶人其驾驶经验、体力和精力及外界环境干扰是影响疲劳累积速度的重要因素;试验结果验证了采用R(α+θ)/β作为驾驶疲劳表征指标的有效性,有助于为不同年龄驾驶人安全驾驶时长的确定提供科学依据。 相似文献
11.
12.
《拖拉机汽车驾驶员》2010,(10):8-8
8月底,世界时装之都——米兰,我在这里。马自达发布全新设计理念的概念车——轫(SHINARI),这是马自达新任设计本部长前田育男的酋个重量级概念车,当然,前田先生已经在RX8以及Mazda2身上获得了无数的设计大奖,但是这一次的“勒”意义非凡,因为它代表着马自达未来的产品设计方向——魂动(Soul of Motion),这是马自达要传达的重要设计语言。 相似文献
13.
15.
16.
17.
18.
19.