基于 Apriori 算法的海事事故中人为失误致因分析

海事事故主要是由人为失误引发的,人为失误又受个人因素、环境因素、船舶因素以及组织因素的影响。一般统计方法只能够初步识别引发海洋事故的人为失误行为,想要进一步建立人为失误和影响因素之间的关系比较困难。利用了数据挖掘中的关联规则技术建立模型,对人为失误与导致因素之间的关系进行分析。以国内外100份海事事故调查报告作为对象,研究出人为失误和环境因素之间的关系。实践表明,人为因素和环境因素是导致海事事故发生的重要因素。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足,减少跟车场景中追尾事故的发生,提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险,并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类,分别对典型制动避撞过程和制动转向避撞过程进行了分析,从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合,获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级,并基于图像处理方法提取了前车制动开始时刻的TM值,从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下,本车车速过低和过高时,TM值的变化均不明显;而在制动转向避撞场景中,只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析,引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值,其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用,对于制动避撞场景,在设定TM值不变和相对速度不变的条件下,分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真,仿真结果显示,相比于TTC而言,TM的评价稳定性受相对速度影响小,在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

车路协同下避让紧急车辆协同换道策略

为加快紧急车辆抵达事故现场的速度,同时减少紧急车辆优先权对其他车辆的影响,运用车路协同系统,提出避让紧急车辆协同换道策略,通过调整紧急车辆下游车辆位置,实现紧急车辆高效通过路段。以紧急车辆前车（DV）及其相邻目标车道车辆为控制对象,根据相邻车道车辆间距与车车通信范围,搜索DV可换道空间间隙集。以交通流整体恢复稳定时间最小为目标,确定DV换道轨迹和相邻车道协作车辆的速度变化,引导车辆完成协同合流,既能保障车辆安全换道,还能降低换道造成的速度振荡传递。同时,为快速恢复DV换道造成的目标车道车辆速度波动,对上游车辆（UV）采取先进先出规则的换道控制策略。所提协同避让紧急车辆的策略考虑了车辆协同换道对交通流的整体影响,并在原有换道策略的基础上提出了减少速度波动传递的控制方法。案例分析结果表明：采用上下游协同换道策略最短换道时间为6s,此时紧急车辆距前车78.66 m时发送避让信号。同时研究发现,恢复交通流速度稳定所需的时间为29 s,比未采用上下游协同换道策略降低了34%。     

用改进的灰色关联度分析交通事故成因

改进的灰色关联模型与普通灰色关联模型相比,可以突出关联度的微小变化,且更加科学。通过实例,用改进的灰关联对道路交通事故成因进行了分析,并与普通灰色关联分析进行了比较,发现前者分析结果更具层次性、差异性,更容易识别事故主要、次要和潜在的成因。     

TRB2017年会——行人交通及智能交通研究综述

介绍了2017年第96届美国交通运输研究委员会年会(2017 Transportation Research Board 96th Annual Meeting, TRB2017)的概况,包括TRB的组织构架、TRB年会的组织形式及所涉及的领域等.重点介绍行人交通及智能交通2个研究领域的最新进展,并对其未来的发展进行了展望.行人交通方面,结合交通流理论与特征、应急疏散、行人等6个相关TRB(分)委员会的会议组织情况,分别从群集动力学、人员疏散、道路行人交通和客流服务与安全4个方面进行了分析和展望;智能交通方面,结合智能交通系统、自动化与互联化车辆的角色和车辆-高速公路自动化3个TRB委员会的大会组织情况以及讨论情况,分别从智能交通对驾驶安全的影响以及车路协同对交通效率和环境的影响2个方面进行了分析和展望.     

智能网联先导区道路交叉口车路协同系统设计

近年来,车路协同是汽车与交通行业发展的重要方向之一,而车路协同环境建设和推广也成为先导区建设的重中之重。车路协同系统利用无线通信、传感器检测、高精度地图定位、人工智能、计算机等众多技术来获取车辆和道路信息,在实现人、车、路充分协同的同时,从而达到主动提高道路交通安全、最优化利用系统资源、缓解交通拥挤的目标,形成安全、效率、环保的道路交通系统。先导区一般选址在车流量大、道路环境复杂、附近居住人口密集的区域。先导区内汽车智能与网联化测试、V2X场景实现均需要借助于车路协同系统环境。本文介绍了先导区道路交叉口车路协同系统涵盖的技术,以及实现的功能和信息服务场景,并从车端、路端给出了相应场景的解决方案。     

上海市静安区走马塘河道治理工程生态修复研究

河流是城市发展的灵魂,河道不仅促进了城市的发展,而且见证了城市的发展,与人们的生产生活息息相关。从生态文明的角度研究了城市河流污染的协同治理,并以上海静安区走马塘河道的治理工程为例,分析其河道治理经验、技术,分析河流综合治理中采用的协调管理方法,对城市河流污染控制具有一定的启示。     

网联通信时延下的混合队列控制特性分析

针对CACC协同自适应巡航控制技术,探究其在车联网通信时延影响下,与驾驶员驾驶汽车共存而构成的混合队列系统的性能。从微观跟车行为角度,基于频域传递函数,推导通信时延下的CACC队列稳定最小跟车时距的理论表达式,并通过数值验证指出CACC队列稳定最小跟车时距随通信时延增大而增大的特性。从交通激波特性角度,针对无时延CACC、有时延CACC和时延过大而退化后的ACC自适应巡航3种情形,给定相同的跟车时距,进行不同渗透率下的大规模交通仿真实验,实验结果表明,在无时延和1 s时延这2种情形下,CACC在20%及以上的渗透率时均能显著降低交通扰动,削弱激波,性能差别不明显; 相比而言,退化后的ACC性能明显恶化。     

智能网联环境下的混合交通流LWR模型

LWR（Lighthill,Whitham and Richards,LWR）模型可推演交通流宏观状态演化过程,在智能网联环境下混有协同自适应巡航控制（Cooperative Adaptive Cruise Control,CACC）车辆混合交通流LWR模型的研究,可为该混合交通流的宏观动力学特性分析提供理论工具。应用加州伯克利PATH真车试验验证的CACC模型作为CACC车辆跟驰模型,采用智能驾驶人模型（Intelligent Driver Model,IDM）模拟驾驶人在智能网联环境中的"智能"驾驶特性。基于不同CACC车辆比例下的混合交通流基本图,证明混合交通流基本图的切线斜率为交通波在混合车队中传播的波速,建立混合交通流LWR模型的一般性解析框架,得到混有CACC车辆的混合交通流LWR模型。最后,针对LWR模型冲击波特性,在6组平衡态条件下进行数值仿真试验。研究结果表明：所建立的混合交通流LWR模型可较好地描述不同CACC车辆比例时冲击波在混合车队中的传播波速;冲击波波速理论值与仿真均值的相对误差基本控制在10%以内,当冲击波处于由正向波转变为反向波的过渡阶段时,相对误差较大,为19%~26%,但绝对误差仍然较小。研究结果一方面可为混有CACC车辆的交通流宏观状态演化提供理论参考,具有推动该混合交通流其他宏观模型研究进展的积极作用;另一方面,建立的混合交通流LWR模型解析框架能够适应CACC车辆与人工-网联车辆跟驰模型选取的多样性,同时可为其他类型混合交通流LWR模型的建立提供理论支撑。     

汽车雷达多目标跟踪的模糊数据关联

介绍了一种量测(新测目标)到目标(已知目标)之间的模糊数据关联方法，将模糊聚类均值方法和决策逻辑方法相结合，利用Mahalanobis距离代替聚类运算中的欧氏距离，使量测与目标预测值之间的相似性度量更准确，应用决策逻辑确定量测与目标预测值的关联关系。仿真表明这种方法简单，在杂波环境下，有较高的跟踪精度，这种方法可以用于道路条件下，基于汽车雷达的多目标的可靠跟踪。