排序方式: 共有14条查询结果,搜索用时 31 毫秒
1.
动态交通数据故障识别与修复方法 总被引:14,自引:2,他引:14
为提高交通模型输入信息的可靠性,通过对交通传感器采集到的动态交通数据的故障进行识别,并根据不同的故障种类采取补充、还原或修正等方法对数据进行修复。分析结果表明,动态交通数据的故障识别与修复方法是可行的,尤其是对数据的补充处理,可以很好地解决因为数据丢失而给后续处理带来的困难。 相似文献
2.
由于受到信息采集源性能影响,造成了智能车辆避撞预警系统(Collision Warning System,CWS)前后车相对距离测量精度低的问题,针对此问题提出了一种基于机器视觉的预警算法(Collision Warning Algorithm,CWA),利用机器视觉获得了较高精度的测距信息,有效提高了预警算法的有效性。在分析驾驶员驾驶行为基础上,确定CWA的报警准则。基于机器视觉技术建立了一种多输入、多输出的CWA模型,给出了模型预警原理、决策阈值确定方法、逻辑结构图,以及基于机器视觉的车辆信息获取方法。设计了一个单车道双车辆跟驰实车试验,采集模型测试所需的数据,并利用实测数据对模型进行了验证。试验结果显示,平均测距误差不超过3.6 m,预警模型能够准确给出预警信息,对提高车辆行驶主动安全性具有重要意义。 相似文献
3.
4.
采用模糊数学中的多层次模糊综合评判方法,对我国高等级公路收费标准的理论模型进行了初步研究.在合理分析影响收费标准因素的基础上,建立了一个多层次、网络化收费标准模型,从而得出适合一定条件下的收费标准. 相似文献
5.
雾天环境下不良的视距条件使得驾驶员在驾驶过程中存在安全隐患.利用驾驶模拟器,选取雾天环境作为典型干预因素进行驾驶模拟实验,同时考虑驾驶人职业和性别作为可能的影响因素,实验设计直角弯道和S形连续弯道2种道路线形,从实验数据中抽取平均车速与车辆驶出弯道率作为关键变量,采用多变量方差分析、均值统计等方法分析雾天环境下驾驶人的驾驶速度和驶出弯道率,并建立Logistic回归模型分析各因素对车辆驶出弯道可能性的影响.实验结果表明,驾驶人在弯道雾天行驶时的平均车速要比无雾情况下略高,且职业驾驶人的平均车速较非职业驾驶人明显偏低;随着雾的浓度的增大,驾驶人在直角弯道处和S形连续弯道处驶出弯道的比例均显著增大. 相似文献
6.
从换道需求和换道安全两个方面对换道行为进行了分析,结合阅读文献给出了常用的分析模型。在此基础上,以换道车辆为目标,运用车辆运动学理论,对车辆换道过程中目标车辆与周围车辆的安全距离进行了分析,给出了多车道、多车辆情况下相应的换道最小安全距离模型。为使换道时各车辆间的位置关系以及运动安全状态有效、直观的表现出来,利用虚拟现实建模语言VRML和Matlab/Simulink建立了联合动态仿真模型,对给出的最小安全距离模型进行了实验验证。实验结果显示,给出的换道最小安全距离模型能够有效的实施安全换道决策,避免碰撞发生。 相似文献
7.
8.
针对传统基于距离或时间的车辆避撞预警算法存在较高误警率的问题,考虑在避撞预警算法中引入驾驶意图共享的概念,提出了基于实际外场复杂车车通信V2V(Vehicle-to-vehicle,V2V)环境下的车辆跟驰避撞预警算法。基于LTE-V构建外场V2V环境,将车辆行驶过程描述为一个时间序列的隐性马尔可夫随机过程,借助隐马尔可夫模型(Hidden Markov Model,HMM)建立驾驶人驾驶意图与车辆相对行驶状态序列之间的隐含关系模型,并给出基于Viterbi算法的驾驶意图预判求解方法,将驾驶意图作为特征因子集成到安全距离模型中,提出基于驾驶意图共享的避撞(Driving Intention Based Collision Avoidance,DI-CA)预警算法。利用构建的V2V试验环境,实现了匀速、加速、减速和紧急制动等4种驾驶意图,以及相对速度和相对距离增加、减小、保持不变等9种组合的车辆行驶状态试验数据获取,并利用试验数据对所提出的DI-CA预警算法进行实证分析。结果表明:所提出预警算法能够针对不同驾驶意图提供有效的车辆碰撞预警。在此基础上将4种驾驶意图下的DI-CA预警算法与Mazda预警算法求得的安全距离进行了对比分析,所提出的DI-CA预警算法的平均预警正确率为84%,高于Mazda预警算法的78%,而DI-CA预警算法的平均误警率和漏警率分别为5%和16%,均明显低于Mazda预警算法,说明所提出的DI-CA预警算法在提升预警效果的同时明显降低了误警率和漏警率,可避免行驶过程中因误警而导致的连续刹车,以及因漏警而导致的可能碰撞事故发生。最后,总结并给出了驾驶意图共享理论应用于车辆避撞预警的研究展望。 相似文献
9.
10.
城市快速路交通拥挤识别方法 总被引:23,自引:1,他引:22
为了从海量动态交通数据中快速识别路网中存在的交通拥挤,通过分析拥挤的特征模式和各种数据挖掘技术的特点后,设计了一种适用于城市快速路的交通拥挤自动识别方法。该方法将占有率、速度和流量三个基础交通流参数进行组合得到新的特征变量,运用优化的多层前馈神经网络模型对特征变量进行处理来判断是否有拥挤发生,通过分析模型输出结果的变化趋势区分常发性拥挤和偶发性拥挤。模拟数据和实测数据对比结果表明,该方法可以识别城市快速路上发生的交通拥挤,具有良好的实用性。 相似文献