基于因子分析与模糊聚类的出租车行驶安全评估

为深入分析营运车辆在行驶过程中存在的问题,有针对性地改善其运营水平,增强道路安全主动防御能力,以新疆某地区出租车运行数据为研究对象,提取与运行特征有关的9个驾驶行为参数,采用因子分析法将其表述为3个更为明确的驾驶行为变量,并基于模糊C均值(FCM)聚类对特征指标进行聚类分析;通过CRITIC赋权法与线性回归法构造驾驶行为综合得分模型,实现对驾驶行为预警指数等级的划分。结果表明:基于因子分析法可把车辆运行状态分为超速行驶、变速行驶和急加速行驶3种情况;通过驾驶员综合得分并利用FCM算法将驾驶行为分为无预警状态、轻度预警状态、中度预警状态、重度预警状态4个等级,每个等级的阈值区间为0~0.17、0.17~0.39、0.39~0.79、0.79~1。研究表明,通过因子分析与FCM聚类相结合的方法能根据出租车的运行状态自动识别出危险系数较高的车辆并对其发出安全预警提示,从而提高对道路交通安全的管理。

基于卷积神经网络的不良驾驶行为辨识

为量化描述驾驶员驾驶行为的动态变化过程与不良程度,研究了不良驾驶行为谱的构建与分析方法,用于不良驾驶行为的实时辨识。首先,基于拉格朗日插值法对轨迹数据清洗处理后提取特征指标参数构建驾驶行为谱,采用风险度量法对急转向、急加速、急减速、超速4种不良驾驶行为进行量化表达。其次,使用大样本统计分布的IQR(interquartile range)与客观赋权的CRITIC(criteria importance though intercrieria correlation)方法确定不良驾驶行为特征指标参数阈值与权重,结合隶属度函数构造模糊综合评价模型对不良驾驶行为谱特征值进行确定以标定不良行驶车辆。最后,将不良驾驶行为谱特征值作为输入,基于人工智能卷积神经网络(convolutional neural networks,CNN)算法对不良驾驶行为进行辨识,并与SVM(support vector machine)、RF(random forest)、BP(back propagation)等传统机器学习算法在辨识误差上进行比较。结果表明:CNN算法对不良驾驶行为辨识的理论误差值MAE(mean absolute error)为0.059、RMSE(root mean squared error)为0.084、R 2高达0.911。可见,不良驾驶行为谱作为一种客观量化不良驾驶行为的方法与CNN算法相结合,能依据车辆运行轨迹对不良驾驶行为进行自动辨识,具有客观性、可靠性与适应性。

基于轨迹数据的营运车辆不良驾驶行为辨识

为精准识别不良驾驶行为驾驶员,基于粒子群(PSO)与支持向量机(SVM)提出一种组成模型PSO-SVM,用于辨识营运车辆的不良驾驶行为。首先,对预处理后的GPS轨迹数据利用大样本统计方法提取驾驶行为特征指标参数构建驾驶行为数据集;基于四分位差法与CRITIC赋权法确定驾驶行为特征指标参数阈值和权重,建立不良驾驶行为风险评估模型,并根据驾驶员风险评估等级划分对驾驶员的整体行驶状态是否危险进行区分。其次,通过粒子群算法(PSO)和遗传算法(GA)分别对模型的关键参数进行寻优,来确定模型的最优参数组合。最后,以驾驶行为特征指标参数作为输入指标,聚类标签作为模型的识别输出指标。结果表明:基于PSO优化后的参数C为6.402 4,γ为0.1;PSO-SVM模型对不良驾驶行为识别的精确率为91.17%、召回率为88.57%,且此模型的平衡分数F_(1)值最高为0.89。可见PSO-SVM模型相比于普通模型对营运车辆驾驶行为的识别具有良好的性能。研究结果可为道路交通安全、营运车辆驾驶员的管理提供技术支持。

面向应用型的交通工程专业教学改革与实践

面向高等教育应用型发展的需要,本文通过对传统教学模式的分析以及交通工程专业的特点,从本科教学改革政策要求、课堂教学体系改革创新、实践教学体系改革创新以及教学方法和手段改革创新等方面论述了交通工程专业本科教学改革创新的探索与发现,以此阐述适应现代社会市场发展需求,培养现代化应用型人才形式下的学生培养发展路径。