基于轨迹预测的智能汽车行驶风险评估方法

提出了基于预测轨迹的行车风险评估方法,首先建立了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域DRF以表征驾驶员行为的不确定性,然后考虑车辆与周围静态、动态障碍物处于特定状态的风险后果建立环境事件成本,得到适应复杂行车场景不确定性的量化感知风险,并基于贝叶斯理论融合预测区间内的量化感知风险时间序列,实现了对于未来行车潜在碰撞风险的预测。实车轨迹和仿真实验结果表明,相比于经典TTC指标方法,基于融合未来一段时间内自车与周边环境交互信息的DRF的风险评估方法可以更快、更准确地辨识复杂交通场景的行车风险变化,为研究周边多车复杂场景下车辆碰撞风险问题提供了参考。

危险换道驾驶行为预测方法研究

提出了两种危险换道驾驶行为预测算法,分别为基于贝叶斯因子阈值法的隐马尔可夫模型预测算法和基于运动时间窗特征提取法的支持向量机预测算法,它们所需的车辆运行特征变量均可在车联网环境下获得。通过基于Prescan-Simulink联合仿真的驾驶员在环仿真,获得危险和正常两种换道场景下的车辆运动数据,进而对提出的两种算法进行验证和比较。结果表明,两种预测算法对危险换道驾驶行为的预测均有较高的准确率,有助于对危险换道的驾驶员给予及时警告或辅助纠正,从而减少危险换道事故的发生。在样本数据有限的条件下,SVM算法的预测效果更好。

基于驾驶员避撞行为的行车风险判别方法的仿真研究

提出了一种基于驾驶员避撞行为的行车风险状态分类方法,并综合考虑驾驶员驾驶行为、道路和环境因素对行车风险状态变化的影响,运用支持向量机(SVM)建立不同行车模式下行车风险判别算法。基于美国弗吉尼亚理工大学"100-car"自然驾驶数据对预测算法进行了训练和验证,结果表明,在进行行车风险状态预测建模时考虑驾驶员行为、道路和环境因素的差异(特别是驾驶员分心状态)将有利于提高预测模型的准确率;另外,在满足假正率低于5%的条件下,本文构建的预测算法对未来行车过程中的高风险状态预测具有较高的准确率,有助于对临近危险状态的驾驶员给予及时的警告或辅助纠正,为防撞预警策略和控制方法的研究提供了新的思路。

基于LSTM-BF的高速公路交通事故风险模型

为减少高速公路交通事故的发生,综合利用长短期记忆神经网络(LSTM)和贝叶斯滤波(BF)研究高速公路交通事故风险状态预测模型,首先,通过LSTM模块学习历史交通流风险数据中存在的时间依赖关系;然后,通过BF模块融合LSTM预测结果提高实时风险预测效果;最后,利用宁波绕城高速2020年交通事故和沿线卡口数据,基于事故发生前20 min内上下游卡口间的时空范围,采用移动时间窗形式构建多步特征变量,并进行五折交叉验证。结果表明:相比随机森林(RF)算法,LSTM模型具有更高的精确率和召回率;在LSTM模型基础上,增加贝叶斯滤波BF模块可使最终风险预测结果F_(1)值达到0.80水平。

基于潜变量SVM的出行方式预测模型

为提高小样本下的出行方式选择模型的预测精度,提出了考虑低碳出行心理变量的支持向量机(SVM)算法.首先基于计划行为理论,考虑低碳出行心理因素,建立多原因多指标潜变量模型.然后将预测后的潜变量带入SVM分类器,构建了带潜变量的SVM选择模型.最后,利用交叉验证优化所建模型参数,并以长三角地区城市居民为研究对象实证检验了模型性能.实证结果表明,所建带潜变量的SVM选择模型具有较好的预测效果,比不带潜变量的SVM选择模型的精度提高了4.54%,比传统的带潜变量的混合选择模型提高了2.56%,同时验证了小样本下模型仍然具有很高的精度.本研究为出行方式选择模型和低碳出行方式选择研究提供了一定的理论参考.

基于PNNPID的车辆加速度控制器设计

针对传统的自适应巡航(adaptive cruise control,ACC)加速度控制算法对系统变化辨识速度慢、动态性能差、调整缓慢的问题,提出了一种基于PNNPID(parallel neural network proportion integration differentiation)的加速度控制算法.通过分析传统SNNPID(serial neural network proportion integration differentiation)对误差直接反馈的不足,应用神经网络自学习功能,开发了基于并行控制原理的车辆加速度控制器;考虑车辆平顺性,设计了符合驾驶行为的滤波限幅方案.实验结果表明,相比基于SNNPID的加速度控制器,基于PNNPID的加速度控制器最大偏差控制在±0.25 m/s^2以内,并具有平均误差小、调整时间短和瞬态特性良好的特点,滤波限幅方案有效提高了驾驶的舒适性.

城市环形交叉口智能汽车接管过程事故风险预测

为降低城市环形交叉口事故发生率,针对交叉口智能汽车接管过程中的事故风险问题,提出智能汽车事故风险预测模型。基于城市交通仿真软件(ToT),构建城市环形交叉口场景,分析智能驾驶汽车接管过程的事故数据,揭示道路区域及接管时间对智能汽车接管过程事故风险的影响机制;使用CatBoost对事故风险进行建模,以敏感性分析、曲线下面积(AUC)为评价指标,对比CatBoost与线性回归、XGBoost模型的预测性能。结果表明:速度对事故的影响重要度占比在47%以上,交叉口入口道事故率最高,且入口左侧车道事故率较右侧车道平均高8.63%左右;ToT时间在环形交叉口对汽车事故率影响约为8.5%,且环道区域的道路曲率、半径因素对事故影响因素占比小于5%;环道路段几乎不影响自动驾驶汽车在车辆接管过程的碰撞,CatBoost模型预测精度高于线性回归及XGBoost。

都市区轨道交通建设与功能布局优化研究——以宁波都市区为例

区域轨道交通建设是促进都市区功能布局优化的重要措施。文中首先分析了区域轨道交通建设对优化都市区功能布局的促进作用,研究分析了宁波都市区整体发展现状,总体评述了宁波都市区交通系统发展的现状与水平,提出了宁波都市区区域轨道交通建设的优化建议。

基于单目视觉运动估计的周边多目标轨迹预测方法

本文中基于低成本单目视觉感知系统,提出一种考虑自车运动影响的周边多目标轨迹预测方法。首先,建立了由深度估计网络和位姿估计网络构成的自车运动估计模型,实现图像序列中自车视觉里程计的有效计算;其次,利用自车历史位姿序列构建了预测模型,在自车相机当前视角下完成周边目标历史位置的归一化处理;最后,基于目标历史轨迹信息和区域图像信息构建了预测网络,实现智能汽车周边多目标运动轨迹的有效预测。本文的创新点是将视觉SLAM方法与轨迹预测模型相结合,提出了新的自车运动估计模型和基于ConvLSTM的多目标轨迹预测网络。所提模型克服了现有研究因忽视自车运动状态对周边目标轨迹预测精度带来的不利影响,并在仅使用单目视觉的感知条件下达到了较好的预测效果。公开数据集的测试表明,所提模型在1.5 s预测轨迹中心像素点的平均均方误差为321,比现有基线模型降低了52%,在对未来较长时步轨迹预测方面也具有优异表现。

运筹学课程线上教学的实践与思考

在“互联网+教育”大背景下,如何针对运筹学的学习内容特征设计合理的线上教学模式是一个值得思考的问题。本文在总结运筹学课程内容要求和线上教学的特点的基础上,结合实例对运筹学线上教学方式方法进行了几点探讨,对其存在的优缺点进行了反思和分析,以期为相关教学工作者提供经验和参考。

基于低碳心理潜变量Logit模型的出行方式预测模型

为深入解析低碳出行行为机理,提出了将低碳心理变量引入离散选择模型的研究方法。基于计划行为理论考虑低碳出行心理因素,建立了多原因多指标潜变量模型。将潜变量模型预测后的潜变量代入多项Logit模型,构建了带低碳出行心理变量的混合选择模型。以镇江市居民通勤调查样本为研究对象,实证结果表明:相对传统离散选择模型,所建的混合选择模型预测精度整体提高了2.45%;低碳心理变量对于出行方式选择的影响各不相同,低碳出行方式"行为态度"对出行方式选择没有显著性影响,而高碳出行方式"行为态度"对低碳出行有显著性负影响。通过对月收入的敏感性分析检验模型性能,结果显示:随着收入的增长,低碳出行方式占比逐渐降低,其他两种方式占比变化相反,在考虑低碳心理因素后,高碳出行方式占比上升幅度降低。

车联网环境下道路交通事故链阻断效率评价方法研究

为了解决车联网环境下道路交通事故链(Chains of Road Traffic Incident,CRTI)阻断系统的阻断效率问题,综合考虑阻断代价的经济性、阻断过程的稳定性和阻断技术的可靠性,并以阻断技术可靠性、阻断过程稳定性和阻断代价经济性作为阻断策略分析指标,率先提出了1种车联网环境下动态的、实时的CRTI阻断效率评价算法。危险源是导致事故发生的根本原因,危险度由危险源决定,且危险度的大小能够反映出事故发生的可能性和严重程度,因此以危险源和危险度为评价指标,将危险源分成两大类,并建立"人-车-路-环境"危险度模型以及综合评价函数模型。通过实时筛选、获取车辆周围的危险源,判断是否需要阻断,寻找最优的阻断策略及阻断节点,并计算阻断事故链前后的危险源和危险度,将获取的阻断前后危险源和危险度代入评价函数模型,获取评价函数取值范围,最后通过分析阻断前后危险度对比以及代价函数的取值,实现对阻断效率的综合评价。结果表明:阻断系统能够将行车危险度基本降到3以下,保证了行车安全,总体使行车危险度降低40%左右,保证车辆处于安全状态,并且阻断CRTI成功率达到了90%以上,表明阻断系统能够阻断CRTI的产生;通过评价函数的综合评价,代价值基本在0~1之间,表明阻断系统的阻断效率较高,可较好地实现对CRTI阻断效率的定性、定量综合评价。

基于贝叶斯网络模型的道路交通事故链生成与演化研究

为了研究道路交通事故链的生成和演变规律并全面反映道路交通事故的产生机理,以美国100-Car自然驾驶研究数据为基础,充分考虑了驾驶员状态和驾驶行为对道路交通安全的影响,构建了事故发生前驾驶员状态和行为特征参数等变量,并与其他传统驾驶员特征、道路交通特性以及环境特点等影响因素变量共同建立了关于道路交通事故风险类型的贝叶斯网络模型。在贝叶斯网络模型基础上,引入事故因果链理论,利用有向无环网络中简单路径搜索算法生成事故链集合,并采用信息增益特征选择方法识别关键事故链。通过100-Car自然驾驶数据得到的关键事故链显示,单车事故类型更容易在弯道和坡道条件下驾驶员无注意力转移或进行简单非驾驶任务的情况下发生;而正面、侧面和尾部碰撞事故类型的发生,往往在水平直线道路条件下,伴随着驾驶员注意力由前方道路转移至两侧车窗或内后视镜,以及驾驶员非驾驶任务变复杂的情况。通过改变事故链中各节点的状态概率,可以探索不同类型事故的演化路径和规律,克服了传统方法对每个道路交通事故致因因素进行独立分析的局限性,揭示了事故链中影响因素/事件之间的相关关系,为更好地掌控道路交通风险状态和实现事故链阻断提供了新的思路。