枢纽互通立交图形化指路标志视认复杂度研究

为研究高速公路枢纽互通立交图形化指路标志复杂度,选取常见的17种高速公路枢纽互通立交图形标志开展视认实验,从整体与细节、主观与客观两个维度进行评价,以整体视认时间平均值,细节视认的初、总反应时间平均值为评估指标,提出基于K-Means算法的枢纽互通立交图形化指路标志视认复杂度分类方法。结果表明:17种图形指路标志在整体与细节认知方面既存在一致性,又具有个体差异性;枢纽互通立交图形化指路标志视认复杂度分为3类,聚类中心分别为(0.86,1.94,1.12)、(0.98,3.22,1.46)和(1.21,4.30,1.83),与实验人员主观调查评分分布一致;枢纽互通立交图形化指路标志复杂度与图形内容、匝道形式、信息承载量密切相关。

车辆跟驰模型的发展综述

对车辆跟驰理论进行概述,分析车辆在非自由状态行驶下的跟驰特性。跟驰模型在近70年的发展历程中,吸引了交通工程学、统计物理学、心理学等不同领域的专家参与研究,建模时考虑因素由单一到多元、由简单到复杂,随着模型的不断发展,逐渐贴合于实际交通状况;分析了刺激-反应类模型、安全距离Gipps模型、优化速度FVD模型、元胞自动机模型,重点剖析了四类模型的建模思路和改进过程,对经典跟驰模型进行总结对比;展望了跟驰模型未来发展的趋势,指出在无人驾驶和智能网联的大环境下,基于机器学习的安全跟驰状态辨识方法研究、基于机器学习的跟驰特性研究及基于多元信息融合的跟驰模型构建等将是未来的发展方向。

基于SVM的弯道行车安全辨识

车辆运行安全状态辨识能够很好地提前规避风险,在弯道这样事故多发的路形上显得尤为重要。通过ADAMS软件仿真车速、弯道半径、超高对车辆过弯行驶状态的影响并进行预处理,形成辨识模型的训练集,再分别用网格搜索法、遗传算法、粒子群算法对支持向量机(Support Vector Machines,SVM)模型进行优化,建立安全状态辨识模型。试验结果表明,优化后的SVM模型可以有效辨识出弯道行驶安全状态,识别率超过90%。