针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境...针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境多源信息的协同耦合关系提升识别精度。首先,设计开展实车驾驶试验,构建针对隧道路段的人—车—路多源驾驶数据库并设计特征集合;其次,搭建驾驶员识别模型框架,该框架通过多尺度卷积神经网络学习驾驶过程中的局部波动,并通过并行的多头自注意力层结构捕捉驾驶时间序列的长期依赖性,实现局部信息与全局信息的有效整合,从而提升隧道场景的驾驶员识别效果。结果显示,与其他先进的算法相比,所提出的模型在驾驶员身份识别任务中的准确率高达99.07%,调和F_(1)分数达到99.03%,充分证明了所提方法的有效性。此外,通过特征贡献度评估方法对隧道场景下驾驶员身份识别任务中的特征重要性进行深入探究发现,相较于车辆历史运动数据,驾驶员心理、生理及视觉特征显示出更高的贡献度。研究结果可为隧道场景多源数据应用提供支持,并对隧道安全监管提供技术支撑。展开更多
街景影像覆盖面广,能提供城市级别的交通场景信息,对开展交通研究分析提供了大规模数据源的支持和新的研究方法。为了探究街景影像在交通研究中的应用情况,从Web of Science核心集合数据库筛选了2011—2022年街景图像在交通研究中应用...街景影像覆盖面广,能提供城市级别的交通场景信息,对开展交通研究分析提供了大规模数据源的支持和新的研究方法。为了探究街景影像在交通研究中的应用情况,从Web of Science核心集合数据库筛选了2011—2022年街景图像在交通研究中应用相关的143篇论文,借助CiteSpace文献计量分析软件从年发文量、作者合作图谱、国家与机构合作图谱、关键词共现、关键词聚类和主题突发检测等方面进行归纳分析。在此基础上总结街景影像在交通基础设施、交通安全感知、出行辅助和出行环境感知四方面的应用研究进展,并对未来的研究方向提出展望。文献综述结果表明:(1)街景影像数据已被广泛应用于交通领域不同维度的研究,大多数研究通过卷积神经网络模型提取街景影像信息以反映交通场景特征;(2)由于街景数据采集时间跨度大,致使当前基于街景影像数据的交通方面应用主要集中在空间维度研究,缺乏动态时间维度的分析;(3)街景影像与交通领域知识数据进行融合分析建模是街景影像数据在交通领域应用的发展趋势。展开更多
目的:研究爱丁堡观察性步态评估量表(Edinburgh visual gait score,EVGS)的信度,并与三维步态分析进行比较,评价其有效性;同时分析EVGS各项内部以及与脑性瘫痪(cerebral palsy,CP)儿童粗大运动功能分级系统(gross motor function classi...目的:研究爱丁堡观察性步态评估量表(Edinburgh visual gait score,EVGS)的信度,并与三维步态分析进行比较,评价其有效性;同时分析EVGS各项内部以及与脑性瘫痪(cerebral palsy,CP)儿童粗大运动功能分级系统(gross motor function classification system,GMFCS)的相关性,为EVGS在临床应用提供客观依据。方法:从2019年至2021年所有在同济大学附属养志康复医院三维步态分析实验室进行三维步态分析的727例痉挛型CP儿童中随机抽取20例CP,分别由4名不同经验背景的评估者采用EVGS对20例CP的步行视频进行评估,并在间隔1个月后再次评估同一视频。采用同类相关系数分析(intragroup correlation coefficient,ICC)检验4名评估者的间信度,以及同一评估者的重测信度;采用Spearman等级相关系数检验EVGS总分及各项与三维步态分析数据和GMFCS之间的相关性。结果:评估者间第一次评估ICC值为0.947(P<0.001),第二次评估ICC值为0.952(P<0.001),两次评定结果均显示不同评估者对同一组视频采用EVGS的一致性结果较好。各评估者前后两次重测结果显示ICC系数均≥0.75(P<0.0010),表明间隔1个月,同一评估者前后两次评估结果具有较高一致性。相关性分析结果发现,EVGS与三维步态分析结果为中等相关,在校学生评估的总分与校标相关性最大。EVGS与GMFCS等级具有相关性。EVGS各项内相关性分析结果表明,足、骨盆及躯干控制的评估分项对EVGS评估整体步态的结果具有影响。结论:EVGS量表的评估者间信度以及同一评估者重测信度均具有较高可信性,未有丰富的临床经验背景下的评估者使用EVGS同样可以达到较高信效度。相关性分析结果表明,EVGS评估结果的准确性仍存在不足,EVGS评估结果与CP儿童运动功能障碍水平具有相关性,在设备有限情况下,EVGS可以作为步态分析的替补工具,是目前较为可靠的观察性步态评估量表之一。展开更多
城市小汽车出行的时空特性是支撑城市交通规划设计与交通需求管理的重要基础。针对传统的以集计数据或抽样数据研究的局限性,本文基于车牌识别数据,全量感知车辆出行活动,分析城市中个体车辆的出行时空模式。首先,从数据中提取并分离车...城市小汽车出行的时空特性是支撑城市交通规划设计与交通需求管理的重要基础。针对传统的以集计数据或抽样数据研究的局限性,本文基于车牌识别数据,全量感知车辆出行活动,分析城市中个体车辆的出行时空模式。首先,从数据中提取并分离车辆出行链,获得小汽车出行的时间、空间、频率和拓扑特征,根据各时段停留点构造车辆出行活动序列。其次,融合兴趣点(Point of Interest, POI)数据识别出行起讫点关联的土地利用特性作为停留点特征,在出行活动序列上应用k-modes聚类算法挖掘出常规通勤模式、特殊通勤模式、短时活动模式和外来办事模式这4类30种小汽车出行模式。最后,对每一类模式的群体规模、特征和典型出行行为进行详细地分析讨论。结果表明,95%的车辆出行活动可以用不多于3条边组成的简单拓扑结构表示,其中,约30%的车辆可构造出行活动序列,并用k-modes聚类算法有效分离出各类机动车全天出行的时空模式。工作日车辆出行主要表现为常规通勤模式,休息日则以短时活动模式为主。通过对个体车辆的微观行为分析,结合出行拓扑结构和出行活动序列进行出行模式的挖掘,能够全面地反映城市机动车出行的实际情况,为精细化机动车出行行为分析与管控策略制定提供理论支撑。展开更多
文摘针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境多源信息的协同耦合关系提升识别精度。首先,设计开展实车驾驶试验,构建针对隧道路段的人—车—路多源驾驶数据库并设计特征集合;其次,搭建驾驶员识别模型框架,该框架通过多尺度卷积神经网络学习驾驶过程中的局部波动,并通过并行的多头自注意力层结构捕捉驾驶时间序列的长期依赖性,实现局部信息与全局信息的有效整合,从而提升隧道场景的驾驶员识别效果。结果显示,与其他先进的算法相比,所提出的模型在驾驶员身份识别任务中的准确率高达99.07%,调和F_(1)分数达到99.03%,充分证明了所提方法的有效性。此外,通过特征贡献度评估方法对隧道场景下驾驶员身份识别任务中的特征重要性进行深入探究发现,相较于车辆历史运动数据,驾驶员心理、生理及视觉特征显示出更高的贡献度。研究结果可为隧道场景多源数据应用提供支持,并对隧道安全监管提供技术支撑。
文摘街景影像覆盖面广,能提供城市级别的交通场景信息,对开展交通研究分析提供了大规模数据源的支持和新的研究方法。为了探究街景影像在交通研究中的应用情况,从Web of Science核心集合数据库筛选了2011—2022年街景图像在交通研究中应用相关的143篇论文,借助CiteSpace文献计量分析软件从年发文量、作者合作图谱、国家与机构合作图谱、关键词共现、关键词聚类和主题突发检测等方面进行归纳分析。在此基础上总结街景影像在交通基础设施、交通安全感知、出行辅助和出行环境感知四方面的应用研究进展,并对未来的研究方向提出展望。文献综述结果表明:(1)街景影像数据已被广泛应用于交通领域不同维度的研究,大多数研究通过卷积神经网络模型提取街景影像信息以反映交通场景特征;(2)由于街景数据采集时间跨度大,致使当前基于街景影像数据的交通方面应用主要集中在空间维度研究,缺乏动态时间维度的分析;(3)街景影像与交通领域知识数据进行融合分析建模是街景影像数据在交通领域应用的发展趋势。
文摘城市小汽车出行的时空特性是支撑城市交通规划设计与交通需求管理的重要基础。针对传统的以集计数据或抽样数据研究的局限性,本文基于车牌识别数据,全量感知车辆出行活动,分析城市中个体车辆的出行时空模式。首先,从数据中提取并分离车辆出行链,获得小汽车出行的时间、空间、频率和拓扑特征,根据各时段停留点构造车辆出行活动序列。其次,融合兴趣点(Point of Interest, POI)数据识别出行起讫点关联的土地利用特性作为停留点特征,在出行活动序列上应用k-modes聚类算法挖掘出常规通勤模式、特殊通勤模式、短时活动模式和外来办事模式这4类30种小汽车出行模式。最后,对每一类模式的群体规模、特征和典型出行行为进行详细地分析讨论。结果表明,95%的车辆出行活动可以用不多于3条边组成的简单拓扑结构表示,其中,约30%的车辆可构造出行活动序列,并用k-modes聚类算法有效分离出各类机动车全天出行的时空模式。工作日车辆出行主要表现为常规通勤模式,休息日则以短时活动模式为主。通过对个体车辆的微观行为分析,结合出行拓扑结构和出行活动序列进行出行模式的挖掘,能够全面地反映城市机动车出行的实际情况,为精细化机动车出行行为分析与管控策略制定提供理论支撑。
