基于贝叶斯网络的机动车驾驶行为状态分析建模

复杂多变的机动车驾驶环境决定了驾驶行为系统内部各信息之间存在不确定性。利用贝叶斯网络构建驾驶行为状态分析模型,可忽略驾驶行为状态类型与可观测驾驶数据之间的耦合关系,以概率网络形式直观表现观测数据与驾驶行为状态之间的关联。为降低概率解算复杂度,使用基于簇树的贝叶斯网络推理方法推算并预测驾驶行为发生概率。算例结果表明,应用驾驶行为贝叶斯网络模型的车载预警系统能推算出驾驶人行为动作发生概率,从而达到评估驾驶安全等级并预判驾驶人后续驾驶动作的目的。

不良机动车驾驶行为对城市道路交通流的影响分析

本文在实地调查、问卷、交通事故卷宗数据挖掘的基础上,研究了不良机动车驾驶行为对城市道路交通流特性参数的影响,分析得到不良机动车驾驶行为对速度、交通流密度影响状态;在分析不良机动车驾驶行为如何造成车道变窄(车道数不变)、车道数减少、车道出口混乱等的基础上,研究了不良机动车驾驶行为对道路通行能力干扰程度并对其予以修正,得到该类环境下的实际道路通行能力计算方法。本文研究成果为道路交通管理部门提供有益借鉴和参考,对提高道路交通系统运行效率和安全水平具有重要的理论意义和实用价值。

不同类型非机动车骑行者相关交通问题态度及行为比较

目的比较不同类型非机动车骑行者对非机动车相关交通问题的态度,以及相关危险行为情况。方法 2016年10月,随机抽取上海市7个非中心城区,使用方便抽样方法抽取其中11个镇,再以最小的楼组单位为间距,采用PPS抽样法进行随机抽样,共抽取1 244名非机动车骑行者为研究对象,调查基本人口学信息、驾驶非机动车出行基本情况、自报驾驶非机动车危险行为情况,并对6项驾驶非机动车危险行为的危险程度进行判断。结果被调查的非机动车骑行者中,电动自行车和助动车骑行者共878人(71.8%),自行车骑行者345人(28.2%)。6项相关危险行为中,94.4%助动车骑行者和93.2%的自行车骑行者认为"闯红灯"危险程度高,仅有56.1%的助动车骑行者和64.9%的自行车骑行者认为"夜间骑自行车未佩戴反光条"危险程度较高和很高。相比自行车骑行者,助动车骑行者对危险行为的危险程度认知较差,特别是对夜间骑行时未佩戴反光条、骑行时不佩戴头盔和加装遮阳伞的危险程度认知不足,差异有统计学意义(P<0.05)。过去一个月内,74.4%的自行车骑行者和43.6%的助动车骑行者自报驾驶时从未佩戴头盔,是发生率最高的一项危险行为。除此之外,助动车骑行者自报危险行为发生率普遍高于自行车骑行者,特别是机动车道上行驶(38.2%)和闯红灯(23.9%)两项危险行为(P均<0.05)。结论非机动车骑行者对驾驶非机动车危险行为的认知有限,并且有相当比例的自报危险行为发生。不同类型的非机动车骑行者对非机动车相关交通问题的态度和危险行为表现有差异,应展开有针对性的干预。