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。

基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法

为了有效降低因驾驶员紧急换道行为而诱发的交通事故,提高道路交通事故链阻断效率,提出一种基于高斯混合隐马尔科夫模型(GMM-HMM)和人工神经网络(ANN)的紧急换道行为预测方法。首先利用GMM-HMM对车辆行驶状态以及驾驶行为连续观察序列进行换道意图辨识,采用ANN预测下一时段的驾驶行为,再预测换道过程中的横向加速度变化率,从而判断紧急换道的危险程度。驾驶员在环仿真实验及实车实验结果表明,该方法预测避险成功率达92.83%,实验避险成功率达90.32%。该方法能有效地对紧急换道行为进行提前警告与干预。