危险驾驶行为分析与预测是智能交通领域中的研究热点,但现有的驾驶行为分析模型要素单一、环境适应性不足,不能客观评估危险驾驶风险程度。为了解决上述问题,提出一种面向车联网(Internet of Vehicles,IoV)的自适应危险驾驶行为分析与...危险驾驶行为分析与预测是智能交通领域中的研究热点,但现有的驾驶行为分析模型要素单一、环境适应性不足,不能客观评估危险驾驶风险程度。为了解决上述问题,提出一种面向车联网(Internet of Vehicles,IoV)的自适应危险驾驶行为分析与预测框架。对驾驶行为数据进行深度分析,总结危险驾驶的影响因素;提出一种新型基于模糊逻辑的危险驾驶风险评估算法,从宏观角度评估驾驶员当前危险驾驶的风险等级;提出一种基于DB-LSTM(Driving Behavior based Long-Short Term Memory)的危险驾驶风险预测算法,用于预测驾驶员下一阶段的危险驾驶程度;在DDD17真实IoV数据集上进行大量对比试验。实验结果表明,提出模型的性能优于其他主流方法,具有良好的准确性和可用性。展开更多
文摘危险驾驶行为分析与预测是智能交通领域中的研究热点,但现有的驾驶行为分析模型要素单一、环境适应性不足,不能客观评估危险驾驶风险程度。为了解决上述问题,提出一种面向车联网(Internet of Vehicles,IoV)的自适应危险驾驶行为分析与预测框架。对驾驶行为数据进行深度分析,总结危险驾驶的影响因素;提出一种新型基于模糊逻辑的危险驾驶风险评估算法,从宏观角度评估驾驶员当前危险驾驶的风险等级;提出一种基于DB-LSTM(Driving Behavior based Long-Short Term Memory)的危险驾驶风险预测算法,用于预测驾驶员下一阶段的危险驾驶程度;在DDD17真实IoV数据集上进行大量对比试验。实验结果表明,提出模型的性能优于其他主流方法,具有良好的准确性和可用性。