驾驶行为分类方法及量化评估综述

对驾驶行为分类方法及量化评估进行综述,首先阐述了驾驶行为的涵义及表征方法,然后将驾驶行为分类方法划分为基于统计特性的分类方法、基于机器学习的分类方法、混合式(组合、集成)分类方法三大类,并对不同的驾驶行为分类方法的代表算法、优点及局限性等进行系统归纳和总结,其次,从多个维度对驾驶行为的量化评估研究进行系统介绍,最后介绍了驾驶行为分类及量化评估研究成果在多个领域的应用现状及前景展望。

行人过街事件网联HUD预警系统对驾驶行为的影响

为探索行人过街事件网联环境下平视显示预警系统在不同天气条件下对驾驶行为的影响,以论证预警系统的有效性。文中首先设计基线条件(Baseline)、低头显示(HDD)、平视显示(HUD)3种预警系统,依托驾驶模拟平台开发晴天和雾天天气条件下城市道路网联场景,通过实验测试提取驾驶行为参数;然后,从微观层面刻画行人过街事件网联HUD预警系统作用下驾驶行为的整个空间变化过程,分析预警系统和天气状况两种因素对驾驶行为的作用规律,构建包含避险阶段和恢复阶段的驾驶行为影响模式,提出了反映避险阶段安全水平、恢复阶段恢复水平以及全过程稳定水平等3个层面的综合指标体系,包括首次制动距离、最小冲突距离、恢复稳定时间、速度恢复量、最大减速度和最大加速度;最后,量化不同预警系统(Baseline/HDD/HUD)、天气状况(晴天/雾天)以及两因素间交互作用对驾驶行为的影响。结果表明:行人过街网联HUD预警系统对驾驶人在避险阶段和恢复阶段中的驾驶行为存在显著性作用,显著提高避险阶段驾驶行为的安全水平,同时对恢复阶段恢复效率具有明显的提升作用,也显著影响全过程运行特性的稳定水平;在雾天条件下行人过街网联HUD预警系统表现出更为明显的优势。

纯电动公交车驾驶行为对能耗的影响研究

为深入了解城市纯电动公交车驾驶特性及能耗规律,采集其自然驾驶数据,从运行工况、速度、加速度、踏板开度4个方面分析驾驶行为特征。其次,利用相关性分析寻找影响纯电动公交车能耗的因素,从速度、加速度、运行状态、典型工况4个方面分析驾驶行为对能耗的影响规律。分析结果表明,纯电动公交车能耗与速度呈U型变化曲线,与匀速工况占比呈线性负相关,与加减速工况占比呈二次函数关系;存在能量回收最大的加速度区间;典型工况能耗占公交循环总能耗的82.36%。最后,依据分析结论提出纯电动公交车节能驾驶建议,旨在指导公交车驾驶人降低行车能耗。

基于人工智能的驾驶行为监测系统设计与实现

针对当前道路安全中驾驶行为的监测和分析问题,提出了一种基于人工智能的驾驶行为监测系统。该系统集成了机器学习和计算机视觉技术,目的是实时识别并分析驾驶员的行为模式,以便预测和预防潜在的交通事故。通过利用车载摄像头和多种传感器的数据,系统采用深度学习算法进行高效的数据处理,实现了对复杂驾驶环境和行为的精确解析。实验结果显示,本系统在检测诸如超速、急刹车、分心驾驶等危险行为方面表现出高度的准确性和可靠性。综合而言,本研究不仅推动了人工智能技术在交通安全领域的应用,也为未来驾驶行为监测和交通事故预防提供了有力的技术支持。

考虑经验驾驶行为的入弯实时类人速度规划方法

为提高自动驾驶汽车的安全性、舒适性与通行效率,提出了一种考虑到滑行及安全速度的类人入弯速度规划策略。该策略基于混沌优化理论与实车弯道行驶速度数据,通过将车辆的入弯速度规划问题构建为多目标优化问题,建立了舒适模式与效率模式。通过定义奇点速度,简化了非线性高阶约束条件。结果表明:在该策略规划中,在不同弯道场景下,横向加速度和纵向加速度均在摩擦圆约束内,可保证车辆的行驶安全。相比于未考虑滑行的方法,在舒适模式下,该策略产生的纵向加速度减小9.76%,通行效率提高61.73%;在效率模式中,纵向加速度为加速度阈值,满足加速度约束,通行效率提高88%。因而,无论舒适模式还是效率模式,该方法均可兼顾舒适性和通行效率。

汽车安全技术感知与不安全驾驶行为的关系分析

探讨驾驶安全技术先进的汽车时产生的不安全驾驶行为(例如,自动紧急制动导致驾驶员对道路危险的关注减少),并讨论其产生原因。通过设计问卷并构建了两个结构方程模型并进行了验证.结果表明,社会规范感知、技术风险感知和安全体验感知通过不安全驾驶心理的中介作用影响不安全驾驶行为。将确定实际应用,以减少汽车驾驶员在驾驶先进安全技术汽车时产生的不安全驾驶心理,从而改善他们的驾驶行为,防止意外伤害。

人格特征对驾驶人驾驶行为的影响研究

为了解驾驶人不安全驾驶行为背后的人格特征影响因素,回顾自2000年以来国内外人格特征与驾驶行为关系的相关研究,采用系统评价和Meta分析的优先报告项目(PRISMA)标准在国内外知名数据库检索到17688篇文献,剔除重复文献3160篇、不相关文献14263篇、非优秀文献198篇,最终将67篇优秀文献纳入研究,归纳并梳理文献中不同人格特征与不安全驾驶行为的关系。结果表明:大五人格的5个人格维度与驾驶行为的关系研究结果均存在不一致;感觉寻求和冲动性各自均为不安全驾驶行为的优秀预测因子,但相较之下后者的预测能力更强;驾驶愤怒对不安全驾驶行为的直接预测能力不强;无规范感、特质焦虑、利他及自恋对均不安全驾驶行为有不同程度的影响,但相关研究较少;依恋、特质情商、集体主义和异常人格特质等人格特征受关注较少,需要更多检验;中国人样本的一些研究结果与多数研究结果存在不一致,需开展跨文化研究。

危险驾驶行为在分心与事故间的中介效应分析

为了探讨分心驾驶对事故伤亡后果影响的因果关系机制,选取事故报告采样系统(crash report sampling system, CRSS)中2020年交通事故数据作为样本,采用因果中介效应分析方法和蒙特卡罗近似算法进行估计,并进行敏感性分析以验证因果中介效应的基本假设。研究结果表明:分心驾驶对事故伤亡后果具有显著的中介效应,不同危险驾驶行为在分心和事故伤亡间的中介效应不同,没有让行这一危险驾驶行为的平均因果中介效应占总效应比例为21.2%,中介效应最大。该研究证实危险驾驶行为在分心和事故伤亡间的中介效应存在,并且计算不同危险驾驶行为对应的中介效应。研究结果可为缓解事故风险提出具体的安全对策。

基于行车数据的五急一超驾驶行为识别研究

为实现异常驾驶行为识别,本文通过提出以高速公路上小轿车为研究对象,对“五急一超”异常驾驶行为进行了说明,并且根据驾驶行为的不同特征,提出了不同的判定条件。在高速道路条件下,超速行为的判定应设有相应的阈值,急变速也相应的有不同的限制以判定急变速驾驶行为,同时,急转向、急变道驾驶行为根据道路状况也应有不同的横向加速度阈值作为判定依据。

快速路激进驾驶行为影响因素分析

以导航系统所采集的交通运行状态数据、驾驶行为数据为基础,结合网络资源和实际调研获取道路条件、天气情况和以指路标志为代表的交通设备数据,构建激进驾驶行为致因分析数据库,并应用结构方程模型深入挖掘快速路上驾驶人激进驾驶行为致因.结果表明,道路拥堵情况、天气条件、道路合流数、分流数、车道数、出口间距、预告次数、桥型标复杂度均能对激进驾驶行为发生频率造成显著影响,其中道路拥堵情况的影响程度最大,其次是指路标志和道路条件,天气条件的影响最小.为改善快速路激进驾驶频发的问题,首先需要鼓励错峰出行,缓解拥堵;道路设计过程中,根据实际情况考虑减少分流数、合流数、车道数,并适当扩大出口间距,避免在短距离内形成多个交织区;交通控制设施设计时,可尽量降低桥型标复杂度并减少预告标志,有助于驾驶人更好的理解信息;最后可充分利用导航系统的提示功能,根据不同天气条件针对性设计提示内容.研究基于导航数据分析激进驾驶行为影响因素的挖掘,进而实现了快速路的道路安全风险辨识,为改善交通安全、优化道路设计奠定了基础.

考虑多模态数据的重载货车危险驾驶行为识别方法

综合考虑货车操纵数据、驾驶员眼动数据和心电数据,本文提出一种多模态的重载货车危险驾驶指标构建和行为识别方法。首先,设计自然驾驶实验,利用车辆惯导、眼动仪及心理数据记录仪这3种设备采集车辆运行、眼动及心电等多模态驾驶数据,通过多设备时间同步及数据清洗,构建多模态驾驶数据集。其次,将重载货车危险驾驶行为分为危险驾驶操纵行为和疲劳驾驶行为两类,通过提取数据特征,构建9种危险驾驶行为指标,表征超速、速度不稳、急变速、急换道及疲劳驾驶这5种危险驾驶行为。针对危险驾驶操纵行为,组合文献调研、指标计算及四分位差法确定危险行为特征参数阈值;针对疲劳驾驶行为,通过因子分析和K均值聚类法划分疲劳驾驶类型。最后,构建重载货车危险驾驶行为数据集,采用随机森林分类模型识别危险驾驶行为,并与BP神经网络、K近邻及支持向量机等分类模型对比。结果表明,随机森林模型对于5种危险驾驶行为的分类准确率均在90%以上,整体优于其他分类算法,能够较高精度地识别驾驶中出现的危险驾驶行为。本文的多模态重载货车危险驾驶指标构建和分类方法能够用于危险驾驶行为识别,为驾驶员多模态危险驾驶行为预警提供思路和理论依据。

基于卷积神经网络的不良驾驶行为辨识

为量化描述驾驶员驾驶行为的动态变化过程与不良程度,研究了不良驾驶行为谱的构建与分析方法,用于不良驾驶行为的实时辨识。首先,基于拉格朗日插值法对轨迹数据清洗处理后提取特征指标参数构建驾驶行为谱,采用风险度量法对急转向、急加速、急减速、超速4种不良驾驶行为进行量化表达。其次,使用大样本统计分布的IQR(interquartile range)与客观赋权的CRITIC(criteria importance though intercrieria correlation)方法确定不良驾驶行为特征指标参数阈值与权重,结合隶属度函数构造模糊综合评价模型对不良驾驶行为谱特征值进行确定以标定不良行驶车辆。最后,将不良驾驶行为谱特征值作为输入,基于人工智能卷积神经网络(convolutional neural networks,CNN)算法对不良驾驶行为进行辨识,并与SVM(support vector machine)、RF(random forest)、BP(back propagation)等传统机器学习算法在辨识误差上进行比较。结果表明:CNN算法对不良驾驶行为辨识的理论误差值MAE(mean absolute error)为0.059、RMSE(root mean squared error)为0.084、R 2高达0.911。可见,不良驾驶行为谱作为一种客观量化不良驾驶行为的方法与CNN算法相结合,能依据车辆运行轨迹对不良驾驶行为进行自动辨识,具有客观性、可靠性与适应性。

睡眠质量对驾驶员危险驾驶行为和事故风险的影响:睡眠时型的调节作用

目的 考察驾驶员睡眠时型在睡眠质量与危险驾驶行为和事故风险关系中是否存在调节作用.方法 采用线下方式在辽宁省本溪市、河南商丘市和湖南长沙市选取260 名驾驶员,要求他们依次完成匹兹堡睡眠质量指数量表、清晨型与夜晚型评定量表、危险驾驶行为自我报告量表和事故风险评估量表.结果 男性驾驶员在危险驾驶行为(t =-2.769,P<0.05)和事故风险(t =-2.759,P<0.05)上得分均高于女性驾驶员.睡眠质量与危险驾驶行为(r =0.27,P<0.01)和事故风险(r =0.34,P<0.01)呈显著正相关.睡眠质量和睡眠时型可以预测危险驾驶行为和事故风险.随着睡眠质量的提高,清晨型驾驶员得分越低,危险驾驶行为和事故风险都越低.夜晚型驾驶员则没有发现这种变化.结论 睡眠时型在睡眠质量对危险驾驶行为和事故风险的影响中起调节作用.

基于LSTM的驾驶行为风险评估研究

为解决驾驶行为引起的交通冲突预测误差大的问题,采用LabVIEW构建了驾驶员驾驶行为数据集,并利用LSTM(Long Short-Term Memory)算法对驾驶行为进行风险评估,得出综合风险因数;在实车测试中,将风险因数与跟驰模型结合,建立了驾驶员碰撞风险评估模型,并验证其精度。研究结果表明:1)综合风险因数是道路风险预测的主要参数,其分值越高则事故发生率越高;2)基于LSTM的碰撞风险评估准确率为96.26%,高风险驾驶行为的识别速度可缩短到1.72 s;3)基于LSTM驾驶行为的碰撞风险评估模型精度高、评估稳定、反应迅速,可为预防交通事故、促进智能交通发展提供及时可靠的安全预警信息。

基于轨迹数据的营运车辆不良驾驶行为辨识

为精准识别不良驾驶行为驾驶员,基于粒子群(PSO)与支持向量机(SVM)提出一种组成模型PSO-SVM,用于辨识营运车辆的不良驾驶行为。首先,对预处理后的GPS轨迹数据利用大样本统计方法提取驾驶行为特征指标参数构建驾驶行为数据集;基于四分位差法与CRITIC赋权法确定驾驶行为特征指标参数阈值和权重,建立不良驾驶行为风险评估模型,并根据驾驶员风险评估等级划分对驾驶员的整体行驶状态是否危险进行区分。其次,通过粒子群算法(PSO)和遗传算法(GA)分别对模型的关键参数进行寻优,来确定模型的最优参数组合。最后,以驾驶行为特征指标参数作为输入指标,聚类标签作为模型的识别输出指标。结果表明:基于PSO优化后的参数C为6.402 4,γ为0.1;PSO-SVM模型对不良驾驶行为识别的精确率为91.17%、召回率为88.57%,且此模型的平衡分数F_(1)值最高为0.89。可见PSO-SVM模型相比于普通模型对营运车辆驾驶行为的识别具有良好的性能。研究结果可为道路交通安全、营运车辆驾驶员的管理提供技术支持。

基于车联网的驾驶行为影响因素探究

由于汽车驾驶员驾驶行为的多样性与复杂性,极大影响了道路交通安全,近年来,对驾驶员驾驶行为的分析能有效改善驾驶员的不良行为,对减少道路交通事故起了一定的作用。本文通过查找和整理文献,基于车联网技术,就驾驶行为的相关概述、驾驶行为的影响因子、驾驶行为的数据采集和存储、驾驶事件的识别指标、驾驶事件的识别方法、驾驶行为的分类等进行了分析。研究表明,驾驶员的驾驶行为可分为冒险型、稳定型、焦虑型、愤怒型,其中稳定型对道路交通安全的影响极小,其它三种类型都有不同程度的影响。

高速公路雾区车路协同视觉特性与驾驶行为关联关系研究

车路协同预警系统可提升雾区等不良天气条件下高速公路交通的安全性,但其容易引发驾驶人分心,因此有必要建立高速公路雾区车路协同视觉特性与驾驶行为的关联关系。本文利用驾驶模拟技术构建车路协同预警系统测试平台,获取驾驶人的眼动数据和行为数据,使用极端随机树模型对不同分类方案下的驾驶行为数据和视觉分心数据进行了分类预测,找到了驾驶行为与视觉特征的关联点。本研究可为人机交互界面的优化和分心水平的划分提供理论支撑。

基于K-means的驾驶行为离散化特征聚类分析与研究

为挖掘连续驾驶行为数据中潜在的特征关系,文章采用实际运输车辆连续的驾驶行为数据。首先通过相应的预处理和特征提取,获取对应车辆在相应时间段连续的驾驶行为数据;其次采用在离散标准数据集和连续且有噪声数据集中均有稳定表现的K-means聚类方法,对驾驶行为数据进行离散化聚类处理与分析;最后获得三类有代表性的驾驶行为:“平稳型驾驶”“冲动型驾驶”和“危险型驾驶”。此外,对驾驶行为中隐含的各类特征进行分析研究,为后续进一步根据驾驶行为数据进行数据挖掘之关联分析提供有力依据。

汽车安全技术感知与不安全驾驶行为的关系

随着科技的进步,从基本的安全带和安全气囊到复杂的自动驾驶辅助系统,汽车安全技术的发展极大地改变了驾驶环境和驾驶者的行为模式。然而,不安全的驾驶行为仍然普遍存在,这些行为常导致交通事故。因此,本文主要探讨了驾驶者对汽车安全技术的感知与不安全驾驶行为之间的关系,旨在提升公众对汽车安全技术的认识,改善驾驶行为,从而降低交通事故发生率。

基于属性意义的约简及其在驾驶行为中的应用

针对常见属性约简算法常会误删除具有实际意义属性这一问题,文章提出一种改进的属性约简算法。该算法通过对权重低属性进行隐含关系挖掘,找出具有隐含关系的属性进行分析融合,得到新的属性。属性约简算法在保证对属性约简的同时还能保留属性的实际意义。实验结果表明,新的属性约简算法在UCI公共数据集上得到的分类结果相较于传统随机森林算法和SVM算法精度分别提升4%和7%;在驾驶行为数据集上得到的结果相较于传统随机森林算法和SVM算法分类精度分别提升6%和8%。