基于熵权法-LGBM算法的岩爆等级预测模型研究

为了解决多个岩爆预测指标数据间存在的数值和量纲差异导致指标利用率较低的问题,建立了基于熵权法和LGBM(Light Gradient Boosting Machine)算法的岩爆预测模型。首先运用熵权法消除指标数值差异的影响,确定各指标的权重,在此基础上引入LGBM算法对样本数据进行训练,运用Leaf-wise叶子生长策略提升计算效率,最后将训练结果与传统LGBM模型、RF(Random Forest)模型和XGBoost模型的预测结果进行对比分析,结果表明,组合模型的预测准确率高达93.1%,明显优于单一模型。将组合模型应用于终南山隧道通风竖井的岩爆等级预测中,发现预测结果与实际情况基本相符,验证了组合模型的可靠性。

不平衡数据驱动的山区公路货车移动遮断险态跟驰行为识别模型

为识别山区双车道公路货车移动遮断下的小客车险态跟驰行为,基于无人机拍摄和视频轨迹提取技术提取车辆轨迹,利用人工少数类过采样法(Synthetic Minority Oversampling Technique,SMOTE)对不平衡轨迹数据过采样,并对驾驶行为聚类分析,将跟驰行为标定为危险和安全两种类别;依据紧迫跟驰、偏移过大和车速变化大三种险态跟驰行为诱因,确定险态跟驰行为风险测度(Measure of Driving Risk,MOR),包括碰撞时间倒数、相对横向偏移量和速度变异系数,并将MOR和聚类标定标签作为识别模型输入变量;通过轻量梯度提升机(Light Gradient Boosting Machine,LGBM)建立险态跟驰行为识别模型,再通过支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)和自适应增强(Adaptive Boosting,AdaBoost)算法验证模型的有效性。以云南省某山区双车道公路为例进行试验,共提取543对小客车跟驰货车轨迹数据,数据预处理后筛选出467对有效跟驰数据;经过采样处理和聚类标定,结果表明:小客车跟驰货车时,超三成小客车处于险态跟驰状态;险态跟驰行为直道和弯道识别模型的精确率分别达95.49%和95.48%,其中LGBM表现最稳定,而RF和AdaBoost的稳定性较差且精确率不高。基于LGBM的险态跟驰行为识别模型具有较高的准确率和稳定性,在车路协同和自动驾驶等领域有应用前景。

山区双车道公路货车移动遮断小客车跟驰风险预测模型

选取典型山区双车道公路弯道和直道为研究对象,基于无人机航拍视频提取的交通轨迹数据,通过轻度提升机算法构建了货车移动遮断下小客车跟驰风险预测模型,采用支持向量机、随机森林验证了模型有效性,分析了模型关键特征参数风险作用机制。实验结果表明:基于轻度提升机算法的风险预测模型准确率达96.9%,具有优越性,速度差、跟驰间距是模型关键特征参数,直道上单因子重要度更大;相比弯道,直道路段危险驾驶行为突出,大幅横向偏移等不稳定跟驰特征明显;由模型解释器结果可知,当速度差小于0.5 m/s、跟驰间距大于40 m时,是较为安全的跟驰状态。

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分,对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式,提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先,考虑车辆类型对驾驶行为产生直接的影响,分析了大车和小车的车辆轨迹特征变量分布的差异性,包括速度、加速度、碰撞时间倒数、车头时距等,在标记危险驾驶行为的过程中考虑车辆类型的影响。其次,针对不同的车辆类型,利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估,将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间,评估驾驶人的整体驾驶状态是否危险,作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数,为了提高模型识别效率,将关键特征参数进行排序,从而确定最优判别指标;最后,利用轻量梯度提升机(LGBM)算法对危险驾驶行为进行识别,并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明:在上述研究条件下,LGBM算法对危险驾驶行为的理论识别率最高可达93.62%,可以实现基于机器学习算法的危险驾驶行为的高精度自动识别,该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。