基于Kohonen-SVM模型的驾驶行为险态动态辨识

对驾驶行为的危险状态进行动态辨识并提前预警是防止交通事故发生的重要手段。提出一种基于Kohonen神经网络和支持向量机(SVM)的驾驶行为险态动态辨识方法。基于国内外相关研究,选取油门、方向盘转角、刹车、离合、X轴速度、Y轴速度、X轴加速度、Y轴加速度、发动机转速作为驾驶行为状态指标。应用Kohonen神经网络对9个指标组成的向量进行非监督聚类。用聚类结果组成的时间序列表示驾驶员行为指标的动态变化特征并以此作为输入,通过训练SVM实现驾驶行为险态辨识,解决了高维指标数据监督聚类困难和险态识别的静态性问题。最后,采用驾驶模拟器进行试验设计,对方法的有效性进行验证。以8个危险场景作为诱发驾驶行为险态出现的刺激,10个被试共产生8 400组识别序列,选取600组标识为险态的时间序列进行验证。结果表明:该模型的驾驶行为险态识别正确率为82.22%。不同被试的正确率差异控制在6%以下,表明此模型具备一定的泛化能力。     

面向驾驶行为预警的换道意图辨识模型研究

为更准确地对驾驶行为进行预警,进一步提高驾驶人换道意图的辨识准确率,借助驾驶模拟器采集数据,建立基于支持向量机(SVM)理论的换道意图辨识模型。对比分析不同人-车-路系统参数组合在换道意图和车道保持期间的差异性,选取最佳特征参数组合,运用网格和遗传算法-支持向量机(GA-SVM)寻优方法优化模型参数,并对优化模型进行验证。结果表明,以纵向加速度、方向盘转角、车辆偏离车道中心线的距离、驾驶人头部运动横坐标变化值作为表征换道意图的人-车-路系统特征参数,优化模型惩罚参数c为58.642 3、核函数参数g为222.732 6时,该模型对驾驶人换道意图的辨识准确率为90%,误警率为5%,基本实现准确辨识换道意图。     

驾驶人危险辨识进展研究

为促进驾驶人危险辨识研究,系统梳理国内外有关驾驶人危险辨识的研究进展。介绍驾驶风险管理理论以及危险辨识的定义和模型,归纳驾驶人危险辨识能力的评估和提升方法,展望驾驶人危险辨识的研究前景。结果表明,驾驶人危险辨识的模型和训练体系有待进一步完善;为获得更为准确的评估结果,有必要研究融合交通环境、眼动特性、驾驶行为等多源信息的驾驶人危险辨识能力评估方法。为进一步提升我国道路交通系统安全水平,应加快驾驶人危险辨识相关研究成果在我国的市场化应用。     

驾驶人认知分心识别随机森林模型研究

为识别驾驶人认知分心状态,招募13名驾驶人参与驾驶模拟器试验。通过眼动仪采集被试正常驾驶及认知分心状态下的眼动数据,提取5 s时间窗口内的眼动特征。运用随机森林方法构建认知分心识别模型,应用网格搜索确定最优模型参数,并采用100次留出法评估模型性能。根据随机森林模型特征重要性度量结果,进一步分析认知负荷对驾驶人注视及眨眼持续时间的影响。结果表明:当决策树数量为125、最大特征数为5时,模型识别平均准确率为83.69%;注视持续时间及噪声持续时间是认知分心识别的2个关键特征,随着认知负荷的提高,驾驶人注视持续时间减少、眨眼时间增加。     

基于个性化行为模型的驾驶疲劳识别方法

为提高疲劳驾驶状态的识别精度,应考虑驾驶人之间的个体差异。以实车驾驶试验条件下车道保持行为中的车速和车道偏离值为输入,以方向盘转角为输出,基于径向基(RBF)神经网络针对每个驾驶人构建正常驾驶状态下的车道保持行为模型,并根据残差对模型的拟合及预测效果进行评价;将疲劳驾驶状态下的车速和车道偏离值输入到上述驾驶行为模型中,可得到模型预测的方向盘转角值,通过分析预测值与实际方向盘转角之间的差异,研究疲劳对驾驶人行为的影响;将预测残差作为输入,建立基于支持向量机(SVM)的疲劳驾驶状态辨识模型。结果表明:所建立的RBF神经网络-SVM识别模型对不同驾驶人疲劳驾驶状态的平均识别率达85%。     

基于粗糙集理论的危险货物运输风险分析

为解决不确定环境中危险货物运输风险分析问题,针对风险数值分析等方法无法识别构成风险的主要因素和次要因素,无法获得因素重要度,以及不能揭示风险因素与风险之间的因果关系等问题,提出基于粗糙集理论的危险货物运输风险分析方法。首先将原始样本进行属性约简和规则约简,获得各个属性的重要度,识别影响危险货物运输安全的主要因素和次要因素;然后,通过对原始样本进行实例推理,推导出危险货物运输事故规律;最后通过算例验证模型和算法的有效性。结果表明,道路的平纵曲线半径是影响危险货物运输安全的最重要因素,其次是驾驶员因素和运输车辆因素。     

基于因子、聚类分析的危货运输行业安全管理研究——以北京市为例

为提高道路危险货物运输行业的安全管理水平，本文基于2022年北京市交通行业安全生产千分制评价工作，随机抽取38家危险货物运输企业评价数据，利用SPSS23.0软件对指标体系进行多层次因子分析、聚类。结果表明：可将指标体系中目标层的4个指标聚合为现场管理因子(车辆及设备、停车场、安全管理体系)和人员管理因子2个影响因子；将38家危险货物运输企业分为3类即合格、基本合格和不合格，3类企业均存在不同程度的安全隐患。结合线下评价的结果针对不同类型企业的安全管理现状提出有针对性的建议。     

基于卷积神经网络的驾驶人行为识别方法研究

为探究汽车驾驶人非安全驾驶行为的识别问题,在简要分析现有驾驶人行为识别方法的基础上,提出一种基于卷积神经网络(CNN)的驾驶人行为识别方法,分析CNN前向传播与反向传播过程,给出处理驾驶人行为识别问题的CNN网络架构。结果表明:用该方法可识别,其平均识别率达97. 13%,相对于传统提取方向梯度直方图特征(HOG),并用随机森林(RF)分类的算法,该方法的识别率平均提高了3. 62%。     

基于深度学习的检修作业过程风险智能预警

为提高炼化企业检维修作业过程的安全性,利用目标检测技术,构建基于深度学习的智能风险识别模型;首先,结合贝叶斯网络(BN)及模糊集理论,建立动态风险评估模型;其次,采用分级动态预警方法,实现检修作业过程风险要素的智能监控预警;然后,以压缩机检修作业过程为例,采用失效模式和影响分析(FMEA)与作业条件危险性分析方法,辨识作业过程风险,再利用基于深度学习的风险智能识别模型,监控现场作业过程并识别风险;最后,采用BN和模糊集理论相结合的方法,评估作业过程中的动态风险,并采用分级预警的方法智能预警作业过程风险。结果表明：该方法可以有效识别压缩机检修作业过程中的风险因素,识别准确率为93%,在此基础上进行动态风险评估,当观测到事件概率发生变化,且超出相应预警阈值时,依据风险等级进行报警,实现风险要素的智能监控。     

基于主成分分析法的危险货物运输企业安全评价

为更准确地评估危险货物运输企业安全等级以降低其运输风险,提出基于主成分分析法(PCA)的危险货物运输企业BP神经网络安全评价模型;在从人-机-物-环境-管理角度构建危险货物运输企业安全评价指标的基础上,分别利用该模型和其他3种模型对3家实例企业进行仿真评价和对比分析。结果表明,该模型的评价结果与期望值间的相对误差约为0.5%～1.2%,计算精度优于其他模型,且具有计算量小等特点。     

基于组合赋权云模型的危货运输企业安全风险评价研究

为综合评价道路危险货物运输企业的安全风险水平及识别生产过程中的薄弱环节，从人员、车辆、环境和管理4个方面构建安全风险评价指标体系，采用G₁-CRITIC组合赋权法确定指标权重，运用云模型理论对危货运输企业开展综合评价，并以某市为例进行实际运用分析。结果表明：危货运输企业的整体安全风险属于中等水平，从业人员安全管理是其生产过程中的薄弱之处。基于云模型的安全风险评价方法能有效展现企业安全现状，有助于辨识不同管理环节的短板以进行针对性提升。     

因子分析与多层神经网络组合的酒驾辨识模型研究

为准确辨识驾驶员酒驾行为以及酒驾状态水平,提高酒驾治理效率,通过人因工程试验和驾驶模拟试验,采集并预处理驾驶员在正常、饮酒、醉酒3种驾驶状态下的驾驶行为数据(包括驾驶员的人、车、环境数据);对原始参数进行因子分析,提取特征参数并将其作为多层神经网络的输入向量,训练多层神经网络,建立基于因子分析和多层神经网络的酒驾行为辨识模型;选取75组测试样本数据输入模型,将模型的输出结果与实际情况比较,验证模型的有效性。研究表明:该模型的训练时间为0.905 s,最优验证均方误差(MSE)为0.034,识别准确率达92.41%,用该模型能较为快速、准确地识别酒后驾驶行为。     

公交车驾驶人历史违规数据与事故责任的随机参数模型研究

普遍认为公交车驾驶人历史违规行为是表征驾驶人风险程度的重要指标,但以往文献缺乏实证研究.为探究历史违规行为与事故责任之间的定量关系,以便更具靶向性地减少责任事故发生率,提高公交运营安全水平.基于某市461起涉及公交车的碰撞事故数据,以事故中公交驾驶人是否有责作为研究的因变量,从公交车驾驶人属性、事故特征、驾驶人前1年的历史违规行为记录、公交线路特征等方面选取16个自变量进行分析.利用随机参数模型展开研究,可以很好地解释数据中未观测到的异质性,并结合弹性分析定量分析各显著因素对公交车驾驶人发生有责事故的影响.结果表明,公交车驾驶人性别、驾驶经验、事故发生路程、事故发生地点、违章站点行为、收到投诉、发生过有责事故、发生过无责事故均会显著影响驾驶人发生有责事故的概率,其中回程、交叉口、发生过无责事故3个变量是服从正态分布的随机参数.研究结果为高风险驾驶人判别及运营安全管理提供了理论依据.     

基于换道行为的驾驶分心识别方法

为预防驾驶分心导致的交通事故,利用径向基函数(RBF)神经网络模型,研究驾驶分心识别方法。通过驾驶模拟试验,分析驾驶人分别在正常驾驶、手持接听电话和免提接听电话等3种状态下执行车辆换道操作时的驾驶行为,构建基于最小正交二乘法(OLS)的RBF神经网络驾驶分心识别模型,用于判定驾驶人是否处于分心状态。研究表明:驾驶分心对换道过程中车辆的纵向速度、横向速度、横向加速度、方向盘转角、方向盘转速和油门开度等6项驾驶绩效参数有显著影响,所构建模型的平均识别正确率达到88. 7%,可准确识别驾驶人的分心状态,为分心事故预防提供理论支撑。     

公路小半径曲线路段驾驶人焦虑水平模型

为提高双车道公路小半径曲线路段(SCCR)的交通安全监测水平，利用量表测试与驾驶模拟试验，实现驾驶人弯道焦虑水平的量化评测，定量刻画驾驶人弯道焦虑水平与行车安全特征量之间的关系；通过统计分析焦虑驾驶行为，运用Spearman分析法，筛选影响焦虑水平的关键行车安全特征量；综合道路线形条件、驾驶人个体特征和驾驶操作行为特性等行车安全特征因子，采用径向基神经网络(RBFNN)建立多因素驾驶人焦虑水平预测模型。结果表明：弯道焦虑水平与驾龄、年龄呈显著负相关，与车速、侧向偏移量、转角变异系数以及曲线半径之间存在着较为显著的负相关性(显著性概率p值<0.01);通过验证，基于RBFNN的驾驶人焦虑水平预测模型判别精度可达73.7%;转角变异系数、年龄、驾龄是影响驾驶人焦虑水平的重要因素，其重要度依次为100%、93.3%、90.7%。研究结果可为双车道公路SCCR驾驶焦虑水平监测、交通安全维护等方面提供理论支撑。     

Near-crash事件中驾驶人行为特征分析

为研究不同驾驶人在追尾事故中的驾驶行为特征,用Near-crash事件代替真实碰撞事件,选取一段城市快速道路开展实车试验。首先测试21名驾驶人实驾时的最大减速度、制动至最大减速度时间、平均减速度、碰撞时间倒数(TTCi)4个指标;然后用Mobileye等设备提取数据,得到不同性别、驾驶经验、驾驶风格的驾驶人指标因素;最后对数据进行方差分析。结果表明:Near-crash事件中,女性驾驶人平均减速度、最大减速度大于男性驾驶人,女性驾驶人更倾向于急刹车;经验影响驾驶人的平均减速度、最大减速度;熟练驾驶人制动到最大减速度时间长,制动过程更加平稳;激进型驾驶风格的驾驶人车头时距(THW)小于保守型驾驶人。     

基于HHM-RFRM理论的智能船舶航行风险识别与筛选

针对智能船舶航行过程中航行关键风险因素的有效识别和筛选问题，提出了基于等级全息建模(Hierarchical Holographic Modeling, HHM)框架和风险过滤、评级与管理(Risk Filter, Ranking and Management, RFRM)思想的智能船舶航行风险识别与筛选理论。首先，构建智能船舶航行风险识别HHM模型，以全面而准确地选取和反映智能船舶航行风险来源；其次，通过RFRM模型对风险因素进行过滤、排序和筛选，结合贝叶斯方法的多判据评估模型，识别出智能船舶航行过程中可能存在的关键风险因素。结果可以为相关海事机构和船舶公司进行动态管理提供理论依据，同时为保障智能船舶航行安全提供一种手段。     

面向驾驶员辅助系统的换道意图辨识方法研究

为提高先进驾驶员辅助系统工作效能,通过差异性分析选取了人-车-路特征参数,建立了支持向量机换道意图辨识模型.基于驾驶模拟器采集的数据,运用ROC曲线对比分析了不同参数组合、时窗、数据表达形式下模型的分类效果,结果表明以方向盘转角、加速度、车辆距车道线距离和驾驶人头动信息为特征参数,时窗为1.5s,以时窗内信息均值和方差表述特征参量可获得最优辨识效果.研究表明,模型在保证1 s前瞻性的同时辨识率可达93％.     

基于地铁运营日志文本挖掘的危险源辨识算法研究*

为探究地铁运营过程中致使险性事件发生的关键因素,识别关键危险源,加强对危险事件的预防管控,研究基于地铁运营日志文本挖掘的地铁运营危险源辨识算法,通过引入自定义专业术语词典和自定义停用词典,删除干扰数据并进行数据分词,实现对地铁运营日志的预处理,进一步构建进行危险源辨识的AFP-tree算法,实现对日志中关键危险源的挖掘。研究结果表明:AFP-tree算法能够显著提升计算效率,通过分析共挖掘出25类有效关键危险源,研究结果可为地铁运营单位实现“事前”的事故预防提供重要依据。     

城市道路危险货物运输风险评估

针对城市道路环境复杂、事故区域的暴露人口众多等难题,为客观评价城市道路危险货物的运输风险,建立基于事故概率与事故后果的综合风险评价模型。探讨城市道路危险货物运输过程及危险货物特性,得到风险因素;依据风险源分析,建立基于有序Logit模型的事故概率模型与基于菱形标签的事故后果评价模型,获取运输路线中各路段的综合风险等级;利用距离加权法计算危险货物运输路线的风险值。结果表明:运输路线的风险评估结果可为采取预防和控制措施提供依据,降低城市道路危险货物运输事故发生的概率及事故所造成的损失。