雾天驾驶人对限速标志的遵从程度研究

为深入研究雾天低能见度环境下驾驶人对可变限速(VSL)标志的遵从程度,首先设计问卷并对556名驾驶人进行访谈和调查;然后利用探索性因子分析选出影响驾驶人遵从程度的主要影响因子,包括驾驶人个人属性(年龄、驾龄)、驾驶人对限速的认可程度等;进而通过结构方程模型(SEM)确定主因子内部的各影响因素与遵从程度的相关性。结果表明:所建立的SEM与调查数据拟合程度良好;在雾天环境下,驾驶人对于VSL标志设定的限速认可程度都会在很大程度上影响其遵从程度;年龄、驾驶经验对驾驶人的遵从程度有显著影响;能见度较低时,行驶在车道数少的道路上驾驶人的遵从程度较高,而在能见度较高时,道路类型的影响不显著。     

基于机器学习的高速公路大型货车追尾风险预测

针对高速公路大型货车追尾事故频发的问题，评估高速公路大型货车追尾风险，并分析交通流特性对大型货车追尾风险的影响，以降低追尾事故的发生率。根据德国HighD开源数据集，以不同冲突风险等级的碰撞时间(TTC)阈值作为大型货车冲突风险的划分标准，提取大型货车的车辆轨迹与交通特征参数等数据，基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)等3种机器学习模型分别建立高速公路大型货车追尾风险实时预测模型；以混淆矩阵、受试者工作特征曲线的曲线下面积(AUC)和洛伦兹(KS)检验等评价指标，对比分析各模型的整体预测能力，并选取预测精度最好的模型分析各个特征参数对追尾风险的影响程度。研究结果表明：RF模型的预测准确率达75%,相对SVM模型高出8%,相对ANN模型高出10%,且RF模型的预测精确度、召回率、AUC值和KS值均优于SVM模型和ANN模型；最小车头间距、车速标准差和加速度标准差3个参数对大型货车追尾风险影响程度最高。