危险货物运输驾驶人风险倾向分类及识别模型研究

为合理评估危险货物运输驾驶人驾驶过程中的风险倾向,建立危险货物运输驾驶人风险倾向聚类及辨识体系,以动态监控系统中记录的驾驶人实时违规预警数据为基础,选取可能引发交通冲突的安全关键事件为特征参数,利用探索性因子分析方法实现指标降维,提取驾驶人风险倾向主因子,并通过K-means算法聚类不同风险倾向的驾驶人,最后基于聚类结果监督训练随机森林模型,辨识未知驾驶人的风险倾向。结果表明,利用选取的8类安全关键事件特征参数,可以将驾驶人风险倾向划分为攻击驾驶倾向、鲁莽驾驶倾向、驾驶分神倾向和驾驶疲劳倾向,且可以识别风险较低的驾驶人,基于随机森林模型的驾驶人风险倾向识别准确率为88.68%,可以较好地实现危险货物运输驾驶人风险倾向辨识。研究结果为危险货物运输驾驶人风险倾向分类及识别提供了方法依据。     

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%。     

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。     

基于智能手环的愤怒驾驶行为动态检测方法

为解决驾驶人因愤怒驾驶而导致交通事故的问题,首先,聘请18名职业驾驶人佩戴智能手环开展实车试验,采集驾驶人的心电指标;然后,经统计检验发现不同愤怒情绪强度下心电指标心率(HR)、RR间期的平均值(RRmean)、RR间期的标准差(SDNN)、连续差的均方根(RMSSD)、RR间期大于50 ms的个数(PNN50)、高频(HF)、非线性指标(SD1、SD2、SD2/SD1)具有显著差异;最后,分别以三级愤怒驾驶行为(正常、轻微愤怒、强烈愤怒)和二级愤怒驾驶行为(正常和愤怒)为因变量,以显著差异心电指标为自变量,基于支持向量机(SVM)、K近邻(KNN)和线性分析(LD)建立驾驶人愤怒驾驶行为动态检测模型。结果表明：二级愤怒驾驶行为识别模型识别效果明显优于三级愤怒驾驶行为识别模型;二级愤怒驾驶行为识别模型中SVM效果最好,三级愤怒驾驶行为识别模型LD模型识别性能最佳。     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。     

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。     

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。     

基于多算法协作的航班运行风险辨识研究

针对使用单一算法难以大幅提升航班运行风险辨识精度的问题,首先详细分析航班运行工作流程,筛选出重要评估指标15项,精选X航100个航班案例作为数据样本,使用粗糙集理论约简得到9个风险核心指标;然后选用支持向量机(SVM)和神经网络2种机器学习方法,分别建立风险辨识模型计算风险等级,并将其与基于模糊算法的X航风控系统运算结果对比;进而,依据各算法优缺点,构建多算法协作模型;最后使用G航和N航日运行数据检验模型有效性。结果表明:神经网络方法对低风险分辨效果最好;SVM对中高风险辨识能力最强;用所构建的多算法协作模型计算结果的正确率最高可达95%。     

基于多模态信息融合的心理负荷评估

为了相对稳定地识别人员是否处于心理负荷状态,设计并实施含能材料起爆作业心理负荷诱导试验。首先对心理负荷诱导情况进行判断,然后分别采集27名被试在静息状态和实施含能材料撞击起爆作业状态下的眼动、心率变异性(HRV)和脑电信号(EEG),通过正态性检验和假设检验获得心理负荷表征指标并进行统计功效分析,依据表征指标,采用支持向量机(SVM)和随机森林(RF)算法建立多模态信息融合的心理负荷评估模型,最后采用被试工作特征曲线(ROC曲线)分析各模态组合和分类器的心理负荷识别性能。研究结果表明：双模态(眼动+EEG)下SVM算法和3模态下RF算法评估性能和稳健性较高,多模态信息组合具有优异的识别效果。     

运输系统中的危险辨识及其安全控制

笔者将运输系统的危险分为两类 :固有危险、变动危险 ;并给出两类危险的定义 ;对构成两类危险的因子进行了深入的讨论 ;提出辨识运输系统两类危险的基本方法 ,即静态辨识法和动态辨识法 ;对两种方法的应用范围及条件进行了初步界定。在对运输系统进行危险辨识的基础上 ,就如何运用控制论的理论与方法解决运输系统的安全控制问题进行探讨 ;提出系统安全状况的恶化实际上是系统中危险因素失控的结果。保证系统安全的核心任务是对系统危险因子进行控制。就运输系统而言 ,对系统变动危险因子的控制要比固有危险系统困难。     

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。     

基于隐性危险驾驶人感知特性及判别模型研究*

为研究驾驶人在隐性危险场景中危险感知行为,基于Bayes判别法,将驾驶行为指标作为输入变量,建立驾驶人危险感知能力预测模型。结果表明:驾驶员在显性危险场景的纵向加速度显著低于隐性危险场景;驾驶人在隐性危险场景中TTC值小于显性危险场景;在被试车辆与轿车、行人、非机动车冲突3种交通冲突场景中,驾驶人对行人危险感知能力最弱。研究结果对提高道路交通安全水平以及驾驶人应急避险能力具有一定实际指导意义。     

基于“逐级分步分析识别法”对危险有害因素辨识与分析的初探

目前,危险有害因素辨识与分析的方法主要有经验法和类比分析法,以上方法基于大量经验及数据,因此易导致生产装置危险、有害因素辨识不清,容易出现遗漏现象。"逐级分步分析识别法"主要是对生产装置各种状态进行逐步分析识别,层层推进,不易造成遗漏,为消除事故隐患提供更可靠的依据。     

城市道路下分心行为对驾驶员驾驶绩效的影响

为探究城市道路条件下常见驾驶分心行为对驾驶绩效的影响,以16名青年志愿者为被试,开展实车驾驶试验,测量车辆纵向和横向行驶参数,对比分析正常驾驶和分心驾驶状态下的驾驶绩效,并探讨驾驶经验的影响。结果表明：3种分心行为均使横向加速度标准差和纵向加速度标准差增加,而使速度均值降低,说明驾驶员通过速度和转向控制补偿分心状态下的驾驶绩效;交谈对速度均值和纵向加速度均值、阅读广告对速度标准差和横向加速度均值具有显著性影响(p<0.05);接听电话时,经验驾驶员速度标准差明显高于新手(p=0.021);接听电话和阅读广告次任务下,经验驾驶员的横向加速度均值均明显较高(p=0.003,p=0.004),说明经验丰富的驾驶员受分心行为的影响程度更低。     

基于数据挖掘的施工危险识别注意投入与分配研究*

为分析施工情境中危险识别注意资源动态投入分配规律,基于动态时间规整算法,挖掘危险识别注视轨迹序列,以表征注意资源投入分配变化,并采用k-means聚类、注视熵、Needleman-Wunsch全局序列对齐算法和统计等方法,深入挖掘注意资源在危险目标中投入和分配等时空变化规律。研究结果表明:当事人危险识别各阶段注意资源呈现从显著目标到高危目标的投入变化趋势,危险识别注意资源分配随情境复杂因素呈现零散、均匀的空间特征,分配无序程度提高。     

自动扶梯乘客摔倒智能识别方法研究

针对乘坐自动扶梯频繁发生乘客摔倒的问题,本文分析乘客摔倒影响因素和摔倒过程受力情况,选取加速度峰值特征作为摔倒识别的特征量。使用摔倒惯性加速度信息采集系统获取摔倒和日常动作的加速度峰值样本,建立多特征集半监督支持向量机（SVM-D-R）算法模型并进行样本训练,测试在日常生活下样本集,对乘客摔倒加速度峰值特征进行识别。实验结果分析,该方法在正常生活环境下监测识别乘客摔倒的过程中受其他影响小,识别结果准确性高。     

基于驾驶操作行为的驾驶员疲劳状态识别模型研究

以驾驶疲劳状态监测为研究对象,介绍现有几种疲劳检测方法及其优缺点,提出把驾驶行为操作和驾驶员生理指标相结合建立疲劳识别模型的思想。通过大量模拟器驾驶实验,建立驾驶操作和驾驶员生理指标之间的关系模型,并运用最小二乘法对数学模型进行了参数识别。利用驾驶员生理指标能较好判别驾驶员状态特性的特点,找出驾驶操作行为和驾驶状态之间的关系。研究结果有助于建立驾驶操作行为和驾驶员疲劳状态之间的关系模型。     

动态监控数据驱动的危险货物运输驾驶员风险评估

为合理评估危险货物运输驾驶员驾驶过程中的风险驾驶行为,辨别影响危险货物运输事故风险的显著因素,运用探索性因子分析与Logistic回归相结合的方法,可以避免数据多重共线性对分析结果的影响。首先基于车辆联网联控系统中记录的动态违规预警数据,利用探索性因子分析方法提取危险货物运输驾驶员高风险驾驶行为隐性因子;其次结合驾驶员事故数据,筛选与危险货物运输事故显著相关的高风险驾驶行为;最后通过建立Logistic回归模型预测驾驶员卷入危险货物运输事故的风险。结果表明,驾驶员的风险驾驶行为可归类为碰撞倾向驾驶行为、鲁莽驾驶行为、驾驶分神和驾驶疲劳4种,驾驶员具有不同的驾驶风险倾向,同时碰撞倾向驾驶行为、驾驶分神行为和驾驶疲劳状态指标是影响危险货物运输事故的显著因素,可以建立事故预测模型。研究结果为评估危险货物运输驾驶员风险提供了理论依据。     

基于知识图谱的驾驶愤怒研究现状及热点可视化分析

为统计分析近年来国内外驾驶愤怒研究现状与热点，选取Web of Science(WOS)数据库1 190篇相关论文以及中国知网(CNKI)数据库230篇相关论文作为数据源，借助文献计量学软件VoSviewer与CiteSpace生成知识图谱，并从载文量分布、作者与机构合作、发表期刊、关键词聚类与突现等方面，系统分析驾驶愤怒领域内的研究现状、热点与趋势等。结果表明：相关文献载文量不断上升，国内外学术界对驾驶愤怒领域关注度越来越高；国际驾驶愤怒领域的跨单位合作比国内更为广泛；驾驶愤怒相关量表、驾驶愤怒影响因素、愤怒与危险/攻击性驾驶行为关系、驾驶愤怒识别、驾驶愤怒干预为目前驾驶愤怒领域5大研究热点；愤怒状态下的驾驶绩效、驾驶愤怒检测系统以及基于交通工程视角的驾驶愤怒管控等方面是未来的研究趋势。     

基于多通道信息融合的疲劳驾驶行为分析研究

为了克服单一通道信息在驾驶疲劳行为判定中的局限性,提出了综合运用多通道信息融合共同判定驾驶疲劳行为的方法。该方法在充分考虑各信息源相关性和互补性的基础上,优化采用驾驶人疲劳特征ECD、车道偏离程度SAAE、方向盘转动程度SWA等疲劳判别指标,运用MVAR进行多维特征向量提取,以有向无环支持向量机为融合算法,建立了基于多分类支持向量机的驾驶疲劳行为判定模型。结果表明,运用DAG-SVM进行多通道信息决策提高了疲劳驾驶行为检测的准确性和可靠性。