基于实车试验的驾驶人换道行为多参数预测

针对驾驶人在换道时若出现决策失误,极易引发交通事故的问题,通过在真实交通环境中进行实车试验,采集车辆运动状态、驾驶人操作行为以及头部运动特性、周围交通环境等数据;通过对换道意图阶段和车道保持阶段数据参数的对比分析,提取能够表征驾驶人换道意图和行为的特征参数;通过建立BP神经网络模型,以不同特征参数作为输入向量对待测样本进行预测,确定最终的输入特征指标,并基于建立的BP网络模型,进行驾驶人换道行为预测。研究结果表明:换道前2s内的预测准确率为94.4%,灵敏度为93.33%,能够准确预测出93.33%的换道行为;该模型能够有效预测驾驶人的换道行为,且准确率高、时序性强。     

城市道路人车冲突和碰撞概率微观模型研究

利用临界间隙理论,定义了城市道路行人过街的安全感知特征;在此基础上,利用概率论方法,研究行人与机动车之间的交通冲突和碰撞微观机理,分别推导出人车冲突和碰撞概率微观模型.采用贝叶斯全概率公式和蒙特卡洛仿真方法求出具体的概率值,来分析行人安全感知、驾驶人反应时间、车流量及车速等对行人安全造成的影响.最后,基于人车冲突概率的90%置信水平,建立了行人过街的危险度评价指标,从而为交通管制实施提供最佳依据.     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。     

基于贝叶斯网络的城市道路交通事故分析

以5 190起交通事故数据为分析依据,基于专家知识和数据融合方法建立了城市道路交通事故分析的贝叶斯网络结构.利用服从Dirichlet分布的贝叶斯方法对贝叶斯网络进行参数学习.结合网络模型,应用联合树引擎推断了在车辆类型、事故地点和交通参与者等因素的影响下交通事故类型概率分布.结果表明:客货车等大型车辆发生侧面碰撞的可...     

基于概率计算的车辆碰撞风险模型研究

 为研究面向车辆防撞系统的碰撞风险模型,分析了车辆碰撞风险的概率内涵,根据运动学理论并考虑车辆运行特征,建立了基于概率计算的侧向碰撞风险模型,运用Vissim微观交通仿真等方法模拟常见的车辆运行场景,利用输出数据离线计算风险值,并对仿真结果进行评价。将追尾碰撞发生的过程分为前车减速与前车减速条件下的碰撞两起事件,运用条件概率的思想求出追尾事故发生的概率来表征跟车风险。从安全的本质出发提出了跟车风险的表述方法,建立密度函数模型。在分析前车减速条件下追尾碰撞条件时,从汽车地面力学理论的角度补充考虑了制动系统作用时间、附着系数等影响因素,使模型更接近实际状况,并且将判断的标准由停车距离扩展到了制动全过程的位移。通过与其他风险模型产生的计算结果进行比较分析,发现基于概率计算的碰撞风险模型,能够更好地反映实际交通安全状态,更适用于车辆防碰撞系统。     

道路交通碰撞事故致因建模与影响因素试验分析

为了分析交通情境与驾驶人因素导致道路交通碰撞事故的原因,采用智能群体建模、鱼骨图方法与试验测试相结合的方式,剖析了道路交通碰撞事故的致因及影响因素的显著性.模型分析结果表明,碰撞事故的致因取决于驾驶人对于交通情境危险信息及时准确的感知以及个体间的相对运动速度.交通情境中的危险识别率和发现时间百分位与危险的类别、交通情境的特点以及驾驶人的经验密切相关.潜在危险与实际危险在识别率与发现时间百分位上存在显著差异;动态危险的发现时间百分位小于静态危险;相比非熟练驾驶人,熟练驾驶人能够发现更多的危险信息,更快速地发现危险,并且对于交通情境的演变预测与判别更准确,具有更高的自信程度.     

基于数据扩展的动态贝叶斯网络预测方法

将数据扩展方法应用于动态贝叶斯网络的参数学习中,利用随机抽样算法对小样本数据进行数据扩展,并采用贝叶斯后验概率公式对扩展数据进行修正,同时计算观测数据的后验概率,然后在扩展数据的基础上,完成动态贝叶斯网络的学习和推理.仿真实验表明这种方法可以降低预测模型中节点的联合效应所造成的误差积累,提高模型的预测精度.     

基于FBCREAM方法的飞机驾驶人因可靠性评估模型

飞机驾驶人为差错是导致飞行不安全事件/事故的重要因素之一,为有效预测飞机驾驶人因可靠性,减少人为差错,确保飞行安全,提出一种基于FBCREAM方法的飞机驾驶人因可靠性评估模型。考虑飞机驾驶的情境环境及人因特征,调整原始认知可靠性与失误分析方法（CREAM）中的人为差错形成条件使其更合理地表征驾驶舱中飞行员工作情境。引入模糊逻辑方法,利用隶属函数对人为差错形成条件的不确定性和模糊性进行建模。以人为差错形成条件的隶属度为输入参数,人为差错模式隶属度为输出构建贝叶斯网络模型,通过解模糊化方法计算人为差错概率精确值。选取单发故障情境环境下执行飞行任务进行实例分析,结果表明该方法能够准确评估飞机故障情境环境下的飞机驾驶人因可靠性,可为航空安全评估提供有效的工具和重要支持。     

基于改进贝叶斯网络的网络安全态势评估

针对现有网络安全态势难以被精确和自主的评估,提出了一种基于改进贝叶斯网络的网络态势评估方法。首先,定义了网络安全态势评估的指标,即网络基础可行性、网络脆弱性和网络威胁性,然后提出了一种改进的贝叶斯网络模型,即动态的贝叶斯网络模型,对网络的结构和推理方法进行了重新定义;在此基础上,通过历史数据来初始化先验概率,通过在线获取的数据来计算后验概率,通过历史数据和监测数据结合来不断修正后验概率。在Matlab环境下进行仿真试验,将所提模型用于对网络安全态势进行预测,并与其他方法进行比较,结果表明所提模型能有效地对网络安全态势进行预测,具有预测精度高的优点,较其他方法具有较大的优越性。     

基于改进认知可靠性与失误分析方法的隧道驾驶人因可靠性分析模型

为有效预测驾驶人通过隧道时的人因失误概率,减少人为差错,提出一种基于改进认知可靠性与失误分析方法（cognitive reliability and error analysis, CREAM）的隧道驾驶人因可靠性分析模型。结合隧道驾驶任务的特点,调整共用绩效条件（common performance condition,CPC）,给出评估细则。使用模糊数将CPC因子的绩效效应值从确定值转换为概率值,以降低主观因素对评价结果的影响。考虑CPC因子间的相互影响关系,给出调整规则。最后建立基于贝叶斯网络的改进CREAM模型,确定控制模式。对隧道驾驶实例进行分析,计算驾驶人完成隧道驾驶任务的人因失误概率。结果表明,该模型可以准确计算隧道驾驶任务中的人误概率,且灵敏性比CREAM基本法更高,可为隧道交通人因可靠性分析提供支持。     

基于贝叶斯网络的物流无人机碰撞风险评估

为降低城市物流无人机（unmanned aerial vehicle,UAV）碰撞风险,识别关键风险因素,构建贝叶斯网络模型进行风险评估。在收集7个真实无人机碰撞事故案例和文献调研的基础上,提炼出15个主要风险因素,并通过问卷调查将风险集划分为低、中、高三个等级对风险发生概率数据进行收集与评估,随后运用解释结构模型（interpretative structural modeling,ISM）对风险因素进行层级划分构建贝叶斯网络模型。根据所构建的贝叶斯网络,将收集数据导入GeNIe,对贝叶斯网络模型进行参数学习,得到无人机碰撞风险不同等级的概率分布。最后对贝叶斯网络模型进行逆向推理、敏感性分析和影响强度分析,明确导致无人机发生碰撞事故的关键因素和敏感因素,依据分析结果提出风险防控建议。     

基于贝叶斯网络的轨道车辆门故障诊断研究

轨道车辆门系统的故障诊断受到广泛关注.针对门系统在故障诊断中存在不确定性问题,提出一种基于贝叶斯网络的故障诊断流程,统计某地铁公司提供的故障数据,建立轨道车辆门故障贝叶斯网络模型,计算得出各故障的先验概率,在建立的贝叶斯模型中输入故障证据,得到各故障的后验概率.通过仿真试验证明了贝叶斯网络能很好地推理出门系统的故障所在,为车门的故障诊断和维修提供参考和建议.     

激光数据聚类和Morphin算法下的机器人避障研究

为了解决移动机器人在未知环境下的避障问题,提出了一种从障碍物检测、预测到避撞的避障方法。设定圆形窗口作为机器人有效扫描区域,利用激光传感器采集到的数据结合聚类、匹配和分类算法确定障碍物类型和动态障碍物运动信息,绘制窗口内的动态局部地图来预测动态障碍物与机器人的碰撞关系,结合Morphin算法实现有效的避障。仿真实验表明,在该算法下移动机器人能够有效地检测出障碍物,进行碰撞预测,并做出合理地避障措施。     

考虑驾驶风格的车辆换道行为及预测模型

车辆换道过程对交通安全和交通拥堵有重要影响,为了获得不同驾驶人的换道行为特性,考虑了车辆换道过程中驾驶人的因素,利用SPSS对问卷调查的结果进行主成分分析,采用K-均值聚类方法对驾驶风格进行量化,将驾驶人分为激进型和保守型两种类型,再利用时间对数模型提出了驾驶风格值变量。对两组类型驾驶人进行换道试验,获得了不同风格驾驶人换道时间和换道纵向距离等换道特性的试验数据,并建立了考虑驾驶风格的车辆换道时间预测模型;基于预测的换道时间以及换道车辆转向角与驾驶风格值变量、速度之间的关系,结合车辆运动学模型,建立了车辆换道纵向距离预测模型,并将预测结果与实际换道数据进行了对比分析,结果表明,本研究提出的预测模型准确率较高。研究结果表明,激进型驾驶人在换道过程中其行为较为激进,换道时间较短,换道距离较短;所建立的预测模型可以较准确地预测和解释驾驶人的换道行为。     

神经网络与贝叶斯滤波器在换道预测中的应用

为提高车辆在换道过程中的行车安全性。提出一种基于BP神经网络与贝叶斯滤波器的换道意图预测方法,通过车道线传感器、方向盘转角传感器和车身CAN总线采集相关表征参数,将其作为BP神经网络输入数据,对驾驶人换道意图进行初步预测,BP神经网络输出结果作为贝叶斯滤波器输入数据,对BP神经网络预测结果作进一步修正。对模型利用真实换道数据进行训练和检测,结果表明此模型的预测准确率达到91.38%,相较于单一的BP神经网络模型,预测准确率提高了6%,并且具有更强的通用性。     

基于时空特征的城市轨道交通客流量预测方法

随着城市轨道交通网络运营里程的不断增长及网络承载客流量的不断提高,特定站点客流量极易发生急剧变化,这种变化引起整个网络客流量的不均匀分布,从而增加运营调度的难度和运营事故的发生概率.本文以城市轨道交通实际运营中采集的大量客流数据为基础,从时间和空间两个维度分析城市轨道交通客流分布的特点,并进一步提出基于贝叶斯网络的客流量预测方法,实现对特定站点的客流量预测.本实验完全基于实际数据,结果表明:预测客流量平均绝对百分比误差基本在0.1以下,预测准确程度较高.     

基于LS-DYNA的车辆-护栏碰撞仿真模型

 针对车辆与护栏的实体碰撞试验难度大、经费高、周期长、数据不易获取的情况,基于LS-DYNA 有限元软件,在分析实际碰撞试验的基础上,建立了碰撞车辆仿真模型和护栏仿真模型,优化碰撞过程,最终形成了车辆-护栏碰撞仿真模型;同时,与实际试验数据进行对比,分析了误差形成原因。结果表明,仿真模型试验结果与实车试验结果基本一致,验证了仿真模型的正确性。     

基于效用理论的车辆换道交互行为及决策模型

研究分析道路交通环境下的车辆换道交互行为,客观反映车辆微观行为特性及宏观车流运行规律。通过分析车辆换道微观驾驶行为,构建Logit模型定量分析驾驶人换道行为决策过程,基于“效用理论”思想,实现驾驶人决策效用最大化。选取青岛市杭鞍快速路实际交通流为研究背景,标定模型相关参数;进一步仿真验证了分层Logit模型的准确性。研究成果可为智能网联交通环境下的车车交互、车路协同和自动驾驶系统提供理论支撑和方法依据。     

基于贝叶斯网络的公交车事故外因分析

为了系统的探究车、路和环境共同作用下的公交车事故致因,利用A市259条公交车事故数据,基于专家知识与数据融合方法建立贝叶斯网络结构;利用服从Dirichlet分布的贝叶斯方法进行参数学习。在验证了模型的有效性后,结合贝叶斯网络模型,运用团树传播算法推理了各变量之间的关系。研究结果表明：天气、时间、道路线形、地点都可能导致公交车事故;根据概率由大到小,导致的事故类型依次为非碰撞事故、与小汽车、非机动车、公交车碰撞;且每一事故类型的伤亡情况及最强致因因素都不尽相同。除此之外,各致因因素在不同情况下,导致的事故类型及伤亡情况概率也有差异。相关结果可以为政府及企业建立事故管理制度,减少公交车事故的发生提供一定的依据。     

双车道公路路侧环境客观安全性评估模型

为了客观评价路侧安全性,从车辆驶入路侧可能性与路侧本体特征安全性两个层次建立路侧环境客观安全性评估模型.将影响路侧安全性的各种路侧本体客观特征指标进行层次划分,在国内外研究成果和一定的调查数据统计分析基础上,确定了各指标安全性等级界定标准,并利用模糊评判方法计算路侧客观特征危险指数.考虑影响车辆侵入路侧的交通组成、线形、路基宽度与路面状况4个客观指标,利用贝叶斯网络方法计算车辆侵入路侧概率.以路侧客观特征危险指数作为X轴,车辆侵入路侧概率作为Y轴构成的平面区域基础上,利用模型综合评价指标作为定量指标进行安全等级划分.研究成果可为路侧安全改进工程方案提供决策依据.