低渗透率智能网联环境下高风险事件预警方法

提出一种低渗透率智能网联环境下高风险事件预警方法。具体而言，基于熵能表征系统状态的特点提出交通熵的概念，将个体车辆的微观驾驶行为量化为交通熵，以表征交通流状态；再将交通熵作为长短时记忆网络模型（Long Short-term Memory， LSTM）的输入参数建立预警模型；最后，使用HighD轨迹数据集提取高风险事件，并验证模型有效性。结果显示，使用交通熵的模型误报率和漏报率大幅降低。以智能车渗透率10 %为例，误报率和漏报率分别从6.18 %和11.47 %下降到了1.95 %和3.12 %；在预测模式下，对高风险事件误报率和漏报率为2.28 %和3.82 %。     

基于车载视觉的端到端驾驶员疲劳检测模型

营运驾驶员长时间疲劳驾驶是导致事故发生的重要原因,为此,企业在营运车辆上安装相机采集驾驶员面部视频,基于模型和算法自动识别驾驶员的疲劳状态,通过语音提醒甚至启用远程护航进行疲劳干预,以此提高驾驶安全。现有的疲劳检测研究大多数都是基于面部关键点检测的算法,该类算法对面部视频的质量要求严格。在真实的营运行车环境中,夜晚光线过差,相机位置安装不理想,驾驶员面部遮挡等均会造成关键点检测失效,从而影响模型的准确性。基于卷积神经网络(CNN)和长短时记忆神经网络(LSTM)设计了一种端到端营运驾驶员疲劳检测模型,该模型以相机采集的驾驶员面部视频作为输入,使用CNN网络提取视频单帧特征,在此基础上将时序单帧特征作为LSTM网络的输入来最终识别驾驶员的疲劳状态,实验表明,模型的接收者操作特征曲线下面积(AUC)为0.9,远优于现有的面部关键点模型。此外,为了提高该模型在实际行车环境中的鲁棒性,基于光线变化及相机变化的模拟操作在训练数据上进行了数据增强,通过模型重训练进一步提高了模型的精度及鲁棒性。实验结果表明,改进前,营运车辆行车环境下模型的AUC相比实验室模型下降37.3%,而改进后AUC仅下降9....     

基于车道集计交通流数据的事故风险评估分析

事故风险评估分析提取事故及对应非事故状况下的交通运行数据作为自变量,以事故发生与否作为0或1因变量,采用数理统计模型分析事故发生与交通流状态的关联性.为探索上海市城市快速路的车道集计交通流数据用于事故风险评估分析的可行性,基于条件Logistic回归,使用该数据与事故数据构建事故风险评估模型,并检验模型预测精度.结果表明低运行速度、车道间流量的差异性会增加事故发生的概率;上海市城市快速路的车道集计交通流数据可用于事故风险评估研究.     

基于随机生存森林的城市快速路交通事件持续时间预测研究

交通事故、抛锚等交通事件对城市快速路的运行影响极大;准确预测交通事件的持续时间可有助于主动交通管理措施的实施,提升通行效率与安全。本研究采用随机生存森林模型开展交通事件持续时间分析,以克服传统决策树模型易过度拟合和传统生存分析需限制性假定及识别协变量交互作用的缺陷。研究基于上海城市快速路网交通事件数据,并结合道路几何线形、交通运行、天气状况等数据。原始数据库分为训练数据(80%)和测试数据(20%)。分析结果表明事件类型、路段长度、发生地点、剩余车道数、交通流量等变量对交通事件持续时间有显著影响;影响时间预测准确率结果表明随机生存森林模型预测精度显著优于随机森林的预测精度。     

基于随机参数模型的非机动车骑行稳定性研究

近年来我国非机动车的交通安全问题日益凸显。本研究基于非机动车骑行实验所采集的骑行行为数据、交通环境数据对非机动车的骑行稳定性进行研究。研究采用骑行转角变化率作为骑行稳定性的评价指标,基于所采集的骑行数据和骑行环境数据探索影响骑行稳定性的影响因素。采用基于贝叶斯推断的随机参数模型进行分析以考虑实验者之间的个体差异性。分析结果表明,非机动车骑行稳定性仅受骑行速度变异系数的影响;速度变异系数越大,转角变化率越大,骑行稳定性越差。通过与传统固定参数模型的拟合优度对比发现,考虑实验者个体差异的随机参数模型的拟合优度较好。     

基于低频轨迹数据的分时租赁驾驶人驾驶风格分析

基于上海某汽车分时租赁企业的运营数据,开展了基于低频轨迹数据的驾驶行为特征提取及驾驶风格分析.采用相对超速时间比例及其变异系数为驾驶风格特征指标,基于K-means聚类算法将驾驶人风格划分为谨慎、温和、激进三类,相应驾驶人比例分别为54.04%、36.60%和9.36%.对不同驾驶风格租赁用户的出行、运行及个体特征的比较发现,不同驾驶风格的用户在出行、运行速度及车辆能耗特征方面具有差异性,在年龄、性别及违章方面无统计上的显著差异.