基于网络分析法的次任务驾驶安全评价模型

为了准确判断次任务驾驶安全性,采用驾驶模拟器与眼动仪相结合的方式,重点研究次任务驾驶过程中驾驶人眼动行为变化规律,综合考虑车辆运行状态参数变化特点,结合次任务类型对行车安全性的影响,提出了次任务驾驶安全性评价指标体系。利用网络分析法确定不同评价指标的权重系数,建立了驾驶安全等级隶属度函数,并采用最大隶属度原则实现了安全等级的划分,完成了次任务驾驶安全性评价模型构建。最后,以40名驾驶人次任务驾驶试验数据为实例应用,对模型的适用性进行了验证。     

基于车辆运行状态的次任务驾驶安全性评价

为研究次任务驾驶对行车安全性的影响,借助驾驶模拟器对正常和次任务驾驶过程中的车辆运行状态参数进行了采集. 基于差异显著原则,选取速度、加速度、方向盘转角等变量构建了评价指标体系,并以最少变量体现最多信息为优化目标,采用因子分析法提取出3类因子,进而确定出不同评价指标对因子的影响载荷系数,完成了基于车辆运行状态的次任务驾驶安全性评价模型构建. 综合实验数据和驾驶人类型因素,确立了模型评价得分与驾驶安全等级间的数量关系. 结果表明,所建模型能准确判断不同驾驶状态下的行车安全性,为驾驶安全的监测和预警提供了一种有效判定方法.     

基于驾驶人视觉感知的低等级公路行车速度预测

低等级公路环境下的行车速度变化特征比较复杂,已有的基于几何线形指标的车速模型不足以全面地表述这种特征.通过大量实车实验发现,低等级公路环境下驾驶人所采用的行车速度和其视觉感知到道路条件之间存在很好的相关性.驾驶人感知的道路条件分为视觉车道信息和视觉路侧环境信息.采用Catmull-Rom样条曲线拟合的视觉车道模型能够反应驾驶人感知的低等级公路几何特征,根据视觉车道模型形状参数,使用遗传算法优化BP神经网络(GABP)建立了基于几何信息感知的几何车速模型.同时,基于路侧环境信息利用Logistic回归模型建立了路侧车速修正模型.将上述模型结合起来,形成了基于驾驶人视觉感知的低等级公路行车车速预测方法.由此方法计算的驾驶人行车速度与实测情况吻合性好,能够很好地描述驾驶人在低等级公路环境下通过对道路条件视觉认知而产生行车速度的行为特征,是低等级公路运行车速预测计算的一种有效方法,不仅可以作为道路安全评价的基础,也可以为基于行车速度的公路几何设计提供有力支持.     

考虑驾驶人驾驶习性的自适应车道偏离预警策略

提出了考虑驾驶人驾驶习性的自适应车道偏离预警策略。通过实车驾驶数据采集平台采集驾驶人的驾驶行为数据,并基于模糊聚类对驾驶数据进行聚类处理,进而利用广义回归神经网络(GRNN)模型实现了驾驶人驾驶习性辨识策略;建立车道偏离时间估算模型,设计个性化的车道偏离预警系统;最后,通过驾驶模拟器进行测试验证。结果表明,所提出的考虑驾驶人驾驶习性的自适应车道偏离预警策略能够在有效辨识驾驶人驾驶习性的基础上,提高车道偏离预警的适用性。     

驾驶人应激反应能力评价研究

为了提高驾驶人的应激反应能力,进一步提升道路行车安全性,首先依据信息处理的基本理论,分析了驾驶人应激反应的运行机理和反应特征。其次,提出了一种驾驶人应激反应能力评价方法,包括评价指标、反应时间算法模型、操作准确度算法模型以及评价算法模型。最后,采用自主研发的应激反应模拟驾驶系统,选取安全驾驶人和多事故驾驶人对评价方法的合理性和有效性进行了试验验证。试验结果表明,评价算法模型可有效评价驾驶人的应激反应能力。驾驶人应激反应能力评价方法可以为驾驶人的筛选、培训和安全管理提供支撑,进而提高驾驶人的安全驾驶水平。     

基于车联网数据的运输车辆安全评价模型

为了提高运输安全管理水平和运输效率,对运输车辆安全性进行客观评价,提出了一种结合多算法的行车安全评价模型。首先,根据交通运输部公路科学研究院所给车联网数据,设计并定义了驾驶人行为的特征指标和评价指标;其次,采用回归分析方法对驾驶人的驾驶风格进行分析;接着,分别采用K-means聚类和DBSCAN聚类算法对驾驶人的不良行为进行分析;经过对比,最终选用K-means聚类算法和因子分析的结果对驾驶行为进行评价,共分为6类。该模型将机器学习中的数据挖掘和数据分析算法与道路运输行业相结合,为道路运输安全管理的研究提供了一个量化分析的工具。     

基于注视行为特性的驾驶人分心负荷评估

为了评估驾驶人操作手机的各种行为对行车安全的影响，组织19名驾驶人佩戴眼动仪开展室内模拟驾驶试验，分别采集城市快速路自由流和拥挤流2种典型交通状况下驾驶人进行正常驾驶、免提通话、语音短信3种操作时的注视数据。采用层次聚类法结合机械划分的方式，将驾驶人的视野平面划分为6个视觉兴趣区域；利用描述统计和方差分析法建立了衡量注视行为特性的敏感性指标集(注视区域信息熵、注视持续时间、垂直方向注视偏差、瞳孔面积变异系数)；最后采用熵权法构建4项指标的权重体系，提出了分心负荷指数的概念，并引入TOPSIS法验证了分心负荷指数对分心程度的评估效果。结果表明:进行免提通话操作时驾驶人多处于认知分心状态，语音短信操作时多处于视觉分心状态；相较于正常驾驶，除了自由流场景中进行免提通话操作时分心负荷差异甚微以外，其余手机操作均对驾驶人注视行为产生显著影响，致使分心负荷指数普遍升高，且在拥挤流场景中，执行语音短信操作时分心负荷激增，驾驶风险远高于免提通话。     

高亮度铺装层对隧道中间段行车安全的影响

为研究高亮度铺装层对隧道中间段行车安全的影响,以路面反光效果和驾驶人视觉特性为基础设计了对比试验;通过不同光学仪器,测量3种高亮度铺装层的光学参数,研究其高亮度性能;通过照明计算软件和三维建模软件,制作了3种高亮度铺装层隧道内仿真驾驶视频;通过驾驶模拟器系统,采用眼动试验进行不同铺装层隧道内的模拟驾驶,收集驾驶人在不同铺装层隧道内驾驶的眼动数据,以相对安全距离、驾驶人对障碍物注视持续时间和驾驶人瞳孔直径作为生理和心理指标,研究驾驶人在高亮度铺装层隧道中间段驾驶的眼动特性;通过驾乘体验问卷调查,收集驾驶人在不同铺装层隧道内驾驶的主观感受,综合评价了3种高亮度铺装层对隧道中间段行车安全的影响。结果表明：高亮度铺装层具有良好的反光效果,钛白粉的掺加对高亮度铺装层的高亮度性能有较好提升作用,钛白粉掺量(质量分数,下同)为70%的高亮度铺装层A反光效果最佳,隧道中段行车安全性与铺装层的反光效果呈正相关,使用反光效果较好的高亮度铺装层有助于驾驶人在驾驶过程中更早发现障碍物、更容易辨别障碍物,有利于提高隧道中间段的行车安全性;隧道中段行车视觉舒适性与铺装层的反光效果呈负相关,使用高亮度铺装层后隧道内...     

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。     

机动车驾驶人行为安全的超车模型与仿真

在总结了当前超车模型的研究现状后,针对在超车过程中驾驶人的驾驶行为是否安全提出了一个可以评价驾驶人行驶安全性的测试方法,并在驾驶模拟器上进行仿真,提出评价的方法指标。     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

变更管制方式安全评估模型及软件设计

为确保因管制方式变更造成系统及运行环境变化带来的风险保持在可控范围,提出基于粗糙集模糊神经网络的安全评估模型。利用粗糙集在属性约简与规则提取方面的优势实现关键风险源提取,降低模糊神经网络数据输入维度、精简网络拓扑结构、缩短网络训练与学习时间;借助模糊神经网络在具有较强容差性和抗噪音能力前提下进行分类的能力,实现系统安全等级评定。为便于模型应用与推广,借助Visual Basic（VB）与MATLAB这2种语言将评估模型编译为可视化操作软件,该软件具有从指标体系中识别关键风险源、系统安全等级评估、评估信息汇总这3项功能。实验结果表明,该软件可从24个风险评估指标中提取出对系统安全影响最为关键的4项风险指标,系统安全等级评定为3级。该评估软件具有易于安装维护、操作简便、理论化程度高等优点,是对空管运行单位定量安全评估的一次创新尝试。     

露天煤矿边坡稳定性的随机森林预测模型

 边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6 个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30 组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12 组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM 和BP 神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6 个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于GRU改进RNN神经网络的飞机燃油流量预测

利用从飞机快速存储记录器(quick access recorder, QAR)中获取的大量数据设计研究了一种利用循环神经网络(recurrent neural network, RNN)及其改进网络门控循环单元(gate recurrent unit, GRU)进行飞机燃油流量预测的模型。首先使用基于时间的反向传播算法(back propagation trough time, BPTT)训练网络,Adam优化算法加速迭代更新神经网络权重。在参数调整实验中发现循环神经网络对历史信息利用能力不足,极易发生梯度消失与梯度爆炸,遂提出改进网络结构,引入GRU重构燃油流量预测模型。在最优的超参数条件下,重构模型在训练集和测试集上的损失函数均方误差(mean squared error, MSE)值分别为0.001 08、0.000 97。通过与朴素RNN的预测曲线和MSE对比可以发现,改进后的GRU网络能够"记忆"更多历史信息而不易出现梯度消失或梯度爆炸的问题,预测精度与曲线拟合能力显著提高。因此,GRU重构模型显著改善了预测能力,并通过实际案例验证该预测模型在故障诊断等领域的应用。     

基于数值模拟和机器学习的汽车碰撞代理模型

建立某型皮卡车三维有限元实体模型,模拟汽车对刚性墙碰撞和两车相向对撞的动态过程,得到不同初速度下汽车的碰撞力-位移曲线.将汽车初始速度作为输入,碰撞力-位移曲线作为输出,采用BP神经网络机器学习算法建立全速度域下汽车碰撞代理模型.将数值模拟样本分为训练集和测试集,对代理模型进行训练,并利用测试集样本验证了模型的精度.利用代理模型可以快速预测任意碰撞速度下该汽车的力-位移曲线,为其安全性设计提供依据.     

双离合器自动变速器起步的智能控制策略

综合考虑了驾驶员的起步意图、车辆负载、路面坡度及离合器的接合状态,提出了基于模糊控制和神经网络的双离合器自动变速器(dual clutch transmission,DCT)的双离合器协同起步智能控制策略.根据油门开度及其变化率的大小实时识别出驾驶员的起步意图,基于优秀驾驶员的操作经验制定了驾驶员意图的模糊控制规则.以车辆负载、路面坡度及驾驶员起步意图为神经网络输入参数,以离合器主从动盘的转速差与主动盘转速的比值和离合器接合速度为控制参数控制双离合器的接合、分离过程,实现了基于人-车-路的双离合器协同起步的自适应控制.利用快速起步、慢速起步及驾驶员意图多变的起步工况对所制定的智能控制策略的合理性进行了验证.     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

基于双桥静力触探的长三角全新统冲积层力学参数BP网络预测方法

基于双桥静力触探参数推求区域性土性力学参数的需要,以长三角地区全新统冲积层黏土、粉质黏土、粉土及粉砂为研究对象,通过双桥静力触探参数与螺旋板载荷试验、平板载荷试验、剪切试验及压缩试验的对比分析,认为双桥静探数据可作为土质力学参数预测的评价指标。以此为基础建立长三角全新统冲积层双桥静力触探数据与力学参数的BP神经网络预测模型。最后运用模型对江都泰富港务有限公司原料场双桥静力触探孔各土层力学参数进行计算。结果表明:双桥静探数据可作为长三角全新统冲积层土质力学参数预测的评价指标;建立的力学参数BP神经网络模型具有很高的预测精度,能够满足长三角地区全新统冲积地层的实际工程需求。     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。