駕駛行為險態(tài)辨識理論與方法.pdf

1、隨著機動化水平的不斷提高，交通安全問題日益突顯。駕駛員作為道路交通系統(tǒng)的核心因素，其駕駛行為狀態(tài)很大程度決定了道路交通系統(tǒng)的安全水平，因此對駕駛行為狀態(tài)進行研究成為道路交通安全的關鍵性課題?，F有研究大多集中于事故與非事故組間駕駛員生理、心理狀態(tài)指標的靜態(tài)差異性對比，特定因素對駕駛行為的干擾性分析及駕駛員生理、心理、性格等因素與行為的相關性探討。未能從時間序列的角度，對實時駕駛行為狀態(tài)適宜性予以研究，分析不同時刻、不同狀態(tài)水平與事故率間相

2、關關系，確定實時系統(tǒng)安全水平，為系統(tǒng)安全性控制提供依據。針對上述問題，本文構建了一套系統(tǒng)的駕駛行為險態(tài)辨識理論與方法，并對相關模型予以研究，以期實現駕駛行為狀態(tài)的過程辨識，動態(tài)確定駕駛行為危險水平，為預防和減少道路交通事故提供理論依據。本文研究內容可涵蓋為以下要點： 基于認知心理學，結合信息獲取、信息處理、操縱輸出這一信息處理鏈，探究了駕駛行為的形成機制，客觀界定了駕駛行為能力指標集；通過道路交通系統(tǒng)任務需求能力與實際駕駛能力耦

3、合匹配性分析，探討危險的形成機理，并將其歸結為突變、同步漸變、異步漸變三類基本模式；提出交通事故形成機理模型，該模型解釋了危險、事故的產生原理及轉換規(guī)律；通過數學推導證明隨駕駛時間延長，駕駛行為狀態(tài)水平逐步下降、系統(tǒng)危險性逐步增大，該結論與實際情況相一致。 提出了三類駕駛行為險態(tài)量化分級方法。(1)基于風險分析的險態(tài)分級：首先將風險分析理論引入到駕駛行為危險性研究，提出了駕駛行為風險的概念，基于風險的本質化定義，確定了駕駛行為風

4、險中事故概率與事故損失的合成關系，并就事故概率與事故損失的確定方法予以探討，然后基于ALARP原則，將駕駛行為險態(tài)劃分為可忽略、可容忍、不可容忍三級，并采用信息融合算法實現了各險級劃分點安全邊際成本收益(MP)值的確定；(2)基于狀態(tài)指標變化性的險態(tài)分級：首先對駕駛行為狀態(tài)各指標數據予以平均及指數平滑去糙化預處理，消除隨機誤差的干擾，顯現各狀態(tài)指標數據變化的本質性趨勢，然后計算各指標數據的二次差分值，參照二次差分值確定各險級劃分點；(3

5、)基于行為狀態(tài)相似性的險態(tài)分級，對駕駛行為狀態(tài)指標測試數據予以時段平均化預處理，在設定駕駛行為險態(tài)分級數k的前提下，采用有序聚類算法，實現駕駛行為狀態(tài)的優(yōu)化分級。 構建了駕駛行為險態(tài)辨識因子的量化析取方法。首先給出動視野、動視力、暗適應、聽力、掩蔽聽力、短時記憶力、判斷能力、注意力、反應時、操縱能力等10項駕駛行為狀態(tài)指標的測試方法及指標計算公式；其次在按性別、年齡、駕駛里程對駕駛員予以分組的前提下，進行12小時連續(xù)模擬駕駛測試

6、，并每隔15分鐘采集一組駕駛行為狀態(tài)因子指標值；然后在對行為狀態(tài)指標數據予以預先分級的前提下，采用單因子分析法對實驗數據予以分析。分析結果表明反應時、注意力、判斷能力三項指標在各分級間差異顯著(p≤0．05)，故可作為駕駛行為險態(tài)辨識主因子。 構建了高負荷駕駛任務下駕駛員注意力狀態(tài)概率模型。將注意力劃分為集中、分散兩態(tài)，應用更新過程構建連續(xù)短時注意力狀態(tài)轉換概率模型，采用數值分析方法給出模型的求解；隨后針對狀態(tài)轉換循環(huán)點處難以滿

7、足齊次性的特征，采用時段分割對短時狀態(tài)概率模型加以推廣，得到長時連續(xù)駕駛員注意力狀態(tài)轉移概率模型。采用模型模擬結果與試驗結果對比的方法驗證了模型的合理性。 構建了三類駕駛行為險態(tài)辨識模型。首先以貝葉斯決策理論為核心，以分類錯判損失最小為目標函數，分別以經濟損失量與狀態(tài)差異性為基礎設計了兩類錯判損失矩陣，構建了貝葉斯險態(tài)辨識模型；其次以模糊數學中的隸屬函數理論為基礎，以相似性分類誤差平方和最小為目標函數，構建了FCM駕駛行為險態(tài)辨

8、識模型，依據已有學習樣本，采用循環(huán)迭代算法實現模型的訓練；然后基于神經網絡理論，設計了包含三個輸入神經元，兩個輸出神經元的BP神經網絡駕駛行為險態(tài)辨識模型。結合實際數據，以錯判率為評定指標，對各類模型的辨識精度予以測定。最后對模型的適用范圍進行了討論，其中貝葉斯辨識模型適用于基于風險分析與狀態(tài)相似性分級的駕駛行為險態(tài)辨識問題，FCM模型僅適用于基于狀態(tài)相似性分級的駕駛行為險態(tài)辨識問題，BP神經網絡智能算法辨識模型具有較強的通用性，可適用