駕駛行為險(xiǎn)態(tài)辨識(shí)理論與方法.pdf

1、隨著機(jī)動(dòng)化水平的不斷提高，交通安全問(wèn)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(duì)駕駛行為狀態(tài)進(jìn)行研究成為道路交通安全的關(guān)鍵性課題?，F(xiàn)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(biāo)的靜態(tài)差異性對(duì)比，特定因素對(duì)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(guān)性探討。未能從時(shí)間序列的角度，對(duì)實(shí)時(shí)駕駛行為狀態(tài)適宜性予以研究，分析不同時(shí)刻、不同狀態(tài)水平與事故率間相

2、關(guān)關(guān)系，確定實(shí)時(shí)系統(tǒng)安全水平，為系統(tǒng)安全性控制提供依據(jù)。針對(duì)上述問(wèn)題，本文構(gòu)建了一套系統(tǒng)的駕駛行為險(xiǎn)態(tài)辨識(shí)理論與方法，并對(duì)相關(guān)模型予以研究，以期實(shí)現(xiàn)駕駛行為狀態(tài)的過(guò)程辨識(shí)，動(dòng)態(tài)確定駕駛行為危險(xiǎn)水平，為預(yù)防和減少道路交通事故提供理論依據(jù)。本文研究?jī)?nèi)容可涵蓋為以下要點(diǎn)： 基于認(rèn)知心理學(xué)，結(jié)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(jī)制，客觀界定了駕駛行為能力指標(biāo)集；通過(guò)道路交通系統(tǒng)任務(wù)需求能力與實(shí)際駕駛能力耦

3、合匹配性分析，探討危險(xiǎn)的形成機(jī)理，并將其歸結(jié)為突變、同步漸變、異步漸變?nèi)惢灸Ｊ剑惶岢鼋煌ㄊ鹿市纬蓹C(jī)理模型，該模型解釋了危險(xiǎn)、事故的產(chǎn)生原理及轉(zhuǎn)換規(guī)律；通過(guò)數(shù)學(xué)推導(dǎo)證明隨駕駛時(shí)間延長(zhǎng)，駕駛行為狀態(tài)水平逐步下降、系統(tǒng)危險(xiǎn)性逐步增大，該結(jié)論與實(shí)際情況相一致。 提出了三類駕駛行為險(xiǎn)態(tài)量化分級(jí)方法。(1)基于風(fēng)險(xiǎn)分析的險(xiǎn)態(tài)分級(jí)：首先將風(fēng)險(xiǎn)分析理論引入到駕駛行為危險(xiǎn)性研究，提出了駕駛行為風(fēng)險(xiǎn)的概念，基于風(fēng)險(xiǎn)的本質(zhì)化定義，確定了駕駛行為風(fēng)

4、險(xiǎn)中事故概率與事故損失的合成關(guān)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(xiǎn)態(tài)劃分為可忽略、可容忍、不可容忍三級(jí)，并采用信息融合算法實(shí)現(xiàn)了各險(xiǎn)級(jí)劃分點(diǎn)安全邊際成本收益(MP)值的確定；(2)基于狀態(tài)指標(biāo)變化性的險(xiǎn)態(tài)分級(jí)：首先對(duì)駕駛行為狀態(tài)各指標(biāo)數(shù)據(jù)予以平均及指數(shù)平滑去糙化預(yù)處理，消除隨機(jī)誤差的干擾，顯現(xiàn)各狀態(tài)指標(biāo)數(shù)據(jù)變化的本質(zhì)性趨勢(shì)，然后計(jì)算各指標(biāo)數(shù)據(jù)的二次差分值，參照二次差分值確定各險(xiǎn)級(jí)劃分點(diǎn)；(3

5、)基于行為狀態(tài)相似性的險(xiǎn)態(tài)分級(jí)，對(duì)駕駛行為狀態(tài)指標(biāo)測(cè)試數(shù)據(jù)予以時(shí)段平均化預(yù)處理，在設(shè)定駕駛行為險(xiǎn)態(tài)分級(jí)數(shù)k的前提下，采用有序聚類算法，實(shí)現(xiàn)駕駛行為狀態(tài)的優(yōu)化分級(jí)。 構(gòu)建了駕駛行為險(xiǎn)態(tài)辨識(shí)因子的量化析取方法。首先給出動(dòng)視野、動(dòng)視力、暗適應(yīng)、聽(tīng)力、掩蔽聽(tīng)力、短時(shí)記憶力、判斷能力、注意力、反應(yīng)時(shí)、操縱能力等10項(xiàng)駕駛行為狀態(tài)指標(biāo)的測(cè)試方法及指標(biāo)計(jì)算公式；其次在按性別、年齡、駕駛里程對(duì)駕駛員予以分組的前提下，進(jìn)行12小時(shí)連續(xù)模擬駕駛測(cè)試

6、，并每隔15分鐘采集一組駕駛行為狀態(tài)因子指標(biāo)值；然后在對(duì)行為狀態(tài)指標(biāo)數(shù)據(jù)予以預(yù)先分級(jí)的前提下，采用單因子分析法對(duì)實(shí)驗(yàn)數(shù)據(jù)予以分析。分析結(jié)果表明反應(yīng)時(shí)、注意力、判斷能力三項(xiàng)指標(biāo)在各分級(jí)間差異顯著(p≤0．05)，故可作為駕駛行為險(xiǎn)態(tài)辨識(shí)主因子。 構(gòu)建了高負(fù)荷駕駛?cè)蝿?wù)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(yīng)用更新過(guò)程構(gòu)建連續(xù)短時(shí)注意力狀態(tài)轉(zhuǎn)換概率模型，采用數(shù)值分析方法給出模型的求解；隨后針對(duì)狀態(tài)轉(zhuǎn)換循環(huán)點(diǎn)處難以滿

7、足齊次性的特征，采用時(shí)段分割對(duì)短時(shí)狀態(tài)概率模型加以推廣，得到長(zhǎng)時(shí)連續(xù)駕駛員注意力狀態(tài)轉(zhuǎn)移概率模型。采用模型模擬結(jié)果與試驗(yàn)結(jié)果對(duì)比的方法驗(yàn)證了模型的合理性。 構(gòu)建了三類駕駛行為險(xiǎn)態(tài)辨識(shí)模型。首先以貝葉斯決策理論為核心，以分類錯(cuò)判損失最小為目標(biāo)函數(shù)，分別以經(jīng)濟(jì)損失量與狀態(tài)差異性為基礎(chǔ)設(shè)計(jì)了兩類錯(cuò)判損失矩陣，構(gòu)建了貝葉斯險(xiǎn)態(tài)辨識(shí)模型；其次以模糊數(shù)學(xué)中的隸屬函數(shù)理論為基礎(chǔ)，以相似性分類誤差平方和最小為目標(biāo)函數(shù)，構(gòu)建了FCM駕駛行為險(xiǎn)態(tài)辨

8、識(shí)模型，依據(jù)已有學(xué)習(xí)樣本，采用循環(huán)迭代算法實(shí)現(xiàn)模型的訓(xùn)練；然后基于神經(jīng)網(wǎng)絡(luò)理論，設(shè)計(jì)了包含三個(gè)輸入神經(jīng)元，兩個(gè)輸出神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)駕駛行為險(xiǎn)態(tài)辨識(shí)模型。結(jié)合實(shí)際數(shù)據(jù)，以錯(cuò)判率為評(píng)定指標(biāo)，對(duì)各類模型的辨識(shí)精度予以測(cè)定。最后對(duì)模型的適用范圍進(jìn)行了討論，其中貝葉斯辨識(shí)模型適用于基于風(fēng)險(xiǎn)分析與狀態(tài)相似性分級(jí)的駕駛行為險(xiǎn)態(tài)辨識(shí)問(wèn)題，F(xiàn)CM模型僅適用于基于狀態(tài)相似性分級(jí)的駕駛行為險(xiǎn)態(tài)辨識(shí)問(wèn)題，BP神經(jīng)網(wǎng)絡(luò)智能算法辨識(shí)模型具有較強(qiáng)的通用性，可適用