CN104200687A - 一种驾驶员速度控制行为监测装置及监测方法 - Google Patents

Abstract

本发明涉及安全驾驶技术领域，公开了一种驾驶员速度控制行为监测装置及监测方法。该装置基于中国国家公路地理信息系统，该装置包括车载工控机和速度传感器，用于接收GPS信号的车载GPS接收器，所述工控机内安装有中国国家公路地理信息数据库和BP神经网络单元，用于根据车载工控机发出的报警信号进行报警的报警器；该检测装置能对自由流状态下驾驶员的车速控制行为进行学习，记忆驾驶员在不同道路线形上的车速选择，学习驾驶员的速度控制规律，建立驾驶员速度控制行为监测模型，对驾驶员在前方道路的可能操作进行监测，为可能发生的事故提供预警信息，从而避免事故的发生；特别为可能在弯道上发生的事故提供预警信息。

Description

一种驾驶员速度控制行为监测装置及监测方法

技术领域

本发明涉及安全驾驶技术领域，特别涉及一种驾驶员速度控制行为监测装置及监测方法。

背景技术

国内外研究表明，有1/3的交通事故是由车速原因引起的，在所有致因中车速排在第二位。车辆运行速度与平均速度的差越大，发生交通事故的可能性就越高，即车速分布的离散度越高，事故率也越高。而这些事故中绝大多数事故是因为速度控制不当引发的。车速是人-车-路系统的结果和表现形式，国内外有关研究表明，由车速原因的致死率为30％，因此，驾驶员速度控制行为监测及预警方法的研究就显的尤为重要。

目前，对于驾驶员速度控制行为监测及预警系统大多是直接从控制理论的角度出发来进行研究的。

发明内容

发明人认为：对于一个性能良好的驾驶员速度控制行为监测及预警系统，系统的控制特性应该与驾驶员的操作相接近。因此，必须从驾驶员的驾车行为和习惯特性出发，来对车辆的运动状态进行监测，以此为出发点发明一种驾驶员速度控制行为监测装置及监测方法。

本发明的目的在于提供一种驾驶员速度控制行为监测装置及监测方法，该检测方法能对自由流状态下驾驶员的车速控制行为进行学习，记忆驾驶员在不同道路线形上的车速选择，学习驾驶员的速度控制规律，建立驾驶员速度控制行为监测模型，对驾驶员在前方道路的可能操作进行监测，为可能发生的事故提供预警信息，从而避免事故的发生；特别为可能在弯道上发生的事故提供预警信息。

为达到上述技术目的，本发明采用如下技术方案予以实现。

方案一：

一种驾驶员速度控制行为监测装置，基于中国国家公路地理信息系统，其特征在于，包括车载工控机和速度传感器，用于接收GPS信号的车载GPS接收器，所述工控机内安装有中国国家公路地理信息数据库和BP神经网络单元，用于根据车载工控机发出的报警信号进行报警的报警器；

所述车载GPS接收器的输出端和速度传感器的输出端分别对应电连接所述车载工控机的两个I/O输入端，所述车载工控机的I/O输出端电连接所述报警器的信号输入端。

方案二：

一种驾驶员速度控制行为监测方法，基于上述一种驾驶员速度控制行为监测装置，其特征在于，包括以下步骤：

步骤一，车载GPS接收器接收GPS信号并将GPS信号传输给车载工控机，车载工控机在中国国家公路地理信息系统中准确定位车辆当前位置并提取道路的曲率半径，车载工控机根据道路的曲率半径不同将车辆前方的道路划分成多个路段，每个路段的道路线形信息包括曲率半径、长度、坡度，并将每个路段等分为四小段，四小段具有五个端点，前一路段的末端点是后一路段的首端点；同时，车载速度传感器实时记录车辆的行驶速度v，根据车辆在每一小段的行驶时间和在每一小段两端点的行驶速度分别计算得出车辆在其所在路段的每一小段的平均加速度a_i，其中，i＝1,2,3,4；

如果其中任一个平均加速度a_i不满足a_i≤3.5m/s²时，车载工控机继续采集下一路段的速度并计算每一小段的平均加速度；如果平均加速度a_i均满足a_i≤3.5m/s²时，车载工控机将车辆在每个端点的行驶速度与车辆所在的路段的长度、曲率半径、坡度的道路线形信息对应记录下来，并进入下一步骤；

步骤二，设车辆所在路段为当前路段，车辆刚驶过的路段为后方路段，车辆即将驶入的路段为前方路段，车辆在后方路段的加速度符合步骤一中的平均加速度a_i均满足a_i≤3.5m/s²的要求，其中，i＝1,2,3,4，车辆进入当前路段，车载工控机获取当前路段的道路线形信息和前方路段的道路线形信息；

步骤三，BP神经网络单元建立驾驶员速度控制行为监测模型，该BP神经网络单元根据工控机输入的后方路段的曲率半径R_h、前方路段的曲率半径R_q、当前路段的曲率半径R_d、当前路段的长度S_d、当前路段的坡度i_d、车辆行驶过的最近三个端点的实际速度，预测得出车辆即将要驶过的端点的预测速度V_w；

步骤四，车载工控机根据车辆在中国国家公路地理信息系统中的地理位置判断车辆所在的当前路段为弯道时，并计算得到车辆在该弯道的临界侧滑车速V_ch和临界侧翻车速V_cf，车载工控机将临界侧滑车速V_cf和临界侧翻车速V_ch进行比较，将两者间较小的一个作为临界安全车速Vs，车载工控机将当前路段的每个端点的预测车速V_w与临界安全车速Vs进行比较；

如果预测车速V_w小于临界安全车速Vs时，不发出预警信号；如果预测车速V_w大于或等于临界安全车速Vs时，车载工控机控制报警器开始报警。

本方案的特点和进一步改进在于：

在步骤三中，所述BP神经网络单元为三层BP神经网络单元，三层BP神经网络分别为：输入层、隐含层、输出层；其中，输入层变量为P＝(p₁,p₂,p₃,p₄,p₅,p₆,p₇,p₈)，输出层变量为T＝(t)；其中，p₁＝R_d、p₂＝R_q、p₃＝R_h分别表示车辆所在当前路段的曲率半径、前方路段的曲率半径、后方路段的曲率半径，p₄＝S_d表示车辆所在当前路段的长度，p₅＝i_d表示当前路段坡度，p₆＝v_n-3、p₇＝v_n-2、p₇＝v_n-1、t＝v_n分别表示车辆即将要驶过的端点n后方3个端点的速度和车辆即将要驶过的端点n处的速度；输入层的神经元个数为8，分别为：p₁、p₂、p₃、p₄、p₅、p₆、p₇、p₈；隐含层的神经元个数为12；输出层的神经元个数为1；

应用BP神经网络单元建立驾驶员速度控制行为监测模型的过程如下：

(1)运用公式将输入层的各个神经元的输入数据分别归一化处理；其中，p_imin表示在输入层的第i个神经元中的变量的统计数据中最小的，p_imax表示在输入层的第i个神经元中的变量的统计数据中最大的，p_i表示输入层的第i个神经元中的变量的原始统计数据，为归一化之后输入层的第i个神经元中的数据；

(2)隐含层的激励函数选用logsig函数，隐含层各个神经元的输出为：

b_j＝1/[1+exp(-s_j)]

其中：j＝1,2,…,12；w_ij为输入层的第i个变量至隐含层第j个变量的联接权重，q_j为隐含层第j个变量的阈值，j为隐含层单元的个数，为归一化之后输入层的的第i个神经元中的数据；并对w_ij和q_j初始化，令w_ij和q_j为[-1，1]内任意实数；

(3)输出层的激励函数选用logsig函数，输出层的输出为：

k₁＝1/[1+exp(-m₁)]

其中：v_j1为隐含层的第j个变量至输出层的联接权重，γ₁为输出层的阈值；并对v_j1和γ₁初始化，令v_j1和γ₁为[-1，1]内任意实数；

(4)选取的训练函数为trainoss函数，训练次数设定为5000，训练目标设定为0.01，即为设定误差值，训练速率选为0.01；选取的学习函数为learngdm函数，利用输入层变量P和输出层变量T，调用train函数对BP神经网络进行预测端点的速度训练直至收敛，然后利用sim函数对BP神经网络单元进行仿真之后输出预测值

(5)将输出预测值进行反归一化处理，t_min表示在输出层的输出数据中最小的，t_max表示在输出层的输出数据中最大的，表示输出层的输出预测值，t′表示输出预测值反归一化后的输出值；

(6)选取BP神经网络单元的性能函数为MSE函数，其中t为输出值的原始测量数据，t′表示输出预测值反归一化后的输出值；将t与t′进行比较，当t与t′两者差距大于设定误差值0.01时，则重复步骤(4)和(5)，在训练函数和学习函数的作用下，不断修正权重w_ij、v_j1和阈值q_j、γ₁的值，计算输出新的t′，直到t与t′两者差距小于设定误差值0.01时，该神经网络单元满足实际应用条件，完成上述驾驶员速度控制行为监测模型的构建。

完成上述驾驶员速度控制行为监测模型的构建后进入实际应用阶段，将测量得到的R_h、R_q、R_d、S_d、i_d、v_n-3、v_n-2、v_n-1输入到上述建立的驾驶员速度控制行为监测模型中，并将每个数据进行归一化处理；通过该监测模型得到车速预测值将车速预测值利用公式反归一化；其中，t′_max表示车辆行驶过的所有端点的测量速度中的最大值，t′_min表示车辆行驶过的所有端点的测量速度中的最小值，t″则表示输出车速预测值反归一化后的输出值；令预测车速v_w＝t″。

在步骤四中，所述弯道为曲率半径小于等于1000m的路段。

在步骤四中，临界侧滑车速V_ch的计算公式为：

$V_{\mathrm{ch}}=\sqrt{(u+\mathrm{\φ})\mathrm{gR}}$

其中，u为道路的纵向摩擦系数；φ为路面横坡；g为重力加速度；R为道路的曲率半径。

在步骤四中，临界侧翻车速V_cf的计算公式为：

$V_{\mathrm{cf}}=\sqrt{(\frac{B}{2h_g}+\mathrm{\φ})\mathrm{gR}}$

其中，B为车辆轮距；h_g为车辆质心高度；φ为路面横坡；g为重力加速度；R为道路的曲率半径。

本发明和现有技术比具有以下优点：

(1)本发明克服了现有驾驶员速度控制行为监测方法直接从控制理论的角度出发来进行研究而没有考虑道路环境的缺点，考虑了驾驶员的驾车习惯对车速的影响，提供了驾驶员速度控制行为监测及预警方法，该方法能对自由流状态下驾驶员的车速控制行为进行学习，记忆驾驶员在不同道路线形上的车速选择，利用建立的驾驶员车速控制规律监测其在前方道路的可能操作，为可能发生的事故提供预警信息，从而避免事故的发生，特别是对单车事故的预警。

(2)本发明运用BP神经网络方法建立的驾驶员速度控制行为监测及预警方法模型具有较强的容错性和泛化能力，能够满足应用的需要。

(3)本发明采集不同的道路线形数据和车速作为采样数据，通过不断的完善和改正，得到可以进行实时监测的驾驶员速度控制行为监测模型，该方法考虑驾驶员的习惯特性来对驾驶员速度控制行为进行监测和预警，系统对车辆运行时的数据信息采集时间越长，对驾驶员车速的学习过程越久，所形成的算法对驾驶员速度控制行为进行监测和预警便越精确。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1为本发明的一种驾驶员速度控制行为监测装置的电气连接示意图；

图2为本发明的一种驾驶员速度控制行为监测方法的流程示意框图；

图3为道路线形数据、车速采集流程图；

图4为驾驶员速度控制行为BP神经网络单元结构图；

图5为当前路段、前方路段、后方路段及弯道入口处、1/4处、中点处示意图。

具体实施方式

参照图1，为本发明的一种驾驶员速度控制行为监测装置的电气连接示意图；该装置基于中国国家公路地理信息系统，该装置包括车载工控机和速度传感器，用于接收GPS信号的车载GPS接收器，所述工控机内安装有中国国家公路地理信息数据库和BP神经网络(Error Back－propagation Training，简称BP神经网络)单元，用于根据车载工控机发出的报警信号进行报警的报警器。

车载GPS接收器的输出端和速度传感器的输出端分别对应电连接车载工控机的两个I/O输入端，车载工控机的I/O输出端电连接报警器的信号输入端。

本装置也可以采用北斗卫星用户接收器代替车载GPS接收器，北斗卫星用户接收器用于接收北斗卫星信号。

如图2所示的本发明的一种驾驶员速度控制行为监测方法的流程示意框图；该监测方法基于上述一种驾驶员速度控制行为监测装置，该监测方法包括以下步骤：

步骤一，车载GPS接收器接收GPS信号并将GPS信号传输给车载工控机，车载工控机在中国国家公路地理信息系统中准确定位车辆当前位置并提取道路的曲率半径，车载工控机根据道路的曲率半径不同将车辆前方的道路划分成多个路段，每个路段的道路线形信息包括曲率半径、长度、坡度，并将每个路段等分为四小段，四小段具有五个端点，前一路段的末端点是后一路段的首端点；同时，车载速度传感器实时记录车辆的行驶速度v，根据车辆在每一小段的行驶时间和在每一小段两端点的行驶速度分别计算得出车辆在其所在路段的每一小段的平均加速度a_i，其中，i＝1,2,3,4，如果平均加速度a_i均满足a_i≤3.5m/s²时认为车辆处于自由流状态，车载工控机将车辆在每个端点的行驶速度与车辆所在的路段的长度、曲率半径、坡度的道路线形信息对应记录下来，并进入下一步骤；如果其中一个平均加速度a_i不满足a_i≤3.5m/s²时，车载工控机不记录任何数据，并不进入下一步骤继续采集下一路段的速度并计算每一小段的平均加速度。

步骤二，设车辆所在路段为当前路段，车辆刚驶过的路段为后方路段，车辆即将驶入的路段为前方路段，车辆在后方路段的加速度符合步骤一中的平均加速度a_i均满足a_i≤3.5m/s²的要求，其中，i＝1,2,3,4，车辆进入当前路段，车载工控机获取当前路段的道路线形信息即长度S_d、曲率半径R_d、坡度i_d和前方路段的道路线形信息即长度S_q、曲率半径R_q、坡度i_q；

步骤三、BP神经网络单元建立驾驶员速度控制行为监测模型，该BP神经网络单元根据工控机输入的后方路段的曲率半径R_h、前方路段的曲率半径R_q、当前路段的曲率半径R_d、当前路段的长度S_d、当前路段的坡度i_d、车辆行驶过的最近三个端点的速度(v_n-3、v_n-2、v_n-1)预测得出车辆即将要驶过的端点的预测速度v_w；

在监测和预警时，将每个独立路段等分为四小段，每个路段都有五个端点，前一路段的末端点是后一路段的首端点，每个端点为一个速度特征点，将五个速度特征点分别记为1、2、3、4、5，将弯道入口处记为速度特征点1；将弯道1/4处记为速度特征点2；将弯道中点处记为速度特征点3；将弯道3/4处记为速度特征点4；弯道出口处记为速度特征点5。在训练某个速度特征点车速时，将此速度特征点前段的3个速度特征点车速作为输入层指标，例如在进行当前路段速度特征点4处的车辆状态监测时，要考虑到速度特征点4后方速度特征点3、2、1点处的速度值。

本发明采用一个三层BP神经网络单元，三层BP神经网络分别为：输入层、隐含层、输出层；其中，输入层变量为P＝(p₁,p₂,p₃,p₄,p₅,p₆,p₇,p₈)，输出层变量为T＝(t)；其中，p₁＝R_d、p₂＝R_q、p₃＝R_h分别表示车辆所在当前路段的曲率半径、前方路段的曲率半径、后方路段的曲率半径，p₄＝S_d表示车辆所在当前路段的长度，p₅＝i_d表示当前路段坡度，p₆＝v_n-3、p₇＝v_n-2、p₇＝v_n-1、t＝v_n分别表示速度特征点n后方3个速度特征点的速度和速度特征点n处的速度；输入层的神经元个数为8，分别为：p₁、p₂、p₃、p₄、p₅、p₆、p₇、p₈；隐含层的神经元个数为12，输出层的神经元个数为1。

应用BP神经网络单元建立驾驶员速度控制行为监测模型的过程如下：

(1)运用公式将输入层的各个神经元的输入数据分别归一化处理；其中，p_imin表示在输入层的第i个神经元中的变量的统计数据中最小的，p_imax表示在输入层的第i个神经元中的变量的统计数据中最大的，p_i表示输入层的第i个神经元中的变量的原始统计数据，为归一化之后输入层的第i个神经元中的数据。

数据归一化处理的原因：若输入的样本数据差距较大，且数据单位不一致，进入网络后大量的计算数据会占据网络的学习过程，这样便不能反映较小测量值的变化，即较小的数据容易被掩盖。并且神经网络是通过调整权值的大小来确定学习变量的重要性，倘若输入变量的数据不在同一个数量等级，则学习时赋予的权值也会相差很大，影响网络的计算精度。此外，数据变化范围大，使得计算过程复杂化，导致运算量加大，运算时间变长。

(2)隐含层的激励函数选用logsig函数，隐含层各个神经元的输出为：

b_j＝1/[1+exp(-s_j)]

其中：j＝1,2,…,12；w_ij为输入层的第i个变量至隐含层第j个变量的联接权重，q_j为隐含层第j个变量的阈值，j为隐含层单元的个数，为归一化之后输入层的的第i个神经元中的数据；并对w_ij和q_j初始化，令w_ij和q_j为[-1，1]内任意实数；

(3)输出层的激励函数选用logsig函数，输出层的输出为：

k₁＝1/[1+exp(-m₁)]

其中：v_j1为隐含层的第j个变量至输出层的联接权重，γ₁为输出层的阈值；并对v_j1和γ₁初始化，令v_j1和γ₁为[-1，1]内任意实数；该等式为BP神经网络的计算模型。

(4)选取的训练函数为trainoss函数，训练次数设定为5000，训练目标设定为0.01，即为设定误差值，训练速率选为0.01；选取的学习函数为learngdm函数，利用输入层变量P和输出层变量T，调用train函数对BP神经网络进行预测端点的速度训练直至收敛，然后利用sim函数对BP神经网络单元进行仿真之后输出预测值

(5)将输出预测值进行反归一化处理，t_min表示在输出层的输出数据中最小的，t_max表示在输出层的输出数据中最大的，表示输出层的输出预测值，t′表示输出预测值反归一化后的输出值；

(6)选取BP神经网络单元的性能函数为MSE函数，其中t为输出值的原始测量数据，t′表示输出预测值反归一化后的输出值；将t与t′进行比较，当t与t′两者差距大于设定误差值0.01时，则重复步骤(4)和(5)，在训练函数和学习函数的作用下，不断修正权重w_ij、v_j1和阈值q_j、γ₁的值，计算输出新的t′，直到t与t′两者差距小于设定误差值0.01时，该神经网络单元满足实际应用条件，完成上述驾驶员速度控制行为监测模型的构建。

经过多次试验总结，该BP神经网络单元经过66次训练后，误差值达到要求，而且训练数据收敛速度较快，MSE＝0.00979496。

完成上述驾驶员速度控制行为监测模型的构建后进入实际应用阶段，将测量得到的R_h、R_q、R_d、S_d、i_d、v_n-3、v_n-2、v_n-1输入到上述建立的驾驶员速度控制行为监测模型中，并将每个数据进行归一化处理；通过该监测模型得到车速预测值由于输入层数据输入到BP神经网络单元中是经过公式进行归一化处理过的，所以输出的车速预测值需要利用公式反归一化；其中，t′_max表示车辆行驶过的所有端点的测量速度中的最大值，t′_min表示车辆行驶过的所有端点的测量速度中的最小值，t″则表示输出车速预测值反归一化后的输出值；令预测车速v_w＝t″。

步骤四，车载工控机根据车辆在中国国家公路地理信息系统中的地理位置判断车辆所在的当前路段是否为弯道，弯道为曲率半径小于等于1000m的路段，并计算得到车辆在该弯道的临界侧滑车速V_ch和临界侧翻车速V_cf，临界侧滑车速V_ch的计算公式为：

$V_{\mathrm{ch}}=\sqrt{(u+\mathrm{\φ})\mathrm{gR}}$

其中，u为道路的纵向摩擦系数；φ为路面横坡；g为重力加速度，单位为：m/s²；R为道路的曲率半径，单位为m；

临界侧翻车速V_cf的计算公式为：

$V_{\mathrm{cf}}=\sqrt{(\frac{B}{2h_g}+\mathrm{\φ})\mathrm{gR}}$

其中，B为车辆轮距，单位为m；h_g为车辆质心高度，单位为m；φ为路面横坡；g为重力加速度，单位为：m/s²；R为道路的曲率半径，单位为m。

车载工控机将临界侧滑车速V_cf和临界侧翻车速V_ch进行比较，将两者间较小的一个作为临界安全车速Vs，车载工控机将当前路段的每个端点的预测车速V_w与临界安全车速Vs进行比较，预测车速V_w小于临界安全车速Vs时，不发出预警信号；如果预测车速V_w大于或等于临界安全车速Vs时，车载工控机控制报警器开始报警，在智能控制的汽车中，车载工控机将此危险信号直接输入到车辆的主动安全智能控制设备中，对车辆进行智能操控，减少交通事故的发生；并在车辆驶过每一端点后，车载工控机将车辆在该端点的实际车速代替预测车速，作为下一端点的预测速度的输入值，如此循环往复，预测得到每个端点的速度值。

该检测方法能对自由流状态下驾驶员的车速控制行为进行学习，记忆驾驶员在不同道路线形上的车速选择，学习驾驶员的速度控制规律，建立驾驶员速度控制行为监测模型，对驾驶员在前方道路的可能操作进行监测，为可能发生的事故提供预警信息，从而避免事故的发生；特别为可能在弯道上发生的事故提供预警信息。

尽管以上结合附图对本发明的实施方案进行了描述，但是本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在说明书的启示下，在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (6)

1.一种驾驶员速度控制行为监测装置，基于中国国家公路地理信息系统，其特征在于，包括车载工控机和速度传感器，用于接收GPS信号的车载GPS接收器，所述工控机内安装有中国国家公路地理信息数据库和BP神经网络单元，用于根据车载工控机发出的报警信号进行报警的报警器；

所述车载GPS接收器的输出端和速度传感器的输出端分别对应电连接所述车载工控机的两个I/O输入端，所述车载工控机的I/O输出端电连接所述报警器的信号输入端。

2.一种驾驶员速度控制行为监测方法，基于权利要求1所述的一种驾驶员速度控制行为监测装置，其特征在于，包括以下步骤：

步骤一，车载GPS接收器接收GPS信号并将GPS信号传输给车载工控机，车载工控机在中国国家公路地理信息系统中准确定位车辆当前位置并提取道路的曲率半径，车载工控机根据道路的曲率半径不同将车辆前方的道路划分成多个路段，每个路段的道路线形信息包括曲率半径、长度、坡度，并将每个路段等分为四小段，四小段具有五个端点，前一路段的末端点是后一路段的首端点；同时，车载速度传感器实时记录车辆的行驶速度v，根据车辆在每一小段的行驶时间和在每一小段两端点的行驶速度分别计算得出车辆在其所在路段的每一小段的平均加速度a_i，其中，i＝1,2,3,4；

如果其中任一个平均加速度a_i不满足a_i≤3.5m/s²时，车载工控机继续采集下一路段的速度并计算每一小段的平均加速度；如果平均加速度a_i均满足a_i≤3.5m/s²时，车载工控机将车辆在每个端点的行驶速度与车辆所在的路段的长度、曲率半径、坡度的道路线形信息对应记录下来，并进入下一步骤；

步骤二，设车辆所在路段为当前路段，车辆刚驶过的路段为后方路段，车辆即将驶入的路段为前方路段，车辆在后方路段的加速度符合步骤一中的平均加速度a_i均满足a_i≤3.5m/s²的要求，其中，i＝1,2,3,4，车辆进入当前路段，车载工控机获取当前路段的道路线形信息和前方路段的道路线形信息；

步骤三，BP神经网络单元建立驾驶员速度控制行为监测模型，该BP神经网络单元根据工控机输入的后方路段的曲率半径R_h、前方路段的曲率半径R_q、当前路段的曲率半径R_d、当前路段的长度S_d、当前路段的坡度i_d、车辆行驶过的最近三个端点的实际速度，预测得出车辆即将要驶过的端点的预测速度V_w；

步骤四，车载工控机根据车辆在中国国家公路地理信息系统中的地理位置判断车辆所在的当前路段为弯道时，并计算得到车辆在该弯道的临界侧滑车速V_ch和临界侧翻车速V_cf，车载工控机将临界侧滑车速V_cf和临界侧翻车速V_ch进行比较，将两者间较小的一个作为临界安全车速Vs，车载工控机将当前路段的每个端点的预测车速V_w与临界安全车速Vs进行比较；

如果预测车速V_w小于临界安全车速Vs时，不发出预警信号；如果预测车速V_w大于或等于临界安全车速Vs时，车载工控机控制报警器开始报警。

3.根据权利要求2所述的驾驶员速度控制行为监测方法，其特征在于，

在步骤三中，所述BP神经网络单元为三层BP神经网络单元，三层BP神经网络分别为：输入层、隐含层、输出层；其中，输入层变量为P＝(p₁,p₂,p₃,p₄,p₅,p₆,p₇,p₈)，输出层变量为T＝(t)；其中，p₁＝R_d、p₂＝R_q、p₃＝R_h分别表示车辆所在当前路段的曲率半径、前方路段的曲率半径、后方路段的曲率半径，p₄＝S_d表示车辆所在当前路段的长度，p₅＝i_d表示当前路段坡度，p₆＝v_n-3、p₇＝v_n-2、p₇＝v_n-1、t＝v_n分别表示车辆即将要驶过的端点n后方3个端点的速度和车辆即将要驶过的端点n处的速度；输入层的神经元个数为8，分别为：p₁、p₂、p₃、p₄、p₅、p₆、p₇、p₈；隐含层的神经元个数为12；输出层的神经元个数为1；

应用BP神经网络单元建立驾驶员速度控制行为监测模型的过程如下：

(1)运用公式将输入层的各个神经元的输入数据分别归一化处理；其中，p_imin表示在输入层的第i个神经元中的变量的统计数据中最小的，p_imax表示在输入层的第i个神经元中的变量的统计数据中最大的，p_i表示输入层的第i个神经元中的变量的原始统计数据，为归一化之后输入层的第i个神经元中的数据；

(2)隐含层的激励函数选用logsig函数，隐含层各个神经元的输出为：

b_j＝1/[1+exp(-s_j)]

其中：j＝1,2,…,12；w_ij为输入层的第i个变量至隐含层第j个变量的联接权重，q_j为隐含层第j个变量的阈值，j为隐含层单元的个数，为归一化之后输入层的的第i个神经元中的数据；并对w_ij和q_j初始化，令w_ij和q_j为[-1，1]内任意实数；

(3)输出层的激励函数选用logsig函数，输出层的输出为：

k₁＝1/[1+exp(-m₁)]

其中：v_j1为隐含层的第j个变量至输出层的联接权重，γ₁为输出层的阈值；并对v_j1和γ₁初始化，令v_j1和γ₁为[-1，1]内任意实数；

(4)选取的训练函数为trainoss函数，训练次数设定为5000，训练目标设定为0.01，即为设定误差值，训练速率选为0.01；选取的学习函数为learngdm函数，利用输入层变量P和输出层变量T，调用train函数对BP神经网络进行预测端点的速度训练直至收敛，然后利用sim函数对BP神经网络单元进行仿真之后输出预测值

(5)将输出预测值进行反归一化处理，t_min表示在输出层的输出数据中最小的，t_max表示在输出层的输出数据中最大的，表示输出层的输出预测值，t′表示输出预测值反归一化后的输出值；

(6)选取BP神经网络单元的性能函数为MSE函数，其中t为输出值的原始测量数据，t′表示输出预测值反归一化后的输出值；将t与t′进行比较，当t与t′两者差距大于设定误差值时，则重复步骤(4)和(5)，在训练函数和学习函数的作用下，不断修正权重w_ij、v_j1和阈值q_j、γ₁的值，计算输出新的t′，直到t与t′两者差距小于设定误差值时，该神经网络单元满足实际应用条件，完成上述驾驶员速度控制行为监测模型的构建；

完成上述驾驶员速度控制行为监测模型的构建后进入实际应用阶段，将测量得到的R_h、R_q、R_d、S_d、i_d、v_n-3、v_n-2、v_n-1输入到上述建立的驾驶员速度控制行为监测模型中，并将每个数据进行归一化处理；通过该监测模型得到车速预测值将车速预测值利用公式反归一化；其中，t′_max表示车辆行驶过的所有端点的测量速度中的最大值，t′_min表示车辆行驶过的所有端点的测量速度中的最小值，t″则表示输出车速预测值反归一化后的输出值；令预测车速v_w＝t″。

4.根据权利要求2所述的驾驶员速度控制行为监测方法，其特征在于，在步骤四中，所述弯道为曲率半径小于等于1000m的路段。

5.根据权利要求2所述的驾驶员速度控制行为监测方法，其特征在于，在步骤四中，临界侧滑车速V_ch的计算公式为：

$V_{\mathrm{ch}}=\sqrt{(u+\mathrm{\φ})\mathrm{gR}}$

其中，u为道路的纵向摩擦系数；φ为路面横坡；g为重力加速度；R为道路的曲率半径。

6.根据权利要求2所述的驾驶员速度控制行为监测方法，其特征在于，在步骤四中，临界侧翻车速V_cf的计算公式为：

$V_{\mathrm{cf}}=\sqrt{(\frac{B}{2h_g}+\mathrm{\φ})\mathrm{gR}}$

其中，B为车辆轮距；h_g为车辆质心高度；φ为路面横坡；g为重力加速度；R为道路的曲率半径。