CN113657752B - 基于驾驶行为指标的不同长度隧道行车风险量化评价方法 - Google Patents

基于驾驶行为指标的不同长度隧道行车风险量化评价方法 Download PDF

Info

Publication number
CN113657752B
CN113657752B CN202110940629.4A CN202110940629A CN113657752B CN 113657752 B CN113657752 B CN 113657752B CN 202110940629 A CN202110940629 A CN 202110940629A CN 113657752 B CN113657752 B CN 113657752B
Authority
CN
China
Prior art keywords
driving
risk
tunnel
tunnels
indexes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110940629.4A
Other languages
English (en)
Other versions
CN113657752A (zh
Inventor
胡月琦
吴玲
张永辉
赵炜华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Aeronautical University
Original Assignee
Xian Aeronautical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Aeronautical University filed Critical Xian Aeronautical University
Priority to CN202110940629.4A priority Critical patent/CN113657752B/zh
Publication of CN113657752A publication Critical patent/CN113657752A/zh
Application granted granted Critical
Publication of CN113657752B publication Critical patent/CN113657752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于驾驶行为指标的不同长度隧道行车风险量化评价方法，包括：S1、对不同长度的隧道进行划分和细化分，得到若干个行车区间；S2、采集并计算每名驾驶人驾车通过不同长度隧道时的驾驶行为指标，并分析驾驶行为指标的变化趋势；S3、根据驾驶行为指标，构建基于因子分析法的隧道路段行车风险量化模型，输出基于多维行为指标的行车风险值；S4、基于多维行为指标的行车风险值，采用SOM神经网络对隧道路段行车风险行为进行科学聚类，并对行车区间风险等级进行划分。本发明结合因子分析和SOM神经网络算法，实现隧道行车区间风险属性及对应风险行为的科学聚类，研究结果为甄选隧道环境下的高风险区间提供了理论参考和方法指导。

Description

基于驾驶行为指标的不同长度隧道行车风险量化评价方法
技术领域
本发明涉及隧道交通安全技术领域，特别是涉及一种基于驾驶行 为指标的不同长度隧道行车风险量化评价方法。
背景技术
高速公路隧道结构特殊、内外环境差异大、空间狭小、环境封闭， 同一般道路相比更易引发交通事故，其运行安全问题成为了社会关注 的焦点。从事故发生机理角度看，驾驶人风险行为是引发隧道交通事 故的主要和直接原因，只有掌握驾驶风险行为的影响因素及其变化机 理，有针对性地加以引导，才能获得稳定、有效的风险控制效果，提 高隧道行车安全性。
近年来，随着高速公路隧道运行安全保障技术不断发展，对驾驶 人行为的监控与预测手段也在不断完善。尽管如此，限于研究手段不 足，驾驶人行为研究仍以外显行为(车辆横纵向速度控制等)测量与 统计分析为主，当涉及到驾驶人行为风险评价时，大多是利用单一指 标表征行车风险，不同指标描述内容各有侧重点，对于描述结果没有 一致性，现有研究缺乏多指标综合的驾驶人行为风险量化方法，尤其 缺乏对于隧道行车环境下的行为风险特性研究。量化不同隧道环境下 的驾驶行为风险，分析其变化特性，对于隧道安全设计和设施改善具 有重要作用。
此外，目前在制定高速公路隧道安全保障措施时，工程技术人员 缺少定量分析方法，常根据经验制定控制策略，之后再根据事故情况 进行调整，部分隧道路段反复尝试各类措施，效果却并不理想。细化 隧道行车区间，量化各区间行车风险，甄选高风险行车区间并找出与 其对应的风险驾驶行为，可以有效地对驾驶人行为进行干预、并给隧 道建设和管理部门对隧道科学有序的安全管理提供思路。
发明内容
本发明的目的是提供一种基于驾驶行为指标的不同长度隧道行 车风险量化评价方法，实现隧道行车区间风险属性及对应风险行为的 科学聚类，相关管理部门也能够根据高风险区间对应的风险驾驶行为 更有针对性地提出相应的改良措施，对驾驶安全，隧道运行安全具有 重要意义。
为实现上述目的，本发明提供一种基于驾驶行为指标的不同长度 隧道行车风险量化评价方法，具体包括以下步骤：
S1、对不同长度的隧道进行划分和细化分，得到若干个行车区间；
S2、采集并计算每名驾驶人驾车通过所述不同长度隧道时的驾驶 行为指标，并分析所述驾驶行为指标的变化趋势；
S3、根据所述驾驶行为指标，构建基于因子分析法的隧道路段行 车风险量化模型，输出多维行为指标的行车风险值；
S4、基于因子分析得到的公因子，采用SOM神经网络对隧道路 段行车风险行为进行科学聚类，并对行车区间风险等级进行划分。
优选的，所述S1具体为：
S11、选取不同长度的隧道，包括：短隧道、中长隧道和特长隧 道；
S12、将每种隧道划分为三个行车段，包括：入口段、中间段和 出口段；
S13、对每个行车段再进行细化分，得到若干个行车区间。
优选的，所述驾驶行为指标包括：平均车速、运行速度与限速值 差、区间运行车速差、超速行驶比例、加速度和减速度。
优选的，所述超速行驶比例包括：不同隧道行车段各行车区间超 速行驶比例、各驾驶人在不同隧道环境下的超速行驶概率；
所述不同隧道行车段各行车区间超速行驶比例作为该区间驾驶 行为风险的一项指标，其表达式为：
Figure BDA0003214732710000031
式中，q为区间超速比例；m为通过该区间时超速行驶的某类驾 驶人数量；n为所有参与实车实验的某类驾驶人数量；
所述各驾驶人在不同隧道环境下的超速行驶概率作为衡量个体 行为风险的一项指标，其表达式为：
Figure BDA0003214732710000032
式中，p为驾驶人超速行驶概率；i为驾驶人通过某隧道时速度 超过限速值的行车区间数量；k为该隧道包含的行车区间总数。
优选的，所述S3具体为：
S31、采用Zscore法将所述驾驶行为指标进行标准化处理；
S32、采用KMO检验和Bartlett球形检验法验证处理后的驾驶行 为指标是否满足做因子分析的条件，并验证处理前的驾驶行为指标之 间是否具有较强的相关关系；
S33、采用主成分分析法对所述处理后的驾驶行为指标进行前两 个公因子的提取；
S34、将所述前两个公因子进行旋转，得到旋转后的因子载荷阵， 包括公因子1和公因子2；
S35、基于所述旋转后的因子载荷阵，得到因子得分系数矩阵， 进而得到前两个公因子的得分；并根据所述前两个公因子的得分，构 建基于因子分析法的隧道路段行车风险量化模型；
S36、根据所述基于因子分析法的隧道路段行车风险量化模型输 出的行车风险值，采用Min-max标准化法将所述行车风险值转化到 [0,1]内，得到多维行为指标的行车风险值。
优选的，所述S4具体为：
S41、以所述公因子1和公因子2对应的的驾驶行为指标作为聚 类指标，并根据所述多维行为指标的行车风险值分别构建SOM神经 网络模型；
S42、将所述公因子1和公因子2中的驾驶行为指标绝对值分别 输入到对应的SOM神经网络模型中，输出驾驶行为风险特征的归类 和评级；
S43、基于所述S42，判断各行车区间的驾驶行为风险属性，计 算不同长度隧道包含高风险区间的比例，实现行车区间风险等级的划 分。
优选的，所述公因子1的SOM神经网络聚类的输入层为两个变 量，竞争层神经元个数为4，最终输出分类结果为4类。
优选的，所述公因子2的SOM神经网络聚类的输输入层为3个 变量，竞争层神经元为2，输出聚类结果为2类。
与现有技术相比，本发明具有以下技术效果：
本发明挖掘驾驶人行为间、驾驶人行为与行车风险间的数量关 系，提出基于驾驶人行为指标的隧道路段行车风险量化评价方法，为 基于驾驶人风险特性的隧道安全设计提供理论支持，也为隧道建设和 管理部门对隧道科学有序地安全管理提供思路。此外，本发明结合因 子分析和SOM神经网络算法，实现隧道行车区间风险属性及对应风 险行为的科学聚类，研究结果为甄选隧道环境下的高风险区间提供了 理论参考和方法指导，对驾驶人行为干预、隧道交通基础设施安全设 计和布设具有重要应用价值。此外，相关管理部门也能够根据高风险 区间对应的风险驾驶行为更有针对性地提出相应的改良措施，对驾驶安全，隧道运行安全具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描 述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来 讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他 的附图。
图1为本发明实施例的方法流程图；
图2为本发明实施例的以公因子1为聚类指标的SOM神经网络 结构示意图；
图3为本发明实施例的以公因子1为聚类指标的SOM神经网络 模型图；其中，(a)为SOM神经网络拓扑结构图；(b)为相邻神经 元间距离分布图；(c)为样本在神经元中的分布情况图；(d)输入变 量与神经元间权值连接情况图；
图4为本发明实施例的以公因子1为指标的聚类结果图；
图5为本发明实施例的以公因子2为聚类指标的SOM神经网络 结构示意图；
图6为本发明实施例的以公因子2为聚类指标的SOM神经网络 模型图；其中，(a)为SOM神经网络拓扑结构图；(b)为相邻神经 元间距离分布图；(c)为样本在神经元中的分布情况图；(d)为输入 变量与神经元间权值连接情况图；
图7为本发明实施例的以公因子2为指标的聚类结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方 案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部 分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普 通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结 合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参照图1所示，本发明提出一种基于驾驶行为指标的不同长度隧 道行车风险量化评价方法，具体包括以下步骤：
S1、对不同长度的隧道进行划分和细化分，得到若干个行车区间；
选取不同长度的隧道，包括：短隧道、中长隧道和特长隧道；并 参照《公路隧道设计规范》(JTG D70/2-2014)和《公路隧道照明设 计细则》(JTG D70/2-01-2014)相关规定，将各隧道划分为三个行车 段，即入口段、中间段和出口段，在此基础上进一步将各行车段细化 成多个行车区间。以短隧道为例，以50m为间隔，将入口段和出口 段各划分为9个行车区间，中间段均匀划分为4个行车区间，整个短 隧道路段包含22个行车区间。中长和特长隧道分别划分为27和43 个行车区间。区间平均指标涵盖数据较多，采用其表征各指标变化特性越全面。
S2、采集并计算每名驾驶人驾车通过所述不同长度隧道时的驾驶 行为指标，并分析所述驾驶行为指标的变化趋势；
假设有40名驾驶人进行隧道实车实验，采集并计算每一名驾驶 人在不同长度隧道各行车区间的平均车速、速度差(车辆运行速度与 限速值差值以及相邻行车区间运行车速差)、不同长度隧道各行车区 间的超速行驶比例以及加(减)速度变化趋势，分析各指标变化规律。
其中，各指标定义如下：
(1)平均车速
车速是衡量车辆运行状态最基本的参数。选用隧道区间平均车速 (km/h)，即各行车区间某类驾驶人平均车速的均值，作为表征驾驶 行为特征的指标之一。
(2)运行速度与限速值差
车辆运行速度与道路设计速度的差值越大，事故发生的可能性也 就越大。选用车辆运行速度与道路限速值之差的绝对值作为指标，评 价不同隧道路段运行安全性和协调性。
(3)区间运行车速差
运行速度不协调严重影响高速公路行车安全。车速变化较大的路 段往往存在较高的安全风险。相邻路段之间的车速差是道路连续性、 行车安全性最直接的体现。鉴于此，选择相邻行车区间车速差绝对值 作为衡量不同隧道路段运行安全性和协调性的指标。
(4)超速行驶比例
把不同隧道行车段各行车区间超速行驶比例作为表征该区间驾 驶行为风险的一项指标。此外，将各驾驶人在不同隧道环境下的超速 行驶概率作为衡量个体行为风险的一项指标。
其中，区间超速行驶比例如式(1)所示：
Figure BDA0003214732710000081
式中，q为区间超速比例；m为通过该区间时超速行驶的某类驾 驶人数量；n为所有参与实车实验的某类驾驶人数量。
驾驶人超速行驶概率如式(2)所示：
Figure BDA0003214732710000082
式中，p为驾驶人超速行驶概率；i为驾驶人通过某隧道时速度 超过限速值的行车区间数量；k为该隧道包含的行车区间总数。
(5)加(减)速度变化趋势
当加(减)速度过大时，驾驶人身体会感到不适，可能出现视觉 模糊、身体不能移动、流泪等症状，严重影响车辆的驾驶安全。车辆 全制动过程中，超过90％的驾驶人在遇到突发状况时，紧急停车所 采用的减速度大于3.4m/s2，而在一般情况下，驾驶员采用的减速度 小于3.0m/s2。本发明选用区间加(减)速度平均值作为反映驾驶平 顺性与驾驶行为风险的指标。加(减)速度绝对值越大，表明该行车 区间车速平稳性越差。
S3、根据所述驾驶行为指标，构建基于因子分析法的隧道路段行 车风险量化模型，输出多维行为指标的行车风险值；
基于上述6项与隧道驾驶安全密切相关的行为指标进行定性及 定量分析，这些指标从各个角度描述了不同隧道路段的驾驶行为风险， 不同指标的描述内容有各自的侧重点，且对于描述的风险高低没有一 致性。鉴于此，本发明提出基于因子分析法的隧道路段行车风险量化 模型。利用因子分析法在尽量不损失原有信息的基础上，将相同本质 的指标变量归为一个因子，实现数据降维。
S31、利用Zscore法将平均车速、运行速度与限速值差、区间运 行车速差、超速行驶比例、加速度及减速度这6个指标进行标准化处 理，消除指标在量纲上的差异。
S32、采用KMO检验和Bartlett球形检验法验证处理后的6个指 标是否满足做因子分析的条件，并验证原始指标(处理前的6个指标) 之间是否具有较强的相关关系。
S33、对上述处理后的6个指标进行主成分分析提取公因子。前 两个公因子特征值大于1，累积方差贡献率达78.05％，能够比较好的 解释原有指标所包含的信息。因此，本发明提取前两个公因子。
S34、提取的两个公因子虽然能很好地概括原有指标的内容，但 因子的意义不容易解释，故对因子进行旋转，得到旋转后的因子载荷 阵，如表1所示：
表1
Figure BDA0003214732710000101
表1为旋转后的因子载荷阵，公因子1与平均车速、超速比例以 及运行车速与限速值的差值相关性较高，将它定义为“车辆运行效率” 因子；公因子2与加速度、减速度以及相邻区间的区间运行车速差相 关性较高，定义为“速度协调性”因子。
S35、基于旋转后的因子载荷阵，得到因子得分系数矩阵，如表 2所示：
表2
Figure BDA0003214732710000102
Figure BDA0003214732710000111
进而得到最终公因子1和公因子2的得分公式，如式(3)-(4) 所示：
F1＝0.389Z1+0.446Z2+0.114Z3+0.394Z4-0.032Z5 +0.087 (3)
F2＝-0.033Z1+0.136Z2+0.579Z3+0.052Z4+0.430Z5 +0.485Z6 (4)
式中，F1是公因子2的得分公式；F2为公因子2的得分公式；
然后对前两个公因子的得分进行加权求和，权数取其方差贡献率， 以方差贡献率之和为基础进行权重单位化处理，得到最终的隧道路段 驾驶行为风险量化模型R，如式(5)所示：
Figure BDA0003214732710000112
S36、最后，根据式(5)计算得到驾驶人通过不同隧道路段的行 车风险值，采用Min-max标准化法将风险数值转化到[0,1]内，得到基 于多维行为指标的行车风险值。
S4、基于所述多维行为指标的行车风险值，采用SOM神经网络 对隧道路段行车风险行为进行科学聚类，并对行车区间风险等级进行 划分。
SOM(Self-Origanizing Maps)自组织映射网络，是由赫尔辛基 大学教授TeuvoKohonen于二十世纪八十年代年提出的一种基于神经 网络的聚类算法，其中的WTA(WinnerTakes All)竞争机制反映了 自组织学习最根本的特征。不同于一般神经网络基于损失函数反向传 递的训练模式，SOM运用竞争学习策略，依靠神经元间的相互竞争 逐步优化网络，同时使用近邻关系函数维持输入空间的拓扑结构。由 于SOM是一种无监督学习的神经网络，训练阶段不需要样本标签， 能够在类别未知的情况下，对数据进行聚类，识别针对某问题具有内 在关联的特征。该算法具有良好的组织能力和可视化特性，被广泛应 用于分类聚类、模式识别、信号处理以及数据挖掘等领域。
因驾驶数据复杂程度高，分类结果无法手动标注，故选用SOM 聚类这种无监督学习方式，对隧道行车区间风险特征进行聚类分析。
根据所述多维行为指标的行车风险值构建SOM神经网络模型； 根据上述因子旋转后得到的两个公因子，通过SOM神经网络将不同 行车区间的驾驶行为风险特征进行归类并评级，判断各行车区间的驾 驶行为风险属性，计算不同长度隧道包含高风险区间的比例。假设选 取驾驶人驾驶车辆通过短、中长、特长隧道的入口段、中间段及出口 段共92个行车区间的驾驶行为指标均值作为聚类观测值。其中，短 隧道包含区间1-22，中长隧道包含区间23-49，特长隧道包含区间 50-92。
(1)以公因子1为聚类指标
由于无法统计单一驾驶人在单一行车区间的超速比例，针对公因 子1，选取平均车速及运行速度与限速值差的绝对值作为聚类输入指 标，通过Matlab R2020a编程实现SOM神经网络聚类，迭代次数为 1000次。
图2是SOM神经网络结构示意图，输入层为两个变量，竞争层 神经元个数为4，最终输出分类结果为4类。图3(a)为SOM网络 拓扑结构，4个拓扑节点代表聚类数量；每两类之间的相对距离即两 类别之间的相似程度如图3(b)所示，颜色越深代表两类别之间距 离越远相似度越低；每个类别包含的样本数量如图3(c)所示；图3 (d)反映每个输入变量与竞争层神经元间权值连接情况，红色权值 最大，黑色权值为0。
以平均车速和运行速度与限速值差的绝对值为指标，将指标变量 标准化以消除不同量纲的影响，绘制SOM网络聚类结果图(见图4)， 统计聚类结果如表3和表4所示：(其中，表3是以公因子1为聚类 指标的聚类中心；表4是以公因子1为聚类指标的聚类结果)
表3
Figure BDA0003214732710000131
表4
Figure BDA0003214732710000132
结果表明：(1)类别1和2包含的行车区间均处于各隧道内部， 车辆运行速度与限速值差异大，超速现象严重，驾驶风险性较高；(2) 类别3包含的行车区间均分布在隧道外部，出现超速现象但超速程度 不高，归为中风险；(3)类别4包含的行车区间均为隧道外部路段， 车速均控制在限速值内且与限速值差异小，相较于其他路段安全风险 较低，涉及的行车区间具体分布在短隧道入口、中长隧道出入口以及 特长隧道出入口附近。
综合分析，短、中长和特长隧道分别有45.45％、55.55％和72.09％ 的行车区间运行车速与限速值差异较大，超速现象严重，归为高风险 路段。由此可见随着隧道长度增加，超速现象频频发生，高风险区间 比例增大；此外，从平均车速和车速与限速值差异的角度出发，相较 于隧道入口接近段和出口后，隧道内部行车区间的驾驶行为风险更高。
(2)以公因子2为聚类指标
针对公因子2，选取相邻路段区间车速差绝对值、加速度和减速 度作为聚类指标，进行SOM聚类，迭代次数为1000次。SOM神经 网络结构如图5所示，输入层为3个变量，竞争层神经元为2，输出 聚类结果为2类。SOM神经网络拓扑结构、相邻神经元间距离分布、 样本在不同神经元中的分布情况以及各输入变量与神经元间权值连 接情况如图6(a)-(d)所示。
以区间车速差、加(减)速度为指标，将指标标准化以消除不同 量纲的影响，绘制SOM网络聚类结果图(见图7)，并统计聚类结果 见表5和表6所示：(表5是以公因子2为聚类指标的聚类中心，表 6是以公因子2为聚类指标的聚类结果)
表5
Figure BDA0003214732710000141
Figure BDA0003214732710000151
表6
Figure BDA0003214732710000152
结果显示：(1)类别1对应的区间车速差较小，车辆加(减)速 度较小，行车平稳性好，驾驶行为风险较低；(2)类别2包含的行车 区间对应了较大的区间车速差与加(减)速度，速度协调性和平稳性 较差，行车风险较高，这些高风险区间均分布在特长与中长隧道路段。
综合分析，随着隧道长度增加，隧道内速度协调性和平稳性变差， 短、中长和特长隧道分别有0％、29.63％和72.09％的行车区间属于高 风险区间。这可能是因为随着驾驶人在隧道内部的行车时间增长，对 车速及车辆位置的感知出现偏差，加之心智游移频率增加，驾驶人注 意力分散，车辆容易偏离限速及行车位置，且区间车速波动较大，出 现急加(减)速的情况，故车辆运行的稳定性较短隧道差。此外，高 风险区间在中长隧道入口段、中间段及出口段占比：25％，33.3％和 33.3％，在特长隧道入口段、中间段和出口段占比：83.33％，68.42％ 和66.67％。
以单一驾驶行为表征某一路段行车风险是不够全面客观的。本发 明基于数据挖掘技术，结合因子分析和SOM聚类分析技术，实现隧 道行车区间风险驾驶行为的科学聚类。基于因子分析结果，从车辆运 行效率和运行稳定协调性两方面对区间行车风险属性进行聚类，分析 隧道不同行车区间的风险行为特征和等级。采用上述方法计算得出的 结果，相关隧道建设与管理部门可有效筛选出驾驶行为风险较高的隧 道行车区间，并依据高风险区间对应的风险行为，有针对性地采取措 施(例如重点监控、增设减速设施增等)来减少事故隐患，保障隧道 行车安全。实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中， 该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介 质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介 质。
此外，在实际调研中发现，制定高速公路隧道安全保障措施时， 工程技术人员缺少定量分析方法，常根据经验制定控制策略，之后再 根据事故情况进行调整，部分隧道路段反复尝试各类措施，效果却并 不理想。此外，目前为提高隧道运行安全水平，相关研究和工程技术 手段在减少车辆与道路环境风险方面投入较大，而在减少人为风险因 素方面投入较少。而对于驾驶人风险行为控制和干预可以有效减少隧 道事故，提高道路安全水平。
车辆运行安全取决于驾驶人行为安全，本发明挖掘驾驶人行为间、 驾驶人行为与行车风险间的数量关系，提出基于驾驶人行为指标的隧 道路段行车风险量化评价方法，为基于驾驶人风险特性的隧道安全设 计提供理论支持，也为隧道建设和管理部门对隧道科学有序地安全管 理提供思路。此外，研究结果对驾驶人行为干预、隧道交通基础设施 安全设计和布设具有重要应用价值。
例如：从车辆行驶速度和超速角度来看，行车区间7属于高风险 行车区间。结合车辆实际运行情况和该路段事故数据，行车区间7虽 然速度协调性高，但其运行车速过高，超速现象严重，属于高风险行 车区间。相关隧道管理部门应在该区间增设限速设施(减速带、减速 标线、测速装置等)。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本 发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普 通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本 发明权利要求书确定的保护范围内。

Claims (3)

1.一种基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，具体包括以下步骤：
S1、对不同长度的隧道进行划分和细化分，得到若干个行车区间；
S2、采集并计算每名驾驶人驾车通过所述不同长度隧道时的驾驶行为指标，并分析所述驾驶行为指标的变化趋势；
S3、根据所述驾驶行为指标，构建基于因子分析法的隧道路段行车风险量化模型，输出多维行为指标的行车风险值；
S4、基于因子分析得到的公因子，采用SOM神经网络对隧道路段行车风险行为进行科学聚类，并对行车区间风险等级进行划分；
所述驾驶行为指标包括：平均车速、运行速度与限速值差、区间运行车速差、超速行驶比例、加速度和减速度；
所述超速行驶比例包括：不同隧道行车段各行车区间超速行驶比例、各驾驶人在不同隧道环境下的超速行驶概率；
所述不同隧道行车段各行车区间超速行驶比例作为该区间驾驶行为风险的一项指标，其表达式为：
Figure 553768DEST_PATH_IMAGE001
式中，q为区间超速比例；m为通过该区间时超速行驶的某类驾驶人数量；n为所有参与实车实验的某类驾驶人数量；
所述各驾驶人在不同隧道环境下的超速行驶概率作为衡量个体行为风险的一项指标，其表达式为：
Figure 189018DEST_PATH_IMAGE002
式中，p为驾驶人超速行驶概率；i为驾驶人通过某隧道时速度超过限速值的行车区间数量；k为该隧道包含的行车区间总数；
所述S1具体为：
S11、选取不同长度的隧道，包括：短隧道、中长隧道和特长隧道；
S12、将每种隧道划分为三个行车段，包括：入口段、中间段和出口段；
S13、对每个行车段再进行细化分，得到若干个行车区间；
所述S3具体为：
S31、采用Zscore法将所述驾驶行为指标进行标准化处理；
S32、采用KMO检验和Bartlett球形检验法验证处理后的驾驶行为指标是否满足做因子分析的条件，并验证处理前的驾驶行为指标之间是否具有较强的相关关系；
S33、采用主成分分析法对所述处理后的驾驶行为指标进行前两个公因子的提取；
S34、将所述前两个公因子进行旋转，得到旋转后的因子载荷阵，包括公因子1和公因子2；
S35、基于所述旋转后的因子载荷阵，得到因子得分系数矩阵，进而得到前两个公因子的得分；并根据所述前两个公因子的得分，构建基于因子分析法的隧道路段行车风险量化模型；
S36、根据所述基于因子分析法的隧道路段行车风险量化模型输出的行车风险值，采用Min-max标准化法将所述行车风险值转化到[0，1]内，得到多维行为指标的行车风险值；
所述S4具体为：
S41、以所述公因子1和公因子2的驾驶行为指标作为聚类指标，并根据所述多维行为指标的行车风险值分别构建SOM神经网络模型；
S42、将所述公因子1和公因子2中的驾驶行为指标绝对值分别输入到对应的SOM神经网络模型中，输出驾驶行为风险特征的归类和评级；
S43、基于所述S42，结合车辆实际运行状况，判断各行车区间的驾驶行为风险属性 ，计算不同长度隧道包含高风险区间的比例，实现行车区间风险等级的划分。
2.根据权利要求1所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述公因子1的SOM神经网络聚类的输入层为两个变量，竞争层神经元个数为4，最终输出分类结果为4类。
3.根据权利要求1所述基于驾驶行为指标的不同长度隧道行车风险量化评价方法，其特征在于，所述公因子2的SOM神经网络聚类的输入层为3个变量，竞争层神经元为2，输出聚类结果为2类。
CN202110940629.4A 2021-08-17 2021-08-17 基于驾驶行为指标的不同长度隧道行车风险量化评价方法 Active CN113657752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940629.4A CN113657752B (zh) 2021-08-17 2021-08-17 基于驾驶行为指标的不同长度隧道行车风险量化评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940629.4A CN113657752B (zh) 2021-08-17 2021-08-17 基于驾驶行为指标的不同长度隧道行车风险量化评价方法

Publications (2)

Publication Number Publication Date
CN113657752A CN113657752A (zh) 2021-11-16
CN113657752B true CN113657752B (zh) 2022-05-31

Family

ID=78491668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940629.4A Active CN113657752B (zh) 2021-08-17 2021-08-17 基于驾驶行为指标的不同长度隧道行车风险量化评价方法

Country Status (1)

Country Link
CN (1) CN113657752B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063986B (zh) * 2022-04-13 2023-04-28 石家庄铁道大学 隧道出口安全车速计算方法及装置
CN115320631B (zh) * 2022-07-05 2024-04-09 西安航空学院 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法
CN115985137B (zh) * 2023-03-10 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 一种隧道交通运行的风险评估方法、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10012993B1 (en) * 2016-12-09 2018-07-03 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
CN106971540B (zh) * 2017-04-28 2019-10-01 长安大学 高速公路隧道环境下驾驶人的行为风险量化方法
CN107348964B (zh) * 2017-06-15 2020-06-19 长安大学 基于因子分析的特长隧道环境驾驶人心理负荷测量方法
CN111461185A (zh) * 2020-03-19 2020-07-28 哈尔滨工程大学 一种基于改进K-means的驾驶行为分析方法
CN111547064B (zh) * 2020-05-26 2022-07-12 吉林大学 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法
CN113232669B (zh) * 2021-05-21 2022-05-17 中国第一汽车股份有限公司 一种基于机器学习的驾驶风格辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Tong Zhu et al..《A research on risk assessment and warning strategy for intersection collision avoidance system》.《IEEE Xplore》.2009, *

Also Published As

Publication number Publication date
CN113657752A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN113657752B (zh) 基于驾驶行为指标的不同长度隧道行车风险量化评价方法
Ping et al. Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning
CN109492945A (zh) 企业风险识别监控方法、装置、设备及存储介质
CN109409677A (zh) 企业信用风险评估方法、装置、设备及存储介质
CN111461185A (zh) 一种基于改进K-means的驾驶行为分析方法
Figueredo et al. Identifying heavy goods vehicle driving styles in the united kingdom
Momeni et al. Clustering stock market companies via k-means algorithm
Nyitrai Dynamization of bankruptcy models via indicator variables
CN115689040B (zh) 基于卷积神经网络的交通事故严重程度预测方法及系统
Agrawal et al. Towards real-time heavy goods vehicle driving behaviour classification in the united kingdom
CN112001788A (zh) 一种基于rf-dbscan算法的信用卡违约欺诈识别方法
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
Mase et al. Capturing uncertainty in heavy goods vehicles driving behaviour
CN107871183A (zh) 基于不确定性云理论的多年冻土区公路病害预测方法
Halim et al. Deep neural network-based identification of driving risk utilizing driver dependent vehicle driving features: A scheme for critical infrastructure protection
Rentzmann et al. Unsupervised learning: What is a sports car?
CN116245367A (zh) 基于层次模糊神经网络的危货车运输风险评估方法及系统
Li Application of intelligent fuzzy decision tree algorithm in English teaching model improvement
Dadios et al. Fuzzy-neuro model for intelligent credit risk management
CN113344130A (zh) 差异化巡河策略的生成方法及装置
Sun et al. Freeway traffic safety state classification method based on multi-parameter fusion clustering
CN109214598A (zh) 基于k-means和arima模型预测住宅小区抵押风险的批量评级方法
Zhao et al. Evaluation and prediction of free driving behavior type based on fuzzy comprehensive support vector machine
CN114372694A (zh) 一种高校学生行为分析系统
CN116128275A (zh) 一种事件推演预测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant