CN114266513A - 连续纵坡路段安全性评价模型构建、诊断方法及系统 - Google Patents
连续纵坡路段安全性评价模型构建、诊断方法及系统 Download PDFInfo
- Publication number
- CN114266513A CN114266513A CN202210190943.XA CN202210190943A CN114266513A CN 114266513 A CN114266513 A CN 114266513A CN 202210190943 A CN202210190943 A CN 202210190943A CN 114266513 A CN114266513 A CN 114266513A
- Authority
- CN
- China
- Prior art keywords
- slope section
- slope
- driver
- continuous longitudinal
- straight
- 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.)
- Granted
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及连续纵坡路段安全性评价模型构建、诊断方法及系统。本发明提供连续纵坡路段安全性评价模型构建方法,选择训练数据,构造训练集;将连续纵坡路段划分为直坡段与弯坡段;构建直坡段回归模型及弯坡段回归模型;直坡段时,选择直坡段回归模型以驾驶员视觉负荷强度为输出,以直坡段坡度及直坡段坡长为输入,直至预测性能达到预设值后停止训练;弯坡段时,选择弯坡段回归模型以驾驶员视觉负荷强度为输出,以弯坡段坡度及弯坡段角度变化率为输入,直至预测性能达到预设值后停止训练;则连续纵坡坡段安全性评价模型构建完成。建立了驾驶员视觉负荷强度与道路线形指标的关系模型,实现坡段线性的安全性评价。
Description
技术领域
本发明属于道路安全检测领域,具体涉及连续纵坡路段安全性评价模型构建、诊断方法及系统。
背景技术
受地形条件制约,山区高速公路普遍面临连续纵坡设计决策需求。有很多学者对连续纵坡路段的设计安全性进行了研究。而为了对驾驶安全性进行评估,现有技术中研究了连续纵坡路段驾驶员驾驶时驾驶员瞳孔面积变化率、注视持续时间、注视次数与眨眼次数比,并选取了这三个驾驶员视觉指标,通过主成分分析法将三个指标进行综合简化,建立了连续纵坡路段驾驶员视觉负荷强度模型:
F=0.356X1+0.344X2+0.326X3;
式中:F—驾驶员视觉负荷强度;X1—瞳孔面积变化率(%);X2—驾驶员注视持续时间(s);X3—驾驶员注视次数与眨眼次数比。
由该模型关系式可知,驾驶员视觉负荷强度与瞳孔面积变化率、注视持续时间和注视次数与眨眼次数比三个眼动指标均呈线性关系且为正相关。驾驶员视觉负荷强度F越大,表明驾驶员心理越为紧张,因此驾驶员视觉负荷强度F可以表征驾驶员在连续纵坡路段行驶时的心理紧张程度。
连续纵坡路段分为直坡段与纵坡段,其坡段设计尤为重要,直接影响到道路行驶的安全性。但现有技术中并未对直坡段与纵坡段进行分别研究,也并未有有效成熟的技术对这两种坡段是否安全进行评估检测。
发明内容
本发明的目的是针对现有技术中并未有成熟的技术对两种坡段是否安全进行检测评估的问题,提出连续纵坡路段安全性评价模型构建、诊断方法及系统,结合驾驶员视觉负荷强度模型,对纵坡路段的直坡段以及弯坡段的设计安全性进行检测。
为达到上述发明目的,本发明提供连续纵坡路段安全性评价模型构建方法,包括以下步骤:
步骤1、选择训练数据,构造训练集;将连续纵坡路段划分为直坡段与弯坡段;直坡段时,所述训练数据包括直坡段坡度、直坡段坡长以及与其对应的驾驶员视觉负荷强度;弯坡段时,所述训练数据包括弯坡段坡度、弯坡段角度变化率以及与其对应的驾驶员视觉负荷强度;
步骤2、构建直坡段回归模型及弯坡段回归模型;
步骤3、直坡段时,选择直坡段回归模型以驾驶员视觉负荷强度为输出,以直坡段坡度及直坡段坡长为输入,直至预测性能达到预设值后停止训练;弯坡段时,选择弯坡段回归模型以驾驶员视觉负荷强度为输出,以弯坡段坡度及弯坡段角度变化率为输入,直至预测性能达到预设值后停止训练;则连续纵坡坡段安全性评价模型构建完成。
具体的,所述步骤1中,以平曲线半径1000m为临界值,将连续纵坡路段划分为直坡段与弯坡段。
具体的,所述构建完成的直坡段回归模型的计算公式如下:
F=0.235×i2-0.423×i+653.67×L-1+2.425 R2=0.732;
其中,F代表驾驶员视觉负荷强度;i表示直坡段坡度;L表示直坡段坡长;R为相关系数。
具体的,所述构建完成的弯坡段回归模型的计算公式如下:
F=1.068×exp(-0.475×I)+1.227×exp(0.241×CCR)+1.504
R2=0.704 ;
其中,F代表驾驶员视觉负荷强度;I表示弯坡段坡度;CCR表示弯坡段角度变化率;R为相关系数。
本发明还提供连续纵坡路段安全性评价诊断方法,包括以下步骤:依据上述任意一项所述的连续纵坡路段安全性评价模型构建方法构建连续纵坡路段安全性评价模型,将其应用于连续纵坡坡段线性的安全性评价,输出驾驶员视觉负荷强度;根据驾驶员视觉负荷强度,统计连续纵坡路段驾驶员视觉负荷强度累积频率,累计频率小于25%分位认定安全性高,累计频率大于等于25%小于75%分位认定安全性一般,累计频率大于等于75%分位,认定安全性低。
本发明还提供连续纵坡路段安全性评价系统,包括依据上述任意一项所述的连续纵坡路段安全性评价模型构建方法构建的连续纵坡路段安全性评价模型。
本发明的有益效果在于,本发明以驾驶员视觉负荷强度为指标,以平曲线半径1000m为临界值,将连续纵坡路段划分为直坡段与弯坡段作为基本分析单元。基于驾驶员视觉负荷研究成果分别对连续纵坡路段直坡段和弯坡段线形进行分析,建立了驾驶员视觉负荷强度与道路线形指标的关系模型。从而实现对连续纵坡坡段线性的安全性评价。
附图说明
图1为本发明实施例1中直坡段不同坡度条件驾驶员视觉负荷强度分布情况。
图2为本发明实施例1中直坡段不同坡长条件驾驶员视觉负荷强度分布情况。
图3为本发明实施例1中弯坡段不同坡度条件驾驶员视觉负荷强度分布情况。
图4为本发明实施例1中弯坡段不同角度变化率条件驾驶员视觉负荷强度分布情况。
图5为本发明实施例1中直坡段直坡度M与驾驶员视觉负荷强度关系。
图6为本发明实施例1中弯坡段弯坡度N与驾驶员视觉负荷强度关系。
图7为本发明实施例2中连续纵坡路段驾驶员视觉负荷强度累积频率。
具体实施方式
下面结合实施例,详细描述本发明的技术方案。
实施例1
连续纵坡路段直坡段坡度与坡长均对驾驶员视觉存在影响,本发明基于连续纵坡路段驾驶员视觉负荷强度模型,分析直坡段坡度、坡长与驾驶员视觉负荷强度的影响关系,建立直坡段线形与驾驶员视觉负荷强度关系模型,为连续纵坡直坡段线形设计与安全性评价提供参考。为此,本例提供一种连续纵坡路段安全性评价模型构建方法,包括以下步骤:
步骤1、选择训练数据,构造训练集。
本例以平曲线半径1000m为临界值,将连续纵坡路段划分为直坡段与弯坡段作为基本分析单元。直坡段时,所述训练数据包括直坡段坡度、直坡段坡长以及与其对应的驾驶员视觉负荷强度;弯坡段时,所述训练数据包括弯坡段坡度、弯坡段角度变化率以及与其对应的驾驶员视觉负荷强度。
1.1直坡段坡度
统计分析车辆在连续纵坡路段直坡段不同坡度条件下行驶时驾驶员视觉行为指标,所述指标包括:驾驶员瞳孔面积变化率、注视持续时间、注视次数与眨眼次数比,以及根据指标计算出的驾驶员视觉负荷强度值。可得直坡段不同坡度条件下驾驶员视觉负荷强度分布情况,如图1所示。可知,直坡段驾驶员视觉负荷强度与直坡段坡度呈二次函数分布特征,且随着直坡段坡度的增加驾驶员视觉负荷强度呈增大的趋势。当坡度小于4%时,随着坡度的增加驾驶员视觉负荷强度增加较缓;当坡度大于4%时,驾驶员视觉负荷强度明显增大。分析认为随着直坡段坡度的增加,驾驶员对车辆制动操作负荷加大,同时驾驶员对外界视觉信息获取难度增加,驾驶员心理紧张程度随之增大,故驾驶员视觉负荷强度增大。当直坡段坡度大于4%时,道路条件的变化对驾驶员心理影响较大,此时驾驶员视觉舒适性较差,驾驶员视觉负荷强度显著增大。
1.2直坡段坡长
统计分析车辆在连续纵坡路段直坡段不同坡长条件下行驶时驾驶员视觉行为指标,计算出驾驶员视觉负荷强度值,可得直坡段不同坡长条件下驾驶员视觉负荷强度分布情况,如图2所示。可知,直坡段驾驶员视觉负荷强度与直坡段坡长近似呈幂函数分布特征,且随着直坡段坡长的增加驾驶员视觉负荷强度逐渐减小。当坡长最小即为180m时,驾驶员视觉负荷强度达到最大值8.10。当坡长小于600m或坡长大于1000m时,驾驶员视觉负荷强度随坡长的增加而明显减小;当坡长在600m~1000m范围时,驾驶员视觉负荷强度随坡长的增加产生上下波动。分析认为直坡段坡长较短或较长时,驾驶员心理状态受坡长影响较大,故驾驶员视觉负荷强度受坡长影响较大,所以此时驾驶员视觉负荷强度随坡长的变化趋势较为明显。当坡长在600m~1000m范围时,驾驶员视觉负荷强度受坡长影响较小,由于坡度的影响此时驾驶员视觉负荷强度呈现波动状态,故此时驾驶员视觉负荷强度随坡长的变化趋势不明显。
2.1弯坡段坡度
统计车辆在连续纵坡路段弯坡段不同坡度条件下行驶时驾驶员视觉行为指标,计算出驾驶员视觉负荷强度值,可得弯坡段不同坡度条件下驾驶员视觉负荷强度分布情况,如图3所示。可知,弯坡段驾驶员视觉负荷强度与弯坡段坡度呈指数函数分布特征,随着弯坡段坡度的增加驾驶员视觉负荷强度逐渐增大,当弯坡段坡度逐渐增大到3%时,驾驶员视觉负荷强度达到临界值。当弯坡度坡度大于3%时,驾驶员视觉负荷强度明显增大。相比于直坡段坡度与视觉负荷强度的关系,车辆在弯坡路段行驶时,由于平曲线与坡度的组合,弯坡段坡度对驾驶员视觉负荷强度的影响更大。
2.2弯坡段角度变化率
统计车辆在连续纵坡路段弯坡段不同角度变化率条件下行驶时驾驶员视觉行为指标,计算出驾驶员视觉负荷强度值,可得弯坡段不同角度变化率条件下驾驶员视觉负荷强度分布情况,如图4所示。可知,弯坡段驾驶员视觉负荷强度与弯坡段角度变化率呈指数函数分布特征,随着弯坡段角度变化率的增大驾驶员视觉负荷强度逐渐增大。当角度变化率达到0.04°/m时,驾驶员视觉负荷强度达到临界值。分析认为,弯坡段由于平曲线的存在,驾驶员视距易受曲线弯曲程度影响,曲线角度变化率越大,驾驶员视距越短,道路自然引导能力越弱,驾驶员视觉负荷强度随之增大。
步骤2、参考上述分析,构建直坡段回归模型及弯坡段回归模型.
步骤3、直坡段时,选择直坡段回归模型以驾驶员视觉负荷强度为输出,以直坡段坡度及直坡段坡长为输入,直至预测性能达到预设值后停止训练;弯坡段时,选择弯坡段回归模型以驾驶员视觉负荷强度为输出,以弯坡段坡度及弯坡段角度变化率为输入,直至预测性能达到预设值后停止训练;则针对连续纵坡坡段线性的安全性评价模型构建完成。
直坡段时,连续纵坡坡段安全性评价模型计算公式如下所示:
F=0.235×i2-0.423×i+653.67×L-1+2.425 R2=0.732;
其中,F代表驾驶员视觉负荷强度;i表示直坡段坡度,L表示直坡段坡长,R为相关系数。当根据试验数据进行曲线拟合时,试验数据与拟合函数之间的吻合程度,用一个与相关系数R有关的量R2来评价,R2值越接近1,吻合程度越高,越接近0,则吻合程度越低。R平方值可以人为根据需求进行设置。
弯坡段时,连续纵坡坡段安全性评价模型计算公式如下所示:
F=1.068×exp(-0.475×I)+1.227×exp(0.241×CCR)+1.504
R2=0.704 ;
其中,F代表驾驶员视觉负荷强度;I表示弯坡段坡度;CCR表示弯坡段角度变化率;R为相关系数。
由前述分析可知直坡段坡度与直坡段坡长对驾驶员视觉影响显著,因此本例综合考虑直坡段坡度与直坡段坡长对驾驶员视觉负荷强度的影响,还构建直坡段坡度与直坡段坡长的线形组合指标直坡度M,计算公式如下所示:
M=i/L ;
式中:M为直坡度;i表示直坡段坡度(%);L表示直坡段坡长(当平曲线半径大于1000m时即为平曲线长)(m)。
统计车辆在直坡段不同坡度与坡长组合路段行驶时的驾驶员视觉行为指标,计算出驾驶员视觉负荷强度值,可得直坡度M与驾驶员视觉负荷强度变化情况,如图5所示。由此建立直坡度M与驾驶员视觉负荷强度关系模型,如下所示:
F=3225M+38.001M+4.3373 R2=0.873;
式中:F为驾驶员视觉负荷强度;M为直坡度;R为相关系数。
由图5可知,直坡段直坡度M集中在0~0.03范围内,直坡度M与驾驶员视觉负荷强度近似呈二次函数变化趋势,随着直坡度M的增大驾驶员视觉负荷强度逐渐增大。当直坡度M分别接近0.01和0.025时,驾驶员视觉负荷强度达到临界值5.16与7.23。当直坡度M小于0.02时,驾驶员视觉负荷强度增加较缓;当直坡度M大于0.02时,驾驶员视觉负荷强度增加趋势变陡。结合前述分析可知,由于直坡段坡度的增加或直线长度的变短,直坡度M随之增大,直坡段线形的不利组合导致驾驶员心理紧张程度增加,视觉负荷强度随之增大。因此连续纵坡路段直坡段线形平纵组合设计时应尽量将直坡度M控制在0.02以内,保证驾驶员视觉舒适性。
由前述研究可知弯坡段坡度、平曲线半径、角度变化率均对驾驶员视觉影响显著,鉴于道路线形设计时多以坡度与平曲线半径作为设计控制指标,因此考虑弯坡段坡度与平曲线半径对驾驶员视觉负荷强度的影响,构建弯坡段坡度与平曲线半径的线形组合指标弯坡度N,如下所示:
式中:N为弯坡度;I为弯坡段坡度(%);R为平曲线半径(m)。
统计车辆在弯坡段不同坡度与平曲线半径组合路段行驶时的驾驶员视觉行为指标,计算出驾驶员视觉负荷强度值,可得弯坡度N与驾驶员视觉负荷强度变化情况,如图6所示。由此建立弯坡度N与驾驶员视觉负荷强度关系模型,如下所示:
F=3.6464×exp(1.5219×N) R2=0.901;
式中:F为驾驶员视觉负荷强度;N为弯坡度;R为相关系数。
由图6可知,弯坡段弯坡度N集中在0.1~0.6范围内,弯坡度N与驾驶员视觉负荷强度呈指数函数变化趋势,随着弯坡度N的增大驾驶员视觉负荷强度逐渐增大。相比于直坡段,驾驶员视觉负荷强度与弯坡段相关性更高,说明当平曲线半径小于1000m时,平曲线的设置对驾驶员心理影响较大。当弯坡度N分别接近0.25和0.45时,驾驶员视觉负荷强度达到临界值5.16与7.23。当弯坡度N小于0.4时,驾驶员视觉负荷强度增加较缓;当弯坡度N大于0.4时,驾驶员视觉负荷强度增加趋势变陡。分析认为,在连续纵坡路段弯坡段,由于纵坡与平曲线的组合,随着弯坡段坡度的增大或平曲线半径的减小,驾驶员视距变短,心理紧张程度随之增加,故驾驶员视觉负荷强度随之增大。因此连续纵坡路段弯坡段平纵线形组合设计时宜将弯坡度控制在0.25以内,条件受限时应控制在0.45以内,以降低驾驶员视觉负荷,保障道路线形的自然引导能力,提高道路安全性水平。
实施例2
由连续纵坡路段驾驶员视觉负荷强度模型可计算出不同道路线形环境下驾驶员视觉负荷强度,视觉负荷强度能表征驾驶员心理紧张程度,当道路线形环境复杂导致驾驶员心理紧张程度增加时,相应的视觉负荷强度也会增大。因此,驾驶员视觉负荷强度能反映出道路线形环境对驾驶员心理的影响,从而体现出道路线形对驾驶员的自然引导能力,进而反映出路段安全性水平。基于上述理论,本例提供连续纵坡路段安全性评价诊断方法,构建实施例1中连续纵坡路段安全性评价模型,应用于连续纵坡坡段线性的安全性评价。
利用实施例1中构建的模型结果,即直坡段线形与驾驶员视觉负荷强度关系模型:
F=0.235×i2-0.423×i+653.67×L-1+2.425 R2=0.732
其中,F代表驾驶员视觉负荷强度;i表示直坡段坡度,L表示直坡段坡长;R为相关系数。
弯坡段线形与驾驶员视觉负荷强度关系模型:
F=1.068×exp(-0.475×I)+1.227×exp(0.241×CCR)+1.504
R2=0.704
其中,F代表驾驶员视觉负荷强度;I表示弯坡段坡度;CCR表示弯坡段角度变化率;R为相关系数。计算出驾驶员视觉负荷强度;根据驾驶员视觉负荷强度,统计连续纵坡路段驾驶员视觉负荷强度累积频率如图7所示。研究采用四分位法确定驾驶员视觉负荷强度安全阈值,由图7累积频率曲线公式计算可得当驾驶员视觉负荷强度为5.16和7.23时,累积频率分别达到25%分位和75%分位。因此可依据累计频率达到25%分位和75%分位驾驶员视觉负荷强度值将连续纵坡路段驾驶员视觉负荷强度安全阈值划分为三类,以此来评价道路线形自然引导能力与路段安全性水平,如表1所示。
表1连续纵坡路段驾驶员视觉负荷强度安全阈值划分
实施例3
本例提供一种连续纵坡路段安全性评价系统,包括实施例1中连续纵坡路段安全性评价模型。系统采用实施例2提供的连续纵坡路段安全性评价诊断方法,实现对连续纵坡路段线性的安全性评价。
Claims (6)
1.连续纵坡路段安全性评价模型构建方法,其特征在于,包括以下步骤:
步骤1、选择训练数据,构造训练集;将连续纵坡路段划分为直坡段与弯坡段;直坡段时,所述训练数据包括直坡段坡度、直坡段坡长以及与其对应的驾驶员视觉负荷强度;弯坡段时,所述训练数据包括弯坡段坡度、弯坡段角度变化率以及与其对应的驾驶员视觉负荷强度;
步骤2、构建直坡段回归模型及弯坡段回归模型;
步骤3、直坡段时,选择直坡段回归模型以驾驶员视觉负荷强度为输出,以直坡段坡度及直坡段坡长为输入,直至预测性能达到预设值后停止训练;弯坡段时,选择弯坡段回归模型以驾驶员视觉负荷强度为输出,以弯坡段坡度及弯坡段角度变化率为输入,直至预测性能达到预设值后停止训练;则连续纵坡坡段安全性评价模型构建完成。
2.根据权利要求1所述的连续纵坡路段安全性评价模型构建方法,其特征在于,所述步骤1中,以平曲线半径1000m为临界值,将连续纵坡路段划分为直坡段与弯坡段。
3.根据权利要求2所述的连续纵坡路段安全性评价模型构建方法,其特征在于,直坡段时,连续纵坡坡段安全性评价模型计算公式如下:
F=0.235×i2-0.423×i+653.67×L-1+2.425 R2=0.732;
其中,F代表驾驶员视觉负荷强度;i表示直坡段坡度;L表示直坡段坡长;R为相关系数。
4.根据权利要求2或3所述的连续纵坡路段安全性评价模型构建方法,其特征在于,弯坡段时,连续纵坡坡段安全性评价模型计算公式如下:
F=1.068×exp(-0.475×I)+1.227×exp(0.241×CCR)+1.504 R2=0.704;
其中,F代表驾驶员视觉负荷强度;I表示弯坡段坡度;CCR表示弯坡段角度变化率;R为相关系数。
5.连续纵坡路段安全性评价诊断方法,其特征在于,包括以下步骤:依据权利要求1至4任意一项所述的连续纵坡路段安全性评价模型构建方法构建连续纵坡路段安全性评价模型,将其应用于连续纵坡路段线性的安全性评价,输出驾驶员视觉负荷强度;根据驾驶员视觉负荷强度,统计连续纵坡路段驾驶员视觉负荷强度累积频率;累计频率小于25%分位认定安全性高,累计频率大于等于25%小于75%分位认定安全性一般,累计频率大于等于75%分位,认定安全性低。
6.连续纵坡路段安全性评价系统,其特征在于,包括依据权利要求1至4任意一项所述的连续纵坡路段安全性评价模型构建方法构建的续纵坡路段安全性评价模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210190943.XA CN114266513B (zh) | 2022-03-01 | 2022-03-01 | 连续纵坡路段安全性评价模型构建、诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210190943.XA CN114266513B (zh) | 2022-03-01 | 2022-03-01 | 连续纵坡路段安全性评价模型构建、诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266513A true CN114266513A (zh) | 2022-04-01 |
CN114266513B CN114266513B (zh) | 2022-06-21 |
Family
ID=80833798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210190943.XA Active CN114266513B (zh) | 2022-03-01 | 2022-03-01 | 连续纵坡路段安全性评价模型构建、诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266513B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081756A (zh) * | 2022-08-19 | 2022-09-20 | 四川省公路规划勘察设计研究院有限公司 | 基于长大纵坡路段制动鼓温度预测及路段风险评估方法 |
CN115158274A (zh) * | 2022-08-31 | 2022-10-11 | 四川省公路规划勘察设计研究院有限公司 | 基于货车制动重刹特性的长大纵坡危险路段识别方法 |
CN115331449A (zh) * | 2022-10-17 | 2022-11-11 | 四川省公路规划勘察设计研究院有限公司 | 长大连续纵坡路段事故易发区辨识方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8554468B1 (en) * | 2011-08-12 | 2013-10-08 | Brian Lee Bullock | Systems and methods for driver performance assessment and improvement |
CN107145835A (zh) * | 2017-04-12 | 2017-09-08 | 武汉理工大学 | 基于图像识别的驾驶员负荷检测车载装置 |
CN108960426A (zh) * | 2018-07-09 | 2018-12-07 | 吉林大学 | 基于bp神经网络的道路坡度综合估计系统 |
CN109649166A (zh) * | 2017-10-10 | 2019-04-19 | 孙鸿 | 车辆驾驶监控管理方法、装置以及系统 |
CN113197576A (zh) * | 2021-04-09 | 2021-08-03 | 东南大学 | 一种高原地区双车道公路弯坡组合段线形指标选取方法 |
CN113276822A (zh) * | 2020-02-19 | 2021-08-20 | 马自达汽车株式会社 | 驾驶员状态推断装置 |
-
2022
- 2022-03-01 CN CN202210190943.XA patent/CN114266513B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8554468B1 (en) * | 2011-08-12 | 2013-10-08 | Brian Lee Bullock | Systems and methods for driver performance assessment and improvement |
CN107145835A (zh) * | 2017-04-12 | 2017-09-08 | 武汉理工大学 | 基于图像识别的驾驶员负荷检测车载装置 |
CN109649166A (zh) * | 2017-10-10 | 2019-04-19 | 孙鸿 | 车辆驾驶监控管理方法、装置以及系统 |
CN108960426A (zh) * | 2018-07-09 | 2018-12-07 | 吉林大学 | 基于bp神经网络的道路坡度综合估计系统 |
CN113276822A (zh) * | 2020-02-19 | 2021-08-20 | 马自达汽车株式会社 | 驾驶员状态推断装置 |
CN113197576A (zh) * | 2021-04-09 | 2021-08-03 | 东南大学 | 一种高原地区双车道公路弯坡组合段线形指标选取方法 |
Non-Patent Citations (6)
Title |
---|
MICHALNIEZGODA等: ""Towards testing auditory–vocal interfaces and detecting distraction while driving: A comparison of eye-movement measures in the assessment of cognitive workload"", 《TRANSPORTATION RESEARCH PART F: TRAFFIC PSYCHOLOGY AND BEHAVIOUR》 * |
华胤宏: ""基于驾驶人视觉特性的山区旅游公路安全性评价方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
张娟等: ""连续长坡路段组合线形与驾驶员"", 《安全与环境学报》 * |
曹友露: ""基于驾驶员自然引导的双车道公路几何线形安全性研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
肖金坚等: ""弯坡组合路段安全认知推理模型"", 《北京工业大学学报》 * |
高建平等: ""基于驾驶员人因的高速公路长大连续下坡路段线形组合设计方法"", 《公路》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081756A (zh) * | 2022-08-19 | 2022-09-20 | 四川省公路规划勘察设计研究院有限公司 | 基于长大纵坡路段制动鼓温度预测及路段风险评估方法 |
CN115158274A (zh) * | 2022-08-31 | 2022-10-11 | 四川省公路规划勘察设计研究院有限公司 | 基于货车制动重刹特性的长大纵坡危险路段识别方法 |
CN115331449A (zh) * | 2022-10-17 | 2022-11-11 | 四川省公路规划勘察设计研究院有限公司 | 长大连续纵坡路段事故易发区辨识方法、装置及电子设备 |
CN115331449B (zh) * | 2022-10-17 | 2023-02-07 | 四川省公路规划勘察设计研究院有限公司 | 长大连续纵坡路段事故易发区辨识方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114266513B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266513B (zh) | 连续纵坡路段安全性评价模型构建、诊断方法及系统 | |
CN105741494A (zh) | 一种基于线下数据匹配的驾驶员疲劳监测方法 | |
CN111671408B (zh) | 一种用户饮酒安全监护方法、用户终端、服务器 | |
EP3783619A1 (en) | Human body health assessment method and system based on sleep big data | |
Hu et al. | Research on comfort and safety threshold of pavement roughness | |
CN114239423A (zh) | 长大连续纵坡路段驾驶员危险感知能力预测模型构建方法 | |
CN104737062A (zh) | 用于确定接受渐进式多焦点镜片的方法 | |
Jiao et al. | Entrance zone length of extra-long undersea tunnels based on vision adaptation | |
Xu et al. | Physiological indices and driving performance of drivers at tunnel entrances and exits: A simulated driving study | |
CN107150690B (zh) | 一种基于道路标线的驾驶疲劳预警方法 | |
CN113197576B (zh) | 一种高原地区双车道公路弯坡组合段线形指标选取方法 | |
US9861309B2 (en) | Glucose monitoring system as control input to adjustable focal length lenses | |
CN115192026B (zh) | 隧道驾驶负荷监测方法及终端 | |
CN117056872A (zh) | 一种脑疲劳超前预测方法 | |
Kollbaum et al. | Comparison of patient-reported visual outcome methods to quantify the perceptual effects of defocus | |
Yokoyama et al. | Prediction of Driver's Workload from Slow Fluctuations of Pupil Diameter | |
CN112006701A (zh) | 一种驾驶疲劳的检测方法及系统 | |
Zhong et al. | Localized energy study for analyzing driver fatigue state based on wavelet analysis | |
Yang et al. | Analysis of Visual Load on Curve and Longitudinal Slope Combination of Extra-Long Underwater Tunnel Based on Visual Sensitive Region | |
AU2021212050A1 (en) | A real time prediction device | |
Tian et al. | Analysis of driving fatigue characteristics in cold and hypoxia environment of high-altitude areas | |
JP2018114859A (ja) | ドライバ緊張度表示装置及びドライバ緊張度表示方法 | |
Shang et al. | Safety evaluation of visual load at entrance and exit of extra-long expressway tunnel based on optimized support vector regression | |
Zhao et al. | Research on the Driving Load of Spiral Tunnels | |
Avelar et al. | Modelling the Safety Effect of Advisory Speed Signs: A Bivariate Multiplicative Factor on Number of Crashes based on the Speed Differential and the Side Friction Demand |
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 |