CN114613130B - 交通与运载系统中驾驶可信性分析方法 - Google Patents
交通与运载系统中驾驶可信性分析方法 Download PDFInfo
- Publication number
- CN114613130B CN114613130B CN202210149759.0A CN202210149759A CN114613130B CN 114613130 B CN114613130 B CN 114613130B CN 202210149759 A CN202210149759 A CN 202210149759A CN 114613130 B CN114613130 B CN 114613130B
- Authority
- CN
- China
- Prior art keywords
- driving
- error
- traffic
- probability
- driver
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000011084 recovery Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 64
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 230000006399 behavior Effects 0.000 claims description 115
- 238000003066 decision tree Methods 0.000 claims description 35
- 230000008447 perception Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 19
- 230000010365 information processing Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000008433 psychological processes and functions Effects 0.000 claims description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 4
- 230000003211 malignant effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 230000002045 lasting effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 208000024891 symptom Diseases 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035943 smell Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的交通与运载系统中驾驶可信性分析方法,属于交通安全技术领域。本发明综合考虑交通运载系统中驾驶行为形成模式内部结构及主导因素之间的相关性和差异性,对驾驶行为形成主导因素进行量化建模,建立基于人为差错恢复度的系统可信性评估方法,根据驾驶行为形成模式内部结构及主导因素,实现考虑驾驶差错恢复度的交通运载系统的可信性分析。本发明具有分析预测的驾驶可信性客观性、准确性高的优点。本发明不仅能够实现客观量度道路交通系统可信性,且能够支撑实现辨识道路交通事故的致因,对交通事故前瞻性分析和评估,进行交通事故征兆的预先性安全控制;本发明还能够支撑道路交通系统优化,提升交通参与者人身及道路交通安全性。
Description
技术领域
本发明涉及交通与运载系统中驾驶可信性分析方法,属于交通安全技术领域。
背景技术
交通运载系统是一个有人参与的复杂系统,其系统可信性直接关系到人民生命和财产损失。道路交通系统中驾驶行为的表现方式是多种多样的,诸如对道路交通信号的识别、对道路上其他车辆速度的估计、对行人意图的确定以及转向、制动,等等。由于驾驶行为的各种表现对不同道路交通状态下驾驶失误的频度和后果严重性具有很大的影响,而驾驶失误又作为各种“灰色”、“黑色”信息造成的软故障,一定程度上制约着安全驾驶能力。现有的驾驶辅助系统仅能预防或减少驾驶失误的发生,却不能从根本上消除驾驶失误。因此,在驾驶失误、车辆故障或者道路交通环境恶化不可避免的条件下,建立基于人为差错恢复度的系统可信性评估方法,量化驾驶风险以确保交通参与者人身及道路交通安全,是提高交通运载系统安全性及可信性的关键所在。
目前针对交通运载系统的驾驶可信性评估方法和建模的研究中,主要侧重于对驾驶失误及驾驶行为风险进行定性分析来判断驾驶行为对交通安全的影响程度,由于交通运载系统的复杂性和驾驶人信息处理过程存在可变性,导致驾驶可信性分析结果具有较大不确定性。同时现有的研究技术主要着重于对物理系统进行分析评估,未在模型中量化人为因素的影响,难以准确辨识道路交通事故的致因机理与风险诱因,难以对复杂的交通运载系统中的驾驶行为主导要素进行定量建模,无法揭示驾驶人行为形成内部结构对驾驶可信性的影响机理,缺乏适用于对交通事故前瞻性预测与预先性安全控制的方法手段,直接影响驾驶过程中对系统安全性与可信性的评估建模。
构建驾驶本质安全化的理论与方法,即提出在驾驶失误、车辆故障或道路环境恶化不可避免的条件下,如何建立保证交通运行本质安全化的新机制;进而,基于驾驶可信分析方法建立了驾驶本质安全化模型,从可信性、安全性层次对驾驶行为形成进行了解构分析,提出了基于可信性的驾驶差错恢复能力分析方法,以期预测驾驶人将来的失误行为,这不仅是实现客观量度道路交通系统可信性的基础,而且也是道路交通系统优化设计的重要依据,同时也有利于辨识道路交通事故的致因机理和进行交通事故征兆的预先性安全控制。
发明内容
本发明公开的交通与运载系统中驾驶可信性分析方法要解决的技术问题是:明确交通运载系统中涉及的典型对象,分析驾驶人多资源信息处理决策机制,确定交通运载系统运行中道路交通环境、驾驶人、车辆及其车载系统之间的信息处理过程;建立驾驶行为形成模式的内部结构,确定以驾驶人为核心的驾驶行为形成模式机;以交通运载系统安全失效为触发条件,确定驾驶行为形成主导因素;基于驾驶行为形成内部结构不同层级的人为失误概率对形成主导因素进行量化分析;依据专家评估和交通运载安全系统特性分析,构建基于决策树的驾驶差错恢复度量化方法;根据驾驶行为形成模式内部结构及主导因素,实现考虑驾驶差错恢复度的交通运载系统的可信性分析。本发明具有分析预测的驾驶可信性客观性、准确性高的优点。本发明能够应用于交通运载系统可信性量化与安全风险评估领域,提升交通参与者人身及道路交通安全性。所述应用于交通运载系统可信性量化与安全风险评估领域,包括预测驾驶人失误行为、对交通事故前瞻性预测与预先性安全控制、优化道路交通系统。
为达到以上目的,本发明采用以下技术方案:
本发明公开的交通与运载系统中驾驶可信性分析方法,综合考虑交通运载系统中驾驶行为形成模式内部结构及主导因素之间的相关性和差异性,对驾驶行为形成主导因素进行量化建模,建立基于人为差错恢复度的系统可信性评估方法,客观量化交通运载系统可信性与安全性。本发明不仅能够实现客观量度道路交通系统可信性,而且能够支撑实现辨识道路交通事故的致因,对交通事故前瞻性分析和评估,进行交通事故征兆的预先性安全控制;本发明还能够支撑道路交通系统优化,提升交通参与者人身及道路交通安全性。
本发明公开的交通与运载系统中驾驶可信性分析方法,包括如下步骤:
步骤一、明确交通运载系统中涉及的典型对象,分析驾驶人多资源信息处理决策机制,确定交通运载系统运行中道路交通环境、驾驶人、车辆及其车载系统之间的信息处理过程。
步骤1.1、在道路交通系统中驾驶过程涉及到的对象包括驾驶人、车辆及其车载系统、道路交通环境。驾驶人主要通过视觉、听觉以及嗅觉等感知通道从车辆及其车载系统和道路交通环境中获取信息,对实时更新的交通状态形成逻辑判断和控制策略;车辆及其车载系统受驾驶人的控制,并将汽车运行状况信息和外界信息反馈给驾驶人;道路交通环境在驾驶过程中主要对驾驶人起到外界影响作用。
步骤1.2、分析驾驶人、车辆及其车载系统、道路交通环境等因素之间的信息流传递关系。驾驶人根据多通道信息输入,对多类信息进行动态加权融合,依据当前交通状态和交通信息复杂性形成判断控制策略,并向驾驶人输出执行信息。
步骤1.3、描述驾驶人、车辆及其车载系统、道路交通环境之间的信息流传递关系。
步骤二、建立驾驶行为形成模式的内部结构,确定以驾驶人为核心的驾驶行为形成模式;
步骤2.1、驾驶行为形成模式的内部结构包括感知层、判断层和执行层。
步骤2.2、综合考虑驾驶行为形成模式的内部结构的复杂性与驾驶行为中人为差错发生的概率及人为差错产生的后果,将驾驶人为差错概率(EPR)、驾驶人为失误概率(F)、驾驶差错识别概率(τ)、驾驶差错校正概率(μ)和驾驶差错恢复度(α)作为度量驾驶行为形成中评价驾驶人为差错风险的指标;
其中,所述评价驾驶人为差错风险的指标的构建具体包括如下步骤:
步骤a、驾驶人为差错(EPR)是指规定时间内驾驶人未能完成规定驾驶任务,驾驶人为差错未及时校正会形成驾驶失误。驾驶人为差错包括感知差错、判断差错和执行差错;
步骤b、驾驶人为失误概率(F)是指在有驾驶行为形成主导因素的约束下驾驶差错出现后未能予以恢复且持续一定的时间而产生极为严重的恶性后果,导致道路交通事故的概率。所述概率包括感知失误概率(FS)、判断失误概率(FO)和执行失误概率(FR),其表达式为:
步骤c、驾驶差错识别概率(τ)是指在规定时间内驾驶人受驾驶行为主导因素影响下发现潜在的和已存在的驾驶差错的概率;驾驶差错校正概率(μ)是指在规定时间内驾驶人受驾驶行为主导因素影响下及时校正差错,从而避免使其形成驾驶失误而酿成道路交通事故的概率;
步骤d、驾驶差错恢复度(α)是指在驾驶行为主导因素影响下对驾驶差错恢复的概率,驾驶差错恢复度(α)能够由驾驶差错识别概率(τ)和驾驶差错校正概率(μ)的乘积来表示,如公式(2)所示:
α=τ·μ (2)
由于驾驶人在驾驶行为形成内部结构的不同层级差错状态恢复能力不同,因此引入差错状态恢复的权重系数βS,βO,βR来优化驾驶差错恢复度,其关系式如公式(3)所示:
αS=βS·α
αO=βO·α (3)
αR=βR·α
式中,αS、αO、αR分别为感知层差错状态恢复度,判断层差错状态恢复度、执行层差错状态恢复度;βS,βO,βR分别为感知差错状态恢复的权重系数、判断差错状态恢复的权重系数和执行差错状态恢复的权重系数。
步骤三、以交通运载系统安全失效为触发条件,确定驾驶行为形成主导因素。
步骤3.1、从包含驾驶人自述的各类交通事故数据库中随机抽取事故作为案例样本。删除交通事故记录的缺失变量,对记录每个交通事故剩余变量进行数据规范化,表达式如公式(4)所示:
式中,xmn和Vmn分别指规范化前和规范化后的变量数据,ymaxn和yminn分别是指第n个变量的最大值和最小值。
步骤3.2、针对上述规范化后的事故变量数据与交通安全规则制定有关驾驶行为形成因素的排序评价问卷;
步骤3.3、将评价问卷发放给公共汽车驾驶人、具有驾驶经验的管理人员、未取得驾驶证的驾驶学员和货车驾驶人,给定评价指标值的两个极值点,其中极小值表示该因素影响程度极低,极大值表示影响程度极大;
作为优选,步骤3.3、将评价问卷发放给公共汽车驾驶人、具有驾驶经验的管理人员、未取得驾驶证的驾驶学员和货车驾驶人,给定评价指标值的两个极值点1和10,其中1表示该因素影响程度极低,10表示影响程度极大;
步骤3.4、依据问卷各形成因素评分构建a行×b列的驾驶行为形成因素评价值矩阵K。
步骤3.5、根据得到的驾驶行为形成因素评价值矩阵并结合道路交通系统的特性,使用主成分分析法,得到各主成分初始特征值,以预设累积特征值占总体百分率阈值来选取主导因素,由此确定五个驾驶行为形成主导因素及各主导因素的特征值,五个主导因素分别为车辆人机界面质量、操作频率、差错后果危险性、生理心理机能及道路环境状况。
作为优选,步骤3.5、根据得到的驾驶行为形成因素评价值矩阵并结合道路交通系统的特性,使用主成分分析法,得到各主成分初始特征值,以累积特征值占总体百分率0.95作为阈值来选取主导因素,由此确定五个驾驶行为形成主导因素及各主导因素的特征值,五个主导因素分别为车辆人机界面质量、操作频率、差错后果危险性、生理心理机能及道路环境状况。
步骤四、基于驾驶行为形成内部结构不同层级的人为失误概率对形成主导因素进行量化计算。
步骤4.1、根据以驾驶人诱因导致道路交通事故分析结果,确定感知失误诱发的交通事故发生率AS、判断失误诱发的交通事故发生率AO和执行失误诱发的交通事故发生率AR;
步骤4.2、计算驾驶行为形成模式内部结构的形成主导元素量化值,计算公式为
步骤五、依据专家评估和交通运载安全系统特性分析,构建基于决策树的驾驶差错恢复度量化方法。
步骤5.1、结合道路交通事故致因分析,按照好/差,低/中/高的方式定义每个主导因素的状态以满足状态的分配能够易于实现驾驶差错的恢复,完成驾驶差错未识别能力决策树与驾驶差错未校正能力决策树的构建。
步骤5.2、依据专家打分评估确定每个驾驶行为形成主导因素对驾驶差错未识别或未校正的影响程度,设定影响程度打分数值。
作为优选,步骤5.2、依据专家打分评估确定每个驾驶行为形成主导因素对驾驶差错未识别或未校正的影响程度,设定影响程度打分数值为1至5,其中数值1表示最不可能、数值2表示较不可能、数值3表示可能、数值4表示较为可能、数值5表示最可能。
步骤5.3、根据影响程度评分对决策树的各结点数值进行计算。对第一结点m1取任意值v1,根据相关主导因素的影响程度来计算其余结点数值。
步骤5.4、考虑所有相关驾驶行为主导因素的状态会导致决策树中驾驶差错未识别/未校正的最高概率为最后结点,即结点m17的驾驶差错未识别概率(1-τ)17=1、驾驶差错未校正概率(1-μ)17=1,因此选取以驾驶差错未识别/未校正的决策树中最后结点作为基准点,按照不同结点的得分数值通过基准点的概率来计算其他结点的差错未识别/未校正的概率。计算公式
式中,vi表示驾驶差错未识别/未校正的决策树中第i个结点的得分数值,(1-τ)i/(1-μ)i表示驾驶差错未识别/未校正的决策树中第i个结点的驾驶差错未识别/未校正概率
步骤5.5、将计算后的驾驶差错未识别/未校正的决策树中所有结点的驾驶差错未识别概率(1-τ)和驾驶差错未校正概率(1-μ)代入式(2)计算得到驾驶差错恢复概率的表达式为:
α=1-(1-τ)-(1-μ)+(1-τ)(1-μ) (8)
步骤六、根据驾驶行为形成模式内部结构及主导因素,实现考虑驾驶差错恢复度的交通运载系统的可信性分析。
步骤6.1、引入驾驶可靠度(R)分析方法,驾驶可靠度(R)是指在规定时间内,在规定的道路交通状态下,驾驶人完成规定驾驶任务的能力,驾驶可靠度在数学上的定义与驾驶失误概率(F)有关,具体函数关系的表达式为:
R=1-F (9)
步骤6.2、依据驾驶可靠度分析的基本原理公式(13),得到感知层理论可靠度(RS)、判断层理论可靠度(RO)和执行层理论可靠度(RR)与相应驾驶失误概率的表达式:
RS=1-FS
RO=1-FO (10)
RR=1-FR
步骤6.3、由于驾驶行为形成模式的内部结构为串联系统,同时在统计上相互独立,所以驾驶可靠度(R)的表达式为:
R=RS·RO·RR=(1-FS)(1-FO)(1-FR) (11)
步骤6.4、考虑驾驶行为形成主导因素对理论上驾驶可靠度的影响,对公式(14)进行优化得到实际驾驶可靠度表达式:
式中RS′,R′O,R′R分别为感知层、判断层和执行层的实际可靠度,其中,j为各层级驾驶行为形成主导因素的数量(j=1,2,...,5)。
步骤6.5、由于驾驶差错恢复能够避免不良交通事件演变为交通事故,因此在评定实际驾驶可信性时还需考虑驾驶差错恢复对内部结构各层级驾驶可信性的影响,同时考虑到驾驶行为差错在内部结构各层级恢复能力不同,引入各层级差错恢复度的权重系数βS,βO,βR对公式(16)进行优化得到实际各层级驾驶可靠度的表达式:
式中,βS,βO,βR分别为感知差错状态恢复的权重系数、判断差错状态恢复的权重系数和执行差错状态恢复的权重系数。
步骤6.6、将公式(17)代入公式(15)得到实际驾驶可靠度(R)的表达式:
还包括步骤七:根据步骤六得到的考虑驾驶差错恢复度的交通运载系统的可信性分析结果,应用于交通运载系统可信性量化与安全风险评估领域,提升交通参与者人身及道路交通安全性。所述应用于交通运载系统可信性量化与安全风险评估领域,包括预测驾驶人失误行为、对交通事故前瞻性预测与预先性安全控制、优化道路交通系统。
有益效果:
1、本发明公开的交通与运载系统中驾驶可信性分析方法,综合考虑交通运载系统中驾驶行为形成模式内部结构及主导因素之间的相关性和差异性,对驾驶行为形成主导因素进行量化建模,建立基于人为差错恢复度的系统可信性评估方法,客观量化交通运载系统可信性与安全性,有利于确保交通参与者人身及道路交通安全。
2、本发明公开的交通与运载系统中驾驶可信性分析方法,有利于避免由于专家主观判断及交通事故数据不足导致仅能局部描述驾驶失误与风险的缺陷,避免驾驶失误风险分析结果的不确定性,确保建模结果的客观性与准确性。
3、本发明公开的交通与运载系统中驾驶可信性分析方法,明确交通运载系统中涉及的典型对象,分析驾驶人多资源信息处理决策机制,确定交通运载系统运行中道路交通环境、驾驶人、车辆及其车载系统之间的信息处理过程;建立驾驶行为形成模式的内部结构,确定以驾驶人为核心的驾驶行为形成模式以交通运载系统安全失效为触发条件,确定驾驶行为形成主导因素;基于驾驶行为形成内部结构不同层级的人为失误概率对形成主导因素进行量化分析;依据专家评估和交通运载安全系统特性分析,构建基于决策树的驾驶差错恢复度量化方法;根据驾驶行为形成模式内部结构及主导因素,实现考虑驾驶差错恢复度的交通运载系统的可信性分析,有利于分析驾驶差错与道路交通事故致因机理之间的关系,便于估计驾驶失误概率并制定相应且合适的交通事故对策。
4、本发明公开的交通与运载系统中驾驶可信性分析方法,不仅能够实现客观量度道路交通系统可信性,而且能够支撑实现辨识道路交通事故的致因,对交通事故前瞻性分析和评估,进行交通事故征兆的预先性安全控制;本发明还能够支撑道路交通系统优化,提升交通参与者人身及道路交通安全性。
附图说明
图1为本发明所述交通运载系统的驾驶可信性分析方法流程示意图。
图2为本发明所述交通运载系统内部信息流传递关系流程示意图。
图3为本发明所述驾驶行为形成模式内部结构示意图。
图4为本发明所述驾驶差错未识别能力决策树量化流程示意图。
图5为本发明所述驾驶差错未校正能力决策树量化流程示意图。
具体实施方式
为了更好地说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例1:
如图1所示,本实施例公开的交通与运载系统中驾驶可信性分析方法,包括如下步骤:
步骤一、明确交通运载系统中涉及的典型对象,分析驾驶人多资源信息处理决策机制,确定交通运载系统运行中道路交通环境、驾驶人、车辆及其车载系统之间的信息处理过程;
步骤1、在道路交通系统中驾驶任务涉及到的对象包括驾驶人、车辆及其车载系统、道路交通环境。驾驶人主要通过视觉、听觉以及嗅觉等感知通道从车辆及其车载系统和道路交通环境中获取信息,对实时更新的交通状态形成逻辑判断和控制策略;车辆及其车载系统受驾驶人的控制,并将汽车运行状况信息和外界信息反馈给驾驶人;道路交通环境在驾驶过程中主要对驾驶人起到外界影响作用。
步骤2、分析驾驶人、车辆及其车载系统、道路交通环境等因素之间的信息流传递关系。驾驶人根据多通道信息输入,对多类信息进行动态加权融合,依据当前交通状态和交通信息复杂性形成判断控制策略,并向驾驶人输出执行信息。
步骤3、描述驾驶人、车辆及其车载系统、道路交通环境等因素之间的信息流传递关系,如图2所示。
步骤二、建立驾驶行为形成模式的内部结构,确定以驾驶人为核心的驾驶行为形成模式机理;
步骤1、驾驶行为形成模式的内部结构包括感知层、判断层和执行层,如图3所示
步骤2、综合考虑驾驶行为形成模式的内部结构的复杂性与驾驶行为中人为差错发生的概率及人为差错产生的后果,将驾驶人为差错概率(EPR)、驾驶人为失误概率(F)、驾驶差错识别概率(τ)、驾驶差错校正概率(μ)和驾驶差错恢复度(α)作为度量驾驶行为形成中评价驾驶人为差错风险的指标;
其中,所述评价驾驶人为差错风险的指标的构建具体包括如下步骤:
步骤a、驾驶人为差错(EPR)是指规定时间内驾驶人未能完成规定驾驶任务,驾驶人为差错未及时校正会形成驾驶失误。主要包括感知差错、判断差错和执行差错;
步骤b、驾驶人为失误概率(F)是指在有驾驶行为形成主导因素的约束下驾驶差错出现后未能予以恢复且持续一定的时间而产生了极为严重的恶性后果,导致道路交通事故的概率。主要包括感知失误概率(FS)、判断失误概率(FO)和执行失误概率(FR),其计算表达式为:
步骤c、驾驶差错识别概率(τ)是指在规定时间内驾驶人受驾驶行为主导因素影响下发现潜在的和已存在的驾驶差错的概率;驾驶差错校正概率(μ)是指在规定时间内驾驶人受驾驶行为主导因素影响下及时校正差错,从而避免使其形成驾驶失误而酿成道路交通事故的概率;
步骤d、驾驶差错恢复度(α)是指在驾驶行为主导因素影响下对驾驶差错恢复的概率,驾驶差错恢复度(α)可以由驾驶差错识别概率(τ)和驾驶差错校正概率(μ)的乘积来表示,其数学表达式为:
α=τ·μ (16)
由于驾驶人在驾驶行为形成内部结构的不同层级差错状态恢复能力不同,因此引入差错状态恢复的权重系数βS,βO,βR来优化驾驶差错恢复度,其数学关系式为:
αS=βS·α
αO=βO·α (17)
αR=βR·α
式中,αS、αO、αR分别为感知层差错状态恢复度,判断层差错状态恢复度、执行层差错状态恢复度;βS,βO,βR分别为感知差错状态恢复的权重系数、判断差错状态恢复的权重系数和执行差错状态恢复的权重系数,其中βS取值为0.38462,βO取值为0.69231,βR取值为0.92308
步骤三、以交通运载系统安全失效为触发条件,确定驾驶行为形成主导因素。从包含驾驶人自述的各类交通事故数据库中随机抽取4316次事故案例作为样本。
步骤1、从包含驾驶人自述的各类交通事故数据库中随机抽取事故作为案例样本。删除交通事故记录的缺失变量,对记录每个交通事故剩余变量进行数据规范化,数学表达式为:
式中,xmn和Vmn分别指规范化前和规范化后的变量数据,ymaxn和yminn分别是指第n个变量的最大值和最小值。
步骤2、针对上述规范化后的事故变量数据与交通安全规则制定有关驾驶行为形成因素的排序评价问卷;针对案例样本中事故变量数据并结合从某公共交通公司中发生过交通事故的驾驶人中采集相关的驾驶差错的所有数据制定包含了33项有关驾驶行为形成因素的排序评价问卷。
步骤3、将评价问卷发放给公共汽车驾驶人、具有驾驶经验的管理人员、未取得驾驶证的驾驶学员和货车驾驶人,给定评价指标值的两个极值点1和10,其中1表示该因素影响程度极低,10表示影响程度极大;
在本实施例中,将1820份驾驶行为形成问卷分发给了1550名公共车辆驾驶人(85.16%)、60名具有驾驶经验的管理人员(3.30%)、160名正在驾校学习驾驶的学员(8.79%)和50名卡车驾驶人(2.75%)。要求被调查对象用10分制来描述这33项因素的影响程度。
步骤4、依据问卷各形成因素评分构建a行×b列的驾驶行为形成因素评价值矩阵K,其中a为1820,代表1820份问卷对形成因素的评价值,b为33,代
表33项形成因素所得到的评价值;
步骤5、根据得到的驾驶行为形成因素评价值矩阵并结合道路交通系统的特性,使用主成分分析法,得到各主成分初始特征值,以累积特征值占总体百分率0.95作为阈值来选取主导因素,由此确定五个驾驶行为形成主导因素及各主导因素的特征值,五个主导因素分别为车辆人机界面质量、操作频率、差错后果危险性、生理心理机能及道路环境状况。
步骤四、基于驾驶行为形成内部结构不同层级的人为失误概率对形成主导因素进行量化计算。
步骤1、根据以驾驶人诱因导致道路交通事故分析结果,确定感知失误诱发的交通事故发生率AS、判断失误诱发的交通事故发生率AO和执行失误诱发的交通事故发生率AR;
在本实施例中,根据2061例因驾驶人引发的道路交通事故致因分析结果如表1所示。从表1中可以得到感知失误诱发的交通事故发生率AS为54.29%,判断失误诱发的交通事故发生率AO为35.71%,执行失误诱发的交通事故发生率AR为8.98%。
表1道路交通事故致因分析结果
步骤2、计算驾驶行为形成模式内部结构的形成主导元素量化值,计算公式为
同理可得式(8)和式(9):
步骤五、依据专家评估和交通运载安全系统特性分析,构建基于决策树的驾驶差错恢复度量化方法;
步骤1、结合道路交通事故致因分析,按照好/差,低/中/高的方式定义每个主导因素的状态以满足状态的分配能够易于实现驾驶差错的恢复,完成驾驶差错未识别能力决策树与驾驶差错未校正能力决策树的构建,如图4和图5所示;
步骤2、依据专家打分评估确定每个驾驶行为形成主导因素对驾驶差错未识别或未校正的影响程度,设定影响程度打分数值为1至5,其中数值1表示最不可能、数值2表示较不可能、数值3表示可能、数值4表示较为可能、数值5表示最可能;
步骤3、根据影响程度评分对决策树的各结点数值进行计算。对第一结点m1取任意值v1(本实施例中取值为1),根据相关主导因素的影响程度来计算其余结点数值。
以图4中驾驶差错未识别能力决策树中各结点数值所示,m2结点得分数值根据决策树从结点m1出发至结点m2所经过路径上的影响程度得分进行计算,其数值为v2=v1×2,同理其余结点数值
v3=v1×4=4
v4=v1×4×2=8
v5=v1×4×2×2=16
…
v14=v1×5×5×4×5=500
v15=v1×5×5×4×5×3=1500
同理,驾驶差错未校正能力决策树各结点数值计算方法同上。
步骤4、考虑所有相关驾驶行为主导因素的状态会导致决策树中驾驶差错未识别/未校正的最高概率为最后结点,即结点m17的驾驶差错未识别概率(1-τ)17=1、驾驶差错未校正概率(1-μ)17=1,因此选取以驾驶差错未识别/未校正的决策树中最后结点作为基准点,按照不同结点的得分数值通过基准点的概率来计算其他结点的差错未识别/未校正的概率。计算公式
式中,vi表示驾驶差错未识别/未校正的决策树中第i个结点的得分数值,(1-τ)i/(1-μ)i表示驾驶差错未识别/未校正的决策树中第i个结点的驾驶差错未识别/未校正概率
步骤5、将计算后的驾驶差错未识别/未校正的决策树中所有结点的驾驶差错未识别概率(1-τ)和驾驶差错未校正概率(1-μ)代入式(2)可计算得到驾驶差错恢复概率的数学表达式为:
α=1-(1-τ)-(1-μ)+(1-τ)(1-μ) (25)
在第12个结点所处驾驶行为形成主导因素状态的约束下,驾驶差错恢复概率的数学表达式为:
同理可求得其余结点所处驾驶行为形成主导因素状态的约束下驾驶差错恢复度。
步骤六、根据驾驶行为形成模式内部结构及主导因素,确定考虑驾驶差错恢复度的交通运载系统的驾驶可信性分析方法
步骤1、引入驾驶可靠度(R)分析方法,驾驶可靠度(R)是指在规定时间内,在规定的道路交通状态下,驾驶人完成规定驾驶任务的能力,驾驶可靠度在数学上的定义与驾驶失误概率(F)有关,具体函数关系的数学表达式为:
R=1-F (27)
步骤2、依据驾驶可靠度分析的基本原理公式(13),得到感知层理论可靠度(RS)、判断层理论可靠度(RO)和执行层理论可靠度(RR)与相应驾驶失误概率的数学表达式:
步骤3、由于驾驶行为形成模式的内部结构为串联系统,同时假定在统计上相互独立,所以理论上驾驶可靠度(R)的数学表达式为:
R=RS·RO·RR=(1-FS)(1-FO)(1-FR) (29)
步骤4、考虑驾驶行为形成主导因素对理论上驾驶可靠度的影响,对公式(14)进行优化得到实际驾驶可靠度数学表达式:
式中RS′,R′O,R′R分别为感知层、判断层和执行层的实际可靠度,其中,j为各层级驾驶行为形成主导因素的数量(j=1,2,...,5)。
步骤5、由于驾驶差错恢复能够避免不良交通事件演变为交通事故,因此在评定实际驾驶可信性时还需考虑驾驶差错恢复对内部结构各层级驾驶可信性的影响,同时考虑到驾驶行为差错在内部结构各层级恢复能力不同,引入各层级差错恢复度的权重系数βS,βO,βR对公式(16)进行优化得到实际各层级驾驶可靠度的数学表达式:
式中,βS,βO,βR分别为感知差错状态恢复的权重系数、判断差错状态恢复的权重系数和执行差错状态恢复的权重系数,其中βS取值为0.38462,βO取值为0.69231,βR取值为0.92308
步骤6、将公式(17)代入公式(15)可以得到实际驾驶可靠度(R)的数学表达式:
步骤七:根据步骤六得到的考虑驾驶差错恢复度的交通运载系统的可信性分析结果,应用于交通运载系统可信性量化与安全风险评估领域,提升交通参与者人身及道路交通安全性。所述应用于交通运载系统可信性量化与安全风险评估领域,包括预测驾驶人失误行为、对交通事故前瞻性预测与预先性安全控制、优化道路交通系统。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.交通与运载系统中驾驶可信性分析方法,其特征在于:包括如下步骤,
步骤一、明确交通运载系统中涉及的典型对象,分析驾驶人多资源信息处理决策机制,确定交通运载系统运行中道路交通环境、驾驶人、车辆及其车载系统之间的信息处理过程;
步骤一实现方法为,
步骤1.1、在道路交通系统中驾驶过程涉及到的对象包括驾驶人、车辆及其车载系统、道路交通环境;驾驶人通过视觉、听觉以及嗅觉感知通道从车辆及其车载系统和道路交通环境中获取信息,对实时更新的交通状态形成逻辑判断和控制策略;车辆及其车载系统受驾驶人的控制,并将汽车运行状况信息和外界信息反馈给驾驶人;道路交通环境在驾驶过程中对驾驶人起到外界影响作用;
步骤1.2、分析驾驶人、车辆及其车载系统、道路交通环境因素之间的信息流传递关系;驾驶人根据多通道信息输入,对多类信息进行动态加权融合,依据当前交通状态和交通信息复杂性形成判断控制策略,并向驾驶人输出执行信息;
步骤1.3、描述驾驶人、车辆及其车载系统、道路交通环境之间的信息流传递关系;
步骤二、建立驾驶行为形成模式的内部结构,确定以驾驶人为核心的驾驶行为形成模式;
步骤二实现方法为,
步骤2.1、驾驶行为形成模式的内部结构包括感知层、判断层和执行层;
步骤2.2、综合考虑驾驶行为形成模式的内部结构的复杂性与驾驶行为中人为差错发生的概率及人为差错产生的后果,将驾驶人为差错概率EPR、驾驶人为失误概率F、驾驶差错识别概率τ、驾驶差错校正概率μ和驾驶差错恢复度α作为度量驾驶行为形成中评价驾驶人为差错风险的指标;
其中,所述评价驾驶人为差错风险的指标的构建具体包括如下步骤:
步骤a、驾驶人为差错概率EPR是指规定时间内驾驶人未能完成规定驾驶任务,驾驶人为差错未及时校正会形成驾驶失误;驾驶人为差错包括感知差错、判断差错和执行差错;
步骤b、驾驶人为失误概率F是指在有驾驶行为形成主导因素的约束下驾驶差错出现后未能予以恢复且持续一定的时间而产生极为严重的恶性后果,导致道路交通事故的概率;所述概率包括感知失误概率FS、判断失误概率FO和执行失误概率FR,其表达式为:
步骤c、驾驶差错识别概率τ是指在规定时间内驾驶人受驾驶行为主导因素影响下发现潜在的和已存在的驾驶差错的概率;驾驶差错校正概率μ是指在规定时间内驾驶人受驾驶行为主导因素影响下及时校正差错,从而避免使其形成驾驶失误而酿成道路交通事故的概率;
步骤d、驾驶差错恢复度α是指在驾驶行为主导因素影响下对驾驶差错恢复的概率,驾驶差错恢复度α能够由驾驶差错识别概率τ和驾驶差错校正概率μ的乘积来表示,其表达式为:
α=τ·μ (2)
由于驾驶人在驾驶行为形成内部结构的不同层级差错状态恢复能力不同,因此引入差错状态恢复的权重系数βS,βO,βR来优化驾驶差错恢复度,其关系式为:
式中,αS、αO、αR分别为感知层差错状态恢复度,判断层差错状态恢复度、执行层差错状态恢复度;βS,βO,βR分别为感知差错状态恢复的权重系数、判断差错状态恢复的权重系数和执行差错状态恢复的权重系数;
步骤三、以交通运载系统安全失效为触发条件,确定驾驶行为形成主导因素;
步骤三实现方法为,
步骤3.1、从包含驾驶人自述的各类交通事故数据库中随机抽取事故作为案例样本;删除交通事故记录的缺失变量,对记录每个交通事故剩余变量进行数据规范化,其表达式为:
式中,xmn和Vmn分别指规范化前和规范化后的变量数据,ymaxn和yminn分别是指第n个变量的最大值和最小值;
步骤3.2、针对上述规范化后的事故变量数据与交通安全规则制定有关驾驶行为形成因素的排序评价问卷;
步骤3.3具体为:将评价问卷发放给公共汽车驾驶人、具有驾驶经验的管理人员、未取得驾驶证的驾驶学员和货车驾驶人,给定评价指标值的两个极值点,其中极小值表示因素影响程度极低,极大值表示影响程度极大;
步骤3.4、依据问卷各形成因素评分构建a行×b列的驾驶行为形成因素评价值矩阵K;
步骤3.5具体为:根据得到的驾驶行为形成因素评价值矩阵并结合道路交通系统的特性,使用主成分分析法,得到各主成分初始特征值,以预设累积特征值占总体百分率阈值来选取主导因素,由此确定五个驾驶行为形成主导因素及各主导因素的特征值,五个主导因素分别为车辆人机界面质量、操作频率、差错后果危险性、生理心理机能及道路环境状况;
步骤四、基于驾驶行为形成内部结构不同层级的人为失误概率对形成主导因素进行量化计算;
步骤四实现方法为,
步骤4.1、根据以驾驶人诱因导致道路交通事故分析结果,确定感知失误诱发的交通事故发生率AS、判断失误诱发的交通事故发生率AO和执行失误诱发的交通事故发生率AR;
步骤4.2、计算驾驶行为形成模式内部结构的形成主导元素量化值,计算公式为
步骤五、依据专家评估和交通运载安全系统特性分析,构建基于决策树的驾驶差错恢复度量化方法;
步骤五实现方法为,
步骤5.1、结合道路交通事故致因分析,按照好或差,低或中或高的方式定义每个主导因素的状态以满足状态的分配能够易于实现驾驶差错的恢复,完成驾驶差错未识别能力决策树与驾驶差错未校正能力决策树的构建;
步骤5.2具体为:依据专家打分评估确定每个驾驶行为形成主导因素对驾驶差错未识别或未校正的影响程度,设定影响程度打分数值;
步骤5.3、根据影响程度评分对决策树的各结点数值进行计算;对第一结点m1取任意值v1,根据相关主导因素的影响程度来计算其余结点数值;
步骤5.4、考虑所有相关驾驶行为主导因素的状态会导致决策树中驾驶差错未识别或未校正的最高概率为最后结点,结点m17的驾驶差错未识别概率(1-τ)17=1、驾驶差错未校正概率(1-μ)17=1,因此选取以驾驶差错未识别或未校正的决策树中最后结点作为基准点,按照不同结点的得分数值通过基准点的概率来计算其他结点的差错未识别或未校正的概率;计算公式
式中,vi表示驾驶差错未识别或未校正的决策树中第i个结点的得分数值,(1-τ)i或(1-μ)i表示驾驶差错未识别或未校正的决策树中第i个结点的驾驶差错未识别或未校正概率;
步骤5.5、将计算后的驾驶差错未识别或未校正的决策树中所有结点的驾驶差错未识别概率1-τ和驾驶差错未校正概率1-μ代入式(2)可计算得到驾驶差错恢复概率的表达式为:
α=1-(1-τ)-(1-μ)+(1-τ)(1-μ) (8)
步骤六、根据驾驶行为形成模式内部结构及主导因素,实现考虑驾驶差错恢复度的交通运载系统的可信性分析;
步骤六实现方法为,
步骤6.1、引入驾驶可靠度R分析方法,驾驶可靠度R是指在规定时间内,在规定的道路交通状态下,驾驶人完成规定驾驶任务的能力,驾驶可靠度在数学上的定义与驾驶失误概率F有关,具体函数关系的表达式为:
R=1-F (9)
步骤6.2、依据驾驶可靠度分析的基本原理公式,得到感知层理论可靠度RS、判断层理论可靠度RO和执行层理论可靠度RR与相应驾驶失误概率的表达式:
步骤6.3、由于驾驶行为形成模式的内部结构为串联系统,同时在统计上相互独立,所以驾驶可靠度R的表达式为:
R=RS·RO·RR=(1-FS)(1-FO)(1-FR) (11)
步骤6.4、考虑驾驶行为形成主导因素对理论上驾驶可靠度的影响,进行优化得到实际驾驶可靠度表达式:
式中R′S,R′O,R′R分别为感知层、判断层和执行层的实际可靠度,其中,j为各层级驾驶行为形成主导因素的数量,j=1,2,...,5;
步骤6.5、由于驾驶差错恢复能够避免不良交通事件演变为交通事故,因此在评定实际驾驶可信性时还需考虑驾驶差错恢复对内部结构各层级驾驶可信性的影响,同时考虑到驾驶行为差错在内部结构各层级恢复能力不同,引入各层级差错恢复度的权重系数βS,βO,βR对公式(2)进行优化得到实际各层级驾驶可靠度的表达式:
式中,βS,βO,βR分别为感知差错状态恢复的权重系数、判断差错状态恢复的权重系数和执行差错状态恢复的权重系数;
步骤6.6、将公式(3)代入公式(1)得到实际驾驶可靠度R的表达式:
2.如权利要求1所述的交通与运载系统中驾驶可信性分析方法,其特征在于:还包括步骤七,
根据步骤六得到的考虑驾驶差错恢复度的交通运载系统的可信性分析结果,应用于交通运载系统可信性量化与安全风险评估领域,提升交通参与者人身及道路交通安全性;所述应用于交通运载系统可信性量化与安全风险评估领域,包括预测驾驶人失误行为、对交通事故前瞻性预测与预先性安全控制、优化道路交通系统。
3.如权利要求1所述的交通与运载系统中驾驶可信性分析方法,其特征在于:步骤三中,
步骤3.3、将评价问卷发放给公共汽车驾驶人、具有驾驶经验的管理人员、未取得驾驶证的驾驶学员和货车驾驶人,给定评价指标值的两个极值点1和10,其中1表示因素影响程度极低,10表示影响程度极大;
步骤3.5、根据得到的驾驶行为形成因素评价值矩阵并结合道路交通系统的特性,使用主成分分析法,得到各主成分初始特征值,以累积特征值占总体百分率0.95作为阈值来选取主导因素,由此确定五个驾驶行为形成主导因素及各主导因素的特征值,五个主导因素分别为车辆人机界面质量、操作频率、差错后果危险性、生理心理机能及道路环境状况。
4.如权利要求3所述的交通与运载系统中驾驶可信性分析方法,其特征在于:步骤五中,
步骤5.2、依据专家打分评估确定每个驾驶行为形成主导因素对驾驶差错未识别或未校正的影响程度,设定影响程度打分数值为1至5,其中数值1表示最不可能、数值2表示较不可能、数值3表示可能、数值4表示较为可能、数值5表示最可能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149759.0A CN114613130B (zh) | 2022-02-18 | 2022-02-18 | 交通与运载系统中驾驶可信性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149759.0A CN114613130B (zh) | 2022-02-18 | 2022-02-18 | 交通与运载系统中驾驶可信性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114613130A CN114613130A (zh) | 2022-06-10 |
CN114613130B true CN114613130B (zh) | 2023-05-12 |
Family
ID=81859449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210149759.0A Active CN114613130B (zh) | 2022-02-18 | 2022-02-18 | 交通与运载系统中驾驶可信性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114613130B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978853A (zh) * | 2014-04-01 | 2015-10-14 | 中国移动通信集团公司 | 一种道路交通安全评估方法及系统 |
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN108550263A (zh) * | 2018-06-01 | 2018-09-18 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN110364026A (zh) * | 2019-08-09 | 2019-10-22 | 山东理工大学 | 一种基于状态可达集的车辆跟随策略安全验证方法及系统 |
WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
CN110930708A (zh) * | 2019-12-06 | 2020-03-27 | 北京工业大学 | 一种城市交通承载力计算与预测方法 |
CN111881623A (zh) * | 2020-07-28 | 2020-11-03 | 南京航空航天大学 | 一种面向任务的飞机驾驶人为差错风险评估方法 |
KR20210067194A (ko) * | 2019-11-29 | 2021-06-08 | 한국과학기술원 | 운전자 주행행태를 고려한 교통 시뮬레이션 방법과 그를 통한 도로구간 위험도 예측 및 안전 취약구간 선정 시스템 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007257457A (ja) * | 2006-03-24 | 2007-10-04 | Cellstar Kogyo Kk | 道路交通情報の受信装置 |
CN103310202B (zh) * | 2013-06-27 | 2017-04-05 | 西安电子科技大学 | 一种保障驾驶安全的系统及其方法 |
US10012993B1 (en) * | 2016-12-09 | 2018-07-03 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
EP3679552A1 (en) * | 2017-09-06 | 2020-07-15 | Swiss Reinsurance Company Ltd. | Electronic logging and track identification system for mobile telematics devices, and corresponding method thereof |
US20190101914A1 (en) * | 2017-10-02 | 2019-04-04 | Allstate Insurance Company | Data Processing System with Machine Learning Engine for Providing Driving Data Analysis and Vehicle Control Functions |
US20190206247A1 (en) * | 2018-01-03 | 2019-07-04 | Xiaofeng Xie | Smart In-Vehicle Decision Support Systems and Methods with V2I Communications for Driving through Signalized Intersections |
CN108447291B (zh) * | 2018-04-03 | 2020-08-14 | 南京锦和佳鑫信息科技有限公司 | 一种智能道路设施系统及控制方法 |
CN108573357B (zh) * | 2018-05-08 | 2019-02-19 | 清华大学 | 基于等效力的行车风险实时评估方法及其装置 |
CN112105537B (zh) * | 2018-05-22 | 2024-06-14 | V3智能科技私人有限公司 | 驾驶风险计算装置和方法 |
CN109035763A (zh) * | 2018-07-02 | 2018-12-18 | 东南大学 | 基于c4.5的高速公路事故主次因分析及事故类型判断方法 |
CN109087511B (zh) * | 2018-10-18 | 2019-07-30 | 长安大学 | 一种融合动态交通流特征的道路安全消息信任评估方法 |
CN109448369B (zh) * | 2018-10-26 | 2021-08-03 | 中交第一公路勘察设计研究院有限公司 | 高速公路实时运行风险计算方法 |
US11553346B2 (en) * | 2019-03-01 | 2023-01-10 | Intel Corporation | Misbehavior detection in autonomous driving communications |
CN110276370A (zh) * | 2019-05-05 | 2019-09-24 | 南京理工大学 | 一种基于随机森林的道路交通事故风险因素分析方法 |
AU2020101738A4 (en) * | 2020-08-10 | 2020-09-17 | Annapu Reddy, Brahmananda Reddy DR | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining |
CN112258830B (zh) * | 2020-10-23 | 2023-04-28 | 博泰车联网科技(上海)股份有限公司 | 车辆编队行驶的可靠性评估方法及其应用 |
CN113487863A (zh) * | 2021-06-30 | 2021-10-08 | 中国科学技术大学先进技术研究院 | 一种多因素交通风险实时定量评估系统及方法 |
CN113723699B (zh) * | 2021-09-07 | 2023-11-07 | 南京安通气象数据有限公司 | 恶劣天气高速公路安全车速矫正把控预警方法及系统 |
-
2022
- 2022-02-18 CN CN202210149759.0A patent/CN114613130B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978853A (zh) * | 2014-04-01 | 2015-10-14 | 中国移动通信集团公司 | 一种道路交通安全评估方法及系统 |
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
CN108550263A (zh) * | 2018-06-01 | 2018-09-18 | 哈尔滨工业大学 | 一种基于故障树模型的高速公路交通事故成因分析方法 |
CN110364026A (zh) * | 2019-08-09 | 2019-10-22 | 山东理工大学 | 一种基于状态可达集的车辆跟随策略安全验证方法及系统 |
KR20210067194A (ko) * | 2019-11-29 | 2021-06-08 | 한국과학기술원 | 운전자 주행행태를 고려한 교통 시뮬레이션 방법과 그를 통한 도로구간 위험도 예측 및 안전 취약구간 선정 시스템 |
CN110930708A (zh) * | 2019-12-06 | 2020-03-27 | 北京工业大学 | 一种城市交通承载力计算与预测方法 |
CN111881623A (zh) * | 2020-07-28 | 2020-11-03 | 南京航空航天大学 | 一种面向任务的飞机驾驶人为差错风险评估方法 |
Non-Patent Citations (1)
Title |
---|
驾驶员行为模式的因子分析和模糊聚类;张磊;《交通运输工程学报》;20091031;第9卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114613130A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Reliability and safety analysis methodology for identification of drivers’ erroneous actions | |
CN110619482A (zh) | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 | |
US20080086290A1 (en) | Method for modeling task and workload | |
US20180314952A1 (en) | Artificially intelligent historical analysis modeling and computer transaction ranking | |
CN113362674A (zh) | 驾驶训练课程调整的方法、装置、电子设备以及存储介质 | |
CN109784586B (zh) | 车险的出险情况的预测方法及系统 | |
CN113871015B (zh) | 用于提升认知的人机交互方案推送方法及系统 | |
CN113753059B (zh) | 一种自动驾驶系统下的驾驶人接管能力预测方法 | |
CN114971009A (zh) | 一种车险出险预测方法及计算机设备 | |
CN111340236A (zh) | 一种基于债券估值数据与集成机器学习的债券违约预测方法 | |
Wang et al. | Assessment of drivers’ comprehensive driving capability under man-computer cooperative driving conditions | |
CN115756922A (zh) | 一种故障预测诊断方法、装置、电子设备及存储介质 | |
CN117521981B (zh) | 一种网约车安全机制管理系统 | |
CN114613130B (zh) | 交通与运载系统中驾驶可信性分析方法 | |
CN114333317A (zh) | 一种交通事件的处理方法、装置、电子设备及存储介质 | |
CN113379318A (zh) | 公共交通系统运营服务质量评价方法、装置和计算机设备 | |
CN117456417A (zh) | 交通异常事件感知方法、系统、电子设备及存储介质 | |
CN112308136A (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN116108348A (zh) | 基于实车方向盘转角的疲劳驾驶识别方法、装置和设备 | |
CN112990599B (zh) | 一种基于突发火灾事件相似度计算的城市应急消防优化方法 | |
Gilroy et al. | The development and application of a rail human reliability assessment tool | |
Wang et al. | Driving risk evaluation applied to premium actuary for pay-how-you-drive vehicle insurance based on fuzzy multi criteria decision-making | |
Zhang et al. | Objective evaluation for the driving comfort of vehicles based on BP neural network | |
Siaminamini et al. | Generating a risk profile for car insurance policyholders: A deep learning conceptual model | |
Yang et al. | A review of current human reliability assessment methods utilized in high hazard human-system interface design |
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 |