论文部分内容阅读
交通冲突技术做为交通安全领域的重要分支之一,研究交通冲突的识别及预测对提升交通安全水平具有重要意义。本文结合基金课题,提出了基于行车视频的交通冲突识别技术,分析了交通冲突分布特性,并建立了出租车驾驶员的交通冲突预测模型,最终对驾驶员进行了安全性评价。本文采用在出租车上安装行车记录仪的方式采集行车视频。在对已有冲突识别参数分析的基础上,提出了主观观测和交互验证相结合的交通冲突识别方法,并通过观测人员的培训和检验提高了识别结果的可靠度。通过冲突片段截取、冲突识别和交互验证,将采集的426小时的行车视频全部识别完毕,共识别出交通冲突7239次。为对交通冲突预测模型提供驾驶员行为属性变量,本文依据驾驶员的避险行为紧急程度等行为特性采用系统聚类法将驾驶员分为三种行为类型。在此基础上,统计分析出租车交通冲突在不同的冲突时间、冲突对象、冲突类型、冲突地点和冲突等级时的分布特性,并分析了出现各种分布特性的原因。为建立出租车交通冲突预测模型,首先,分析了驾驶员的性别、年龄、驾龄等属性数据对交通冲突的影响,然后,以驾驶员的基本属性变量和行为属性变量为模型的自变量,因变量为交通冲突数量,选择了负二项分布模型建立交通冲突预测模型,并对模型进行了参数标定。此外,还分不同时段、冲突类型和冲突等级分别建立了不同的交通冲突预测模型,依据模型结果分析了各变量对交通冲突的影响关系。最后,验证了模型的准确度。为对驾驶员进行安全性评价,首先,选择了灰色理论评价法,并确定了以交通冲突数量、交通冲突等级和事故率为评价指标,建立评价矩阵。然后,应用层次分析法得到了各指标权,确定了将驾驶员分为四类安全等级,并通过评价指标的累积频率曲线得到了白化值。最后,建立了四类白化权函数,并计算各评价指标的评估值,确定了驾驶员的安全等级。为对交通冲突预测模型和驾驶员安全性评价过程进行详细说明,选择了6名驾驶员计算其交通冲突数量和安全等级。