论文部分内容阅读
交通安全是影响城市综合发展的重要因素。70％以上的交通事故与驾驶人不良与危险驾驶行为有关。因此，开展驾驶行为安全性分析，是减少道路交通事故的重要手段。
论文围绕驾驶行为安全分析和道路交通安全分析两个方面，在交通大数据驱动的基础上，分别采用个体驾驶行为与集计驾驶行为开展研究。针对驾驶行为风险，目前缺乏客观有效的驾驶行为风险衡量方法，驾驶风险预测研究多采用模拟驾驶实验或小范围测试，成果在日常实车驾驶的应用能力不足，难以迁移至自然驾驶条件实现个体驾驶行为的安全提升;针对道路交通风险，多是基于经验的安全评价或以事故为导向的事后分析，缺乏客观的事前预防安全评价理论基础。同时，国内交通风险管理以宏观预测为主，缺乏微观至中观层面交通系统安全预测与管理方法，限制了城市路网交通风险的精细化监控与管理。
论文以驾驶行为风险与道路交通风险的评价、辨识与预测为目标，基于海量车载设施GPS数据与导航数据，提出驾驶行为与道路交通安全性替代指标，重点从驾驶人与城市道路两个角度研究数据采集-风险评估-风险辨识—内因挖掘—风险预测等问题。论文的主要研究工作包括:
首先，建立个体驾驶行为与集计驾驶行为安全分析数据库。利用车载数据采集终端获取车辆运行GPS数据，计算车辆纵向与横向运行参数，划分道路、交通条件属性，建立个体驾驶行为数据库;利用导航采集交通运行状态数据、群体驾驶行为数据、用户比例(相对交通量)数据等，匹配与融合多源数据，建立集计驾驶行为数据库。
其次，基于个体驾驶行为，提出基于时序特征与阈值分析的驾驶行为风险评估方法。基于时序驾驶行为数据库，考虑个体驾驶员过弯时对车辆横向控制与纵向控制的时序特征，提出基于动态时间规整和隐马尔可夫的驾驶行为分类方法，定义不同聚类结果的驾驶行为安全性;以车辆横向及纵向运行状态为指标，确定指标风险判定阈值，利用违背数据阈值(DTV)和带极限的相平面分析(PPAL)方法建立驾驶行为风险评价模型，为个体驾驶行为风险辨识及预测提供基础。
而后，基于个体驾驶行为，构建外部环境影响下的驾驶行为风险辨识模型，同时，以超速行为为例采用机器学习算法提出风险驾驶行为预测方法。分析不同道路条件、交通条件、天气、昼夜等外部环境影响下的驾驶行为风险特征，利用线性混合效应模型辨识不同外部环境的驾驶行为风险;提取车辆速度时间窗数据，采用深度置信网络与浅层学习支持向量机、随机森林算法分别基于车辆历史速度数据构建未来最大车速预测模型，以超速行为判别为目标，对车速预测结果进行划分，实现超速驾驶行为的预测预警。
再次，基于集计驾驶行为，提出道路交通安全有序性评价方法。以导航海量实车驾驶数据为基础，分析不同道路类型及拥堵水平下的集计驾驶行为和速度变化的分布特征;结合驾驶行为、道路速度变化系数等多元交通风险影响因素，量化驾驶行为与速度系数的影响权重，提出交通安全有序性评价替代指标—秩序指数，为交通系统安全分析与道路风险预测奠定了基础。
然后，基于集计驾驶行为，提出典型路段交通设施安全特征及内因挖掘方法。以秩序度作为交通安全性评价替代指标，研究典型路段(立交出口、交叉口进口道)道路几何特征、交通控制设施、交通运行等因素对交通安全性的影响作用;应用结构方程构建典型路段的安全统计分析模型，推理影响因素间的因果关系，建立交通特征与交通风险(驾驶行为)的关联机制，深入挖掘影响交通安全的内在因素，实现典型路段交通安全风险辨识和问题诊断。
最后，基于集计驾驶行为，提出道路交通安全性实时预测方法。以秩序度作为交通安全性评价标签，分析工作日与节假日的拥堵水平、平均速度、用户比例、秩序度的时序特征;分别利用非时序的AP聚类+BP神经元网络算法与时序的深度强化学习LSTM算法，建立交通安全性预测模型，为城市道路交通安全监控与管理提供理论基础。
综上，论文基于车载数据与导航数据，从个体驾驶行为和集计驾驶行为两个角度深入挖掘驾驶行为安全与道路交通安全的内在特征，提出安全评价指标，进而实现了不同外部环境下驾驶行为风险辨识和交通风险影响内因分析，同时也实现了驾驶行为风险与城市道路风险的实时动态预测，为驾驶行为与道路交通的安全提升提供了理论参考和技术支撑。
论文围绕驾驶行为安全分析和道路交通安全分析两个方面，在交通大数据驱动的基础上，分别采用个体驾驶行为与集计驾驶行为开展研究。针对驾驶行为风险，目前缺乏客观有效的驾驶行为风险衡量方法，驾驶风险预测研究多采用模拟驾驶实验或小范围测试，成果在日常实车驾驶的应用能力不足，难以迁移至自然驾驶条件实现个体驾驶行为的安全提升;针对道路交通风险，多是基于经验的安全评价或以事故为导向的事后分析，缺乏客观的事前预防安全评价理论基础。同时，国内交通风险管理以宏观预测为主，缺乏微观至中观层面交通系统安全预测与管理方法，限制了城市路网交通风险的精细化监控与管理。
论文以驾驶行为风险与道路交通风险的评价、辨识与预测为目标，基于海量车载设施GPS数据与导航数据，提出驾驶行为与道路交通安全性替代指标，重点从驾驶人与城市道路两个角度研究数据采集-风险评估-风险辨识—内因挖掘—风险预测等问题。论文的主要研究工作包括:
首先，建立个体驾驶行为与集计驾驶行为安全分析数据库。利用车载数据采集终端获取车辆运行GPS数据，计算车辆纵向与横向运行参数，划分道路、交通条件属性，建立个体驾驶行为数据库;利用导航采集交通运行状态数据、群体驾驶行为数据、用户比例(相对交通量)数据等，匹配与融合多源数据，建立集计驾驶行为数据库。
其次，基于个体驾驶行为，提出基于时序特征与阈值分析的驾驶行为风险评估方法。基于时序驾驶行为数据库，考虑个体驾驶员过弯时对车辆横向控制与纵向控制的时序特征，提出基于动态时间规整和隐马尔可夫的驾驶行为分类方法，定义不同聚类结果的驾驶行为安全性;以车辆横向及纵向运行状态为指标，确定指标风险判定阈值，利用违背数据阈值(DTV)和带极限的相平面分析(PPAL)方法建立驾驶行为风险评价模型，为个体驾驶行为风险辨识及预测提供基础。
而后，基于个体驾驶行为，构建外部环境影响下的驾驶行为风险辨识模型，同时，以超速行为为例采用机器学习算法提出风险驾驶行为预测方法。分析不同道路条件、交通条件、天气、昼夜等外部环境影响下的驾驶行为风险特征，利用线性混合效应模型辨识不同外部环境的驾驶行为风险;提取车辆速度时间窗数据，采用深度置信网络与浅层学习支持向量机、随机森林算法分别基于车辆历史速度数据构建未来最大车速预测模型，以超速行为判别为目标，对车速预测结果进行划分，实现超速驾驶行为的预测预警。
再次，基于集计驾驶行为，提出道路交通安全有序性评价方法。以导航海量实车驾驶数据为基础，分析不同道路类型及拥堵水平下的集计驾驶行为和速度变化的分布特征;结合驾驶行为、道路速度变化系数等多元交通风险影响因素，量化驾驶行为与速度系数的影响权重，提出交通安全有序性评价替代指标—秩序指数，为交通系统安全分析与道路风险预测奠定了基础。
然后，基于集计驾驶行为，提出典型路段交通设施安全特征及内因挖掘方法。以秩序度作为交通安全性评价替代指标，研究典型路段(立交出口、交叉口进口道)道路几何特征、交通控制设施、交通运行等因素对交通安全性的影响作用;应用结构方程构建典型路段的安全统计分析模型，推理影响因素间的因果关系，建立交通特征与交通风险(驾驶行为)的关联机制，深入挖掘影响交通安全的内在因素，实现典型路段交通安全风险辨识和问题诊断。
最后，基于集计驾驶行为，提出道路交通安全性实时预测方法。以秩序度作为交通安全性评价标签，分析工作日与节假日的拥堵水平、平均速度、用户比例、秩序度的时序特征;分别利用非时序的AP聚类+BP神经元网络算法与时序的深度强化学习LSTM算法，建立交通安全性预测模型，为城市道路交通安全监控与管理提供理论基础。
综上，论文基于车载数据与导航数据，从个体驾驶行为和集计驾驶行为两个角度深入挖掘驾驶行为安全与道路交通安全的内在特征，提出安全评价指标，进而实现了不同外部环境下驾驶行为风险辨识和交通风险影响内因分析，同时也实现了驾驶行为风险与城市道路风险的实时动态预测，为驾驶行为与道路交通的安全提升提供了理论参考和技术支撑。