基于MIMIC与机器学习的出租车驾驶员交通事故诱因分析

通过调查问卷收集2391名出租车驾驶员个体属性、身体疲劳感知、工作压力、风险驾驶行为和交通事故经历的相关信息。运用多指标多原因（MIMIC）模型进行路径分析,探究身体疲劳感知、风险驾驶行为对交通事故的诱发效应,验证性别、年龄、工作压力的原因变量对身体疲劳感知、分心驾驶行为的影响作用。选取逻辑回归、朴素贝叶斯、支持向量机、随机森林4种机器学习算法对出租车事故进行预测。结果表明：身体疲劳感知、过失性驾驶行为、激进性驾驶行为与分心驾驶行为的提高能够导致事故率的提高,性别、年龄、工作压力会对身体疲劳感知与分心驾驶行为的频次产生影响。基于机器学习的事故预测模型效果极佳,其中随机森林的预测效果最好,使用单一特征变量“风险驾驶行为”、“分心驾驶行为”、“身体疲劳感知”的预测精度尚可接受。当引入“工作压力”、“年龄”、“性别”的个人属性指标时,预测精度进一步提高。     

基于交通冲突的长纵坡路段追尾风险评估及预测

通过无人机航拍、雷达测速与人工现场调查对山区长纵坡路段的车辆轨迹与交通流数据进行采集。基于交通冲突技术给出长纵坡路段车辆碰撞时间及冲突所引发追尾事故概率的计算方法,基于动能守恒定律给出长纵坡路段追尾事故的碰撞动能损失量,分别用于量化车辆追尾冲突与事故后果的严重性。构建了追尾风险指数,用于评价长纵坡路段的追尾风险程度。分别运用零膨胀负二项回归（ZINB）与有序Logistic回归对追尾冲突频次与追尾风险等级进行预测,并分析交通流特性对其产生的影响。结果得出：零膨胀负二项回归对上坡与下坡方向冲突频次的预测效果较好,R2分别为0.556与0.482;有序Logistic回归对上下坡追尾风险等级的预测效果极佳,R2分别约为0.643与0.632。车速、加速度、交通量与交通流车辆构成对冲突数量与追尾风险程度的影响存在差异。     

弯坡组合路段追尾事故风险评估与影响因素分析

为解决山区路段追尾事故频发的问题,基于交通冲突技术对弯坡组合路段车辆追尾事故风险进行评估,并对追尾冲突的影响因素进行识别。通过无人机航拍、雷达测速等调查手段对车辆轨迹与交通流数据进行采集。传统碰撞时间(time to collision, TTC)计算方法尚未对弯坡组合路段线形特征充分考虑,根据弯坡组合路段各组成部分(圆曲线、缓和曲线与直线路段)的道路线形与车辆运行特征,对车辆追尾TTC进行修正,根据冲突时间累积分布曲线得出严重、一般、轻微与潜在追尾冲突的划分阈值,分别为1.23、2.59、3.50、4.0 s。分别构建圆曲线、缓和曲线与直线路段追尾冲突影响因素识别树结构,并通过有序Logistic模型分析各因素对追尾冲突严重性的影响。结果表明：交通量的增加、大型车辆的混入、车辆行驶速度与加速度的提高会促进冲突的产生以及严重程度的增加;交通流特征指标对各路段追尾冲突的影响存在效果差异;圆曲线路段车辆入弯与出弯方向及内侧与外侧弯道之间的追尾冲突无显著差异;而在缓和曲线与直线路段存在差异。研究结果能够帮助追尾事故的主动安全防控、实时预测,并改善弯道路段的行车安全。     

城市公交车辆驻站时间特征分析及预测

为准确分析公交车辆的驻站时间特征,并对其进行预测,本文对公交车辆驻站过程中的时间构成进行分析,引入了驻站服务时间的概念,用于量化车辆驻站过程中乘客上、下车的时长.根据人工调查数据分析,得出上车时间与下车时间是驻站服务时间与驻站时间的影响因素;与下车时间相比,上车时间与驻站服务时间、驻站时间的相关性更强,且两者的最大值与...