原文传递
车联网条件下驾驶员行为识别方法
| 论文题名： | 车联网条件下驾驶员行为识别方法 |
| 关键词： | 车联网;驾驶员行为;行为识别;经验模态分解;样本熵;特征提取 |
| 摘要： | 随着社会经济和汽车化的快速发展，道路交通安全和汽车安全性能已经成为城市和谐发展中亟待解决的问题。随着无线通信技术、传感器技术的发展，及大数据时代的到来，目前车联网已经成为发展智能交通系统及提高道路交通安全水平的关键。驾驶行为是引起交通事故和道路拥堵的关键因素，车联网条件下驾驶行为识别是预测和减少道路交通事故的重要方法。因此，本文主要就车联网条件下驾驶员行为识别方法进行了深入探讨。 首先，综合对比交通仿真模型及仿真软件，最终采用VISSIM建立城市和高速工况下的路网环境。通过分析设定VISSIM中驾驶模块参数，实现不同行驶状态下局部路网仿真，获取大量基本仿真数据。 其次，以VISSIM仿真数据为基础，结合汽车动力学理论，实现基本行驶参数到行驶状态参数的转化。 然后，针对经典粗糙集的不足，提出了采用邻域粗糙集来进行特征约简，提高了后续分析的运算速度；在使用总体平均经验模态分解(EEMD)、相关系数法以及样本熵相结合的方法来处理属性约简后的样本数据，将得到的样本熵数值作为聚类的输入特征向量，弥补了应用统计学方法处理驾驶员行为数据的缺点。 最后，以Gath-Geva模糊聚类作为不同驾驶员行为识别方法，构建了以各聚类中心为标准向量的驾驶行为识别模型，通过最小平均贴近度择近原则实现了不同驾驶行为的识别。根据聚类结果，改进判别模型，结果表明，驾驶员行为识别取得了良好的效果。 |
| 作者： | 陈珂 |
| 专业： | 车辆工程 |
| 导师： | 马雷 |
| 授予学位： | 硕士 |
| 授予学位单位： | 燕山大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
