原文传递
基于多源数据的异常驾驶行为细粒度识别与风险评估研究
| 论文题名： | 基于多源数据的异常驾驶行为细粒度识别与风险评估研究 |
| 关键词： | 城市道路;汽车异常驾驶行为;细粒度识别;风险评估;多源数据 |
| 摘要： | 随着汽车保有量和驾驶人数量的快速增长，我国的道路交通安全形势愈发严峻。统计结果表明，90%以上的交通事故与驾驶人直接或间接相关。因此，为提高道路交通安全性，减少道路交通事故的发生，针对驾驶人驾驶行为的识别与风险评估是非常必要的。 在对国内外驾驶行为研究成果梳理与总结的基础上，为解决现有研究存在的数据源单一和识别异常驾驶行为种类不全面的问题，本文提出一种基于多源自然驾驶数据的异常驾驶行为识别方法，所建模型能够识别出细粒度的异常驾驶行为，并构建了与之对应的驾驶风险评估体系，根据异常驾驶行为的频率、时长和危险程度评估驾驶人的实时驾驶风险和累积驾驶风险。主要研究内容如下： 首先，基于手机传感器数据，选择了多种不同的机器学习算法和深度学习算法，对驾驶人的急加速、急刹车和急转向行为进行识别，并对比了各模型识别上述驾驶行为的性能。评价结果表明，深度学习中的时间序列模型具有最好的识别效果，可以达到75%以上的精准率和召回率。 然后，基于前向行车记录视频数据和GPS数据，采用边缘检测滤波算法对车道线进行检测并计算车辆中轴与车道中心线的距离，由此识别驾驶人的急变道和危险超车行为。评价结果表明，该方法具有较好的识别效果，可以达到0.8以上的F1-score值；采用YOLOv5目标检测算法和单目摄像头测距算法计算前车距离，结合实时GPS速度数据识别驾驶人的跟车过近行为；采用GPS速度数据和从OpenSteetMap获取到的限速信息，识别驾驶人的超速行为。 最后，在上述异常驾驶行为识别的基础上，构建了异常驾驶行为风险评估指标体系，并进一步提出了对驾驶人异常驾驶行为的实时风险和累积风险计算方法。实验结果表明，以上两种方法能够有效评估驾驶人在不同驾驶风格和不同道路类型下的实时风险和累计风险，达到了预期效果。 综上所述，本文完整的探讨了从异常驾驶行为识别到风险评估的全过程，通过融合手机传感器数据、前向行车记录视频数据和GPS数据等自然驾驶数据，使用多种机器学习算法和深度学习算法，实现了对异常驾驶行为的细粒度识别，并最终完成了对驾驶人驾驶风险的评估。研究成果可服务于对驾驶人异常驾驶行为的实时提醒和引导、未来城市交通大脑的实时风险管控、车队管理、驾驶人准驾资格审查、针对性驾驶培训和保险差异化定价等场景。 |
| 作者： | 李泽阳 |
| 专业： | 交通运输工程;交通运输规划与管理 |
| 导师： | 陈淑燕 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
