为了提高疲劳检测的精度,通过驾驶模拟试验采集了15位中青年有经验驾驶员的车辆横向位置、方向盘操控、眼动等多源数据并计算疲劳特征指标,同时采集驾驶员主观疲劳程度并通过视频回放进行校核,在此基础上建立疲劳等级与特征指标的决策树模型,结果表明,对于区别疲劳等级最显著的变量有闭眼时间比例(percentage of eye closure,PERCLOS)、车道偏移标准差、越线时空面积、方向盘反转率,且上述变量与疲劳等级呈正相关;PERCLOS为最优的疲劳等级划分变量,并获取了2个重要阈值:当PERCLOS小于2.8%时,驾驶员处于严重疲劳状态的比例为零;当PERCLOS大于21.9%时,驾驶员处于未疲劳状态的比例为零;该模型预测的总正确率为64.31%.为了校验模型,从15位驾驶员中随机选取了4位进行模型校验试验.校核结果表明该模型的正确率达63.22%.模型在2次试验中都未发现将严重疲劳识别为未疲劳的情况.
城市快速路的车速空间波动常被认为是事故风险的重要因素,但是车速空间波动很难通过传统的固定检测器来提取。为克服传统方法的不足,本文充分利用Floating Car Data(FCD)提取快速路路段的空间车速方差等道路运行指标,并在获取快速路特征指标的基础上,分别以总事故频率、追尾事故频率和侧碰事故频率为因变量建立了负二项模型。模型结果发现空间车速方差、路段行程车速对三类模型的影响呈现一致关系:空间车速方法与三类事故频率呈正相关,说明利用车速空间波动来诊断城市快速路安全风险是可行和有价值的。此外还发现路段行程车速与三类事故频率呈负相关,路段内包含平曲线对事故总频率和追尾事故都有显著正相关,但对侧碰事故的相关性不显著;立交路段与侧碰事故频率相关性显著。
