学科分类
/ 1
1 个结果
  • 简介:道是驾驶员达到快速通行目标的一种常用手段,但道会带来很多公路交通事故。为有效避免交通事故,需给驾驶员提供道安全预警。构建了安全道决策模型,将道决策分为道意图识别和道条件判断分别建立模型以提高预测精确度。通过神经网络方法SOM(Self-Organization-Map)聚类及BP(BackPropagation)建立道意图识别模型,基于贝叶斯理论建立最小风险贝叶斯道条件判别模型。模型开发和测试采用车辆轨迹数据集(NGSIM),提取数据中的道行为特征参数作为模型的输入,将驾驶员道决策预测视为输入变量的函数。通过对比最小贝叶斯和最小风险贝叶斯方法发现,由后者构建的道条件判别模型效果较好,对于不换道行为的预测精度为90.4%,道行为的预测精度为73.8%。鉴于错误的道决策可能导致交通事故,而错误的不换道决策只会导致失去一次道的机会,在道辅助系统中,不换道决策的精确度要求需高于道决策的精度。最后,在微观交通仿真系统中加入道决策模型,其结果验证道决策安全。最小风险贝叶斯道条件判别模型的引入,使得道决策系统能够通过修正风险系数,进一步提高道判别精度,减少不安全的道概率。

  • 标签: 安全工程 神经网络 贝叶斯 交通仿真