论文部分内容阅读
近年来我国社会经济发展迅速,国家对石油、天然气等危险货物的运输需求也不断扩大,随之而来给交通运输带来了很大的安全隐患。虽然危险品运输车辆导致道路交通事故的数量占比不大,但其死伤人数和财产损失严重,因此国内外诸多研究将道路危险品运输事故定义为低概率高风险(Low Probability High Consequence,LPHC)事件。目前国内外对道路运输危险品的运输事故分析中显示,70%以上的事故原因都是人为因素,而人为因素中驾驶人技能影响最大。因此,针对危险品运输车辆驾驶风险的研究成为交通领域的研究热点。传统道路运输危险品的驾驶风险研究主要集中在基于事故数据进行运输事故分析和路径优化,但由于在实际运输过程中交通事故是小概率事件,所以通常用替代的方法来研究交通安全和驾驶风险,如行车安全事件(Critical Incident Events)。目前国内外行车风险的研究主要集中在小轿车,针对危险运输车辆的自然驾驶实验的相关文献较少,实验数据积累不足,表征指标不够系统。因此,基于危险品运输车辆的低概率高风险的事故风险特征和行车安全事件表征指标,对其驾驶风险研究是本文的主要内容。本文通过对危险品运输过程风险进行研判,综合采用自然驾驶数据采集、问卷调查等方法,基于统计分析、数据挖掘等技术,建立基于危险品运输车辆行车安全事件的驾驶风险模型,并评估其有效性,具体研究内容如下。首先,基于行车安全事件可用来表征行车风险的前提,针对罐式半挂车动力学及事故特点对行车安全事件进行分类,分别为:急加速、急减速、急转弯;针对典型行车安全事件表征指标(横向、纵向),依据自然驾驶数据平台采集20名驾驶人一个月的行车数据,根据罐式半挂车动力学特点和典型风险驾驶行为理论模型,确定行车安全事件表征指标及阈值范围,进而分析行车安全事件类型及频次,为后续的驾驶风险辨识模型提供基础。其次,通过采集罐式半挂车驾驶人行为问卷(Driver Behavior Questionnaire,DBQ),进行因子分析,划分代表驾驶风格的主动侵犯及违规因子和代表驾驶能力的失误及疏忽因子,分别利用两个因子的得分和因子旋转后的方差贡献率统计出20名驾驶人的因子综合得分,根据因子综合得分确定样本驾驶人主观驾驶风险,为后续的驾驶风险辨识模型的训练样本集提供数据和测试样本集提供验证。最后,基于朴素贝叶斯辨识模型,构建基于行车安全事件的驾驶风险辨识模型。利用Matlab函数工具箱,选取20名被试前15天的行车安全事件类型、频次和风险等级作为训练样本集进行训练,结合每名被试后15天的行车安全事件类型、频次和风险等级作为测试样本集对模型进行验证,利用问卷调查结果验证其准确率,其分类准确率达到80.00%。本文所提出的基于危险品运输车行车安全事件的驾驶风险辨识模型,对危险驾驶行为的监控预警、改善驾驶安全具有理论指导和实践应用价值。