基于多源数据的隧道驾驶风险识别

U491.25; 采用一种基于多源数据的方法来识别隧道复杂环境下的驾驶风险.基于实车驾驶实验,获取多源驾驶数据集,采用滑动时间窗进行隧道入口、内部和出口段的驾驶样本构建,并通过不良驾驶行为谱对样本进行风险评价.利用轻量梯度提升机(LGBM)构建驾驶风险识别模型,并采用部分依赖图(PDP)分析不同路段的风险影响因素.结果表明:隧道内部的驾驶风险较低,而入口段和出口段的风险较高;LGBM在入口段、内部段和出口段测试集上的精确率-召回率曲线下面积分别为0.888、0.893和0.860,驾驶员和道路环境特征能够有效提升驾驶风险识别模型的性能;不同路段的风险影响因素存在差异,相较于路段内部,入口段和出...

Full description

Saved in:
Bibliographic Details
Published in东南大学学报（自然科学版） Vol. 54; no. 6; pp. 1511 - 1519
Main Authors 金盛, 江杨, 刘伯鹍, 白聪聪, 周梦涛
Format Journal Article
LanguageChinese
Published 浙江大学建筑工程学院,杭州 310058%浙江大学工程师学院,杭州 310058%中国电力建设集团华东勘测设计研究院有限公司,杭州 311122 01.11.2024
Subjects
multi-source data
交通安全
highway tunnels
机器学习
driving risk identification
公路隧道
驾驶风险识别
多源数据
machine learning
traffic safety
Online AccessGet full text
ISSN1001-0505
DOI10.3969/j.issn.1001-0505.2024.06.021

Cover

More Information
Summary:U491.25; 采用一种基于多源数据的方法来识别隧道复杂环境下的驾驶风险.基于实车驾驶实验,获取多源驾驶数据集,采用滑动时间窗进行隧道入口、内部和出口段的驾驶样本构建,并通过不良驾驶行为谱对样本进行风险评价.利用轻量梯度提升机(LGBM)构建驾驶风险识别模型,并采用部分依赖图(PDP)分析不同路段的风险影响因素.结果表明:隧道内部的驾驶风险较低,而入口段和出口段的风险较高;LGBM在入口段、内部段和出口段测试集上的精确率-召回率曲线下面积分别为0.888、0.893和0.860,驾驶员和道路环境特征能够有效提升驾驶风险识别模型的性能;不同路段的风险影响因素存在差异,相较于路段内部,入口段和出口段受到的多种因素影响更为显著.
ISSN:1001-0505
DOI:10.3969/j.issn.1001-0505.2024.06.021