一种隧道群驾驶平稳度模型设计方法、评价方法、设备技术

本发明专利技术涉及交通安全管理技术领域，具体涉及一种隧道群驾驶平稳度模型设计方法、评价方法、设备。本发明专利技术基于驾驶人瞳孔直径变量百分比PPDV作为特征指标来对隧道群界定标准及其影响范围作出定义，将路段内存在3座及以上隧道间距不大于700m的连续隧道路段被定义为隧道群，并对隧道群首隧道入口225m直至隧道群尾隧道出口后335m路段的生、心理指标基于SVM

【技术实现步骤摘要】
一种隧道群驾驶平稳度模型设计方法、评价方法、设备


[0001]本专利技术涉及交通安全管理
，特别是涉及一种隧道群驾驶平稳度模型设计方法、评价方法、设备。

技术介绍

[0002]隧道群是为研究山区高速公路交通安全而兴起的一种新兴构筑物，其定义尚没有统一标准。在隧道群区段的行车环境中进行驾驶，从开始稳定的自然环境路段进入隧道段，然后需要在较短时间内频繁地驶入、驶出隧道，并再次适应新的自然环境路段，周而复始适应新的隧道段，在这过程中，明暗适应时间、交通流、隧道设施以及照度适应等因素，均会引起驾驶人的感知变化从而影响驾驶状态的平稳性。由此，交通规划可根据驾驶人在隧道群路段驾驶状态的变化规律而在路段设计上进行外在干预，从而提高道路交通的安全性。
[0003]根据现有研究成果，以当前运用最广的界定值1000m对行车环境中具有若干隧道的路段进行划分，将行车路段划分为连续隧道段（连续隧道段是指路段范围内存在两座及两座以上隧道间距小于1000m的路段）、单体隧道段（单体隧道段是指路段范围内存在的隧道之间相隔1000m以上的路段）以及非隧道段（非隧道段包含了除连续隧道段以及单体隧道段以外的其它行车路段），该研究成果将隧道群对驾驶人的影响范围仅局限于隧道群本身，所研究指标表征并不能完整体现人因对驾驶行为的主导影响机理，因此其研究结果相比事实验证往往具有较大偏差，适用性和可靠性较低。实际上，根据驾驶人态势感知理论可知，在驾驶过程中，驾驶人的驾驶行为是自身意识与动态环境相互反馈的综合体现，这可以说明，驾驶人的生心理特征的变化将不会与环境变化完全同步，而是会提前于环境的变化。从态势感知三阶段理论认知模型可以了解到，驾驶人能够综合环境要素，预测环境的变化从而提前调整自身状态以应对变化可能导致的突发情况，并以驾驶人所决策的最优的驾驶行为完成驾驶目标。因此，驾驶人受到隧道群的影响产生变化绝不是在驶入隧道群那一刻产生的，而是在驾驶人感知到行车环境出现了隧道群时，驾驶人的态势感知循环就已开启；同样的，在驾驶人驶出隧道群后也需要调整自身状态以适应回到非隧道段（即自然环境路段）的行车环境。即，隧道群对驾驶人的影响范围不仅仅局限于隧道群本身，还包含了隧道群前后的一段距离。
[0004]因此，基于山区高速公路隧道群驾驶环境应如何提出一种准确性高的、表征指标较为完备的隧道群划分方法及相匹配的驾驶平稳度评价体系，使其为线路设计规划作更科学的、准确的技术指导显得尤为重要。

技术实现思路

[0005]本专利技术的目的在于：为了解决如何衡量驾驶人在隧道群路段范围内的驾驶平稳度的问题，提供一种隧道群驾驶平稳度模型设计方法、评价方法、设备。
[0006]为了实现上述目的，本专利技术采用的技术方案为：一种隧道群驾驶平稳度模型设计方法，包括以下步骤：
步骤一，获取驾驶人在隧道群首隧道入口前a距离到隧道群尾的隧道出口后b距离之间的若干项指标数据；指标数据包括生理指标和心理指标，其中a、b为预设值；步骤二，采用SVM
‑
RFE算法，对各项指标数据进行重要度排序，生成重要度序列表；步骤三，根据重要度序列表，选取重要度最高的n个指标数据作为生心理特征分量，结合因子分析，提取表征隧道群路段驾驶平稳度的综合指标的模型关系式。
[0007]由于瞳孔变化属于植物神经系统所控生理特征指标，不受人为意识所控，且其对光照度变化具有极高的敏锐度，隧道群内外行车环境变化能够通过驾驶人瞳孔变化直观的体现出来，本专利技术基于驾驶人瞳孔直径变量百分比PPDV作为特征指标来对隧道群界定标准作出定义，充分考虑了在非隧道路段驾驶时对危险路段的行为适应，定义更科学、准确，更利于隧道群驾驶平稳度和后续线性规划的研究。本专利技术基于隧道群区段划分定义，明确了隧道群路段判断状态，将各指标在连续隧道段的数据记入算法统筹范围内，从而保证输出结果的鲁棒性；本专利技术基于SVM
‑
RFE算法训练样本，根据特征重要度（关联度）得分进行排序，并结合因子分析择取主成分分析法提取生、心理综合指标用于衡量驾驶人在隧道群路段范围内的驾驶平稳度，可以消除各评价指标之间的相关性影响，并且可以在保留原始变量绝大部分信息的情况下用少数综合性的指标代替原变量进行分析，一定程度上规避了冗余信息，为后续分类器提供了更加可靠的特征组，准确性高、可靠性好。
[0008]优选地，生心理特征分量包括驾驶人的瞳孔直径变量百分比PPDV、RR间期标准差SDNN以及心率增长率HRG；通过因子分析法提取的用于表征隧道群路段驾驶平稳度的综合指标D
S
的模型关系式为：，式中，n1为RR间期标准差
‑
SDNN（ms），n2为心率增长率
‑
HRG（%），n3为瞳孔直径变量百分比
‑
PPDV（%）。
[0009]通过origin数据分析软件进行因子分析，可根据得分矩阵计算出驾驶人PPDV、SDNN和HRG三个变量的贡献率和已经非常接近1，因此其它因素可选择忽略不计，取这三个因素作为主要影响因素进行分析是可行的，且这三个变量的贡献率也是与SVM
‑
RFE算法所得出的重要度排序相对应，验证了该算法的可靠性。
[0010]本专利技术还提供一种隧道群驾驶平稳度评价方法，根据上述隧道群驾驶平稳度模型设计方法所得到的模型关系式，得到隧道群各组指标数据的平稳度综合指标；然后根据K
‑
Means均值聚类分析方法，将得到的所有平稳度综合指标划分分阶阈值，构建驾驶平稳度评价体系。本专利技术通过K
‑
Means均值聚类将数据根据用户需求进行分类分组，实现了将驾驶平稳度量化，这样利于科学评价隧道群路段各区段平稳度，从而为线路规划提供科学指导。
[0011]进一步地，采用K
‑
Means均值聚类的主要步骤包括：（1）获取标准数据合集，确定关键变量X以及中心向量初始化聚类中心，其中中心向量为，关键变量X为PPDV原始特征值；（2）分组：以式子为分配依据，将样本数据分配给距离其最近的中心向量，构造不相交的聚类；式中，为第个关键数据，为第j个聚类中心的关键数据值；
（3）确定中心：将各个聚类的中心向量作为新的聚类中心，重复步骤（1）（2），直至算法收敛。
[0012]进一步地，根据收敛后的聚类中心位置，得到聚类边界阈值范围。
[0013]优选地，初始化聚类中心k的个数为3。
[0014]优选地，驾驶平稳度的评价等级划分为平稳、较平稳、不平稳和极不平稳四个等级。
[0015]优选地，上述方法还包括步骤：根据驾驶平稳度评价体系对隧道群各个区段的驾驶平稳度进行评价；在评价各个区段的驾驶平稳度时，以相同类别区段均值作为表征值，评价路段相应平稳度；隧道群的区段划分包括接近段、远离段、入口段、出口段、连接段和适应段，其中接近段为驾驶员PPDV在进入隧道群第一个隧道洞口前受到隧道群影响的路段，远离段为从隧道群尾出口开始仍受隧道群影响的路段，入口段为始于隧道群内每个隧道入口的一段路段，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隧道群驾驶平稳度模型设计方法，其特征在于，包括以下步骤：步骤一，获取驾驶人在隧道群首隧道入口前a距离到隧道群尾隧道出口后b距离间的若干项指标数据；所述指标数据包括生理指标和心理指标，其中a和b为预设值；步骤二，采用SVM
‑
RFE算法，对各项所述指标数据进行重要度排序，生成重要度序列表；步骤三，根据所述重要度序列表，选取重要度最高的n个所述指标数据作为生心理特征分量，并结合因子分析，提取表征隧道群路段驾驶平稳度的综合指标的模型关系式。2.根据权利要求1所述的一种隧道群驾驶平稳度模型设计方法，其特征在于，所述生心理特征分量包括驾驶人的瞳孔直径变量百分比PPDV、RR间期标准差SDNN以及心率增长率HRG。3.根据权利要求2所述的一种隧道群驾驶平稳度模型设计方法，其特征在于，用于表征隧道群路段驾驶平稳度的综合指标D
S
的模型关系式如下所示：，式中，n1为RR间期标准差SDNN，n2为心率增长率HRG，n3为瞳孔直径变量百分比PPDV。4.一种隧道群驾驶平稳度评价方法，其特征在于，根据权利要求1
‑
3任一项所述的隧道群驾驶平稳度模型设计方法所得到的模型关系式，得到隧道群各组指标数据的平稳度综合指标；根据K
‑
Means均值聚类分析方法，将得到的所有所述平稳度综合指标划分分阶阈值，构建驾驶平稳度评价体系。5.根据权利要求4所述的一种隧道群驾驶平稳度评价方法，其特征在于，采用K
‑
Means均值聚类的主要步骤包括：（1）获取标准数据合集，确定关键变量X以及中心向量初始化聚类中心，其中中心向量为，关键变量X为PPDV原始特征值；（2）分组：以式子为分配依据，将样本数据...

【专利技术属性】
技术研发人员：何云勇，张思捷，何恩怀，庄卫林，高建平，刘唐志，王义鑫，喻国轩，魏琨，吴跃成，方信，
申请(专利权)人：四川省公路规划勘察设计研究院有限公司，
类型：发明
国别省市：