【技术实现步骤摘要】
本专利技术涉及电动自行车和交通安全分析，尤其涉及电动自行车骑行者反应时间预测方法、系统。
技术介绍
1、目前电动自行车数量飞速增长，与电动自行车有关的交通事故数量高居不下，因此需要了解骑行者的认知反应过程。认知反应过程主要分为感受、记忆、处理、反应(控制)四个阶段。反应时间是认知反应过程中的重要指标。
2、驾驶人从感官接受刺激到做出反应的时间为反应时间，主要用于计算安全距离。驾驶人反应时间的影响因素研究已经较为成熟，包括年龄、性别、车速、天气、驾驶经验、分心驾驶、交通标志信息量、交通景观和特殊交通场景。但目前现有的研究大多基于机动车模拟驾驶器和机动车实车实验，没有考虑电动自行车及其头盔的影响。
技术实现思路
1、本专利技术所要解决的技术问题是：提出了电动自行车骑行者反应时间预测方法、系统，能够综合考虑骑行者佩戴的头盔、骑行速度、转向、生理特征、行为负荷和驾驶期望等因素对骑行者反应时间的影响，进一步构建骑行者反应时间预测模型，为电动自行车视距和冲突距离计算提供理论基础，对保障电动自行车安全具有重要意义。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、本专利技术提出的电动自行车骑行者反应时间预测方法，包括
4、s1、设计电动自行车反应时间试验方案，在封闭路段开展实车试验并录像，根据录像采集电动自行车骑行者佩戴头盔、骑行速度、骑行转向和反应时间的数据。
5、s2、通过相关查阅相关文献，可能影响电动自行车反应时间因素包括
6、s3、在步骤s1和s2的基础上，进一步筛选影响变量，并将分类变量转化为虚拟变量进行回归分析。
7、s4、以速度和虚拟变量为自变量建立电动自行车反应时间线性回归模型。
8、s5、将获取的变量输入到电动自行车反应时间线性回归模型中，预测得到反应时间。
9、进一步的，步骤s1中，采集数据包括以下内容：
10、骑行者在不同类型的头盔和转弯条件下骑行，当发现存在障碍物时，进行刹车减速，直至停止，用录像设备记录此过程；通过播放录像设备中的录像视频，统计从发现障碍物到开始按下刹车时的时间，记为电动自行车骑行者反应时间；测量发现障碍物前的一段路程距离，在视频中读取骑行过该路程的时间，计算得到骑行速度。
11、其中，电动自行车骑行者反应时间为选择反应时间，包括骑行者手指移动到刹车上的时间。
12、进一步的，步骤s1中，骑行者佩戴的头盔包括全盔、3/4半盔、1/2半盔和不佩戴头盔；骑行转向包括左转和右转。
13、进一步的，步骤s2中，采集变量包括以下内容：
14、影响电动自行车反应时间的变量包括但不限于生理属性、骑行经验、骑行负荷和骑行期望。
15、其中，生理属性包括但不限于年龄、性别和视力；骑行经验包括但不限于一周内骑行电动自行车的天数；骑行负荷包括但不限于视觉负荷，即骑行者认为头盔是否会对骑行时的视觉产生影响；骑行期待包括但不限于安全性期待，安全性期待是指在骑行过程中，骑行者对行车安全的重视程度，骑行者对骑行安全越重视安全期待越高。
16、调查问卷参考5级李克特量表，一个问题设置5个选型，例如“您对电动自行车的安全性期待是？非常高、较高、一般、较低、非常低。”问题包括年龄、性别、视力、驾驶年龄、一周内骑行电动自行车的天数、视觉负荷、行为负荷、安全性期望和速度期望。
17、进一步的，步骤s3中，进行回归分析包括以下内容：
18、分类变量包括但不限于性别、视力、驾驶年龄、一周内骑行电动自行车的天数、视觉负荷、行为负荷、安全性期望和速度期望；在回归建模时应区别于数值变量，因此将分类变量转化为取值为0或1的变量，即为虚拟变量或哑变量；多个虚拟变量间存在完全的线性关系，因此若分类变量有k个类别值，仅需引入前k-1个虚拟变量到模型中。虚拟变量分组不能单独建模，因此采取输入的方法多次回归建模，筛选变量得到最优回归模型。
19、进一步的，步骤s4中，建立电动自行车反应时间线性回归模型包括以下内容：
20、速度和虚拟变量包括但不限于是否佩戴全盔、是否佩戴3/4盔、一周是否每天驾驶电动自行车、一周是否2-1天驾驶电动自行车、安全性期待是否非常高、安全性期待是否较低。
21、根据速度和虚拟变量建立电动自行车反应时间线性回归模型，具体公式为：
22、y＝449.034+21.344x1+214.532x2+76.170x3-125.641x4-91.383x5-184.556x6+132.493x7
23、其中，y表示电动自行车反应时间，x1表示速度，x2表示是否佩戴全盔，x3表示是否佩戴3/4盔、x4表示一周是否每天驾驶电动自行车、x5表示一周是否2-1天驾驶电动自行车、x6表示安全性期待是否非常高、x7表示安全性期待是否非常较低；反应时间的单位为毫秒。
24、进一步的，对电动自行车反应时间线性回归模型进行拟合优度检验、回归方程显著性检验、回归系数显著性检验、残差分析，检验结果表明，该模型可信。
25、进一步的，本专利技术还提出了电动自行车骑行者反应时间预测系统，包括
26、数据采集模块，用于设计电动自行车反应时间试验方案，在封闭路段开展实车试验并录像，根据录像采集电动自行车骑行者佩戴头盔、骑行速度、骑行转向和反应时间的数据。
27、变量采集模块，用于设计调查问卷采集影响参与实验的骑行者骑行时关于电动自行车反应时间的变量。
28、线性回归模型构建模块，用于筛选影响变量，并将分类变量转化为虚拟变量，以速度和虚拟变量为自变量建立电动自行车反应时间线性回归模型。
29、反应时间预测模块，用于将获取的变量输入到电动自行车反应时间线性回归模型中，预测得到反应时间。
30、进一步的，本专利技术还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前文所述的电动自行车骑行者反应时间预测方法的步骤。
31、本专利技术还提出了一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的电动自行车骑行者反应时间预测方法。
32、本专利技术采用以上技术方案，与现有技术相比，其显著技术效果如下：
33、本专利技术创新性地提出电动自行车反应时间这一概念，综合考虑骑行者佩戴的头盔、骑行速度、转向、生理特征、行为负荷和驾驶期望等因素对骑行者反应时间的影响，进一步构建骑行者反应时间预测模型，为电动自行车视距和冲突距离计算提供理论基础，对保障电动自行车安全具有重要意义。
本文档来自技高网...【技术保护点】
1.电动自行车骑行者反应时间预测方法，其特征在于，包括：
2.根据权利要求1所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤S1中，采集数据包括以下内容：
3.根据权利要求2所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤S1中，骑行者佩戴的头盔包括全盔、3/4半盔、1/2半盔和不佩戴头盔；骑行转向包括左转和右转。
4.根据权利要求3所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤S2中，采集变量包括以下内容：
5.根据权利要求4所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤S3中，进行回归分析包括以下内容：
6.根据权利要求5所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤S4中，建立电动自行车反应时间线性回归模型包括以下内容：
7.电动自行车骑行者反应时间预测系统，其特征在于，包括
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。p>
9.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.电动自行车骑行者反应时间预测方法，其特征在于，包括：
2.根据权利要求1所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤s1中，采集数据包括以下内容：
3.根据权利要求2所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤s1中，骑行者佩戴的头盔包括全盔、3/4半盔、1/2半盔和不佩戴头盔；骑行转向包括左转和右转。
4.根据权利要求3所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤s2中，采集变量包括以下内容：
5.根据权利要求4所述的电动自行车骑行者反应时间预测方法，其特征在于，步骤s3中，进行回归分...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。