不良汽车驾驶行为特征分析
货运驾驶人心理与行为调查分析
82货运驾驶人心理与行为调查分析摘 要：随着社会经济的发展，公路货运量及公路营运载货汽车拥有量的持续增长，货运交通安全及货运行业安全管理问题面临巨大挑战。
与此同时，货运驾驶人在驾驶过程中使用手机、疲劳驾驶等现象突出。
本文针对长途货运驾驶人心理特征、驾驶愤怒、职业健康、驾驶行为理论分析、企业安全管理展开了问卷调查及分析，并基于问卷数据分析了货运驾驶人心理特征对驾驶行为的作用机制、企业安全氛围与驾驶人职业健康的相互作用关系。
得到货运驾驶人存在的安全问题，并提出企业安全教育改善对策。
分析结果可为货物运输企业的安全文化提升提供指导性意见，具有重要的理论与实践意义。
关键词：货运驾驶人；驾驶人心理及行为；企业安全管理；驾驶人状态监控；安全改善对策鲍彦莅1，王雪松1，尤志栋2，李瑞瑞1（1.同济大学 道路与交通工程教育部重点实验室，上海 201804，中国；2.公安部交通管理科学研究所，无锡 214151，中国）A survey on the psychology and behavior of freight drivers in ShanghaiBAOYanli 1, WANG Xuesong 1, YOU Zhidong 2, LI Ruirui 1（1.Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University, Shanghai 201804, China;2. Traffic Management Research Institute of the Ministry of Public Security, Wuxi214151, China）Abstract: With the development of social economy, the highway freight volume and the number of trucksin highway operation continue to increase.The problems of freight traffic safety and freight industry safety management are facing great challenges.At the same time, freight drivers in the process of driving using mobile phones, fatigue driving and other phenomena prominent.This paper conducts a questionnaire survey and analysis on the psychological characteristics, driving anger, occupational health, theoretical analysis on driving behavior and enterprise safety management of long-distance freight drivers.Based on the questionnaire data, the mechanism of the psychological characteristics of freight drivers on driving behavior, the interaction between enterprise safety atmosphere and drivers' occupational health were analyzed.The safety problems of freight drivers are obtained and the countermeasures for improving safety education in enterprises are put forward.The results of the analysis can provide guidance for the improvement of the safety culture of freight transport enterprises and have important theoretical and practical significance.Keywords: Freight driver; driver psychology and behavior; enterprise safety management; driver state monitor;safety improvement countermeasures本研究得到道路交通安全公安部重点实验室开放课题基金资助（2019ZDSYSKFKT02-2）83货运车辆作为一种主要的交通运输工具，在货物运输行业扮演着极其重要的角色。
公交车驾驶员风险驾驶行为画像技术研究
第21期2023年11月无线互联科技Wireless Internet Science and TechnologyNo.21November,2023基金项目:北京市科技计划项目;项目名称:驾驶员异常行为识别关键技术研究及应用;项目编号:Z221100005222021㊂作者简介:时玥(2001 ),女,北京人,硕士研究生;研究方向:交通安全㊂公交车驾驶员风险驾驶行为画像技术研究时㊀玥1,刘松岩2,崔㊀玺2(1.北京工业大学北京市交通工程重点实验室,北京100124;2.北京公交集团,北京100161)摘要:伴随着我国城镇公交规模迅速增长,公交车相关事故频发且后果严重,受到社会的广泛关注,公交车运行安全形势严峻,运行安全监管水平亟待提升㊂文章基于公交车GPS 轨迹数据㊁司机基本信息数据㊁DMS 报警信息数据㊁路单数据及道路信息多个数据集,通过主成分分析及因子旋转构建了公交车风险驾驶行为特征画像标签体系,采用K 均值聚类进行公交车驾驶员行为聚类并识别出的高风险驾驶员群体,研究了高风险驾驶员群体在不同空间场景下的画像技术㊂聚类分析结果表明,高风险驾驶员在驾驶风格偏好㊁驾驶员个体偏好及违规偏好中的风险程度较高,聚类能够有效地对驾驶员进行风险程度分类,在对高风险驾驶员群体的画像中,得出了速度㊁加速度或运营里程指标在不同时空组合场景中的规律㊂研究发现高风险驾驶员群体占比约19.1%,这一群体在公交车运行途中的公交站及路段位置更具风险性,且运营路程较长时产生大量的疲劳驾驶及分神驾驶行为㊂文章研究方法可为公交驾驶员风险驾驶行为研究提供参考,同样可为公交企业识别高风险驾驶员群体提供评估及分类依据,可在现实中实际运用㊂关键词:公交驾驶员;风险驾驶行为;特征分析;K -means ;用户画像中图分类号:U492.8㊀㊀文献标志码:A 0㊀引言㊀㊀公交车作为一种专用车辆,具有公共属性强及载客量大的特点,且一旦发生事故往往容易造成群死群伤,交通事故后果严重,社会影响较为恶劣㊂因此,诸多学者对公交驾驶行为风险相关问题开展了大量研究,但研究多为驾驶行为评价㊁驾驶行为识别及驾驶员风格分类方面的研究,研究对象多为小汽车和货运车辆㊂一是驾驶行为评价㊂吴紫恒等[1]提出了结合模糊C 均值聚类和BP 神经网络的驾驶行为评价方法㊂该算法避免人为主观因素的干扰,评价结果更加客观准确㊂王海星等[2]采用车联网数据,结合因子分析完成参数转化和模糊C 均值聚类方法,对危险货物货运车辆的风险驾驶行为进行评价㊂二是风险驾驶行为识别㊂李开放等[3]利用主成分分析法对数据进行降维,利用K -means 算法和高斯混合聚类算法对降维结果进行二次聚类,根据聚类结果训练BP 神经网络,用训练好的模型对工况进行实时识别,进而得到不同工况的速度阈值用于超速行为识别㊂三是驾驶行为分类㊂Fugiglando 等[4]使用控制器局域网(Controller Area Network,CAN)数据对驾驶员进行集群化,采用的数据类型包括油门踏板位置㊁制动踏板压力㊁方向盘角度等㊂通过主成分分析和K -means 聚类进行无监督学习,提供近实时的分类㊂刘强等[5]运用K -means 聚类方法进行驾驶风格分类及标签体系构建,并对4类驾驶风格进行不同经典场景下的总结分析㊂朱凯家[6]基于蚁群算法改进K -means 的聚类算法,将不同天气状况下的速度及加速度作为聚类指标,完成驾驶行为分类,将驾驶行为分为一般激进型㊁平稳型㊁偏激进型3种,算法优化了聚类中心的选取和聚类时间,得到了更为可靠的结果㊂Martinussen 等[7]同时采用驾驶行为问卷和驾驶技术问卷,采集了驾驶员主观信息,并利用K -means 聚类算法将驾驶员分为高技术安全型驾驶员㊁激进危险型驾驶员㊁低技术危险型驾驶员和保守安全型驾驶员㊂由上述研究可以看出,大部分学者采用聚类的方法对驾驶员的驾驶行为进行挖掘分析,对获取的数据进行用户画像能够详细地描述公交车运行特征,但已有研究多以小汽车及货运车辆为研究对象,公交车驾驶员个体的风险驾驶行为画像研究较少,且未进一步挖掘驾驶员群体在特定公交驾驶场景下的驾驶行为㊂本文基于公交轨迹数据㊁车载装置DMS报警数据及道路信息数据等多个数据集,以北京地区公交车7天的运行相关数据作为研究对象,提取公交驾驶行为特征参数,采用因子分析和K-means聚类结合的方法,挖掘公交驾驶员个体的驾驶行为特征及规律,识别出风险较高的驾驶员并对高风险驾驶员群体进行进一步画像研究,以此响应国家公交车辆运行监管的要求,帮助公交企业加强驾驶员培训,提升安全生产及管理水平㊂1 数据采集及处理1.1㊀数据采集㊀㊀本文已有数据为北京公交2022年12月5日至2022年12月11日的5条公交线路㊂数据来自公交车主动安全预警系统㊁驾驶员异常驾驶行为识别系统㊁公交车智能车载终端㊂已有数据集包括公交GPS 轨迹数据㊁车载装置DMS报警数据㊁实地调查得到的道路信息数据㊁驾驶员基本信息数据及公交车路单数据㊂1.2㊀数据处理㊀㊀将采集到的数据进行选择,将5条公交线路的25辆公交车的115名公交驾驶员作为研究对象,对数据进行如下处理㊂1.2.1㊀无效数据处理㊀㊀遍历数据集后发现,数据集中存在部分列内容缺失比例过高的现象,判断各列值的空值比例,确定该列值是否有效,删除空值比例大于60%的数据列㊂1.2.2㊀坐标转换及插值㊀㊀GPS提供的数据中使用的坐标系为WGS-84大地坐标系,和道路信息数据中的百度地图的坐标系不能通用,因此首先需要将GPS数据进行坐标转换,使用百度API中坐标转换的接口将GPS设备获取的角度坐标转换为bd09ll(百度经纬度坐标),并返回json 格式的结果㊂对转换坐标后的数据进行时间序列插值,用linspace函数均分时间插值后对 经度_84 纬度_ 84 经度_baidu 纬度_baidu 海拔 及 速度 进行一维插值,对2个相邻的方向角进行象限判断,计算夹角后进行插值,最终得到间隔1s的数据,并完成加速度㊁转弯率的计算㊂加速度计算公式为a=(v i+1-v i)ː3.6,转弯率计算公式为ω=|(θi+1-θi)/ΔT|㊂1.2.3㊀数据匹配及筛选㊀㊀将各个数据集通过相同列索引进行数据集间的匹配并筛选结果数据中的 仓库行车方案类型 列,将值为 运营 的车辆筛选出来,作为研究对象㊂1.2.4㊀不良驾驶行为识别㊀㊀(1)超速行为㊂将北京公交车城市道路非城市快速路路段的最高时速为50km/h,主干路为50km/h,次干路为40km/h,支路为30km/h,路段上有限速标志的依照实地调查得到的数值作为判断超速行为的标准㊂(2)急加速急减速行为㊂由于公交车的载客属性,在运行过程中的急加速和急减速行为容易造成车内乘客的不适甚至是摔倒现象,根据已有的研究中考虑了乘客舒适度及在车厢甲板行走安全因素的急变速阈值[8],本文将急加速的阈值确定为A加=2.5m/s2,当加速度a>A加时判定为急加速,急减速的阈值确定为A减=-2m/s2,加速度a<A减时判定为急减速,同时排除紧急情况的急刹车数据,将a<-4m/s2且v<0.5m/s的数据判定为急刹车事件,本文对急刹车事件不做深入研究㊂(3)频繁加减速行为㊂频繁加减速行为的出现是由于交通环境的复杂,需要频繁加速减速进行速度控制规避风险,另一种则发生在交通流拥挤时需要保证与前车有足够的安全间距而不断变速㊂首先根据a>1.2m/s2或a<-2m/s2对加速度进行判断,如式(1)所示,n用来标记是否满足判定条件,为更简约地统计符合阈值的个数,将a>1.2m/s2的数据标记为1,将a<-2 m/s2的数据标记为-1,其余的标记为0,然后对60s 内的1与-1进行计数,计数总数超过3个的时间区间认为公交车出现频繁加减速的行为㊂a>1.2m/s2,n=1a<-2m/s2,n=-1-2m/s2ɤaɤ1.2m/s2,n=0ìîíïïïï(1) (4)急转弯行为㊂在行驶过程中速度偏高时容易发生急转弯行为,急转弯时横向加速度较大,乘客容易出现失去平衡的情况,因此急转弯行为也是影响公交车运行安全的因素㊂本文根据已有研究得出,急转弯行为根据行驶平均速度及方向角变化值进行判定,以窗口长度为5的滑动窗口对数据进行遍历,当窗口内的v>20km/h 且ω>90ʎ时认为公交车出现急转弯行为㊂转向角计算公式如式(2)所示㊂0ʎɤθ1ɤ90ʎand270ʎɤθ2ɤ360ʎ,ω=360ʎ-|θ1-θ2|0ʎɤθ2ɤ90ʎand270ʎɤθ1ɤ360ʎ,ω=360ʎ-|θ1-θ2|ω=|θ1-θ2|ìîíïïïï(2)转向角值判断如式(3)所示,其中status 表示是否满足ω>90ʎ这一判定条件,满足时status 为1,反之,status 为0㊂ω>90ʎ,status =1ωɤ90ʎ,status =0{(3)1.3㊀数据空间连接㊀㊀首先,通过Python 将交叉口㊁路段的起终点构造线要素,利用公交站㊁风险点位坐标构造点要素㊂其次,生成交叉口㊁路段和公交站的缓冲区,交叉口缓冲半径设为20m,公交站缓冲半径设为30m,路段缓冲半径设为15m㊂最后,完成空间连接,以风险点位数据为基准,运用sjoin 函数完成对不良驾驶行为数据及dms 报警数据与道路信息数据的空间连接,得到发生风险驾驶行为的空间位置(交叉口㊁公交站或路段)㊂1.4㊀指标选取㊀㊀本文共选取了10个常见指标,分别为平均加速度及加速度标准差㊁平均减速度和减速度标准差㊁不良驾驶行为次数和持续时间㊁异常驾驶行为指数㊁年龄㊁驾龄和参与工作时间㊂由于在不同等级道路上,公交车运行速度限制不同,故不将速度作为划分驾驶员类别的指标㊂2㊀画像标签提取㊀㊀本文采用因子分析中的主成分分析进行指标降维,通过因子可行性验证,主成分分析后得出KMO 值为0.810,表明各指标之间有较强的相关性㊂通过SPSS 降维中的因子分析功能,选择主因子分析并描述其系数相关性矩阵及KMO 和巴特利特球形度检验,利用最大方差法进行因子旋转得出其旋转后的解,并输出旋转后的成分矩阵如表1所示㊂根据载荷绝对值越大的因子与变量越接近的规则,特征变量共分为3类,成分1与平均加速度㊁平均减速度㊁加速度标准差及减速度标准差较为靠近,这类速度皆与速度相关参数相关,故将这一类参数构成的特征变量命名为驾驶风格偏好特征变量;成分2与年龄㊁驾龄㊁不良驾驶行为持续时间及不良驾驶行为总数较为密切,不良驾驶行为多与驾驶员的自身特征相关,故将此类命名为驾驶员个体偏好特征变量;成分3与异常驾驶行为指数及参与工作时间相关,2个指标代表了驾驶员的安全态度及驾驶经验,故将此类命名为违规偏好特征变量㊂表1㊀旋转后的成分矩阵特征变量成分1成分2成分3平均加速度0.7610.4750.111平均减速度-0.836-0.402-0.050加速度标准差0.7800.4850.115减速度标准差0.8220.2880.009年龄-0.208-0.9010.086驾龄-0.194-0.8790.157不良驾驶行为持续时间0.4960.6920.280不良驾驶行为总数每趟0.4590.6650.335异常驾驶行为指数0.0890.1750.659参与工作时间-0.091-0.2230.7643㊀聚类分析㊀㊀聚类方法采用K -means 聚类,对数据进行归一化处理后,通过确定的3类特征变量及相关指标分别进行聚类,并结合手肘法对最优聚类数进行判断㊂3.1㊀数据归一化㊀㊀为统一不同数据指标的量纲,需要对数据进行归一化处理,方便对比每个指标之间的关系,研究中的归一化计算公式如式(4)所示[9]㊂s =x -μσ(4)其中,x 为指标单一样本的观测值,μ为研究样本中某一指标的总体平均值,σ为研究样本某一指标的总体标准差㊂3.2㊀K -means 聚类原理㊀㊀K -means 聚类是一种典型的无监督学习的算法,SPSS 自动设置初始中心点并把所有样本值分到各中心点所在的类中,针对每一个类别里的所有点,计算所有点的平均值,生成新的中心点,并不断重复迭代直至收敛㊂其目标函数如式(5)所示㊂j =min ðni =1ðKK =1r iK (x i -m i )(5)其中,n 为数据集中点的总数目,K 为聚类数,m i为簇中心位置,对于r iK ,当x i 属于第K 个类时,r iK =1否则r iK =0㊂最终的目的是要求解m i 和r iK ㊂3.3㊀手肘法原理㊀㊀手肘法中运用SSE 的趋势变化拐点来判断最优的聚类数(即K 值),确认最优K 值㊂需要利用Python 进行计算,SSE 值公式如式(6)所示㊂SSE =ðKi =1ðw pɪCi|w p -m i |2(6)其中,SSE为误差总平方和,K为最优K均值聚类数,C i为第i簇,w p为C i中的一个观测值,m i为簇中心即聚类中心位置㊂3.4㊀驾驶员驾驶行为聚类过程㊀㊀通过SPSS软件分类功能中的K-均值聚类,选择样本收敛准则为0,并选择输出聚类中心㊁与聚类中心的距离,从2次开始调整聚类数进行聚类,与最优K值进行比较,最终选定聚类效果好且解释性好的K 值,并对聚类结果中的类别进行命名,确定每个类别的风险程度排名㊂3.4.1㊀驾驶风格偏好㊀㊀手肘法及聚类结果如图1(a)所示,在K=4时斜率明显减小,故驾驶风格偏好中将驾驶员个体聚成4类,结果如表2所示,4个聚类簇中包含的个案数目较为均衡,聚类效果较好㊂如图1(b)所示,平均加速度与加速度标准差成正相关,平均加速度升高则其速度标准差相应升高,同样平均加速度与减速度成负相关㊂对聚类结果进行分析可以看出,如表(3)所示,聚类共得出4个类别,根据其聚类中心偏离0的程度可以判断其驾驶行为的激进与否,分为激进型㊁较激进型及平稳型3大类㊂故将各类别命名如表3所示,其中激进型驾驶员其加速度相关指标的风险程度大,需要对其加速度指标进行持续监控并进行督促㊁改进,并加强驾驶技能和驾驶平稳性的培训,而平稳型驾驶员的相对风险程度较小㊂图1㊀驾驶风格偏好特征结果表2㊀驾驶风格偏好聚类各类别数量类别每个聚类中的个案数目/个类别125.000类别227.000类别340.000类别423.000有效115.000表3㊀驾驶风格偏好最终聚类中心指标名类别1类别2类别3类别4平均加速度 1.078-1.062-0.3470.837平均减速度-1.3941 1.0070.198-0.1741加速度正标准差 1.027-0.976-0.3130.776加速度负标准差 1.368-0.934-0.091-0.061类型激进型较激进型平稳型平稳型3.4.2㊀驾驶员个体偏好㊀㊀通过手肘法判断如图2(a)所示,斜率突变发生在K=4时,故将K=4作为最优K值,并将其可视化为散点图,如图2(b)所示,驾龄与不良驾驶行为数及不良驾驶行为持续时间呈负相关,不良驾驶行为次数越多其持续时间越长,聚类后分类较为明显,结合表4,聚类后的个案在每个类别中分布均匀,聚类效果较好㊂表4㊀驾驶员个体偏好聚类各类别数量类别每个聚类中的个案数目/个类别19.000类别231.000类别353.000类别422.000有效115.000图2㊀驾驶员个体特征结果如表5所示,对聚类中心进行分析可以看出年龄及驾龄中类别3最高㊁类别4最低,据此依照年龄将驾驶员分为年长驾驶员㊁中年驾驶员及年轻驾驶员3类,根据驾龄将驾驶员分为成熟型㊁进阶型及新手型3类,并根据不良驾驶情况将驾驶员分为平稳驾驶型㊁较平稳驾驶型㊁较风险驾驶型及风险驾驶型,故将各类别命名如表5所示,其中年轻新手风险型驾驶员在驾驶员中风险程度更大,而年长成熟平稳型驾驶员㊀㊀的不良驾驶行为最低,即风险程度小于其他3类驾驶员㊂3.4.3㊀违规偏好㊀㊀违规偏好是以驾驶员产生异常驾驶行为等分散驾驶员注意力的危险行为为指标进行聚类,找出其参与工作时间与其违规偏好的规律㊂手肘法结果如图3(a)所示,其在K=3和K=6时均出现斜率突变的拐点,为了更清晰简洁地解释聚类结果,最终确定以K= 3作为最优得到K值㊂如散点图3(b)所示,参加工作时间与异常驾驶行不具有正负相关性,如表6所示,聚类后的3个类别的分类明显,聚类效果较好㊂图3㊀违规偏好特征结果表5㊀驾驶员个体偏好最终聚类中心指标名类别1类别2类别3类别4年龄0.143-0.4880.838-1.406驾龄0.310-0.4720.816-1.460不良驾驶行为持续时间 1.138-0.320-0.610 1.504不良驾驶行为总数每趟 1.476-0.263-0.615 1.313类型中年进阶型较风险型年轻进阶较平稳型年长成熟平稳型年轻新手风险型表6㊀违规偏好聚类各类别数量类别每个聚类中的个案数目/个类别1107.000类别2 5.000类别3 3.000有效115.000对聚类中心进行分析,如表7所示,3类可分为工作时间短且异常驾驶行为少㊁工作时间长且异常驾驶行为少及工作时间短且异常驾驶行为多的3类驾驶员,第二类驾驶员的异常驾驶行为指数高于平均值,解释为参与工作时间越久的驾驶员经验丰富,对自己的能力非常自信,使得其安全意识有所下降㊂本文对这3类驾驶员的类别进行命名,其中危险型驾驶员需要进行密切关注,风险程度明显高于其他2类,安全型驾驶员的风险程度在3个类别中最低㊂表7㊀违规偏好最终聚类中心指标名类别1类别2类别3参与工作时间-0.198 3.6090.370异常驾驶行为综合分-0.1550.036 3.559类型安全型较安全型危险型3.5㊀驾驶员风险驾驶行为画像㊀㊀根据每个特征变量的聚类结果,每个特征划分了3或4个类别,均存在风险程度高低的变化,能够从中判断出需要特别关注的公交驾驶员个体及群体㊂对结果中每个驾驶员在各个特征中的类别划分进行排列组合,将包含严重风险的驾驶员归为一类,具体划分标准为:若驾驶员在某一个特征中出现在风险严重程度最高的类别,则将其划分为高风险人群;若驾驶员在多项特征中皆为风险程度排名中间的类别,则将其划分为中风险人群;其余驾驶员则划分为低风险驾驶员㊂最后将驾驶员划分为3类风险等级,划分结果如表8所示㊂表8㊀驾驶员风险类型划分风险类型人数/人人员名称占比/%低风险型79白某某㊁蔡某某㊁翟某某等68.7中风险型14程某某㊁杜某某㊁侯某某等12.2高风险型22白某某㊁蔡某某㊁崔某某等19.1将画像后的3类驾驶员的3个特征变量制作成箱线图,如图4所示,通过分布可以看出当驾驶员风险等级升高时,整体加速度分布都不断升高,中低风险的数据更加集中,高风险驾驶员的数据较为分散,可解释为部分驾驶员在某一特征中的风险程度较大,图4㊀各风险等级驾驶员不同特征下的箱线图极具危险性,因此被划入高风险驾驶员人群㊂3.6㊀高风险驾驶员风险驾驶行为画像㊀㊀上文所识别的不良驾驶行为数量较多,经对比,频繁加减速行为数量明显高于其他行为,且样本量大,故对其进行进一步研究㊂如图5所示,速度主要分布区间为14km/h~ 28km/h,分布较为集中,在公交站位置的频繁加减速行为最多,与公交车进出站的行为相匹配;而路段位置的速度分布曲线相较于公交站和交叉口更偏于高速㊂对比加速度,加速度分布多大于0,仅有少部分图5㊀频繁加速和减速行为不同指标分布点位于-2.5m/s2附近,3个不同位置的加速度中值㊂异常驾驶行为中接打电话报警及驾驶员异常报警样本量过低,故未考虑这2类报警类型㊂下文将通过分神驾驶及疲劳驾驶报警2个类型,进一步探究高风险驾驶员人群在各报警类型中的特征㊂如图6和图7所示,疲劳驾驶行为的速度分布更加分散,公交站位置分布在0~40km/h,交叉口及路段位置分布在0~50km/h,而分神驾驶行为在公交站及交叉口处的分布相近,为8~15km/h,路段位置速度集中在0~30km/h㊂疲劳驾驶行为的分布区间上限均高于分神驾驶行为,具有更大的风险性㊂加速度分布中,疲劳驾驶行为出现多个峰值,公交站位置中,加速度值在ʃ3m/s2附近出现了较明显的峰值,而路段位置主要集中在0附近㊂分神驾驶行为的加速度范围明显低于疲劳驾驶行为,公交站位置分别在3m/s2和0附近出现明显峰值,在路段中,加速度小于0的分布在-1.4m/s2附近,在负值范围内相较于公交站和交叉口出现更大减速度值㊂故高风险驾驶员在疲劳驾驶和分神驾驶中拥有更大的加速度绝对值,且疲劳驾驶的加速度和减速度具有更大的风险性㊂如图8和图9所示,从提取到异常驾驶行为发生图6㊀疲劳驾驶行为速度相关指标分布㊀㊀图7㊀分神驾驶行为速度相关指标分布时的实际运营里程(距离包含了加气和充电环节)可以看出,出现疲劳驾驶频数最高的实际里程分布在13.3km㊁15.5km㊁17.6km 附近,在路段位置的发生里程在27km 附近出现了较高频率,而分神驾驶的发生实际运营里程主要集中在15km 附近,与疲劳驾驶较为相似㊂5条公交线路的长度为15~25km,从图中可以看出疲劳驾驶及分神驾驶多出现在运营路线的后半程中㊂图8㊀疲劳驾驶行为运营里程指标分布图9㊀分神驾驶行为运营里程指标分布综上所述,在以上3个最常发生的风险驾驶行为中,高风险驾驶员在公交站和路段上出现了更多的风险驾驶行为,且在速度和加速度2个指标中的分布范围更加更广,存在风险较高的值,在实际运营里程方面,分布相似且主要集中于15~17km㊂4 结语㊀㊀本文对公交车驾驶员进行风险驾驶行为聚类,并对高风险驾驶员在特定时空场景下的风险驾驶行为进行特征画像㊂本文采用了K -means 聚类算法对115名公交车驾驶员进行驾驶行为聚类分析,根据聚类结果的风险程度进行统计分析,将驾驶员划分为低风险型㊁中风险型及高风险型㊂高风险驾驶员速度偏好特征中各项指标高于平均值,驾驶更激进;驾驶员个体特征中不良驾驶行为次数高于均值,驾驶习惯较差;违规偏好特征中,异常驾驶行为的次数和严重程度综合指标高于均值㊂本文对判别出的高风险驾驶员的风险驾驶行为进行群体画像,进一步研究了这类驾驶员在不同空间位置㊁不同时段中的风险驾驶速度㊁加速度或运营里程分布特征,得出其在部分空间位置场景下的特征规律㊂研究发现驾驶员在公交站及路段中更具风险性,同时在对公交车运行安全监管的过程中,需要加强对运营路线中后段的监管力度㊂通过对高风险驾驶员群体的特定场景下的风险驾驶行为特征画像,可以为公交企业的驾驶安全意识培训及操作技能训练评估提供方向,对特定场景集中监管,提高公交驾驶员的安全驾驶意识,培养驾驶员群体安全运行车辆的操作习惯,最终提升公交运行的安全性和经济性㊂参考文献[1]吴紫恒,吴仲城,张俊,等.基于模糊C 均值和神经网络的驾驶行为评价研究[J ].计算机系统应用,2018(3):263-267.[2]王海星,王翔宇,王招贤,等.基于数据挖掘的危险货物运输风险驾驶行为聚类分析[J ].交通运输系统工程与信息,2020(1):183-189.[3]李开放,刘忠涛,柏兴涛,等.基于K -means 聚类和神经网络的超速行为识别研究[J ].安徽建筑大学学报,2022(6):83-88,102.[4]FUGIGLANDO U ,MASSARO E ,SANTI P ,et al.Driving behavior analysis through CAN bus data in anuncontrolledenvironment [J ].NatureReviewsNeuroscience ,2019(2):737-748.[5]刘强,严修,鲁誉,等.考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林预测模型[J ].交通信息与安全,2022(5):129-138.[6]朱凯家.基于ACO +k -means 算法的不同天气下驾驶行为分析[J ].太原科技大学学报,2022(4):323-328,334.[7]MARTINUSSEN L M ,MOLLER M ,PRATO C G.Assessing the relationship between the driver behaviorquestionnaire and the driver skill inventory :revealing sub -groups of drivers [J ].Transportation Research PartF :Traffic Psychology and Behaviour ,2014(26):82-91.[8]KAREKLA X.Improving accessibility of public transport systems :the influence of double -decker busacceleration on passenger movement [C ].London :。
汽车转角数据分析报告(3篇)
第1篇一、引言随着我国经济的快速发展，汽车保有量逐年攀升，交通事故也随之增加。
其中，汽车转角事故的发生频率较高，严重威胁着驾驶员和行人的生命安全。
为了降低汽车转角事故的发生率，提高道路交通安全，本报告通过对汽车转角事故数据进行分析，找出事故发生的原因，并提出相应的预防措施。
二、数据来源及分析方法1. 数据来源本报告所采用的数据来源于我国某省交通管理局近五年的交通事故数据库，涉及汽车转角事故共计10000起。
2. 分析方法（1）描述性统计分析：对事故发生的时间、地点、车型、事故原因等数据进行统计，了解事故的基本特征。
（2）相关性分析：分析事故发生与时间、地点、车型、事故原因等因素之间的关系。
（3）影响因素分析：通过回归分析等方法，找出影响汽车转角事故发生的因素。
三、数据分析结果1. 事故发生时间从数据分析结果来看，汽车转角事故在一年四季均有发生，其中春季和秋季事故发生率较高。
这可能与季节变换导致的驾驶员注意力不集中有关。
2. 事故发生地点事故发生地点主要集中在城市道路、高速公路和乡村道路。
其中，城市道路事故发生率最高，这与城市道路车辆密集、交通复杂有关。
3. 事故车型事故车型涵盖了各类汽车，其中小型客车事故发生率最高。
这可能与小型客车驾驶员对车辆操作不够熟练、注意力不集中有关。
4. 事故原因（1）驾驶员因素：驾驶员操作失误、注意力不集中、疲劳驾驶等。
（2）车辆因素：车辆制动系统、转向系统等存在故障。
（3）道路因素：道路设计不合理、路面状况不良等。
（4）行人因素：行人闯红灯、横穿马路等。
5. 相关性分析通过对事故发生时间、地点、车型、事故原因等因素进行相关性分析，发现以下结论：（1）事故发生时间与季节变换密切相关，春季和秋季事故发生率较高。
（2）事故发生地点与道路类型密切相关，城市道路事故发生率最高。
（3）事故车型与驾驶员操作熟练程度密切相关，小型客车事故发生率最高。
（4）事故原因与驾驶员、车辆、道路、行人等因素密切相关。
车品见人品有点道理-概述说明以及解释
车品见人品有点道理-概述说明以及解释1.引言1.1 概述概述：车品见人品这句话是我们常常听到的一句俗语，意为通过观察一个人的车品，可以大致了解他的人品。
而这种关联是否存在，以及如何相互影响，一直是一个备受争议的话题。
本文将探讨车品与人品之间的关系，并进一步分析它们对彼此的影响。
在社会生活中，车辆已经成为人们交往的一种重要载体。
随着经济的发展和人们生活水平的提高，车辆已经从一种交通工具演变为一种身份的象征。
人们通过拥有一辆好车来展示自己的经济实力和社会地位。
因此，车品与社会地位之间存在着一定的关联。
然而，车品与人品之间的关系是否完全可以等同于社会地位与人品之间的关系，还存在争议。
一些人认为，拥有豪车的人就一定品行高尚，而拥有老旧车的人则一定品行有问题。
但是，在现实生活中，我们也可以看到很多拥有豪车的人却品行恶劣，同样也有可能那些拥有老旧车的人具有高尚的品质。
因此，车品与人品之间的关系并不是绝对的，还需要考虑其他因素。
此外，车品也会与一个人的人格特征相关联。
一个人的车品往往反映了他的个性、态度和生活方式。
例如，一个人爱护自己的车辆，经常进行维护保养，这表明他对生活有积极的态度，注重细节，可能具有细心、责任心等良好的人格特征。
相反，如果一个人不关心自己的车辆，经常出现违章行为或不良驾驶行为，可能表明他对待生活缺乏责任感，对他人和社会的尊重也较低。
车品与人格特征之间的关系，可以通过分析车辆的使用习惯和驾驶行为来揭示。
正如车品对人品有一定的影响，人品对车品也有一定的影响。
一个人的人品往往会影响他对车辆的态度和行为。
良好的人品往往表现在对车辆的维护保养上，他们会定期进行车辆的保养，并且尽量避免刮擦和损坏。
相反，如果一个人对自己的车辆漫不经心，不注重保养，甚至故意破坏他人的车辆，可能表明他对他人财产的尊重程度较低，人品也可能存在一定的问题。
综上所述，车品与人品之间存在一定的关联。
车品可以在一定程度上反映一个人的社会地位和人格特征，而人品也会对车品产生一定的影响。
道路交通中进攻性驾驶行为分析研究
道桥建设2018年第15期123密；支座顶、底面采用预埋钢板进行调平，确保考虑桥梁纵、横坡后支座顶、底面水平，避免脱空。
参考文献：[1] JTJ D62－2004.公路钢筋砼及预应力砼桥涵设计规范[S].2004.[2] JTG D60－2015.公路桥涵设计通用规范[S].2015.[3] JTG D64－2015.公路钢结构桥梁设计规范[S].2015.[4] GB50017－2003.钢结构设计规范[S].2003.[5] JTG/T D65-06－2015.公路钢管砼拱桥设计规范[S].2015.作者简介：兰辉萍（1979- ），男，硕士研究生，高级工程师，主要从事桥梁设计。
中国的汽车保有量逐年增加，交通事故发生的频率逐年增加。
根据交通事故的发生机制和调查情况，交通事故的成因是多样和复杂的，交通事故的发生涉及到人、车、路、环境等的综合影响。
1 进攻性驾驶的概念1.1 概念进攻性驾驶是指在发生道路愤怒的精神疾病状态下驾驶，有了这种愤怒，故意以不安全或威胁安全的方式驾驶车辆，或在开车时威胁其他交通旅行者，是一种非常危险的驾驶行为。
1.2 评测方法及标准进攻性驾驶行为的评测方法有多种，包括观察法、问卷调查法、口头报告法、社会测量法等。
这些是国外成熟的评测方法，但中国引进后，由于中国对驾驶员的研究滞后，与欧美许多发达国家不同，经过多年的研究，收集了大量的有关驾驶员驾驶行为的数据，数据参考可用于修改调查数据以验证调查的合理性。
因此，这些方法的使用，在中国尚缺乏有效的数据支持和验证方法，需要进一步研究。
尽管进攻性驾驶是一种非常普遍的行为，但如何定义和评分却是一个问题。
评级困难在于如何确定这种驾驶行为是否为故意袭击。
因此，西南交通大学骆勇认为进攻性驾驶具备如下三个特征：一是歹意性；二是结果具有伤害性；三是行为对象的指向性。
该研究认为，冒犯性驾驶是指在不损害他人意图的情况下维基他人生命，财产和安全的驾驶行为。
汽车驾驶行为的眼动研究
汽车驾驶行为的眼动研究随着现代科技的发展，眼动技术被广泛应用于各个领域，汽车行业也不例外。
眼动研究可以帮助我们更好地理解驾驶员的行为和认知过程，从而提高汽车驾驶的安全性和效率。
本文将就汽车驾驶行为的眼动研究进行探讨，探究驾驶员在驾驶过程中的眼动特征和行为规律，以及如何利用眼动技术改善驾驶体验和安全性。
一、眼动研究在汽车驾驶中的应用1.1眼动技术简介眼动技术是一种通过追踪和记录人眼在看向某物时的眼球运动轨迹的技术，主要包括眼动仪和相关的数据分析软件。
通过眼动技术可以实时准确地获取到被试者的视线位置和注视时长，从而分析出被试者的视觉注意力分布、注意点在屏幕上的停留时间等信息。
在汽车驾驶领域，眼动研究主要应用在驾驶员行为分析、驾驶决策和驾驶模拟等方面。
通过眼动技术可以研究驾驶员在驾驶过程中的注意力分配、目视行为、交通标示的识别等，帮助我们更好地理解驾驶员的认知特征和行为规律。
二、汽车驾驶行为的眼动特征2.1 注意力分布通过眼动研究可以发现，在汽车驾驶过程中，驾驶员的注意力主要集中在道路前方以及前方的交通标示和其他车辆上。
特别是在高速公路行驶中，驾驶员的注意力更加集中在远距离的道路和交通情况上，以及车辆的速度和方向等。
2.2 视线巡视眼动研究还可以揭示驾驶员的视线巡视情况，即驾驶员在行驶中会不断地扫视车辆的内部和外部环境，以获取更多的信息用于决策和行为执行。
驾驶员会频繁地扫视后视镜和侧视镜，以确保周围车辆的位置和行驶情况，并且会进行视线巡视来观察前方交通情况，以及路况的变化等。
2.3 目视行为眼动研究还可以分析驾驶员的目视行为，包括对交通标示的识别和理解、对行驶路线的规划和判断等。
通过对目视行为的分析，可以揭示驾驶员在驾驶过程中的信息获取方式和决策过程，有助于提高行车安全性和效率。
3.1 驾驶员状态监测利用眼动技术可以实时监测驾驶员的注意力分布和疲劳状态，一旦发现驾驶员出现疲劳驾驶或者分神驾驶的情况，系统可以及时进行警示或者干预，提高驾驶的安全性。
基于OOP技术的车辆行为安全分析报告
基于OOP技术的车辆行为安全分析报告摘要:近年来,恶性交通事故时有发生,在加强汽车被动安全防御技术的同时,也应该加强汽车的主动安全技术,以避免更多事故的发生,通过建立汽车安全行为分析,可以减少交通事故的发生,将交通事故的危险扼杀在摇篮之中,这样也可以提高交通事故的安全率。
本文基于OOP技术对汽车行车安全行为进行了分析,希望本文的相关研究可以降低我国行车事故率。
关键词:OOP技术车辆行为安全分析随着我国汽车保有量的不断增加,我国交通事故的发生率也不断提高,这个我国国民经济带来了巨大的损失,仅仅2011年上半年,我国共发生107193起道路交通事故,造成29866人死亡、128336人受伤,直接财产损失4.1亿元。
因此,在加强汽车被动安全防御技术的同时,也应该加强汽车的主动安全技术。
本文基于OOP技术对汽车行车安全行为进行了分析,希望本文的相关研究可以降低我国行车事故率。
1 OOP技术概述一般来说,OOP技术主要包含以下的组件和概念。
1.1 组件将软件的功能和数据集成在一起形成的单位,这是OOP模块化和结构化的基础和条件。
1.2 抽象性即程序对正在处理的某些信息进行忽略,以提高其信息处理能力。
1.3 封装通过封装技术可以确保系统组建不能以不可预期的方式对其内部的组件状态进行改变。
1.4 多态性组件的类集和引用会涉及到其它各种类型的不同组件,而且引用组件所产生的结果得对实际调用的类型有所依据。
1.5 继承性这是指组件之间有相关的继承性,可以在组件的基础上创建各类的子组件,增加了系统的扩展性和通用性。
2 汽车安全行为概述为了分析和标定汽车的安全行为,笔者对沈阳市的300多名的公交车司机和长途汽车司机的驾驶操作调查,总结出了以下8种典型的驾驶行为和操作行为。
这是一种比较常见也很危险的驾驶行为,即汽车压着超车道进行行驶,应该对这种行为进行检测,同时分析汽车行驶的安全程度。
2.2 疲劳驾驶疲劳驾驶也是造成交通事故的另外一个重要的原因,是指驾驶员是否在疲劳的状态下进行行驶,对于如何判断驾驶员是否处于疲劳的状态。
汽车驾驶员的行为状态识别
ｉ ｄ ｉ ｖ ｄ ｅ ｄ ｎ ｉ ｔ ｏ ｔ ｒ ｈ ｅｓ ｔ ｇｅ ａ ｓ ， ｎ ａ ｎ ｌ ｅ ｙａ ｌ ｔ ｅ ｎ ｔ ｉ ｎｈ ｏ ｉ ｈｄ ｇ ａ 讯甜ｅ ｎ ｔ ｉ ｎｍ ｏ ｅ ｄ ｉ ｍｄ ｕ ａ讯ａ ｓｗ ｅＵ ｓａ ａ ｔｅ ｌ ｌ ｔ ｉ ｎ ｏ
ｌ ｗｄ ｏ ａ 扭（ ．９ ｅ ． ｅ ｆ Ｕ ｓ ａ ｌ ｅ ｅ Ｐ ） Ｕ ｓ ｌ ｎ ｇ ｅ ｌ ｒ ｏ ｃ ｉｏ ｔ ａ ｎａ ｎ 司 ｙ ｉ， ｓ ｅｒ ｈ ｔ ｌａ ｅ ｉｏ ｔ ｓ ｎ ｈ 扣加抽ｅ ｅ ｎ ａ 田 ｌ ｄ ｓ ｓｌ ｉ ｉ ｎ ｅ ｒ ａ
Ｃ ｏ ｎ ℃ ｌ ｉｏ ｔ ａ ｎｉ ｎｔ ｅｌ ｈ －ｆ ｗ ｏ ｒ ｅ ｑ ｕ ｅ ｎ ｃ ｙ ｂ ｎｄ ａ ， ｏｌ ｓ ｎ ｃ ａ ｃ ｈ ｏｓ ｅＡ Ｒ Ｘｓ ｔ Ｕ ｒ ｃ 奴 汀 ｅ ｏｍ ｔ ｄｅ ｏ ｌ ｎ ｉ ｇ ． 丁 ｈ ｅ ｅ ｏ ｓ ｕ ｆ Ａ 滋 苗 ｋ ｅＦ Ｐ Ｅ而ｌ ｅ 创 ａ ｒｉ ｏ ｆ ｄ ｅ ｎ ｔ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｎｏ ｏ ｆｔ ｅｉ ｈ ｒｏ ｄ ｒ ｅ ｒ ， 即ｄｔ ｈ ｅ ｎｔ ｅ ｌ ｈ Ｐｕ ｎ ｔｄ ａ ｔ ａｏ ｆｔ ｅ 到 ｈ ｅ ｅ 对 力 ９
ｄ ｕ ｉ ｒ ｎ ｇ 面访 ｎ ｇ ． Ｄ ａ 扭叨Ｕ ｅ ｃ ｔ ｉ ｎｉ ｏ ｓ五 ℃ ｍａ ｔ ｕ ｏ ｍ ｏ ｉ ｂ ｅｓ ｌ ｌ ｍ ｕ ｌ ｔ ａ ｏ ｒ Ｖ Ｒ 礴朋ｄ ｓ 田 时 ａ ｎ ａ ｖ ｅ ｈ ｉ ｃ ｅｉ ｌ ｎｔ ｈ ｅ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
不良汽车驾驶行为特征分析王志霞(河海大学江苏南京210000)
摘要:不良汽车驾驶行为的表现形式多种多样其特征复杂造成不良汽车驾驶行为的因素也有很多根据道路交通管理
局的
相关安全统计资料显示驾驶员的驾驶技术不过关是导致道路交通事故发生的原因之一驾驶员作为道路交通运营的实施者和
决策
者个人的驾驶行为是保障生命安全的基拙除此之外在道路交通运营中车辆和行驶环境也是使驾驶行为出现不规范操作的因素但是三者对安全的影响程度有所
差
异
关键词:汽车驾驶;不良操作;行为;特征;分析中图分类号:U462文献标识码:A文章编号
:1003一5168(2014)16一0158一02
本文将对几种代表性的不良汽车驾驶行为进行数据统计和的不良汽车驾驶行为的时间就相对较长当大型车辆的驾驶员
调查分析不同车型的驾驶差别研究不同车速驾驶时间以及发现有不良汽车驾驶行为出现时想要纠正的时间也会比小型
交通环境等方面的问题将简要提出对不良汽车驾驶行为的建车辆花费的时间多议和预防措施213服务水平的分析
1分析数据的收集与处理从小型车辆和大型车辆行驶过程中占用的车辆道路的服务
Ll数据的收集水平来看二者所使用的道路服务水平不尽相同没有规律性
111分析的内容道路服务水平的高低也不完全取决于车辆的类型在发生不良
对一些重点城市交通状况的专项调查显示出现的不良汽汽车驾驶行为时小型车辆的速度更加快些但是所占用的时间
车驾车行为主要有八类本文中进行分析和研究的数据都是通却相对少些过交通部门在各个交通要道设置的监控器录像观测收集得到22不同用途车辆的对比分析的而且观测地点统一观测时间为连续二十四小时在对比研究中我们按照车辆的不同用途分为客运车辆和
112数据的内容货运车辆
经过录像观测得到的数据内容主要有发生不良汽车驾驶行221车速的分析为的车辆类型各种不良驾驶行为发生不良驾驶行为的路况及在对客运车辆和货运车辆的车速分析中发现客运车辆发位置发生道路交通安全事故的种类不良汽车驾驶行为的时生不良汽车驾驶行为的速度更快些客运车辆中中小型车辆的
间不良汽车驾驶行为出现的频率等等比例相对较多车速会相较于货运车辆更快货运车中大型车辆LZ数据的处理居多其承载的负重量较大所以其驾驶速度更慢
121对各类车型的区分222持续时间的分析
在分析和研究不良汽车驾驶行为之前要先将收集的数据各类数据调查的结果都显示出货运车辆发生不良驾驶行为进行区别和分类将数据资料中发生不良汽车驾驶行为的车辆的时间要远超于客运车辆这是因为货运车辆中大型车辆的数按照大中小型客车加以区分这样才能保证研究结果的准确量居多比较容易产生不良驾驶行为性和真实性对数据做出精确的区分处理是研究不良汽车驾驶223服务水平的分析行为的基础一定要避免出现划分不清的现象各地的货运车辆和客运车辆的不良驾驶行为所占道路的
122比例的划分服务程度同样具备不规律的特点
不良汽车驾驶行为涉及的车辆种类众多为了更方便对数3不良汽车驾驶行为的危险度分析据进行分析为了明确分析对象特别针对众多不良驾驶行为分在对不良汽车驾驶行为的分析中我们选取的方法是综合成以下八类车辆强行变化车道车辆抢行车辆压线行驶车辆评价又被称之为模糊评价得到危险度分析结果当危险度的
连续违规变道车辆强行制动车辆在超车道上减速行驶车辆结果是以某一辆不良汽车驾驶行为来计算时其特征会显示出
打错转向灯车辆突然提速此类不良汽车驾驶行为会发生危险事故的状况适用于纵向比
2不良汽车驾驶行为的特征较危险度指标
21不同类型车辆的对比分析4规范汽车驾驶行为的措施
特征的分析将小型车和中型车统一按照小型车辆处理将对于汽车驾驶行为的研究和分析一直以来都被社会公众
大型车按照大型车辆处理广泛关注相关学者在建立驾驶行为的认知建模中取得了显著211车速的分析的效果其研究的成果也被广泛地应用在汽车工业制造中随着
在车辆车速比较中可以清楚地了解到小型车辆的速度明计算机的应用和发展在汽车制造中应用科学的手段和设备将显快于大型车辆这主要是因为小型车辆的行驶性能更强一些为安全的汽车驾驶行为提供有效的保障这种现象的发生是符合实际情况的汽车驾驶行为的认知建模已经成为现代汽车工业应用和研2L2持续时间的分析究中新的热点对驾驶行为进行研究的主要目的就是为了解决
对调查数据的分析研究显示大型车辆发生不良驾驶行为道路交通中的安全问题确保驾驶人在日常生活中的出行安全的持续时间相比小型车辆会更持久一些这是因为大型车辆在得到有效的保障发生交通事故的开始到结束的过程中车辆更难以控制所占用
5
结语
158基于广义效用函数的公共自行车租赁点布局方法研究翟栋栋张斌邢泉陕西省城乡规划设计研究院陕西西安710064;2西安曲江新区管理委员会陕西西安
7100
64)
摘要:在分析公共自行车租赁点布局一般原理和方法的基拙上以广义效用函数为支撑提出了基于广义效用函数的公共自
行车租赁点布局方法本文根据用地性质和居住人口将公共自行车租赁点划分为核心区密集区和一般区并对其分别进行研究进而确定各级公共自行车租赁点的布局方案最后运用遗传算法以西安市曲江新区为例进行了分析验证
关键词:公共自行车;广义效用函
数;租赁点;布
局
中图分类号:U491文献标识码:A文章编号
:1003一5168(2014)16一0159一02
1引言
过去几十年中以小汽车为导向(CaroirentedDeVelopmentCOD)的发展模式存在很多问题如尾气污染交通事故交通拥挤随着机动车的发展漫性交通基础设施不断被挤压路权受到侵害自行车出行环境日益恶化交通安全问题日益严重在饱受机动化交通困扰后国内外很多城市开始提倡公交优先鼓励慢行的绿色交通发展策略为解决公交最后一公里问题自行车交通系统在很多城市成功应用2国内公共自行车发展现状在中国的城市规划和交通规划领域从20世纪80年代就开始提倡以人为本这一规划理念但直到现在道路主体的人仍然成为各种交通工具挤占的对象城市步行空间及其环境极其恶劣上海北京等大城市在城市道路改善中也走了不少弯路主要以节点的工程技术改善为手段机非绿化隔离带慢行交通空间受到挤压甚至绿化隔离带非机动车道逐渐为机动车道所代替原来的非机动车道成为非机动车道人行道机动车停车共用场所同时交通堵塞问题日益严重非机动车骑行者在城市交通空间中遭受不平等在城市规划领域虽有一部分优秀规划师已经发现步行交通是宜居城市的名片但中国的现实情况是仍强调以车优先而不是以人为本人行道空间不足非机动车无专用骑行空间非机动车道与公交站点不协调影响了慢行交通与其他交通方式特别是与公交系统的衔接14〕3布局方法城市应该根据未来年自行车出行需求变化完善其租赁点的布局配备足够的自行车数量提高城市公共自行车运行效率规划建设由核心区公共自行车租赁点密集区公共自行车租赁节点和一般区公共自行车租赁节点三部分组成的自行车租赁系统在公共自行车系统运行的过程中系统负荷最大时为早高峰时段即如果早高峰可以满足出行的需求那么公共自行车系统在全天亦可以满足其出行需求故本文选取早高峰时段来研究假设核心区公共自行车租赁点的候选地点共有n个在早高峰中其备选出发节点构成集合N其备选到达节点构成集合M;密集区公共自行车租赁节点场个在早高峰中其备选出发
节点构成集合N其备选到达节点构成集合M;一般区公共自行车租赁节点n个在早高峰中其备选出发节点构成集合N
其备选到达节点构成集合M此外还要考虑各候选公共自行
车租赁点的建设成本各公共自行车节点之间的出行时间和出
行费用等其他相
关参
数
31符号说明
vij为在公共自行车备选出发节点i和公共自行车备选出发节点J租车的广义费用函数随着租还车需求量的增加而增加其具体形式可参考文献9[]Nk为不同类型出发点的集合Mk为
不同类型到达点的集合Z为目标函数以广义费用最小为目
标G为可以供给公共自行车系统资金的最大值当有出行者在
公共自行车备选出发节点i和公共自行车备选出发节点J租车
时y。为1否者其为。当艺y。大于等于1时xj等于1否则其
为。;当艺y。大于等于1时X等于1否则其为仇
32模型建立
根据以上分析公共自行车系统布局模型如公式1所示约
束条件如公式2所示
mi
二
=
艺艺艺vij
(1)
Nll
艺艺c(’毛+)艺艺c(,x,)`
G
介lj`峡k,i凡
O`戈蕊1
。三x
j`
1
0`沁
`
1
(2)
十十十十十十不良汽车驾驶行为的发生将严重影响人类生命健康所以有必要在了解不良驾驶行为的危害和种类的同时对驾驶认知行为进行建模研究这将成为构建和谐社会加强出行意识保障人类生命安全的基础研究驾驶行为的内在意识将从本质上督促驾驶人在行车时改善驾驶行为增强交通安全意识不仅要对自身负责也要对他人负责「l]警队动态J[]道路交通管理2009(08)2[]李英丽浅谈车速与安全J[]希望月报(上半月)2007(07)3[]耿龙鹏汽车业规模化发展与道路交通安全均衡机制研
究J[]企业导报2011(03)
4[]储冰交通安全宣传要创新J[]道路交通管理2008(01)5[]裘一隽交通安全宣传市场化操作途径之我见J[]公安学刊(浙江公安高等专科学校学报)2007(03
)
参考文献
:
159