一、减少跟车事故的措施(论文文献综述)
张欣然[1](2021)在《驾驶人认知反应特性及其对事故风险的影响机理研究》文中认为驾驶人的风险认知能力是决定驾驶人能否安全驾驶的关键因素。风险认知能力越强的驾驶人,碰撞事故发生的可能性越小。因此,分析驾驶人的风险认知能力对于降低事故发生率,提高道路安全水平具有重要意义。驾驶人的风险认知能力是其对外部存在危险事物的一种认知能力。分析驾驶人的风险认知能力,需要先理解驾驶人的认知反应特性,进而研究在高风险场景下,认知反应特性与交通事故之间的关系。首先,本文采用E-prime软件,融合日常交通场景设计了Oddball实验和走停(Go/No-go)实验,分别研究驾驶人在进行选择反应和判别反应时的认知反应特性;其次,基于驾驶模拟平台,设计了包含制动预警刺激的跟车场景,研究驾驶人在跟车反应过程中的认知反应机制;最后,本文基于驾驶模拟设备,设计了交叉口紧急避撞场景,研究驾驶人在交叉口紧急避撞过程中的认知反应过程与机理,从认知神经心理学的角度解释了冲突事故发生的原因。本文主要由以下四部分组成:(1)基本信号刺激下驾驶人进行选择反应时的认知特性研究。从认知神经生理学的角度解释驾驶人面对不同的交通灯/语音刺激时认知反应特性之间的差异性,得出反映驾驶人进行选择反应时认知到不同刺激信号的生理指标。实验分别通过两大感官系统(视觉和听觉),研究不同的刺激信号对驾驶人进行选择反应时的认知特性的影响。视觉刺激下,刺激信号分别是红、绿、黄三色交通灯;听觉刺激下,刺激信号分别是“红色”、“绿色”、“黄色”语音。基于驾驶人的脑电波形图以及事件相关电位(Event Related Potentials,ERPs)数据分析结果发现,在视觉刺激下,驾驶人感知到刺激信号的先后顺序分别是黄灯、绿灯、红灯;听觉刺激下,驾驶人感知到刺激信号的先后顺序分别是“红色”、“绿色”、“黄色”语音。驾驶人认知到刺激信号的时间越晚,反应时间越长。视觉刺激下,驾驶人在进行选择反应时,在大脑前额区的部分电极中100 ms左右会出现明显的负走向的波谷,在300 ms、800 m左右会出现明显的正走向的波峰;在大脑的枕区的部分电极中170 ms左右会出现明显的负走向的波谷,在1500 ms左右会出现明显的正走向的波峰。另外,通过比较脑电波的功率发现,疲劳驾驶人在做选择反应时大脑的活跃度下降。(2)制动信号刺激下驾驶人进行判别反应时的认知特性研究。从认知神经生理学的角度解释驾驶人在走停决策下进行判别反应时的认知反应特性,得出反映驾驶人进行选择反应时认知到不同刺激信号的生理指标。本实验主要研究驾驶人进行判别反应时的认知反应特性,采用Go/No-go实验范式结合日常的跟车场景,分别研究驾驶人面对刹车灯刺激、鸣笛声刺激、“刹车”语音刺激下的认知反应特性。研究结果表明,驾驶人在进行判别反应时,大脑的中央前回和颞区的部分电极中100 ms、600 ms会出现明显的负走向的波谷;在200 ms、1400 ms会出现明显正走向的波峰。刺激信号的形式对于驾驶人的脑电波形影响显着,相比刹车灯刺激,鸣笛声和“刹车”语音刺激下驾驶人脑电波形起伏更加明显。相比其他两种刺激信号而言,鸣笛声刺激对于唤起驾驶人认知的效果最好,驾驶人按键反应的正确率最高,反应时间最短。通过对比脑电波形,发现清醒驾驶人在一次刺激结束后,保持了高度警惕的状态以备下一次的刺激,这种事前对刺激信号保持警惕的能力使得清醒驾驶人在下一次进行判别反应时的绩效更好。(3)基于跟车驾驶模拟实验的驾驶人认知反应特性研究。基于脑电数据分析驾驶人在感知反应、判断决策、行为控制这三个阶段中的认知反应特性,并分析这三个阶段的脑电数据和驾驶行为之间的相关性。基于驾驶模拟平台,搭建了简单的跟车场景,引入了三种制动预警刺激信号,分别是前车刹车灯亮起、鸣笛声刺激、“刹车”语音预警。通过比较驾驶人在三种预警方式下的驾驶行为绩效,发现驾驶人在鸣笛声刺激下的驾驶绩效表现较好,表现为制动反应时间最短、最小跟车距离最长、平均减速度和最大减速度绝对值最小。进一步,将跟车驾驶过程分为三个阶段,分别研究驾驶人在每一个跟车阶段的脑电特性。第一跟车阶段,即匀速跟车阶段,“刹车”语音预警刺激唤起驾驶人的认知效果最好,表现为额区的部分脑电波较为活跃;跟车行驶的第二阶段,即制动反应阶段,鸣笛声更易引起驾驶人的认知,表现为额区和枕区的部分脑电波较为活跃;第三跟车阶段,即速度调整阶段,刹车灯刺激更易引起驾驶人的认知,表现为额区和枕区部分脑电波较为活跃。另外,疲劳驾驶人的制动反应时间较短,脑电波的活跃程度较低。(4)紧急避撞过程中驾驶人认知反应特性对事故风险的影响研究。基于脑电眼动数据分析紧急避撞过程中的认知反应特性,从认知神经心理学的角度解释冲突事故发生的原因。本文基于驾驶模拟平台,设计了交叉口紧急避撞场景,研究驾驶人在高风险场景下,认知反应特性对于交通安全的影响。设计三种不同的交叉口视距,基于驾驶人眼动数据、脑电特性数据和驾驶绩效表征,解释无信号控制交叉口事故的成因。得出的研究结论主要有以下两点:首先,在驾驶人行驶接近交叉口的15秒过程中,充足的交叉口视距保障了驾驶人在视觉搜索阶段充分观察冲突物体,及早地发现到冲突物体,进而采取及时有效地避撞行动,降低了冲突事故发生的概率。另外,充分的视距也保证了驾驶人更好地分配注意力,及时地转移注意力到关键的冲突物体上,大大提高了道路安全水平。另外,基于驾驶人的脑电变量可以对冲突事故是否会发生做一个预判。驾驶人在刹车前的第二秒的脑电波特性对冲突事故的发生与否影响显着,安全驾驶人在刹车前第二秒的所有脑区的脑电波活跃程度较低。基于上述四个实验,深入分析了驾驶人在日常交通场景下的认知反应特性,并分析了高风险场景下认知反应特性对交通安全的影响机制,通过眼动监测技术可对驾驶人的风险认知能力进行预判,基于脑电波技术可对驾驶人是否存在碰撞风险及疲劳与否进行预判,这些科学技术对预防交通事故,保障道路安全具有重要意义。本文包含图77幅,表36个,参考文献196篇。
郭柏苍[2](2021)在《面向人机共驾控制权决策的人-车风险等级预测方法研究》文中研究表明频发的交通事故证明驾驶车辆是一类高风险项目,驾驶人的风险驾驶行为是引发交通事故的主要诱因。近年来人工智能技术的发展大力推动了智能驾驶技术的进步,以自动驾驶系统作为驾驶主体辅助或替换人类驾驶人被视为从根本上解决人为因素导致安全性威胁的有效途径,是智能汽车相关领域的研究热点之一。面向由驾驶人和自动化系统共享控制权的人机共驾模式,当由驾驶人执行非必要驾驶任务直接或间接地加剧车辆风险时,智能汽车对人、车风险状态进行及时有效的监测并在高风险状态时接管控制权,抑制由驾驶人风险驾驶行为引发的安全隐患。经过对国内外相关领域研究现状的深入分析,总结相关研究中存在的问题与不足,确定本文的主要研究内容,主要研究成果如下:1.针对以往研究局限于辨识分心驾驶行为而忽略其对车辆风险状态产生影响问题,提出了基于XGBoost算法的超前时间风险驾驶行为预测模型。首先,为满足本文以风险驾驶行为作为切入点的研究需要,提出了适用于汽车驾驶人的改进NASA-TLX负荷评估方法,用于以精准施压、效果增强的方式设计承载不同类型、不同量级驾驶负荷的分心驾驶任务。其次,通过分析驾驶任务引发的车辆异常行驶状态,并考虑其对驾驶绩效造成的影响,经过交叉分析与验证实现了对驾驶行为风险等级的划分,为评估驾驶行为的风险等级提供理论支撑。最后,使用PCA降维处理并融合了视觉、生理和车辆运行状态多源信息以全面的表征驾驶人行为特征,充分发挥XGBoost算法的运算速度快、预测精度高的优势,建立了基于XGBoost的风险驾驶行为预测模型。2.针对部分车辆风险分析方法未考虑驾驶人属性差异而导致的不确定性问题,提出了考虑驾驶人特性的车辆风险行驶状态预测方法,解决了由复杂多变的人因属性导致模型泛化能力差等问题。首先,使用结构方程模型解构了制动反应时间的影响因素及其权重,优化了BP神经网络参数并提高了模型性能,建立了考虑驾驶人特性的制动反应时间预测方法,解决了部分人因属性难以直接测量的问题并提高了模型的泛化能力。其次,深入分析了换道持续时间与自车运动状态、相对运动状态和驾驶行为之间的相关性,提出了换道持续时间和纵向位移计算方法,为计算车辆行驶轨迹提供支持。最后,使用最小纵向安全距离模型计算两车无碰撞前提下的最小纵向距离,以假设前车紧急制动条件下留给后车驾驶人成功避撞的反应时间裕度作为车辆风险状态评价指标,重点对跟车场景、避让换道场景和换至有车车道场景中的行车安全性进行了分析,提出了考虑驾驶人特性的车辆风险行驶状态预测方法。3.针对智能汽车人机共驾模式的控制权决策和切换时机选取问题,提出了基于人-车风险状态的控制权决策方法,能够有效的输出合理决策结果并及时请求自动驾驶系统接管控制权,从根本上扼制由驾驶人风险驾驶行为引发的安全隐患。首先,以促进智能汽车的安全性最大化为目标,使用TOPSIS方法和完全静态博弈理论建立了人、车风险博弈模型,提出了相对效用最大化的策略函数并嵌入强化学习奖励函数中,推理了以最大化车辆安全性期望为导向的强化学习奖惩机制。其次,利用强化学习算法擅长解决序列决策问题的优势,提出了基于A2C算法的人机共驾控制权决策方法,通过调整人、车风险决策权重和奖励函数优化了决策模型的输出效果,使用模型性能评价指标对训练过程和结果的有效性进行了验证,通过仿真试验分析了切换时机对车辆安全性的影响,提出了能够及时有效的限制驾驶人风险行为并提升车辆安全性的控制权决策方法。
韩万里[3](2021)在《重型货车驾驶员驾驶行为特征及安全风险研究》文中指出在人-车-路环境组成的交通系统中,驾驶员是系统主体,是保证道路交通安全的核心。近年来针对主动交通安全管理系统的研究逐渐成为主流,尤其对于重型货车等大型营运性驾驶员驾驶行为特征的研究倍受研究者的关注。因此,本文以重型货车驾驶员驾驶行为及其安全风险为研究对象,设计出适用于我国重型货车驾驶员驾驶行为体系量表,分析重型货车驾驶员驾驶行为特征及其主要影响因素,研究重型货车驾驶员驾驶行为安全水平评价方法,构建重型货车驾驶员交通事故风险预测模型。把对重型货车驾驶员发生交通事故的概率控制转换为对其主要影响因素的控制,以提高和改善重型货车驾驶员驾驶行为。丰富了驾驶员驾驶行为相关理论,为重型货车驾驶员安全驾驶行为分析与安全风险研究提供思路和实验方法。首先,在总结分析重型货车运行安全、驾驶行为特征、驾驶行为安全评价方法及交通事故风险预测模型的研究进展的基础上,明确研究目的、方法及创新思路。修正拓展了驾驶行为定义,对驾驶行为进行分类,梳理了各类相关概念之间定义关系;基于交通心理学及海因里希“多米诺骨牌”因果连锁理论等,结合重型货车交通事故统计数据,对重型货车驾驶员驾驶行为特征及其交通事故成因进行深层次的分析,构建了重型货车驾驶员驾驶行为表征框架。其次,基于统计学与心理学理论,运用文献分析、问卷调查、交流访谈、观察法及探索性因子分析等方法,设计出了适合我国重型货车驾驶员特征的重型货车驾驶员驾驶行为体系量表,分析了重型货车驾驶员驾驶行为的表现特征,并对验证了量表的合理与有效性。然后,将相关性分析、多重对应分析及单因素方差分析相结合,分析不同属性的重型货车驾驶员的各种驾驶行为特征。基于计划行为理论,运用结构方程模型(SEM)路径预测方法,构建了重型货车驾驶员驾驶行为影响因素路径整合模型,全面分析影响重型货车驾驶行为发生动机因素,找出影响重型货车驾驶员驾驶行为的关键因子及其影响度。再者,基于驾驶行为量表,从重型货车驾驶员的积极行为、一般违规行为、错误驾驶行为、疏忽大意驾驶行为及风险/攻击性驾驶行为5个方面构建了重型货车驾驶员驾驶行为安全指标体系。提出了将主成分分析与熵值法相融合的方法对驾驶行为安全评价指标融合赋权,将灰色关联度与TOPSIS综合评价法相融合的方法构建重型货车驾驶员驾驶行为安全水平评价模型,实现对不同群体的重型货车驾驶员驾驶行为安全水平综合评价。最后,基于重型货车驾驶行为量表及其数据统计学特征,以重型货车驾驶员属性及其驾驶行为为自变量,以重型货车是否发生交通事故为因变量。应用相关性分析、多重线性回归分析及单因素Logistic回归分析筛选用于重型货车驾驶员交通事故风险建模的自变量。并提出基于二项logistic回归模型的重型货车驾驶员交通事故风险预测方法,构建二项logistic回归模型来说明驾驶员及其驾驶行为特征参数之间的关联特征对重型货车驾驶员交通事故风险预测结果的影响。并对影响重型货车驾驶员发生交通事故的因素进行分析,提出了改善重型货车驾驶员驾驶行为及其预防事故的措施与建议。研究成果丰富重型货车驾驶员驾驶行为相关理论,有助于提高对重型货车驾驶员驾驶行为研究的重视程度,为重型货车驾驶员不当驾驶行为的矫正与积极驾驶行为的培养等提供理论依据,也为制定相关安全措施政策或规章、开发重型货车碰撞预警系统等提供指导。可改善重型货车驾驶员的驾驶行为,提高驾驶安全性,预防或减少重型货车交通事故发生。
王献伟[4](2020)在《基于自然驾驶数据的驾驶行为辨识和建模方法研究》文中指出作为智能驾驶和智能交通系统发展道路上的重要一环,驾驶行为辨识受到了广泛地关注和研究。通过研究安全行车场景下的驾驶行为可以实时了解车辆的行车状,从而可以有效的提高行车安全;研究事故场景下驾驶行为的合理性,可以减少纠纷进而加快事故处理。在安全行车场景下,准确估计车辆的跟车行为和变道行为结束时刻有利于及早对车辆发出警告,保障行车安全。同时基于事故数据改善行车驾驶安全的研究日益兴起,研究事故场景下驾驶行为的合理性,可以减少纠纷进而提高事故处理和行车效率。针对以上问题,本文设计了基于生存分析方法估计驾驶行为生存时间的模型;使用深度学习算法门控循环单元(Gated Recurrent Unit,GRU)网络设计了预测车辆意图和轨迹的算法模型;基于隐马尔科夫模型(Hidden Markov Model,HMM),提出了追尾事故下驾驶行为评价策略,进行合理的责任认定。本文的主要研究内容包括:(1)设计了基于生存分析模型的驾驶行为生存时间估计方法。安全行车场景下,使用自然驾驶数据集NGSIM数据集中的车辆轨迹信息,对跟车和变道两种基本的驾驶行为进行分析。引入生存分析模型估计跟车和变道行为生存时间的生存率,进而确定行为结束时间,增强行车安全性。(2)设计了基于GRU算法的车辆意图检测和轨迹预测模型。安全行车场景下,根据自然驾驶数据集NGSIM数据集中的车辆轨迹信息,分析车辆动态特征,提取车辆的显着特征,例如横向速度和横向加速度,使用深度学习方法门控循环单元构建融合驾驶意图的车辆轨迹预测模型,进而对驾驶行为做出更为准确的预测和分类。(3)提出了追尾事故场景下驾驶行为评价策略。事故场景下,构建基于多边缘计算的追尾事故取证系统,使用100-Car数据集对驾驶行为做初步分析,得到追尾事故场景下的驾驶行为特征,将其归结为车辆的轨迹特征,使用隐马尔可夫模型解码可能的安全驾驶行为参数,结合追尾事故场景下的驾驶行为特点,制定合理的责任分配机制,以期减少纠纷从而加快事故处理和行车效率。
闫文娇[5](2020)在《交叉路口碰撞概率及跟驰模型改进研究》文中研究说明随着我国城市化的不断发展,城市中各种交通问题也随之增多,交叉路口是城市各条道路的交汇处,从不同方向驶来的机动车辆在这里相遇,极易造成交通秩序混乱和事故的发生,这也使得交叉路口成为交通事故多发区域。因此控制交叉路口秩序对提高城市道路交通运输效率和改进交通运输管理具有重要意义,应对交叉路口予以重点研究。而车辆自组织网络(VANET)是一项利用车辆网络来提高交通运输效率、减少交通事故的新技术,本文也将涉及到VANET在交叉路口处的交通事故研究。本文首先研究了国内外的城市交叉路口交通安全的相关理论,分析了影响城市交叉路口安全的因素。基于前人研究提出的交叉路口车辆的碰撞概率概念基础上,提出按区域、按场景研究交叉路口可能发生碰撞车辆的碰撞概率,分别通过对到达率和碰撞概率、综合流量和碰撞概率等之间的关系以深入研究交叉路口机动车车辆间的碰撞问题,并提出了交叉路口车辆碰撞概率的数学描述公式。其次,本文以石家庄市范西路-东大街交叉路口车辆通行为具体实例,研究该交叉路口的交通流特征和基于碰撞概率的交通仿真。文中先介绍范西路交叉路口交通实情并分析其多方向和多区域的交通流特征;在SUMO中建立道路网络的仿真场景,依据研究所得的交叉路口碰撞概率以改进Krauss跟驰模型,提出了一种预测加减速跟驰模型,简称为PADM跟驰模型(Predicted Acceleration and Deceleration Following Model),新模型能够减少车辆加速时加速度值的跳跃现象发生,使车辆行驶的车速变化更加平稳。第三,利用网络仿真器NS3基于由SUMO仿真输出的车辆轨迹文件完成车辆与基础设施、车辆与车辆间的车联网络通信仿真。完成了范西路-东大街交叉路口基于Krauss跟驰模型和PADM两种不同跟驰模型的VANET交通仿真。分析并比较两种跟驰模型VANET仿真的性能参数,包括信息投递率、端到端平均延时、吞吐量等,得出PADM跟驰模型信息投递率和吞吐量性能在仿真节点范围内能较优于Krauss跟驰模型的结论。
邹文竹[6](2020)在《车联网下高速公路交通事故影响区车辆强制换道研究》文中指出随着网络技术不断发展,车辆也可作为网络中的主体部分之一,逐渐成为一种智能信息服务终端,通过Wi-Fi、蓝牙等无线通信技术、汽车定位技术、信息安全技术等采集车辆数据信息,上传到云平台进行处理反馈,形成车与人、车与车、车与路、车与城市基础设施的智能网联,即车联网系统。车联网系统不断发展,自动驾驶全面普及也指日可待,但车辆安全仍是不可忽视的重要部分,如何利用车联网下获取的各种信息进行安全高效的换道是目前重点研究的内容。传统的人工换道研究中,驾驶员基本都是依靠自己的经验和视觉对于路况信息进行判断,而在车联网环境下,车辆可以通过通信技术获取更多的实时信息从而选择更佳的路线和有效地规避危险。在目前的换道研究中,大多都是以单车为研究对象,且更多研究的是自由换道,很少涉及需要强制换道的场景。因此本文研究了车联网环境下高速公路发生交通事故后,事故持续时间内受到事故影响的所有车辆如何利用实时信息进行安全高效地强制换道,顺利通过事故区域。本文分析了现有的车辆换道决策模型,提出了基于优化的车辆换道方法,研究单向双车道高速公路和单向三车道高速公路事故后一个车道封闭情景下的换道问题,该问题的研究对象为车联网环境下的无人驾驶车辆。首先,根据车联网环境下获取的实时信息,根据瓶颈段的服务水平要求,确定了车辆通过事故点的最佳车速,分析事故点后车辆减速的传播过程,基于车流波理论构建了事故影响区模型,确定了事故影响区域的长度、影响区内的车辆数。然后,以最小安全距离等为约束,分别构建了单向双车道、三车道高速公路事故影响区内事故车道上的单车换道点模型和跟车换道点模型,与双车道高速公路相比,事故后一个车道封闭时,三车道高速公路的换道模型需考虑目标车道的选择。最后,以所有换道车辆开始换道时所行驶的纵向换道距离之和最小为目标建立了考虑跟车换道的换道点优化选择模型,同时优化确定所有车辆的安全换道点、换道方式、目标车道。最后对两种不同情境下建立的换道模型进行算例分析,考虑了不同初始流量和初始速度对车辆换道的影响,验证了模型的可行性。结果表明,初始流量和初始速度的变化会显着影响换道点、换道方式和目标车道的选择。
王鑫[7](2020)在《不同分心工作负荷下跟车风险辨识研究》文中进行了进一步梳理在“人-车-路”的闭环道路交通系统中,人是最不稳定的一环,人的分心行为会给交通安全带来极大的隐患。相较于其他分心干扰方式,驾驶时使用手机带来的危害更高。将使用手机的分心行为和常见的跟车场景相结合,建立分心驾驶时,不同工作负荷的跟车碰撞风险辨识模型,有助于提高道路交通安全,减少事故发生。基于对已有研究的分析总结,本文设计了微信文字、微信语音、手持、免提、无次任务五种驾驶任务。利用DLab驾驶人因记录分析系统,开展模拟驾驶试验,采集驾驶人视觉行为、车辆运动状态、生理指标三方面数据,研究不同次任务下的驾驶特征及各任务之间的差异性,最终筛选出注视区域信息熵、有效注视时长、垂直扫视幅度、眨眼频率、车速标准差、横向位置标准差、横向加速度标准差、心率增长率、RR间期9个指标作为确定工作负荷的基本参数,利用主成分分析和K-均值聚类确定出驾驶人的分心工作负荷。基于不同的工作负荷,利用网格优化SVM算法,建立了驾驶人的跟车风险辨识模型,并加以验证。主要研究结论如下:视觉上,不论驾驶人是否处于分心状态,85%以上的视觉行为为注视,跟车时驾驶人的注视点主要集中于视野正前方前车的位置,位于水平(0°,10°],垂直(-10°,0°]。在执行微信文字和语音时,驾驶人视觉指标中注视区域信息熵、扫视速度、频率、幅度、持时增加,有效注视时长缩短。而微信语音次任务涉及视觉分心时间短,各项指标较微信文字变化小。执行手持和免提任务时,驾驶人以认知分心为主,扫视行为指标差异均不显着,由于手持通话涉及到驾驶人的操作分心,注意力更难集中,注视区域信息熵较高,有效注视时长较低,眨眼频率较高。车辆运动状态上,分心会导致驾驶人对车辆的控制变差。以视觉分心为主的微信文字和语音次任务,会导致车速标准差、横向位置标准差、横向加速度标准差显着增加,以认知分心为主的手持和免提次任务,对车辆控制影响相对小,与无次任务相比各项指标均不显着。生理上,由于心率存在一定的滞后性,分心驾驶时各指标变化不显着。基于生理测量的方式,采用驾驶人的视觉、车辆的运动状态、生理指标可以用于确定分心驾驶的工作负荷,结合驾驶人的反应时间验证,结果一致。针对驾驶人的不同工作负荷,采用网格优化SVM算法,对跟车风险状态有很好的预测结果,准确率为90.5%。对不同时间点的研究结果表明,在事故发生前1秒的预测效果最好,准确率91.3%、真正率92.3%、真负率为90.9%。
武帅[8](2019)在《典型约束条件下的驾驶行为特性研究》文中认为随着我国社会经济的迅猛发展和汽车保有量的不断增长,道路交通事故率仍居高不下,尤其不良天气条件下的道路交通安全成为人们普遍关注的问题,也是交通领域研究的热点。其中在雾天环境下,驾驶员的视距受限,严重影响车辆运行速度、行驶轨迹及跟车间距等行为特性,往往导致多车辆的连锁碰撞及驾驶人员的严重受伤和死亡事件。合理约束驾驶行为是保证雾天交通安全的主要措施,随着车路协同、车车协同技术的快速发展,为诸如速度限制、车道保持和安全车距的交通管理提供了技术支持。由此,本文开展典型约束条件下的驾驶行为特性研究,利用驾驶模拟器研究单一约束和双约束条件对雾天环驾驶行为的影响规律,并结合驾驶行为调查问卷对雾天环境的安全限速进行修正,为雾天交通管理提供科学的理论依据。本文研究的主要内容分为以下几个方面:(1)自主驾驶行为调查及分析。选取行驶速度、跟车间距和车道保持为约束条件,将曼彻斯特调查问卷修改成为符合雾天环境的驾驶行为调查问卷,对问卷进行可靠性分析和相关性分析,证明调查问卷的信效度,利用问卷中的违规分数将驾驶员分为保守型、一般型和激进型,为后期驾驶员风格分类及限速修正奠定基础。(2)驾驶模拟器仿真实验设计。基于UC-win/Road搭建500m、200m、50m能见度的行车环境,利用Blue Tiger驾驶模拟器作为操作仪器进行模拟实验。设计多曲线半径的直弯组合城市快速路;设计单约束和多约束两类驾驶方案,招募46名驾驶员,并按照驾驶经验和性别分类,采集驾驶操作行为数据,利用Mind Ware多导生理记录仪记录驾驶员心理指标。(3)驾驶行为特性分析。对比分析不同约束下驾驶行为指标差异,得到驾驶员在雾天环境的操作行为和心理特性,结果分析表明,能见度、驾驶经验以及两者的交互作用对驾驶员的驾驶行为有显着影响,性别对驾驶员的驾驶行为没有显着影响;驾驶员在弯道阶段对车辆的控制能力显着低于直线阶段;单约束实验下驾驶员对车辆的控制能力显着高于多约束下的车辆控制能力。(4)雾天环境驾驶风格分类及最高限速修正。在以往的雾天限速模型中考虑驾驶人的因素,引入驾驶行为因子dk,根据调查问卷的违规得分情况,将驾驶员分为保守型、一般型、激进型驾驶员,根据实验数据,计算出三类驾驶员的驾驶行为因子,对雾天限速模型进行修正,结果表明,激进型驾驶员的最高限速值相比保守型驾驶员高出了62.64%。
章国鹏[9](2019)在《信号协调控制下的干线交通安全分析》文中研究说明信号协调控制已被广泛应用于城市干线信号交叉口。该技术通过形成绿波带,使车辆能以较少停车次数或不停车通过沿线交叉口。以往关于信号协调控制的研究主要关注信号配时方案的优化以实现交通运行效率的最大化。然而,信号协调控制对交通安全的影响往往被忽视,关于协调控制下干线交通安全性变化的研究相对较少。由于协调控制对交通流模式的改变,干线交通安全性表现可能随之发生变化。近些年,学者们开始逐渐关注协调控制干线的交通安全问题。相关的研究涉及到干线信号协调控制前/后安全计数指标的变化,如事故频率和交通冲突数量等。尽管如此,信号协调控制对交叉口和干线的交通安全影响机理仍未明确,相关的交通安全问题还需深入研究。为此,本文将重点研究信号协调控制对干线交通安全的影响,主要内容包括事故空间分布、事故风险、受伤严重程度等。本文以美国密歇根州安娜堡市六条城市干线为研究对象,交通安全分析数据源于密歇根州交通部记录的事故数据库(2000-2014年)。在事故空间分布方面,本文采用核回归模型评价信号交叉口在协调控制策略实施前/后的安全表现。通过该模型建立事故频率与事故空间点位之间的非线性关系,检验在各种非集聚条件下(如不同时间段、事故类型等)协调控制前/后交通事故空间分布的差异性。由基于密歇根州交通事故的案例分析,可知:1)当信号协调控制系统运行时,干线交通事故在空间分布上更加离散化;2)在以下非集聚条件下,应用信号协调控制之后路段上的事故频率有所增加:非高峰期、追尾事故、刮擦事故、低限速路段、受伤事故和仅财产损失事故。这些发现表明,信号协调控制带来安全效益的同时也伴随着一定交通安全隐患。在事故风险方面,本文使用相对危险暴露量技术对比干线上各类出行主体在有/无协调控制下的事故倾向性(以相对事故参与率表示)。该技术可用于评估特定驾驶员/车辆的事故风险,如驾驶员年龄、性别、车辆类型等。再采用同时包含固定影响和随机影响的混合效应logistic模型检验相对事故风险的显着性。基于密歇根州交通事故的数据分析结果表明:1)当信号协调控制实施后,年轻驾驶员、男性驾驶员和皮卡伴随着较多的事故责任;2)在不同非集聚条件下事故风险有所差异,比如,在高峰期年轻驾驶员的事故风险会增加;3)高风险驾驶群体在信号协调控制后的危险驾驶行为(跟车过近)相比协调控制前有所增加。在事故严重程度方面,本文首先用卡方检验分析了信号协调控制对事故严重程度的影响变化,再利用随机参数有序Logit模型和广义有序模型探索事故严重程度的影响因素。密歇根州安娜堡市的案例研究表明:1)信号协调控制减少了受伤程度较低的交通事故,但是增加了伤害后果较为严重的交通事故;2)诸多因素(事故涉及车辆数、女性驾驶员、事故发生时间、事故类型、危险驾驶行为,以及非正常的驾驶员身体状态)对事故严重程度具有显着影响;3)对比协调控制之前,干线在协调控制之后的事故严重程度呈现较强的空间相关性。此外,本文还通过建立双层Stacking机器学习模型研究事故严重程度的影响因素。模型第一层融合了随机森林、神经网络和提升分类树三种分类方法,第二层采用传统的logistic回归模型。结果表明:1)Stacking模型的分类表现优于各种单一机器学习模型;2)当事故为多车事故,对撞或追尾事故,夜间事故,驾驶员具有非正常驾驶状态(酒驾和分心)和危险驾驶行为(违反交通控制和未让行)时,则其事故后果往往比较严重。本文强调了开展信号协调控制交通安全分析的重要性,从交通安全视角为交通信号控制与管理提供了科学基础。研究结果有助于提出有效的交通管理措施以减少事故风险,降低事故严重程度,并最终提高信号协调干线的运营安全性。
王笑笑[10](2019)在《基于交通流参数的高速公路安全性风险因素研究》文中指出随着国民经济的迅猛发展,人民对长距离出行的需求日益剧增,高速公路在给人民出行带来便利的同时,其引发的交通安全问题亦不容忽视。因此,研究高速公路行车安全性至关重要。在现有的高速公路交通安全研究中,交通安全评价指标多以事故数为主,往往无法及时识别车流运行中的交通风险隐患,且难以体现个体行为差异。鉴于不同交通流状态对应不同的安全水平,人、车、路、环境等因素对交通运行的影响都将不同程度地体现在交通流特征上。因此,本文基于高速公路交通流运行特性,在选取宏观风险和跟车追尾风险度量指标的基础上,采用定量与定性相结合的方法研究高速公路行车安全性。论文主体内容包括:高速公路交通流运行特性分析、基于车速离散度的宏观风险研究、不同车型组合的追尾风险研究、高速公路交通风险改善应用研究。论文首先定性分析高速公路车流运行安全性,确定了从速度特性和跟驰特性两个方面进行高速公路安全性风险分析的研究目标。在此基础上,基于实测交通流数据,分别从宏观层面分析交通量、大车比例、速度等参数的时间、空间分布特性,从微观层面分析不同车型跟车速度、车速差、车间距、后车速度与车间距、车间距与车速差、后车速度与车尾时距、车尾时距与车速差等参数的统计特性及变化规律,以定量研究高速公路交通流运行特性。在宏观风险方面,论文选取速度标准差或速度标准差系数作为速度离散度量指标,首先,以高速公路行车道为研究对象,运用数理统计理论和SPSS软件,确定了行车道大车比例与速度标准差系数的变化关系,以及速度离散度最高状态下对应的大车比例值,并基于二项Logistic回归模型,进一步研究出不同交通危险程度状态下对应的大车比例范围。接着,分别以高速公路超车道、行车道为研究对象,确定出各车道速度标准差与平均速度的变化关系,并采用两两比较检验方法研究了任意两个平均速度水平的速度标准差指标差异性。在微观风险方面,论文以研究不同车型组合(小车—小车、小车—大车、大车—小车、大车—大车)的追尾风险度作为主要目标。首先,通过计算比较四种车型组合在不同车速和车速差状态下的最小安全车间距,间接体现出不同车型组合的行车安全性差异。其次,基于跟车速度、车速差、车尾时距、车间距等微观交通流数据,研究了追尾风险发生时,不同车型组合的交通流特性所体现的安全性差异。接着,对不同车型组合的碰撞时间TTC值、避免碰撞减速度DRAC值、追尾风险强度等级(基于TTC值划分)进行统计分析,结果表明:小车—大车组合的行车风险最大,大车—小车组合的行车风险最低,且TTC值≤2s时,大车—大车组合发生追尾风险的严重程度要明显高于小车—小车组合。然后,对任意两种车型组合的TTC指标、DRAC指标进行非参数检验,结果表明不同车型组合间的追尾风险差异与所选用的评价指标无关。在此基础上,研究出不同后车速度水平下,四种车型组合的追尾风险强度分布差异。最后,论文分别从降低速度离散、预防追尾事故两个方面进行高速公路交通风险改善应用研究,提出大车实时控制、车道管理、车速控制、最小安全车间距预警、车距辅助设施设计等安全设计方案,以改善高速公路行车安全水平。
二、减少跟车事故的措施(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、减少跟车事故的措施(论文提纲范文)
(1)驾驶人认知反应特性及其对事故风险的影响机理研究(论文提纲范文)
致谢 |
中文摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景 |
1.2 目的和意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 研究内容 |
1.4 技术路线 |
1.5 本章小结 |
2 理论基础与文献综述 |
2.1 驾驶人认知反应特性及表征 |
2.1.1 认知反应 |
2.1.2 生理表征 |
2.1.3 心理特性 |
2.2 驾驶人认知反应特性与行为绩效的关系 |
2.2.1 反应时间与交通安全的关系 |
2.2.2 脑电特性与行为绩效的关系 |
2.2.3 视觉注意与交通安全的关系 |
2.3 驾驶人认知反应特性的实验研究方法 |
2.3.1 基于Oddball实验的选择反应特性研究 |
2.3.2 基于Go/No-go实验的判别反应特性研究 |
2.3.3 基于驾驶模拟实验的认知反应特性研究 |
2.4 驾驶人认知反应特性的典型影响因素 |
2.4.1 刺激对认知反应的影响 |
2.4.2 疲劳对生理特性的影响 |
2.4.3 视距对视觉注意的影响 |
2.5 本章小结 |
3 基本信号刺激下驾驶人进行选择反应时的认知特性研究 |
3.1 实验设计 |
3.1.1 实验目的 |
3.1.2 设计方法 |
3.1.3 实验人员和设备 |
3.1.4 实验步骤和流程 |
3.1.5 实验研究的变量 |
3.2 刺激形式和疲劳因素对行为绩效的影响 |
3.3 刺激形式和疲劳因素对ERP变量的影响 |
3.3.1 驾驶人在平静期的脑电波形分析 |
3.3.2 不同刺激信号对驾驶人ERP变量的影响 |
3.3.3 疲劳因素对驾驶人ERP变量的影响 |
3.4 刺激形式和疲劳因素对EEG变量的影响 |
3.4.1 刺激形式对EEG变量的影响 |
3.4.2 疲劳因素对EEG变量的影响 |
3.5 脑电变量与行为绩效的相关性 |
3.5.1 视觉刺激下脑电变量与行为绩效的关联性分析 |
3.5.2 听觉刺激下脑电变量与行为绩效的关联性分析 |
3.6 本章小结 |
4 制动信号刺激下驾驶人进行判别反应时的认知特性研究 |
4.1 实验设计 |
4.1.1 实验目的 |
4.1.2 设计方法 |
4.1.3 实验人员和设备 |
4.1.4 实验步骤和流程 |
4.1.5 实验研究的变量 |
4.2 刺激形式和疲劳因素对行为绩效的影响 |
4.3 刺激形式和疲劳因素对ERP变量的影响 |
4.4 刺激形式和疲劳因素对EEG变量的影响 |
4.5 脑电变量与行为绩效的相关性 |
4.6 本章小结 |
5 基于跟车驾驶模拟实验的驾驶人认知反应特性研究 |
5.1 实验设计 |
5.1.1 实验目的 |
5.1.2 设计方法 |
5.1.3 实验人员和设备 |
5.1.4 实验步骤和流程 |
5.1.5 实验研究的变量 |
5.2 预警形式和疲劳因素对驾驶行为绩效的影响分析 |
5.3 预警形式和疲劳因素对EEG变量的影响分析 |
5.4 EEG变量与驾驶行为的相关性分析 |
5.4.1 EEG变量与平均跟车距离的相关性 |
5.4.2 EEG变量与制动反应时间的相关性 |
5.4.3 EEG变量与最小冲突时距的相关性 |
5.5 本章小结 |
6 紧急避撞过程中驾驶人认知反应特性对事故风险的影响研究 |
6.1 实验设计 |
6.1.1 实验目的 |
6.1.2 设计方法 |
6.1.3 实验人员和设备 |
6.1.4 实验步骤和流程 |
6.1.5 实验研究的变量 |
6.2 交叉口视距对驾驶人眼动绩效影响 |
6.2.1 视觉搜索阶段的驾驶人行为分析 |
6.2.2 决策反应阶段的驾驶人行为分析 |
6.2.3 行动阶段的驾驶人行为分析 |
6.2.4 交叉口视野对避撞性能的影响机理总结 |
6.3 驾驶人眼动绩效对交通安全的影响分析 |
6.3.1 注视时长对交通安全的影响 |
6.3.2 注视次数对交通安全的影响 |
6.3.3 平均单次注视时长对交通安全的影响 |
6.4 交叉口视距对驾驶人脑电绩效的影响 |
6.4.1 视距对采取制动行为的驾驶人的脑电变量的影响 |
6.4.2 视距对冲突点前15 秒的脑电变量的影响 |
6.5 驾驶人脑电特性与交通安全的关系 |
6.5.1 采取制动行为的驾驶人的脑电特征分析 |
6.5.2 交叉口冲突点前15 秒的脑电波特征分析 |
6.6 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 创新点 |
7.3 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(2)面向人机共驾控制权决策的人-车风险等级预测方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 风险驾驶行为研究现状 |
1.2.2 车辆风险行驶状态预测研究现状 |
1.2.3 人机共驾控制权切换研究现状 |
1.3 研究内容与技术路线 |
1.3.1 主要研究内容 |
1.3.2 研究技术路线 |
第2章 试验方案设计 |
2.1 试验条件 |
2.1.1 受试者招募及其信息统计 |
2.1.2 实车试验条件 |
2.1.3 硬件仿真试验平台与仿真试验场地构建 |
2.2 人因工程与工效学设备及软件平台 |
2.3 试验方案设计 |
2.4 本章小结 |
第3章 驾驶行为的安全性分析与风险状态预测方法 |
3.1 风险驾驶行为的定义与设计 |
3.1.1 基于典型分心任务的风险驾驶行为分析与设计 |
3.1.2 驾驶任务的负荷施加方法 |
3.1.3 基于驾驶人负荷指数量表的驾驶负荷量综合评估 |
3.2 基于风险驾驶事件发生率的分心驾驶行为风险分析 |
3.2.1 风险驾驶事件概述 |
3.2.2 风险驾驶事件判别方法 |
3.2.3 分心驾驶行为的风险初步判别结果 |
3.3 风险驾驶行为的驾驶绩效分析 |
3.3.1 驾驶行为风险表征参数 |
3.3.2 驾驶绩效评价指标 |
3.3.3 驾驶绩效交叉评价指标 |
3.3.4 驾驶绩效的比较分析结果 |
3.4 基于人-车多源信息的风险驾驶行为表征指标体系 |
3.4.1 风险驾驶行为表征指标 |
3.4.2 基于主成分分析法的指标降维方法 |
3.4.3 风险驾驶行为表征指标体系 |
3.5 基于XGBoost的风险驾驶行为预测方法 |
3.5.1 XGBoost算法原理 |
3.5.2 超前预测时间与样本参数时间窗设定 |
3.5.3 模型的最大深度和学习率选定 |
3.5.4 不同超前时间条件下的模型精度检验 |
3.6 本章小结 |
第4章 考虑驾驶人特性的车辆风险状态预测方法 |
4.1 考虑驾驶人特性的制动反应时间计算方法 |
4.1.1 制动反应时间的解构模型 |
4.1.2 基于结构方程模型的制动反应时间影响因素路径分析 |
4.1.3 基于BP神经网络的制动反应时间预测方法 |
4.1.4 制动反应时间预测模型的验证分析 |
4.2 车辆换道持续时间与纵向位移计算方法 |
4.2.1 换道持续时间与跟车距离 |
4.2.2 换道持续时间与自车速度 |
4.2.3 换道持续时间与横向位移 |
4.2.4 换道持续时间与驾驶行为负荷量 |
4.2.5 换道持续时间与纵向位移计算方法 |
4.3 基于驾驶人反应时间裕度的车辆风险状态预测方法 |
4.3.1 研究的基本假设与工况限定 |
4.3.2 最小纵向安全距离计算方法 |
4.3.3 车辆制动过程分析和制动距离计算方法 |
4.3.4 跟车场景中的风险预测模型 |
4.3.5 避让换道场景中的换道风险预测模型 |
4.3.6 换至有车车道场景中的换道风险预测模型 |
4.4 车辆风险状态等级划分与驾驶人反应时间裕度分析 |
4.4.1 基于时间裕度的车辆风险状态等级划分 |
4.4.2 风险驾驶行为与时间裕度的关系 |
4.5 本章小结 |
第5章 基于人-车风险状态的人机共驾控制权决策方法 |
5.1 人机共驾控制权决策概述 |
5.2 基于人-车风险状态博弈关系的A2C奖惩机制 |
5.2.1 人-车风险状态完全信息静态均衡博弈 |
5.2.2 基于熵权-TOPSIS方法的策略效用函数计算方法 |
5.2.3 基于人-车风险状态博弈均衡的奖励函数推理 |
5.3 基于A2C算法架构的人机共驾控制权决策方法 |
5.3.1 强化学习的马尔科夫决策过程 |
5.3.2 基于A2C架构的人机共驾控制权决策方法 |
5.3.3 模型的性能检验 |
5.4 基于人-车风险状态的控制权决策结果与分析 |
5.4.1 决策模型调试及其决策效果 |
5.4.2 控制权切换时机与切换效果分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 本文创新点 |
6.3 研究展望 |
参考文献 |
致谢 |
作者简介及攻读博士期间取得的科研成果 |
(3)重型货车驾驶员驾驶行为特征及安全风险研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.1.1 重型货车数量 |
1.1.2 交通安全形势 |
1.1.3 研究重型货车驾驶员驾驶行为的必要性 |
1.2 研究目的与意义 |
1.2.1 研究目的 |
1.2.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 重型货车安全研究 |
1.3.2 驾驶行为研究 |
1.3.3 驾驶行为安全评价指标及建模方法 |
1.3.4 交通事故风险分析模型 |
1.3.5 既有研究评述 |
1.4 主要研究内容 |
1.5 研究方法和技术路线 |
1.5.1 研究方法 |
1.5.2 技术路线 |
第二章 重型货车驾驶行为定义及其表征结构研究 |
2.1 驾驶行为定义及研究范围界定 |
2.1.1 驾驶行为概念界定 |
2.1.2 驾驶行为分类及研究范围 |
2.2 驾驶行为的形成分析 |
2.3 重型货车交通事故特征及其事故原因分布 |
2.3.1 交通事故特征与主要影响因素分析 |
2.3.2 事故原因分布 |
2.4 重型货车驾驶员交通心理分析 |
2.4.1 社会责任感 |
2.4.2 冒险心理 |
2.4.3 交通安全感 |
2.4.4 期望心理 |
2.5 重型货车交通事故成因及驾驶行为特征表征结构 |
2.5.1 事故成因分析 |
2.5.2 驾驶行为特征分析 |
2.5.3 重型货车驾驶行为表征结构 |
2.6 本章小结 |
第三章 重型货车驾驶员驾驶行为体系量表构建研究 |
3.1 研究思路 |
3.1.1 问题描述 |
3.1.2 研究思路 |
3.2 研究方法 |
3.2.1 驾驶行为调查方法 |
3.2.2 因子分析法 |
3.3 重型货车驾驶员驾驶行为量表初始体系构建 |
3.4 问卷调查实施 |
3.4.1 调查目的与对象 |
3.4.2 调查样本量 |
3.4.3 调查过程 |
3.5 重型货车驾驶员驾驶行为体系构建 |
3.5.1 探索性因子分析 |
3.5.2 重型货车驾驶员驾驶行为量表结构 |
3.6 重型货车驾驶行为量表信度与效度检验 |
3.6.1 信效度及构建效度检验 |
3.6.2 关联效度分析 |
3.6.3 区分效度分析 |
3.7 本章小结 |
第四章 重型货车驾驶员驾驶行为特征及影响因素路径整合模型研究 |
4.1 问题描述与研究思路 |
4.1.1 问题描述 |
4.1.2 研究思路 |
4.2 研究方法 |
4.2.1 多重对应分析 |
4.2.2 计划行为理论 |
4.2.3 结构方程模型 |
4.3 重型货车驾驶员样本描述性统计分析 |
4.4 重型货车驾驶员驾驶行为特性分析 |
4.4.1 不同驾驶行为与其态度、自我期望关系分析 |
4.4.2 不同驾驶行为与其人口学因素关系分析 |
4.4.3 不同驾驶行为与其驾驶经验关系分析 |
4.4.4 不同驾驶行为与驾驶休息时间关系分析 |
4.4.5 不同驾驶行为与经济压力关系分析 |
4.4.6 不同驾驶行为与交通事故关系分析 |
4.5 重型货车驾驶员驾驶行为影响因素路径整合模型 |
4.5.1 模型构建 |
4.5.2 影响因素路径构建 |
4.5.3 适配度分析 |
4.6 影响因素路径关系分析 |
4.6.1 各变量间的相互关系分析 |
4.6.2 各变量间的影响程度分析 |
4.7 本章小结 |
第五章 基于驾驶行为量表的重型货车驾驶员驾驶行为安全评价模型研究 |
5.1 研究问题与思路 |
5.1.1 研究问题 |
5.1.2 研究思路 |
5.2 研究方法 |
5.2.1 TOPSIS评价法 |
5.2.2 灰色综合评价法 |
5.3 评价指标体系构建 |
5.4 指标权重确定分析 |
5.4.1 主成分分析法在指标层应用 |
5.4.2 熵值法在要素层应用 |
5.5 基于灰色关联度-TOPSIS评价方法 |
5.6 不同群体重型货车驾驶员驾驶行为安全水平评价 |
5.6.1 是否发生过交通事故的重型货车驾驶员驾驶行为安全水平评价 |
5.6.2 不同年龄段的驾驶员驾驶行为安全水平评价 |
5.6.3 不同平均每天睡眠时间的重型货车驾驶员驾驶行为安全水平评价 |
5.6.4 不同车辆所有权的重型货车驾驶员驾驶行为安全水平评价 |
5.6.5 不同月收入的重型货车驾驶员驾驶行为安全水平评价 |
5.7 本章小结 |
第六章 重型货车驾驶员交通事故风险预测模型研究 |
6.1 研究问题与思路 |
6.1.1 研究问题 |
6.1.2 研究思路 |
6.2 研究方法 |
6.2.1 多重线性回归分析 |
6.2.2 二元logisitic回归模型 |
6.2.3 模型检验 |
6.3 数据特征及变量选取分析 |
6.3.1 数据特征分析 |
6.3.2 构建预测模型的数据预分析 |
6.4 重型货车交通事故风险预测模型构建 |
6.4.1 模型构建 |
6.4.2 实现过程 |
6.4.3 预测模型检验 |
6.5 本章小结 |
第七章 重型货车交通事故影响因素分析及其预防措施建议 |
7.1 重型货车驾驶员疲劳因素 |
7.1.1 平均每天睡眠时间 |
7.1.2 行车时间段 |
7.2 经营模式因素 |
7.3 不同驾驶行为因素分析 |
7.3.1 积极驾驶行为 |
7.3.2 一般违规驾驶行为 |
7.4 个体属性因素 |
7.4.1 年龄因素 |
7.4.2 月收入因素 |
7.5 其他驾驶行为及交叉因素 |
7.6 本章小结 |
结论与展望 |
主要结论 |
主要创新点 |
研究展望 |
参考文献 |
攻读学位期间取得的研究成果 |
参与的主要科研项目 |
致谢 |
附录 重型货车驾驶员驾驶行为调查表 |
(4)基于自然驾驶数据的驾驶行为辨识和建模方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 驾驶行为特征分析 |
1.2.2 驾驶行为生存时间分析 |
1.2.3 跟驰和变道行为安全性与合理性 |
1.3 主要研究内容 |
1.4 本文结构安排 |
2 自然驾驶数据的特征分析与聚类 |
2.1 数据概述 |
2.2 数据筛选 |
2.2.1 数据去噪 |
2.2.2 筛选规则和结果 |
2.3 驾驶风格分析 |
2.3.1 参数特征统计分析 |
2.3.2 K-Means聚类分析 |
2.4 本章小结 |
3 基于生存分析的驾驶行为生存时间模型 |
3.1 生存分析模型 |
3.1.1 生存分析定义 |
3.1.2 生存分析函数 |
3.2 深度生存时间模型的构建 |
3.2.1 生存分析可行性分析 |
3.2.2 驾驶行为生存时间建模 |
3.3 DBSTM深度生存分析模型估计 |
3.3.1 评估方法 |
3.3.2 数据描述 |
3.3.3 实验结果与分析 |
3.4 本章小结 |
4 基于GRU网络的驾驶行为预测模型 |
4.1 驾驶行为预测问题和方法 |
4.1.1 问题描述 |
4.1.2 方法构建 |
4.2 深度学习模型 |
4.2.1 循环神经网络(RNN)模型 |
4.2.2 长短时记忆网络(LSTM)模型 |
4.2.3 门控循环单元(GRU)模型 |
4.3 基于GRU的车辆轨迹预测模型 |
4.3.1 车辆轨迹预测模型 |
4.3.2 车辆轨迹预测结果 |
4.4 本章小结 |
5 追尾场景下驾驶行为评价策略研究 |
5.1 基于MEC的追尾事故取证系统架构 |
5.2 自主取证信息整理融合 |
5.2.1 追尾事故取证信息 |
5.2.2 追尾事故数据链 |
5.3 基于HMM算法的追尾事故合理评价机制 |
5.3.1 追尾事故下驾驶行为分析 |
5.3.2 问题建模 |
5.3.3 HMM估计车辆的可能安全状态 |
5.3.4 追尾事故评价机制 |
5.4 评价机制检验 |
5.5 本章小结 |
6 总结与展望 |
6.1 论文工作总结 |
6.2 研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的论文及科研成果 |
(5)交叉路口碰撞概率及跟驰模型改进研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 国内外研究现状分析 |
1.3 论文的组织安排及主要研究内容 |
第二章 城市交叉路口碰撞问题 |
2.1 城市道路交叉路口 |
2.1.1 道路交叉路口的分类 |
2.1.2 道路交叉路口的几何特点 |
2.1.3 道路交叉路口的车辆冲突分类 |
2.1.4 道路交叉路口的交通管理与控制特征 |
2.2 城市道路交叉路口安全影响因素 |
2.2.1 道路交叉路口安全现状分析 |
2.2.2 道路交叉路口评价指标 |
2.3 城市道路车辆碰撞概率 |
2.3.1 碰撞概率影响因素 |
2.3.2 同一车道车辆间碰撞概率 |
2.3.3 交叉路口车辆间碰撞概率 |
2.4 本章小结 |
第三章 交叉路口交通优化及SUMO仿真 |
3.1 SUMO仿真软件 |
3.1.1 SUMO所使用的模型 |
3.1.2 SUMO中的应用 |
3.1.3 SUMO仿真流程 |
3.2 石家庄市范西路-东大街交叉路口交通分析 |
3.2.1 范西路-东大街交叉路口基本情况 |
3.2.2 范西路-东大街交叉路口相关参数 |
3.3 范西路-东大街交叉路口SUMO仿真数据生成 |
3.3.1 道路网络的创建 |
3.3.2 道路网络的信号灯设置 |
3.3.3 车辆网络的创建 |
3.3.4 道路仿真文件的生成 |
3.4 范西路-东大街交叉路口交通优化 |
3.4.1 SUMO中的Krauss跟驰模型 |
3.4.2 改进Krauss跟驰模型——PADM跟驰模型 |
3.4.3 PAM跟驰模型加速情况 |
3.4.4 PADM跟驰模型具体实现形式 |
3.5 跟驰模型仿真分析 |
3.5.1 Krauss跟驰模型SUMO仿真结果 |
3.5.2 PADM跟驰模型SUMO仿真结果 |
3.5.3 两种跟驰模型结果分析 |
3.6 本章小结 |
第四章 基于VANET的交叉路口交通优化 |
4.1 车联网(VANETs)概述 |
4.1.1 VANETs简介及发展 |
4.1.2 VANETs系统构建 |
4.1.3 VANETs应用场景 |
4.1.4 VANETs特点及应用 |
4.2 NS3仿真软件 |
4.2.1 NS3概述 |
4.2.2 NS3仿真流程 |
4.2.3 NS3体系结构 |
4.2.4 NS3网络组件 |
4.3 范西路-东大街交叉路口交通优化 |
4.3.1 生成VANET仿真的车辆运动轨迹文件 |
4.3.2 范西路-东大街交叉路口车联网优化方案 |
4.3.3 范西路-东大街交叉路口车联网仿真分析 |
4.3.4 网络性能评估参数 |
4.3.5 不同跟驰模型信息投递率分析 |
4.3.6 不同跟驰模型端到端平均延时分析 |
4.3.7 不同跟驰模型吞吐量分析 |
4.3.8 VANET仿真分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文工作 |
5.2 进一步研究方向 |
参考文献 |
致谢 |
个人简历、在学期间的研究成果及发表的学术论文 |
(6)车联网下高速公路交通事故影响区车辆强制换道研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状与分析 |
1.2.1 换道决策 |
1.2.2 换道轨迹 |
1.2.3 换道轨迹跟踪 |
1.3 研究内容及技术路线 |
第二章 车联网及换道决策模型概述 |
2.1 车联网简介 |
2.1.1 车联网发展历程 |
2.1.2 车联网系统与体系结构 |
2.1.3 车联网的应用 |
2.2 车辆换道决策模型 |
2.2.1 基于规则的换道决策模型 |
2.2.2 基于效用选择的换道决策模型 |
2.2.3 基于博弈论的换道决策模型 |
2.2.4 基于智能算法的换道决策模型 |
2.2.5 四种换道模型分析比较 |
2.3 本章小结 |
第三章 双车道高速公路事故影响区强制换道模型 |
3.1 换道场景描述 |
3.2 换道模型 |
3.2.1 问题描述 |
3.2.2 基本假设 |
3.2.3 事故影响区模型 |
3.2.4 换道点模型 |
3.2.5 考虑跟车换道的换道点优化选择模型 |
3.3 求解算法设计 |
3.3.1 求解思路与算法选择 |
3.3.2 算法设计 |
3.4 本章小结 |
第四章 三车道高速公路事故影响区强制换道模型 |
4.1 换道场景描述 |
4.2 换道模型 |
4.2.1 问题描述 |
4.2.2 基本假设 |
4.2.3 事故影响区模型 |
4.2.4 换道点模型 |
4.2.5 跟车安全换道点的优化选择模型 |
4.3 求解算法设计 |
4.3.1 求解思路与算法选择 |
4.3.2 算法设计 |
4.4 本章小结 |
第五章 算例分析 |
5.1 单向双车道 |
5.1.1 参数设置 |
5.1.2 不同初始流量下实验结果 |
5.1.3 不同初始车速下实验结果 |
5.1.4 结论 |
5.2 单向三车道 |
5.2.1 参数设置 |
5.2.2 不同初始速度下实验结果 |
5.2.3 不同初始流量下实验结果 |
5.2.4 结论 |
5.3 本章小结 |
总结与展望 |
总结 |
创新 |
展望 |
参考文献 |
致谢 |
附录A (攻读学位期间发表论文目录) |
(7)不同分心工作负荷下跟车风险辨识研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 分心的理论基础 |
1.2.2 驾驶分心特征研究 |
1.2.3 跟车碰撞风险研究 |
1.2.4 相关研究总结 |
1.3 论文研究工作 |
1.3.1 研究目的及意义 |
1.3.2 主要研究内容及技术路线 |
第二章 试验设计及数据前处理 |
2.1 分心次任务 |
2.2 试验设计 |
2.2.1 试验设备 |
2.2.2 试验人员 |
2.2.3 场景设计 |
2.3 数据同步 |
2.4 试验要求 |
2.5 本章小结 |
第三章 分心驾驶特征研究及工作负荷确定 |
3.1 视觉行为分析 |
3.1.1 注视行为 |
3.1.2 扫视行为 |
3.1.3 眨眼行为 |
3.2 车辆状态分析 |
3.2.1 纵向车辆状态分析 |
3.2.2 横向车辆状态分析 |
3.3 驾驶人生理状态分析 |
3.3.1 心率增长率 |
3.3.2 RR间期 |
3.3.3 SDNN |
3.3.4 生理指标的总结 |
3.4 分心负荷的确定 |
3.4.1 指标的选择及预处理 |
3.4.2 K-均值聚类 |
3.4.3 分心负荷确定 |
3.4.4 结果验证 |
3.5 本章小结 |
第四章 跟车风险安全状态辨识 |
4.1 不同分心负荷量下跟车状态分析 |
4.1.1 跟车距离 |
4.1.2 车头时距 |
4.1.3 碰撞时间 |
4.1.4 小结 |
4.2 基于SVM的跟车风险安全状态辨识模型 |
4.2.1 支持向量机模型 |
4.2.2 交叉验证法 |
4.2.3 模型的建立 |
4.3 模型的优化 |
4.3.1 网格优化 |
4.3.2 算法验证 |
4.4 不同时间点的预测结果 |
4.5 小结 |
结论与展望 |
研究结论 |
不足和建议 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(8)典型约束条件下的驾驶行为特性研究(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 课题来源 |
1.3 国内外研究现状 |
1.3.1 能见度对驾驶行为的影响 |
1.3.2 道路线形对驾驶行为的影响 |
1.4 研究内容与技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
1.5 本章小结 |
第2章 驾驶员自主驾驶行为调查及分析 |
2.1 驾驶约束条件 |
2.2 问卷设计 |
2.3 调查对象 |
2.4 问卷可靠性分析 |
2.5 本章小结 |
第3章 驾驶模拟实验设计 |
3.1 实验场景搭建 |
3.1.1 实验设备 |
3.1.2 能见度选取 |
3.1.3 道路线形几何参数选取 |
3.1.4 驾驶员心理指标选取 |
3.2 实验人员 |
3.2.1 数据采集人员 |
3.2.2 驾驶员助理员 |
3.2.3 被试驾驶员 |
3.3 实验方案 |
3.4 实验流程 |
3.4.1 实验准备 |
3.4.2 实验人员培训及分组 |
3.4.3 实验步骤 |
3.5 数据采集及分析方法 |
3.5.1 数据采集 |
3.5.2 误差分析 |
3.5.3 分析方法 |
3.6 本章小结 |
第4章 单约束下的驾驶行为特性分析 |
4.1 速度约束下的驾驶行为特性 |
4.1.1 行驶速度 |
4.1.2 跟车间距 |
4.1.3 横向偏移 |
4.1.4 心率增长率 |
4.2 跟车间距约束下的驾驶行为特性 |
4.2.1 行驶速度 |
4.2.2 跟车间距 |
4.2.3 横向偏移 |
4.2.4 心率增长率 |
4.3 横向偏移约束下的驾驶行为特性 |
4.3.1 行驶速度 |
4.3.2 跟车间距 |
4.3.3 横向偏移 |
4.3.4 心率增长率 |
4.4 本章小结 |
第5章 多约束下的驾驶行为特性分析 |
5.1 速度及跟车间距作为约束条件 |
5.1.1 行驶速度 |
5.1.2 跟车间距 |
5.1.3 横向偏移 |
5.1.4 心率增长率 |
5.2 速度及横向偏移作为约束条件 |
5.2.1 行驶速度 |
5.2.2 跟车间距 |
5.2.3 横向偏移 |
5.2.4 心率增长率 |
5.3 跟车间距及横向偏移作为约束条件 |
5.3.1 行驶速度 |
5.3.2 跟车间距 |
5.3.3 横向偏移 |
5.3.4 心率增长率 |
5.4 本章小结 |
第6章 雾天驾驶风格分类及最高限速修正 |
6.1 雾天限速模型 |
6.2 雾天限速模型修正 |
6.3 驾驶员风格分类 |
6.4 雾天最高限速值修正 |
6.5 本章小结 |
第7章 结论及展望 |
7.1 研究结论 |
7.2 研究展望 |
参考文献 |
附录 |
攻读硕士学位期间发表的学术论文及科研工作 |
一、攻读硕士学位期间发表的学术论文 |
二、攻读硕士学位期间参与的课题及项目 |
致谢 |
(9)信号协调控制下的干线交通安全分析(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题来源 |
1.2 研究背景与意义 |
1.3 国内外研究现状 |
1.3.1 信号协调控制系统规划 |
1.3.2 信号协调控制模型与算法 |
1.3.3 交通安全评价方法与模型 |
1.3.4 交通安全评价结果 |
1.3.5 交通安全问题与对策 |
1.3.6 研究现状总结 |
1.4 论文主要工作 |
1.4.1 研究目标 |
1.4.2 研究内容 |
1.4.3 研究方法 |
1.4.4 技术路线 |
1.5 本章小结 |
第2章 干线交通事故数据收集与预处理 |
2.1 研究干线基本情况 |
2.2 交通事故数据来源 |
2.2.1 事故特征因素 |
2.2.2 驾驶员特征因素 |
2.2.3 车辆特征因素 |
2.2.4 道路条件因素 |
2.2.5 环境条件因素 |
2.2.6 事故发生时间与地点 |
2.2.7 其它信息 |
2.3 数据预处理 |
2.4 本章小结 |
第3章 交通事故空间分布特征分析 |
3.1 空间统计分析方法 |
3.1.1 核回归模型 |
3.1.2 空间距离计算 |
3.2 事故数据处理及描述性统计 |
3.3 事故空间分布特征及分析 |
3.3.1 事故空间分布特征 |
3.3.2 核回归结果及分析 |
3.4 本章小结 |
第4章 各类出行主体事故风险评价 |
4.1 事故风险评价方法 |
4.1.1 相对危险暴露量技术 |
4.1.2 混合效应logistic模型 |
4.2 事故数据处理及描述性统计 |
4.3 事故风险计算结果及分析 |
4.3.1 出行主体的相对事故参与率对比 |
4.3.2 非集聚条件下的事故风险分析 |
4.3.3 混合效应logistic回归结果 |
4.3.4 高风险出行主体的危险行为分析 |
4.4 本章小结 |
第5章 基于有序回归模型的事故严重程度分析 |
5.1 事故严重程度统计分析方法 |
5.1.1 卡方检验 |
5.1.2 随机参数有序Logit模型 |
5.1.3 广义可加模型 |
5.1.4 模型拟合优度检验 |
5.2 事故数据处理 |
5.3 事故严重程度分析 |
5.3.1 事故严重程度分布对比 |
5.3.2 统计模型回归结果分析 |
5.3.3 边际效应 |
5.4 本章小结 |
第6章 基于双层Stacking模型的事故严重程度分析 |
6.1 双层Stacking模型构建 |
6.1.1 随机森林 |
6.1.2 神经网络 |
6.1.3 提升分类树 |
6.1.4 Logistic回归模型 |
6.1.5 模型分类性能评价指标 |
6.1.6 变量重要性 |
6.2 事故数据处理 |
6.3 双层Stacking模型评价 |
6.3.1 基础模型适用性分析 |
6.3.2 模型分类性能评价 |
6.4 事故严重程度影响因素分析 |
6.4.1 变量重要性 |
6.4.2 平均边际效应 |
6.4.3 结果分析 |
6.5 本章小结 |
结论与展望 |
致谢 |
参考文献 |
附录 |
攻读博士学位期间发表的论文及科研成果 |
(10)基于交通流参数的高速公路安全性风险因素研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 高速公路发展与风险共存 |
1.1.2 高速公路交通事故状况 |
1.1.3 研究交通流特性对行车安全影响的必要性 |
1.1.4 研究高速公路行车风险的必要性 |
1.1.5 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 现有研究成果总结 |
1.3 研究目标 |
1.4 研究方法 |
1.5 研究内容和技术路线 |
1.5.1 研究内容 |
1.5.2 技术路线 |
第二章 交通调查与交通流运行特性分析 |
2.1 高速公路车流运行安全特性分析 |
2.1.1 速度特性对行车安全的影响 |
2.1.2 跟驰特性对行车安全的影响 |
2.2 高速公路交通流参数调查 |
2.2.1 调查目的 |
2.2.2 调查方法 |
2.2.3 调查地点和时间 |
2.2.4 最少样本量 |
2.2.5 车型划分 |
2.2.6 具体调查方案 |
2.2.7 调查数据统计整理 |
2.3 高速公路宏观交通流运行特性分析 |
2.3.1 交通量与交通组成分析 |
2.3.2 速度分析 |
2.4 高速公路微观交通流运行特性分析 |
2.4.1 跟驰状态的判定 |
2.4.2 跟驰状态下车尾时距分布规律 |
2.4.3 跟车速度分析 |
2.4.4 跟车车速差分析 |
2.4.5 跟车车间距分析 |
2.4.6 跟驰状态下后车速度与车间距之间的关系 |
2.4.7 跟驰状态下车间距与车速差之间的关系 |
2.4.8 跟驰状态下后车速度与车尾时距之间的关系 |
2.4.9 跟驰状态下车尾时距与车速差之间的关系 |
2.5 本章小结 |
第三章 基于车速离散度的宏观风险研究 |
3.1 宏观风险量化指标 |
3.2 不同大车比例水平下的速度离散差异分析 |
3.2.1 大车比例对速度离散的影响分析 |
3.2.2 大车比例对平均速度的影响分析 |
3.2.3 速度标准差系数随大车比例的变化关系分析 |
3.2.4 不同交通危险程度状态下的大车比例范围分析 |
3.3 不同平均速度水平下的速度离散差异分析 |
3.3.1 平均速度对速度离散的影响分析 |
3.3.2 行车道、超车道平均车速与速度标准差的描述性分析 |
3.3.3 不同平均车速水平下的速度标准差指标描述性分析 |
3.3.4 不同平均车速水平下的速度标准差指标差异性分析 |
3.4 本章小结 |
第四章 不同车型组合的追尾风险研究 |
4.1 跟车追尾风险量化指标 |
4.2 计算模型调整与数据提取 |
4.3 不同车型组合的最小安全车间距差异性分析 |
4.3.1 基于车辆制动过程的最小安全车间距方程 |
4.3.2 相关参数的确定 |
4.3.3 不同车型组合的最小安全车间距计算与分析 |
4.4 基于实测数据的不同车型组合安全性分析 |
4.4.1 不同车型组合的交通流特性分析 |
4.4.2 不同车型组合的TTC、DRAC指标描述性分析 |
4.4.3 不同车型组合的TTC指标、DRAC指标正态性检验 |
4.4.4 不同车型组合的TTC指标、DRAC指标非参数检验 |
4.4.5 不同车型组合的追尾风险强度分析 |
4.5 后车速度对不同车型组合追尾风险强度产生的影响分析 |
4.5.1 不同后车速度水平下的追尾风险强度分析 |
4.5.2 四种车型组合在不同后车速度水平下的追尾风险强度分布 |
4.6 本章小结 |
第五章 高速公路交通风险改善应用研究 |
5.1 降低速度离散程度方面的研究 |
5.1.1 大车比例实时控制 |
5.1.2 车道管理 |
5.1.3 车速控制 |
5.2 降低追尾冲突风险方面的研究 |
5.2.1 基于最小安全车间距的实时预警 |
5.2.2 车距辅助设施设计 |
5.2.3 车辆管理 |
5.3 本章小结 |
第六章 研究结论与展望 |
6.1 研究结论 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表论文和主要科研情况 |
四、减少跟车事故的措施(论文参考文献)
- [1]驾驶人认知反应特性及其对事故风险的影响机理研究[D]. 张欣然. 北京交通大学, 2021(02)
- [2]面向人机共驾控制权决策的人-车风险等级预测方法研究[D]. 郭柏苍. 吉林大学, 2021(01)
- [3]重型货车驾驶员驾驶行为特征及安全风险研究[D]. 韩万里. 长安大学, 2021(02)
- [4]基于自然驾驶数据的驾驶行为辨识和建模方法研究[D]. 王献伟. 河南大学, 2020(02)
- [5]交叉路口碰撞概率及跟驰模型改进研究[D]. 闫文娇. 石家庄铁道大学, 2020(04)
- [6]车联网下高速公路交通事故影响区车辆强制换道研究[D]. 邹文竹. 长沙理工大学, 2020(07)
- [7]不同分心工作负荷下跟车风险辨识研究[D]. 王鑫. 长安大学, 2020(06)
- [8]典型约束条件下的驾驶行为特性研究[D]. 武帅. 青岛理工大学, 2019
- [9]信号协调控制下的干线交通安全分析[D]. 章国鹏. 西南交通大学, 2019
- [10]基于交通流参数的高速公路安全性风险因素研究[D]. 王笑笑. 扬州大学, 2019(02)