导读:本文包含了异常驾驶行为论文开题报告文献综述及选题提纲参考文献，主要关键词:侵犯性驾驶行为,群智能算法,K-means聚类,最佳聚类数
异常驾驶行为论文文献综述
王丝丝,张敬磊,王建兴,陈慈,马春杰[1]（2018）在《基于改进群智能K-means优化算法的侵犯性驾驶行为异常点检测》一文中研究指出如何有效地检测侵犯性驾驶行为异常数据,避免它们对后续建模分析产生不利影响是研究的焦点。在综述侵犯性驾驶行为研究现状基础上,借助驾驶模拟仿真实验系统和Ergo LAB人因系统进行侵犯性驾驶实验;并通过不同传感器获取了驾驶行为人车环境高维数据,最后采用优化的K-means聚类算法对该高维数据进行聚类和异常值检测。结果表明,最佳聚类数为2;并有效输出了异常点检测结果,为下一步的侵犯性驾驶行为定量分析提供了优质的数据保证。(本文来源于《科学技术与工程》期刊2018年34期）
惠飞,彭娜,景首才,周琪,贾硕[2]（2018）在《基于凝聚层次的驾驶行为聚类与异常检测方法》一文中研究指出目前基于视频的异常行为检测主要针对单车受限场景,难以对运输全过程进行监控。而GPS轨迹分析也以对单车进行先验阈值判断为主,缺乏数据深层次分析与信息挖掘步骤。为此,提出一种基于GPS数据的驾驶行为异常检测方法。利用时间、速度、加速度、方向、转角等全局与局部特征及其对应的统计量,构建车辆驾驶行为的特征属性,并基于多特征对已有的商用车轨迹数据进行聚类分析,得到区域性车辆异常驾驶行为检测结果。实验结果表明,该方法能够准确判断待测车辆的超速、急加速/减速、频繁变道等典型异常驾驶行为。(本文来源于《计算机工程》期刊2018年12期）
陈宏,王忠[3]（2018）在《驾驶员异常驾驶行为与人格类型调查研究》一文中研究指出随着我国经济的不断发展,机动车的数量逐年增多,伴随而来的是交通事故发生率也在逐年攀升。根据相关数据显示,我国所有伤害死因当中,占比最大的是交通事故,而引发交通事故发生的主要原因百分之八十以上是驾驶员。本文对异常驾驶行的定义进行了阐述,并对调查的信效度进行了分析,最终得出的结论是驾驶员的异常驾驶行为以及人格类型会在一定程度上提升交通事故发生的概率。(本文来源于《长江丛刊》期刊2018年29期）
范双双,张梦洁,漆书林[4]（2018）在《驾驶员异常驾驶行为与人格类型调查研究》一文中研究指出为了研究驾驶员的异常驾驶行为与人格类型的关系,以及导致道路交通事故的可能性,采用驾驶行为问卷(DBQ)形式,将次任务从注意力流失中细化出来,与注意力流失、错误和违规构成异常驾驶行为四因子。人格类型的调查问卷采用菲尔人格测试。利用SPSS统计软件进行试调查问卷的信效度分析以及正式调查的数据分析,得到试调查问卷是可靠的,异常驾驶行为四因子两两之间具有相关性,"穿高跟鞋驾驶"的女性驾驶员易出现异常驾驶行为;大多数被调查者属于人格3与人格4,人格3中有近1/3的驾驶员易发生次任务,人格4中近1/4的驾驶员易发生次任务;通过回归分析可知异常驾驶行为与人格类型会在不同程度上诱导交通事故的发生。(本文来源于《交通信息与安全》期刊2018年03期）
李此君,刘云鹏[5]（2018）在《基于协方差流形和LogitBoost的异常驾驶行为识别方法》一文中研究指出驾驶员因素引发的交通事故比例居高不下,因此,研究基于驾驶员活动状态分析从而对异常驾驶行为进行正确识别分类的识别方法具有重要意义。提出一种基于协方差流形和基于二分类思想的多类LogitBoost分类器的异常驾驶行为识别方法。首先,提取图像的纹理、颜色和梯度方向等基础特征,以克服基于单一特征识别驾驶行为的不足;然后,利用协方差流形进行多特征融合,以消除特征冗余,同时降低由于不同特征数值差异过大而可能给图像处理及识别带来的影响;最后,使用基于二分类的多类LogitBoost分类器进行分类识别。实验结果表明,相对传统的直接使用LogitBoost的多分类方法,本文方法较大幅地提高了多分类的正确率,针对不同目标的正确识别率可达81.08%。(本文来源于《激光与光电子学进展》期刊2018年11期）
张迪[6]（2018）在《基于浮动车GPS数据分析的车辆相对异常驾驶行为研究》一文中研究指出随着人们生活水平的不断提高和汽车工业的飞速发展,我国汽车保有量和驾驶人数不断增长,与此同时道路交通安全也面临越来越大的压力。我国每年发生的交通事故数量高达数百万次,对人民的生命财产安全造成了重大损失。虽然导致交通事故的原因多种多样,但人为因素仍然占据着主导地位。驾驶人在日积月累的驾车过程中会逐渐养成固定的驾驶习惯,而这些习惯所反映出的驾驶行为能够对道路交通安全造成潜在的影响,众多案例分析也表明驾驶人的异常驾驶行为是很多交通事故的主要原因。所以研究驾驶人的异常驾驶行为,对改善道路交通安全和降低人民生命财产损失具有重大意义。浮动车数据采集自安装了车载GPS定位装置的各种车辆,利用浮动车数据获取道路交通信息是近年来各国研究学者常用的主要技术手段之一。利用浮动车数据研究得出的方法结论,可以推广应用于私家车、重点监控车辆以及两客一危车辆。受限于目前存储和网络等技术性客观因素,用于驾驶行为分析的浮动车数据往往具有稀疏性。针对稀疏的浮动车数据,本文利用科学的计算方法,降低了数据稀疏性对实验结果带来的误差,并且修正了其中的异常数据。目前国内对于车辆异常驾驶行为缺乏统一的分类标准及量化指标,大多数研究只是通过简单地设定固定阈值的方法对驾驶行为分类,这种方法缺乏对浮动车数据的深入分析,对数据来源和质量要求过于苛刻。本文在对真实浮动车数据进行了分析及修正后,首次提出了相对异常驾驶行为的概念,建立了相对异常驾驶行为模型,并在此基础上提出了一套科学可信的相对异常驾驶行为识别和评价方法,以区分出车辆间相对异常驾驶行为的差异性。通过实验分析,确定了叁种相对异常驾驶行为在总评分中的权重系数,同时通过相关性检验,证明了本文模型和方法的有效性。本文所提出的研究方法在未来可以应用于保险、广告、公益等各个领域,例如根据不同车辆的相对异常驾驶行为评分的差异,调整车辆保险费用的费率;或者对驾驶行为较好的司机设立奖励机制,鼓励广大司机们保持良好的驾车习惯,尤其对两客一危,出租车驾驶人的行为分析,能极大地减少由于驾驶人行为异常导致的重大交通事故。(本文来源于《杭州电子科技大学》期刊2018-05-01）
李此君,刘云鹏[7]（2018）在《基于协方差流形的异常驾驶行为识别方法》一文中研究指出研究一种高效的异常驾驶行为正确识别分类的识别方法,对预防由于异常驾驶行为导致的交通事故具有重要意义。提出了一种新的基于协方差流形的异常驾驶行为识别方法。首先提取图像的纹理、颜色和梯度方向特征,以克服基于单一特征识别驾驶行为的不足;并利用协方差流形进行多特征融合,以消除特征冗余以及不同特征数值悬殊对图像识别的影响;最后使用多类LogitBoost分类器进行分类识别。针对相同检测目标的正确识别率可达98%以上,对不同检测目标的正确识别率可达70%以上。实验结果表明该方法有效提高了驾驶行为识别的效果。(本文来源于《太赫兹科学与电子信息学报》期刊2018年02期）
贾硕,惠飞,马峻岩,彭娜[8]（2017）在《商用车辆异常驾驶行为检测算法研究》一文中研究指出利用车联网数据可以对驾驶员的异常驾驶行为进行检测。为了解决常用的异常驾驶行为检测算法对商用车辆不适用的问题,提高车联网数据在商用车领域的异常驾驶行为检测的精确度和效率,研究并提出了商用车辆异常驾驶行为检测算法。首先分析700多辆商用车辆历时两年的行驶数据,利用数据挖掘的方法对车联网数据进行预处理和可用信息挖掘,随后提出了针对商用车辆的疲劳驾驶行为、异常加减速行为和不按规定路线行驶行为的检测算法,并利用真实数据对算法进行验证。结果表明,该算法能有效识别商用车辆的异常驾驶行为,可以给物流企业以及相关管理部门提供合理、可靠的管理依据。(本文来源于《公路交通科技》期刊2017年S2期）
徐洪[9]（2017）在《基于分形多步预测的高速公路异常驾驶行为预警研究》一文中研究指出高速公路由于车流量大、车辆运行速度快,导致其交通事故后果严重。一旦发生交通事故,不仅路产损失大,还容易引发交通拥堵、二次交通事故等现象,甚至造成大范围交通瘫痪,所以迫切需要交通管理部门采取高科技手段对交通隐患进行防范。高速公路车辆异常驾驶行为是引发交通事故的重要原因,实时监控车辆的运行状态,并预警异常驾驶行为,是实现交通智能化、交通安全出行的有效途径。基于微观参数多步预测的高速公路异常驾驶行为检测预警的研究,及时发现、识别和预判异常驾驶行为,进而对其影响范围进行预警,对于高速公路交通安全管理具有重要的理论意义和实用价值。论文首先基于混沌理论对车辆微观速度、加速度序列数据的混沌性进行分析,证明了车辆微观参数具有可预测性;然后基于R/S分析法证明了两参数具有分形特征,并基于分形理论构建了微观参数的预测模型;通过速度、加速度时间序列数据的指标量化,采用神经网络对其可预测步数进行了估计,得到微观参数可预测步数估计模型;结合分形预测模型和可预测步数估计模型得到分形多步预测模型,对车辆微观参数进行实时多步预测。基于文章提出的分形多步预测模型,实时预测车辆的未来多个时刻的定位数据。根据车辆的实际运行数据,以及预测的数据序列,分别采用阈值判断法和机械学习法对高速公路车辆超速行驶、低速行驶、紧急制动、紧急停车、临时停车、倒车逆行等多种异常驾驶行为进行了分类识别检测。本文还基于以上检测的各类异常驾驶行为,按其严重程度进行了分级反馈设计、分级预警设计,基于安全距离模型分析了各类异常驾驶行为的安全预警范围。最后,文章对提出的各种方法进行了实例验证。实例结论表明:车辆瞬时速度、加速度可以采用分形理论进行多步预测;基于预测数据下的异常驾驶行为识别模型具有较高的检测率,能够有效的提前检测部分异常驾驶行为;通过安全预警模型能够快速的给出其预警车辆。(本文来源于《哈尔滨工业大学》期刊2017-06-01）
崔静[10]（2017）在《基于智能终端的异常驾驶行为检测系统的研究与实现》一文中研究指出道路交通安全问题一直是人们出行关注的重点,然而大量异常驾驶行为的存在却给道路交通带来了严重的安全隐患。相关数据显示异常驾驶行为的产生一般是由驾驶人的不良驾驶习惯所致,而有效的监督和提醒机制对于改善驾驶人的不良驾驶习惯有着重要的作用。智能手机拥有丰富的传感器资源和强大的计算能力,使得其在各个领域都得到了广泛的使用。基于以上研究背景,本文设计了一种基于Android智能手机的异常驾驶行为检测系统,提醒和监督驾驶人的异常驾驶行为,改善驾驶人的不良驾驶习惯。首先,本文研究了利用智能手机获取的行车数据中掺杂的各种噪声,分析了数据误差的来源,设计了基于椭圆滤波器的五阶IIR低通滤波算法对原始的运动传感器数据进行预处理,通过仿真实验验证了该滤波算法能够较好的消除噪声。其次,本文分析了典型的异常驾驶行为反应在加速度计和陀螺仪各个数据轴上的特征,通过实验提取了最能表征异常驾驶行为的20个特征值,并将这些特征值作为BP神经网络的输入向量,实现了异常驾驶行为的检测与分类;此外,论文针对检测中各种异常驾驶行为持续时间并不固定的问题,提出了一种基于y轴和z轴合成加速度的平均能量端点检测算法来计算候选驾驶行为事件的起止点,通过仿真实验验证了该端点检测算法的有效性。最后,本文设计和实现了基于Android智能手机的异常驾驶行为检测系统,该系统主要由检测模块、录制模块、总结模块和显示模块组成。在实验测试场景下,对该系统的性能进行了测试。测试结果表明,该系统对急加速、急减速、急转弯、紧急变道和S型行车这五种典型的异常驾驶行为具有较高的检测准确率。(本文来源于《长安大学》期刊2017-04-10）
异常驾驶行为论文开题报告
（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：
目前基于视频的异常行为检测主要针对单车受限场景,难以对运输全过程进行监控。而GPS轨迹分析也以对单车进行先验阈值判断为主,缺乏数据深层次分析与信息挖掘步骤。为此,提出一种基于GPS数据的驾驶行为异常检测方法。利用时间、速度、加速度、方向、转角等全局与局部特征及其对应的统计量,构建车辆驾驶行为的特征属性,并基于多特征对已有的商用车轨迹数据进行聚类分析,得到区域性车辆异常驾驶行为检测结果。实验结果表明,该方法能够准确判断待测车辆的超速、急加速/减速、频繁变道等典型异常驾驶行为。
（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。
异常驾驶行为论文参考文献
[1].王丝丝,张敬磊,王建兴,陈慈,马春杰.基于改进群智能K-means优化算法的侵犯性驾驶行为异常点检测[J].科学技术与工程.2018
[2].惠飞,彭娜,景首才,周琪,贾硕.基于凝聚层次的驾驶行为聚类与异常检测方法[J].计算机工程.2018
[3].陈宏,王忠.驾驶员异常驾驶行为与人格类型调查研究[J].长江丛刊.2018
[4].范双双,张梦洁,漆书林.驾驶员异常驾驶行为与人格类型调查研究[J].交通信息与安全.2018
[5].李此君,刘云鹏.基于协方差流形和LogitBoost的异常驾驶行为识别方法[J].激光与光电子学进展.2018
[6].张迪.基于浮动车GPS数据分析的车辆相对异常驾驶行为研究[D].杭州电子科技大学.2018
[7].李此君,刘云鹏.基于协方差流形的异常驾驶行为识别方法[J].太赫兹科学与电子信息学报.2018
[8].贾硕,惠飞,马峻岩,彭娜.商用车辆异常驾驶行为检测算法研究[J].公路交通科技.2017
[9].徐洪.基于分形多步预测的高速公路异常驾驶行为预警研究[D].哈尔滨工业大学.2017
[10].崔静.基于智能终端的异常驾驶行为检测系统的研究与实现[D].长安大学.2017