首页> 中文期刊> 《自动化与仪器仪表》 >基于XGBoost的公路隧道驾驶风险识别

基于XGBoost的公路隧道驾驶风险识别

         

摘要

公路隧道因其独特的结构特性,常带来显著的交通安全风险,且其风险因素多种多样。为了识别和分析公路隧道环境下的驾驶风险,本研究招募了13名驾驶员进行实车试验,收集了驾驶员、车辆及道路环境的综合数据。利用滑动时间窗构建了1 023个时长为3秒的隧道驾驶样本,基于驾驶员避险行为对风险样本进行标注,得到104个风险样本。通过特征相关性和重要性分析构建合适的输入特征集,并利用RF、GBDT和XGBoost三种机器学习算法建立风险识别模型。结果显示,XGBoost算法表现最佳,特别是在输入特征数量为8时达到最优效果,其F1分数为0.81。进一步的特征重要性分析揭示,车辆的运行状态和驾驶员的生理状态均对驾驶风险产生影响。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号