隨著我國國民經(jīng)濟不斷走深向好、人民物質(zhì)需求不斷增加,中國在世界范圍內(nèi)已經(jīng)成為超級汽車生產(chǎn)和消費大國。據(jù)統(tǒng)計,截止2020年底,全國機動車保有量達3.72億輛,機動車駕駛人有4.4億人,同時期我國大型運輸車輛(營運客車、重型卡車、�；�)的新增注冊登記量也再創(chuàng)新高。然而汽車市場繁榮的背后,我國也將面臨著日益凸顯的交通安全問題以及不斷升級的監(jiān)管難度。在機動車事故中,運輸車輛是交通安全中一個較大的危險源,其發(fā)生事故的復雜性和危害性都要遠高于其他車輛。伴隨著后疫情時代的到來,一方面物流運輸將成為保障各經(jīng)濟主體正常運轉的關鍵性紐帶,另一方面政府、企業(yè)和個人都會要求運輸車輛具備更高的安全性,因此做好運輸車輛行駛風險的規(guī)避至關重要。本文基于車聯(lián)網(wǎng)大數(shù)據(jù)背景和人工智能技術,提出了“運輸車輛高危行駛特征精準識別方法”和“基于風險場景擬合的運輸車輛行駛風險評估模型”,以期實現(xiàn)高危運輸車輛風險識別和風險管理。首先,基于普遍性和特殊性原則確定了影響運輸車輛行駛的兩大類致險因素:里程相關行駛風險和駕駛行為風險。并在此基礎上,對車聯(lián)網(wǎng)環(huán)境下產(chǎn)生的數(shù)據(jù)錯誤進行了清洗,利用隱馬爾可夫模型稠密化處理了稀疏駕駛行為預警數(shù)...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 研究現(xiàn)狀
        1.3.1 運輸車輛行駛風險來源研究現(xiàn)狀
        1.3.2 稀疏數(shù)據(jù)處理方法研究現(xiàn)狀
        1.3.3 異常特征精準識別方法研究現(xiàn)狀
        1.3.4 運輸車輛風險評估方法研究現(xiàn)狀
        1.3.5 研究述評
    1.4 本文研究內(nèi)容及結構安排
        1.4.1 本文研究內(nèi)容
        1.4.2 本文結構安排
    1.5 本文主要創(chuàng)新點
2 研究方法介紹
    2.1 狀態(tài)轉移關系研究方法介紹
        2.1.1 馬爾可夫鏈的轉移原理
        2.1.2 隱馬爾可夫模型可解決的三類轉移問題
        2.1.3 隱馬爾可夫模型解決轉移問題的三大算法
    2.2 概率分布模型參數(shù)估計方法介紹
        2.2.1 極大似然估計方法
        2.2.2 正態(tài)分布模型參數(shù)的極大似然估計
    2.3 模型有效性的檢驗方法
        2.3.1 關聯(lián)規(guī)則的四大組成要素
        2.3.2 挖掘關聯(lián)規(guī)則的兩個階段
        2.3.3 關聯(lián)規(guī)則核心Aprior算法的優(yōu)缺點
3 運輸車輛行駛風險評價指標體系的構建
    3.1 運輸車輛行駛信息數(shù)據(jù)源簡介
    3.2 運輸車輛行駛風險評價體系設計原理
    3.3 運輸車輛行駛風險評價體系指標構成
4 運輸車輛行駛風險數(shù)據(jù)集簡介及預處理
    4.1 運輸車輛行駛風險數(shù)據(jù)集簡介
    4.2 運輸車輛行駛風險數(shù)據(jù)預處理
        4.2.1 車聯(lián)網(wǎng)終端設備傳輸錯誤清洗
        4.2.2 運輸車輛行駛風險數(shù)據(jù)變換
5 運輸車輛行駛風險評估實證分析
    5.1 基于聯(lián)合概率的運輸車輛里程相關風險評估
        5.1.1 里程相關風險變量間的獨立性檢驗
        5.1.2 里程相關原數(shù)據(jù)分布特性及分布變換
        5.1.3 里程相關行駛風險場景的設計
        5.1.4 擬合里程相關數(shù)據(jù)聯(lián)合概率分布
        5.1.5 運輸車輛里程相關行駛風險評估
    5.2 基于隱馬爾可夫模型的運輸車輛駕駛行為風險評估
        5.2.1 篩選與各駕駛行為預警關聯(lián)密切的重度危險預警
        5.2.2 駕駛行為風險模型初始參數(shù)的構建
        5.2.3 隱馬爾可夫模型挖掘危險駕駛行為鏈
        5.2.4 原始預警指標基于隱馬爾可夫模型的降維
        5.2.5 駕駛行為危險程度評價指數(shù)及風險場景設計
        5.2.6 擬合駕駛行為危險程度指數(shù)概率分布
        5.2.7 運輸車輛駕駛行為風險評估
    5.3 基于Aprior算法的運輸車輛綜合風險得分結果驗證
        5.3.1 運輸車輛綜合行駛風險得分的計算
        5.3.2 風險得分及原數(shù)據(jù)的離散化處理
        5.3.3 關聯(lián)結果驗證
6 結論與展望
    6.1 結論
    6.2 展望
參考文獻
后記



本文編號：3791731