多源数据融合的城市道路换道风险识别研究

摘要

为研究城市道路换道过程中驾驶人行为、生理变化和风险状态的关联，通过实车实验采集驾驶人行为及生理指标数据，构建多源融合驾驶数据集，基于方向盘转角与横向注视位置数据的变点检测算法提取换道事件，采用K-means聚类划分换道风险等级，构建CNN-BiLSTM-Transformer模型进行换道风险识别，利用SHAP方法分析特征变量对构建模型识别结果的影响，对比匝道汇入、汇出场景下不同风险等级换道时驾驶行为和生理差异。研究结果表明：当碰撞时间（TTC）小于3.90 s、碰撞富裕度（MTC）小于0.55、避免碰撞减速度（DRAC）大于1.10 m/s²时定义为高风险换道；构建的模型能够通过融合多源数据特征有效识别换道风险，准确率达98.0%;方向盘转角和横向加速度是影响模型识别的关键特征；匝道区域高风险换道时，驾驶人β波幅值较低，换道风险提高13%,注视转换更频繁。研究结果揭示了城市道路换道风险特征，可为交通安全管理和风险预警提供数据支撑和理论参考。

关键词

城市道路 / 换道风险 / 深度学习 / 多源数据融合 / 匝道区域