第1章 緒論
1.1  研究背景 _3
1.2 基本概念 _4
1.2.1  交通行為譜 _4
1.2.2 駕駛行為譜 _5
1.2.3 駕駛行為可采集信息 _6
1.3  國內外研究現狀_9
1.3.1 駕駛行為采集技術 _9
1.3.2 駕駛行為分析技術 _12
1.3.3  惡劣天氣下駕駛行為研究_14
1.3.4  不良駕駛行為識別技術 _19
1.4  技術難點與研究方法 _20
第2章 駕駛行為數據采集與信息提取
2.1 駕駛模擬試驗 _25
2.1.1  試驗儀器 _25
2.1.2  試驗方案  26
2.1.3 靜態場景設計 _27
2.1.4  動態場景設計  34
2.1.5 預試驗重要結論 _50
2.1.6  平原區高速公路駕駛模擬試驗  54
2.2  道路交通環境與駕駛行為同步采集繫統  54
2.2.1  繫統方案  54
2.2.2  低成本替代方案 _65
2.3  基於視頻處理的交叉口多目標交通行為提取 _69
2.3.1  前景目標提取 _70
2.3.2 基於KLT光流的目標跟蹤 _71
2.3.3  軌跡後處理 _78
2.3.4  目標分類 _81
2.3.5  案例分析  83
2.3.6  準確性檢驗 _84
2.3.7 結果對比 _87
第3章 基於駕駛模擬試驗的惡劣天氣下駕駛行為分析
3.1 駕駛模擬試驗與數據采集 _91
3.1.1 典型道路交通情景構建 _91
3.1.2  惡劣天氣駕駛模擬試驗  92
3.2  惡劣天氣下駕駛行為特征分析 _108
3.2.1 駕駛行為特征分析_108
3.2.2  不同屬性駕駛員行為特征分析 _127
3.2.3 駕駛行為狀態關鍵參數_140
3.3  基於支持向量機的駕駛行為選擇模型_142
3.3.1  基於支持向量機的跟馳風險識別模型_142
3.3.2 基於支持向量機的超車行為識別模型_144
3.3.3 基於支持向量機的彎道行駛軌跡預測模型_147
第4章 駕駛行為譜分析及特征值分析
4.1 駕駛行為譜的組成_155
4.1.1  環境指標_155
4.1.2  單一交通行為指標 _157
4.1.3 多車相互狀態指標 _158
4.1.4 駕駛行為譜特征參數_159
4.2  不良駕駛行為風險參數及閾值_162
4.2.1  不良駕駛行為的分類 _162
4.2.2  不良駕駛行為風險參數_164
4.2.3  風險參數的閾值確定 _165
4.2.4  實例分析_168
4.3  不良駕駛行為譜特征值_171
4.3.1  不良駕駛行為譜與風險度量_171
4.3.2  不良駕駛行為風險度量閾值_173
4.3.3  不良駕駛行為譜特征值權重計算 _173
第5章 基於無人機數據的駕駛行為特征分析
5.1 數據采集 _179
5.2  跟馳行為特征規律分析 _181
5.2.1 數據基本情況_182
5.2.2  不同距離條件下的速度相關性 _184
5.2.3  不同車頭時距下的速度相關性  186
5.2.4  速度與跟馳距離的關繫 _187
5.3 變道行為特征規律分析 _187
5.3.1 變道起終點與特征參數 _188
5.3.2 變道行為特性分析 _190
5.4 變道行為安全性分析_196
5.4.1  基於TTC的安全性分析_197
5.4.2 基於MTC的安全性分析 _198
5.4.3 指標計算結果討論 _199
第6章  基於自然駕駛試驗的駕駛行為特征分析
6.1  自然駕駛試驗 _205
6.2 駕駛行為時域特性分析 _207
6.2.1  速度特征 _207
6.2.2  加速度特征_208
6.2.3  角速度特征_209
6.2.4 差異性檢驗 _209
6.3 駕駛行為頻域特性分析 _219
6.3.1  加速度頻域特征  221
6.3.2  角速度頻域特征  225
6.3.3 差異性分析_228
6.4 駕駛行為時頻特性分析 _229
第7章 基於人工智能的不良駕駛行為識別
7.1  基於聚類的駕駛行為分類方法  237
7.1.1  相似性衡量_238
7.1.2  類間距離計算  239
7.1.3 聚類方法 _240
7.2  不良跟馳行為風險標記 _240
7.2.1  跟馳樣本提取  240
7.2.2 風險度量指標 _242
7.2.3 車輛軌跡比較 _243
7.2.4  不良跟馳行為的劃分和標記_244
7.3  不良跟馳行為識別模型_246
7.3.1  不良跟馳行為譜建立 _246
7.3.2 行為譜關鍵參數提取方法 _247
7.3.3  機器學習算法  248
7.3.4 智能識別的流程 _249
7.3.5  識別結果 _250
7.4  不良變道行為風險標記 _252
7.4.1  風險度量指標 _253
7.4.2 車輛軌跡比較 _253
7.5  不良變道行為識別模型_257
7.5.1  關鍵參數提取方法  257
7.5.2  機器學習算法  258
7.5.3 智能識別的流程 _259
7.5.4  識別結果 _260
第8章  創新成果與技術展望
8.1  創新成果 _265
8.1.1  道路交通環境與駕駛行為同步采集裝備  265
8.1.2 基於高空懸拍視頻處理的交通行為數據采集技術 _267
8.1.3 駕駛行為譜模型及特征值提取方法 _268
8.1.4  不良駕駛行為量化判別方法與辨識理論  268
8.2 技術展望_269
參考文獻

過去關於交通安全的管理方法和改善思路主要圍繞交通事故展開，以減少事故為目標，常用的方法是道路和環境的改善、控制設施和繫統的優化、突發事件的應急救援等，屬於被動安全技術範疇。被動安全技術主要是在事故發生時或發生後，盡量減少事故傷害。主動安全技術是指在事故發生前的精確預警技術和事故發生前、發生中的主動介入技術。相對於被動安全技術減弱或緩解事故傷害的功能，主動安全技術可以在事故發生前及時監測潛在不安全因素，對駕駛員的駕駛行為進行預警或干預，保證行駛安全，因而具有重要的現實意義。駕駛員常常是引發交通事故的主要原因。從駕駛員角度解析駕駛行為機理，並據此評估特定場景下的交通風險，進而采取相應的管控措施，是提升道路交通主動安全防控技術的關鍵。
本書作為研究團隊近幾年成果的彙總，內容的創新性主要體現在以下方面：基於交通出行對像先驗約束條件，開發了基於視頻識別的道路多目標自動識別與道路交通行為信息自動提取技術；提出了基於人、車、路、環境四要素同步切片的道路交通行為譜表征方法及時間序列的行為譜模型，建立了基於風險度量方法的道路交通行為譜表征方法及其特征值提取技術；面向危險駕駛行為預警的需求，提出了多場景下基於人工智能的道路交通行為辨識與風險預測方法。
本書共分為8章。第1章介紹駕駛行為的研究背景、基本概念與國內外研究現狀。第2章介紹駕駛行為數據采集與信息提取，主要包括駕駛模擬試驗、道路交通環境與駕駛行為同步采集繫統、基於高空視頻處理的駕駛行為提取。第3章介紹惡劣天氣下的駕駛行為特征與選擇模型。第4章介紹駕駛行為譜分析及譜特征值分析方法，主要內容為駕駛行為譜與不良駕駛行為譜的組成、不良駕駛行為風險參數及閾值、駕駛行為譜特征值計算。第5章介紹基於無人機數據采集技術的車輛跟馳行為、變道行為的特征規律與安全性分析方法。第6章介紹基於自然駕駛試驗的駕駛行為特性分析，包括駕駛行為時域特征、頻域特征、時頻域結合的特征與差異性分析方法。第7章是基於人工智能的不良駕駛行為識別，主要介紹基於聚類的駕駛行為分類方法，以及不良駕駛行為的風險標記與識別模型。第8章總結創新成果與技術展望。
叢書的出版得到"十三五"國家重點研發計劃"道路交通安全主動防控技術與繫統集成”的支持，筆者在此深表謝意。本書共8章，其中第1、8章由所有作者共同撰寫，第2章主要由楊軫撰寫，第3章主要由柳本民撰寫，第4、6、7章主要由陸鍵、王可撰寫，第5章主要由馬小龍撰寫。對於本書參考和引用的研究成果的作者也表示深切的謝意。希望本書的出版能為我國道路交通安全主動防控水平的提升提供理論和技術的支持。書中不足之處，希望廣大讀者批評指正。
陸  鍵2022年9月