基于支持向量机的轨道司机驾驶水平评价方法研究

doi:10.3969/j.issn.1674-0696.2020.10.06

重庆交通大学学报（自然科学版） ›› 2020, Vol. 39 ›› Issue (10): 31-36.DOI: 10.3969/j.issn.1674-0696.2020.10.06

基于支持向量机的轨道司机驾驶水平评价方法研究

刘杰

(重庆工程职业技术学院,智能制造与交通学院，重庆，402260)

收稿日期:2019-04-02 修回日期:2019-05-16 出版日期:2020-10-30 发布日期:2020-11-03
作者简介:刘杰（1986—），男，重庆人，硕士，副教授，主要从事智能化交通方面的研究。E-mail:943069788@qq.com
基金资助:
国家自然科学基金项目（61703351）；五邑大学校内科研项目（2018AL033）

Evaluation Method of Driving Level of Urban Rail Transit Drivers Based on Support Vector Machine

LIU Jie

(Chongqing Vocational Institute of Engineering, School of Intelligent Manufacturing and Transportation, Chongqing 402260, China)

Received:2019-04-02 Revised:2019-05-16 Online:2020-10-30 Published:2020-11-03

摘要/Abstract

摘要： 针对轨道交通司机驾驶水平定量化评价问题,笔者在数据提取、数据降噪和数据降维的基础上，构建了基于支持向量机的轨道司机驾驶水平评价模型方法对该问题进行了研究。研究结果表明：选用高斯核函数的SVM模型在准确率和稳定性上要优于普通、线性和多项式SVM模型，和人工评价结果比较其余弦相似度均高于0.98，模型评价结果的有效性。

关键词: 交通工程, 司机驾驶水平评价, 行车数据, 小波降噪, 主成分分析, 支持向量机, 余弦相似度

Abstract: Aiming at the quantitative evaluation of the driving level of rail transit drivers, based on data extraction, data denoising and data dimensionality reduction, an evaluation model of rail drivers driving level based on support vector machine was established and studied. The research results show that the accuracy and stability of SVM model using Gaussian kernel function is better than that of ordinary, linear and polynomial SVM models. Compared with the manual evaluation results, the cosine similarity of SVM model with Gaussian kernel function is higher than 0.98, which indicates the validity of evaluation results of the proposed model.

Key words: traffic engineering, driver driving level evaluation, driving data, wavelet denoising, principal component analysis, support vector machine, cosine similarity

中图分类号:

U491.1

刘杰. 基于支持向量机的轨道司机驾驶水平评价方法研究[J]. 重庆交通大学学报（自然科学版）, 2020, 39(10): 31-36.

LIU Jie. Evaluation Method of Driving Level of Urban Rail Transit Drivers Based on Support Vector Machine[J]. Journal of Chongqing Jiaotong University(Natural Science), 2020, 39(10): 31-36.

参考文献

［1］ LAURA P, XABIEL G P, ALEJANDRO G T, et al. A methodology to evaluate driving efficiency for professional drivers based on a maturity model ［J］. Transportation
Research Part C: Emerging Technologies ,2017,85(12):148-167.
［2］ SHINTARO S, PONGSATHORN R, MASAO N.Estimation of driving performance level using longitudinal and lateral driver models［J］. IFAC Proceedings
Volumes,2013,46(21):145-150.
［3］ LI Xiang, XU Yuping, ZHANG Hailiang. A study on dynamic quantitative evaluation of train drivers fatigue risk［J］. China Safety Science Journal, 2017,27
(2):18-23.
［4］ DRONSEYKO V, PAKHOMOVA A, SHALAGINA E,et al. Driving danger coefficient as a method of evaluating the drivers behavior in road traffic［J］. Transportation
Research Procedia, 2018,36:129-134.
［5］ CASTRO C, VARGAS C, TRUJILL H M,.et al. How to evaluate the accident data for older drivers? Age, gender and gravity of accidents: A new estimation of
driving frequency based on litres of fuel consumed ［J］. Securitas Vialis,2011, 3(3):87-94.
［6］李响,徐玉萍,章海亮. 机车司机驾驶疲劳风险动态量化评价研究［J］. 中国安全科学报,2017,27(2):18-23.
LI Xiang, XU Yuping, ZHANG Hailiang. A study on dynamic quantitative evaluation of train drivers fatigue risk［J］.China Safety Science Journal,2017,27(2):18-23.
［7］叶维忠.Python编程从入门到精通［M］. 北京:人民邮电出版社，2018.
YE Weizhong, Python Programming from Beginners to Proficient ［M］. Beijing: Peoples Posts and Telecommunications Press,2018.
［8］余本富，王维博，郑永康，等，基于自适应分解层数和阈值的小波去噪算法［J］. 传感器与微系统, 2017,36(12):126-133.
YU Benfu，WANG Weibo，ZHENG Yonkang,et al. Wavelet de-noising algorithm based on adaptive decomposition number of layers and threshold［J］.Transducer and
Microsystem Technologies, 2017,36(12):126- 133.
［9］ SASAN K, SHAHIDAN M A, AZIZAH A M, et al.An overview of principal component analysis［J］ .Journal of Signal and Information Processing,2013,4(8): 173-175.
［10］ AMARI S, WU S. Improving support vector machine classifiers by modifying kernel functions ［J］. Neural Networks,1999,12(6): 783-789.
［11］邬晓光,何启龙,郑鹏,等. 基于支持向量机法的混凝土强度对拼宽T梁桥时变可靠度影响分析［J］. 重庆交通大学学报( 自然科学版),2019,28(5):33-38.
WU Xiaoguang,HE Qilong,ZHENG Peng, et al. Influence analysis of concrete strength on time-varying reliability of widening T-beam bridge based on support vector
method［J］. Journal of Chongqing Jiaotong University (Natural Science), 2019,28(5):33-38
［12］武永亮，赵书良，李长镜,等, 基于TF-IDF和余弦相似度的文本分类方法［J］.中文信息学报,2017,31(5):138-145.
WU Yongliang, ZHAO Shuliang, LI Changjing,et al. Text classification method based on TF-IDF and cosine similarity［J］. Journal of Chinese Information
Processing,2017,31(5):138-145.

[1]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[2]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[3]	邓天民1，朱杰2，朱凯家1，屈治华3. 基于iForest+Biscting K-means的驾驶风格辨识方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 1-6.
[4]	许茂增,张莉. 基于双射软决策理论的路段拥堵影响力识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 7-11.
[5]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[6]	张诚1，汪成银1，陈志伟2，张正向3，张子磊3. 基于空间流量度的城市路网关键节点挖掘方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 28-35.
[7]	王永岗，张衡，彭志鹏，周琬琦. 基于结构方程模型的出租车事故影响因素分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 36-42.
[8]	朱顺应，李维吉，林小媛，肖文彬，王红. 特色小镇游客车辆无复检管控点布设研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 52-58.
[9]	潘兵宏1,2，胡炜1，任卉1,单慧敏1. 基于TruckSim仿真下弯道货车侧滑速度模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 38-45.
[10]	吴文静，孙刃超，宗芳，贾洪飞. 居民低碳通勤出行的主观态度识别及影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 53-58.
[11]	李军，邓育新. 基于非负矩阵分解的出租车时空行为聚类分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 59-65.
[12]	余曼,赵炜华,吴玲,李郁菡. 基于K-均值聚类和支持向量机的电动汽车行驶工况研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 129-139.
[13]	成卫1，刘翔1，雷建明2. 基于RBF神经网络预测的交叉口信号周期时长优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 13-18.
[14]	史天亮，王文光. 信息观和粒子群算法在城市交通拥堵中的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 19-25.
[15]	贺玉龙1,2，刘磊1,2，迟佳欣1,2. 高速公路车辆换道行为风险研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 26-33.

基于支持向量机的轨道司机驾驶水平评价方法研究

Evaluation Method of Driving Level of Urban Rail Transit Drivers Based on Support Vector Machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics