疲劳驾驶预测商业危险货物的卡车使用位置数据:疲劳驾驶和驾驶环境之间的关系

文摘

研究方法监测疲劳驾驶,因为疲劳驾驶造成的交通事故往往造成致命的后果。提出了一种新的方法来预测商业危险货物的卡车的驾驶疲劳使用位置数据(CDT)和司机的哈欠数据。拟议中的位置数据从现有的数据集的运输公司从166辆汽车和司机收集在一个实际的驾驶环境。六个不同类别的预测集视为与疲劳相关的指标包括旅行时间,星期,道路类型、连续驾驶时间,平均速度和总里程。司机的哈欠数据用作地面实况代理的分类算法。从六个不同类别的预测集,我们获得一组17个预测变量逻辑回归训练,神经网络和随机森林分类器。然后,我们评估的预测性能分类器基于三个指标:准确性、F1-measure, ROC曲线下的面积(AUROC)。结果表明,随机森林更适合预测疲劳驾驶使用位置数据根据其最佳精度(74.18%)、F1-measure(62.02%),和AUROC (0.8059)。最后,我们分析了疲劳驾驶和驾驶环境根据变量之间的关系描述的随机森林的重要性。总之,我们的结果很明显表现出潜在的位置数据减少疲劳驾驶造成的事故发生率。

1。介绍

运输体积CDT全世界继续上升的现代制造业和物流产业的快速发展(1]。危险货物运输具有很高的潜在风险,指的是引起交通事故的可能性和灾难性的后果(2,3]。例如,爆炸在人口密集地区或有毒化学物质的释放会导致伤亡直接或间接通过环境恶化4]。危险货物通常有特点,如易燃、易爆、不稳定,easy-corrosive等等。因此,交通事故危险货物通常显示以下特点:不可预测性,严重的损失,突然和长期影响5]。在发生灾难性事故时,后果往往不能控制和降低6]。因此,危险货物运输的安全已经引起了公众的注意,危险货物运输公司,决策者和研究人员在政府和非政府安全组织(7,8]。

疲劳驾驶是致命的交通事故的主要原因之一,根据交通事故的因果关系分析9,10]。20%的交通事故是由疲劳驾驶引起的(11- - - - - -13]。商业卡车司机开车时间相对较长,更容易疲劳。研究表明,疲劳驾驶一直是商用卡车事故主要原因(14- - - - - -16]。商业卡车司机的疲劳驾驶事故发生率增加,导致严重的财产损失,伤害,和死亡17- - - - - -20.]。

先前的许多研究都集中在商业卡车司机的疲劳驾驶问题[21- - - - - -25]。各种来源和类型的实时数据被用于检测驾驶疲劳。生理信号,可用不断、客观和公平的直接指标,通常是用来检测疲劳(26]。脑电图(EEG)和眼电图(小城镇)通常作为交换媒介来使用检测(27- - - - - -29日]。然而,脑电图信号很容易受到噪声和身体的运动(30.]。此次检测脑电图的删除一些问题;它只给了某方面的原因人类疲劳的程度(28]。此外,大多数生理信号采集设备需要司机的身体接触,这可能会干扰司机的正常操作和影响行车安全。因此,替代方法没有联系司机的身体是用相机和其他驾驶数据。疲劳会影响司机的行为包括脸部和身体活动(31日]。眼部和眼睑运动常常被用于检测疲劳(32]。然而,图像采集设备昂贵,容易受到光线的影响。一些其他相关检测信息是用来检测驾驶疲劳。车道位置的标准差(SDLP)或方向盘运动也经常测量检测司机的疲劳(33- - - - - -35]。

上述研究主要关注实时检测的疲劳,这是一个很好的方法来减少疲劳驾驶的影响。然而,它可能是不够的。疲劳检测时,商业驱动程序已经执行运输任务和困难放弃任务或恢复一个短暂的休息36]。如果我们可以用历史数据来预测驾驶员的疲劳状态之前,一个新的运输任务,经理可以选择司机不容易疲劳,承担更大的运输任务时通过调整运输计划。司机疲劳驾驶不仅是相关的当前的驾驶,但也与之前司机的驾驶任务强度(37- - - - - -39]。长,繁忙的工作安排将增加司机疲劳的可能性17,21,23,25,40- - - - - -42]。研究表明,驾驶员疲劳的几率增加了严重的连续天驾驶增加了(43,44]。这可能是由于“累积疲劳”在开车的司机由于长期和连续天(44,45]。最近的司机的驾驶任务和驾驶环境可以用来预测驾驶员疲劳的可能性。结果可以为驾驶任务安排提供准确的信息和司机疲劳早期干预。

本研究的主要目的是提出一个方法来预测司机疲劳使用司机最近的驾驶任务和驾驶环境的特征提取位置数据,然后使用这些特征来预测驾驶员疲劳的可能性。目前,出现了疲劳驾驶的研究关注于预测(26,46,47]。然而,作者最好的知识,方法来预测疲劳使用最近的司机的驾驶任务和驾驶环境特征提取位置数据还没有到来。本文的贡献可以概括如下:(1)先前的研究主要用于实时数据从司机或车辆检测疲劳,而很少有研究使用的历史数据。此外,先前的研究已经表明,疲劳驾驶是之前司机的驾驶任务强度密切相关(37- - - - - -39]。该方法预测疲劳驾驶使用最近的司机的驾驶任务和驾驶环境特征(2)已经有研究疲劳驾驶的预测(26,46,47];然而,大多数研究侧重于短期预测。一些研究对长期预测方法的研究,特别是在商业危险货物的卡车(CDT)。目前,没有疲劳驾驶的研究预测CDT的范围内我们的文献综述。该方法可以使用CDT的位置数据来预测疲劳驾驶CDT(3)目前,大多数研究疲劳驾驶的预测主要使用生理和行为指标。然而,生理和行为测量可能会干扰司机的正常驾驶,和相应的检测设备相对昂贵和不便携带,这让一些困难未来推广应用真正的驾驶条件。我们所知,没有一个无创、准确的解决办法。该方法使用CDT的位置数据来预测疲劳。CDT的位置数据可以在许多国家,所以使用位置数据的方法非常可伸缩。在中国,所有上都装有卫星定位系统和数据上传到国家管理系统。然而,我们还没有发现任何研究预测疲劳驾驶使用位置数据。该方法建立了基于六个不同类别的预测集只使用原始位置数据

本文组织如下。部分2这项研究的数据集的细节。节中描述的方法的概述3。并给出了结果和讨论部分4和5。最后,论文提供了部分结论6。

2。数据

2.1。数据描述

我们从数据库中获取数据的运输公司在中国的南部,目前包括超过200上。它有580多名司机和250多名管理人员。公司的注册资本是800万美元,总资产为3200万美元。每个车辆都配备了设备包含一个GPS传感器,打哈欠检测相机,和无线传输系统。因为数据库的隐私限制,我们只把位置数据和打哈欠数据从166年该公司的CDT在2017年11个月。位置数据更新每10秒,包含车辆的车牌,速度、纬度、经度、方向和位置地址和时间戳。打哈欠的数据包括车辆的车牌和打呵欠的具体时间。

里程可以从经度和纬度数据计算。连续驾驶时间使用时间戳和速度可以获得用于判断车辆是否开车。包含城市道路路面类型,除了高速公路,公路和高速公路可以获得使用GIS系统。一些数据被拒绝由于以下原因:(我)错误的数据(例如,错误在时间和速度让人无法准确判断车辆驾驶)。(2)失败的GPS传感器很长一段时间,所以位置数据目前还不清楚(3)打哈欠的失败检测设备很长一段时间,所以打哈欠数据不可用(iv)太多的位置数据中断是由于信号阻塞(例如,太多的经度和纬度数据中断,这样过度的里程不能准确计算)

这些情况下最终导致减少161车辆的位置数据。离群值没有进一步消除因为我们相信它们对预测结果的影响是微不足道的,由于大数据的大小。

2.2。预测变量

源于原始位置数据的预测变量。交通安全研究人员推断从observed-accident统计与疲劳相关的一些风险因素,如旅行时间、平均速度、里程,道路类型,等等48,49]。此外,研究表明,风险因素如旅行时间、平均速度、道路类型、和驾驶环境对卡车安全产生重大影响(50- - - - - -52]。根据这些风险因素,我们设计了六种不同的预测集的类别包括旅行时间,星期,道路类型、连续驾驶时间,平均速度和总里程。通过积累里程每相邻的两个数据点之间CDT,总里程M的CDT可以使用纬度和经度计算。连续驾驶时间预测驾驶员疲劳的一个重要指标,所以我们采取平均连续驾驶时间和最长的连续驾驶时间(C1 - 2)测量驾驶时间。除了总里程和连续驾驶时间,我们离散化的四个其他类别预测集到一个固定数量的间隔,每个间隔对应于一个预测变量。旅行时间分为五个变量T在不同的时间1 - 5,赶上汽车旅行。另外两个预测变量捕获车辆行驶在工作日和周末(W1 - 2),而另一个变量三联体区分三种类型的道路(R1 - 3)。我们单独的平均速度为四个变量V1 - 4,第四区间包括里程累积速度超过80公里/小时(即。80公里/小时,最大速度限制CDT在中国)。预测变量的概况如表所示1。

我们假设目标一天累积疲劳驾驶是前一周的任务紧密相关。预测变量为特定的目标是计算使用前一周的数据。我们定义前一周的累计里程的里程累积t−1天t−7天t。一天的累积里程t被描述为 在帕姆_t代表一天的累积里程t,P_我代表的里程我15天,t是一个整数大于7。

我们使用161辆的位置数据来计算预测变量被描述在表的每一天1。除了连续驾驶时间,15个预测变量的值是前一周的里程累积(即目标的一天。的预测变量t积累了一天t−1天t−7因变量)。不同维度的预测变量,并改变间隔,可能导致一些指标被忽视,影响数据分析的结果。因此,我们所有预测变量正常化,所有预测变量的归一化方程除了总里程和连续驾驶时间 在哪里X是所有预测变量的值除了总里程和连续驾驶时间和M的值总体里程。

连续驾驶时间的归一化方程C是 在哪里C_马克斯最大连续驾驶时间的值,C_最小值的值是最低连续驾驶时间,和它们的值在11个月的161辆。我们此外正常化总里程米的对数米并把它的对数米最大: 的最大米也获得了在11个月的161辆。所有的预测变量的描述性统计如表所示2。

除了连续驾驶时间,15个预测变量的值是一个星期的里程累积。它可能导致的共线性问题同时生成的预测变量。这个问题是一个不必要的属性对于大多数分类器,对于逻辑回归特别麻烦53,54]。

因此,我们选择因素分析的方法来解决共线性逻辑回归的问题。因子分析是一种多变量分析方法,将多个变量转换成几个综合变量(或潜在的变量),主要是用来减少变量的数量和分类变量高度相关,使用共同的因素。在这项研究中,使用主成分分析提取因素特征值大于1作为常见的因素。表3介绍了特征值,方差的百分比,累积特征值和累计方差比例与每个因素有关。它显示,第一个四个因素解释大约76.9%的总方差。最后,常见的因素是确定的数量是4。

疲劳可能是决定根据体育活动和人类行为55]。司机的哈欠数据用作地面实况代理的分类算法。如果司机打哈欠在目标一天,司机在这一天被认为是疲劳。摘要疲劳,打呵欠表示,预计通过我们的方法使用CDT的位置数据。根据分类器选择西藏野驴的建议(56),我们的方法考虑三种类型的分类器,即逻辑回归、神经网络、随机森林。

在监督分类问题,训练集通常是用于构造分类模型和独立的测试集是用来证明这些模型的预测性能57]。因此,对于逻辑回归,我们随机数据集4常见因素分为两个子集,其中70%的整个数据集包含在训练集,其余30%是包含在测试集。神经网络,我们随机分为17个预测变量的归一化数据集表1分为两个子集,其中70%的整个数据集用于培训,30%的人用于测试。卡特勒等人认为,随机森林算法包括变量之间的相互作用,所以没有其他模型所面临的共线性问题[58]。因此,对于随机森林,我们随机分为17个预测变量的非规范数据表1分为两个子集,其中70%的整个数据集用于培训,30%的人用于测试。

3所示。研究方法

3.1。逻辑回归

摘要法官驾驶员是否疲劳的司机是否打呵欠。由于因变量是二进制,我们建立一个二进制逻辑模型: 在哪里P因变量的概率是Y= 1(即。,the probability of the driver yawning), the independent variableX_j是各种因素影响司机的疲劳(即。,the common factor extracted by the factor analysis method),β_j是自变量的回归系数X_j,α是一个常数项,ɛ是一个误差项。

3.2。神经网络

摘要多层感知神经网络算法训练数据样本。多层感知神经网络是forward-structured人工神经网络,利用反向传播算法训练。网络由输入层、隐藏层和输出层。输入层对应的一般特性,用于接收输入数据进行分类。学习数据的隐藏层可能有多个层和存储训练的结果。输出层对应于定义的类,每个类对应一个输出层节点。它是用来输出结果。每一层由多个节点,每一个都可以传递到下一层到输出层。不包括输入节点,其他节点输入乘以各自的权重因子ω,再加上偏移量b非线性激活函数,然后结合自己的生产输出(59]。

多层感知神经网络优化算法采用共轭梯度算法和调整每一层的激活函数是不同的。中间层节点使用双曲正切函数作为激活函数:

输出层节点使用将Softmax函数作为激活函数: 在哪里x_我代表了来自前一层和输入N代表了在前一层的节点总数。

我们使用归一化表17个预测变量1随着网络输入和选择使用一层隐藏神经元根据数据特征。为了确定最优隐层的节点数,我们第一次在隐藏层节点的数目等于输入层的节点数。然后,我们逐渐减少节点的数量,同时计算归纳错误,训练误差、偏差和方差。节点的数量在这一点上我们选择当泛化误差下降了,才又开始增加。我们最终确定最优隐层的节点数是13。图1显示了建立神经网络模型的结构。神经网络之间的比较和逻辑回归是非常常见的,和相关的研究发现,神经网络优于逻辑回归由于其复杂的模型结构(60,61年]。

3.3。随机森林

Breiman提出的随机森林是一个集成学习算法,构造多个决策树通过引导聚合(62年]。每棵树是一个标准的分类或回归树(CART)使用所谓的降低基尼杂质(DGI)作为分裂节点的标准(63年]。而不是使用所有输入变量,随机森林选择随机输入变量分裂每个节点的一个子集当越来越多的车64年]。每棵树独立预测分类和相应的“选票”类。绝大多数的选票决定最优随机森林模型的结果(65年]。总结了随机森林的工作原理如下图所示2。(我)k的样本子集D1,D2,…Dk来自总样本集吗D使用包装技术。样本子集的大小Dk总样本集是一样的D。(2)k称构造决策树k子集并获得k分类结果。(3)获得的最优结果投票。

执行随机森林算法,开源软件,Python,它提供了一个语言和环境统计计算,使用。之前训练随机森林模型,优化其hyperparameter必须获得随机森林模型与最佳的预测性能。两个重要hyperparameters,即分类树的数量(ntree)和变量的数量在每一个分裂(mtry),对模型的性能有重大的影响。关于hyperparameters mtry,许多研究使用建议的价值Breiman mtry =√米),M是预测变量的数量(66年]。在这项研究中,mtry = 4。因此,我们只有调整hyperparameters ntree及其调谐范围是10 - 4000。我们比较了不同hyperparameters随机森林模型n树使用5倍交叉验证的平均错误率。如图3,平均错误率大幅减少ntree从10增加到60岁的时候。当ntree从60岁提高到2200,平均错误率有稍微不同的趋势;然而,一般来说,平均错误率略有下降。从2200增加到4000时,平均错误率几乎保持稳定。因此,n树= 2200被确定为最优值。最后,确定最优hyperparameters与变量的数量2200棵树尝试在每一个分裂4。

3.4。模型评价

训练的结果,三大股指包括精度、F1-measure, ROC曲线下的面积(AUROC)是用来评估预测分类器的性能。尽管更多索引可以用来评估分类器的预测性能,我们认为,这三个指标可以完成逻辑回归和神经网络分类器之间的比较。的数量真底片(TN),真阳性(TP),假阳性(FP),和假阴性(FN)作为测量来评估分类器的性能。不同的术语被用在不同的领域。准确是最基本的索引来评估分类器的性能。使用它作为一个整体的测量和计算 TP、TN指示正确分类情况和FP和FN指示错误分类的案例。然而,倾斜类分布的样本,在现实中,使精度等传统指标不能正确反映分类器的性能(67年]。F1-measure因此,另一个指标,提出了评估性能和计算

准确性和F1-measure评价分类器的性能,通过比较预测类标签。从这个意义上说,它们实际上可以认为衡量一个硬币的不同方面,并展示公认的缺点[68年]。因此,接受者操作特征(ROC)曲线是用来衡量分类器的性能。生成的曲线绘制真阳性的比例都积极和消极的样品(69年]。我们希望减少一个标量值代表中华民国性能预期性能评价分类器的性能,所以AUROC被认为是一个额外的索引。AUROC给单一的整体精度,是独立于任何特定的阈值(70年,71年]。大AUROC值表明,更好的预测模型是一个普遍接受的规则来确定模型的性能比较各种模型。

4所示。结果

4.1。模型的比较和选择

我们训练有素的逻辑回归、神经网络和随机森林使用训练集和计算精度,F1-measure, AUROC价值的模型基于测试集。

图4描述了逻辑回归的结果对分类性能,神经网络、随机森林模型。显然,准确性,F1-measure AUROC高于随机森林的逻辑回归和神经网络(即。,随机森林的预测性能较好)。因此,随机森林更适合使用位置数据来预测疲劳驾驶比逻辑回归和神经网络。从图可以看出4随机森林是74.18%的准确性。虽然这个精度不太高,但可以接受其他疲劳驾驶检测方法相比,基于车辆信息。此外,超过60%的F1-measure揭示其检测能力真正的打哈欠,这意味着错过了打哈欠的数量减少了使用随机森林分类。随机森林预测疲劳驾驶使用预测变量。

4.2。变量重要性分析

在确定随机森林模型的最优预测模型,分析了疲劳驾驶和驾驶任务之间的关系上周根据变量的重要性被随机森林。

变量重要性(在本研究中称为“变量重要性分值”)反映了每个预测变量的贡献的总风险。随机森林模型计算变量重要性分数通过评估的重要性每个预测变量使用基尼指数下降[72年]。计算是实现基于“feature_importances_”随机森林的开源软件,Python。图5提供标准化变量重要性分数(即。,the sum of the importance scores for all variables is one).

疲劳驾驶有密切的关系与上周的驾驶任务。通过比较变量在图的重要性5,吸引了以下结论:(1)不难看到从图5的重要性得分平均连续驾驶时间(C1)、连续驾驶时间最长(C2)是最高的在所有的预测变量。这表明连续驾驶时间密切相关疲劳驾驶。疲劳驾驶是指现象,司机开车后产生的生理和心理功能障碍很长一段时间,以便客观地驾驶技能下降。长时间开车会让司机精神过载,导致任务相关疲劳(45]。因此,驾驶员连续驾驶时间必须严格控制,避免长时间驾驶造成事故。(2)旅行时间预测变量中,重要性得分之间的旅行时间5点和9点(T2)和5点到10点之间的旅行时间(T4)是最高的。这表明司机更可能是疲劳开车的时候在这两个时间段很长一段时间,这与以前的研究结果基本上是一致的(73年,74年]。此外,它已被广泛证明疲劳驾驶事故相关数量的增加在清晨和晚上45,75年]。时间表示T4是极其脆弱的。这是因为,一天的辛苦工作后,司机将会有一系列的累眼睛干涩等症状,喉咙干,打呵欠。时间表示T2是清晨,时间疲劳驾驶和交通事故最容易发生。在这段时间里,人类的大脑生理节奏的缓慢反应,降低血压,僵硬和血管麻痹了,手和脚。因此,为了避免疲劳驾驶,司机的驾驶时间应该合理安排,司机应该尽量避免开车在这两个时期。分数的重要性之间的旅行时间10点到12点(T5)和旅行时间0点和5点之间(T1),相比之下,被发现是低于所有其他变量的旅行时间(T)。显然看起来令人惊讶。但我们可以看到从表2的意思是这两个时期相对较小,这表明司机很少旅行在这两个时间段。原因之一可能是由于相对较高的事故率比其他时期;该公司有意控制司机不开车在这个时期。(3)观察到这一点并不令人惊讶的重要性得分平均速度(V)持续减少平均速度超过80公里/小时(V4)平均速度介于0到40公里/小时(V1)。因此,重要性得分V4 (0.104)>V3 (0.040)>V2 (0.036)>V1 (0.035)。这表明司机更可能是疲劳开车时在高速很长一段时间。它已被广泛证明,驾驶速度越高,越容易司机是疲劳(76年]。行驶速度越高,浓度越大程度的紧张或司机的中枢神经系统和精神和体力的消耗就越大。同时,司机的视野缩小车辆增加的速度,和错过的信息增加,使司机更紧张。值得一提的是,平均速度的重要性得分40到60公里/小时(V2)和平均速度介于0到40公里/小时(V1)相对低于其他预测变量和平均速度的重要性超过80公里/小时(V4)相对较高。这表明当司机驱动器的环境低于60 km / h的速度很长一段时间,司机不容易疲劳,但是一旦司机驾驶的环境中超过80 km / h的速度很长一段时间,司机更容易疲劳。因此,车辆的行驶速度应合理控制,以避免司机开车在高速很长一段时间。(4)从图可以看出5的重要性分数路类型(R从城市道路)不断增加(R1)高速公路(R3)。这表明司机更可能是疲劳在高速公路上开车时很长一段时间,这与先前的研究一致(74年,76年,77年]。此外,据报道,40%的疲劳驾驶造成的交通事故发生在高速公路78年]。高速公路交通信号控制和行人,nonmotor车辆,和其他低速机动车辆。行驶在这条路很长一段时间很容易导致驾驶员睡眠。此外,在高速公路上开车时,司机的能量总是处于一种高度紧张的状态,增加体力活动,和车辆的速度将无意识地增加,甚至刹车减速意识将丢失。驾驶长时间在这种环境下也可以使司机感到累了。因此,有必要采用疲劳报警装置,当司机在高速公路上开车。(5)我们也可以发现,周末的重要性得分(星期五W2)的重要性得分高于平时除了周五(W1)从图5。这表明司机更可能是疲劳开车时在周末很长时间了。这是因为司机将继续累积疲劳当他开车在工作日,使司机的疲劳指数相对较高的周末。这提供了一种依据司机旅行时间的合理安排。

5。讨论

本文提供了一种全新的方法来预测驾驶疲劳使用CDT的位置数据。现有的方法来预测驾驶疲劳主要使用生理和行为指标。然而,生理和行为测量可能会干扰司机的正常驾驶,和相应的检测设备相对昂贵。我们的方法预测疲劳使用位置数据收集的CDT没有干扰司机的正常驾驶。位置数据采集设备是相对便宜,一般安装在商业卡车。这些都是有利于未来的推广应用真正的驾驶环境。此外,大多数研究的预测疲劳驾驶关注短期预测。一些研究对长期预测方法的研究,特别是在商业卡车。我们的方法解决了长期预测疲劳驾驶在商业卡车。

5.1。模型应用程序说明

该方法不仅可以用于商业危险货物运输车辆的驾驶疲劳预测也为其他运输车辆。此外,我们的方法可以直接使用车辆的位置数据来预测疲劳,这不仅解决了问题,大多数国内商业运输车辆没有图像采集设备安装,但还没有其他检测方法的缺点,干扰司机。我们的方法还可以辅助决策和对实时监控是一个有用的补充。即使运输车辆配备了图像采集设备,我们的方法也是很有必要帮助防止疲劳。还值得注意的是关于我们的方法是,它不仅可以用来预测疲劳,但也提供一个运输公司安排运输任务合理的依据。图6描述了应用程序的预测方法。

该方法可用于优化的日常任务安排运输公司。在第一阶段中,运输公司将完成一个长期运输任务的时间表,这可能是用于一个星期或一个月,根据签订的合同和司机的数量。同时,司机在运输任务的位置数据自动收集。

在第二个阶段,17个指标可以自动计算每个驾驶员的疲劳的可能性在第二天被动态预测。预测结果可以帮助优化运输任务的日程安排。

在第三阶段,每个因素的重要性在过去短期内可以帮助安排运输公司经理制定的长期任务。尽量避免长时间在这司机容易疲劳。

5.2。研究的局限性和未来的研究需要

一些方法和概念的限制应考虑的解释我们的结果。这些限制使我们考虑使用其他模型在未来的研究进一步提高预测精度。这将涉及不同的组合分类器(79年]。我们还应该使用数据从其他危险货物运输公司来验证我们的结果。由于有限的数据采集属性,我们的方法只分析六个预测集的影响。在未来,还应该考虑其他可用相关变量扩展预测变量的设置和产量进一步改善预测性能和分析结果的指导。司机的体格,生活方式,压力,和其他因素有一定对我们的模型的预测性能的影响。因此,如果司机的相关信息可以获得和作为预测变量,将进一步提高模型的精度。此外,季节性变化产生重大影响我们的方法;未来应努力消除季节的影响,从而使我们的方法更加完整。

6。结论

为了解决疲劳驾驶的危险货物运输问题,本文提出了一个方法,使用位置数据从运输公司获得预测疲劳驾驶,并进一步分析了疲劳驾驶和驾驶环境之间的关系。该方法可以用来预测疲劳驾驶使用CDT的位置数据收集不干扰司机的正常驾驶和提供一个运输公司安排运输任务合理的依据。主要研究结果总结如下:(1)我们使用逻辑回归、神经网络和随机森林方法来预测疲劳驾驶的位置数据。选择一个更合适的分类器预测模型,我们得到了一组17从六个不同类别的预测变量预测集相关疲劳训练和逻辑回归进行比较,神经网络和随机森林分类器。通过分析和比较逻辑回归的分类性能结果,神经网络,和随机森林模型,我们发现精度(74.18%)、F1-measure(62.02%),和AUROC(0.8059)分别随机森林是最好的,所以随机森林是更适合使用位置数据预测疲劳驾驶(2)提供合理依据运输公司安排运输,在确定随机森林模型的最优预测模型,我们分析了疲劳驾驶和驾驶环境根据变量之间的关系描述的随机森林的重要性。我们发现,疲劳驾驶是密切相关的驾驶行程时间、连续驾驶时间,开车速度、道路类型,等等。时期非常容易疲劳驾驶是清晨和晚上,司机是在周末比平时更容易疲劳。开车速度越高,越容易司机疲劳。疲劳驾驶在高速公路上的概率高于公路和城市道路。这些条件可以提供一个基础为公司避免司机疲劳驾驶,从而减少交通事故。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。

确认

这项工作得到了中国国家重点研发项目(2019 yfb1600500)。

引用

1. 问:杨,K.-S。下巴,杨绍明。关铭李,“质量函数deployment-based危险品运输过程的风险管理框架,“流程工业的损失预防》杂志上,52卷,不。52岁,81 - 92年,2018页。视图:出版商的网站|谷歌学术搜索
2. y梁、r·李和n .霁”应用程序的扩展Dempster-Shafer证据理论为危险货物运输事故概率估计,“《地理系统,19卷,不。3、249 - 271年,2017页。视图:出版商的网站|谷歌学术搜索
3. e . Erkut s a . Tjandra诉绿色,“危险品运输、”手册在运筹学和管理科学、董事长Laporte和c . Barnhart Eds。,卷。14,pp. 539–621, Elsevier, Haarlem, Netherlands, 2007.视图:谷歌学术搜索
4. m·h·Laarabi A . Boulmakoul r . Sacile大肠Garbolino,“一个可扩展的通信中间件危险货物车辆的实时数据收集活动,“交通研究部分C:新兴技术48卷,第417 - 404页,2014年。视图:出版商的网站|谷歌学术搜索
5. p . Leonelli s Bonvicini g·斯帕多尼,“新程序详细的数值计算危险品运输风险评估”流程工业的损失预防》杂志上,12卷,不。6,507 - 515年,1999页。视图:出版商的网站|谷歌学术搜索
6. a . m . Tomasoni风险评估和控制的模型和方法在危险货物运输(总局)系统巴黎,法国巴黎des矿山,巴黎,法国,2010年。
7. g . Landucci g·安东尼奥尼,a . Tugnoli s Bonvicini m . Molag诉Cozzani,“危险品运输风险评估:revisitation维亚雷吉奥液化石油气事故的角度来看,“流程工业的损失预防》杂志上卷,49号是的,36-46,2017页。视图:出版商的网站|谷歌学术搜索
8. r . Bubbico g . Maschio b . Mazzarotta m . f . Milazzo和大肠Parisi“风险管理的公路和铁路运输危险物品在西西里,”流程工业的损失预防》杂志上,19卷,不。1,32-38,2006页。视图:出版商的网站|谷歌学术搜索
9. 赵和w·r·傅h . Wang,“动态驾驶员疲劳检测使用隐马尔科夫模型在实际驾驶条件下,“专家系统与应用程序卷,63年,第411 - 397页,2016年。视图:出版商的网站|谷歌学术搜索
10. a·威廉姆森和r . Friswell non-driving外部因素的影响,付款类型和等待和排队在长途货运的疲劳,”事故分析和预防,卷。58岁的没有。3,保险,2013页。视图:出版商的网站|谷歌学术搜索
11. i d·布朗”前景的技术对策司机疲劳,”事故分析和预防卷,29号4、525 - 531年,1997页。视图:出版商的网站|谷歌学术搜索
12. ,g .‧梅科恪列“司机困倦是汽车的一个因素,HGV事故,“技术。代表,英国皇家学会的预防事故,伯明翰,英国,1995年,实验室报告。视图:谷歌学术搜索
13. g . Zhang k·k·w·邱,x,, y,“涉及疲劳驾驶和交通事故伤亡的程度,”事故分析和预防卷。87年,34-42,2016页。视图:出版商的网站|谷歌学术搜索
14. 美国USO,安全研究:疲劳、酒精、其他药物和医疗因素Fatal-to-the-Driver重型卡车崩溃司法统计局,卷。1日,华盛顿特区,1990年美国。
15. p·c·莫罗和m . r .床”,祖先的疲劳,比分接近的比赛,和崩溃在商业机动车司机,”《安全研究,35卷,不。1,59 - 69年,2004页。视图:出版商的网站|谷歌学术搜索
16. 联邦汽车运输安全管理局,大卡车向国会的报告事故因果关系研究美国交通部,华盛顿,美国,2006年。
17. m . j . m . Sullman m . l .草地和k . b . Pajo”异常驾驶行为在新西兰卡车司机。”交通研究。F:一部分交通心理学和行为,5卷,不。3、1 - 232、2002页。视图:出版商的网站|谷歌学术搜索
18. d .鼓风机,p . e .绿、a . Matteson“卡车和卡车事故条件参与,”交通研究记录:《交通研究委员会,卷2194,不。1,第21至28,2010页。视图:出版商的网站|谷歌学术搜索
19. f . Sagberg“交通事故引起的司机睡着了,”事故分析和预防没有,卷。31日。6,639 - 649年,1999页。视图:出版商的网站|谷歌学术搜索
20. 公元前Tefft”流行涉及昏昏欲睡的机动车事故司机,美国,1999 - 2008,”事故分析和预防,45卷,不。45岁,180 - 186年,2012页。视图:出版商的网站|谷歌学术搜索
21. g . Tzamalouka m . Papadakaki, j . e . Chliaoutakis”货物运输和non-driving工作职责预测入睡在克里特岛的车轮在城市地区,”《安全研究,36卷,不。1,第84 - 75页,2005。视图:出版商的网站|谷歌学术搜索
22. 小野田h . m .金泽t、n . Yokozawa“多余的工作量和睡眠症状在商业长途卡车司机,”睡眠和生物节律,4卷,不。2、121 - 128年,2006页。视图:出版商的网站|谷歌学术搜索
23. 铃木m . t . Kontogiannis g . Tzamalouka c . Darviri和j . Chliaoutakis”生活方式的影响,探索道路上睡眠睡眠因素和驾驶行为风险:一项研究的希腊司机,”事故分析和预防,40卷,不。6,2029 - 2036年,2008页。视图:出版商的网站|谷歌学术搜索
24. j·杜克,m .客人,和m . Boggess”与年龄相关的安全专业重型车辆司机:一个文献综述,”事故分析和预防,42卷,不。2、364 - 371年,2010页。视图:出版商的网站|谷歌学术搜索
25. f·孟,s .李曹l . et al .,“专业司机驾驶疲劳:卡车和出租车司机的调查,“事故预防和损伤控制杂志》上,16卷,不。5 p。2015。视图:出版商的网站|谷歌学术搜索
26. c . j . de Naurois c·伯丁c Bougard et al .,“人工神经网络适应一个特定的驱动程序增强了检测和预测的睡意,“事故分析和预防卷,121年,第128 - 118页,2018年。视图:出版商的网站|谷歌学术搜索
27. y, y,刘et al .,“驾驶疲劳检测基于EEG信号,”第五届国际会议上仪表学报》&测量,计算机,通信和控制(IMCCC)IEEE,页714 - 717年,秦皇岛,中国,2015年9月。视图:谷歌学术搜索
28. x霍,w . l .郑,b . l . Lu”驾驶疲劳检测融合的脑电图和额头小城镇,”学报》国际神经网络(IJCNN)联席会议IEEE,页897 - 904年,温哥华,加拿大,2016年7月。视图:谷歌学术搜索
29. l . j . z . Li Peng Chen等人“基于时空特征的疲劳驾驶检测方法在实际驾驶条件,”学报第十届IEEE会议工业电子产品和应用工业电子产品和应用程序IEEE,页183 - 187年,奥克兰,新西兰,2015年6月。视图:谷歌学术搜索
30. y . Wang x, y . Zhang et al .,“驾驶疲劳检测基于EEG信号,”第五届国际会议上仪表学报》&测量2016年9月,IEEE,中国深圳,。视图:谷歌学术搜索
31. 胡董y, z, k内村et al .,“司机注意力不集中监控系统智能车辆:复习一下,”《IEEE智能车辆研讨会IEEE,西安,中国,2009。视图:谷歌学术搜索
32. j·陈和霁,“瞌睡的司机的姿势,面部和眼睛监视方法,”智能车辆的手册,a . Eskandarian Ed,页913 - 940,施普林格,伦敦,英国,2012年。视图:谷歌学术搜索
33. c·c·刘,s·g·霍斯金表示:和m . g . Lenne”预测司机困倦使用车辆的措施:最近的见解和未来的挑战,”《安全研究,40卷,不。4、239 - 245年,2009页。视图:出版商的网站|谷歌学术搜索
34. y . j .钟l·p·杜k . Zhang et al .,“局部能量研究分析基于小波分析的驾驶员疲劳状态,”《小波分析与模式识别国际会议IEEE,香港,中国,2008。视图:谷歌学术搜索
35. y武井和y Furukawa先生”通过转向运动估计的驾驶疲劳,”《IEEE国际会议系统美国IEEE,洛杉矶CA, 2006。视图:谷歌学术搜索
36. l . Wang和y .贝聿铭的影响连续驾驶时间和休息时间在商业司机的驾驶性能和恢复,”《安全研究,50卷,第11 - 15,2014页。视图:出版商的网站|谷歌学术搜索
37. g . x, y, f .郭Hanowski r . j .,“每日睡眠模式的影响商业卡车司机对驾驶性能,”事故分析和预防卷。91年,55 - 63、2016页。视图:出版商的网站|谷歌学术搜索
38. 李马c . y . Wang, y”的影响长期任务和其他司机的视觉行为模式,驾驶性能,和嗜睡意识在隧道环境中:模拟器的一项研究中,“伊朗科学技术学报,土木工程的交易,42卷,不。2、143 - 151年,2018页。视图:出版商的网站|谷歌学术搜索
39. k . Mahajan n . r . Velaga a·库马尔a·乔杜里和p。乔杜里,”司机作息的影响模式、生活方式和支付激励在长途卡车司机困倦,”交通运输研究F部分:心理学和行为,60卷,不。60岁,366 - 382年,2019页。视图:出版商的网站|谷歌学术搜索
40. m·a·t·Mccartt j . w . Rohrbaugh c .锤和s . z .富勒”因素与轮之间长途卡车司机睡着了,”事故分析和预防,32卷,不。4、493 - 504年,2000页。视图:出版商的网站|谷歌学术搜索
41. m . m . Ohayon“人口因素,疲劳驾驶事故:考试发表的文献中,“事故分析和预防,43卷,不。2、516 - 532年,2011页。视图:出版商的网站|谷歌学术搜索
42. k . Sadeghniiat-Haghighi z Yazdi,和a . m . Kazemifar“睡眠质量在长途卡车司机:伊朗国家数据,研究”中国创伤学杂志》,4卷,不。19日,225 - 228年,2016页。视图:出版商的网站|谷歌学术搜索
43. ·k·阿诺德·l·r·哈特利科里,d . Hochstadt f . Penna和a . m . fey,“工作时间,对卡车司机疲劳,”事故分析和预防卷,29号4、471 - 477年,1997页。视图:出版商的网站|谷歌学术搜索
44. t . Akerstedt a . Knutsson p . Westerholm t . Theorell l . Alfredsson和g . Kecklund“睡眠障碍,工作压力和工作时间身心研究杂志》,53卷,不。3、741 - 748年,2002页。视图:出版商的网站|谷歌学术搜索
45. j . f .可能和c·l·鲍德温,”司机疲劳:疲劳识别因果因素的重要性在考虑技术,检测和对策”交通运输研究F部分:心理学和行为,12卷,不。3、1 - 224、2009页。视图:出版商的网站|谷歌学术搜索
46. a·沃森和g .周”,短暂的昏睡预测使用心电图心率监测器,能力”学报2016年IEEE第一次国际会议上连接健康:应用程序、系统和工程技术(CHASE)IEEE,华盛顿,美国,2016年。视图:出版商的网站|谷歌学术搜索
47. c . Jacobe de Naurois c·伯丁a . Stratulat e·迪亚兹,J.-L。Vercher”,检测和预测司机困倦使用人工神经网络模型,”事故分析和预防卷,126年,第104 - 95页,2019年。视图:出版商的网站|谷歌学术搜索
48. j . Paefgen t Staake, f . Thiesse”评价和聚合把保险费率的因素:一个分类分析的方法,”决策支持系统,56个卷,第201 - 192页,2013年。视图:出版商的网站|谷歌学术搜索
49. d的主,f .曼纳林crash-frequency数据的统计分析:一个回顾和评估方法论的选择,”交通研究部分,44卷,不。5、0 - 305年,2010页。视图:出版商的网站|谷歌学术搜索
50. x h . f . Chen Peng妈,j .梁w, x锅,“检查卡车在隧桥侧风下部分:安全驾驶模拟器的一项研究中,“隧道与地下空间技术文章ID 103034卷,92年,2019年。视图:出版商的网站|谷歌学术搜索
51. 妞妞和美国诉Ukkusuri”风险评估商业危险货物的卡车司机使用地理定位数据:一个案例研究在中国,“事故分析和预防文章ID 105427卷,137年,2020年。视图:出版商的网站|谷歌学术搜索
52. f·陈和陈,“受伤的清规戒律的卡车司机在农村公路单和多车事故,”事故分析和预防,43卷,不。5,1677 - 1688年,2011页。视图:出版商的网站|谷歌学术搜索
53. m . f . Chen歌,马x”调查的司机受伤严重追尾事故的汽车之间使用一个随机参数二元有序probit模型,”国际环境研究和公共卫生杂志》上,16卷,不。14,2632年,页2019。视图:出版商的网站|谷歌学术搜索
54. h . Midi, s . k . Sarkar和s . Rana”二元逻辑回归模型的共线性诊断跨学科的数学杂志,13卷,不。3、253 - 267年,2010页。视图:出版商的网站|谷歌学术搜索
55. m . Littner c . a . Kushida w·m·安德森et al .,“实践参数活动检测仪的作用在睡眠和昼夜节律的研究:2002年一个更新,“睡眠,26卷,不。3、337 - 341年,2003页。视图:出版商的网站|谷歌学术搜索
56. m . y .西藏野驴”比较评估的分类方法,”决策支持系统,35卷,不。4、441 - 454年,2003页。视图:出版商的网站|谷歌学术搜索
57. 气,a . Fourie杜x, x,“使用随机森林预测空场hangingwall稳定,”自然灾害,卷92,不。2、1179 - 1197年,2018页。视图:出版商的网站|谷歌学术搜索
58. d·r·卡特勒,t·c·爱德华兹,k . h .胡子et al .,“生态学中随机森林分类”生态,卷88,不。11日,第2792 - 2783页,2007年。视图:出版商的网站|谷歌学术搜索
59. f . K.-H。春,p . i Karakiewicz A Briganti et al .,“物流的关键评价回归诺模图,人工神经网络,分类和regression-tree模型、查找表和前列腺癌风险分层模型,”国际现代泌尿外科杂志,卷99,不。4、794 - 800年,2007页。视图:出版商的网站|谷歌学术搜索
60. b . Swiderski j·库雷克,s . Osowski“多级分类通过使用逻辑回归和神经网络评估公司的财务状况,“决策支持系统,52卷,不。2、539 - 547年,2012页。视图:出版商的网站|谷歌学术搜索
61. o . e . Askin和f . Gokalp”,比较预测和分类的逻辑回归和神经网络:一个案例研究在timss 2011年”Procedia-Social和行为科学卷,106年,第676 - 667页,2013年。视图:出版商的网站|谷歌学术搜索
62. t . Shaikhina d·劳s数据d·布里格斯r·希金斯和n . Khovanova“决策树和随机森林模型预测结果抗体不兼容的肾移植,”生物医学信号处理和控制52卷,第462 - 456页,2019年。视图:出版商的网站|谷歌学术搜索
63. A.-L。Boulesteix, s . Janitza j . Kruppa, i r·康尼格坑”的概述随机森林方法和实践指导,强调计算生物学和生物信息学”威利跨学科评论:数据挖掘和知识发现,卷2,不。6,493 - 507年,2012页。视图:出版商的网站|谷歌学术搜索
64. 黄永发。黄,H.-L。谢,j .严小时。陆,Q.-S。徐,Y.-Z。梁”,使用基于随机森林分类t细胞抗原表位的氨基酸性质和分子特性,”分析Chimica学报卷,804年,第75 - 70页,2013年。视图:出版商的网站|谷歌学术搜索
65. r . j .马歇尔”的使用在临床流行病学、分类和回归树”临床流行病学杂志,54卷,不。6,603 - 609年,2001页。视图:出版商的网站|谷歌学术搜索
66. d . c .杜罗s e·富兰克林,m·g·杜布”基于像素的比较与选择的机器学习算法和基于对象的图像分析农业景观的分类使用SPOT-5 HRG意象,“环境遥感卷,118年,第272 - 259页,2012年。视图:出版商的网站|谷歌学术搜索
67. j .施立夫h·施耐德,o .党的“的方法比较分类方法通过模型的稳定性和有效性的评估变量选择,”决策支持系统,52卷,不。1,第257 - 247页,2012。视图:出版商的网站|谷歌学术搜索
68. p . A . Flach j . Hernandez-Orallo和c·f·拉米雷斯,”一个连贯的AUC的解释来衡量聚合分类性能,”学报》第28届国际会议上机器学习华盛顿特区,页657 - 664,美国2011年7月。视图:谷歌学术搜索
69. 大肠Gokgoz和a . Subasi”比较的EMG信号分类决策树算法利用DWT,”生物医学信号处理和控制18卷,第144 - 138页,2015年。视图:出版商的网站|谷歌学术搜索
70. f·陈,陈s x妈,“每小时分析事故可能性使用非平衡面板数据组合logit模型和实时驾驶环境大数据”《安全研究卷,65年,第159 - 153页,2018年。视图:出版商的网站|谷歌学术搜索
71. a . Subasi”EMG信号使用PSO优化的支持向量机进行分类诊断的神经肌肉疾病,”计算机在生物学和医学,43卷,不。5,576 - 586年,2013页。视图:出版商的网站|谷歌学术搜索
72. 之。Ai, j . Bin Z.-m。Zhang et al .,“应用随机森林选择优质植物油的脂肪酸组成,”食品化学卷,143年,第478 - 472页,2014年。视图:出版商的网站|谷歌学术搜索
73. j·a·霍恩和l·a·雷恩,”司机困倦和睡眠障碍,特别提到帕金森病,”《会议在帕金森氏病睡眠障碍疾病的原因和管理戛纳,页15 - 20,法国,2000年1月。视图:谷歌学术搜索
74. d . j . Beirness h·m·辛普森和k·德斯蒙德,道路安全监控2004:疲劳驾驶渥太华:交通伤害研究基金会,渥太华,加拿大,2005。
75. 人工智能,a . m ., e . Rodgman a . Cucchiara d·f·丁格斯和c·w·施瓦布”特征的崩溃归咎于司机睡着了,”事故分析和预防,27卷,不。6,769 - 775年,1995页。视图:出版商的网站|谷歌学术搜索
76. 林志信。Ting, J.-R。黄,J.-L。Doong, M.-C。刘正,“司机疲劳和高速公路驾驶:一个模拟器的研究中,“生理与行为,卷94,不。3、448 - 453年,2008页。视图:出版商的网站|谷歌学术搜索
77. w·d·h·李问:Liu元et al .,“疲劳驾驶和交通事故之间的关系,”交通运输工程杂志》上,10卷,不。2、104 - 109年,2010页。视图:谷歌学术搜索
78. a . t . Mccartt s . a . Ribner ai包,和m . c .锤”的范围和性质在纽约州的疲劳驾驶问题,“事故分析和预防,28卷,不。4、511 - 517年,1996页。视图:出版商的网站|谷歌学术搜索
79. J.-Y。叶,郭宏源。吴,C.-W。曹”,利用数据挖掘技术来预测血液透析患者的住院治疗,”决策支持系统,50卷,不。2、439 - 448年,2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020三妞妞和Guiqiang李。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。