隨著我國(guó)國(guó)民經(jīng)濟(jì)不斷走深向好、人民物質(zhì)需求不斷增加,中國(guó)在世界范圍內(nèi)已經(jīng)成為超級(jí)汽車生產(chǎn)和消費(fèi)大國(guó)。據(jù)統(tǒng)計(jì),截止2020年底,全國(guó)機(jī)動(dòng)車保有量達(dá)3.72億輛,機(jī)動(dòng)車駕駛?cè)擞?.4億人,同時(shí)期我國(guó)大型運(yùn)輸車輛(營(yíng)運(yùn)客車、重型卡車、�；�)的新增注冊(cè)登記量也再創(chuàng)新高。然而汽車市場(chǎng)繁榮的背后,我國(guó)也將面臨著日益凸顯的交通安全問(wèn)題以及不斷升級(jí)的監(jiān)管難度。在機(jī)動(dòng)車事故中,運(yùn)輸車輛是交通安全中一個(gè)較大的危險(xiǎn)源,其發(fā)生事故的復(fù)雜性和危害性都要遠(yuǎn)高于其他車輛。伴隨著后疫情時(shí)代的到來(lái),一方面物流運(yùn)輸將成為保障各經(jīng)濟(jì)主體正常運(yùn)轉(zhuǎn)的關(guān)鍵性紐帶,另一方面政府、企業(yè)和個(gè)人都會(huì)要求運(yùn)輸車輛具備更高的安全性,因此做好運(yùn)輸車輛行駛風(fēng)險(xiǎn)的規(guī)避至關(guān)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(shù),提出了“運(yùn)輸車輛高危行駛特征精準(zhǔn)識(shí)別方法”和“基于風(fēng)險(xiǎn)場(chǎng)景擬合的運(yùn)輸車輛行駛風(fēng)險(xiǎn)評(píng)估模型”,以期實(shí)現(xiàn)高危運(yùn)輸車輛風(fēng)險(xiǎn)識(shí)別和風(fēng)險(xiǎn)管理。首先,基于普遍性和特殊性原則確定了影響運(yùn)輸車輛行駛的兩大類致險(xiǎn)因素:里程相關(guān)行駛風(fēng)險(xiǎn)和駕駛行為風(fēng)險(xiǎn)。并在此基礎(chǔ)上,對(duì)車聯(lián)網(wǎng)環(huán)境下產(chǎn)生的數(shù)據(jù)錯(cuò)誤進(jìn)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(yù)警數(shù)...

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)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(yùn)輸車輛行駛風(fēng)險(xiǎn)來(lái)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(zhǔn)識(shí)別方法研究現(xiàn)狀
        1.3.4 運(yùn)輸車輛風(fēng)險(xiǎn)評(píng)估方法研究現(xiàn)狀
        1.3.5 研究述評(píng)
    1.4 本文研究?jī)?nèi)容及結(jié)構(gòu)安排
        1.4.1 本文研究?jī)?nèi)容
        1.4.2 本文結(jié)構(gòu)安排
    1.5 本文主要?jiǎng)?chuàng)新點(diǎn)
2 研究方法介紹
    2.1 狀態(tài)轉(zhuǎn)移關(guān)系研究方法介紹
        2.1.1 馬爾可夫鏈的轉(zhuǎn)移原理
        2.1.2 隱馬爾可夫模型可解決的三類轉(zhuǎn)移問(wèn)題
        2.1.3 隱馬爾可夫模型解決轉(zhuǎn)移問(wèn)題的三大算法
    2.2 概率分布模型參數(shù)估計(jì)方法介紹
        2.2.1 極大似然估計(jì)方法
        2.2.2 正態(tài)分布模型參數(shù)的極大似然估計(jì)
    2.3 模型有效性的檢驗(yàn)方法
        2.3.1 關(guān)聯(lián)規(guī)則的四大組成要素
        2.3.2 挖掘關(guān)聯(lián)規(guī)則的兩個(gè)階段
        2.3.3 關(guān)聯(lián)規(guī)則核心Aprior算法的優(yōu)缺點(diǎn)
3 運(yùn)輸車輛行駛風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的構(gòu)建
    3.1 運(yùn)輸車輛行駛信息數(shù)據(jù)源簡(jiǎn)介
    3.2 運(yùn)輸車輛行駛風(fēng)險(xiǎn)評(píng)價(jià)體系設(shè)計(jì)原理
    3.3 運(yùn)輸車輛行駛風(fēng)險(xiǎn)評(píng)價(jià)體系指標(biāo)構(gòu)成
4 運(yùn)輸車輛行駛風(fēng)險(xiǎn)數(shù)據(jù)集簡(jiǎn)介及預(yù)處理
    4.1 運(yùn)輸車輛行駛風(fēng)險(xiǎn)數(shù)據(jù)集簡(jiǎn)介
    4.2 運(yùn)輸車輛行駛風(fēng)險(xiǎn)數(shù)據(jù)預(yù)處理
        4.2.1 車聯(lián)網(wǎng)終端設(shè)備傳輸錯(cuò)誤清洗
        4.2.2 運(yùn)輸車輛行駛風(fēng)險(xiǎn)數(shù)據(jù)變換
5 運(yùn)輸車輛行駛風(fēng)險(xiǎn)評(píng)估實(shí)證分析
    5.1 基于聯(lián)合概率的運(yùn)輸車輛里程相關(guān)風(fēng)險(xiǎn)評(píng)估
        5.1.1 里程相關(guān)風(fēng)險(xiǎn)變量間的獨(dú)立性檢驗(yàn)
        5.1.2 里程相關(guān)原數(shù)據(jù)分布特性及分布變換
        5.1.3 里程相關(guān)行駛風(fēng)險(xiǎn)場(chǎng)景的設(shè)計(jì)
        5.1.4 擬合里程相關(guān)數(shù)據(jù)聯(lián)合概率分布
        5.1.5 運(yùn)輸車輛里程相關(guān)行駛風(fēng)險(xiǎn)評(píng)估
    5.2 基于隱馬爾可夫模型的運(yùn)輸車輛駕駛行為風(fēng)險(xiǎn)評(píng)估
        5.2.1 篩選與各駕駛行為預(yù)警關(guān)聯(lián)密切的重度危險(xiǎn)預(yù)警
        5.2.2 駕駛行為風(fēng)險(xiǎn)模型初始參數(shù)的構(gòu)建
        5.2.3 隱馬爾可夫模型挖掘危險(xiǎn)駕駛行為鏈
        5.2.4 原始預(yù)警指標(biāo)基于隱馬爾可夫模型的降維
        5.2.5 駕駛行為危險(xiǎn)程度評(píng)價(jià)指數(shù)及風(fēng)險(xiǎn)場(chǎng)景設(shè)計(jì)
        5.2.6 擬合駕駛行為危險(xiǎn)程度指數(shù)概率分布
        5.2.7 運(yùn)輸車輛駕駛行為風(fēng)險(xiǎn)評(píng)估
    5.3 基于Aprior算法的運(yùn)輸車輛綜合風(fēng)險(xiǎn)得分結(jié)果驗(yàn)證
        5.3.1 運(yùn)輸車輛綜合行駛風(fēng)險(xiǎn)得分的計(jì)算
        5.3.2 風(fēng)險(xiǎn)得分及原數(shù)據(jù)的離散化處理
        5.3.3 關(guān)聯(lián)結(jié)果驗(yàn)證
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
后記



本文編號(hào)：3791731