热点经济论文提纲

论文题目：基于北斗车联网驾驶数据的预警热点路段识别与影响因素分析

摘要：随着我国公路货运量和货运周转量的逐年增多,货运安全问题变得越来越重要,加之国家层面对车联网和智能网联终端设备的鼓励和支持,如何应用车联网和智能网联技术提高公路货运安全水平成为交通安全研究的新方向。据此,本文基于货运车辆车联网终端采集的车辆轨迹、运行状态和预警信息,研究货运车辆在行驶过程中疲劳驾驶预警、超速驾驶预警和碰撞预警等车联网驾驶预警事件的时空分布特征,识别产生预警的热点路段并揭示其主要影响因素,为提高公路货运安全水平提供理论支撑。论文的主要内容包括:（1）货运车辆驾驶预警数据的提取与处理。利用Python编程和GIS地图匹配技术从原始车联网数据中提取出研究路段所需的疲劳驾驶预警数据、超速驾驶预警数据和碰撞预警数据共计16560条,分析其时空分布特征并采用方差分析的方法研究时间、空间因素对预警频次的影响。结果表明,时间因素对疲劳驾驶预警产生的影响较大,18:00—24:00产生的疲劳驾驶预警显著多于其他时段;空间因素对预警的影响突出表现为,G4京港澳高速公路在保定市范围内的产生的超速预警显著多于其他地区,而北京市范围内产生的碰撞预警显著多于其他地区。（2）预警热点路段的识别与热点共现分析。利用Moran’s I指数分析预警数据在空间中分布的聚集程度,结果表明,三种预警类型在不同时段、天气和车辆类型的分类下都不是随机分布在道路上,产生预警频次较多的路段具有一定的聚集性。采用局部空间自相关性的方法对热点路段进行了有效识别,并通过计算热点路段的共现指数分析热点路段在时段、天气、车辆类型和预警类型之间的关联性,结果表明超速驾驶预警的热点路段与12:00—18:00时段具有强关联性。（3）驾驶预警影响因素分析。分别使用传统线性回归模型（OLS）、空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）对影响预警产生的潜在因素进行分析。结果表明,超速驾驶预警的最优拟合模型是空间滞后模型,疲劳驾驶预警和碰撞预警的最优拟合模型是空间杜宾模型。说明超速驾驶预警的频次（因变量）与周围路段的预警频次具有空间相关性,但其影响因素（自变量）主要与本路段有关,与周围路段的影响因素无显著关联;疲劳驾驶预警和碰撞预警的预警频次（因变量）和影响因素（自变量）都具有空间滞后效应,例如当某路段上设有收费站时会使相邻路段也容易产生碰撞预警。

关键词：车联网大数据;驾驶预警;公路货运安全;数据分析与处理;热点识别;空间计量经济学

学科专业：交通运输规划与管理

致谢

摘要

ABSTRACT

1 引言

1.1 研究背景

1.2 研究目的与意义

1.2.1 研究目的

1.2.2 研究意义

1.3 国内外研究现状

1.3.1 车联网数据在交通运输领域的应用研究

1.3.2 交通事故热点识别研究

1.3.3 交通事故影响因素分析

1.3.4 现有研究的评述

1.4 研究内容与方法

1.4.1 研究内容

1.4.2 研究方法

1.4.3 技术路线

2 车联网数据介绍与数据预处理

2.1 车联网数据介绍

2.1.1 车辆静态信息

2.1.2 车辆动态信息

2.2 车联网数据预处理

2.2.1 数据预处理

2.2.2 车联网数据的处理

2.2.3 车辆关键运行数据的提取

2.2.4 车联网数据提取结果

2.3 研究路段选择与数据地图匹配

2.3.1 研究路段选择与现状

2.3.2 高速公路矢量数据处理

2.3.3 预警数据的地图匹配

2.4 本章小结

3 预警数据的时空特征分布

3.1 预警数据的时空分布

3.1.1 全部预警数据的时空分布特征

3.1.2 超速驾驶预警数据时空间分布特征

3.1.3 碰撞预警数据时空间分布特征

3.1.4 疲劳驾驶预警数据时空间分布特征

3.2 时间、空间因素对预警影响的方差分析

3.2.1 时间对预警的影响

3.2.2 空间对预警的影响

3.3 本章小结

4 货运车辆预警热点路段识别

4.1 车辆预警热点路段识别方法

4.1.1 空间统计假设与检验

4.1.2 全局空间自相关性

4.1.3 局部空间自相关性

4.2 基于预警数据的热点路段识别

4.2.1 全部预警热点路段识别

4.2.2 不同预警类型下热点路段识别

4.2.3 不同车辆类型下热点路段识别

4.2.4 不同时段热点路段识别

4.2.5 不同天气条件下热点路段识别

4.3 热点共现的识别与分析

4.3.1 热点共现现象的识别方法

4.3.2 基于预警数据的热点共现分析

4.4 本章小结

5 基于空间模型的车辆预警影响因素分析

5.1 影响因素的选择与提取

5.1.1 道路因素

5.1.2 环境因素的选择

5.1.3 暴露变量

5.1.4 影响因素总结

5.2 预警频次影响影响因素分析的模型方法

5.2.1 传统线性回归模型(OLS)

5.2.2 空间滞后模型(SLM)

5.2.3 空间误差模型(SEM)

5.2.4 空间杜宾模型(SDM)

5.2.5 模型的评价方法

5.3 影响因素分析计算结果

5.3.1 全部预警数据的影响因素分析

5.3.2 疲劳驾驶预警的影响因素分析

5.3.3 超速驾驶预警的影响因素分析

5.3.4 碰撞预警的影响因素分析

5.4 本章小结

6 总结与展望

6.1 本文工作总结

6.2 研究展望

参考文献