简介：换道是驾驶员达到快速通行目标的一种常用手段,但换道会带来很多公路交通事故。为有效避免交通事故,需给驾驶员提供换道安全预警。构建了安全换道决策模型,将换道决策分为换道意图识别和换道条件判断分别建立模型以提高预测精确度。通过神经网络方法SOM（Self-Organization-Map）聚类及BP（BackPropagation）建立换道意图识别模型,基于贝叶斯理论建立最小风险贝叶斯换道条件判别模型。模型开发和测试采用车辆轨迹数据集（NGSIM）,提取数据中的换道行为特征参数作为模型的输入,将驾驶员换道决策预测视为输入变量的函数。通过对比最小贝叶斯和最小风险贝叶斯方法发现,由后者构建的换道条件判别模型效果较好,对于不换道行为的预测精度为90.4%,换道行为的预测精度为73.8%。鉴于错误的换道决策可能导致交通事故,而错误的不换道决策只会导致失去一次换道的机会,在换道辅助系统中,不换道决策的精确度要求需高于换道决策的精度。最后,在微观交通仿真系统中加入换道决策模型,其结果验证换道决策安全。最小风险贝叶斯换道条件判别模型的引入,使得换道决策系统能够通过修正风险系数,进一步提高换道判别精度,减少不安全的换道概率。

简介：在安全管理过程中,承包商的选择问题直接影响到企业的安全生产。针对这一问题,文章介绍了一种以经济效益最优和安全生产成本最低为目标,采用广义的导出有序加权平均(GIOWA)算子为语言数据信息集结算子的不确定多属性决策承包商选择方法。通过算例进行验证,证明该承包商选择方法是可行的、有效的,为解决承包商选择问题提供了一种有效地决策方法。