摘要
摘要
疲劳驾驶具有普遍性、高风险性及事故严重程度大等特征，是高速公路交
通事故的主要诱因之一。因此，分析驾驶疲劳特性、识别疲劳状态并预警，对
减少疲劳驾驶事故具有一定的研究价值和现实意义。本文针对驾驶疲劳特征分
析和短期预测问题，通过高速公路模拟驾驶实验，提取驾驶疲劳外部影响因素
和有效特征参数，进而构建驾驶疲劳短期预测模型，并探究其预测性能。
首先，基于现有疲劳生成机理与“环境-行为”关系等理论，推理分析了驾
驶疲劳演化规律，构建了高速公路驾驶疲劳演化模型；基于该模型，识别并量
化了主要的驾驶疲劳外部影响因素，即驾驶时间、驾驶行为和道路环境复杂度。
其次，通过开展驾驶疲劳模拟实验，采集了驾驶员在高速公路场景连续行
驶时的驾驶行为、眼动状态和生理变化数据，并基于驾驶员视频数据获取了主
观疲劳等级。同时，以心率为指标，通过分析不同驾驶时间、运行速度和道路
环境下驾驶员刺激水平和疲劳的变化规律，验证和完善了驾驶疲劳演化模型。
接着，采用时域分析方法从方向盘转角、眨眼行为和心率变异性指标中筛
选了14个候选参数，并通过差异性分析和事后多重分析等方法分析了各候选
参数区分不同疲劳等级的能力，再采用相关性分析剔除参数间的共线性影响，
最终提取了方向盘转角标准差、方向盘转角反转率、平均单次眨眼时长、RRCV、
rMSSD和C0复杂度共6个驾驶疲劳有效特征参数。
最后，将提取的疲劳特征参数与影响因素进行多特征融合，作为模型输入；
将驾驶员疲劳状态合并为清醒、轻微疲劳、严重疲劳3个等级，作为模型输出；
基于长短时记忆网络（LSTM）构建了驾驶疲劳预测模型，并设计了11种变量
输入方案和15种预测输出步长，以探究影响因素的有效性和模型预测性能。
结果表明，基于驾驶行为、眼动和生理指标的多特征融合预测模型性能要
优于单特征模型，准确率达86.9%；在此基础上，引入疲劳影响因素最高可将
模型准确率提升至91.6%。此外，模型准确率随预测步长增加，整体成递减趋
势；考虑到实际应用时数据的随机因素影响，模型最大预测步长建议取5min。
本文对驾驶疲劳短期预测建模方法及疲劳影响因素在该模型中的应用进行
了深入探究，为驾驶疲劳判别模型提供了一个可行的改进方向，同时也为驾驶
疲劳短期预测及风险防控研究提供了一定的方法参考和理论借鉴。
关键词：驾驶疲劳预测；疲劳演化模型；模拟驾驶实验；LSTM网络；多特征
融合；环境-行为关系
-I-
哈尔滨工业大学工学硕士学位论文
Abstract
Fatiguedrivingisoneoftheimportantcausesofhighwaytrafficaccidents,
whichischaracterizedbyuniversality,highriskandhighaccidentseverity.Therefore,
itisofcertainresearchvalueandpracticalsignificancetoanalyzethedrivingfatigue
characteristics,identifythefatiguestateandgiveearlywarningtoreducefatigue
drivingaccidentsandimprovetrafficsafety.Aimingatcharacteristicsanalysisand
short-termpredictionofdrivingfatigue,thisthesistakeshighwaysimulationdriving
experimentasameanstobuildsashort-termpredictionmodelofdrivingfatigueby
identifyingext