大湾区港口与城市交通衔接效率评估与改进对策——以南沙港为例
朱洁玉;唐俊杰;林楠蓬;郝斯琪;夏新海;杨皓宇;为识别并量化港口—城市交通衔接的关键影响因素，提升广州南沙港集疏运效率，本文采用Pearson相关分析与多元线性回归模型对问卷调查与实测的交通数据展开分析。首先，发放问卷并获得185份有效样本，同时采集南沙港及周边道路的交通流量、通行时间、信号配时和道路路况等数据；其次，构建交通衔接绩效指标体系，运用Pearson相关分析检验港口货运吞吐量、交通信号配时、道路路况和货车性能等因素与通行时间之间的相关性，采用多元线性回归模型在顺畅、拥堵和高峰3类交通情境下进行建模，识别不同因素对通行时间的显著性及作用机制；最后，结合统计结果对交通瓶颈和成因进行剖析。结果表明，港口吞吐量增长与交通管理不合理叠加是制约港城交通衔接效率的主要瓶颈，应通过优化港口货运组织与多式联运、实施区域化智能信号控制、推广智能物流调度系统等措施，推动南沙港及大湾区港口群交通衔接体系的高效与可持续发展。
数据驱动的机动车智慧驾驶培训计时管理系统设计与实现
朱静雯;驾驶培训行业长期面临训练真实性验证难、监管滞后性高、数据孤岛化严重等学术与实践难题。现有研究多聚焦于单点技术应用，缺乏对训练行为真实性验证的系统性解决方案。本研究提出一种基于多源数据融合与边缘智能的防作弊机制，通过构建“时空双锁—行为验证”数学模型，解决传统系统中“空训”“代训”等行为的精准识别问题。创新性地设计轻量化AI行为识别模型（参数量压缩76%，推理延迟≤50 ms），将多模态数据（GPS轨迹、操作行为、视频流）融合为统一特征空间，实现驾驶行为的量化评估。在云南省127家驾校的实证验证中，该机制将违规行为识别准确率提升至94.3%（较传统规则引擎提高13.1个百分点，p<0.01），预警响应时间缩短89%，人工干预成本降低89%。本研究为驾驶培训行业提供了可复用的可信计时理论框架与技术路径，对推动交通管理数字化转型具有学术参考价值。
道路设卡查车执法现场安全防护分析
胡焱松;郑才城;杜天亚;张新海;道路交通执法现场的安全防护不仅关系到交通秩序与执法成效，更直接影响公安交管执法人员的人身安全。为加强和规范道路设卡查车执法现场安全防护，预防和减少执勤执法人员伤亡，本文围绕该类执法场景开展了系统分析。通过场景研判与理论计算，明确警戒区域设置与防撞掩体使用是设卡查车现场安全防护的核心要点。结合执法安全性、交通运行影响和执法效率等因素，提出设卡查车执勤点的选择原则，并明确不同执法场景下的安全防护等级与具体要求。进一步以典型的四车道和三车道设卡查车场景为例，深入分析对应的安全防护布局方案。最后，提出完善与创新安全防护装备、利用科技手段推动非现场执法，以及深化执法安全教育培训等提升措施，旨在为推进道路设卡查车执法现场安全防护的标准化、规范化提供理论支撑与实践参考。
基于网络核密度分析的自动驾驶车辆交通事故高发点鉴别
翟标;马社强;周维;为应对自动驾驶车辆交通事故低频高影响的新特征并辅助安全治理，本研究提出融合时空网络核密度估计与Getis-Ord Gi*统计的热点鉴别方法。首先，以旧金山市2018～2024年的526起交通事故数据为基础进行清洗与匹配；其次，构建融合交通事故严重程度的STNKDE模型以刻画沿路网的连续风险强度；最后，采用Getis-Ord Gi*统计量对核密度结果进行热点分析，识别统计显著的高发时空路段。研究表明：该框架能有效克服传统黑点鉴别方法的局限性；研究识别出三类典型的自动驾驶车辆交通事故高发点时空模式，即高密居住型、商业文旅型与中央枢纽型，揭示了当前自动驾驶车辆在复杂通勤、人车混行和弱势群体交互等场景下面临的共性挑战，其分析范式与场景结论可为国内高密度混合交通环境下的自动驾驶风险预判提供方法借鉴与实践参考。
基于多机器学习模型对比的不安全驾驶行为预测研究
赖志坚;吴桐;何宇幸;李伟超;为提升不安全驾驶行为预判能力，本研究基于多模态生理与驾驶行为数据，提出融合特征筛选与多模型对比的预测方法。首先，利用LightGBM结合5折交叉验证进行动态特征筛选，从30维原始特征中提取出8个核心人因与行为特征变量；其次，构建包含ANN、DT、ET、KNN和XGBoost等9种模型的对比体系，通过网格搜索优化参数，并基于ROC曲线、AUC、准确度、敏感度、特异度等指标评估性能；进一步集成SHAP与PCA技术揭示特征作用机制。实验表明，ANN模型综合性能最优，测试集准确率达92.8%,F1-score为0.929,AUC值达0.979，显著优于传统集成方法。SHAP解释结合PCA可视化揭示了眼球注视率、脑电信号等关键人因特征对不安全行为的非线性影响，并在特征空间展现出显著类别可分性。研究证实了多模型对比分析在平衡预测性能与可解释性方面的有效性，为智能驾驶系统人机交互及行为预判模块优化提供了模型选择依据。
