编辑推荐：
为解决隧道驾驶中心理生理数据异常问题，研究人员采用 PSO 优化 SDAE 模型，结合相关性分析和 LASSO-CV 筛选关键变量，实现了对心率、瞳孔面积等的精准预测与数据净化，为隧道交通安全设计提供有力支撑。
公路隧道作为交通网络的关键节点，其安全隐患一直备受关注。数据显示，2001 至 2017 年我国公路隧道共发生 17514 起事故，造成 3500 人死亡，隧道每公里事故率是普通路段的 1.62 倍，死亡率更是高达 1.39 倍。更值得警惕的是，近 92.6% 的交通事故源于人为失误，而隧道内不适宜的照明环境会加剧驾驶员的心理生理负荷与视觉冲击，导致判断失误和危险驾驶行为。
然而，在隧道驾驶研究中，心理生理数据的采集面临诸多挑战。受设备技术限制、环境变化和车辆颠簸等影响，心率、瞳孔面积等数据常出现异常，如孤立值、空缺或重复，严重影响后续分析。传统数据处理方法要么破坏数据连续性，要么依赖特定数学假设，难以应对高维度、非线性的复杂数据。同时，现有预测模型多聚焦单一任务，或在复杂隧道环境中泛化能力不足，无法满足实际需求。
为破解这些难题，研究人员开展了基于粒子群优化 - 堆叠去噪自编码器（PSO-SDAE）模型的公路隧道驾驶员心理生理感知预测研究，相关成果发表在《Array》。该研究不仅实现了异常数据的有效净化，还显著提升了心理生理量的预测精度，为隧道交通安全设计与管理提供了全新思路。
研究采用的关键技术方法主要包括：首先，采集两类数据集，其中数据集 1 来自国内三个代表性隧道，用于模型训练与测试，数据集 2 含璧山隧道新采集数据及已发表数据，用于模型验证；其次，通过相关性分析和 LASSO-CV 回归方法筛选关键物理量（位置、时间、曲率半径等 8 项）；最后，构建 PSO-SDAE 模型，利用粒子群优化（PSO）算法优化堆叠去噪自编码器（SDAE）的超参数（隐藏层数量、节点数等），实现数据净化与多心理生理量预测，并采用 R2、RMSE 等指标评估模型性能。
1. 模型理论基础
研究构建的 PSO-SDAE 模型融合了 SDAE 的深度特征提取能力与 PSO 的参数优化优势。SDAE 由多个去噪自编码器（DAE）堆叠而成，DAE 通过向输入数据添加噪声并学习重构原始数据，增强模型鲁棒性；SDAE 则通过逐层训练提取深层特征。PSO 算法模拟鸟群觅食行为，通过迭代优化粒子位置与速度，搜索 SDAE 的最优超参数（如隐藏层结构、学习率等），解决了传统经验法参数设置效率低、精度差的问题。
2. 物理量信息表征与变量筛选
研究首先分析了隧道照明环境物理量（位置、时间、曲率半径等 11 项）与驾驶员心理生理量（心率、瞳孔面积等 4 项）的相关性，发现时间、位置、曲率半径等物理量与心理生理量的相关系数绝对值均大于 0.61。随后，通过 LASSO 回归和 LASSO-CV 特征选择，筛选出位置、时间、曲率半径、路面照度等 8 项关键物理量，为模型输入变量，既简化模型又保证预测精度。
3. 模型性能与结果分析
PSO-SDAE 模型在多场景下表现优异：预测瞳孔面积时，训练与测试样本的 R2 均大于 0.971，RMSE 小于 122.8px；预测心率时，R2 大于 0.831，RMSE 小于 16.9 次 / 分钟；对识别距离和反应时间的预测精度更高，R2 分别大于 0.996 和 0.995。同时，模型对异常数据净化效果显著，29 个瞳孔面积异常样本的净化后 R2 达 0.999，19 个心率异常样本的净化后 R2 达 0.972。
4. 对比验证
与其他模型相比，PSO-SDAE 优势明显：在参数优化方法上，其性能优于手动调参（MPA-SDAE）、遗传算法（GA-SDAE）和蚁群算法（ACO-SDAE）；在模型类型上，超越传统机器学习模型（随机森林、支持向量机等）和新型模型（Transformer、LightGBM），尤其在异常数据处理和复杂环境泛化能力上表现突出。此外，模型在新数据集（数据集 2）上的预测结果与实测数据高度一致，验证了其稳定性与实用性。
该研究的重要意义在于：提出的 PSO-SDAE 模型实现了隧道驾驶员心理生理数据的同步净化与精准预测，解决了数据异常和复杂环境下预测精度低的问题，预测 accuracy 提升 30-40%，数据净化误差降低 45-60%。研究建立的物理量与心理生理量的定量关系，为隧道照明设计、交通安全管理提供了科学依据。未来，结合多模态数据、引入自适应学习机制以提升模型的实时性与个性化预测能力，将进一步拓展其在智能交通系统中的应用价值。
