Зважаючи на статистику дорожньо-транспортних подій, основними їх причинами є порушення тих чи інших правил дорожнього руху. Але, зважаючи на певний досвід наукових досліджень у цій сфері, можна впевнено стверджувати, що основною причиною цих подій є неправильна оцінка дорожньої обстановки, і, відповідно, некоректна реакція з боку керуючої системи, тобто водія.
Якість оцінки дорожньої обстановки може залежати від багатьох чинників, таких як кваліфікація водіїв, їхні навички, досвід роботи, час реакції та інші психофізіологічні фактори. Варто також окремо виділити функціональний стан як індикатор надійної роботи водіїв, оскільки від нього залежить не лише рівень втоми, але і динаміка її накопичення. Ці чинники впливають на якість і швидкість прийнятих рішень і є вирішальними аспектами оцінювання ризиків транспортного процесу, пов’язаних, власне, з чинником людини.
У роботі проаналізовано технологічний процес вантажних перевезень з погляду його безпеки як для водія, так і для інших учасників дорожнього руху, а також третіх осіб та навколишнього середовища зокрема.
Дослідження охоплює окрему тему особливостей дорожнього руху в гірських умовах, частково обмежених, зі значним регіональним контекстом, оскільки ці умови є особливими й унікальними для доріг, які проходять значними висотами відносно рівня моря.
Завдання дослідження – вивчення зміни функціонального стану водіїв під час проходження складних ділянок гірських доріг на прикладі чотирьох досліджуваних маршрутів, які пролягають Українськими Карпатами. Очікувані результати досліджень – їх графічний аналіз, який допоможе визначити основні закономірності зміни функціонального стану водіїв залежно від складності маршруту.
Також у дослідженні акцентовано на виявленні відносних значень показників функціонального стану водіїв, які прийнято вважати індикаторами їхньої надійної та безвідмовної роботи. Це дасть можливість детальніше оцінити маршрути перевезень та планувати періоди роботи і відпочинку водіїв вантажних автомобілів на заміських маршрутах.
1. Krystopchuk M. (2020). Change of driver's functional condition while moving along highways of different technical categories. Transport technologies, 1(1), 22-32 doi: 10.23939/tt2020.01.022 (in English).
https://doi.org/10.23939/tt2020.01.022
2. Fornalchyk, Ye., Afonin, M., Postranskyy, T., & Boikiv, M. (2021). Risk assessment during the transportation of dangerous goods considering the functional state of the driver. Transport problems, 1(16) 139-152. doi: 10.21307/tp-2021-012 (in English).
https://doi.org/10.21307/tp-2021-012
3. Jones, C., Meneses, A. L., Askew, C., & Scott-Parker, B. (2021). The impact of courteous and discourteous drivers on physiological stress. Transportation research part F: traffic psychology and behaviour, 82, 285-296. doi: 10.1016/j.trf.2021.08.015 (in English).
https://doi.org/10.1016/j.trf.2021.08.015
4. Cendales, B., Llamazares, F. J., & Useche, S. A. (2023). Are subjective outcomes a "missing link" between driving stress and risky driving behaviors of commuters? Assessing the case of a LMIC. Safety Science, 158, 105996. doi: 10.1016/j.ssci.2022.105996 (in English).
https://doi.org/10.1016/j.ssci.2022.105996
5. Liu, K., Jiao, Y., Du, C., Zhang, X., Chen, X., Xu, F., & Jiang, C. (2023). Driver stress detection using ultra-short-term HRV analysis under real world driving conditions. Entropy, 25(2), 194. doi: 10.3390/e25020194 (in English).
https://doi.org/10.3390/e25020194
6. Chung, W. Y., Chong, T. W., & Lee, B. G. (2019). Methods to detect and reduce driver stress: a review. International journal of automotive technology, 20, 1051-1063. doi: 10.1007/s12239-019-0099-3 (in English).
https://doi.org/10.1007/s12239-019-0099-3
7. Predicting Driver Stress Using Deep Learning. Retrieved from https://github.com/KryeKuzhinieri/ predicting-driver-stress-using-deep-learning. (in English).
8. Stress Recognition in Automobile. Retrieved from https://www.kaggle.com/code/bjoernjostein/stress-recognition-in-automobi.... (in English).
9. Munla, N., Khalil, M., Shahin, A., & Mourad, A. (2015). Driver stress level detection using HRV analysis. In 2015 international conference on advances in biomedical engineering (ICABME) (pp. 61-64). IEEE. doi: 10.1109/ICABME.2015.7323251 (in English).
https://doi.org/10.1109/ICABME.2015.7323251
10. Tang, Y., Peng, X., Xu, S., Bai, M., Lin, L., & Sun, H. (2022). Study on Driver Gaze Characteristics in Sight Distance Limited Section of Mountain Highway Based on Visual Information. Journal of Mathematics, 2022, 8-16. doi: 10.1155/2022/9482875 (in English).
https://doi.org/10.1155/2022/9482875
11. Yunwei, M., Wen, L., Liu, T., Xu, J., Zheng, B., Zhang, X., & Qing, G. (2023). Research on catastrophe progression of driving load in mountainous road based on visual and environmental characteristics. Engineering Reports, 5(1), e12554. doi: 10.1002/eng2.12554 (in English).
https://doi.org/10.1002/eng2.12554
12. Wang, F., Chen, H., Zhu, C. H., Nan, S. R., & Li, Y. (2019). Estimating Driving Fatigue at a Plateau Area with Frequent and Rapid Altitude Change. Sensors (Basel, Switzerland), 19(22), 49-82. doi: 10.3390/s19224982 (in English).
https://doi.org/10.3390/s19224982
13. Zhuk M. M, & Boykiv (2013). Vplyv vysontnoi poyasnosti na stan vodiya pry rusi u hirskiy mestsevosti [The influence of altitude on the condition of the driver when driving in mountainous terrain]. Skhidno-Yevropeiskyi zhurnal peredovykh tekhnolohii [Eastern-European Journal of Enterprise Technologies], 1/3(61), 33-35 (in Ukrainian).
14. Polar devices. Retrieved from https://www.polar.com/uk-en/sensors/h10-heart-rate-sensor (in English).
15. Kubios HRV Scientific Lite software. Retrieved from https://www.kubios.com/hrv-scientific-lite (in English).