CN104484725A - 一种基于主成分线性加权的驾驶风险评估的方法 - Google Patents

Abstract

一种基于主成分线性加权的驾驶风险评估的方法，包括如下步骤：S1.选取n个测试车辆，使用车联网设备获取测试车辆及测试车辆的车主的评估因素；S2.构建预测函数模型，S2.1.构造样本矩阵；S2.2.求上述样本矩阵的协方差矩阵，对协方差矩阵进行正交变换，求正交变换后的矩阵的特征值和特征向量；S2.3.构建样本的评估函数：S2.4.将第i个主成分Z_i表示为n个原始指标的线性组合；获取驾驶风险等级。本发明可以获得客观权重系数，主成分方法强调差异性原理，获得的客观权重系数是完全基于数据本身，这样得到的指标权重系数，具有客观性，避免过多的人为因素干扰。

Description

一种基于主成分线性加权的驾驶风险评估的方法

技术领域

本发明涉及一种评估方法，尤其涉及一种基于主成分线性加权的驾驶风险评估的方法。

背景技术

随着UBI车联网保险和大数据的兴起，迫切需要一种科学的方法对驾驶员的驾驶风险进行评估，该评估结果可以作为测试车辆车主的驾驶风险数据的支撑，提醒和督促车主改善行车习惯，从而提高车主的安全意识，也可以为保险公司制定不同等级的保费提供依据，目前在国内外关于UBI的保险评估只是将风险因子分配适当权重后，做简单的拟合和运算即可，但是这些方法获得的评估结果，不能准确的反应实际危险的情况。

发明内容

为了解决上述问题，本发明提供一种基于主成分线性加权的驾驶风险评估的方法。该方法能够实现风险因素权重的客观性评估，并且可以随意扩展风险因素的个数，具有较好的自适应性。

本发明的技术方案为：一种基于主成分线性加权的驾驶风险评估的方法，包括如下步骤：

S1.选取n个测试车辆，使用车联网设备获取测试车辆及测试车辆的车主的至少下述评估因素：

测试车辆日均行驶里程、测试车辆年均行驶里程、测试车辆夜间行驶时间占比、测试车辆高峰行驶时间占比和测试车辆的车主的驾龄；

测试车辆行驶过程中的急刹车的次数、急加速的次数、急转弯的次数、掉头的次数和S行驶的次数；

将上述评估因素作为训练样本，也即为本方法中的主成分；

S2.构建预测函数模型

S2.1.构造样本矩阵，把样本数据以矩阵的形式表示出来，样本矩阵如下：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{np}}\end{array}\right]$

其中，n表示样本容量，p表示评估因素个数；

S2.2.求上述样本矩阵的协方差矩阵，对协方差矩阵进行正交变换，求正交变换后的矩阵的特征值和特征向量；

S2.3.构建样本的评估函数：

F＝a₁z₁+a₂z₂+…+a_sz_s         (1)

式中，s为选取的主成分个数，z_i为第i个主成分，a_i为贡献率：

$a_i=\frac{K_i}{\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{K}_m}$

K_i为特征值从大到小排列后选取的第i个特征值；

S2.4.将第i个主成分Z_i表示为n个原始指标的线性组合：

Z_i＝b_i1x₁+b_i2x₂+…+b_inx_n         (2)

b为特征向量；

将公式(2)代入公式(1)中可得：

F＝c₁x₁+c₂x₂+…+c_nx_n        (3)

其中：

$c_j=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{a}_i{b}_{\mathrm{ij}},i=\mathrm{1,2},...s;j=\mathrm{1,2},...n$

通过公式(3)的输出值即可获取驾驶风险等级。

有益效果：本发明可以获得客观权重系数，主成分方法强调差异性原理，获得的客观权重系数是完全基于数据本身，这样得到的指标权重系数，具有客观性，避免过多的人为因素干扰。

本发明可以很方便地解决由于样本不同造成的评估偏差，根据主成分方法的特点可知，当样本不同时会得到不同的主因子和系数，进而可以得出不同的评估函数，避免使用一个评估函数造成的评估偏差。

具体实施方式

实施例：一种基于主成分线性加权的驾驶风险评估的方法，包括如下步骤：

S1.选取n个测试车辆，使用车联网设备获取测试车辆及测试车辆的车主的至少下述评估因素：

测试车辆日均行驶里程、测试车辆年均行驶里程、测试车辆夜间行驶时间占比、测试车辆高峰行驶时间占比和测试车辆的车主的驾龄；

测试车辆行驶过程中的急刹车的次数、急加速的次数、急转弯的次数、掉头的次数和S行驶的次数；

将上述评估因素作为训练样本，也即为本方法中的主成分；

S2.构建预测函数模型

S2.1.构造样本矩阵，把样本数据以矩阵的形式表示出来，样本矩阵如下：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& ...& x_{\mathrm{np}}\end{array}\right]$

其中，n表示样本容量，p表示评估因素个数；

S2.2.求上述样本矩阵的协方差矩阵，对协方差矩阵进行正交变换，求正交变换后的矩阵的特征值和特征向量；

S2.3.构建样本的评估函数：

F＝a₁z₁+a₂z₂+…+a_sz_s            (1)

式中，s为选取的主成分个数，zi为第i个主成分，ai为贡献率：

$a_i=\frac{K_i}{\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{K}_m}$

Ki为特征值从大到小排列后选取的第i个特征值；

S2.4.将第i个主成分Zi表示为n个原始指标的线性组合：

Z_i＝b_i1x₁+b_i2x₂+…+b_inx_n        (2)

b为特征向量；

将公式(2)代入公式(1)中可得：

F＝c₁x₁+c₂x₂+…+c_nx_n          (3)

其中：

$c_j=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{a}_i{b}_{\mathrm{ij}},i=\mathrm{1,2},...s;j=\mathrm{1,2},...n$

通过公式(3)的输出值即可获取驾驶风险等级。

本实施例所述各评估因素的定义如下：

驾龄：车主的实际驾龄。本实施例默认实际驾龄越高，驾驶风险越小；

日均行驶里程：车联网设备统计测试车辆每次打火与熄火之间的行驶里程，将所有行驶里程相加，再按照行驶天数求平均值即为日均行驶里程；

年均行驶里程：将车主的行驶里程数除以实际驾龄；

夜间行驶时间：统计测试车辆在晚上11点到凌晨五点间的行驶时间占总行驶时间的比例；

高峰行驶时间：统计测试车辆在早七点到九点以及晚五点到七点的行驶时间占总行驶时间的比例；

刹车的定义：100-300mg为轻度刹车，300-500mg为中度刹车，500mg以上为急刹车；

加速的定义：100-200mg为轻度加速，200-300mg为中度加速，300mg以上为急加速；

转弯的定义：转弯角速度在10-20度/秒为轻度转弯，20-30度/秒为中度转弯，角速度大于30度/秒的转弯为急转弯；

掉头：转弯角度大于165度时为掉头；

S行驶：在1秒钟之内，发生一次角度在10-20度的左转和右转即认为是一次S行驶；

具体的，车联网设备由四大模块组成，传感器模块、数据采集模块、数据处理模块以及网络通信模块组成，其中，传感器模块包括加速度传感器、陀螺仪传感器和地磁传感器，在行车过程中首先由传感器模块获得车的加速度和转弯角速度，由数据采集模块获得行车速度，再经过数据处理模块得到刹车、转弯、加速、行驶里程数据，最终经由网络通信模块上传给云平台。

对于刹车、转弯、加速以及行驶里程数据的获取，数据处理模块的工作机制如下：判断加速度传感器的加速度是否大于零，如果大于零，产生的是加速动作，如果小于零则是刹车动作；对于角速度实时积分得到转弯角度并通过角速度值的正负号来判断车辆的转弯方向；行驶里程数据由速度对时间的积分获得。

具体的，下表为采集的10个测试车辆和车主的评估因素的数据。

利用上面数据构造样本矩阵如下：

$X=\left[\begin{array}{cccccccccc}2& 73& 8000& 10\%& 80\%& 48& 11& 26& 21& 10\\ 3& 28& 5000& 13\%& 65\%& 19& 1& 18& 10& 11\\ 1& 54& 10000& 15\%& 40\%& 38& 0& 22& 7& 14\\ 4& 26.5& 4700& 7\%& 30\%& 0& 11& 30& 10& 21\\ 5& 9.5& 6800& 16\%& 75\%& 7& 0& 12& 11& 17\\ 7& 13.5& 35000& 13.5\%& 87\%& 8& 0& 10& 14& 18\\ 9& 42& 56000& 5\%& 88\%& 29& 1& 7& 18& 23\\ 10& 20& 30000& 8\%& 90\%& 4& 0& 1& 23& 31\\ 4& 60& 6000& 10\%& 67\%& 0& 16& 14& 12& 19\\ 4& 18& 4600& 14\%& 74\%& 23& 4& 15& 34& 24\end{array}\right]$

1.计算该矩阵的协方差矩阵，并计算特征值和特征向量：

十个特征值如下：

λ₁＝9.2；

λ₂＝16.3；

λ₃＝809.0；

λ₄＝λ₅＝λ₆＝λ₇＝λ₈＝λ₉＝λ₁₀＝10.0；

按照累计贡献率85％计算，选取前三个特征值对应的特征向量即可：

2.计算主成分

第一主成分：

$Z_1=(x_1,x_2,x_3,x_4,x_5,x_6,x_7,x_8,x_9,x_{10})*\left[\begin{array}{c}-0.0003\\ -0.0091\\ -1.0000\\ -0.0013\\ -0.0013\\ -0.0013\\ -0.0013\\ -0.0013\\ -0.0013\\ -0.0013\end{array}\right]$

第二主成分：

$Z_2=(x_1,x_2,x_3,x_4,x_5,x_6,x_7,x_8,x_9,x_{10})*\left[\begin{array}{c}-0.3339\\ -0.3309\\ 0.0061\\ -0.3336\\ -0.3336\\ -0.3336\\ -0.3336\\ -0.3336\\ -0.3336\\ -0.3338\end{array}\right]$

第三主成分：

$Z_2=(x_1,x_2,x_3,x_4,x_5,x_6,x_7,x_8,x_9,x_{10})*\left[\begin{array}{c}0.1084\\ 0.1151\\ -0.0008\\ 0.1080\\ 0.1080\\ 0.1080\\ 0.1080\\ 0.1080\\ 0.1784\\ -0.9407\end{array}\right]$

4.构造得分函数

$F=\frac{{\mathrm{\λ}}_1}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+{\mathrm{\λ}}_3}*Z_1+\frac{{\mathrm{\λ}}_2}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+{\mathrm{\λ}}_3}*Z_2+\frac{{\mathrm{\λ}}_3}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+{\mathrm{\λ}}_3}*Z_3$

其中λ₁,λ₂,λ₃,Z₁,Z₂,Z₃在上面已经求出。

Claims (1)

1.一种基于主成分线性加权的驾驶风险评估的方法，其特征在于：

包括如下步骤：

S1.选取n个测试车辆，使用车联网设备获取测试车辆及测试车辆的车主的至少下述评估因素：

测试车辆日均行驶里程、测试车辆年均行驶里程、测试车辆夜间行驶时间占比、测试车辆高峰行驶时间占比和测试车辆的车主的驾龄；

测试车辆行驶过程中的急刹车的次数、急加速的次数、急转弯的次数、掉头的次数和S行驶的次数；

将上述评估因素作为训练样本，也即为本方法中的主成分；

S2.构建预测函数模型

S2.1.构造样本矩阵，把样本数据以矩阵的形式表示出来，样本矩阵如下：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ x_{n1}& x_{n2}& ...& x_{\mathrm{np}}\end{array}\right]$

其中，n表示样本容量，p表示评估因素个数；

S2.2.求上述样本矩阵的协方差矩阵，对协方差矩阵进行正交变换，求正交变换后的矩阵的特征值和特征向量；

S2.3.构建样本的评估函数：

F＝a₁z₁+a₂z₂+…+a_sz_s          (1)

式中，s为选取的主成分个数，z_i为第i个主成分，a_i为贡献率：

$a_i=\frac{K_i}{\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{K}_m}$

K_i为特征值从大到小排列后选取的第i个特征值；

S2.4.将第i个主成分Z_i表示为n个原始指标的线性组合：

Z_i＝b_i1x₁+b_i2x₂+…+b_inx_n     (2)

b为特征向量；

将公式(2)代入公式(1)中可得：

F＝c₁x₁+c₂x₂+…+c_nx_n      (3)

其中：

$c_j=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{a}_i{b}_{\mathrm{ij}},i=\mathrm{1,2},...s;j=\mathrm{1,2},...n$

通过公式(3)的输出值即可获取驾驶风险等级。