CN104504531B - 一种车辆驾驶风险评估方法 - Google Patents

Abstract

一种车辆驾驶风险评估方法，属于车辆领域，技术要点为：S1.选使用车联网设备采集各测试车辆的刹车、转弯、加速以及行驶里程的数据，S2.建立评估因素集合,S3.构造评估因素的隶属函数，S4.给出对象评语，S5.计算单因素的隶属度向量，形成隶属度矩阵，S6.建立评估因素权重矩阵，S7.对隶属度矩阵R和评估因素权重矩阵A做如下运算：B＝RοA，得到评估结果。本发明不但对驾驶风险可以进行综合评估，而且还可以针对各单独的风险因素进行评估，有助于分析每个危险驾驶因素对驾驶风险的影响。

Description

一种车辆驾驶风险评估方法

技术领域

本发明涉及一种风险评估方法，尤其涉及一种基于模糊综合评价的驾驶风险评估方法。

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

本发明提供一种车辆驾驶风险评估方法，在驾驶中对各种危险驾驶因素构造隶属函数来反应每个风险因素的实际、综合情况，通过计算风险因素的隶属度矩阵和权重矩阵得出驾驶风险结果。

本发明的技术方案为：一种车辆驾驶风险评估方法，包括如下步骤：

S1.选取n个测试车辆，使用车联网设备采集各测试车辆的刹车、转弯、加速以及行驶里程的数据；

S2.建立评估因素集合,因素集合中的评估因素包括：刹车、转弯和加速的次数以及日均行驶里程，评估因素集合为X＝{X₁,X₂,X₃,X₄}；

S3.构造评估因素的隶属函数：

S4.给出对象评语集Y＝{y1,y2,...ym},其中m等于评估因素的个数，n为测试车辆的个数；

S5.计算单因素的隶属度向量，形成隶属度矩阵，评估因素集X和对象评语集Y是一种模糊映射：

f:x->y

单因素的隶属度向量:

通过一级模糊综合评判确定隶属度矩阵如下：

S6.建立评估因素权重矩阵A＝(A₁,A₂,A₃,A₄)＝(0.35,0.10,0.10,0.45),Ai为第i个因素的重要程度；

S7.对隶属度矩阵R和评估因素权重矩阵A做如下运算：B＝RοA，得到评估结果。

进一步的，构造的评估因素的隶属函数为：

评估因素一：刹车，记作X₁：

a.子因素集：X₁＝{X₁₁(行驶单位公里轻度刹车的次数)，X₁₂(行驶单位公里中度刹车的次数)，X₁₃(行驶单位公里急刹车的次数)}

b.权重集：W₁＝(W₁₁,W₁₂,W₁₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

y＝(-x)/(Max₁₀₀+1) (0<＝x<Max₁₀₀)

X¹¹：

y＝0 (x>＝Max₁₀₀)

其中Max₁₀₀为所有测试车辆中，行驶了单位公里，产生轻度刹车次数最多的车辆所产生的轻度刹车的次数；

y＝(-x)/(Max₃₀₀+1) (0<＝x<Max₃₀₀)

X¹²：

y＝0 (x>＝Max₃₀₀)

其中Max₃₀₀为所有测试车辆中，行驶了单位公里，产生中度刹车次数最多的车辆所产生的中度刹车的次数；

y＝(-x)/(Max₅₀₀+1) (0<＝x<Max₅₀₀)

X¹³：

y＝0 (x>＝Max₅₀₀)

其中Max₅₀₀为所有测试车辆中，行驶了单位公里，产生急刹车次数最多的车辆所产生的急刹车的次数；

评估因素二：加速，记作X₂：

a.子因素集：X₂＝{X₂₁(行驶单位公里轻度加速的次数)，X₂₂(行驶单位公里中度加速的次数)，X₂₃(行驶单位公里急加速的次数)}

b.权重集：W₂＝(W₂₁,W₂₂,W₂₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

y＝(-x)/(Max₁₀₀+1) (0<＝x<Max₁₀₀)

X²¹：

y＝0 (x>＝Max₁₀₀)

其中Max₁₀₀为所有测试车辆中，产生轻度加速次数最多的车辆所产生的轻度加速的次数；

y＝(-x)/(Max₂₀₀+1) (0<＝x<Max₂₀₀)

X²²：

y＝0 (x>＝Max₂₀₀)

其中Max₂₀₀为所有测试车辆中，产生中度加速次数最多的车辆所产生的中度加速的次数；

y＝(-x)/(Max₃₀₀+1) (0<＝x<Max₃₀₀)

X²³：

y＝0 (x>＝Max₃₀₀)

其中Max₃₀₀为所有测试车辆中，产生急加速次数最多的车辆所产生的急加速的次数；；

评估因素三：转弯，记作X₃：

a.子因素集：X₃＝{X₃₁(行驶单位公里轻度转弯的次数)，X₃₂(行驶单位公里中度转弯的次数)，X₃₃(行驶单位公里急转弯的次数)}

b.权重集：W₃＝(W₃₁,W₃₂,W₃₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

y＝(-x)/(Max₁₀+1) (0<＝x<Max₁₀)

X³¹：

y＝0 (x>＝Max₁₀)

其中Max₁₀为所有测试车辆中，行驶了单位公里，产生轻度转弯次数最多的车辆所产生的轻度转弯的次数；

y＝(-x)/(Max₂₀+1) (0<＝x<Max₂₀)

X³²：

y＝0 (x>＝Max₂₀)

其中Max₂₀为所有测试车辆中行驶了单位公里，产生中度转弯次数最多的车辆所产生的中度转弯的次数；

y＝(-x)/(Max₃₀+1) (0<＝x<Max₃₀)

X³³：

y＝0 (x>＝Max₃₀)

其中Max₃₀为所有测试车辆中，行驶了单位公里，产生急转弯次数最多的车辆所产生的急转弯的次数；

因素四：日平均行驶里程，记作X₄

a.子因素集：X₄＝{X₄₁(日平均行驶里程)}

b.权重集：W₄＝(W₄₁)＝(1.0)

c.各子因素的隶属函数：

y＝(-x)/(Max+1) (0<＝x<Max)

X⁴¹：

y＝0 (x>＝Max)

其中Max为所有测试车辆中日平均行驶里程最大的车辆的日平均行驶里程。

有益效果：本发明选取所有样本中的最大值做为标杆值，将该标杆值的倒数作为隶属函数的斜率；针对每个危险驾驶因素构造的隶属函数符合因素的动态变化规律，评估结果能比较准确、全面地反映出驾驶员的驾驶风险。本发明不但对驾驶风险可以进行综合评估，而且还可以针对各单独的风险因素进行评估，有助于分析每个危险驾驶因素对驾驶风险的影响。本发明亦可作为保险公司针对不同的客户制定不同的保费提供依据。

附图说明

图1为本发明的流程图。

具体实施方式

实施例：如图1所示，一种车辆驾驶风险评估方法，包括如下步骤：

S1.选取n个测试车辆，使用车联网设备采集各测试车辆的刹车、转弯、加速以及行驶里程的数据；

S2.建立评估因素集合,因素集合中的评估因素包括：刹车、转弯和加速的次数以及日均行驶里程，评估因素集合为X＝{X₁,X₂,X₃,X₄}；

S3.构造评估因素的隶属函数：

评估因素一：刹车，记作X₁：

a.子因素集：X₁＝{X₁₁(行驶单位公里轻度刹车的次数)，X₁₂(行驶单位公里中度刹车的次数)，X₁₃(行驶单位公里急刹车的次数)}

b.权重集：W₁＝(W₁₁,W₁₂,W₁₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

y＝(-x)/(Max₁₀₀+1) (0<＝x<Max₁₀₀)

X¹¹：

y＝0 (x>＝Max₁₀₀)

其中Max₁₀₀为所有测试车辆中，行驶了单位公里，产生轻度刹车次数最多的车辆所产生的轻度刹车的次数；

y＝(-x)/(Max₃₀₀+1) (0<＝x<Max₃₀₀)

X¹²：

y＝0 (x>＝Max₃₀₀)

其中Max₃₀₀为所有测试车辆中，行驶了单位公里，产生中度刹车次数最多的车辆所产生的中度刹车的次数；

y＝(-x)/(Max₅₀₀+1) (0<＝x<Max₅₀₀)

X¹³：

y＝0 (x>＝Max₅₀₀)

其中Max₅₀₀为所有测试车辆中，行驶了单位公里，产生急刹车次数最多的车辆所产生的急刹车的次数；

评估因素二：加速，记作X₂：

a.子因素集：X₂＝{X₂₁(行驶单位公里轻度加速的次数)，X₂₂(行驶单位公里中度加速的次数)，X₂₃(行驶单位公里急加速的次数)}

b.权重集：W₂＝(W₂₁,W₂₂,W₂₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

y＝(-x)/(Max₁₀₀+1) (0<＝x<Max₁₀₀)

X²¹：

y＝0 (x>＝Max₁₀₀)

其中Max₁₀₀为所有测试车辆中，产生轻度加速次数最多的车辆所产生的轻度加速的次数；

y＝(-x)/(Max₂₀₀+1) (0<＝x<Max₂₀₀)

X²²：

y＝0 (x>＝Max₂₀₀)

其中Max₂₀₀为所有测试车辆中，产生中度加速次数最多的车辆所产生的中度加速的次数；

y＝(-x)/(Max₃₀₀+1) (0<＝x<Max₃₀₀)

X²³：

y＝0 (x>＝Max₃₀₀)

其中Max₃₀₀为所有测试车辆中，产生急加速次数最多的车辆所产生的急加速的次数；；

评估因素三：转弯，记作X₃：

a.子因素集：X₃＝{X₃₁(行驶单位公里轻度转弯的次数)，X₃₂(行驶单位公里中度转弯的次数)，X₃₃(行驶单位公里急转弯的次数)}

b.权重集：W₃＝(W₃₁,W₃₂,W₃₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

y＝(-x)/(Max₁₀+1) (0<＝x<Max₁₀)

X³¹：

y＝0 (x>＝Max₁₀)

其中Max₁₀为所有测试车辆中，行驶了单位公里，产生轻度转弯次数最多的车辆所产生的轻度转弯的次数；

y＝(-x)/(Max₂₀+1) (0<＝x<Max₂₀)

X³²：

y＝0 (x>＝Max₂₀)

其中Max₂₀为所有测试车辆中行驶了单位公里，产生中度转弯次数最多的车辆所产生的中度转弯的次数；

y＝(-x)/(Max₃₀+1) (0<＝x<Max₃₀)

X³³：

y＝0 (x>＝Max₃₀)

其中Max₃₀为所有测试车辆中，行驶了单位公里，产生急转弯次数最多的车辆所产生的急转弯的次数；

因素四：日平均行驶里程，记作X₄

a.子因素集：X₄＝{X₄₁(日平均行驶里程)}

b.权重集：W₄＝(W₄₁)＝(1.0)

c.各子因素的隶属函数：

y＝(-x)/(Max+1) (0<＝x<Max)

X⁴¹：

y＝0 (x>＝Max)

其中Max为所有测试车辆中日平均行驶里程最大的车辆的日平均行驶里程；

S4.给出对象评语集Y＝{y1,y2,...ym},其中m等于评估因素的个数，n为测试车辆的个数；

S5.计算单因素的隶属度向量，形成隶属度矩阵，评估因素集X和对象评语集Y是一种模糊映射：

f:x->y

单因素的隶属度向量:

通过一级模糊综合评判确定隶属度矩阵如下：

S6.建立评估因素权重矩阵A＝(A₁,A₂,A₃,A₄)＝(0.35,0.10,0.10,0.45),Ai为第i个因素的重要程度；

S7.对隶属度矩阵R和评估因素权重矩阵A做如下运算：B＝RοA，得到评估结果。

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。

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；

日均行驶里程的定义：车联网设备统计汽车每次打火熄火之间的行驶里程，将所有里程相加，再按照天数求平均即为日均行驶里程；

下表所示为统计了18位测试车辆7天的驾驶数据：

将各个评估因素的实际值带入隶属函数进行计算并形成隶属度矩阵R如下：

将隶属度矩阵R和权重矩阵A做B＝RοA的运算得到最终评估结果，如下：

根据B的输出值，可获得各车主的驾驶危险的评估结果，此结果显示出车主在7天测试中的危险驾驶的程度，其结果较为接近实际驾驶中的危险趋势，评估结果比较准确、全面地反映出驾驶员的驾驶风险。不但对驾驶风险可以进行综合评估，而且还可以针对各单独的风险因素进行评估，有助于分析每个危险驾驶因素对驾驶风险的影响。

Claims (1)

1.一种车辆驾驶风险评估方法，其特征在于，包括如下步骤：

S1.选取n个测试车辆，使用车联网设备采集各测试车辆的刹车、转弯、加速以及行驶里程的数据；

S2.建立评估因素集合,因素集合中的评估因素，包括：刹车、转弯和加速的次数以及日均行驶里程，评估因素集合为X＝{X₁,X₂,X₃,X₄}；

S3.构造评估因素的隶属函数：

S4.给出对象评语集，Y＝{y1,y2,...ym},其中m等于评估因素的个数，n为测试车辆的个数；

S5.计算单因素的隶属度向量，形成隶属度矩阵，评估因素集X和对象评语集Y是一种模糊映射：

f:x->y

单因素的隶属度向量:

通过一级模糊综合评判确定隶属度矩阵如下：

S6.建立评估因素权重矩阵，A＝(A₁,A₂,A₃,A₄)＝(0.35,0.10,0.10,0.45),Ai为第i个因素的重要程度；

S7.对隶属度矩阵R和评估因素权重矩阵A做如下运算：得到评估结果；

构造的评估因素的隶属函数为：

评估因素一：刹车，记作X₁：

a.子因素集：X₁＝{X₁₁(行驶单位公里轻度刹车的次数)，X₁₂(行驶单位公里中度刹车的次数)，X₁₃(行驶单位公里急刹车的次数)}

b.权重集：W₁＝(W₁₁,W₁₂,W₁₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

其中Max₁₀₀为所有测试车辆中，行驶了单位公里，产生轻度刹车次数最多的车辆所产生的轻度刹车的次数；

其中Max₃₀₀为所有测试车辆中，行驶了单位公里，产生中度刹车次数最多的车辆所产生的中度刹车的次数；

其中Max₅₀₀为所有测试车辆中，行驶了单位公里，产生急刹车次数最多的车辆所产生的急刹车的次数；

评估因素二：加速，记作X₂：

a.子因素集：X₂＝{X₂₁(行驶单位公里轻度加速的次数)，X₂₂(行驶单位公里中度加速的次数)，X₂₃(行驶单位公里急加速的次数)}

b.权重集：W₂＝(W₂₁,W₂₂,W₂₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

其中Max₁₀₀为所有测试车辆中，产生轻度加速次数最多的车辆所产生的轻度加速的次数；

其中Max₂₀₀为所有测试车辆中，产生中度加速次数最多的车辆所产生的中度加速的次数；

其中Max₃₀₀为所有测试车辆中，产生急加速次数最多的车辆所产生的急加速的次数；

评估因素三：转弯，记作X₃：

a.子因素集：X₃＝{X₃₁(行驶单位公里轻度转弯的次数)，X₃₂(行驶单位公里中度转弯的次数)，X₃₃(行驶单位公里急转弯的次数)}

b.权重集：W₃＝(W₃₁,W₃₂,W₃₃)＝(0.15,0.35,0.5)

c.各子因素的隶属函数：

其中Max₁₀为所有测试车辆中，行驶了单位公里，产生轻度转弯次数最多的车辆所产生的轻度转弯的次数；

其中Max₂₀为所有测试车辆中行驶了单位公里，产生中度转弯次数最多的车辆所产生的中度转弯的次数；

其中Max₃₀为所有测试车辆中，行驶了单位公里，产生急转弯次数最多的车辆所产生的急转弯的次数；

因素四：日平均行驶里程，记作X₄

a.子因素集：X₄＝{X₄₁(日平均行驶里程)}

b.权重集：W₄＝(W₄₁)＝(1.0)

c.各子因素的隶属函数：

其中Max为所有测试车辆中日平均行驶里程最大的车辆的日平均行驶里程。