CN106056162A - 一种基于gps轨迹和交通违法记录的交通安全信用评分方法 - Google Patents

Abstract

本发明公开了一种基于GPS轨迹和交通违法记录的交通安全信用评分方法，其仅采用GPS轨迹数据以及驾驶员的交通违法记录即可建立驾驶员的交通安全信用，并对驾驶员的行为进行了详细刻画，具体包括三个方面：驾驶行为习惯、攻击性驾驶行为以及交通违法行为。本发明中所述的交通安全信用是对评估驾驶员未来出现交通违法行为，商业公司可以基于交通安全信用评分为用户提供差异化的场景服务；同时，本发明详细刻画了驾驶员的行为特征，经过计算的得分能够有效的区分好坏驾驶员，并为商业公司提供决策依据。

Description

一种基于GPS轨迹和交通违法记录的交通安全信用评分方法

技术领域

本发明属于交通安全技术领域，具体涉及一种基于GPS轨迹和交通违法记录的交通安全信用评分方法。

背景技术

近年来，交通安全是困扰全球各城市的重要问题，据世界卫生组织发布的《2015年全球道路安全现状报告》，尽管道路安全有所改善，但每年仍有大约125万人死于道路交通事故。然而，高收入国家与低收入和中等收入国家之间存在巨大差距，90％的道路交通死亡发生在低收入和中等收入国家，这主要是因为高收入国家有更强的法律约束。

交通事故成因可以分为以下三类：道路、车辆和驾驶员。据文献，高达90％的道路交通事故是由于人为失误造成的，交通事故与驾驶员的判断和反应能力更为密切。为了减少交通事故的发生，一方面许多学者着重于研究驾驶员行为模型以及诱发交通事故的主要因素，这一方向，由于真实数据集的缺乏，目前仍需要大量的研究；另一方面由政府推行更多政策和措施，例如加大对违法违规行为的惩罚力度，其中值得注意的是，在2015年8月，深圳市首次将交通违法纳入个人征信系统，通过提供差异化的应用，引导驾驶员规范驾驶。

驾驶员是导致城市交通事故的主要因素，安全的驾驶行为是道路交通安全的基础。当所有驾驶员的驾驶行为都是遵守交通法、交通规定时，道路就变得非常安全。此外，安全的驾驶行为不仅仅是对个人的保证，也是对道路上其他驾驶人员的安全保证，而不安全的驾驶行为不仅仅危险自身的安全，还会威胁到其他驾驶员的安全。

交通安全信用依据驾驶员的历史驾驶行为以及交通违法行为，评估驾驶员未来发生交通违法行为的风险程度。交通安全信用一方面可以分析驾驶员的驾驶行为是否安全，另一方面对驾驶员未来出现交通违法行为进行风险评估。Castignani G等在文献《Castignani G,Frank R,Engel T.Driver behavior profiling using smartphones》中提出了一种驾驶行为评分的方法，该方法利用了智能手机设备的加速度传感器、重力传感器、GPS以及磁力传感器采集的数据，然后提出了FIS(Fuzzy Inference System)将驾驶行为分为了正常驾驶、攻击性驾驶、保守驾驶三种类型。该方法主要存在以下不足：

(1)方法仅考虑驾驶员的驾驶行为，没有考虑驾驶员的历史违法违规记录；

(2)方法采用模糊推理系统作为分类方法，然而如何获得模糊规则及推理函数，是凭靠经验来进行的。

Zhang C等在文献《Zhang C,Patel M,Buthpitiya S,et al.DriverClassification Based on Driving Behaviors》中提出将车载诊断系统OBD接口开放的数据和智能手机设备采集的数据进行融合，采用时间窗口的方法提取特征，最后利用支持向量机SVM进行驾驶员分类，并取得了比较好的分类效果。但该方法主要存在以下不足：

(1)方法仅进行驾驶员分类，没有评估驾驶员的驾驶行为安全性；

(2)方法需要利用车辆上的OBD开放接口，适用性受到一定限制。

公开号为CN105260932A的中国专利提出了一种交通安全隐性因子的信用评分方法，从人、车、路三方面对驾驶的安全性进行评估。该方法中分别采集了人的属性信息，包括年龄、学历、性别、驾龄、年收入等；车的属性信息，包括车辆类型、车辆使用年龄、车辆价格以及车辆生产地；驾驶员在不同道路上的行驶信息，具体为道路的行驶里程；并采用评分卡模型为驾驶员计算驾驶员的安全风险。但该方法主要存在以下不足：

(1)方法仅采用了一些与交通安全相关性较小的因素，这些因素通常与交通安全无关系或者关系比较弱，不是影响道路安全的主要因素；

(2)方法采用评分卡模型，在计算变量权重时，仅考虑单一因素对区分驾驶员好坏的作用，未考虑因素组合之后对区分驾驶员好坏的作用。

发明内容

针对现有技术所存在的上述技术缺陷，本发明提供了一种基于GPS轨迹和交通违法记录的交通安全信用评分方法，基于驾驶员的历史违法记录及其所驶车辆的历史GPS轨迹数据，提取驾驶员的历史驾驶行为和交通违法行为，评估驾驶员在未来一段时间内发生交通违法行为的风险程度，并且建立整个社会的交通安全信用体系。

一种基于GPS轨迹和交通违法记录的交通安全信用评分方法，包括如下步骤：

(1)对于任一驾驶员，采集其历史违法记录数据及其所驶车辆的历史GPS轨迹数据，进而将整个历史时间段分为观察期和表现期两部分；

(2)根据上述数据统计提取观察期内驾驶员关于驾驶行为习惯、攻击性驾驶行为以及交通违法行为三大类的特征信息并组成样本特征集合，进而依据表现期内的违法记录数据将该样本特征集合标记为安全或不安全；

(3)根据步骤(1)和(2)遍历多位驾驶员对应获得多组样本特征集合并采用随机森林模型进行训练，得到样本特征集合中各特征的权重，进而根据权重对特征进行筛选并对保留下来的特征的权重进行缩放；

(4)对于保留下来的任一特征，提取该特征在所有样本特征集合中对应的特征值并排序后组成特征值集合，进而对特征值集合进行区间划分并设置每个区间对应的分值；依此遍历保留下来的所有特征；

(5)对于待评估的驾驶员，根据步骤(1)和(2)统计提取出其关于保留下来的所有特征对应的特征值，进而根据以下公式计算出该驾驶员的交通安全信用评分score：

$score={\Σ}_{i=1}^n{W}_i^{*}{P}_i$

其中：对应为W_i缩放后的结果，W_i为保留下来的第i个特征的权重，P_i为该驾驶员关于保留下来的第i个特征的特征值所在区间分值，n为保留下来的特征总数。

所述的历史GPS轨迹数据包含历史时间段内车辆每次行程的GPS点集合，所述集合中每个GPS点对应包含的信息有：时间、速度、经度、纬度、方向角以及驾驶员编号。

所述的历史违法记录数据包含历史时间段内驾驶员关于闯红灯、撞车、超速、违规不让以及逆向行驶的违法记录。

关于驾驶行为习惯的特征信息包括：每次出行平均驾驶时间、每次出行平均行驶距离、最大加速度、平均加速度、最大减速度、最大速度、平均速度、累积经过的交叉路口总数。

关于攻击性驾驶行为的特征信息包括：急加速累积行驶距离、急加速累积行驶时间、急加速累积次数、急减速累积行驶距离、急减速累积行驶时间、急减速累积次数、急转弯累积行驶距离、急转弯累积行驶时间、急转弯累积次数。

关于交通违法行为的特征信息包括：闯红灯次数、撞车次数、超速次数、累积超速行驶时间、累积超速行驶距离。

所述的步骤(2)中若驾驶员在表现期内没有一次违章记录，则将其对应的样本特征集合标记为安全，否则标记为不安全。

所述的步骤(3)中剔除权重小于阈值的特征，进而根据以下公式对保留下来的特征的权重进行缩放：

$W_i^{*}=\frac{W_i}{{\Σ}_{i=1}^n{W}_i}*100$

所述的步骤(4)中对特征值集合进行区间划分的具体过程如下：

首先，枚举所有划分方案；对于其中任一划分方案，若该划分方案使得特征值集合被划分成m个区间，则通过以下公式计算该划分方案对应的熵Entropy，m为大于1的自然数；

$Entropy=\frac{N_1}{N}{\mathrm{entropy}}_1+\frac{N_2}{N}{\mathrm{entropy}}_2+\mathrm{...}+\frac{N_m}{N}{\mathrm{entropy}}_m$

其中：N为样本特征集合的总数，N_j为第j个区间的特征值个数，entropy_j为第j个区间对应的熵，j为自然数且1≤j≤m；

基于上述遍历所有划分方案，计算得到各划分方案对应的熵Entropy，从而选择熵Entropy最小的划分方案对特征值集合进行区间划分。

所述的熵entropy_j的计算表达式如下：

${\mathrm{entropy}}_j=-\frac{N_{j\_bad}}{N_j}{\log }_2\frac{N_{j\_bad}}{N_j}-\frac{N_{j\_good}}{N_j}{\log }_2\frac{N_{j\_good}}{N_j}$

其中：N_{j_bad}为第j个区间内属于不安全样本特征集合的特征值个数，N_{j_good}为第j个区间内属于安全样本特征集合的特征值个数。

所述的步骤(4)中设置每个区间对应分值的具体过程如下：

若特征值集合被划分成m个区间，则通过以下公式设置每个区间对应的分值，m为大于1的自然数；

$P_j=\frac{1-\frac{N_{j\_bad}}{N_j}}{{\max }_{j=1}^m(1-\frac{N_{j\_bad}}{N_j})}$

其中：P_j为第j个区间对应的分值，N_j为第j个区间的特征值个数，N_{j_bad}为第j个区间内属于不安全样本特征集合的特征值个数。

与现有技术相比，本发明具有以下有益技术效果：

(1)本发明仅采用GPS轨迹数据以及驾驶员的交通违法记录即可建立驾驶员的交通安全信用。

(2)本发明对驾驶员的行为进行了详细刻画，具体包括三个方面：驾驶行为习惯、攻击性驾驶行为以及历史交通违法行为。

(3)本发明中所述的交通安全信用是对驾驶员未来违法违规的预测，商业公司可以基于交通安全信用评分为用户提供差异化的场景服务。

(4)本发明详细刻画了驾驶员的行为特征，经过计算的得分能够有效的区分好坏驾驶员，并为商业公司提供决策依据。

附图说明

图1为本发明交通安全信用评分方法的流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明技术方案进行详细说明。

如图1所示，本发明基于GPS轨迹和交通违法记录的交通安全信用评分方法，包括如下步骤：

步骤1：采集车辆的历史GPS轨迹数据以及驾驶员的历史交通违法记录数据，将历史GPS轨迹数据以及历史交通违法记录数据划分为观察期和表现期两部分。

具体地，GPS轨迹数据定义如下：轨迹是某辆车单次行程中GPS点的集合。GPS点是某一时刻车辆的位置信息以及车辆状态的集合。每个GPS点包含如下信息：时间t、速度v、经度lng、纬度lat、方向角h、驾驶员编号u，则每个GPS点所包含信息表示如下：p＝{t,v,lng,lat,h,u}。设驾驶员u的第m次行程用tr_m表示，则tr_m＝{p_m,1,p_m,2,p_m,3…p_m,i…p_m,n}，其中n表示该次行程中采样点数，p_m,i＝d，p_m,i.t<p_m,i+1.t。

历史交通违法记录数据包括但不限于闯红灯、撞车、超速、违规不让、逆向行驶。

步骤2：对观察期数据，提取驾驶员的驾驶行为习惯、攻击性驾驶行为以及交通违法行为作为驾驶员的特征集合，依据表现期数据，构造驾驶员的安全与不安全类别标记。

具体地，驾驶行为习惯包括以下特征：驾驶员每次出行平均驾驶时间、每次出行平均行驶距离、最大加速度、平均加速度、最大减速度、最大速度、平均速度、累积经过的交叉路口次数。其中车辆k时刻的加速度计算公式如下：

a_k＝(v_k–v_k-1)/(t_k–t_k-1)

攻击性驾驶行为数据包括以下特征：急加速累积行驶距离aas、急加速累积行驶时间aat、急加速累积次数aan、急减速累积行驶距离ads、急减速累积行驶时间adt、急减速累积次数adn、急转弯累积行驶距离ats、急转弯累积行驶时间att、急转弯累积次数atn。上述变量计算方式如下：

若某段轨迹tr＝{p₁,p₂,…p_n}是急加速行为，则有：

aas＝aas+distance(p₁，p_n)，

aat＝aat+p_n·t-p₁.t，

aan＝aan+1

若某段轨迹tr＝{p₁,p₂,…p_n}是急减速行为，则有：

ads＝ads+distance(p₁，p_n)，

adt＝adt+p_n.t-p₁.t，

adn＝adn+1

若某段轨迹tr＝{p₁,p₂,…p_n}是急转弯行为，则有：

ats＝ats+distance(p₁，p_n)，

att＝att+p_n.t-p_1.t，

atn＝atn+1

当相邻两次GPS点的速度增加超过3m/s²时，认为发生急加速行为；当相邻两次GPS点的速度减少4m/s²时，认为发生急减速行为。当行驶角度变化超过90度时，并且速度超过6m/s时，认为发生急转弯行为。

交通违法行为特征包括但不限于：闯红灯次数rn、撞车次数cn、超速次数osn、累积超速行驶时间ost、累积超速行驶距离oss。其中osn、ost、oss计算方式如下：

若某段轨迹tr＝{p₁,p₂,…p_n}是超速，则有：

oss＝oss+distance(p₁，p_n)，

ost＝ost+p_n.t-p₁.t，

osn＝osn+1

当速度超过道路限定速度时，并且持续10s以上时，认为发生了超速事件。

构造安全与不安全类别标记方法如下：统计驾驶员表现期内是否有出现交通违法行为，若有则标记为不安全，否则标记为安全。

步骤3：利用多份正样本和多份负样本训练随机森林模型，对随机森林模型的特征权重进行筛选并进行特征权重的缩放。

具体地，正样本为包含步骤2中所列特征，并且在表现期中被标记为安全的驾驶员样本；负样本为包含步骤2中所列特征，并且在表现期中被标记为不安全的驾驶员样本。在训练随机森林模型之前，需要保证正负样本比为1:1。

对随机森林模型的特征权重进行筛选并进行特征权重的缩放，具体计算方式如下：

S^*＝{k|W_k＞0.001，k∈S}

${\mathrm{NW}}_i=\frac{W_i}{{\mathrm{sum}}_{k\&Element;S^{*}}\left(W_k\right)}*100,i\&Element;S^{*}$

其中随机森林模型中输出特征权重为：{W_i}，i∈S。其中，S表示特征集合，NW_i是筛选后的特征权重。

步骤4：基于熵对特征集合中所有特征的特征值进行区间划分，并设置不同区间的评分。

具体地，首先，生成特征的划分点候选集合，按如下方式进行：a.对特征值进行排序；b.候选集合中值为相邻两个特征值的中值。

其次，枚举候选集中的特征值作为划分点，计算划分后区间的熵，熵计算公式如下：

${\mathrm{Entropy}}_{a,b}=\frac{N_l}{N}{\mathrm{entropy}}_l+\frac{N_m}{N}{\mathrm{entropy}}_m+\frac{N_r}{N}{\mathrm{entropy}}_r$

其中，a，b表示候选的特征值划分点，a＜b，N表示样本的个数，N_l表示特征值小于a的样本的个数，N_m表示特征值介于a和b之间样本的个数，N_r表示特征值大于b的样本的个数，entropy_l表示特征值小于a的样本集合的熵，entropy_m特征值介于a和b之间样本集合的熵，entropy_r表示特征值大于b的样本集合的熵。其中某一个集合的熵计算公式如下：

entropy＝-p_badlogp_bad-p_googlogp_good

其中，p_bad表示集合中不安全的驾驶员的比率，p_good表示集合中安全的驾驶员的比率。

最后，选择熵最小的一组a、b作为划分点。

对于特征i(i∈S^*)，设划分得到n_i个区间，首先计算每个区间中坏驾驶员所占的百分比p_i，j，1≤j≤n_i，则每个区间的得分为：

$f_{i,j}=\frac{1-p_{bad}}{{\max }_{k=1}^{n_i}(1-p_{bad})}$

步骤5：根据特征的权重以及特征值的评分，得到交通安全信用评分。

具体地，首先，当用户特征i的值落入第j个区间时，则在该特征上的得分为：

h_i，j＝NW_i*f_i，j

其次，对于用户u的评分，其信用评分公式如下：

${\mathrm{score}}_u=\underset{i\&Element;S^{*}}{\&Sigma;}{h}_{i,j}$

使用上述计算公式得到的信用评分在[0,100]之间。

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (9)

1.一种基于GPS轨迹和交通违法记录的交通安全信用评分方法，包括如下步骤：

(1)对于任一驾驶员，采集其历史违法记录数据及其所驶车辆的历史GPS轨迹数据，进而将整个历史时间段分为观察期和表现期两部分；

(2)根据上述数据统计提取观察期内驾驶员关于驾驶行为习惯、攻击性驾驶行为以及交通违法行为三大类的特征信息并组成样本特征集合，进而依据表现期内的违法记录数据将该样本特征集合标记为安全或不安全；

(3)根据步骤(1)和(2)遍历多位驾驶员对应获得多组样本特征集合并采用随机森林模型进行训练，得到样本特征集合中各特征的权重，进而根据权重对特征进行筛选并对保留下来的特征的权重进行缩放；

(4)对于保留下来的任一特征，提取该特征在所有样本特征集合中对应的特征值并排序后组成特征值集合，进而对特征值集合进行区间划分并设置每个区间对应的分值；依此遍历保留下来的所有特征；

(5)对于待评估的驾驶员，根据步骤(1)和(2)统计提取出其关于保留下来的所有特征对应的特征值，进而根据以下公式计算出该驾驶员的交通安全信用评分score：

$score={\mathrm{\&Sigma;}}_{i=1}^n{W}_i^{*}{P}_i$

其中：对应为W_i缩放后的结果，W_i为保留下来的第i个特征的权重，P_i为该驾驶员关于保留下来的第i个特征的特征值所在区间分值，n为保留下来的特征总数。

2.根据权利要求1所述的交通安全信用评分方法，其特征在于：所述的历史GPS轨迹数据包含历史时间段内车辆每次行程的GPS点集合，所述集合中每个GPS点对应包含的信息有：时间、速度、经度、纬度、方向角以及驾驶员编号。

3.根据权利要求1所述的交通安全信用评分方法，其特征在于：所述的历史违法记录数据包含历史时间段内驾驶员关于闯红灯、撞车、超速、违规不让以及逆向行驶的违法记录。

4.根据权利要求1所述的交通安全信用评分方法，其特征在于：关于驾驶行为习惯的特征信息包括：每次出行平均驾驶时间、每次出行平均行驶距离、最大加速度、平均加速度、最大减速度、最大速度、平均速度、累积经过的交叉路口总数；关于攻击性驾驶行为的特征信息包括：急加速累积行驶距离、急加速累积行驶时间、急加速累积次数、急减速累积行驶距离、急减速累积行驶时间、急减速累积次数、急转弯累积行驶距离、急转弯累积行驶时间、急转弯累积次数；关于交通违法行为的特征信息包括：闯红灯次数、撞车次数、超速次数、累积超速行驶时间、累积超速行驶距离。

5.根据权利要求1所述的交通安全信用评分方法，其特征在于：所述的步骤(2)中若驾驶员在表现期内没有一次违章记录，则将其对应的样本特征集合标记为安全，否则标记为不安全。

6.根据权利要求1所述的交通安全信用评分方法，其特征在于：所述的步骤(3)中剔除权重小于阈值的特征，进而根据以下公式对保留下来的特征的权重进行缩放：

$W_i^{*}=\frac{W_i}{{\mathrm{\&Sigma;}}_{i=1}^n{W}_i}*100.$

7.根据权利要求1所述的交通安全信用评分方法，其特征在于：所述的步骤(4)中对特征值集合进行区间划分的具体过程如下：

首先，枚举所有划分方案；对于其中任一划分方案，若该划分方案使得特征值集合被划分成m个区间，则通过以下公式计算该划分方案对应的熵Entropy，m为大于1的自然数；

$Entropy=\frac{N_1}{N}{\mathrm{entropy}}_1+\frac{N_2}{N}{\mathrm{entropy}}_2+...+\frac{N_m}{N}{\mathrm{entropy}}_m$

其中：N为样本特征集合的总数，N_j为第j个区间的特征值个数，entropy_j为第j个区间对应的熵，j为自然数且1≤j≤m；

基于上述遍历所有划分方案，计算得到各划分方案对应的熵Entropy，从而选择熵Entropy最小的划分方案对特征值集合进行区间划分。

8.根据权利要求7所述的交通安全信用评分方法，其特征在于：所述的熵entropy_j的计算表达式如下：

${\mathrm{entropy}}_j=-\frac{N_{j\_bad}}{N_j}{\log }_2\frac{N_{j\_bad}}{N_j}-\frac{N_{j\_good}}{N_j}{\log }_2\frac{N_{j\_good}}{N_j}$

其中：N_{j_bad}为第j个区间内属于不安全样本特征集合的特征值个数，N_{j_good}为第j个区间内属于安全样本特征集合的特征值个数。

9.根据权利要求1所述的交通安全信用评分方法，其特征在于：所述的步骤(4)中设置每个区间对应分值的具体过程如下：

若特征值集合被划分成m个区间，则通过以下公式设置每个区间对应的分值，m为大于1的自然数；

$P_j=\frac{1-\frac{N_{j\_bad}}{N_j}}{{\max }_{j=1}^m(1-\frac{N_{j\_bad}}{N_j})}$

其中：P_j为第j个区间对应的分值，N_j为第j个区间的特征值个数，N_{j_bad}为第j个区间内属于不安全样本特征集合的特征值个数。