CN107918826B - 一种驾驶环境感知的司机评价与调度方法 - Google Patents

Abstract

本发明提供一种驾驶环境感知的司机评价与调度方法，包括：步骤1，进行数据采集并利用决策树法进行历史驾驶事件检测，所述驾驶事件总共为五类，包括急加速、急减速、急偏转、急转弯、急掉头；步骤2，对所有司机的历史GPS数据进行驾驶事件检测，对不同驾驶环境下的驾驶事件进行统计，进行检测的驾驶环境包括时段、路段和天气；步骤3，根据时段、路段、天气三个驾驶环境因素的统计结果对特定驾驶环境下的驾驶行为进行评价，根据评价得到的评价值进行司机调度。本发明全面考虑驾驶环境，环境路段、时段、天气的影响，对司机在不同环境下的驾驶表现进行综合评价。根据评价结果，为专车订单分派合适的司机，提高车辆调度的效率以及驾驶的安全性。

Description

一种驾驶环境感知的司机评价与调度方法

技术领域

本发明涉及一种调度方法，尤其涉及一种驾驶环境感知的司机评价与调度方法。

背景技术

随着各类车辆企业不断发展，相应的驾驶服务进入到人们的日常生活。从商业需求的角度来说，如何分析驾驶行为，对司机进行合理评价是一个关乎服务质量和运营成本的重要问题。在驾驶过程中，司机通过对不同的外部因素(交通状况)和内在因素(驾驶风格)做出反应来控制车辆。司机操作一个特定的控制动作取决于该时刻的驾驶环境，相同类型的驾驶操作可能是由不同原因造成的。司机在不同环境下的驾驶行为存在差异。

现有司机调度方法通常是根据乘客需求预测进行调度，而对于某一订单，由于不同司机对不同驾驶环境(如行驶路线)的适应程度不同，在临近候选司机中，对于不同订单选派哪一位司机能得到更好地驾驶服务是一个需要解决的问题。为了衡量不同司机在特定驾驶环境下的驾驶行为表现，需要对司机在特定驾驶环境进行评价。司机评价是指通过驾驶数据的分析，对司机的驾驶表现进行定性或定量评价的手段。现有的驾驶行为评价方法，通常利用智能终端或车载端传感器设备采集车辆行驶数据，在本地或传回车联网系统进行风险驾驶事件检测和相关分析，通过统计风险驾驶事件的发生次数或频率对驾驶行为作出评价。

图1展示了现有技术考虑驾驶环境的驾驶行为评价方法流程，首先使用加速度传感器，磁力传感器和车载GPS等设备来检测急加速、急减速、急转弯事件，然后根据驾驶事件次数和发生时的天气、时间信息对驾驶员行为进行评价。根据司机开车经验，为不同时间和天气发生的事件赋予不同的风险分值。评价时对于每一段行程中，给司机一个初始分数(如：100分)，统计不同时间和天气状况下的驾驶行为次数，给出司机得分。

现有技术中的驾驶行为评价方法没有对驾驶事件发生的驾驶环境进行充分考虑。司机操作一个特定的控制动作取决于该时刻的驾驶环境，相同类型的驾驶操作可能是由不同原因造成的。例如，某一急刹车，可能是由于司机驾驶风格偏激进，习惯于采取冒险的驾驶动作。也可能是对紧急的交通状况采取的合理驾驶措施(例如前车突然刹车)。外部因素还包括时段因素、路段因素(道路类型和交通状况等)、天气因素等。因此对司机的合理化评价应当是综合考虑内外因素后的全面评价。现有驾驶行为评价形式通常是不加区分地统计“不良”驾驶事件数目来计算得分，及时考虑了驾驶环境，也只是简单地赋予一个固定的风险分值，无法准确衡量驾驶事件在特定驾驶环境的恰当程度。可能存在一定的偏差，对司机安全行车训练产生误导；现有技术无法给出对于一个新订单的驾驶表现预测，进而根据预测结果进行合理地进行司机调度。

发明内容

为了更好地解决上述问题，本发明提供一种驾驶环境感知的司机评价与调度方法，包括：步骤1，进行数据采集与历史驾驶事件检测，所述驾驶事件总共为五类，包括急加速、急减速、急偏转、急转弯、急掉头；步骤2，对所有司机的历史GPS数据进行驾驶事件检测，对不同驾驶环境下的驾驶事件进行统计，进行检测的所述驾驶环境包括时段、路段和天气；步骤3，根据时段、路段、天气三个驾驶环境因素的统计结果对特定驾驶环境下的驾驶行为进行评价，根据所述评价得到的评价值进行司机调度。本发明全面考虑驾驶环境，所述环境路段、时段、天气的影响，对司机在不同环境下的驾驶表现进行综合评价。进而为专车订单分派订单的驾驶环境中表现最优的司机，提高车辆调度的效率，并增强驾驶的安全性。

附图说明

图1为现有技术中驾驶环境的驾驶行为评价和调度方法；

图2为本发明的驾驶行为评价系统；

图3为本发明的驾驶行为综合评价调度模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

数据准备：在专车的长期运营过程中，通过车载传感器或智能终端，采集了大量的车辆运行数据，并利用车联网系统大数据存储模块进行存储。车辆行驶数据属性如表1所示。

属性名	格式	说明
			devicesn	varchar	设备号
gpstime	datetime	GPS信息产生时间
			longtitude	double	经度
latitude	double	纬度
			speed	double	车辆速度
direction	int	方向

表1

本发明基于对事件物理特性分析的决策树法，检测急加速、急减速、急转弯、急偏转和急掉头五类能够反映驾驶行为的常见高风险驾驶事件。

对所有司机的历史GPS数据进行驾驶事件检测，按照时段、路段和天气对不同驾驶环境下的驾驶事件进行统计。根据统计结果发现：司机在不同驾驶环境下发生驾驶事件频率不同，司机对于不同驾驶环境熟悉适应程度不同。

本发明将驾驶环境对司机行为的影响分为时段影响、路段影响和天气影响。驾驶事件发生频率存在24小时的周期性，基于时段的司机驾驶行为评价按小时进行。不同路段由于道路类型、交通状况和道路本身拓扑结构有差异，对驾驶事件产生不同程度的影响。不同天气状况下各类驾驶事件出现情况不同，从总体趋势上，按照雨雪天气、多云、晴天、雾霾顺序，高风险驾驶事件频率依次升高。

本发明提出的一种驾驶环境感知的司机评价与调度方法中，比较不同驾驶环境的高风险驾驶事件风险程度。特定驾驶环境以路段为例，如果某个路段频繁出现某类驾驶事件，则单个该类型驾驶事件所反应的信息就越少，该路段很可能由于道路结构、交通状况等原因容易发生该类事件，很多司机很大概率也会犯同样的错误，不应该因为某个司机在这个路段出现了这样的驾驶事件而对他有过度的苛责；另一方面，如果全体司机在某一路段均较频繁地发生这类驾驶事件，则单个驾驶事件对总效益造成的消极影响是较为微小的，但是如果全体司机均发生较少次某类驾驶事件，则单个驾驶事件对总效益造成的消极影响是较大的。因此本发明在评价过程中，对在事故高发路段发生的驾驶事件赋予相对较低的风险权重IDF，对在事故低发路段发生的驾驶事件赋予相对较高的风险权重，并对时段、天气等也做相应的操作。

本发明的驾驶行为评价系统结构设计如图2所示。本发明的驾驶行为评价系统有驾驶事件检测，驾驶环境风险衡量，驾驶行为综合评价三个模块组成。

A事件检测模块利用GPS数据中速度和方向数据，通过阈值检测法检测急加速、急减速、急偏转、急转弯、急掉头五类驾驶事件，保留驾驶事件的时空信息，利用地图匹配方式将驾驶事件准确匹配在路段上，记录每一位司机驾驶事件发生的时段，路段和事件类型。

B驾驶环境风险衡量模块根据原始GPS数据中的经纬度数据和时间戳，对不同时段、路段、天气的行程数据进行统计，所述行程数据包括：各时段的出车时长，各路段的通过次数和各种天气下的出车时长。并根据不同驾驶环境下的历史驾驶事件数目获取驾驶事件频率，从而得到不同驾驶环境下的风险权重。

本发明中，d表示某司机，t表示时间，rs表示路段，w表示天气，e表示驾驶事件，rt表示运行时间，pt表示通过次数，F表示事件频率。

获取各路段不同类型驾驶事件频率为

所述N(rs,e)表示某路段某类型驾驶事件的事件总数；pt(rs)表示所有司机在该路段的通过次数；

获取各时间段内不同类型驾驶事件频率为

所述N(t,e)表示某时间段内某类型驾驶事件的事件总数；rt(t)表示所有司机在该时间段的运行时间；

获取各天气不同类型驾驶事件频率为

所述N(w,e)表示某种天气下某类型驾驶事件的事件总数；rt(w)表示所有司机在该天气下的运行时间。

考虑到有些路段、时段、天气没有车辆经过的记录，即分母为零的情况，可以用其他所有同类驾驶事件的平均值作为该路段该事件的频率。

根据各环境下各类驾驶事件的频率，可以获取相应的风险权重，以路段为例，选取路段roadsegment_set：＝{rs1,rs2,...}，所述rs1为路段1,rs2为路段2，则各路段风险权重的公式为

；其中∑_{r∈roadsegment_set}F(rs,e)代表了全部路段发生的某类驾驶事件频率总和，minF(rs)为该类型驾驶事件在各路段的最低驾驶事件频率，避免某一路段驾驶事件频率为零时无法有效获取风险权重。直观来讲，当某一时段驾驶事件频率较低，在总频率总和中占比重较小，取倒数后再取对数得到其风险权重就会相对较大。不同类型驾驶事件在各环境下的IDF值即为其风险权重。

设定选取时间time_set：＝{0,1,2,3...22,23}，代表选取时间段为0点，1点，2点……23点，则在各时段风险权重的公式为：

其中∑_{t∈time_set}F(t,e)代表了全部时间发生的某类驾驶事件频率总和，minF(t)为该类型驾驶事件在各时间的最低驾驶事件频率，避免某一时间驾驶事件频率为零时无法有效获取风险权重。

设定选取天气为weather_set：＝{sunny,rainy or snowy,cloudy,smog}，代表选取天气为晴天，雨雪，多云，雾，则在各天气状态下风险权重的公式为：

其中∑_{w∈weather_set}F(w,e)代表了全部天气发生的某类驾驶事件频率总和，minF(w)为该类型驾驶事件在各种天气的最低驾驶事件频率，避免某一天气下驾驶事件频率为零时无法有效获取风险权重。

本发明的驾驶行为综合评价调度模块如图3所示，C驾驶行为综合评价模块根据每一位司机特定环境下的驾驶事件频率TF和相应的驾驶环境风险权重IDF，对每一位司机在特定驾驶环境的驾驶行为进行评价。司机半年内在各驾驶环境下的综合表现，即为他的驾驶技能评价，最后将评价结果存入数据库用于特定订单的司机调度。

每个司机在各路段的不同类型事件频率的获取公式为：

作为衡量事件发生频率的指标TF，N(d,rs,e)表示该司机在某路段某类型驾驶事件的事件数目；pt(rs)表示该司机在该路段的通过次数。

每个司机在各时段的不同类型事件频率的获取公式为：

作为衡量事件发生频率的指标TF，N(d,t,e)表示该司机在某时段某类型驾驶事件的事件数目；rt(t)表示该司机在该时段的通过次数。

每个司机在各天气的不同类型事件频率的获取公式为：

作为衡量事件发生频率的指标TF，N(d，w，e)表示该司机在某种天气下某类型驾驶事件的事件数目；rt(w)表示该司机在该天气的通过次数。

考虑到可能存在有些司机的历史记录无法完全覆盖到全部的时段、路段和天气的情况，在某些时段和天气没有出车，或没有到过某些路段，即pt(rs)或者rt(t)或者rt(w)为零的情况，可以用其他所有司机在该环境下该类事件的频率平均值作为这个司机的事件频率。

根据司机在不同环境下各类驾驶事件频率(TF)和相应的风险权重(IDF)，对司机在各环境下的驾驶行为进行评价。获取某个司机在某个驾驶环境的驾驶表现方法为:P(d,context,e):＝∑_context,eTF_context,e(d)·IDF_context,e，所述context由时间，路段和天气组成。

司机在特定的时段、路段、天气下某类驾驶事件频率越高，该环境的风险权重越大，则驾驶表现越差。即驾驶表现取值越大，司机在该环境驾驶行为越差。P(d，context，e)给出了每一位司机在特定环境下各类驾驶事件的驾驶表现评价。简单的给出某个司机在某个环境下某类驾驶事件的驾驶表现并不能直观的了解这个司机在司机整体中的驾驶水平，可以将司机的表现标准化。通过获取所有司机的表现P(d,context,e)，得到全体司机表现的平均值mean(P)和标准差std(P)，得到每个司机的标准化驾驶表现的获取方法为：

根据司机在不同驾驶环境下的标准化评分，对特定的订单，可以根据该订单路线所经过的路段、时段和当时天气状况，得到临近司机的历史驾驶表现，选取所述标准化驾驶表现数值最高的司机进行接单。从而实现基于特定驾驶环境驾驶行为评价的司机调度，进而为专车订单分派订单的驾驶环境中表现最优的司机，提高车辆调度的效率，并增强驾驶的安全性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种驾驶环境感知的司机评价与调度方法，包括：步骤1，进行数据采集与历史驾驶事件检测，所述驾驶事件总共为五类，包括急加速、急减速、急偏转、急转弯、急掉头；步骤2，对所有司机的历史GPS数据进行驾驶事件检测，对不同驾驶环境下的驾驶事件进行统计，进行检测的所述驾驶环境包括时段、路段和天气；步骤3，根据时段、路段、天气三个驾驶环境因素的统计结果对特定驾驶环境下的驾驶行为进行评价，根据所述评价得到的评价值进行司机调度；对特定驾驶环境下的驾驶行为进行评价，并根据评价值进行司机调度的系统包括三个模块，包括驾驶事件检测模块，驾驶环境风险衡量模块，驾驶行为综合评价模块；所述驾驶事件检测模块利用GPS数据中速度和方向数据，通过决策树法检测急加速、急减速、急偏转、急转弯、急掉头五类驾驶事件，保留事件的时空信息，并利用地图匹配方式将驾驶事件准确匹配在路段上，记录每一位司机的驾驶事件发生的时段，路段和驾驶事件类型；所述驾驶环境风险衡量模块根据原始GPS数据中的经纬度数据和时间戳，对不同时段、路段、天气的行程数据进行统计，所述行程数据包括：首先获取不同驾驶环境下的历史驾驶事件数目，并根据各时段的出车时长，各路段的通过次数和各种天气下的出车时长，得到相应驾驶事件频率；然后根据事件频率确定不同驾驶环境下的风险权重；最后采用所述驾驶行为综合评价模块根据每一位司机特定环境下的驾驶事件频率TF和相应的驾驶环境风险权重IDF，对每一位司机在特定驾驶环境的驾驶行为进行评价，将司机半年内在各驾驶环境下的综合表现存入数据库，选取评价得分最高的司机进行接单。

2.如权利要求1所述的方法，其特征在于，不同驾驶环境下的历史驾驶事件数目处理得到相应驾驶事件频率，包括，d表示某司机，t表示时间，rs表示路段，w表示天气，e表示驾驶事件，rt表示运行时间，pt表示通过次数，F表示事件频率，获取各路段不同类型驾驶事件频率为

所述N(rs,e)表示某路段某类型驾驶事件的事件总数，pt(rs)表示所有司机在该路段的通过次数；获取各时间段内不同类型驾驶事件频率为

所述N(t,e)表示某时间段内某类型驾驶事件的事件总数；rt(t)表示所有司机在该时间段的运行时间；获取各天气不同类型驾驶事件频率为

所述N(w,e)表示某种天气下某类型驾驶事件的事件总数，rt(w)表示所有司机在该天气下的运行时间，考虑到有些路段、时段、天气没有车辆经过的记录，即分母rt(t)或pt(rs)或rt(w)为零的情况，可以用其他所有同类驾驶事件的平均值作为该路段该事件的频率。

3.如权利要求2所述的方法，其特征在于，获得不同驾驶环境下的风险权重，包括，选取路段roadsegment_set：＝{rs1,rs2,…}，则各路段风险权重的公式为

其中∑_{r∈roadsegment_set}F(rs,e)代表了全部路段发生的某类驾驶事件频率总和，minF(rs)为该类型驾驶事件在各路段的最低驾驶事件频率；设定选取时间time_set：＝{0,1,2,3…22,23}，代表选取时间段为0点，1点，2点……23点，则在各时段风险权重的公式为：

其中∑_{t∈time_set}F(t,e)代表了全部时间发生的某类驾驶事件频率总和，minF(t)为该类型驾驶事件在各时间的最低驾驶事件频率；设定选取天气为weather_set：＝{sunny,rainy or snowy,cloudy,smog}，代表选取天气为晴天，雨雪，多云，雾，则在各天气状态下风险权重的公式为：

其中∑_{w∈weather_set}F(w,e)代表了全部天气发生的某类驾驶事件频率总和，minF(w)为该类型驾驶事件在各种天气的最低驾驶事件频率。

4.如权利要求3所述的方法，其特征在于，所述驾驶行为综合评价模块对驾驶行为进行评价，包括，根据司机在不同环境下各类驾驶事件频率TF和相应的风险权重IDF对司机在各环境下的驾驶行为进行评价，获取某个司机在某个驾驶环境的驾驶表现方法为：P(d,context,e):＝∑_context,eTF_context,e(d)·IDF_context,e：所述context为驾驶环境，其由时间，路段和天气组成；通过获取在所述驾驶环境下所有司机的表现P(d,context,e)，得到全体司机的表现的平均值mean(P)和标准差std(P)，进而得到每个司机的标准化驾驶表现的获取方法为：

根据司机在不同驾驶环境下的标准化评分，对特定的订单，可以根据该订单路线所经过的路段、时段和当时天气状况，得到临近可选司机的历史驾驶表现，选取所述标准化驾驶表现数值最高的司机进行接单。

5.如权利要求1所述的方法，其特征在于，在步骤3中，对不同驾驶环境的高风险事件风险程度进行评价包括，对在事故高发路段发生的驾驶事件赋予相对较低的风险权重，对在事故低发路段发生的驾驶事件赋予相对较高的风险权重。

Images