CN108091133A - 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 - Google Patents

一种基于海量交通数据分析的车辆安全驾驶行为分析方法 Download PDF

Info

Publication number
CN108091133A
CN108091133A CN201711206149.5A CN201711206149A CN108091133A CN 108091133 A CN108091133 A CN 108091133A CN 201711206149 A CN201711206149 A CN 201711206149A CN 108091133 A CN108091133 A CN 108091133A
Authority
CN
China
Prior art keywords
speed
acceleration
vehicle
behavior
turning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711206149.5A
Other languages
English (en)
Other versions
CN108091133B (zh
Inventor
李建元
李万清
张迪
温晓岳
王辉
张标标
张文广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yinjiang Technology Co ltd
Original Assignee
Enjoyor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Enjoyor Co Ltd filed Critical Enjoyor Co Ltd
Priority to CN201711206149.5A priority Critical patent/CN108091133B/zh
Priority to CN201911064227.1A priority patent/CN110910636B/zh
Publication of CN108091133A publication Critical patent/CN108091133A/zh
Application granted granted Critical
Publication of CN108091133B publication Critical patent/CN108091133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Abstract

本发明涉及一种基于海量交通数据分析的车辆安全驾驶行为分析方法，本发明针对大范围车辆的海量交通数据，利用聚类、拟合以及回归等数据挖掘方法计算车辆的行为判断并评分，再以行为评分为依据，对驾驶人员和车辆的驾驶安全行为进行排名，具有适用范围广，数据量大，准确性高的特点。本发明的数据源可以是出租车、大货车、物流车、两客一危车辆等等特定群体的GPS行驶轨迹数据，也可以是所有加装了GPS设备的社会车辆产生的GPS轨迹数据，应用范围广。

Description

一种基于海量交通数据分析的车辆安全驾驶行为分析方法
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种基于海量交通数据分析的车辆安全驾驶行为分析方法。
背景技术
随着社会经济的发展，人们生活水平的进步，越来越多的人将机动车作为出行工具，这也给道路交通安全带来了许多问题及隐患。由于驾驶人员数量激增，驾驶人员的驾驶技能以及驾驶行为参差不齐，有些人由于驾龄较短，开车不熟练，而有些人虽然有一定时间的驾龄，但开车我行我素，这些都是交通事故的潜在因素。所以分析驾驶人员的驾驶安全行为对道路交通安全具有重大社会意义。
而另一方面，众所周知，保险公司会对不同的驾驶人员和车辆收取不同的保险费用，每当发生交通事故需要保险公司赔付时，该车辆下一年的保费会相应提高。但是驾驶人为了不提高保费，他们有时会绕过保险公司，采用私下沟通解决的方式处理事故。所以，保险公司可以通过对驾驶人员的驾驶数据进行分析，得出其驾驶安全行为的相对得分，从而较为准确地调整驾驶人员及车辆的保费。
目前业内对于驾驶安全行为的分析存在很多不足，有的需要发明一种复杂的终端设备来监控车辆，有的只对特定群体的车辆(如某物流公司的所有货车)进行分析，概括来说就是研究成本高或研究的车辆对象范围有限。
发明内容
本发明为克服上述的不足之处，目的在于提供一种基于海量交通数据分析的车辆安全驾驶行为分析方法，本发明针对大范围车辆的海量交通数据，利用聚类、拟合以及回归等数据挖掘方法计算车辆的行为判断并评分，再以行为评分为依据，对驾驶人员和车辆的驾驶安全行为进行排名，具有适用范围广，数据量大，准确性高的特点。本发明的数据源可以是出租车、大货车、物流车、两客一危车辆等等特定群体的GPS行驶轨迹数据，也可以是所有加装了GPS设备的社会车辆产生的GPS轨迹数据，应用范围广。
本发明是通过以下技术方案达到上述目的：一种基于海量交通数据分析的车辆安全驾驶行为分析方法，包括如下步骤：
(1)在数据库中导入浮动车数据和地图数据，基于浮动车数据和地图数据分别创建GPS数据表和路网信息表；并对浮动车数据进行预处理完成GPS数据表的修正；
(2)利用数据挖掘方法分析车辆的不安全驾驶行为，即异常加速/减速行为、异常转弯行为、非路口转弯行为、异常高速行为，将当前车辆的驾驶行为参数与驾驶行为参数基准阈值进行比较，判断是否发生异常加速/减速行为、异常转弯行为、非路口转弯行为、异常高速行为；其中，驾驶行为参数包括车速、加速度、方位角差，参数基准阈值通过历史交通数据统计获得。
作为优选，所述异常加速/减速行为判断方法为：
根据单个车辆速度-加速度分布情况，获取单个车辆不同速度区间对应的加速/减速阈值；以速度作变量，加速度作因变量，拟合单个车辆的加速度阈值曲线；抽取N辆车拟合的加速度阈值曲线的系数，将系数向量化，进行聚类分析，求得聚类中心，以聚类中心代表的系数建立的加速度阈值曲线作为基准加速度阈值曲线；当车辆行驶的加速度超出当前车速对应的基准加速度阈值曲线中的加速度阈值时，则判断车辆出现异常加速/减速行为；其中，该判断方法还包括根据道路结构，以两条路段的交叉点为圆点，以预设路口区域划分值为半径，划分路口区域和路段区域，以上述方法确定路口区域的基准加速度阈值曲线和路段区域的基准加速度阈值曲线，当车辆行驶的加速度超出当前车速、位置对应的基准加速度阈值曲线中的加速度阈值时，则判断车辆出现异常加速/减速行为。
作为优选，所述异常路口转弯行为的判断方法为：根据方位角、位置坐标求取转弯半径，以转弯半径为变量，转弯速度为因变量，拟合单个车辆的转弯速度阈值曲线；抽取N辆车拟合的转弯速度阈值曲线的系数，将系数向量化，进行聚类分析，求得聚类中心，以聚类中心代表的系数建立的转弯速度阈值曲线作为基准转弯速度阈值曲线；当车辆行驶的转弯速度超出当前转弯半径对应的基准转弯速度阈值曲线中的转弯速度阈值时，则车辆出现异常路口转弯行为。
作为优选，所述非路口转弯行为的判断方法为：根据前后GPS点的方位角差判断是否有掉头行为，比较前后GPS点所在路段是否为同一条路段，当同一条路段时，则车辆出现非路口转弯行为。
作为优选，所述异常高速行为的判断方法为：根据路段历史车辆GPS数据获取道路的当前速度及各时段速度，根据道路各时段速度确定车辆高速基准阈值，当前车辆速度超出车辆高速基准阈值时，则车辆出现异常高速行为。
作为优选，还包括如下步骤：
(3)对发生的不安全驾驶行为，即异常加速/减速行为、异常转弯行为、非路口转弯行为、异常高速行为，进行统计打分；
(4)将各不安全驾驶行为的评分进行汇总，计算驾驶安全行为的总评分，并以驾驶安全行为总评分为依据，对驾驶人员的驾驶安全行为进行排名。
作为优选，所述对异常加速/减速行为的评分方法如下：
(a)根据车辆编号信息表的车辆编号顺序遍历，对每辆车进行分析，得到所有车辆的加速/减速行为边界曲线，并汇总得到加速/减速行为边界曲线系数表；其中，得到单辆车的加速/减速行为边界曲线的方法如下：
(a.1)计算加速度：从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，创建车辆x的加速数据表和减速数据表；其中，某时间间隔ΔT＝Ti-Ti+1的加速度如下式所示：
如果ai＞0，则将＜Speedi,ai＞加入加速数据表中；如果ai＜0，则将＜Speedi,ai＞加入减速数据表中；＜Speedi,ai＞中，Speedi代表当前速度，ai是当前速度所对应的加速度；
(a.2)统计不同速度对应的加速度分布：遍历加速数据表的数据，将Speed字段四舍五入，归类为速度区间，将其对应的加速度按照从小到大的顺序排序，填入到加速度分布表I中；同理，对减速数据表的数据做处理得到加速度分布表II；
(a.3)计算车辆x的加速/减速行为边界值：取加速度分布表I中每个速度区间对应的已排序的加速度列表，将该加速度列表的第n个百分位数的加速度当做该速度区间对应的加速度边界值Limit_a，得到加速行为边界值表,其中n为自定义的；同理对加速度分布表II进行处理得到减速行为边界值表；合并得到加速/减速行为边界值表；(a.4)拟合车辆x的加速/减速行为边界曲线：根据加速/减速行为边界值表，将速度区间的中点xmiddle当做X坐标，将Limit_a当做Y坐标，将＜x,y＞＝＜xmiddle，Limit_a＞投射到二维坐标图中，并利用最小二乘法对图中的点进行拟合，得出车辆x的加速/减速行为边界曲线y＝ax2+bx+c；
(b)基于加速/减速行为边界曲线系数表进行抽样调查，得到抽样调查结果表；
(b.1)确定抽样调查的参数，参数包括样本大小Size和抽样次数Times；针对每个样本大小Size的取值，都有不同的抽样次数Times与其对应，组成抽样调查参数对＜Size,Times＞；根据参数对从总体样本中进行随机抽样，总体样本为加速/减速行为边界曲线系数表；
(b.2)对每个样本进行聚类分析，得到该样本的加速/减速行为阈值曲线L(Si):y＝acenterx2+bcenterx+ccenter，得到包含Times条加速/减速行为阈值曲线的曲线组L_Set；所述对每个样本进行聚类分析得到该样本的加速/减速行为阈值曲线的方法如下：
(b.2.1)将样本中的每条曲线的三个系数a、b、c组成一个三维向量＜a,b,c＞，得到向量样本；
(b.2.2)对样本中的所有向量Vectori＝＜ai,bi,ci＞按照下式进行归一化处理：
其中，a为二次项系数，μa为a的均值，σa为a的标准差；
(b.3.3)对归一化处理过后的样本进行密度聚类分析，找出聚类结果中的最大类簇，求出该类簇所对应的原向量，并根据对应的原向量计算出该类簇的中心向量＜acenter,bcenter,ccenter＞，以该中心向量当做曲线方程系数构造曲线L:y＝acenterx2+bcenterx+ccenter，得到该样本的加速/减速行为阈值曲线；
(b.3)对曲线组L_Set中的曲线取其系数向量＜acenter,bcenter,ccenter＞，得到系数向量组Vector_Set；并对系数向量组Vector_Set按照如下公式计算，得到向量VectorSize,Times＝＜aSize,Times,bSize,Times,cSize,Times＞，并创建抽样调查结果表，将该向量存入表中；
(c)对抽样调查结果表中的结果进行分析，判断抽样调查的稳定性；根据如下公式计算出抽样调查结果的变异系数CV：
若变异系数CV＜10-3，则代表稳定，将最后一次抽样结果Vectorlast＝＜A，B，C＞作为抽样分析的结果，否则重新执行步骤(b)；(d)根据y＝Ax2+Bx+C计算每辆车的加速/减速评分：对于车辆x，有Total_Count加速(减速)条加速/减速数据＜Speedi，|ai|＞，以x＝Speedi的方式代入y＝Ax2+Bx+C，求得y′＝A*(Speedi)2+B*Speedi+C和ai进行比较：
若|ai|＞y′＝A*(Speedi)2+B*Speedi+C，则Count异常加速(减速)加1；Count异常加速(减速)代表异常加速/减速行为的频次值，创建异常加速/减速行为评分表，并将评分结果填入表中；评分计算公式如下所示：
作为优选，所述对异常路口转弯行为的评分方法如下：
(A)取路网信息表，并从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计出路网中的路口，并找出跨路口轨迹链，创建跨路口轨迹链表，表中的每两条相邻数据是一对跨路口轨迹链；
(B)计算转弯半径和转弯速度，创建得到转弯参数表；计其中，算方法如下：
读取跨路口轨迹链表，同一辆车的一对跨路口轨迹链的方位角度差为Δd＝|diri+l-diri|；其经纬度坐标为＜lon1，lat1＞和＜lon2，lat2＞，计算出该数据对所行驶的路程为
distance＝arccos[coslatl*coslat2*cos(lon1-lon2)+sinlatl*sinlat2]*Eath_Ridus根据如下公式计算得到转弯半径为
转弯速度取两条数据的速度平均值，如下所示：
(C)根据Ransac模型计算转弯行为回归直线，并创建转弯行为回归直线参数表；
(D)对所有车辆的转弯行为回归直线聚类分析：取转弯行为回归直线参数表的数据，将回归直线的斜率k和截距b组成二维向量＜k,b＞，进行抽样分析以及聚类分析，确定转弯行为阈值线y＝Kx+B；
(E)根据y＝Kx+B计算每辆车的转弯行为评分：取转弯参数表，对于车辆x，共有Counttotal转弯条转弯数据＜r,v转弯＞,以x＝ri的方式代入y＝Kx+B，求得y′＝Kri+B和v转弯进行比较：
若v转弯＞y′＝Kri+B，则Count异常转弯加1；Count异常转弯代表异常转弯行为的频次值，创建异常路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
作为优选，所述对非路口转弯行为的评分方法为：
(i)从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计N辆车的掉头Δd，获得阈值Δd2，并找出Δd＞Δd2的数据对，这些数据代表该车辆前后两个时间点的行驶方向近似反向，其中，Δd2可取160°，反向行驶数据数量为Count反向，所在路段为Road1和Road2；
(ii)若Road1＝Road2，掉头次数Count掉头加1；
(iii)若Road1＜＞Road2，则读取路网信息表，查看Road1和Road2的起点经纬度、中点经纬度、终点经纬度、路段长度各项参数是否相同；若相同，则掉头次数Count掉头加1；
(iv)创建非路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
作为优选，所述对异常高速行为的评分方法为：
(I)从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，速度为Speedi，所属路段为Roadi，时间为Ti；每读取一条数据，通过浮动车数据计算实时道路速度方法计算出路段Roadi该时刻对应的实时速度SpeedNow、SpeedLast_Day和SpeedWeek；
(II)将计算得到的实时速度设定为阈值：α·SpeedNow，β·SpeedLast_Day，λ·SpeedWeek，其中，α＞1,β＞1,λ＞1；
(III)若Speedi＞α·SpeedNow，则说明此时车辆x的行驶速度超出该道路当前时刻平均速度，则CountNow加1；
若Speedi＞β·SpeedLast_Day，则说明此时车辆x的行驶速度超出该道路前一天道路平均速度，则CountLast_Day加1；
若Speedi＞λ·SpeedWeek，则说明此时车辆x的行驶速度超出该道路历史一周的平均通行速度，则CountWeek加1；
(IV)对Count Now、CountLast_Day和CountWeek分别赋予不同的权值，如下式所示：
Count异常高速＝0.6*CountNow+0.3*CountLast_Day+0.1*Countweek
(V)根据如下公式计算车辆x的异常高速行为评分，并创建异常高速行为评分表，将评分结果填入表中；
本发明的有益效果在于：(1)本发明利用真实海量GPS数据以及地图道路数据，数据具有数据量大、数据准确性高等特点；(2)该方法更为科学合理地制定出一系列评估驾驶行为安全性的指标体，可为评价驾驶员的驾驶习惯、驾驶技术和安全意识提供较为客观的依据。
附图说明
图1是本发明的方法流程示意图；
图2是本发明实施例的速度-加速度散点图(分速度区间)示意图；
图3是本发明实施例的加速(减速)行为边界曲线示意图；
图4是本发明实施例的多辆车的曲线画在同一个坐标系中的示意图；
图5是本发明实施例的加速(减速)行为样本密度聚类示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：如图1所示，一种基于海量交通数据分析的车辆安全驾驶行为分析方法，本发明以浮动车GPS数据为例，针对大范围车辆的海量交通数据，利用聚类、拟合以及回归等数据挖掘方法分析车辆的异常加速/减速行为、异常转弯行为、非路口转弯行为、异常高速行为，通过当前车辆的驾驶行为参数与驾驶行为参数基准阈值比较，对不安全行为进行判断，并进行统计打分，进而计算驾驶安全行为总评分，再以驾驶安全行为总评分为依据，对驾驶人员和车辆的驾驶安全行为进行排名。其中，驾驶行为参数可以包括车速、加速度、方位角差等，参数基准阈值通过历史交通数据统计获得。具体包括如下步骤：
步骤1.读入真实浮动车数据和地图数据
向数据库中导入浮动车数据、地图数据，浮动车数据包括车辆编号、数据生成时间、轨迹点坐标、瞬时速度、方位角、归属路段(需要根据经纬度和地理信息数据进行计算)，创建GPS数据表，如表1所示；地图数据包含字段有路段ID、起点经纬度、中点经纬度、终点经纬度、路段长度，创建路网信息表，如表2所示；
车辆编号 时间 经度 纬度 瞬时速度 方位角 归属路段
表1
路段ID 起点经度 起点纬度 中点经度 中点纬度 终点经度 终点纬度 路段长度
表2
步骤2.对浮动车数据进行预处理
由于设备和上传网络的不稳定，部分数据存在较大误差，需要进行预处理，方法如下：
2-1.根据表1，统计出车辆编号信息表，如表3所示。
车辆编号 数据量
表3
2-2.按照表3车辆编号信息表中的车辆编号顺序，分别对表1中每辆车的数据按照时间先后顺序排序，正常情况下，如果该车辆的经纬度信息在一个连续时间段内保持不变，则意味着它停在原地不动，但在表1中却发现有许多经纬度信息长时间保持不变，而其速度值却波动很大的数据，这些数据就是需要修正的异常数据，我们将连续5条以上经纬度保持不变的数据的速度值设为0(该时间段首尾的2条GPS数据除外)；
2-3.利用地图栅格化算法计算表1中每条数据所在的路段，将结果填入该表的归属路段字段中。
步骤3.计算异常加速(减速)行为评分(针对一辆车分析)
根据单个车辆速度-加速度分布情况，获取单个车辆不同速度区间对应的加速/减速阈值；以速度作变量，加速度作因变量，拟合单个车辆的加速度阈值曲线；抽取N辆车拟合的加速度阈值曲线的系数，将系数向量化，进行聚类分析，求得聚类中心，以聚类中心代表的系数建立的加速度阈值曲线作为基准加速度阈值曲线；当车辆行驶的加速度超出当前车速对应的基准加速度阈值曲线中的加速度阈值时，则判断车辆出现异常加速/减速行为；其中，该判断方法还包括根据道路结构，以两条路段的交叉点为圆点，以预设路口区域划分值为半径，划分路口区域和路段区域，以上述方法确定路口区域的基准加速度阈值曲线和路段区域的基准加速度阈值曲线，当车辆行驶的加速度超出当前车速、位置对应的基准加速度阈值曲线中的加速度阈值时，则判断车辆出现异常加速/减速行为。
按照表3的车辆编号顺序遍历，对每一辆车进行按照3-1到3-4的步骤处理，比如现针对车辆x进行分析。
3-1.计算加速度
从表1中分别读取车辆x的GPS数据(按时间先后顺序)，如表4所示，比如取出的数据中有以下同一辆车的两条时间相邻的数据。
车辆编号 时间 经度 纬度 速度 方位角 归属路段
…… …… …… …… …… …… ……
车辆x Ti loni lati Speedi diri Roadx
车辆x Ti+1 loni+1 lati+1 Speedi+1 diri+1 roady
…… …… …… …… …… …… ……
表4
创建加速数据表，如表5所示；以及减速数据表，如表6所示。
速度Speed 加速度a(a>0)
表5
速度Speed 加速度a(a<0)
表6
某时间间隔ΔT＝Ti-Ti+1的加速度如公式(3.1.1)所示：
如果ai＞0，则将＜Speedi,ai＞加入表3-1-2中；
如果ai＜0，则将＜Speedi,ai＞加入表3-1-3中。
＜Speedi,ai＞中Speedi代表当前速度，ai是当前速度所对应的加速度。
3-2.统计不同速度对应的加速度分布
遍历表5的数据，将Speed字段四舍五入，归类为速度区间，如附图2所示。
将其对应的加速度按从小到大的顺序排序，填入到表7所示的加速度分布表中(a>0)。
表7
对表6中的数据同样处理，且将加速度取绝对值得到表8所示的加速度分布表(a<0)。
表8
3-3.计算车辆x的加速(减速)行为边界值，其意义是车辆x在加速(减速)的加速度一般不会超过该边界值。
取表7中每个速度区间对应的已排序的加速度列表，将该加速度列表的第90百分位数当做该速度区间对应的加速度边界值Limit_a，得出表3-3加速行为边界值表。此处的第90百分位数针对不同的数据集可以进行调整，属于经验参数，在相关专利及文献中也有同样的用法。
如下表9(加速(减速)行为边界值表)所示，减速行为按同样的步骤处理。
速度区间 加速行为边界值Limit_a
[0,1) Limit_a0
[1,2) Limit_a1
[2，3) Limit_a2
…… ……
表9
3-4.拟合车辆x的加速(减速)行为边界曲线
根据表9，将速度区间的中点xmiddle当做X坐标，将Limit_a当做Y坐标，将＜x,y＞＝＜xmiddle，Limit_a＞投射到二维坐标图中，然后利用最小二乘法对图中的点进行拟合，得出该车辆的加速(减速)行为边界曲线y＝ax2+bx+c，如图3所示。
按上述方法计算所有车辆的边界曲线，将其曲线系数a,b,c存入表10(加速(减速)行为边界曲线系数表)，如下所示。多辆车的曲线画在同一个坐标系中的示意图见图4。
车辆编号 二次项系数a 一次项系数b 常数项系数c
车辆x1 a1 b1 c1
车辆x2 a2 b2 c2
车辆x3 a3 b3 c3
车辆x4 a4 b4 c4
…… …… …… ……
表10
将一辆车的边界曲线作为所有车的边界显然是不科学的；将全样本的平均值作为边界曲线也不十分妥当，因为，如果同一个城市换一个时间段的全样本边界是否会发生较大的变化？因此，需要对采样空间和采样频率进行稳定性分析，找到相对稳定的采样空间和采样频率，才能够较为科学准确的确定行为边界曲线。下文将分别针对车辆的采样空间和采样频率进行稳定性分析，从而最终确定稳定的行为边界曲线。
3-5.对所有车辆的加速(减速)行为边界曲线进行抽样调查
3-5-1.确定抽样调查的参数(样本大小，即采样空间；抽样次数，即采样频率)。
该抽样调查有两个参数，分别是样本大小和抽样次数，样本大小指的是每个样本中的车辆数，抽样次数即该当前样本大小进行抽样的次数，也就是按该样本大小抽出的样本个数。
总体样本为表10所示的加速(减速)行为边界曲线系数表。样本大小Size初始值设为样本总量的1％，每次递增1％，抽样次数Times初始值设为100次，每次递增100次。所以针对每个样本大小Size的取值，都有不同的抽样次数Times(初始值100次，每次递增100次)对应，组成抽样调查参数对＜Size,Times＞。然后根据参数对进行抽样，每个样本大小Size都对应Times个样本，每个抽样样本中的车辆都是从总体样本中随机抽取。
3-5-2.对每个样本进行聚类分析，得出该样本的加速(减速)行为阈值曲线。
1).样本中的每条曲线数据都有三个系数a、b、c，代表每辆车的加速(减速)行为边界曲线，将这三个系数组成一个三维向量＜a,b,c＞，这样就得到了向量样本；
2).对样本中的N个向量进行归一化处理。
对向量的每维求均值μ和标准差σ(如公式3.6.1所示),比如二次项系数a
对样本中所有向量Vectori＝＜ai,bi,ci＞按照公式(3.6.2)进行归一化处理
3).对归一化处理过后的样本进行密度聚类分析，聚类结果中的最大类簇就代表样本中有较多数据聚集在此范围内，可以较为准确的代表该样本。由于已经对样本中所有向量进行过归一化处理，所以求出该类簇所对应的原向量，然后根据对应的原向量计算出该类簇的中心向量＜acenter,bcenter,ccenter＞，以该中心向量当做曲线方程系数构造曲线L:y＝acenterx2+bcenterx+ccenter，当做该样本的求得的加速(减速)行为准边界曲线。
样本聚类示意图如图5所示，假设样本记为Si，该图中加粗曲线是根据前述聚类分析方法所求得的该样本Si的加速(减速)行为准边界曲线L(Si):y＝acenterx2+bcenterx+ccenter。
3-5-3.对于某一固定的参数对＜Size,Times＞产生的Times个样本都按照3-5-2的方法进行处理，这样可以得到包含Times条加速(减速)行为准边界曲线L(Si):y＝acenterx2+bcenterx+ccenter的曲线组L_Set，对曲线组L_Set中的曲线取其系数向量＜acenter,bcenter,ccenter＞，得到系数向量组Vector_Set。
对系数向量组Vector_Set按照公式(3.5.3)计算，得到向量VectorSize,Times＝＜aSize,Times,bSize,Times,cSize,Times＞，该向量就是参数对＜SampleSize,SampleTimes＞所对应的抽样调查结果，创建抽样调查结果表(如表11所示)，将该向量存入表中。
样本大小 抽样次数 二次项系数a 一次项系数b 常数项系数c
表11
3-6.判断抽样调查的稳定性
在抽样的同时，针对表11抽样调查结果表中的结果进行分析，根据公式(3.6.1)计算出调查结果的变异系数CV。
若变异系数CV＜10-3，代表每次抽样所得出调查结果变化越来越小，在统计意义上已经趋于稳定，不再需要继续递增样本大小和抽样次数来继续抽样。此时，停止抽样，将最后一次抽样的结果Vectorlast＝＜A,B,C＞作为抽样分析的结果，这个结果就是具有统计意义稳定性的抽样调查结果，由此结果得到曲线y＝Ax2+Bx+C，将这条曲线作为加速(减速)行为阈值曲线。
3-7.根据y＝Ax2+Bx+C计算每辆车的加速行为(减速)评分
取表4，比如对于车辆x，共有Total_Count加速(减速)条加速(减速)数据＜Speedi,|ai|＞,以x＝Speedi的方式代入y＝Ax2+Bx+C，求得y′＝A*(Speedi)2+B*Speedi+C和ai进行比较：
若|ai|＞y′＝A*(Speedi)2+B*Speedi+C，则Count异常加速(减速)加1；
Count异常加速(减速)代表异常加速(减速)行为的频次值，我们将评分定义为(如公式(3.7.1)所示：
创建表12异常加速行为(减速)评分表，将上述结果填入其中；
车辆编号 异常加速行为评分 异常减速行为评分
表12
步骤4.计算异常路口转弯行为评分
4-1.取表2和表4，统计出路网中的路口，并找出跨路口轨迹链，创建表13所示的跨路口轨迹链表，表中每两条相邻数据是一对跨路口轨迹链。
车辆编号 时间 经度 纬度 速度 方位角 归属路段
车辆x Ti loni lati Speedi diri Roadx
车辆x Ti+1 loni+1 lati+1 Speedi+1 diri+1 roady
…… …… …… …… …… …… ……
表13
4-2.计算转弯半径r和转弯速度v
读取表13，同一辆车一对跨路口轨迹链(每两条相邻数据)的方位角度差为
Δd＝|diri+1-diri|(4.2.1)
其经纬度坐标为＜lon1,lat1＞和＜lon2,lat2＞，计算出该数据对所行驶的路程：
distance＝arccos[coslat1*coslat2*cos(lon1-lon2)+sinlat1*sinlat2]*Earth_Ridus(4.2.2)
把转弯时的行驶路程近似为弧长，Δd当做圆心角，根据弧长公式变形可以计算出此次转弯的转弯半径为
转弯速度取两条数据的速度平均值
创建表:14所示的转弯参数表：
转弯半径r 转弯速度v转弯
表14
4-3根据Ransac模型计算转弯行为回归直线
实验过程中发现，由于数据存在不可避免的误差，有时会出现一些异常值，为了避免异常值对回归分析的影响，所以采用Ransac随机采样一致性算法，该算法属于一种不确定算法，每次运算都会有一定的概率得到一个合理的结果，这个概率随着迭代次数的增加而增加，所以总能通过增加迭代次数来获得一个比较满意的结果。
Ransac算法中假设数据分为内点和外点，其中内点是指位置分布符合给定参数的回归模型的点，而外点是那些和回归模型不相匹配的点，即外点可能是极端数据噪音点或者设备测量错误的点。在本篇专利中，将表14车辆x的转弯参数表中的数据放入r-v坐标系中，对坐标系中的散点进行回归分析，内点是指分布在回归直线附近的点，而外点是指偏离回归直线的点(转弯半径r或者转弯速度v异常)。
下面简述Ransac算法的步骤：
1).通过迭代的方式，每次迭代都从表14车辆x的转弯参数表中取一组子集作假设检验，假设被选择的数据子集是内点，通过这些内点计算出一组回归直线，计算出所有内点到此回归直线的距离均值，记为
2).而表14中没被选到的数据就是此时的外点，将此时所有的外点和上一步计算出的回归直线比较。
记某一外点到回归直线的距离为d外点i，若则将该点放入内点集合；
记录此时的内点占整个数据集的比例，若达到设定的比例阈值P(可调参数，一般取80％～95％，取决于大部分车r-v坐标图中点的散列程度)，则记录下当前的回归模型的参数,记为最优模型；若没有，则进行下一步；
3).根据新的内点集合重新计算回归直线；
4).经过设定的迭代次数T(可调参数，本专利方法中设为1000次)后，返回当前记录的最优模型；
将通过Ransac模型计算出的转弯行为回归直线的参数存入表15所示的转弯行为回归直线参数表中；
车辆编号 直线斜率k 直线截距b
表15
4-4对所有车辆的转弯行为回归直线聚类分析
取表15数据，将回归直线的斜率k和截距b组成二维向量＜k,b＞，按照步骤3-6和3-7中的抽样调查方法进行抽样分析以及聚类分析，最终确定转弯行为阈值线y＝Kx+B；
4-5.根据y＝Kx+B计算每辆车的转弯行为评分
取表14，比如对于车辆x，共有Counttotal转弯条转弯数据＜r,v转弯＞,以x＝ri的方式代入y＝Kx+B，求得y′＝Kri+B和v转弯进行比较：
若v转弯＞y′＝Kri+B，则Count异常转弯加1；
Count异常转弯代表异常转弯行为的频次值，我们将评分定义为(如公式(4.5.1)所示：
创建表16所示的异常转弯行为评分表，将上述结果填入其中：
车辆编号 异常转弯行为评分
表16
步骤5.计算非路口转弯行为评分
非路口转弯行为是指不经过路口而在当前行驶的路段内进行掉头行驶的行为。
读取表4，按照公式4.2.1，统计N辆车的掉头Δd，获得阈值Δd2，找出Δd＞Δd2的数据对，这些数据代表该车辆前后两个时间点的行驶方向近似反向，Δd2可取160°。反向行驶数据数量为Count反向，所在路段为Road1和Road2。
由于有些路段的正反两个方向的车道在路网数据中记为两条路段，而有些小型路段则将两个车道记为一条路段，所以对于掉头行驶有以下两种情况：
1).Road1＝Road2，掉头次数Count掉头加1；
2).Road1＜＞Road2，读取表2路网信息表，查看Road1和Road2的起点经纬度、中点经纬度、终点经纬度、路段长度各项参数是否相同。
若相同，则说明Road1和Road2是同属同一条路段的两个方向的车道，掉头次数Count掉头加1；
若不相同，则说明Road1和Road2是不相关的两条路段。
创建表17所示的非路口转弯行为评分表，将上述结果填入其中：
车辆编号 非路口转弯行为评分
表17
步骤6.计算异常高速行为评分
对于车辆x，读取表4，速度为Speedi，所属路段为Roadi，时间为Ti。每读取一条数据，通过“浮动车数据计算实时道路速度方法”计算出路段Roadi该时刻对应的实时速度SpeedNow、SpeedLast_Day和SpeedWeek
设定阈值：α·SpeedNow，β·SpeedLast_Day，λ·SpeedWeek，其中，α＞1,β＞1,λ＞1
若Speedi＞α·SpeedNow，则说明此时车辆x的行驶速度超出该道路当前时刻平均速度，则CountNow加1；
若Speedi＞β·SpeedLast_Day，则说明此时车辆x的行驶速度超出该道路前一天道路平均速度，则CountLast_Day加1；
若Speedi＞λ·SpeedWeek，则说明此时车辆x的行驶速度超出该道路历史一周的平均通行速度，则CountWeek加1；
对CountNow、CountLast_Day和CountWeek分别赋予不同的权值，如公式(6.1.1)所示。
Count异常高速＝0.6*CountNow+0.3*CountLast_Day+0.1*CountWeek (6.1.1)
根据公式(6.1.2)计算车辆x的异常高速行为评分。
创建表18所示的异常高速行为评分表，将上述结果填入其中：
车辆编号 异常高速行为评分
表18
步骤7.计算驾驶行为总评分及排名
驾驶行为总评分等于各个驾驶行为评分之和。
将表12、表16、表17和表18汇总，计算驾驶安全行为的总评分，并以驾驶安全行为总评分为依据，对驾驶人员的驾驶安全行为进行排名；创建驾驶行为总评分表，如表19所示。
表19
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (10)

1.一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于，包括如下步骤：
(1)在数据库中导入浮动车数据和地图数据，基于浮动车数据和地图数据分别创建GPS数据表和路网信息表；并对浮动车数据进行预处理完成GPS数据表的修正；
(2)利用数据挖掘方法分析车辆的不安全驾驶行为，即异常加速/减速行为、异常转弯行为、非路口转弯行为、异常高速行为，将当前车辆的驾驶行为参数与驾驶行为参数基准阈值进行比较，判断是否发生异常加速/减速行为、异常转弯行为、非路口转弯行为、异常高速行为；其中，驾驶行为参数包括车速、加速度、方位角差，参数基准阈值通过历史交通数据统计获得。
2.根据权利要求1所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述异常加速/减速行为判断方法为：根据单个车辆速度-加速度分布情况，获取单个车辆不同速度区间对应的加速/减速阈值；以速度作变量，加速度作因变量，拟合单个车辆的加速度阈值曲线；抽取N辆车拟合的加速度阈值曲线的系数，将系数向量化，进行聚类分析，求得聚类中心，以聚类中心代表的系数建立的加速度阈值曲线作为基准加速度阈值曲线；当车辆行驶的加速度超出当前车速对应的基准加速度阈值曲线中的加速度阈值时，则判断车辆出现异常加速/减速行为。
3.根据权利要求1所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述异常路口转弯行为的判断方法为：根据方位角、位置坐标求取转弯半径，以转弯半径为变量，转弯速度为因变量，拟合单个车辆的转弯速度阈值曲线；抽取N辆车拟合的转弯速度阈值曲线的系数，将系数向量化，进行聚类分析，求得聚类中心，以聚类中心代表的系数建立的转弯速度阈值曲线作为基准转弯速度阈值曲线；当车辆行驶的转弯速度超出当前转弯半径对应的基准转弯速度阈值曲线中的转弯速度阈值时，则车辆出现异常路口转弯行为。
4.根据权利要求1所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述非路口转弯行为的判断方法为：根据前后GPS点的方位角差判断是否有掉头行为，比较前后GPS点所在路段是否为同一条路段，当同一条路段时，则车辆出现非路口转弯行为。
5.根据权利要求1所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述异常高速行为的判断方法为：根据路段历史车辆GPS数据获取道路的当前速度及各时段速度，根据道路各时段速度确定车辆高速基准阈值，当前车辆速度超出车辆高速基准阈值时，则车辆出现异常高速行为。
6.根据权利要求1所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：还包括如下步骤：
(3)对发生的不安全驾驶行为，即异常加速/减速行为、异常转弯行为、非路口转弯行为、异常高速行为，进行统计打分；
(4)将各不安全驾驶行为的评分进行汇总，计算驾驶安全行为的总评分，并以驾驶安全行为总评分为依据，对驾驶人员的驾驶安全行为进行排名。
7.根据权利要求6所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述对异常加速/减速行为的评分方法如下：
(a)根据车辆编号信息表的车辆编号顺序遍历，对每辆车进行分析，得到所有车辆的加速/减速行为边界曲线，并汇总得到加速/减速行为边界曲线系数表；其中，得到单辆车的加速/减速行为边界曲线的方法如下：
(a.1)计算加速度：从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，创建车辆x的加速数据表和减速数据表；其中，某时间间隔ΔT＝Ti-Ti+1的加速度如下式所示：
<mrow> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mi>&amp;Delta;</mi> <mi>V</mi> </mrow> <mrow> <mi>&amp;Delta;</mi> <mi>T</mi> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <msub> <mi>Speed</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>Speed</mi> <mi>i</mi> </msub> </mrow> <mrow> <msub> <mi>T</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>T</mi> <mi>i</mi> </msub> </mrow> </mfrac> </mrow>
如果ai＞0，则将＜Speedi,ai＞加入加速数据表中；如果ai＜0，则将＜Speedi,ai＞加入减速数据表中；＜Speedi,ai＞中，Speedi代表当前速度，ai是当前速度所对应的加速度；
(a.2)统计不同速度对应的加速度分布：遍历加速数据表的数据，将Speed字段四舍五入，归类为速度区间，将其对应的加速度按照从小到大的顺序排序，填入到加速度分布表I中；同理，对减速数据表的数据做处理得到加速度分布表II；
(a.3)计算车辆x的加速/减速行为边界值：取加速度分布表I中每个速度区间对应的已排序的加速度列表，将该加速度列表的第n个百分位数的加速度当做该速度区间对应的加速度边界值Limit_a，得到加速行为边界值表,其中n为自定义的；同理对加速度分布表II进行处理得到减速行为边界值表；合并得到加速/减速行为边界值表；(a.4)拟合车辆x的加速/减速行为边界曲线：根据加速/减速行为边界值表，将速度区间的中点xmiddle当做X坐标，将Limit_a当做Y坐标，将＜x,y＞＝＜xmiddle，Limit_a＞投射到二维坐标图中，并利用最小二乘法对图中的点进行拟合，得出车辆x的加速/减速行为边界曲线y＝ax2+bx+c；
(b)基于加速/减速行为边界曲线系数表进行抽样调查，得到抽样调查结果表；
(b.1)确定抽样调查的参数，参数包括样本大小Size和抽样次数Times；针对每个样本大小Size的取值，都有不同的抽样次数Times与其对应，组成抽样调查参数对＜Size,Times＞；根据参数对从总体样本中进行随机抽样，总体样本为加速/减速行为边界曲线系数表；
(b.2)对每个样本进行聚类分析，得到该样本的加速/减速行为阈值曲线L(Si):y＝acenterx2+bcenterx+ccenter，得到包含Times条加速/减速行为阈值曲线的曲线组L_Set；所述对每个样本进行聚类分析得到该样本的加速/减速行为阈值曲线的方法如下：
(b.2.1)将样本中的每条曲线的三个系数a、b、c组成一个三维向量＜a,b,c＞，得到向量样本；
(b.2.2)对样本中的所有向量Vectori＝＜ai,bi,ci＞按照下式进行归一化处理：
<mrow> <msup> <msub> <mi>Vector</mi> <mi>i</mi> </msub> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mo>&lt;</mo> <mfrac> <mrow> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>a</mi> </msub> </mrow> <msub> <mi>&amp;sigma;</mi> <mi>a</mi> </msub> </mfrac> <mo>,</mo> <mfrac> <mrow> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>b</mi> </msub> </mrow> <msub> <mi>&amp;sigma;</mi> <mi>b</mi> </msub> </mfrac> <mo>,</mo> <mfrac> <mrow> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>c</mi> </msub> </mrow> <msub> <mi>&amp;sigma;</mi> <mi>c</mi> </msub> </mfrac> <mo>&gt;</mo> </mrow>
其中，a为二次项系数，μa为a的均值，σa为a的标准差；
(b.3.3)对归一化处理过后的样本进行密度聚类分析，找出聚类结果中的最大类簇，求出该类簇所对应的原向量，并根据对应的原向量计算出该类簇的中心向量＜acenter,bcenter,ccenter＞，以该中心向量当做曲线方程系数构造曲线L:y＝acenterx2+bcenterx+ccenter，得到该样本的加速/减速行为阈值曲线；
(b.3)对曲线组L_Set中的曲线取其系数向量＜acenter,bcenter,ccenter＞，得到系数向量组Vector_Set；并对系数向量组Vector_Set按照如下公式计算，得到向量VectorSize,Times＝＜aSize,Times,bSize,Times,cSize,Times＞，并创建抽样调查结果表，将该向量存入表中；
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>Vector</mi> <mrow> <mi>S</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mn>1</mn> <mrow> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>s</mi> </mrow> </munderover> <mo>&lt;</mo> <msub> <mi>a</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>n</mi> <mi>t</mi> <mi>e</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>b</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>n</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>c</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>n</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mo>&gt;</mo> </mrow> <mrow> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mfrac> <mrow> <mo>&lt;</mo> <munderover> <mi>&amp;Sigma;</mi> <mn>1</mn> <mrow> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </munderover> <msub> <mi>a</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>n</mi> <mi>t</mi> <mi>e</mi> </mrow> </msub> <mo>,</mo> <munderover> <mi>&amp;Sigma;</mi> <mn>1</mn> <mrow> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </munderover> <msub> <mi>b</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>n</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mo>,</mo> <munderover> <mi>&amp;Sigma;</mi> <mn>1</mn> <mrow> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </munderover> <msub> <mi>c</mi> <mrow> <mi>c</mi> <mi>e</mi> <mi>n</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mo>&gt;</mo> </mrow> <mrow> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mo>&lt;</mo> <msub> <mi>a</mi> <mrow> <mi>S</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>b</mi> <mrow> <mi>S</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>c</mi> <mrow> <mi>S</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> <mo>,</mo> <mi>T</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mo>&gt;</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
(c)对抽样调查结果表中的结果进行分析，判断抽样调查的稳定性；根据如下公式计算出抽样调查结果的变异系数CV：
<mrow> <mi>C</mi> <mi>V</mi> <mo>=</mo> <msub> <mi>CV</mi> <mi>a</mi> </msub> <mo>+</mo> <msub> <mi>CV</mi> <mi>b</mi> </msub> <mo>+</mo> <msub> <mi>CV</mi> <mi>c</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>&amp;sigma;</mi> <mi>a</mi> </msub> <msub> <mi>&amp;mu;</mi> <mi>a</mi> </msub> </mfrac> <mo>+</mo> <mfrac> <msub> <mi>&amp;sigma;</mi> <mi>b</mi> </msub> <msub> <mi>&amp;mu;</mi> <mi>b</mi> </msub> </mfrac> <mo>+</mo> <mfrac> <msub> <mi>&amp;sigma;</mi> <mi>c</mi> </msub> <msub> <mi>&amp;mu;</mi> <mi>c</mi> </msub> </mfrac> </mrow>
若变异系数CV＜10-3，则代表稳定，将最后一次抽样结果Vectorlast＝＜A,B,C＞作为抽样分析的结果，否则重新执行步骤(b)；
(d)根据y＝Ax2+Bx+C计算每辆车的加速/减速评分：对于车辆x，有Total_Count加速(减速)条加速/减速数据＜Speedi,|ai|＞,以x＝Speedi的方式代入y＝Ax2+Bx+C，求得y′＝A*(Speedi)2+B*Speedi+C和ai进行比较：
若|ai|＞y′＝A*(Speedi)2+B*Speedi+C，则Count异常加速(减速)加1；Count异常加速(减速)代表异常加速/减速行为的频次值，创建异常加速/减速行为评分表，并将评分结果填入表中；评分计算公式如下所示：
8.根据权利要求6所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述对异常路口转弯行为的评分方法如下：
(A)取路网信息表，并从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计出路网中的路口，并找出跨路口轨迹链，创建跨路口轨迹链表，表中的每两条相邻数据是一对跨路口轨迹链；
(B)计算转弯半径和转弯速度，创建得到转弯参数表；计其中，算方法如下：
读取跨路口轨迹链表，同一辆车的一对跨路口轨迹链的方位角度差为Δd＝|diri+1-diri|；其经纬度坐标为＜lon1,lat1＞和＜lon2,lat2＞，计算出该数据对所行驶的路程为
distance＝arccos[coslat1*coslat2*cos(lon1-lon2)+sin lat1*sin lat2]*Earth_Ridus
根据如下公式计算得到转弯半径为
<mrow> <mi>r</mi> <mo>=</mo> <mfrac> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi> </mi> <mi>tan</mi> <mi> </mi> <mi>c</mi> <mi>e</mi> <mo>*</mo> <mn>180</mn> </mrow> <mrow> <mi>&amp;Delta;</mi> <mi>d</mi> <mo>*</mo> <mi>&amp;pi;</mi> </mrow> </mfrac> </mrow>
转弯速度取两条数据的速度平均值，如下所示：
(C)根据Ransac模型计算转弯行为回归直线，并创建转弯行为回归直线参数表；
(D)对所有车辆的转弯行为回归直线聚类分析：取转弯行为回归直线参数表的数据，将回归直线的斜率k和截距b组成二维向量＜k,b＞，进行抽样分析以及聚类分析，确定转弯行为阈值线y＝Kx+B；
(E)根据y＝Kx+B计算每辆车的转弯行为评分：取转弯参数表，对于车辆x，共有Counttotal转弯条转弯数据＜r,v转弯＞,以x＝ri的方式代入y＝Kx+B，求得y′＝Kri+B和v转弯进行比较：
若v转弯＞y′＝Kri+B，则Count异常转弯加1；Count异常转弯代表异常转弯行为的频次值，创建异常路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
9.根据权利要求6所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述对非路口转弯行为的评分方法为：
(i)从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，统计N辆车的掉头Δd，获得阈值Δd2，并找出Δd＞Δd2的数据对，这些数据代表该车辆前后两个时间点的行驶方向近似反向，其中，Δd2可取160°，反向行驶数据数量为Count反向，所在路段为Road1和Road2；
(ii)若Road1＝Road2，掉头次数Count掉头加1；
(iii)若Road1＜＞Road2，则读取路网信息表，查看Road1和Road2的起点经纬度、中点经纬度、终点经纬度、路段长度各项参数是否相同；若相同，则掉头次数Count掉头加1；
(iv)创建非路口转弯行为评分表，并将评分结果填入表中，评分计算公式如下所示：
10.根据权利要求6所述的一种基于海量交通数据分析的车辆安全驾驶行为分析方法，其特征在于：所述对异常高速行为的评分方法为：(I)从GPS数据表中按时间先后顺序分别读取车辆x的GPS数据，速度为Speedi，所属路段为Roadi，时间为Ti；每读取一条数据，通过浮动车数据计算实时道路速度方法计算出路段Roadi该时刻对应的实时速度SpeedNow、SpeedLast_Day和SpeedWeek；
(II)将计算得到的实时速度设定为阈值：α·SpeedNow，β·SpeedLast_Day，λ·SpeedWeek，其中，α＞1,β＞1,λ＞1；
(III)若Speedi＞α·SpeedNow，则说明此时车辆x的行驶速度超出该道路当前时刻平均速度，则CountNow加1；
若Speedi＞β·SpeedLast_Day，则说明此时车辆x的行驶速度超出该道路前一天道路平均速度，则CountLast_Day加1；
若Speedi＞λ·SpeedWeek，则说明此时车辆x的行驶速度超出该道路历史一周的平均通行速度，则CountWeek加1；
(IV)对CountNow、CountLast_Day和CountWeek分别赋予不同的权值，如下式所示：
Count异常高速＝0.6*CountNow+0.3*CountLast_Day+0.1*CountWeek
(V)根据如下公式计算车辆x的异常高速行为评分，并创建异常高速行为评分表，将评分结果填入表中；
CN201711206149.5A 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 Active CN108091133B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711206149.5A CN108091133B (zh) 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法
CN201911064227.1A CN110910636B (zh) 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711206149.5A CN108091133B (zh) 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN201911064227.1A Division CN110910636B (zh) 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Publications (2)

Publication Number Publication Date
CN108091133A true CN108091133A (zh) 2018-05-29
CN108091133B CN108091133B (zh) 2020-01-10

Family

ID=62173242

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201911064227.1A Active CN110910636B (zh) 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法
CN201711206149.5A Active CN108091133B (zh) 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201911064227.1A Active CN110910636B (zh) 2017-11-27 2017-11-27 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Country Status (1)

Country Link
CN (2) CN110910636B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108909719A (zh) * 2018-07-27 2018-11-30 爱驰汽车有限公司 电动汽车的驾驶习惯识别方法、系统、设备以及存储介质
CN109448387A (zh) * 2018-10-17 2019-03-08 眉山德鑫航空设备股份有限公司 基于轨迹的违规行驶判定方法
CN109615879A (zh) * 2018-12-28 2019-04-12 成都路行通信息技术有限公司 基于车联网的车速异常预警模型、方法及模型构建方法
CN109671275A (zh) * 2019-02-14 2019-04-23 成都路行通信息技术有限公司 一种获取车辆以及交通状态的方法
CN110001653A (zh) * 2019-03-29 2019-07-12 腾讯科技（深圳）有限公司 一种驾驶行为评估方法、服务器及计算机可读介质
CN110239559A (zh) * 2019-07-02 2019-09-17 绍兴数鸿科技有限公司 基于新能源车数据的危险驾驶车辆检测方法及装置
CN110379163A (zh) * 2019-07-26 2019-10-25 银江股份有限公司 一种基于轨迹数据的车辆异常减速区域检测方法及系统
CN110555733A (zh) * 2019-09-02 2019-12-10 上海评驾科技有限公司 一种基于智能手机的用户行程驾乘识别的方法
CN110728842A (zh) * 2019-10-23 2020-01-24 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110766943A (zh) * 2019-10-25 2020-02-07 山东交通学院 一种基于事故数据的不良驾驶行为判定的监测方法和系统
CN111724599A (zh) * 2020-06-30 2020-09-29 暨南大学 安全驾驶行为评价数据的获取方法、装置、设备和介质
CN111881863A (zh) * 2020-08-03 2020-11-03 成都西交智汇大数据科技有限公司 一种区域群体异常行为检测方法
CN111968365A (zh) * 2020-07-24 2020-11-20 武汉理工大学 一种非信号交叉口车辆行为分析方法、系统及存储介质
CN112543937A (zh) * 2020-05-26 2021-03-23 华为技术有限公司 数据处理方法、装置及设备
CN113515562A (zh) * 2021-09-13 2021-10-19 天津所托瑞安汽车科技有限公司 一种事故数据分析方法、装置、设备及存储介质
CN114187489A (zh) * 2021-12-14 2022-03-15 中国平安财产保险股份有限公司 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
US11420649B2 (en) * 2020-03-24 2022-08-23 Here Global B.V. Method, apparatus, and computer program product for generating turn paths through an intersection
CN116401560A (zh) * 2023-06-07 2023-07-07 上海伯镭智能科技有限公司 一种基于无人驾驶车辆的运行异常检测方法
CN116704750A (zh) * 2023-05-06 2023-09-05 浙江大学 一种基于聚类算法的交通状态识别方法、电子设备、介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910636B (zh) * 2017-11-27 2021-08-10 银江股份有限公司 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226622A1 (en) * 2012-02-08 2013-08-29 Tomtom North America Inc. Methods Using Speed Distribution Profiles
CN104590275A (zh) * 2014-11-27 2015-05-06 厦门雅迅网络股份有限公司 一种驾驶行为分析方法
CN104699955A (zh) * 2015-01-31 2015-06-10 北京新能源汽车股份有限公司 一种驾驶行为评分方法及其系统
CN104765969A (zh) * 2015-04-22 2015-07-08 北京交通大学 驾驶行为分析方法
CN106127883A (zh) * 2016-06-23 2016-11-16 北京航空航天大学 驾驶事件检测方法
CN106297280A (zh) * 2015-05-22 2017-01-04 高德软件有限公司 一种信息处理方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012014692A (ja) * 2010-06-30 2012-01-19 Hyundai Motor Co Ltd 交差点回転情報を反映した交通情報提供システム及びその方法
US9351019B2 (en) * 2012-12-27 2016-05-24 Automotive Research & Testing Center System for detecting vehicle driving state
CN104463244A (zh) * 2014-12-04 2015-03-25 上海交通大学 基于智能移动终端的异常驾驶行为监测和识别方法及系统
CN105761483B (zh) * 2014-12-16 2019-08-09 高德软件有限公司 一种车辆数据处理方法及设备
CN106840176B (zh) * 2016-12-28 2020-01-31 济宁中科先进技术研究院有限公司 Gps时空数据增量路网实时更新和轨迹匹配系统
CN107284451A (zh) * 2017-06-22 2017-10-24 北京雄信息科技有限公司 基于gps的不良驾驶行为的监测方法和系统
CN110910636B (zh) * 2017-11-27 2021-08-10 银江股份有限公司 一种基于海量交通数据分析的车辆安全驾驶行为分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130226622A1 (en) * 2012-02-08 2013-08-29 Tomtom North America Inc. Methods Using Speed Distribution Profiles
CN104590275A (zh) * 2014-11-27 2015-05-06 厦门雅迅网络股份有限公司 一种驾驶行为分析方法
CN104699955A (zh) * 2015-01-31 2015-06-10 北京新能源汽车股份有限公司 一种驾驶行为评分方法及其系统
CN104765969A (zh) * 2015-04-22 2015-07-08 北京交通大学 驾驶行为分析方法
CN106297280A (zh) * 2015-05-22 2017-01-04 高德软件有限公司 一种信息处理方法和装置
CN106127883A (zh) * 2016-06-23 2016-11-16 北京航空航天大学 驾驶事件检测方法

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108909719A (zh) * 2018-07-27 2018-11-30 爱驰汽车有限公司 电动汽车的驾驶习惯识别方法、系统、设备以及存储介质
CN109448387A (zh) * 2018-10-17 2019-03-08 眉山德鑫航空设备股份有限公司 基于轨迹的违规行驶判定方法
CN109448387B (zh) * 2018-10-17 2021-06-29 四川德鑫航空设备股份有限公司 基于轨迹的违规行驶判定方法
CN109615879A (zh) * 2018-12-28 2019-04-12 成都路行通信息技术有限公司 基于车联网的车速异常预警模型、方法及模型构建方法
CN109671275A (zh) * 2019-02-14 2019-04-23 成都路行通信息技术有限公司 一种获取车辆以及交通状态的方法
CN109671275B (zh) * 2019-02-14 2020-11-24 成都路行通信息技术有限公司 一种获取车辆以及交通状态的方法
CN110001653A (zh) * 2019-03-29 2019-07-12 腾讯科技（深圳）有限公司 一种驾驶行为评估方法、服务器及计算机可读介质
CN110001653B (zh) * 2019-03-29 2021-03-26 腾讯科技（深圳）有限公司 一种驾驶行为评估方法、服务器及计算机可读介质
CN110239559A (zh) * 2019-07-02 2019-09-17 绍兴数鸿科技有限公司 基于新能源车数据的危险驾驶车辆检测方法及装置
CN110379163A (zh) * 2019-07-26 2019-10-25 银江股份有限公司 一种基于轨迹数据的车辆异常减速区域检测方法及系统
CN110555733A (zh) * 2019-09-02 2019-12-10 上海评驾科技有限公司 一种基于智能手机的用户行程驾乘识别的方法
CN110728842A (zh) * 2019-10-23 2020-01-24 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110728842B (zh) * 2019-10-23 2021-10-08 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110766943B (zh) * 2019-10-25 2021-12-14 山东交通学院 一种基于事故数据的不良驾驶行为判定的监测方法和系统
CN110766943A (zh) * 2019-10-25 2020-02-07 山东交通学院 一种基于事故数据的不良驾驶行为判定的监测方法和系统
US11420649B2 (en) * 2020-03-24 2022-08-23 Here Global B.V. Method, apparatus, and computer program product for generating turn paths through an intersection
CN112543937A (zh) * 2020-05-26 2021-03-23 华为技术有限公司 数据处理方法、装置及设备
CN111724599B (zh) * 2020-06-30 2021-07-16 暨南大学 安全驾驶行为评价数据的获取方法、装置、设备和介质
CN111724599A (zh) * 2020-06-30 2020-09-29 暨南大学 安全驾驶行为评价数据的获取方法、装置、设备和介质
CN111968365B (zh) * 2020-07-24 2022-02-15 武汉理工大学 一种非信号交叉口车辆行为分析方法、系统及存储介质
CN111968365A (zh) * 2020-07-24 2020-11-20 武汉理工大学 一种非信号交叉口车辆行为分析方法、系统及存储介质
CN111881863B (zh) * 2020-08-03 2021-04-13 成都西交智汇大数据科技有限公司 一种区域群体异常行为检测方法
CN111881863A (zh) * 2020-08-03 2020-11-03 成都西交智汇大数据科技有限公司 一种区域群体异常行为检测方法
CN113515562B (zh) * 2021-09-13 2022-02-08 天津所托瑞安汽车科技有限公司 一种事故数据分析方法、装置、设备及存储介质
CN113515562A (zh) * 2021-09-13 2021-10-19 天津所托瑞安汽车科技有限公司 一种事故数据分析方法、装置、设备及存储介质
CN114187489A (zh) * 2021-12-14 2022-03-15 中国平安财产保险股份有限公司 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
CN114187489B (zh) * 2021-12-14 2024-04-30 中国平安财产保险股份有限公司 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
CN116704750A (zh) * 2023-05-06 2023-09-05 浙江大学 一种基于聚类算法的交通状态识别方法、电子设备、介质
CN116704750B (zh) * 2023-05-06 2024-01-12 浙江大学 一种基于聚类算法的交通状态识别方法、电子设备、介质
CN116401560A (zh) * 2023-06-07 2023-07-07 上海伯镭智能科技有限公司 一种基于无人驾驶车辆的运行异常检测方法
CN116401560B (zh) * 2023-06-07 2023-08-25 上海伯镭智能科技有限公司 一种基于无人驾驶车辆的运行异常检测方法

Also Published As

Publication number Publication date
CN108091133B (zh) 2020-01-10
CN110910636B (zh) 2021-08-10
CN110910636A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN108091133B (zh) 一种基于海量交通数据分析的车辆安全驾驶行为分析方法
CN112508392B (zh) 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN106095963B (zh) 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
Abdel-Aty et al. Crash estimation at signalized intersections along corridors: analyzing spatial effect and identifying significant factors
US20190189005A1 (en) Method for judging highway abnormal event
CN106649709B (zh) 一种基于数据挖掘的车辆停留行为模式预测与评估方法
Fugiglando et al. Characterizing the" driver dna" through can bus data analysis
CN110239559B (zh) 基于新能源车数据的危险驾驶车辆检测方法及装置
DE102013212235A1 (de) Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche
Anderson et al. Heavy-vehicle crash rate analysis: Comparison of heterogeneity methods using Idaho crash data
CN106956680B (zh) 一种电动汽车驾驶行为识别分析方法
Zhou et al. Comparing factors affecting injury severity of passenger car and truck drivers
CN110222421B (zh) 一种行驶路线集中度评估方法及系统
Shen et al. Identification of accident blackspots on rural roads using grid clustering and principal component clustering
Chen et al. Evaluating the impacts of grades on vehicular speeds on interstate highways
Malaghan et al. Modeling acceleration and deceleration rates for two-lane rural highways using global positioning system data
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
CN113284369B (zh) 一种基于ads-b实测航路数据的预测方法
CN113095387B (zh) 基于联网车载adas的道路风险识别方法
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN114495519B (zh) 一种高速公路智慧可视化展示系统
CN116484244A (zh) 基于聚类模型的自动驾驶事故发生机制分析方法
CN116153108A (zh) 一种使用随机森林模型评估照明对交叉口安全影响的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee before: ENJOYOR Co.,Ltd.