CN109636250A - 一种危险货物卡车生存概率和危险概率的预测方法 - Google Patents

Abstract

本发明公开了一种危险货物卡车生存概率和危险概率的预测方法，包括以下步骤：1.将车载GPS设备采集的车辆行驶数据作为GPS数据库；2.设定若干个风险暴露因子，将风险暴露因子进行标准化处理，作为样本；然后将数据按照8:2的比例随机分为建模数据和验证数据；3.将步骤二中的风险暴露因子利用基于主成分分析的因子分析计算基础变量，提取基本因子变量x1、x2、x3和x4，进而生成生存函数和危险函数；4.采用步骤三中的生存函数和危险函数对车辆在特定里程时存活的概率和在特定里程时发生事故的概率进行计算，将计算结果反馈给驾驶员进行预警。在危险货物卡车出行前对危险进行评估，提前进行预警提示，降低交通事故发生率。

Description

一种危险货物卡车生存概率和危险概率的预测方法

技术领域

本发明属于领域，涉及一种危险货物卡车生存概率和危险概率的预测方法。

背景技术

根据联邦汽车承运人安全管理报告，2014年、2015年和2016年分别发生了3744起、3598起和3864起，涉及大型卡车的致命事故。卡车司机面临的风险比其他工作要大，死亡的可能性是美国普通工人的12倍。这些令人震惊的事实表明，卡车是造成致命机动车撞车事故的主要因素，每年造成重大生命和生产力损失。作为一种卡车运输，商业危险品运输(CDGT)的道路交通在国家或国际水平继续在世界各地兴起。

两个方面的因素可能会对CDGT的安全性产生重大影响。第一个方面是司机和车辆的核心安全，是司机和车辆本身的安全特征，使一个司机或车辆在相同的驾驶环境中比另一个司机或车辆更安全。据报道，一些因素与驾驶员的核心安全有着密切的关系，如驾驶技能、驾驶经验、人格，对安全的态度，年龄，性别，风险行为等。车辆的核心安全是由车辆状况决定的，如智能驾驶辅助系统、品牌、维护等。驾驶员和车辆的核心安全可以在一段时间内保持相对稳定的性能。在短时间内，司机和车辆的运输风险变化可能主要取决于其他方面的因素：风险暴露因素。风险暴露因素，包括与司机和车辆相比CDGT风险方面的所有因素，都使同一司机和车辆在不同的驾驶环境中具有不同的风险概率。里程是最常见的风险暴露因素，许多其他风险暴露因素也已被证明对运输风险产生影响，如天气、道路类型、气候、白天或夜晚、行驶速度、工作日或者周末和交通状况。目前，很少有文献关注CDGT安全与风险暴露因素之间的关系。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种危险货物卡车生存概率和危险概率的预测方法，对危险货物卡车在特定里程时存活的概率和在特定里程时发生事故的概率进行计算，从而能够提前进行预警提示，降低交通事故的发生率。

为达到上述目的，本发明采用以下技术方案予以实现：

一种危险货物卡车生存概率和危险概率的预测方法，包括以下步骤：

步骤一，建立GPS数据库：将车载GPS设备采集的车辆行驶数据作为GPS数据库；

步骤二，处理数据：根据GPS数据库中的数据，设定若干个风险暴露因子，将风险暴露因子进行标准化处理，作为样本；然后将数据按照8:2的比例随机分为建模数据和验证数据；

步骤三，构建风险暴露因素的生存函数和危险函数：通过使用指数、对数逻辑、对数正态、伽马和威布尔分布等参数化方法，将步骤二所述的风险暴露因子利用基于主成分分析的因子分析计算基础变量，提取基本因子变量x1、x2、x3和x4，进而生成生存函数和危险函数；

步骤四，采用步骤三中的生存函数和危险函数对车辆在特定里程时存活的概率和在特定里程时发生事故的概率进行计算，将计算结果反馈给驾驶员进行预警。

优选的，步骤二所述的风险暴露因子为17个，包括：在0am-5am之间行驶的累计里程T1，在5am-9am之间行驶的累计里程T2，在9am-5pm之间行驶的累计里程T3，在5pm-10pm之间行驶的累计里程T4，在10pm-12pm之间行驶的累计里程T5，在工作日除星期五外行驶的累计里程D1，在非工作日和周五行驶的累计里程D2，在城市道路行驶的前一周累计里程R1，在公路上行驶的累计里程R2，在高速公路上行驶的累计里程R3，车速在0km/h-40km/h之间的累计里程V1，车速在40km/h-60km/h之间的的累计里程V2，车速在60km/h-80km/h之间的的累计里程V3，车速大于80km/h的累计里程V4，交通流量TF，天气W，总累计里程M。

进一步，城市道路对应功能型公路等级分类中的一级公路和二级公路，乡村道路对应功能型公路等级分类中的三级公路和四级公路。

进一步，天气W分为晴天和阴天W1和其他雨雪天气W2。

再进一步，步骤二所述的17个风险暴露因子的标准法处理方法如下：

交通流量计算方法：

其中：是平均绝对加速度，指第d天危险货物卡车的交通流量，是第d天收集间隔i中危险货物卡车的加速度，N是收集间隔的总数；

晴天和阴天的计算方法：

其他天气的计算方法：

其中：N_w1是W1的数量，N_w2是W2的数量。

再进一步，步骤三所述的生存函数构建如下：

第一步，使用威布尔分布建模生存函数：S(d)＝exp(-λd^m)，其中，m表示形状参数，λ为比例参数；

第二步，使用因子分析提取四个基本因子变量x1、x2、x3和x4；

x1代表良好的驾驶环境和交通流量：M、T2、T3、D1、V3、R2和TF具有高负载；

x2代表差的驾驶环境：V1、V2和R1具有高负载；

x3代表夜间的驾驶环境：T1和T5具有高负载；

x4代表天气：仅对W1或W2高负载；

因子分析系数矩阵b为：

第三步，因子变量函数ha(x)＝-0.0915x1-0.1535x3-0.1410x4+13.4235，d为日期；

第四步，得出基于基本因子变量的生存函数：

第五步，得出基于基本因子变量的危险函数：

优选的，步骤四中，当危险概率为排序的30％位，对驾驶员进行二级预警，当危险概率为排序的50％位，对驾驶员进行一级预警。

优选的，用步骤二中的验证数据估计的生存曲线与建模数据的平均值的差异验证生存函数的实用性，以及建模数据与验证数据之间的危险概率的相对差异对危险函数进行验证。

进一步，生存函数的验证具体为：使用建模数据和验证数据估计的生存曲线差异：其中是使用建模数据评估的d_i中的生存概率，是使用验证数据评估的d_i中的生存概率，d_i是100份，均匀分布在0到100000000之间，当两者曲线差异Diff_c<5时，表明生存函数具有良好的稳定性；

危险函数的验证具体为：危险货物客车的两种危险概率之间的相对差异其中H1为使用验证数据评估的生存函数的函数值，H2为使用建模数据评估的生存函数的函数值，当R<10％，表明危险函数对于不同的数据具有良好的稳定性。

与现有技术相比，本发明具有以下有益效果：

本发明通过采用历史数据，将行驶数据划分为若干个预测变量，标准化处理后作为样本，通过构建风险暴露因素的生存函数和危险函数，能够对未来时间段内危险货物卡车的发生事故的概率和生存概率进行计算，在危险货物卡车出行前对它的危险进行评估，从而能够提前进行预警提示，降低交通事故的发生率，该方法可用于运输公司安全管理，运输规划和保险定价。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

如图1所示，本发明所述的方法包括以下步骤；

步骤一、建立GPS数据库：将车载GPS设备采集的车辆行驶数据作为GPS数据库。车辆行驶数据包括车辆的车牌号，经纬度，车辆速度，方向，位置地址以及时间戳。

步骤二、处理数据：根据GPS数据库中的数据，推导出17个风险暴露因子，并将这17个风险暴露因子进行标准化处理，如表1所示。

表1

风险暴露变量	变量描述
		T1	0am～5am之间行驶的累积里程
T2	5am～9am之间行驶的累积里程
		T3	9am～5pm之间行驶的累积里程
T4	5pm～10pm之间行驶的累积里程
		T5	10pm～12pm之间行驶的累积里程
D1	在除周五以外的工作日行驶的累积里程
		D2	在周末以及周五行驶的累积里程
R1	在城市道路上行驶的累积里程
		R2	在乡村道路上行驶的累积里程
R3	在高速公路上行驶的累积里程
		V1	0km/h～40km/h之间行驶的累积里程
V2	40km/h～60km/h之间行驶的累积里程
		V3	60km/h～80km/h之间行驶的累积里程
V4	>80km/h行驶的累积里程
		W	天气
TF	交通流量
		M	行驶的总累积里程

城市道路对应功能型公路等级分类中的一级公路和二级公路，乡村道路对应功能型公路等级分类中的三级公路和四级公路。

将这17个风险暴露因子进行标准化处理，收集了超过60000个车辆/天数据。

风险暴露因子的标准法处理方法如下：

交通流量计算方法：

其中：是平均绝对加速度，指第d天危险货物卡车的交通流量，是第d天收集间隔i中危险货物卡车的加速度，N是收集间隔的总数；

天气W分为晴天和阴天W1和其他雨雪天气W2

晴天和阴天的计算方法：

其他天气的计算方法：

其中：N_w1是W1的数量，N_w2是W2的数量。

在匹配驾驶员、车辆、非事故里程记录和事故数据后，可获得153个危险货物卡车的41200个车辆/天数据，其中来自11个危险货物卡车的3050个车辆/天数据是事故车辆数据。然后将数据按照8:2的比例随机分为建模数据和验证数据。

步骤三、构建风险暴露因素的生存函数和危险函数：

首先，通过使用指数、对数逻辑、对数正态、伽马和威布尔分布等参数化方法建模生存函数：S(d)＝exp(-λd^m)；其中，m表示形状参数，λ为比例参数；

其次风险暴露因子利用基于主成分分析的因子分析计算基础变量，提取基本因子变量：x1代表良好的驾驶环境和交通流量：M、T2、T3、D1、V3、R2和TF具有高负载；x2代表差的驾驶环境：V1、V2和R1具有高负载；x3代表夜间的驾驶环境：T1和T5具有高负载；x4代表天气：仅对W1或W2高负载。且因子分析系数矩阵b为：

最后得出基于基本因子变量的生存函数：其中ha(x)＝-0.0915x1-0.1535x3-0.1410x4+13.4235，d为日期。

得出基于基本因子变量的危险函数：其中ha(x)＝-0.0915x1-0.1535x3-0.1410x4+13.4235。

步骤四、采用步骤三中的生存函数和危险函数对车辆在特定里程时存活的概率和在特定里程时发生事故的概率进行计算，将计算结果反馈给驾驶员进行预警，当危险概率为排序的30％位，对驾驶员进行二级预警，当危险概率为排序的50％位，对驾驶员进行一级预警。

此外，生存函数和危险函数方法的验证，采用步骤二中的验证数据估计的生存曲线与建模数据的平均值的差异验证生存函数的稳定性，以及建模数据与验证数据之间的危险概率的相对差异对危险函数进行验证：

生存函数的验证具体为：使用建模数据和验证数据估计的生存曲线差异：其中是使用建模数据评估的d_i中的生存概率，是使用验证数据评估的d_i中的生存概率，d_i是100份，均匀分布在0到100000000之间，当两者曲线差异Diff_c<5时，表明生存函数具有良好的稳定性。

危险函数的验证具体为：危险货物客车的两种危险概率之间的相对差异其中H1为使用验证数据评估的生存函数的函数值，H2为使用建模数据评估的生存函数的函数值，当R<10％，表明危险函数对于不同的数据具有良好的稳定性。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，包括以下步骤：

步骤一，建立GPS数据库：将车载GPS设备采集的车辆行驶数据作为GPS数据库；

步骤二，处理数据：根据GPS数据库中的数据，设定若干个风险暴露因子，将风险暴露因子进行标准化处理，作为样本；然后将数据按照8:2的比例随机分为建模数据和验证数据；

步骤三，构建风险暴露因素的生存函数和危险函数：通过使用指数、对数逻辑、对数正态、伽马和威布尔分布等参数化方法，将步骤二所述的风险暴露因子利用基于主成分分析的因子分析计算基础变量，提取基本因子变量x1、x2、x3和x4，进而生成生存函数和危险函数；

步骤四，采用步骤三中的生存函数和危险函数对车辆在特定里程时存活的概率和在特定里程时发生事故的概率进行计算，将计算结果反馈给驾驶员。

2.根据权利要求1所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，步骤二所述的风险暴露因子为17个，包括：在0am-5am之间行驶的累计里程T1，在5am-9am之间行驶的累计里程T2，在9am-5pm之间行驶的累计里程T3，在5pm-10pm之间行驶的累计里程T4，在10pm-12pm之间行驶的累计里程T5，在工作日除星期五外行驶的累计里程D1，在非工作日和周五行驶的累计里程D2，在城市道路行驶的前一周累计里程R1，在公路上行驶的累计里程R2，在高速公路上行驶的累计里程R3，车速在0km/h-40km/h之间的累计里程V1，车速在40km/h-60km/h之间的的累计里程V2，车速在60km/h-80km/h之间的的累计里程V3，车速大于80km/h的累计里程V4，交通流量TF，天气W，总累计里程M。

3.根据权利要求2所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，城市道路对应功能型公路等级分类中的一级公路和二级公路，乡村道路对应功能型公路等级分类中的三级公路和四级公路。

4.根据权利要求2所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，天气W分为晴天和阴天W1和其他雨雪天气W2。

5.根据权利要求4所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，步骤二所述的17个风险暴露因子的标准法处理方法如下：

交通流量计算方法：

其中：是平均绝对加速度，指第d天危险货物卡车的交通流量，是第d天收集间隔i中危险货物卡车的加速度，N是收集间隔的总数；

晴天和阴天的计算方法：

其他天气的计算方法：

其中：N_w1是W1的数量，N_w2是W2的数量。

6.根据权利要求5所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，步骤三所述的生存函数构建如下：

第一步，使用威布尔分布建模生存函数：S(d)＝exp(-λd^m)，其中，m表示形状参数，λ为比例参数；

第二步，使用因子分析提取四个基本因子变量x1、x2、x3和x4；

x1代表良好的驾驶环境和交通流量：M、T2、T3、D1、V3、R2和TF具有高负载；

x2代表差的驾驶环境：V1、V2和R1具有高负载；

x3代表夜间的驾驶环境：T1和T5具有高负载；

x4代表天气：仅对W1或W2高负载；

因子分析系数矩阵b为：

第三步，因子变量函数ha(x)＝-0.0915x1-0.1535x3-0.1410x4+13.4235，d为日期；

第四步，得出基于基本因子变量的生存函数：

第五步，得出基于基本因子变量的危险函数：

7.根据权利要求1所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，步骤四中，当危险概率为排序的30％位，对驾驶员进行二级预警，当危险概率为排序的50％位，对驾驶员进行一级预警。

8.根据权利要求1所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，用步骤二中的验证数据估计的生存曲线与建模数据的平均值的差异验证生存函数的实用性，以及建模数据与验证数据之间的危险概率的相对差异对危险函数进行验证。

9.根据权利要求8所述的一种危险货物卡车生存概率和危险概率的预测方法，其特征在于，生存函数的验证具体为：使用建模数据和验证数据估计的生存曲线差异：其中是使用建模数据评估的d_i中的生存概率，是使用验证数据评估的d_i中的生存概率，d_i是100份，均匀分布在0到100000000之间，当两者曲线差异Diff_c<5时，表明生存函数具有良好的稳定性；

危险函数的验证具体为：危险货物客车的两种危险概率之间的相对差异其中H1为使用验证数据评估的生存函数的函数值，H2为使用建模数据评估的生存函数的函数值，当R<10％，表明危险函数对于不同的数据具有良好的稳定性。