CN109649396B - 一种营运车辆驾驶员安全性检测方法 - Google Patents

Abstract

本发明公开了一种营运车辆驾驶员安全性检测方法，本发明根据行车过程中的车辆运动状态数据和车辆与周围交通环境之间相对关系参数的数据，基于层次分析法建立营运驾驶员安全性初始检测模型，得到驾驶员安全检测总分，并进行安全性分级判别，评估驾驶员的安全性，本方法以驾驶员为单位建立数据库，能够根据样本量的增加更新指标权重，随着数据量增大，营运驾驶员安全性检测的准确度也会随之增加，本方法具有高智能化，全自动化，无需操作，且可靠性高的优点。

Description

一种营运车辆驾驶员安全性检测方法

技术领域

本发明涉及营运车辆驾驶员安全管理领域，具体涉及一种营运车辆驾驶员安全性检测方法。

背景技术

营运车辆在我国数量众大，承担了我国道路运输业中绝大部分的旅客运输与货物运输。随着我国国民经济的不断发展，营运车辆的数量以及整个运输行业的规模仍将进一步扩展，但营运车辆所引发的事故从数量或者严重程度而言依然给行业的发展带来巨大的不利。近年来，由营运车辆所引发的群死群伤事故或者造成巨大社会影响的事故依然频繁发生，严重阻碍了道路运输业的安全发展。由此可见，如何改善和提高营运车辆的交通安全水平已经成为制约我国客货运输业健康、快速发展的关键难题，对其进行攻关研究势在必行。

营运车辆驾驶员监管的主要机构是运输企业，运输企业是营运车辆交通事故的责任主体，直接对其所属营运车辆和驾驶员进行安全管理，其管理水平的高低直接决定了所属营运车辆的安全程度。驾驶人不安全驾驶行为是导致交通事故最主要、最直接的原因。因此，对不安全驾驶行为监测和分析方法进行研究，进而建立安全管理综合分析系统，加强营运驾驶员的安全监管工作，矫正其不安全驾驶行为，是提高营运车辆安全程度有效途径。

发明内容

本发明的目的在于克服上述不足，提供一种营运车辆驾驶员安全性检测方法，该工作方法，智能化、自动化，无需操作，且可靠性高。

为了达到上述目的，本发明包括以下步骤：

S1，采集车辆在行车过程中的车辆运动状态数据和车辆与周围交通环境之间相对关系参数的数据；

S2，通过调研分析及专家打分法对不安全驾驶行为进行打分，确定便于通过车辆自身参数检测和营运车辆常见的典型不安全驾驶行为；

S3，基于层次分析法，建立营运驾驶员安全性检测模型输出驾驶员检测总分；

S4，根据营运驾驶员安全性检测模型中输出的驾驶员检测总分进行驾驶员安全性分级判定；

S5，根据采集到的实际驾驶数据中的不安全驾驶行为数据和事故数据，更新步骤三层次分析法中的指标权重建立动态评估系统。

S1中，采集的数据包括自车车速、车辆位置信息、车辆与车道线之间的距离、车辆纵向加速度、横摆角速度、辆方向盘转角数据和本车与前车的距离。

自车车速和车辆位置信息通过车载GPS采集；

车辆与车道线之间的距离通过车道线传感器采集；

车辆纵向加速度和横摆角速度通过陀螺仪采集；

车辆方向盘转角数据通过方向盘转角传感器采集；

本车与前车的距离通过车距测量系统采集。

S3的具体方法如下：

驾驶员安全状态为目标层，下设频率检测指标，建立判断公式，频率指标是指单位时间内不安全驾驶行为的数量，取选定时间段内平均值；

判断公式为

式中，

为不安全驾驶行为i的频率指标，

为选定时间段内不安全驾驶行为i在第j天的数量，k选定检测时间内包含的总天数；

通过统计法和调研法确定不安全驾驶行为的初始判断矩阵，然后根据将初始判断矩阵带入到检测模型进行训练，得出各个指标的权重。

得出各个指标的权重的具体方法如下：

统计往年导致事故发生的不安全驾驶行为的数量，得出基于事故数据的不安全驾驶行为与事故间的关系的相对重要性矩阵；

通过对营运驾驶员进行调研，得出基于调研法的不安全驾驶行为与事故间的关系的相对重要性矩阵；

将基于事故数据的不安全驾驶行为与事故间的关系的相对重要性矩阵和基于调研法的不安全驾驶行为与事故间的关系的相对重要性矩阵合并，作为模型中的不安全驾驶行为的初始判断矩阵A；

假设A的最大特征根为λ，则得到AW＝λW，通过移向整理得到(A-λI)W＝0，该公式为齐次方程组，而方程组必有非零解，则方程组系数组成的行列值一定等于零，即：

det(A-λI)＝0；

求出判断矩阵A的特征根λ，将特征根λ带入公式det(A-λI)＝0得出特征向量，即求出各个指标对应的权重值I＝[ω(x₁),...,ω(x_i)]^T。

计算驾驶员检测总分的方法如下：

输入驾驶员待测时间对应的不安全驾驶行为的频率值后，即可得出驾驶员的安全性检测总分Z，表示为如下：

S5中更新步骤三层次分析法中的指标权重的具体方法如下：

统计事故前特定时间内驾驶员发生的不安全驾驶行为次数，与特定时间内平均次数比较，若不安全驾驶行为次数相较于均次数升高的不安全驾驶行为a的权重值增加一个增量Δω(x_a)，而下降的不安全驾驶行为b权重值减少一个Δω(x_b)，且保证：

更新指标权重值之和后，重新计算驾驶员安全性评价的总分：

若得出的总分Z分级为非常危险或者危险级，则证明该评价权重可靠性高，后续的安全状态评价工作依然沿用该套权重值；若得出的总分Z分级为安全级或者正常级，则证明之前的评价权重不可靠，重新更新权重，直到Z值在合理危险等级范围内，停止更新权重。

与现有技术相比，本发明根据行车过程中的车辆运动状态数据和车辆与周围交通环境之间相对关系参数的数据，基于层次分析法建立营运驾驶员安全性检测模型，得到驾驶员的安全检测总分并进行安全性分级，能够判断驾驶员的安全性，本方法能够根据样本量的增加更新指标权重，随着数据量增大，营运驾驶员安全性检测的准确度也会随之增加，本方法具有高智能化，全自动化，无需操作，且可靠性高等优点。

附图说明

图1为本发明工作示意图；

图2为本发明中驾驶员安全性检测流程图。

图3为本发明层次分析法中建立的层次结构图。

具体实施方式

下面结合附图对本发明做进一步说明。

参见图1和图2，本发明的具体步骤如下：

S1，数据采集；

需要采集车辆在行车过程中的车辆运动状态数据和车辆与周围交通环境之间相对关系参数的数据。包括：自车车速、车辆位置信息，可由GPS读取出；车辆与车道线之间的距离，通过AWS车道线传感器可以采集；车辆纵向加速度、横摆角速度，可以通过陀螺仪采集得到；车辆方向盘转角数据，可以通过方向盘转角传感器采集；本车与前车的距离，可以通过AWS系统的车距测量系统测得；本实施例中的AWS车道线传感器测量精度：5cm，测量范围：±635cm，输出频率：10Hz能满足系统对于车道线采集的需要。GPS和陀螺仪集成在一起，型号是VBOX3.1，VBOX 3.1在垂直于车道线方向的定位精度误差约为半个车道宽度，即1.8m左右。方向盘转角传感器为HiTec牌方向盘转角传感器，具体型号为Hirain SAS，采样频率为100Hz，采样精度为0.1°，能高效的采集方向盘转角数据。

其中AWS车辆碰撞预警系统安装位置为车辆前风挡玻璃正中央上方，采用胶粘方式安装；VBOX 3.1安装在车辆质心处，采用金属盒封装，外接一根GPS天线，GPS天线放在车顶；方向盘转角传感器安装位置为车辆方向盘转轴上，用于获取方向盘转角数据；

S2，典型不安全驾驶行为的确定；

本实施例中首先通过对相关资料(2008年～2013年全国《道路交通事故统计年报》、“十一五”期间广东省营运车辆交通事故案例、相关论文及研究报告等)的调研分析，汇总出了53种常见的营运客车驾驶员不安全驾驶行为。为了进一步确定重要的不安全驾驶行为，课题组聘请20位专家对53中不安全驾驶行为进行打分，选取打分具有明显区别的分数较高的不安全驾驶行为，最终选取出的不安全驾驶行为总计37个。首先，对合并同类容易合并的不安全驾驶行为进行合并，然后，将不易通过车辆自身参数检测和营运车辆不常见的不安全驾驶行为进行剔除，如抢红灯行驶、逆向行驶等，选取易于检测不安全驾驶行为，共15种。通过调查问卷向运输公司进行大量问卷调研，根据15类不安全驾驶行为的打分结果，结合运输公司实际访谈结果，选取最终采集的9种不安全驾驶行为。分别为：超速、急刹车、急加速、换道时不打转向灯、频繁换道、强行换道、跟车距离太近、速度和方向配合不良，压线行驶。

S3，基于层次分析法的初始检测模型的建立；

首先基于层次分析法，建立起营运驾驶员安全性检测模型。具体做法是：驾驶员安全状态为目标层，下设频率检测指标。频率指标是指单位时间内不安全驾驶行为的数量，取选定时间段内平均值，单位为：次/天，计算公式如公式1)所示。

式中

为不安全驾驶行为i的频率指标，

为选定时间段内不安全驾驶行为i在第j天的数量，k选定检测时间内包含的总天数。

其层次结构图如图3所示；

然后通过大量的事故数据分析和对营运驾驶员的问卷调研来确定不安全驾驶行为的初始判断矩阵，然后根据将初始判断矩阵带入到检测模型进行训练，得出各个指标的权重。具体做法是：首先，一方面通过读取往年事故描述性事故数据中的事故发生过程中不安全驾驶行为，统计发生的不安全驾驶行为的数量；同时，统计导致事故发生的不安全驾驶行为的数量，得出基于事故数据的不安全驾驶行为与事故间的关系的相对重要性矩阵。另一方面，通过编制不安全驾驶行为调研问卷对营运驾驶员进行调研，得出基于调研法的不安全驾驶行为与事故间的关系的相对重要性矩阵。然后将两种方法得出的矩阵合并，作为模型中的不安全驾驶行为的初始判断矩阵A，A＝(a_mn)_i×i。

假设A的最大特征根为λ，这样就可以得出AW＝λW，通过移向整理可得:

(A-λI)W＝0 2)

公式2)为齐次方程组，而方程组必有非零解，也就是说W不能为零，否则无意义，这就说明由方程组系数组成的行列值一定等于零，即：

det(A-λI)＝0 3)

通过公式3)求出判断矩阵A的特征根λ,将计算出的特征根带入公式3)即得出特征向量，即可求出各个指标对应的权重值I＝[ω(x₁),...,ω(x_i)]^T。

输入驾驶员某段时间对应得不安全驾驶行为的频率值后，即可得出驾驶员的安全性检测总分Z，表示为如下：

S4，驾驶员安全性分级；

统计驾驶员典型不安全驾驶行为发生最高频次并乘以相应的权值，得出驾驶员安全性状态评分的最大值Z_max。然后，从0～Z_max之间评均分成五个区间，分别分级如下：评价等级分为非常危险、危险、正常、安全、非常安全5个等级。

当Z≥(4/5)Z_max，表示驾驶员处于非常危险状态；

当(4/5)Z_max>Z≥(3/5)Z_max，表示驾驶员处于危险状态；

当(3/5)Z_max>Z≥(2/5)Z_max，表示驾驶员处于正常状态；

当(2/5)Z_max>Z≥(1/5)Z_max，表示驾驶员处于安全状态；

当(1/5)Z_max>Z>0，表示驾驶员处于非常安全状态；

后期，随着数据量增加，需进行聚类分级法。

S5，权重动态更新；

系统根据采集到的实际驾驶数据中的不安全驾驶行为数据和事故数据，当驾驶员发生事故之后，驱动权重动态更新程序，以实现动态性。具体的做法是：各个频率指标的权重I_p＝[ω(x₁),...,ω(x_i)]^T之和为1，即：

当事故发生后，验算之前评价总分是否在危险级或者非常危险级。若处在危险级或者非常危险级内，则不更新权重；若处在危险级或者非常危险级之外，则更新权重。更新方法如下：

统计事故前一个月内驾驶员发生的不安全驾驶行为次数，与近两年年来的月平均次数比较，事故前一个月发生次数明显升高的不安全驾驶行为a的权重值增加一个增量Δω(x_a)，而发生次数明显下降的不安全驾驶行为b权重值减少一个Δω(x_b)。且保证：

更新指标权重值之和，用S4中的方法重新计算驾驶员安全性评价的总分：

若得出的总分Z分级为非常危险或者危险级，则证明该评价权重可靠性高，后续的安全状态评价工作依然沿用该套权重值；若得出的总分Z分级为安全级或者正常级，则证明之前的评价权重不可靠，重新用公式6)更新权重，直到公式7)中的Z值在合理危险等级范围内，停止更新权重。后续的评价工作沿用更新后的合理的权重值。随着数据量增大，该系统的预测准确度也会随之增加。

Claims (6)

1.一种营运车辆驾驶员安全性检测方法，其特征在于，包括以下步骤：

S1，采集车辆在行车过程中的车辆运动状态数据和车辆与周围交通环境之间相对关系参数的数据；

S2，通过调研分析及专家打分法对不安全驾驶行为进行打分，确定便于通过车辆自身参数检测的营运车辆的不安全驾驶行为；

S3，基于层次分析法，建立营运驾驶员安全性检测模型；具体方法如下：

驾驶员安全状态为目标层，下设频率检测指标，建立判断公式，频率指标是指单位时间内不安全驾驶行为的数量，取选定时间段内平均值；

判断公式为

式中，

为不安全驾驶行为i的频率指标，

为选定时间段内不安全驾驶行为i在第j天的数量，k选定检测时间内包含的总天数；

基于统计法和调研法确定不安全驾驶行为的初始判断矩阵，然后将初始判断矩阵带入到检测模型进行训练，得出各个指标的权重；

S4，根据营运驾驶员安全性检测模型中输出的驾驶员检测总分进行驾驶员安全性分级判定；

S5，根据采集到的实际驾驶数据中的不安全驾驶行为数据和事故数据，动态更新步骤三层次分析法中的指标权重，建立动态评估系统。

2.根据权利要求1所述的一种营运车辆驾驶员安全性检测方法，其特征在于，S1中，采集的数据包括自车车速、车辆位置信息、车辆与车道线之间的距离、车辆纵向加速度、横摆角速度、辆方向盘转角数据和本车与前车的距离。

3.根据权利要求2所述的一种营运车辆驾驶员安全性检测方法，其特征在于，自车车速和车辆位置信息通过车载GPS采集；

车辆与车道线之间的距离通过车道线传感器采集；

车辆纵向加速度和横摆角速度通过陀螺仪采集；

车辆方向盘转角数据通过方向盘转角传感器采集；

本车与前车的距离通过车距测量系统采集。

4.根据权利要求1所述的一种营运车辆驾驶员安全性检测方法，其特征在于，得出各个指标的权重的具体方法如下：

统计往年导致事故发生的不安全驾驶行为的数量，得出基于事故数据的不安全驾驶行为与事故间的关系的相对重要性矩阵；

通过对营运驾驶员进行调研，得出基于调研法的不安全驾驶行为与事故间的关系的相对重要性矩阵；

将基于事故数据的不安全驾驶行为与事故间的关系的相对重要性矩阵和基于调研法的不安全驾驶行为与事故间的关系的相对重要性矩阵合并，作为模型中的不安全驾驶行为的初始判断矩阵A；

假设A的最大特征根为λ，则得到AW＝λW，通过移向整理得到(A-λI)W＝0，该公式为齐次方程组，而方程组必有非零解，则方程组系数组成的行列值一定等于零，即：

det(A-λI)＝0；

求出判断矩阵A的特征根λ，将特征根λ带入公式det(A-λI)＝0得出特征向量，即求出各个指标对应的权重值I＝[ω(x₁),...,ω(x_i)]^T。

5.根据权利要求1所述的一种营运车辆驾驶员安全性检测方法，其特征在于，计算驾驶员检测总分的方法如下：

输入驾驶员待测时间对应的不安全驾驶行为的频率值后，即可得出驾驶员的安全性检测总分Z，表示为如下：

6.根据权利要求1所述的一种营运车辆驾驶员安全性检测方法，其特征在于，S5中更新步骤三层次分析法中的指标权重的具体方法如下：

统计事故前特定时间内驾驶员发生的不安全驾驶行为次数，与特定时间内平均次数比较，若不安全驾驶行为次数相较于均次数升高的不安全驾驶行为a的权重值增加一个增量Δω(x_a)，而下降的不安全驾驶行为b权重值减少一个Δω(x_b)，且保证：

更新指标权重值之和后，重新计算驾驶员安全性评价的总分：

若得出的总分Z分级为非常危险或者危险级，则证明该评价权重可靠性高，后续的安全状态评价工作依然沿用该套权重值；若得出的总分Z分级为安全级或者正常级，则证明之前的评价权重不可靠，重新更新权重，直到Z值在合理危险等级范围内，停止更新权重。

Images