CN109671266A - 基于加速失效风险模型的驾驶员事故动态预警方法 - Google Patents
基于加速失效风险模型的驾驶员事故动态预警方法 Download PDFInfo
- Publication number
- CN109671266A CN109671266A CN201811414169.6A CN201811414169A CN109671266A CN 109671266 A CN109671266 A CN 109671266A CN 201811414169 A CN201811414169 A CN 201811414169A CN 109671266 A CN109671266 A CN 109671266A
- Authority
- CN
- China
- Prior art keywords
- accident
- driver
- interval time
- time
- high risk
- 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
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通安全预警技术领域,涉及一种基于加速失效风险模型的驾驶员事故动态预警方法,包括以下步骤:采集驾驶员个人属性、车辆属性、违章特征和事故特征,并提取驾驶员事故间隔时间;融合驾驶员个人属性、车辆属性、违章特征和事故特征,构建驾驶员事故间隔时间样本数据库和高风险驾驶员事故间隔时间样本数据库;构建高风险驾驶员事故间隔时间最优加速失效风险模型,识别显著影响因素;计算事故预警时间;根据实时交通状态变化,对事故预警时间进行动态调整。本发明所述方法,利用高风险驾驶员事故间隔时间样本数据库,考虑删失数据,有效预测事故间隔时间;还根据高风险驾驶员当前违章或事故的实时变化,对事故预警时间动态调整。
Description
技术领域
本发明属于交通安全预警技术领域,涉及一种基于加速失效风险模型的驾驶员事故动态预警方法。
背景技术
目前,全国已经通过对“两客一危”车辆(指单次运营里程超过800公里的客运车辆和高速公路客运车辆,以及危险品运输车辆)进行实时联网监控,以达到对相应驾驶员危险行为的预警。但对于普通社会车辆,目前还没有成熟的驾驶员预警方法。如何根据普通社会车辆驾驶员的相关特征属性和历史行为信息,为驾驶员提供事故预警,成为一个急需解决的技术难题。
道路交通事故的发生,与人、车、路和环境等因素密切相关,其中,人是关键性因素。交通事故大多是由人的因素造成,我国道路交通事故统计年报数据显示:约90%的交通事故数是由于机动车的违章行为造成。对于机动车驾驶员而言,其发生交通事故的频次少,事故数据的随机性强;然而,驾驶员的违章行为相对较多,违章数据的随机性较小。机动车违章行为是导致交通事故的最主要原因,违章行为可反映驾驶员的危险驾驶倾向,交通违章多的驾驶员发生事故的可能性更高。因此,从驾驶员个体角度出发,研究驾驶员的历史违章行为对交通事故的影响,揭示它们之间的关联性,据此提出事故预警方法,对于缓减交通事故,提升交通安全具有重要的理论和实际意义。
现有驾驶员安全预警技术可大致分为如下三类。
(1)通过视频图像处理、温度检测和状态检测等技术,实时监控驾驶员、车辆和车辆周边的情况,实时识别驾驶员的驾驶状态、车辆运行状态和周边交通状态,来对驾驶员进行相应的预警。
(2)通过设计发明新型的检测装置和算法,优化驾驶员、车辆和车辆周边的信息获取及信息处理过程,达到更优的预警效果。
(3)通过设计发明新型的车辆配套装置,如智能座椅和报警兴奋器等,来为驾驶员的安全驾驶提供保障。
现有驾驶员安全预警技术较多基于现有设备和新设备,这类方式往往需要大量的设备支持和政策支持等前期条件,所以推广使用率往往不高,很难实现大规模驾驶员的监控与预警。
一名驾驶员在其长期的驾驶过程中,可能出现不只一次事故,对于一定年份内发生多次事故的高风险驾驶员,他们发生事故的间隔时间可能服从一定的分布规律,驾驶员的违章信息与事故的间隔时间分布也应该存在一定的关联性。本专利提出一种基于加速失效风险模型的驾驶员事故动态预警方法,利用驾驶员的历史事故数据提取驾驶员事故间隔时间,并融合驾驶员的特征属性和历史违章信息;基于驾驶员事故间隔时间样本数据,拟合事故间隔时间的最优加速失效风险模型,识别关键影响因素,并估计标定最优加速失效风险模型参数;再利用拟合的最优加速失效风险模型,计算驾驶员在给定生存率水平下的生存时间,作为事故预警时间;根据驾驶员当前违章或事故的最新变化情况,对预警时间进行动态调整。
发明内容
针对目前驾驶员事故预警技术的不足,本专利提出了一种基于加速失效风险模型的驾驶员事故动态预警方法。研究成果旨在改进当前驾驶员事故预警技术的不足,缓解驾驶员事故的严峻形势,具体技术方案如下:
一种基于加速失效风险模型的驾驶员事故动态预警方法,包括以下步骤:
A、采集驾驶员个人属性构建驾驶员个人属性数据库,采集车辆属性构建车辆属性数据库,采集违章特征(违章特性、历史违章信息)构建驾驶员历史违章数据库,采集事故特征(事故属性、历史事故数据)构建驾驶员历史事故数据库;
所述个人属性包括:身份证号、性别、年龄和驾龄;
所述车辆属性包括:车辆归属地和车辆类型;
所述违章特征包括:事故间隔时间内违章次数和上一年违章次数;
所述事故间隔时间内违章次数指的是:在事故间隔时间内,统计得到的该驾驶员的违章次数;
所述上一年违章次数指的是:以本次事故的发生年份为基准年,统计得到的该驾驶员上一年的违章次数;
所述事故特征包括:事故发生时间、事故间隔时间、上一年事故次数;
所述上一年事故次数指的是:以本次事故的发生年份为基准年,统计得到的该驾驶员上一年的事故次数;
所述事故间隔时间为:同一驾驶员连续两次事故的间隔时间;
基于驾驶员历史事故数据库,提取驾驶员事故间隔时间;
B、融合驾驶员的个人属性、车辆属性、违章特征和事故特征数据,构建驾驶员事故间隔时间样本数据库和高风险驾驶员事故间隔时间样本数据库
通过驾驶员的身份证号,将驾驶员的个人属性、车辆属性、违章特征和事故特征匹配到步骤A获得的驾驶员事故间隔时间数据中,得到驾驶员事故间隔时间样本数据库;
所述驾驶员事故间隔时间样本数据库以驾驶员每次事故间隔时间样本数据作为样本,所述事故间隔时间样本数据包括:事故间隔时间、事故间隔时间的删失属性,每次事故间隔时间对应的驾驶员身份证号、性别、年龄、驾龄、车辆归属地、事故间隔时间内违章次数、上一年违章次数和上一年事故次数;
在2年内发生2次及以上全责事故(在本专利中,所述“事故”为“全责事故”的简称)的驾驶员为高风险驾驶员;并从驾驶员事故间隔时间样本数据库中提取高风险驾驶员的事故间隔时间样本数据,构建高风险驾驶员事故间隔时间样本数据库;
C、构建高风险驾驶员事故间隔时间最优加速失效风险模型
根据高风险驾驶员事故间隔时间样本数据库,选定参数分布模型,构建高风险驾驶员事故间隔时间加速失效风险模型,估计标定加速失效风险模型未知参数;选择确定最优参数分布模型,构建高风险驾驶员事故间隔时间最优加速失效风险模型,识别事故间隔时间的显著影响因素(危险因素、关键影响因素);
D、根据高风险驾驶员事故间隔时间最优加速失效风险模型,计算高风险驾驶员的事故预警时间
基于高风险驾驶员事故间隔时间最优加速失效风险模型,任意给定生存率水平值,构建只包含事故间隔时间未知数的一元方程,计算出事故间隔时间(事故间隔的生存时间值),作为事故预警时间;
E、根据高风险驾驶员实时交通事件状态的变化,对事故预警时间进行动态调整
根据高风险驾驶员在事故预警时间到达之前,发生新的违章或事故的实时变化情况,通过相应的动态调整规则和动态调整策略,对事故预警时间进行动态调整。
在上述技术方案的基础上,步骤A的具体步骤如下:
A1、采集驾驶员的个人属性、车辆属性、违章特征和事故特征数据;
A2、以驾驶员的身份证号和事故发生时间分别作为第一关键词和第二关键词,对驾驶员的事故特征数据进行排列,再计算每一名驾驶员的每一次事故间隔时间。
在上述技术方案的基础上,步骤B中所述:构建驾驶员事故间隔时间样本数据库的具体步骤如下:
B1、通过驾驶员的身份证号,将驾驶员的个人属性、车辆属性、违章特征和事故特征匹配到步骤A中的事故间隔时间数据中,得到驾驶员事故间隔时间样本数据库;
B2、将驾驶员性别、驾驶员年龄、驾驶员驾龄、事故间隔时间内违章次数、上一年违章次数、上一年事故次数和车辆归属地作为事故间隔时间的潜在影响因素;
B3、针对驾驶员性别,采用潜在影响因素变量GEN,若为女性,GEN取值为0,若为男性,GEN取值为1;
针对驾驶员年龄,采用潜在影响因素变量AGE,AGE的取值为驾驶员的年龄,单位为:岁;
针对驾驶员驾龄,采用潜在影响因素变量JL,JL的取值为驾驶员驾龄,单位为:年;
针对事故间隔时间内违章次数,采用潜在影响因素变量VIOLATE1,VIOLATE1的取值为事故间隔时间内违章次数;
针对上一年违章次数,采用潜在影响因素变量VIOLATE2,VIOLATE2的取值为上一年违章次数;
针对上一年事故次数,采用潜在影响因素变量ACC,ACC的取值为上一年事故次数;
针对车辆归属地,采用潜在影响因素变量LOCAL,当车辆的牌照不是本地牌照,LOCAL的取值为0;当车辆的牌照是本地牌照,LOCAL的取值为1。
在上述技术方案的基础上,所述参数分布模型包括:Exponential参数分布模型、Weibull参数分布模型、Lognormal参数分布模型和Loglogistic参数分布模型。
在上述技术方案的基础上,所述估计标定加速失效风险模型未知参数采用极大似然估计方法,具体步骤如下:
C1、假设在高风险驾驶员事故间隔时间样本数据库的n个事故间隔时间样本中,有r个是完全数据,n-r个为删失数据,分别为t1,t2,…,tr和
则事故间隔时间样本的联合概率密度函数L(b)如式(3)所示,
其中,b为加速失效风险模型未知参数,且b=(β,d);f(tj,b)为加速失效风险模型的概率密度函数,为加速失效风险模型的生存函数;β={β0,β1,...,βq}′为加速失效风险模型的系数向量,d为加速失效风险模型辅助参数;
C2、L(b)的对数似然函数LL(b)如式(4)所示,
C3、LL(b)分别对b中每个未知参数求偏导,并令其为0,构造方程组,运用Newton-Raphson迭代法得到未知参数的估计值
在上述技术方案的基础上,所述选择确定最优参数分布模型的具体步骤如下:
C4、针对不同的参数分布模型,通过公式(5)和(6)计算加速失效风险模型的AIC值和BIC值,
其中,k为加速失效风险模型中未知参数的个数;
C4、选取AIC值和BIC值最小的加速失效风险模型为最优加速失效风险模型。
在上述技术方案的基础上,识别事故间隔时间的显著影响因素的步骤如下:
C5、根据高风险驾驶员事故间隔时间样本数据库,通过最优加速失效风险模型,计算各潜在影响因素的p值;
C6、设置一显著性水平,通过p值从潜在影响因素中选出显著影响因素;
所述显著性水平设置为0.10。
在上述技术方案的基础上,当参数分布模型为:Weibull参数分布模型时,步骤D的具体步骤如下:
D1、假设事故间隔时间的显著影响因素为m个,对应协变量X的分量为m个,分别为x1,x2,…,xm,其中m≤q,协变量X的取值根据高风险驾驶员的事故间隔时间样本数据的信息确定;协变量X对应系数的估计值为未知参数常数项估计值为辅助参数的估计值为
D2、给定生存率S(tj)的估计利用公式(8)形成的包含事故间隔时间未知数tj的一元方程计算出tj值,
计算出tj的值为T0,作为该高风险驾驶员的事故预警时间;在该高风险驾驶员最近一次事故之后的第T0天对该高风险驾驶员进行事故预警。
在上述技术方案的基础上,步骤E中所述动态调整规则包括:高风险驾驶员更新规则和事故预警时间推移规则;
所述高风险驾驶员更新规则为:超过2年时间没有发生事故的高风险驾驶员事故间隔时间样本数据被移出高风险驾驶员事故间隔时间样本数据库,2年内发生2次及以上事故的高风险驾驶员事故间隔时间样本库外的驾驶员事故间隔时间样本数据进入高风险驾驶员事故间隔时间样本数据库;
所述事故预警时间推移规则为:高风险驾驶员事故预警时间的计算起点是高风险驾驶员最近一次事故的发生时间,如果高风险驾驶员在事故预警时间到达之前发生了新的事故,则高风险驾驶员事故预警时间的起点更新为最新事故的发生时刻,在此基础上更新高风险驾驶员的事故预警时间;如果高风险驾驶员在预警时间到达之前发生新的违章,则高风险驾驶员事故预警时间的起点不更新,对高风险驾驶员的事故预警时间进行更新。
在上述技术方案的基础上,步骤E中所述动态调整策略包括以下两种情况:
E1、当高风险驾驶员发生新事故时,事故预警时间的动态调整策略如下:
假设高风险驾驶员在“0”时刻发生了最近的一次事故,根据最优加速失效风险模型计算得到:在给定生存率水平下,事故间隔时间的预测值为ty1,所述ty1为最初的事故预警时间;
在“0”时刻之后的ts2时刻,高风险驾驶员发生了一次事故,运用最优加速失效风险模型重新计算得到:在给定生存率水平下的事故间隔时间,假设最新的事故预警时间为ty2;
如果ts2大于2年,则将该高风险驾驶员事故间隔时间样本数据移出高风险驾驶员事故间隔时间样本数据库;如果ts2小于或等于2年,则根据新事故的发生时间是否在最初的事故预警时间ty1之前分为如下两类情况;
E11、当新事故的发生时间ts2在最初的事故预警时间ty1之前时
事故预警时间的起点由“0”时刻更新为ts2时刻,运用最优加速失效风险模型重新计算给定生存率水平下高风险驾驶员事故间隔时间的预测值ty2,新的事故预警时间更新为ts2+ty2;
E12、当新事故的发生时间ts2在最初的事故预警时间ty1之后时
在ty1时刻对高风险驾驶员进行第一次事故预警,高风险驾驶员新的事故预警时间起点更新为ts2时刻,运用最优加速失效风险模型重新计算给定生存率水平下高风险驾驶员事故间隔时间的预测值ty2,新的事故预警时间更新为ts2+ty2;
E2、高风险驾驶员发生新违章时,事故预警时间的动态调整策略如下:
假设高风险驾驶员在“0”时刻发生了最近的一次事故,根据最优加速失效风险模型计算得到:在给定生存率水平下,事故间隔时间的预测值为ty1,所述ty1为最初的事故预警时间;
在“0”时刻之后的tw2时刻,高风险驾驶员发生了一次违章,运用最优加速失效风险模型重新计算得到:在给定生存率水平下的事故间隔时间,假设最新的事故预警时间为ty2;
如果高风险驾驶员在最初的事故预警时间ty1之前没有发生新违章,则在ty1时刻对高风险驾驶员进行第一次事故预警;
否则,根据tw2与ty2的大小关系,分为如下两种情况对高风险驾驶员事故预警时间进行动态调整;
E21、若ty2>tw2,新的事故预警时间更新为ty2;
E22、若ty2≤tw2,则在tw2时刻立即对高风险驾驶员进行事故预警,新的事故预警时间为t新=tw2。
本发明的有益技术效果如下:
本发明提出的基于加速失效风险模型的驾驶员事故动态预警方法,利用高风险驾驶员的历史事故数据和历史违章信息,考虑事故间隔时间中的删失数据,能有效预测高风险驾驶员的事故间隔时间;还可根据高风险驾驶员当前违章或事故的实时变化情况,对事故预警时间进行动态调整。
附图说明
本发明有如下附图:
图1基于加速失效风险模型的驾驶员事故动态预警方法流程示意图。
图2驾驶员事故间隔时间示意图。
图3驾驶员发生新的事故时事故预警时间更新的第一种情况示意图。
图4驾驶员发生新的事故时事故预警时间更新的第二种情况示意图。
具体实施方式
为了更清楚地说明本发明,下面结合附图和实施例,对本发明的具体实施方式做进一步详细描述。以下实施例仅用于说明本发明,但不能用来限制本发明的范围。
基于加速失效风险模型的驾驶员事故动态预警方法流程示意如图1所示。详述如下:
A、基于驾驶员历史事故数据,提取驾驶员事故间隔时间
采集驾驶员个人属性、车辆属性、违章特征和事故特征等数据,分别构建驾驶员个人属性数据库、车辆属性数据库、驾驶员历史违章数据库和驾驶员历史事故数据库。再将驾驶员以驾驶员身份证号和事故发生时间分别作为第一关键词和第二关键词,对驾驶员历史事故数据进行排列,再计算每一名驾驶员的每一次事故间隔时间(DURATION)。
驾驶员事故间隔时间指的是:同一驾驶员连续两次事故的间隔时间。
在加速失效风险模型中,时间数据分为完全数据和删失数据。完全数据指的是:能确切知道的时间数据,比如两次连续事故的间隔时间。删失数据是:由于某种原因未能观察到所感兴趣的事件发生,而得到的数据。比如,在观测时间内的最后一次事故到观测截止的时间差,此时只能知道事故间隔时间大于某一值,而不能知道事故间隔时间的确切值,故称之为删失数据。用EVENT表示事故间隔时间是否为删失数据,若为删失数据,具有删失属性,EVENT=0,否则,不具有删失属性,EVENT=1。
图2给出了驾驶员事故间隔时间的几个简单举例(*表示驾驶员在这一时刻发生了事故),其中横坐标为时间,纵坐标A、B和C代表三个驾驶员。对于驾驶员A,当驾驶员A发生第一次事故时进入观测,驾驶员A一共发生了两次事故,所以A有一个完全数据和一个删失数据,分别是图中的tA1和tA2。驾驶员B在观测时间内发生了三次事故,同理得到驾驶员B的事故间隔时间由两个完全数据和一个删失数据构成,分别是图中的tB1,tB2和tB3。驾驶员C在观测时间内只发生了一次事故,驾驶员C只存在一个删失数据tC1。
令给定时间内发生多次事故(即本专利规定2年内发生2次及以上事故)的驾驶员为高风险驾驶员,本专利只针对高风险驾驶员进行事故预警。因此,在给定时间内只发生一次事故(如驾驶员C)或者没有发生事故的驾驶员,不属于本专利关注的对象。
B、融合驾驶员的个人属性、车辆属性、违章特征和事故特征数据,构建驾驶员事故间隔时间样本数据库和高风险驾驶员事故间隔时间样本数据库
根据驾驶员个人属性数据库,提取驾驶员的性别、年龄和驾龄等个人属性,根据车辆属性数据库,提取车辆归属地和车辆类型等车辆属性信息;根据驾驶员历史违章数据库提取驾驶员本次事故间隔时间内违章次数和上一年违章次数等违章特征信息;根据驾驶员历史事故数据库提取事故发生时间和驾驶员上一年事故次数等事故特征信息。
通过驾驶员的身份证号(ID),将驾驶员的个人属性、车辆属性、违章特征和事故特征等匹配到步骤A中的驾驶员事故间隔时间数据中,得到驾驶员事故间隔时间样本数据库。以2年内发生2次及以上事故的驾驶员为研究对象,构建高风险驾驶员事故间隔时间样本数据库。驾驶员事故间隔时间样本数据库以驾驶员每次事故间隔时间(DURATION)数据作为一个样本,即为事故间隔时间样本数据,所述事故间隔时间样本数据的信息还包括:事故间隔时间的删失属性(EVENT),每次事故间隔时间对应的驾驶员身份证号(ID)、性别(GEN)、年龄(AGE)、驾龄(JL)和车辆归属地(LOCAL)等属性,以及驾驶员本次事故间隔时间内违章次数(VIOLATE1)、上一年违章次数(VIOLATE2)和上一年事故次数(ACC)等特征信息。
所述个人属性包括:身份证号、性别、年龄和驾龄等;
所述车辆属性包括:车辆归属地和车辆类型等;
所述违章特征包括:上一年违章次数和本次事故间隔时间内违章次数等;
所述事故特征包括:事故发生时间和驾驶员上一年事故次数等。
本次事故间隔时间内违章次数指的是:在本次事故间隔时间内,统计得到的该驾驶员的违章次数。
上一年违章次数指的是:以本次事故的发生年份为基准年,统计得到的该驾驶员上一年的违章次数。
上一年事故次数指的是:以本次事故的发生年份为基准年,统计得到的该驾驶员上一年的事故次数。
C、构建(拟合)高风险驾驶员事故间隔时间最优加速失效风险模型
由于高风险驾驶员事故间隔时间样本数据中包含删失数据,传统的估计方法不能处理这类问题。为此,需要引入基于加速失效风险模型的方法。令事故间隔时间T的密度函数和分布函数分别为f(t)和F(t),T的生存函数为S(t),也称之为累积生存率,指的是:事故间隔时间长于给定时间t的概率。
每个高风险驾驶员的事故间隔时间会受到其自身的个人属性、车辆属性和违章特征等因素的影响。因此,具体针对单个高风险驾驶员事故间隔时间的估计,需要引入能考虑潜在影响因素的加速失效风险模型。
令T为非负的随机变量,代表高风险驾驶员事故间隔时间变量,事故间隔时间的潜在影响因素(包括:高风险驾驶员的个人属性、车辆属性、违章特征和事故特征等)定义为协变量X(也称之为解释变量),所述协变量X为矢量。加速失效风险模型假定高风险驾驶员事故间隔时间T的对数(logT)与其协变量之间存在如下线性关系:
logTj=Xjβ+εj (2)
式中,Tj为第j个事故间隔时间样本对应的事故间隔时间,j=1,2,…,n,n为事故间隔时间样本的数量,X={1,x1,x2,…,xq}为协变量,Xj为第j个事故间隔时间样本对应的协变量;β={β0,β1,...,βq}′为系数向量,为一列向量;ε是随机误差项,εj为第j个事故间隔时间样本对应的随机误差项,ε的密度函数为g(ε,d),ε的生存函数为G(ε,d),d为加速失效风险模型辅助参数,这表明事故间隔时间T与协变量X、ε的密度函数g的分布有关。ε的密度函数g的分布决定了加速失效风险模型的形式,当g服从不同分布时,可推导出T的不同参数分布形式的加速失效风险模型。表1给出了常用的四种参数分布对应的生存函数、参数形式及辅助参数等。
表1常用的参数分布
针对上述高风险驾驶员事故间隔时间T不同参数分布的加速失效风险模型。令b=(β,d)为其未知参数的向量,给定上述任一参数分布的加速失效风险模型,便可知其概率密度函数(简称密度函数)f(tj,b)和生存函数的具体形式。一般采用极大似然估计方法来估计加速失效风险模型的未知参数,具体步骤如下:
假设在高风险驾驶员事故间隔时间样本数据库的n个事故间隔时间样本中,有r个是完全数据,n-r个为删失数据,分别为t1,t2,…,tr和则事故间隔时间样本的联合概率密度函数(即似然函数)L(b)和其对数(对数似然函数)LL(b)分别表示为式(3)和式(4),
让LL(b)分别对b中每个待估参数(未知参数)求偏导,并令其为0,构造方程组,运用Newton-Raphson迭代法便可得到待估参数的估计值
常用的不同参数分布的加速失效风险模型有多种,实际运用时需要从中选择出最优加速失效风险模型。使用AIC(Akaike information criterion)和BIC(Baysianinformation criterion)作为加速失效风险模型优劣的衡量指标。AIC和BIC的定义分别如式(5)和式(6)所示,
其中,为事故间隔时间加速失效风险模型的对数似然函数值,k为加速失效风险模型中待估参数的个数,n为总的事故间隔时间样本数量。运用上述两个公式计算不同参数分布的加速失效风险模型的AIC值和BIC值,并比较,AIC值和BIC值越小,表明该加速失效风险模型的拟合效果更好,选取AIC值和BIC值最小的加速失效风险模型及其对应的潜在影响因素协变量组合为最优加速失效风险模型。
根据高风险驾驶员事故间隔时间样本数据库,通过最优加速失效风险模型,计算各潜在影响因素的p值,设置一显著性水平,从潜在影响因素中选出显著影响因素。
D、根据高风险驾驶员事故间隔时间最优加速失效风险模型,计算高风险驾驶员的事故预警时间
上一步得到考虑潜在影响因素的事故间隔时间最优加速失效风险模型,包含:事故间隔时间最优参数分布的数学形式、对事故间隔时间有显著影响的协变量组合X的分量(分别对应选出的显著影响因素)及其加速失效风险模型参数的估计值基于高风险驾驶员事故间隔时间最优加速失效模型,任意给定生存率水平值,构建只包含事故间隔时间未知数的一元方程,求出此种情形下的事故间隔时间值(事故间隔的生存时间值),作为事故预警时间。
以Weibull分布为例,根据表1可知Weibull分布的生存函数为:
若基于高风险驾驶员事故间隔时间样本数据拟合得到的事故间隔时间最优加速失效风险模型服从Weibull分布,根据拟合结果也可得到最优的协变量组合。
假设影响事故间隔时间的显著影响因素为m个,对应协变量X的分量为m个,分别为x1,x2,…,xm,(m≤q),其对应系数的估计值为常数项为
根据高风险驾驶员事故间隔时间样本数据的拟合结果,还可得到最优加速失效风险模型辅助参数的估计值因此,基于高风险驾驶员事故间隔时间样本数据的拟合结果,结合公式(7),可得到生存函数S(tj)的估计值如下:
基于高风险驾驶员事故间隔时间样本数据,显著的协变量X及其系数估计值和模型辅助参数的估计值都为已知;同时,针对具体某一个高风险驾驶员,根据该高风险驾驶员的个人属性、车辆属性、违章特征和事故特征,获得协变量X的具体值。此时,只要任意给定生存率S(tj)的估计值,公式(8)转变为只包含该高风险驾驶员事故间隔的生存时间tj这一个未知数的一元方程,求解该方程得到此种情形下事故间隔的生存时间值,即为给定概率(即给定生存率S(tj))下该高风险驾驶员不发生交通事故的持续时间,这一时间作为该高风险驾驶员的事故预警时间。
假设给定的生存率S(tj)为0.5,根据公式(8)计算的事故间隔生存时间tj的值为T0,具体指该高风险驾驶员连续安全驾驶时长大于T0的概率为0.5。随着时间的增加,高风险驾驶员仍不发生交通事故的概率逐渐降低,可能发生交通事故的概率逐渐增大,则可在该高风险驾驶员最近一次事故之后的第T0天对该高风险驾驶员进行事故预警。
E、根据高风险驾驶员实时交通事件状态的变化,对事故预警时间进行动态调整
实际情况下,在事故预警时间到达之前,高风险驾驶员可能会发生新的违章或事故,需要根据当前违章或事故的实时变化情况,对事故预警时间进行动态调整。首先建立高风险驾驶员事故预警时间的动态调整规则,再根据高风险驾驶员发生新的事故或违章情况,制定动态调整策略。具体动态调整规则和动态调整策略如下所述。
一、高风险驾驶员事故预警时间的动态调整规则
随着时间的推移,高风险驾驶员的事故和违章等情况会发生变化,当某一高风险驾驶员出现新的事故或违章时,就需要更新事故间隔时间样本数据库中的相应信息,重新计算高风险驾驶员的事故预警时间。因此,有必要实时接收并更新高风险驾驶员的违章特征和事故特征等数据,进而相应地对高风险驾驶员事故预警时间进行更新。同时,考虑到预警的可操作性以及易理解性,制定如下两条高风险驾驶员事故预警时间的动态调整规则:
(1)高风险驾驶员更新规则:超过2年时间没有发生事故的高风险驾驶员事故间隔时间样本数据(本专利推荐时间为2年,根据实际事故特征数据的情况可做调整)被移出高风险驾驶员事故间隔时间样本数据库,2年内发生2次及以上事故的高风险驾驶员事故间隔时间样本库外的驾驶员事故间隔时间样本数据进入高风险驾驶员事故间隔时间样本数据库。
(2)事故预警时间推移规则:高风险驾驶员事故预警时间的计算起点是高风险驾驶员最近一次事故的发生时间,如果高风险驾驶员在事故预警时间到达之前发生了新的事故,则高风险驾驶员事故预警时间的起点需要更新为最新事故的发生时刻,在此基础上还需要更新高风险驾驶员的事故预警时间。如果高风险驾驶员在预警时间到达之前发生新的违章,则高风险驾驶员事故预警时间的起点不需要更新,仅需要对高风险驾驶员的事故预警时间进行更新。
二、高风险驾驶员发生新事故时,事故预警时间的动态调整策略
假设高风险驾驶员在“0”时刻发生了最近的一次事故,根据最优加速失效风险模型求得在给定生存率水平下,事故间隔时间的预测值为ty1,ty1即为最初的事故预警时间。在“0”时刻之后的ts2时刻,高风险驾驶员发生了一次事故,此时高风险驾驶员事故间隔时间的影响因素信息发生了变化,需要进行相应更新,并据此运用最优加速失效风险模型重新计算其在给定生存率水平下的事故间隔时间,令最新的事故预警时间为ty2,高风险驾驶员预警时间需要进行如下的动态调整。
首先,根据前述高风险驾驶员更新规则,如果ts2大于2年(ts2>2),由于该高风险驾驶员最近2年内没有发生事故,则需要将该高风险驾驶员事故间隔时间样本数据移出高风险驾驶员事故间隔时间样本数据库。如果ts2小于或等于2年(ts2≤2),则根据新事故的发生时间是否在最初的事故预警时间ty1之前分为如下两类情况。
(1)当新事故的发生时间ts2在最初的事故预警时间ty1之前时,即ts2<ty1<2(年)。
如图3所示,为高风险驾驶员发生新事故时,事故预警时间更新的第一种情况示意图。根据前述事故预警时间推移规则,由于高风险驾驶员在最初事故预警时间到达之前就发生了新事故,因此事故预警时间的起点需要由“0”时刻更新为ts2时刻,再对相应的影响因素信息进行更新,运用最优加速失效风险模型重新计算给定生存率水平下高风险驾驶员事故间隔时间的预测值(令其为ty2)。此时,需要取消高风险驾驶员最初的事故预警时间ty1,新的事故预警时间更新为ts2+ty2,即t新=ts2+ty2。
(2)当新事故的发生时间ts2在最初事故预警时间ty1之后时,即ty1≤ts2≤2(年)。
如图4所示,为高风险驾驶员发生新事故时,事故预警时间更新的第二种情况示意图。高风险驾驶员在最初的事故预警时间ty1之前没有发生新的事故,则在ty1时刻需要对高风险驾驶员进行第一次事故预警。此后,高风险驾驶员在ts2时刻发生了新事故(ty1≤ts2≤2(年)),则高风险驾驶员新的事故预警时间起点更新为ts2时刻,运用最优加速失效风险模型重新计算给定生存率水平下高风险驾驶员事故间隔时间预测值ty2,则新的事故预警时间需要更新为ts2+ty2,即t新=ts2+ty2。
三、高风险驾驶员发生新违章时,事故预警时间的动态调整策略
令高风险驾驶员在“0”时刻发生了最近的一次事故,根据最优加速失效风险模型求得在给定生存率水平下,事故间隔时间的预测值为ty1,ty1即为最初的事故预警时间。在“0”时刻之后的tw2时刻,高风险驾驶员发生了一次违章,此时高风险驾驶员事故间隔时间的影响因素信息发生了变化,需要进行相应更新,并据此运用最优加速失效风险模型重新计算其在给定生存率水平下的事故间隔时间,令最新的事故预警时间为ty2。
首先,如果高风险驾驶员在最初的事故预警时间ty1之前没有发生新违章,即tw2≥ty1,则在ty1时刻需要对高风险驾驶员进行第一次事故预警;否则(即tw2<ty1),在ty1时刻不需要进行第一次事故预警。其次,当tw2<ty1时,令最新的事故预警时间为t新,需要根据tw2与ty2的大小关系,分为如下两种情况对高风险驾驶员事故预警时间进行动态调整。
(1)若ty2>tw2,此时,新的事故预警时间需要更新为ty2,即t新=ty2。
(2)若ty2≤tw2,此时,由于实际时间已经过了ty2,到达tw2。则在tw2时刻立即对高风险驾驶员进行事故预警,此时新的事故预警时间为t新=tw2。
利用前述给出的基于加速失效风险模型的驾驶员事故动态预警方法,通过实证数据,给出具体的案例说明以及案例结果展示。
1案例数据介绍
本专利所使用的数据来自M城市2012年至2014年的驾驶员事故间隔时间数据和驾驶员违章特性等数据。案例数据选取在2013/1/1-2014/12/31的两年内,发生了两起以上事故的高风险驾驶员,首先提取高风险驾驶员事故间隔时间和违章特性等信息,然后从高风险驾驶员事故间隔时间样本数据库中匹配高风险驾驶员个人属性和车辆属性等信息。最终得到590名高风险驾驶员的1299个事故间隔时间样本。每个事故间隔时间作为一个样本,事故间隔时间样本的数据信息主要包含以下内容:
(1)驾驶员个人属性包括:驾驶员的身份证号、性别、年龄和驾龄。
(2)驾驶员车辆属性包括:驾驶员车辆归属地。
(3)驾驶员事故属性包括:事故发生时间、驾驶员本次事故间隔时间、事故间隔时间是否为删失数据,以及驾驶员上一年事故次数。
(4)驾驶员违章特性包括:驾驶员上一年违章次数和本次事故间隔时间内违章次数。
事故间隔时间样本数据文件的基本格式如表2所示示意,各变量的解释定义如下:
第1列ID代表驾驶员身份证号。
第2列DURATION代表驾驶员事故间隔时间,单位为:天。
第3列EVENT代表该事故间隔时间数据的删失情况,0代表删失数据,1代表完全数据。
第4列JL代表驾驶员驾龄,为数值型变量,单位为:年。
第5列GEN代表驾驶员性别,0为女性,1为男性。
第6列AGE代表驾驶员年龄,为数值型变量,单位为:岁。
第7列VIOLATE1代表驾驶员本次事故间隔时间内违章次数,为数值型变量,单位为:次。
第8列VIOLATE2代表驾驶员上一年违章次数,为数值型变量,单位为:次。
第9列ACC代表驾驶员上一年事故次数,为数值型变量,单位为:次。
第10列LOCAL代表车辆归属地,0代表非本地牌照,1代表本地牌照。
表2事故间隔时间样本数据文件的基本格式
2基于案例数据的加速失效风险模型结果展示
将事故间隔时间样本数据处理为表2所示的格式,采用案例数据拟合高风险驾驶员事故间隔时间的加速失效风险模型。表3为基于案例数据,运用表1所示的四种参数分布,分别拟合考虑协变量影响下事故间隔时间的结果。
表3考虑协变量影响下的高风险驾驶员事故间隔时间的拟合结果
首先,从表3的最后两行可知,Weibull分布对应的AIC值和BIC值在四种参数分布中都是最小的,说明:采用Weibull分布拟合的效果最优。
其次,还需要从Weibull分布拟合的结果中找出高风险驾驶员事故间隔时间的显著影响因素。取显著性水平为0.10,从表3可知,根据p值,在Weibull分布的事故间隔时间潜在影响因素中,驾驶员驾龄(JL)、性别(GEN)、本次事故间隔时间内违章次数(VIOLATE1)、上一年违章次数(VIOLATE2)和上一年事故次数(ACC)对事故间隔时间有显著影响。表3还给出了显著影响因素变量的系数估计值,以及Weibull分布辅助参数的估计值。
3计算高风险驾驶员的事故预警时间
一、高风险驾驶员事故间隔时间的Weibull加速失效风险模型
最终的Weibull加速失效风险模型的协变量只考虑显著的影响变量,即显著影响变量。根据表3中事故间隔时间数据拟合的结果可知,Weibull加速失效风险模型的显著影响变量(JL、GEN、VIOLATE1、VIOLATE2和ACC)及其系数估计值以及辅助参数
根据表1和公式(8),基于事故间隔时间样本数据拟合结果,高风险驾驶员事故间隔时间的Weibull加速失效风险模型的数学表达式如式(8)所示:
其中,
把系数估计值和辅助参数的值代入公式(9),可得式(10),
针对具体某一个高风险驾驶员,根据其事故间隔时间样本数据,可得其协变量X的具体值,代入公式(10)则可得到的具体值。
二、事故间隔时间的估计与动态调整
以事故间隔时间样本中的高风险驾驶员A为例,高风险驾驶员A在2013/1/1-2014/12/31的两年观测期内,分别在2013/4/7和2014/4/11发生了事故。因此,高风险驾驶员A有两个事故间隔时间样本,第一个事故间隔时间DURATION为2013/4/7至2014/4/11共369天,这一事故间隔时间数据为完全数据,此时EVENT为1;另一个事故间隔时间数据为2014/4/11至观测结束时刻2014/12/31共264天,由于这期间没有发生事故,因此这一数据是删失数据,此时EVENT为0。再加上高风险驾驶员的个人属性和历史违章信息等,高风险驾驶员A的事故间隔时间样本信息,具体如表4所示。
表4高风险驾驶员A的事故间隔样本信息
运用前面标定好的Weibull参数分布的高风险驾驶员事故间隔时间加速失效模型(即式(8)),可计算得到高风险驾驶员在给定生存率水平下,事故间隔时间的估计值。以高风险驾驶员A最后一次事故时间(2014/4/11)为起点,把高风险驾驶员A此时,只考虑显著影响因素的协变量X的值代入式(10),可得式(11),
把的值和的值代入公式(8),给定生存率S(tj)为0.5,公式(8)则转变为只包含该高风险驾驶员事故间隔的生存时间tj这一个未知数的一元方程,具体如式(12)所示,
exp(-0.000950tj 1.102)=0.5 (12)
求解该方程,得到此种情形下事故间隔的生存时间值为396天,即为给定生存率50%下,该高风险驾驶员不发生交通事故的持续时间,这一时间作为该高风险驾驶员的事故预警时间,因此高风险驾驶员A的预警时刻为2015/5/12。
当高风险驾驶员A在2014/4/11至2015/5/12之间,影响事故间隔时间的协变量值发生变化时,需要进行事故预警时间的更新调整。需要重点关注:在2014/4/11至2015/5/12期间,高风险驾驶员A发生新违章或新事故这两种情况,事故预警时间需要动态调整。下面分别举例讨论。
(1)假设高风险驾驶员A在2014/12/1发生一次违章,根据事故预警时间的动态调整规则,高风险驾驶员A的事故预警时间的起点不变,仍为2014/4/11。显著影响的协变量中,只有VIOLATE1发生变化(本次事故间隔时间内违章次数,由0变为1),因此需要重新计算高风险驾驶员A的事故预警时间。首先,重新计算的值,如式(13)所示,
由于的值不变,式(12)变为式(14)所示,
exp(-0.000812tj 1.102)=0.5 (14)
求解可得事故间隔的生存时间值为457天,因此高风险驾驶员A的事故预警时刻更新为2015/7/12。
(2)假设高风险驾驶员A在2015/2/1发生一次事故,根据前述事故预警时间的动态调整规则,高风险驾驶员A的事故预警时间起点变化,变为2015/2/1。显著影响的协变量中,JL(驾驶员驾龄,变为9),VIOLATE1(本次事故间隔时间内违章次数,此时为0),VIOLATE2(上一年违章次数,此时为0),ACC(上一年事故次数,此时为1)发生变化。
的值不变,只需重新计算的值,如式(15)所示,
代入公式(8),可求解出生存率为0.5的情形下,事故间隔的生存时间值为405天。由于,此时高风险驾驶员A的事故预警时间的起点为2015/2/1,因此高风险驾驶员A的事故预警时刻更新为2016/3/12。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于,包括以下步骤:
A、采集驾驶员个人属性构建驾驶员个人属性数据库,采集车辆属性构建车辆属性数据库,采集违章特征构建驾驶员历史违章数据库,采集事故特征构建驾驶员历史事故数据库;
所述个人属性包括:身份证号、性别、年龄和驾龄;
所述车辆属性包括:车辆归属地和车辆类型;
所述违章特征包括:事故间隔时间内违章次数和上一年违章次数;
所述事故特征包括:事故发生时间、事故间隔时间、上一年事故次数;
基于驾驶员历史事故数据库,提取驾驶员事故间隔时间;
B、融合驾驶员的个人属性、车辆属性、违章特征和事故特征数据,构建驾驶员事故间隔时间样本数据库和高风险驾驶员事故间隔时间样本数据库
通过驾驶员的身份证号,将驾驶员的个人属性、车辆属性、违章特征和事故特征匹配到步骤A获得的驾驶员事故间隔时间数据中,得到驾驶员事故间隔时间样本数据库;
所述驾驶员事故间隔时间样本数据库以驾驶员每次事故间隔时间样本数据作为样本,所述事故间隔时间样本数据包括:事故间隔时间、事故间隔时间的删失属性,每次事故间隔时间对应的驾驶员身份证号、性别、年龄、驾龄、车辆归属地、事故间隔时间内违章次数、上一年违章次数和上一年事故次数;
在2年内发生2次及以上全责事故的驾驶员为高风险驾驶员;并从驾驶员事故间隔时间样本数据库中提取高风险驾驶员的事故间隔时间样本数据,构建高风险驾驶员事故间隔时间样本数据库;
C、构建高风险驾驶员事故间隔时间最优加速失效风险模型
根据高风险驾驶员事故间隔时间样本数据库,选定参数分布模型,构建高风险驾驶员事故间隔时间加速失效风险模型,估计标定加速失效风险模型未知参数;选择确定最优参数分布模型,构建高风险驾驶员事故间隔时间最优加速失效风险模型,识别事故间隔时间的显著影响因素;
D、根据高风险驾驶员事故间隔时间最优加速失效风险模型,计算高风险驾驶员的事故预警时间
基于高风险驾驶员事故间隔时间最优加速失效风险模型,任意给定生存率水平值,构建只包含事故间隔时间未知数的一元方程,计算出事故间隔时间,作为事故预警时间;
E、根据高风险驾驶员实时交通事件状态的变化,对事故预警时间进行动态调整
根据高风险驾驶员在事故预警时间到达之前,发生新的违章或事故的实时变化情况,通过相应的动态调整规则和动态调整策略,对事故预警时间进行动态调整。
2.如权利要求1所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:步骤A的具体步骤如下:
A1、采集驾驶员的个人属性、车辆属性、违章特征和事故特征数据;
A2、以驾驶员的身份证号和事故发生时间分别作为第一关键词和第二关键词,对驾驶员的事故特征数据进行排列,再计算每一名驾驶员的每一次事故间隔时间。
3.如权利要求1所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:步骤B中所述:构建驾驶员事故间隔时间样本数据库的具体步骤如下:
B1、通过驾驶员的身份证号,将驾驶员的个人属性、车辆属性、违章特征和事故特征匹配到步骤A中的事故间隔时间数据中,得到驾驶员事故间隔时间样本数据库;
B2、将驾驶员性别、驾驶员年龄、驾驶员驾龄、事故间隔时间内违章次数、上一年违章次数、上一年事故次数和车辆归属地作为事故间隔时间的潜在影响因素;
B3、针对驾驶员性别,采用潜在影响因素变量GEN,若为女性,GEN取值为0,若为男性,GEN取值为1;
针对驾驶员年龄,采用潜在影响因素变量AGE,AGE的取值为驾驶员的年龄,单位为:岁;
针对驾驶员驾龄,采用潜在影响因素变量JL,JL的取值为驾驶员驾龄,单位为:年;
针对事故间隔时间内违章次数,采用潜在影响因素变量VIOLATE1,VIOLATE1的取值为事故间隔时间内违章次数;
针对上一年违章次数,采用潜在影响因素变量VIOLATE2,VIOLATE2的取值为上一年违章次数;
针对上一年事故次数,采用潜在影响因素变量ACC,ACC的取值为上一年事故次数;
针对车辆归属地,采用潜在影响因素变量LOCAL,当车辆的牌照不是本地牌照,LOCAL的取值为0;当车辆的牌照是本地牌照,LOCAL的取值为1。
4.如权利要求1所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:所述参数分布模型包括:Exponential参数分布模型、Weibull参数分布模型、Lognormal参数分布模型和Loglogistic参数分布模型。
5.如权利要求1所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:所述估计标定加速失效风险模型未知参数采用极大似然估计方法,具体步骤如下:
C1、假设在高风险驾驶员事故间隔时间样本数据库的n个事故间隔时间样本中,有r个是完全数据,n-r个为删失数据,分别为t1,t2,…,tr和
则事故间隔时间样本的联合概率密度函数L(b)如式(3)所示,
其中,b为加速失效风险模型未知参数,且b=(β,d);f(tj,b)为加速失效风险模型的概率密度函数,为加速失效风险模型的生存函数;β={β0,β1,...,βq}′为加速失效风险模型的系数向量,d为加速失效风险模型辅助参数;
C2、L(b)的对数似然函数LL(b)如式(4)所示,
C3、LL(b)分别对b中每个未知参数求偏导,并令其为0,构造方程组,运用Newton-Raphson迭代法得到未知参数的估计值
6.如权利要求5所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:所述选择确定最优参数分布模型的具体步骤如下:
C4、针对不同的参数分布模型,通过公式(5)和(6)计算加速失效风险模型的AIC值和BIC值,
其中,k为加速失效风险模型中未知参数的个数;
C4、选取AIC值和BIC值最小的加速失效风险模型为最优加速失效风险模型。
7.如权利要求6所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:识别事故间隔时间的显著影响因素的步骤如下:
C5、根据高风险驾驶员事故间隔时间样本数据库,通过最优加速失效风险模型,计算各潜在影响因素的p值;
C6、设置一显著性水平,通过p值从潜在影响因素中选出显著影响因素;
所述显著性水平设置为0.10。
8.如权利要求7所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:当参数分布模型为:Weibull参数分布模型时,步骤D的具体步骤如下:
D1、假设事故间隔时间的显著影响因素为m个,对应协变量X的分量为m个,分别为x1,x2,…,xm,其中m≤q,协变量X的取值根据高风险驾驶员的事故间隔时间样本数据的信息确定;协变量X对应系数的估计值为未知参数常数项估计值为辅助参数的估计值为
D2、给定生存率S(tj)的估计利用公式(8)形成的包含事故间隔时间未知数tj的一元方程计算出tj值,
计算出tj的值为T0,作为该高风险驾驶员的事故预警时间;在该高风险驾驶员最近一次事故之后的第T0天对该高风险驾驶员进行事故预警。
9.如权利要求8所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:步骤E中所述动态调整规则包括:高风险驾驶员更新规则和事故预警时间推移规则;
所述高风险驾驶员更新规则为:超过2年时间没有发生事故的高风险驾驶员事故间隔时间样本数据被移出高风险驾驶员事故间隔时间样本数据库,2年内发生2次及以上事故的高风险驾驶员事故间隔时间样本库外的驾驶员事故间隔时间样本数据进入高风险驾驶员事故间隔时间样本数据库;
所述事故预警时间推移规则为:高风险驾驶员事故预警时间的计算起点是高风险驾驶员最近一次事故的发生时间,如果高风险驾驶员在事故预警时间到达之前发生了新的事故,则高风险驾驶员事故预警时间的起点更新为最新事故的发生时刻,在此基础上更新高风险驾驶员的事故预警时间;如果高风险驾驶员在预警时间到达之前发生新的违章,则高风险驾驶员事故预警时间的起点不更新,对高风险驾驶员的事故预警时间进行更新。
10.如权利要求9所述的基于加速失效风险模型的驾驶员事故动态预警方法,其特征在于:步骤E中所述动态调整策略包括以下两种情况:
E1、当高风险驾驶员发生新事故时,事故预警时间的动态调整策略如下:
假设高风险驾驶员在“0”时刻发生了最近的一次事故,根据最优加速失效风险模型计算得到:在给定生存率水平下,事故间隔时间的预测值为ty1,所述ty1为最初的事故预警时间;
在“0”时刻之后的ts2时刻,高风险驾驶员发生了一次事故,运用最优加速失效风险模型重新计算得到:在给定生存率水平下的事故间隔时间,假设最新的事故预警时间为ty2;
如果ts2大于2年,则将该高风险驾驶员事故间隔时间样本数据移出高风险驾驶员事故间隔时间样本数据库;如果ts2小于或等于2年,则根据新事故的发生时间是否在最初的事故预警时间ty1之前分为如下两类情况;
E11、当新事故的发生时间ts2在最初的事故预警时间ty1之前时
事故预警时间的起点由“0”时刻更新为ts2时刻,运用最优加速失效风险模型重新计算给定生存率水平下高风险驾驶员事故间隔时间的预测值ty2,新的事故预警时间更新为ts2+ty2;
E12、当新事故的发生时间ts2在最初的事故预警时间ty1之后时
在ty1时刻对高风险驾驶员进行第一次事故预警,高风险驾驶员新的事故预警时间起点更新为ts2时刻,运用最优加速失效风险模型重新计算给定生存率水平下高风险驾驶员事故间隔时间的预测值ty2,新的事故预警时间更新为ts2+ty2;
E2、高风险驾驶员发生新违章时,事故预警时间的动态调整策略如下:
假设高风险驾驶员在“0”时刻发生了最近的一次事故,根据最优加速失效风险模型计算得到:在给定生存率水平下,事故间隔时间的预测值为ty1,所述ty1为最初的事故预警时间;
在“0”时刻之后的tw2时刻,高风险驾驶员发生了一次违章,运用最优加速失效风险模型重新计算得到:在给定生存率水平下的事故间隔时间,假设最新的事故预警时间为ty2;
如果高风险驾驶员在最初的事故预警时间ty1之前没有发生新违章,则在ty1时刻对高风险驾驶员进行第一次事故预警;
否则,根据tw2与ty2的大小关系,分为如下两种情况对高风险驾驶员事故预警时间进行动态调整;
E21、若ty2>tw2,新的事故预警时间更新为ty2;
E22、若ty2≤tw2,则在tw2时刻立即对高风险驾驶员进行事故预警,新的事故预警时间为t新=tw2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414169.6A CN109671266B (zh) | 2018-11-26 | 2018-11-26 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414169.6A CN109671266B (zh) | 2018-11-26 | 2018-11-26 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671266A true CN109671266A (zh) | 2019-04-23 |
CN109671266B CN109671266B (zh) | 2020-11-06 |
Family
ID=66142277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811414169.6A Expired - Fee Related CN109671266B (zh) | 2018-11-26 | 2018-11-26 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671266B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516932A (zh) * | 2019-08-12 | 2019-11-29 | 广东利通科技投资有限公司 | 交通行为信息处理方法、装置、计算机设备和存储介质 |
CN113920732A (zh) * | 2021-10-11 | 2022-01-11 | 长安大学 | 一种针对特定驾驶人群的道路交通事故风险预警方法 |
CN115131973A (zh) * | 2021-03-25 | 2022-09-30 | 上海博泰悦臻网络技术服务有限公司 | 车辆预警的方法、装置及系统 |
US11468671B2 (en) | 2020-11-30 | 2022-10-11 | Getac Technology Corporation | Sentiment analysis for situational awareness |
US11477616B2 (en) | 2020-11-30 | 2022-10-18 | Getac Technology Corporation | Safety detection controller |
US11540027B2 (en) | 2020-11-30 | 2022-12-27 | Getac Technology Corporation | Performant ad hoc data ingestion |
US11575574B2 (en) | 2020-11-30 | 2023-02-07 | Getac Technology Corporation | Heterogeneous cross-cloud service interoperability |
US11605288B2 (en) | 2020-11-30 | 2023-03-14 | Whp Workflow Solutions, Inc. | Network operating center (NOC) workspace interoperability |
US11604773B2 (en) | 2020-11-30 | 2023-03-14 | Whp Workflow Solutions, Inc. | Hierarchical data ingestion in a universal schema |
US11630677B2 (en) | 2020-11-30 | 2023-04-18 | Whp Workflow Solutions, Inc. | Data aggregation with self-configuring drivers |
US11720414B2 (en) | 2020-11-30 | 2023-08-08 | Whp Workflow Solutions, Inc. | Parallel execution controller for partitioned segments of a data model |
US11977993B2 (en) | 2020-11-30 | 2024-05-07 | Getac Technology Corporation | Data source correlation techniques for machine learning and convolutional neural models |
CN115547037B (zh) * | 2022-09-14 | 2024-05-28 | 华南理工大学 | 高速公路交通事故持续时间预测方法、系统、装置及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5387916A (en) * | 1992-07-31 | 1995-02-07 | Westinghouse Electric Corporation | Automotive navigation system and method |
CN201111726Y (zh) * | 2007-09-03 | 2008-09-10 | 费桂林 | 机动车辆违章电子监控系统 |
CN102081859A (zh) * | 2009-11-26 | 2011-06-01 | 上海遥薇实业有限公司 | 一种公交车到站时间预测模型控制方法 |
CN102945601A (zh) * | 2012-11-28 | 2013-02-27 | 东南大学 | 基于偏最小二乘法的交通事件持续时间预测方法 |
CN103106806A (zh) * | 2013-01-04 | 2013-05-15 | 石少伟 | 行车预警系统及其预警方法 |
CN104408907A (zh) * | 2014-10-31 | 2015-03-11 | 重庆大学 | 具有在线优化能力的高速公路交通事件持续时间预测方法 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及系统 |
CN106530831A (zh) * | 2016-12-15 | 2017-03-22 | 江苏大学 | 一种高威胁车辆监测预警系统及方法 |
JP2017065357A (ja) * | 2015-09-29 | 2017-04-06 | 富士重工業株式会社 | 危険度算出装置 |
CN106709595A (zh) * | 2016-11-24 | 2017-05-24 | 北京交通大学 | 基于非格式化信息的事故延误时间预测方法与系统 |
CN107045786A (zh) * | 2017-04-12 | 2017-08-15 | 江苏智通交通科技有限公司 | 基于Kaplan‑Meier法的驾驶者发生交通事故间隔时间的计算方法 |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
-
2018
- 2018-11-26 CN CN201811414169.6A patent/CN109671266B/zh not_active Expired - Fee Related
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5387916A (en) * | 1992-07-31 | 1995-02-07 | Westinghouse Electric Corporation | Automotive navigation system and method |
CN201111726Y (zh) * | 2007-09-03 | 2008-09-10 | 费桂林 | 机动车辆违章电子监控系统 |
CN102081859A (zh) * | 2009-11-26 | 2011-06-01 | 上海遥薇实业有限公司 | 一种公交车到站时间预测模型控制方法 |
CN102945601A (zh) * | 2012-11-28 | 2013-02-27 | 东南大学 | 基于偏最小二乘法的交通事件持续时间预测方法 |
CN103106806A (zh) * | 2013-01-04 | 2013-05-15 | 石少伟 | 行车预警系统及其预警方法 |
CN104408907A (zh) * | 2014-10-31 | 2015-03-11 | 重庆大学 | 具有在线优化能力的高速公路交通事件持续时间预测方法 |
JP2017065357A (ja) * | 2015-09-29 | 2017-04-06 | 富士重工業株式会社 | 危険度算出装置 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及系统 |
CN106709595A (zh) * | 2016-11-24 | 2017-05-24 | 北京交通大学 | 基于非格式化信息的事故延误时间预测方法与系统 |
CN106530831A (zh) * | 2016-12-15 | 2017-03-22 | 江苏大学 | 一种高威胁车辆监测预警系统及方法 |
CN107045786A (zh) * | 2017-04-12 | 2017-08-15 | 江苏智通交通科技有限公司 | 基于Kaplan‑Meier法的驾驶者发生交通事故间隔时间的计算方法 |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
Non-Patent Citations (6)
Title |
---|
周映雪,杨小宝: "基于生存分析的交通拥堵持续时间模型", 《第十三届现代数学和力学学术会议暨钱伟长诞辰100周年纪念大会文集》 * |
尚山山,钱大琳: "基于生存分析的小汽车通勤者出发时刻研究", 《武汉理工大学学报》 * |
张喆: "基于驾驶者交通违法行为的交通事故风险分析与建模", 《万方学位论文数据库》 * |
李明: "基于风险模型的城市居民购物出发时间分布规律分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
杨慧敏,陈雨人,方守恩,袁建华: "高速公路交通事故救援时间与生存率关系模型研究", 《交通信息与安全》 * |
蒋宏,方守恩,陈雨人: "删失数据下事件持续时间多因素生存分析模型", 《同济大学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516932A (zh) * | 2019-08-12 | 2019-11-29 | 广东利通科技投资有限公司 | 交通行为信息处理方法、装置、计算机设备和存储介质 |
US11575574B2 (en) | 2020-11-30 | 2023-02-07 | Getac Technology Corporation | Heterogeneous cross-cloud service interoperability |
US11468671B2 (en) | 2020-11-30 | 2022-10-11 | Getac Technology Corporation | Sentiment analysis for situational awareness |
US11477616B2 (en) | 2020-11-30 | 2022-10-18 | Getac Technology Corporation | Safety detection controller |
US11540027B2 (en) | 2020-11-30 | 2022-12-27 | Getac Technology Corporation | Performant ad hoc data ingestion |
US11605288B2 (en) | 2020-11-30 | 2023-03-14 | Whp Workflow Solutions, Inc. | Network operating center (NOC) workspace interoperability |
US11604773B2 (en) | 2020-11-30 | 2023-03-14 | Whp Workflow Solutions, Inc. | Hierarchical data ingestion in a universal schema |
US11630677B2 (en) | 2020-11-30 | 2023-04-18 | Whp Workflow Solutions, Inc. | Data aggregation with self-configuring drivers |
US11720414B2 (en) | 2020-11-30 | 2023-08-08 | Whp Workflow Solutions, Inc. | Parallel execution controller for partitioned segments of a data model |
US11977993B2 (en) | 2020-11-30 | 2024-05-07 | Getac Technology Corporation | Data source correlation techniques for machine learning and convolutional neural models |
US11990031B2 (en) | 2020-11-30 | 2024-05-21 | Getac Technology Corporation | Network operating center (NOC) workspace interoperability |
CN115131973A (zh) * | 2021-03-25 | 2022-09-30 | 上海博泰悦臻网络技术服务有限公司 | 车辆预警的方法、装置及系统 |
CN113920732A (zh) * | 2021-10-11 | 2022-01-11 | 长安大学 | 一种针对特定驾驶人群的道路交通事故风险预警方法 |
CN115547037B (zh) * | 2022-09-14 | 2024-05-28 | 华南理工大学 | 高速公路交通事故持续时间预测方法、系统、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109671266B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671266A (zh) | 基于加速失效风险模型的驾驶员事故动态预警方法 | |
CN109801491B (zh) | 基于风险评估的智能导航方法、装置、设备及存储介质 | |
US10023200B2 (en) | Driver profiling system and method | |
JP6045846B2 (ja) | 交通事故発生予報装置、方法およびプログラム | |
CN109493566B (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
Meng et al. | A probabilistic quantitative risk assessment model for the long-term work zone crashes | |
US6662141B2 (en) | Traffic safety prediction model | |
CN104867327B (zh) | 一种驾驶安全监测方法及装置 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN106127586A (zh) | 大数据时代下车险费率辅助决策系统 | |
Goyani et al. | Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
Nouri et al. | Evaluating microtrip definitions for developing driving cycles | |
DE102013000385A1 (de) | Verfahren und Navigationssystem zum Ermitteln eines Fahrroutenvorschlags für eine bevorstehende Fahrt mit einem Kraftwagen | |
DE102013015145B4 (de) | Verfahren zum Testen und Bewerten der Qualität digitaler Karten | |
Peng et al. | Application of latent class growth model to longitudinal analysis of traffic crashes | |
CN109754153A (zh) | 一种基于持续时间模型的驾驶员违章风险估计方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
Jin et al. | Determining the breakpoints of fundamental diagrams | |
Arman et al. | Pedestrian gap acceptance behavior, a case study: Tehran | |
CN108268678B (zh) | 驾驶行为分析方法、装置及系统 | |
CN116596307A (zh) | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 | |
CN115871682A (zh) | 驾驶员安全驾驶行为的监测、评价和预警方法及系统 | |
Joewono et al. | A longitudinal analysis of traffic-violation behaviours among two groups of motorcyclist in bandung, indonesia | |
Moghaddam et al. | Crash severity modeling in urban highways using backward regression method |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201106 Termination date: 20211126 |
|
CF01 | Termination of patent right due to non-payment of annual fee |