CN110070306A - 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法 - Google Patents

一种基于交通管理大数据的驾驶人驾驶危险性辨识方法 Download PDF

Info

Publication number
CN110070306A
CN110070306A CN201910369113.1A CN201910369113A CN110070306A CN 110070306 A CN110070306 A CN 110070306A CN 201910369113 A CN201910369113 A CN 201910369113A CN 110070306 A CN110070306 A CN 110070306A
Authority
CN
China
Prior art keywords
accident
assignment
driving
driver
divided
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.)
Withdrawn
Application number
CN201910369113.1A
Other languages
English (en)
Inventor
咸化彩
张萌萌
王帅
张萌
王建豪
寇军营
赵军学
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN201910369113.1A priority Critical patent/CN110070306A/zh
Publication of CN110070306A publication Critical patent/CN110070306A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，包括如下步骤：确定驾驶人驾驶安全性主要影响因子，建立层次结构模型；建立危险辨识因子危险性得分；建立驾驶人驾驶危险等级集；实现驾驶人驾驶危险等级辨识，它从驾驶人自然属性和驾驶行为结果两方面出发，由驾驶人自然属性、事故倾向性、违法倾向性和驾驶习惯四部分组成，进行驾驶人驾驶危险性辨识，该方法克服了辨识参数、驾驶危险性难以量化、辨识准确率不高的不足，对改善道路交通安全现状、确保车辆运行安全具有重要的现实意义。

Description

一种基于交通管理大数据的驾驶人驾驶危险性辨识方法
技术领域
本发明涉及道路交通安全管理研究技术领域，尤其涉及一种基于交通管理大数据的驾驶人驾驶危险性辨识方法。
背景技术
由于车辆无人驾驶技术尚不成熟，道路交通系统在未来很长一段时间内仍然是“人-车-路-管理-环境”五要素组成的复杂系统。调查数据显示，由“人”的因素直接或间接导致的道路交通事故占事故总数的92.9％。在中国，交管部门通过分析2.8万起事故原因发现，高达96.4％的道路交通事故与驾驶人密切相关。因此，交通安全问题从根本上来说是驾驶人的问题，提升驾驶人驾驶安全性是提高道路交通安全性的根本途径。
由于驾驶人是一个具有独立生理特征和复杂心理行为的个体，在年龄、驾龄、驾驶经验、应激反应、判断能力以及行为方式等各方面均存在一定差异，导致驾驶人驾驶危险性研究存在因素繁杂、不易获取和量化困难等问题，同时由于驾驶危险性具有模糊的特点，其阈值界定非常困难，进一步阻碍了驾驶人驾驶危险性的准确辨识。
发明内容
为了解决以上问题，本发明提供一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，它基于交通管理大数据，建立了一套驾驶人驾驶危险性辨识方法，该方法从驾驶人自然属性和驾驶行为结果两方面出发，由驾驶人自然属性、事故倾向性、违法倾向性和驾驶习惯四部分组成，进行驾驶人驾驶危险性辨识，该方法克服了辨识参数、驾驶危险性难以量化、辨识准确率不高的不足，对改善道路交通安全现状、确保车辆运行安全具有重要的现实意义。
本发明的技术方案是：提供一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，包括如下步骤：
1、确定驾驶人驾驶安全性主要影响因子，建立层次结构模型；
2、建立危险辨识因子危险性得分；
3、建立驾驶人驾驶危险等级集；
4、实现驾驶人驾驶危险等级辨识。
进一步的，所述步骤1中，影响驾驶人驾驶安全性的影响因子主要归纳为驾驶人自然属性、事故倾向性、违法倾向性和驾驶习惯四个方面，同时这四个因子分别受到下一层次因子的影响；
所述层次结构模型包括最底指标、中间指标和最高指标三层，所述的最高指标是指驾驶危险性等级；
中间指标层为四个一级因子：U＝{U1,U2,U3,U4}＝{自然属性；事故倾向性；违法倾向性；驾驶习惯}；
最底指标层包括十二个二级因子，二级因子集为U＝{U11,U12,U21,U22,U23,U24,U31,U32,U41,U42,U43,U44}＝{年龄；驾龄；全部责任事故；
主要责任事故；同等责任事故；次要责任事故；严重违法；较严重违法；急加速；急减速；急刹车；急转弯}。
进一步的，所述步骤2中，建立危险辨识因子危险性得分，步骤包括：
2.1、年龄、驾龄得分计算：
2.1.1、将年龄和或驾龄进行分段，统计每个年龄和或驾龄段肇事人数；
2.1.2、计算每一年龄和或驾龄段肇事人数与该年龄和或驾龄段驾驶人数比值，计算出该年龄和或驾龄的事故率，并进行排序；
2.1.3、最高事故率年龄和或驾龄赋值100分，第二高事故率年龄和或驾龄赋值90分，第三高事故率年龄和或驾龄赋值80分，依次类推直至0分；
2.2、事故倾向性得分等于全部责任事故、主要责任事故、同等责任事故和次要责任事故得分的最高分，全部责任事故、主要责任事故、同等责任事故、次要责任事故得分如下所示：
2.2.1、全部责任造成大于等于两次事故或全责造成重特大事故一次及以上，此项目直接赋值100分；全部责任造成一次事故赋值70分；无全部责任事故本项赋值为0分；
2.2.2、主要责任造成大于等于两次事故或主要责任造成重特大事故一次及以上，此项目赋值100分；主要责任造成一次事故赋值60分；无主要责任事故本项值为0分；
2.2.3、同等责任造成大于等于两次事故或同等责任造成重特大事故一次及以上，此项目直接赋值100分；同等责任造成一次事故赋值50分；无同等责任事故本项值为0分；
2.2.4、次要责任造成大于等于三次或次要责任造成重特大事故一次及以上，此项目直接赋值100分；次要责任造成两次事故赋值70分；次要责任造成一次事故赋值40分；无次要责任事故本项值为0；
2.3、驾驶人违法倾向性得分为严重违法和较严重违法得分的最大值，严重违法和较严重违法得分如下：
2.3.1、严重违法，指单次违法记12分及直接扣车：严重违法大于等于三次，此项目直接赋值100分；严重违法两次赋值80分；严重违法一次赋值60分；无严重违法该项值为0；
2.3.2、较严重违法，指单次违法记分6分：较严重违法大于等于五次，此项目直接赋值100分；较严重违法四次赋值80分；较严重违法三次赋值60分；较严重违法两次赋值40分；较严重违法一次赋值30分；无较严重违法该项值为0；
2.4、驾驶人驾驶习惯得分为急加速、急减速、急转弯和急刹车四类驾驶习惯得分的最大值，急加速、急减速、急转弯和急刹车得分如下：
2.4.1、急加速和或急减速：百公里急加速和或急减速次数大于等于十次，本项赋值100分；百公里急加速和或急减速次数大于等于五次小于十次，赋值60分；百公里急加速和或急减速次数大于等于三次小于五次，本项目赋值50分；百公里急加速和或急减速次数三次以下本项目赋值0分；
2.4.2、急转弯和或急刹车：百公里急转弯和或急刹车次数大于等于五次，本项赋值100分；百公里急转弯和或急刹车次数等于三次或四次，赋值80分；百公里急转弯和或急刹车次数等于两次，赋值70分；百公里急转弯和或急刹车次数等于一次，赋值50分；百公里急转弯和或急刹车次数等于零次，赋值0分。
进一步的，所述步骤3中，将驾驶人驾驶危险等级分为五级，即V＝{V1,V2,V3,V4,V5}＝{极高危险；高危险；一般危险；低危险；极低危险}，其中元素Vj(j＝1,2,3,4,5)是五个可能做出的评判结果，辨识的目的在于通过综合考虑所影响因子，能够从评价集V中获得一个最佳的评价结果。
进一步的，所述步骤4中，驾驶人驾驶安全等级划分为五级{极高危险；高危险；一般危险；低危险；极低危险}＝{极高危险≥75分；45≤高危险＜75；25≤一般危险＜45；7≤低危险＜25；极低危险＜7}，根据计算结果，判定出驾驶人驾驶危险性等级。
与现有技术相比，本发明的有益效果是：该方法可以进行驾驶人驾驶危险性的综合评判，有助于交通安全管理部门进行重点驾驶人的识别、预警、监控和管理，对预防和减少道路交通事故的发生具有非常高的现实意义。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了本发明的驾驶人驾驶危险性辨识方法流程图；
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
如图1所示，一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，包括如下步骤：
1、确定驾驶人驾驶安全性主要影响因子，建立层次结构模型；
2、建立危险辨识因子危险性得分；
3、建立驾驶人驾驶危险等级集；
4、实现驾驶人驾驶危险等级辨识。
进一步的，所述步骤1中，影响驾驶人驾驶安全性的影响因子主要归纳为驾驶人自然属性、事故倾向性、违法倾向性和驾驶习惯四个方面，同时这四个因子分别受到下一层次因子的影响；
所述层次结构模型包括最底指标、中间指标和最高指标三层，所述的最高指标是指驾驶危险性等级；
中间指标层为四个一级因子：U＝{U1,U2,U3,U4}＝{自然属性；事故倾向性；违法倾向性；驾驶习惯}；
最底指标层包括十二个二级因子，二级因子集为U＝{U11,U12,U21,U22,U23,U24,U31,U32,U41,U42,U43,U44}＝{年龄；驾龄；全部责任事故；主要责任事故；同等责任事故；次要责任事故；严重违法；较严重违法；急加速；急减速；急刹车；急转弯}。
进一步的，所述步骤2中，建立危险辨识因子危险性得分，步骤包括：
2.1、年龄、驾龄得分计算：
2.1.1、将年龄和或驾龄进行分段，统计每个年龄和或驾龄段肇事人数；
2.1.2、计算每一年龄和或驾龄段肇事人数与该年龄和或驾龄段驾驶人数比值，计算出该年龄和或驾龄的事故率，并进行排序；
2.1.3、最高事故率年龄和或驾龄赋值100分，第二高事故率年龄和或驾龄赋值90分，第三高事故率年龄和或驾龄赋值80分，依次类推直至0分；
2.2、事故倾向性得分等于全部责任事故、主要责任事故、同等责任事故和次要责任事故得分的最高分，全部责任事故、主要责任事故、同等责任事故、次要责任事故得分如下所示：
2.2.1、全部责任造成大于等于两次事故或全责造成重特大事故一次及以上，此项目直接赋值100分；全部责任造成一次事故赋值70分；无全部责任事故本项赋值为0分；
2.2.2、主要责任造成大于等于两次事故或主要责任造成重特大事故一次及以上，此项目赋值100分；主要责任造成一次事故赋值60分；无主要责任事故本项值为0分；
2.2.3、同等责任造成大于等于两次事故或同等责任造成重特大事故一次及以上，此项目直接赋值100分；同等责任造成一次事故赋值50分；无同等责任事故本项值为0分；
2.2.4、次要责任造成大于等于三次或次要责任造成重特大事故一次及以上，此项目直接赋值100分；次要责任造成两次事故赋值70分；次要责任造成一次事故赋值40分；无次要责任事故本项值为0；
2.3、驾驶人违法倾向性得分为严重违法和较严重违法得分的最大值，严重违法和较严重违法得分如下：
2.3.1、严重违法，指单次违法记12分及直接扣车：严重违法大于等于三次，此项目直接赋值100分；严重违法两次赋值80分；严重违法一次赋值60分；无严重违法该项值为0；
2.3.2、较严重违法，指单次违法记分6分：较严重违法大于等于五次，此项目直接赋值100分；较严重违法四次赋值80分；较严重违法三次赋值60分；较严重违法两次赋值40分；较严重违法一次赋值30分；无较严重违法该项值为0；
2.4、驾驶人驾驶习惯得分为急加速、急减速、急转弯和急刹车四类驾驶习惯得分的最大值，急加速、急减速、急转弯和急刹车得分如下：
2.4.1、急加速和或急减速：百公里急加速和或急减速次数大于等于十次，本项赋值100分；百公里急加速和或急减速次数大于等于五次小于十次，赋值60分；百公里急加速和或急减速次数大于等于三次小于五次，本项目赋值50分；百公里急加速和或急减速次数三次以下本项目赋值0分；
2.4.2、急转弯和或急刹车：百公里急转弯和或急刹车次数大于等于五次，本项赋值100分；百公里急转弯和或急刹车次数等于三次或四次，赋值80分；百公里急转弯和或急刹车次数等于两次，赋值70分；百公里急转弯和或急刹车次数等于一次，赋值50分；百公里急转弯和或急刹车次数等于零次，赋值0分。
进一步的，所述步骤3中，将驾驶人驾驶危险等级分为五级，即V＝{V1,V2,V3,V4,V5}＝{极高危险；高危险；一般危险；低危险；极低危险}，其中元素Vj(j＝1,2,3,4,5)是五个可能做出的评判结果，辨识的目的在于通过综合考虑所影响因子，能够从评价集V中获得一个最佳的评价结果。
进一步的，所述步骤4中，驾驶人驾驶安全等级划分为五级{极高危险；高危险；一般危险；低危险；极低危险}＝{极高危险≥75分；45≤高危险＜75；25≤一般危险＜45；7≤低危险＜25；极低危险＜7}，根据计算结果，判定出驾驶人驾驶危险性等级。
评分细则如表1所示。
表1驾驶人危险性评分细则
本实施例对驾驶人张某某进行危险性辨识，包括如下主要步骤：
(1)根据交通管理大数据提取驾驶人张某某行车信息：张某某，年龄28岁(该年龄段事故率排名第4)，驾龄5年(该驾龄段事故率排名第5)，主要责任事故0次，次要责任事故1次，无重特大事故责任，无严重违法，较严重违法1次，百公里急加速减速次数3次、无急转弯、急刹车1次。
(2)张某某自然属性得分：根据表1中所述赋值方法，张某某自然属性得分为70分，其中年龄得分70分，驾龄得分60分，取最高值70分，最终得分70分。
(3)张某某事故倾向性得分：根据表1中所述赋值方法，张某某事故倾向性得分为40分，其中次要责任事故1次得分40分，取最高得分40分，最终得分40分。
(4)张某某违法倾向性得分：根据表1中所述赋值方法，张某某违法倾向性得分为30分，其中较严重违法1次得分30分，取最高得分30分，最终得分30分。
(5)张某某驾驶习惯得分：根据表1中所述赋值方法，张某某驾驶习惯得分为50分，其中百公里急加减速得分50分，百公里急刹车得分50分，取最高得分50分，最终得分50分。
(6)张某某危险性综合得分＝自然属性得分×自然属性权重+事故倾向性得分×事故倾向性权重+违法倾向性得分×违法倾向性权重+驾驶习惯得分×驾驶习惯权重＝70×0.05+40×0.6+30×0.2+50×0.15＝41分。
(7)根据驾驶危险性等级判定准则25≤一般危险＜45，驾驶人张某某属于一般危险。
本实施例基于交通管理大数据，建立了一套驾驶人驾驶危险性辨识方法，该方法从驾驶人自然属性和驾驶行为结果两方面出发，由驾驶人自然属性、事故倾向性、违法倾向性和驾驶习惯四部分组成，进行驾驶人驾驶危险性辨识，该方法克服了辨识参数、驾驶危险性难以量化、辨识准确率不高的不足，对改善道路交通安全现状、确保车辆运行安全具有重要的现实意义。
本发明可以进行驾驶人驾驶危险性的综合评判，有助于交通安全管理部门进行重点驾驶人的识别、预警、监控和管理，对预防和减少道路交通事故的发生具有非常高的现实意义。
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“1”、“步骤1”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，其特征在于，包括如下步骤：
1、确定驾驶人驾驶安全性主要影响因子，建立层次结构模型；
2、建立危险辨识因子危险性得分；
3、建立驾驶人驾驶危险等级集；
4、实现驾驶人驾驶危险等级辨识。
2.如权利要求1所述一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，其特征在于：所述步骤1中，影响驾驶人驾驶安全性的影响因子主要归纳为驾驶人自然属性、事故倾向性、违法倾向性和驾驶习惯四个方面，同时这四个因子分别受到下一层次因子的影响；
所述层次结构模型包括最底指标、中间指标和最高指标三层，所述的最高指标是指驾驶危险性等级；
中间指标层为四个一级因子：U＝{U1,U2,U3,U4}＝{自然属性；事故倾向性；违法倾向性；驾驶习惯}；
最底指标层包括十二个二级因子，二级因子集为U＝{U11,U12,U21,U22,U23,U24,U31,U32,U41,U42,U43,U44}＝{年龄；驾龄；全部责任事故；主要责任事故；同等责任事故；次要责任事故；严重违法；较严重违法；急加速；急减速；急刹车；急转弯}。
3.如权利要求1所述一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，其特征在于，所述步骤2中，建立危险辨识因子危险性得分，步骤包括：
2.1、年龄、驾龄得分计算：
2.1.1、将年龄和或驾龄进行分段，统计每个年龄和或驾龄段肇事人数；
2.1.2、计算每一年龄和或驾龄段肇事人数与该年龄和或驾龄段驾驶人数比值，计算出该年龄和或驾龄的事故率，并进行排序；
2.1.3、最高事故率年龄和或驾龄赋值100分，第二高事故率年龄和或驾龄赋值90分，第三高事故率年龄和或驾龄赋值80分，依次类推直至0分；
2.2、事故倾向性得分等于全部责任事故、主要责任事故、同等责任事故和次要责任事故得分的最高分，全部责任事故、主要责任事故、同等责任事故、次要责任事故得分如下所示：
2.2.1、全部责任造成大于等于两次事故或全责造成重特大事故一次及以上，此项目直接赋值100分；全部责任造成一次事故赋值70分；无全部责任事故本项赋值为0分；
2.2.2、主要责任造成大于等于两次事故或主要责任造成重特大事故一次及以上，此项目赋值100分；主要责任造成一次事故赋值60分；无主要责任事故本项值为0分；
2.2.3、同等责任造成大于等于两次事故或同等责任造成重特大事故一次及以上，此项目直接赋值100分；同等责任造成一次事故赋值50分；无同等责任事故本项值为0分；
2.2.4、次要责任造成大于等于三次或次要责任造成重特大事故一次及以上，此项目直接赋值100分；次要责任造成两次事故赋值70分；次要责任造成一次事故赋值40分；无次要责任事故本项值为0；
2.3、驾驶人违法倾向性得分为严重违法和较严重违法得分的最大值，严重违法和较严重违法得分如下：
2.3.1、严重违法，指单次违法记12分及直接扣车：严重违法大于等于三次，此项目直接赋值100分；严重违法两次赋值80分；严重违法一次赋值60分；无严重违法该项值为0；
2.3.2、较严重违法，指单次违法记分6分：较严重违法大于等于五次，此项目直接赋值100分；较严重违法四次赋值80分；较严重违法三次赋值60分；较严重违法两次赋值40分；较严重违法一次赋值30分；无较严重违法该项值为0；
2.4、驾驶人驾驶习惯得分为急加速、急减速、急转弯和急刹车四类驾驶习惯得分的最大值，急加速、急减速、急转弯和急刹车得分如下：
2.4.1、急加速和或急减速：百公里急加速和或急减速次数大于等于十次，本项赋值100分；百公里急加速和或急减速次数大于等于五次小于十次，赋值60分；百公里急加速和或急减速次数大于等于三次小于五次，本项目赋值50分；百公里急加速和或急减速次数三次以下本项目赋值0分；
2.4.2、急转弯和或急刹车：百公里急转弯和或急刹车次数大于等于五次，本项赋值100分；百公里急转弯和或急刹车次数等于三次或四次，赋值80分；百公里急转弯和或急刹车次数等于两次，赋值70分；百公里急转弯和或急刹车次数等于一次，赋值50分；百公里急转弯和或急刹车次数等于零次，赋值0分。
4.如权利要求1所述一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，其特征在于：所述步骤3中，将驾驶人驾驶危险等级分为五级，即V＝{V1,V2,V3,V4,V5}＝{极高危险；高危险；一般危险；低危险；极低危险}，其中元素Vj(j＝1,2,3,4,5)是五个可能做出的评判结果，辨识的目的在于通过综合考虑所影响因子，能够从评价集V中获得一个最佳的评价结果。
5.如权利要求1所述一种基于交通管理大数据的驾驶人驾驶危险性辨识方法，其特征在于：所述步骤4中，驾驶人驾驶安全等级划分为五级{极高危险；高危险；一般危险；低危险；极低危险}＝{极高危险≥75分；45≤高危险＜75；25≤一般危险＜45；7≤低危险＜25；极低危险＜7}，根据计算结果，判定出驾驶人驾驶危险性等级。
CN201910369113.1A 2019-05-05 2019-05-05 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法 Withdrawn CN110070306A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910369113.1A CN110070306A (zh) 2019-05-05 2019-05-05 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910369113.1A CN110070306A (zh) 2019-05-05 2019-05-05 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法

Publications (1)

Publication Number Publication Date
CN110070306A true CN110070306A (zh) 2019-07-30

Family

ID=67370168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910369113.1A Withdrawn CN110070306A (zh) 2019-05-05 2019-05-05 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法

Country Status (1)

Country Link
CN (1) CN110070306A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826848A (zh) * 2019-09-19 2020-02-21 安徽百诚慧通科技有限公司 基于层次分析法的驾驶人风险评估方法
CN110866677A (zh) * 2019-10-25 2020-03-06 东南大学 一种基于基准化分析的驾驶人相对风险评价方法
CN114511178A (zh) * 2021-12-27 2022-05-17 环球车享汽车租赁有限公司 共享出行用户安全驾驶行为的监测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826848A (zh) * 2019-09-19 2020-02-21 安徽百诚慧通科技有限公司 基于层次分析法的驾驶人风险评估方法
CN110866677A (zh) * 2019-10-25 2020-03-06 东南大学 一种基于基准化分析的驾驶人相对风险评价方法
CN110866677B (zh) * 2019-10-25 2023-04-18 东南大学 一种基于基准化分析的驾驶人相对风险评价方法
CN114511178A (zh) * 2021-12-27 2022-05-17 环球车享汽车租赁有限公司 共享出行用户安全驾驶行为的监测方法及系统

Similar Documents

Publication Publication Date Title
CN110070306A (zh) 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法
Feng et al. Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data
CN109878510B (zh) 智能网联自动驾驶汽车行驶过程中的安全判别与处置方法
CN106202872A (zh) 机动车辆驾驶行为评分方法
CN106530717B (zh) 基于云模型的施工路段行车险态评价方法
Hakamies-Blomqvist et al. Older drivers-a review
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN106710144B (zh) 一种驾驶行程评价方法及装置
CN104217297B (zh) 一种轨道交通车站动态安全风险评价方法
CN110796752B (zh) 一种收费站车道动态智慧指引系统及其动态指引方法
CN110175557A (zh) 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统
CN114168646B (zh) 基于多数据融合的营运车辆运输监控方法及系统
CN109191828B (zh) 基于集成学习的交通参与者事故风险预测方法
CN109034589A (zh) 一种基于大数据分析的驾驶行为评价方法及系统
CN109409196A (zh) 基于人脸的性格预测方法、装置、电子设备
CN106859674A (zh) 一种高原公路驾驶员生心理负荷程度表征方法
CN103268426A (zh) 一种汽车驾驶人安全驾驶水平测评的方法
Mori et al. Integrated modeling of driver gaze and vehicle operation behavior to estimate risk level during lane changes
Zhao et al. Evaluation of fog warning system on driving under heavy fog condition based on driving simulator
CN102789690A (zh) 违法车辆甄别方法及系统
Mirmohammadi et al. Investigation of road accidents and casualties factors with MCDM methods in Iran
CN111627130B (zh) 评价装置
Rumar Driver requirements and road traffic informatics
CN116187762A (zh) 一种基于Anylogic的轨道交通枢纽站瓶颈风险识别方法
EP2405406B1 (en) Information system for a vehicle

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190730

WW01 Invention patent application withdrawn after publication