一种基于GPS轨迹数据的大货车驾驶行为评估方法及装置
技术领域
本发明涉及道路安全技术领域,尤其涉及一种基于GPS轨迹数据的大货车驾驶行为评估方法及装置。
背景技术
近年来,我国的大货车事故率逐年上升。这是由于大货车制动性差、超载超速、疲劳驾驶等原因导致大货车交通事故频发,因此货车对交通安全的影响已成为亟待解决的问题。
随着大货车上卫星定位装置GPS的大量安装,利用行驶过程中记录的轨迹数据,使得对大货车的驾驶行为模式研究成为可能。在运行过程中,GPS装置将以恒定的采样率记录空间位置(纬度和经度),时间,速度等数据。相比于传统的小范围单点数据采集分析,海量GPS轨迹数据在研究大货车在运行过程中的驾驶行为安全有着多种优势。然而,在没有附加信息的情况下,分析处理时空环境下的规模庞大的轨迹数据仍然存在着巨大的挑战。在相关技术中,GPS轨迹数据处理的难点主要集中在对系统误差和随机噪声的清理,对单次行程的分割,以及对轨迹序列中的有效交通参数的提取等。
上述技术中由于仅仅对系统误差和随机噪声进行清理,对获得的GPS轨迹数据的处理最终无法得到精确的评估方案,导致评估方法偏离实际情况,不能准确的进行驾驶行为研究。因此,如何将这些海量的GPS数据寻找一套合适的后处理方法用于有效提取关键信息对于后续的驾驶行为安全研究的准确性非常重要。
发明内容
针对上述现有技术存在不足,本发明提供一种基于GPS轨迹数据的大货车驾驶行为评估方法及装置,可以准确还原行驶轨迹数据,提高划分行程轨迹的精确度,正确的提出驾驶安全评估参数,为基于海量轨迹数据的驾驶行为安全研究提供依据。
本发明采用的技术方案为:
一种基于GPS轨迹数据的大货车驾驶行为评估方法,包括以下步骤:
从原始GPS数据中筛选待测车辆的所有行驶轨迹数据;
对行驶轨迹数据进行处理获取有效行驶轨迹数据;
对有效行驶轨迹数据进行分析处理,得到有效研究轨迹;
计算有效研究轨迹的风险驾驶行为指标对驾驶行为进行评估。
作为本发明的进一步技术方案为:所述从原始GPS数据中删选待测车辆的所有行驶轨迹数据,具体为,根据待测车辆编号及其安装在该待测车辆上的GPS装置编号提取待测车辆的所有行驶轨迹数据。
作为本发明的进一步技术方案为:所述对行驶轨迹数据进行处理获取有效行驶轨迹数据;具体包括:
对行驶轨迹数据进行预处理得到第一处理数据;
对第一处理数据进行分割处理,确定有效行程轨迹数据。
作为本发明的进一步技术方案为:所述对行驶轨迹数据进行预处理得到第一处理数据,具体包括:对行驶轨迹数据中的异常数据和重复数据进行清除。
作为本发明的进一步技术方案为:所述对第一处理数据进行分割处理,确定有效行程轨迹数据,具体包括:
通过带通滤波算法对第一处理数据进行过滤并筛选速度持续时间和速度间隔时间;
将速度持续时间和速度间隔时间与预设的有效行程最小长度阈值进行比较;
将大于有效行程最小长度阈值的速度持续时间和速度间隔时间对应的轨迹数据提取出来获得有效行程轨迹数据。
作为本发明的进一步技术方案为:所述通过带通滤波算法对第一处理数据进行过滤并筛选速度持续时间和速度间隔时间;具体包括:
通过带通滤波算法对第一处理数据进行误差值确定,并去除误差值形成第二处理数据;
对第二处理数据进行筛选确定速度持续时间和速度间隔时间,判断是否存在数据间断;
若存在数据间断,判断数据间断时间,若数据间断时间达到设定阈值,则标记为备选轨迹;
否则采用平均插值法进行数据修复。
作为本发明的进一步技术方案为:所述对第二处理数据进行筛选确定速度持续时间和速度间隔时间,判断是否存在数据间断;具体为:
通过对比记录的间断时间间隔和计算间隔前后数据点的距离与平均速度之商,确定该记录间断内是否存在信号丢失导致的数据间断。
作为本发明的进一步技术方案为:所述对有效行驶轨迹数据进行分析处理,得到有效研究轨迹;具体包括:
对有效行程轨迹数据进行相似度度量和聚类分析;
将所有有效行程轨迹按其经纬度坐标进行匹配;
确定重复次数较多的路线作为有效研究轨迹。
作为本发明的进一步技术方案为:所述对有效行程轨迹数据进行相似度度量和聚类分析,具体包括:
从有效行程轨迹数据中任选两条行程轨迹,并对两条轨迹进行随机抽取部分数据点进行计算获得两条行程轨迹的相似性;
对有效行程轨迹数据中所有轨迹计算两两之间相似性,最终获得所有轨迹的相似性矩阵;
计算不同轨迹间的聚类方差值变化来判断最优聚类数。
作为本发明的进一步技术方案为:所述计算有效研究轨迹的风险驾驶行为指标对驾驶行为进行评估,具体包括:
根据最优聚类数对应的行驶轨迹数据及驾驶负荷的加重,评估驾驶行为。
作为本发明的进一步技术方案为:所述根据最优聚类数对应的行驶轨迹数据及驾驶负荷的加重,评估驾驶行为,具体为:
确定风险驾驶指标;包括超速频率和突然加减速度的频率;
确定驾驶负荷指标;该指标采用行歇率,计算待测车辆的行歇率;
综合上述两个指标,对于单个驾驶员风险驾驶进行评分;计算公式如下:
其中Fpi为某辆大货车司机i的驾驶行为轨迹综合得分;β(n)为不同指标的权重系数;Fv为待测车辆的瞬时速度超过预设安全阈值的频率,Fa为待测车辆的加速度超过预设安全阈值的频率;SD/SG为行歇率,行歇率为总行车时长与总停歇时长的比值。
本发明还提出一种基于GPS轨迹数据的大货车驾驶行为评估装置,包括:
数据筛选单元,用于从原始GPS数据中筛选待测车辆的所有行驶轨迹数据;
第一处理单元,用于对行驶轨迹数据进行处理获取有效行驶轨迹数据;
第二处理单元,用于对有效行驶轨迹数据进行分析处理,得到有效研究轨迹;
驾驶行为评估单元,用于计算有效研究轨迹的风险驾驶行为指标对驾驶行为进行评估。
本发明的有益效果为:
本发明通过对海量GPS原始数据进行挖掘,提取大货车的有效轨迹行程,并识别车辆运行主要路线;通过对车辆在同一路线上多次往返行程的统计分析中,采用不同的衡量指标来表征潜在的驾驶行为风险,并给出量化风险系数;建立不同指标不同权重的大货车驾驶员的驾驶行为轨迹评分机制,可以准确还原行驶轨迹数据,提高划分行程轨迹的精确度,正确的提出驾驶安全评估参数,对潜在的风险驾驶行为以及过重的驾驶负荷进行评估。
附图说明
图1为本发明提出的一种基于GPS轨迹数据的大货车驾驶行为评估方法流程图;
图2为本发明提出的获取有效行驶轨迹数据的流程图;
图3为本发明提出的获取有效研究轨迹的流程图;
图4为发明提出的一具体实施例流程图;
图5为本发明提出的一种基于GPS轨迹数据的大货车驾驶行为评估装置结构图;
图6a为本发明一实施例滤波前的速度轨迹图;
图6b为本发明中经过LMS滤波后的速度轨迹图;
图7a本发明一实施例行驶状态下误差率指示图;
图7b为本发明一实施例的停歇状态下的误差率指示图;
图8a为待测车辆所有的行程轨迹图;
图8b为待测车辆的研究路线上的行程轨迹图;
图9a为本发明一实施例的实际轨迹和速度变化模式图;
图9b为本发明一实施例的实际轨迹和速度变化模式图;
图9c为本发明一实施例的实际轨迹和速度变化模式图;
图9d为本发明一实施例的实际轨迹和速度变化模式图。
具体实施方式
本发明提供一种基于GPS轨迹数据的大货车驾驶行为评估方法,是在海量GPS轨迹数据中提取待测车辆的轨迹数据,通过筛选计算获得车辆行驶的主要路线,根据车辆行驶的主要路线提取驾驶参数,用于评估驾驶行为。
本发明提供的技术方案总体思路如下:
本发明提供一种基于GPS轨迹数据的大货车驾驶行为评估方法;用于对车辆监管和驾驶员行为分析;对海量GPS原始数据进行挖掘,提取有效轨迹行程,并识别车辆运行主要路线。通过对车辆在同一路线上多次往返行程的统计分析中,采用不同的衡量指标来表征潜在的驾驶行为风险,并给出量化风险系数,用于对驾驶行为的评估。
以上是本申请的核心思想,为了使本技术领域的人员更好地理解本申请方案,下面结合附图对本申请作进一步的详细说明。应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
实施例一
如图1所示,为本发明提出的一种基于GPS轨迹数据的大货车驾驶行为评估方法流程图。
参照图1,一种基于GPS轨迹数据的大货车驾驶行为评估方法,包括以下步骤:
步骤101,从原始GPS数据中筛选待测车辆的所有行驶轨迹数据;
步骤102,对行驶轨迹数据进行处理获取有效行驶轨迹数据;
步骤103,对有效行驶轨迹数据进行分析处理,得到有效研究轨迹;
步骤104,计算有效研究轨迹的风险驾驶行为指标对驾驶行为进行评估。
本发明对海量GPS原始数据进行挖掘,提取有效轨迹行程,并识别车辆运行主要路线。通过对车辆在同一路线上多次往返行程的统计分析中,采用不同的衡量指标来表征潜在的驾驶行为风险,并给出量化风险系数;建立不同指标不同权重的大货车驾驶员的驾驶行为轨迹评分机制,对潜在的风险驾驶行为以及过重的驾驶负荷进行评估。
在步骤101中,从原始GPS数据中删选待测车辆的所有行驶轨迹数据,具体为,根据待测车辆编号提取待测车辆的所有行驶轨迹数据。
本发明实施例中,从数据库或者数据平台的原始GPS数据中提取待测车辆的所有轨迹数据,并进行标注和编号。由于车辆具有唯一的车辆编号(即车牌),因此通过车辆编号可以准确提取车辆的所有数据,将待测车辆在行驶过程中获得的GPS数据全部提取出来作为行驶轨迹数据。并对行驶轨迹数据进行解码与整理,例如对系统时间的编码,统一格式,确定数据点间隔。
参见图2,为本发明提出的获取有效行驶轨迹数据的流程图;
如图2所示,在步骤102中,对行驶轨迹数据进行处理获取有效行驶轨迹数据,具体包括:
步骤121,对行驶轨迹数据进行预处理得到第一处理数据;
步骤122,对第一处理数据进行分割处理,确定有效行程轨迹数据。
其中,对行驶轨迹数据进行预处理得到第一处理数据,具体包括:对行驶轨迹数据中的异常数据和重复数据进行清除。
本发明实施例中,对行驶轨迹数据进行清理,通过数据预处理首先剔除异常数据和重复数据。异常数据是指实际不可能达到的数值,例如,大货车的速度超过200km/h则视为异常数据;速度值为负数也可以看作是异常数据;重复数据是指同一时间点记录多条相同的数据。这两种情况都是由于系统误差造成的,预处理阶段先进行处理,有助于下一步滤波阶段的准确和快速。
本发明将GPS轨迹数据看作是信号波,在以时间点t为中心,宽度为2m的可移动时间窗口内,GPS设备输出的信号可以用以下模型表示:
yt+i=μt+βti+εt,i, fori=-m,…,m;
其中,μt表示基础信号,即为真实信号分量,它的变化一般比较平稳,不会产生骤变;βt表示时间窗口中心的斜率,εt,i表示在第i时刻的噪声分量,该分量可能包含由于测量误差或者随机误差产生的异常值;时间窗口t中的残差可以表示为:
滤波算法的关键是估算μt和βt值,本发明中采用的自适应最小中位数平方(LeastMedian of Squares,LMS)滤波算法估算如下:
本发明采用LMS算法对行驶轨迹数据进行过滤,根据车辆(尤其是大货车)速度轨迹数据不会骤升骤降的特点,提取的行驶轨迹数据可以看作是带有噪声的信号数据。通过自适应最小中位数平方(Least Median of Squares,LMS)滤波算法对速度轨迹进行平滑处理。LMS滤波算法是采用移动中值,对异常值具有更强的鲁棒性,能够紧跟轨迹变化,且不会受到异常信号影响的一种稳健的回归方法。通过滤波去噪,大大降低了有效行程数据的误判。
在步骤122中,对第一处理数据进行分割处理,确定有效行程轨迹数据,具体包括:
通过带通滤波算法对第一处理数据进行过滤并筛选速度持续时间和速度间隔时间;
将速度持续时间和速度间隔时间与预设的有效行程最小长度阈值进行比较;
将大于有效行程最小长度阈值的速度持续时间和速度间隔时间对应的轨迹数据提取出来获得有效行程轨迹数据。
通过带通滤波算法以及两个指标(速度持续时间speed dwell和速度间隔时间speed gap)分割连续GPS数据,并根据实际研究需求确定有效行程最小长度阈值。对于运行在主干道的大货车,一次有效的运行时间,即速度持续不小于15分钟;同样,本发明还考虑一次有效的停歇时间,即速度间隔不小于15分钟。此外,本发明中速度持续时间测量的是连续的GPS速度数据点大于5km/h的时间段,速度间隔时间测量的是连续的GPS速度数据点小于5km/h(即为停止速度)的时间段。通过两个时间段分别大于预设的时间阈值(例如15分钟),则可以分割出一次独立的行程。通过上述方法筛选研究所需要的行程轨迹。
在上述步骤中,通过带通滤波算法对第一处理数据进行过滤并筛选速度持续时间和速度间隔时间;具体包括:
通过带通滤波算法对第一处理数据进行误差值确定,并去除误差值形成第二处理数据;
对第二处理数据进行筛选确定速度持续时间和速度间隔时间,判断是否存在数据间断;
若存在数据间断,判断数据间断时间,若数据间断时间达到设定阈值,则标记为备选轨迹;
否则采用平均插值法进行数据修复。
假设车辆在平稳运行状态下得到的波动的轨迹曲线,较小的波动一般是在测量仪器的精度允许范围内。如果波动值超出车辆性能范围,则有可能是由于测量误差造成的。例如,大货车在正常运行状态下,GPS数据出现相邻两个时刻或前后两秒内的速度的突变(骤升或骤降)等。由此,通过滤波算法将会产生的误差也分以下两类:
分类1:speed dwell(SD)为速度持续,即为车辆行驶状态,该状态下车辆速度应保持当前限速及其波动范围内,设行驶速度S(km/h)。瞬时速度骤降至5km/h及以下的的数据点将被滤波算法平滑掉。统计该过程中由滤波算法平滑掉的数据点n。对于行驶状态下每个行程i的平滑误差计算为εSD,i=ni/Ni。其中,N为行程i的总数据点个数。
分类2:speed gap(SG)为速度间隔,即为车辆停歇状态,该状态下车辆速度小于等于5km/h;瞬时速度骤升至S及以上的数据点将被滤波算法平滑掉;统计该过程中由滤波算法平滑掉的数据点m;对于停歇状态下每个行程j的平滑误差计算为εSG,j=mj/Mj;其中,M为间隔j的总数据点个数。
进一步的,所述对第二处理数据进行筛选确定速度持续时间和速度间隔时间,判断是否存在数据间断;具体为:
通过对比记录的间断时间间隔和计算间隔前后数据点的距离与平均速度之商,确定该记录间断内是否存在信号丢失导致的数据间断。
本发明通过对比记录的间断时间间隔和计算间隔前后数据点的距离与平均速度之商,确定该记录间断内是否存在信号丢失导致的数据间断,即某次行程轨迹是否完整;并通过平均插值法进行小范围数据修复;若间断时间过长(例如超过整个行程的十分之一,则标为该行程的备选轨迹)。以此对一个行程的数据完整性进行分类,优选完整性较高的轨迹行程进行分析。
参加图3,为本发明提出的获取有效研究轨迹的流程图;
如图3所示,在步骤103中,对有效行驶轨迹数据进行分析处理,得到有效研究轨迹;具体包括:
步骤131,对有效行程轨迹数据进行相似度度量和聚类分析;
步骤132,将所有有效行程轨迹按其经纬度坐标进行匹配;
步骤133,确定重复次数较多的路线。
由于车辆运行和驾驶行为受不同的道路条件,交通环境等影响较大,不同路线之间的可比性不强;对于大货车而言,在短时间内其往返于A、B两地,运输路线相对单一;通过轨迹相似性度量和聚类分析,将所有有效行程轨迹按其经纬度坐标进行匹配,进而可以确定重复次数较多的路线。因此,本发明通过提取车辆运行重复率最高的路线,研究比较车辆在该路线上的不同运行状态下的驾驶行为。
参见图4为发明提出的一具体实施例流程图;具体为研究路线通过轨迹相似性和聚类分析实现。
如图4所示,对有效行程轨迹数据进行相似度度量和聚类分析,具体包括:
从有效行程轨迹数据中任选两条行程轨迹,并对两条轨迹进行进行相似性度量;
对有效行程轨迹数据中所有轨迹计算两两之间相似性,最终获得所有轨迹的相似性矩阵;
计算不同轨迹间的聚类方差值变化判断最优聚类数。
由于数据集本身的分类边界比较模糊,导致聚类数在一定程度上存在主观判断标准;一种常见方法使用分层聚类来检查树形图的输出,进而确定最佳群集数。本发明采用不同轨迹间的聚类方差值变化来判断最优聚类数;相似度最高的轨迹聚类确定为研究路线;该聚类中所有轨迹作为评估大货车司机的驾驶行为基础数据源;与此同时去除所有不在研究路线上的轨迹。
具体的,从划分好的行程数据集中任选两条行程轨迹,并对两条轨迹进行随机抽取部分数据点用来计算,以减少计算量。
相似性度量:计算最长公共子序列。本发明采用最有效的基于最长公共子序列(LCSS)的方法计算轨迹间的相似程度;LCSS的值是两条轨迹P和Q上的数据点能够匹配得到的最长匹配子序列的长度,其算法可以用以下公式来表示:
LCSS的主要思想是通过迭代计算两个轨迹上的数据点p和数据点q的距离,对比预设值ε来判断两个数据点是否匹配。该算法允许两条轨迹伸展、压缩、扭曲、以及个别数据点的不匹配,从而易于处理一些低质量的轨迹数据。该方法的主要优点有:(1)允许轨迹伸展、压缩、曲翘等(弹性),(2)允许不同长度的轨迹(时移性),(3)对误差数据点不敏感(鲁棒性)。
计算两条轨迹相似性:通过计算得到最长公共子序列后,两条轨迹的相似度可以用以下公式来表示:
SLCSS(P,Q)=LCSS(P,Q)/min(n,m);
其中n和m为两条轨迹P和Q的数据点长度;SLCSS(P,Q)取值在0到1之间;根据定义,SLCSS(P,Q)的数值越接近1,表示两个轨迹越相近,反之则两个轨迹越不相似。
计算数据集中所有轨迹的两两之间相似性,最终获得所有轨迹的相似性矩阵。
聚类分析:计算最优聚类数。由于数据集本身的分类边界比较模糊,导致聚类数在一定程度上存在主观判断标准。一种常见方法的是使用分层聚类来检查树形图的输出,进而确定最佳群集数。本发明采用不同轨迹间的聚类方差值变化来判断最优聚类数。当轨迹被正确分类到不同的对应的群集时,同类轨迹间的方差应该很小,不同类轨迹间的方差应该很大。
用聚类方差作为分类的指标。聚类方差表示该聚类所有观测值的聚类均值的坐标平方偏差,包括聚类内方差(Within-Cluster Sum-of-Squares,WSS)和聚类间方差(Between-Cluster Sum-of-Squares,BSS)。计算公式分别如下:
聚类内方差WSS用来测量每个聚类内的方差,是聚类内所有行程到类行程质心的距离平方和。通常具有小平方和的聚类内平方和比具有大平方和的聚类内平方和的群集更紧密,也就是说,聚类越好,整体WSS就越小。聚类间方差BSS用来测量聚类间的方差,是每个聚类所有行程与质心行程之间的距离平方和。最佳的聚类个数应该是在添加一个新的聚类时,聚类内平方和的值不会有太大的变化。BSS越大,则聚类结果越好。总方差为聚类内平方和与聚类间平方和的总和。聚类算法的目标是最小化聚类内平方,同时最大化聚类间平方和。以此优化确定最优聚类数。
按轨迹相似的程度大小进行层次聚类分析,相似度较高的轨迹(>95%)组成待选路线;对所有轨迹数据进行分类,得出轨迹数量最多的路线分类。该路线上的所有轨迹将作为下一步分析的数据源。
在步骤104中,计算有效研究轨迹的风险驾驶行为指标对驾驶行为进行评估,具体包括:
根据最优聚类数对应的行驶轨迹数据及驾驶负荷的加重,评估驾驶行为。
其中,所述根据最优聚类数对应的行驶轨迹数据及驾驶负荷的加重,评估驾驶行为,具体为:
确定风险驾驶指标;包括超速频率和突然加减速度的频率;
确定驾驶负荷指标;该指标采用行歇率,计算待测车辆每天(24小时)的总行车时长和总停歇时长,行歇率为总行车时长与总停歇时长的比值;
综合上述两个指标,对于单个驾驶员风险驾驶进行评分。
许多指标都可用于衡量与事故的潜在或实际风险相关的驾驶员行为评估,包括速度,加速度,加加速度,车道变换,驾驶负荷,行驶持续时间,制动频率等。GPS可以提供危险驾驶行为(例如突然刹车制动)发生前,发生期间,以及发生之后的完整轨迹数据,因而可以很好的评估驾驶行为的稳定性。大货车的驾驶行为,主要是潜在的风险驾驶行为,反映在行驶轨迹数据上,包括速度,加速度的骤变,还包括驾驶负荷的加重。
本发明的目的是对潜在的风险驾驶行为以及过重的驾驶负荷进行评估,特别是对大货车司机的大规模监控和定期评估的方法。基于有限的数据信息,提取大货车多次同路线往返运行下的交通参数指标,建立不同指标不同权重的大货车驾驶员的驾驶行为轨迹评分机制,本发明主要采用风险驾驶指标和驾驶复核指标对驾驶行为进行评估。
确定风险驾驶指标:研究发现风险较小的驾驶员与平稳的运行模式相关联,而不稳定、激进的运行模式,例如速度骤增骤减或者频繁加减速度都与驾驶员的事故率显著相关。本发明提取超速频率和突然加减速度的频率作为潜在的风险驾驶行为指标,计算每辆车的瞬时速度和加速度超过预设安全阈值的频率Fv和Fa。
确定驾驶负荷指标:计算每辆车每天(24小时)的总行车时长和总停歇时长,计算行歇率SD/SG。该比值越大,则表征驾驶负荷越大。
综合上述两个指标,对于单个驾驶员风险驾驶进行评分;该分值越高表征其风险驾驶行为发生的概率越高。计算公式如下:
其中Fpi为某辆大货车司机i的驾驶行为轨迹综合得分;β(n)为不同指标的权重系数。因为不同指标对评估驾驶风险的重要程度或贡献是不同的,所以用户可以根据每个指标的重要性或严重性进行加权,驾驶风险越高则相应的权重越高。
本发明用于对车辆监管和驾驶员行为分析。其有益效果是对海量GPS原始数据进行挖掘,提取有效轨迹行程,并识别车辆运行主要路线。通过对车辆在同一路线上多次往返行程的统计分析中,采用不同的衡量指标来表征潜在的驾驶行为风险,并给出量化风险系数。
实施例二
基于与前述实施例中一种基于GPS轨迹数据的大货车驾驶行为评估方法同样的发明构思,本发明还提供一种基于GPS轨迹数据的大货车驾驶行为评估装置。
参见图5,一种基于GPS轨迹数据的大货车驾驶行为评估装置,包括:
数据筛选单元201,用于从原始GPS数据中筛选待测车辆的所有行驶轨迹数据;
第一处理单元202,用于对行驶轨迹数据进行处理获取有效行驶轨迹数据;
第二处理单元203,用于对有效行驶轨迹数据进行分析处理,得到有效研究轨迹;
驾驶行为评估单元204,用于计算有效研究轨迹的风险驾驶行为指标对驾驶行为进行评估。
实施例一中的一种基于GPS轨迹数据的大货车驾驶行为评估方法的各种变化方式和具体实例同样适用于本实施例的一种基于GPS轨迹数据的大货车驾驶行为评估装置,通过前述对一种基于GPS轨迹数据的大货车驾驶行为评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于GPS轨迹数据的大货车驾驶行为评估装置,所以为了说明书的简洁,在此不再详述。
实施例三
本实施例选取若干辆大货车的GPS数据集分别作为研究对象。依据上述研究内容的详细步骤,简要列出关键步骤加以说明。
1、行程轨迹提取实现流程:
从数据库或者数据平台中提取任意一辆车的所有轨迹数据,并进行标注和编号。
轨迹数据解码与整理,对原始数据进行初步整理。例如,对系统时间的编码,统一格式,确定数据点间隔。
基于车辆(尤其是大货车)速度轨迹数据不会骤升骤降的特点,原始速度轨迹数据可以看作是带有噪声的信号数据。通过滤波去噪,大大降低了有效行程的误判。图6a中的黑色曲线为滤波前的速度轨迹图,图6b中的黑色曲线为经过LMS滤波后的速度轨迹图。
有效行程轨迹则可以看作是带通信号,动态带宽允许所有速度大于5km/h的速度轨迹通过。图6a和图6b中的直线即为带通滤波器,允许有效信号通过,并阻止无效信号(停止速度)。
获得有效轨迹行程,以及研究路线。图7为行驶状态下误差率和在停歇状态下的误差率,由图7可知,行驶状态下误差率小于0.2的概率为93%。停歇状态下误差率小于0.2的概率为87%。由此可知,误差在允许范围内(<85%),行程划分比较理想。
将所有有效行程轨迹进行编号,得到每个行程所有数据点对应的ID。
2、基于相似性度量的研究路线确定:
计算两两轨迹之间的相似性,最终获得所有轨迹的相似性矩阵。按轨迹相似的程度大小进行层次聚类分析。
相似度最高的轨迹聚类确定为研究路线,该聚类中所有轨迹所有轨迹作为评估大货车司机的驾驶行为基础数据源;与此同时去除所有不在研究路线上的轨迹,如图8所示,图8(a)为当前车辆所有的行程轨迹,轨迹数量为76条;图8(b)为当前车辆的研究路线上的行程轨迹,轨迹数量为48条。
3、驾驶行为评估:
分别计算运行速度高于(vh)限速值和低于(vl)限速值的频率,加速度(a+)和减速度(a-)超过3.4m/s2(最大减速度阈值)的频率,以及平均行歇比SD/SG。并分别将不同的指标进行标准化,使其取值都在[0,1]区间内。最终根据不同指标的贡献权重,获得加权平均总得分,并且取值越高,则表征潜在风险越大。对本实施例给出了四辆大货车进行驾驶行为评估。得到计算结果和最终潜在风险驾驶排名如下表所示。
在这四辆大货车中,编号为76的大货车存在较高的潜在风险驾驶行为,其次是编号为3的大货车,而编号为90的大货车驾驶行为非常平稳和稳定,潜在风险最小。
图9给出了四辆主要运行在高速路上的大货车的实际轨迹和速度变化模式。可以看出,编号为76号的大货车的速度变化范围非常大,最高速达90公里/小时,最低速低于40公里/小时。速度变化频繁。相反,编号为90号的大货车的速度非常均匀,这表示其运行非常平稳,没有频繁的变速行为。编号为3的大货车相对速度变化也很大,该大货车大多数行程保持在40km/h到60km/h之间的速度,但是,有几次行程(同路线)低于20公里/小时。编号为30的大货车在某些轨迹上表现出相对较低的运行速度,并且速度分布呈现明显的空间区域关联,一个合理的推测是,该大货车可能在这些路段上经历了常发性交通拥堵,但是这也间接影响到该大货车的速度变化。
上述实施例为本发明的经典案例,但本发明的实施方式并不受上述实施例的限制。其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化等,均应为等效的置换方式,都包含在本发明的保护范围之内。
本发明可以为以下几类行业机构提供参考依据:(1)有助于测试和筛选驾驶员,尤其是对驾驶行为稳定性可靠性要求较高的行业,例如涉及大货车,公交车,长途大巴,校车等驾驶员。(2)有助于保险公司评估被保险驾驶员的投保效益。(3)有助于执法机构对某些驾驶员的潜在风险驾驶进行评估,并以此要求重新培训和教育驾驶员安全驾驶等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。