CN110866677B - 一种基于基准化分析的驾驶人相对风险评价方法 - Google Patents
一种基于基准化分析的驾驶人相对风险评价方法 Download PDFInfo
- Publication number
- CN110866677B CN110866677B CN201911022570.XA CN201911022570A CN110866677B CN 110866677 B CN110866677 B CN 110866677B CN 201911022570 A CN201911022570 A CN 201911022570A CN 110866677 B CN110866677 B CN 110866677B
- Authority
- CN
- China
- Prior art keywords
- driver
- risk
- driving behaviors
- relative
- dangerous driving
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本发明提供一种基于基准化分析的驾驶人相对风险评价方法。通过在机动车辆上安装GPS数据采集器,获得驾驶人自然驾驶行为数据;以车辆运行参数为基础,提取关键事件,确定驾驶人的危险驾驶行为;采用聚类分析方法将不同危险程度的驾驶行为进行分类;利用基准化分析方法计算个体驾驶人相对于其他驾驶人的综合风险指数,同时得到反映驾驶人个体差异的危险驾驶行为权重分配。该方法以驾驶人的相对风险代替传统的绝对风险,从而避免对各类危险驾驶行为的绝对风险量化。通过对个体驾驶人的动态驾驶行为进行相对风险评价,可以为驾驶人的安全驾驶智能提醒与反馈、基于驾驶行为的个性化保险评估、以及道路交通安全管理提供技术支持。
Description
技术领域
本发明属于交通安全技术领域,尤其涉及一种以动态驾驶行为数据为基础,利用基准化思想来综合评价驾驶人相对风险的技术,特别是涉及一种基于基准化分析的驾驶人相对风险评价方法。
背景技术
根据2018年世界卫生组织的研究报告显示,道路交通事故每年导致130万人死亡和2-5亿人受伤。尽管在过去的50年中,道路事故伤亡人数显著下降,但这些下降主要是由于安全带的使用、安全气囊技术、汽车的防撞性能的改进以及基础设施的完善(即更好的护栏设计、道路照明等)。研究表明,驾驶员的不当驾驶行为是超过90%的事故致因,因此,在危险驾驶行为造成交通违章甚至交通事故之前,确定驾驶行为可能带来的事故风险,对改善当今的道路交通安全状况具有重要意义。
截止到目前,人们对驾驶行为的研究还存在很多不足有待改进。譬如,研究人员更多地从外界因素对驾驶员的驾驶行为影响角度,分析驾驶员的驾驶行为,忽略了对驾驶员自身的驾驶习惯和行为对行车风险的影响;基于各种危险驾驶行为对驾驶人风险进行评价时,仅考虑危险驾驶行为出现的次数,却忽略了驾驶行为的不同危险程度;基于多种危险驾驶行为建立驾驶人风险评价模型时,缺少客观的方法确定各种危险驾驶行为在驾驶人综合风险中的权重。这里所述的驾驶行为是指驾驶人对速度、加速度和减速度等车辆运行参数的控制,风险是指源于驾驶员自身的驾驶行为不当(危险驾驶行为),导致交通违规和交通事故的风险。
发明内容
为了解决以上问题,本发明提供公开一种基于基准化分析的驾驶人相对风险评价方法,利用驾驶行为数据对驾驶人的事故风险进行综合评价,目前的技术方法主要是通过定量标定各类危险驾驶行为的事故风险系数及其权重系数来计算驾驶人的绝对风险。但这些系数的确定多是靠经验给定,存在很大的主观性和不确定性。为了解决现有技术存在的问题,本发明的目的是提供一种基于动态驾驶行为数据,通过引入基准化思想,构建个体驾驶人相对于其他驾驶人的综合风险指数模型,用于评价驾驶人相对风险的方法。通过驾驶人的相对风险代替传统的绝对风险,从而避免对各类危险驾驶行为的绝对风险量化,为达此目的,本发明提供一种基于基准化分析的驾驶人相对风险评价方法,包括以下步骤:
(1)数据采集:在机动车上布置GPS数据采集器,以100Hz的频率收集并记录车辆运行的基本信息;
(2)数据初步筛选:利用上述步骤(1)GPS数据采集器检测到车辆运行的定位数据,判断车辆行驶路段是否定位成功,定位过程是否有卫星掉线的情况;
(3)时空信息整理:根据经纬度信息,确定车辆行驶的路段以及各路段限速,以限速固定不变的路段为基本路段并基于地图软件API计算各路段的距离;根据车辆运行参数整理得到每隔0.1s车辆的速度、加速度、减速度相应参数,利用特征分析,定义驾驶人的各类危险驾驶行为;
(4)危险驾驶行为风险计算:基于对驾驶行为不同危险程度的考虑,利用聚类分析方法对各种危险驾驶行为进行分类,构建关系型事故风险变量,利用面积法量化各类危险驾驶行为的相对事故风险;
(5)综合风险指数模型建立:利用基准化分析方法,以驾驶人各类危险驾驶行为的相对风险及其权重为输入变量,以被研驾驶人相对于其他驾驶人的综合风险得分最低为目标函数,构建驾驶人综合风险指数模型并求解;
(6)数据分析:根据驾驶人的相对综合风险指数,辨识高风险驾驶人;通过提取模型分配的基于个体的各类危险驾驶行为权重,分析驾驶人的驾驶习惯以及事故风险症结所在,并据此提出改善驾驶行为的方法。
作为本发明进一步改进,所述步骤(2)根据卫星数对提取的数据进行初步筛选,其具体操作方法为:
(21)导出步骤(1)中采集得到的数据文件;
(22)根据步骤(1)中GPS数据采集器定位时的卫星数数量,筛选出没有定位成功的时间段。
作为本发明进一步改进,当使用任何GPS设备的时候,所述步骤(22)中需要把定位失败这部分数据记录删除,另外考虑到卫星掉线严重的区域,也有可能导致定位失败,这部分杂质数据可以结合经纬度信息进行剔除,因卫星掉线而导致定位失败的记录条的经纬度数据为0。当使用任何GPS设备的时候,宽阔的天空视野是很重要的。周围区域的物体比如高大的建筑物和树木都能阻挡GPS信号,从而造成跟踪的卫星数量的减少或丢失,进而影响反射信号而降低系统的准确度。因此,由于此GPS数据采集版本较低且城市中多高楼大厦,常会出现卫星掉线情况即跟踪的卫星数量急剧减少。总卫星数为24颗,当卫星数保持在五颗以上,才可能定位成功。
作为本发明进一步改进,所述步骤(3)确定路段及其限速和距离信息以及车辆的速度、加速度和减速度相关车辆运行参数,以此为基础定义驾驶人的各类危险驾驶行为,具体步骤为:
(31)提取步骤(1)中所采集得到的数据信息,将UTC时间信息转化为北京时间,将经纬度转换为以度为单位,以便于后续处理;
(32)根据上述步骤(31)的车辆运行的实时经纬度信息,基于python将WGS84坐标下的经纬度转换为地图软件坐标下的经纬度;
(33)利用地图软件API可视化车辆行驶路段,确定路段限速,以限速固定不变且连续定位成功的路段为基本路段并计算基于地图软件API各路段的距离。
(34)提取步骤(1)中所采集得到的车辆运行速度信息,计算车辆运行的加速度和减速度。
(35)基于车辆运行参数,选取判定指标,利用特征分析,定义各类危险驾驶行为。
作为本发明进一步改进,所述步骤(33)提取的基本路段除了限速固定,也需要连续定位成功,即该路段数据信息记录中卫星数量满足定位成功的要求,没有被删除的记录条。
作为本发明进一步改进,所述步骤(4)基于动态驾驶行为,量化各类危险驾驶行为的相对事故风险,具体步骤为:
(41)针对各种危险驾驶行为分别设置最低阈值,并分别对超出该阈值的数据采用聚类分析方法,基于不同的危险程度对各种危险驾驶行为进行分类,每一类都对应一个类别权重变量Wij,其中i表示各种危险驾驶行为,j的取值为1......N,N表示相应的聚类所得到的类别数量;
(42)根据聚类结果,采用面积法,借助类别权重变量Wij,在t时刻建立单位时间内超过阈值的驾驶行为数据与其所对应的事故风险 其中表示在t时刻的风险之间的联系,借助类别权重变量,表示在t时刻建立单位时间内超过限速值的速度所对应的面积VtΔt与其对应速度风险之间的联系,并将所有单位时间内的各类风险分别进行累加求和,得到各类危险驾驶行为在路段上所对应的总风险。
作为本发明进一步改进,所述步骤(5)基于基准化分析方法,建立驾驶人综合风险指数模型,具体步骤为:
(51)模型以驾驶人各类危险驾驶行为的相对风险及其权重为输入变量,需要对各种危险驾驶行为的相对风险进行加权求和,模型中除了输入变量中的类别权重变量Wij之外,给各种危险驾驶行为的相对风险赋予相应的加权权重,即v1,v2,…,vp,其中vp表示第p种危险驾驶行为的相对风险权重,将类别权重变量和各种风险的加权权重进行变量替换,即Uij=Wij×vi,其中i=1,2,……,p;j含义同上;
(52)模型以被研驾驶人相对其他驾驶人的综合风险得分最低为目标函数,综合风险即为上述路段各种危险驾驶行为的相对风险的加权求和;
(53)模型的约束条件为:在相同权重条件下,各个驾驶人的综合风险均大于等于1,其中1为相对综合风险的基准值;通过聚类分析方法得出的类别权重变量,根据其数据超出对应阈值的程度,建立类别权重变量之间的关联关系,即超出阈值程度越多的类别权重变量值越大;同时,所有权重变量的值都应大于等于0。
作为本发明进一步改进,所述步骤(6)的具体步骤包括:
(61)根据同一驾驶人多次出行的各种危险驾驶行为综合风险得分,对驾驶人的驾驶行为和驾驶习惯进行评价,并提出基于个体的改善建议;
(62)根据不同驾驶人的相对综合风险得分,分析驾驶人的相对驾驶风险,通过提取模型分配的基于个体的各类危险驾驶行为权重,分析不同驾驶人的事故风险症结所在;
(63)根据大量驾驶人在相同类型道路上行驶的综合风险得分,分析道路基础设施对驾驶行为的影响。
本发明可以基于动态驾驶行为数据,评价驾驶人的综合事故风险。对个人而言,找到合适的方法评价驾驶人的事故风险,可以提醒驾驶人驾驶时存在的安全隐患,并给出相应的建议使驾驶人的驾驶行为得到改善,进而改变目前道路交通安全日趋严峻的状况。对保险公司而言,可以基于对驾驶员一段时间观察得到的驾驶行为进行分析,将驾驶人事故风险(驾驶得分)与保险费用相联系。比如,驾驶员得分越高,则对其保险费用给予适当的折扣,反之,则要求驾驶人支付附加费用,一定意义上通过这种“奖励机制”可以改善驾驶人的驾驶行为(减少危险驾驶行为),将一种直接的利益提供给保险公司和他们的顾客。除此之外,本发明还可以对不同时间、不同环境下同一驾驶人或者不同驾驶人之间开展比较研究。对大量不同驾驶人的驾驶行为进行长期跟踪分析,可以从微观或宏观层面分析基础设施或政策变化对交通事故风险的影响,这将有助于相关部门制定更为合理的交通法规,为道路交通安全管理提供决策依据。
附图说明
图1为驾驶人综合风险评价的流程图;
图2为路段信息提取过程流程图;
图3为基准化分析方法的实施流程图。
具体实施方式
下面结合附图对本发明进一步详细说明。
本发明提供一种基于基准化分析的驾驶人相对风险评价方法,通过在机动车辆上安装GPS数据采集器VBOX3i,采集自然驾驶数据;根据车辆的定位数据,确定机动车行驶的路段信息并提取出限速固定不变,连续定位成功的路段;通过整理车辆运行参数,选取判定指标,利用特征分析,定义各类危险驾驶行为;采用聚类分析法,将不同危险程度驾驶行为进行分类;利用基准化分析方法,以路段为决策单元,计算个体驾驶人相对于其他驾驶人的综合风险指数,同时得到反映驾驶人个体差异的危险驾驶行为权重分配。
图1为本发明的流程图,本实例中,通过GPS数据采集器VBOX3i采集自然驾驶数据,基于动态驾驶行为数据,选取速度、加速度、减速度这三个指标来建立驾驶人综合风险指数模型,利用Lingo求解得到能够评价驾驶人综合风险的得分,主要可以分为以下六个阶段;
(1)数据采集:本发明采用RACELOGIC公司的第三代GPS数据采集器VBOX3i,它能以100Hz的频率记录GPS和车辆行驶特征数据信息,被记录的数据直接存储在闪存卡中以便传输给PC机;
VBOX3i数据采集器默认的标准记录参数包括:卫星数、时间、纬度、经度、速度、方位、高度、垂直高度等,我们采用连续记录模式即不管是否移动都会记录数据,采集的数据形式如表1所示。本研究需要用到的驾驶数据信息主要包括时间、纬度、经度、速度;
表1基于VBOX3i数据采集器采集的车辆运行GPS数据
(2)数据初步筛选:从VBOX3i数据采集器中导出的驾驶数据信息文件被保存为“VBO”格式,将其导入VBOXTools软件,此软件可一键绘制车辆行驶轨迹图,从而了解本次数据采集整体上是否成功,然后导出“csv”格式文件,删除卫星数少于5颗或卫星数量急剧减少(大于两颗)的记录条;
(3)时空信息整理:图2为路段信息提取过程流程图,将UTC时间转换为北京时间(时差为8小时),将经纬度信息进行整理(将纬度除以60,经度除以60并取绝对值,原负号代表东经),根据速度和时间计算车辆行驶的加速度和减速度,整理得到的结果如表2所示;基于python,将WGS坐标系下的经纬度数据转换为高德地图坐标系下的经纬度;基于java,利用高德地图API,确定车辆的位置信息,根据路段限速信息,提取出限速固定不变,连续定位成功的路段;基于高德地图API,将每隔0.1s记录的位置顺序连接,基于折线长度叠加计算路段距离;
表2车辆运行GPS数据信息整理
(4)危险驾驶行为风险计算:基于对驾驶行为不同危险程度的考虑,利用聚类分析方法对各种危险驾驶行为进行分类,构建关系型事故风险变量,利用面积法量化各类危险驾驶行为的相对事故风险;
(41)针对超速、急加速、紧急制动这三种危险驾驶行为分别设置最低阈值,并分别对超出该阈值的数据采用聚类分析方法,基于不同的危险程度对这三种危险驾驶行为进行分类,每一类都对应一个类别权重变量Wij,其中i表示这三种危险驾驶行为(i=1表示超速,i=2表示急加速,i=3表示紧急制动),j的取值为1......N,N表示相应的聚类所得到的类别数量;
(42)根据聚类结果,采用面积法,借助类别权重变量Wij,在t时刻建立单位时间内超过阈值的驾驶行为数据与其所对应的事故风险(表示在t时刻的风险)之间的联系,并将所有单位时间内的超速、急加速、紧急制动风险分别进行累加求和,得到这三种危险驾驶行为在路段上所对应的总风险。以超速为例,假设超出限速值的速度数据被聚为三类。在单位时间Δt内,速度Vt(Vt表示在t时刻的速度)将保持不变,在超过规定的限速值时对应一个类别权重变量W1j(j=1,2,3)。采用面积法,借助类别权重变量,在t时刻建立单位时间内超过限速值的速度所对应的面积VtΔt与其对应速度风险之间的联系,即将所有行驶时间内的速度风险进行累加求和,即可得到针对超速危险驾驶行为的路段驾驶总风险,并将其除以路段距离得到该路段的单位距离风险。同理,可求得针对急加速、紧急制动危险驾驶行为的路段驾驶总风险和单位距离风险。
(5)综合风险指数模型建立:图3为基准化分析方法的实施流程图;利用基准化分析方法,以驾驶人各类危险驾驶行为的相对风险及其权重为输入变量,以被研驾驶人相对于其他驾驶人的综合风险得分最低为目标函数,构建驾驶人综合风险指数模型并求解;
(51)模型以驾驶人各类危险驾驶行为的相对风险及其权重为输入变量。为了求驾驶人的综合风险,需要对各种危险驾驶行为的相对风险进行加权求和。因此模型中除了输入变量中的类别权重变量Wij之外,还需给超速、急加速、紧急制动的相对风险赋予相应的加权权重,即v1,v2,v3。为处理由此产生的模型非线性问题,将类别权重变量和这三种风险的加权权重进行变量替换,即Uij=Wij×vi(其中i=1,2,3;j含义同上)。以速度为例,在t时刻,其对应的综合风险部分可表示为:将所有行驶时间内的超速风险进行累加求和,可得到加权之后这一危险驾驶行为的路段总风险和单位距离风险。同理,可求得加权之后急加速、紧急制动危险驾驶行为的路段总风险和单位距离风险。
(52)模型以被研驾驶人相对其他驾驶人的综合风险得分最低为目标函数,综合风险即为上述路段超速、急加速、紧急制动风险的加权求和。
(53)模型的约束条件为:在相同权重条件下,各个驾驶人的综合风险均大于等于1(1为相对综合风险的基准值);此外,通过聚类分析方法得出的类别权重变量,应根据其数据超出对应阈值的程度,建立类别权重变量之间的关联关系,即超出阈值程度越多的类别权重变量值越大;同时,所有权重变量的值都应大于等于0。
(6)数据分析:根据驾驶人的相对综合风险指数,辨识高风险驾驶人;通过提取模型分配的基于个体的各类危险驾驶行为权重,分析驾驶人的驾驶习惯以及事故风险症结所在,并可据此提出改善驾驶行为和调整车辆保险费的方法;
(61)根据同一驾驶人多次出行的各种危险驾驶行为综合风险得分,对驾驶人的驾驶行为和驾驶习惯进行评价,并提出基于个体的改善建议;
(62)根据不同驾驶人的相对综合风险得分,分析驾驶人的相对驾驶风险,通过提取模型分配的基于个体的各类危险驾驶行为权重,分析不同驾驶人的事故风险症结所在,以此为依据对驾驶人车辆保险费进行动态调整,对驾驶较安全的驾驶人实行“奖励机制”,鼓励安全驾驶;
(63)根据大量驾驶人在相同类型道路上行驶的综合风险的得分,分析道路基础设施对驾驶行为的影响。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (8)
1.一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:包括以下步骤:
(1)数据采集:在机动车上布置GPS数据采集器,以100Hz的频率收集并记录车辆运行的基本信息;
(2)数据初步筛选:利用上述步骤(1)GPS数据采集器检测到车辆运行的定位数据,判断车辆行驶路段是否定位成功,定位过程是否有卫星掉线的情况;
(3)时空信息整理:根据经纬度信息,确定车辆行驶的路段以及各路段限速,以限速固定不变的路段为基本路段并基于地图软件API计算各路段的距离;根据车辆运行参数整理得到每隔0.1s车辆的速度、加速度、减速度相应参数,利用特征分析,定义驾驶人的各类危险驾驶行为;
(4)危险驾驶行为风险计算:基于对驾驶行为不同危险程度的考虑,利用聚类分析方法对各种危险驾驶行为进行分类,构建关系型事故风险变量,利用面积法量化各类危险驾驶行为的相对事故风险;
(5)综合风险指数模型建立:利用基准化分析方法,以驾驶人各类危险驾驶行为的相对风险及其权重为输入变量,以被研驾驶人相对于其他驾驶人的综合风险得分最低为目标函数,构建驾驶人综合风险指数模型并求解;
(6)数据分析:根据驾驶人的相对综合风险指数,辨识高风险驾驶人;通过提取模型分配的基于个体的各类危险驾驶行为权重,分析驾驶人的驾驶习惯以及事故风险症结所在,并据此提出改善驾驶行为的方法。
2.根据权利要求1所述的一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:所述步骤(2)根据卫星数对提取的数据进行初步筛选,其具体操作方法为:
(21)导出步骤(1)中采集得到的数据文件;
(22)根据步骤(1)中GPS数据采集器定位时的卫星数数量,筛选出没有定位成功的时间段。
3.根据权利要求2所述的一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:当使用任何GPS设备的时候,所述步骤(22)中需要把定位失败这部分数据记录删除,另外考虑到卫星掉线严重的区域也有可能导致定位失败,这部分杂质数据可以结合经纬度信息进行剔除,因卫星掉线而导致定位失败的记录条的经纬度数据为0。
4.根据权利要求1所述的一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:所述步骤(3)确定路段及其限速和距离信息以及车辆的速度、加速度和减速度相关车辆运行参数,以此为基础定义驾驶人的各类危险驾驶行为,具体步骤为:
(31)提取步骤(1)中所采集得到的数据信息,将UTC时间信息转化为北京时间,将经纬度转换为以度为单位,以便于后续处理;
(32)根据上述步骤(31)的车辆运行的实时经纬度信息,基于python将WGS84坐标下的经纬度转换为地图软件坐标下的经纬度;
(33)利用地图软件API可视化车辆行驶路段,确定路段限速,以限速固定不变且连续定位成功的路段为基本路段并计算基于地图软件API各路段的距离;
(34)提取步骤(1)中所采集得到的车辆运行速度信息,计算车辆运行的加速度和减速度;
(35)基于车辆运行参数,选取判定指标,利用特征分析,定义各类危险驾驶行为。
5.根据权利要求4所述的一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:所述步骤(33)提取的基本路段除了限速固定,也需要连续定位成功,即该路段数据信息记录中卫星数量满足定位成功的要求,没有被删除的记录条。
6.根据权利要求1述的一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:所述步骤(4)基于动态驾驶行为,量化各类危险驾驶行为的相对事故风险,具体步骤为:
(41)针对各种危险驾驶行为分别设置最低阈值,并分别对超出该阈值的数据采用聚类分析方法,基于不同的危险程度对各种危险驾驶行为进行分类,每一类都对应一个类别权重变量Wij,其中i表示各种危险驾驶行为,j的取值为1……N,N表示相应的聚类所得到的类别数量;
7.根据权利要求1述的一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:所述步骤(5)基于基准化分析方法,建立驾驶人综合风险指数模型,具体步骤为:
(51)模型以驾驶人各类危险驾驶行为的相对风险及其权重为输入变量,需要对各种危险驾驶行为的相对风险进行加权求和,模型中除了输入变量中的类别权重变量Wij之外,给各种危险驾驶行为的相对风险赋予相应的加权权重,即v1,v2,…,vp,其中vp表示第p种危险驾驶行为的相对风险权重,将类别权重变量和各种风险的加权权重进行变量替换,即Uij=Wij×vi,其中i=1,2,……,p;j含义同上;
(52)模型以被研驾驶人相对其他驾驶人的综合风险得分最低为目标函数,综合风险即为上述路段各种危险驾驶行为的相对风险的加权求和;
(53)模型的约束条件为:在相同权重条件下,各个驾驶人的综合风险均大于等于1,其中1为相对综合风险的基准值;通过聚类分析方法得出的类别权重变量,根据其数据超出对应阈值的程度,建立类别权重变量之间的关联关系,即超出阈值程度越多的类别权重变量值越大;同时,所有权重变量的值都应大于等于0。
8.根据权利要求1述的一种基于基准化分析的驾驶人相对风险评价方法,其特征在于:所述步骤(6)的具体步骤包括:
(61)根据同一驾驶人多次出行的各种危险驾驶行为综合风险得分,对驾驶人的驾驶行为和驾驶习惯进行评价,并提出基于个体的改善建议;
(62)根据不同驾驶人的相对综合风险得分,分析驾驶人的相对驾驶风险,通过提取模型分配的基于个体的各类危险驾驶行为权重,分析不同驾驶人的事故风险症结所在;
(63)根据大量驾驶人在相同类型道路上行驶的综合风险得分,分析道路基础设施对驾驶行为的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022570.XA CN110866677B (zh) | 2019-10-25 | 2019-10-25 | 一种基于基准化分析的驾驶人相对风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022570.XA CN110866677B (zh) | 2019-10-25 | 2019-10-25 | 一种基于基准化分析的驾驶人相对风险评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866677A CN110866677A (zh) | 2020-03-06 |
CN110866677B true CN110866677B (zh) | 2023-04-18 |
Family
ID=69652887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911022570.XA Active CN110866677B (zh) | 2019-10-25 | 2019-10-25 | 一种基于基准化分析的驾驶人相对风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866677B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523766B (zh) * | 2020-03-27 | 2020-11-13 | 中国平安财产保险股份有限公司 | 驾驶风险评估方法、装置、电子设备及可读存储介质 |
CN111507617A (zh) * | 2020-04-15 | 2020-08-07 | 桂林电子科技大学 | 一种基于电动自行车风险驾驶行为量表的分析系统 |
CN112070419B (zh) * | 2020-09-23 | 2023-11-07 | 交通运输部公路科学研究所 | 汽车驾驶潜在危险情景风险度量化方法 |
CN112270114B (zh) * | 2020-11-24 | 2022-04-29 | 武汉理工大学 | 一种车辆个性化风险行为识别方法 |
CN112581832B (zh) * | 2020-12-14 | 2023-03-03 | 公安部交通管理科学研究所 | 一种基于学习风格的危急驾驶风险评价干预方法及系统 |
CN112613786B (zh) * | 2020-12-30 | 2022-05-06 | 武汉理工大学 | 基于行车安全事件的个性差异化驾驶风险评价方法 |
CN112733675A (zh) * | 2020-12-31 | 2021-04-30 | 上海移为通信技术股份有限公司 | 车辆驾驶行为监测方法、系统、电子设备和存储介质 |
CN113095387B (zh) * | 2021-04-01 | 2024-02-27 | 武汉理工大学 | 基于联网车载adas的道路风险识别方法 |
CN113689071B (zh) * | 2021-07-15 | 2022-11-15 | 东南大学 | 一种基于多驾驶人风险评价的不良驾驶行为主动干预方法 |
CN113506012A (zh) * | 2021-07-22 | 2021-10-15 | 中冶南方城市建设工程技术有限公司 | 一种基于手机车联网数据的驾驶行为风险指数判定方法 |
CN113808394B (zh) * | 2021-08-27 | 2022-09-30 | 东南大学 | 一种基于风险组合模式的过街通道安全评价方法 |
CN114462857B (zh) * | 2022-02-09 | 2022-08-30 | 中国汽车工程研究院股份有限公司 | 在用新能源汽车的高风险车辆筛选方法及存储介质 |
CN116665342B (zh) * | 2023-08-01 | 2023-10-03 | 北京简精科技有限公司 | 新能源汽车驾驶行为分析方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
CN110070306A (zh) * | 2019-05-05 | 2019-07-30 | 山东交通学院 | 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法 |
CN110197588A (zh) * | 2019-06-03 | 2019-09-03 | 长安大学 | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 |
CN110275934A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 |
-
2019
- 2019-10-25 CN CN201911022570.XA patent/CN110866677B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038860A (zh) * | 2016-11-18 | 2017-08-11 | 杭州好好开车科技有限公司 | 一种基于adas技术及回归模型的用户驾驶行为评分方法 |
CN110070306A (zh) * | 2019-05-05 | 2019-07-30 | 山东交通学院 | 一种基于交通管理大数据的驾驶人驾驶危险性辨识方法 |
CN110197588A (zh) * | 2019-06-03 | 2019-09-03 | 长安大学 | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 |
CN110275934A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110866677A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866677B (zh) | 一种基于基准化分析的驾驶人相对风险评价方法 | |
KR101617349B1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
CN103150900A (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
CN109658272A (zh) | 驾驶行为评价系统及基于驾驶行为的保险定价系统 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN110276954A (zh) | 基于北斗定位系统的车辆行驶行为综合评分方法 | |
CN109191828B (zh) | 基于集成学习的交通参与者事故风险预测方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
Kusano et al. | Target population for intersection advanced driver assistance systems in the US | |
TWM570495U (zh) | 行車環境風險預測與告警系統 | |
CN113689071B (zh) | 一种基于多驾驶人风险评价的不良驾驶行为主动干预方法 | |
CN114550445A (zh) | 一种城市区域交通安全状态评估方法和装置 | |
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 | |
Bonneson et al. | Red-light-running handbook: An engineer's guide to reducing red-light-related crashes | |
CN111341106B (zh) | 交通预警方法、装置和设备 | |
Higgs | Application of naturalistic truck driving data to analyze and improve car following models | |
Sawtelle et al. | Driver, roadway, and weather factors on severity of lane departure crashes in Maine | |
Xu et al. | Investigating contributing factors on aggressive driving based on a structural equation model | |
CN116665342B (zh) | 新能源汽车驾驶行为分析方法、系统及设备 | |
Yuan et al. | Investigating the difference in factors influencing the injury severity between daytime and nighttime speeding-related crashes | |
Moghaddam et al. | Crash severity modeling in urban highways using backward regression method | |
Mathew et al. | Effect of Weather Events on Travel Time Reliability and Crash Occurrence | |
CN117575326A (zh) | 基于门架及应急数据的车辆安全指数评价方法 |
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 |