CN111582368A - 基于事故统计数据的乘用车辆安全性能综合评价方法 - Google Patents

Abstract

本发明提供了一种基于事故统计数据的乘用车辆安全性能综合评价方法，包括：步骤1，收集事故数据并筛选出适用于分析乘用车碰撞攻击性及耐撞性的事故数据；步骤2，根据事故数据的记录特征对关键控制变量进行提取；步骤3，根据提取的关键控制变量构建贝叶斯分层有序logit回归模型，将所述步骤1获得的事故数据输入到贝叶斯分层有序logit回归模型中，采用贝叶斯统计推断方法对模型参数进行估计。本发明能够获得车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能三个方面的安全指标来综合评价乘用车辆的安全性能，能够处理隐含在事故数据中的事故与车辆双层嵌套结构，提供更加准确的参数估计值，从而得到更加精准的评价结果。

Description

基于事故统计数据的乘用车辆安全性能综合评价方法

技术领域

本发明涉及交通安全管理及车辆工程技术领域，特别涉及一种基于事故统计数据的乘用车辆安全性能综合评价方法。

背景技术

现如今，社会经济的不断发展为道路交通安全管理提出了新要求。提升车辆的碰撞安全性能是减少道路交通伤害以及保障人民财产安全的有效手段，也是汽车产业致力于交通安全改善的首选途径。如何科学评价车辆的安全性能以及如何检验车辆安全性能是否满足当前道路交通环境的要求是行业主管部门和车辆零部件厂商的痛点和难点，近年来，政府和行业主管机构出台了更加全面的车辆安全相关标准法规、新车测试评价规程，其中对车辆碰撞测试的要求越来越严苛，车辆安全性能得到了一定的改善。然而，这些相对固化、标准化的碰撞测试规程与实际道路交通事故的形态、碰撞条件、约束系统的使用、车辆损坏特征、人员损伤后果以及非车辆安全性能参数(乘员年龄、性别、人机交互体验)等相差较大，碰撞测试评分结果与真实事故中的车辆安全性能表现存在一定的不一致性。近年来，基于历史事故数据的统计建模分析技术受到了广泛关注。通过构建包括二项logit模型和有序logit模型在内的线性回归模型，并选取影响事故严重程度的车辆安全防护性能(如乘员保护性)与非车辆安全防护性能(如乘员年龄、性别等)因素作为变量，该方法能够深入挖掘交通事故发生过程中乘员伤害严重程度与车辆安全性能之间的关系。相较于传统基于碰撞试验的车辆安全性能评估方法(对车辆进行不同重叠率的正面碰撞、侧面碰撞、柱撞、翻滚、追尾等一些列实车试验，评估发生事故后相关系统和组件的的耐撞性及假人伤害参数)，基于历史事故数据的评价方法不仅运作成本低、整体操作简便，基于真实事故的评价结果更具代表性和实用性。此外，以线性回归模型为基础的评价方法，能够有效控制事故过程中其他非车辆安全性能因素的效应，从而更加精准的评价车辆的安全性能。

然而，一方面，现有基于事故数据的评价方法，主要是从车辆保护自身乘员能力(如，乘员免受伤害的能力)的角度来评价其安全性能，缺乏对碰撞双方整体安全性能的考量，即碰撞相容性问题。例如，乘员的伤害严重程度不仅与自身车辆的保护性能有关，还取决于对方车辆的攻击性特征，即事故中车辆对碰撞对方车辆可能造成伤害的特性。忽略这一因素会导致车辆安全性能的评价结果存在偏差。此外，传统模型通常采用乘员的受伤严重性来表征事故发生后的严重程度。然而，车辆受损严重性也是衡量事故严重性的重要指标，尤其对于大量的仅财产损失的事故。事故过程中车辆的损伤程度与车辆安全性能因素以及其他非车辆安全性能因素有直接关系。因此，了解事故过程中不同类型车辆的在不同碰撞条件下的车辆损坏程度，尤其对于高端市场的乘用车，显得极为重要。另一方面，有研究表明，在车辆类型相同的碰撞事故中(双方均为乘用车)，由于涉事车辆受到相互力的作用，车辆动力学响应满足动量守恒与能量守恒的定律，同时车辆受外界道路环境因素的影响也相似，因此车辆的事故严重性之间存在高度的相关性，事故中的碰撞双方具有相似的事故机理，从而在事故数据中隐含着车辆嵌套于事故中的层级关系。现有评价方法所选用的基础模型，不能充分考虑事故数据中隐含的这一层级特性，将数据中的所有涉事车辆视为同质的单元，将导致估计的模型参数存在偏差。

发明内容

本发明提供了一种基于事故统计数据的乘用车辆安全性能综合评价方法，其目的是为了解决传统的评价方法，不能充分考虑事故数据中隐含的车辆嵌套于事故中的层级特性，将数据中的所有涉事车辆视为同质的单元，导致估计的模型参数存在偏差的问题。

为了达到上述目的，本发明的实施例提供了一种基于事故统计数据的乘用车辆安全性能综合评价方法，包括：

步骤1，收集事故数据并筛选出适用于分析乘用车碰撞攻击性及耐撞性的事故数据；

步骤2，根据事故数据的记录特征对关键控制变量进行提取；

步骤3，根据提取的关键控制变量构建贝叶斯分层有序logit回归模型，将所述步骤1获得的事故数据输入到贝叶斯分层有序logit回归模型中，采用贝叶斯统计推断方法对模型参数进行估计，获得车辆的全方位安全指标；

步骤4，对贝叶斯分层有序logit回归模型的参数估计结果进行分析，对车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能进行分析。

其中，所述步骤1具体包括：

从收集的事故数据中筛选出仅两车相撞的事故数据，筛选出正面碰撞、追尾碰撞、侧面碰撞及其它单次碰撞事件并剔除因二次事故伤害造成的乘员受伤，筛选出乘用车事故，筛选出事故车辆的生产年份数据，筛选出详细记录乘员伤害的事故数据。

其中，所述步骤2具体包括：

根据所收集事故数据的记录特性，提取涉事人员的年龄和性别、事故中驾驶员甩出情况、事故前车辆碰撞速度、事故碰撞类型和碰撞区域六个变量作为贝叶斯分层有序logit回归模型的控制变量。

其中，所述步骤3具体包括：

以两车相撞事故为研究对象，定义i[m](m＝1，2)代表事故i中的两辆车，事故数据中，依据事故的严重程度将事故划分为多种类型，以IS_i[m]表示乘员的受伤严重性，以DS_i[m]表示车辆的受损严重性，对IS_i[m]和DS_i[m]等级变量进行回归建模处理，估计各事故风险因素对不同严重等级的影响效应，在贝叶斯分层有序logit回归模型中，通过对每起事故定义一组变量阈值，界定对应事故中车或人的伤害严重程度结果的区间边界，将事故中乘员伤害划分为五个等级，在贝叶斯分层有序logit回归模型中通过γ_ik，(k＝1，2，3，4)，4个阈值表示乘员伤害等级，将因变量划分为5个区间分别对应等级1到等级5，5个伤害等级，以潜变量

表示各乘员伤害等级，即：

其中，所述步骤3还包括：

将事故中车辆受损划分为三个等级：未受损、中度受损和严重受损，通过λ_ik，k＝1，2，3，这3个阈值表示车辆受损等级，以潜变量

表示各车辆受损等级，将因变量划分3个区间分别对应3个车辆受损等级：

在贝叶斯分层有序logit回归模型中，将潜变量

和

分别表示为以下线性形式：

其中，θ_i[m]和θ′_i[m]为模型协变量，ε_i[m]和ε′_i[m]为随机扰动项，服从logistic分布，因此，事故严重程度的累计概率密度函数及其累计logistic表达式分别表示为：

其中，P_i[m]，k表示乘员的受伤严重性在k区间的概率，P′_i[m]，k表示车辆的受损严重性在k区间的概率，模型协变量θ_i[m]和θ′_i[m]表示与事故严重程度有关的因素，包括车辆的安全性能因素和其他非车辆安全性能因素。

其中，所述步骤3还包括：

理想情况下，在两辆车相撞时，控制其他影响因素的效应，得到：

θ_i[1]～CAI_i[2]-OPI_i[1]+其他影响因素 (9)

θ_i[2]～CAI_i[1]-OPI_i[2]+其他影响因素 (10)

θ′_i[m]～CAI_i[2]-VPI_i[1]+其他影响因素 (11)

θ′_i[m]～CAI_i[1]-VPI_i[2]+其他影响因素 (12)

其中，θ_i[m]和θ′_i[m]表示与事故严重程度有关的因素，i[m](m＝1，2)表示事故i中的两辆车，m(m＝1，2)表示车辆，CAI_i[m]表示车辆m在事故i中车辆m的碰撞攻击性能，OPI_i[m]表示车辆m在事故i中车辆m的自身乘员保护性能，VPI_i[m]表示车辆m在事故i中车辆m的自身结构防护性能；

在此基础上构建车辆嵌套与事故中的层级结构，在事故层面，阈值参数γ_ik和λ_ik设定为随机参数：

γ_ik＝γ_k+b_i1，k＝1，2，3，4 (13)

λ_ik＝λ_k+b_i2，k＝1，2，3 (14)

其中，γ_ik表示乘员伤害等级，λ_ik表示车辆受损等级；

为了能够有效量化事故之间的异质性，以及同一车辆上可能存在的乘员受伤与车辆损坏的关联性，贝叶斯分层有序logit回归模型假设随机效用b_i1和b_i2服从二项分布：

其中，所述步骤3还包括：

采用贝叶斯统计推断方法对贝叶斯分层有序logit回归模型中的参数进行估计，获得车辆的自身乘员保护性能和车辆的自身结构防护性能的安全指标，贝叶斯统计推断方法的理论框架可以表示为：

其中，π(θ|y)表示给定向量y后θ的后验分布，L(y|θ)为似然函数，π(θ)为θ的先验分布，∫L(y|θ)π(θ)dθ表示观测数据的边缘分布，y表示观测数据向量，θ表示模型似然函数中参数的向量。

其中，所述步骤4具体包括：

采用统计软件WinBUGS拟合估计贝叶斯分层有序logit回归模型，对贝叶斯分层有序logit回归模型的参数估计结果进行分析，对车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能进行分析。

本发明的上述方案有如下的有益效果：

本发明的上述实施例所述的基于事故统计数据的乘用车辆安全性能综合评价方法，细化了被动安全的评价内容，通过构建贝叶斯分层有序logit模型，能够从车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能三个安全指标综合评价乘用车辆的安全性能，采用分层结构构建，能够处理隐含在事故数据中的事故与车辆双层嵌套结构，提供更加准确的参数估计值，从而得到更加精准的评价结果，乘用车辆安全性能评价的全面性、精确性和实用性等方面均得到了提高。

附图说明

图1为本发明的流程图；

图2为本发明的乘用车碰撞区域划分示意图；

图3为本发明不同品牌车辆的自身乘员保护性能指标示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的评价方法，不能充分考虑事故数据中隐含的车辆嵌套于事故中的层级特性，将数据中的所有涉事车辆视为同质的单元，导致估计的模型参数存在偏差的问题，提供了一种基于事故统计数据的乘用车辆安全性能综合评价方法。

如图1至图3所示，本发明的实施例提供了一种基于事故统计数据的乘用车辆安全性能综合评价方法，包括：步骤1，收集事故数据并筛选出适用于分析乘用车碰撞攻击性及耐撞性的事故数据；步骤2，根据事故数据的记录特征对关键控制变量进行提取；步骤3，根据提取的关键控制变量构建贝叶斯分层有序logit回归模型，将所述步骤1获得的事故数据输入到贝叶斯分层有序logit回归模型中，采用贝叶斯统计推断方法对模型参数进行估计，获得车辆的全方位安全指标；步骤4，对贝叶斯分层有序logit回归模型的参数估计结果进行分析，对车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能进行分析。

其中，所述步骤1具体包括：从收集的事故数据中筛选出仅两车相撞的事故数据，筛选出正面碰撞、追尾碰撞、侧面碰撞及其它单次碰撞事件并剔除因二次事故伤害造成的乘员受伤，筛选出乘用车事故，筛选出事故车辆的生产年份数据，筛选出详细记录乘员伤害的事故数据。

本发明的上述实施例所述的基于事故统计数据的乘用车辆安全性能综合评价方法，需要从收集到的事故数据中筛选出适用于分析乘用车碰撞攻击性及耐撞性的事故数据，包括：a.仅两车相撞的事故案例；b.正面碰撞、追尾碰撞和侧面碰撞等单次碰撞事件，剔除因二次事伤害(非车辆安全性能因素)造成的乘员受伤；c.乘用车事故。所述基于事故统计数据的乘用车辆安全性能综合评价方法仅用于评价乘用车的安全性能，本示例筛选出了23款乘用车品牌进行研究；d.事故车辆要求其出厂日期在2000-2007年间。由于已有数据库中所有事故均发生在2007年，同时界定涉事车辆的生产年份在2000-2007年之间，以减少因车身结构和零部件因老化或更新换代所带来的车辆安全性能的差异；e.乘员伤害。该模型考虑乘员的伤害严重程度，需要筛选出详细记录了乘员伤害的数据条目。

其中，所述步骤2具体包括：根据所收集事故数据的记录特性，提取涉事人员的年龄和性别、事故中驾驶员甩出情况、事故前车辆碰撞速度、事故碰撞类型和碰撞区域六个变量作为贝叶斯分层有序logit回归模型的控制变量。

本发明的上述实施例所述的基于事故统计数据的乘用车辆安全性能综合评价方法，关键变量提取，根据所收集数据的记录特征(记录的信息完整性)，需要对变量进行筛选，筛选出与事故严重程度有紧密联系，但与车辆性能无关的因素，根据所收集事故数据的记录特性，提取涉事人员的年龄和性别、事故中驾驶员甩出情况、事故前车辆碰撞速度、事故碰撞类型和碰撞区域六个变量作为贝叶斯分层有序logit回归模型的控制变量，其中，事故中车辆的碰撞区域是根据事故记录所归纳出的21个主要碰撞区域如图2，进一步采用贝叶斯分层有序logit回归模型对这些碰撞区域与事故伤害严重程度等级的关系作了初步分析，获得各碰撞区域可能造成驾驶员伤害的严重程度排序，有序logit回归模型估计结果如表1所示，估计值越大，驾驶员的伤害程度等级就越高，根据排序，针对乘员伤害，将21个碰撞区域归为4个等级，针对车辆损伤，将21个碰撞区域归为5个等级，等级越高表明驾驶员可能受到的伤害就越大，所选六个影响因素的分类及统计描述情况如表2所示：

表1碰撞区域估计值及排名分类

其中，a为参照值；

表2影响因素的描述性统计

其中，所述步骤3具体包括：以两车相撞事故为研究对象，定义i[m](m＝1，2)代表事故i中的两辆车，事故数据中，依据事故的严重程度将事故划分为多种类型，以IS_i[m]表示乘员的受伤严重性，以DS_i[m]表示车辆的受损严重性，对IS_i[m]和DS_i[m]等级变量进行回归建模处理，估计各事故风险因素对不同严重等级的影响效应，在贝叶斯分层有序logit回归模型中，通过对每起事故定义一组变量阈值，界定对应事故中车或人的伤害严重程度结果的区间边界，将事故中乘员伤害划分为五个等级，在贝叶斯分层有序logit回归模型中通过γ_ik，(k＝1，2，3，4)，4个阈值表示乘员伤害等级，将因变量划分为5个区间分别对应等级1到等级5，5个伤害等级，以潜变量

表示各乘员伤害等级，即：

其中，所述步骤3还包括：将事故中车辆受损划分为三个等级：未受损、中度受损和严重受损，通过λ_ik，k＝1，2，3，这3个阈值表示车辆受损等级，以潜变量

表示各车辆受损等级，将因变量划分3个区间分别对应3个车辆受损等级：

在贝叶斯分层有序logit回归模型中，将潜变量

和

分别表示为以下线性形式：

其中，θ_i[m]和θ′_i[m]为模型协变量，ε_i[m]和ε′_i[m]为随机扰动项，服从logistic分布，因此，事故严重程度的累计概率密度函数及其累计logistic表达式分别表示为：

其中，P_i[m]，k表示乘员的受伤严重性在k区间的概率，P′_i[m]，k表示车辆的受损严重性在k区间的概率，模型协变量θ_i[m]和θ′_i[m]表示与事故严重程度有关的因素，包括车辆的安全性能因素和其他非车辆安全性能因素。

其中，所述步骤3还包括：理想情况下，在两辆车相撞时，控制其他影响因素的效应，得到：

θ_i[1]～CAI_i[2]-OPI_i[1]+其他影响因素 (9)

θ_i[2]～CAI_i[1]-OPI_i[2]+其他影响因素 (10)

θ′_i[m]～CAI_i[2]-VPI_i[1]+其他影响因素 (11)

θ′_i[m]～CAI_i[1]-VPI_i[2]+其他影响因素 (12)

其中，θ_i[m]和θ′_i[m]表示与事故严重程度有关的因素，i[m](m＝1，2)表示事故i中的两辆车，m(m＝1，2)表示车辆，CAI_i[m]表示车辆m在事故i中车辆m的碰撞攻击性能，OPI_i[m]表示车辆m在事故i中车辆m的自身乘员保护性能，VPI_i[m]表示车辆m在事故i中车辆m的自身结构防护性能；

在此基础上构建车辆嵌套与事故中的层级结构，在事故层面，阈值参数γ_ik和λ_ik设定为随机参数：

γ_ik＝γ_k+b_i1，k＝1，2，3，4 (13)

λ_ik＝λ_k+b_i2，k＝1，2，3 (14)

其中，γ_ik表示乘员伤害等级，λ_ik表示车辆受损等级；

为了能够有效量化事故之间的异质性，以及同一车辆上可能存在的乘员受伤与车辆损坏的关联性，贝叶斯分层有序logit回归模型假设随机效用b_i1和b_i2服从二项分布：

其中，所述步骤3还包括：采用贝叶斯统计推断方法对贝叶斯分层有序logit回归模型中的参数进行估计，获得车辆的自身乘员保护性能和车辆的自身结构防护性能的安全指标，贝叶斯统计推断方法的理论框架可以表示为：

其中，π(θ|y)表示给定向量y后θ的后验分布，L(y|θ)为似然函数，π(θ)为θ的先验分布，∫L(y|θ)π(θ)dθ表示观测数据的边缘分布，y表示观测数据向量，θ表示模型似然函数中参数的向量。

本发明的上述实施例所述的基于事故统计数据的乘用车辆安全性能综合评价方法，以两车相撞事故为研究对象(两车均为乘用车辆)，定义i[m](m＝1，2)代表事故i中的两辆车，事故数据中，依据事故的严重程度将事故划分为多种类型，以IS_i[m]表征乘员的受伤严重等级，以DS_i[m]表征车辆的损坏严重性，以有序logit回归模型为基础模型，对IS_i[m]和DS_i[m]等级变量进行回归建模处理，估计各事故风险因素对不同严重等级的影响效应，考虑到事故数据中所隐含的事故与车辆双层关系(同一起事故中，由于涉事车辆受到相互力的作用，车辆动力学响应满足动量守恒与能量守恒的定律，同时车辆受外界道路环境因素的影响也相似，两车的结构损坏与乘员伤害具有关联性，即车辆嵌套于事故中的层级结构关系)。CAI用于表示事故发生时车辆对与其相撞车辆的车身结构和本车内乘员造成的危害，OPI及VPI分别表示车辆结构特征因素对车辆的自身乘员和自身结构的保护作用。理想情况下，在两辆车相撞时，如果控制其他因素的效应，车辆的自身乘员受伤或自身结构损坏的严重程度取决于另一辆车的碰撞攻击性能和本方车辆对自身乘员或自身结构的保护能力之间的差异。因此，事故中车辆的自身乘员伤害严重程度等于对方车辆的碰撞攻击性能减去本方车辆的自身乘员保护性能，事故中车辆的自身结构伤害严重程度等于对方车辆的碰撞攻击性能减去本方车辆的自身结构防护性能。

其中，所述步骤4具体包括：采用统计软件WinBUGS拟合估计贝叶斯分层有序logit回归模型，对贝叶斯分层有序logit回归模型的参数估计结果进行分析，对车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能进行分析。

本发明的上述实施例所述的基于事故统计数据的乘用车辆安全性能综合评价方法，对贝叶斯分层有序logit回归模型中的参数估计采用贝叶斯统计推断方法进行估计，贝叶斯统计推断方法能够通过后验分布对模型的参数估计进行建模，并从给定的数据样本中预测新的观测结果，贝叶斯统计推断方法对于复杂的模型结构(如层次结构)具有更加出色的估计效果，可以获得不同类型车辆的全方位安全表现，从而更加真实、有效的评价车辆的实际安全性能。

本发明的上述实施例所述的基于事故统计数据的乘用车辆安全性能综合评价方法，贝叶斯分层有序logit回归模型参数估计及结果分析，采用统计软件WinBUGS拟合估计贝叶斯分层有序logit回归模型，贝叶斯分层有序logit回归模型参数和超参数先验的设定同样采用无信息先验，车辆的碰撞攻击性能CAI，车辆的自身乘员保护性能OPI和车辆的自身结构防护性能VPI以及控制变量系数的先验设定为分散正态分布N(0，1000)。采用威布尔分布W(P，r)作为∑^-1的先验分布，其中

r＝2，经过80000次的迭代，贝叶斯分层有序logit回归模型趋于收敛，得到主流小汽车品牌的碰撞各安全性指标的后验估计值，表3以车辆的自身乘员保护性能的参数估计结果为例：

表3车辆的自身乘员保护性能的参数估计结果

其中，WinBUGS中的估计值为-0.000284，OPI为车辆的自身乘员保护性能；表3以车辆的自身乘员保护性能为例，对贝叶斯分层有序logit回归模型的参数估计结果及相应的评价过程进行详细地分析说明，表3和图3展示了模型中车辆的自身乘员保护性能的参数估计结果，根据估计值大小对车辆品牌进行排序，获得车辆品牌在乘员保护性能方面的排名，结果显示，凯迪拉克对驾驶员的保护作用最大，最显著(均值为0.556,95％，置信区间为0.160,0.978)，沃尔沃(Volvo)和雷克萨斯(Lexus)等其他一些豪华车品牌在90％显著性水平上的表现高于平均水平，宝马的自身乘员保护性能OPI高于80％显著性水平的平均水平。其他品牌车辆的自身乘员保护性能OPI在50％显著性水平上为正的品牌包括英菲尼迪(0.329)、林肯(0.268)、别克(0.145)和福特(0.075)。

在95％显著性水平下，起亚(-0.335)、大众(-0.335)、丰田(-0.225)和日产(-0.217)四个品牌的车辆的自身乘员保护性能OPI为负，在90％显著性水平下，三菱的车辆的自身乘员保护性能OPI为负(-0.262)；在80％的显著性水平上，庞蒂克的车辆的自身乘员保护性能OPI低于平均值。此外，道奇(-0.244)、土星(-0.236)、马自达(-0.184)和现代(-0.121)的车辆的自身乘员保护性能OPI仅在50％的显著性水平上显著为负。此外，讴歌、奔驰、雪佛兰、克莱斯勒和本田的车辆的自身乘员保护性能OPI没有显著的偏差。其中，本田(mean≈0)几乎代表了平均水平，雪佛兰的车辆的自身乘员保护性能OPI为正(0.016)，其他为负，表现相对于平均水平较差。根据模型的参数估计结果，能够得到23个乘用车品牌在乘员保护性能方面的排名如表3所示。同样地，根据模型的参数估计结果，依照上述分析，可获得车辆的碰撞攻击性能CAI和车辆的自身结构防护性能VPI两个方面的品牌排序，如表4所示：

表4不同品牌车辆的碰撞攻击性能和自身结构防护性能排名

表4中，VPI为车辆的自身结构防护性能，CAI为车辆的碰撞攻击性能。

本发明的上述实施例所述的基于事故统计数据的乘用车辆安全性能综合评价方法，构建了以乘员受伤程度为响应变量的贝叶斯分层有序logit回归模型，贝叶斯分层有序logit回归模型通过选取事故中车辆的不同安全性能因素(耐撞性、攻击性)作为关键自变量，同时选取其他非车辆安全性能因素作为控制变量，基于历史事故数据，采用贝叶斯统计推断对贝叶斯分层有序logit回归模型的参数进行估计，获得不同类型车辆的全方位安全表现，从而更加真实、有效的评价车辆的实际安全性能，此外，贝叶斯分层有序logit回归模型的分层结构能够有效处理数据中存在的事故与车辆层级关系，从而提供更加准确地贝叶斯分层有序logit回归模型参数估计结果，所述基于事故统计数据的乘用车辆安全性能综合评价方法能够基于历史事故数据，评价乘用车在多个方面的安全性能，以期成为基于历史事故数据的车辆被动安全评估体系的有力补充。

以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，包括：

步骤1，收集事故数据并筛选出适用于分析乘用车碰撞攻击性及耐撞性的事故数据；

步骤2，根据事故数据的记录特征对关键控制变量进行提取；

步骤3，根据提取的关键控制变量构建贝叶斯分层有序logit回归模型，将所述步骤1获得的事故数据输入到贝叶斯分层有序logit回归模型中，采用贝叶斯统计推断方法对模型参数进行估计，获得车辆的全方位安全指标；

步骤4，对贝叶斯分层有序logit回归模型的参数估计结果进行分析，对车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能进行分析。

2.根据权利要求1所述的基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，所述步骤1具体包括：

从收集的事故数据中筛选出仅两车相撞的事故数据，筛选出正面碰撞、追尾碰撞、侧面碰撞及其它单次碰撞事件并剔除因二次事故伤害造成的乘员受伤，筛选出乘用车事故，筛选出事故车辆的生产年份数据，筛选出详细记录乘员伤害的事故数据。

3.根据权利要求2所述的基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，所述步骤2具体包括：

根据所收集事故数据的记录特性，提取涉事人员的年龄和性别、事故中驾驶员甩出情况、事故前车辆碰撞速度、事故碰撞类型和碰撞区域六个变量作为贝叶斯分层有序logit回归模型的控制变量。

4.根据权利要求3所述的基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，所述步骤3具体包括：

以两车相撞事故为研究对象，定义i[m](m＝1，2)代表事故i中的两辆车，事故数据中，依据事故的严重程度将事故划分为多种类型，以IS_i[m]表示乘员的受伤严重性，以DS_i[m]表示车辆的受损严重性，对IS_i[m]和DS_i[m]等级变量进行回归建模处理，估计各事故风险因素对不同严重等级的影响效应，在贝叶斯分层有序logit回归模型中，通过对每起事故定义一组变量阈值，界定对应事故中车或人的伤害严重程度结果的区间边界，将事故中乘员伤害划分为五个等级，在贝叶斯分层有序logit回归模型中通过γ_ik，(k＝1，2，3，4)，4个阈值表示乘员伤害等级，将因变量划分为5个区间分别对应等级1到等级5，5个伤害等级，以潜变量

表示各乘员伤害等级，即：

5.根据权利要求4所述的基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，所述步骤3还包括：

将事故中车辆受损划分为三个等级：未受损、中度受损和严重受损，通过λ_ik，k＝1，2，3，这3个阈值表示车辆受损等级，以潜变量

表示各车辆受损等级，将因变量划分3个区间分别对应3个车辆受损等级：

在贝叶斯分层有序logit回归模型中，将潜变量

和

分别表示为以下线性形式：

其中，θ_i[m]和θ′_i[m]为模型协变量，ε_i[m]和ε′_i[m]为随机扰动项，服从logistic分布，因此，事故严重程度的累计概率密度函数及其累计logistic表达式分别表示为：

其中，P_i[m]，k表示乘员的受伤严重性在k区间的概率，P′_i[m]，k表示车辆的受损严重性在k区间的概率，模型协变量θ_i[m]和θ′_i[m]表示与事故严重程度有关的因素，包括车辆的安全性能因素和其他非车辆安全性能因素。

6.根据权利要求5所述的基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，所述步骤3还包括：

理想情况下，在两辆车相撞时，控制其他影响因素的效应，得到：

θ_i[1]～CAI_i[2]-OPIi_[1]+其他影响因素 (9)

θ_i[2]～CAI_i[1]-OPI_i[2]+其他影响因素 (10)

θ′_i[m]～CAI_i[2]-VPI_i[1]+其他影响因素 (11)

θ′_i[m]～CAI_i[1]-VPI_i[2]+其他影响因素 (12)

其中，θ_i[m]和θ′_i[m]表示与事故严重程度有关的因素，i[m](m＝1，2)表示事故i中的两辆车，m(m＝1，2)表示车辆，CAI_i[m]表示车辆m在事故i中车辆m的碰撞攻击性能，OPI_i[m]表示车辆m在事故i中车辆m的自身乘员保护性能，VPI_i[m]表示车辆m在事故i中车辆m的自身结构防护性能；

在此基础上构建车辆嵌套与事故中的层级结构，在事故层面，阈值参数γ_ik和λ_ik设定为随机参数：

γ_ik＝γ_k+b_i1，k＝1，2，3，4 (13)

λ_ik＝λ_k+b_i2，k＝1，2，3 (14)

其中，γ_ik表示乘员伤害等级，λ_ik表示车辆受损等级；

为了能够有效量化事故之间的异质性，以及同一车辆上可能存在的乘员受伤与车辆损坏的关联性，贝叶斯分层有序logit回归模型假设随机效用b_i1和b_i2服从二项分布：

7.根据权利要求6所述的基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，所述步骤3还包括：

采用贝叶斯统计推断方法对贝叶斯分层有序logit回归模型中的参数进行估计，获得车辆的自身乘员保护性能和车辆的自身结构防护性能的安全指标，贝叶斯统计推断方法的理论框架可以表示为：

其中，π(θ|y)表示给定向量y后θ的后验分布，L(y|θ)为似然函数，π(θ)为θ的先验分布，∫L(y|θ)π(θ)dθ表示观测数据的边缘分布，y表示观测数据向量，θ表示模型似然函数中参数的向量。

8.根据权利要求7所述的基于事故统计数据的乘用车辆安全性能综合评价方法，其特征在于，所述步骤4具体包括：

采用统计软件WinBUGS拟合估计贝叶斯分层有序logit回归模型，对贝叶斯分层有序logit回归模型的参数估计结果进行分析，对车辆的碰撞攻击性能、自身乘员保护性能和自身结构防护性能进行分析。

Images