CN112651666A - 一种基于驾驶模式转移特征的驾驶员风险评估方法 - Google Patents
一种基于驾驶模式转移特征的驾驶员风险评估方法 Download PDFInfo
- Publication number
- CN112651666A CN112651666A CN202110058366.4A CN202110058366A CN112651666A CN 112651666 A CN112651666 A CN 112651666A CN 202110058366 A CN202110058366 A CN 202110058366A CN 112651666 A CN112651666 A CN 112651666A
- Authority
- CN
- China
- Prior art keywords
- driving
- driver
- risk
- driving behavior
- headway
- 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.)
- Pending
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Abstract
一种基于驾驶模式转移特征的驾驶员风险评估方法属于交通安全技术领域。本发明包括:基于驾驶模拟技术,获取实验过程驾驶行为数据;根据所述驾驶行为数据进行模式辨识,得到驾驶模式数据;计算驾驶模式之间相互转移概率,作为驾驶风险评估指标;通过最大信息系数得到驾驶模式转移方式与驾驶风险的相关性排序;最后训练随机森林模型用于驾驶风险等级的辨识。本发明在对驾驶员的风险情况进行划分的同时,能够获取驾驶过程中的风险行为偏好,为驾驶员的风险等级评估提供方法,便于运输企业针对高风险驾驶员,采取个性化的培训措施,改善驾驶员的不良驾驶习惯,降低交通安全隐患。
Description
技术领域
本发明涉及交通安全技术领域,具体设计一种基于驾驶模式转移特征的驾驶员风险评估方法。
背景技术
随着经济的发展,我国机动车保有量逐年增长,道路交通安全形势愈发严峻。已有研究表明导致道路交通事故的原因众多,其中90%的交通事故都与驾驶员的因素有关。因此,对驾驶员的驾驶行为风险进行准确评估,有助于驾驶员了解自身驾驶习惯,促进安全驾驶。在交通安全领域,获取驾驶行为特性数据能够实现辨识危险驾驶行为、预测交通事故几率、提出交通事故预防措施等目的。驾驶行为根据层次划分可分为操作层、模式层与战略层,然而已有针对驾驶行为的风险评估研究多从驾驶操作的微观角度开展,集中于通过数学模型与统计分析实现驾驶风险的预测,较少从宏观角度对驾驶行为的决策进行分析,难以直观描述驾驶过程中的风险驾驶行为变化特征。
驾驶行为具有时间序列上的连续性特征,考虑行为的时序和频率的特征,通过分析驾驶行为模式在宏观层面的时空特性,能够更为直观反映驾驶员的驾驶行为偏好。因此,有必要对驾驶行为的转移特征进行分析,进而有效地评估驾驶行为风险。
发明内容
本发明的目的在于克服上述不足,提出一种基于驾驶模式转移特征的驾驶员风险评估方法,可考虑驾驶行为的时序和频率的特征,通过分析驾驶行为模式在宏观层面的时空特性,更为直观反映驾驶员的驾驶行为偏好,同时能够根据不同的驾驶行为识别驾驶员风险等级,为促进安全驾驶,降低交通事故发生提供数据支撑。
为了达到上述目的,本发明包括以下步骤:
步骤一:基于驾驶模拟技术,获取实验过程驾驶行为数据,构建个体驾驶行为时空特征数据库;
步骤二:对获取到的驾驶行为数据进行驾驶模式辨识,得到驾驶行为模式数据,计算驾驶模式之间相互转移概率,得到驾驶员风险评估指标和评估基本数据;
步骤三:通过最大信息系数,对步骤二的驾驶员风险评估指标与步骤三的驾驶员风险等级的相关性进行排序;
步骤四:利用随机森林算法,得到驾驶行为风险预测模型,对驾驶员风险进行评估。
步骤一中,根据车头间距、前车速度及自车速度计算车头时距与车头时距变化率,计算公式如下:
式中,THW为车头时距;SHW为车头间距;u为车头时距变化率;v1为自车速度;v2为前车速度。
步骤二中,基于车辆运行数据,对驾驶行为模式进行辨识,具体辨识为以下9种模式:
a)自由直行:纵向减速度小于或等于3m/s2,且车头时距大于3s;
b)迫近:纵向减速度小于或等于3m/s2,车头时距小于或等于3s,且车头时距变化率大于0.03;
c)远距离跟驰:纵向减速度小于或等于3m/s2,车头时距变化率大于或等于-0.03且小于或等于0.03,车头时距大于等于2s且小于3s;
d)中距离跟驰:纵向减速度小于或等于3m/s2,车头时距变化率大于或等于-0.03且小于或等于0.03,车头时距大于1s且小于2s;
e)近距离跟驰:纵向减速度小于或等于3m/s2,车头时距变化率大于-0.03或等于且小于或等于0.03,车头时距小于等于1s;
f)渐远:纵向减速度小于或等于3m/s2,车头时距小于或等于3s,且车头时距变化率小于-0.03;
g)紧急制动:纵向减速度大于3m/s2的驾驶行为模式辨识为紧急制动模式;
h)受限换道:横向摆动数据在最值处变为其相反值,车辆偏移至其他车道,且前方有车,跟驰时距小于或等于3s;
i)自由换道:横向摆动数据在最值处变为其相反值,车辆偏移至其他车道,且前方无车,跟驰时距大于3s。
步骤二中,驾驶模式转移概率为计算在某一模式i后发生模式j的概率,当统计数据足够大时,统计的模式转移概率通过模式的转换频率来表示,计算公式如下:
式中,qt为驾驶员在t时刻的驾驶行为模式;Mi、Mj为第i种、j种驾驶行为模式;w为驾驶行为模式转移次数;aij为驾驶行为模式转移概率;
aij∈[0,1],1≤i,j≤N,N=9,N为驾驶行为模式转移种类,共有9中模式,在前驾驶行为模式相同的情况下,9种驾驶行为模式转移概率之和为1。
步骤二中,针对每位驾驶员可以构造出由81种(9×9)驾驶行为模式转移概率值组成的驾驶行为模式转移矩阵:
81种驾驶模式转移方式作为驾驶员风险评估指标,驾驶模式转移概率为驾驶员风险评估指标的基本数据,从而得到驾驶风险特征集合Z,其中Z={z1,z2,z3,...,zm},zm为特征变量,m为特征维度,在本发明中m=81,同时,构建样本数据集D,样本数据集D的结构为D={z1,z2,z3,...,zm,y},y是数据分类标签,为驾驶员风险等级,根据交通局公开数据统计显示由驾驶人引发的交通事故数占事故总数的91.23%,因此,在本实施例中,通过是否发生交通事故来判定驾驶员的行驶安全性,调查获取驾驶员过去1年发生交通事故次数,按照发生交通事故次数将驾驶员风险分为3类,具体分为安全、一般、危险3个等级,过去1年未发生交通事故为安全型驾驶员,发生过1次交通事故为一般型驾驶员,发生2次及以上交通事故为危险型驾驶员。
步骤三中,最大信息系数的计算公式为:
式中,X、Y为变量;D为数据集;n为数据规模;B为关于数据规模n的函数;I为最大互信息值;M为特征矩阵;MIC为最大信息系数;
通过最大信息系数,对驾驶员风险评估指标与驾驶员风险等级的相关性进行排序具体方法如下:
第一步,在X、Y构成的散点图上进行网格的划分,在X、Y轴上分别划分为x和y个格子,xy≤B(n),通常情况B(n)=n0.6,在固定一种网格划分方案的情况下,求出最大互信息值,而最大互信息值的计算,等同于计算两变量在X、Y上的联合概率;
第二步,将最大互信息归一化;
第三步,改变网格划分方案,重新计算互信息值并归一化,将不同网格划分方案下取得的最大值作为MIC值,计算81个驾驶行为模式转移值与驾驶行为风险等级的最大信息系数,MIC的取值范围在[0,1]之间,MIC=0表示两变量间相互独立,MIC=1表示两变量之间存在线性或非线性的关系,随着MIC的增大,两变量间的相关性增强,将MIC值按从高到低的顺序排序,从而获取驾驶模式转移方式与驾驶风险的相关性排序。
步骤四的具体方法为:首先,将数据集分为训练集和测试集,跟据驾驶模式转移方式与驾驶风险的相关性排序,依次输入驾驶模式转移概率值作为输入数据特征,分别构建随机森林预测模型;然后,通过交叉验证分类准确性评估模型的分类精度,分类精度最高时模型的输入特征指标为最优特征子集,从而实现对特征变量的筛选;最后,通过参数调优提高模型泛化能力,得到驾驶风险评估模型,对驾驶员的驾驶行为风险程度分类,分为安全、一般、危险三类。
由上述方案可知,本发明提供一种基于驾驶模式转移特征的驾驶员风险评估方法,基于驾驶模拟技术,获取实验过程驾驶行为数据;根据所述驾驶行为数据进行模式辨识,得到驾驶模式数据;计算驾驶模式之间相互转移概率,作为驾驶风险评估指标;通过最大信息系数得到驾驶模式转移方式与驾驶风险的相关性排序;最后训练随机森林模型用于驾驶风险等级的辨识。本发明在对驾驶员的风险情况进行划分的同时,能够获取驾驶过程中的风险行为偏好,为驾驶员的风险等级评估提供方法,便于运输企业针对高风险驾驶员,采取个性化的培训措施,改善驾驶员的不良驾驶习惯,降低交通安全隐患。
附图说明
图1为本发明所述方法实现流程示意图。
图2为本发明所述驾驶模式辨识图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
一种基于驾驶模式转移特征的驾驶员风险评估方法,如图1所示,所述方法包括如下步骤:
S1,基于驾驶模拟技术,获取实验过程驾驶行为数据,构建个体驾驶行为时空特征数据库;。
具体的,驾驶行为数据包括时间、路程、车辆坐标、速度、加速度、横向位移、与前车的距离、前车速度、车头时距与车头时距变化率,其中,车头时距与车头时距变化率,计算公式如下:
式中,THW为车头时距;SHW为车头间距;u为车头时距变化率;v1为自车速度;v2为前车速度;
本实施例中,选取北京某高速公路4车道路段进行实验,招募35名驾驶员进行模拟驾驶,采集驾驶过程中的驾驶行为数据,驾驶模拟器数据采集频率为20Hz,即每0.05s采集一次驾驶行为数据。
S2,对获取到的驾驶行为数据进行驾驶模式辨识,得到驾驶行为模式数据,计算驾驶模式之间相互转移概率,得到驾驶员风险评估指标和评估基本数据。
具体的驾驶行为模式辨识模型如图2所示,将纵向驾驶行为模式分解为自由直行、迫近、远距离跟驰、中距离跟驰、近距离跟驰、渐远和紧急制动7种模式,横向驾驶行为模式分解为受限换道、自由换道2种模式。
纵向减速度大于3m/s2的驾驶行为模式辨识为紧急制动模式,辨识模式非紧急制动,且车头时距大于3s,则车辆处于自由直行状态,迫近与渐远为过渡状态模式,代表驾驶员通过迫近或渐远转换为其他状态的过程,迫近是自车速度大于前车速度,与前车距离逐渐缩小的过程,渐远则与迫近相反,为自车速度小于前车速度,与前车距离逐渐增大,分别以跟驰时距的变化率0.03和-0.03为阈值对跟驰模式进行细分,分为迫近、稳态跟驰和渐远模式,以车头时距1s和2s为阈值,将稳态跟驰细分为远距离跟驰、中距离跟驰和近距离跟驰三种模式。
根据前方是否有车,将横向驾驶行为模式分为自由换道和受限换道,自由换道是驾驶员根据自身意愿,在没有其他车辆干扰的情况下的换道行为。受限换道为驾驶员认为前车干扰自身行车,从而进行换道的行为。在换道过程中,车头时距大于3s,辨识为自由换道,小于或等于3s,辨识为受限换道。
驾驶行为模式转移为从一种驾驶行为模式转移到另一种驾驶行为模式,或是保持自身驾驶行为模式不变。驾驶行为模式之间的转移概率能够展现驾驶行为模式在时间上的相互关系,直观反映出驾驶员在驾驶过程中的行为变化,展现其驾驶偏好,为描述驾驶行为时空数据中两种模式间的转移特性,驾驶模式转移时间窗的选择以数据采集频率的2倍为标准选择,同一驾驶模式转移时间窗内包含两种驾驶模式。
驾驶模式转移概率为计算在某一模式i后发生模式j的概率,当统计数据足够大时,统计的模式转移概率通过模式的转换频率来表示,计算公式如下:
式中,qt为驾驶员在t时刻的驾驶行为模式;Mi、Mj为第i种、j种驾驶行为模式;w为驾驶行为模式转移次数;aij为驾驶行为模式转移概率;
aij∈[0,1],1≤i,j≤N,N=9,N为驾驶行为模式转移种类,共有9中模式,在前驾驶行为模式相同的情况下,9中驾驶行为模式转移概率之和为1。
针对每位驾驶员可以构造出由81种(9×9)驾驶行为模式转移概率值组成的驾驶行为模式转移矩阵:
81种驾驶模式转移方式作为驾驶员风险评估指标,驾驶模式转移概率为驾驶员风险评估指标的基本数据;
获得驾驶风险特征集合Z,其中Z={z1,z2,z3,...,zm},zm为特征变量,m为特征维度,在本发明中m=81,同时,构建样本数据集D,样本数据集D的结构为D={z1,z2,z3,...,zm,y},y是数据分类标签,为驾驶员风险等级,根据交通局公开数据统计显示由驾驶人引发的交通事故数占事故总数的91.23%,因此,在本实施例中,通过是否发生交通事故来判定驾驶员的行驶安全性,调查获取驾驶员过去一年发生交通事故次数,按照发生交通事故次数将驾驶员风险分为3类,具体分为安全、一般、危险三个等级,过去一年未发生交通事故为安全型驾驶员,发生过1次交通事故为一般型驾驶员,发生2次及以上交通事故为危险型驾驶员;
在本实施例中,共包括安全型驾驶员样本24个,一般型驾驶员样本6个,危险型驾驶员样本5个。
S3,通过最大信息系数,对步驾驶员风险评估指标与驾驶员风险等级的相关性进行排序。最大信息系数的计算公式为:
式中,X、Y为变量;D为数据集;n为数据规模;B为关于数据规模n的函数;I为最大互信息值;M为特征矩阵;MIC为最大信息系数;
通过MIC,对驾驶员风险评估指标驾驶员风险等级的相关性进行排序,计算过程首先是在X、Y构成的散点图上进行网格的划分,在X、Y轴上分别划分为x和y个格子,xy≤B(n),通常情况B(n)=n0.6,在固定一种网格划分方案的情况下,求出最大互信息值,而最大互信息值的计算,等同于计算两变量在X、Y上的联合概率;接着,将最大互信息归一化;最后,改变网格划分方案,重新计算互信息值并归一化,将不同网格划分方案下取得的最大值作为MIC值。MIC的取值范围在[0,1]之间,MIC=0表示两变量间相互独立,MIC=1表示两变量之间存在线性或非线性的关系,随着MIC的增大,两变量间的相关性增强,计算81个驾驶行为模式转移值与驾驶行为风险等级的MIC,将MIC值按从高到低的顺序排序,从而获取81种驾驶模式转移方式与驾驶风险的相关性排序。
S4,利用随机森林算法,得到驾驶行为风险预测模型,对驾驶员风险进行评估,随机森林算法的具体流程为:
第一步,对于样本集D,采用自主采样法有放回地从中随机进行数据抽取,获得大小为n的训练集;
第二步,从M个特征指标中随机抽取m个特征,每个节点都是利用这m个特征最优的分裂方式进行分裂;
第三步,重复以上步骤,直到把所有的树训练生成出来。
本步骤中,随机森林模型训练的具体方法为:
第一步,将数据集分为训练集和测试集,按照驾驶行为模式转移方式与驾驶行为风险的相关性排序,依次输入驾驶模式转移概率值作为输入数据特征,分别构建随机森林预测模型,直到把所有与驾驶风险具有相关性的特征指标均输入到随机森林模型中;
第二步,通过交叉验证分类准确性评估模型的分类精度,分类精度最高时模型的输入特征指标为最优特征子集,在本实施例中,当输入特征数量达到9时,驾驶行为风险的辨识精度达到最高且趋于平稳,最终选取排在前9位的特征作为随机森林模型的输入特征进行驾驶行为风险评估,分别是:自由直行-紧急制动,自由直行-自由直行,自由直行-迫近,迫近-迫近,自由换道-自由换道,迫近-紧急制动,自由直行-自由换道,迫近-受限换道,受限换道-自由直行;
第三步,将最优特征子集为模型最终输入特征指标,通过参数调优提高模型泛化能力,随机森林方法有两个关键参数,分别为基决策树数量、单决策树的最大特征数,采用穷举搜索选取最优参数,直至交叉验证分类准确性最高,得到驾驶风险评估模型,随机森林算法具有不过拟合性质,因此为了保证分类器的多样性,可以使基决策树数量尽量大,但随着数的增加,随机森林构建时间也会增加,当随机森林规模足够大时,算法的可解释性也将减弱,一般缺省的基决策树数量是全部变量数的开方,为保证分类器多样性,同时使算法的构建能够快速完成,基决策树数量参数最优选择的寻优范围设定为0~500,步长为10,单决策树的特征数的最大取值是总特征数,因此,单决策树的最大特征数最优选择的寻优范围设定为0~9,步长为1,通过调优,交叉验证分类准确性达到最高时,确定最终的参数取值,当基决策树为71棵,单决策树的最大特征数为5时,交叉验证分类准确性达到最高,预测结果与驾驶员的实际风险分类标签比对,准确率为85.71%,模型的总体预测效果较好。
表1本实施例模型训练结果:
输入新的最优特征指标数据即可通过随机森林模型对驾驶员的驾驶行为风险程度进行判断,分为安全、一般、危险三类,实现对驾驶员风险的有效辨识。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何为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,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于驾驶模式转移特征的驾驶员风险评估方法,其特征在于,包括以下步骤:
步骤一:基于驾驶模拟技术,获取实验过程驾驶行为数据,构建个体驾驶行为时空特征数据库;
步骤二:对获取到的驾驶行为数据进行驾驶模式辨识,得到驾驶行为模式数据,计算驾驶模式之间相互转移概率,得到驾驶员风险评估指标和评估基本数据;
步骤三:通过最大信息系数,对步骤二的驾驶员风险评估指标与步骤三的驾驶员风险等级的相关性进行排序;
步骤四:利用随机森林算法,得到驾驶行为风险预测模型,对驾驶员风险进行评估。
3.根据权利要求1所述的一种基于驾驶模式转移特征的驾驶员风险评估方法,其特征在于,步骤二中,基于车辆运行数据,对驾驶行为模式进行辨识,具体辨识为以下9种模式:
a)自由直行:纵向减速度小于或等于3m/s2,且车头时距大于3s;
b)迫近:纵向减速度小于或等于3m/s2,车头时距小于或等于3s,且车头时距变化率大于0.03;
c)远距离跟驰:纵向减速度小于或等于3m/s2,车头时距变化率大于或等于-0.03且小于或等于0.03,车头时距大于等于2s且小于3s;
d)中距离跟驰:纵向减速度小于或等于3m/s2,车头时距变化率大于或等于-0.03且小于或等于0.03,车头时距大于1s且小于2s;
e)近距离跟驰:纵向减速度小于或等于3m/s2,车头时距变化率大于-0.03或等于且小于或等于0.03,车头时距小于等于1s;
f)渐远:纵向减速度小于或等于3m/s2,车头时距小于或等于3s,且车头时距变化率小于-0.03;
g)紧急制动:纵向减速度大于3m/s2的驾驶行为模式辨识为紧急制动模式;
h)受限换道:横向摆动数据在最值处变为其相反值,车辆偏移至其他车道,且前方有车,跟驰时距小于或等于3s;
i)自由换道:横向摆动数据在最值处变为其相反值,车辆偏移至其他车道,且前方无车,跟驰时距大于3s。
5.根据权利要求1所述的一种基于驾驶模式转移特征的驾驶员风险评估方法,其特征在于,步骤二中,针对每位驾驶员构造出由81种(9×9)驾驶行为模式转移概率值组成的驾驶行为模式转移矩阵:
81种驾驶模式转移方式作为驾驶员风险评估指标,驾驶模式转移概率为驾驶员风险评估指标的基本数据,从而得到驾驶风险特征集合Z,其中Z={z1,z2,z3,...,zm},zm为特征变量,m为特征维度,中m=81,同时,构建样本数据集D,样本数据集D的结构为D={z1,z2,z3,...,zm,y},y是数据分类标签,为驾驶员风险等级,根据交通局公开数据统计显示由驾驶人引发的交通事故数占事故总数的91.23%,因此,在本实施例中,通过是否发生交通事故来判定驾驶员的行驶安全性,调查获取驾驶员过去1年发生交通事故次数,按照发生交通事故次数将驾驶员风险分为3类,具体分为安全、一般、危险3个等级,过去1年未发生交通事故为安全型驾驶员,过去1年发生过1次交通事故为一般型驾驶员,过去1年发生2次及以上交通事故为危险型驾驶员。
6.根据权利要求1所述的一种基于驾驶模式转移特征的驾驶员风险评估方法,其特征在于,步骤三中,最大信息系数的计算公式为:
式中,X、Y为变量;D为数据集;n为数据规模;B为关于数据规模n的函数;I为最大互信息值;M为特征矩阵;MIC为最大信息系数;
通过最大信息系数,对驾驶员风险评估指标与驾驶员风险等级的相关性进行排序具体方法如下:
第一步,在X、Y构成的散点图上进行网格的划分,在X、Y轴上分别划分为x和y个格子,xy≤B(n),通常情况B(n)=n0.6,在固定一种网格划分方案的情况下,求出最大互信息值,而最大互信息值的计算,等同于计算两变量在X、Y上的联合概率;
第二步,将最大互信息归一化;
第三步,改变网格划分方案,重新计算互信息值并归一化,将不同网格划分方案下取得的最大值作为MIC值,计算81个驾驶行为模式转移值与驾驶行为风险等级的最大信息系数,MIC的取值范围在[0,1]之间,MIC=0表示两变量间相互独立,MIC=1表示两变量之间存在线性或非线性的关系,随着MIC的增大,两变量间的相关性增强,将MIC值按从高到低的顺序排序,从而获取驾驶模式转移方式与驾驶风险的相关性排序。
7.根据权利要求1所述的一种基于驾驶模式转移特征的驾驶员风险评估方法,其特征在于,步骤四的具体方法为:首先,将数据集分为训练集和测试集,跟据驾驶模式转移方式与驾驶风险的相关性排序,依次输入驾驶模式转移概率值作为输入数据特征,分别构建随机森林预测模型;然后,通过交叉验证分类准确性评估模型的分类精度,分类精度最高时模型的输入特征指标为最优特征子集,从而实现对特征变量的筛选;最后,通过参数调优提高模型泛化能力,得到驾驶风险评估模型,对驾驶员的驾驶行为风险程度分类,分为安全、一般、危险三类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110058366.4A CN112651666A (zh) | 2021-01-16 | 2021-01-16 | 一种基于驾驶模式转移特征的驾驶员风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110058366.4A CN112651666A (zh) | 2021-01-16 | 2021-01-16 | 一种基于驾驶模式转移特征的驾驶员风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651666A true CN112651666A (zh) | 2021-04-13 |
Family
ID=75368388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110058366.4A Pending CN112651666A (zh) | 2021-01-16 | 2021-01-16 | 一种基于驾驶模式转移特征的驾驶员风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651666A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591780A (zh) * | 2021-08-11 | 2021-11-02 | 山东大学 | 一种驾驶员行车风险鉴定方法及系统 |
CN115482683A (zh) * | 2022-06-24 | 2022-12-16 | 和德保险经纪有限公司 | 一种基于驾驶员跟车间距的驾驶员行为评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023344A (zh) * | 2016-06-06 | 2016-10-12 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN110562261A (zh) * | 2019-09-26 | 2019-12-13 | 长安大学 | 一种基于马尔可夫模型检测驾驶员风险等级的方法 |
CN110588658A (zh) * | 2019-09-26 | 2019-12-20 | 长安大学 | 一种基于综合模型检测驾驶员风险等级的方法 |
-
2021
- 2021-01-16 CN CN202110058366.4A patent/CN112651666A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023344A (zh) * | 2016-06-06 | 2016-10-12 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN110562261A (zh) * | 2019-09-26 | 2019-12-13 | 长安大学 | 一种基于马尔可夫模型检测驾驶员风险等级的方法 |
CN110588658A (zh) * | 2019-09-26 | 2019-12-20 | 长安大学 | 一种基于综合模型检测驾驶员风险等级的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591780A (zh) * | 2021-08-11 | 2021-11-02 | 山东大学 | 一种驾驶员行车风险鉴定方法及系统 |
CN115482683A (zh) * | 2022-06-24 | 2022-12-16 | 和德保险经纪有限公司 | 一种基于驾驶员跟车间距的驾驶员行为评估方法 |
CN115482683B (zh) * | 2022-06-24 | 2024-02-09 | 和德保险经纪有限公司 | 一种基于驾驶员跟车间距的驾驶员行为评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Analysis of motorcycle accidents using association rule mining-based framework with parameter optimization and GIS technology | |
Chen et al. | Sdcae: Stack denoising convolutional autoencoder model for accident risk prediction via traffic big data | |
Das et al. | Investigating the pattern of traffic crashes under rainy weather by association rules in data mining | |
Zhu et al. | Design and experiment verification of a novel analysis framework for recognition of driver injury patterns: From a multi-class classification perspective | |
CN112651666A (zh) | 一种基于驾驶模式转移特征的驾驶员风险评估方法 | |
CN112766373A (zh) | 一种基于车联网下驾驶行为分析方法 | |
Agrawal et al. | Towards real-time heavy goods vehicle driving behaviour classification in the united kingdom | |
Watanabe et al. | Scenario mining for development of predictive safety functions | |
CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
Yuan et al. | Paving the way for autonomous vehicle testing in accident scenario analysis of yizhuang development Zone in Beijing | |
Kaur et al. | Black Spot and Accidental Attributes Identification on State Highways and Ordinary District Roads Using Data Mining Techniques. | |
Kwiatkowski et al. | A fuzzy-logic based multi-dimensional analysis of traffic incident data | |
CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
Paul et al. | A data-driven study to investigate the causes of severity of road accidents | |
Tang | Application of information entropy algorithm in safety risk prediction of road traffic driving behaviors. | |
Nazeri et al. | Analysis of road accident data and determining affecting factors by using regression models and decision trees | |
CN112036709A (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
Moghaddam et al. | Crash severity modeling in urban highways using backward regression method | |
Li et al. | Using LightGBM with SHAP for predicting and analyzing traffic accidents severity | |
Fan et al. | using machine learning to forecast patent quality–take “vehicle networking” industry for example | |
Guo et al. | Collection and classification of influence parameters for safety effectiveness of ADAS | |
Koduru | Prediction Of Severity Of An Accident Based On Extent Of Injury Using Machine Learning | |
Akhiladevi et al. | Accident Prediction Using KNN Algorithm | |
Zhang et al. | Truck driver safety tendency classification under natural driving conditions based on Gaussian mixture model (GMM) |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210413 |
|
WD01 | Invention patent application deemed withdrawn after publication |