CN112862276A - 一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法 - Google Patents
一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法 Download PDFInfo
- Publication number
- CN112862276A CN112862276A CN202110101925.5A CN202110101925A CN112862276A CN 112862276 A CN112862276 A CN 112862276A CN 202110101925 A CN202110101925 A CN 202110101925A CN 112862276 A CN112862276 A CN 112862276A
- Authority
- CN
- China
- Prior art keywords
- driving
- driver
- risk
- data
- index
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006855 networking Effects 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000010234 longitudinal analysis Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 70
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F16/23—Updating
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种纵向和横向相结合的驾驶员风险偏好界定方法,属于车联网风险技术领域,其技术方案主要包括了智能车联网平台和驾驶员风险偏好界定方法,该方法的主要内容为:通过横向的方式去包含并解析除自身外的其它大量驾驶员风险偏好数据,通过纵向的方式去分析驾驶员本身的历史风险偏好数据,结合两个方面确定或者更新该驾驶员风险偏好指标;本发明在一定程度上避免了对驾驶员风险分析所需要的大量训练,节省了成本,同时也改善了多数方法对驾驶员风险偏好评估过程单一的问题,提供了一个准确率更高、更完全的驾驶员风险偏好指标。
Description
技术领域
一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法,用于驾驶员风险偏好界定,属于智能车联网平台和驾驶员风险偏好界定技术领域。
背景技术
随着IT技术在汽车行业的飞速发展,现代的车辆越来越智能化,但是由于行车是一个参杂着多因素的复杂问题,它面临的风险依然是社会关注和亟待解决的关键问题。
驾驶员面临的行车风险多种多样,其中,驾驶员不规范的操作以及行车环境的多样化和不确定性带来的风险尤其显著。而智能车辆和车联网技术是一个新兴产业,很多关键问题缺乏相应的管理和技术,使得我们很难预测和分析这些潜在的风险。如果不能解决这些问题,那么智能车辆的发展将会受到一定的阻碍。
目前行驶过程都是以行车车主、行车司机的个人身份作为主体,其中,风险和安全事件的发生大部分都与主体直接关联,因此,一种合理的分析驾驶员风险偏好的方法显得尤为重要。分析的结果不仅可以作为提醒司机驾驶安全的重要依据,也可以作为司机的历史风险信息存入车联网平台。
现有的风险评判方法多数着重于对驾驶员行为的识别效果的提升,而没有过多关注驾驶员和其他驾驶员之间的关联,使得评估结果普适性不强,从而无法对风险进行及时规避应对;现有技术不仅忽略了风险评估的整体性,同时也缺乏对驾驶员历史风险的结合,而着重于单次驾驶事件的关注,对于每个驾驶员的多次驾驶评价的结果存在大幅波动的风险,从而无法让驾驶员及时了解自己的危险驾驶行为,并及时进行纠正。
发明内容
针对上述研究的问题,本发明的目的在于提供一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法,解决现有的风险评判方法无法预测和分析驾驶人员在驾驶过程中普遍存在的问题。
为了达到上述目的,本发明采用如下技术方案:
一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台,包括汽车端和中心端,以及实现汽车端和中心端信息交互的广域网单元;
汽车端包括信息采集模块和发送模块;
信息采集模块:用于采集汽车行驶过程中的行程和驾驶数据,驾驶数据包括驾驶员每次驾驶时长、行车距离、驾驶危险操作次数和驾驶员id;
发送模块:用于将信息采集模块采集的信息进行发送;
中心端包括接收模块、存储模块、辅助分析模块、横向分析模块和纵向分析模块;
接收模块:用于接收汽车端发送的信息;
存储模块:用于存储风险数据库,风险数据库用于存储大量驾驶员的历史风险数据,历史风险数据包括各驾驶员所有的驾驶时长、总驾驶次数、违规次数、驾驶员的权重w、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、每次驾驶行为评分和驾驶行为评分的均值v;
辅助分析模块:用于采用辅助数据处理手段对信息采集模块采集的驾驶数据进行分析和预处理,对不合格的数据进行剔除,并将合格数据用于更新风险数据库,更新后,对风险数据库中的数据进行分析,得到[s,d,avg]参数列表;
横向分析模块:用于基于偏好指标规则,结合[s,d,avg]参数列表和风险数据库中驾驶员的风险偏好数据得到驾驶员的风险偏好指标;
纵向分析模块:用于结合当前驾驶员的历史风险数据和[s,d,avg]参数列表对当前驾驶员的当前次驾驶行为进行纵向风险偏好评估,得到当前次驾驶行为评分;
综合评估模块:结合辅助分析模块、横向分析模块和纵向分析模块的分析以及风险约束函数,更新当前驾驶员的风险偏好指标。
进一步,风险数据库中存储的初始的各驾驶员每次驾驶时长、总驾驶次数、违规次数、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、驾驶员每次驾驶行为评分的具体步骤如下:
给定正向成长指数a和负向成长指数b;
基于某时间段内信息采集模块采集的信息,收集所有驾驶员的驾驶时长之和、所有驾驶员的违规次数总、每个驾驶员的驾驶时长之和、每个驾驶员的违规次数以及各驾驶员的总驾驶次数;
基于所有驾驶员的驾驶时长之和和各驾驶员的驾驶时长之和,计算各驾驶员驾驶时长和所有驾驶员驾驶时长之和的比值,即为驾驶员的权重w;
基于违规次数总和计算所有驾驶员单位时间内违规次数的均值,其中,单位时间为一小时;
基于违规次数的均值进行反向处理,判断各驾驶员每次驾驶分类,即危险驾驶次数小于均值时,则该驾驶员的安全驾驶次数st参数加一,反之危险驾驶次数dt加一,直到判断完各驾驶员的所有次驾驶,得到初始的安全驾驶次数st和危险驾驶次数dt;
基于初始的安全驾驶次数st、危险驾驶次数dt和权重w、安全驾驶指数s与危险驾驶指数d的比值公式和s+d=1的公式,计算获得s和d参数;
最后基于安全驾驶次数st、危险驾驶次数dt、安全驾驶指数s、危险驾驶指数d使用横向计算公式评估每次驾驶行为评分g,并基于所有的驾驶行为评分g加权求平均得到驾驶行为评分的均值v。
进一步,所述辅助分析模块的处理逻辑为:
分析处理信息采集模块采集的各驾驶员的驾驶数据,实现风险数据库的数据更新,即当各驾驶员的驾驶员id验证不通过,或者行车时长不足1/6小时,或者行车距离不足10公里的数据,将进行舍弃,不存入风险数据库;否则,将符合条件的数据存入风险数据库,实现风险数据库的数据更新;
从更新后的风险数据库中收集每个驾驶人员的风险偏好数据,包括安全驾驶次数st和危险驾驶次数dt,驾驶时长t,以及每个驾驶员的权重w,驾驶行为评分的均值v,并根据如下公式对数据进行处理,得到安全驾驶指数s与危险驾驶指数d的比值,以及驾驶员的历史驾驶分数的均值avg:
其中,i代表风险数据库中的每一个驾驶员,s和d分别为处理过后的安全驾驶指数和危险驾驶指数,且s+d=1;sti、dti、ti为第i个驾驶员历史的安全驾驶次数st、危险驾驶次数dt以及驾驶时长t;wi和vi为第i个驾驶员权重w和驾驶行为评分的均值v;
avg为通过风险数据库中所有驾驶员的驾驶行为评分的均值得到的历史驾驶分数的均值,all为驾驶员数量总和;
综上所述,计算得到[s,d,avg]参数列表。
进一步,所述横向分析模块通过如下公式对各驾驶员的风险偏好数据进行风险偏好等级划分,即风险偏好指标划分:
其中,0代表低风险或者无风险级别,1代表驾驶员能够较好的对风险进行规避,2代表驾驶员对风险的规避意识不足,驾驶入员容易进行比较危险的驾驶操作。
进一步,所述纵向分析模块的实现逻辑为:
从风险数据库中取出某驾驶员的数据危险驾驶次数dt、安全驾驶次数st、正向系数a和负向系数b,并从辅助分析模块中获取该驾驶员安全驾驶指数s、危险驾驶指数d和历史驾驶分数的均值avg;
该驾驶员完成一次行驶操作,信息采集模块根据采集到的驾驶数据中的驾驶危险操作次数,获取到该驾驶员的当次驾驶单位时间内的驾驶危险操作次数所对应的总的扣分g2,该驾驶员有一个单位时间内驾驶行为总分g1,即该次驾驶的总分,其中,单位时间为一个小时,取值为100,该驾驶员的该次驾驶行为评分为g=g1-g2,如果g<=0,则该次驾驶行为评分为dt+1,并且不执行后续步骤,否则继续下一步;
从风险数据库中取出正向系数a和负向系数b,a和b分别代表累积多次安全驾驶和多次危险驾驶的成长基数,其定义值应较小,当安全驾驶次数越多,后续每次安全驾驶将会得到更多的评分,反之则是扣分更多;
通过横向计算公式确定正累积指数si,即多次安全驾驶的成长指数,负累积指数di,即多次危险驾驶的成长指数,公式如下:
di=dt-(st+dt)×(d÷(s+d)),如果di<0,则di=0;
si=st-(st+dt)×(s÷(s+d)),如果si<0,则si=0;
基于该驾驶员dt和st数据和参数d和s数据,作为驾驶员历史数据的拟合,结合a、b、di、si,作为驾驶员累积行驶信息,综合这两个方面,计算该驾驶员的当前次驾驶行为评分,具体如下:
若当前次驾驶行为评分g低于该驾驶员的驾驶行为评分的均值v,则计算逻辑为:
若当前次驾驶行为评分g高于该驾驶员的驾驶行为评分的均值v,则计算逻辑为:
p2=((s×(st+dt))÷(st×(s+d)))×g×asi
则最终得到当前次驾驶行为评分g=p11g=p2。
进一步,所述综合评估模块的实现逻辑为:
结合横向和纵向分析以及风险约束函数,得到更新驾驶员风险偏好指标参数,该约束条件如下:
通过辅助分析模块和横向分析模块,得到了该次驾驶员驾驶行为评分g和参数avg,当前驾驶员的驾驶行为评分g高于avg,则认为该次驾驶行为属于安全和可接受范畴内,反之该次驾驶则存在风险,并可得如下风险约束函数:
通过上述约束,对当前驾驶员的安全驾驶参数st和危险驾驶参数dt进行更新,并结合f(st,dt),对驾驶员风险偏好指标进行更新,确定该次驾驶事件之后的驾驶员的风险偏好指标。
一种纵向和横向相结合的驾驶员风险偏好界定的方法,包括:
S1、汽车端用于采集汽车行驶过程中的行程和驾驶数据发送给中心端,其中,驾驶数据包括驾驶员每次驾驶时长、行车距离、驾驶危险操作次数、正向成长指数a、负向成长指数b和驾驶员id;
S2、中心端通过风险数据库存储大量驾驶员的历史风险数据,历史风险数据包括各驾驶员所有的驾驶时长、总驾驶次数、违规次数、驾驶员的权重w、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、每次驾驶行为评分和驾驶行为评分的均值v;和
采用辅助数据处理手段对汽车端采集的驾驶数据进行分析和预处理,对不合格的数据进行剔除,并将合格数据用于更新风险数据库,更新后,对风险数据库中的数据进行分析,得到[s,d,avg]参数列表;和
用于基于偏好指标规则,结合[s,d,avg]参数列表和风险数据库中驾驶员的风险偏好数据得到驾驶员的风险偏好指标;和
用于结合当前驾驶员的历史风险数据和[s,d,avg]参数列表对当前驾驶员的当前次驾驶行为进行纵向风险偏好评估,得到当前次驾驶行为评分;和
结合[s,d,avg]参数列表、风险偏好指标、当前次驾驶行为评分和风险约束函数,更新当前驾驶员的风险偏好指标。
本发明同现有技术相比,其有益效果表现在:
一、本发明通过横向和纵向的两个方面,分别对驾驶员风险偏好进行界定和约束,有效避免了对模型的大量训练和学习,在一定程度上节省了成本;
二、本发明深度结合历史风险信息和大量其他驾驶员风险信息,以不同的方向进行结合分析,使得评估的结果更加真实可靠以及平稳,数据量越大,评估的真实可靠性越高,也更趋近稳定,同时,成本并不会随数据量的增大而增大,但是效果却会随着数据量的增大愈发可靠和具有参考性。
附图说明
图1为发明中车联网平台的框架示意图;
图2为本发明中的风险偏好指标划分流程图;
图3为本发明中当前驾驶员一次完整驾驶行为后对当前驾驶员的安全驾驶次数st和危险驾驶次数dt更新的流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明;
实施例
本实施针对驾驶员一次完整的驾车行为进行详细说明,具体如下;
如图1所示为本发明所使用智能车联网平台结构;
如图2所示为一次完整驾驶行为的驾驶员的风险偏好评估过程,即风险偏好指标划分过程;
图3所示为本发明中当前驾驶员一次完整驾驶行为后对当前驾驶员的安全驾驶次数st和危险驾驶次数dt更新的流程示意图。
图2和图3的具体步骤如下所示:
S1、汽车端用于采集汽车行驶过程中的行程和驾驶数据发送给中心端,其中,驾驶数据包括驾驶员每次驾驶时长、行车距离、驾驶危险操作次数、正向成长指数a、负向成长指数b和驾驶员id;
S2、中心端通过风险数据库存储大量驾驶员的历史风险数据,历史风险数据包括各驾驶员所有的驾驶时长、总驾驶次数、违规次数、驾驶员的权重w、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、每次驾驶行为评分和驾驶行为评分的均值v;和
采用辅助数据处理手段对汽车端采集的驾驶数据进行分析和预处理,对不合格的数据进行剔除,并将合格数据用于更新风险数据库,更新后,对风险数据库中的数据进行分析,得到[s,d,avg]参数列表;和
用于基于偏好指标规则,结合[s,d,avg]参数列表和风险数据库中驾驶员的风险偏好数据得到驾驶员的风险偏好指标;和
用于结合当前驾驶员的历史风险数据和[s,d,avg]参数列表对当前驾驶员的当前次驾驶行为进行纵向风险偏好评估,得到当前次驾驶行为评分;和
结合[s,d,avg]参数列表、风险偏好指标、当前次驾驶行为评分和风险约束函数,更新当前驾驶员的风险偏好指标。
如图1所示的具体框架图为:
一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台,包括汽车端和中心端,以及实现汽车端和中心端信息交互的广域网单元;
汽车端包括信息采集模块和发送模块;
信息采集模块:用于采集汽车行驶过程中的行程和驾驶数据,驾驶数据包括驾驶员每次驾驶时长、行车距离、驾驶危险操作次数和驾驶员id;
发送模块:用于将信息采集模块采集的信息进行发送;
中心端包括接收模块、存储模块、辅助分析模块、横向分析模块和纵向分析模块;
接收模块:用于接收汽车端发送的信息;
存储模块:用于存储风险数据库,风险数据库用于存储大量驾驶员的历史风险数据,历史风险数据包括各驾驶员所有的驾驶时长、总驾驶次数、违规次数、驾驶员的权重w、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、每次驾驶行为评分和驾驶行为评分的均值v;风险数据库中存储的初始的各驾驶员每次驾驶时长、总驾驶次数、违规次数、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、驾驶员每次驾驶行为评分的具体步骤如下:
给定正向成长指数a和负向成长指数b;正向成长指数a和负向成长指数b适用于每个驾驶员,当安全驾驶次数越多,后面每次安全驾驶将会得到更多的评分,反之则是扣分更多正向成长指数a和负向成长指数b可理解为多次安全驾驶后如果继续安全驾驶则会得到更多的评分,反之则少得分,但是为了保证平稳性,其定义值应较小,避免大幅波动,参考值可分别为1.01和1.02;
基于某时间段内信息采集模块采集的信息,收集所有驾驶员的驾驶时长之和、所有驾驶员的违规次数总、每个驾驶员的驾驶时长之和、每个驾驶员的违规次数以及各驾驶员的总驾驶次数;
基于所有驾驶员的驾驶时长之和和各驾驶员的驾驶时长之和,计算各驾驶员驾驶时长和所有驾驶员驾驶时长之和的比值,即为驾驶员的权重w;
基于违规次数总和计算所有驾驶员单位时间内违规次数的均值,其中,单位时间为一小时;
基于违规次数的均值进行反向处理,判断各驾驶员每次驾驶分类,即危险驾驶次数小于均值时,则该驾驶员的安全驾驶次数st参数加一,反之危险驾驶次数dt加一,直到判断完各驾驶员的所有次驾驶,得到初始的安全驾驶次数st和危险驾驶次数dt;
基于初始的安全驾驶次数st、危险驾驶次数dt和权重w、安全驾驶指数s与危险驾驶指数d的比值公式和s+d=1的公式(如后续的公式所示),计算获得s和d参数;
最后基于安全驾驶次数st、危险驾驶次数dt、安全驾驶指数s、危险驾驶指数d用横向计算公式(如后续的公式所示)评估每次驾驶行为评分g,并基于所有的驾驶行为评分g加权求平均得到驾驶行为评分的均值v。
辅助分析模块:用于采用辅助数据处理手段对信息采集模块采集的驾驶数据进行分析和预处理,对不合格的数据进行剔除,并将合格数据用于更新风险数据库,更新后,对风险数据库中的数据进行分析,得到[s,d,avg]参数列表;
辅助分析模块的处理逻辑为:
分析处理信息采集模块采集的各驾驶员的驾驶数据,实现风险数据库的数据更新,即当各驾驶员的驾驶员id验证不通过,或者行车时长不足1/6小时,或者行车距离不足10公里的数据,将进行舍弃,不存入风险数据库;否则,将符合条件的数据存入风险数据库,实现风险数据库的数据更新;
从更新后的风险数据库中收集每个驾驶人员的风险偏好数据,包括安全驾驶次数st和危险驾驶次数dt,驾驶时长t,以及每个驾驶员的权重w,驾驶行为评分的均值v,并根据如下公式对数据进行处理,得到安全驾驶指数s与危险驾驶指数d的比值,以及驾驶员的历史驾驶分数的均值avg:
其中,i代表风险数据库中的每一个驾驶员,s和d分别为处理过后的安全驾驶指数和危险驾驶指数,且s+d=1;sti、dti、ti为第i个驾驶员历史的安全驾驶次数st、危险驾驶次数dt以及驾驶时长t;wi和vi为第i个驾驶员权重w和驾驶行为评分的均值v,驾驶行为评分的均值v的计算方式为:比如第i个驾驶员一共驾驶3次,每次得到分值为v1,v2,v3,则该驾驶员的驾驶行为评分的均值为(v1+v2+v3)/3,参数w的获取方式和上述方式类似;
avg为通过风险数据库中所有驾驶员的驾驶行为评分的均值得到的历史驾驶分数的均值,all为驾驶员数量总和;
综上所述,计算得到[s,d,avg]参数列表。
横向分析模块:用于基于偏好指标规则,结合[s,d,avg]参数列表和风险数据库中驾驶员的风险偏好数据得到驾驶员的风险偏好指标;
纵向分析模块:用于结合当前驾驶员的历史风险数据和[s,d,avg]参数列表对当前驾驶员的当前次驾驶行为进行纵向风险偏好评估,得到当前次驾驶行为评分;
所述横向分析模块通过如下公式对各驾驶员的风险偏好数据进行风险偏好等级划分,即风险偏好指标划分:
其中,0代表低风险或者无风险级别,意味着该驾驶人员累积安全驾驶次数和危险驾驶次数比值高于历史驾驶分数的均值avg,该驾驶员个人能够很好的对风险进行规避,行车安全指数高;1代表驾驶员能够较好的对风险进行规避,在比较复杂的交通环境下,能较好进行驾驶操作,但是对于复杂的交通或者较大的情绪波动,则会存在一定的危险驾驶操作;2代表驾驶员对风险的规避意识不足,驾驶入员容易进行比较危险的驾驶操作,比如分心驾驶、行车时候通话等违规操作,如果遇见复杂的交通状况,容易进行危险驾驶。
进一步,所述纵向分析模块的实现逻辑为:
从风险数据库中取出某驾驶员的数据危险驾驶次数dt、安全驾驶次数st、正向系数a和负向系数b,并从辅助分析模块中获取该驾驶员安全驾驶指数s、危险驾驶指数d和历史驾驶分数的均值avg;
该驾驶员完成一次行驶操作,信息采集模块根据采集到的驾驶数据中的驾驶危险操作次数,获取到该驾驶员的当次驾驶单位时间内的驾驶危险操作次数所对应的总的扣分g2(按照中心端单位时间和危险操作次数的分数数据的对应准则从风险数据库中得到),该驾驶员有一个单位时间内驾驶行为总分g1,即该次驾驶的总分,其中,单位时间为一个小时,取值为100,该驾驶员的该次驾驶行为评分为g=g1-g2,如果g<=0,则该次驾驶行为评分为dt+1,并且不执行后续步骤,否则继续下一步;
从风险数据库中取出正向系数a和负向系数b,a和b分别代表累积多次安全驾驶和多次危险驾驶的成长基数,其定义值应较小,当安全驾驶次数越多,后续每次安全驾驶将会得到更多的评分,反之则是扣分更多;
通过横向计算公式确定正累积指数si,即多次安全驾驶的成长指数,负累积指数di,即多次危险驾驶的成长指数,公式如下:
di=dt-(st+dt)×(d÷(s+d)),如果di<0,则di=0;
si=st-(st+dt)×(s÷(s+d)),如果si<0,则si=0;
基于该驾驶员dt和st数据和参数d和s数据,作为驾驶员历史数据的拟合,结合a、b、di、si,作为驾驶员累积行驶信息,综合这两个方面,计算该驾驶员的当前次驾驶行为评分,具体如下:
若当前次驾驶行为评分g低于该驾驶员的驾驶行为评分的均值v,则计算逻辑为:
若当前次驾驶行为评分g高于该驾驶员的驾驶行为评分的均值v,则计算逻辑为:
p2=((s×(st+dt))÷(st×(s+d)))×g×asi
则最终得到当前次驾驶行为评分g=p1或g=p2。
综合评估模块:结合辅助分析模块、横向分析模块和纵向分析模块的分析以及风险约束函数,更新当前驾驶员的风险偏好指标。
所述综合评估模块的实现逻辑为:
结合横向和纵向分析以及风险约束函数,得到更新驾驶员风险偏好指标参数,该约束条件如下:
通过辅助分析模块和横向分析模块,得到了该次驾驶员驾驶行为评分g和参数avg,当前驾驶员的驾驶行为评分g高于avg,则认为该次驾驶行为属于安全和可接受范畴内,反之该次驾驶则存在风险,并可得如下风险约束函数:
通过上述约束,对当前驾驶员的安全驾驶参数st和危险驾驶参数dt进行更新,并结合f(st,dt),对驾驶员风险偏好指标进行更新,确定该次驾驶事件之后的驾驶员的风险偏好指标。
以一个具体场景来进行解释:
驾驶员完成了一次完整的驾驶行为,其中行驶数据包括驾驶时长:2.5h,路程,即行车距离:150km,驾驶危险操作次数所对应的总的扣分:11,驾驶员id:001;假设该驾驶员风险数据库中st=327,dt=11,单位时间内驾驶行为总分g1=100,正向系数a=1.01,负向系数b=1.02,该驾驶员历史的驾驶行为评分的均值v为94.9,avg=95.3,历史的风险偏好指标为1;
此时,驾驶员id、驾驶时长和路程符合要求,此次驾驶数据有效,保留进风险数据库,进行风险数据库更新。
使用更新后的风险数据库中每个驾驶员的危险驾驶次数dt、安全驾驶次数st、驾驶时长t、权重w参数,带入如下公式:
因涉及大量数据,这里对所求数据做个假设,求得s:d=95:3;
g2可求得:g2=11/2.5=4.4;
可得g=g1-g2=100-4.4=95.6;
根据计算原则,95.6>该驾驶员的驾驶行为评分的均值v=94.9,继续向下计算:
正累积指数:si=st-(st+dt)×(s÷(s+d))
可求得si=327-(327+11)×(95÷(95+3))=-0.65;
因为si<0,根据约定,使si=0;
使用如下公式对该次驾驶行为进行横向分析:
g=((s×(st+dt))÷(st×(s+d)))×g×asi
可更新g=(327×(95+3))÷(95×(327+11))×95.6×1.01^0=95.7909;
因为(g=95.7909)>(avg=95.3),根据以下约束函数进行计算:
st=327+1=328,dt=11;
结合纵向分析方法:
可得f(st,dt)满足纵向分析方法的第二个条件,此时风险偏好指标更新为1。
综上:该次驾驶事件结束后,对该驾驶员的风险偏好界定如下:
该次驾驶行为纵向分析得分为95.7909,比avg=95.3均值大,评估结果良好;结合横向分析和约束准则,更新驾驶员的风险偏好指标为1,和原有风险指标持平,仍需多次安全驾驶才能提升风险指标。
以上仅是本发明众多具体应用范围中的代表性实施例,对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (7)
1.一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台,其特征在于,包括汽车端和中心端,以及实现汽车端和中心端信息交互的广域网单元;
汽车端包括信息采集模块和发送模块;
信息采集模块:用于采集汽车行驶过程中的行程和驾驶数据,驾驶数据包括驾驶员每次驾驶时长、行车距离、驾驶危险操作次数和驾驶员id;
发送模块:用于将信息采集模块采集的信息进行发送;
中心端包括接收模块、存储模块、辅助分析模块、横向分析模块和纵向分析模块;
接收模块:用于接收汽车端发送的信息;
存储模块:用于存储风险数据库,风险数据库用于存储大量驾驶员的历史风险数据,历史风险数据包括各驾驶员所有的驾驶时长、总驾驶次数、违规次数、驾驶员的权重w、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、每次驾驶行为评分和驾驶行为评分的均值v;
辅助分析模块:用于采用辅助数据处理手段对信息采集模块采集的驾驶数据进行分析和预处理,对不合格的数据进行剔除,并将合格数据用于更新风险数据库,更新后,对风险数据库中的数据进行分析,得到[s,d,avg]参数列表;
横向分析模块:用于基于偏好指标规则,结合[s,d,avg]参数列表和风险数据库中驾驶员的风险偏好数据得到驾驶员的风险偏好指标;
纵向分析模块:用于结合当前驾驶员的历史风险数据和[s,d,avg]参数列表对当前驾驶员的当前次驾驶行为进行纵向风险偏好评估,得到当前次驾驶行为评分;
综合评估模块:结合辅助分析模块、横向分析模块和纵向分析模块的分析以及风险约束函数,更新当前驾驶员的风险偏好指标。
2.根据权利要求1所述的一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台,其特征在于,风险数据库中存储的初始的各驾驶员每次驾驶时长、总驾驶次数、违规次数、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、驾驶员每次驾驶行为评分的具体步骤如下:
给定正向成长指数a和负向成长指数b;
基于某时间段内信息采集模块采集的信息,收集所有驾驶员的驾驶时长之和、所有驾驶员的违规次数总、每个驾驶员的驾驶时长之和、每个驾驶员的违规次数以及各驾驶员的总驾驶次数;
基于所有驾驶员的驾驶时长之和和各驾驶员的驾驶时长之和,计算各驾驶员驾驶时长和所有驾驶员驾驶时长之和的比值,即为驾驶员的权重w;
基于违规次数总和计算所有驾驶员单位时间内违规次数的均值,其中,单位时间为一小时;
基于违规次数的均值进行反向处理,判断各驾驶员每次驾驶分类,即危险驾驶次数小于均值时,则该驾驶员的安全驾驶次数st参数加一,反之危险驾驶次数dt加一,直到判断完各驾驶员的所有次驾驶,得到初始的安全驾驶次数st和危险驾驶次数dt;
基于初始的安全驾驶次数st、危险驾驶次数dt和权重w、安全驾驶指数s与危险驾驶指数d的比值公式和s+d=1的公式,计算获得s和d参数;
最后基于安全驾驶次数st、危险驾驶次数dt、安全驾驶指数s、危险驾驶指数d使用横向计算公式评估每次驾驶行为评分g,并基于所有的驾驶行为评分g加权求平均得到驾驶行为评分的均值v。
3.根据权利要求2所述的一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台,其特征在于,所述辅助分析模块的处理逻辑为:
分析处理信息采集模块采集的各驾驶员的驾驶数据,实现风险数据库的数据更新,即当各驾驶员的驾驶员id验证不通过,或者行车时长不足1/6小时,或者行车距离不足10公里的数据,将进行舍弃,不存入风险数据库;否则,将符合条件的数据存入风险数据库,实现风险数据库的数据更新;
从更新后的风险数据库中收集每个驾驶人员的风险偏好数据,包括安全驾驶次数st和危险驾驶次数dt,驾驶时长t,以及每个驾驶员的权重w,驾驶行为评分的均值v,并根据如下公式对数据进行处理,得到安全驾驶指数s与危险驾驶指数d的比值,以及驾驶员的历史驾驶分数的均值avg:
其中,i代表风险数据库中的每一个驾驶员,s和d分别为处理过后的安全驾驶指数和危险驾驶指数,且s+d=1;sti、dti、ti为第i个驾驶员历史的安全驾驶次数st、危险驾驶次数dt以及驾驶时长t;wi和vi为第i个驾驶员权重w和驾驶行为评分的均值v;
avg为通过风险数据库中所有驾驶员的驾驶行为评分的均值得到的历史驾驶分数的均值,all为驾驶员数量总和;
综上所述,计算得到[s,d,avg]参数列表。
5.根据权利要求4所述的一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台,其特征在于,所述纵向分析模块的实现逻辑为:
从风险数据库中取出某驾驶员的数据危险驾驶次数dt、安全驾驶次数st、正向系数a和负向系数b,并从辅助分析模块中获取该驾驶员安全驾驶指数s、危险驾驶指数d和历史驾驶分数的均值avg;
该驾驶员完成一次行驶操作,信息采集模块根据采集到的驾驶数据中的驾驶危险操作次数,获取到该驾驶员的当次驾驶单位时间内的驾驶危险操作次数所对应的总的扣分g2,该驾驶员有一个单位时间内驾驶行为总分g1,即该次驾驶的总分,其中,单位时间为一个小时,取值为100,该驾驶员的该次驾驶行为评分为g=g1-g2,如果g<=0,则该次驾驶行为评分为dt+1,并且不执行后续步骤,否则继续下一步;
从风险数据库中取出正向系数a和负向系数b,a和b分别代表累积多次安全驾驶和多次危险驾驶的成长基数,其定义值应较小,当安全驾驶次数越多,后续每次安全驾驶将会得到更多的评分,反之则是扣分更多;
通过横向计算公式确定正累积指数si,即多次安全驾驶的成长指数,负累积指数di,即多次危险驾驶的成长指数,公式如下:
di=dt-(st+dt)×(d÷(s+d)),如果di<0,则di=0;
si=st-(st+dt)×(s÷(s+d)),如果si<0,则si=0;
基于该驾驶员dt和st数据和参数d和s数据,作为驾驶员历史数据的拟合,结合a、b、di、si,作为驾驶员累积行驶信息,综合这两个方面,计算该驾驶员的当前次驾驶行为评分,具体如下:
若当前次驾驶行为评分g低于该驾驶员的驾驶行为评分的均值v,则计算逻辑为:
若当前次驾驶行为评分g高于该驾驶员的驾驶行为评分的均值v,则计算逻辑为:
p2=((s×(st+dt))÷(st×(s+d)))×g×asi
则最终得到当前次驾驶行为评分g=p1或g=p2。
7.一种纵向和横向相结合的驾驶员风险偏好界定的方法,其特征在于,包括:
S1、汽车端用于采集汽车行驶过程中的行程和驾驶数据发送给中心端,其中,驾驶数据包括驾驶员每次驾驶时长、行车距离、驾驶危险操作次数、正向成长指数a、负向成长指数b和驾驶员id;
S2、中心端通过风险数据库存储大量驾驶员的历史风险数据,历史风险数据包括各驾驶员所有的驾驶时长、总驾驶次数、违规次数、驾驶员的权重w、安全驾驶次数st、危险驾驶次数dt、正向成长指数a、负向成长指数b、每次驾驶行为评分和驾驶行为评分的均值v;和
采用辅助数据处理手段对汽车端采集的驾驶数据进行分析和预处理,对不合格的数据进行剔除,并将合格数据用于更新风险数据库,更新后,对风险数据库中的数据进行分析,得到[s,d,avg]参数列表;和
用于基于偏好指标规则,结合[s,d,avg]参数列表和风险数据库中驾驶员的风险偏好数据得到驾驶员的风险偏好指标;和
用于结合当前驾驶员的历史风险数据和[s,d,avg]参数列表对当前驾驶员的当前次驾驶行为进行纵向风险偏好评估,得到当前次驾驶行为评分;和
结合[s,d,avg]参数列表、风险偏好指标、当前次驾驶行为评分和风险约束函数,更新当前驾驶员的风险偏好指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101925.5A CN112862276B (zh) | 2021-01-26 | 2021-01-26 | 一种纵向和横向相结合的驾驶员风险偏好界定的车联网装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101925.5A CN112862276B (zh) | 2021-01-26 | 2021-01-26 | 一种纵向和横向相结合的驾驶员风险偏好界定的车联网装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862276A true CN112862276A (zh) | 2021-05-28 |
CN112862276B CN112862276B (zh) | 2023-04-28 |
Family
ID=76008973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101925.5A Active CN112862276B (zh) | 2021-01-26 | 2021-01-26 | 一种纵向和横向相结合的驾驶员风险偏好界定的车联网装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862276B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836790A (zh) * | 2021-08-25 | 2021-12-24 | 成都鲁易科技有限公司 | 电动单车智能化等级的测评方法、装置及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
CN108944946A (zh) * | 2018-07-11 | 2018-12-07 | 北京航空航天大学 | 一种基于车车通信的弯道风险预估计算方法 |
CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
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 |
US20190325451A1 (en) * | 2014-03-27 | 2019-10-24 | EMC IP Holding Company LLC | Information security system with risk assessment based on multi-level aggregations of risk predictors |
CN111311093A (zh) * | 2020-02-13 | 2020-06-19 | 中交第一公路勘察设计研究院有限公司 | 基于驾驶员生理数据的道路交叉口风险评估与预警方法 |
US10830605B1 (en) * | 2016-10-18 | 2020-11-10 | Allstate Insurance Company | Personalized driving risk modeling and estimation system and methods |
-
2021
- 2021-01-26 CN CN202110101925.5A patent/CN112862276B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325451A1 (en) * | 2014-03-27 | 2019-10-24 | EMC IP Holding Company LLC | Information security system with risk assessment based on multi-level aggregations of risk predictors |
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
US10830605B1 (en) * | 2016-10-18 | 2020-11-10 | Allstate Insurance Company | Personalized driving risk modeling and estimation system and methods |
CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
CN108944946A (zh) * | 2018-07-11 | 2018-12-07 | 北京航空航天大学 | 一种基于车车通信的弯道风险预估计算方法 |
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 |
CN111311093A (zh) * | 2020-02-13 | 2020-06-19 | 中交第一公路勘察设计研究院有限公司 | 基于驾驶员生理数据的道路交叉口风险评估与预警方法 |
Non-Patent Citations (1)
Title |
---|
许书权: "基于车辆运行监控系统的驾驶行为安全与节能评价方法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836790A (zh) * | 2021-08-25 | 2021-12-24 | 成都鲁易科技有限公司 | 电动单车智能化等级的测评方法、装置及计算机设备 |
CN113836790B (zh) * | 2021-08-25 | 2024-02-02 | 成都鲁易科技有限公司 | 电动单车智能化等级的测评方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112862276B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860561B (zh) | 网约车的异常停留行为识别方法、装置、设备及存储介质 | |
CN111414477A (zh) | 车辆故障自动诊断方法、装置以及设备 | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN102177049A (zh) | 用于车辆故障诊断的基准值的生成 | |
CN111242484A (zh) | 基于转移概率的车辆风险综合评价方法 | |
CN115622203B (zh) | 基于车载无线充电器充电数据的分析提醒方法及系统 | |
CN110254285B (zh) | 一种基于车联网的对里程焦虑用户提供服务的方法及系统 | |
CN105654574A (zh) | 基于车载设备的驾驶行为评估方法及装置 | |
CN111523932A (zh) | 一种网约车服务的评分方法、装置、系统及存储介质 | |
CN111452659A (zh) | 电动充电时刻智能判定方法 | |
CN113173104B (zh) | 一种新能源车辆动力电池预警方法及系统 | |
CN114897312A (zh) | 驾驶行为评分方法、装置、设备及存储介质 | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
CN112862276A (zh) | 一种纵向和横向相结合的驾驶员风险偏好界定的车联网平台及方法 | |
CN106960189A (zh) | 一种基于隐含马尔可夫模型的驾驶意图判定方法 | |
Jin et al. | Study on the impact degrees of several driving behaviors when driving while performing secondary tasks | |
CN111612334A (zh) | 一种基于车联网数据的驾驶行为风险评级的判定方法 | |
CN113642600B (zh) | 一种基于mRMR算法与主成分分析的驾驶行为特征提取方法 | |
CN115762140B (zh) | 一种考虑变量异质性的高速公路交通事故风险预测方法 | |
CN112396118A (zh) | 一种基于gm-hmm的驾驶员加速意图建模方法 | |
CN115544900B (zh) | 一种基于Shap算法分析电动车续航里程影响因素的方法 | |
CN111696347A (zh) | 一种自动化分析交通事件信息的方法和装置 | |
CN113212244B (zh) | 一种新能源车辆动力电池寿命预测方法及系统 | |
CN115169630A (zh) | 一种电动汽车充电负荷预测方法及装置 |
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 |