CN113487197A - 一种基于topsis评价模型的车联网信息筛选方法 - Google Patents

一种基于topsis评价模型的车联网信息筛选方法 Download PDF

Info

Publication number
CN113487197A
CN113487197A CN202110784940.4A CN202110784940A CN113487197A CN 113487197 A CN113487197 A CN 113487197A CN 202110784940 A CN202110784940 A CN 202110784940A CN 113487197 A CN113487197 A CN 113487197A
Authority
CN
China
Prior art keywords
vehicle
evaluation
weight
internet
information
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
Application number
CN202110784940.4A
Other languages
English (en)
Inventor
李世武
刘津莱
郭梦竹
付明昊
李明阳
孙雅幸
孙宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202110784940.4A priority Critical patent/CN113487197A/zh
Publication of CN113487197A publication Critical patent/CN113487197A/zh
Pending legal-status Critical Current

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于TOPSIS评价模型的车联网信息筛选方法，属于汽车智能交互技术领域，所述方法通过获取车辆驾驶数据并构建车载网联终端实时获取车联网信息，在不同驾驶场景下考虑不同车联网信息内容及提示方式对驾驶人进行提示，通过差异性检验、相关性分析确定评价指标，并建立基于层次分析法和熵权法的TOPSIS评价模型，对该场景下车联网信息提示方案进行评价，确定最优车联网信息提示方案，为智能网联环境下信息提示提供借鉴。

Description

一种基于TOPSIS评价模型的车联网信息筛选方法
技术领域
本发明属于汽车智能交互技术领域，具体地，涉及一种基于TOPSIS评价模型的车联网信息筛选方法。
背景技术
道路交通系统正呈现智能化、网联化和协同化的车路协同发展趋势。但技术革命无法短期内完成，在实现全部网联自动驾驶之前，短期内必然会经历人工驾驶车辆、自动驾驶车辆、网联人工驾驶车辆以及网联自动驾驶车辆的混行环境。
驾驶人作为人-车-路-环境四个因素组成的道路交通系统中的重要组成因素，对交通安全起到关键的作用。在智能网联背景下，将周边车辆信息、道路信息等交通信息及时传输给驾驶人，并提供有效警示信息，对提高道路安全、通行效率具有重要的意义。
目前，邵毅明等提出了“基于熵权TOPSIS法的短时交通流预测模型性能综合评价”，详见重庆理工大学学报(自然科学)，2020年7月，第34卷，第7期，对5种不同交通流预测模型进行评价；上述方法将熵权TOPSIS法应用到不同短时交通流预测模型的评价上，但上述方法通过熵权法客观赋权法确定各指标权重，未考虑主客观相结合的赋权法，同时上述方法只能实现不同交通流预测模型进行评价，而不能对车联网信息内容及提示方式进行评价。
在传统车载系统与驾驶人交互过程中，大多通过车载中控屏进行视觉信息提示，然而驾驶人视觉的转移会与驾驶主任务相竞争，驾驶人视觉通道过载，导致驾驶绩效下降。同时，向驾驶人提供过多的信息会增加驾驶人的脑力负荷，干扰正常驾驶。
因此，研究不同驾驶场景下，不同车联网信息及不同提示方式对驾驶行为的影响至关重要。
发明内容
本发明的目的是针对现有技术中存在的技术问题，而提出了一种基于TOPSIS评价模型的车联网信息筛选方法，用以解决现有技术中无法对不同驾驶场景下的网联人工车辆驾驶人选取最优的车联网信息提示方案的问题。
为实现上述目的，本发明采用如下技术方案：一种基于TOPSIS评价模型的车联网信息筛选方法，其特征在于，所述方法包括以下步骤，且以下步骤顺次进行：
步骤1：采集并记录行车过程中车辆驾驶数据；
步骤2：在目标车辆与周围车辆多个物联网设备之间通过服务器建立集群并通讯连接，构建车载网联终端，实时获取车联网信息；
步骤3：根据所述的车联网信息，确定目标车辆的当前驾驶场景；
步骤4：根据所述驾驶场景向目标车辆发出车联网信息提示；
步骤5：建立基于层次分析法和熵权法的TOPSIS评价模型，不同驾驶场景下选取表征驾驶人驾驶行为的评价指标，对特定驾驶场景下车联网信息提示方案进行评价，确定最优车联网信息提示方案；
具体确定最优车联网信息提示方案的过程如下：
步骤5.1：基于不同驾驶场景，初步选取表征驾驶人在特定驾驶场景下的驾驶行为评价指标；
步骤5.2：对初步选取的评价指标进行差异性检验，筛选得到差异性显著的评价指标；
步骤5.3：对所述差异性显著的评价指标进行相关性分析，根据相关性强弱，确定最能体现评价结果的评价指标；
步骤5.4：采用层次分析法确定各个评价指标的主观权重；
步骤5.5：采用熵权法确定各个评价指标的客观权重；
步骤5.6：根据主观权重和客观权重，得到评价指标的综合权重；
步骤5.7：建立TOPSIS评价模型，根据TOPSIS评价模型结果，确定最优车联网信息提示方案。
进一步，步骤2中所述车联网信息包括驾驶人信息、车辆信息、道路信息和环境信息；所述驾驶人信息包括驾龄、性别、驾驶里程、驾驶风格和驾驶意图；所述驾驶意图包括加速意图、制动意图和转向意图；所述车辆信息包括车辆的位置、行驶方向、速度、加速度、发动机转速、方向盘转角、制动踏板位置、横向加速度和车灯状态；所述道路信息包括道路类型、道路事故、道路施工、湿滑路面、道路景观和交通标识；所述环境信息包括恶劣天气、交通信号、目标车辆距离前车跟车距离、目标车辆相邻车道的车辆间距、交通流密度和非机动车占比；所述恶劣天气包括大雾天气和雨雪天气。
进一步，步骤3中的驾驶场景包括跟驰场景、换道场景、超车场景和交叉口场景；所述跟驰场景包括前车紧急制动、前车急加速、相邻车道车辆切入目标车辆前方、隧道内跟驰和前方拥堵；所述换道场景包括前车紧急制动换道、避让施工路段换道、避让障碍物换道、前车向左换道、前车调头换道和前方车道数减少换道；所述超车场景包括前车低速行驶超车、超车过程中前车换道、超车过程中前车加速、超车过程中目标车道前车减速；所述交叉口场景包括交叉口左转弯、交叉口右转弯、交叉口直行、行人冲突、非机动车冲突、盲区检测避让和信号灯配时。
进一步，步骤5.1中驾驶行为评价指标由驾驶行为指标、反应能力指标和主观评估指标组成；所述驾驶行为指标包括车速、相对速度标准差、纵向加速度、横向加速度、制动踏板深度、方向盘转角、跟车距离、制动距离和车道偏离值；所述反应能力指标包括反应时间；所述主观评估指标包括主观工作负荷。
进一步，所述步骤5.2的差异性检验采用单因素方差分析和非参数检验方法两种方式，若各组评价指标数据均满足样本独立随机、服从正态分布、方差齐性，则采用单因素方差分析；否则采用非参数检验方法；P＞0.05时，表示差异性不显著；0.01<P<0.05时，表示差异性显著；P<0.01时，表示差异性极显著。
进一步，所述步骤5.3中的相关性分析采用Spearman相关系数进行分析，各评价指标相关系数绝对值越大，相关性越强；相关系数绝对值越小，相关性越弱。
进一步，所述步骤5.4中采用层次分析法确定各个评价指标的主观权重的过程如下：
构建判断矩阵A，选用比例标度表，对同一层次的各评价指标，以上层的评价指标为准则进行两两比较，构建两两比较判断矩阵
Figure BDA0003158330390000031
其中
Figure BDA0003158330390000041
表示评价指标j*与评价指标j的重要性之比；n表示判断矩阵阶数，即评价指标的个数；
对判断矩阵A进行一致性检验，一致性指标CI、随机一致性指标RI和一致性比例CR的计算公式为：
Figure BDA0003158330390000042
Figure BDA0003158330390000043
Figure BDA0003158330390000044
其中：λmax是判断矩阵A的最大特征值；n是判断矩阵阶数，即评价指标的个数；RI可通过下表获得，如果CR<0.1，则判断矩阵A通过一致性检验，说明权重系数符合要求，否则需要调整判断矩阵A重新计算；
矩阵阶数 1 2 3 4 5 6 7 8 9 10
RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49
将判断矩阵A的n个列向量的归一化后的算术平均值近似作为权重向量，得到各个评价指标的主观权重，ωj表示第j评价指标的主观权重：
Figure BDA0003158330390000045
其中：
Figure BDA0003158330390000046
为判断矩阵A的第j列元素之和,j＝1,2,3,…,n。
进一步，步骤5.5中采用熵权法确定各个评价指标的客观权重的过程如下：
设有m个车联网信息提示方案，n个评价指标，构成原始矩阵R＝(rij)m×n，rij为第i个车联网信息提示方案的第j项评价指标的测量值，其中i＝1,2,3,...,m；j＝1,2,3,...,n；将原始矩阵R进行归一化处理，得到归一化后的指标数值yij：
rij为正向指标时：
Figure BDA0003158330390000051
rij为负向指标时：
Figure BDA0003158330390000052
其中：rimax、rimin分别为同一个车联网信息提示方案在不同评价指标下的最大值和最小值；
计算第j项评价指标下，第i个联网信息提示方案的特征比重：
Figure BDA0003158330390000053
计算第j项评价指标的熵值：
Figure BDA0003158330390000054
其中：
Figure BDA0003158330390000055
当fij＝0时，令fijlnfij＝0；
根据熵值Hj确定第j项评价指标的客观权重θj：
Figure BDA0003158330390000061
其中：
Figure BDA0003158330390000062
为所有熵值总和，j＝1,2,3,...,n。
进一步，步骤5.6中的评价指标的综合权重的计算过程如下，
Figure BDA0003158330390000063
其中：γj为综合权重，
Figure BDA0003158330390000064
θj为第j项评价指标的客观权重,ωj为第j项评价指标的主观权重,j＝1,2,3,...,n；
由综合权重γj构成综合权重矩阵γ。
进一步，步骤5.7中所述建立TOPSIS评价模型，根据TOPSIS评价模型结果，确定最优车联网信息提示方案的过程如下：
建立TOPSIS评价模型：
对原始矩阵R进行无量纲化处理，得到标准化矩阵U：
Figure BDA0003158330390000065
其中：rij为第i个车联网信息提示方案的第j项评价指标的测量值；
对各评价指标赋权，将标准化矩阵乘以综合权重矩阵，得到加权标准化矩阵V：
V＝U×γ；
其中：γ为综合权重矩阵；
计算第j个评价指标Cj的正理想解
Figure BDA0003158330390000071
和负理想解
Figure BDA0003158330390000072
确定各个车联网信息提示方案与正、负理想解的距离
Figure BDA0003158330390000073
Figure BDA0003158330390000074
Figure BDA0003158330390000075
其中：vij为第i个车联网信息提示方案的第j项评价指标的加权标准化值；
确定各车联网信息提示方案与最优解的相近度
Figure BDA0003158330390000076
Figure BDA0003158330390000077
Figure BDA0003158330390000078
越大，说明方案越接近理想解，即方案最优；反之，方案最差；当
Figure BDA0003158330390000079
取最大值时，则对应第i个车联网信息提示方案最优。
通过上述设计方案，本发明可以带来如下有益效果：本发明提出了一种基于TOPSIS评价模型的车联网信息筛选方法，解决了现有技术中未充分考虑不同驾驶场景下车联网信息提示与驾驶人脑力负荷的关系的问题，提出的车联网信息筛选方法对不同车联网信息及提示方式下驾驶行为进行评价，并提供最优车联网信息提示方案，为智能网联环境下信息提示提供借鉴。
附图说明
此处的附图说明用来提供对本发明的进一步理解，构成本发明申请的一部分，本发明示意性实施例及其说明用于理解本发明，并不构成本发明的不当限定，在附图中：
图1为本发明基于TOPSIS评价模型的车联网信息筛选方法的流程示意图。
图2为本发明基于TOPSIS评价模型的车联网信息筛选方法中建立TOPSIS评价模型的流程图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面结合本发明的实施例中的附图，对本发明中的技术方案进行清楚完整地描述。显然，本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质，公知的方法、过程和流程并没有详细叙述。
如图1和图2所示，一种基于TOPSIS评价模型的车联网信息筛选方法，包括以下步骤，且以下步骤顺次进行：
步骤1：通过车辆数据采集平台，实时采集行车过程中的驾驶数据并记录；
所述驾驶数据包括但不限于车速、发动机转速、节气门开度、纵向加速度、横向加速度、制动踏板位置、方向盘转角、车灯状态和车道偏离值等。
步骤2：在目标车辆与周围车辆多个物联网设备之间通过服务器建立集群并通讯连接，构建车载网联终端，实时获取车联网信息；
所述车联网信息包括驾驶人信息、车辆信息、道路信息和环境信息；所述驾驶人信息包括驾龄、性别、驾驶里程、驾驶风格和驾驶意图；进一步，所述驾驶风格分为激进型、正常型和保守型三种，三种驾驶风格分类属于现有技术，此处不再详细赘述；所述驾驶意图包括加速意图、制动意图和转向意图；所述车辆信息包括车辆的位置、行驶方向、速度、加速度、发动机转速、方向盘转角、制动踏板位置、横向加速度和车灯状态；所述道路信息包括道路类型、道路事故、道路施工、湿滑路面、道路景观和交通标识；所述环境信息包括恶劣天气、交通信号、目标车辆距离前车跟车距离、目标车辆相邻车道的车辆间距、交通流密度和非机动车占比；所述恶劣天气包括大雾天气和雨雪天气。
步骤3：根据所述的车联网信息，确定目标车辆的当前驾驶场景；
所述驾驶场景包括跟驰场景、换道场景、超车场景和交叉口场景；所述跟驰场景包括前车紧急制动、前车急加速、相邻车道车辆切入目标车辆前方、隧道内跟驰和前方拥堵；所述换道场景包括前车紧急制动换道、避让施工路段换道、避让障碍物换道、前车向左换道、前车调头换道和前方车道数减少换道；所述超车场景包括前车低速行驶超车、超车过程中前车换道、超车过程中前车加速、超车过程中目标车道前车减速；所述交叉口场景包括交叉口左转弯、交叉口右转弯、交叉口直行、行人冲突、非机动车冲突、盲区检测避让和信号灯配时。
步骤4：根据所述驾驶场景向目标车辆发出车联网信息提示；
车联网信息根据目标车辆当前驾驶场景的实时风险程度，通过车载网联终端进行不同种类信息提示；
所述实时风险程度由驾驶状态是否存在风险和需要响应的紧急程度确定；所述不同种类信息通过实时风险程度和当前驾驶场景，并结合车联网信息确定驾驶人在具体场景下最关注的某条或某几条信息；所述信息提示方式包括听觉信息提示、视觉信息提示和视听结合信息提示，如：
实施例一：目标车辆跟随前车行驶，当前车紧急制动时，车联网信息“前车急刹车”会实时提示给驾驶人。
实施例二：目标车辆行驶车道前方有障碍物，因前车视线遮挡无法判断前方路况时，车联网信息“前方200米处有障碍物，请注意避让”会实时提示给驾驶人。
实施例三：目标车辆驾驶人有超车意图，因前车视线遮挡无法观测到本车道前方拥堵路况时，车联网信息“本车道前方拥堵”会实时提示给驾驶人。
实施例四：目标车辆驾驶人通过交叉口直行时，右侧行人突然冲出，车联网信息“右方有行人冲突，紧急避让”会实时提示给驾驶人；
具体上述信息提示方式属于现有技术，此处不再详细说明实现过程。
步骤5：建立基于层次分析法和熵权法的TOPSIS评价模型，不同驾驶场景下选取表征驾驶人驾驶行为的评价指标，对特定驾驶场景下车联网信息提示方案进行评价，确定最优车联网信息提示方案；
具体过程如下：
步骤5.1：基于不同驾驶场景，初步选取表征驾驶人在特定驾驶场景下的驾驶行为评价指标；所述驾驶行为评价指标由驾驶行为指标、反应能力指标和主观评估指标组成；所述驾驶行为指标包括车速、相对速度标准差、纵向加速度、横向加速度、制动踏板深度、方向盘转角、跟车距离、制动距离和车道偏离值；所述反应能力指标包括反应时间；所述主观评估指标包括主观工作负荷；所述主观工作负荷从驾驶人主观感知层面评估驾驶过程，用NASA-TLX评价量表从脑力需求、体力需求、时间需求、绩效水平、努力程度和挫折感共六个维度进行评估试验人员正在进行或者刚刚完成某项任务的任务负荷，进而量化试验人员的主观工作负荷。
步骤5.2：对所述初步选取的驾驶行为评价指标进行差异性检验，进一步筛选得到差异性显著的评价指标；驾驶人在不同车联网信息及不同提示方式下的驾驶行为指标、反应能力指标、主观评估指标数据可能会产生显著性差异，根据数据特征对各指标数据进行差异性分析。本发明采用单因素方差分析和非参数检验方法。若各组评价指标数据均满足样本独立随机、服从正态分布、方差齐性，则采用单因素方差分析；否则采用非参数检验方法。首先采用Shapiro-Wilk正态分布检验对各组数据进行正态性检验，然后采用Levene方法检验方差齐性。若满足上述三个条件，采用单因素方差分析进行差异性检验；否则，采用Kruskal-Wallis秩和检验进行非参数检验，P＞0.05时，表示差异性不显著；0.01<P<0.05时，表示差异性显著；P<0.01时，表示差异性极显著。
步骤5.3：对所述差异性显著的评价指标进行相关性分析，确定最能体现评价结果的评价指标；根据相关系数公式计算不同指标之间的相关性。通过Spearman相关系数分析，Spearman相关系数即斯皮尔曼等级相关系数，各评价指标相关系数绝对值越大，相关性越强；相关系数绝对值越小，相关性越弱。根据相关系数分析结果，保留关键指标，减少计算量。
步骤5.4：采用层次分析法确定各个评价指标的主观权重；
构建判断矩阵A，选用比例标度表，对同一层次的各评价指标，以上层的评价指标为准则进行两两比较，构建两两比较判断矩阵
Figure BDA0003158330390000111
其中
Figure BDA0003158330390000112
表示评价指标j*与评价指标j的重要性之比；n表示判断矩阵阶数，即评价指标的个数；
Figure BDA0003158330390000113
对判断矩阵A进行一致性检验，一致性指标CI、随机一致性指标RI和一致性比例CR的计算公式为：
Figure BDA0003158330390000114
Figure BDA0003158330390000115
Figure BDA0003158330390000116
其中：λmax是判断矩阵A的最大特征值；n是判断矩阵阶数，即评价指标的个数；RI可通过下表获得。如果CR<0.1，则认为该判断矩阵A通过一致性检验，说明权重系数符合要求，否则就不具有满意一致性，需要调整判断矩阵A重新计算。
矩阵阶数 1 2 3 4 5 6 7 8 9 10
RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49
将判断矩阵A的n个列向量的归一化后的算术平均值近似作为权重向量，得到各个评价指标的主观权重，ωj表示第j评价指标的主观权重：
Figure BDA0003158330390000121
其中：
Figure BDA0003158330390000122
为判断矩阵A的第j列元素之和，j＝1,2,3,...,n。
步骤5.5：采用熵权法确定各个评价指标的客观权重；
熵权法是一种客观赋权法，根据各项指标原始数据提供的信息量的大小确定指标权重；
设有m个车联网信息提示方案，n个评价指标，构成原始矩阵R＝(rij)m×n，rij为第i个车联网信息提示方案的第j项评价指标的测量值，其中i＝1,2,3,…,m；j＝1,2,3,…,n；将原始矩阵R进行归一化处理，得到归一化后的指标数值yij：
rij为正向指标时：
Figure BDA0003158330390000123
rij为负向指标时：
Figure BDA0003158330390000131
其中：rimax、rimin分别为同一个车联网信息提示方案在不同评价指标下的最大值和最小值；
计算第j项评价指标下，第i个联网信息提示方案的特征比重：
Figure BDA0003158330390000132
计算第j项评价指标的熵值：
Figure BDA0003158330390000133
其中：
Figure BDA0003158330390000134
当fij＝0时，令fijlnfij＝0；
根据熵值Hj确定第j项评价指标的客观权重θj：
Figure BDA0003158330390000135
其中：
Figure BDA0003158330390000136
为所有熵值总和，j＝1,2,3,…,n。
步骤5.6：计算得到评价指标的综合权重；
基于主观权重和客观权重计算得各评价指标的综合权重：
Figure BDA0003158330390000141
其中：γj为综合权重，
Figure BDA0003158330390000142
θj为第j项评价指标的客观权重,ωj为第j项评价指标的主观权重,j＝1,2,3,…,n；
由综合权重γj构成综合权重矩阵γ；
步骤5.7：建立TOPSIS评价模型；
为消除评价指标不同量纲对方案带来的影响，对原始矩阵R进行无量纲化处理，得到标准化矩阵U：
Figure BDA0003158330390000143
其中：rij为第i个车联网信息提示方案的第j项评价指标的测量值；
对各评价指标赋权，将标准化矩阵乘以综合权重矩阵，得到加权标准化矩阵V：
V＝U×γ
其中：γ为综合权重矩阵；
计算第j个评价指标Cj的正理想解
Figure BDA0003158330390000144
和负理想解
Figure BDA0003158330390000145
若评价指标Cj为越大越优型指标：
Figure BDA0003158330390000151
若评价指标Cj为越小越优型指标：
Figure BDA0003158330390000152
其中：vij为第i个车联网信息提示方案的第j项评价指标的加权标准化值，i＝1,2,3,…,m；j＝1,2,3,…,n；
确定各方案与正负理想解的距离
Figure BDA0003158330390000153
Figure BDA0003158330390000154
Figure BDA0003158330390000155
确定各评价方案与最优解的相近度
Figure BDA0003158330390000156
Figure BDA0003158330390000157
步骤5.8：根据TOPSIS评价模型结果，确定最优车联网信息提示方案；
Figure BDA0003158330390000158
越大，说明方案越接近理想解，即方案最优；反之，方案最差；当
Figure BDA0003158330390000159
取最大值时，则对应第i个车联网信息提示方案最优，即驾驶人对车联网信息提示的反应效果最好，驾驶绩效最优。
本发明提出了一种基于TOPSIS评价模型的车联网信息筛选方法，通过获取车辆驾驶数据并构建车载网联终端实时获取车联网信息，在不同驾驶场景下考虑不同车联网信息内容及提示方式对驾驶人进行提示，通过差异性检验、相关性分析确定评价指标，并建立基于层次分析法和熵权法的TOPSIS评价模型，对该场景下车联网信息提示方案进行评价，确定最优车联网信息提示方案，为智能网联环境下信息提示提供借鉴。
以上所述，仅为本发明方法的实施实例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于TOPSIS评价模型的车联网信息筛选方法，其特征在于，所述方法包括以下步骤，且以下步骤顺次进行：
步骤1：采集并记录行车过程中车辆驾驶数据；
步骤2：在目标车辆与周围车辆多个物联网设备之间通过服务器建立集群并通讯连接，构建车载网联终端，实时获取车联网信息；
步骤3：根据所述的车联网信息，确定目标车辆的当前驾驶场景；
步骤4：根据所述驾驶场景向目标车辆发出车联网信息提示；
步骤5：建立基于层次分析法和熵权法的TOPSIS评价模型，不同驾驶场景下选取表征驾驶人驾驶行为的评价指标，对特定驾驶场景下车联网信息提示方案进行评价，确定最优车联网信息提示方案；
具体确定最优车联网信息提示方案的过程如下：
步骤5.1：基于不同驾驶场景，初步选取表征驾驶人在特定驾驶场景下的驾驶行为评价指标；
步骤5.2：对初步选取的评价指标进行差异性检验，筛选得到差异性显著的评价指标；
步骤5.3：对所述差异性显著的评价指标进行相关性分析，根据相关性强弱，确定最能体现评价结果的评价指标；
步骤5.4：采用层次分析法确定各个评价指标的主观权重；
步骤5.5：采用熵权法确定各个评价指标的客观权重；
步骤5.6：根据主观权重和客观权重，得到评价指标的综合权重；
步骤5.7：建立TOPSIS评价模型，根据TOPSIS评价模型结果，确定最优车联网信息提示方案。
2.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：步骤2中所述车联网信息包括驾驶人信息、车辆信息、道路信息和环境信息；所述驾驶人信息包括驾龄、性别、驾驶里程、驾驶风格和驾驶意图；所述驾驶意图包括加速意图、制动意图和转向意图；所述车辆信息包括车辆的位置、行驶方向、速度、加速度、发动机转速、方向盘转角、制动踏板位置、横向加速度和车灯状态；所述道路信息包括道路类型、道路事故、道路施工、湿滑路面、道路景观和交通标识；所述环境信息包括恶劣天气、交通信号、目标车辆距离前车跟车距离、目标车辆相邻车道的车辆间距、交通流密度和非机动车占比；所述恶劣天气包括大雾天气和雨雪天气。
3.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：步骤3中的驾驶场景包括跟驰场景、换道场景、超车场景和交叉口场景；所述跟驰场景包括前车紧急制动、前车急加速、相邻车道车辆切入目标车辆前方、隧道内跟驰和前方拥堵；所述换道场景包括前车紧急制动换道、避让施工路段换道、避让障碍物换道、前车向左换道、前车调头换道和前方车道数减少换道；所述超车场景包括前车低速行驶超车、超车过程中前车换道、超车过程中前车加速、超车过程中目标车道前车减速；所述交叉口场景包括交叉口左转弯、交叉口右转弯、交叉口直行、行人冲突、非机动车冲突、盲区检测避让和信号灯配时。
4.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：步骤5.1中驾驶行为评价指标由驾驶行为指标、反应能力指标和主观评估指标组成；所述驾驶行为指标包括车速、相对速度标准差、纵向加速度、横向加速度、制动踏板深度、方向盘转角、跟车距离、制动距离和车道偏离值；所述反应能力指标包括反应时间；所述主观评估指标包括主观工作负荷。
5.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：所述步骤5.2的差异性检验采用单因素方差分析和非参数检验方法两种方式，若各组评价指标数据均满足样本独立随机、服从正态分布、方差齐性，则采用单因素方差分析；否则采用非参数检验方法；P＞0.05时，表示差异性不显著；0.01<P<0.05时，表示差异性显著；P<0.01时，表示差异性极显著。
6.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：所述步骤5.3中的相关性分析采用Spearman相关系数进行分析，各评价指标相关系数绝对值越大，相关性越强；相关系数绝对值越小，相关性越弱。
7.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：所述步骤5.4中采用层次分析法确定各个评价指标的主观权重的过程如下：
构建判断矩阵A，选用比例标度表，对同一层次的各评价指标，以上层的评价指标为准则进行两两比较，构建两两比较判断矩阵
Figure FDA0003158330380000034
其中
Figure FDA0003158330380000035
表示评价指标j*与评价指标j的重要性之比；n表示判断矩阵阶数，即评价指标的个数；
对判断矩阵A进行一致性检验，一致性指标CI、随机一致性指标RI和一致性比例CR的计算公式为：
Figure FDA0003158330380000031
Figure FDA0003158330380000032
Figure FDA0003158330380000033
其中：λmax是判断矩阵A的最大特征值；n是判断矩阵阶数，即评价指标的个数；RI可通过下表获得，如果CR<0.1，则判断矩阵A通过一致性检验，说明权重系数符合要求，否则需要调整判断矩阵A重新计算；
矩阵阶数 1 2 3 4 5 6 7 8 9 10 RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49
将判断矩阵A的n个列向量的归一化后的算术平均值近似作为权重向量，得到各个评价指标的主观权重，ωj表示第j评价指标的主观权重：
Figure FDA0003158330380000041
其中：
Figure FDA0003158330380000042
为判断矩阵A的第j列元素之和,j＝1,2,3,…,n。
8.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：步骤5.5中采用熵权法确定各个评价指标的客观权重的过程如下：
设有m个车联网信息提示方案，n个评价指标，构成原始矩阵R＝(rij)m×n，rij为第i个车联网信息提示方案的第j项评价指标的测量值，其中i＝1,2,3,…,m；j＝1,2,3,…,n；将原始矩阵R进行归一化处理，得到归一化后的指标数值yij：
rij为正向指标时：
Figure FDA0003158330380000043
rij为负向指标时：
Figure FDA0003158330380000044
其中：rimax、rimin分别为同一个车联网信息提示方案在不同评价指标下的最大值和最小值；
计算第j项评价指标下，第i个联网信息提示方案的特征比重：
Figure FDA0003158330380000051
计算第j项评价指标的熵值：
Figure FDA0003158330380000052
其中：
Figure FDA0003158330380000053
当fij＝0时，令fijlnfij＝0；
根据熵值Hj确定第j项评价指标的客观权重θj：
Figure FDA0003158330380000054
其中：
Figure FDA0003158330380000055
为所有熵值总和，j＝1,2,3,…,n。
9.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：步骤5.6中的评价指标的综合权重的计算过程如下，
Figure FDA0003158330380000056
其中：γj为综合权重，
Figure FDA0003158330380000057
θj为第j项评价指标的客观权重,ωj为第j项评价指标的主观权重,j＝1,2,3,…,n；
由综合权重γj构成综合权重矩阵γ。
10.根据权利要求1所述的基于TOPSIS评价模型的车联网信息筛选方法，其特征在于：步骤5.7中所述建立TOPSIS评价模型，根据TOPSIS评价模型结果，确定最优车联网信息提示方案的过程如下：
建立TOPSIS评价模型：
对原始矩阵R进行无量纲化处理，得到标准化矩阵U：
Figure FDA0003158330380000061
其中：rij为第i个车联网信息提示方案的第j项评价指标的测量值；
对各评价指标赋权，将标准化矩阵乘以综合权重矩阵，得到加权标准化矩阵V：
V＝U×γ；
其中：γ为综合权重矩阵；
计算第j个评价指标Cj的正理想解
Figure FDA0003158330380000062
和负理想解
Figure FDA0003158330380000063
确定各个车联网信息提示方案与正、负理想解的距离
Figure FDA0003158330380000064
Figure FDA0003158330380000065
Figure FDA0003158330380000066
其中：vij为第i个车联网信息提示方案的第j项评价指标的加权标准化值；
确定各车联网信息提示方案与最优解的相近度
Figure FDA0003158330380000071
Figure FDA0003158330380000072
Figure FDA0003158330380000073
越大，说明方案越接近理想解，即方案最优；反之，方案最差；当
Figure FDA0003158330380000074
取最大值时，则对应第i个车联网信息提示方案最优。
CN202110784940.4A 2021-07-12 2021-07-12 一种基于topsis评价模型的车联网信息筛选方法 Pending CN113487197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110784940.4A CN113487197A (zh) 2021-07-12 2021-07-12 一种基于topsis评价模型的车联网信息筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110784940.4A CN113487197A (zh) 2021-07-12 2021-07-12 一种基于topsis评价模型的车联网信息筛选方法

Publications (1)

Publication Number Publication Date
CN113487197A true CN113487197A (zh) 2021-10-08

Family

ID=77938716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110784940.4A Pending CN113487197A (zh) 2021-07-12 2021-07-12 一种基于topsis评价模型的车联网信息筛选方法

Country Status (1)

Country Link
CN (1) CN113487197A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113867536A (zh) * 2021-10-12 2021-12-31 浙江数智交院科技股份有限公司 交互方式确定方法、数据采集方法、装置及电子设备
CN116092296B (zh) * 2023-03-06 2023-08-18 交通运输部科学研究院 交通状态评估方法、装置、电子设备及存储介质
CN117475640A (zh) * 2023-12-26 2024-01-30 中国市政工程华北设计研究总院有限公司 一种基于雷视融合探测的信号交叉口运行评价方法
CN117978679A (zh) * 2024-04-01 2024-05-03 北京大学 异质物联网熵权确定方法、装置及电子设备
CN117978679B (zh) * 2024-04-01 2024-06-04 北京大学 异质物联网熵权确定方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403562A (zh) * 2016-05-20 2017-11-28 宇龙计算机通信科技(深圳)有限公司 车辆驾驶提示方法、车辆驾驶提示装置和终端
CN109377117A (zh) * 2018-12-21 2019-02-22 中国水利水电科学研究院 一种基于改进topsis法的应急预案评价方法
CN109858765A (zh) * 2018-12-29 2019-06-07 国网天津市电力公司电力科学研究院 基于topsis法的ev充电机综合评价方法及装置
CN112541632A (zh) * 2020-12-15 2021-03-23 江苏大学 一种基于多属性决策的驾驶行为安全性评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403562A (zh) * 2016-05-20 2017-11-28 宇龙计算机通信科技(深圳)有限公司 车辆驾驶提示方法、车辆驾驶提示装置和终端
CN109377117A (zh) * 2018-12-21 2019-02-22 中国水利水电科学研究院 一种基于改进topsis法的应急预案评价方法
CN109858765A (zh) * 2018-12-29 2019-06-07 国网天津市电力公司电力科学研究院 基于topsis法的ev充电机综合评价方法及装置
CN112541632A (zh) * 2020-12-15 2021-03-23 江苏大学 一种基于多属性决策的驾驶行为安全性评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐海琴: "基于车车通信的联网车辆跟驰行为交通适应性研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113867536A (zh) * 2021-10-12 2021-12-31 浙江数智交院科技股份有限公司 交互方式确定方法、数据采集方法、装置及电子设备
CN116092296B (zh) * 2023-03-06 2023-08-18 交通运输部科学研究院 交通状态评估方法、装置、电子设备及存储介质
CN117475640A (zh) * 2023-12-26 2024-01-30 中国市政工程华北设计研究总院有限公司 一种基于雷视融合探测的信号交叉口运行评价方法
CN117475640B (zh) * 2023-12-26 2024-03-15 中国市政工程华北设计研究总院有限公司 一种基于雷视融合探测的信号交叉口运行评价方法
CN117978679A (zh) * 2024-04-01 2024-05-03 北京大学 异质物联网熵权确定方法、装置及电子设备
CN117978679B (zh) * 2024-04-01 2024-06-04 北京大学 异质物联网熵权确定方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN113487197A (zh) 一种基于topsis评价模型的车联网信息筛选方法
CN112201038B (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
CN111238825B (zh) 面向组合试验路面的智能驾驶自动紧急制动性能测试方法
CN106651210B (zh) 基于can数据的驾驶人综合素质评价方法
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN109767651B (zh) 一种v2x环境下弯道区域无缝通信方法
CN110288825B (zh) 基于多源数据融合和snmf的交通控制子区聚类划分方法
CN111785023A (zh) 一种车辆碰撞风险预警方法及系统
CN110660270B (zh) 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法
CN112382098B (zh) 交通拥堵检测方法、装置、电子设备及存储介质
CN112258830B (zh) 车辆编队行驶的可靠性评估方法及其应用
CN110239556B (zh) 一种驾驶员即时操控能力感知方法
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN111401414A (zh) 一种基于自然驾驶数据的危险场景提取及分类方法
CN114030485A (zh) 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法
CN113535816A (zh) 一种智能网联云控车辆的行车性能评价方法及系统
CN117216666A (zh) 一种基于计算机大数据的交通事故预估方法及系统
Pu et al. Evaluating the interference of bicycle traffic on vehicle operation on urban streets with bike lanes
CN113657767A (zh) 一种基于交通数据和模糊算法的城市主干道下穿隧道风险评估方法
CN115123258B (zh) 一种车辆路面附着系数确定方法及系统
CN116740940A (zh) 恶劣天气高影响路段风险预测和安全管理方法、装置和设备
CN116975671A (zh) L3级自动驾驶车辆驾驶员信任度评估方法及系统
CN115063976B (zh) 基于多通道卷积神经网络的车辆冲突风险评估与预测方法
CN110610611B (zh) 面向混行交通流中智能网联车辆的行车安全性评价方法
US11270525B2 (en) Automated vehicle occupancy detection

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211008

RJ01 Rejection of invention patent application after publication