CN114067557B - 一种驾驶信用测定方法、系统、信息数据处理终端 - Google Patents

一种驾驶信用测定方法、系统、信息数据处理终端 Download PDF

Info

Publication number
CN114067557B
CN114067557B CN202110963965.0A CN202110963965A CN114067557B CN 114067557 B CN114067557 B CN 114067557B CN 202110963965 A CN202110963965 A CN 202110963965A CN 114067557 B CN114067557 B CN 114067557B
Authority
CN
China
Prior art keywords
vehicle
data
credit
driving
evaluation
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
Application number
CN202110963965.0A
Other languages
English (en)
Other versions
CN114067557A (zh
Inventor
刘海青
辛超阳
葛校君
李敏
秦媚
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202110963965.0A priority Critical patent/CN114067557B/zh
Publication of CN114067557A publication Critical patent/CN114067557A/zh
Application granted granted Critical
Publication of CN114067557B publication Critical patent/CN114067557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Abstract

本发明属于驾驶评价技术领域，公开了一种驾驶信用测定方法、系统、信息数据处理终端，所述驾驶信用测定系统，包括数据采集模块、数据分析及评价模块、数据管理与展示模块；其中，数据分析及评价模块，还包括车辆目标跟踪识别子模块、驾驶行为信用评价子模块、车辆违章行为评价子模块和车辆综合信用评价子模块。本发明利用车联网多元传感技术对车辆周围环境与驾驶员驾驶行为进行采集和数据融合，并考虑车辆的违法违章信息，提出了一种面向驾驶全过程的信用评价机制，弥补传统评价方式存在的不足。同时，本发明为驾驶行为评价提供了一种客观、准确的方法，对规范驾驶员驾驶行为、推动交通信用体系建设、提升交通管理效率和智能化水平具有重要意义。

Description

一种驾驶信用测定方法、系统、信息数据处理终端
技术领域
本发明属于驾驶评价技术领域，尤其涉及一种驾驶信用测定方法、系统、信息数据处理终端。
背景技术
近年来，我国机动车保有量和机动车驾驶人逐年增加，如何有效监督驾驶规范、保障交通运行效率和居民出行安全，已成为交通管理的重点问题之一。随着科技的不断发展，各地的交通管理部门依靠科技为支撑，推进交通管理软硬件系统建设。通过在路段特定位置布设违法违章抓拍设备，如、卡口、测速雷达等，可以实现局部范围车辆违停、变道、超速、占道行驶、闯红灯等事件进行自动检测，并为驾驶员驾驶行为管控提供执法依据。
如上所述，传统的驾驶评价方法属于基于违法违章的惩罚模式，仅能对安装有检测设备的特定路段区域进行管理，无法实现道路网络的全局覆盖。驾驶员在安装有抓拍设备的特定地点发生违章违法行为时，才能被赋予相应的考核惩罚。而在缺少抓拍设备的区域中，驾驶员存在的所有不文明驾驶行为均不能作为评价依据。这显然会导致驾驶行为评价不全面、不客观，进而对交通管控的约束性不足。
相关专利检索分析如下：
专利1：车辆驾驶行为的评分方法及系统CN201810240898.8
本发明用科学的算法评价车辆驾驶人的驾驶行为，为“互联网+”出租车的发展，奠定技术基础：本发明设置了一般数据采集节点段τ和特殊时间节点段τ1的数据采集和评价，使评价方法更合理，利用数据中ξ，ξ为节点段τ与τ1的比值的概率权重，使得整个数据得到综合的利用，使评价的结果更准确。
该发明专利设置一般数据采集节点段和特殊时间节点段的数据采集和评价，只针对单一数据类型进行评价，不能全面评价驾驶情况。本发明的专利基于多元数据融合进行评价，包括驾驶员驾驶行为与车辆周围环境数据，评价更加全面。该发明专利采用定量分析方法，而我们采用定量与定性相结合的方式。本发明的专利从多方面考虑驾驶行为因素，实现路段全方面覆盖，不受道路是否存在监控设备的限制。
专利2：一种基于驾驶行为的授信额度评价方法及装置CN201811165478.4
本发明实施例公开了一种基于驾驶行为的授信额度评价方法及装置。其中一种基于驾驶行为的授信额度评价方法，包括：根据用户的第一信息确定第一授信分数，所述第一授信分数用于评价所述用户的个人消费贷授信额度；根据所述用户的第二信息确定第二授信分数，所述第二授信分数用于评价所述用户的驾驶信用度；根据所述第一授信分数和所述第二授信分数，确定所述用户的综合授信分数，所述综合授信分数用于确定所述用户的车贷授信额度。基于驾驶行为的授信额度评分方法，结合驾驶行为评价和个人信用评价两种评分机制，对于有车贷需求的客户定位更精准同时保证了车贷公司的基本利益。
该发明专利基于驾驶行为进行授信额度评价，用于车贷信用评价。本发明的专利基于多元数据，包括驾驶员驾驶行为以及车辆周围环境，设计车辆驾驶信用测定系统，应用于交通管理规范驾驶行为、信用服务、交通服务监管、个人信用等，应用方面广泛。该发明专利的评分机制包括驾驶行为评价和个人信用评价。而本发明的专利评分机制包括道路交通安全违法行为和驾驶员驾驶行为，两者在评价方法上也存在本质差别。
专利3：驾驶评价装置、驾驶评价系统及存储介质CN201910219795.8
能够对驾驶员提供更有益的信息的驾驶评价装置、驾驶评价系统及存储介质。驾驶评价装置具有：驾驶评价取得部，其取得对车辆的驾驶员的驾驶进行评价得到的驾驶评价结果；以及驾驶评价输出部，其输出取得的所述驾驶评价结果，在取得的所述驾驶评价结果满足规定条件的情况下，所述驾驶评价输出部将所述驾驶评价结果和与所述驾驶相关的涉及保险金的信息组合地输出。
该发明专利所提出的一种驾驶评价系统由驾驶评价装置完成，主要包含驾驶评价取得部和驾驶评价输出部。系统参与评价的影响因素只包含驾驶员驾驶行为，而本发明的专利评价数据包括驾驶员驾驶行为和车辆周围环境。该发明专利进行驾驶评价是为了输出规定条件下驾驶评价结果与驾驶相关的涉及保险金的组合信息。而本发明的专利提出了一种驾驶信用测定方法、系统、信息数据处理终端，应用于交通管理规范驾驶行为，推动交通信用体系建设等方面。
专利4：驾驶评价方法CN201080047129.8
本发明中实现的驾驶评价方法，通过使用能量效率作为评价的主要观点，能够恰当地对与道路状况相对应的有效的驾驶形态进行评价；本发明的驾驶评价方法是根据移动体的移动数据算出评价指标从而进行驾驶评价的驾驶评价方法，其特征在于从所述移动数据中求出评价指标(A、B、D、E)，其中，评价指标(A、B、D、E)是投入到所述移动体中的加速能量(Ei)与所述移动体的移动距离(Li)的函数，并与所述加速能量和所述移动距离中的任意一方呈正相关，与另一方呈负相关。
该发明专利所实现的驾驶评价方法是根据移动体的移动数据算出指标从而进行驾驶评价，而本发明的专利基于多元数据融合进行驾驶信用测定，两者具有本质区别。
专利5：一种驾驶评价系统及方法CN201210025770.2
本发明公开一种驾驶评价系统及方法，包括GPS导航模块、车辆运行数据采集模块、车辆特征数据存储模块、地图数据存储模块、道路评价参数数据存储模块以及评价模块，该评价模块结合车辆运行数据采集模块采集的车辆运行数据、道路评价参数数据存储模块输出的评价参数以及车辆特征数据存储模块内的车辆信息而对当前时段内的车辆整体驾驶行为进行评价并输出驾驶评价结果。与现有技术相比，本发明可以根据需要随时调整车辆运行数据的种类，从而具有评价综合性强的特点；另外，本发明基于包含有车辆特征数据存储模块，使得本发明所得出的驾驶评价结果在不同车辆之间具有可比性，从而可以大大提高了评价结果的通用性。
该发明专利利用车辆运行数据、道路评价参数和车辆信息数据进行车辆整体驾驶评价，而本发明的专利利用车辆相关运行数据、驾驶员驾驶行为数据和道路交通安全违法行为进行驾驶信用测定，采用数据具有区别。本发明的专利所提出的车辆综合信用评价方法是基于驾驶行为评价与车辆违章行为的综合评价，评价指标全面。本发明的专利所得评价结果用于社会信用体系建设中的个人交通信用评价，在进行驾驶评价的同时引入信用体系的构建，应用方面更广泛。
专利6：一种车辆运维企业的监测驾驶员规范驾驶方法及监测平台CN202010888527.8
本发明公开了一种车辆运维企业的监测驾驶员规范驾驶方法及监测平台,包括以下步骤：步骤1：采集车辆运维企业中所有驾驶员的双手在方向盘的实时位置信息；步骤2：将驾驶员的双手在方向盘的实时位置信息传输至车辆运维企业的数据分析中心；步骤3：在数据分析中心选择实时显示所有驾驶员的双手在方向盘的位置、统计任意时段驾驶员双手在方向盘位置的历史数据、评价任意时段驾驶员的驾驶习惯或生成驾驶员的驾驶评价报告。本发明能够实时监测和评价驾驶员的驾驶行为，能够极大的减少交通事故，降低车辆运维企业的损失。
该发明专利监测驾驶员的驾驶行为，仅用于评价驾驶员的驾驶方法。本发明的专利基于多元数据融合进行车辆驾驶信用测定。两者在本质上具有区别。
现有的驾驶评价是基于违法违章的惩罚模式，驾驶员在安装有抓拍设备的特定地点发生违章违法行为时，才能被赋予相应的考核惩罚。这种手段没有面向驾驶员的驾驶全过程，缺少在抓拍设备未覆盖道路区域的行驶状态及日常驾驶习惯的评价机制，导致评价不全面、不客观。
因此，驾驶人的交通守法率低已经成为城市交通事故高发的主要原因，推进交通信用体系建设作为传统交通管理的辅助显得尤为重要。
通过上述分析，现有技术存在的问题及缺陷为：
(1)传统的驾驶评价方法属于基于违法违章的惩罚模式，仅能对安装有检测设备的特定路段区域进行管理，无法实现道路网络的全局覆盖。
(2)传统的驾驶评价方法中，驾驶员在安装有抓拍设备的特定地点发生违章违法行为时，才能被赋予相应的考核惩罚，而在缺少抓拍设备的区域中，驾驶员存在的所有不文明驾驶行为均不能作为评价依据。
(3)现有的驾驶评价是基于违法违章的惩罚模式，仅能对安装有检测设备的特定路段区域进行管理，无法面向驾驶员的驾驶全过程，缺少在抓拍设备未覆盖道路区域的行驶状态及日常驾驶习惯的评价机制，导致评价不全面、不客观，进而对交通管控的约束性不足。
解决以上问题及缺陷的意义为：实现面向驾驶员驾驶全过程的评价，有利于弥补当今驾驶评价的局限性，实现驾驶全过程实时监控；有利于交通执法部门更加准确的掌握车辆驾驶员驾驶行为的信息，辅助交通管理；有利于约束驾驶员的驾驶行为，促进信用方面的建设。
发明内容
针对现有技术存在的问题，本发明提供了一种驾驶信用测定方法、系统、信息数据处理终端。
本发明是这样实现的，一种驾驶信用测定系统，所述驾驶信用测定系统，包括数据采集模块、数据分析及评价模块、数据管理与展示模块。
其中，所述数据采集模块，用于完成车辆自身行驶状态基本数据采集和道路条件基础数据采集；
所述数据分析及评价模块，由部署在路侧的处理单元执行，该处理单元是工控机、服务器、嵌入式处理器及其他满足数据处理性能的运算设备；所述处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据；
所述数据管理与展示模块，用于利用得到的数据信息设计并开发Web管理平台以及手机APP用户终端，通过服务器将收到的信息数据分类到不同文件，根据客户端的要求展示指定的车辆驾驶人信用得分信息。
进一步，所述数据分析及评价模块，还包括车辆目标跟踪识别子模块、驾驶行为信用评价子模块、车辆违章行为评价子模块和车辆综合信用评价子模块。
其中，所述车辆目标跟踪识别子模块，用于针对数据采集模块采集的数据，利用阈值分析法对毫米波雷达数据进行预处理，提出车辆目标动态跟踪方法，实现车辆前向目标的准确识别；利用亚米级高精度定位设备和地图匹配算法，对车辆行驶车道进行识别，实现车辆位置精准定位；根据OBD设备采集的实时车辆行驶状态数据，实现对车辆驾驶状态实时监测；
所述驾驶行为信用评价子模块，用于通过驾驶行为信用评价子模块，设计考虑超速、急加速、急减速、频繁变道、近距离跟车在内的多种驾驶行为的评价体系；
所述车辆综合信用评价子模块，用于将所述驾驶行为评价子模块与车辆违章行为评价子模块输出的数据作为输入数据，综合设计车辆信用评价系统，并设立驾驶人“红黑名单”信息库。
本发明的另一目的在于提供一种应用所述的驾驶信用测定系统的驾驶信用测定方法，所述驾驶信用测定方法包括以下步骤：
步骤一，通过数据采集模块完成车辆自身行驶状态基本数据采集和道路条件基础数据采集；是本发明中的数据采集模块，所采集道路条件以及车辆行驶的数据，属于基础数据，是分析步骤二采集数据的前提。
步骤二，通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据；得到的北斗高精度定位数据、OBD和毫米波雷达数据，是车辆驾驶行为信用评价子模块中的异常驾驶行为判别的基础。
步骤三，通过数据管理与展示模块利用得到的数据信息设计并开发Web管理平台以及手机APP用户终端，通过服务器将收到的信息数据分类到不同文件，根据客户端的要求展示指定的车辆驾驶人信用得分信息。所设计并开发的Web管理和手机APP用户终端是本发明的应用展示的部分，供交通执法管理人员和驾驶员个人查阅相关信息。
进一步，步骤一中，所述通过数据采集模块完成车辆自身行驶状态基本数据采集和道路条件基础数据采集，包括：
(1)利用北斗亚米级高精度定位设备采集车辆行驶过程中的精准定位数据，包括：
<UTC Time，longitude，latitude，GNSS speed，GNSS angle>；
其中，UTC Time为定位信息的采样时刻；longitude为车辆位置经度；latitude为车辆位置纬度，GNSS speed为车辆运行速度，GNSS angle为车辆行驶方向角，为车辆行驶方向与正北向的夹角；在北斗定位数据中，车辆经纬度位置精确到亚米级误差。
(2)利用OBD读取设备采集车辆CAN总线的运行工况数据，包括：
<v，en-speed，st-angle>；
其中，v表示车速，为车辆车载电脑系统采集的行驶速度；en-speed表示发动机在转速；st-angle表示方向盘转向角，为车辆自身方向转向角度，当车轮为正时角度为0，方向盘左转为负，右转为正。
(3)利用毫米波雷达采集车辆前向目标的运动轨迹特征数据；其中，在第k帧中，第i个车辆目标的跟踪信息如下所示：
<dk(i)，vk(i)，ak(i)>；
其中，dk(i)表示目标i与雷达的直线距离，单位m；vk(i)表示目标i的行驶速度，单位m/s；ak(i)表示目标i的方位角。
进一步，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，包括：
(1)通过车辆目标跟踪识别子模块对采集到的数据进行融合处理，得到车辆行驶状态和周边环境的准确识别；
(2)通过驾驶行为信用评价子模块设计异常驾驶行为识别算法，并构建驾驶员信用评价体系；
(3)通过车辆违章行为评价子模块对获取的车辆违法信息，设计记分标准并进行客观定量评价；
(4)通过车辆综合信用评价子模块完成对驾驶行为信用评价和车辆违章行为评价的综合评价。
进一步，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
针对数据采集模块采集的数据，通过车辆目标跟踪识别子模块利用阈值分析法对毫米波雷达数据进行预处理，提出车辆目标动态跟踪方法，实现车辆前向目标的准确识别；利用亚米级高精度定位设备和地图匹配算法，对车辆行驶车道进行识别，实现车辆位置精准定位；根据OBD设备采集的实时车辆行驶状态数据，实现对车辆驾驶状态实时监测，包括：
(1)车辆目标跟踪
针对毫米波雷达数据中存在的噪声进行阈值分析并剔除，筛选有效的车辆轨迹数据，利用车辆目标轨迹提取算法实现车辆目标的连续跟踪；
(2)车辆车道级高精度定位
①对北斗亚米级高精度定位设备采集车辆行驶过程中的位置数据进行数据预处理，包括冗余数据剔除、速度错误数据剔除与补偿、数据缺失补偿和定位错误数据剔除与补偿；
②利用处理后的数据结合地图匹配算法实现车辆位置精准定位；
(3)通过对得到的车辆轨迹数据信息、车辆车道级高精度定位数据与OBD数据进行多传感器融合处理，并剔除噪声干扰，实现车辆行驶状态跟踪识别。
进一步，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
通过驾驶行为信用评价子模块，利用通过驾驶行为信用评价子模块，设计考虑超速、急加速、急减速、频繁变道、近距离跟车在内的多种驾驶行为的评价体系，包括：
(1)异常驾驶行为识别
在获得数据信息的基础上，进行异常驾驶行为识别，包括：
1)超速行为识别：利用OBD采集的车辆行驶速度指标，与利用地图定位得到的不同路段限速值进行比对，当车速v大于车辆所在路段限速阈值、且连续超速时间大于特定时间阈值，判定为一次超速行为；
2)急变速行为识别：急变速行为包括急加速和急减速两种，利用指数平滑方法对急变速行为进行识别，包括：
获取t时刻以及前3秒的OBD采集车辆速度vt、vt-1、vt-2、vt-3，采用差分法进行加速度计算，得到历史加速度at-1、at-2、at-3；根据历史加速度对当前车辆进行平滑分析计算，公式如下：
at＝ηat-1+η(1-η)at-2+η(1-η)2at-3；
得到车辆加速度at，设定急加速、急减速的加速度阈值，当车辆加速度绝对值大于设定阈值时，判定为急变速行为；
3)频繁变道识别：通过亚米级高精度定位获取车辆所在当前车道的编号Ln，以及获取下一时刻，即每秒判别的车道编号Ln+1；设定记录时间间隔为ΔTn,n+1，将相邻两次车道判别结果进行对比，若Ln≠Ln+1，则变道次数加1；若ΔTn,n+1内累计变道次数小于变道次数阈值，则不视为一次频繁变道行为；反之，若变道次数大于阈值，则视为一次频繁变道行为；
4)跟车危险判别：本发明根据前后两辆车的相对运动状态，分三种情况进行分析；第一种情况，若前车以减速度行驶，危险程度最高；第二种情况，前车以匀速行驶，危险程度次之；第三种情况，前车加速行驶，危险程度最低；对三种情况分配权重λ1、λ2、λ3，且满足：
λ1+λ2+λ3＝1；
根据毫米波雷达检测前向车辆行驶速度vk(i)判断前向目标运动状态对上述三种情况进行识别，并根据目标的距离dk(i)进行如下判别：
设定安全跟车距离S，若前向目标距离dk(i)大于S，判断为安全；
若前向目标距离dk(i)小于S，利用危险程度计算公式进行计算：
x＝15-eλvk(i)/dk(i)；
(2)设计驾驶员驾驶行为信用评价体系
利用x1、x2、x3、x4、x5分别表示超速时长、急加速次数、急减速次数、频繁变道次数、跟车距离危险程度指数，并以次作为评价指标对驾驶员信用评价体系进行构建；
对不同的评价指标分配权重β1、β2、β3、β4、β5，且满足：
β1+β2+β3+β4+β5＝1；
通过相应的异常驾驶行为识别算法将其识别并评分，以此构建驾驶员驾驶行为信用评价体系，包括：
1)超速行为评分计算：
Figure GDA0003901031890000133
其中，y1表示超速行为评分值，Tr表示累积超速时长阈值；
2)急加速行为评分计算：
Figure GDA0003901031890000131
其中，y2表示急加速行为评分值，Na表示急加速次数阈值；
3)急减速行为评分计算：
Figure GDA0003901031890000132
其中，y3表示急加速行为评分值，Ns表示急减速次数阈值；
4)频繁变道行为评分计算：
Figure GDA0003901031890000141
其中，y4表示频繁变道行为评分值，Nl表示频繁变道次数阈值；
5)跟车距离危险程度评分：
Figure GDA0003901031890000142
其中，y5跟车距离危险程度评分值。
进一步，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
(1)确定积分标准
对已处罚的不记分的车辆违章行为，采用专家法筛选出五种典型违章行为重点记录，不足3起的不积分；其中，所述典型违章行为重点记录包括车牌违章、闯红灯违章、未系安全带违章、违规停车、逆车道行驶违章；机动车有超过5起监控设备记录的车辆违章行为未处理的，每增加1起对机动车所有人记信用等级累积记分5分；
机动车驾驶人或者机动车所有人有下列情形之一的，随相关部门更新，一次记信用等级累积记分60分：
①以欺骗、贿赂等不正当手段取得机动车驾驶许可或机动车登记许可的；
②被吊销机动车驾驶证的，或者因“毒驾”被注销机动车驾驶证的；
③机动车达报废标准，经交通管理部门通知后，逾期不办理注销登记的；
④在道路交通事故处理中查证有虚构或者制造交通事故骗取保险金行为的；
⑤在交通管理过程中被处以行政拘留处罚的，或者被追究刑事责任的。
(2)积分折抵
经有关部门认证，具有下列情形之一的，随相关部门更新，对机动车驾驶人给予信用等级累积记分折抵：
①制止严重危害社会治安行为的，可以折抵信用等级累积记分30分；
②因见义勇为被评为市级以上先进个人的，可以折抵信用等级累积记分20分；
③对查获交通肇事逃逸车辆及人员提供有效线索或者积极协助的，可以根据案件的具体情况折抵信用等级累积记分10-20分；
④一年内参加文明交通志愿服务活动满20小时的，可以折抵信用等级累积记分10分；
⑤通过网络、信件等多种形式举报违法行为的，经交通管理部门查证属实的，每一条违法举报信息折抵信用等级累积记分1分。
进一步，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
通过车辆综合信用评价子模块将所述驾驶行为评价子模块与车辆违章行为评价子模块输出的数据作为输入数据，综合设计车辆信用评价系统，并设立驾驶人“红黑名单”信息库，包括：
建立诚信典型“红名单”和严重失信主体“黑名单”分库管理制度，标准如下：
①信用等级累积记分为0-6分的，纳入“红名单”A库管理；
②信用等级累积记分为7-11分的，纳入“红名单”B库管理；
③信用等级累积记分为60-79分的，纳入“黑名单”B库管理；
④信用等级累积记分为80分以上的，纳入“黑名单”A库管理；
根据信用等级给驾驶人提供相应的便利条件，联合加油、保险、公交、汽车租赁等相关行业开展信用分级服务，优质信誉用户将获得更多服务权益，同时交警部门全面推行驾驶人征信红黑名单AB库建设。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的驾驶信用测定系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的驾驶信用测定方法、系统、信息数据处理终端，利用车联网多元传感技术对车辆周围环境与驾驶员驾驶行为进行采集和数据融合，并考虑车辆的违法违章信息，提出了一种面向驾驶全过程的信用评价机制，弥补传统评价方式存在的不足。本发明为驾驶行为评价提供了一种客观、准确的方法，对规范驾驶员驾驶行为、推动交通信用体系建设、提升交通管理效率和智能化水平具有重要的意义。
本发明提供了一种超速、急加速、急减速、频繁变道、近距离跟车等多种驾驶行为的识别方法，驾驶员驾驶行为信用评价体系和方法，以及驾驶行为和违章行为的综合信用评价方法及系统，采用对车辆周围环境数据与驾驶员驾驶行为数据进行融合，实现路段全方面覆盖，使得驾驶信用测定指标更加全面化，弥补了对驾驶员驾驶行为评价不足；通过该驾驶信用测定方法、系统、信息数据处理终端既可以协助交通部门监管车辆行驶，也为驾驶员驾驶提供预警服务和信用警告，促进其自觉遵守交通法规，同时，可将驾驶信用测定系统纳入个人信用评价指标，与加油、保险、公交、汽车租赁等相关行业开展信用分级服务，优质信誉用户将获得更多服务权益。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的驾驶信用测定系统结构图。
图2是本发明实施例提供的驾驶信用测定方法流程图。
图3是本发明实施例提供的识别算法具体步骤图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种驾驶信用测定方法、系统、信息数据处理终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的驾驶信用测定系统，包括数据采集模块、数据分析及评价模块、数据管理与展示模块。
其中，所述数据采集模块，用于完成车辆自身行驶状态基本数据采集和道路条件基础数据采集；
所述数据分析及评价模块，由部署在路侧的处理单元执行，该处理单元是工控机、服务器、嵌入式处理器及其他满足数据处理性能的运算设备；所述处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据；
所述数据管理与展示模块，用于利用得到的数据信息设计并开发Web管理平台以及手机APP用户终端，通过服务器将收到的信息数据分类到不同文件，根据客户端的要求展示指定的车辆驾驶人信用得分信息。
如图2所示，本发明实施例提供的驾驶信用测定方法包括以下步骤：
S101，通过数据采集模块完成车辆自身行驶状态基本数据采集和道路条件基础数据采集；
S102，通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据；
S103，通过数据管理与展示模块利用得到的数据信息设计并开发Web管理平台以及手机APP用户终端，通过服务器将收到的信息数据分类到不同文件，根据客户端的要求展示指定的车辆驾驶人信用得分信息。
下面结合实施例对本发明的技术方案作进一步描述。
本发明实施例提供的驾驶信用测定方法、系统、信息数据处理终端包括数据采集模块、数据分析及评价模块、数据管理与展示模块，如图1所示。
具体如下：
1、数据采集模块
数据采集模块主要完成车辆自身行驶状态基本数据采集和道路条件基础数据采集。具体如下：
(1)利用北斗亚米级高精度定位设备采集车辆行驶过程中的精准定位数据，包括：
<UTC Time，longitude，latitude，GNSS speed，GNSS angle>
其中，UTC Time为定位信息的采样时刻；longitude为车辆位置经度；latitude为车辆位置纬度，GNSS speed为车辆运行速度，GNSS angle为车辆行驶方向角，为车辆行驶方向与正北向的夹角。在北斗定位数据中，车辆经纬度位置精确到亚米级误差。
(2)利用OBD读取设备采集车辆CAN总线的运行工况数据，包括：
<v，en-speed，st-angle>
其中，v表示车速，为车辆车载电脑系统采集的行驶速度；en-speed表示发动机在转速；st-angle表示方向盘转向角，为车辆自身方向转向角度，当车轮为正时角度为0，方向盘左转为负，右转为正。
(3)利用毫米波雷达采集车辆前向目标的运动轨迹特征数据，其中，在第k帧中，第i个车辆目标的跟踪信息如下所示：
<dk(i)，vk(i)，ak(i)>
其中，dk(i)表示目标i与雷达的直线距离，单位m；vk(i)表示目标i的行驶速度，单位m/s；ak(i)表示目标i的方位角。
2、数据分析及评价模块
该模块主要由部署在路侧的处理单元执行，该处理单元可以是工控机、服务器、嵌入式处理器及其他满足数据处理性能的运算设备。处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，执行如下步骤：通过车辆目标跟踪识别子模块对采集到的数据进行融合处理，得到车辆行驶状态和周边环境的准确识别；通过驾驶行为信用评价子模块设计异常驾驶行为识别算法，并构建驾驶员信用评价体系；通过车辆违章行为评价子模块对获取的车辆违法信息，设计记分标准并进行客观定量评价；最后，通过车辆综合信用评价子模块完成对驾驶行为信用评价和车辆违章行为评价的综合评价。
具体如下：
(1)车辆目标跟踪识别子模块
针对数据采集模块采集的数据，利用阈值分析法对毫米波雷达数据进行预处理，提出车辆目标动态跟踪方法，实现车辆前向目标的准确识别；利用亚米级高精度定位设备和地图匹配算法，对车辆行驶车道进行识别，实现车辆位置精准定位；根据OBD设备采集的实时车辆行驶状态数据，实现对车辆驾驶状态实时监测。具体步骤如下：
步骤一：车辆目标跟踪
针对毫米波雷达数据中存在的噪声进行阈值分析并剔除，筛选有效的车辆轨迹数据，利用车辆目标轨迹提取算法实现车辆目标的连续跟踪。
步骤二：车辆车道级高精度定位
①对北斗亚米级高精度定位设备采集车辆行驶过程中的位置数据进行数据预处理，包括冗余数据剔除、速度错误数据剔除与补偿、数据缺失补偿和定位错误数据剔除与补偿。
②利用处理后的数据结合地图匹配算法实现车辆位置精准定位。
步骤三：通过对上述步骤得到的车辆轨迹数据信息、车辆车道级高精度定位数据与OBD数据进行多传感器融合处理，并剔除噪声干扰，实现车辆行驶状态跟踪识别。
(2)驾驶行为信用评价子模块
通过驾驶行为信用评价子模块，设计考虑超速、急加速、急减速、频繁变道、近距离跟车等多种驾驶行为的评价体系。
具体如下：
步骤一：异常驾驶行为识别
在通过上述模块获得数据信息的基础上，进行异常驾驶行为识别，如图3所示。
具体如下：
1)超速行为识别：利用OBD采集的车辆行驶速度指标，与利用地图定位得到的不同路段限速值进行比对，当车速v大于车辆所在路段限速阈值、且连续超速时间大于特定时间阈值，如3s，判定为一次超速行为。
2)急变速行为识别：急变速行为包括急加速和急减速两种。本发明利用指数平滑方法对急变速行为进行识别，具体：
获取t时刻以及前3秒的OBD采集车辆速度vt、vt-1、vt-2、vt-3，采用差分法进行加速度计算，得到历史加速度at-1、at-2、at-3。根据历史加速度对当前车辆进行平滑分析计算，公式如下：
at＝ηat-1+η(1-η)at-2+η(1-η)2at-3
得到车辆加速度at，设定急加速、急减速的加速度阈值，如2m/s2，当车辆加速度绝对值大于设定阈值时，判定为急变速行为。
3)频繁变道识别：通过亚米级高精度定位获取车辆所在当前车道的编号Ln，以及获取下一时刻(每秒判别)的车道编号Ln+1。设定记录时间间隔为ΔTn,n+1，如可取值60s，将相邻两次车道判别结果进行对比，若Ln≠Ln+1，则变道次数加1。若ΔTn,n+1内累计变道次数小于变道次数阈值，则不视为一次频繁变道行为；反之，若变道次数大于阈值，则视为一次频繁变道行为。
4)跟车危险判别：本发明根据前后两辆车的相对运动状态，分三种情况进行分析。第一种情况，若前车以减速度行驶，危险程度最高；第二种情况，前车以匀速行驶，危险程度次之；第三种情况，前车加速行驶，危险程度最低。对三种情况分配权重λ1、λ2、λ3，且满足：
λ1+λ2+λ3＝1
根据毫米波雷达检测前向车辆行驶速度vk(i)判断前向目标运动状态对上述三种情况进行识别，并根据目标的距离dk(i)进行如下判别：
设定安全跟车距离S，若前向目标距离dk(i)大于S，判断为安全。若前向目标距离dk(i)小于S，利用危险程度计算公式进行计算：
x＝15-eλvk(i)/dk(i)
步骤二：设计驾驶员驾驶行为信用评价体系
利用x1、x2、x3、x4、x5分别表示超速时长、急加速次数、急减速次数、频繁变道次数、跟车距离危险程度指数，并以次作为评价指标对驾驶员信用评价体系进行构建。
对不同的评价指标分配权重β1、β2、β3、β4、β5，且满足：
β1+β2+β3+β4+β5＝1
例如，可分别取值0.3、0.25、0.2、0.1、0.15，并通过上述步骤相应的异常驾驶行为识别算法将其识别并评分，以此构建驾驶员驾驶行为信用评价体系。
1)超速行为评分计算：
Figure GDA0003901031890000231
其中，y1表示超速行为评分值，Tr表示累积超速时长阈值。
2)急加速行为评分计算：
Figure GDA0003901031890000241
其中，y2表示急加速行为评分值，Na表示急加速次数阈值。
3)急减速行为评分计算：
Figure GDA0003901031890000242
其中，y3表示急加速行为评分值，Ns表示急减速次数阈值。
4)频繁变道行为评分计算：
Figure GDA0003901031890000243
其中，y4表示频繁变道行为评分值，Nl表示频繁变道次数阈值。
5)跟车距离危险程度评分：
Figure GDA0003901031890000244
其中，y5跟车距离危险程度评分值。
(3)车辆违章行为评价子模块
步骤一：确定积分标准
对已处罚的不记分的车辆违章行为，采用专家法筛选出五种典型违章行为重点记录(车牌违章、闯红灯违章、未系安全带违章、违规停车、逆车道行驶违章)，不足3起的不积分。机动车有超过5起监控设备记录的车辆违章行为未处理的，每增加1起对机动车所有人记信用等级累积记分5分。
机动车驾驶人或者机动车所有人有下列情形之一的(随相关部门更新)，一次记信用等级累积记分60分：
①以欺骗、贿赂等不正当手段取得机动车驾驶许可或机动车登记许可的；
②被吊销机动车驾驶证的，或者因“毒驾”被注销机动车驾驶证的；
③机动车达报废标准，经交通管理部门通知后，逾期不办理注销登记的；
④在道路交通事故处理中查证有虚构或者制造交通事故骗取保险金行为的；
⑤在交通管理过程中被处以行政拘留处罚的，或者被追究刑事责任的。
步骤二：积分折抵
经有关部门认证，具有下列情形之一的(随相关部门更新)，可以对机动车驾驶人给予信用等级累积记分折抵：
①制止严重危害社会治安行为的，可以折抵信用等级累积记分30分；
②因见义勇为被评为市级以上先进个人的，可以折抵信用等级累积记分20分；
③对查获交通肇事逃逸车辆及人员提供有效线索或者积极协助的，可以根据案件的具体情况折抵信用等级累积记分10-20分；
④一年内参加文明交通志愿服务活动满20小时的，可以折抵信用等级累积记分10分。
⑤通过网络、信件等多种形式举报违法行为的，经交通管理部门查证属实的，每一条违法举报信息折抵信用等级累积记分1分。
(4)车辆综合信用评价子模块
将上述驾驶行为评价子模块与车辆违章行为评价子模块输出的数据作为输入数据，综合设计车辆信用评价系统，并设立驾驶人“红黑名单”信息库。
建立诚信典型“红名单”和严重失信主体“黑名单”分库管理制度，具体标准如下：
①信用等级累积记分为0-6分的，纳入“红名单”A库管理；
②信用等级累积记分为7-11分的，纳入“红名单”B库管理；
③信用等级累积记分为60-79分的，纳入“黑名单”B库管理；
④信用等级累积记分为80分以上的，纳入“黑名单”A库管理。
根据信用等级给驾驶人提供相应的便利条件，联合加油、保险、公交、汽车租赁等相关行业开展信用分级服务，优质信誉用户将获得更多服务权益。同时，交警部门全面推行驾驶人征信红黑名单AB库建设，有助于全面推动机动车驾驶人文明交通意识的自觉养成。
3、数据管理与展示模块
为方便给用户提供直观的数据可视化效果，便于车辆管理者和驾驶员及时获取有用信息，辅助车辆管理和辅助驾驶，利用上述模块得到的数据信息设计并开发Web管理平台以及手机APP用户终端。通过服务器将收到的信息数据分类到不同文件，根据客户端的要求展示指定的车辆驾驶人信用得分信息。
对于该评价系统的验证，针对超速行为、急加速行为、急减速行为、频繁变道行为、与前车危险距离程度，车牌违章、闯红灯、未系安全带、违规停车、逆车道行驶十项主要记分指标，取评价系统中一个研究对象，系统记录其各项行为次数如下，超速50次，急加速20次，急减速10次，频繁变道8次，与前车处于危险距离6次，车牌违章2次，闯红灯5次，未系安全带4次，逆车道行驶2次，违规停车8次。
按照上述评分原则，记录有x1＝15，x2＝20，x3＝10，x4＝8，x5＝6，则有因超速行为扣分0.5分，急加速行为扣分10分，急减速行为扣分5分，频繁变道行为扣分4分，与前车危险距离行为扣分6分；因车牌违章行为扣分0分，闯红灯行为扣分6分，未系安全带行为扣分3分，逆车道行驶行为扣分0分，违规停车行为扣分21分，共扣55.5分。
Figure GDA0003901031890000271
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种驾驶信用测定方法，其特征在于，所述驾驶信用测定方法包括以下步骤：
步骤一，通过数据采集模块完成车辆自身行驶状态基本数据采集和道路条件基础数据采集；
步骤二，通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据；包括，通过驾驶行为信用评价子模块，利用通过驾驶行为信用评价子模块，设计考虑超速、急加速、急减速、频繁变道、近距离跟车在内的多种驾驶行为的评价体系，包括：
(1)异常驾驶行为识别
在获得数据信息的基础上，进行异常驾驶行为识别，包括：
1)超速行为识别：利用OBD采集的车辆行驶速度指标，与利用地图定位得到的不同路段限速值进行比对，当车速v大于车辆所在路段限速阈值、且连续超速时间大于预设时间阈值，判定为一次超速行为；
2)急变速行为识别：急变速行为包括急加速和急减速两种，利用指数平滑方法对急变速行为进行识别，包括：
获取t时刻以及前3秒的OBD采集车辆速度vt、vt-1、vt-2、vt-3，采用差分法进行加速度计算，得到历史加速度at-1、at-2、at-3；根据历史加速度对当前车辆进行平滑分析计算，公式如下：
at＝ηat-1+η(1-η)at-2+η(1-η)2at-3；
得到车辆加速度at，设定急加速、急减速的加速度阈值，当车辆加速度绝对值大于设定阈值时，判定为急变速行为；
3)频繁变道识别：通过亚米级高精度定位获取车辆所在当前车道的编号Ln，以及获取下一时刻，即每秒判别的车道编号Ln+1；设定记录时间间隔为ΔTn,n+1，将相邻两次车道判别结果进行对比，若Ln≠Ln+1，则变道次数加1；若ΔTn,n+1内累计变道次数小于变道次数阈值，则不视为一次频繁变道行为；反之，若变道次数大于阈值，则视为一次频繁变道行为；
4)跟车危险判别：根据前后两辆车的相对运动状态，分三种情况进行分析；第一种情况，若前车以减速度行驶，危险程度最高；第二种情况，前车以匀速行驶，危险程度次之；第三种情况，前车加速行驶，危险程度最低；对三种情况分配权重λ1、λ2、λ3，且满足：
λ1+λ2+λ3＝1；
根据毫米波雷达检测前向车辆行驶速度vk(i)判断前向目标运动状态对上述三种情况进行识别，并根据目标的距离dk(i)进行如下判别：
设定安全跟车距离S，若前向目标距离dk(i)大于S，判断为安全；
若前向目标距离dk(i)小于S，利用危险程度计算公式进行计算：
x＝15-eλvk(i)/dk(i)；
其中，vk(i)表示目标i的行驶速度，单位m/s；λ表示分配权重；
(2)设计驾驶员驾驶行为信用评价体系
利用x1、x2、x3、x4、x5分别表示超速时长、急加速次数、急减速次数、频繁变道次数、跟车距离危险程度指数，并以此作为评价指标对驾驶员信用评价体系进行构建；
对不同的评价指标分配权重β1、β2、β3、β4、β5，且满足：
β1+β2+β3+β4+β5＝1；
通过相应的异常驾驶行为识别算法将其识别并评分，以此构建驾驶员驾驶行为信用评价体系，包括：
1)超速行为评分计算：
Figure FDA0003901031880000031
其中，y1表示超速行为评分值，Tr表示累积超速时长阈值；
2)急加速行为评分计算：
Figure FDA0003901031880000032
其中，y2表示急加速行为评分值，Na表示急加速次数阈值；
3)急减速行为评分计算：
Figure FDA0003901031880000033
其中，y3表示急加速行为评分值，Ns表示急减速次数阈值；
4)频繁变道行为评分计算：
Figure FDA0003901031880000034
其中，y4表示频繁变道行为评分值，Nl表示频繁变道次数阈值；
5)跟车距离危险程度评分：
Figure FDA0003901031880000035
其中，y5跟车距离危险程度评分值；
步骤三，通过数据管理与展示模块利用得到的数据信息设计并开发Web管理平台以及手机APP用户终端，通过服务器将收到的信息数据分类到不同文件，根据客户端的要求展示指定的车辆驾驶人信用得分信息。
2.如权利要求1所述的驾驶信用测定方法，其特征在于，步骤一中，所述通过数据采集模块完成车辆自身行驶状态基本数据采集和道路条件基础数据采集，包括：
(1)利用北斗亚米级高精度定位设备采集车辆行驶过程中的精准定位数据，包括：
<UTC Time，longitude，latitude，GNSS speed，GNSS angle>；
其中，UTC Time为定位信息的采样时刻；longitude为车辆位置经度；latitude为车辆位置纬度，GNSS speed为车辆运行速度，GNSS angle为车辆行驶方向角，为车辆行驶方向与正北向的夹角；在北斗定位数据中，车辆经纬度位置精确到亚米级误差；
(2)利用OBD读取设备采集车辆CAN总线的运行工况数据，包括：
<v，en-speed，st-angle>；
其中，v表示车速，为车辆车载电脑系统采集的行驶速度；en-speed表示发动机在转速；st-angle表示方向盘转向角，为车辆自身方向转向角度，当车轮为正时角度为0，方向盘左转为负，右转为正；
(3)利用毫米波雷达采集车辆前向目标的运动轨迹特征数据；其中，在第k帧中，第i个车辆目标的跟踪信息如下所示：
<dk(i)，vk(i)，ak(i)>；
其中，dk(i)表示目标i与雷达的直线距离，单位m；vk(i)表示目标i的行驶速度，单位m/s；ak(i)表示目标i的方位角。
3.如权利要求1所述的驾驶信用测定方法，其特征在于，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
(1)通过车辆目标跟踪识别子模块对采集到的数据进行融合处理，得到车辆行驶状态和周边环境的准确识别；
(2)通过驾驶行为信用评价子模块设计异常驾驶行为识别算法，并构建驾驶员信用评价体系；
(3)通过车辆违章行为评价子模块对获取的车辆违法信息，设计记分标准并进行客观定量评价；
(4)通过车辆综合信用评价子模块完成对驾驶行为信用评价和车辆违章行为评价的综合评价。
4.如权利要求1所述的驾驶信用测定方法，其特征在于，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
针对数据采集模块采集的数据，通过车辆目标跟踪识别子模块利用阈值分析法对毫米波雷达数据进行预处理，提出车辆目标动态跟踪方法，实现车辆前向目标的准确识别；利用亚米级高精度定位设备和地图匹配算法，对车辆行驶车道进行识别，实现车辆位置精准定位；根据OBD设备采集的实时车辆行驶状态数据，实现对车辆驾驶状态实时监测，包括：
(1)车辆目标跟踪
针对毫米波雷达数据中存在的噪声进行阈值分析并剔除，筛选有效的车辆轨迹数据，利用车辆目标轨迹提取算法实现车辆目标的连续跟踪；
(2)车辆车道级高精度定位
①对北斗亚米级高精度定位设备采集车辆行驶过程中的位置数据进行数据预处理，包括冗余数据剔除、速度错误数据剔除与补偿、数据缺失补偿和定位错误数据剔除与补偿；
②利用处理后的数据结合地图匹配算法实现车辆位置精准定位；
(3)通过对得到的车辆轨迹数据信息、车辆车道级高精度定位数据与OBD数据进行多传感器融合处理，并剔除噪声干扰，实现车辆行驶状态跟踪识别。
5.如权利要求1所述的驾驶信用测定方法，其特征在于，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
(1)确定积分标准
对已处罚的不记分的车辆违章行为，采用专家法筛选出五种典型违章行为重点记录，不足3起的不积分；其中，所述典型违章行为重点记录包括车牌违章、闯红灯违章、未系安全带违章、违规停车、逆车道行驶违章；机动车有超过5起监控设备记录的车辆违章行为未处理的，每增加1起对机动车所有人记信用等级累积记分5分；
机动车驾驶人或者机动车所有人有下列情形之一的，随相关部门更新，一次记信用等级累积记分60分：
①以欺骗或贿赂不正当手段取得机动车驾驶许可或机动车登记许可的；
②被吊销机动车驾驶证的，或者因“毒驾”被注销机动车驾驶证的；
③机动车达报废标准，经交通管理部门通知后，逾期不办理注销登记的；
④在道路交通事故处理中查证有虚构或者制造交通事故骗取保险金行为的；
⑤在交通管理过程中被处以行政拘留处罚的，或者被追究刑事责任的；
(2)积分折抵
经有关部门认证，具有下列情形之一的，随相关部门更新，对机动车驾驶人给予信用等级累积记分折抵：
①对重大案件信息，制止严重危害社会治安行为的，可以折抵信用等级累积记分30分；
②因见义勇为被评为市级以上先进个人的，可以折抵信用等级累积记分20分；
③对查获交通肇事逃逸车辆及人员提供有效线索或者积极协助的，可以根据案件的具体情况折抵信用等级累积记分10-20分；
④一年内参加文明交通志愿服务活动满20小时的，可以折抵信用等级累积记分10分；
⑤通过网络或信件形式举报违法行为的，经交通管理部门查证属实的，每一条违法举报信息折抵信用等级累积记分1分。
6.如权利要求1所述的驾驶信用测定方法，其特征在于，步骤二中，所述通过数据分析及评价模块利用部署在路侧的处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据，还包括：
通过车辆综合信用评价子模块将所述驾驶行为信用评价子模块与车辆违章行为评价子模块输出的数据作为输入数据，综合设计车辆信用评价系统，并设立驾驶人“红黑名单”信息库，包括：
建立诚信典型“红名单”和严重失信主体“黑名单”分库管理制度，标准如下：
①信用等级累积记分为0-6分的，纳入“红名单”A库管理；
②信用等级累积记分为7-11分的，纳入“红名单”B库管理；
③信用等级累积记分为60-79分的，纳入“黑名单”B库管理；
④信用等级累积记分为80分以上的，纳入“黑名单”A库管理；
根据信用等级给驾驶人提供相应的便利条件，联合加油、保险、公交和汽车租赁相关行业开展信用分级服务，优质信誉用户将获得更多服务权益，同时交警部门全面推行驾驶人征信红黑名单AB库建设。
7.一种信息数据处理终端，所述信息数据处理终端用于实现如权利要求1～6任意一项所述的驾驶信用测定方法。
8.一种实施利要求1～6任意一项所述驾驶信用测定方法的驾驶信用测定系统，其特征在于，所述驾驶信用测定系统，包括数据采集模块、数据分析及评价模块、数据管理与展示模块；
其中，所述数据采集模块，用于完成车辆自身行驶状态基本数据采集和道路条件基础数据采集；
所述数据分析及评价模块，由部署在路侧的处理单元执行，该处理单元是工控机、服务器、嵌入式处理器或其他满足数据处理性能的运算设备；所述处理单元接收来自北斗亚米级高精度定位设备、OBD和毫米波雷达的实时数据；
所述数据管理与展示模块，用于利用得到的数据信息设计并开发Web管理平台以及手机APP用户终端，通过服务器将收到的信息数据分类到不同文件，根据客户端的要求展示指定的车辆驾驶人信用得分信息。
9.如权利要求8所述的驾驶信用测定系统，其特征在于，所述数据分析及评价模块，还包括车辆目标跟踪识别子模块、驾驶行为信用评价子模块、车辆违章行为评价子模块和车辆综合信用评价子模块；
其中，所述车辆目标跟踪识别子模块，用于针对数据采集模块采集的数据，利用阈值分析法对毫米波雷达数据进行预处理，提出车辆目标动态跟踪方法，实现车辆前向目标的准确识别；利用亚米级高精度定位设备和地图匹配算法，对车辆行驶车道进行识别，实现车辆位置精准定位；根据OBD设备采集的实时车辆行驶状态数据，实现对车辆驾驶状态实时监测；
所述驾驶行为信用评价子模块，用于通过驾驶行为信用评价子模块，设计考虑超速、急加速、急减速、频繁变道、近距离跟车在内的多种驾驶行为的评价体系；
所述车辆综合信用评价子模块，用于将所述驾驶行为评价子模块与车辆违章行为评价子模块输出的数据作为输入数据，综合设计车辆信用评价系统，并设立驾驶人“红黑名单”信息库。
CN202110963965.0A 2021-08-21 2021-08-21 一种驾驶信用测定方法、系统、信息数据处理终端 Active CN114067557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110963965.0A CN114067557B (zh) 2021-08-21 2021-08-21 一种驾驶信用测定方法、系统、信息数据处理终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110963965.0A CN114067557B (zh) 2021-08-21 2021-08-21 一种驾驶信用测定方法、系统、信息数据处理终端

Publications (2)

Publication Number Publication Date
CN114067557A CN114067557A (zh) 2022-02-18
CN114067557B true CN114067557B (zh) 2022-12-02

Family

ID=80233576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110963965.0A Active CN114067557B (zh) 2021-08-21 2021-08-21 一种驾驶信用测定方法、系统、信息数据处理终端

Country Status (1)

Country Link
CN (1) CN114067557B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6744597B1 (ja) * 2019-10-18 2020-08-19 トヨタ自動車株式会社 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置
CN114446031A (zh) * 2022-02-21 2022-05-06 罗普特科技集团股份有限公司 基于多设备、多维度数据融合分析检查站管理方法及系统
CN114638420B (zh) * 2022-03-22 2022-10-25 交通运输部公路科学研究所 道路智能度评测方法及危化品车辆道路级导航方法
CN116279469B (zh) * 2023-05-22 2023-09-22 安徽中科星驰自动驾驶技术有限公司 一种自动驾驶车辆跟随方法及系统
CN116738370A (zh) * 2023-08-09 2023-09-12 湖北旭志信息技术有限公司 一种基于神经网络的多传感器数据融合方法及系统
CN117214899B (zh) * 2023-11-08 2024-04-12 广东技术师范大学 基于电磁波反射的目标行为监测方法及系统
CN117315601B (zh) * 2023-11-28 2024-02-23 湖南天烽科技有限公司 基于遥感技术的车辆危险行为ai识别报警系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003312305A (ja) * 2002-04-24 2003-11-06 Fujitsu Ltd ドライバ評価方法
CN102874188B (zh) * 2012-09-01 2015-04-15 北京车网互联科技股份有限公司 一种基于车辆总线数据的驾驶行为警示方法
CN105575115A (zh) * 2015-12-17 2016-05-11 福建星海通信科技有限公司 一种基于车载监控管理平台的驾驶行为分析方法
CN106056162A (zh) * 2016-06-07 2016-10-26 浙江大学 一种基于gps轨迹和交通违法记录的交通安全信用评分方法
CN107784587B (zh) * 2016-08-25 2021-09-14 大连楼兰科技股份有限公司 一种驾驶行为评价系统
CN112214530B (zh) * 2020-09-30 2023-01-31 易显智能科技有限责任公司 一种社会驾驶行为跟踪评价的方法及相关装置

Also Published As

Publication number Publication date
CN114067557A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN114067557B (zh) 一种驾驶信用测定方法、系统、信息数据处理终端
US11891070B2 (en) Motor vehicle operating data collection and analysis
Tselentis et al. Innovative insurance schemes: pay as/how you drive
US20100030586A1 (en) Systems &amp; methods of calculating and presenting automobile driving risks
CN108346288B (zh) 路段运行状态预警方法、装置及电子设备
US20050137757A1 (en) Motor vehicle operating data collection and analysis
Fernandes et al. Impacts of roundabouts in suburban areas on congestion-specific vehicle speed profiles, pollutant and noise emissions: An empirical analysis
CN112053558A (zh) 一种交通拥堵状态识别方法及装置和设备
Wang et al. Crash prediction for freeway work zones in real time: A comparison between Convolutional Neural Network and Binary Logistic Regression model
Trirat et al. Df-tar: a deep fusion network for citywide traffic accident risk prediction with dangerous driving behavior
Szénási Analysis of historical road accident data supporting autonomous vehicle control strategies
Seo et al. Driving risk assessment using non-negative matrix factorization with driving behavior records
Factor et al. Enforcement and behavior: the effects of suspending enforcement through automatic speed cameras
Chaba Influence of telematics of ubi insurance on the management of the fleet of company vehicles
Wundersitz et al. Identifying and improving exposure measures
Ambros et al. Developing speed‐related safety performance indicators from floating car data
Pinal Crash Rate as a Function of Access Point Density and Traffic Flow
JP2023136299A (ja) テレマティクス保険として自動車毎に保険料を設定するプログラム、装置及び方法
Khales Short-Term Crash Risk Prediction Considering Proactive, Reactive, and Driver Behavior Factors
Alnazir Ahmed Quantification of Bus Accident on Rural Roadways
Zhou et al. Examining the Effect of Speeding Patterns on Speeding-Related Harsh Decelerations for Commercial Drivers with Survival Analysis
Qin et al. Identifying Highly Correlated Variables Relating to the Potential Causes of Reportable Wisconsin Traffic Crashes
Tok Commercial vehicle classification system using advanced inductive loop technology
Odera Freight Travel Time Reliability On The Northern Corridor
Mbiydzenyuy et al. The Value of transport telematic services in heavy goods vehicle transport

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