CN114419892B - 一种判定有疲劳驾驶交通违法风险的车辆的方法 - Google Patents
一种判定有疲劳驾驶交通违法风险的车辆的方法 Download PDFInfo
- Publication number
- CN114419892B CN114419892B CN202210106495.0A CN202210106495A CN114419892B CN 114419892 B CN114419892 B CN 114419892B CN 202210106495 A CN202210106495 A CN 202210106495A CN 114419892 B CN114419892 B CN 114419892B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- index
- passing
- track
- 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
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- 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
Abstract
本发明提供一种判定有疲劳驾驶交通违法风险的车辆的方法,其主动研判车辆疲劳驾驶交通违法风险,找到有疲劳驾驶交通违法风险的车辆,及时预警风险车辆并加强管控,预防交通事故的发生。使用本发明的技术方案,先汇总全国所有因疲劳驾驶导致的非轻微事故数据,根据事故发生时间提取涉事车辆事发前半年内所有卡口通行轨迹;再从所有轨迹中提取能够反映车辆行驶从开始到停止的通行轨迹记录集合,划分车辆出行片段;进而统计车辆通行特征各项指标;以覆盖车辆尽可能多且统计条件尽可能严格作为原则,综合选取疲劳驾驶风险的各项评价条件;最后根据选取的各项条件,提取符合各项条件的车辆,得到有疲劳驾驶交通违法风险车辆。
Description
技术领域
本发明涉及智能交通控制技术领域,具体为一种判定有疲劳驾驶交通违法风险的车辆的方法。
背景技术
疲劳驾驶是指驾驶员每天驾车超过八小时或者从事其他劳动体力消耗过大或睡眠不足,以致行车中困倦瞌睡、四肢无力,不能及时发现和准确处理路面交通情况的。机动车驾驶人员在长时间连续驾驶机动车后,生理机能和心理机能易产生失调,主要表现为行车中反应迟钝、困倦瞌睡、四肢无力等,从而造成驾驶技能下降,不能及时发现路面交通情况并采取准确的驾驶操控措施。疲劳驾驶是一种严重的交通违法行为。根据我国交通法规规定,“饮酒、服用国家管制的精神药品或者麻醉药品,或者患有妨碍安全驾驶机动车的疾病,或者过度疲劳影响安全驾驶的,不得驾驶机动车”。“驾驶机动车不得有下列行为:……(七)连续驾驶机动车超过4小时未停车休息或者停车休息时间少于20分钟……”。
然而,现实生活中,客车与货车驾驶人在业务压力下,为节约停车成本,获取更多的经济利益,存在较大疲劳驾驶风险。而路面民警缺乏车辆疲劳驾驶的线索与依据,对于疲劳驾驶违法的查处力度较为有限,大多情况下都是发生了交通事故后才能发现。
发明内容
为了解决现有技术中无法主动地预判有疲劳驾驶风险的车辆的问题,本发明提供一种判定有疲劳驾驶交通违法风险的车辆的方法,其主动研判车辆疲劳驾驶交通违法风险,找到有疲劳驾驶交通违法风险的车辆,及时预警风险车辆并加强管控,预防交通事故的发生。
本发明的技术方案是这样的:一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于,其包括以下步骤:
S1:预设一个事故数据采集时间段;
采集所述事故数据采集时间段内的事故认定原因为疲劳驾驶的事故数据,构成事故数据集;
所述事故数据包括:事故认定原因、事故发生时间、道路代码、号牌种类、号牌号码、车辆类型、车辆使用性质;
S2:预设一个轨迹采集时间段;
基于所述事故数据集,找到所有的事故车辆;
在卡口轨迹通行数据平台中,以所述事故车辆发生事故时间为截止点,提取每一辆所述事故车辆在事故发生前的所述轨迹采集时间段内的卡口通行轨迹,记做卡口通行轨迹历史数据集;
S3:基于预设的切割条件,对每个所述事故车辆对应的所述卡口通行轨迹历史数据集分别进行切割,得到每个所述事故车辆对应的卡口通行轨迹片段;
所述切割条件基于非事故车辆轨迹数据集确定,包括:安全行驶的车辆对应的速度、行驶时间间隔、行驶距离;
S4:基于所述卡口通行轨迹历史数据集、所述卡口通行轨迹片段,采集事故车辆通行基本指标;
所述事故车辆通行基本指标包括:行驶天数、出行次数、通行省份数量、活跃时长、出行时长、出行里程、夜间行驶天数、夜间行驶天数占比、夜间活跃时长;
S5:将所述事故车辆通行基本指标中的每个指标分别按照数值由低到高排列,基于每个指标分别进行计算,得到每个指标对应的评价标准1集合和评价标准2集合:
所述评价标准1:找到每个指标包括的所有指标值,计算该指标中大于等于每个指标值的车辆的占比,记做评价标准1;每个事故车辆通行基本指标中所有指标值对应的评价标准1构成所述评价标准1集合;
所述评价标准2:基于极差标准化方法,计算每个指标中每个指标值对应的极差标准化值,记做评价标准2;每个事故车辆通行基本指标中所有指标值对应的评价标准2构成所述评价标准2集合;
S6:针对每个所述事故车辆通行基本指标分别计算,得到对应的疲劳驾驶判断标准指标;具体的指标判断方法包括:
a1:逐一取出每一个所述事故车辆通行基本指标,记作待判断基本指标;
a2:将所述待判断基本指标中每个具体指标值对应的评价标准1、评价标准2分别做乘法得到标准积,做加法得到标准和;
a3:找到所述标准积最大和所述标准和最大的指标值,分别记做积最大待选标准与和最大待选标准;
a4:找到所述积最大待选标准和所述和最大待选标准对应的车辆数,分别记做N-multi和N-sum;
a5:设,所述卡口通行轨迹历史数据集中包括的总车辆数为N;
判断N-multi和N-sum是否都小于N/2;
如果是,则对应的所述待判断基本指标删除,不参与后续计算;取出其他的所述事故车辆通行基本指标,循环执行步骤a2~a5;直至所有指标都参与过判断;
否则,判断N-multi和N-sum是否都大于N/2,如果是,则执行步骤a6;
否则,N-multi和N-sum中,只存在一个值大于N/2,执行步骤a7;
a6:比较积最大待选标准与和最大待选标准的指标值的大小,选择数值大的指标值,设置为所述待判断基本指标对应的所述疲劳驾驶判断标准指标;继续取出其他的所述事故车辆通行基本指标,循环执行步骤a2~a5;
a7:判断N-multi是否大于N/2;
如果N-multi>N/2,则将所述积最大待选标准,设置为所述待判断基本指标对应的所述疲劳驾驶判断标准指标;
否则,N-sum>N/2,则将所述最大待选标准,设置为所述待判断基本指标对应的所述疲劳驾驶判断标准指标;
继续取出其他的所述事故车辆通行基本指标,循环执行步骤a2~a5;直至所有指标都参与过判断;
S7:统计所有的所述事故车辆通行基本指标对应的疲劳驾驶判断标准指标,并进行检验后,得到疲劳驾驶风险车辆判断标准;
S8:获取待判断车辆号牌;
基于所述待判断车辆号牌提取所述轨迹采集时间段内的历史轨迹数据,记作待判断轨迹数据集;
基于预设的所述切割条件,对每个所述待判断车辆号牌对应的所述待判断轨迹数据集进行切割,得到每个所述待判断车辆号牌对应的卡口通行轨迹片段,记作:待判断轨迹片段;
基于所述待判断轨迹数据集、所述待判断轨迹片段,采集每个所述待判断车辆号牌对应的事故车辆通行基本指标,记作待判断基本指标;
将每一辆车的所述待判断基本指标与所述疲劳驾驶风险车辆判断标准进行比较,完全符合所述疲劳驾驶风险车辆判断标准的车辆,记作:有疲劳驾驶交通违法风险车辆。
其进一步特征在于:
步骤S5中,所述评价标准1和所述评价标准2的计算方法为:
设:所述卡口通行轨迹历史数据集中共包括N辆所述事故车辆;
指标A包括:{a1,a2,....,an},
其中,a1<a2<a3<...<an;
a1为指标数值的最小值,an为最大值;
设:指标的数值为ai,ai∈{a1,a2,....,an}
ai对应的评价标准1为:
bi/N,
其中,bi表示数值大于等于ai的指标值对应的事故车辆的数量;
ai对应的评价标准2为:
(ai-a1)/(an-a1);
其中,
i为指标A的具体取值的序号,i=1,2,....n,
n为指标A的包括的具体数值的总个数;
所述切割条件包括:速度小于10km/h、时间间隔超过90分钟和距离小于15千米;
所述步骤S1中,所述事故车辆按照大型汽车和小型汽车分别统计,后续计算也按照大型汽车和小型汽车分别计算;
步骤S7中,对所述疲劳驾驶判断标准指标进行检验,包括以下步骤:
b1:预设一个验证时间段;
在卡口轨迹通行数据平台中,获取验证时间段的全国车辆卡口通行轨迹数据,找到所有的车辆,记作验证用车辆;
b2:基于所述验证车辆提取所述轨迹采集时间段内的历史轨迹数据,记作验证用轨迹数据集;
基于预设的所述切割条件,对每个所述验证用轨迹数据集进行切割,得到每个所述验证用车辆对应的卡口通行轨迹片段,记作:验证用轨迹片段;
基于所述验证用轨迹数据集、所述验证用轨迹片段,采集每个所述验证用车辆对应的事故车辆通行基本指标,记作验证用基本指标;
b3:获取所有的所述事故车辆通行基本指标计算对应的疲劳驾驶判断标准指标,记作待检验指标;
b4:基于假设检验方法,检验各个指标下的所述待检验指标车辆判断标准与所述验证用基本指标是否存在显著差异;
保留差异显著的通行特征,其余特征舍弃,则获得最终的所述疲劳驾驶风险车辆判断标准;
所述事故数据对应的事故类型包括:一般事故、重大事故、特大事故;
所述轨迹采集时间段为180天,所述事故数据采集时间段为最近的365天,所述验证时间段为最近的30天。
本发明提供的一种判定有疲劳驾驶交通违法风险的车辆的方法,基于历史数据中的事故数据集,找到所有事故车辆,进而得到事故车辆对应的事故车辆通行基本指标,确保得到的确保疲劳驾驶判断标准指标具备事故车辆的代表性;对事故车辆通行基本指标中包括的每个具体指标值计算后得到车辆占比(评价标准1)与极差标准化值(评价标准2)进行,然后基于两个评价标准进行计算判断,找到能够代表事故车辆通行基本指标的指标值,再将覆盖率不够的事故车辆通行基本指标都进行删除,确保得到的确保疲劳驾驶判断标准指标具备足够的覆盖率;在保留的具备足够覆盖率的事故车辆通行基本指标中,通过指标值的大小比较,选取数值更高的指标值作为疲劳驾驶判断标准指标,确保疲劳驾驶判断标准指标能够在具备足够的代表性和覆盖率的同时具备更严格的可靠性;基于本发明技术方案得到的疲劳驾驶风险车辆判断标准能够准确的描绘事故原因为疲劳驾驶的事故车辆的行驶特征,基于疲劳驾驶风险车辆判断标准对待判断车辆进行判断,确保能够在事故发生前就能主动找到有事故风险的车辆,进行人工干预、管控,有效地防止因疲劳驾驶导致的交通事故的发生。
附图说明
图1为本发明中疲劳驾驶风险车辆判断标准计算流程示意图;
图2为对卡口通行轨迹历史数据集进行切割的实施例;
图3为基于假设检验方法,检验活跃时长指标的实施例:事故车辆活跃时长较长天数占比分布;
图4为基于假设检验方法,检验活跃时长指标的实施例:车辆总体活跃时长较长天数占比分布。
具体实施方式
参照说明书附图的图1,本发明包括一种判定有疲劳驾驶交通违法风险的车辆的方法,其包括以下步骤。
S1:预设一个事故数据采集时间段;
采集事故数据采集时间段内的事故认定原因为疲劳驾驶的事故数据,构成事故数据集;
事故数据包括:事故认定原因、事故发生时间、道路代码、号牌种类、号牌号码、车辆类型、车辆使用性质。
采集的事故数据对应的事故类型包括:一般事故、重大事故、特大事故。根据相关法律法规,道路交通事故共包括四个等级:轻微事故、一般事故、重大事故、特大事故,本发明技术方案中,不使用轻微事故的数据,是为了确保后续计算中提取的车辆通行基本指标能够具备描述疲劳驾驶事故车辆的特征。
本发明技术方案中,对事故车辆的统计按照大型汽车和小型汽车分别统计,后续计算也按照大型汽车和小型汽车分别计算;因为大型车辆和小型车辆用途的不同,其对应的行驶特征也有很大的区别,将大型车辆和小型车辆分别计算,确保本发明技术方案中得到的疲劳驾驶风险车辆判断标准具备更高的准确性和有效性。
S2:预设一个轨迹采集时间段;
基于事故数据集,找到所有的事故车辆;
在卡口轨迹通行数据平台中,以事故车辆发生事故时间为截止点,提取每一辆事故车辆在事故发生前的轨迹采集时间段内的卡口通行轨迹,记做卡口通行轨迹历史数据集。
本实施例中,以采集时间为起点,采集全国范围内的历史数据。轨迹采集时间段为180天,事故数据采集时间段为最近的365天,确保能够采集到足够的数据,得到的车辆通行基本指标能够具备描述疲劳驾驶事故车辆的特征。
S3:基于预设的切割条件,对每个事故车辆对应的卡口通行轨迹历史数据集分别进行切割,得到每个事故车辆对应的卡口通行轨迹片段;
切割条件基于非事故车辆轨迹数据集确定,包括:安全行驶的车辆对应的速度、行驶时间间隔、行驶距离。
具体实施时,非事故车辆轨迹数据集可以采用事故数据采集时间段同一时间段内的非事故数据,也可以采用其他的时间段的非事故数据。将非事故数据中安全行驶的车辆对应的速度、行驶时间间隔、行驶距离相关的数据提取出来,基于现有技术中的平均值或者标准化(标准差标准化、数据标准化、极差标准化)等方法进行计算后得到可以描述安全驾驶行为中“非疲劳驾驶”行为的数值,设置为切割条件。
本实施例中,切割条件包括:速度小于10km/h、时间间隔超过90分钟和距离小于15千米,基于这个切割条件得到的卡口通行轨迹片段,该车辆存在停车休息的可能性。
如图2所示,因为现有技术中,卡口通行轨迹历史数据集是基于每一个卡口进行采集的,数据集中的每一条数据是无法描述事故车辆的完整行驶行为的,所以需要对数据集中的数据进行切割,才能找到描述事故车辆启动、停止(停车休息行为)的驾驶行为。
图2所示实施例中,No.1数据对应的卡口a为起点,基于卡口和卡口之间的数据进行计算,可知卡口a~卡口d为第一个卡口通行轨迹片段(轨迹编号为3),卡口d~卡口f为第二个卡口通行轨迹片段(轨迹编号为2),后面同样的继续切割,直至将号牌为xxxxxxx的事故车辆对应的所有卡口通行轨迹历史数据集都切割完毕。
切割条件中的速度、行驶时间间隔、行驶距离是基于非事故车辆采集的,通过非事故车辆的行为特征将事故车辆的轨迹历史数据集进行分割,确保得到的卡口通行轨迹片段中表现的异常特征值足够体现事故车辆的车辆通行基本指标,进而确保本专利中计算得到的车辆通行基本指标能够更准确的描述事故车辆的特征。
S4:基于卡口通行轨迹历史数据集、卡口通行轨迹片段,采集事故车辆通行基本指标;
事故车辆通行基本指标包括:行驶天数、出行次数、通行省份数量、活跃时长、出行时长、出行里程、夜间行驶天数、夜间行驶天数占比、夜间活跃时长。
其中,行驶天数为事故车辆对应的通行轨迹历史数据集中的行驶天数之和。
出行次数通过切割车辆通行轨迹形成的片段数确定,片段的总个数等于出行次数。
通行省份数量基于采集通过事故车辆对应的通行轨迹历史数据集的经纬度数或者所有的卡口的地理位置确定。
活跃时长为车辆通行轨迹数据集时间数据中的行驶小时数之和。
出行时长:将通行轨迹数据集切割成的片段后,相邻的起点和止点之间的时间间隔为一次出行时长,通行轨迹历史数据集中包括几个卡口通行轨迹片段,就包括几个出行时长。
出行里程:将通行轨迹数据集切割成的片段后,片段内所有相邻的卡口之间的路段长度叠加得到出行里程。
夜间行驶天数的计算,通过制定夜间的时间段,然后统计轨迹历史数据集中的夜间时间段通行轨迹的日期数。
夜间行驶天数占比的计算,以行驶天数为分母,夜间行驶天数为分子,二者相除计算后获得。
夜间活跃时长,通过制定夜间的时间段,统计轨迹历史数据集中的夜间通行轨迹的小时数确定。
S5:将事故车辆通行基本指标中的每个指标分别按照数值由低到高排列,基于每个指标分别进行计算,得到每个指标对应的评价标准1集合和评价标准2集合:
评价标准1:找到每个指标包括的所有指标值,计算该指标中大于等于每个指标值的车辆的占比,记做评价标准1;每个事故车辆通行基本指标中所有指标值对应的评价标准1构成评价标准1集合;
评价标准2:基于极差标准化方法,计算每个指标中每个指标值对应的极差标准化值,记做评价标准2;每个事故车辆通行基本指标中所有指标值对应的评价标准2构成评价标准2集合。
其中,评价标准1和评价标准2的计算方法为:
设:卡口通行轨迹历史数据集中共包括N辆事故车辆;
指标A包括:{a1,a2,....,an},其中,a1<a2<a3<...<an;a1为指标数值的最小值,an为最大值;
设:指标的数值为ai,ai∈{a1,a2,....,an};
则:
ai对应的评价标准1为:
bi/N,
其中,bi表示数值大于等于ai的指标值对应的事故车辆数量;
ai对应的评价标准2为:
(ai-a1)/(an-a1);
其中,
i为指标A的具体取值的序号,i=1,2,....n,
n为指标A的包括的具体数值的总个数。
如:事故车辆通行基本指标中涉及事故车辆为10辆,其中行驶天数对应的指标数据为:A={8,10,16,20,31,33,43};
由bi构成的集合为:{10,8,6,5,4,3,2};
则,标准值a5=31,b5=4;
a5对应的评价标准1为:b5/N=4/10=40%,则标准值31对应的评价标准1的值为0.4,即,标准值31对应的评价条件为:行驶天数超过31天的车辆占比40%。
行驶天数的标准值中a1=8,an=43,则,
标准值31对应的评价标准2为:(31-8)/(43-8)=0.6571。
S6:针对每个事故车辆通行基本指标分别计算,得到对应的疲劳驾驶判断标准指标;具体的指标判断方法包括:
a1:逐一取出每一个事故车辆通行基本指标,记作待判断基本指标;
a2:将待判断基本指标中每个具体指标值对应的评价标准1、评价标准2分别做乘法得到标准积,做加法得到标准和;
a3:找到标准积最大和标准和最大的指标值,分别记做积最大待选标准与和最大待选标准;
a4:找到积最大待选标准和和最大待选标准对应的车辆数,分别记做N-multi和N-sum;
a5:设,卡口通行轨迹历史数据集中包括的总车辆数为N;
判断N-multi和N-sum是否都小于N/2;
如果是,则对应的待判断基本指标删除,不参与后续计算;取出其他的事故车辆通行基本指标,循环执行步骤a2~a5;直至所有指标都参与过判断;
否则,判断N-multi和N-sum是否都大于N/2,如果是,则执行步骤a6;
否则,N-multi和N-sum中,只存在一个值大于N/2,执行步骤a7;
a6:比较积最大待选标准与和最大待选标准的指标值的大小,选择数值大的指标值,设置为待判断基本指标对应的疲劳驾驶判断标准指标;继续取出其他的事故车辆通行基本指标,循环执行步骤a2~a5;根据疲劳驾驶的驾驶行为特点,描述事故车辆的指标数值越大,则发生疲劳驾驶事故的可能性越大,所以选取数值大的指标数能够更准确地描述判断疲劳驾驶行为;
a7:判断N-multi是否大于N/2;
如果N-multi>N/2,则将积最大待选标准,设置为待判断基本指标对应的疲劳驾驶判断标准指标;
否则,N-sum>N/2,则将最大待选标准,设置为待判断基本指标对应的疲劳驾驶判断标准指标;
继续取出其他的事故车辆通行基本指标,循环执行步骤a2~a5;直至所有指标都参与过判断。
如下面表1所示的疲劳驾驶判断标准指标的实施例,在“活跃时长”这个事故车辆通行基本指标中,经过初步计算得到的中间结果如表1所示。
可知,积最大待选标准为6小时,和最大待选标准为4小时;
积最大待选标准对应的车辆数N-multi的占比为58.5%;
最大待选标准对应的车辆数N-sum的占比为87.1%;
二者都超过了半数,则比较积最大待选标准、最大待选标准的具体数值的大小;
因为6>4,所以“活跃时长”这个事故车辆通行基本指标对应的疲劳驾驶判断标准指标设置为6小时。
表1:疲劳驾驶判断标准指标的实施例一
具体实时的时候,会有很多情况存在。如,同时存在多个相同的标准和、标准积的,下面的表2所示实施例二:
表2:疲劳驾驶判断标准指标的实施例二
基于实施例二的中间结果可知,积最大待选标准为50%,和最大待选标准存在两个:40%和50%;并且,两个数据对于国内的车辆覆盖率分别为71.5%、61.2%,此时,仍然比较积最大待选标准、最大待选标准的具体数值的大小,因为50%>40%,则“夜间行驶天数占比”这个事故车辆通行基本指标对应的疲劳驾驶判断标准指标设置为50%。
S7:统计所有的事故车辆通行基本指标对应的疲劳驾驶判断标准指标,并进行检验后,得到疲劳驾驶风险车辆判断标准。
步骤S7中,对疲劳驾驶判断标准指标进行检验,包括以下步骤:
b1:预设一个验证时间段;
在卡口轨迹通行数据平台中,获取验证时间段的全国车辆卡口通行轨迹数据,找到所有的车辆,记作验证用车辆;
b2:基于验证车辆提取轨迹采集时间段内的历史轨迹数据,记作验证用轨迹数据集;
基于预设的切割条件,对每个验证用轨迹数据集进行切割,得到每个验证用车辆对应的卡口通行轨迹片段,记作:验证用轨迹片段;
基于验证用轨迹数据集、验证用轨迹片段,采集每个验证用车辆对应的事故车辆通行基本指标,记作验证用基本指标;
b3:获取所有的事故车辆通行基本指标计算对应的疲劳驾驶判断标准指标,记作待检验指标;
b4:基于假设检验方法,检验各个指标下的待检验指标车辆判断标准与验证用基本指标是否存在显著差异;
保留差异显著的通行特征,其余特征舍弃,则获得最终的疲劳驾驶风险车辆判断标准。
本实施例中,基于事故车辆通行基本指标计算后,得到的疲劳驾驶判断标准指标包括:
夜间行驶天数占比60%以上、夜间日均行驶时长2小时以上、50%以上天数行驶时长超过6小时、50%以上的出行连续行驶4小时以上、25%以上的出行超过400千米、通行省份数量为2。
基于近一个月全国车辆卡口通行轨迹,构成验证用轨迹数据集;选择大型汽车的数据,基于预设的切割条件,对验证用轨迹数据集进行切割,采集每个验证用车辆对应的事故车辆通行基本指标,得到验证用基本指标。
验证时间段为验证当日起最近的30天,因事故车辆与全国通行车辆(验证用车辆)的数据并非正态分布,因此选取非参数假设检验方法检验各个指标下的事故车辆与全国通行车辆是否差异显著,以95%作为置信度。选取差异显著的通行特征作为筛选条件,其余特征舍弃。具体的验证过程,基于现有技术中的非参数假设检验方法进行实现。
如说明书附图的图3和图4,图3为实施例中事故车辆活跃时长较长天数占比分布,纵坐标为事故车辆的车辆数,横坐标为:活跃时长超过6小时的天数占比,图4为实施例中全国通行车辆(验证用车辆)的总体活跃时长较长天数占比分布,纵坐标为全国通行车辆的车辆数,横坐标为:活跃时长超过6小时天数占比。图3为检验活跃时长指标分布的实施例:事故车辆活跃时长较长天数占比分布,从直方图看,不满足正态分布规律;图4为检验活跃时长指标分布的实施例:车辆总体活跃时长较长天数占比分布,从直方图看,不满足正态分布规律。
>wilcox.test(x,y)
Wilcoxon rank sum test with continuity correction
data:x and y
W=3824083340,p-value<2.2e-16
alternative hypothesis:true location shift is not equal to 0
根据直方图可知,在活跃时长较长天数占比方面,车辆总体不符合正态分布规律,因此选用非参数检验法。在R语言环境下检验二者差异,显著性水平超过95%,说明事故车辆与车辆总体存在显著差异。
经检验,总体与样本具有显著差异,活跃时长较长天数占比这一条件可以用于区分正常车辆与疲劳驾驶风险车辆。
最终结果中,“通行省份数量为2”这个疲劳驾驶判断标准指标被删除,则最终获得的:疲劳驾驶风险车辆判断标准包括:夜间行驶天数占比60%以上、夜间日均行驶时长2小时以上、50%以上天数行驶时长超过6小时、50%以上的出行连续行驶4小时以上、25%以上的出行超过400千米。
S8:获取待判断车辆号牌,具体车辆号牌的获取方法基于现有技术获得,如卡口设备采集的车辆轨迹数据基于图像识别技术获取。
基于待判断车辆号牌提取轨迹采集时间段内的历史轨迹数据,记作待判断轨迹数据集;
基于预设的切割条件,对每个待判断车辆号牌对应的待判断轨迹数据集进行切割,得到每个待判断车辆号牌对应的卡口通行轨迹片段,记作:待判断轨迹片段;
基于待判断轨迹数据集、待判断轨迹片段,采集每个待判断车辆号牌对应的事故车辆通行基本指标,记作待判断基本指标;
将每一辆车的待判断基本指标与疲劳驾驶风险车辆判断标准进行比较,完全符合疲劳驾驶风险车辆判断标准的车辆,记作:有疲劳驾驶交通违法风险车辆。
使用本发明的技术方案,先汇总近一年内的全国所有因疲劳驾驶导致的非轻微事故数据(包括:一般事故、重大事故、特大事故),根据事故发生时间提取涉事车辆事发前半年内所有卡口通行轨迹;再从所有轨迹中提取能够反映车辆行驶从开始到停止的通行轨迹记录集合,划分车辆出行片段;进而基于事故车辆轨迹集合与出行片段集合,统计车辆的上路行驶天数、出行次数、夜间行驶天数、每日累计时长、出行平均时长、出行平均里程、长时间出行占比、长距离出行占比等通行特征各项指标;以覆盖车辆尽可能多且统计条件尽可能严格作为原则,综合选取疲劳驾驶风险的各项评价条件;最后根据选取的各项条件,基于全国卡口通行轨迹进行统计分析,提取符合各项条件的车辆,得到有疲劳驾驶交通违法风险车辆。基于本发明技术方案,无需增加新的硬件设备,采用现有的路面布设的卡口监控设备采集的车辆在一段时间内的通行轨迹信息,融合事故车辆详情与通行特征,以较低的成本即可综合研判车辆疲劳驾驶交通违法风险。本发明技术方案不但能主动发现具有疲劳驾驶违法风险的嫌疑车辆,并能描绘车辆通行画像;结合事故车辆数据进行通行轨迹分析与统计,能够提升疲劳驾驶风险通行特征研判的准确性与有效性。
Claims (7)
1.一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于,其包括以下步骤:
S1:预设一个事故数据采集时间段;
采集所述事故数据采集时间段内的事故认定原因为疲劳驾驶的事故数据,构成事故数据集;
所述事故数据包括:事故认定原因、事故发生时间、道路代码、号牌种类、号牌号码、车辆类型、车辆使用性质;
S2:预设一个轨迹采集时间段;
基于所述事故数据集,找到所有的事故车辆;
在卡口轨迹通行数据平台中,以所述事故车辆发生事故时间为截止点,提取每一辆所述事故车辆在事故发生前的所述轨迹采集时间段内的卡口通行轨迹,记做卡口通行轨迹历史数据集;
S3:基于预设的切割条件,对每个所述事故车辆对应的所述卡口通行轨迹历史数据集分别进行切割,得到每个所述事故车辆对应的卡口通行轨迹片段;
所述切割条件基于非事故车辆轨迹数据集确定,包括:安全行驶的车辆对应的速度、行驶时间间隔、行驶距离;
S4:基于所述卡口通行轨迹历史数据集、所述卡口通行轨迹片段,采集事故车辆通行基本指标;
所述事故车辆通行基本指标包括:行驶天数、出行次数、通行省份数量、活跃时长、出行时长、出行里程、夜间行驶天数、夜间行驶天数占比、夜间活跃时长;
S5:将所述事故车辆通行基本指标中的每个指标分别按照数值由低到高排列,基于每个指标分别进行计算,得到每个指标对应的评价标准1集合和评价标准2集合:
所述评价标准1:找到每个指标包括的所有指标值,计算该指标中大于等于每个指标值的车辆的占比,记做评价标准1;每个事故车辆通行基本指标中所有指标值对应的评价标准1构成所述评价标准1集合;
所述评价标准2:基于极差标准化方法,计算每个指标中每个指标值对应的极差标准化值,记做评价标准2;每个事故车辆通行基本指标中所有指标值对应的评价标准2构成所述评价标准2集合;
S6:针对每个所述事故车辆通行基本指标分别计算,得到对应的疲劳驾驶判断标准指标;具体的指标判断方法包括:
a1:逐一取出每一个所述事故车辆通行基本指标,记作待判断基本指标;
a2:将所述待判断基本指标中每个具体指标值对应的评价标准1、评价标准2分别做乘法得到标准积,做加法得到标准和;
a3:找到所述标准积最大和所述标准和最大的指标值,分别记做积最大待选标准与和最大待选标准;
a4:找到所述积最大待选标准和所述和最大待选标准对应的车辆数,分别记做N-multi和N-sum;
a5:设,所述卡口通行轨迹历史数据集中包括的总车辆数为N;
判断N-multi和N-sum是否都小于N/2;
如果是,则对应的所述待判断基本指标删除,不参与后续计算;取出其他的所述事故车辆通行基本指标,循环执行步骤a2~a5;直至所有指标都参与过判断;
否则,判断N-multi和N-sum是否都大于N/2,如果是,则执行步骤a6;
否则,N-multi和N-sum中,只存在一个值大于N/2,执行步骤a7;
a6:比较积最大待选标准与和最大待选标准的指标值的大小,选择数值大的指标值,设置为所述待判断基本指标对应的所述疲劳驾驶判断标准指标;继续取出其他的所述事故车辆通行基本指标,循环执行步骤a2~a5;
a7:判断N-multi是否大于N/2;
如果N-multi>N/2,则将所述积最大待选标准,设置为所述待判断基本指标对应的所述疲劳驾驶判断标准指标;
否则,N-sum>N/2,则将所述最大待选标准,设置为所述待判断基本指标对应的所述疲劳驾驶判断标准指标;
继续取出其他的所述事故车辆通行基本指标,循环执行步骤a2~a5;直至所有指标都参与过判断;
S7:统计所有的所述事故车辆通行基本指标对应的疲劳驾驶判断标准指标,并进行检验后,得到疲劳驾驶风险车辆判断标准;
S8:获取待判断车辆号牌;
基于所述待判断车辆号牌提取所述轨迹采集时间段内的历史轨迹数据,记作待判断轨迹数据集;
基于预设的所述切割条件,对每个所述待判断车辆号牌对应的所述待判断轨迹数据集进行切割,得到每个所述待判断车辆号牌对应的卡口通行轨迹片段,记作:待判断轨迹片段;
基于所述待判断轨迹数据集、所述待判断轨迹片段,采集每个所述待判断车辆号牌对应的事故车辆通行基本指标,记作待判断基本指标;
将每一辆车的所述待判断基本指标与所述疲劳驾驶风险车辆判断标准进行比较,完全符合所述疲劳驾驶风险车辆判断标准的车辆,记作:有疲劳驾驶交通违法风险车辆。
2.根据权利要求1所述一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于:步骤S5中,所述评价标准1和所述评价标准2的计算方法为:
设:所述卡口通行轨迹历史数据集中共包括N辆所述事故车辆;
指标A包括:{a1,a2,....,an},
其中,a1<a2<a3<...<an;
设:指标的数值为ai,ai∈{a1,a2,....,an},
ai对应的评价标准1为:
bi/N,
其中,bi表示数值大于等于ai的指标值对应的事故车辆的数量;
ai对应的评价标准2为:
(ai-a1)/(an-a1);
其中,
i为指标A的具体取值的序号,i=1,2,....n,
n为指标A的包括的具体数值的总个数。
3.根据权利要求1所述一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于:所述切割条件包括:速度小于10km/h、时间间隔超过90分钟和距离小于15千米。
4.根据权利要求1所述一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于:所述步骤S1中,所述事故车辆按照大型汽车和小型汽车分别统计,后续计算也按照大型汽车和小型汽车分别计算。
5.根据权利要求1所述一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于:步骤S7中,对所述疲劳驾驶判断标准指标进行检验,包括以下步骤:
b1:预设一个验证时间段;
在卡口轨迹通行数据平台中,获取验证时间段的全国车辆卡口通行轨迹数据,找到所有的车辆,记作验证用车辆;
b2:基于所述验证用车辆提取所述轨迹采集时间段内的历史轨迹数据,记作验证用轨迹数据集;
基于预设的所述切割条件,对每个所述验证用轨迹数据集进行切割,得到每个所述验证用车辆对应的卡口通行轨迹片段,记作:验证用轨迹片段;
基于所述验证用轨迹数据集、所述验证用轨迹片段,采集每个所述验证用车辆对应的事故车辆通行基本指标,记作验证用基本指标;
b3:获取所有的所述事故车辆通行基本指标计算对应的疲劳驾驶判断标准指标,记作待检验指标;
b4:基于假设检验方法,检验各个指标下的所述待检验指标车辆判断标准与所述验证用基本指标是否存在显著差异;
保留差异显著的通行特征,其余特征舍弃,则获得最终的所述疲劳驾驶风险车辆判断标准。
6.根据权利要求1所述一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于:所述事故数据对应的事故类型包括:一般事故、重大事故、特大事故。
7.根据权利要求5所述一种判定有疲劳驾驶交通违法风险的车辆的方法,其特征在于:所述轨迹采集时间段为180天,所述事故数据采集时间段为最近的365天,所述验证时间段为最近的30天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106495.0A CN114419892B (zh) | 2022-01-28 | 2022-01-28 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210106495.0A CN114419892B (zh) | 2022-01-28 | 2022-01-28 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419892A CN114419892A (zh) | 2022-04-29 |
CN114419892B true CN114419892B (zh) | 2023-03-14 |
Family
ID=81278531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210106495.0A Active CN114419892B (zh) | 2022-01-28 | 2022-01-28 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419892B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944083B (zh) * | 2022-05-13 | 2023-03-24 | 公安部交通管理科学研究所 | 一种高速公路上行驶车辆与前车距离的判断方法 |
CN115100855A (zh) * | 2022-06-20 | 2022-09-23 | 公安部交通管理科学研究所 | 一种高速公路隐患车辆预警方法及其系统 |
CN115148029B (zh) * | 2022-06-29 | 2023-09-19 | 交通运输部公路科学研究所 | 一种用于预测行人交通事故的方法、介质以及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8075484B2 (en) * | 2005-03-02 | 2011-12-13 | Martin Moore-Ede | Systems and methods for assessing equipment operator fatigue and using fatigue-risk-informed safety-performance-based systems and methods to replace or supplement prescriptive work-rest regulations |
JP6677303B2 (ja) * | 2016-08-05 | 2020-04-08 | 富士通株式会社 | 運転支援プログラム、運転支援方法および情報処理装置 |
CN109476310B (zh) * | 2016-12-30 | 2021-11-12 | 同济大学 | 一种基于舒适度的自动驾驶车速控制方法 |
JP6734205B2 (ja) * | 2017-01-13 | 2020-08-05 | トヨタ自動車株式会社 | 疲労度推定装置 |
CN109493566B (zh) * | 2018-12-18 | 2020-09-08 | 长安大学 | 一种基于gps数据的疲劳驾驶预测方法 |
CN110533909B (zh) * | 2019-09-10 | 2020-11-06 | 重庆大学 | 一种基于交通环境的驾驶行为分析方法及系统 |
CN111951550B (zh) * | 2020-08-06 | 2021-10-29 | 华南理工大学 | 交通安全风险监控方法、装置、存储介质及计算机设备 |
CN113034895A (zh) * | 2021-02-04 | 2021-06-25 | 招商局公路网络科技控股股份有限公司 | 一种etc门架系统、高速公路疲劳驾驶预警方法及装置 |
CN113553900B (zh) * | 2021-06-11 | 2023-06-27 | 同济大学 | 一种驾驶员疲劳驾驶检测方法、系统及计算机可读介质 |
-
2022
- 2022-01-28 CN CN202210106495.0A patent/CN114419892B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114419892A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114419892B (zh) | 一种判定有疲劳驾驶交通违法风险的车辆的方法 | |
CN110866677B (zh) | 一种基于基准化分析的驾驶人相对风险评价方法 | |
US11407410B2 (en) | Method and system for estimating an accident risk of an autonomous vehicle | |
CN110276953A (zh) | 基于北斗定位系统的车辆违规行驶风险分析方法 | |
CN107038860B (zh) | 一种基于adas技术及回归模型的用户驾驶行为评分方法 | |
CN114067557B (zh) | 一种驾驶信用测定方法、系统、信息数据处理终端 | |
CN110164132B (zh) | 一种道路交通异常的检测方法及系统 | |
CN110276954A (zh) | 基于北斗定位系统的车辆行驶行为综合评分方法 | |
EP3578433B1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
CN108492563B (zh) | 一种基于平均速度的超速事件探测方法 | |
CN114999181B (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
CN107918826A (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
Gebers et al. | The identification of high-risk older drivers through age-mediated point systems | |
Hijar et al. | Alcohol intake and severity of injuries on highways in Mexico: a comparative analysis | |
CN114550445A (zh) | 一种城市区域交通安全状态评估方法和装置 | |
CN113263993B (zh) | 故障预警方法、装置、通信设备及存储介质 | |
CN114511178A (zh) | 共享出行用户安全驾驶行为的监测方法及系统 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
Craft et al. | Distraction and inattention: Top crash causes in the USA | |
CN116001800A (zh) | 车辆驾驶风险信息获取方法、装置、电子设备及介质 | |
CN111341106B (zh) | 交通预警方法、装置和设备 | |
CN113989715A (zh) | 车辆违停检测方法、装置、电子设备及存储介质 | |
Garretson et al. | Factors associated with fatal accident involvement among California drivers | |
CN114639185A (zh) | 先进驾驶辅助系统的资料分析系统 | |
CN111489556A (zh) | 一种营运车辆挂靠行为的判断方法 |
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 |