CN114742293A - 一种驾驶人交通安全风险评价与人车伴随分析方法及系统 - Google Patents

一种驾驶人交通安全风险评价与人车伴随分析方法及系统 Download PDF

Info

Publication number
CN114742293A
CN114742293A CN202210354085.8A CN202210354085A CN114742293A CN 114742293 A CN114742293 A CN 114742293A CN 202210354085 A CN202210354085 A CN 202210354085A CN 114742293 A CN114742293 A CN 114742293A
Authority
CN
China
Prior art keywords
risk
driver
vehicle
data
track data
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
CN202210354085.8A
Other languages
English (en)
Inventor
李秋萍
梁燊
马若飞
周素红
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210354085.8A priority Critical patent/CN114742293A/zh
Publication of CN114742293A publication Critical patent/CN114742293A/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种驾驶人交通安全风险评价与人车伴随分析方法及系统，该方法包括：建立驾驶人交通安全风险评估指标，得到驾驶人多维度特征；获取训练数据集并基于驾驶人多维度特征对神经网络进行训练，得到风险评估模型；基于风险评估模型对待测数据进行评估，得到高风险人员；对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹；基于时间和空间的制约对高风险人车多源轨迹进行相似度评价，判定驾驶人的人车伴随关系。该系统包括：特征提取模块、模型训练模块、预测模块、多源轨迹清洗模块和人车伴随研判模块。通过使用本发明，能够根据驾驶人交通安全风险等级指导分级管控。

Description

一种驾驶人交通安全风险评价与人车伴随分析方法及系统
技术领域
本发明涉及智能交通领域，尤其涉及一种驾驶人交通安全风险评价与人车伴随分析方法及系统。
背景技术
随着社会经济的迅速发展，城市机动车数量、驾驶人数量的大幅度增长。酒驾、超速、超员等严重交通违法行为依然时有发生，给道路交通管理和执法工作带来巨大压力和严峻挑战。传统人工根据监控图像辨认驾驶人、归纳特征寻找高风险人员的方式，耗费大量人力、成本较高。在警力资源有限和路面监控设备覆盖不足的实际情况下，需要对驾驶人和机动车的交通安全风险需要进行科学合理的评价和高风险追踪，有的放矢地打击失驾人员和失格车辆违法上路，引导驾驶人自觉遵守道路交通法规。
发明内容
为了解决上述技术问题，本发明的目的是提供一种驾驶人交通安全风险评价与人车伴随分析方法及系统，能够根据驾驶人交通安全风险等级指导分级管控。
本发明所采用的第一技术方案是：一种驾驶人交通安全风险评价与人车伴随分析方法，包括以下步骤：
建立驾驶人交通安全风险评估指标，得到驾驶人多维度特征；
获取训练数据集并基于驾驶人多维度特征对神经网络进行训练，得到风险评估模型；
基于风险评估模型对待测数据进行评估，得到高风险人员；
对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据；
基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，判定驾驶人的人车伴随关系。
进一步，所述驾驶人交通安全风险评估指标包括违法行为特征、驾驶人静态特征、车辆静态特征、动态驾驶特征和动态车辆特征。
进一步，所述驾驶人多维度特征公式表示如下：
F＝{(a1,a2,...,aLa),(b1,b2,...,bLb),(c1,c2,...,cLc),(d1,d2,...,dLd),(e1,e2,...,eLe)}；
上式中，F为驾驶人多维特征，a为驾驶人违法行为特征，La为驾驶人违法行为特征数，b为驾驶人静态特征，Lb为驾驶人静态特征数，c为车辆静态特征，Lc为车辆静态特征数，d为动态驾驶特征，Ld为动态驾驶特征数，e为动态车辆特征，Le为动态车辆特征数。
进一步，所述获取训练数据集并基于驾驶人多维度特征对神经网络进行训练，得到风险评估模型这一步骤，其具体包括：
获取训练数据集，所述训练数据集包括发生过违法事故的高风险人员和未发生过违法事故的非高风险人员；
提取训练数据集中的驾驶人多维度特征，得到特征集；
以是否为高风险人员为结果集；
根据特征集和结果集，对神经网络进行训练，得到风险评估模型。
进一步，所述对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据这一步骤，其具体包括：
获取区域内卡口数据和高风险人员手机轨迹数据；
对区域内卡口数据和高风险人员手机轨迹数据中相同字段的数据格式进行统一；
根据高风险人员个人信息中的车牌号，在区域内卡口数据中提取出该车牌号对应的车辆轨迹数据，得到高风险车辆轨迹数据；
整合高风险人员手机轨迹数据和高风险车辆轨迹数据，得到高风险人车多源轨迹数据。
进一步，所述基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，判定驾驶人的人车伴随关系这一步骤，其具体包括：
基于时间约束参数和空间约束参数，对高风险人车多源轨迹数据进行处理，计算高风险人车多源轨迹数据点间相似度；
根据高风险人车多源轨迹数据点间相似度，计算高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值；
根据高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值，计算高风险人车多源轨迹数据的相似度；
根据高风险人车多源轨迹数据的相似度，判定驾驶人的人车伴随关系。
进一步，所述高风险人车多源轨迹数据点间相似度公式表示如下：
Figure BDA0003582083010000021
上式中，pk为高风险人员轨迹数据上的任意一点，qr为高风险车辆轨迹数据上的任意一点，f(pk,qr)为高风险人员轨迹数据上的点pk和高风险车辆轨迹数据上的点qr间的相似度， dis(pk,qr)为高风险人员轨迹数据上的点pk和高风险车辆轨迹数据上的点qr之间的空间距离，ε为空间约束参数。
进一步，所述高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值公式表示如下：
Figure BDA0003582083010000031
上式中，T2为高风险车辆轨迹数据，score(pk,T2)为高风险人员轨迹数据上的任意一点pk和高风险车辆轨迹数据T2相似度的平均值。
进一步，所述高风险人车多源轨迹数据的相似度公式表示如下：
Figure BDA0003582083010000032
上式中，T1为高风险人员轨迹数据，S(T1,T2)为高风险人车多源轨迹数据的相似度。
本发明所采用的第二技术方案是：一种驾驶人交通安全风险评价与人车伴随分析系统，其特征在于，包括：
特征提取模块，用于根据驾驶人员及车辆信息提取驾驶人多维度特征；
模型训练模块，基于驾驶人多维度特征训练神经网络模型，得到驾驶人交通安全风险评估模型；
预测模块，基于风险评估模型对待测数据进行评估，判别高风险人员；
多源轨迹清洗模块，对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据；
人车伴随研判模块，基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，得到人车伴随关系。
本发明方法及系统的有益效果是：本发明结合多源静态的人车档案信息和动态轨迹的驾驶行为挖掘，通过人工神经网络数学模型，自动从历史违法和历史事故中学习行为规律，描绘出机动车和驾驶人日常行为特征所存在的安全隐患，解决高风险关注目标问题，进行交通安全风险等级划分；使用“时空联合约束相似度算法”来解决多手段监测问题，对不同类型车辆和手机的海量轨迹数据进行关联融合，代替以往人工协作的低效率和高误差方式。
附图说明
图1是本发明一种驾驶人交通安全风险评价与人车伴随分析方法的步骤流程图；
图2是本发明基于神经网络模型的驾驶人的交通安全风险评估模型流程图；
图3是本发明一种驾驶人交通安全风险评价与人车伴随分析系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种驾驶人交通安全风险评价与人车伴随分析方法，该方法包括以下步骤：
S1、建立驾驶人交通安全风险评估指标，得到驾驶人多维度特征；
S1.1、建立违法行为特征，其驾驶行为具有安全性典型特征；
具体地，包括违法总量、事故总量、违法记分数、违法罚款金额、事故伤亡人数等信息。
S1.2、建立驾驶人静态特征，体现驾驶人的基本安全状态；
具体地，包括驾龄、准驾车型、驾驶证状态、性别、年龄、职业、教育程度、婚育、健康状况和个人征信。
S1.3、建立车辆静态特征，体现机动车的基本安全状态；
具体地，包括车龄、型号、品牌、状态、营运性质、企业规模、安全认证和企业征信。
S1.4、建立动态驾驶特征，体现驾驶人的驾驶激进性和驾驶熟练度；
具体地，包括车速、加速度的平均值和标准差。
S1.5、建立动态车辆特征，体现车辆行驶环境的安全性；
具体地，包括高低频行驶道路、行驶时段、平均行驶时长、行驶道路的类别、平均车速、形态和事故数。
S1.6、获取驾驶人多维度特征。
具体操作为：
F＝{(a1,a2,...,aLa),(b1,b2,...,bLb),(c1,c2,...,cLc),(d1,d2,...,dLd),(e1,e2,...,eLe)}；
上式中，F为驾驶人多维特征，a为驾驶人违法行为特征，La为驾驶人违法行为特征数， b为驾驶人静态特征，Lb为驾驶人静态特征数，c为车辆静态特征，Lc为车辆静态特征数， d为动态驾驶特征，Ld为动态驾驶特征数，e为动态车辆特征，Le为动态车辆特征数。
S2、参照图2，获取训练数据集并基于驾驶人多维度特征对神经网络进行训练，得到风险评估模型；
S2.1、获取训练数据集，所述训练数据集包括发生过违法事故的高风险人员和未发生过违法事故的非高风险人员；
S2.2、提取训练数据集中的驾驶人多维度特征，得到特征集；
S2.3、以是否为高风险人员为结果集；
S2.4、根据特征集和结果集，对神经网络进行训练，得到风险评估模型。
具体地，风险评估模型为：Y＝{resultrisk}，resultrisk为驾驶人风险判定结果。
S3、基于风险评估模型对待测数据进行评估，得到高风险人员；
S4、对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据；
S4.1、获取区域内卡口数据和高风险人员手机轨迹数据；
具体地，区域内卡口数据包括车牌信息和高风险车辆轨迹数据；
高风险人员手机轨迹数据包括手机号、个人信息(即驾驶人静态特征)和个人轨迹。
S4.2、对区域内卡口数据和高风险人员手机轨迹数据中相同字段的数据格式进行统一；
S4.3、根据高风险人员个人信息中的车牌号，在区域内卡口数据中提取出该车牌号对应的车辆轨迹数据，得到高风险车辆轨迹数据；
S4.4、整合高风险人员手机轨迹数据和高风险车辆轨迹数据，得到高风险人车多源轨迹数据。
S5、基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，判定驾驶人的人车伴随关系；
S5.1、基于时间约束参数和空间约束参数，对高风险人车多源轨迹数据进行处理，计算高风险人车多源轨迹数据点间相似度；
具体地，高风险人车多源轨迹数据点间相似度的计算公式如下：
Figure BDA0003582083010000051
上式中，pk为高风险人员轨迹数据上的任意一点，qr为高风险车辆轨迹数据上的任意一点，f(pk,qr)为高风险人员轨迹数据上的点pk和高风险车辆轨迹数据上的点qr间的相似度，dis(pk,qr)为高风险人员轨迹数据上的点pk和高风险车辆轨迹数据上的点qr之间的空间距离，ε为空间约束参数。
需要指出，pk和qr需要满足时间间隔约束条件|tk-tr|≤τ。
S5.2、根据高风险人车多源轨迹数据点间相似度，计算高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值；
具体地，高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值的计算公式如下：
Figure BDA0003582083010000061
上式中，T2为高风险车辆轨迹数据，score(pk,T2)为高风险人员轨迹数据上的任意一点pk和高风险车辆轨迹数据T2相似度的平均值。
S5.3、根据高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值，计算高风险人车多源轨迹数据的相似度。
具体地，高风险人车多源轨迹数据的相似度的计算公式如下：
Figure BDA0003582083010000062
上式中，T1为高风险人员轨迹数据，S(T1,T2)为高风险人车多源轨迹数据的相似度。
S5.4、根据高风险人车多源轨迹数据的相似度，判定驾驶人的人车伴随关系。
具体地，根据经验设置得分阈值S，若S(T1,T2)＞S成立，则认为高风险人车多源轨迹数据(T1,T2)相似性高，存在人车伴随关系。
进一步作为本方法优选实施例，还包括对人车伴随研判结果进行随机抽样，结合专家打分方式及人像识别数据进行验证，不断优化阈值S。
如图3所示，一种驾驶人交通安全风险评价与人车伴随分析系统，包括：
特征提取模块，用于根据驾驶人员及车辆信息提取驾驶人多维度特征；
模型训练模块，基于驾驶人多维度特征训练神经网络模型，得到驾驶人交通安全风险评估模型；
预测模块，基于风险评估模型对待测数据进行评估，判别高风险人员；
多源轨迹清洗模块，对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据；
人车伴随研判模块，基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，得到人车伴随关系。
上述系统实施例中的内容均适用于本方法实施例中，本方法实施例所具体实现的功能与上述系统实施例相同，并且达到的有益效果与上述系统实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，包括以下步骤：
建立驾驶人交通安全风险评估指标，得到驾驶人多维度特征；
获取训练数据集并基于驾驶人多维度特征对神经网络进行训练，得到风险评估模型；
基于风险评估模型对待测数据进行评估，得到高风险人员；
对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据；
基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，判定驾驶人的人车伴随关系。
2.根据权利要求1所述一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述驾驶人交通安全风险评估指标包括违法行为特征、驾驶人静态特征、车辆静态特征、动态驾驶特征和动态车辆特征。
3.根据权利要求2所述一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述驾驶人多维度特征公式表示如下：
F＝{(a1,a2,...,aLa),(b1,b2,...,bLb),(c1,c2,...,cLc),(d1,d2,...,dLd),(e1,e2,...,eLe)}；
上式中，F为驾驶人多维特征，a为驾驶人违法行为特征，La为驾驶人违法行为特征数，b为驾驶人静态特征，Lb为驾驶人静态特征数，c为车辆静态特征，Lc为车辆静态特征数，d为动态驾驶特征，Ld为动态驾驶特征数，e为动态车辆特征，Le为动态车辆特征数。
4.根据权利要求1所述一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述获取训练数据集并基于驾驶人多维度特征对神经网络进行训练，得到风险评估模型这一步骤，其具体包括：
获取训练数据集，所述训练数据集包括发生过违法事故的高风险人员和未发生过违法事故的非高风险人员；
提取训练数据集中的驾驶人多维度特征，得到特征集；
以是否为高风险人员为结果集；
根据特征集和结果集，对神经网络进行训练，得到风险评估模型。
5.根据权利要求1所述的一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据这一步骤，其具体包括：
获取区域内卡口数据和高风险人员手机轨迹数据；
对区域内卡口数据和高风险人员手机轨迹数据中相同字段的数据格式进行统一；
根据高风险人员个人信息中的车牌号，在区域内卡口数据中提取出该车牌号对应的车辆轨迹数据，得到高风险车辆轨迹数据；
整合高风险人员手机轨迹数据和高风险车辆轨迹数据，得到高风险人车多源轨迹数据。
6.根据权利要求1所述的一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，判定驾驶人的人车伴随关系这一步骤，其具体包括：
基于时间约束参数和空间约束参数，对高风险人车多源轨迹数据进行处理，计算高风险人车多源轨迹数据点间相似度；
根据高风险人车多源轨迹数据点间相似度，计算高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值；
根据高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值，计算高风险人车多源轨迹数据的相似度；
根据高风险人车多源轨迹数据的相似度，判定驾驶人的人车伴随关系。
7.根据权利要求6所述一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述高风险人车多源轨迹数据点间相似度公式表示如下：
Figure FDA0003582083000000021
上式中，pk为高风险人员轨迹数据上的任意一点，qr为高风险车辆轨迹数据上的任意一点，f(pk,qr)为高风险人员轨迹数据上的点pk和高风险车辆轨迹数据上的点qr间的相似度，dis(pk,qr)为高风险人员轨迹数据上的点pk和高风险车辆轨迹数据上的点qr之间的空间距离，ε为空间约束参数。
8.根据权利要求7所述一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述高风险人员轨迹数据的任意一点到高风险车辆轨迹数据相似度的平均值公式表示如下：
Figure FDA0003582083000000022
上式中，T2为高风险车辆轨迹数据，score(pk,T2)为高风险人员轨迹数据上的任意一点pk和高风险车辆轨迹数据T2相似度的平均值。
9.根据权利要求8所述一种驾驶人交通安全风险评价与人车伴随分析方法，其特征在于，所述高风险人车多源轨迹数据的相似度公式表示如下：
Figure FDA0003582083000000031
上式中，T1为高风险人员轨迹数据，S(T1,T2)为高风险人车多源轨迹数据的相似度。
10.一种驾驶人交通安全风险评价与人车伴随分析系统，其特征在于，包括：
特征提取模块，用于根据驾驶人员及车辆信息提取驾驶人多维度特征；
模型训练模块，基于驾驶人多维度特征训练神经网络模型，得到驾驶人交通安全风险评估模型；
预测模块，基于风险评估模型对待测数据进行评估，判别高风险人员；
多源轨迹清洗模块，对区域内卡口数据和高风险人员手机轨迹数据进行数据清洗，得到高风险人车多源轨迹数据；
人车伴随研判模块，基于时间和空间的制约对高风险人车多源轨迹数据进行相似度评价，得到人车伴随关系。
CN202210354085.8A 2022-04-06 2022-04-06 一种驾驶人交通安全风险评价与人车伴随分析方法及系统 Pending CN114742293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210354085.8A CN114742293A (zh) 2022-04-06 2022-04-06 一种驾驶人交通安全风险评价与人车伴随分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210354085.8A CN114742293A (zh) 2022-04-06 2022-04-06 一种驾驶人交通安全风险评价与人车伴随分析方法及系统

Publications (1)

Publication Number Publication Date
CN114742293A true CN114742293A (zh) 2022-07-12

Family

ID=82278624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210354085.8A Pending CN114742293A (zh) 2022-04-06 2022-04-06 一种驾驶人交通安全风险评价与人车伴随分析方法及系统

Country Status (1)

Country Link
CN (1) CN114742293A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620199A (zh) * 2022-10-24 2023-01-17 四川警察学院 一种交通安全风险诊断方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620199A (zh) * 2022-10-24 2023-01-17 四川警察学院 一种交通安全风险诊断方法和装置
CN115620199B (zh) * 2022-10-24 2023-06-13 四川警察学院 一种交通安全风险诊断方法和装置

Similar Documents

Publication Publication Date Title
Chen et al. A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data
Engel et al. Comparing benchmark methodologies for police-citizen contacts: Traffic stop data collection for the Pennsylvania State Police
CN108446824A (zh) 一种驾驶行为的风险评估方法、装置、设备及存储介质
CN106846153A (zh) 一种车险赔付方法及系统
CN105260832A (zh) 基于订单数据的出租车驾驶员绩效评估方法
CN109767618B (zh) 一种公安交管业务异常数据综合研判方法及系统
CN109034589A (zh) 一种基于大数据分析的驾驶行为评价方法及系统
CN109191828B (zh) 基于集成学习的交通参与者事故风险预测方法
CN111899517B (zh) 一种高速公路疲劳驾驶违法行为判定方法
CN114742293A (zh) 一种驾驶人交通安全风险评价与人车伴随分析方法及系统
CN110570655A (zh) 基于层次聚类和决策树的车辆特征评估方法
CN115035491A (zh) 一种基于联邦学习的驾驶行为路况预警方法
CN114926824A (zh) 一种不良驾驶行为判别方法
Seo et al. Driving risk assessment using non-negative matrix factorization with driving behavior records
CN106780049B (zh) 一种车辆金融授信方法及装置
CN113781781A (zh) 道路交通风险指数的计算方法和道路交通风险预警方法
CN111553199A (zh) 一种基于计算机视觉的机动车交通违法行为自动检测技术
CN107153906A (zh) 一种出租车违法行为判定方法及系统
CN112633163B (zh) 一种基于机器学习算法实现非法运营车辆检测的检测方法
CN111241918A (zh) 一种基于人脸识别的车用防跟踪方法及系统
CN116434203A (zh) 考虑驾驶人语言因素的愤怒驾驶状态识别方法
CN114913690A (zh) 交通精细化监控方法、系统和可读存储介质
CN114331181A (zh) 基于大数据的车辆驾驶行为风险分析方法
Chaba Influence of telematics of ubi insurance on the management of the fleet of company vehicles
CN111222587A (zh) 基于特征融合的失证人员危险驾驶行为预测方法及系统

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