CN116061953A - 一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法 - Google Patents
一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法 Download PDFInfo
- Publication number
- CN116061953A CN116061953A CN202211235789.XA CN202211235789A CN116061953A CN 116061953 A CN116061953 A CN 116061953A CN 202211235789 A CN202211235789 A CN 202211235789A CN 116061953 A CN116061953 A CN 116061953A
- Authority
- CN
- China
- Prior art keywords
- truck
- driving
- driving behavior
- data
- dangerous driving
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- 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)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法:获取货车行驶轨迹数据;对所述货车行驶轨迹数据进行初步清洗与数据转换;提取货车驾驶与停留特征;计算货车危险驾驶行为率,构建评价指标体系;使用熵权法构建危险驾驶行为评价模型。本发明公开了一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法针对货车危险驾驶行为,构建危险行为指标体系,在数据处理时间,计算精度都取得更加良好的效果。
Description
技术领域
本发明涉及道路安全技术领域,尤其涉及一种基于行驶轨迹数据的货车驾驶行为评估方法。
技术背景
随着货运行业的进步,货车作为主要陆地运输工具,数量激增,但货车交通事故数量也在增加,这是因为货车的重量大,行驶过程中动量远大于家用车辆,制动性较差,超速超载、夜间驾驶和疲劳驾驶等危险驾驶行为导致货车交通事故频发,亟需对货车的驾驶行为进行规范和监督。
随着GPS的普及,可以记录货车的行驶轨迹数据,这让货车驾驶行为的研究变得可行,GPS可以不断采集包括空间位置(纬度和经度),时间,速度等行驶轨迹数据。目前常用的判别方法是分析处理规模庞大的轨迹数据,由于数据繁杂,有处理时间长、精度低等缺点,且大部分仅对货车行驶轨迹数据进行初步处理,没有获得最终的判别结果。
上述技术没有准确的针对危险驾驶行为进行判别,导致结果缺少实际的应用性,不能准确的对驾驶行为进行研究判别。因此,在掌握了驾驶轨迹数据时,一套可以针对危险驾驶行为,准确判断风险因素的技术尤为重要。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的货车驾驶行为判别方法,存在处理时间长,判别精度低,且没有针对危险驾驶行为准确判别的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法,包括:
获取货车行驶轨迹数据;
对所述货车行驶轨迹数据进行初步清洗与数据转换;
提取货车驾驶与停留特征;
计算货车危险驾驶行为率,构建评价指标体系;
使用熵权法构建危险驾驶行为评价模型。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述货车行驶轨迹数据包括GPS响应的时间、GPS 响应的实时坐标经纬度和所述货车的车牌号。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述对行驶轨迹初步清洗和数据转换包括:
删除错误数据,所述货车行驶轨迹数据包括定位经纬度无效的数据,定位时间无效的数据;
删除不在研究范围内的坐标;
对货车轨迹数据中的各个字段进行数据转换。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述提取行驶和停留特征包括:
设车辆的行驶轨迹点为点集S,点集S里包含n个停留点。计算车辆行驶轨迹点中相邻两个停留点间的距离值,距离值的计算方法如下:
其中α=lat1-lat2,β=lon1-lon2,lon1、lat1代表两点之一的经纬度坐标。
lon2、lat2代表另一个点的经纬度坐标;
通过计算的距离值,设定停留点的距离阈值范围。其阈值的设定方法如下:
计算货车在道路上行驶中相邻两点的距离最小值为d1;
计算货车轨迹点分布在道路以外的相邻两点的距离最小值为d2,则所述距离阈值的设定范围可在(d1,d2]区间之中,该区间为左开右闭的区间;
连续点之间的距离通过速度公式可得到货车的行驶速度。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述提取行驶和停留特征还包括:对于停留点点集S 的另一特征,点集S中需要判别含有最小的点个数sam,sam根据时间进行划分;
其中sam表示一段时间T内,货车多次在该区域范围内停靠的次数;
利用无监督学习中密度聚类算法对所有轨迹点进行识别提取,获得单个实际停留点的经纬度坐标;
建立GPS全球定位坐标系统,坐标系为WGS84,字段信息包括路段id、道路名称、道路等级,计算违禁停车区域。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述货车危险驾驶行为的评价指标体系包括货车夜间出行率、货车超速驾驶率、货车疲劳驾驶率、违规停车率。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:对所述各项不良驾驶行为进行标准化处理,表示为:
其中xki表示经过标准化的各项样本;xi表示各项原始样本。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述各项不良驾驶行为指标占该指标的比重,表示为:
其中n为样本数量。
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述各项不良驾驶行为指标的权值,表示为:
di=1-ei
其中di为各指标的信息熵冗余度,
作为本发明所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法的一种优选方案,其中:所述货车司机驾驶安全行为评价表示为:
Score=∑ωi·xi
Score值反映了该货车司机的驾驶安全水平的高低。
本发明的有益效果:本发明提供的基于行驶轨迹数据的货车危险驾驶行为判别评价方法降低了对数据的处理时间,提取驾驶和停留特征,构建危险驾驶行为的评价指标体系,针对危险驾驶行为进行判别,从而减少数据处理时间,计算更加准确,并用熵权法评价模型,体现不良驾驶行为对综合安全评价的影响大小。本发明在数据甄选,处理时间,判别精度等方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法的整体流程图;
图2为本发明一个实施例提供的一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法的原始数据空间可视化图;
图3为本发明一个实施例提供的一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法的夜间行驶轨迹点识别图;
图4为本发明一个实施例提供的一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法的车辆违规停车示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法,包括:
S1:获取货车行驶轨迹数据;
应说明的是,所述货车行驶轨迹数据包括GPS响应的时间、GPS响应的实时坐标经纬度和所述货车的车牌号;
GPS响应的时间,其特征为某年某月某日,某时某分某秒,其字段类型为时间类型;
GPS响应的实时坐标经纬度,其特征为货车收到响应时的实时坐标点,包括经度坐标、纬度坐标,其字段类型为浮点数类型
所述货车GPS轨迹数据返回时以其对应的货车车牌号为文件名进行返回操作,以黄、蓝代表车牌的颜色,反映货车车型大小,以代表省份的简称、各地级市的字母代码和车牌号组合而成。
还应说明的是,本发明所述货车GPS轨迹数据没有做过人为的轨迹偏移。
S2:对所述行驶轨迹初步清洗和数据转换;
应说明的是,考虑到由于高楼树木遮挡等因素造成的信号缺失,对数据进行如下规则清洗:
(1)删除错误数据,包括定位经纬度无效的数据,定位时间无效的数据。
(2)删除GPS坐标不在研究范围内的坐标。
(3)按照S1中所述的字段类型格式,对货车GPS轨迹数据中的各个字段进行数据转换。
S3:提取行驶和停留特征;
应说明的是,考虑到对于不同货车,其GPS轨迹数据收集的时间间隔不同,停留点可以通过某市某个区域范围内点与点之间的距离阈值与停留点的个数再结合密度聚类算法的方法去提取。
还应说明的是,通过停留点的特征可以发现在一段的周期内,货车运输的停留点位置基本是一样的。因此与货车在路段上行驶不同,停留点的特征是一大串点集。设车辆的行驶轨迹点为点集S,点集S里包含个停留点 (=1,2,3…n)。先计算点集S内相邻两个停留点间的距离值,距离值的计算方法如下:
其中α=lat1-lat2,β=lon1-lon2,lon1、lat1代表两点之一的经纬度坐标。
lon2、lat2代表另一个点的经纬度坐标;
通过计算的距离值,设定停留点的距离阈值范围。其阈值的设定方法如下:
计算货车在道路上行驶中相邻两点的距离最小值为d1;
计算货车轨迹点分布在道路以外的相邻两点的距离最小值为d2,则所述距离阈值的设定范围可在(d1,d2]区间之中,该区间为左开右闭的区间。
应说明的是,连续点之间的距离通过速度公式可得到货车的行驶速度
更进一步的,对于停留点点集S的另一特征,点集S中需要判别含有最小的点个数sam,即在一段时间T内,货车应该是多次在该区域范围内进行停靠。对于sam的取值可以根据不同的时间周期T来进行划分,如在一个月内 sam的值应该大于等于10;
确定好距离阈值与最小点集个数sam后,利用无监督学习中密度聚类算法对所有轨迹点进行识别提取,识别后的特征如下:对于不属于备选停留点的点集pelse记为标签-1,对于属于备选停留点上的点pss记为标签1,2,3…n。 n代表备选停留点的总个数;
对于备选停留点pss单独进行提取,由于货车在一个停留点发生装卸货或者短暂停靠行为时,可能会在一个区域中邻近的时间段内有多个相类似的点。考虑时间序列顺序对停留点pss进行分组划分得到分组点集pssd;
接着筛选出每个pssd点集内第一次进入该停留区域的记录时间stime和最后驶出该停留区域的记录时间etime。计算其时间差值Δt,Δt的计算公式如下:Δt=stime-etime。显然得出了货车在某天某个时间内在某个备选停留点的时间差值Δt。再根据Δt筛选出在此范围内停靠时间超过5分钟的点,作为货车的实际停留点preal;
由于实际停留点应该是单个点,而非点集。因此选取preal点集的中点坐标作为单个实际停留点的经纬度坐标。
还应说明的是,对于判别停留点是否在禁止停车区域,其具体的方法如下:
(1)获取研究范围内的道路路网线型文件,建立GPS全球定位坐标系统,坐标系为WGS84,字段信息包括路段id、道路名称、道路等级。
(3)利用GIS生成缓冲区的技术,对路网生成距离为db的缓冲区,其类型为面类型,db的取值,可根据实际需求进行不同的调整。
(4)对于道路外的禁止停车区域我们可以通过建立电子围栏的方式在 GIS中将禁止停车区域框选出来建立电子围栏。
(4)对轨迹点与禁止停车区域利用GIS中的空间连接的技术,筛选出轨迹点中位于禁停区域中的停车点pr,显然,其余的停车点为ps。
S4:货车危险驾驶行为的评价指标体系;
应说明的是,所述货车危险驾驶行为的评价指标体系包括货车夜间出行率、货车超速驾驶率、货车疲劳驾驶率、违规停车率。
还应说明的是,所述货车夜间出行率表示为:
(1)货车夜间出行率Et指标表示在一定周期时间T内货车夜间出行时间Tnight与货车在周期T内出行总时间Tall的比值Et=Tnight/Tall。
(2)货车的出行时间可根据轨迹点数量进行获取,由于货车轨迹数据的采样间隔Tc为固定,出行总时间Tall为轨迹点数Pnums与采样时间间隔Tc 的乘积Tall=Pnums*Tc,记时间戳在23点至次日5点之间的轨迹点为夜间出行,计算车辆在周期T内的夜间出行时间。
(3)夜间出行次数统计。在S3中已经得到了货车的停止时间和出发时间,对于在23点至次日5点有驾驶行为的车辆记为一次夜间出行。统计所有车辆在周期内的夜间出行次数。
还应说明的是,货车超速驾驶率表示为:
(1)货车超速驾驶率指标Es是指在一定时间周期T内,车辆超速驾驶次数Nspeeding与行驶里程的相对关系,即每千公里超速驾驶次数Es= Nspeeding*1000/Dis。
(2)超速驾驶次数统计。在S3中已经得到了货车的行驶速度及道路的特征信息。如果货车行驶速度大于道路限速标准,且时间超过1min即记为一次超速行为。统计所有车辆在周期T内的超速驾驶次数。
(3)实际行驶里程计算。在S3中已经计算出两相邻轨迹点之间的距离,实际行驶里程即为该货车轨迹数据所有相邻轨迹点距离之和。
还应说明的是,货车疲劳驾驶率表示为:
(1)货车疲劳驾驶率指标Ef是指在一定时间周期T内,货车的总疲劳驾驶次数fnums与行驶时间的关系,即每月疲劳驾驶率Ef=fnums*T/30。
(2)疲劳驾驶次数统计在步骤3中已经得到了货车的出发时间和停止时间,同过停止时间减去上一次的开始时间即可得到驾驶时长,如果驾驶时长超过四小时和驾驶时间超过三小时且休息时间少于20min记一次疲劳驾驶。统计所有车辆的疲劳驾驶次数。
还应说明的是,违规停车率表示为:
(1)违规停车率指标Ei是指在一定时间周期T内货车违规停车的次数 Pi_nums与货车总停车次数Pall_nums的比值Ei=Pi_nums/Pall_nums
(2)违规停车次数统计,在步骤三中我们已经统计了停留点的经纬度信息,如果停留点在道路缓冲区中且停留时间超过15min记为一次违规停车。统计所有车辆的违规停车次数。
更进一步的,对所述评价指标体系对各项不良驾驶行为进行标准化处理,其具体方法如下:
其中xki表示经过标准化的各项样本;xi表示各项原始样本。
S5:利用熵权法构建危险驾驶行为评价模型;
应说明的是,熵是一种对不确定性的度量。依据熵的特性,通过计算驾驶员不良驾驶行为的熵值来判断,某一驾驶行为的随机性和无序度,用熵值来判断这个行为指标的离散程度,用不良驾驶行为的离散程度,来体现这一不良驾驶行为对最后综合安全评价的影响大小。
还应说明的是,所述各项不良驾驶行为指标占该指标的比重,表示为:
其中n为样本数量。
还应说明的是,求各项不良驾驶行为的信息熵ei,其信息熵具体处理过程为:
更进一步的,计算各项不良驾驶行为指标的权值ωi
di=1-ei
其中di为各指标的信息熵冗余度,
更进一步的,根据权重与对应的数值相乘并求和,即:
Score=∑ωi·xi
Score值反映了该货车司机的驾驶安全水平的高低。
实施例2
参照图2-4,为本发明的一个实施例,提供了一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
使用python来评估算法。模拟已在具有Intel处理器和8GB RAM的环境中运行。使用的操作系统是64位Windows 7Ultimate。用python编程语言对点对点系统进行仿真,连接记录,构建数据分布;使用qgis绘制图2和图3。
如表1原始货车行驶轨迹数据表所示,通过GPS收集货车的经纬度和采集时的响应时间。
Timestamp | Latitide | Longitude |
1609431275990 | 31.751105 | 117.0939 |
1609438447193 | 31.751105 | 117.0939 |
1609445619949 | 31.751105 | 117.0939 |
1609452520583 | 31.751105 | 117.0939 |
1609454313519 | 31.751105 | 117.0939 |
1609456106493 | 31.751105 | 117.0939 |
1609457899416 | 31.751105 | 117.0939 |
1609459692502 | 31.751105 | 117.0939 |
1609461486414 | 31.751105 | 117.0939 |
1609463279769 | 31.751105 | 117.0939 |
1609465072347 | 31.751105 | 117.0939 |
1609466865252 | 31.751105 | 117.0939 |
1609468658316 | 31.751105 | 117.0939 |
1609470451037 | 31.751105 | 117.0939 |
1609472244293 | 31.751105 | 117.0939 |
1609474037971 | 31.751105 | 117.0939 |
1609475830886 | 31.751105 | 117.0939 |
1609477623996 | 31.751105 | 117.0939 |
1609479416802 | 31.751105 | 117.0939 |
1609481209931 | 31.751105 | 117.0939 |
1609483002952 | 31.751105 | 117.0939 |
表1原始货车行驶轨迹数据表
如表2超速驾驶行为判别表所示,可以精确至货车所在的路段,每分钟检测速度,分均速度超过限速时,判别为超速。
veh_ID | speed | street | class | speed limit | speeding |
皖A****26 | 73 | 102省道 | 二级道路 | 60 | TRUE |
皖A****26 | 70 | 102省道 | 二级道路 | 60 | TRUE |
皖A****26 | 65 | 102省道 | 二级道路 | 60 | TRUE |
皖A****26 | 59 | 102省道 | 二级道路 | 60 | TRUE |
皖A****26 | 55 | 102省道 | 二级道路 | 60 | TRUE |
表2超速驾驶行为判别表
图2和图3表示了货车的总行驶轨迹和夜间行驶轨迹,根据轨迹点计算夜间行驶时间,计算夜间行驶时间和总行驶时间的比值可以得出夜间出行率。
图4根据S3判断的货车停留特征标记货车停车点,根据禁停区域数据判断了禁停位置和符合停车区域时的停留位置。
如表3车辆疲劳驾驶判别表根据货车开始行驶时间和停滞时间得出驾驶的时长和休息的时长,以此判别是否疲劳驾驶。
veh_ID | travel time | break time | fatigue driving |
皖A****26 | 3.5 | 0.2 | TRUE |
皖A****26 | 3 | 8 | FALSE |
皖A****26 | 2.5 | 3 | FALSE |
皖A****26 | 2 | 4.2 | FALSE |
皖A****26 | 3 | 5.3 | FALSE |
如表3车辆疲劳驾驶判别表
如表4车辆危险驾驶行为特征统计表分析了6辆货车某月的危险驾驶行为。
车牌号 | 夜间出行率 | 超速驾驶次数 | 疲劳驾驶次数 | 违规停车率 |
皖A****60 | 0.2 | 5 | 2 | 0.32 |
皖A****51 | 0.1 | 2 | 1 | 0.25 |
皖A****18 | 0.06 | 0 | 2 | 0.16 |
皖A****67 | 0.41 | 10 | 4 | 0.31 |
皖A****42 | 0.21 | 3 | 0 | 0.37 |
表4车辆危险驾驶行为特征统计表
表5分析了传统方法与我方发明的数据精度对比,可以看出我方发明在货车夜间出行率、货车超速驾驶率、货车疲劳驾驶率、违规停车率上都更加精确,超速驾驶次数和疲劳驾驶次数几乎为0,夜间出行率和违规停车率率的误差也比传统方法低,且我方发明从众多数据中筛选出危险驾驶行为数据,构建指标体系,依据危险驾驶行为指标体系和熵权法进行判断,无需分析处理全部规模庞大的轨迹数据大大减少了处理时间。
技术误差 | 夜间出行率 | 超速驾驶次数 | 疲劳驾驶次数 | 违规停车率 |
传统技术误差 | <±0.05 | <±1 | <±1 | <±0.008 |
我方发明误差 | <±0.01 | ≈0 | ≈0 | <±0.002 |
表5误差对比表
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法,其特征在于,包括:
获取货车行驶轨迹数据;
对所述货车行驶轨迹数据进行初步清洗与数据转换;
提取货车驾驶与停留特征;
计算货车危险驾驶行为率,构建评价指标体系;
使用熵权法构建危险驾驶行为评价模型。
2.如权利要求1所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法,其特征在于:所述货车行驶轨迹数据包括GPS响应的时间、GPS响应的实时坐标经纬度和所述货车的车牌号。
3.如权利要求2所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法,其特征在于:所述对行驶轨迹初步清洗和数据转换包括:
删除错误数据,所述货车行驶轨迹数据包括定位经纬度无效的数据,定位时间无效的数据;
删除不在研究范围内的坐标;
对货车轨迹数据中的各个字段进行数据转换。
4.如权利要求3所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法,其特征在于:所述提取行驶和停留特征包括:
设车辆的行驶轨迹点为点集S,点集S里包含n个停留点。计算车辆行驶轨迹点中相邻两个停留点间的距离值,距离值的计算方法如下:
其中α=lat1-lat2,β=lon1-lon2,lon1、lat1代表两点之一的经纬度坐标。
lon2、lat2代表另一个点的经纬度坐标;
通过计算的距离值,设定停留点的距离阈值范围。其阈值的设定方法如下:
计算货车在道路上行驶中相邻两点的距离最小值为d1;
5.如权利要求4所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法,其特征在于:所述提取行驶和停留特征还包括:对于停留点点集S的另一特征,点集S中需要判别含有最小的点个数sam,sam根据时间进行划分;
其中sam表示一段时间T内,货车多次在该区域范围内停靠的次数;
利用无监督学习中密度聚类算法对所有轨迹点进行识别提取,获得单个实际停留点的经纬度坐标;
建立GPS全球定位坐标系统,坐标系为WGS84,字段信息包括路段id、道路名称、道路等级,计算违禁停车区域。
6.如权利要求1所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法,其特征在于:所述货车危险驾驶行为的评价指标体系包括货车夜间出行率、货车超速驾驶率、货车疲劳驾驶率、违规停车率。
10.如权利要求9所述的基于行驶轨迹数据的货车危险驾驶行为判别评价方法,其特征在于:所述货车司机驾驶安全行为评价表示为:
Score=∑ωi·xi
Score值反映了该货车司机的驾驶安全水平的高低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211235789.XA CN116061953A (zh) | 2022-10-10 | 2022-10-10 | 一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211235789.XA CN116061953A (zh) | 2022-10-10 | 2022-10-10 | 一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116061953A true CN116061953A (zh) | 2023-05-05 |
Family
ID=86182698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211235789.XA Pending CN116061953A (zh) | 2022-10-10 | 2022-10-10 | 一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116061953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486639A (zh) * | 2023-06-14 | 2023-07-25 | 眉山环天智慧科技有限公司 | 一种基于遥感和北斗卫星数据分析的车辆监管方法 |
-
2022
- 2022-10-10 CN CN202211235789.XA patent/CN116061953A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486639A (zh) * | 2023-06-14 | 2023-07-25 | 眉山环天智慧科技有限公司 | 一种基于遥感和北斗卫星数据分析的车辆监管方法 |
CN116486639B (zh) * | 2023-06-14 | 2023-09-29 | 眉山环天智慧科技有限公司 | 一种基于遥感和北斗卫星数据分析的车辆监管方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Method for identifying factors contributing to driver-injury severity in traffic crashes | |
CN109410586A (zh) | 一种基于多元数据融合的交通状态检测方法 | |
CN110275934A (zh) | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN103971523A (zh) | 一种山区道路交通安全动态预警系统 | |
CN111462488A (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
CN111311910B (zh) | 多层次道路级浮动车异常轨迹探测方法 | |
CN108665191A (zh) | 基于聚集效应的地铁站外关联区域计算方法 | |
CN106227859A (zh) | 从gps数据中识别交通工具的方法 | |
CN111178577A (zh) | 一种基于geohash算法的服务站选址方法 | |
CN116061953A (zh) | 一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
US20220319323A1 (en) | Method for identifying road risk based on networked vehicle-mounted adas | |
CN114550445A (zh) | 一种城市区域交通安全状态评估方法和装置 | |
CN113138979A (zh) | 一种基于轨迹数据的高速服务区货车服务水平评价方法 | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN110263074B (zh) | 一种基于lle和k均值法挖掘违法事故对应关系的方法 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
Xu et al. | Novel fast safety assessment method for the buffer section of maintenance work zone | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN109448377B (zh) | 一种使用卫星定位数据进行车辆行驶安全性评价的方法 | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
CN114814825B (zh) | 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法 |
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 |