CN116432864A - 一种区域营运驾驶员群体安全态势的预测方法及系统 - Google Patents

一种区域营运驾驶员群体安全态势的预测方法及系统 Download PDF

Info

Publication number
CN116432864A
CN116432864A CN202310620783.2A CN202310620783A CN116432864A CN 116432864 A CN116432864 A CN 116432864A CN 202310620783 A CN202310620783 A CN 202310620783A CN 116432864 A CN116432864 A CN 116432864A
Authority
CN
China
Prior art keywords
regional
safety
driver
hpo
situation
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
CN202310620783.2A
Other languages
English (en)
Inventor
刘梓伟
席建锋
丁同强
李志强
田建
郑黎黎
赵军龙
张连欣
董龙威
佟强
李铸鹏
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 CN202310620783.2A priority Critical patent/CN116432864A/zh
Publication of CN116432864A publication Critical patent/CN116432864A/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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)

Abstract

本发明属于道路交通安全技术领域及道路车辆驾驶系统控制技术领域，具体涉及一种区域营运驾驶员群体安全态势的预测方法及系统，系统包括数据采集预处理模块、安全态势评估模块以及安全态势预测模块，从宏观角度对区域营运驾驶员群体进行整体安全态势的评估与预测，采用HPO猎人猎物优化算法对LSTM神经网络进行优化，降低了LSTM网络中的超参数对预测结果的影响，增强了预测结果的准确度；通过驾驶员‑载运工具‑管理中心的智能网联和信息交互，有机联动相关领域，针对区域营运驾驶员群体安全风险特征，从多个维度综合评估，全面系统的对区域营运驾驶员群体的安全态势进行分析预测。

Description

一种区域营运驾驶员群体安全态势的预测方法及系统
技术领域
本发明涉及道路交通安全技术领域及道路车辆驾驶系统控制技术领域，具体涉及一种区域营运驾驶员群体安全态势的预测方法及系统。
背景技术
在交通安全态势研究方面，目前研究重点集中在对区域交通安全态势的评估，例如中国专利CN 112669596 B公开了一种基于大数据的交通安全态势判别系统及方法，通过考虑车辆信息、违章信息以及网络信息等数据，预测路网拥堵点位置及拥堵点范围，计算拥堵点一定范围内的安全态势价值度数值总值，以判断交通安全态势的动态等级；又如中国专利CN 114360251 A公开了一种基于影响交通安全多维度综合交通安全指数计算方法，通过考虑接警量、交通指数、在途量、日期时段、日常天气等这些信息，通过加权求和，量化当前或某个时段内城市路网的交通安全情况。由于上述研究只对某一段已发生时间交通安全指数进行量化，未对安全态势进行未来预测，交管部门难以提前采取措施预防重大公共安全事故的发生。区域营运驾驶员群体安全态势不仅涉及区域环境、营运车辆、区域道路、区域社会发展，还与营运驾驶员这一特殊群体有关，应该对区域营运驾驶员群体安全态势的感知、评估及预测进行综合性的研究。
发明内容
为解决背景技术中存在的问题，本发明提供一种区域营运驾驶员群体安全态势的预测方法及系统。
本发明的技术方案如下：
一种区域营运驾驶员群体安全态势的预测方法，包括以下步骤：
步骤S1：采集、存储某区域评估日在内的n天内所有影响区域营运驾驶员群体安全风险的相关指标数据，将相关指标分为一级指标和二级指标，每个一级指标包括多个二级指标；
步骤S2：对二级指标数据进行归一化预处理；
步骤S3：对预处理后的二级指标数据分级，共分为4个等级{优秀、良好、一般、较差}，并赋值4、3、2、1；利用二级指标的等级数据，采用模糊层次分析法得到每天区域营运驾驶员群体的安全态势评估值；
步骤S4：使用HPO猎人猎物优化算法对LSTM神经网络进行优化，得到HPO-LSTM神经网络；
步骤S5：将历史的安全态势评估值作为样本集，样本集以4:1的比例划分为训练集和测试集；将训练集输入HPO-LSTM神经网络中进行训练，当训练误差达到设定好的阈值或者学习率达到设定的上限次数后，停止训练，得到HPO-LSTM训练模型；
步骤S6：将测试集输入到HPO-LSTM训练模型中，得到相应的安全态势预测值，并对安全态势预测值的精度进行验证；
步骤S7：若不满足精度要求，则重复步骤S4~S6的过程，直至满足精度要求，此时，该HPO-LSTM训练模型即为HPO-LSTM区域营运驾驶员群体安全态势预测模型，通过该预测模型能够输出评估日后七日内的安全态势预测值。
作为本发明的优选，步骤S2中，对各个二级指标数据进行标准化处理，设一共存在
Figure SMS_1
个二级指标/>
Figure SMS_2
，标准化之后结果为/>
Figure SMS_3
，则：
Figure SMS_4
；
式中：
Figure SMS_5
为第/>
Figure SMS_6
个指标第/>
Figure SMS_7
天的实际数值，/>
Figure SMS_8
为第/>
Figure SMS_9
个指标第/>
Figure SMS_10
天的标准化值。
作为本发明的优选，步骤S3中，安全态势评估值的获得方法如下：
步骤S301：基于二级指标的等级数据，构建模糊一致判断矩阵，确定区域营运驾驶员群体安全态势相关指标的等级标准；采用熵权法及层次分析法分别得到一级指标权重和在对应的一级指标下各二级指标的权重；
步骤S302：对各二级指标进行归一化处理，得到评价区域营运驾驶员群体安全态势的权向量；
步骤S303：建立隶属度关系矩阵；
根据区域营运驾驶员群体安全态势相关指标的等级标准，设置影响区域营运驾驶员群体安全态势的隶属度关系矩阵公式，计算每个相关指标对应的隶属度关系矩阵；
步骤S304：将步骤302得出的权向量和步骤S303得出的隶属度关系矩阵，采用模糊算子进行结合，合成模糊综合评价结果，即安全态势评估值。
作为本发明的优选，所述步骤S4中，LSTM神经网络优化的具体方法如下：
步骤S401：初始化HPO猎人猎物优化算法种群数和最大迭代次数；
步骤S402：初始化LSTM神经网络超参数分别为：隐藏层数目、隐藏层结点数量、和学习率，并计算每个超参数的适应度值；
步骤S403：基于猎人搜索机制确定探索和开发之间平衡参数
Figure SMS_11
、自适应参数/>
Figure SMS_12
、所用超参数的平均位置/>
Figure SMS_13
；
步骤S404：判断猎人与猎物，将欧几里得距离平均位置最大的视为猎物
Figure SMS_14
；
步骤S405：更新猎物的位置至安全位置，即全局最优位置
Figure SMS_15
；
步骤S406：判断HPO猎人猎物优化算法是否已迭代到最大次数或猎物的位置已更新到最优位置
Figure SMS_16
，如果满足其中之一，则输出全局最优位置/>
Figure SMS_17
，得到HPO-LSTM神经网络，否则迭代次数加一，从步骤S403开始执行，直至输出全局最优位置/>
Figure SMS_18
。
作为本发明的优选，步骤S6中，验证的指标包括平均相对误差、平均绝对误差和最小均方误差。
作为本发明的优选，一级指标包括区域营运驾驶员、区域营运驾驶员报警、区域营运事故、区域营运车辆、区域道路、区域气象环境和区域社会发展。
作为本发明的优选，所述区域营运驾驶员的二级指标包括区域营运驾驶员人数、区域营运驾驶员适岗性评分、区域营运驾驶员人均收入、区域营运驾驶员平均工作时长；其中区域营运驾驶员适岗性评分来自于驾驶员定期体检和营运公司安全管理人员评价驾驶员安全意识的打分，分数区间为1至10，其中10分最高，1分最低，区域营运驾驶员适岗性评分为区域内所有营运驾驶员适岗性评分的均值；
所述区域营运驾驶员报警的二级指标包括驾驶员出现抽烟、打电话、分心驾驶、超速、疲劳、未系安全带、斑马线未礼让行人、双手脱离方向盘行为的报警次数；
所述区域营运事故的二级评价指标包括区域营运事故起数、事故死亡人数、事故受伤人数、事故直接财产损失数；
所述区域营运车辆的二级指标包括区域营运车辆数、区域营运车辆日平均行驶速度、区域营运车辆日平均行驶里程、区域营运车辆平均使用年限、区域营运车辆日平均载客人数/载货量；
所述区域道路的二级指标包括区域道路总里程、区域交叉口数量、区域路面摩擦系数、区域交通安全设施完整率、区域二级及以上道路比率；
所述区域气象环境的二级指标包括温度、能见度、降雨量、降雪量、风速；
所述区域社会发展的二级指标包括区域人均GDP、区域人口、区域拥堵指数。
作为本发明的优选，区域营运驾驶员群体包括“两客一危”驾驶员、城市公交驾驶员、城市出租车驾驶员。
本发明的第二个目的是提供一种区域营运驾驶员群体安全态势的预测系统，包括数据采集预处理模块、安全态势评估模块以及安全态势预测模块；
所述数据采集预处理模块：采集某一区域当前及历史某段时间内影响区域营运驾驶员群体安全风险的相关数据，并对数据进行归一化预处理；
所述安全态势评估模块：采用模糊层次分析法对当前及历史某段时间内的区域营运驾驶员群体安全态势值进行计算得到样本集；
所述安全态势预测模块：将样本集分为训练集和测试集，将训练集输入HPO-LSTM神经网络中，得到HPO-LSTM训练模型，将测试集输入到HPO-LSTM训练模型中进行精度验证，当满足精度要求，该HPO-LSTM训练模型即为HPO-LSTM区域营运驾驶员群体安全态势预测模型，通过该预测模型能够输出评估日后七日内的安全态势预测值。
本发明的有益效果如下：
本发明构建的区域营运驾驶员群体安全态势的预测方法及系统，具有一致性的区域营运驾驶员群体安全态势指标体系，从宏观角度对区域营运驾驶员群体进行整体安全态势的评估与预测，采用HPO猎人猎物优化算法对LSTM神经网络进行优化，降低了LSTM网络中的超参数对预测结果的影响，增强了预测结果的准确度；通过驾驶员-载运工具-管理中心的智能网联和信息交互，有机联动相关领域行业监管层、企业管理层与一线驾驶人员，针对区域营运驾驶员群体安全风险特征，从多个维度综合评估区域营运驾驶员群体安全态势值，全面系统的对区域营运驾驶员群体的安全态势进行分析预测，最终实现微观人员行为与宏观安全态势的动态关联分析与风险协同防控，防范群死群伤重大公共安全事故的发生，能够有效提高公共安全水平、确保社会稳定运行。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为本发明的系统图；
图2为本发明中HPO猎人猎物优化算法流程图；
图3为本发明中LSTM神经网络原理图。
具体实施方式
为使本领域技术人员能够更好的理解本发明的技术方案及其优点，下面结合附图对本申请进行详细描述，但并不用于限定本发明的保护范围。
营运驾驶员群体安全态势是指营运驾驶员群体总体状况的宏观描述，反映营运驾驶员群体与驾驶环境交互活动的复杂安全状态及演变趋势，理解和掌握营运驾驶员群体安全态势有助于提高驾驶人交通管理效率及安全保障水平，具体是指区域营运驾驶员群体安全驾驶风险的状态及未来演变趋势；
其中，区域营运驾驶员群体包括“两客一危”驾驶员、城市公交驾驶员、城市出租车驾驶员。
实施例1
参阅图1，一种区域营运驾驶员群体安全态势的预测系统，包括数据采集预处理模块、安全态势评估模块以及安全态势预测模块；
数据采集预处理模块：采集某一区域当前及历史某段时间内影响区域营运驾驶员群体安全风险的相关数据，并对数据进行归一化预处理；
安全态势评估模块：采用模糊层次分析法对当前及历史某段时间内的区域营运驾驶员群体安全态势值进行计算得到样本集；
安全态势预测模块：将样本集分为训练集和测试集，将训练集输入HPO-LSTM神经网络中，得到HPO-LSTM训练模型，将测试集输入到HPO-LSTM训练模型中进行精度验证，当满足精度要求，该HPO-LSTM训练模型即为HPO-LSTM区域营运驾驶员群体安全态势预测模型，通过该预测模型能够输出评估日后七日内的安全态势预测值。
实施例2
参阅图1，一种区域营运驾驶员群体安全态势的预测方法，包括以下步骤：
步骤S1：采集、存储某区域评估日在内的n天内所有影响区域营运驾驶员群体安全风险的相关指标数据，将相关指标分为一级指标和二级指标，每个一级指标包括多个二级指标；
步骤S2：对二级指标数据进行归一化预处理；
对各个二级指标数据进行标准化处理，设一共存在
Figure SMS_19
个二级指标
Figure SMS_20
，标准化之后结果为/>
Figure SMS_21
，则：
Figure SMS_22
；
式中：
Figure SMS_23
为第/>
Figure SMS_24
个指标第/>
Figure SMS_25
天的实际数值，/>
Figure SMS_26
为第/>
Figure SMS_27
个指标第/>
Figure SMS_28
天的标准化值；
步骤S3：对预处理后的二级指标数据分级，共分为4个等级{优秀、良好、一般、较差}，并赋值4、3、2、1；利用二级指标的等级数据，采用模糊层次分析法得到每天区域营运驾驶员群体的安全态势评估值，获得方法如下：
步骤S301：基于二级指标的等级数据，构建模糊一致判断矩阵，确定区域营运驾驶员群体安全态势相关指标的等级标准；
首先，利用熵权法计算各个二级指标的信息熵
Figure SMS_29
，公式为：
Figure SMS_30
；
Figure SMS_31
；
式中，
Figure SMS_32
为第/>
Figure SMS_33
个特征在第/>
Figure SMS_34
天数据的权重，信息熵可以确定指标的重要程度；一级指标的信息熵为对应二级指标信息熵的总和；采用层次分析法中的1-9标度法，对一级指标的信息熵进行两两比较，对二级指标的信息熵进行两两比较，信息熵越大越重要，得到一级指标和二级指标的模糊一致判断矩阵，通过模糊一致判断矩阵确定区域营运驾驶员群体安全态势相关指标的等级标准；
另外，由于根据具体设定的判断矩阵的方法，每个权重都是通过两两比较得到的，因此在同一个矩阵中可能会出现相互矛盾的情况，因此需要对模糊一致判断矩阵检验，具体为：
计算判断矩阵的最大特征值
Figure SMS_37
和对应的特征向量/>
Figure SMS_42
，通过这两个指标计算一致性指标值/>
Figure SMS_43
、/>
Figure SMS_36
和/>
Figure SMS_38
；其中/>
Figure SMS_40
，其中/>
Figure SMS_41
为一级指标或二级指标的个数，/>
Figure SMS_35
可通过查表获得，/>
Figure SMS_39
，CR是一个判断值，/>
Figure SMS_44
说明判断矩阵不合理，需要调整判断矩阵的权重，得到的各层次特征向量里的元素即为对应指标的权重；
步骤S302：对各二级指标进行归一化处理，得到各个相关指标影响区域营运驾驶员群体安全态势的权向量
Figure SMS_45
；
权向量的取值就是各个特征对于最后评价事务的影响大小所决定的，一个因素对于最后事务的影响大，则权向量取值就大：
Figure SMS_46
；
式中
Figure SMS_47
为第/>
Figure SMS_48
个二级指标的权重值；
步骤S303：建立隶属度关系矩阵；
根据区域营运驾驶员群体安全态势相关指标的等级标准，设置影响区域营运驾驶员群体安全态势的隶属度关系矩阵公式，计算每个相关指标对应的隶属度关系矩阵；
步骤S304：将步骤302得出的权向量和步骤S303得出的隶属度关系矩阵，采用
Figure SMS_49
算子进行结合，合成模糊综合评价结果，即安全态势评估值；
步骤S4：参阅图2和图3，使用HPO猎人猎物优化算法对LSTM神经网络进行优化，得到HPO-LSTM神经网络，具体方法如下：
步骤S401：初始化HPO猎人猎物优化算法种群数和最大迭代次数；
将初始种群随机设置为
Figure SMS_50
，然后将种群所有成员（超参数）的目标函数计算为/>
Figure SMS_51
，其中n是种群中成员的数量，/>
Figure SMS_52
和/>
Figure SMS_53
分别为第n个成员的位置与目标函数；
初始种群中每个成员的位置由下式在搜索空间中随机生成：
Figure SMS_54
；
Figure SMS_55
；
式中，
Figure SMS_56
是猎人或猎物的位置，/>
Figure SMS_57
是问题变量的最小值（下限），/>
Figure SMS_58
是问题变量的最大值（上界），/>
Figure SMS_59
是待求解问题的变量数（维度），/>
Figure SMS_60
为随机函数；
步骤S402：初始化LSTM神经网络超参数，并计算每个超参数的适应度值；
将LSTM神经网络中的超参数：隐藏层数目、隐藏层结点数量、学习率转化为种群成员的位置，并设置超参数的上下限；
生成初始种群，并确定每个成员的位置，使用适应度函数
Figure SMS_61
，计算每个解的适应度值，以确定解的优劣，适应度函数为安全态势预测值与评估值的均方误差；
步骤S403：基于猎人搜索机制确定探索和开发之间平衡参数
Figure SMS_62
、自适应参数/>
Figure SMS_63
、所有成员的平均位置/>
Figure SMS_64
；
猎人搜索机制模型为：
Figure SMS_65
；
探索和开发之间的平衡参数
Figure SMS_66
，其值在迭代过程中从1减小到0.02，计算如下：
Figure SMS_67
；
自适应参数
Figure SMS_68
，计算如下：
Figure SMS_69
；/>
Figure SMS_70
；
所有成员的平均位置
Figure SMS_71
，计算如下：
Figure SMS_72
；
式中，
Figure SMS_78
是/>
Figure SMS_80
时刻猎人位置，/>
Figure SMS_85
是/>
Figure SMS_75
时刻猎人的位置，/>
Figure SMS_82
是猎物的位置，/>
Figure SMS_79
是第/>
Figure SMS_84
个变量对应的所有成员位置的平均值；/>
Figure SMS_86
和/>
Figure SMS_87
是[0,1]内的随机向量，/>
Figure SMS_73
是[0,1]内的随机数，P为与变量相关的随机向量，/>
Figure SMS_81
是满足条件/>
Figure SMS_76
的向量/>
Figure SMS_83
的索引值，/>
Figure SMS_77
为克罗内克积，/>
Figure SMS_88
是当前迭代次数，/>
Figure SMS_74
是最大迭代次数；
步骤S404：判断猎人与猎物，将欧几里得距离平均位置最大的视为猎物
Figure SMS_89
；
计算每个搜索代理（成员）与该平均位置的欧几里得距离，公式为：
Figure SMS_90
；
猎物
Figure SMS_91
位置的计算公式为：
Figure SMS_92
；
式中：
Figure SMS_93
表示排序，/>
Figure SMS_94
表示检索距离最小到最大的/>
Figure SMS_95
；
步骤S405：更新猎物的位置至安全位置，即全局最优位置
Figure SMS_96
；
如果每次迭代都考虑搜索代理与平均位置
Figure SMS_97
之间的最大距离，则该算法具有延迟收敛性，根据狩猎场景，当猎人捕获猎物时，猎物会死亡，而下一次，猎人会移动到新的位置，为了解决这个问题，采用一种递减机制：
Figure SMS_98
；
式中，
Figure SMS_99
是搜索代理的数量；
则猎物的位置计算公式更新如下：
Figure SMS_100
；
在算法开始时，
Figure SMS_101
的值等于N，因此，最后一个距离搜索代理的平均位置/>
Figure SMS_102
最远的搜索代理被选择为猎物，并被猎人捕获，假设该安全位置就是全局最优位置，这将使猎物有更好的生存几率，猎人可能会选择另一个猎物，因此，利用下式更新猎物位置：
Figure SMS_103
；
式中，
Figure SMS_104
是猎物的当前位置；/>
Figure SMS_105
是猎物的下一次迭代位置；/>
Figure SMS_106
是全局最优位置；/>
Figure SMS_107
是范围[-1,1]内的随机数；/>
Figure SMS_108
函数及其输入参数允许下一个位置在不同半径和角度的全局最优位置，并提高开发阶段的性能：
Figure SMS_109
；
其中，
Figure SMS_112
是[0,1]范围内的随机数,/>
Figure SMS_115
是一个调节参数，值设置为/>
Figure SMS_118
，如果/>
Figure SMS_111
值小于/>
Figure SMS_113
，搜索代理将被视为猎人，搜索代理的下一个位置将用式/>
Figure SMS_116
更新；如果/>
Figure SMS_117
值大于/>
Figure SMS_110
，搜索代理将被视为猎物，搜索代理的下一个位置用式/>
Figure SMS_114
更新；
步骤S406：判断HPO猎人猎物优化算法是否已迭代到最大次数或猎物的位置已更新到最优位置
Figure SMS_119
，如果满足其中之一，则输出全局最优位置/>
Figure SMS_120
，得到HPO-LSTM神经网络，否则迭代次数加一，从步骤S403开始执行，直至输出全局最优位置/>
Figure SMS_121
；
步骤S5：将历史的安全态势评估值作为样本集，样本集以4:1的比例划分为训练集和测试集；将训练集输入HPO-LSTM神经网络中进行训练，当训练误差达到设定好的阈值或者学习率达到设定的上限次数后，停止训练，得到HPO-LSTM训练模型；
步骤S6：将测试集输入到HPO-LSTM训练模型中，得到相应的安全态势预测值，并对安全态势预测值的精度进行验证，验证的指标包括平均相对误差、平均绝对误差和最小均方误差；
步骤S7：若不满足精度要求，则重复步骤S4~S6的过程，直至满足精度要求，此时，该HPO-LSTM训练模型即为HPO-LSTM区域营运驾驶员群体安全态势预测模型，通过该预测模型能够输出评估日后七日内的安全态势预测值。
进一步地，一级指标包括区域营运驾驶员、区域营运驾驶员报警、区域营运事故、区域营运车辆、区域道路、区域气象环境和区域社会发展；
区域营运驾驶员的二级指标包括区域营运驾驶员人数、区域营运驾驶员适岗性评分、区域营运驾驶员人均收入、区域营运驾驶员平均工作时长；其中区域营运驾驶员适岗性评分来自于驾驶员定期体检和营运公司安全管理人员评价驾驶员安全意识的打分，分数区间为1至10，其中10分最高，1分最低，区域营运驾驶员适岗性评分为区域内所有营运驾驶员适岗性评分的均值；
区域营运驾驶员报警的二级指标包括驾驶员出现抽烟、打电话、分心驾驶、超速、疲劳、未系安全带、斑马线未礼让行人、双手脱离方向盘行为的报警次数；
区域营运事故的二级评价指标包括区域营运事故起数、事故死亡人数、事故受伤人数、事故直接财产损失数；
区域营运车辆的二级指标包括区域营运车辆数、区域营运车辆日平均行驶速度、区域营运车辆日平均行驶里程、区域营运车辆平均使用年限、区域营运车辆日平均载客人数/载货量；
区域道路的二级指标包括区域道路总里程、区域交叉口数量、区域路面摩擦系数、区域交通安全设施完整率、区域二级及以上道路比率；
区域气象环境的二级指标包括温度、能见度、降雨量、降雪量、风速；
区域社会发展的二级指标包括区域人均GDP、区域人口、区域拥堵指数。
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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种区域营运驾驶员群体安全态势的预测方法，其特征在于，包括以下步骤：
步骤S1：采集、存储某区域评估日在内的n天内所有影响区域营运驾驶员群体安全风险的相关指标数据，将相关指标分为一级指标和二级指标，每个一级指标包括多个二级指标；
步骤S2：对二级指标数据进行归一化预处理；
步骤S3：对预处理后的二级指标数据分级，共分为4个等级{优秀、良好、一般、较差}，并赋值4、3、2、1；利用二级指标的等级数据，采用模糊层次分析法得到每天区域营运驾驶员群体的安全态势评估值；
步骤S4：使用HPO猎人猎物优化算法对LSTM神经网络进行优化，得到HPO-LSTM神经网络；
步骤S5：将历史的安全态势评估值作为样本集，样本集以4:1的比例划分为训练集和测试集；将训练集输入HPO-LSTM神经网络中进行训练，当训练误差达到设定好的阈值或者学习率达到设定的上限次数后，停止训练，得到HPO-LSTM训练模型；
步骤S6：将测试集输入到HPO-LSTM训练模型中，得到相应的安全态势预测值，并对安全态势预测值的精度进行验证；
步骤S7：若不满足精度要求，则重复步骤S4~S6的过程，直至满足精度要求，此时，该HPO-LSTM训练模型即为HPO-LSTM区域营运驾驶员群体安全态势预测模型，通过该预测模型能够输出评估日后七日内的安全态势预测值。
2.根据权利要求1所述的一种区域营运驾驶员群体安全态势的预测方法，其特征在于，步骤S2中，对各个二级指标数据进行标准化处理，设一共存在
Figure QLYQS_1
个二级指标
Figure QLYQS_2
，标准化之后结果为/>
Figure QLYQS_3
，则：
Figure QLYQS_4
；
式中：
Figure QLYQS_5
为第/>
Figure QLYQS_6
个指标第/>
Figure QLYQS_7
天的实际数值，/>
Figure QLYQS_8
为第/>
Figure QLYQS_9
个指标第/>
Figure QLYQS_10
天的标准化值。
3.根据权利要求2所述的一种区域营运驾驶员群体安全态势的预测方法，其特征在于，步骤S3中，安全态势评估值的获得方法如下：
步骤S301：基于二级指标的等级数据，构建模糊一致判断矩阵，确定区域营运驾驶员群体安全态势相关指标的等级标准；采用熵权法及层次分析法分别得到一级指标权重和对应的一级指标下各二级指标的权重；
步骤S302：对各二级指标进行归一化处理，得到评价区域营运驾驶员群体安全态势的权向量；
步骤S303：建立隶属度关系矩阵；
根据区域营运驾驶员群体安全态势相关指标的等级标准，设置影响区域营运驾驶员群体安全态势的隶属度关系矩阵公式，计算每个相关指标对应的隶属度关系矩阵；
步骤S304：将步骤302得出的权向量和步骤S303得出的隶属度关系矩阵，采用模糊算子进行结合，合成模糊综合评价结果，即安全态势评估值。
4.根据权利要求3所述的一种区域营运驾驶员群体安全态势的预测方法，其特征在于，所述步骤S4中，LSTM神经网络优化的具体方法如下：
步骤S401：初始化HPO猎人猎物优化算法种群数和最大迭代次数；
步骤S402：初始化LSTM神经网络超参数，分别为隐藏层数目、隐藏层结点数量和学习率，并计算每个超参数的适应度值；
步骤S403：基于猎人搜索机制确定探索和开发之间平衡参数
Figure QLYQS_11
、自适应参数/>
Figure QLYQS_12
、所用超参数的平均位置/>
Figure QLYQS_13
；
步骤S404：判断猎人与猎物，将欧几里得距离平均位置最大的视为猎物
Figure QLYQS_14
；
步骤S405：更新猎物的位置至安全位置，即全局最优位置
Figure QLYQS_15
；
步骤S406：判断HPO猎人猎物优化算法是否已迭代到最大次数或猎物的位置已更新到最优位置
Figure QLYQS_16
，如果满足其中之一，则输出全局最优位置/>
Figure QLYQS_17
，得到HPO-LSTM神经网络，否则迭代次数加一，从步骤S403开始执行，直至输出全局最优位置/>
Figure QLYQS_18
。
5.根据权利要求4所述的一种区域营运驾驶员群体安全态势的预测方法，其特征在于，步骤S6中，验证的指标包括平均相对误差、平均绝对误差和最小均方误差。
6.根据权利要求5所述的一种区域营运驾驶员群体安全态势的预测方法，其特征在于，一级指标包括区域营运驾驶员、区域营运驾驶员报警、区域营运事故、区域营运车辆、区域道路、区域气象环境和区域社会发展。
7.根据权利要求6所述的一种区域营运驾驶员群体安全态势的预测方法，其特征在于，所述区域营运驾驶员的二级指标包括区域营运驾驶员人数、区域营运驾驶员适岗性评分、区域营运驾驶员人均收入、区域营运驾驶员平均工作时长；其中区域营运驾驶员适岗性评分来自于驾驶员定期体检和营运公司安全管理人员评价驾驶员安全意识的打分，分数区间为1至10，其中10分最高，1分最低，区域营运驾驶员适岗性评分为区域内所有营运驾驶员适岗性评分的均值；
所述区域营运驾驶员报警的二级指标包括驾驶员出现抽烟、打电话、分心驾驶、超速、疲劳、未系安全带、斑马线未礼让行人、双手脱离方向盘行为的报警次数；
所述区域营运事故的二级评价指标包括区域营运事故起数、事故死亡人数、事故受伤人数、事故直接财产损失数；
所述区域营运车辆的二级指标包括区域营运车辆数、区域营运车辆日平均行驶速度、区域营运车辆日平均行驶里程、区域营运车辆平均使用年限、区域营运车辆日平均载客人数/载货量；
所述区域道路的二级指标包括区域道路总里程、区域交叉口数量、区域路面摩擦系数、区域交通安全设施完整率、区域二级及以上道路比率；
所述区域气象环境的二级指标包括温度、能见度、降雨量、降雪量、风速；
所述区域社会发展的二级指标包括区域人均GDP、区域人口、区域拥堵指数。
8.根据权利要求7所述的一种区域营运驾驶员群体安全态势的预测方法，其特征在于，区域营运驾驶员群体包括“两客一危”驾驶员、城市公交驾驶员、城市出租车驾驶员。
9.基于权利要求8的一种区域营运驾驶员群体安全态势的预测系统，其特征在于，包括数据采集预处理模块、安全态势评估模块以及安全态势预测模块；
所述数据采集预处理模块：采集某一区域当前及历史某段时间内影响区域营运驾驶员群体安全风险的相关数据，并对数据进行归一化预处理；
所述安全态势评估模块：采用模糊层次分析法对当前及历史某段时间内的区域营运驾驶员群体安全态势值进行计算得到样本集；
所述安全态势预测模块：将样本集分为训练集和测试集，将训练集输入HPO-LSTM神经网络中，得到HPO-LSTM训练模型，将测试集输入到HPO-LSTM训练模型中进行精度验证，当满足精度要求，该HPO-LSTM训练模型即为HPO-LSTM区域营运驾驶员群体安全态势预测模型，通过该预测模型能够输出评估日后七日内的安全态势预测值。
CN202310620783.2A 2023-05-30 2023-05-30 一种区域营运驾驶员群体安全态势的预测方法及系统 Pending CN116432864A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310620783.2A CN116432864A (zh) 2023-05-30 2023-05-30 一种区域营运驾驶员群体安全态势的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310620783.2A CN116432864A (zh) 2023-05-30 2023-05-30 一种区域营运驾驶员群体安全态势的预测方法及系统

Publications (1)

Publication Number Publication Date
CN116432864A true CN116432864A (zh) 2023-07-14

Family

ID=87081682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310620783.2A Pending CN116432864A (zh) 2023-05-30 2023-05-30 一种区域营运驾驶员群体安全态势的预测方法及系统

Country Status (1)

Country Link
CN (1) CN116432864A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993937A (zh) * 2024-04-07 2024-05-07 永立数智(北京)科技有限公司 基于大规模货运数据的网络货运驾驶员可信等级识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993937A (zh) * 2024-04-07 2024-05-07 永立数智(北京)科技有限公司 基于大规模货运数据的网络货运驾驶员可信等级识别方法

Similar Documents

Publication Publication Date Title
Tang et al. Crash injury severity analysis using a two-layer Stacking framework
Xi et al. A traffic accident causation analysis method based on AHP-Apriori
Jiang et al. Analysis of motorcycle accidents using association rule mining-based framework with parameter optimization and GIS technology
CN113380033B (zh) 基于人机混合增强智能的城市交通安全预警方法及系统
CN106095963A (zh) 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
Pauer Development potentials and strategic objectives of intelligent transport systems improving road safety
Hu et al. Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models
CN106780266B (zh) 基于主成分贡献度参数的事故热点内特性分析及行车指导方法
Niu et al. Analysis of truck drivers’ unsafe driving behaviors using four machine learning methods
CN116432864A (zh) 一种区域营运驾驶员群体安全态势的预测方法及系统
CN113887872A (zh) 一种基于态势评估技术的交通风险分级方法
CN115345347A (zh) 交通风险预测方法、装置、计算机设备和存储介质
Astarita et al. Developing new hybrid grey wolf optimization-based artificial neural network for predicting road crash severity
Takale et al. Road accident prediction model using data mining techniques
Zhao et al. Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots
Zhang et al. A road traffic accidents prediction model for traffic service robot
Zhao et al. Highway traffic crash risk prediction method considering temporal correlation characteristics
Liao et al. Hierarchical quantitative analysis to evaluate unsafe driving behaviour from massive trajectory data
Zhang Research on risk projection of urban road traffic safety based on RS-SVM combination model.
CN105205312A (zh) 道路事故热点成因分析和破坏度评估方法
Cen et al. A system design for driving behavior analysis and assessment
Figueredo et al. An immune-inspired technique to identify heavy goods vehicles incident hot spots
Xiong et al. Traffic safety evaluation and accident prediction of freeway: evidence from China
Khabiri et al. Application of data mining algorithm to investigate the effect of intelligent transportation systems on road accidents reduction by decision tree
Huang SVM‐Based Real‐Time Identification Model of Dangerous Traffic Stream State

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