CN117649143A - 一种基于驾驶员的生态驾驶行为评估方法及系统 - Google Patents
一种基于驾驶员的生态驾驶行为评估方法及系统 Download PDFInfo
- Publication number
- CN117649143A CN117649143A CN202311621643.3A CN202311621643A CN117649143A CN 117649143 A CN117649143 A CN 117649143A CN 202311621643 A CN202311621643 A CN 202311621643A CN 117649143 A CN117649143 A CN 117649143A
- Authority
- CN
- China
- Prior art keywords
- driving
- driver
- driving behavior
- generalized
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 claims abstract description 81
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 34
- 230000007704 transition Effects 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于驾驶员的生态驾驶行为评估方法及系统，包括：建立广义生态驾驶行为评估模型并确定广义生态驾驶行为评估模型的有效知识参数；采集驾驶员设定时间内的出行数据，获得其驾驶路线、时间及具体驾驶行为数据，并采集其一年内的车辆维护次数，定义驾驶事件；确定驾驶事件中部分评估参数阈值；标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数；将语言Z数输入至广义生态驾驶行为评估模型，通过高效的批量化迭代，获得了最终目标库所的真值；应用Z‑number得分函数计算各驾驶员的最终评估数据，以对各驾驶员的广义驾驶行为进行反馈。
Description
技术领域
本发明属于生态驾驶行为评估技术领域，尤其涉及一种基于驾驶员的生态驾驶行为评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
道路交通发展带来的能源消耗和空气污染问题已成为交通研究的焦点。生态驾驶因其见效快、成本低的特点，受到了众多学者的关注。如今，这一概念已成为道路交通节能减排的重要措施。大量研究探索了一系列生态驾驶行为的策略和培训方法。然而，大量研究表明，除非个人能感受到生态驾驶行为带来的直接益处，否则长期保持生态驾驶行为对个人而言具有挑战性。生态驾驶行为缺乏全面的评估和反馈机制被认为是难以坚持此类行为的根本原因。因此，精确评估驾驶员的生态驾驶能力势在必行目前，在多属性决策方法研究中，存在一些不足：1)决策问题自身的复杂性和决策信息存在的模糊性、不确定性；2)主观性太强；3)单一决策方法所存在的局限性。
事实上，除了具体的驾驶操作之外，广义的生态驾驶行为，即广义的生态驾驶行为，还包括车辆购买和维护、出行决策等取决于驾驶者主观意识的因素，而这正是生态驾驶推广和培训需要改进的地方。然而，传统的生态驾驶理论研究大多以单次出行中的单一车辆为研究对象，用于评价生态驾驶能力的参数主要集中在排放和油耗方面，忽视了驾驶员实际驾驶操作中的外部因素的耦合作用，可能导致结果不合理。此外，即使在现有的考虑到环境的综合评估框架和技术中，知识信息不准确的存在、对不确定性知识的获取的局限性以及评估各因素之间相互影响的模糊推理关系研究的缺乏也加剧了评估挑战。总的来说，目前的研究及技术主要是针对于具体行程的驾驶行为，缺少针对于驾驶员个人的驾驶习惯行为评估，技术上又缺乏对于评估各因素及其耦合关系的全面且合理的建模。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于驾驶员的生态驾驶行为评估方法，能够获得准确的评估结果。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了一种基于驾驶员的生态驾驶行为评估方法，包括：
建立广义生态驾驶行为评估模型并确定广义生态驾驶行为评估模型的有效知识参数；
采集驾驶员设定时间内的出行数据，获得其驾驶路线、时间及具体驾驶行为数据，并采集其一年内的车辆维护次数，定义驾驶事件；
确定驾驶事件中部分评估参数阈值，基于模糊标度，专家小组通过语言Z数对驾驶事件阈值进行评估，其中标准化为百分比的驾驶事件的评估语言Z数取值规则为：前一项根据百分比分段进行评价，后一项可信度为最大值，其他则基于专家系统对采集到的数据进行打分；
标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数；
将语言Z数输入至广义生态驾驶行为评估模型，通过高效的批量化迭代，获得了最终目标库所的真值；应用Z-number得分函数计算各驾驶员的最终评估数据，以对各驾驶员的广义驾驶行为进行反馈。
作为进一步的技术方案，建立广义生态驾驶行为评估模型时，采用Petri网实现。
作为进一步的技术方案，采用Petri网时，定义该Z数Petri网的知识参数如下：
其中，P,T,I,O代表的是整个Petri网的结构；
指的是对应库所所代表的命题事件的有限集合；
表示一个标识向量/>其中,αi是用Z数表示的对应库所的真度值，初始标识被记录为M0；
表示一个置信度向量/>其中,μi是用Z数表示的对应变迁规则的置信度；
表示一个阈值向量/>其中，λi是用Z数表示的对应库所的发生阈值；
同样表示一个阈值向量/>其中，λi则是用Z数表示的对应变迁的发生阈值；
Gw:T→[0,1]表示全局权重,其中，gwi对应的是变迁,体现一个变迁对其后续库所的相对重要性；
Lw:P→[0,1]表示局部权重,其中，lwi对应的是库所,体现一个库所对其后续变迁的相对重要性；
表示一个间接作用矩阵/>其中，sij用来表示库所之间的间接作用强度；
K:D×T→{-1,0,1}表示一个间接作用系数矩阵如果对应的间接作用是正向的,则kij＝1；如果对应的间接作用是负向的,则kij＝-1；否则,kij＝0；
输入各个事件的语言Z数值，即得到该驾驶员的广义驾驶行为评估得分，通过语言Z数去模糊化即可以得到一个【0，1】的值以实现评价。
作为进一步的技术方案，采集驾驶员设定时间内的出行数据时，通过车载OBD接口和GPS模块获取驾驶员设定时间内的出行数据。
作为进一步的技术方案，定义驾驶事件包括：
作为进一步的技术方案，还包括：确定部分评估参数阈值的步骤，包括：
划定急加速、急减速时加速度参数阈值：加速、减速情况下对应的车辆加速度±2m/s2，分别作为急加速、急减速时加速度参数阈值；
根据道路行驶能见度划定天气恶劣阈值：能见度低于100m；
划定后备箱大载重阈值：超过后备箱最大载重的百分之六十。
作为进一步的技术方案，标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数，具体为：
针对急加速，统计每一次出行的急加速在加速时间中的占比进行转化；
针对急减速，统计每一次出行的急减速在减速时间中的占比进行转化；
针对频繁的加速，统计每一次出行的加速时间占比；
针对频繁的减速，统计每一次出行的减速时间占比；
针对天气状况恶劣，统计天气情况恶劣的出行次数占比；
针对频繁的空挡滑行，统计每一次出行的空挡滑行时间占比；
针对驾驶模式的频繁切换，统计每次出行的驾驶模式切换次数；
针对车载空调的频繁使用车载，统计空调使用时长占比；
针对较少的可以避免拥堵交通，统计出行线路流量；
针对车辆维护频率较低，统计一年内维护频率；
针对车辆后备箱载重较大，统计后备箱的大载重出行频率。
第二方面，公开了一种基于驾驶员的生态驾驶行为评估系统，包括：
评估模型建立模块，被配置为：建立广义生态驾驶行为评估模型并确定广义生态驾驶行为评估模型的有效知识参数；
数据获取模块，被配置为：采集驾驶员设定时间内的出行数据，获得其驾驶路线、时间及具体驾驶行为数据，并采集其一年内的车辆维护次数，定义驾驶事件；
数据处理模块，被配置为：确定驾驶事件中部分评估参数阈值，基于模糊标度，专家小组通过语言Z数对驾驶事件阈值进行评估，其中标准化为百分比的驾驶事件的评估语言Z数取值规则为：前一项根据百分比分段进行评价，后一项可信度为最大值。其他则基于专家系统对采集到的数据进行打分；
标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数；
评估模块，被配置为：将语言Z数输入至广义生态驾驶行为评估模型，通过高效的批量化迭代，获得了最终目标库所的真值；应用Z-number得分函数计算各驾驶员的最终评估数据，以对各驾驶员的广义驾驶行为进行反馈。
以上一个或多个技术方案存在以下有益效果：
本发明技术方案利用Petri网作为一个强大的知识获取和知识推理工具，联合专家知识系统建立评估模型，充分考虑了现实世界中的主观和客观因素，以解决传统评估方法的指标局限性和指标之间的潜在相互关系被忽视的问题。
本发明技术方案模型针对输入的数据进行处理时通过高效的批量化迭代，获得了最终目标库所的真值；应用Z-number得分函数计算各驾驶员的最终得分，以对各驾驶员的广义驾驶行为进行打分并给予合理反馈。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例方法流程图；
图2为本发明实施例广义生态驾驶评估的ILZPNs示意图；
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本发明实施例首先公开了一种基于驾驶员的生态驾驶行为评估方法，包括以下步骤：
步骤一、数据采集：通过车载OBD接口和GPS模块针对性采集驾驶员一周内的出行数据，获得其驾驶路线、时间及具体驾驶行为数据，并采集其一年内的车辆维护次数。定义驾驶事件如下表1所示。
表1
步骤二、确定部分评估参数阈值
划定急加速、急减速时加速度参数阈值：加速、减速情况下对应的车辆加速度±2m/s2，分别作为急加速、急减速时加速度参数阈值。
根据道路行驶能见度划定天气恶劣阈值：能见度低于100m。
划定后备箱大载重阈值：超过后备箱最大载重的百分之六十。
步骤三、定义驾驶事件并标准化事件频率，基于确定部分评估参数阈值并基于专家系统通过模糊标度转化成语言Z数。
针对急加速，统计每一次出行的急加速在加速时间中的占比进行转化；
针对急减速，统计每一次出行的急减速在减速时间中的占比进行转化；
关于频繁的加速，每一次出行的加速时间占比；
关于频繁的减速，每一次出行的减速时间占比；
关于天气状况恶劣，天气情况恶劣的出行次数占比；
关于频繁的空挡滑行，每一次出行的空挡滑行时间占比；
关于驾驶模式的频繁切换，每次出行的驾驶模式切换次数；
关于车载空调的频繁使用车载，空调使用时长占比；
关于较少的可以避免拥堵交通，出行线路流量；
关于车辆维护频率较低，一年内维护频率；
关于车辆后备箱载重较大，后备箱的大载重出行频率；
例如：采集驾驶员的一段行程的秒采数据，然后把每一秒超过加速度阈值的采集起来，除行程总时长，得到一个数，然后后续根据划分把这个数变成一个驾驶事件的评估值；
步骤四、建立评估模型
考虑间接作用的语言Z数Petri网；
定义了间接作用的含义——事件之间相互影响的主观影响和潜在客观因素；
定义了该Z数Petri网的知识参数如下：
其中，P,T,I,O代表的是整个Petri网的结构。
指的是对应库所所代表的驾驶行为事件的有限集合。
表示一个标识向量/>其中，αi是用Z数表示的对应库所的真度值。初始标识被记录为M0。表示为该驾驶行为发生的可能性。
表示一个置信度向量/>其中,μi是用Z数表示的对应变迁规则的置信度。表示驾驶行为间的模糊推理规则。
表示一个阈值向量/>其中，λi是用Z数表示的对应库所的发生阈值。表示驾驶行为事件对驾驶行为评分产生影响的阈值。
同样表示一个阈值向量/>其中，λi则是用Z数表示的对应变迁的发生阈值。表示模糊推理可以进行的阈值。
Gw:T→[0,1]表示全局权重，其中，gwi对应的是变迁,体现一个模糊推理对其后续驾驶行为事件的相对重要性。
Lw:P→[0,1]表示局部权重，其中，lwi对应的是库所,体现一个驾驶行为事件对其后续模糊推理的相对重要性。
表示一个间接作用矩阵/>其中，sij用来表示驾驶行为事件之间的间接作用强度。
K:D×T→{-1,0,1}表示一个间接作用系数矩阵如果对应的间接作用是正向的，会让驾驶行为对驾驶评分的影响变大，则kij＝1；如果对应的间接作用是负向的，会让驾驶行为对驾驶评分的影响变小，则kij＝-1；否则，kij＝0。
更为具体的，关于ILZPNs模型的定义、模糊推理规则以及Petri网的构造。
在所建立的广义生态驾驶行为评价模型中，排放影响因素之间的逻辑关系可以用ILZPN的转折关系和位置关系来表示。假设dj(j＝1,2,...,m*)是本文在生态驾驶行为评价中构建的所有命题，如图2所示。那么，生态驾驶行为评价的ILZPRs表示如下：整个模糊推理过程即是Petri网的结构：
IF d1AND d2 THEN d6(λ1,λ2；lw1,lw2；s1；k1；τ；μ；gw)表示驾驶行为事件之间的推理关系，如果驾驶行为d1发生则会推理d2发生
IF d3AND d4 THEN d9(λ1,λ2；lw1,lw2；s1,s2；k1,k2；τ；μ；gw)
IF d6AND d7 AND d8 AND d9 THEN d12(λ1,λ2,λ3,λ4；lw1,lw2,lw3,lw4；τ；μ；gw)
IF d10THEN d15(λ；lw；τ；μ；gw)
IF d11THEN d15(λ；lw；τ；μ；gw)
IF d12THEN d15(λ；lw；τ；μ；gw)
IF d13THEN d15(λ；lw；τ；μ；gw)
IF d14THEN d15(λ；lw；s1,s2；k1,k2；τ；μ；gw)。
首先需要解决的问题是ILZPN的知识参数。基于专家知识系统，Petri网的知识参数是通过语言术语集获得的，建立模糊标度如下：
知识参数是通过三人专家小组讨论打分得出的，如下所示：
Ε＝[(u3.8,u′2.0),(u3.8,u′2.0),(u3.5,u′1.5),(u3.5,u′1.5),(u3.5,u′1.5),(s3.5,u′1.5),(u3.5,u′1.5),(u3.5,u′1.5)]
公式E中，每一个小括号里面就是一个语言z数，前面的值表示专家对驾驶事件的评价，后面的值是专家对自己可信度的评价。
Th＝[(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′1.0),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3),(u0.5,u′0.3)]
Gw＝[1,1,1,0.18,0.25,0.27,0.15,0.15]
Lw＝[0.65,0.35,0.65,0.35,0.26,0.24,0.24,0.26,1,1,1,1,1,0]
对于广义生态驾驶行为评估，初始的真实度可由另一位专家根据实际情况打分，具体如下：
α(p1)＝(u1.0,u′1.0),α(p2)＝(u1.0,u′1.0),α(p3)＝(u1.5,u′0.5),α(p4)＝(u1.5,u′1.0),α(p5)＝(u0.5,u′1.2),α(p7)＝(u1.5,u′1.0),α(p8)＝(u1.5,u′1.0),α(p10)＝(u0.5,u′0.2),α(p11)＝(u1.5,u′1.0),α(p13)＝(u1.5,u′1.0),α(p14)＝(u1.5,u′1.0).
紧接着进行模型简化之后，在进行知识推理。
依据下列知识推理算法：
Input:和 以及 以及
Output:代表每次迭代的结果。.
Step 1:记录循环次数
设r＝1,其中r是迭代次数
Step 2:确定可以发生的变迁
(1)计算可以发生的库所向量Α(r)如下：
A(r)＝Mr-1⊙Th
(2)如果Α(r)是一个所有元素都为零的向量，则跳转到Step 5；否则，计算其中表示输入真值度的元素，如下：
Β(r)＝θ[Mr-1,S,K]
θ[]即包含了ILZWA的算子,而且这个局部权重向量将会被使用；否则,g跳转到Step 7.
(3)然后，计算可以发生的变迁向量F(r)如下：
其中and/>
如果Λ(r)是一个零向量,则继续回到第三步Step 3；否则，跳转到Step 5.
Step 3:计算变迁的输出
计算真值输出结果Θ(r)，如下
Θ(r)＝φ[Mr-1,S,K,Ε]
其中，φ[]是一个真度计算算子.
Step 4:更新所有库所的标识.
其中
如果Mr＝Mr-1,则结束推理过程；否则,使r＝r+1并回到Step 2.
得到最终结果如下：
M4＝[(u1.5,u′0.5),(u1.5,u′1),(u0.5,u′1.2),(u1.5,u′1.0),(u1.5,u′1.0),(u1.594,u′1.018),(u1.5,u′1.0),(u0.993,u′0.755),(u1.5,u′1.0),(u1.5,u′1.0),(u1.053,u′0.676)]
其中最后p15的评分则是驾驶行为评分。
考虑间接作用的语言Z数Petri网，所述两个真值计算算子如下：
考虑间接作用的语言Z数Petri网，所述综合模糊决策矩阵的构建过程如下：
为阐明拟议ILZPN的推理算法，现将基本矩阵运算介绍如下:
(1)
其中：
F＝[fij]m×n,C＝[cij]m×n,Q＝[qij]m×n and qij＝max{fij,qij},i＝1,2,...,m；j＝1,2,...,n.
(2)
其中：
F＝[fij]m×n,C＝[cij]m×n,Q＝[qij]m×n and qij＝fij×cij,i＝1,2,...,m；j＝1,2,...,n.
(3)Comparison Operator⊙:
F⊙C＝Q
其中：F＝[fij]m×n,C＝[cij]m×n,Q＝[qij]m×n and qij＝1if fij≥cij,qij＝0if fij<cij i＝1,2,...,m；j＝1,2,...,n.
确定评价等级语言变量与模糊标度的对应关系，通过构建的领域专家评价小组，运用语言Z数对各个指标下的事件进行专家打分构建模糊知识信息矩阵，以便实现高效的知识推理；
建立了一种新型Petri模型简化方法，针对得到的模糊知识信息矩阵，进行初步判断从而筛选掉无法发生的库所事件以避免“状态爆炸”的发生；
通过定义的考虑间接作用的语言Z数Petri网模糊推理规则，基于考虑间接作用的平均加权算子(如下)，新型考虑间接作用的平均加权算子(ILZWA)和主要的模糊推理规则如下：
其中，ωi∈[0,1]表示的权重(其中i＝1,2,...,n and/>)，ki是间接作用系数。
模型简化方法如下：
Step 1:去掉不能发生的变迁，即ti满足下列条件：
α(pji)<λi∨θ[(pj1,pj2,...,pjn),(pl1,pl2,...,plm)]<τ (18)
Step 2:去掉步骤一中所去掉的变迁ti前面的库所，可表示为集合 如果po是其他转换的后续位置，则保留该位置；否则，删除该位置。
Step 3:通过上述Step 1和Step 2检查已建立的ILZPN的所有变迁。最终得到一个简化的ILZPN，它可以促进知识推理过程。
在该实施例子中，参见附图1所示，该方法包括以下步骤：定义了综合考虑人类主观因素和客观潜在影响的间接作用；构建了广义生态驾驶行为评估指标体系，并在充分考虑了间接作用的情况下创建了Indirect-effect-incorporated Petri Nets(ILZPNs)，以实现评估过程的可视化；确定评价等级语言变量与模糊标度的对应关系，并通过专家系统基于语言Z-number捕捉评价信息中的不确定性信息，以确定ILZPNs的知识参数；根据提出的新型Petri网结构简化方法，以避免结构复杂化引起的“状态爆炸”问题，从而提高了知识推理的效率；对ILZPNs的知识参数进行标准矩阵化，并通过设计的Indirect-effect-incorporated linguistic Z-Number weighted average(ILZWA)算子，将库所间的间接作用转化为对后续变迁的输入影响，以实现间接作用信息的推理过程。通过高效的批量化迭代，获得了最终目标库所的真值；应用Z-number得分函数计算各驾驶员的最终得分，以对各驾驶员的广义驾驶行为进行打分并给予合理反馈。
实施例二
本实施例的目的是提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
实施例四
本实施例的目的是提供基于驾驶员的广义生态驾驶行为评估系统，包括：
评估模型建立模块，被配置为：建立广义生态驾驶行为评估模型并确定广义生态驾驶行为评估模型的有效知识参数；
数据获取模块，被配置为：采集驾驶员设定时间内的出行数据，获得其驾驶路线、时间及具体驾驶行为数据，并采集其一年内的车辆维护次数，定义驾驶事件；
数据处理模块，被配置为：确定驾驶事件中部分评估参数阈值；
标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数；
评估模块，被配置为：将语言Z数输入至广义生态驾驶行为评估模型，通过高效的批量化迭代，获得了最终目标库所的真值；应用Z-number得分函数计算各驾驶员的最终评估数据，以对各驾驶员的广义驾驶行为进行反馈。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于驾驶员的生态驾驶行为评估方法，其特征是，包括：
建立广义生态驾驶行为评估模型并确定广义生态驾驶行为评估模型的有效知识参数；
采集驾驶员设定时间内的出行数据，获得其驾驶路线、时间及具体驾驶行为数据，并采集其一年内的车辆维护次数，定义驾驶事件；
确定驾驶事件中部分评估参数阈值，基于模糊标度，专家小组通过语言Z数对驾驶事件阈值进行评估，其中标准化为百分比的驾驶事件的评估语言Z数取值规则为：前一项根据百分比分段进行评价，后一项可信度为最大值。其他则基于专家系统对采集到的数据进行打分；
标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数；
将语言Z数输入至广义生态驾驶行为评估模型，通过高效的批量化迭代，获得了最终目标库所的真值；应用Z-number得分函数计算各驾驶员的最终评估数据，以对各驾驶员的广义驾驶行为进行反馈。
2.如权利要求1所述的一种基于驾驶员的生态驾驶行为评估方法，其特征是，建立广义生态驾驶行为评估模型时，采用Petri网实现。
3.如权利要求2所述的一种基于驾驶员的生态驾驶行为评估方法，其特征是，采用Petri网时，定义该Z数Petri网的知识参数如下：
其中，P,T,I,O代表的是整个Petri网的结构；
D指的是对应库所所代表的命题事件的有限集合；
M表示一个标识向量/>其中,αi是用Z数表示的对应库所的真度值，初始标识被记录为M0；
E表示一个置信度向量/>其中,μi是用Z数表示的对应变迁规则的置信度；
Th：表示一个阈值向量/>其中，λi是用Z数表示的对应库所的发生阈值；
同样表示一个阈值向量/>其中，λi则是用Z数表示的对应变迁的发生阈值；
Gw:T→[0,1]表示全局权重,其中，gwi对应的是变迁,体现一个变迁对其后续库所的相对重要性；
Lw:P→[0,1]表示局部权重,其中，lwi对应的是库所,体现一个库所对其后续变迁的相对重要性；
S，表示一个间接作用矩阵/>其中，sij用来表示库所之间的间接作用强度；
K:D×T→{-1,0,1}表示一个间接作用系数矩阵如果对应的间接作用是正向的,则kij＝1；如果对应的间接作用是负向的,则kij＝-1；否则,kij＝0；
输入各个事件的语言Z数值，即得到该驾驶员的广义驾驶行为评估得分，通过语言Z数去模糊化即可以得到一个【0，1】的值以实现评价。
4.如权利要求1所述的一种基于驾驶员的生态驾驶行为评估方法，其特征是，采集驾驶员设定时间内的出行数据时，通过车载OBD接口和GPS模块获取驾驶员设定时间内的出行数据。
5.如权利要求1所述的一种基于驾驶员的生态驾驶行为评估方法，其特征是，定义驾驶事件包括：
6.如权利要求1所述的一种基于驾驶员的生态驾驶行为评估方法，其特征是，还包括：确定部分评估参数阈值的步骤，包括：
划定急加速、急减速时加速度参数阈值：加速、减速情况下对应的车辆加速度±2m/s2，分别作为急加速、急减速时加速度参数阈值；
根据道路行驶能见度划定天气恶劣阈值：能见度低于100m；
划定后备箱大载重阈值：超过后备箱最大载重的百分之六十。
7.如权利要求1所述的一种基于驾驶员的生态驾驶行为评估方法，其特征是，标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数，具体为：
针对急加速，统计每一次出行的急加速在加速时间中的占比进行转化；
针对急减速，统计每一次出行的急减速在减速时间中的占比进行转化；
针对频繁的加速，统计每一次出行的加速时间占比；
针对频繁的减速，统计每一次出行的减速时间占比；
针对天气状况恶劣，统计天气情况恶劣的出行次数占比；
针对频繁的空挡滑行，统计每一次出行的空挡滑行时间占比；
针对驾驶模式的频繁切换，统计每次出行的驾驶模式切换次数；
针对车载空调的频繁使用车载，统计空调使用时长占比；
针对较少的可以避免拥堵交通，统计出行线路流量；
针对车辆维护频率较低，统计一年内维护频率；
针对车辆后备箱载重较大，统计后备箱的大载重出行频率。
8.一种基于驾驶员的生态驾驶行为评估系统，其特征是，包括：
评估模型建立模块，被配置为：建立广义生态驾驶行为评估模型并确定广义生态驾驶行为评估模型的有效知识参数；
数据获取模块，被配置为：采集驾驶员设定时间内的出行数据，获得其驾驶路线、时间及具体驾驶行为数据，并采集其一年内的车辆维护次数，定义驾驶事件；
数据处理模块，被配置为：确定驾驶事件中部分评估参数阈值，基于模糊标度，专家小组通过语言Z数对驾驶事件阈值进行评估，其中标准化为百分比的驾驶事件的评估语言Z数取值规则为：前一项根据百分比分段进行评价，后一项可信度为最大值。其他则基于专家系统对采集到的数据进行打分；
标准化驾驶事件频率，并基于专家系统通过模糊标度转化成语言Z数；
评估模块，被配置为：将语言Z数输入至广义生态驾驶行为评估模型，通过高效的批量化迭代，获得了最终目标库所的真值；应用Z-number得分函数计算各驾驶员的最终评估数据，以对各驾驶员的广义驾驶行为进行反馈。
9.一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311621643.3A CN117649143A (zh) | 2023-11-29 | 2023-11-29 | 一种基于驾驶员的生态驾驶行为评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311621643.3A CN117649143A (zh) | 2023-11-29 | 2023-11-29 | 一种基于驾驶员的生态驾驶行为评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117649143A true CN117649143A (zh) | 2024-03-05 |
Family
ID=90044618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311621643.3A Pending CN117649143A (zh) | 2023-11-29 | 2023-11-29 | 一种基于驾驶员的生态驾驶行为评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649143A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105070097A (zh) * | 2015-07-16 | 2015-11-18 | 山东交通学院 | 一种营运车辆道路交通事故风险识别方法 |
| CN106529599A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种面向事件的驾驶员生态驾驶行为评估方法 |
| KR101887464B1 (ko) * | 2018-02-26 | 2018-08-10 | 건국대학교 산학협력단 | 차량용 방역기 성능 평가 시스템 및 방법 |
| CN110298131A (zh) * | 2019-07-05 | 2019-10-01 | 西南交通大学 | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 |
| CN111967760A (zh) * | 2020-08-14 | 2020-11-20 | 清华大学 | 一种基于多维网络熵的道路交通安全评估方法 |
| CN116384150A (zh) * | 2023-04-28 | 2023-07-04 | 中国人民解放军陆军工程大学 | 一种面向自动驾驶系统的测试用例生成方法及系统 |
| CN116933451A (zh) * | 2022-03-29 | 2023-10-24 | 中南大学 | 基于Petri网的多维架构映射关系模型评价方法、装置及设备 |
-
2023
- 2023-11-29 CN CN202311621643.3A patent/CN117649143A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105070097A (zh) * | 2015-07-16 | 2015-11-18 | 山东交通学院 | 一种营运车辆道路交通事故风险识别方法 |
| CN106529599A (zh) * | 2016-11-11 | 2017-03-22 | 北京工业大学 | 一种面向事件的驾驶员生态驾驶行为评估方法 |
| KR101887464B1 (ko) * | 2018-02-26 | 2018-08-10 | 건국대학교 산학협력단 | 차량용 방역기 성능 평가 시스템 및 방법 |
| CN110298131A (zh) * | 2019-07-05 | 2019-10-01 | 西南交通大学 | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 |
| CN111967760A (zh) * | 2020-08-14 | 2020-11-20 | 清华大学 | 一种基于多维网络熵的道路交通安全评估方法 |
| CN116933451A (zh) * | 2022-03-29 | 2023-10-24 | 中南大学 | 基于Petri网的多维架构映射关系模型评价方法、装置及设备 |
| CN116384150A (zh) * | 2023-04-28 | 2023-07-04 | 中国人民解放军陆军工程大学 | 一种面向自动驾驶系统的测试用例生成方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 牟海波，等: "基于模糊Petri 网的交通事故致因建模分析", 《中国安全科学学报》, vol. 20, no. 12, 31 December 2010 (2010-12-31), pages 94 - 96 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
| Kim et al. | Futuristic data-driven scenario building: Incorporating text mining and fuzzy association rule mining into fuzzy cognitive map | |
| CN107958269A (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
| CN110348103A (zh) | 一种基于数字孪生的车辆抗毁伤评估方法 | |
| CN105070097B (zh) | 一种营运车辆道路交通事故风险识别方法 | |
| CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
| CN110196587A (zh) | 车辆自动驾驶控制策略模型生成方法、装置、设备及介质 | |
| Chen et al. | Driving decision-making analysis of car-following for autonomous vehicle under complex urban environment | |
| CN117474295B (zh) | 一种基于Dueling DQN算法的多AGV负载均衡与任务调度方法 | |
| CN116311948B (zh) | 基于交通流速度预测和信号灯状态的车辆路径规划方法 | |
| CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
| Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
| Suzdaleva et al. | Two-layer pointer model of driving style depending on the driving environment | |
| Meng et al. | Actuarial intelligence in auto insurance: Claim frequency modeling with driving behavior features and improved boosted trees | |
| Wang et al. | A state dependent mandatory lane-changing model for urban arterials with hidden Markov model method | |
| CN117649143A (zh) | 一种基于驾驶员的生态驾驶行为评估方法及系统 | |
| CN116300944A (zh) | 基于改进Double DQN的自动驾驶决策方法及系统 | |
| CN115841712A (zh) | 一种基于v2x技术的驾驶数据处理方法、装置及设备 | |
| Beşkardeş et al. | Data-driven-based fuzzy control system design for a hybrid electric vehicle | |
| CN115238789A (zh) | 基于改进gru的金融行业另类数据预测方法和系统 | |
| Ozkan et al. | Trust-Aware Control of Automated Vehicles in Car-Following Interactions with Human Drivers | |
| Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model | |
| De Penning et al. | Applying neural-symbolic cognitive agents in intelligent transport systems to reduce CO 2 emissions | |
| Liu et al. | A method to improve accuracy of velocity prediction using Markov model | |
| Tyasnurita et al. | Constructing selection hyper-heuristics for open vehicle routing with time delay neural networks using multiple experts |
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 |