驾驶人安全风险评价模型
公交车驾驶员风险驾驶行为画像技术研究
第21期2023年11月无线互联科技Wireless Internet Science and TechnologyNo.21November,2023基金项目:北京市科技计划项目;项目名称:驾驶员异常行为识别关键技术研究及应用;项目编号:Z221100005222021㊂作者简介:时玥(2001 ),女,北京人,硕士研究生;研究方向:交通安全㊂公交车驾驶员风险驾驶行为画像技术研究时㊀玥1,刘松岩2,崔㊀玺2(1.北京工业大学北京市交通工程重点实验室,北京100124;2.北京公交集团,北京100161)摘要:伴随着我国城镇公交规模迅速增长,公交车相关事故频发且后果严重,受到社会的广泛关注,公交车运行安全形势严峻,运行安全监管水平亟待提升㊂文章基于公交车GPS 轨迹数据㊁司机基本信息数据㊁DMS 报警信息数据㊁路单数据及道路信息多个数据集,通过主成分分析及因子旋转构建了公交车风险驾驶行为特征画像标签体系,采用K 均值聚类进行公交车驾驶员行为聚类并识别出的高风险驾驶员群体,研究了高风险驾驶员群体在不同空间场景下的画像技术㊂聚类分析结果表明,高风险驾驶员在驾驶风格偏好㊁驾驶员个体偏好及违规偏好中的风险程度较高,聚类能够有效地对驾驶员进行风险程度分类,在对高风险驾驶员群体的画像中,得出了速度㊁加速度或运营里程指标在不同时空组合场景中的规律㊂研究发现高风险驾驶员群体占比约19.1%,这一群体在公交车运行途中的公交站及路段位置更具风险性,且运营路程较长时产生大量的疲劳驾驶及分神驾驶行为㊂文章研究方法可为公交驾驶员风险驾驶行为研究提供参考,同样可为公交企业识别高风险驾驶员群体提供评估及分类依据,可在现实中实际运用㊂关键词:公交驾驶员;风险驾驶行为;特征分析;K -means ;用户画像中图分类号:U492.8㊀㊀文献标志码:A 0㊀引言㊀㊀公交车作为一种专用车辆,具有公共属性强及载客量大的特点,且一旦发生事故往往容易造成群死群伤,交通事故后果严重,社会影响较为恶劣㊂因此,诸多学者对公交驾驶行为风险相关问题开展了大量研究,但研究多为驾驶行为评价㊁驾驶行为识别及驾驶员风格分类方面的研究,研究对象多为小汽车和货运车辆㊂一是驾驶行为评价㊂吴紫恒等[1]提出了结合模糊C 均值聚类和BP 神经网络的驾驶行为评价方法㊂该算法避免人为主观因素的干扰,评价结果更加客观准确㊂王海星等[2]采用车联网数据,结合因子分析完成参数转化和模糊C 均值聚类方法,对危险货物货运车辆的风险驾驶行为进行评价㊂二是风险驾驶行为识别㊂李开放等[3]利用主成分分析法对数据进行降维,利用K -means 算法和高斯混合聚类算法对降维结果进行二次聚类,根据聚类结果训练BP 神经网络,用训练好的模型对工况进行实时识别,进而得到不同工况的速度阈值用于超速行为识别㊂三是驾驶行为分类㊂Fugiglando 等[4]使用控制器局域网(Controller Area Network,CAN)数据对驾驶员进行集群化,采用的数据类型包括油门踏板位置㊁制动踏板压力㊁方向盘角度等㊂通过主成分分析和K -means 聚类进行无监督学习,提供近实时的分类㊂刘强等[5]运用K -means 聚类方法进行驾驶风格分类及标签体系构建,并对4类驾驶风格进行不同经典场景下的总结分析㊂朱凯家[6]基于蚁群算法改进K -means 的聚类算法,将不同天气状况下的速度及加速度作为聚类指标,完成驾驶行为分类,将驾驶行为分为一般激进型㊁平稳型㊁偏激进型3种,算法优化了聚类中心的选取和聚类时间,得到了更为可靠的结果㊂Martinussen 等[7]同时采用驾驶行为问卷和驾驶技术问卷,采集了驾驶员主观信息,并利用K -means 聚类算法将驾驶员分为高技术安全型驾驶员㊁激进危险型驾驶员㊁低技术危险型驾驶员和保守安全型驾驶员㊂由上述研究可以看出,大部分学者采用聚类的方法对驾驶员的驾驶行为进行挖掘分析,对获取的数据进行用户画像能够详细地描述公交车运行特征,但已有研究多以小汽车及货运车辆为研究对象,公交车驾驶员个体的风险驾驶行为画像研究较少,且未进一步挖掘驾驶员群体在特定公交驾驶场景下的驾驶行为㊂本文基于公交轨迹数据㊁车载装置DMS报警数据及道路信息数据等多个数据集,以北京地区公交车7天的运行相关数据作为研究对象,提取公交驾驶行为特征参数,采用因子分析和K-means聚类结合的方法,挖掘公交驾驶员个体的驾驶行为特征及规律,识别出风险较高的驾驶员并对高风险驾驶员群体进行进一步画像研究,以此响应国家公交车辆运行监管的要求,帮助公交企业加强驾驶员培训,提升安全生产及管理水平㊂1 数据采集及处理1.1㊀数据采集㊀㊀本文已有数据为北京公交2022年12月5日至2022年12月11日的5条公交线路㊂数据来自公交车主动安全预警系统㊁驾驶员异常驾驶行为识别系统㊁公交车智能车载终端㊂已有数据集包括公交GPS 轨迹数据㊁车载装置DMS报警数据㊁实地调查得到的道路信息数据㊁驾驶员基本信息数据及公交车路单数据㊂1.2㊀数据处理㊀㊀将采集到的数据进行选择,将5条公交线路的25辆公交车的115名公交驾驶员作为研究对象,对数据进行如下处理㊂1.2.1㊀无效数据处理㊀㊀遍历数据集后发现,数据集中存在部分列内容缺失比例过高的现象,判断各列值的空值比例,确定该列值是否有效,删除空值比例大于60%的数据列㊂1.2.2㊀坐标转换及插值㊀㊀GPS提供的数据中使用的坐标系为WGS-84大地坐标系,和道路信息数据中的百度地图的坐标系不能通用,因此首先需要将GPS数据进行坐标转换,使用百度API中坐标转换的接口将GPS设备获取的角度坐标转换为bd09ll(百度经纬度坐标),并返回json 格式的结果㊂对转换坐标后的数据进行时间序列插值,用linspace函数均分时间插值后对 经度_84 纬度_ 84 经度_baidu 纬度_baidu 海拔 及 速度 进行一维插值,对2个相邻的方向角进行象限判断,计算夹角后进行插值,最终得到间隔1s的数据,并完成加速度㊁转弯率的计算㊂加速度计算公式为a=(v i+1-v i)ː3.6,转弯率计算公式为ω=|(θi+1-θi)/ΔT|㊂1.2.3㊀数据匹配及筛选㊀㊀将各个数据集通过相同列索引进行数据集间的匹配并筛选结果数据中的 仓库行车方案类型 列,将值为 运营 的车辆筛选出来,作为研究对象㊂1.2.4㊀不良驾驶行为识别㊀㊀(1)超速行为㊂将北京公交车城市道路非城市快速路路段的最高时速为50km/h,主干路为50km/h,次干路为40km/h,支路为30km/h,路段上有限速标志的依照实地调查得到的数值作为判断超速行为的标准㊂(2)急加速急减速行为㊂由于公交车的载客属性,在运行过程中的急加速和急减速行为容易造成车内乘客的不适甚至是摔倒现象,根据已有的研究中考虑了乘客舒适度及在车厢甲板行走安全因素的急变速阈值[8],本文将急加速的阈值确定为A加=2.5m/s2,当加速度a>A加时判定为急加速,急减速的阈值确定为A减=-2m/s2,加速度a<A减时判定为急减速,同时排除紧急情况的急刹车数据,将a<-4m/s2且v<0.5m/s的数据判定为急刹车事件,本文对急刹车事件不做深入研究㊂(3)频繁加减速行为㊂频繁加减速行为的出现是由于交通环境的复杂,需要频繁加速减速进行速度控制规避风险,另一种则发生在交通流拥挤时需要保证与前车有足够的安全间距而不断变速㊂首先根据a>1.2m/s2或a<-2m/s2对加速度进行判断,如式(1)所示,n用来标记是否满足判定条件,为更简约地统计符合阈值的个数,将a>1.2m/s2的数据标记为1,将a<-2 m/s2的数据标记为-1,其余的标记为0,然后对60s 内的1与-1进行计数,计数总数超过3个的时间区间认为公交车出现频繁加减速的行为㊂a>1.2m/s2,n=1a<-2m/s2,n=-1-2m/s2ɤaɤ1.2m/s2,n=0ìîíïïïï(1) (4)急转弯行为㊂在行驶过程中速度偏高时容易发生急转弯行为,急转弯时横向加速度较大,乘客容易出现失去平衡的情况,因此急转弯行为也是影响公交车运行安全的因素㊂本文根据已有研究得出,急转弯行为根据行驶平均速度及方向角变化值进行判定,以窗口长度为5的滑动窗口对数据进行遍历,当窗口内的v>20km/h 且ω>90ʎ时认为公交车出现急转弯行为㊂转向角计算公式如式(2)所示㊂0ʎɤθ1ɤ90ʎand270ʎɤθ2ɤ360ʎ,ω=360ʎ-|θ1-θ2|0ʎɤθ2ɤ90ʎand270ʎɤθ1ɤ360ʎ,ω=360ʎ-|θ1-θ2|ω=|θ1-θ2|ìîíïïïï(2)转向角值判断如式(3)所示,其中status 表示是否满足ω>90ʎ这一判定条件,满足时status 为1,反之,status 为0㊂ω>90ʎ,status =1ωɤ90ʎ,status =0{(3)1.3㊀数据空间连接㊀㊀首先,通过Python 将交叉口㊁路段的起终点构造线要素,利用公交站㊁风险点位坐标构造点要素㊂其次,生成交叉口㊁路段和公交站的缓冲区,交叉口缓冲半径设为20m,公交站缓冲半径设为30m,路段缓冲半径设为15m㊂最后,完成空间连接,以风险点位数据为基准,运用sjoin 函数完成对不良驾驶行为数据及dms 报警数据与道路信息数据的空间连接,得到发生风险驾驶行为的空间位置(交叉口㊁公交站或路段)㊂1.4㊀指标选取㊀㊀本文共选取了10个常见指标,分别为平均加速度及加速度标准差㊁平均减速度和减速度标准差㊁不良驾驶行为次数和持续时间㊁异常驾驶行为指数㊁年龄㊁驾龄和参与工作时间㊂由于在不同等级道路上,公交车运行速度限制不同,故不将速度作为划分驾驶员类别的指标㊂2㊀画像标签提取㊀㊀本文采用因子分析中的主成分分析进行指标降维,通过因子可行性验证,主成分分析后得出KMO 值为0.810,表明各指标之间有较强的相关性㊂通过SPSS 降维中的因子分析功能,选择主因子分析并描述其系数相关性矩阵及KMO 和巴特利特球形度检验,利用最大方差法进行因子旋转得出其旋转后的解,并输出旋转后的成分矩阵如表1所示㊂根据载荷绝对值越大的因子与变量越接近的规则,特征变量共分为3类,成分1与平均加速度㊁平均减速度㊁加速度标准差及减速度标准差较为靠近,这类速度皆与速度相关参数相关,故将这一类参数构成的特征变量命名为驾驶风格偏好特征变量;成分2与年龄㊁驾龄㊁不良驾驶行为持续时间及不良驾驶行为总数较为密切,不良驾驶行为多与驾驶员的自身特征相关,故将此类命名为驾驶员个体偏好特征变量;成分3与异常驾驶行为指数及参与工作时间相关,2个指标代表了驾驶员的安全态度及驾驶经验,故将此类命名为违规偏好特征变量㊂表1㊀旋转后的成分矩阵特征变量成分1成分2成分3平均加速度0.7610.4750.111平均减速度-0.836-0.402-0.050加速度标准差0.7800.4850.115减速度标准差0.8220.2880.009年龄-0.208-0.9010.086驾龄-0.194-0.8790.157不良驾驶行为持续时间0.4960.6920.280不良驾驶行为总数每趟0.4590.6650.335异常驾驶行为指数0.0890.1750.659参与工作时间-0.091-0.2230.7643㊀聚类分析㊀㊀聚类方法采用K -means 聚类,对数据进行归一化处理后,通过确定的3类特征变量及相关指标分别进行聚类,并结合手肘法对最优聚类数进行判断㊂3.1㊀数据归一化㊀㊀为统一不同数据指标的量纲,需要对数据进行归一化处理,方便对比每个指标之间的关系,研究中的归一化计算公式如式(4)所示[9]㊂s =x -μσ(4)其中,x 为指标单一样本的观测值,μ为研究样本中某一指标的总体平均值,σ为研究样本某一指标的总体标准差㊂3.2㊀K -means 聚类原理㊀㊀K -means 聚类是一种典型的无监督学习的算法,SPSS 自动设置初始中心点并把所有样本值分到各中心点所在的类中,针对每一个类别里的所有点,计算所有点的平均值,生成新的中心点,并不断重复迭代直至收敛㊂其目标函数如式(5)所示㊂j =min ðni =1ðKK =1r iK (x i -m i )(5)其中,n 为数据集中点的总数目,K 为聚类数,m i为簇中心位置,对于r iK ,当x i 属于第K 个类时,r iK =1否则r iK =0㊂最终的目的是要求解m i 和r iK ㊂3.3㊀手肘法原理㊀㊀手肘法中运用SSE 的趋势变化拐点来判断最优的聚类数(即K 值),确认最优K 值㊂需要利用Python 进行计算,SSE 值公式如式(6)所示㊂SSE =ðKi =1ðw pɪCi|w p -m i |2(6)其中,SSE为误差总平方和,K为最优K均值聚类数,C i为第i簇,w p为C i中的一个观测值,m i为簇中心即聚类中心位置㊂3.4㊀驾驶员驾驶行为聚类过程㊀㊀通过SPSS软件分类功能中的K-均值聚类,选择样本收敛准则为0,并选择输出聚类中心㊁与聚类中心的距离,从2次开始调整聚类数进行聚类,与最优K值进行比较,最终选定聚类效果好且解释性好的K 值,并对聚类结果中的类别进行命名,确定每个类别的风险程度排名㊂3.4.1㊀驾驶风格偏好㊀㊀手肘法及聚类结果如图1(a)所示,在K=4时斜率明显减小,故驾驶风格偏好中将驾驶员个体聚成4类,结果如表2所示,4个聚类簇中包含的个案数目较为均衡,聚类效果较好㊂如图1(b)所示,平均加速度与加速度标准差成正相关,平均加速度升高则其速度标准差相应升高,同样平均加速度与减速度成负相关㊂对聚类结果进行分析可以看出,如表(3)所示,聚类共得出4个类别,根据其聚类中心偏离0的程度可以判断其驾驶行为的激进与否,分为激进型㊁较激进型及平稳型3大类㊂故将各类别命名如表3所示,其中激进型驾驶员其加速度相关指标的风险程度大,需要对其加速度指标进行持续监控并进行督促㊁改进,并加强驾驶技能和驾驶平稳性的培训,而平稳型驾驶员的相对风险程度较小㊂图1㊀驾驶风格偏好特征结果表2㊀驾驶风格偏好聚类各类别数量类别每个聚类中的个案数目/个类别125.000类别227.000类别340.000类别423.000有效115.000表3㊀驾驶风格偏好最终聚类中心指标名类别1类别2类别3类别4平均加速度 1.078-1.062-0.3470.837平均减速度-1.3941 1.0070.198-0.1741加速度正标准差 1.027-0.976-0.3130.776加速度负标准差 1.368-0.934-0.091-0.061类型激进型较激进型平稳型平稳型3.4.2㊀驾驶员个体偏好㊀㊀通过手肘法判断如图2(a)所示,斜率突变发生在K=4时,故将K=4作为最优K值,并将其可视化为散点图,如图2(b)所示,驾龄与不良驾驶行为数及不良驾驶行为持续时间呈负相关,不良驾驶行为次数越多其持续时间越长,聚类后分类较为明显,结合表4,聚类后的个案在每个类别中分布均匀,聚类效果较好㊂表4㊀驾驶员个体偏好聚类各类别数量类别每个聚类中的个案数目/个类别19.000类别231.000类别353.000类别422.000有效115.000图2㊀驾驶员个体特征结果如表5所示,对聚类中心进行分析可以看出年龄及驾龄中类别3最高㊁类别4最低,据此依照年龄将驾驶员分为年长驾驶员㊁中年驾驶员及年轻驾驶员3类,根据驾龄将驾驶员分为成熟型㊁进阶型及新手型3类,并根据不良驾驶情况将驾驶员分为平稳驾驶型㊁较平稳驾驶型㊁较风险驾驶型及风险驾驶型,故将各类别命名如表5所示,其中年轻新手风险型驾驶员在驾驶员中风险程度更大,而年长成熟平稳型驾驶员㊀㊀的不良驾驶行为最低,即风险程度小于其他3类驾驶员㊂3.4.3㊀违规偏好㊀㊀违规偏好是以驾驶员产生异常驾驶行为等分散驾驶员注意力的危险行为为指标进行聚类,找出其参与工作时间与其违规偏好的规律㊂手肘法结果如图3(a)所示,其在K=3和K=6时均出现斜率突变的拐点,为了更清晰简洁地解释聚类结果,最终确定以K= 3作为最优得到K值㊂如散点图3(b)所示,参加工作时间与异常驾驶行不具有正负相关性,如表6所示,聚类后的3个类别的分类明显,聚类效果较好㊂图3㊀违规偏好特征结果表5㊀驾驶员个体偏好最终聚类中心指标名类别1类别2类别3类别4年龄0.143-0.4880.838-1.406驾龄0.310-0.4720.816-1.460不良驾驶行为持续时间 1.138-0.320-0.610 1.504不良驾驶行为总数每趟 1.476-0.263-0.615 1.313类型中年进阶型较风险型年轻进阶较平稳型年长成熟平稳型年轻新手风险型表6㊀违规偏好聚类各类别数量类别每个聚类中的个案数目/个类别1107.000类别2 5.000类别3 3.000有效115.000对聚类中心进行分析,如表7所示,3类可分为工作时间短且异常驾驶行为少㊁工作时间长且异常驾驶行为少及工作时间短且异常驾驶行为多的3类驾驶员,第二类驾驶员的异常驾驶行为指数高于平均值,解释为参与工作时间越久的驾驶员经验丰富,对自己的能力非常自信,使得其安全意识有所下降㊂本文对这3类驾驶员的类别进行命名,其中危险型驾驶员需要进行密切关注,风险程度明显高于其他2类,安全型驾驶员的风险程度在3个类别中最低㊂表7㊀违规偏好最终聚类中心指标名类别1类别2类别3参与工作时间-0.198 3.6090.370异常驾驶行为综合分-0.1550.036 3.559类型安全型较安全型危险型3.5㊀驾驶员风险驾驶行为画像㊀㊀根据每个特征变量的聚类结果,每个特征划分了3或4个类别,均存在风险程度高低的变化,能够从中判断出需要特别关注的公交驾驶员个体及群体㊂对结果中每个驾驶员在各个特征中的类别划分进行排列组合,将包含严重风险的驾驶员归为一类,具体划分标准为:若驾驶员在某一个特征中出现在风险严重程度最高的类别,则将其划分为高风险人群;若驾驶员在多项特征中皆为风险程度排名中间的类别,则将其划分为中风险人群;其余驾驶员则划分为低风险驾驶员㊂最后将驾驶员划分为3类风险等级,划分结果如表8所示㊂表8㊀驾驶员风险类型划分风险类型人数/人人员名称占比/%低风险型79白某某㊁蔡某某㊁翟某某等68.7中风险型14程某某㊁杜某某㊁侯某某等12.2高风险型22白某某㊁蔡某某㊁崔某某等19.1将画像后的3类驾驶员的3个特征变量制作成箱线图,如图4所示,通过分布可以看出当驾驶员风险等级升高时,整体加速度分布都不断升高,中低风险的数据更加集中,高风险驾驶员的数据较为分散,可解释为部分驾驶员在某一特征中的风险程度较大,图4㊀各风险等级驾驶员不同特征下的箱线图极具危险性,因此被划入高风险驾驶员人群㊂3.6㊀高风险驾驶员风险驾驶行为画像㊀㊀上文所识别的不良驾驶行为数量较多,经对比,频繁加减速行为数量明显高于其他行为,且样本量大,故对其进行进一步研究㊂如图5所示,速度主要分布区间为14km/h~ 28km/h,分布较为集中,在公交站位置的频繁加减速行为最多,与公交车进出站的行为相匹配;而路段位置的速度分布曲线相较于公交站和交叉口更偏于高速㊂对比加速度,加速度分布多大于0,仅有少部分图5㊀频繁加速和减速行为不同指标分布点位于-2.5m/s2附近,3个不同位置的加速度中值㊂异常驾驶行为中接打电话报警及驾驶员异常报警样本量过低,故未考虑这2类报警类型㊂下文将通过分神驾驶及疲劳驾驶报警2个类型,进一步探究高风险驾驶员人群在各报警类型中的特征㊂如图6和图7所示,疲劳驾驶行为的速度分布更加分散,公交站位置分布在0~40km/h,交叉口及路段位置分布在0~50km/h,而分神驾驶行为在公交站及交叉口处的分布相近,为8~15km/h,路段位置速度集中在0~30km/h㊂疲劳驾驶行为的分布区间上限均高于分神驾驶行为,具有更大的风险性㊂加速度分布中,疲劳驾驶行为出现多个峰值,公交站位置中,加速度值在ʃ3m/s2附近出现了较明显的峰值,而路段位置主要集中在0附近㊂分神驾驶行为的加速度范围明显低于疲劳驾驶行为,公交站位置分别在3m/s2和0附近出现明显峰值,在路段中,加速度小于0的分布在-1.4m/s2附近,在负值范围内相较于公交站和交叉口出现更大减速度值㊂故高风险驾驶员在疲劳驾驶和分神驾驶中拥有更大的加速度绝对值,且疲劳驾驶的加速度和减速度具有更大的风险性㊂如图8和图9所示,从提取到异常驾驶行为发生图6㊀疲劳驾驶行为速度相关指标分布㊀㊀图7㊀分神驾驶行为速度相关指标分布时的实际运营里程(距离包含了加气和充电环节)可以看出,出现疲劳驾驶频数最高的实际里程分布在13.3km㊁15.5km㊁17.6km 附近,在路段位置的发生里程在27km 附近出现了较高频率,而分神驾驶的发生实际运营里程主要集中在15km 附近,与疲劳驾驶较为相似㊂5条公交线路的长度为15~25km,从图中可以看出疲劳驾驶及分神驾驶多出现在运营路线的后半程中㊂图8㊀疲劳驾驶行为运营里程指标分布图9㊀分神驾驶行为运营里程指标分布综上所述,在以上3个最常发生的风险驾驶行为中,高风险驾驶员在公交站和路段上出现了更多的风险驾驶行为,且在速度和加速度2个指标中的分布范围更加更广,存在风险较高的值,在实际运营里程方面,分布相似且主要集中于15~17km㊂4 结语㊀㊀本文对公交车驾驶员进行风险驾驶行为聚类,并对高风险驾驶员在特定时空场景下的风险驾驶行为进行特征画像㊂本文采用了K -means 聚类算法对115名公交车驾驶员进行驾驶行为聚类分析,根据聚类结果的风险程度进行统计分析,将驾驶员划分为低风险型㊁中风险型及高风险型㊂高风险驾驶员速度偏好特征中各项指标高于平均值,驾驶更激进;驾驶员个体特征中不良驾驶行为次数高于均值,驾驶习惯较差;违规偏好特征中,异常驾驶行为的次数和严重程度综合指标高于均值㊂本文对判别出的高风险驾驶员的风险驾驶行为进行群体画像,进一步研究了这类驾驶员在不同空间位置㊁不同时段中的风险驾驶速度㊁加速度或运营里程分布特征,得出其在部分空间位置场景下的特征规律㊂研究发现驾驶员在公交站及路段中更具风险性,同时在对公交车运行安全监管的过程中,需要加强对运营路线中后段的监管力度㊂通过对高风险驾驶员群体的特定场景下的风险驾驶行为特征画像,可以为公交企业的驾驶安全意识培训及操作技能训练评估提供方向,对特定场景集中监管,提高公交驾驶员的安全驾驶意识,培养驾驶员群体安全运行车辆的操作习惯,最终提升公交运行的安全性和经济性㊂参考文献[1]吴紫恒,吴仲城,张俊,等.基于模糊C 均值和神经网络的驾驶行为评价研究[J ].计算机系统应用,2018(3):263-267.[2]王海星,王翔宇,王招贤,等.基于数据挖掘的危险货物运输风险驾驶行为聚类分析[J ].交通运输系统工程与信息,2020(1):183-189.[3]李开放,刘忠涛,柏兴涛,等.基于K -means 聚类和神经网络的超速行为识别研究[J ].安徽建筑大学学报,2022(6):83-88,102.[4]FUGIGLANDO U ,MASSARO E ,SANTI P ,et al.Driving behavior analysis through CAN bus data in anuncontrolledenvironment [J ].NatureReviewsNeuroscience ,2019(2):737-748.[5]刘强,严修,鲁誉,等.考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林预测模型[J ].交通信息与安全,2022(5):129-138.[6]朱凯家.基于ACO +k -means 算法的不同天气下驾驶行为分析[J ].太原科技大学学报,2022(4):323-328,334.[7]MARTINUSSEN L M ,MOLLER M ,PRATO C G.Assessing the relationship between the driver behaviorquestionnaire and the driver skill inventory :revealing sub -groups of drivers [J ].Transportation Research PartF :Traffic Psychology and Behaviour ,2014(26):82-91.[8]KAREKLA X.Improving accessibility of public transport systems :the influence of double -decker busacceleration on passenger movement [C ].London :。
高速公路交通事故风险评估模型
高速公路交通事故风险评估模型高速公路是重要的交通干线，但由于交通流量大、车速快等特点，交通事故频发。
为了确保高速公路的安全运行，对其交通事故风险进行准确评估是必不可少的。
一、背景介绍近年来，中国的高速公路建设发展迅猛，不仅架起了城市与城市之间的交通桥梁，也极大地促进了经济的发展。
然而，随着车辆数量的不断增加，交通事故也愈发频发，给人们的生命财产安全带来了巨大威胁。
二、评估风险的必要性评估高速公路交通事故风险的最重要目的之一是为了提高交通管理的科学性和有效性。
只有准确评估出高速公路不同路段的事故风险，交通管理部门才能采取相应的措施加以预防和控制，降低交通事故发生的可能性。
三、危险因素与风险评估模型高速公路交通事故的发生涉及到许多因素，如道路状态、天气条件、车辆状况、交通流量等。
为了准确地评估高速公路的交通事故风险，我们需要建立一种科学的评估模型，将这些因素纳入考虑。
1. 道路状态因素道路的平整度、坡度、弯道的角度等因素的不同，会直接影响车辆的行驶安全。
因此，在评估模型中需要考虑不同道路状态所带来的交通事故风险差异。
2. 天气条件因素恶劣的天气条件，如雨雪天、大风天等，都会给高速公路的交通安全带来一定的风险。
评估模型中需要分析不同天气条件下的交通事故风险，并结合天气预警信息提前采取相应的措施。
3. 车辆状况因素车辆的技术状况和驾驶员的行为习惯都会对交通事故风险产生重要影响。
评估模型中应考虑车辆的年限、维护情况以及驾驶员的违法习惯等因素。
4. 交通流量因素交通流量的大小和密度会影响高速公路交通事故的发生概率。
评估模型中需要考虑不同交通流量条件下的交通事故发生概率，并结合实时交通流量数据进行评估。
四、评估模型构建与数据收集建立高速公路交通事故风险评估模型需要大量的数据支撑。
我们可以利用现有的交通事故数据、天气数据、交通流量数据等进行分析和建模。
同时，还可以采用问卷调查的方式来获取车辆状况和驾驶员行为方面的数据。
道路交通安全评价方法(二篇)
道路交通安全评价方法1、道路交通安全现状汽车已成为人类文明与进步的标志。
人类在享受汽车带来的舒适、便捷等优越性的同时，也付出了沉重的代价。
据不完全统计，当今世界上每年因交通事故死亡70多万人，伤残xx~2500万人。
20世纪，世界上已有3300多万人在车轮下丧生交通事故已成为一场无休止的战争。
与世界各国相比，中国的道路交通事故就显得更为严重。
中国的交通事故基本是随着国民经济的发展而逐步上升的。
每年全国交通事故死亡人数在20世纪50、60年代为几百到几千人，70年代发展为1～2万人。
xx年后，事故死亡人数急剧上升，xxxx年期间稍有回落。
xx年随着国家改革开放的深化，国家总体经济实力增强。
汽车和交通运输业迅速发展，汽车等机动车拥有量急剧上升。
至xx年，全国平均每天因交通事故死亡的人数已达300人。
xx年全公安交通管理部门共受理道路交通事故案例75．5万起，事故共造成10．6万人死亡，直接经济损失30．9亿元，交通事故死亡人数位居世界第一位，超过印度、美国、俄罗斯。
2、道路交通安全的影响因素道路交通系统是由人、车、路和环境等诸要素构成的一个动态系统。
在这个系统中，任何因素的不可靠、不平衡、不稳定都可能导致种种的冲突与矛盾，从而引发交通事故。
2．1人对道路交通安全的影响人作为道路交通系统中的主体，起主导控制作用。
通常认为，交通事故的直接原因主要是驾驶人员的观察、判断、操作等方面所发生的错误。
一般包括以下几个方面：一是思想麻痹大意，车速过快，车与车之间没有保持安全距离等，二是驾驶人员的身体、生理、精神和情绪等状态以及年龄、经验等内在原因。
比如抽烟、喝酒、疲劳、药物作用等都会导致驾驶员工作能力的下降。
另外，从需求的角度讲，人们总是希望尽可能的节省体力、时间和油耗。
出于这个动机，所以经常看到这样的现象：行人不走人行横道、过街天桥或地下通道而翻越交通护栏；遇到排队或阻车时，驾驶员常驶入非机动车道；在瓶颈路段，驾驶员争道行驶，互不相让等等，这些违章现象常常造成人为地诱发交通事故。
机动车驾驶人行为安全的超车模型与仿真
方 法 在 维吉 尼亚 等州 采 集 了 ２万 多组超 车 数据
分 析 超 车 过 程 ， 于 １３ 年 提 出 了 “ 个 超 并 ９９ 单 车 ”３的概 念 ， 超 车车 辆 一 次 只 超过 一 辆 慢 车 。 ＿ 即
第２ ８卷 第 ３期 ２ １ 年 ６月 ０（ ）
江
西
科
学
Ｖｏ ． Ｊ２８ Ｎｏ． ３
Ｊ ＡＮＧＸｌ Ｓ ＥＮＣＥ １ ＣＩ
Ｊ ． ０ｌ ｕｎ ２ ０
文 章 编 号 ：０ １— ６９ ２ １） ３— ３ １ ０ ｉ０ ３ ７ （ ０ ０ ０ ０ ８ — ５
机 动 车 驾 驶 人 行 为安 全 的超 车模 型 与 仿 真
定性 的角度出发把超车行为划分为 ４个阶段 ： 超 车延 迟开 始 、 车辆 加速 回车 、 车 延迟 开始 且 加速 超
回车 、 自由超 车 。
该 阶段在 采集 超 车数 据 的方 法 由于条 件 和时
作者简介 ： 秀娟（ ９ ２一） 女 ， 朱 １８ ， 山东临沂人 ， 工学硕士 ， 研究 方向 ： 通安 全与仿真。 交
Ｋ ｅ ｏ ｄ Ｄｒｖ ｒ ｂ ｈａ ｉｒ Ｄｒｖ ｒｓｍｕ ａ ｉｎ， ｅｔ ｋ ｎ ｃ ｉ ｅ ｙ ｗ ｒ ｓ： ｉ ｅ ｅ ｖ ｏ ， ｉｅ ｉ ｌ ｔ ｏ Ｏｖ ｒａ ｉ ｇ ａ ｃ ｄ ｎｔ
０ 前 言
作 为我 国公 路 网 的主 要 形 式 ， 车 道 公 路 在 双 我 国公 路 网 中 占有 重 要 的部 分 。在 双 车 道 公 路 中 ， 车 车辆 在 超 车 过 程 中只 能 占用对 向 车道 并 超 且 只有 在 对 向车 道有 充 分足 够 的超 车视 距 的时候 才 有超 车 的可能 ， 随着交 通 流量 的增 加 ， 车 的 需 超 求也 在增 加 ， 是 伺 机 超 车 的能 力 逐 渐 降低 。 分 但 析双 车道 公路 上 的超 车过 程 ， 但 可 以 研究 双 车 不 道 公路 的交通 特 性 ， 可 以 通过 分 析超 车 驾驶 人 还 的驾驶 行 为来 评 价驾 驶人 的驾驶 安 全意 识 。本 文 根 据前 人 对超 车 模 型 的研 究 情 况 ， 双 车道 公 路 在
大客车驾驶人高速公路行车安全意识评价
供 一致 的结论 ， 这样 的状 况 为驾 驶 人 安全 管 理 带来 了很大 困难 。为 提高 客 运车 辆 安 全水 平 ， 运 输 公 司 往 往为 车辆装 备 ＧＰ Ｓ作 为监控 手段 ， 依 据 其 实时行 车 速度 采用 电话 或 短 信提 醒 ， 并 记 录在 案 。但 当事
问题或 采用 量表测 定 时 ， 所 有驾 驶 人 却又 趋 向于 提
１ ４ 。已有研究 确定影 响交通 事故 的事故 多发者 具
有攻 击行 为趋 向 、 无 责 任感 、 社 会 适 应 不 良等 特 征 。 澳 大利亚 心理学 家 Ｖ． 柯 洛 乌 的原 因进行 研究 ， 提 出安 全 意识 对 于 事 故 的发 生具 有 重要 作 用 。Ｎａ ａ ｔ ａ ｎ ｅ ｎ Ｒ ． 和 Ｓ ｕ ｍｍａ ｌ ａ Ｈ． 在
作 用研 究则 相对较 晚 。美 国康迪 格州 的一项 调查 结
果表明， ６年 中发生 的 ３ ０ ０ ０ ０起交 通 事 故 中， ３ ． ９ 的驾驶 员 是 ３ ６ ． ４ 交 通 事 故 的肇 事 者 。在 日本 一
公 路客运 的吸引 力 ， 也使 得 这 一行 业 蓬勃 发 展 。由 于 高速公 路交 通条 件 相对 较 好 ， 且 客车 驾 驶人 均有
第 ６期
７ ２
２ ０ １ ３年 １ １月
大 客 车驾驶 人 高 速公 路 行 车安 全 意识 评价 ＊
赵 炜 华 ，边 浩 毅 ，王 丽 华 ，刘浩 学
（ １ ． 浙 江 交通 职 业 技 术 学 院 运 输 管理 学 院 ，浙 江 杭 州 ３ １ １ １ １ ２ ； ２ ． 长安 大 学 汽 车 学院 ，陕 西 西 安 ７ １ ０ ０ ６ ４ ）
城市交通道路安全评估模型研究
城市交通道路安全评估模型研究城市交通道路安全一直是城市管理部门和交通从业者关注的焦点问题。
如何科学评估城市道路的安全性，提高道路交通的安全水平，成为了亟待解决的难题。
本文将探讨城市交通道路安全评估模型的研究，并提出一种较为完善的模型供参考。
首先，城市交通道路安全评估的目标是全面了解道路各类风险因素，并根据风险等级确定相应的安全措施。
传统的道路安全评估方法主要依赖于事故数据统计和事件回顾的方法，存在的问题是对事故原因的理解相对单一，只是关注于发生了交通事故的道路段落，缺乏对整个路段或者路网的风险全面评估。
为了克服传统方法的不足，研究者们引入了城市交通道路安全评估模型。
这些模型根据交通事故因素、道路环境、交通流量以及交通行为等多个方面的指标，综合评估道路的安全性。
其中，交通事故因素包括驾驶人、车辆、道路等各个方面的因素。
道路环境包括道路类型、道路宽度、道路照明、交叉口等。
交通流量包括车流量、人流量、自行车流量等。
交通行为包括遵守交通规则、驾驶行为等。
通过对这些指标进行全面评估，可以更准确地了解道路的安全状况。
在城市交通道路安全评估模型的研究中，大量的数据分析和建模技术得以应用。
数据分析方面，利用大数据和人工智能等技术，可以对海量的交通数据进行挖掘和分析，提取出与道路安全相关的特征。
建模技术方面，可以利用统计学、数据挖掘、机器学习等方法，构建出具有预测能力的安全评估模型。
这些模型可以帮助交通管理部门和交通从业者预测道路的风险等级，及时采取相应的安全措施，提高道路的安全性。
然而，城市交通道路安全评估模型的研究仍然存在一些挑战。
首先，数据的获取和处理是一个难题。
虽然现代技术使得交通数据的采集更加便捷，但是仍然存在数据不完整、数据质量不高等问题。
其次，建模过程中需要选取合适的特征和算法，这需要相关领域的专业知识和经验。
最后，模型的验证和评估也是一个重要的环节，需要利用实际数据进行模型测试，以验证模型的准确性和稳定性。
汽车驾驶员分心驾驶的行为与风险评估
汽车驾驶员分心驾驶的行为与风险评估随着汽车的普及，越来越多的人开始拥有自己的汽车，进而成为了一名司机。
然而道路上的交通环境并不十分安全，交通事故时有发生。
其中，驾驶员分心驾驶是交通事故的重要因素。
本文将探讨驾驶员分心驾驶的行为及其对于道路安全的风险评估。
一、驾驶员分心驾驶的行为驾驶员分心驾驶是指在行驶中，因为某些原因而导致驾驶员的注意力不集中于驾驶，从而导致车辆驾驶不稳定的行为。
驾驶员分心驾驶的因素有很多种，如下所述：1.使用手机或其他设备当驾驶员使用手机、电脑等电子设备时，就会分散他们的注意力，从而影响驾驶操作和判断能力。
2.兴奋或沮丧的情绪当驾驶员处于兴奋或沮丧的情绪时，会导致专注力的降低，从而增加事故的风险。
3.说话或者与乘客交谈有时，驾驶员会和他们的乘客谈论被视为无关紧要的话题，例如天气和其他娱乐话题。
虽然这些话题不会直接影响驾驶，但他们分散了驾驶员的注意力，从而增加了车祸的风险。
4.小睡或疲劳驾驶驾驶员在开车的过程中，由于太过劳累或睡眠不足，会出现打哈欠、反应迟钝、眼睛发花等症状，甚至还会睡着，从而失去驾驶控制。
二、驾驶员分心驾驶的危害驾驶员分心驾驶的行为可能会导致以下两种危害。
1.威胁驾驶员的生命安全驾驶员分散了他们的专注力，容易引发行车事故。
当发生交通事故时，驾驶员和搭乘者都会受到伤害，甚至丧失生命。
2.危害社会公共安全驾驶员分心驾驶不仅威胁到驾驶员本人的生命安全，同时也会危害到其他路人或者车辆的安全。
交通事故会造成路面交通拥堵，给社会带来很多麻烦。
三、风险评估为了制定出更好的交通安全措施，评估驾驶员分心驾驶的风险显得极为必要。
在评估驾驶员分心驾驶的风险时，可以从以下两个角度入手。
1.定量分析通过数据分析和模型仿真等手段，评估驾驶员分心驾驶在车祸中的相对风险。
采用定量分析的方法可以得出数值，从而更加客观地评估驾驶员分心驾驶对道路安全的危害。
2.设施设备评价为减少驾驶员分心驾驶的潜在威胁，需要评估现有设施设备的安全性能。
驾驶人行为的认知与行动决策模型研究
驾驶人行为的认知与行动决策模型研究第一章、引言随着社会的发展，汽车已经成为现代社会不可或缺的一部分。
然而，在汽车成为个人出行工具的同时，也给交通管理和安全带来了前所未有的挑战。
交通安全是人们生命财产安全的重要保障之一，然而，交通安全管理和规范的质量直接关系到各方面的经济发展和社会稳定，因此交通安全已经成为全球性关注的焦点。
在众多的交通安全问题中，驾驶行为是其中的一个重要环节。
随着公路交通事故率不断攀升，对于研究和管理驾驶行为已经成为了一个非常迫切的需要。
为了提高交通安全，需要了解驾驶行为背后的认知和决策模型，以更好地预测和预防交通事故，同时提高交通的效率和管理水平。
本文旨在介绍驾驶人行为的认知与行动决策模型的研究进展和现状，以及可能的未来发展方向。
文章将主要涵盖以下方面：（1）驾驶行为的定义和分类（2）驾驶行为的影响因素（3）驾驶行为的认知模型（4）驾驶行为的行动决策模型（5）未来的研究方向与发展趋势第二章、驾驶行为的定义和分类驾驶行为是指人类在行驶汽车时所表现出来的行为和举动。
它涉及到行为的观察、心理分析、行为测试、驾驶技能评估，以及行车和交通安全管控等多个方面。
驾驶行为可以分为以下几个方面：（1）驾驶技能：指驾驶人操纵汽车的技能，如驾驶技术、反应速度、操作准确性、行车姿态控制等等；（2）决策行为：指驾驶人的决策水平，如判断、预测和行动等行为；（3）心理行为：指驾驶人的心理状态、心理特征、行为习惯等；（4）行车习惯：指驾驶人的常态下的驾驶和行为习惯。
驾驶行为的分类是为了将其不同方面的特点综合归纳。
这种分类方法有利于交通事故的分析，总结和对驾驶行为的监测。
第三章、驾驶行为的影响因素驾驶行为与驾驶行为的风险之间的关系是由驾驶人及其行为的因素所决定的。
驾驶行为的影响因素可以归纳为三个方面：驾驶人员的人口社会心理特征、驾驶人员的行为习惯、驾驶人员的行为环境。
1.驾驶人员的人口社会心理特征（1）性别和年龄：研究表明，女性驾驶员的事故率低于男性驾驶员，而年龄较大的驾驶员也不如年龄年轻的驾驶员安全；（2）驾驶经验：驾驶经验是影响驾驶人员安全的重要因素。
道路交通安全评价
摘要改革开放以后,随着我国经济的腾飞,交通事业取得长足的进步。
近十年来,我国机动车保有量成倍增加,虽然公路通车里程不断增加,但仍然不能满足车辆通行需要,交通拥挤、交通事故频发,交通安全状况不断恶化,造成巨大的人员和财产损失,道路交通安全成为影响交通事业发展的瓶颈。
道路交通安全评价是道路交通安全研究中的重要内容,主要根据道路运行的情况和过去的数据统计来分析道路的安全状况,评定道路的安全等级,找出安全度低的道路并适当采取安全措施,其在减少道路交通事故、提高道路安全水平上有重要的意义,一直被各国重视。
通过分析我国道路安全现状,找出影响交通安全的因素,主要从人、车、路这个交通系统入手,对影响道路安全的因素都予以考虑。
通过对影响道路交通安全因素的分析,把影响道路交通安全的因素分解为若干指标,根据若干指标建立三级评价指标体系。
本文介绍了国内外道路安全评价的研究现状并详细介绍了四元评价方法(DHGF)及其基本步骤,并把此方法应用于兰州安宁区建宁东路的交通安全等级评价,客观反映了被评价对象的交通安全状况。
关键词：道路交通安全；影响因素；安全评价；四元评价模型(DHGF)AbstractAfter the reform and opening up, as China's economic development, transportation industry has made great progress. In the past ten years, the number of vehicles in our country increased exponentially, while highway mileage is increasing, but still can not meet the needs of traffic, traffic congestion, traffic accidents, traffic safety situation continued to deteriorate, causing huge casualties and the loss of property, road traffic safety becomes a bottleneck of the development of traffic. The road traffic safety evaluation is an important content in the study of road safety, according to the main road running situation and past statistics to analyze the road safety situation, safety evaluation of road safety, to find out the low degree of road and take appropriate safety measures and in the reduction of road traffic accidents, it is important to improve road safety level, has been national attention.Through analysis of the status of China's road safety, find out the factors influencing the traffic safety, mainly from the people, cars, the road traffic system of, the factors of affecting road safety should be taken into account. Through analysis of the factors of the road traffic safety, the influence road traffic security factors decomposition of a number of indicators, three levels of evaluation index system is established according to a number of indicators.Is introduced in this paper the research status of domestic and international road safety evaluation （DHGF ）method and its basic steps are introduced in detail and the application of this method in the Anning District, Lanzhou City Jianning road traffic safety assessment, objectively reflect the object of traffic safety status evaluationKey Words：Road traffic safety; influencing factors; evaluation; four yuan evaluation model（DHGF）1研究背景1.1 研究背景汽车已成为了人类文明进步的标志。
安全双重风险评估LSR
安全双重风险评估LSRLSR（Low Speed Rear End）低速尾撞是指在低速情况下，一辆车后面的另一辆车发生追尾碰撞事故。
针对该类风险，进行双重风险评估可以更全面地分析事故的发生可能性和潜在危害。
具体的评估过程如下：第一步：事故概率评估1.1 收集历史事故数据：通过查阅相关文献、事故统计报告等方式，收集低速尾撞事故的历史数据。
1.2 分析相关因素：根据历史数据，分析导致低速尾撞事故的可能因素，如行驶速度、前车刹车距离、追尾车车速等。
1.3 评估事故概率：将相关因素纳入统计模型中，计算低速尾撞事故的概率。
第二步：事故影响评估2.1 分析事故后果：根据事故数据和现场调查，分析低速尾撞事故的可能后果，如车辆损坏程度、乘员受伤程度、交通拥堵等情况。
2.2 评估事故影响：根据事故后果，评估低速尾撞事故对道路交通安全、人身安全、财产安全等方面的影响程度。
第三步：综合评估和控制措施提出综合考虑低速尾撞事故的发生概率和潜在影响，综合评估双重风险。
根据评估结果，提出相应的控制措施，包括但不限于：- 教育和宣传：通过交通法规宣传、驾驶培训等方式提高驾驶员的安全意识，减少追尾事故的发生。
- 技术改进：推动车辆安全技术的发展，如智能刹车系统、倒车雷达等，提高车辆的安全性能。
- 道路改进：改善道路交通环境和交通流动性，减少低速尾撞事故发生的可能性。
通过对LSR的双重风险评估，可以更全面地了解该类事故发生的概率和潜在影响，为采取针对性的控制措施提供科学依据。
同时，需持续监测和分析事故数据，及时调整和完善评估结果和控制措施。
大模型安全风险防范能力要求及评估方法
大模型安全风险防范能力要求及评估方法现在这个科技发展的速度，可以说是快得让人有点跟不上节奏。
大模型，嗯，就是那种能够理解和生成各种信息的强大工具，像是你问它问题，它回答得比你还快，比你还聪明，简直就像是个万能的知识宝库。
不过，越是厉害的东西，越是有点让人捏把汗。
这大模型一旦出点什么差错，可能影响的不只是一个人，一整个社会都得为它“埋单”。
所以啊，我们就得好好研究，怎么确保这些“大脑”不“坏掉”，也就是我们说的安全风险防范能力。
说起这些安全风险嘛，首先得想清楚一个问题：我们要防的到底是什么？嗯，首先当然是防止它“胡说八道”。
你想啊，这大模型能快速生成各种信息，但要是它给你回答的全是错误的，或者是有害的，那可就麻烦了。
比如说，给你一个关于某个病症的建议，结果它告诉你吃个橙子就能治好，哎呦，那不就闹笑话了嘛。
然后呢，还得防止它被恶意操控。
什么是恶意操控？简单说，就是有人故意引导它做不好的事。
举个例子，某些人可能会通过一些套路让大模型生成带有偏见、仇恨言论的内容，那就真的是“祸从口出”了。
再比如说，泄露个人隐私，啊这可不是开玩笑的，任何大模型的处理过程都涉及大量数据，如果把这些数据弄得不小心，后果不堪设想。
怎么样才能让大模型不出问题呢？首先得有一套好用的防护机制。
这种机制，得像是设了一道坚固的屏障，能有效过滤那些有问题的信息。
你想啊，这就像是开车的时候，车上得有安全带、有气囊，万一发生碰撞，咱们能保命。
类似的，大模型的运行过程里，得设有很多层安全过滤机制，能够在它生成内容时及时检测，确保它说的不会有害。
光有安全带是不够的，驾驶员的技术得过关，司机得懂得如何应对突发状况。
所以，这个大模型本身得有能力判断和应对不同的情况，不能只是傻傻地按照指令办事。
像是对不同话题的敏感性，如何分辨善意和恶意信息，怎么筛选出最合适的回答，这些都需要考虑。
而且啊，评价大模型的安全性，还得考虑一个非常重要的点——透明度。
一个大模型如果你完全不知道它是怎么运作的，那就像是你每天吃饭，不知道那盘菜到底从哪儿来的，做菜的厨师心里到底有什么鬼心思。
基于大数据分析的汽车驾驶行为评估与安全预警
基于大数据分析的汽车驾驶行为评估与安全预警在当今社会，汽车成为人们生活中必不可少的一部分。
然而，汽车事故却时有发生，给人们的生命财产安全带来巨大的威胁。
为了有效评估驾驶者的行为和提供及时的安全预警，基于大数据分析的汽车驾驶行为评估与安全预警系统应运而生。
大数据分析是一种利用强大的计算和分析能力处理大规模数据的技术，在汽车驾驶行为评估与安全预警中发挥着重要的作用。
通过收集汽车中的传感器数据、GPS数据、行车记录仪数据以及驾驶员信息等多种信息，我们可以利用大数据分析技术准确评估驾驶者的行为，发现潜在的安全风险并及时进行预警，从而减少事故的发生。
首先，基于大数据分析的汽车驾驶行为评估是通过收集驾驶者的相关数据来评估其驾驶行为的优劣。
传感器数据可以提供驾驶者的加速度、制动力、转向行为等驾驶行为的基本信息。
GPS数据则能够提供车辆的位置、行驶速度、行驶方向等信息，进一步呈现驾驶者的行为特征。
行车记录仪数据记录了车辆的实际驾驶场景和驾驶者的操作情况。
这些数据可以通过大数据分析算法进行综合分析和处理，得出驾驶者的驾驶行为评分，进一步帮助驾驶者提高驾驶技术，并在必要时提出改进建议。
其次，基于大数据分析的汽车驾驶行为评估还能够及时预警潜在的安全风险。
通过对驾驶行为数据的监控和分析，系统可以自动检测驾驶者的异常行为，并及时发出警报，提醒驾驶者采取措施避免事故的发生。
例如，当检测到驾驶者频繁超速、急加速、急刹车等行为时，系统可以发出声音或振动警告，引起驾驶者的警醒。
此外，系统还可以结合道路和交通信息，发出提醒驾驶者注意前方车辆、施工区域、限速区域等信息，以提高驾驶者对路况的警觉性，降低安全风险。
基于大数据分析的汽车驾驶行为评估与安全预警系统不仅能够帮助驾驶者提高驾驶技术，降低安全风险，还可以为交通管理部门提供有力的数据支持，制定更科学的交通安全政策和规划。
通过对大量的驾驶行为数据进行分析和挖掘，交通管理部门可以了解不同地域、不同驾驶人群的驾驶行为差异，制定针对性的交通安全措施。
交通安全综合指数评估模型研究
交通安全综合指数评估模型研究交通安全是一个综合性的问题，涉及到车辆、道路、交通管理、驾驶员等多个方面的因素。
为了综合评估交通安全状况，可以建立交通安全综合指数评估模型。
该模型可以对不同交通安全因素进行量化评估，并通过综合分析得出交通安全综合指数，用于评估交通安全状况。
首先，建立交通安全综合指数评估模型的第一步是确定评估指标。
通常可以从以下几个方面考虑：1.交通事故指标：包括交通事故的发生数量、伤亡人数、财产损失等，这是评估交通安全状况最直接的指标。
2.道路条件指标：包括道路质量、路面状况、交通标志和标线的完善程度等，这些因素对驾驶员行车安全起着重要作用。
3.交通设施指标：包括交通信号灯、红绿灯、斑马线、人行道等设施的完善程度，这些设施对行人和驾驶员的安全保障很重要。
4.交通管理指标：包括交通管理的科学性和严格性，包括交通执法的力度、违章处理效果等。
5.驾驶员素质指标：包括驾驶员的驾驶技能、驾驶经验、遵守交通法规的程度等。
其次，确定各指标的权重。
可以采用层次分析法（AHP）或主成分分析法等方法，根据实际情况确定各指标的重要性。
考虑交通事故指标的直接性和重要性，可以给予较高的权重。
然后，对各指标进行数据采集。
可以根据当地的交通安全数据或通过实地调查等方式获取数据，并进行统计分析。
最后，运用评估模型计算交通安全综合指数。
可以采用线性加权法或层次分析法等方法，根据各指标的权重和数据进行综合计算，得出交通安全综合指数。
在进行综合评估时，需要注意以下几点：1.数据的可靠性：数据的采集和统计分析需要尽量准确和全面，以确保评估结果的有效性。
2.指标的选择合理性：选择的评估指标需要充分考虑其在交通安全中的实际作用和重要性。
3.权重的确定科学性：权重的确定需要考虑相关指标的重要性，可以采用专家评估、层次分析法等方法。
4.模型的可操作性：评估模型需要简单、明确、易操作，以方便实施。
综上所述，交通安全综合指数评估模型可以帮助实现对交通安全状况的科学评估和综合分析，为制定交通管理政策和改善交通安全提供科学依据。
驾驶行为评价系统
《驾驶行为表征指标及分析方法研究》（吉林大学博士论文）目录：1.国内外文献综述2.驾驶行为信息采集方案3.驾驶行为表征指标体系构建4.安全性评估办法5.驾驶人认知能力评估指标体系及办法6.典型应用1.国内外文献综述研究背景：车越来越多、交通事故多、安全很重要、交通事故的预防亟待解决、国家重视、驾驶人员的错。
研究意义：1.驾驶行为安全性提升提供技术支持（改善驾驶培训质量和教育质量）2.车辆安全性……理论基础3.道路安全性……理论基础4.后续研究……理论基础。
研究现状：内容多、要求高、难度大。
研究框架如下：（1）驾驶行为信息采集：实验环境（各种平台）、车辆运动及操控信息采集（仿真驾驶车辆信息、实际车辆信息采集系统、监控记录仪）、驾驶人生理、信息采集。
（2）驾驶行为技术分析：面向驾驶行为分析的虚拟交通情景构建技术；驾驶行为表征体系研究；实验设计及数据分析方法研究。
（3）驾驶行为理论研究：建模、状态辨识、适应性、后面：略2.驾驶行为信息采集系统设计及实现驾驶行为信息分类：感知、决策、操控驾驶行为数据采集分析：驾驶人基本信息驾驶员视觉信息：驾驶人生理特征信息驾驶人心理特征指标驾驶人操纵行为信息车辆运行状态信息速度公里/小时车辆运行实时测量速度值纵向加速度米/秒平方描述车辆纵向加减速行为横向加速度米/秒平方描述车辆的横向侧倾特征距离信息米描述车辆驶过的距离道路基本信息2.2.1驾驶人生理、心理信息采集（详细介绍了各种仪器）2.2.2 驾驶人操控及车辆运行信息采集方案及技术实现软件实现2.2.3 基于GPS的道路信息采集方案及技术实现①数据坐标转换②样本点的识别与分类③计算模块设计及功能：采样点坐标输入↓计算里程、曲率、删去异常点↓判断样本点所属曲线是直线还是曲线↓进行曲线（直、圆）拟合，求解相关参数↓计算缓和曲线相关参数↓计算平曲线一览表相关参数↓输出（并附有详细的函数以及输入输出数据形式）2.3.1 驾驶行为信息同步需求：信息同步的必要性、信息同步需求2.3.2 信息同步的实现：利用Observer3.驾驶行为表征指标体系构造3.1 驾驶人感知行为表征指标3.1.1 视点分布范围指标3.1.2 注视区域分布比例指标(1)注视区域划分：左前中前右前、左窗仪表右窗、左后中后右后；用矩阵表示（比例）3.1.3 注视序列指标：注视链、利用Observer3.2 驾驶决策行为表征指标3.2.1 驾驶决策行为含义：以“环境信息、本车状态、交通情景”为输入，以“驾驶行为”为输出的一种映射关系3.2.2 决策行为分析载体（5个场景）3.2.3 驾驶决策行为表征指标：“决策规则”和“决策反应时间”两个方面（1）驾驶决策类型及编码：情景：E 横向：左转-L，右转-R，纵向：维持-N 加速-A，减速-D，维持-K（2）驾驶决策反应时间（3）指标采集方法：利用Observer3.3 驾驶人操控行为表征指标3.3.1 纵向操控行为表征指标（1）换档频率：Rate Gear Change = N / T（单位时间内换档次数=指分析时段内换档次数/分析时段的时间长度）（2）空档滑行比率：Gear Zero Rate = T zero / T（空档滑行时间比率=分析时段内空档时段所占时长/分析时段的时间长度）3.3.2 横向操控行为表征指标（1）转向灯使用频率：Light Change Rate=N l / T（单位时间内转向灯使用次数=分析时段内转向灯使用次数/分析时段长度）（2）转向灯合理性指标:设T = 转向灯使用次数/变更车道次数。
基于信息熵与高风险行为的驾驶行为风险评估方法
第23卷第4期2023年8月交 通 工 程Vol.23No.4Aug.2023DOI:10.13986/ki.jote.2023.04.004基于信息熵与高风险行为的驾驶行为风险评估方法孙宫昊1,常 鑫2,高亚聪3,陈桂华1,毋 超1(1.国汽(北京)智能网联汽车研究院有限公司,北京 100176;2.中国民航大学,天津 300300;3.北京工业大学,北京 100124)摘 要:为客观评估驾驶人的驾驶安全性,提出以信息熵与高风险行为作为风险指标的驾驶行为风险评估方法.基于驾驶模拟实验获得个体驾驶人行为数据,根据个体驾驶行为特征,通过专家评估方式,获取驾驶行为风险评估比对标签;基于信息熵及高风险行为事件提取关键驾驶风险特征;利用随机森林算法进行驾驶行为风险分类.通过与驾驶行为风险评估标签进行比对验证,结果表明,该方法的驾驶行为风险总体辨识精度达到80%,基于信息熵与高风险行为的驾驶行为风险特征指标选择,能客观描述驾驶行为数据的分布差异,精确分析个体驾驶行为风险特性,可为个性化设计车辆安全辅助系统提供依据.关键词:驾驶行为风险;驾驶特征;信息熵;随机森林;分类模型中图分类号:U 463.6文献标志码:A文章编号:2096⁃3432(2023)04⁃022⁃07收稿日期:2022⁃06⁃30.作者简介:孙宫昊(1996 ),男,硕士,研究方向为智能网联汽车驾驶安全㊁技术标准.E⁃mail:sungonghao@china⁃.通讯作者:常鑫(1991 ),男,讲师,博士,研究方向为智能交通技术.E⁃mail:xchang@.Evaluation of Driving Behavior Risk Based on Information Entropy and High⁃Risk Driving BehaviorSUN Gonghao 1,CHANG Xin 2,GAO Yacong 3,CHEN Guihua 1,WU Chao 1(1.China Intelligent and Connected Vehicles (Beijing)Research Institute Co.,Ltd.,Beijing 100176,China;2.Civil Aviation University of China,Tianjin 300300,China;3.Beijing University of Technology,Beijing 100124,China)Abstract :In order to objectively evaluate the driving behavior risks of drivers,this paper proposes a risk assessment method based on information entropy and high⁃risk behaviors.Fine⁃grained driving behavior data of individual drivers are obtained based on driving simulation experiments.According to the characteristics of individual driving behavior,and through expert evaluation,the risk assessment comparison label of driving behavior is obtained.Key driving risk characteristics are extracted based oninformation entropy and high⁃risk behavior events.The random forest algorithm is used to classify driving behavior risk.Through comparison and verification with the driving behavior risk assessment label,the results show that the overall identification accuracy of the driving risk assessment model reaches 80%.Based on information entropy and high⁃risk behaviors,the selection of driving behavior risk characteristic index is proposed.This method can objectively describe the overall distribution of driving behavior data and accurately analyze the individual driving behavior risk characteristics.The evaluation result of this method is more accurate.The analysis results can provide a basis for the customized design of vehicle safety assistance system.Key words :driving behavior risk;feature of driving behavior;information entropy;random forest;disaggregated model 第4期孙宫昊,等:基于信息熵与高风险行为的驾驶行为风险评估方法0 引言世卫组织研究报告显示,全球每年因交通事故造成的受伤人数可达2000~5000万人[1].在我国,随着汽车技术的发展,在人们出行方便的同时,也带来了一系列交通安全问题.根据交管局公开数据显示,2016年交通事故总数相比于2015年增加25065起,造成交通事故的众多因素中,人因是引发事故的重要原因,2016年由驾驶人引发的交通事故数占事故总数的91.23%[2].因此,对驾驶人的行为风险进行预测评估,是提升道路交通安全的有效手段,在车辆安全辅助系统的个性化设计等应用方面具有极大潜力.以往的研究表明,获取驾驶行为特性数据能实现辨识危险驾驶行为㊁预测交通事故几率㊁提出交通事故预防措施等目的[3],并且驾驶行为数据分析法能客观地描述驾驶人的风险特性.目前,基于客观驾驶数据的驾驶行为风险评估研究方法主要分为2种:①以驾驶数据相应阈值识别高风险驾驶行为事件,评估驾驶风险;②以驾驶特征作为评估参数,通过机器学习等算法进行评估.其中,基于阈值识别高风险驾驶行为事件的驾驶行为风险研究, Toledo等[4]通过驾驶行为数据识别了20种驾驶行为事件,包括加速㊁减速㊁换道等事件,结合驾驶事件的风险程度与频率,构建综合指标评估体系,将驾驶风格分为3类.吴振昕等[5]从数据库中提取7种典型驾驶工况,用k⁃means和D⁃S证据理论的方法进行聚类,将驾驶风格分为3类.Eren等[6]用手机传感器获取速度㊁加速度等数据,通过动态时间规整算法识别高风险行为事件,实现对驾驶人驾驶行为安全性的评估.在基于驾驶特征参数建模的驾驶行为风险的研究中,朱冰等[7]用跟车过程中的驾驶数据作为特征指标,以层次聚类方法获得驾驶行为标签,建立了基于随机森林的驾驶人驾驶习性辨识模型.李经纬等[8]采集商用车和乘用车的驾驶行为数据,通过主成分分析法实现特征指标降维,利用k⁃means法进行驾驶风格的识别.Van LY等[9]获取速度㊁加速度㊁制动踏板压力等数据,利用支持向量机和K均值聚类算法对驾驶人进行分类.综上所述,以往研究中,基于识别高风险事件的驾驶行为风险评估研究,对风险事件的阈值判别标准不一致;基于特征参数建模的驾驶行为风险研究,集中于通过统计分析及建模实现驾驶风险的预测.为此,本研究引入信息熵指标客观描述特征参数,同时识别驾驶人的高风险驾驶行为事件,分析驾驶人个体风险行为特性,基于随机森林算法对驾驶行为风险等级进行识别,建立驾驶行为风险评估模型.提出了1种基于信息熵与高风险行为的驾驶行为风险评估方法.1 驾驶模拟实验1.1 实验设备及场景研究所需的驾驶行为数据借助驾驶模拟实验平台获取,实验选取双向四车道的高速公路路段为实验模拟路段,每条车道路宽为3.75m,实验路段长度为5.6km,限速120km/h,本实验主要针对非违法状态下的高速工况展开研究.实验过程中驾驶人仅需根据其日常驾驶习惯完成模拟路段的驾驶即可.借助驾驶模拟实验平台可收集驾驶模拟器产生实验车自身及周边车辆的位置㊁距离等数据信息[10].驾驶模拟实验平台如图1所示,获取的驾驶行为数据包括方向盘转角㊁刹车踏板深度㊁油门踏板深度㊁时间㊁车辆坐标㊁速度㊁加速度㊁侧位移㊁与前车在250m内的距离㊁前车速度等驾驶操作参数.图1 驾驶模拟器1.2 实验人员本次实验共招募35名驾驶经验丰富的驾驶人, 35名驾驶人的个体属性分布如表1所示.每位驾驶人均拥有C级机动车驾驶证,同时,为了避免其他身体因素影响驾驶实验,在实验前,要求驾驶人保证充足睡眠并且避免大量进食,确保身体状况良好.表1 驾驶人个体属性统计分布性别年龄/周岁驾龄/a 男女>45<45>10<10 201592618172 驾驶行为风险比对标签基于驾驶人实验数据,由来自相关企业㊁高效㊁32交 通 工 程2023年科研机构的17名交通领域经验丰富的专家,对驾驶人的驾驶行为风险等级进行评价,得到的评估结果作为所提出算法的输入值,并与算法的预测结果进行比对.驾驶模式是由一段时间内一系列的驾驶操作所构成的,具有时间序列的连续性,通过驾驶模式的变化特征,可直观反映驾驶人的决策偏好.因此,以每位驾驶人的速度㊁加速度㊁车头时距及在实验路段上的行驶状态变化等数据为辨识特征参数,根据以往研究总结得到的高速工况驾驶模式分解模型,驾驶人的驾驶模式变化可有效反映驾驶人的决策偏好[11].将驾驶操作数据分解为9种模式:自由直行㊁迫近㊁远距离跟驰㊁中距离跟驰㊁近距离跟驰㊁渐远㊁受限换道㊁自由换道㊁紧急制动,绘制驾驶人在行程中的驾驶行为模式图,可视化描述驾驶人在路段上的驾驶行为,根据驾驶行为模式图可直观表现驾驶人的风险等级,安全型驾驶人较多保持单一直行模式,危险型驾驶人则有较大概率采用换道模式行驶.驾驶风险越低,驾驶模式的转移形式越单一,驾驶风险越高,不同模式间的转移越频繁,驾驶人更倾向于通过多种驾驶模式之间的组合行驶,以达到缩短行程时间的目的[12].专家根据每位驾驶人的驾驶行程图表,采用投票法,综合所有专家的评分,得到票数最多的等级作为驾驶人的驾驶行为风险等级标签对驾驶人的驾驶行为风险,评价等级分安全㊁一般㊁危险3个等级.驾驶行为模式图如图2所示,图中横轴为行程距离,纵轴为驾驶模式,图像描述了该驾驶人共进行了2次紧急制动,2次自由换道以及1次迫近,驾驶人在每次紧急制动后,会进行1次自由换道.可明显看出,在无前车干扰的情况下,该驾驶人也会通过频繁换道以达到在期望车道行驶的目的,驾驶风险程度偏高.图2 驾驶人的驾驶转移模式部分驾驶人的专家评分统计如表2所示.表2 专家反馈结果驾驶人ID 专家答题百分比/%描述项安全一般危险均值中位数众数标准差129.435.335.32.062.0020.83258.823.517.61.591.0010.80358.823.517.61.591.0010.80458.823.517.61.591.0010.80547.123.529.41.822.0010.88652.929.417.61.651.0010.79723.547.129.42.062.0020.75 采用克朗巴赫系数检验评价结果的一致性,系数达到0.6以上认为内在信度的一致性可接受[13].结果显示,17名专家评价结果的克朗巴赫系数为0.972,大于0.6,评价结果显示出良好的一致性.根据专家评估的结果,获得驾驶人的驾驶行为风险等级比对标准,得到安全型驾驶人24位,一般型驾驶人6位,危险型驾驶人5位.3 驾驶行为风险评估模型3.1 基于信息熵与高风险行为的特征选取本研究共选择8个参数对驾驶人的驾驶行为进行辨识,包括速度㊁纵向加速度㊁纵向减速度㊁横向加速度㊁横向减速度㊁车头时距㊁车头间距7个车辆运行参数的信息熵,以及辨识高风险驾驶事件的累积紧急制动次数.在正常驾驶过程中,频繁地发生急刹车㊁急加速等高风险驾驶行为,能表征驾驶人驾驶行为风险较高.Wen 等[14]研究发现,如果驾驶人每小时多做1次急刹车行为,交通事故发生的增长率将增长12.5%.Wang 等[15]通过最大减速度㊁平均减速度以及车辆动能减少比率作为参数,采用k⁃means 聚类的方法实现对驾驶风险程度的分类.Guo 等[16]提出logistic 预测模型预测驾驶风格,发现频繁的加速度/减速度行为可有效预测高风险驾驶人.因此,为实现具体高风险行为的辨析,引入累积紧急制动次数指标对驾驶人的驾驶行为风险进行辨识.其中,紧急制动行为定义为减速度小于3m /s 2的状态[3].信息论是应用概率论㊁随机过程㊁数理统计以及近世代数㊁矩阵理论等方法研究信息本质和传输规律的科学理论,熵最初是热力学中的1个常用概念,42 第4期孙宫昊,等:基于信息熵与高风险行为的驾驶行为风险评估方法Shannon [17]将热力学中熵的概念引入到信息论,即Shannon 信息熵.信息熵是信息论中用于度量信息量的1个概念,变量的不确定性越大,熵也就越大,1个系统越是有序,信息熵就越低,反之,1个系统越是混乱,信息熵就越高[18].Shannon [19]提出了信息熵的计算公式:H (X )=-C ∑x ∈Xp (x )log p (x )(1)式中,x 为离散型随机变量X 的可能取值;c 为常数,一般将其归化为1.驾驶员反应主要有3种操作:加速㊁减速和转向[20],体现在车辆运行参数上可通过速度㊁横向加速度㊁纵向加速度及车头间距等特征参数表示.驾驶人纵向加速度数据分布情况如图3所示,驾驶人的横向加速度集中分布在(-2~2)m /s 2,对于急加速与急减速的极端驾驶行为出现概率较低.信息熵可客观地描述驾驶人的极端驾驶行为分布情况.当驾驶人较少出现极端驾驶行为时,加速度数据分布集中,较少出现极端驾驶行为,熵值较低,当驾驶人出现极端驾驶行为增多时,数据波动频繁,熵值较高.因此,本研究选择纵向加速度㊁纵向减速度㊁横向加速度㊁横向减速度㊁车头时距㊁车头间距的信息熵来描述车辆在速度㊁方向和距离上的变化,并根据信息熵的累加性特征,将纵向加速度㊁纵向减速度㊁横向加速度㊁横向减速度的熵值合并为总加速度熵,将车头时距㊁车头间距的熵值合并为总车头距离熵.图3 驾驶人加速度分布图由于速度㊁加速度㊁车头间距㊁车头时距数据为连续变量.在计算信息熵时,需要先将数据离散化,对数据进行区间划分,4种加速度分别划分为10个区间,区间为:当a long ,a lat >0时:int =[0~0.5,0.5~1,1~1.5,1.5~2,2~2.5,2.5~3,3~3.5,3.5~4,4~4.5,4.5~∞]当a long ,a lat <0时:int =[-∞-4.5,-4.5~-4,-4~-3.5,-3.5~-3,-3~-2.5,-2.5~-2,-2~-1.5,-1.5~-1,-1~-0.5,-0.5~0]车头间距划分为17个区间,区间为:int =[0~15,15~30,30~45,45~60,60~75,75~90,90~105,105~120,120~135,135~150,150~165,165~180,180~195,195~210,210~225,225~240,240~250]车头时距划分为10个区间,区间为:int =[0~0.5,0.5~1,1~1.5,1.5~2,2~2.5,2.5~3,3~3.5,3.5~4,4~4.5,4.5~∞]统计各驾驶人在各参数区间内的分布比例p i ,分别计算6个参数的信息熵H k :H k =∑Ni =1-p i ×log 10(p i ),i =1,2,3, ,N (2)式中,H k 为6个参数的熵值,k =1,2,3,4,5,6,分别为纵向加速度㊁纵向减速度㊁横向加速度㊁横向减速度㊁车头间距㊁车头时距6个参数的熵值;N 为参数区间划分总数.3.2 基于随机森林的驾驶行为风险评估随机森林是1种集成学习算法,由多个决策树组成.Nadezda 等[21]使用K 均值聚类㊁神经网络㊁决策树㊁随机森林等算法对驾驶人的驾驶风格进行分类辨识,结果显示随机森林算法拥有分类性能好,分类速度快,在实际应用过程中能得到较好的应用的特点.本研究样本量较少,留一法交叉验证具有适用于小样本情形,可充分利用数据的优点[22].因此本研究的随机森林分类器使用留一法交叉验证,将35个样本的数据集分为35组,34组的数据作为训练集,剩余1组作为测试集,共进行35次循环实验,方法流程如图4所示.使用35位驾驶人的数据进行随机森林的留一法交叉验证,模型辨识效果的ROC 曲线如图5所示.ROC 曲线是用来反映敏感性和特异性连续变量的相互关系,曲线下面积(Area Under roc Curve ,AUC)越大,代表着诊断准确性越高[23].AUC 大于等于0.75,可认为该判别指标或检测方法具有较高的准确性[24].模型的AUC 面积约为0.95,说明提出的模型具有较高的检测真实性.各风险等级驾驶人的车头距离熵㊁总加速度熵分布如图6所示,对比不同风险等级驾驶人的车头距离熵值发现,安全型驾驶人熵值最低且数据分布52交 通 工 程2023年图4 方法流程图5 模型辨识效果的ROC曲线图集中,说明安全型驾驶人会与前车保持较为平稳的距离行驶,与前车长期维持安全距离行驶,一般型驾驶人的熵值明显较高,且数据分布集中,说明一般型驾驶人车头距离变化较频繁,危险型驾驶人则熵值数据更为分散且数值较高,说明其数据不确定性高,距离变化频繁,部分危险型驾驶人为在期望车道行驶,会通过接近前车以及频繁换道等行为以获得期望的行驶速度.对比总加速度熵值发现,随着风险等级的上升,总加速度熵值呈上升趋势,说明危险型驾驶人会频繁出现急加速或急减速行为,极端驾驶行为出现次数较多,与安全型及一般型驾驶人危险程度差异明显.各风险等级驾驶人的平均紧急制动次数如图7所示,随着风险等级的上升,累积紧急制动持续时图6 信息熵指标箱线图间呈上升趋势,一般型驾驶人与危险型驾驶人的平均紧急制动次数较为接近,相比于安全型驾驶人制动次数有着明显的增多,说明一般型与危险型驾驶人均有着频繁的紧急制动行为,风险程度较高.图7 平均紧急制动次数分布图表3为随机森林分类器的分类结果与专家评估标签的对比,安全型驾驶人有1人被辨识为一般型,其余均被辨识为安全型,在一般型驾驶人中,有2人被辨识为安全型,其余辨识为一般型,危险型驾驶人中,有3人被辨识为安全型,1人辨识为一般型,1人辨识为危险型,模型的总体辨识精度为80%.由于危险型驾驶人与一般型驾驶人的平均紧急制动次数相似,同时,本研究所用数据有限.因此,相比于其他两种风险类型的识别精度,模型在危险型驾驶人的分类上出现轻微偏差.利用信息熵与高风险驾驶行为描述驾驶行为特征,并基于随机森林算法建立驾驶风险识别模型,模型在危险型驾驶人的分类上出现轻微偏差,但总体辨识精度较高,识别精度达到80%,可满足驾驶风险的识别需要.表3摇随机森林分类器的辨识结果专家评估安全一般危险安全2310一般240危险31162 第4期孙宫昊,等:基于信息熵与高风险行为的驾驶行为风险评估方法3.3 驾驶行为风险评估模型验证本文所提出的基于信息熵与高风险行为的驾驶行为风险评估方法,具有客观描述驾驶行为数据的总体分布,针对性描述驾驶人的个体高风险行为特征的特性,同时,利用有监督机器学习中的随机森林算法建立分类模型,对于异常数据值具有较好的稳健性,并且泛化能力较强.在以往很多驾驶行为风险评估研究中,也会利用非监督机器学习中聚类分析的方法建立分类模型实现对驾驶风险的评估,虽然聚类分析的方法存在对数据中的异常值较为敏感等问题,但其具有实现方式简便㊁效率高㊁能发现数据中的内在结构等特性,因此,在驾驶风险评估方法上,仍能在一定程度上反映驾驶人的行驶风险情况.为验证本文所提出方法的合理性,引用以往研究中1种基于非监督机器学习的k⁃means 聚类方法[25],建立分类模型,对比2种方法的评估结果.该方法中,选取车速超过限速80%的时间比例㊁车速平均值㊁车速标准差㊁总加速度标准差㊁加速度平均值㊁加速度标准差㊁减速度平均值㊁减速度标准差,共8个参数作为驾驶行为风险分类的特征指标;利用因子分析的方法实现特征指标的降维,因子分数的计算公式如式(3)所示,得分越高,驾驶人的驾驶行为风险越高;最后,选定因子得分为指标展开系统聚类,得到驾驶风险聚类结果,见式(3).^F kj =b j 1^x k 1+b j 2^x k 2+ +b j 8^x k 8(3)式中,^Fkj为第k 个驾驶人的第j 个因子分数的估计值,b j 1,b j 2, ,b j 8为因子分数系数,^x k 1,^x k 2, ,^x k 8为特征变量标准化后的数值,见式(4).^xik =x ik -x iσxi(4)式中,x i 和σxi 分别为驾驶人第i 个特征指标的均值和标准差.各特征指标变量在规范化后均满足均值为0,标准差为1.用该方法对本文实验数据进行风险分析,因子分析的特征值及方差贡献率如表4所示,前3个因子的累积方差贡献率为77.208%,可解释77.208%的信息量,因子分析效果较好,因此,将8个特征参表4 特征值及方差贡献率%因子因子分析总特征值方差贡献率累计贡献率13.02337.78337.78321.65720.71858.50131.49718.70777.208数降维为3个因子.以3个因子的分数作为变量,利用系统聚类的方法将驾驶行为风险聚为3类,系统聚类谱系图如图8所示.图8 系统聚类谱系图表5为基于以往文献中的方法与本文方法评估结果的识别准确率对比.表5 评估结果对比%本文方法基于以往文献的方法识别结果相同样本数占比识别准确率806071.43 从表5可见,基于以往文献中的方法识别准确率为60%,与本文所提方法的评估结果相比,共有71.43%的样本识别结果相同,表明本文提出的方法与以往研究中使用的方法具有一定的一致性,同时,基于信息熵与高风险行为的驾驶行为风险评估方法,能客观描述驾驶行为数据的分布差异,精确化描述驾驶人的驾驶行为风险特征,评估结果更具有准确性,能用于驾驶行为风险评估.72交 通 工 程2023年4摇结束语本文通过引入信息熵描述驾驶行为特征并结合高风险行为事件的辨识,基于随机森林分类器建立驾驶行为风险评估模型,得到以下结论.1)信息熵能有效描述操作数据的分布情况,相比于安全型驾驶人,高风险驾驶人会更为频繁出现极端驾驶行为,信息熵值较高.2)不同等级驾驶人在发生紧急制动行为的频率上差异性明显,一般型驾驶人与危险型驾驶人会更为频繁地发生紧急制动行为.3)信息熵可客观度量数据信息的不确定性,结合信息熵与高风险行为描述驾驶行为特征,能客观描述速度㊁加速度等参数的分布差异,精确化描述驾驶人的驾驶行为风险特征,模型总体辨识精度为80%,辨识精度较高,本研究可根据驾驶人的不同驾驶风险情况,用于个性化调整车辆安全辅助系统的参数,以更好适应驾驶人的行车情况,并对提升行车安全,降低车辆能耗具有重要意义.随着车联网技术的发展,基于智能网联环境下驾驶人的驾驶行为数据,分析多场景下驾驶人的驾驶风险情况,解析风险驾驶原因,提高智能网联汽车的驾驶安全,将是未来的重要研究方向.参考文献:[1]World Health Organization.Global status report on road safety2018[R].Geneva:World Health Organization, 2018.[2]公安部交通管理局.中华人民共和国道路交通事故统计年报(2016年度)[R].北京:公安部交通管理局, 2017.[3]杨海飞.驾驶行为特性数据的实验观测方法研究[J].山西建筑,2018,44(31):126⁃128.[4]Toledo T,Musicant O,Lotan T.In⁃vehicle data recorders for monitoring and feedback on drivers’behavior[J]. Transportation Research Part C:Emerging Technologies, 2008,16(3):320⁃331.[5]吴振昕,何云廷,于立娇,等.基于大数据的驾驶风格识别算法研究[J].汽车技术,2018(10):10⁃15. [6]Eren H,Makinist S,Akin E,et al.Estimating driving behavior by a smartphone[C]∥2012IEEE Intelligent Vehicles Symposium.IEEE,2012:234⁃239. [7]朱冰,李伟男,汪震,等.基于随机森林的驾驶人驾驶习性辨识策略[J].汽车工程,2019,41(2):213⁃218,224.[8]李经纬,赵治国,沈沛鸿,等.驾驶风格K⁃means聚类与识别方法研究[J].汽车技术,2018(12):8⁃12. [9]Van Ly M,Martin S,Trivedi M M.Driver classificationand driving style recognition using inertial sensors[C]∥2013IEEE Intelligent Vehicles Symposium(IV).IEEE, 2013:1040⁃1045.[10]常鑫,李海舰,荣建,等.基于驾驶模拟器的车联网环境搭建及对驾驶行为的影响[J].科学技术与工程,2019,19(15):330⁃335.[11]李国法.基于模式转移和操控特性的驾驶风格评测研究[D].北京:清华大学,2016.[12]孙宫昊,荣建,常鑫,等.基于驾驶行为模式转移的驾驶行为风险评估方法[J].汽车技术,2021(11):22⁃29.[13]范红敏,李小明,徐应军,等.企业粉尘职业危害监督量化分级管理指标体系的筛选[J].中国安全生产科学技术,2011,7(2):60⁃66.[14]Jin W,Deng Y,Jiang H,et tent Class Analysis ofAccident Risks in Usage⁃based Insurance:Evidence fromBeijing[J].Accident Analysis&Prevention,2018,115:79⁃88.[15]Wang J Q,Zheng Y,Li X F,et al.Driving RiskAssessment Using Near⁃crash Database Through DataMining of Tree⁃based Model[J].Accident Analysis&Prevention,2015,84:54⁃64.[16]Feng G,You J F.Individual driver risk assessment usingnaturalistic driving data[J].Accident Analysis andPrevention,2013,61.[17]王伟,李兴华,陈作彬,等.基于小波包变换的爆破振动信号能量熵特征分析[J].爆破器材,2019,48(6):19⁃23.[18]魏巍,程长建.基于图形熵的化工应急响应预案复杂度评价[J].中国安全生产科学技术,2011,7(2):67⁃72.[19]Shannon C E.A mathematical theory of communication[J].The Bell System Technical Journal,1948,27(3):379⁃423.[20]向往.基于层级式驾驶仿真实验的驾驶员行为规律及表现评价方法研究[D].北京:北京交通大学,2016.[21]Karginova N,Byttner S,Svensson M.Data⁃DrivenMethods for Classification of Driving Styles in Buses[J].Stäng,2012.[22]张剑飞,王真,崔文升,等.基于交叉验证和神经网络融合的医学数据分类[J].齐齐哈尔大学学报(自然科学版),2019,35(4):1⁃5.[23]林永良,夏克文,王志恒,等.基于SOCP⁃MKRVM的区域滑坡敏感性分析研究[J].中国安全生产科学技术,2016,12(12):64⁃68.[24]万平,吴超仲,马晓凤.基于ROC曲线和驾驶行为特征的驾驶愤怒强度判别阈值[J].吉林大学学报(工学版),2020,50(1):121⁃131.[25]孙川.基于自然驾驶数据的车辆驾驶风险辨识及控制研究[D].武汉:武汉理工大学,2016.82。
智能驾驶行为安全评价方法
智能驾驶行为安全评价方法
智能驾驶的行为安全评价是对自动驾驶系统进行可靠性评估的重要指标之一。
以下是几种常用的智能驾驶行为安全评价方法：
1. 场景模拟方法：通过建立场景模型和仿真算法，对自动驾驶车辆在不同路况下的行为进行模拟和评估，例如车辆变道、避障、刹车等行为。
2. 数据驱动方法：对历史数据进行分析和建模，提取出自动驾驶车辆的行为特征和风险因素，利用机器学习算法进行预测和评估。
3. 人机协同方法：通过将人类驾驶者和自动驾驶技术结合起来，实现对自动驾驶车辆行为的跟踪和评估。
例如，将驾驶者的动作和意图作为参考，评估自动驾驶车辆的驾驶行为是否合理。
4. 客观指标评价方法：对自动驾驶车辆的行为进行客观的测量和评估，例如：加速度、制动距离、反应时间、轨迹偏差等指标。
根据指标评估自动驾驶车辆的驾驶行为安全性。
以上评价方法可根据实际需求灵活选择，常常需要进行多种方法的综合评估，以保证对自动驾驶车辆的行为得出准确详尽的总体评价。
交通事故的风险评估和应对策略优化完善
交通事故的风险评估和应对策略优化完善交通事故是当今社会面临的一项严重问题，其对人身安全和社会稳定产生了巨大影响。
为了减少交通事故发生的概率并提高应对策略的有效性，对交通事故的风险进行评估并不断优化完善是非常必要的。
本文将探讨交通事故的风险评估方法以及应对策略的优化完善。
一、交通事故的风险评估交通事故的风险评估是通过对交通环境、驾驶员行为、车辆状况等方面的系统分析，来预测和评估交通事故发生的可能性和严重程度。
目前，常用的交通事故风险评估方法包括统计分析方法、模型仿真方法和人工智能方法。
1. 统计分析方法统计分析方法通过对历史交通事故数据进行统计和分析，得出不同交通因素对事故发生的影响程度，从而进行风险评估。
这种方法可以帮助我们了解不同因素的权重，但依赖于历史数据的准确性和完整性。
2. 模型仿真方法模型仿真方法基于现实场景的数学模型，通过对交通流、驾驶员行为等进行仿真计算，来评估交通事故的风险。
这种方法可以模拟各种不确定因素对交通事故的影响，但对模型参数的准确性要求较高。
3. 人工智能方法人工智能方法利用机器学习和深度神经网络等技术，通过对大量数据的学习和分析，来评估交通事故的风险。
这种方法可以自动学习和识别交通事故的规律，但需要大量的标记数据和计算资源。
二、应对策略的优化完善在交通事故发生后，及时采取合适的应对策略可以最大程度地减少损失并保护人身安全。
优化完善应对策略需要综合考虑预警系统、交通规则和执法手段等方面。
1. 预警系统建立和完善交通事故预警系统，可以通过监测路况、车辆状态和驾驶员行为等，提前发现潜在的交通事故风险，并及时向相关部门和驾驶员发送预警信息，以便采取相应措施避免事故发生。
2. 交通规则加强对交通规则的宣传和执法力度，提高驾驶员的安全意识和遵守交通规则的自觉性。
同时，制定更加严格和明确的交通规则，对违法驾驶行为进行严厉的处罚和限制，以加强对交通事故的管控。
3. 执法手段采用科技手段，如视频监控、电子警察等，加强对交通违法行为的监管和处罚，提高执法效率和公平度。
基于行车安全事件的个性差异化驾驶风险评价方法[发明专利]
![基于行车安全事件的个性差异化驾驶风险评价方法[发明专利]](https://img.taocdn.com/s3/m/dc70facaed630b1c58eeb586.png)
专利名称：基于行车安全事件的个性差异化驾驶风险评价方法专利类型：发明专利
发明人：张晖,刘永杰,吴超仲,肖逸影,张琦
申请号：CN202011603122.1
申请日：20201230
公开号：CN112613786A
公开日：
20210406
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于行车安全事件的个性差异化驾驶风险评价方法，包括获取驾驶行为数据，通过风险评价模型得到驾驶风险评估分数。
具体需提取其他驾驶人的历史行为数据，以预设阈值提取行车安全事件，根据提取的样本容量从驾驶员正常驾驶状态的数据库中抽取等量配对样本，将驾驶人在行车安全事件中的驾驶行为数据与正常驾驶状态的行为数据进行统计学检验，检验所得中的有显著统计学差异的结果被输入到聚类算法中进行分类，得到风险评价指标，根据风险评价指标获取各类行车安全事件对驾驶人的驾驶风险权重。
本方法充分考虑了各类行车安全事件风险中不同驾驶人存在的个体差异。
申请人：武汉理工大学
地址：430070 湖北省武汉市洪山区珞狮路122号
国籍：CN
代理机构：湖北武汉永嘉专利代理有限公司
代理人：王丹
更多信息请下载全文后查看。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
驾驶人安全风险评价模型
随着道路交通的不断发展，驾驶人安全已经成为一个重要的话题。
为了提高道路交通的安全性，需要建立有效的驾驶人安全风险评价模型。
驾驶人安全风险评价模型是指通过对驾驶人的各项指标进行评
估和分析，以确定其安全风险水平的一种方法。
该模型可以分为三个层次：预警、评估和管理。
预警层次是通过对驾驶人的行为进行监控和预警，提醒驾驶人注意安全。
评估层次是通过对驾驶人的驾驶行为和驾驶能力进行评估，以确定其安全风险水平。
管理层次是通过对驾驶人的安全风险进行管理和控制，以保障道路交通的安全。
驾驶人安全风险评价模型的建立，需要考虑多种因素，包括驾驶人的驾驶行为、驾驶技能、身体状况、心理素质等。
同时，该模型应当考虑到驾驶人所处的交通环境和车辆状态等因素，以充分评估驾驶人的安全风险。
总之，驾驶人安全风险评价模型是一种有效的方法，可以帮助提高道路交通的安全性，保障驾驶人和其他交通参与者的生命和财产安全。
- 1 -。