CN112613786B - 基于行车安全事件的个性差异化驾驶风险评价方法 - Google Patents

Abstract

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。

Description

基于行车安全事件的个性差异化驾驶风险评价方法

技术领域

本发明涉及交通安全、驾驶行为和数据挖掘领域，具体涉及基于行车安全事件的个性差异化驾驶风险评价方法。

背景技术

在现有的研究中，量化驾驶风险一般针对三种事件进行分析，事件按严重程度由高到低划分依次是：事故(Crash)、临近事故(Near-Crash)以及安全事件(CriticalIncident Events：CIEs)。在基于驾驶行为和事故风险关联规则的驾驶风险评价中，多以历史交通事故来评价驾驶人的风险水平。尤其在对个性化驾驶行为保险等方面的研究中，将历史事故频数、严重程度以及出险理赔金额等指标作为评估驾驶人行为风险水平的指标。

历史事故发生频次等指标虽然能够表征驾驶人的驾驶风险水平，但也存在局限：1)事故发生率过低，只有在极端工况下事故才会发生，致使样本数量少且难以找到事故规律；2)采集周期长，导致驾驶风险评估的时效性和准确性低。因此现有研究将行车安全事件(Critical-Incident events：CIEs)用于判别驾驶风险状态，CIEs的判别标准相比Near-Crash要低，CIEs是发生频率高、严重程度小，是由高加速率、高减速率或其他运动特征标记的事件。驾驶人在不同行车安全事件的驾驶操控稳定性以及事故倾向性有显著的个体差异，在现有研究中所采用的赋权方法，无论是主观赋权法还是客观赋权法均未考虑各类行车安全事件风险的重要性程度之间的个体差异。

发明内容

本发明的目的在于提供一种基于行车安全事件的个性差异化驾驶风险评价方法，用于解决传统的层次分析法、熵权法等赋权方法未考虑各类行车安全事件风险存在个体差异的问题。

为解决上述技术问题，本发明提供了一种技术方案：

获取驾驶行为数据：利用传感器采集驾驶人实时的驾驶行为数据；驾驶行为数据包括：车速值、加速度、刹车踏板数据、左转向灯数据、右转向灯数据、方向盘转角、方向盘转角加速度；

利用风险评价模型对实时的驾驶行为数据进行判断，得到驾驶风险评估分数；

所述的风险评价模型通过以下步骤得到：

步骤1，行车安全事件提取，选定一定时间内其他驾驶人历史的行为数据进行数据预处理，利用各行车安全事件判别指标的概率密度函数，取驾驶人极限操作的m％上界作为行车安全事件的提取阈值提取行车安全事件，得到行车安全事件频数，其中0＜m＜100；根据提取的行车安全事件样本容量，从驾驶员正常驾驶状态的数据库中抽取等量的配对样本；所述的驾驶员正常驾驶状态的数据库是包含其他驾驶人的正常驾驶行为数据的数据库；

步骤2，指标统计学检验，将驾驶人在每类行车安全事件中的驾驶行为数据与其正常驾驶状态下的驾驶行为数据进行显著性配对比较，所得结果将驾驶行为指标分为三类：无统计学差异、有统计学差异和有显著统计学差异；

步骤3，指标筛选，将有显著统计学差异的结果输入到机器学习聚类算法中进行分类，利用统计方法得到该结果对应的风险评价指标；

步骤4，风险评价建模，利用聚类算法的计算结果，根据风险评价指标在对应事件中的变化程度由低至高的结果进行排序，将驾驶人个体在不同的事件中的风险倾向性等级进行转化，得到各类行车安全事件对驾驶人的驾驶风险权重，建立所述的风险评价模型。

按上述方案，采用车载CAN和方向盘转角传感器获取所述的驾驶行为数据；其中所述的车速值、加速度、刹车踏板数据、左转向灯数据、右转向灯数据由车载CAN采集；所述的方向盘转角、方向盘转角加速度由方向盘转角传感器采集。

按上述方案，所述行车安全事件具体分为四类，分别为急刹车、急拐弯、急加油门和超速。

按上述方案，所述行车安全事件提取包括数据预处理，具体为：首先同步不同传感器的数据，然后对需对以下指标进行小波包降噪处理：速度均值、速度标准差、速度最大值、速度极差、加速度均值、减速度均值、加速度标准差、加速度最大值、减速度最大值、方向盘右转角均值、方向盘左转角均值、方向盘转角标准差、方向盘转角最大值、方向盘右转角加速度均值、方向盘左转角加速度均值、方向盘转角加速度标准差、方向盘转角加速度最大值。

按上述方案，所述行车安全事件提取包括行车安全事件标定，其中超速的判别指标为速度最大值，急加速的判别指标为加速度最大值，急减速的判别指标为减速度最大值，急转弯的判别指标为方向盘转角加速度最大值；由于上述各项指标均符合正态分布，则取驾驶员极限操作的m％上界为事件提取阈值，从而得到行车安全事件频数。

按上述方案，其中从驾驶员正常驾驶状态的数据库中抽取等量的配对样本具体方法为：利用MATLAB生成伪随机整数，并保留该伪随机函数种子，用以保持所选的观察值及其顺序不变；

设置伪随机数生成种子seed：

rng(seed)

伪随机数抽取配对样本X_pair：

X_pair＝randi([imin,imax],m,n)

其中，imin为总体样本索引的最小值，imax为总体样本索引的最大值，m和n分别表示提取的索引值和所组成的矩阵的行和列。

按上述方案，所述指标统计学检验得到的三类驾驶行为指标具体为：无统计学差异，满足h等于0；有统计学差异，满足h等于1，p小于0.05且大于0.01；有显著统计学差异，满足h等于1，p小于0.01；其中h为输出项，有0和1两种结果；h＝0表明零假设在5％的置信度下被否定，即两组配对样本在统计学上被认为来自同一分布；h＝1表明零假设被否定，两组配对样本在统计学上被认为来自不同分布的数据；p表示设定的显著差异的标准，p<0.05认为二者存在差异，p<0.01认为二者存在显著差异。

按上述方案，所述风险评价建模中，驾驶风险权重的具体转化公式为：

其中，w_ij表示驾驶人j在i类行车安全事件的驾驶风险权重；d_ij表示驾驶人j在i类安全事件的风险评价指标，n为行车安全事件的总数。

按上述方案，其中驾驶风险评估分数的具体获取方法为：

其中，G表示驾驶风险评估分数，i和n分别表示行车安全事件的类别及其总数，γ_i表示类别i的驾驶风险权重，x_i表示类别i的行车安全事件频数。

本发明的有益效果是：本方法充分考虑到了驾驶人在不同行车安全事件中的事故倾向性和驾驶操作习惯的差异，能准确客观的确定各类事件的驾驶风险权重，判断结果更有合理性。

附图说明

图1为总体流程图；

图2为聚类算法分类原理图；

图3为个性化驾驶风险评估过程；

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

参见图1，基于行车安全事件的个性差异化驾驶风险评价方法，具体包括以下步骤：

获取驾驶行为数据：利用传感器采集驾驶人实时的驾驶行为数据；驾驶行为数据包括：车速值、加速度、刹车踏板数据、左转向灯数据、右转向灯数据、方向盘转角、方向盘转角加速度；

利用风险评价模型对实时的驾驶行为数据进行判断，得到驾驶风险评估分数；

所述的风险评价模型通过以下步骤得到：

步骤1，行车安全事件提取，选定一定时间内其他驾驶人历史的行为数据进行数据预处理，利用各行车安全事件判别指标的概率密度函数，取驾驶人极限操作的m％上界作为行车安全事件的提取阈值提取行车安全事件，得到行车安全事件频数，其中0＜m＜100；根据提取的行车安全事件样本容量，从驾驶员正常驾驶状态的数据库中抽取等量的配对样本；所述的驾驶员正常驾驶状态的数据库是包含其他驾驶人的正常驾驶行为数据的数据库；

步骤2，指标统计学检验，将驾驶人在每类行车安全事件中的驾驶行为数据与其正常驾驶状态下的驾驶行为数据进行显著性配对比较，所得结果将驾驶行为指标分为三类：无统计学差异、有统计学差异和有显著统计学差异；

步骤3，指标筛选，将有显著统计学差异的结果输入到机器学习聚类算法中进行分类，利用统计方法得到该结果对应的风险评价指标；

步骤4，风险评价建模，利用聚类算法的计算结果，根据风险评价指标在对应事件中的变化程度由低至高的结果进行排序，将驾驶人个体在不同的事件中的风险倾向性等级进行转化，得到各类行车安全事件对驾驶人的驾驶风险权重，建立所述的风险评价模型。

按上述方案，采用车载CAN和方向盘转角传感器获取所述的驾驶行为数据；其中所述的车速值、加速度、刹车踏板数据、左转向灯数据、右转向灯数据由车载CAN采集；所述的方向盘转角、方向盘转角加速度由方向盘转角传感器采集。

优选的，所述获取驾驶行为数据中，所用传感器包括车载CAN和方向盘转角传感器；所述的车速值、加速度、刹车踏板数据、左转向灯数据、右转向灯数据由车载CAN采集；所述的方向盘转角，方向盘转角加速度由方向盘转角传感器采集。

优选的，所述行车安全事件具体分为四类，分别为急刹车、急拐弯、急加油门和超速。

优选的，所述行车安全事件提取包括数据预处理，具体为：首先同步不同传感器的数据，然后对以下指标进行小波包降噪处理：速度均值、速度标准差、速度最大值、速度极差、加速度均值、减速度均值、加速度标准差、加速度最大值、减速度最大值、方向盘右转角均值、方向盘左转角均值、方向盘转角标准差、方向盘转角最大值、方向盘右转角加速度均值、方向盘左转角加速度均值、方向盘转角加速度标准差、方向盘转角加速度最大值。

优选的，所述行车安全事件提取包括行车安全事件标定，其中超速的判别指标为速度最大值，急加速的判别指标为加速度最大值，急减速的判别指标为减速度最大值，急转弯的判别指标为方向盘转角加速度最大值；由于上述各项指标均符合正态分布，则取驾驶员极限操作的97.5％上界为事件提取阈值，从而得到行车安全事件频数，其步骤具体为：

指标符合正态分布，则其概率密度函数为：

式中，σ为指标的标准差，μ为指标的均值；

对于各项事件判别指标，取驾驶人极限操作的97.5％上界作为事件的提取阈值：

式中，x_i为该事件判别指标的阈值，x_max为该判别指标的最大值。

优选的，其中从驾驶员正常驾驶状态的数据库中抽取等量的配对样本具体方法为：利用MATLAB生成伪随机整数，并保留该伪随机函数种子，用以保持所选的观察值及其顺序不变；

设置伪随机数生成种子seed：

rng(seed)

伪随机数抽取配对样本X_pair：

X_pair＝randi([imin,imax],m,n)

其中，imin为总体样本索引的最小值，imax为总体样本索引的最大值，m和n分别表示提取的索引值和所组成的矩阵的行和列。

优选的，所述指标统计学检验得到的三类驾驶行为指标具体为：无统计学差异，满足h等于0；有统计学差异，满足h等于1，p小于0.05且大于0.01；有显著统计学差异，满足h等于1，p小于0.01；本实施例中对配对样本采取u检验，其原理为检验同一驾驶人在不同类型的风险状况下的各项行为特征与不考虑风险状况时的总体行为特征之间的差异性，具体步骤为：

检验的对象是配对样本的观测值之差，若两配对样本X_1i与X_2i之差为d_i＝X_1i-X_2i独立，并来自常态分配，则d_i的母体期望值μ是否为μ₀可利用如下公式计算统计量u：

其中，i＝1…n，n为配对的行车安全事件样本数，

为配对样本差值的平均数，s_d为配对样本差值的标准差：

该统计量u在零假说μ＝μ₀为真的情况下，服从自由度为n-1的t分布；

本实施例借用MATLAB软件内置的配对样本u检验函数作为工具分析驾驶行为特征差异，其函数形式如下：

[h,p,ci]＝utest(x,y,alpha)

对于输入项，x,y为两组配对样本，alpha为置信度，其中，置信度的作用是检验差异的显著性水平；对于输出项h包括0和1两种结果：若h＝0则表明零假设在5％的置信度下被否定(根据当设置x＝y时，返回的h＝0推断而来)，即x,y两组配对样本在统计学上可看作来自同一分布。若h＝1，表明零假设被否定，即x,y两组配对样本在统计上认为是来自不同分布的数据，即有区分度；p表示设定的显著差异的标准，一般规定p<0.05认为二者存在差异,p<0.01认为二者存在显著差异；ci为实际均值所在的(1-alpha)置信区间。

优选的，参见图2，本实施例采用K-means聚类算法对有显著统计学差异的结果即典型行车安全事件中的行为个体差异性和风险个体差异性做进一步分析，K-means聚类算法的原理为：

K-means的聚类对象可以是任意多维度的，因此它是对一个d维向量的点集D进行聚类：

D＝{x_i|i＝1…N}

其中，x_i∈R^d表示第i个对象；

K-means聚类算法的具体计算流程包含以下步骤：

1)从样本点集D中随机选取k个值作为初始聚类中心(μ₁…μ_k)；

2)对于第a次迭代，将样本点集D中的所有样本点P_t(t＝1,2…n)与各类别中心点

的欧式距离d依次进行计算：

3)比较各聚类中心

与P_b的距离，将其划入相对距离最小的聚类中心所在的类别群组中；

4)计算同类样本的聚类距离均值，重新设定聚类中心：

5)计算D中所有点的标准测度函数E_i，若计算结果满足|E_i+1-E_i|<δ则停止迭代，否则返回步骤2：

本实施例借助MATLAB自带工具包进行实验方针，其函数形式如下：

[Idx,C,sumD,D]＝kmeans(X,K)

其中，X表示聚类样本集矩阵，k表示初始聚类中心个数，Idx用于储存各点的聚类结果标签，C用于储存K个聚类质心的位置，sumD用于存储类间所有点与该类质心点距离之和，D存储每个点与所有质心之间的距离；

K-means的类别由参数k控制，因此k是K-means算法的关键输入，是样本的初始聚类中心；聚类过程中各坐标点根据其与初始聚类中心的相似程度，将它们分配给与其距离最近的聚类中心所在的类别中，然后计算k个聚类各自全部距离的均值。通过迭代，直到标准测度函数开始收敛；其中，标准测度函数在一般情况下为各聚类的均方差，使同类样本尽量接近，不同类的样本尽量远离。初始聚类中心的数量对于K-means聚类算法的结果有重要的影响，参考现有研究中，将驾驶人类型分为三类：谨慎型驾驶人、普通型驾驶人、激进型驾驶人，结合配对样本u检验的结果分布特征，将聚类中心数量设定为k＝3。

优选的，所述风险评价建模中，驾驶风险权重的具体转化公式为：

其中，w_ij表示驾驶人j在i类行车安全事件的驾驶风险权重；d_ij表示驾驶人j在i类安全事件的风险评价指标；n为行车安全事件的总数。

优选的，参见图3，其中驾驶风险评估分数的具体获取方法为：

其中，G表示驾驶风险评估分数，i和n分别表示行车安全事件的类别及其总数，γ_i表示类别i的驾驶风险权重，x_i表示类别i的行车安全事件频数。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于行车安全事件的个性差异化驾驶风险评价方法，其特征在于：

获取驾驶行为数据：利用传感器采集驾驶人实时的驾驶行为数据；驾驶行为数据包括：车速值、加速度、刹车踏板数据、左转向灯数据、右转向灯数据、方向盘转角、方向盘转角加速度；

利用风险评价模型对实时的驾驶行为数据进行判断，得到驾驶风险评估分数；

所述的风险评价模型通过以下步骤得到：

步骤1，行车安全事件提取，选定一定时间内其他驾驶人历史的驾驶行为数据进行数据预处理，利用各行车安全事件判别指标的概率密度函数，取驾驶人极限操作的m％上界作为行车安全事件的提取阈值提取行车安全事件，得到行车安全事件频数，其中0＜m＜100；根据提取的行车安全事件样本容量，从驾驶员正常驾驶状态的数据库中抽取等量的配对样本；所述的驾驶员正常驾驶状态的数据库是包含其他驾驶人的正常驾驶行为数据的数据库；

步骤2，指标统计学检验，将驾驶人在每类行车安全事件中的驾驶行为数据与其正常驾驶状态下的驾驶行为数据进行显著性配对比较，所得结果将驾驶行为指标分为三类：无统计学差异、有统计学差异和有显著统计学差异；

步骤3，指标筛选，将有显著统计学差异的结果输入到机器学习聚类算法中进行分类，利用统计方法得到该结果对应的风险评价指标；

步骤4，风险评价建模，利用聚类算法的计算结果，根据风险评价指标在对应事件中的变化程度由低至高的结果进行排序，将驾驶人个体在不同的事件中的风险倾向性等级进行转化，得到各类行车安全事件对驾驶人的驾驶风险权重，建立所述的风险评价模型。

2.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评价方法，其特征在于：采用车载CAN和方向盘转角传感器获取所述的驾驶行为数据；其中，所述的车速值、加速度、刹车踏板数据、左转向灯数据、右转向灯数据由车载CAN采集；所述的方向盘转角、方向盘转角加速度由方向盘转角传感器采集。

3.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评价方法，其特征在于：所述行车安全事件具体分为四类，分别为急刹车、急拐弯、急加油门和超速。

4.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评价方法，其特征在于：所述行车安全事件提取包括数据预处理，具体为：首先同步不同传感器的数据，然后对以下指标进行小波包降噪处理：速度均值、速度标准差、速度最大值、速度极差、加速度均值、减速度均值、加速度标准差、加速度最大值、减速度最大值、方向盘右转角均值、方向盘左转角均值、方向盘转角标准差、方向盘转角最大值、方向盘右转角加速度均值、方向盘左转角加速度均值、方向盘转角加速度标准差、方向盘转角加速度最大值。

5.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评价方法，其特征在于：所述行车安全事件提取包括行车安全事件标定，其中超速的判别指标为速度最大值，急加速的判别指标为加速度最大值，急减速的判别指标为减速度最大值，急转弯的判别指标为方向盘转角加速度最大值；由于上述各项指标均符合正态分布，则取驾驶员极限操作的m％上界为事件提取阈值，从而得到行车安全事件频数。

6.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评价方法，其特征在于：其中从驾驶员正常驾驶状态的数据库中抽取等量的配对样本具体方法为：利用MATLAB生成伪随机整数，并保留该伪随机函数种子，用以保持所选的观察值及其顺序不变；

设置伪随机数生成种子seed：

rng(seed)

伪随机数抽取配对样本X_pair：

X_pair＝randi([imin,imax],m,n)

其中，imin为总体样本索引的最小值，imax为总体样本索引的最大值，

m和n分别表示提取的索引值和所组成的矩阵的行和列。

7.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评价方法，其特征在于：所述指标统计学检验得到的三类驾驶行为指标具体为：无统计学差异，满足h等于0；有统计学差异，满足h等于1，p小于0.05且大于0.01；有显著统计学差异，满足h等于1，p小于0.01；其中h为输出项，有0和1两种结果；h＝0表明零假设在5％的置信度下被否定，即两组配对样本在统计学上被认为来自同一分布；h＝1表明零假设被否定，两组配对样本在统计学上被认为来自不同分布的数据；p表示设定的显著差异的标准，p<0.05认为二者存在差异，p<0.01认为二者存在显著差异。

8.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评

价方法，其特征在于：所述风险评价建模中，驾驶风险权重的具体转化公式为：

其中，w_ij表示驾驶人j在i类行车安全事件的驾驶风险权重；d_ij表示驾驶人j在i类安全事件的风险评价指标；n为行车安全事件的总数。

9.根据权利要求1所述的基于行车安全事件的个性差异化驾驶风险评

价方法，其特征在于：其中驾驶风险评估分数的具体获取方法为：

其中，G表示驾驶风险评估分数，i和n分别表示行车安全事件的类别及其总数，γ_i表示类别i的驾驶风险权重，x_i表示类别i的行车安全事件频数。

Images