文摘
大数据时代的到来,互联网的汽车促进物流行业的快速发展,这也间接导致了交通事故率高,造成巨大的人员伤亡和财产损失。驾驶行为被认为是最核心的因素导致交通事故。因此,科学有效的方法来评估商用车辆的安全驾驶行为是迫切需要的。在这项研究中,一个综合评价模型的驾驶行为安全提出了基于multimembership函数和熵权法(EWM)、层次分析法(AHP)和模糊综合评价算法集成。首先,商用车驾驶行为安全评价体系的建立。其次,确定各评价指标的权向量结合EW-AHP消除传统的AHP算法的主体性。然后,模糊综合评价矩阵计算基于multimembership函数和模糊数学理论,以及驾驶行为安全的定量评价是实现基于矩阵。最后,真正的路汽车驾驶和驾驶行为数据由实验验证。实验结果表明,该模型可以准确、合理地评估安全的驾驶行为,改善道路交通安全具有重要意义。
1。介绍
随着因特网的快速发展的汽车技术和大数据技术,物流行业发展迅速1]。但与此同时,商用汽车的事故率增加很快,造成巨大的人员伤亡和财产损失。驾驶行为通常被认为是最重要的一个因素在事故发生2,3]。然而,由于开车的随机性质,测量和建模的驾驶行为今天仍然是一个富有挑战性的课题。通过研究驾驶行为和事故的倾向之间的关系,探索影响驾驶风险的关键因素,个人的安全驾驶行为可以定量评估,有助于区分安全与不安全驾驶和改善道路交通安全具有重要意义[4]。
安全驾驶行为的研究领域,大量的研究人员参与,成果显著。其中,非参数方法和数据挖掘技术被广泛应用5- - - - - -9]。例如,常等人提出了一个分类和回归树(CART)模型建立损伤严重程度之间的关系,司机/车辆特征,和事故变量,表示车辆类型是一个非常重要的变量有关车祸的严重程度(5,6]。王等人驾驶风险急剧减速的特点特征危险事件和车辆运动状态之间的关系,研究潜在的碰撞类型,驾驶环境,司机信息和驾驶风险相结合 - - - - - -意味着聚类和分类回归树方法(7]。朱镕基等人代表驾驶风险历史事故的数量和研究驾驶行为之间的关系,司机信息,和事故风险与多层贝叶斯网络的方法,以实现安全驾驶行为的评价(8]。李等人相比,应用支持向量机(SVM)与传统的负二项模型在预测机动车碰撞。结果表明,支持向量机是更有效的9]。此外,郭等人风险评估与个人相关的因素驱动程序使用自然的驾驶数据(10]。香港等人提出了一个基于OBD的攻击性驾驶行为评估模型和智能手机数据(11]。
在驾驶行为安全的评价模型,评价指标的选择是非常重要的12]。小君等人比较和分析了司机的驾驶行为与那些没有车祸,发现在练习场有显著差异,两组之间的驾驶速度和加速度(13]。Ayuso等人发现,年轻司机旅行超速的距离越长,事故的概率就越大。本研究揭示了事故趋势之间的关系和超速行驶14,15]。布鲁斯等人认为,暴力制动和开始在驾驶行为是一种“高重力加速度”事件,可以用来预测事故的特定类型的年轻司机(16]。奥马尔等人的研究表明,经历过交通事故的司机突然刹车,这表明突然刹车可能是一个司机的指标参与危险的交通状况(17]。总之,行驶距离、行驶速度、加速度是影响驾驶行为的安全性的关键指标。
先前的研究驾驶行为安全的评价主要集中在客车,虽然有一些研究领域的商用车辆。此外,许多研究人员提出的评价模型所有重点区分安全和不安全的驾驶行为和学习造成不安全驾驶行为的影响,而很少有研究量化评分的安全驾驶的行为。
本文基于自然商用车驾驶数据,我们结合层次分析法(AHP),熵权法(EWM)和模糊综合评价算法建立multimembership函数商用车驾驶行为安全模糊综合评价模型。首先,EW-AHP用于确定各评价指标的权向量,然后建立模糊综合评价算法模型。单因素隶属向量和模糊综合评判矩阵计算先后通过使用模糊操作,最后驾驶行为得分决定。最后,通过实验验证模型的合理性和有效性。模型不仅可用于驾驶风险影响因素进行分析,确定驾驶风格还区分安全与不安全的驾驶行为和量化安全驾驶行为的得分。
本文概述如下。节2EWM,层次分析法的步骤,简要介绍了模糊综合评价算法。部分3提出了商用车驾驶行为的安全性评价模型,结合EW-AHP和模糊综合评价算法。节4,验证了模型的有效性基于自然商用车驾驶数据。部分5总结工作,并讨论了进一步分析。
2。理论背景
2.1。层次分析法(AHP)
层次分析法广泛应用于多目标决策问题。它可以分解元素分为三个水平,决定目标,标准,和指数,在此基础上进行了定性和定量分析(18]。AHP算法的步骤简要总结如下:(1)选择评价指标,建立评价体系(2)构建比较每个索引之间的规模(3)每个层次构造的判断矩阵(4)验证每一个判断矩阵的一致性。如果一致性测试失败,返回步骤(3)修改判断矩阵。如果一致性测试通过,进入下一步。在这一步中,一致性指数的计算公式如下:
在公式(1),判断矩阵的最大特征值,判断矩阵的顺序。然后,相应的平均随机一致性指标根据表格可以找到1。最后,一致性比率可以通过公式计算(2)。
当一致性比率 ,判断矩阵具有完全一致性,然后通过了一致性测试。当 ,判断矩阵具有满意的一致性,然后通过了一致性测试。当 ,判断矩阵没有一致性和一致性测试没有通过,所以需要修改判断矩阵。(5)计算权向量的每个索引(6)完成目标的评估。
2.2。熵权方法(EWM)
EWM是一个客观的方法来计算重量。在信息论中,熵是一种测量的不确定性事件。事件的不确定性越大,熵越大,它包含更多的信息。事件的不确定性越小,熵越小,越小(包含的信息19]。
根据熵的特点,随机性和障碍程度的事件可以通过计算熵值来判断,和索引的离散程度也可以根据熵值。索引的离散程度越大,影响越大(重量)的指数评价目标将;否则,它将越少20.]。EWM算法的步骤简要总结如下:(1)导入的数据需要计算熵权(2)标准化的数据矩阵
它假定数据矩阵组成的评估和对象评价指标如下:
从正面和负面指标的含义是不同的,不同的公式需要正面和负面指标数据标准化处理。公式(4)积极指标的标准化和公式(5标准化)的负面指标如下: (3)计算样本比重
计算的比例样品的指数和认为这是使用的概率相对熵的计算。从上一步计算归一化矩阵是
概率矩阵可以计算,每个元素的计算公式如下: (4)计算信息熵和信息效用的每个索引值
为所示的指数,其信息熵计算公式(8),其信息效用值计算公式所示(9)。 (5)计算出每个指标的熵权。
每个指标的熵权的计算公式如下:
2.3。模糊综合评价算法
模糊综合评价方法量化的影响因素与边界不清楚,很难被量化,并进行综合评价的等级地位的评估对象从多个因素(21,22]。模糊综合评价算法的步骤简要总结如下:(1)建立每个评价指标的因素组(因素集)(2)确定被评估对象的评估等级(评价集)(3)确定各评价指标的权向量(4)确定隶属函数。常用的隶属度函数包括高斯函数、岭函数,和矩形函数。其公式如下:
高斯函数(最低型、中间型和最大类型):
岭函数(最低型、中间型和最大类型):
矩形函数(最低型、中间型和最大类型): (5)模糊综合评价矩阵
首先,公式(20.)是用于计算单因素隶属向量,和公式(21会员)是用于计算多因素矩阵。
在公式(20.),是一个单因素隶属向量。基本原理来源于模糊变换相对应的权向量(的隶属度指标对于每个评价级别)和第二级指标,选择的模糊算子(23,24)是 , , 。
模糊综合评价矩阵,是驾驶行为评价指标的权向量由公式(23),是多因素隶属矩阵由公式(21)。操作符符号是模糊算子 。基于上述算法步骤,商用车驾驶行为安全的定量评价。(6)你的目标量化和分数。
3所示。提出了整体方法
传统AHP算法可以消除的主体性相结合三种方法在第二部分,利用熵权层次分析法综合权重分配给每一个评价指标。然后,模糊综合评价算法用于定量评分的驾驶行为。整个算法的流程图如图1。
3.1。建立商业汽车驾驶的安全性评价体系的行为
指节1,我们可以知道,行驶里程、行驶速度、和加速度是影响驾驶行为的安全性的关键指标。我们可以扩展一些其他指标这三个指标,如驾驶里程、平均速度,超速,标准差是速度、最大速度、紧急加速,和紧急制动。然而,在商用车领域,存在大量的不良驾驶行为等大油门,低齿轮和高速度、中性滑行,和疲劳驾驶。也因此,我们选择上述指标。
当然,影响行车安全的指标是比这更多。指标如天气、路况、司机年龄和性别对驾驶安全会有一定的影响。然而,本文的主要研究对象是司机的驾驶行为,这些指标并不在考虑的范围内。
此外,考虑太多因素在模型中不利于后续分析的发展,所以我们选择在上面指出的关键指标。
因此,商用车驾驶行为的安全性评价体系如图2可以建立。其中,目标层是商用车驾驶行为的安全性评价( )。标准层包括速度和里程( ),加速度( ),和不良驾驶行为( )。有11个指标( )在索引层;他们驾驶里程(DM)、平均速度(MES),标准偏差的速度(SDS),最大速度(MAS),紧急加速(NEA)的数量,数量的紧急制动(内),许多大型节流阀(NLT),比例的超速时间(锅),中性滑行(例数十分),低的高速齿轮(NHSLG)和疲劳驾驶(NFD)的数量。
3.2。基于层次分析法确定指标权重
基于SATTY1-9规模方法(25)和汽车行业资深专家的意见,可以获得每个索引层的判断矩阵如表所示2- - - - - -5。
根据公式(1)和(2),每一个指标层的判断矩阵,可以计算出,一致性比率( )判断矩阵的每一个指标层小于0.1,满足一致性。因此,一致矩阵的最大特征值及其对应的特征向量,可以代表每个索引层的重要性程度,即重量分配。
因此,每一层的权向量索引可以通过MATLAB编程计算。准则层的权向量(0.6250,0.2385,0.1365)。指标层的权向量是(0.1484,0.4258,0.2312,0.1945)。指标层的权向量(0.3874,0.4434,0.1692)。指标层的权向量是(0.1404,0.3300,0.1996,0.3300)。每一个指标的综合权重向量层 。
3.3。基于熵权法确定指标权重(EWM)
结合公式(3)- (10),每个索引的重量可以通过MATLAB编程计算如下: 。
3.4。EW-AHP组合权重
基于AHP和EWM算法获得的权重的部分3.2和3.3分别评价指标的组合权重可以按照下列公式计算:
在部分3.2和3.3,是基于层次分析法计算各评价指标的权重,然后呢各评价指标的权重计算基于EWM。根据公式(23),结合EW-AHP重量汇总结果,如表所示6。
为了更好地分析每个指标的权重比例,各评价指标的权重条形图可以得出,如图3。从图可以看出3,突然刹车是最关键因素影响商用车辆的安全驾驶行为,和第二个因素是疲劳驾驶和加速。因此,改善商用车辆的安全驾驶行为应该从以下三个方面:紧急制动,疲劳驾驶,和快速的加速度。
3.5。模糊综合评价算法和实现
部分2.3简要介绍了模糊综合评价算法的步骤。本节将详细介绍应用程序的特定实现的基于EW-AHP组合权重的模糊综合评价算法的安全性评价商用车驾驶行为。
3.5.1。建立集商用车驾驶行为因素
根据图2可以建立因素集,如下所示:
3.5.2。建立评价集商用车驾驶行为
为了量化最终驾驶行为评价分数在0和100之间,它是必要的,以确定每个评价水平而确定的相应分数评价集。因此,评价集商用车辆的驾驶行为可以建立如下:
可以建立相应的分数每个评级级别根据不同驾驶条件,如表所示7。
3.5.3。确定各评价指标的权向量
根据表6,指标权重归一化的结果是:
3.5.4。确定隶属函数
由于每个评价指标的不同特点,每个索引的会员不能合理解释为仅使用一个隶属函数。因此,本文提出一种方法,使用多个隶属度函数来解释分别加入所选择的评价指标。经过反复的实验和比较的隶属度函数,多个隶属函数的选择方案,如表所示8终于确定。
在方程(11)- (19),参数 , , ,和取而代之的是 。参考价值的隶属函数是不同的对于不同的指标。参考价值的计算公式,每个指标的隶属度如下:
在公式(27),如果小于5,它需要一个负号;否则,它需要一个积极的迹象。的隶属度的参考价值年级的指数,的意思是数据列的指数位于,的标准差的数据列索引。
参考价值的隶属度的驾驶里程,我们将其最大值和最小值分成相等的部分。其他索引是根据公式计算(27),然后动态地调整。每个索引的引用值为每个会员等级如表所示9。
因为紧急制动和疲劳警报的数量是矩形函数(用更少的参数),它不同于其他两个成员函数。根据不同的数据特征,两个索引的会员计划如下:如果紧急制动的数量是零次,它属于优秀水平;如果有一次,它属于好水平;如果两次,它属于平均水平;如果三次,它属于穷人水平;如果超过三次,它属于非常贫穷的水平。如果疲劳警报的数量是零次,分为优秀,一次是可怜的,不止一个时间很差。最后,根据公式(20.)- (22),可以计算模糊综合评价矩阵实现商用车驾驶行为的量化评分。
4所示。验证和结果
公司的汽车驾驶数据的几个部分选择8月,包括“Guangzhou-Changchun,”和“Hangzhou-Harbin, Guangzhou-Hefei。“然后,车辆出行数据分为不同的旅程(从开始到停止运行的引擎和驾驶距离大于10公里被分类为一个完整的旅行)。8司机在一个月内的所有差旅数据是从这三个选择道路,和403完整的旅程是分裂的。原来的驱动数据和驾驶行为数据的司机如表所示10和11。
商用车辆行车安全的量化评分模型建立在这项研究中可以计算得分8司机,结果如图4和5。
通过比较最终分数的八个司机,可以看出,司机通常是低的分数,和分数是稳定的,没有大的波动。因此,我们可以认为司机的驾驶风格属于非标准驾驶类型较低的驾驶安全;然而,司机B, C司机,司机F,司机H相对较高的整体稳定的成绩。因此,我们可以得出结论,他们有规范和稳定的驾驶风格高驾驶安全。的司机,司机E, G和司机都是高和低,分数波动很大。因此,它可以被认为是他们的驾驶风格属于随机输入行驶不稳定的行驶安全。最后获得的驾驶行为得分指的综合评价模型可以规范标准司机的驾驶风格,鼓励司机保持标准的开车,这有利于提高道路交通的安全。
从图可以看出3前六个指标的总重量超过80%,因此,这六个指标的分析能充分证明我们的评价模型的合理性。我们选择司机D, E, G的成绩波动很大程度上进行深入分析。等的分析一个司机,司机E,我们选择8旅程有显著差异。8旅程的分数表所示12。为了更好地验证我们的模型,每一个指标表12规范化,线路图,如图6可以绘制。
从图可以看出6,旅行得分较低(如旅行36和33),他们有一个贫穷的性能指标与高体重(紧急制动和疲劳驾驶等),所以他们的最低分数。相反,旅行的高分(如旅行39岁,11日,和5),他们在所有的指标表现良好,因此有更高的分数。的旅程中分数(例如旅行42岁,35岁和17岁),他们进行了适度(既不太多也不太少)所有指标和适度。通过分析所有旅行的其他七个司机,我们可以发现他们的成绩与我们的分析是一致的。
通过对比8旅程得分显著不同的司机D, E, G, multidriver分数比较图可以得出,如图7和8。居住其中,旅程包括旅行1和2,medium-scoring旅程包括旅行3、4和5,和高分旅程包括旅行6、7和8。
数据7和8比较和分析了大量的司机D, E, g .很明显,三个司机在不同的驾驶行为指标表现不佳的旅行1和2(如大量的紧急制动,紧急加速,和疲劳驾驶),所以分数很低。减少不良驾驶行为的性能,分数相应增加。因此,我们的模型可以实现合理的定量评价商用车驾驶行为的安全。
5。结论
在这项研究中,一个商业汽车驾驶EW-AHP结合安全评价模型和模糊综合评价算法之间的关系作为研究方法基础驾驶风险,风险的原因,和量化的驾驶行为。基于商用车辆的自然驱动数据,安全性评价系统建立了基于AHP的商用车驾驶行为,将驾驶行为特征的四个主要方面包括行驶里程、行驶速度、加速度、不良驾驶行为。
基于EW-AHP,每个评价指标的权重系数,有效地确定,这解决了问题,传统的AHP算法过于主观,发现影响驾驶风险的主要原因,紧急制动,疲劳驾驶,和加速。针对每个评价指标的不同特点,很难解释每个索引使用的会员只有一个隶属函数。因此,一个方法来解释每一个会员的使用multimembership函数提出了评价指标。与先前的研究相比,该模型不仅可以区分安全与不安全的司机还识别驾驶风格和实现定量评分的驾驶行为安全。模型通过使用实际驾驶测试数据的多个部分,验证了该方法的有效性。
这项研究的结果可以用来定量评估商用车辆司机的驾驶行为,规范驾驶,帮助司机养成良好的驾驶习惯,提高道路交通安全。在未来的研究中,仍存在一些值得注意的局限性和改进。例如,尽管这项研究是基于多个道路驾驶数据,这些数据可以更全面的和广泛的道路。此外,研究范围不仅限于司机的驾驶行为,还包括更多的因素(如环境因素、道路和司机的情绪)。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
部分这项工作支持下的中国国家自然科学基金项目资助51965013,部分由广西科技重大项目授予AA18242033和格兰特AA19182004,关键部分的研究和发展项目广西(AB21196029),部分由广西自然科学基金项目(2018年拨款2020 gxnsfaa159081 gxnsfaa281276),在科学研究和技术开发的部分柳州(2021年2020 gaaa0404 2021 aaa0104, aaa0112),部分由广西科学技术基础和特殊人才计划(批准2018 ad19077),广西重点实验室和部分的制造系统和先进制造技术在格兰特17 - 259 - 05 - 009 - z。