CN111881952A - 基于预警大数据的驾驶员倾向性分析方法 - Google Patents
基于预警大数据的驾驶员倾向性分析方法 Download PDFInfo
- Publication number
- CN111881952A CN111881952A CN202010671981.8A CN202010671981A CN111881952A CN 111881952 A CN111881952 A CN 111881952A CN 202010671981 A CN202010671981 A CN 202010671981A CN 111881952 A CN111881952 A CN 111881952A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- clusters
- driver
- driver tendency
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000003064 k means clustering Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002929 anti-fatigue Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于预警大数据的驾驶员倾向性的分析方法，包括：采集车辆预警数据；从车辆预警数据中提取特征；将预警数据特征作为数据样本，采用K‑means聚类算法对数据样本进行聚类，得到k个簇和k个簇中心；利用Matlab对分簇后的特征数据进行可视化操作，并将不同簇的特征数据输入到表格，得到驾驶员倾向性分类结果。本发明基于预警大数据采用K‑means聚类法对具有不同行为倾向的驾驶员进行聚类分析，得到了驾驶员的驾驶倾向性，为采取相应的防范举措提供了支撑，从而保障车辆运行安全。
Description
技术领域
本发明属于行为分析技术领域，具体为一种基于预警大数据的驾驶员倾向性的分析方法。
背景技术
近年来公交车安全事故时有发生，一度成为交通安全领域的热点问题，在影响公交车辆安全的诸多因素中，驾驶员因素为最主要因素，驾驶员的不当操作会对公交车辆的运行产生不利的影响，还会直接导致交通事故的发生。针对不同驾驶员的个体特征，对公交驾驶员的不同驾驶倾向展开研究，对于交通安全管理有着重要的意义。
现有的驾驶员倾向性分析方法主要基于层次分析法和问卷调查等较为主观的分析方法。这些方法一般适用于对样本量要求较少、对精确程度要求不高的算法和模型，对于驾驶员驾驶倾向性判别并不准确。因此借助各公交运营单位安装使用的汽车行驶记录仪或智能驾驶辅助终端等先进技术设备获取驾驶员的行车预警大数据，并应用k-means聚类法对驾驶员进行聚类分析，并观察得出驾驶员的驾驶倾向性对于实现驾驶员倾向性判别显得十分重要。
发明内容
本发明的目的在于提出了一种基于预警大数据的驾驶员倾向性的分析方法。
实现本发明目的的技术解决方案为：一种基于预警大数据的驾驶员倾向性的分析方法，具体步骤为：
步骤1：采集车辆预警数据；
步骤2：从车辆预警数据中提取特征；
步骤3：将预警数据特征作为数据样本，采用K-means聚类算法对数据样本进行聚类，得到k个簇和k个簇中心；
步骤4：利用Matlab对分簇后的特征数据进行可视化操作，并将不同簇的特征数据输入到表格，得到驾驶员倾向性分类结果。
优选地，所述车辆预警数系统采集设备具体包括汽车行驶记录仪、智能驾驶辅助终端、驾驶员状态监测摄像机、高级驾驶辅助系统摄像机、主动安全预警系统喇叭。
优选地，所述特征参数包括：车道偏离次数、前向碰撞次数、急加速次数、急减速次数。
优选地，采用K-means聚类算法对数据样本进行聚类，得到k个簇和k个簇中心具体为：
设定3个初始簇中心；
计算各个特征向量到3个簇中心的距离，并根据距离将特征向量分为3个簇；
对平方误差进行最小化直至平方误差值稳定不变，得到分簇结果。
优选地，利用Matlab对分簇后的特征数据进行可视化操作具体为：
以特征向量到3个簇中心的距离分别作为x,y,z坐标，并利用matlab的三维可视化函数对样本数据进行可视化。
本发明与现有技术相比，其显著优点为：本发明基于预警大数据采用K-means聚类法对具有不同行为倾向的驾驶员进行聚类分析，得到了驾驶员的驾驶倾向性，为采取相应的防范举措提供了支撑，从而保障车辆运行安全。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1是本发明的流程图。
图2是本发明的驾驶员K-means聚类结果三维图。
图3是本发明的驾驶员K-means聚类结果平面图。
具体实施方式
如图1～3所示，一种基于预警大数据的驾驶员倾向性分析方法，通过预警数据选取驾驶员急加速、急减速、前向碰撞、车道偏离的预警次数，以及反映公交车辆运行状态的平均速度，采用K-means聚类法对具有不同行为倾向的驾驶员进行聚类分析，将驾驶员至少分为激进型、普通型和保守型。从而为探寻公交车辆风险发生的时空规律和基本特征，为科学评估公交安全提供新思路，为公交运营的车辆调度优化和安全生产管理提供决策依据，具体包括以下步骤：
步骤1、使用公交车辆预警数系统采集预警大数据，具体为：采用汽车行驶记录仪、智能驾驶辅助终端、驾驶员状态监测(DSM)摄像机、高级驾驶辅助系统(ADAS)摄像机、主动安全预警系统喇叭等设备采集预警大数据。
通过雷达测距设备和驾驶员防疲劳监控摄像头对驾驶员进行监控，在车辆运行的过程中，当与前后车距离过近且超过雷达系统设定的阈值时，预警系统则会对驾驶员发出警告提示。驾驶员疲劳状态监控主要利用车联网技术，通过人脸检测算法、头部跟踪算法和三维姿态检测算法，对驾驶员的状态行为进行检测、分析及综合判断，对常见的驾驶员注意力不集中、反应迟钝、疲劳瞌睡、低头玩手机、抽烟、接打电话、超速等违规驾驶行为实行监控。通过实时的、全方位、全过程的对驾驶员状态行为监控，及时对驾驶员发出预警提示，获取预警大数据。
步骤2、提取特征，所述特征参数至少包括：车道偏离、前向碰撞、急加速、急减速次数。
步骤3：将预警数据特征作为数据样本，采用K-means聚类算法对数据样本进行聚类，得到k个簇和k个簇中心；
首先将驾驶员历史预警数据特征作为样本集D＝{x1，x2，...，xm}，样本集的每个样本作为一个特征向量，然后设定k＝3个初始簇中心，计算各个特征向量到三个簇中心的距离，并根据距离将特征向量分为3个簇，簇集合为C＝{C1，xC2，...，Ck}，再对平方误差进行最小化直至平方误差值稳定不变即可说明驾驶员类别划分完毕，若平方误差值不能取得稳定值，则重新设定质心数。
步骤4、利用Matlab软件，对不同类别的驾驶员数据进行可视化操作
以特征向量到3个簇中心的距离分别作为x,y,z三个坐标，并利用matlab的三维可视化函数对样本数据进行可视化。
观察聚类结果，将驾驶员数据分类输出到表格，通过观察3个类别质心特征的不同将驾驶员确定为三种类型，高速驾驶或超车等违规行为次数较多的一类归为激进型，行车均速慢、违章次数较少的一类可归为保守型，最后一类规为普通型。
本发明基于预警大数据采用K-means聚类法对具有不同行为倾向的驾驶员进行聚类分析，得到了驾驶员的驾驶倾向性。从而为保障公交车辆运行安全，对驾驶员状态进行实时监控，采取相应的防范举措，做到事前的安全教育、事中动态监测、事后分析与决策提供良好的方法。
本发明基于预警大数据采用K-means聚类算法对驾驶员倾向性分析。通过K-means进行聚类，采用Matlab进行可视化操作，得出驾驶员的驾驶倾向性，从而为保障公交车辆运行安全，对驾驶员状态进行实时监控，采取相应的防范举措，做到事前的安全教育、事中动态监测、事后分析与决策提供良好的方法。
Claims (5)
1.一种基于预警大数据的驾驶员倾向性的分析方法，其特征在于，具体步骤为：
步骤1：采集车辆预警数据；
步骤2：从车辆预警数据中提取特征；
步骤3：将预警数据特征作为数据样本，采用K-means聚类算法对数据样本进行聚类，得到k个簇和k个簇中心；
步骤4：利用Matlab对分簇后的特征数据进行可视化操作，并将不同簇的特征数据输入到表格，得到驾驶员倾向性分类结果。
2.根据权利要求1所述的基于预警大数据的驾驶员倾向性的分析方法，其特征在于，所述车辆预警数系统采集设备具体包括汽车行驶记录仪、智能驾驶辅助终端、驾驶员状态监测摄像机、高级驾驶辅助系统摄像机、主动安全预警系统喇叭。
3.根据权利要求1所述的基于预警大数据的驾驶员倾向性的分析方法，其特征在于，所述特征参数包括：车道偏离次数、前向碰撞次数、急加速次数、急减速次数。
4.根据权利要求1所述的基于预警大数据的驾驶员倾向性的分析方法，其特征在于，采用K-means聚类算法对数据样本进行聚类，得到k个簇和k个簇中心具体为：
设定3个初始簇中心；
计算各个特征向量到3个簇中心的距离，并根据距离将特征向量分为3个簇；
对平方误差进行最小化直至平方误差值稳定不变，得到分簇结果。
5.根据权利要求4所述的基于预警大数据的驾驶员倾向性的分析方法，其特征在于，利用Matlab对分簇后的特征数据进行可视化操作具体为：
以特征向量到3个簇中心的距离分别作为x,y,z坐标，并利用matlab的三维可视化函数对样本数据进行可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010671981.8A CN111881952A (zh) | 2020-07-14 | 2020-07-14 | 基于预警大数据的驾驶员倾向性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010671981.8A CN111881952A (zh) | 2020-07-14 | 2020-07-14 | 基于预警大数据的驾驶员倾向性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111881952A true CN111881952A (zh) | 2020-11-03 |
Family
ID=73150677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010671981.8A Pending CN111881952A (zh) | 2020-07-14 | 2020-07-14 | 基于预警大数据的驾驶员倾向性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881952A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
| CN113022556A (zh) * | 2021-04-14 | 2021-06-25 | 成都亿盟恒信科技有限公司 | 一种基于大数据分析的行车安全综合管理系统及方法 |
| CN113095713A (zh) * | 2021-04-28 | 2021-07-09 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077603A (zh) * | 2012-06-06 | 2013-05-01 | 王晓原 | 基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统 |
| CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
| CN109710895A (zh) * | 2018-11-16 | 2019-05-03 | 中车齐齐哈尔车辆有限公司大连研发中心 | 处理数据的方法、装置和系统 |
| CN110175557A (zh) * | 2019-05-24 | 2019-08-27 | 北京交通大学 | 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统 |
| CN110544373A (zh) * | 2019-08-21 | 2019-12-06 | 北京交通大学 | 一种基于北斗车联网的货车预警信息提取与风险识别方法 |
-
2020
- 2020-07-14 CN CN202010671981.8A patent/CN111881952A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077603A (zh) * | 2012-06-06 | 2013-05-01 | 王晓原 | 基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统 |
| CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
| CN109710895A (zh) * | 2018-11-16 | 2019-05-03 | 中车齐齐哈尔车辆有限公司大连研发中心 | 处理数据的方法、装置和系统 |
| CN110175557A (zh) * | 2019-05-24 | 2019-08-27 | 北京交通大学 | 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统 |
| CN110544373A (zh) * | 2019-08-21 | 2019-12-06 | 北京交通大学 | 一种基于北斗车联网的货车预警信息提取与风险识别方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
| CN113022556A (zh) * | 2021-04-14 | 2021-06-25 | 成都亿盟恒信科技有限公司 | 一种基于大数据分析的行车安全综合管理系统及方法 |
| CN113095713A (zh) * | 2021-04-28 | 2021-07-09 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
| CN113095713B (zh) * | 2021-04-28 | 2023-10-20 | 扬州大学 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108791299B (zh) | 一种基于视觉的驾驶疲劳检测及预警系统及方法 | |
| CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
| EP3965082B1 (en) | Vehicle monitoring system and vehicle monitoring method | |
| Yu et al. | Fine-grained abnormal driving behaviors detection and identification with smartphones | |
| CN106314438B (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
| WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
| CN111881952A (zh) | 基于预警大数据的驾驶员倾向性分析方法 | |
| GB2573738A (en) | Driving monitoring | |
| CN105469035A (zh) | 基于双目视频分析的驾驶员不良驾驶行为检测系统 | |
| CN104527647A (zh) | 一种驾驶行为危险度的监测评估方法 | |
| CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
| El Masri et al. | Toward self-policing: Detecting drunk driving behaviors through sampling CAN bus data | |
| CN107730028A (zh) | 一种车辆事故识别方法、车载终端及存储介质 | |
| CN108010269A (zh) | 一种基于车联网的驾驶分心监测、预警系统及方法 | |
| WO2023274071A1 (zh) | 驾驶行为监控方法、装置、电子设备及存储介质 | |
| CN109094574B (zh) | 一种基于台架的无人车驾驶状态测量控制系统 | |
| CN103700220A (zh) | 一种疲劳驾驶监控装置 | |
| CN108710898A (zh) | 基于多传感器融合的行车安全保障系统及方法 | |
| CN117610932B (zh) | 一种基于人工智能的公交运营风险管控系统 | |
| Doğru et al. | Comparison of clustering techniques for traffic accident detection | |
| CN110992709A (zh) | 一种基于驾驶员疲劳状态的主动限速系统 | |
| CN113312958B (zh) | 一种基于司机状态的派单优先度调整方法及装置 | |
| CN113888775A (zh) | 车辆预警方法、服务器、存储介质、车辆预警系统和车辆 | |
| CN115909651A (zh) | 车内人身安全保护方法、装置、设备及存储介质 | |
| CN113022557A (zh) | 一种基于主动安全预警的车载监控系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |
|
| RJ01 | Rejection of invention patent application after publication |