CN108876165B - 一种驾驶员安全监控学习*** - Google Patents

一种驾驶员安全监控学习*** Download PDF

Info

Publication number
CN108876165B
CN108876165B CN201810675738.6A CN201810675738A CN108876165B CN 108876165 B CN108876165 B CN 108876165B CN 201810675738 A CN201810675738 A CN 201810675738A CN 108876165 B CN108876165 B CN 108876165B
Authority
CN
China
Prior art keywords
driver
data
vehicle
evaluation
driving
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.)
Active
Application number
CN201810675738.6A
Other languages
English (en)
Other versions
CN108876165A (zh
Inventor
张建仓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Tianfang Yetan Network Technology Co ltd
Original Assignee
Shanghai Tianfang Yetan Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Tianfang Yetan Network Technology Co ltd filed Critical Shanghai Tianfang Yetan Network Technology Co ltd
Priority to CN201810675738.6A priority Critical patent/CN108876165B/zh
Publication of CN108876165A publication Critical patent/CN108876165A/zh
Application granted granted Critical
Publication of CN108876165B publication Critical patent/CN108876165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种驾驶员安全监控学习***，包括：数据收集单元，其用于收集驾驶员的行为数据；数据预处理单元，其用于从收集到的行为数据中提取出对驾驶员进行评价的评价数据；数据统计分析单元，其用于对评价数据进行统计分析，获取每个驾驶员的评分情况；数据接收单元，其用于接收评分结果，并根据评分结果得出驾驶建议，并将驾驶建议和未完成的培训学习课程发送至驾驶者。本发明的有益效果：综合考量了多个客观评判标准，使得对驾驶员的考核结果更为客观可靠，也能对驾驶员的不良习惯进行提醒，规避驾驶风险，提高道路交通的安全性。

Description

一种驾驶员安全监控学习***
技术领域
本发明涉及一种驾驶员安全监控学习***。
背景技术
道路交通事故的诱发因素包括人、车、道路、环境等直接因素和与直接因素相关的其他人、信息等间接因素。其中人的因素占据主导地位，而驾驶员的驾驶习惯会直接影响到车辆行驶的安全性。驾驶员在行车过程中的不良驾驶行为可能会引发较为严重的交通事故，导致人员和财产的巨大损失，产生负面的社会影响。目前，在对驾驶员进行考核评价时，大多是以驾驶员违章违规记录作为主要依据，缺乏对多个客观标准的考核，结果不够合理客观；同时，在评价时缺少量化的评判标准，使得考核结果不够可信可靠；再有，缺乏外在的客观标准而存在一定的偏差，这些不利于驾驶员改正其不良驾驶习惯和提高道路交通的安全性。
发明内容
为解决上述问题，本发明的目的在于提供一种驾驶员安全监控学习***，综合考量了多个客观评判标准，使得对驾驶员的考核结果更为客观可靠，也能对驾驶员的不良习惯进行提醒，规避驾驶风险，提高道路交通的安全性。
本发明提供了一种驾驶员监控***，包括：
数据收集单元，其用于收集驾驶员的行为数据；
其中，行为数据包括驾驶员行驶的机动车辆的行车数据以及驾驶员的学习考核数据；
数据预处理单元，其用于从收集到的行为数据中提取出对驾驶员进行评价的评价数据；
其中，评价数据包括：表征驾驶员行车前检查的数据、表征驾驶员服从交通规则的数据、表征驾驶员行车风格的数据，以及表征驾驶员培训学习的学习考核数据；
数据统计分析单元，其用于对评价数据进行统计分析，获取每个驾驶员的评分情况；
数据接收单元，其用于接收评分结果，并根据评分结果得出驾驶建议，并将驾驶建议和未完成的培训学习课程发送至驾驶者；
其中，统计分析方法为：
步骤A，确定评价数据中的一级评价因素，建立一级评价因素集U＝{U1,U2,…,Ui，…,Um}，其中，Ui表示影响因素，i＝1,2,…,m；
步骤B，根据评价数据中每个一级评价因素所对应的二级评价因素，分别建立每个一级评价因素对应的二级评价因素集Ui＝{Ui1,Ui2,…,Uij,…,Uini}，其中，Uij表示一级评价因素对应的二级评价因素，j＝1,2,…,ni；
步骤C，建立评价指标集V＝{V1,V2,…,Vk,…,Vn}，其中，Vk表示评价等级，k＝1,2,…,n；
步骤D，对每个一级评价因素，确定其对应的评价矩阵
Figure GDA0003130468570000021
式中，ni表示Ui中的元素个数，rijk表示二级评价因素Uij对评价等级Vk的隶属度，i＝1,2,…,m，j＝1,2,…,ni，k＝1,2,…,n；
步骤E，确定一级评价因素对应的权重向量W＝{W1,W2,…,Wi,…,Wm}，以及二级评价因素对应的权重向量Wi＝{Wi1,Wi2,…,Wij,…,Wini}，其中，分量Wi表示各个一级评价因素对应的权重，分量Wij表示各个二级评价因素对应的权重；
步骤F，确定每个一级评价因素的最终评价矩阵为Bi＝WiRi＝{bi1,bi2,…bij,…,bini}，其中，
Figure GDA0003130468570000031
i＝1,2,…,m，j＝1,2,…,ni，k＝1,2,…,n；
步骤G，将每个一级评价因素Ui作为单独元素，Bi作为Ui的评价向量，建立用于评价驾驶员的总评价矩阵R＝{B1,B2,…,Bi,…,Bm}T，得到总评价向量为B＝WR＝{b1,b2,…,bi,…,bm}，其中，bi＝WiBi，i＝1,2,…,m；
步骤H，将总评价向量中分量bi对应的分值si代入计算，得到每个驾驶员最终的评分
Figure GDA0003130468570000032
其中，i＝1,2,…,m。
作为本发明进一步的改进，所述数据收集单元包括采集行车数据的若干传感器以及采集学习考核数据的智能终端或PC机，其中，若干传感器包括：
安装在驾驶室的指纹识别器，其用于驾驶员在行车前采集驾驶员的指纹信息，当指纹匹配时才能开始行车；
安装在车辆外壳四周的热感应器，其用于驾驶员在行车前检测驾驶员是否绕车辆进行四周观察；
安装在车内的摄像头，其用于采集驾驶员上车后及行车过程中的视频数据；
安装在后视镜上的摄像头，其用于采集驾驶员行车过程中车辆周围环境的视频数据；
安装在车内的GPS定位仪，其用于获取车辆所在的位置；
安装在车内的速度计，其用于采集车辆的行驶速度；
安装在油门踏板上的传感器，其用于采集车辆的油门位置及油门变化加速度；
安装方向盘上的传感器，其用于采集方向盘位置及方向盘加速度；
安装在离合器上的传感器，其用于采集离合器位置及离合器位置变化加速度；
安装在刹车踏板上的传感器，其用于采集刹车踏板位置及刹车踏板位置变化加速度；
安装在档位上的传感器，其用于采集档位杆位置、换档时间及换档方向数据；
安装在车头的雷达传感器，其用于采集车辆行车过程中的距离前车的距离；
安装在车尾的雷达传感器，其用于采集车辆行车过程中的距离障碍物的距离；
智能终端或PC机，其用于采集驾驶员学习视频教程和电子课件的学习数据及学习完成后的考试数据。
作为本发明进一步的改进，数据预处理单元在提取评价数据时：
根据指纹识别器和热传感器采集到的数据，提取出表征驾驶员的行车前检查数据；
根据车内的摄像头、后视镜上的摄像头、GPS定位仪和速度计采集到的数据，提取表征驾驶员的交通规则服从数据；
根据油门踏板上的传感器、方向盘上的传感器、离合器上的传感器、车尾的雷达传感器、刹车踏板上的传感器、档位上的传感器、车头的雷达传感器和车尾的雷达传感器采集到的数据，提取表征驾驶员的行车风格数据；
根据智能终端或PC机采集到的数据，提取表征驾驶员培训学习的学习考核数据。
作为本发明进一步的改进，行车前检查数据包括：是否是本人驾驶车辆，是否检查车辆外观；
交通规则服从数据包括：是否系上安全带，是否遵守限速，是否遵守交通灯，是否在停止标志停止，是否在规定路段行驶；
行车风格数据包括：油门踏板是否剧烈运动，油门踏板是否突然改变速度，方向盘是否剧烈运动，方向盘是否突然改变速度，离合器是否剧烈运动，离合器是否突然改变速度，刹车是否剧烈运动，刹车是否突然改变速度，换档是否过快或过慢，换档是否正确，与前车相对距离短是否经常发生，与车后障碍物相对距离短是否经常发生；
学习考核数据包括：驾驶人员学习过的课程、学习进度及考试成绩。
作为本发明进一步的改进，在确定一级评价因素对应的权重时：
步骤S1，先建立一级评价因素的m阶矩阵A，
Figure GDA0003130468570000051
其中，p＝1,2,…,m，q＝1,2,…,m；
步骤S2，将m阶矩阵A所有一级评价因素采用1-9标度法两两比较，对比较后的m阶矩阵A，计算其特征向量并归一化处理，得到归一化后的特征向量α＝[α1 α2 … αi … αm]，i＝1,2,…,m；
步骤S3，对m阶矩阵A进行一致性检验，若检验通过，将归一化后的特征向量中的分量确定为一级评价因素的权重分量αi，i＝1,2,…,m；
步骤S4，再将m阶矩阵A中的一级评价因素两两比较，将行元素与列元素相互对比，每个专家得出一个m阶判断矩阵，将L个专家得出的m阶判断矩阵中的对应元素加和，得到一个新的m阶判断矩阵的D；
Figure GDA0003130468570000052
其中，p＝1,2,…,m，q＝1,2,…,m；
步骤S5，计算新的m阶判断矩阵中每一行一级评价因素的总和
Figure GDA0003130468570000061
计算每个一级评价因素的平均分值
Figure GDA0003130468570000062
得到权值
Figure GDA0003130468570000063
并将该权值作为一级评价因素的权重分量βi，即
Figure GDA0003130468570000064
i＝1,2,…,m；
步骤S6，利用线性加权，确定每个一级影响因素的权重Wi＝ηαi+(1-η)βi，i＝1,2,…,m，0＜η＜1；
步骤S7，归一化权重向量，即
Figure GDA0003130468570000065
得到一级评价因素对应的权重向量W＝{W1,W2,…,Wi,…,Wm}。
作为本发明进一步的改进，步骤S2中，在两两比较时，m阶矩阵A中：
当元素p与元素q的重要性相同时，apq＝1；
当元素p比元素q略重要时，apq＝3，反之，apq＝1/3；
当元素p比元素q重要时，apq＝5，反之，apq＝1/5；
当元素p比元素q重要得多时，apq＝7，反之，apq＝1/7；
当元素p比元素q极其重要时，apq＝9，反之，apq＝1/9。
作为本发明进一步的改进，步骤S4中，m阶矩阵D中：
当元素p与元素q相比非常重要时，dpq＝4；
当元素p与元素q相比比较重要时，dpq＝3；
当元素p与元素q相比同样重要时，dpq＝2；
当元素p与元素q相比不太重要时，dpq＝1；
当元素p与元素q相比很不重要时，dpq＝0。
作为本发明进一步的改进，步骤S2中，计算特征向量的具体方法为：
将m阶矩阵A各列求和；
对每一列进行归一化处理即用各列的元素除以列的和：
Figure GDA0003130468570000066
得到一个新的m阶矩阵B，其中，∑apq为各列的和，p＝1,2,…,m，q＝1,2,…,m，i＝1,2,…,m；
对m阶矩阵B中每一行求和即可得出特征向量；
对m阶矩阵B中的特征向量归一化处理，即可得到特征向量α＝[α1 α2 … αi …αm]，i＝1,2,…,m。
作为本发明进一步的改进，步骤S3中，一致性检验的方法为：
计算m阶矩阵A的最大特征根
Figure GDA0003130468570000071
i＝1,2,…,m；
计算m阶矩阵A的一致性指标
Figure GDA0003130468570000072
计算m阶矩阵A的随机性一致比率
Figure GDA0003130468570000073
其中，RI为常量；
当CR＜0.1时，一致性检验通过。
作为本发明进一步的改进，η＝0.6。
本发明的有益效果为：
1、整个***通过多方面的数据提炼出评价标准对驾驶员驾驶行为进行实时评价和警示，解决了对驾驶员驾驶行为监管不足的弊端，也为驾驶员的不良驾驶习惯和对专项内容的学习提供了反馈渠道，有利于建立安全规范的驾驶环境，更好的辅助驾驶员规避驾驶风险，提高道路交通的安全性；
2、采用行车数据和学习考核数据的统计参数作为评判量化的标准，综合考虑了表征驾驶员行车前检查的数据、表征驾驶员服从交通规则的数据、表征驾驶员行车风格的数据，以及表征驾驶员培训学习的学习考核数据等评价数据，使得对驾驶员的评价更为客观可靠；
3、评价数据在参与评价时，划分为了一级评价因素和从属于一级评价因素的二级评价因素，可根据每个企业的需求来动态调整，使得评价具备良好的动态适应性；
4、一级评价因素和二级评价因素的权重处理过程，既考虑了权威的专家意见，也通过数学算法处理对影响因素进行了量化计算，减少了主观人为的影响，有效结合了主观和客观的权重影响，并对主观和客观的权重进行加权处理，使得权重更为准确合理，进一步提高了评价的合理性和可靠性。
附图说明
图1为本发明实施例所述的一种驾驶员安全监控学习***的示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
如图1所示，本发明实施例的一种驾驶员安全监控学习***，包括：
数据收集单元，其用于收集驾驶员的行为数据。其中，行为数据包括驾驶员行驶的机动车辆的行车数据以及驾驶员的学习考核数据。
具体来说，数据收集单元包括采集行车数据的若干传感器以及采集学习考核数据的智能终端或PC机。
其中，若干传感器包括：
安装在驾驶室的指纹识别器，其用于驾驶员在行车前采集驾驶员的指纹信息，当指纹匹配时才能开始行车；
安装在车辆外壳四周的热感应器，其用于驾驶员在行车前检测驾驶员是否绕车辆进行四周观察；
安装在车内的摄像头，其用于采集驾驶员上车后及行车过程中的视频数据；
安装在后视镜上的摄像头，其用于采集驾驶员行车过程中车辆周围环境的视频数据；
安装在车内的GPS定位仪，其用于获取车辆所在的位置；
安装在车内的速度计，其用于采集车辆的行驶速度；
安装在油门踏板上的传感器，其用于采集车辆的油门位置及油门变化加速度；
安装方向盘上的传感器，其用于采集方向盘位置及方向盘加速度；
安装在离合器上的传感器，其用于采集离合器位置及离合器位置变化加速度；
安装在刹车踏板上的传感器，其用于采集刹车踏板位置及刹车踏板位置变化加速度；
安装在档位上的传感器，其用于采集档位杆位置、换档时间及换档方向数据；
安装在车头的雷达传感器，其用于采集车辆行车过程中的距离前车的距离；
安装在车尾的雷达传感器，其用于采集车辆行车过程中的距离障碍物的距离；
智能终端或PC机，其用于采集驾驶员学习视频教程和电子课件的学习数据及学习完成后的考试数据。
数据预处理单元，其用于从收集到的行为数据中提取出对驾驶员进行评价的评价数据。其中，评价数据包括：表征驾驶员行车前检查的数据、表征驾驶员服从交通规则的数据、表征驾驶员行车风格的数据，以及表征驾驶员培训学习的学习考核数据。
具体的，在提取评价数据时：
根据指纹识别器和热传感器采集到的数据，提取出表征驾驶员的行车前检查数据。其中，行车前检查数据包括：是否是本人驾驶车辆，是否检查车辆外观。
根据车内的摄像头、后视镜上的摄像头、GPS定位仪和速度计采集到的数据，提取表征驾驶员的交通规则服从数据。其中，交通规则服从数据包括：是否系上安全带，是否遵守限速，是否遵守交通灯，是否在停止标志停止，是否在规定路段行驶。
根据油门踏板上的传感器、方向盘上的传感器、离合器上的车尾的雷达传感器传感器、刹车踏板上的传感器、档位上的传感器、车头的雷达传感器和车尾的雷达传感器采集到的数据，提取表征驾驶员的行车风格数据。其中，行车风格数据包括：油门踏板是否剧烈运动，油门踏板是否突然改变速度，方向盘是否剧烈运动，方向盘是否突然改变速度，离合器是否剧烈运动，离合器是否突然改变速度，刹车是否剧烈运动，刹车是否突然改变速度，换档是否过快或过慢，换档是否正确，与前车相对距离短是否经常发生，与车后障碍物相对距离短是否经常发生。
根据智能终端或PC机采集到的数据，提取表征驾驶员培训学习的学习考核数据。其中，学习考核数据包括：驾驶人员学习过的课程、学习进度及考试成绩。课程可以为一些专项培训内容，例如公司车辆驾驶规章要求等。
数据统计分析单元，其用于对评价数据进行统计分析，获取每个驾驶员的评分情况。其中，统计分析方法为：
步骤A，确定评价数据中的一级评价因素，建立一级评价因素集U＝{U1,U2,…,Ui，…,Um}，其中，Ui表示影响因素，i＝1,2,…,m。
本实施例中，一级评价因素可选取为：U1行车检查，U2交通规则服从，U3行车风格，U4学习考核。
步骤B，根据评价数据中每个一级评价因素所对应的二级评价因素，分别建立每个一级评价因素对应的二级评价因素集Ui＝{Ui1,Ui2,…,Uij,…,Uini}，其中，Uij表示一级评价因素对应的二级评价因素，j＝1,2,…,ni。
本实施例中，从属于一级评价因素U1行车检查的二级评价因素为U11是否是本人驾驶车辆，U12是否检查车辆外观。从属于一级评价因素U2交通规则服从的二级评价因素为U21是否系上安全带，U22是否遵守限速，U22是否遵守交通灯，U24是否在停止标志停止，U25是否在规定路段行驶。从属于一级评价因素U3行车风格的二级评价因素为U31油门踏板是否剧烈运动，U32油门踏板是否突然改变速度，U33方向盘是否剧烈运动，U34方向盘是否突然改变速度，U35离合器是否剧烈运动，U36离合器是否突然改变速度，U37刹车是否剧烈运动，U38刹车是否突然改变速度，U39换档是否过快或过慢，U310换档是否正确，U311与前车相对距离短是否经常发生，U312与车后障碍物相对距离短是否经常发生。从属于一级评价因素U4学习考核的二级评价因素为U41驾驶人员学习过的课程，U42学习进度，U43考试成绩。
步骤C，建立评价指标集V＝{V1,V2,…,Vk,…,Vn}，其中，Vk表示评价等级，k＝1,2,…,n。
本实施例中，评价等级分别为V1优秀、V2良好、V3一般、V4较差、V5差，对应的分值可设定为1、0.8、0.6、0.4、0.2。分值可以根据评价需求进行适当调整，以适应不同的企业。
步骤D，对每个一级评价因素，确定其对应的评价矩阵
Figure GDA0003130468570000111
式中，ni表示Ui中的元素个数，rijk表示二级评价因素Uij对评价等级Vk的隶属度，i＝1,2,…,m，j＝1,2,…,ni，k＝1,2,…,n。
步骤E，确定一级评价因素对应的权重向量W＝{W1,W2,…,Wi,…,Wm}，以及二级评价因素对应的权重向量Wi＝{Wi1,Wi2,…,Wij,…,Wini}，其中，分量Wi表示各个一级评价因素对应的权重，分量Wij表示各个二级评价因素对应的权重。
具体的，在确定一级评价因素对应的权重时：
步骤S1，先建立一级评价因素的m阶矩阵A，
Figure GDA0003130468570000121
其中，p＝1,2,…,m，q＝1,2,…,m。
步骤S2，将m阶矩阵A所有一级评价因素采用1-9标度法两两比较，对比较后的m阶矩阵A，计算其特征向量并归一化处理，得到归一化后的特征向量α＝[α1 α2 … αi … αm]，i＝1,2,…,m。
其中，在两两比较时，m阶矩阵A中：
当元素p与元素q的重要性相同时，apq＝1；
当元素p比元素q略重要时，apq＝3，反之，apq＝1/3；
当元素p比元素q重要时，apq＝5，反之，apq＝1/5；
当元素p比元素q重要得多时，apq＝7，反之，apq＝1/7；
当元素p比元素q极其重要时，apq＝9，反之，apq＝1/9。
其中，计算特征向量的具体方法为：
将m阶矩阵A各列求和；
对每一列进行归一化处理即用各列的元素除以列的和：
Figure GDA0003130468570000122
得到一个新的m阶矩阵B，其中，∑apq为各列的和，p＝1,2,…,m，q＝1,2,…,m，i＝1,2,…,m；
对m阶矩阵B中每一行求和即可得出特征向量；
对m阶矩阵B中的特征向量归一化处理，即可得到特征向量α＝[α1 α2 … αi …αm]，i＝1,2,…,m。
步骤S3，对m阶矩阵A进行一致性检验，若检验通过，将归一化后的特征向量中的分量确定为一级评价因素的权重分量αi，i＝1,2,…,m。
其中，一致性检验的方法为：
计算m阶矩阵A的最大特征根
Figure GDA0003130468570000131
i＝1,2,…,m；
计算m阶矩阵A的一致性指标
Figure GDA0003130468570000132
计算m阶矩阵A的随机性一致比率
Figure GDA0003130468570000133
其中，RI为常量；
当CR＜0.1时，一致性检验通过。
步骤S4，再将m阶矩阵A中的一级评价因素两两比较，将行元素与列元素相互对比，每个专家得出一个m阶判断矩阵，将L个专家得出的m阶判断矩阵中的对应元素加和，得到一个新的m阶判断矩阵的D；
Figure GDA0003130468570000134
其中，p＝1,2,…,m，q＝1,2,…,m。
其中，m阶矩阵D中：
当元素p与元素q相比非常重要时，dpq＝4；
当元素p与元素q相比比较重要时，dpq＝3；
当元素p与元素q相比同样重要时，dpq＝2；
当元素p与元素q相比不太重要时，dpq＝1；
当元素p与元素q相比很不重要时，dpq＝0。
步骤S5，计算新的m阶判断矩阵中每一行一级评价因素的总和
Figure GDA0003130468570000135
计算每个一级评价因素的平均分值
Figure GDA0003130468570000136
得到权值
Figure GDA0003130468570000137
并将该权值作为一级评价因素的权重分量βi，即
Figure GDA0003130468570000138
i＝1,2,…,m。
步骤S6，利用线性加权，确定每个一级影响因素的权重Wi＝ηαi+(1-η)βi，i＝1,2,…,m。
其中，η表示客观偏好系数，取值为0～1，1-η表观主观偏好系数，具体选取时根据评价方的偏好来设定。本实施例中，η＝0.6，更为看重客观偏好。
步骤S7，归一化权重向量，即
Figure GDA0003130468570000141
得到一级评价因素对应的权重向量W＝{W1,W2,…,Wi,…,Wm}。
再有，针对每个一级评价因素，对从属于该一级评价因素的所有二级评价因素，同样采用上述步骤S1-步骤S7得到二级评价因素对应的权重向量Wi＝{Wi1,Wi2,…,Wij,…,Wini}，这里不再详述。
步骤F，确定每个一级评价因素的最终评价矩阵为Bi＝WiRi＝{bi1,bi2,…bij,…,bini}，其中，
Figure GDA0003130468570000142
i＝1,2,…,m，j＝1,2,…,ni，k＝1,2,…,n；
步骤G，将每个一级评价因素Ui作为单独元素，Bi作为Ui的评价向量，建立用于评价驾驶员的总评价矩阵R＝{B1,B2,…,Bi,,Bm}T，得到总评价向量为B＝WR＝{b1,b2,…,bi,…,bm}，其中，bi＝WiBi，i＝1,2,…,m；
步骤H，将总评价向量中分量bi对应的分值si代入计算，得到每个驾驶员最终的评分
Figure GDA0003130468570000143
其中，i＝1,2,…,m。
数据接收单元，其用于接收评分结果，并根据评分结果得出驾驶建议，并将驾驶建议和未完成的培训学习课程发送至驾驶者。
本发明的安全监控学习***主要针对于驾驶员，在危险品运输行业，一般会有押运员陪同驾驶员，对随车的押运员同样可以采用本发明的***来进行监控。对于押运员，在收集数据时，主要根据安装在装货处的摄像头(用于采集押运员上车前装货过程的视频数据)、安装在车内的摄像头(用于采集押运员上车后及行车过程中的视频数据)、安装在卸货处的摄像头(用于采集押运员上车前卸货过程的视频数据)，再对这些数据进行提取，可根据各个公司的考核评价需求，提取其中关注的数据，然后将这些关注的数据作为评价数据进行统计分析，获取每个押运员的评分情况，具体统计分析方法跟驾驶员的统计分析方法类似，这里不再详述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种驾驶员安全监控学习***，其特征在于，包括：
数据收集单元，其用于收集驾驶员的行为数据；
其中，行为数据包括驾驶员行驶的机动车辆的行车数据以及驾驶员的学习考核数据；
数据预处理单元，其用于从收集到的行为数据中提取出对驾驶员进行评价的评价数据；
其中，评价数据包括：表征驾驶员行车前检查的数据、表征驾驶员服从交通规则的数据、表征驾驶员行车风格的数据，以及表征驾驶员培训学习的学习考核数据；
数据统计分析单元，其用于对评价数据进行统计分析，获取每个驾驶员的评分情况；
数据接收单元，其用于接收评分结果，并根据评分结果得出驾驶建议，并将驾驶建议和未完成的培训学习课程发送至驾驶者；
其中，统计分析方法为：
步骤A，确定评价数据中的一级评价因素，建立一级评价因素集U＝{U1,U2,…,Ui，…,Um}，其中，Ui表示影响因素，i＝1,2,…,m；
步骤B，根据评价数据中每个一级评价因素所对应的二级评价因素，分别建立每个一级评价因素对应的二级评价因素集Ui＝{Ui1,Ui2,…,Uij,…,Uini}，其中，Uij表示一级评价因素对应的二级评价因素，j＝1,2,…,ni；
步骤C，建立评价指标集V＝{V1,V2,…,Vk,…,Vn}，其中，Vk表示评价等级，k＝1,2,…,n；
步骤D，对每个一级评价因素，确定其对应的评价矩阵
Figure FDA0003130468560000021
式中，ni表示Ui中的元素个数，rijk表示二级评价因素Uij对评价等级Vk的隶属度，i＝1,2,…,m，j＝1,2,…,ni，k＝1,2,…,n；
步骤E，确定一级评价因素对应的权重向量W＝{W1,W2,…,Wi,…,Wm}，以及二级评价因素对应的权重向量Wi＝{Wi1,Wi2,…,Wij,…,Wini}，其中，分量Wi表示各个一级评价因素对应的权重，分量Wij表示各个二级评价因素对应的权重；
步骤F，确定每个一级评价因素的最终评价矩阵为Bi＝WiRi＝{bi1,bi2,…bij,…,bini}，其中，
Figure FDA0003130468560000022
Figure FDA0003130468560000023
步骤G，将每个一级评价因素Ui作为单独元素，Bi作为Ui的评价向量，建立用于评价驾驶员的总评价矩阵R＝{B1,B2,…,Bi,…,Bm}T，得到总评价向量为B＝WR＝{b1,b2,…,bi,…,bm}，其中，bi＝WiBi，i＝1,2,…,m；
步骤H，将总评价向量中分量bi对应的分值si代入计算，得到每个驾驶员最终的评分
Figure FDA0003130468560000024
其中，i＝1,2,…,m。
2.根据权利要求1所述的驾驶员安全监控学习***，其特征在于，所述数据收集单元包括采集行车数据的若干传感器以及采集学习考核数据的智能终端或PC机，其中，若干传感器包括：
安装在驾驶室的指纹识别器，其用于驾驶员在行车前采集驾驶员的指纹信息，当指纹匹配时才能开始行车；
安装在车辆外壳四周的热感应器，其用于驾驶员在行车前检测驾驶员是否绕车辆进行四周观察；
安装在车内的摄像头，其用于采集驾驶员上车后及行车过程中的视频数据；
安装在后视镜上的摄像头，其用于采集驾驶员行车过程中车辆周围环境的视频数据；
安装在车内的GPS定位仪，其用于获取车辆所在的位置；
安装在车内的速度计，其用于采集车辆的行驶速度；
安装在油门踏板上的传感器，其用于采集车辆的油门位置及油门变化加速度；
安装方向盘上的传感器，其用于采集方向盘位置及方向盘加速度；
安装在离合器上的传感器，其用于采集离合器位置及离合器位置变化加速度；
安装在刹车踏板上的传感器，其用于采集刹车踏板位置及刹车踏板位置变化加速度；
安装在档位上的传感器，其用于采集档位杆位置、换档时间及换档方向数据；
安装在车头的雷达传感器，其用于采集车辆行车过程中的距离前车的距离；
安装在车尾的雷达传感器，其用于采集车辆行车过程中的距离障碍物的距离；
智能终端或PC机，其用于采集驾驶员学习视频教程和电子课件的学习数据及学习完成后的考试数据。
3.根据权利要求2所述的驾驶员安全监控学习***，其特征在于，数据预处理单元在提取评价数据时：
根据指纹识别器和热传感器采集到的数据，提取出表征驾驶员的行车前检查数据；
根据车内的摄像头、后视镜上的摄像头、GPS定位仪和速度计采集到的数据，提取表征驾驶员的交通规则服从数据；
根据油门踏板上的传感器、方向盘上的传感器、离合器上的传感器、车尾的雷达传感器、刹车踏板上的传感器、档位上的传感器、车头的雷达传感器和车尾的雷达传感器采集到的数据，提取表征驾驶员的行车风格数据；
根据智能终端或PC机采集到的数据，提取表征驾驶员培训学习的学习考核数据。
4.根据权利要求3所述的驾驶员安全监控学习***，其特征在于，
行车前检查数据包括：是否是本人驾驶车辆，是否检查车辆外观；
交通规则服从数据包括：是否系上安全带，是否遵守限速，是否遵守交通灯，是否在停止标志停止，是否在规定路段行驶；
行车风格数据包括：油门踏板是否剧烈运动，油门踏板是否突然改变速度，方向盘是否剧烈运动，方向盘是否突然改变速度，离合器是否剧烈运动，离合器是否突然改变速度，刹车是否剧烈运动，刹车是否突然改变速度，换档是否过快或过慢，换档是否正确，与前车相对距离短是否经常发生，与车后障碍物相对距离短是否经常发生；
学习考核数据包括：驾驶人员学习过的课程、学习进度及考试成绩。
5.根据权利要求1所述的驾驶员安全监控学习***，其特征在于，在确定一级评价因素对应的权重时：
步骤S1，先建立一级评价因素的m阶矩阵A，
Figure FDA0003130468560000041
其中，p＝1,2,…,m，q＝1,2,…,m；
步骤S2，将m阶矩阵A所有一级评价因素采用1-9标度法两两比较，对比较后的m阶矩阵A，计算其特征向量并归一化处理，得到归一化后的特征向量α＝[α1 α2 … αi … αm]，i＝1,2,…,m；
步骤S3，对m阶矩阵A进行一致性检验，若检验通过，将归一化后的特征向量中的分量确定为一级评价因素的权重分量αi，i＝1,2,…,m；
步骤S4，再将m阶矩阵A中的一级评价因素两两比较，将行元素与列元素相互对比，每个专家得出一个m阶判断矩阵，将L个专家得出的m阶判断矩阵中的对应元素加和，得到一个新的m阶判断矩阵的D；
Figure FDA0003130468560000051
其中，p＝1,2,…,m，q＝1,2,…,m；
步骤S5，计算新的m阶判断矩阵中每一行一级评价因素的总和
Figure FDA0003130468560000052
计算每个一级评价因素的平均分值
Figure FDA0003130468560000053
得到权值
Figure FDA0003130468560000054
并将该权值作为一级评价因素的权重分量βi，即
Figure FDA0003130468560000055
步骤S6，利用线性加权，确定每个一级影响因素的权重Wi＝ηαi+(1-η)βi，i＝1,2,…,m，0＜η＜1；
步骤S7，归一化权重向量，即
Figure FDA0003130468560000056
得到一级评价因素对应的权重向量W＝{W1,W2,…,Wi,…,Wm}。
6.根据权利要求5所述的驾驶员安全监控学习***，其特征在于，步骤S2中，在两两比较时，m阶矩阵A中：
当元素p与元素q的重要性相同时，apq＝1；
当元素p比元素q略重要时，apq＝3，反之，apq＝1/3；
当元素p比元素q重要时，apq＝5，反之，apq＝1/5；
当元素p比元素q重要得多时，apq＝7，反之，apq＝1/7；
当元素p比元素q极其重要时，apq＝9，反之，apq＝1/9。
7.根据权利要求5所述的驾驶员安全监控学习***，其特征在于，步骤S4中，m阶矩阵D中：
当元素p与元素q相比非常重要时，dpq＝4；
当元素p与元素q相比比较重要时，dpq＝3；
当元素p与元素q相比同样重要时，dpq＝2；
当元素p与元素q相比不太重要时，dpq＝1；
当元素p与元素q相比很不重要时，dpq＝0。
8.根据权利要求5所述的驾驶员安全监控学习***，其特征在于，步骤S2中，计算特征向量的具体方法为：
将m阶矩阵A各列求和；
对每一列进行归一化处理即用各列的元素除以列的和：
Figure FDA0003130468560000061
得到一个新的m阶矩阵B，其中，∑apq为各列的和，p＝1,2,…,m，q＝1,2,…,m，i＝1,2,…,m；
对m阶矩阵B中每一行求和即可得出特征向量；
对m阶矩阵B中的特征向量归一化处理，即可得到特征向量α＝[α1 α2 … αi … αm]，i＝1,2,…,m。
9.根据权利要求5所述的驾驶员监控***，其特征在于，步骤S3中，一致性检验的方法为：
计算m阶矩阵A的最大特征根
Figure FDA0003130468560000062
计算m阶矩阵A的一致性指标
Figure FDA0003130468560000063
计算m阶矩阵A的随机性一致比率
Figure FDA0003130468560000071
其中，RI为常量；
当CR＜0.1时，一致性检验通过。
10.根据权利要求5所述的驾驶员安全监控学习***，其特征在于，η＝0.6。
CN201810675738.6A 2018-06-27 2018-06-27 一种驾驶员安全监控学习*** Active CN108876165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810675738.6A CN108876165B (zh) 2018-06-27 2018-06-27 一种驾驶员安全监控学习***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810675738.6A CN108876165B (zh) 2018-06-27 2018-06-27 一种驾驶员安全监控学习***

Publications (2)

Publication Number Publication Date
CN108876165A CN108876165A (zh) 2018-11-23
CN108876165B true CN108876165B (zh) 2021-08-27

Family

ID=64295146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810675738.6A Active CN108876165B (zh) 2018-06-27 2018-06-27 一种驾驶员安全监控学习***

Country Status (1)

Country Link
CN (1) CN108876165B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132540A (zh) * 2020-09-21 2020-12-25 任燕文 一种对营运车辆驾驶员信息及安全防范的管理方法和***
CN113792968A (zh) * 2021-08-10 2021-12-14 温州市虹翼智能科技有限公司 一种车辆管理方法、***、计算机设备和存储介质
CN114169682A (zh) * 2021-11-09 2022-03-11 易显智能科技有限责任公司 一种驾驶能力过程性评价方法和***
CN116542827A (zh) * 2023-06-20 2023-08-04 上海天方夜谭网络科技有限公司 一种道路运输企业安全培训后台管理***及方法
CN116911697B (zh) * 2023-09-13 2023-11-17 交通运输部公路科学研究所 一种网络教学质量评价方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234763A (zh) * 2013-04-09 2013-08-07 北京理工大学 一种无人驾驶车辆定量评价***及评价方法
CN103247091A (zh) * 2012-02-07 2013-08-14 厦门金龙联合汽车工业有限公司 一种驾驶评价***及方法
CN103871242A (zh) * 2014-04-01 2014-06-18 北京工业大学 一种驾驶行为综合评价***与方法
CN104504531A (zh) * 2014-12-30 2015-04-08 大连楼兰科技股份有限公司 一种车辆驾驶风险评估方法
CN105730450A (zh) * 2016-01-29 2016-07-06 北京荣之联科技股份有限公司 基于车载数据的驾驶行为分析方法及评价***
CN106022561A (zh) * 2016-05-05 2016-10-12 广州星唯信息科技有限公司 驾驶行为综合评价方法
CN106651210A (zh) * 2016-12-30 2017-05-10 重庆邮电大学 基于can数据的驾驶人综合素质评价方法
CN107618512A (zh) * 2017-08-23 2018-01-23 清华大学 基于人‑车‑环境多数据源的驾驶行为安全评价方法
KR20180040189A (ko) * 2016-10-11 2018-04-20 현대건설주식회사 차량운행정보의 가중치 및 점수화를 이용한 효율성 측정방법 및 시스템
CN107972671A (zh) * 2017-07-19 2018-05-01 宁波诺丁汉大学 一种驾驶行为分析***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103247091A (zh) * 2012-02-07 2013-08-14 厦门金龙联合汽车工业有限公司 一种驾驶评价***及方法
CN103234763A (zh) * 2013-04-09 2013-08-07 北京理工大学 一种无人驾驶车辆定量评价***及评价方法
CN103871242A (zh) * 2014-04-01 2014-06-18 北京工业大学 一种驾驶行为综合评价***与方法
CN104504531A (zh) * 2014-12-30 2015-04-08 大连楼兰科技股份有限公司 一种车辆驾驶风险评估方法
CN105730450A (zh) * 2016-01-29 2016-07-06 北京荣之联科技股份有限公司 基于车载数据的驾驶行为分析方法及评价***
CN106022561A (zh) * 2016-05-05 2016-10-12 广州星唯信息科技有限公司 驾驶行为综合评价方法
KR20180040189A (ko) * 2016-10-11 2018-04-20 현대건설주식회사 차량운행정보의 가중치 및 점수화를 이용한 효율성 측정방법 및 시스템
CN106651210A (zh) * 2016-12-30 2017-05-10 重庆邮电大学 基于can数据的驾驶人综合素质评价方法
CN107972671A (zh) * 2017-07-19 2018-05-01 宁波诺丁汉大学 一种驾驶行为分析***
CN107618512A (zh) * 2017-08-23 2018-01-23 清华大学 基于人‑车‑环境多数据源的驾驶行为安全评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于卫星定位数据的驾驶行为安全与节能评价方法;刘应吉等;《公路交通科技》;20180115(第01期);全文 *
汽车驾驶员攻击性驾驶行为分析;施卢丹等;《河北交通职业技术学院学报》;20100925(第03期);全文 *
特殊环境下营运车辆驾驶人驾驶安全性评价;陈晨等;《交通信息与安全》;20130220(第01期);全文 *

Also Published As

Publication number Publication date
CN108876165A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108876165B (zh) 一种驾驶员安全监控学习***
Li et al. Visual-manual distraction detection using driving performance indicators with naturalistic driving data
Das et al. Detecting lane change maneuvers using SHRP2 naturalistic driving data: A comparative study machine learning techniques
CN107618512B (zh) 基于人-车-环境多数据源的驾驶行为安全评价方法
CN105946860B (zh) 一种考虑驾驶风格的弯道车速预测方法
CN109670970B (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN109658272A (zh) 驾驶行为评价***及基于驾驶行为的保险定价***
CN111785023A (zh) 一种车辆碰撞风险预警方法及***
CN110826848A (zh) 基于层次分析法的驾驶人风险评估方法
CN111563555A (zh) 一种司机驾驶行为分析方法及***
Silva et al. Driver behavior characterization in roundabout crossings
CN113077129A (zh) 一种适用于高海拔地区的驾驶员危险感知能力评价方法
CN110619482A (zh) 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法
CN105975757A (zh) 一种基于车辆行驶数据的急减速行为识别方法
CN110610326B (zh) 一种基于驾驶数据的驾驶管理***
CN112991685A (zh) 考虑驾驶人疲劳状态影响的交通***风险评估及预警方法
CN109784586B (zh) 车险的出险情况的预测方法及***
CN112308136A (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
Moon et al. Investigation of objective parameters for acceptance evaluation of automatic lane change system
CN116975671A (zh) L3级自动驾驶车辆驾驶员信任度评估方法及***
Liu et al. Construction of driving behavior scoring model based on obd terminal data analysis
CN115841712A (zh) 一种基于v2x技术的驾驶数据处理方法、装置及设备
CN108256766A (zh) 一种基于危险驾驶行为的车辆保险核算方法
WO2021014228A1 (en) Driver evaluation method and device for implementing the method
Schewe et al. Occupant monitoring in automated vehicles: Classification of situation awareness based on head movements while cornering

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
GR01 Patent grant
GR01 Patent grant