CN113657716B - 基于熵权法的驾驶员驾驶行为安全性综合评价方法 - Google Patents

Abstract

本发明属于安全驾驶技术领域，公开了一种基于熵权法的驾驶员驾驶行为安全性综合评价方法，包括：获取多个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据；据此计算其对应的原始评价指标；对每个待评价驾驶员的原始评价指标中的极小型指标进行正向化处理，再对正向化后的数据进行标准化处理；基于熵权法计算每个评价指标的权重；使用TOPSIS计算每个待评价驾驶员的安全得分，评分越高的驾驶员，驾驶行为安全性越高。本发明能够为道路***门培训提供一定的理论参考，规范驾驶员安全驾驶，提升道路交通行车安全。

Description

基于熵权法的驾驶员驾驶行为安全性综合评价方法

技术领域

本发明涉及道路交通安全驾驶技术领域，具体涉及一种基于熵权法的驾驶员驾驶行为安全性综合评价方法，用于评价驾驶员行车过程中其驾驶行为安全倾向性。

背景技术

近年来，以中小型家用轿车数量增长为最主要代表力量，我国机动车保有量不断增加。相应的合法驾驶员数量迅速增长，但大量驾驶技能尚不熟练、或驾驶***均每年仍高约数万人死于交通事故。有研究显示超过90％的交通事故是由驾驶人认知及行为决策失误造成的，也就是说大部分的交通事故是与驾驶员本身直接有关的。因此对驾驶员和驾驶行为进行研究评测，并进一步进行监督和提出改善建议具有非常重大的意义。

目前，对驾驶人的驾驶行为的安全评价大体上可分为以下3类：(1)基于交通事故统计指标数据，利用贝叶斯网络、事故率法等方法开展的驾驶人交通安全评价研究；(2)以人、车、路及环境等物理特性为基础，利用层次分析法、模糊评价法等方法建立评价指标体系的道路交通安全评价研究；(3)利用驾驶行为数据与交通事故数据的道路交通安全评价研究。从驾驶行为角度研究驾驶人交通事故与安全风险倾向性，并评价驾驶员驾驶行为的好坏程度，并对其自然行车行为进行结果反馈。从驾驶行为为出发点，规范驾驶员的驾驶行为，将有效支持交通事故预防预警，对提高道路交通安全、保障行车安全具有重要的意义。

发明内容

针对现有技术中存在的问题，本发明的目的在于提出一种基于熵权法的驾驶员驾驶行为安全性综合评价方法，通过选取评价指标，并对各指标进行加权后赋予各参数不同的权重值，再用TOPSIS方法将驾驶员的驾驶行为安全性以数值得分的形式展示出来，结果直观、可靠，能够为道路***门培训提供一定的理论参考，规范驾驶员安全驾驶，提升道路交通行车安全。

为了达到上述目的，本发明采用以下技术方案予以实现。

基于熵权法的驾驶员驾驶行为安全性综合评价方法，包括以下步骤：

步骤1，获取多个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据；

其中，所述车辆基本行驶数据包含车辆各个传感器采集的车辆行驶数据；车辆位置、车辆速度、档位信息、灯光信息和方向盘转角信息；

步骤2，根据每个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据，计算其对应的原始评价指标，即起步加速度变化率a_s、超速率经过有交通信号灯的交叉路口的平均速度比v_d、高速状态下空档滑行时间t_s、转弯未打转向灯次数l_o、急加速和急减速次数和m、分心程度指标；

步骤3，对每个待评价驾驶员的原始评价指标中的极小型指标进行正向化处理，将其转变为极大型指标，得到对应待评价驾驶员的评价正向化矩阵；再对每个评价正向化矩阵进行标准化处理，得到对应的标准化正向矩阵；

步骤4，基于熵权法计算每个所述标准化正向矩阵中每个评价指标的权重；基于该权重，使用TOPSIS计算每个待评价驾驶员的安全得分，即为每个待评价驾驶员的驾驶行为安全性评分；评分越高的驾驶员，驾驶行为安全性越高。

本发明技术方案的特点和进一步的改进在于：

进一步地，所述多个待评价驾驶员行车过程中的视频数据的获取方式为：在车辆仪表盘上安装摄像头，通过摄像头实时采集驾驶员头部视频数据。

进一步地，所述根据每个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据，计算其对应的原始评价指标，具体为：

所述超速率

其中，T_{v＞rule_speed}表示行驶车速高于当前路段限速值的时长，T表示驾驶总时长；

所述经过有交通信号灯的交叉路口的平均速度比v_d：

其中，表示驾驶员过交叉路口前5s的平均速度，v表示车辆到达路口时的瞬时速度；

所述高速状态下空档滑行时间t_s：

其中，t_{gear_none}表示车辆速度大于40km/h时挡位信息为空的时长，t_v>40km表示车辆速度大于40km/h的时长；

所述急加速和急减速次数和m表示整个行车过程中，待评价驾驶员的短时间内紧急制动或猛烈加速的次数，即驾驶员在某时刻的瞬时加速度a的绝对值超过设定阈值，则对m进行计数；

所述分心程度指标包含行车中看手机次数p_o和视线离开前方视野>3s的次数e_o。

进一步地，所述正向化处理包含：

首先，构建原始评价矩阵，即将一个待评价驾驶员的原始评价指标作为该矩阵的一行，则该矩阵的一列对应所有待评价驾驶员的一个评价指标；

然后，对所述原始评价矩阵的极小型指标对应的列数据进行正向化处理，结合极大型指标，得到评价正向化矩阵：

其中，对所述原始评价矩阵的极小型指标对应的第j列数据进行正向化处理为：

其中，z′_ij表示第i个驾驶员采集到的第j个评价指标，1≤i≤n，1≤j≤8，n表示待评价驾驶员总数；M′表示极小型评价指标的总个数，M表示评价指标总数。

进一步地，所述标准化处理的公式如下：

其中，z_ij表示正向化处理后的第i个驾驶员的第j个评价指标，即评价正向化矩阵的第i行第j列元素。

进一步地，所述基于熵权法计算每个所述标准化正向矩阵中每个评价指标的权重，具体为：

4.1，计算每个待评价驾驶员的每个评价指标的比重，得到比重矩阵为R_n×M：

其中，r_ij表示第i个待评价驾驶员的第j列评价指标对应数值占所有n个待评价驾驶员的第j列评价指标数值总和的占比，即

4.2，计算每列评价指标的信息熵g_j：

则对应的信息效用的值ω_j＝1-g_j,j＝1,2,…,M；得到信息效用值矩阵：

ω＝[ω₁ ω₂ … ω_M]，j＝1,2,…,M；

4.3，计算每个评价指标的权重：

进一步地，所述基于该权重，使用TOPSIS计算每个待评价驾驶员的安全得分，具体为：

首先，在标准化正向矩阵中，计算每列评价指标的最大值与最小值，即

然后，根据每个评价指标的权重以及第i个待评价驾驶员的第j列指标与对应列中最大值、最小值的距离，计算得到每个待评价驾驶员的最终得分：

其中，Result(i)表示第i位待评价驾驶员的驾驶行为安全得分，表示第j列评价指标的最大值，/>表示第j列评价指标的最小值。

与现有技术相比，本发明的有益效果为：

本发明通过实时获取路段上每个车辆的车辆信息，计算对应的安全替代评价指标，基于每个车辆的安全替代评价指标，利用模糊综合评判法确定道路路段的总体风险水平，该评估结果可用于实时的道路风险提醒，也可用于路段的后续理论研究。利用安全替代评估指标对道路路段风险性进行评价，使评价结果更加准确与直观，同时有助于及时发现高风险路段，并对其进行改进，提醒在这些路段行驶的驾驶员注意行车安全，减少交通事故的发生。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1为本发明的一种基于熵权法的驾驶员驾驶行为安全性综合评价方法的实现流程示意图。

具体实施方式

下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。

参考图1，本发明提供一种基于熵权法的驾驶员驾驶行为安全性综合评价方法，包括以下步骤：

步骤1，获取多个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据；

其中，所述车辆基本行驶数据包含车辆各个传感器采集的车辆行驶数据；车辆位置、车辆速度、档位信息、灯光信息和方向盘转角信息；

在实验测试汽车仪表板位置安装摄像头以记录行车视频数据。另外通过在实验汽车配备车载数据采集***获取驾驶数据，***以固定的时间采样频率采集车辆基本行驶数据，得到随时间变量变化的各车辆传感器数据。

令若干待评价驾驶员驾驶汽车通过预设的城市交通实验路线，试验结束后，通过回看视频记录仪和提取汽车数据采集***中存储在SD内存卡的数据得到所需要的驾驶行为安全评价指标数据。

实验结束后，通过回看视频记录仪，此处视频记录仪使用恒基科达HJKD-S6型号，该视频记录仪可以实时记录车内以及车外行车视频。通过视频记录对驾驶员起步、经过交叉路口等驾驶数据切片；同时提取被试人员看手机、发短信、分心和视线转移行为，用于后期配合驾驶数据进行驾驶行为评价。

进一步的，本实施例利用车载数据采集***和行车数据SD储存卡，此处数据采集***采用致远电子车载CAN-bus CANDTU-400EWGR数据记录仪，可以得到一组关于时间序列的车辆位置、车辆速度、档位信息、灯光信息和方向盘转角信息等的基本行车数据。

步骤2，根据每个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据，计算其对应的原始评价指标，即起步加速度变化率a_s、超速率经过有交通信号灯的交叉路口的平均速度比v_d、高速状态下空档滑行时间t_s、转弯未打转向灯次数l_o、急加速和急减速次数和m、分心程度指标；

通过对车载数据采集***获得的时变型数据进行二次处理，即去除异常数据值和对缺失数据值进行插值补全后，提取起步加速度变化率a_s；超速率经过有交通信号灯的交叉路口的平均速度比v_d(驾驶员在通过路口时前5s内的平均速度值与通过路口时的速度比)；高速状态下空档滑行时间t_s；转弯未打转向灯次数l_o；急加速和急减速次数m；通过车载视频记录仪获得看手机(包括但不限于发短信、打电话...)次数p_o；视线离开驾驶区域视野>3s的次数e_o共计8个评价指标。

其中，起步时加速度变化率a_s大小描述驾驶员起步加速时的稳定性；

交叉路口的平均速度比v_d是驾驶员过交叉路口前5s的平均速度与到达路口时的瞬时速度v比值。

排除经过路口前红灯已经亮起的情况，因为这种情况下驾驶员必须停车，不属于本人主观减速，表征驾驶员经过此交通风险点的行为倾向，描述了驾驶员在路口前是否主观实施减速，或者是否具有抢绿灯倾向——即企图赶在绿灯结束前快速冲过路口；

此处交叉路口速度指标，联系实际，有三种情况：

①驾驶员不减速、不加速保持原本速度通过路口。此时≈1

②驾驶员加速通过路口，此时<1

③驾驶员减速通过路口，此时>1

由以上分析可以看出，该数值越大越好，因此这项指标为极大型指标。

高速状态下空档滑行时间t_s是驾驶员在高速行驶时空档滑行的时间占此次驾驶总时长的比重；

其中，t_{gear_none}表示车辆速度大于40km/h时挡位信息为空的时长，tv＞40km/h表示车辆速度大于40km/h的时长；

急加速和急减速次数m表示整个驾驶过程中，驾驶员短时间内紧急制动或者猛烈加速的次数，只要驾驶员在某时刻的瞬时加速度a的绝对值超过了设定阈值，就对其m进行计数；

行车中看手机(发短信、打电话、看消息...)次数p_o和视线离开前方视野>3s的次数e_o，这两个指标描述了驾驶人的分心程度；

超速率描述了驾驶员超速行驶时间占总时间的比例，描述了驾驶员速度控制和规范驾驶能力。T_{v＞rule_speed}表示行驶车速高于当前路段限速值的时长，T表示驾驶总时长。

本实施例中总共选取8个评价指标，除了交叉路口的平均速度比v_d为极大型指标，其他的评价指标都需要进行正向化处理。本实施例得到下列原始评价指标数据，如表1所示。

表1原始评价指标数据

z′_ij：表示第i个驾驶员采集到的第j个评价指标，1≤i≤n，1≤j≤8,共有n名驾驶员，提取j个评价指标参数。

步骤3，对每个待评价驾驶员的原始评价指标中的极小型指标进行正向化处理，将其转变为极大型指标，得到对应待评价驾驶员的评价正向化矩阵；再对每个评价正向化矩阵进行标准化处理，得到对应的标准化正向矩阵；

对上述极小型评价指标(此种指标的数值越小对评价结果越有利)，起步加速度变化率a_s、转弯未打转向灯次数l_o、高速状态下空档滑行时间t_s、急加速和急减速次数和m、看手机(发短信、打电话、看消息...)次数p_o、视线超过前方视野>3s的次数e_o、超速率进行正向化处理，将其转化为极大型指标(此种指标的数值越大对评价结果越有利)，对第j列数据进行正向化方法：

为了排除不同量纲的影响对正向化矩阵进行标准化处理，得到标准化正向矩阵Y，标准化公式如下所示：

其中，z_ij表示正向化处理后的第i个驾驶员的第j个评价指标，即评价正向化矩阵的第i行第j列元素。

步骤4，基于熵权法计算每个所述标准化正向矩阵中每个评价指标的权重；基于该权重，使用TOPSIS计算每个待评价驾驶员的安全得分，即为每个待评价驾驶员的驾驶行为安全性评分；评分越高的驾驶员，驾驶行为安全性越高。

4.1，计算矩阵信息熵进而求出各评价指标的权重，以结合实际情况合理分配评价指标的贡献程度，记比重矩阵为R_n×M。

r_ij表示第i个实验对象的第j列评价指标对应数值占所有n个实验对象j列评价参数数值总和的占比。

4.2，计算各列指标信息熵g_j的值，信息熵是处理多维数据常用的一种方法，信息熵越大，表示组内***越混乱，包含的信息也就越丰富，相对的来说这个指标就越有意义。

信息效用矩阵的值ω_j＝1-g_j,j＝1,2,…,8。即得到信息效用值矩阵ω_1×j:

ω＝[ω₁ ω₂ … ω₈]j＝1,2,…,8

4.3，求得各指标的权重值矩阵ε_1×j：

4.4，使用TOPSIS对所有评价对象的各个指标计算得分,在标准化正向矩阵Y中，求出各列评价指标的最大值与最小值，即：

4.5，根据各指标权重以及求得的第i个待评价驾驶员的第j列评价指标与本列中最大值、最小值的距离，计算得到所有n个评价对象的最终得分结果，在此记作为Result(i),Result(i)表示第i位驾驶员的驾驶行为安全得分。

最后，对本组驾驶员得分进行排名，通过分数高低及排名，可以描述实验组驾驶员的总体驾驶行为安全水平，分数越高则安全驾驶倾向性越高；分数越低危险驾驶倾向性越高。

本方法以期为安全驾驶行为综合评价和技能培训提供一定的理论依据，规范行车安全，提升道路交通安全。

本发明基于驾驶员自然行车实验提取关键特征后，对驾驶员驾驶行为安全性与否做了综合的权重评价，结果具有较高可靠性与稳健性。并可对比，探求哪些不利于驾驶安全的行为是驾驶员群体普遍存在的突出问题，从而可以对驾驶员进行针对性的培训，为驾驶培训机构的提供了评价依据。在将来可以将本模型方法升级，应用到大量的汽车类型当中，依托于车载信息***，评价***能够自动采集一段时期内的驾驶员行驶数据，并对数据进行机器学习和智能分析，自动对其不安全驾驶行为进行判断与综合评价，并将结果反馈给驾驶员，以期实现点对点针对性的优化驾驶员行为，提升道路安全。

虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (6)

1.一种基于熵权法的驾驶员驾驶行为安全性综合评价方法，其特征在于，包括以下步骤：

步骤1，获取多个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据；

其中，所述车辆基本行驶数据包含车辆各个传感器采集的车辆行驶数据；车辆位置、车辆速度、档位信息、灯光信息和方向盘转角信息；

步骤2，根据每个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据，计算其对应的原始评价指标，即起步加速度变化率a_s、超速率经过有交通信号灯的交叉路口的平均速度比v_d、高速状态下空档滑行时间t_s、转弯未打转向灯次数l_o、急加速和急减速次数和m、分心程度指标；

步骤3，对每个待评价驾驶员的原始评价指标中的极小型指标进行正向化处理，将其转变为极大型指标，得到对应待评价驾驶员的评价正向化矩阵；再对每个评价正向化矩阵进行标准化处理，得到对应的标准化正向矩阵；

步骤4，基于熵权法计算每个所述标准化正向矩阵中每个评价指标的权重；基于该权重，使用TOPSIS计算每个待评价驾驶员的安全得分，即为每个待评价驾驶员的驾驶行为安全性评分；评分越高的驾驶员，驾驶行为安全性越高；

步骤2中，所述根据每个待评价驾驶员行车过程中的视频数据和车辆基本行驶数据，计算其对应的原始评价指标，具体为：

所述超速率

其中，T_{v>rule_speed}表示行驶车速高于当前路段限速值的时长，T表示驾驶总时长；

所述经过有交通信号灯的交叉路口的平均速度比v_d

其中，表示驾驶员过交叉路口前5s的平均速度，v表示车辆到达路口时的瞬时速度；

所述高速状态下空档滑行时间t_s:

其中，t_{gear_none}表示车辆速度大于40km/h时挡位信息为空的时长，t_v>40km/h表示车辆速度大于40km/h的时长；

所述急加速和急减速次数和m表示整个行车过程中，待评价驾驶员的短时间内紧急制动或猛烈加速的次数，即驾驶员在某时刻的瞬时加速度a的绝对值超过设定阈值，则对m进行计数；

所述分心程度指标包含行车中看手机次数p_o和视线离开前方视野>3s的次数e_o。

2.根据权利要求1所述的基于熵权法的驾驶员驾驶行为安全性综合评价方法，其特征在于，所述多个待评价驾驶员行车过程中的视频数据的获取方式为：在车辆仪表盘上安装摄像头，通过摄像头实时采集驾驶员头部视频数据。

3.根据权利要求1所述的基于熵权法的驾驶员驾驶行为安全性综合评价方法，其特征在于，所述正向化处理包含：

首先，构建原始评价矩阵，即将一个待评价驾驶员的原始评价指标作为该矩阵的一行，则该矩阵的一列对应所有待评价驾驶员的一个评价指标；然后，对所述原始评价矩阵的极小型指标对应的列数据进行正向化处理，结合极大型指标，得到评价正向化矩阵Z；

其中，对所述原始评价矩阵的极小型指标对应的第j列数据进行正向化处理为：

其中，z_i ^′ _j表示第i个驾驶员采集到的第j个评价指标，n表示待评价驾驶员总数；M^′表示极小型评价指标的总个数，M表示评价指标总数。

4.根据权利要求1所述的基于熵权法的驾驶员驾驶行为安全性综合评价方法，其特征在于，所述标准化处理的公式如下：

其中，z_ij表示正向化处理后的第i个驾驶员的第j个评价指标，即评价正向化矩阵的第i行第j列元素，n表示待评价驾驶员总数；M表示评价指标总数。

5.根据权利要求4所述的基于熵权法的驾驶员驾驶行为安全性综合评价方法，其特征在于，所述基于熵权法计算每个所述标准化正向矩阵中每个评价指标的权重，具体为：

(4.1)，计算每个待评价驾驶员的每个评价指标的比重，得到比重矩阵为R_n×M：

其中，r_ij表示第i个待评价驾驶员的第j列评价指标对应数值占所有n个待评价驾驶员的第j列评价指标数值总和的占比，即

(4.2)，计算每列评价指标的信息熵g_j:

则对应的信息效用的值ω_j＝1-g_j,j＝1,2,…,M，得到信息效用值矩阵：

ω＝[ω₁ω₂…ω_j]，j＝1,2,…,M

(4.3)，计算每个评价指标的权重：

6.根据权利要求5所述的基于熵权法的驾驶员驾驶行为安全性综合评价方法，其特征在于，所述基于该权重，使用TOPSIS计算每个待评价驾驶员的安全得分，具体为：

首先，在标准化正向矩阵中，计算每列评价指标的最大值与最小值，即

然后，根据每个评价指标的权重以及第i个待评价驾驶员的第j列指标与对应列中最大值、最小值的距离，计算得到每个待评价驾驶员的最终得分:

其中，Result(i)表示第i位待评价驾驶员的驾驶行为安全得分，表示第j列评价指标的最大值，/>表示第j列评价指标的最小值。