驾驶人安全风险评价模型
公交车驾驶员风险驾驶行为画像技术研究
第21期2023年11月无线互联科技Wireless Internet Science and TechnologyNo.21November,2023基金项目:北京市科技计划项目;项目名称:驾驶员异常行为识别关键技术研究及应用;项目编号:Z221100005222021㊂作者简介:时玥(2001 ),女,北京人,硕士研究生;研究方向:交通安全㊂公交车驾驶员风险驾驶行为画像技术研究时㊀玥1,刘松岩2,崔㊀玺2(1.北京工业大学北京市交通工程重点实验室,北京100124;2.北京公交集团,北京100161)摘要:伴随着我国城镇公交规模迅速增长,公交车相关事故频发且后果严重,受到社会的广泛关注,公交车运行安全形势严峻,运行安全监管水平亟待提升㊂文章基于公交车GPS 轨迹数据㊁司机基本信息数据㊁DMS 报警信息数据㊁路单数据及道路信息多个数据集,通过主成分分析及因子旋转构建了公交车风险驾驶行为特征画像标签体系,采用K 均值聚类进行公交车驾驶员行为聚类并识别出的高风险驾驶员群体,研究了高风险驾驶员群体在不同空间场景下的画像技术㊂聚类分析结果表明,高风险驾驶员在驾驶风格偏好㊁驾驶员个体偏好及违规偏好中的风险程度较高,聚类能够有效地对驾驶员进行风险程度分类,在对高风险驾驶员群体的画像中,得出了速度㊁加速度或运营里程指标在不同时空组合场景中的规律㊂研究发现高风险驾驶员群体占比约19.1%,这一群体在公交车运行途中的公交站及路段位置更具风险性,且运营路程较长时产生大量的疲劳驾驶及分神驾驶行为㊂文章研究方法可为公交驾驶员风险驾驶行为研究提供参考,同样可为公交企业识别高风险驾驶员群体提供评估及分类依据,可在现实中实际运用㊂关键词:公交驾驶员;风险驾驶行为;特征分析;K -means ;用户画像中图分类号:U492.8㊀㊀文献标志码:A 0㊀引言㊀㊀公交车作为一种专用车辆,具有公共属性强及载客量大的特点,且一旦发生事故往往容易造成群死群伤,交通事故后果严重,社会影响较为恶劣㊂因此,诸多学者对公交驾驶行为风险相关问题开展了大量研究,但研究多为驾驶行为评价㊁驾驶行为识别及驾驶员风格分类方面的研究,研究对象多为小汽车和货运车辆㊂一是驾驶行为评价㊂吴紫恒等[1]提出了结合模糊C 均值聚类和BP 神经网络的驾驶行为评价方法㊂该算法避免人为主观因素的干扰,评价结果更加客观准确㊂王海星等[2]采用车联网数据,结合因子分析完成参数转化和模糊C 均值聚类方法,对危险货物货运车辆的风险驾驶行为进行评价㊂二是风险驾驶行为识别㊂李开放等[3]利用主成分分析法对数据进行降维,利用K -means 算法和高斯混合聚类算法对降维结果进行二次聚类,根据聚类结果训练BP 神经网络,用训练好的模型对工况进行实时识别,进而得到不同工况的速度阈值用于超速行为识别㊂三是驾驶行为分类㊂Fugiglando 等[4]使用控制器局域网(Controller Area Network,CAN)数据对驾驶员进行集群化,采用的数据类型包括油门踏板位置㊁制动踏板压力㊁方向盘角度等㊂通过主成分分析和K -means 聚类进行无监督学习,提供近实时的分类㊂刘强等[5]运用K -means 聚类方法进行驾驶风格分类及标签体系构建,并对4类驾驶风格进行不同经典场景下的总结分析㊂朱凯家[6]基于蚁群算法改进K -means 的聚类算法,将不同天气状况下的速度及加速度作为聚类指标,完成驾驶行为分类,将驾驶行为分为一般激进型㊁平稳型㊁偏激进型3种,算法优化了聚类中心的选取和聚类时间,得到了更为可靠的结果㊂Martinussen 等[7]同时采用驾驶行为问卷和驾驶技术问卷,采集了驾驶员主观信息,并利用K -means 聚类算法将驾驶员分为高技术安全型驾驶员㊁激进危险型驾驶员㊁低技术危险型驾驶员和保守安全型驾驶员㊂由上述研究可以看出,大部分学者采用聚类的方法对驾驶员的驾驶行为进行挖掘分析,对获取的数据进行用户画像能够详细地描述公交车运行特征,但已有研究多以小汽车及货运车辆为研究对象,公交车驾驶员个体的风险驾驶行为画像研究较少,且未进一步挖掘驾驶员群体在特定公交驾驶场景下的驾驶行为㊂本文基于公交轨迹数据㊁车载装置DMS报警数据及道路信息数据等多个数据集,以北京地区公交车7天的运行相关数据作为研究对象,提取公交驾驶行为特征参数,采用因子分析和K-means聚类结合的方法,挖掘公交驾驶员个体的驾驶行为特征及规律,识别出风险较高的驾驶员并对高风险驾驶员群体进行进一步画像研究,以此响应国家公交车辆运行监管的要求,帮助公交企业加强驾驶员培训,提升安全生产及管理水平㊂1 数据采集及处理1.1㊀数据采集㊀㊀本文已有数据为北京公交2022年12月5日至2022年12月11日的5条公交线路㊂数据来自公交车主动安全预警系统㊁驾驶员异常驾驶行为识别系统㊁公交车智能车载终端㊂已有数据集包括公交GPS 轨迹数据㊁车载装置DMS报警数据㊁实地调查得到的道路信息数据㊁驾驶员基本信息数据及公交车路单数据㊂1.2㊀数据处理㊀㊀将采集到的数据进行选择,将5条公交线路的25辆公交车的115名公交驾驶员作为研究对象,对数据进行如下处理㊂1.2.1㊀无效数据处理㊀㊀遍历数据集后发现,数据集中存在部分列内容缺失比例过高的现象,判断各列值的空值比例,确定该列值是否有效,删除空值比例大于60%的数据列㊂1.2.2㊀坐标转换及插值㊀㊀GPS提供的数据中使用的坐标系为WGS-84大地坐标系,和道路信息数据中的百度地图的坐标系不能通用,因此首先需要将GPS数据进行坐标转换,使用百度API中坐标转换的接口将GPS设备获取的角度坐标转换为bd09ll(百度经纬度坐标),并返回json 格式的结果㊂对转换坐标后的数据进行时间序列插值,用linspace函数均分时间插值后对 经度_84 纬度_ 84 经度_baidu 纬度_baidu 海拔 及 速度 进行一维插值,对2个相邻的方向角进行象限判断,计算夹角后进行插值,最终得到间隔1s的数据,并完成加速度㊁转弯率的计算㊂加速度计算公式为a=(v i+1-v i)ː3.6,转弯率计算公式为ω=|(θi+1-θi)/ΔT|㊂1.2.3㊀数据匹配及筛选㊀㊀将各个数据集通过相同列索引进行数据集间的匹配并筛选结果数据中的 仓库行车方案类型 列,将值为 运营 的车辆筛选出来,作为研究对象㊂1.2.4㊀不良驾驶行为识别㊀㊀(1)超速行为㊂将北京公交车城市道路非城市快速路路段的最高时速为50km/h,主干路为50km/h,次干路为40km/h,支路为30km/h,路段上有限速标志的依照实地调查得到的数值作为判断超速行为的标准㊂(2)急加速急减速行为㊂由于公交车的载客属性,在运行过程中的急加速和急减速行为容易造成车内乘客的不适甚至是摔倒现象,根据已有的研究中考虑了乘客舒适度及在车厢甲板行走安全因素的急变速阈值[8],本文将急加速的阈值确定为A加=2.5m/s2,当加速度a>A加时判定为急加速,急减速的阈值确定为A减=-2m/s2,加速度a<A减时判定为急减速,同时排除紧急情况的急刹车数据,将a<-4m/s2且v<0.5m/s的数据判定为急刹车事件,本文对急刹车事件不做深入研究㊂(3)频繁加减速行为㊂频繁加减速行为的出现是由于交通环境的复杂,需要频繁加速减速进行速度控制规避风险,另一种则发生在交通流拥挤时需要保证与前车有足够的安全间距而不断变速㊂首先根据a>1.2m/s2或a<-2m/s2对加速度进行判断,如式(1)所示,n用来标记是否满足判定条件,为更简约地统计符合阈值的个数,将a>1.2m/s2的数据标记为1,将a<-2 m/s2的数据标记为-1,其余的标记为0,然后对60s 内的1与-1进行计数,计数总数超过3个的时间区间认为公交车出现频繁加减速的行为㊂a>1.2m/s2,n=1a<-2m/s2,n=-1-2m/s2ɤaɤ1.2m/s2,n=0ìîíïïïï(1) (4)急转弯行为㊂在行驶过程中速度偏高时容易发生急转弯行为,急转弯时横向加速度较大,乘客容易出现失去平衡的情况,因此急转弯行为也是影响公交车运行安全的因素㊂本文根据已有研究得出,急转弯行为根据行驶平均速度及方向角变化值进行判定,以窗口长度为5的滑动窗口对数据进行遍历,当窗口内的v>20km/h 且ω>90ʎ时认为公交车出现急转弯行为㊂转向角计算公式如式(2)所示㊂0ʎɤθ1ɤ90ʎand270ʎɤθ2ɤ360ʎ,ω=360ʎ-|θ1-θ2|0ʎɤθ2ɤ90ʎand270ʎɤθ1ɤ360ʎ,ω=360ʎ-|θ1-θ2|ω=|θ1-θ2|ìîíïïïï(2)转向角值判断如式(3)所示,其中status 表示是否满足ω>90ʎ这一判定条件,满足时status 为1,反之,status 为0㊂ω>90ʎ,status =1ωɤ90ʎ,status =0{(3)1.3㊀数据空间连接㊀㊀首先,通过Python 将交叉口㊁路段的起终点构造线要素,利用公交站㊁风险点位坐标构造点要素㊂其次,生成交叉口㊁路段和公交站的缓冲区,交叉口缓冲半径设为20m,公交站缓冲半径设为30m,路段缓冲半径设为15m㊂最后,完成空间连接,以风险点位数据为基准,运用sjoin 函数完成对不良驾驶行为数据及dms 报警数据与道路信息数据的空间连接,得到发生风险驾驶行为的空间位置(交叉口㊁公交站或路段)㊂1.4㊀指标选取㊀㊀本文共选取了10个常见指标,分别为平均加速度及加速度标准差㊁平均减速度和减速度标准差㊁不良驾驶行为次数和持续时间㊁异常驾驶行为指数㊁年龄㊁驾龄和参与工作时间㊂由于在不同等级道路上,公交车运行速度限制不同,故不将速度作为划分驾驶员类别的指标㊂2㊀画像标签提取㊀㊀本文采用因子分析中的主成分分析进行指标降维,通过因子可行性验证,主成分分析后得出KMO 值为0.810,表明各指标之间有较强的相关性㊂通过SPSS 降维中的因子分析功能,选择主因子分析并描述其系数相关性矩阵及KMO 和巴特利特球形度检验,利用最大方差法进行因子旋转得出其旋转后的解,并输出旋转后的成分矩阵如表1所示㊂根据载荷绝对值越大的因子与变量越接近的规则,特征变量共分为3类,成分1与平均加速度㊁平均减速度㊁加速度标准差及减速度标准差较为靠近,这类速度皆与速度相关参数相关,故将这一类参数构成的特征变量命名为驾驶风格偏好特征变量;成分2与年龄㊁驾龄㊁不良驾驶行为持续时间及不良驾驶行为总数较为密切,不良驾驶行为多与驾驶员的自身特征相关,故将此类命名为驾驶员个体偏好特征变量;成分3与异常驾驶行为指数及参与工作时间相关,2个指标代表了驾驶员的安全态度及驾驶经验,故将此类命名为违规偏好特征变量㊂表1㊀旋转后的成分矩阵特征变量成分1成分2成分3平均加速度0.7610.4750.111平均减速度-0.836-0.402-0.050加速度标准差0.7800.4850.115减速度标准差0.8220.2880.009年龄-0.208-0.9010.086驾龄-0.194-0.8790.157不良驾驶行为持续时间0.4960.6920.280不良驾驶行为总数每趟0.4590.6650.335异常驾驶行为指数0.0890.1750.659参与工作时间-0.091-0.2230.7643㊀聚类分析㊀㊀聚类方法采用K -means 聚类,对数据进行归一化处理后,通过确定的3类特征变量及相关指标分别进行聚类,并结合手肘法对最优聚类数进行判断㊂3.1㊀数据归一化㊀㊀为统一不同数据指标的量纲,需要对数据进行归一化处理,方便对比每个指标之间的关系,研究中的归一化计算公式如式(4)所示[9]㊂s =x -μσ(4)其中,x 为指标单一样本的观测值,μ为研究样本中某一指标的总体平均值,σ为研究样本某一指标的总体标准差㊂3.2㊀K -means 聚类原理㊀㊀K -means 聚类是一种典型的无监督学习的算法,SPSS 自动设置初始中心点并把所有样本值分到各中心点所在的类中,针对每一个类别里的所有点,计算所有点的平均值,生成新的中心点,并不断重复迭代直至收敛㊂其目标函数如式(5)所示㊂j =min ðni =1ðKK =1r iK (x i -m i )(5)其中,n 为数据集中点的总数目,K 为聚类数,m i为簇中心位置,对于r iK ,当x i 属于第K 个类时,r iK =1否则r iK =0㊂最终的目的是要求解m i 和r iK ㊂3.3㊀手肘法原理㊀㊀手肘法中运用SSE 的趋势变化拐点来判断最优的聚类数(即K 值),确认最优K 值㊂需要利用Python 进行计算,SSE 值公式如式(6)所示㊂SSE =ðKi =1ðw pɪCi|w p -m i |2(6)其中,SSE为误差总平方和,K为最优K均值聚类数,C i为第i簇,w p为C i中的一个观测值,m i为簇中心即聚类中心位置㊂3.4㊀驾驶员驾驶行为聚类过程㊀㊀通过SPSS软件分类功能中的K-均值聚类,选择样本收敛准则为0,并选择输出聚类中心㊁与聚类中心的距离,从2次开始调整聚类数进行聚类,与最优K值进行比较,最终选定聚类效果好且解释性好的K 值,并对聚类结果中的类别进行命名,确定每个类别的风险程度排名㊂3.4.1㊀驾驶风格偏好㊀㊀手肘法及聚类结果如图1(a)所示,在K=4时斜率明显减小,故驾驶风格偏好中将驾驶员个体聚成4类,结果如表2所示,4个聚类簇中包含的个案数目较为均衡,聚类效果较好㊂如图1(b)所示,平均加速度与加速度标准差成正相关,平均加速度升高则其速度标准差相应升高,同样平均加速度与减速度成负相关㊂对聚类结果进行分析可以看出,如表(3)所示,聚类共得出4个类别,根据其聚类中心偏离0的程度可以判断其驾驶行为的激进与否,分为激进型㊁较激进型及平稳型3大类㊂故将各类别命名如表3所示,其中激进型驾驶员其加速度相关指标的风险程度大,需要对其加速度指标进行持续监控并进行督促㊁改进,并加强驾驶技能和驾驶平稳性的培训,而平稳型驾驶员的相对风险程度较小㊂图1㊀驾驶风格偏好特征结果表2㊀驾驶风格偏好聚类各类别数量类别每个聚类中的个案数目/个类别125.000类别227.000类别340.000类别423.000有效115.000表3㊀驾驶风格偏好最终聚类中心指标名类别1类别2类别3类别4平均加速度 1.078-1.062-0.3470.837平均减速度-1.3941 1.0070.198-0.1741加速度正标准差 1.027-0.976-0.3130.776加速度负标准差 1.368-0.934-0.091-0.061类型激进型较激进型平稳型平稳型3.4.2㊀驾驶员个体偏好㊀㊀通过手肘法判断如图2(a)所示,斜率突变发生在K=4时,故将K=4作为最优K值,并将其可视化为散点图,如图2(b)所示,驾龄与不良驾驶行为数及不良驾驶行为持续时间呈负相关,不良驾驶行为次数越多其持续时间越长,聚类后分类较为明显,结合表4,聚类后的个案在每个类别中分布均匀,聚类效果较好㊂表4㊀驾驶员个体偏好聚类各类别数量类别每个聚类中的个案数目/个类别19.000类别231.000类别353.000类别422.000有效115.000图2㊀驾驶员个体特征结果如表5所示,对聚类中心进行分析可以看出年龄及驾龄中类别3最高㊁类别4最低,据此依照年龄将驾驶员分为年长驾驶员㊁中年驾驶员及年轻驾驶员3类,根据驾龄将驾驶员分为成熟型㊁进阶型及新手型3类,并根据不良驾驶情况将驾驶员分为平稳驾驶型㊁较平稳驾驶型㊁较风险驾驶型及风险驾驶型,故将各类别命名如表5所示,其中年轻新手风险型驾驶员在驾驶员中风险程度更大,而年长成熟平稳型驾驶员㊀㊀的不良驾驶行为最低,即风险程度小于其他3类驾驶员㊂3.4.3㊀违规偏好㊀㊀违规偏好是以驾驶员产生异常驾驶行为等分散驾驶员注意力的危险行为为指标进行聚类,找出其参与工作时间与其违规偏好的规律㊂手肘法结果如图3(a)所示,其在K=3和K=6时均出现斜率突变的拐点,为了更清晰简洁地解释聚类结果,最终确定以K= 3作为最优得到K值㊂如散点图3(b)所示,参加工作时间与异常驾驶行不具有正负相关性,如表6所示,聚类后的3个类别的分类明显,聚类效果较好㊂图3㊀违规偏好特征结果表5㊀驾驶员个体偏好最终聚类中心指标名类别1类别2类别3类别4年龄0.143-0.4880.838-1.406驾龄0.310-0.4720.816-1.460不良驾驶行为持续时间 1.138-0.320-0.610 1.504不良驾驶行为总数每趟 1.476-0.263-0.615 1.313类型中年进阶型较风险型年轻进阶较平稳型年长成熟平稳型年轻新手风险型表6㊀违规偏好聚类各类别数量类别每个聚类中的个案数目/个类别1107.000类别2 5.000类别3 3.000有效115.000对聚类中心进行分析,如表7所示,3类可分为工作时间短且异常驾驶行为少㊁工作时间长且异常驾驶行为少及工作时间短且异常驾驶行为多的3类驾驶员,第二类驾驶员的异常驾驶行为指数高于平均值,解释为参与工作时间越久的驾驶员经验丰富,对自己的能力非常自信,使得其安全意识有所下降㊂本文对这3类驾驶员的类别进行命名,其中危险型驾驶员需要进行密切关注,风险程度明显高于其他2类,安全型驾驶员的风险程度在3个类别中最低㊂表7㊀违规偏好最终聚类中心指标名类别1类别2类别3参与工作时间-0.198 3.6090.370异常驾驶行为综合分-0.1550.036 3.559类型安全型较安全型危险型3.5㊀驾驶员风险驾驶行为画像㊀㊀根据每个特征变量的聚类结果,每个特征划分了3或4个类别,均存在风险程度高低的变化,能够从中判断出需要特别关注的公交驾驶员个体及群体㊂对结果中每个驾驶员在各个特征中的类别划分进行排列组合,将包含严重风险的驾驶员归为一类,具体划分标准为:若驾驶员在某一个特征中出现在风险严重程度最高的类别,则将其划分为高风险人群;若驾驶员在多项特征中皆为风险程度排名中间的类别,则将其划分为中风险人群;其余驾驶员则划分为低风险驾驶员㊂最后将驾驶员划分为3类风险等级,划分结果如表8所示㊂表8㊀驾驶员风险类型划分风险类型人数/人人员名称占比/%低风险型79白某某㊁蔡某某㊁翟某某等68.7中风险型14程某某㊁杜某某㊁侯某某等12.2高风险型22白某某㊁蔡某某㊁崔某某等19.1将画像后的3类驾驶员的3个特征变量制作成箱线图,如图4所示,通过分布可以看出当驾驶员风险等级升高时,整体加速度分布都不断升高,中低风险的数据更加集中,高风险驾驶员的数据较为分散,可解释为部分驾驶员在某一特征中的风险程度较大,图4㊀各风险等级驾驶员不同特征下的箱线图极具危险性,因此被划入高风险驾驶员人群㊂3.6㊀高风险驾驶员风险驾驶行为画像㊀㊀上文所识别的不良驾驶行为数量较多,经对比,频繁加减速行为数量明显高于其他行为,且样本量大,故对其进行进一步研究㊂如图5所示,速度主要分布区间为14km/h~ 28km/h,分布较为集中,在公交站位置的频繁加减速行为最多,与公交车进出站的行为相匹配;而路段位置的速度分布曲线相较于公交站和交叉口更偏于高速㊂对比加速度,加速度分布多大于0,仅有少部分图5㊀频繁加速和减速行为不同指标分布点位于-2.5m/s2附近,3个不同位置的加速度中值㊂异常驾驶行为中接打电话报警及驾驶员异常报警样本量过低,故未考虑这2类报警类型㊂下文将通过分神驾驶及疲劳驾驶报警2个类型,进一步探究高风险驾驶员人群在各报警类型中的特征㊂如图6和图7所示,疲劳驾驶行为的速度分布更加分散,公交站位置分布在0~40km/h,交叉口及路段位置分布在0~50km/h,而分神驾驶行为在公交站及交叉口处的分布相近,为8~15km/h,路段位置速度集中在0~30km/h㊂疲劳驾驶行为的分布区间上限均高于分神驾驶行为,具有更大的风险性㊂加速度分布中,疲劳驾驶行为出现多个峰值,公交站位置中,加速度值在ʃ3m/s2附近出现了较明显的峰值,而路段位置主要集中在0附近㊂分神驾驶行为的加速度范围明显低于疲劳驾驶行为,公交站位置分别在3m/s2和0附近出现明显峰值,在路段中,加速度小于0的分布在-1.4m/s2附近,在负值范围内相较于公交站和交叉口出现更大减速度值㊂故高风险驾驶员在疲劳驾驶和分神驾驶中拥有更大的加速度绝对值,且疲劳驾驶的加速度和减速度具有更大的风险性㊂如图8和图9所示,从提取到异常驾驶行为发生图6㊀疲劳驾驶行为速度相关指标分布㊀㊀图7㊀分神驾驶行为速度相关指标分布时的实际运营里程(距离包含了加气和充电环节)可以看出,出现疲劳驾驶频数最高的实际里程分布在13.3km㊁15.5km㊁17.6km 附近,在路段位置的发生里程在27km 附近出现了较高频率,而分神驾驶的发生实际运营里程主要集中在15km 附近,与疲劳驾驶较为相似㊂5条公交线路的长度为15~25km,从图中可以看出疲劳驾驶及分神驾驶多出现在运营路线的后半程中㊂图8㊀疲劳驾驶行为运营里程指标分布图9㊀分神驾驶行为运营里程指标分布综上所述,在以上3个最常发生的风险驾驶行为中,高风险驾驶员在公交站和路段上出现了更多的风险驾驶行为,且在速度和加速度2个指标中的分布范围更加更广,存在风险较高的值,在实际运营里程方面,分布相似且主要集中于15~17km㊂4 结语㊀㊀本文对公交车驾驶员进行风险驾驶行为聚类,并对高风险驾驶员在特定时空场景下的风险驾驶行为进行特征画像㊂本文采用了K -means 聚类算法对115名公交车驾驶员进行驾驶行为聚类分析,根据聚类结果的风险程度进行统计分析,将驾驶员划分为低风险型㊁中风险型及高风险型㊂高风险驾驶员速度偏好特征中各项指标高于平均值,驾驶更激进;驾驶员个体特征中不良驾驶行为次数高于均值,驾驶习惯较差;违规偏好特征中,异常驾驶行为的次数和严重程度综合指标高于均值㊂本文对判别出的高风险驾驶员的风险驾驶行为进行群体画像,进一步研究了这类驾驶员在不同空间位置㊁不同时段中的风险驾驶速度㊁加速度或运营里程分布特征,得出其在部分空间位置场景下的特征规律㊂研究发现驾驶员在公交站及路段中更具风险性,同时在对公交车运行安全监管的过程中,需要加强对运营路线中后段的监管力度㊂通过对高风险驾驶员群体的特定场景下的风险驾驶行为特征画像,可以为公交企业的驾驶安全意识培训及操作技能训练评估提供方向,对特定场景集中监管,提高公交驾驶员的安全驾驶意识,培养驾驶员群体安全运行车辆的操作习惯,最终提升公交运行的安全性和经济性㊂参考文献[1]吴紫恒,吴仲城,张俊,等.基于模糊C 均值和神经网络的驾驶行为评价研究[J ].计算机系统应用,2018(3):263-267.[2]王海星,王翔宇,王招贤,等.基于数据挖掘的危险货物运输风险驾驶行为聚类分析[J ].交通运输系统工程与信息,2020(1):183-189.[3]李开放,刘忠涛,柏兴涛,等.基于K -means 聚类和神经网络的超速行为识别研究[J ].安徽建筑大学学报,2022(6):83-88,102.[4]FUGIGLANDO U ,MASSARO E ,SANTI P ,et al.Driving behavior analysis through CAN bus data in anuncontrolledenvironment [J ].NatureReviewsNeuroscience ,2019(2):737-748.[5]刘强,严修,鲁誉,等.考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林预测模型[J ].交通信息与安全,2022(5):129-138.[6]朱凯家.基于ACO +k -means 算法的不同天气下驾驶行为分析[J ].太原科技大学学报,2022(4):323-328,334.[7]MARTINUSSEN L M ,MOLLER M ,PRATO C G.Assessing the relationship between the driver behaviorquestionnaire and the driver skill inventory :revealing sub -groups of drivers [J ].Transportation Research PartF :Traffic Psychology and Behaviour ,2014(26):82-91.[8]KAREKLA X.Improving accessibility of public transport systems :the influence of double -decker busacceleration on passenger movement [C ].London :。
高速公路交通事故风险评估模型
高速公路交通事故风险评估模型高速公路是重要的交通干线，但由于交通流量大、车速快等特点，交通事故频发。
为了确保高速公路的安全运行，对其交通事故风险进行准确评估是必不可少的。
一、背景介绍近年来，中国的高速公路建设发展迅猛，不仅架起了城市与城市之间的交通桥梁，也极大地促进了经济的发展。
然而，随着车辆数量的不断增加，交通事故也愈发频发，给人们的生命财产安全带来了巨大威胁。
二、评估风险的必要性评估高速公路交通事故风险的最重要目的之一是为了提高交通管理的科学性和有效性。
只有准确评估出高速公路不同路段的事故风险，交通管理部门才能采取相应的措施加以预防和控制，降低交通事故发生的可能性。
三、危险因素与风险评估模型高速公路交通事故的发生涉及到许多因素，如道路状态、天气条件、车辆状况、交通流量等。
为了准确地评估高速公路的交通事故风险，我们需要建立一种科学的评估模型，将这些因素纳入考虑。
1. 道路状态因素道路的平整度、坡度、弯道的角度等因素的不同，会直接影响车辆的行驶安全。
因此，在评估模型中需要考虑不同道路状态所带来的交通事故风险差异。
2. 天气条件因素恶劣的天气条件，如雨雪天、大风天等，都会给高速公路的交通安全带来一定的风险。
评估模型中需要分析不同天气条件下的交通事故风险，并结合天气预警信息提前采取相应的措施。
3. 车辆状况因素车辆的技术状况和驾驶员的行为习惯都会对交通事故风险产生重要影响。
评估模型中应考虑车辆的年限、维护情况以及驾驶员的违法习惯等因素。
4. 交通流量因素交通流量的大小和密度会影响高速公路交通事故的发生概率。
评估模型中需要考虑不同交通流量条件下的交通事故发生概率，并结合实时交通流量数据进行评估。
四、评估模型构建与数据收集建立高速公路交通事故风险评估模型需要大量的数据支撑。
我们可以利用现有的交通事故数据、天气数据、交通流量数据等进行分析和建模。
同时，还可以采用问卷调查的方式来获取车辆状况和驾驶员行为方面的数据。
道路交通安全评价方法(二篇)
道路交通安全评价方法1、道路交通安全现状汽车已成为人类文明与进步的标志。
人类在享受汽车带来的舒适、便捷等优越性的同时，也付出了沉重的代价。
据不完全统计，当今世界上每年因交通事故死亡70多万人，伤残xx~2500万人。
20世纪，世界上已有3300多万人在车轮下丧生交通事故已成为一场无休止的战争。
与世界各国相比，中国的道路交通事故就显得更为严重。
中国的交通事故基本是随着国民经济的发展而逐步上升的。
每年全国交通事故死亡人数在20世纪50、60年代为几百到几千人，70年代发展为1～2万人。
xx年后，事故死亡人数急剧上升，xxxx年期间稍有回落。
xx年随着国家改革开放的深化，国家总体经济实力增强。
汽车和交通运输业迅速发展，汽车等机动车拥有量急剧上升。
至xx年，全国平均每天因交通事故死亡的人数已达300人。
xx年全公安交通管理部门共受理道路交通事故案例75．5万起，事故共造成10．6万人死亡，直接经济损失30．9亿元，交通事故死亡人数位居世界第一位，超过印度、美国、俄罗斯。
2、道路交通安全的影响因素道路交通系统是由人、车、路和环境等诸要素构成的一个动态系统。
在这个系统中，任何因素的不可靠、不平衡、不稳定都可能导致种种的冲突与矛盾，从而引发交通事故。
2．1人对道路交通安全的影响人作为道路交通系统中的主体，起主导控制作用。
通常认为，交通事故的直接原因主要是驾驶人员的观察、判断、操作等方面所发生的错误。
一般包括以下几个方面：一是思想麻痹大意，车速过快，车与车之间没有保持安全距离等，二是驾驶人员的身体、生理、精神和情绪等状态以及年龄、经验等内在原因。
比如抽烟、喝酒、疲劳、药物作用等都会导致驾驶员工作能力的下降。
另外，从需求的角度讲，人们总是希望尽可能的节省体力、时间和油耗。
出于这个动机，所以经常看到这样的现象：行人不走人行横道、过街天桥或地下通道而翻越交通护栏；遇到排队或阻车时，驾驶员常驶入非机动车道；在瓶颈路段，驾驶员争道行驶，互不相让等等，这些违章现象常常造成人为地诱发交通事故。
机动车驾驶人行为安全的超车模型与仿真
方 法 在 维吉 尼亚 等州 采 集 了 ２万 多组超 车 数据
分 析 超 车 过 程 ， 于 １３ 年 提 出 了 “ 个 超 并 ９９ 单 车 ”３的概 念 ， 超 车车 辆 一 次 只 超过 一 辆 慢 车 。 ＿ 即
第２ ８卷 第 ３期 ２ １ 年 ６月 ０（ ）
江
西
科
学
Ｖｏ ． Ｊ２８ Ｎｏ． ３
Ｊ ＡＮＧＸｌ Ｓ ＥＮＣＥ １ ＣＩ
Ｊ ． ０ｌ ｕｎ ２ ０
文 章 编 号 ：０ １— ６９ ２ １） ３— ３ １ ０ ｉ０ ３ ７ （ ０ ０ ０ ０ ８ — ５
机 动 车 驾 驶 人 行 为安 全 的超 车模 型 与 仿 真
定性 的角度出发把超车行为划分为 ４个阶段 ： 超 车延 迟开 始 、 车辆 加速 回车 、 车 延迟 开始 且 加速 超
回车 、 自由超 车 。
该 阶段在 采集 超 车数 据 的方 法 由于条 件 和时
作者简介 ： 秀娟（ ９ ２一） 女 ， 朱 １８ ， 山东临沂人 ， 工学硕士 ， 研究 方向 ： 通安 全与仿真。 交
Ｋ ｅ ｏ ｄ Ｄｒｖ ｒ ｂ ｈａ ｉｒ Ｄｒｖ ｒｓｍｕ ａ ｉｎ， ｅｔ ｋ ｎ ｃ ｉ ｅ ｙ ｗ ｒ ｓ： ｉ ｅ ｅ ｖ ｏ ， ｉｅ ｉ ｌ ｔ ｏ Ｏｖ ｒａ ｉ ｇ ａ ｃ ｄ ｎｔ
０ 前 言
作 为我 国公 路 网 的主 要 形 式 ， 车 道 公 路 在 双 我 国公 路 网 中 占有 重 要 的部 分 。在 双 车 道 公 路 中 ， 车 车辆 在 超 车 过 程 中只 能 占用对 向 车道 并 超 且 只有 在 对 向车 道有 充 分足 够 的超 车视 距 的时候 才 有超 车 的可能 ， 随着交 通 流量 的增 加 ， 车 的 需 超 求也 在增 加 ， 是 伺 机 超 车 的能 力 逐 渐 降低 。 分 但 析双 车道 公路 上 的超 车过 程 ， 但 可 以 研究 双 车 不 道 公路 的交通 特 性 ， 可 以 通过 分 析超 车 驾驶 人 还 的驾驶 行 为来 评 价驾 驶人 的驾驶 安 全意 识 。本 文 根 据前 人 对超 车 模 型 的研 究 情 况 ， 双 车道 公 路 在
大客车驾驶人高速公路行车安全意识评价
供 一致 的结论 ， 这样 的状 况 为驾 驶 人 安全 管 理 带来 了很大 困难 。为 提高 客 运车 辆 安 全水 平 ， 运 输 公 司 往 往为 车辆装 备 ＧＰ Ｓ作 为监控 手段 ， 依 据 其 实时行 车 速度 采用 电话 或 短 信提 醒 ， 并 记 录在 案 。但 当事
问题或 采用 量表测 定 时 ， 所 有驾 驶 人 却又 趋 向于 提
１ ４ 。已有研究 确定影 响交通 事故 的事故 多发者 具
有攻 击行 为趋 向 、 无 责 任感 、 社 会 适 应 不 良等 特 征 。 澳 大利亚 心理学 家 Ｖ． 柯 洛 乌 的原 因进行 研究 ， 提 出安 全 意识 对 于 事 故 的发 生具 有 重要 作 用 。Ｎａ ａ ｔ ａ ｎ ｅ ｎ Ｒ ． 和 Ｓ ｕ ｍｍａ ｌ ａ Ｈ． 在
作 用研 究则 相对较 晚 。美 国康迪 格州 的一项 调查 结
果表明， ６年 中发生 的 ３ ０ ０ ０ ０起交 通 事 故 中， ３ ． ９ 的驾驶 员 是 ３ ６ ． ４ 交 通 事 故 的肇 事 者 。在 日本 一
公 路客运 的吸引 力 ， 也使 得 这 一行 业 蓬勃 发 展 。由 于 高速公 路交 通条 件 相对 较 好 ， 且 客车 驾 驶人 均有
第 ６期
７ ２
２ ０ １ ３年 １ １月
大 客 车驾驶 人 高 速公 路 行 车安 全 意识 评价 ＊
赵 炜 华 ，边 浩 毅 ，王 丽 华 ，刘浩 学
（ １ ． 浙 江 交通 职 业 技 术 学 院 运 输 管理 学 院 ，浙 江 杭 州 ３ １ １ １ １ ２ ； ２ ． 长安 大 学 汽 车 学院 ，陕 西 西 安 ７ １ ０ ０ ６ ４ ）
城市交通道路安全评估模型研究
城市交通道路安全评估模型研究城市交通道路安全一直是城市管理部门和交通从业者关注的焦点问题。
如何科学评估城市道路的安全性，提高道路交通的安全水平，成为了亟待解决的难题。
本文将探讨城市交通道路安全评估模型的研究，并提出一种较为完善的模型供参考。
首先，城市交通道路安全评估的目标是全面了解道路各类风险因素，并根据风险等级确定相应的安全措施。
传统的道路安全评估方法主要依赖于事故数据统计和事件回顾的方法，存在的问题是对事故原因的理解相对单一，只是关注于发生了交通事故的道路段落，缺乏对整个路段或者路网的风险全面评估。
为了克服传统方法的不足，研究者们引入了城市交通道路安全评估模型。
这些模型根据交通事故因素、道路环境、交通流量以及交通行为等多个方面的指标，综合评估道路的安全性。
其中，交通事故因素包括驾驶人、车辆、道路等各个方面的因素。
道路环境包括道路类型、道路宽度、道路照明、交叉口等。
交通流量包括车流量、人流量、自行车流量等。
交通行为包括遵守交通规则、驾驶行为等。
通过对这些指标进行全面评估，可以更准确地了解道路的安全状况。
在城市交通道路安全评估模型的研究中，大量的数据分析和建模技术得以应用。
数据分析方面，利用大数据和人工智能等技术，可以对海量的交通数据进行挖掘和分析，提取出与道路安全相关的特征。
建模技术方面，可以利用统计学、数据挖掘、机器学习等方法，构建出具有预测能力的安全评估模型。
这些模型可以帮助交通管理部门和交通从业者预测道路的风险等级，及时采取相应的安全措施，提高道路的安全性。
然而，城市交通道路安全评估模型的研究仍然存在一些挑战。
首先，数据的获取和处理是一个难题。
虽然现代技术使得交通数据的采集更加便捷，但是仍然存在数据不完整、数据质量不高等问题。
其次，建模过程中需要选取合适的特征和算法，这需要相关领域的专业知识和经验。
最后，模型的验证和评估也是一个重要的环节，需要利用实际数据进行模型测试，以验证模型的准确性和稳定性。
汽车驾驶员分心驾驶的行为与风险评估
汽车驾驶员分心驾驶的行为与风险评估随着汽车的普及，越来越多的人开始拥有自己的汽车，进而成为了一名司机。
然而道路上的交通环境并不十分安全，交通事故时有发生。
其中，驾驶员分心驾驶是交通事故的重要因素。
本文将探讨驾驶员分心驾驶的行为及其对于道路安全的风险评估。
一、驾驶员分心驾驶的行为驾驶员分心驾驶是指在行驶中，因为某些原因而导致驾驶员的注意力不集中于驾驶，从而导致车辆驾驶不稳定的行为。
驾驶员分心驾驶的因素有很多种，如下所述：1.使用手机或其他设备当驾驶员使用手机、电脑等电子设备时，就会分散他们的注意力，从而影响驾驶操作和判断能力。
2.兴奋或沮丧的情绪当驾驶员处于兴奋或沮丧的情绪时，会导致专注力的降低，从而增加事故的风险。
3.说话或者与乘客交谈有时，驾驶员会和他们的乘客谈论被视为无关紧要的话题，例如天气和其他娱乐话题。
虽然这些话题不会直接影响驾驶，但他们分散了驾驶员的注意力，从而增加了车祸的风险。
4.小睡或疲劳驾驶驾驶员在开车的过程中，由于太过劳累或睡眠不足，会出现打哈欠、反应迟钝、眼睛发花等症状，甚至还会睡着，从而失去驾驶控制。
二、驾驶员分心驾驶的危害驾驶员分心驾驶的行为可能会导致以下两种危害。
1.威胁驾驶员的生命安全驾驶员分散了他们的专注力，容易引发行车事故。
当发生交通事故时，驾驶员和搭乘者都会受到伤害，甚至丧失生命。
2.危害社会公共安全驾驶员分心驾驶不仅威胁到驾驶员本人的生命安全，同时也会危害到其他路人或者车辆的安全。
交通事故会造成路面交通拥堵，给社会带来很多麻烦。
三、风险评估为了制定出更好的交通安全措施，评估驾驶员分心驾驶的风险显得极为必要。
在评估驾驶员分心驾驶的风险时，可以从以下两个角度入手。
1.定量分析通过数据分析和模型仿真等手段，评估驾驶员分心驾驶在车祸中的相对风险。
采用定量分析的方法可以得出数值，从而更加客观地评估驾驶员分心驾驶对道路安全的危害。
2.设施设备评价为减少驾驶员分心驾驶的潜在威胁，需要评估现有设施设备的安全性能。
驾驶人行为的认知与行动决策模型研究
驾驶人行为的认知与行动决策模型研究第一章、引言随着社会的发展，汽车已经成为现代社会不可或缺的一部分。
然而，在汽车成为个人出行工具的同时，也给交通管理和安全带来了前所未有的挑战。
交通安全是人们生命财产安全的重要保障之一，然而，交通安全管理和规范的质量直接关系到各方面的经济发展和社会稳定，因此交通安全已经成为全球性关注的焦点。
在众多的交通安全问题中，驾驶行为是其中的一个重要环节。
随着公路交通事故率不断攀升，对于研究和管理驾驶行为已经成为了一个非常迫切的需要。
为了提高交通安全，需要了解驾驶行为背后的认知和决策模型，以更好地预测和预防交通事故，同时提高交通的效率和管理水平。
本文旨在介绍驾驶人行为的认知与行动决策模型的研究进展和现状，以及可能的未来发展方向。
文章将主要涵盖以下方面：（1）驾驶行为的定义和分类（2）驾驶行为的影响因素（3）驾驶行为的认知模型（4）驾驶行为的行动决策模型（5）未来的研究方向与发展趋势第二章、驾驶行为的定义和分类驾驶行为是指人类在行驶汽车时所表现出来的行为和举动。
它涉及到行为的观察、心理分析、行为测试、驾驶技能评估，以及行车和交通安全管控等多个方面。
驾驶行为可以分为以下几个方面：（1）驾驶技能：指驾驶人操纵汽车的技能，如驾驶技术、反应速度、操作准确性、行车姿态控制等等；（2）决策行为：指驾驶人的决策水平，如判断、预测和行动等行为；（3）心理行为：指驾驶人的心理状态、心理特征、行为习惯等；（4）行车习惯：指驾驶人的常态下的驾驶和行为习惯。
驾驶行为的分类是为了将其不同方面的特点综合归纳。
这种分类方法有利于交通事故的分析，总结和对驾驶行为的监测。
第三章、驾驶行为的影响因素驾驶行为与驾驶行为的风险之间的关系是由驾驶人及其行为的因素所决定的。
驾驶行为的影响因素可以归纳为三个方面：驾驶人员的人口社会心理特征、驾驶人员的行为习惯、驾驶人员的行为环境。
1.驾驶人员的人口社会心理特征（1）性别和年龄：研究表明，女性驾驶员的事故率低于男性驾驶员，而年龄较大的驾驶员也不如年龄年轻的驾驶员安全；（2）驾驶经验：驾驶经验是影响驾驶人员安全的重要因素。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
驾驶人安全风险评价模型
随着道路交通的不断发展，驾驶人安全已经成为一个重要的话题。
为了提高道路交通的安全性，需要建立有效的驾驶人安全风险评价模型。
驾驶人安全风险评价模型是指通过对驾驶人的各项指标进行评
估和分析，以确定其安全风险水平的一种方法。
该模型可以分为三个层次：预警、评估和管理。
预警层次是通过对驾驶人的行为进行监控和预警，提醒驾驶人注意安全。
评估层次是通过对驾驶人的驾驶行为和驾驶能力进行评估，以确定其安全风险水平。
管理层次是通过对驾驶人的安全风险进行管理和控制，以保障道路交通的安全。
驾驶人安全风险评价模型的建立，需要考虑多种因素，包括驾驶人的驾驶行为、驾驶技能、身体状况、心理素质等。
同时，该模型应当考虑到驾驶人所处的交通环境和车辆状态等因素，以充分评估驾驶人的安全风险。
总之，驾驶人安全风险评价模型是一种有效的方法，可以帮助提高道路交通的安全性，保障驾驶人和其他交通参与者的生命和财产安全。
- 1 -。