一种司机驾驶行为分析方法及分析系统与流程

本发明属于司机驾驶行为判定技术领域，具体涉及一种司机驾驶行为分析方法，还涉及一种司机驾驶行为分析系统。

背景技术：

为了能够准确地判断出司机在驾车过程中是否存在急变速、急转向、急停车、超速，疲劳驾驶、超时夜间驾驶等不利于车辆寿命更不利于驾驶员安全的危险驾驶行为，需要对司机的驾驶行为进行监控管理，一般通过采集司机驾驶数据来分析司机的驾驶技术。目前常见的司机驾驶行为方法主要是采集驾驶员日常的驾驶数据包括均速、加油频率、转向次数、碰撞等数据，通过这些数据比较客观地反应驾驶员的日常驾驶习惯，通过将结果展示给驾驶员能够督促驾驶员改正不良驾驶习惯，在后期降低人为原因造成的事故率。但是这种方法往往不能准确地描述司机驾驶行为，当出现采集到错误的司机数据情况时将会对司机驾驶行为出现误判。

技术实现要素：

本发明的目的是提供一种司机驾驶行为分析方法，能够对司机的驾驶行为进行监控与管理。

本发明所采用的技术方案是，一种司机驾驶行为分析方法，具体按照以下步骤实施：

步骤1、每日采集驾驶员各项驾驶数据保存到服务器数据库；

步骤2、对步骤1采集的一天内的各个司机的各项驾驶数据进行预处理，得到数据矩阵；

步骤3、按照司机驾驶行为评分标准对各项驾驶数据进行评分；

步骤4、采用熵权法求取各项驾驶数据评分的权值；

步骤5、按照权值求取各个司机驾驶数据的综合评分；

步骤6、将一定时间内的各个司机每天的综合评分处理成矩阵然后提取特征；

步骤7、对步骤6提取的特征矩阵进行聚类分析得出司机驾驶行为。

本发明的特点还在于：

步骤1中，驾驶数据包括时间、车速、加速度、油门信号、左转信号、右转信号、手刹信号、脚刹信号及行驶里程。

步骤2的具体过程如下：

将采集到的反映c个司机的驾驶行为的a项特征量的b个数据点，按照采集先后顺序，以矩阵的形式从上而下排列，构造成a×b×c的数据阵m，每一个司机的数据矩阵，针对车速、行驶里程等时间连续性较高的特征量时，需要从矩阵的第一行开始检查至最后一行，判断是否存在数据采集出错，每一次检测以连续的四行数据，比对四行数据中高时间连续性的特征量数据，判断是否存在数据迅速突变至0的情况。若存在该情况，删除该行，以减少数据误差带来的影响。

步骤3中，司机驾驶行为评分标准如下：

具体评分准则为平均车速小于35km/h得100分，35-50km/h得90分，45-60km/h得75分，60-80km/h得50分，80km/h以上得20分，设定城区行驶的最高速度80km/h,高速公路行驶最高速度120km/h。满分100分，超速行为出现1-2次得85分，3-4次得70分，5次-6次得50分，大于6次得10分，每日行驶30km以内得100分，行驶30-40km得90分，40-70km得80分，70-90km得65分，90至120km得50分，120-200km得30分，200km以上得10分，每日驾驶总时间小于2小时得100分，驾车2-3小时得85分，3-4小时得70分，4-6小时得50分，6-7小时得25分，7小时以上得10分，连续驾驶时间小于2小时得100分，连续驾驶2-3小时得80分，3-4小时得70分，4-5小时得50分，连续驾驶5小时以上得10分，连续驾驶两小时未休息15分钟设为疲劳驾驶一次。发生1次得80分，2次得50分，3次及以上得10分，夜间行驶的判断时间为20:00至0:00及0:00至06:00。夜间行车1小时以内得100分，行驶1-2小时得85分，2-3小时得60分，3-5小时得40分，超过5小时得10分，夜间平均车速小于30km/h得100分，30-40km/h得90分，40-50km/h得75分，50-60km/h得50分，60km/h以上得10分，四急行为包括急加速、急减速、急转弯、急停车，具体评分准则为急变速急转弯发生1次得95分，2-3次得85分，4-5次得65分，6-9次得40分，十次以上得20分，急停车发生1次得95分，2-3次得85分，4-5次得65分，6-9次得40分，十次以上得20分。

步骤4的具体过程如下：

依据评分准则后的司机评分矩阵为n，每一行代表的是不同的司机，每一列代表的是不同的司机驾驶行为特征量：

步骤4.1、对各项驾驶数据评分进行标准化

采用如下公式对驾驶数据评分进行标准化：

其中，xij表示为矩阵第i行，第j列的数据元素，xi表示为第i行的所有数据元素构成的集合；

步骤4.2、求取各项驾驶数据评分的信息熵

根据信息熵的定义，采用如下公式求取各项驾驶数据评分的信息熵：

其中，m表示的是司机的个数，如果pij＝0，则定义

步骤4.3、计算各项驾驶数据评分的权重

采用如下公式求取各项驾驶数据评分的权重：

其中，n表示为反应司机驾驶行为的特征量的个数。

步骤5的具体过程如下：

根据步骤4得到的各项驾驶行为特征量的参数，则每个司机的综合的驾驶评分可以表示为：

其中，si表示为第i个司机的综合得分。

步骤6的具体过程如下：

将步骤5得到的司机综合评分处理成m行n列的矩阵，每一行表示每个司机，每一列表示每一天的司机综合评分，然后对矩阵进行特征提取，处理成m个特征矩阵，每个特征矩阵包括全距、四分位区间距、平均差、方差、标准差。

步骤7的具体过程如下：

对步骤6得到的m个特征矩阵进行聚类分析，得出各个司机的驾驶行为类型。

本发明的有益效果是：

本发明解决了现有技术中存在的当出现采集到错误司机数据时会对司机驾驶行为产生误判的问题，能够更加准确地描述司机驾驶行为，有利于对司机的监控与管理；从而降低交通事故发生率。

附图说明

图1是本发明一种司机驾驶行为分析方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明一种司机驾驶行为分析方法，具体按照以下步骤实施：

步骤1、每日采集驾驶员各项驾驶数据保存到服务器数据库；

步骤1中，驾驶数据包括时间、车速、加速度、油门信号、左转信号、右转信号、手刹信号、脚刹信号及行驶里程。

步骤2、对步骤1采集的一天内的各个司机的各项驾驶数据进行预处理，得到数据矩阵；

步骤2的具体过程如下：

将采集到的反映c个司机的驾驶行为的a项特征量的b个数据点，按照采集先后顺序，以矩阵的形式从上而下排列，构造成a×b×c的数据阵m，每一个司机的数据矩阵，针对车速、行驶里程等时间连续性较高的特征量时，需要从矩阵的第一行开始检查至最后一行，判断是否存在数据采集出错，每一次检测以连续的四行数据，比对四行数据中高时间连续性的特征量数据，判断是否存在数据迅速突变至0的情况。若存在该情况，删除该行，以减少数据误差带来的影响。

步骤3、按照司机驾驶行为评分标准对各项驾驶数据进行评分；

步骤3中，司机驾驶行为评分标准如下：

具体评分准则为平均车速小于35km/h得100分，35-50km/h得90分，45-60km/h得75分，60-80km/h得50分，80km/h以上得20分，设定城区行驶的最高速度80km/h,高速公路行驶最高速度120km/h。满分100分，超速行为出现1-2次得85分，3-4次得70分，5次-6次得50分，大于6次得10分，每日行驶30km以内得100分，行驶30-40km得90分，40-70km得80分，70-90km得65分，90至120km得50分，120-200km得30分，200km以上得10分，每日驾驶总时间小于2小时得100分，驾车2-3小时得85分，3-4小时得70分，4-6小时得50分，6-7小时得25分，7小时以上得10分，连续驾驶时间小于2小时得100分，连续驾驶2-3小时得80分，3-4小时得70分，4-5小时得50分，连续驾驶5小时以上得10分，连续驾驶两小时未休息15分钟设为疲劳驾驶一次。发生1次得80分，2次得50分，3次及以上得10分，夜间行驶的判断时间为20:00至0:00及0:00至06:00。夜间行车1小时以内得100分，行驶1-2小时得85分，2-3小时得60分，3-5小时得40分，超过5小时得10分，夜间平均车速小于30km/h得100分，30-40km/h得90分，40-50km/h得75分，50-60km/h得50分，60km/h以上得10分，四急行为包括急加速、急减速、急转弯、急停车，具体评分准则为急变速急转弯发生1次得95分，2-3次得85分，4-5次得65分，6-9次得40分，十次以上得20分，急停车发生1次得95分，2-3次得85分，4-5次得65分，6-9次得40分，十次以上得20分。

步骤4、采用熵权法求取各项驾驶数据评分的权值；

步骤4的具体过程如下：

依据评分准则后的司机评分矩阵为n，每一行代表的是不同的司机，每一列代表的是不同的司机驾驶行为特征量：

步骤4.1、对各项驾驶数据评分进行标准化

采用如下公式对驾驶数据评分进行标准化：

其中，xij表示为矩阵第i行，第j列的数据元素，xi表示为第i行的所有数据元素构成的集合；

步骤4.2、求取各项驾驶数据评分的信息熵

根据信息熵的定义，采用如下公式求取各项驾驶数据评分的信息熵：

其中，m表示的是司机的个数，如果pij＝0，则定义

步骤4.3、计算各项驾驶数据评分的权重

采用如下公式求取各项驾驶数据评分的权重：

其中，n表示为反应司机驾驶行为的特征量的个数。

步骤5、按照权值求取各个司机驾驶数据的综合评分；

步骤5的具体过程如下：

根据步骤4得到的各项驾驶行为特征量的参数，则每个司机的综合的驾驶评分可以表示为：

其中，si表示为第i个司机的综合得分。

步骤6、将一定时间内的各个司机每天的综合评分处理成矩阵然后提取特征；

步骤6的具体过程如下：

将步骤5得到的司机综合评分处理成m行n列的矩阵，每一行表示每个司机，每一列表示每一天的司机综合评分，然后对矩阵进行特征提取，处理成m个特征矩阵，每个特征矩阵包括全距、四分位区间距、平均差、方差、标准差。

步骤7、对步骤6提取的特征矩阵进行聚类分析得出司机驾驶行为；

对步骤6得到的m个特征矩阵进行聚类分析，得出各个司机的驾驶行为类型。

本发明司机驾驶行为分析方法，解决了现有技术中存在的当出现采集到错误司机数据时会对司机驾驶行为产生误判的问题，能够更加准确地描述司机驾驶行为，有利于对司机的监控与管理；从而降低交通事故发生率。