一种公路货运通道综合风险评价方法及电子设备

1.本发明属于交通安全技术领域，具体包括一种公路货运通道综合风险评价方法及电子设备。


背景技术：

2.公路运输一直是我国的主要货运形式。相较于其他车辆，货运车辆有载货多、惯性大、驾驶时间长、货物可能是危险品等特点，无疑增加了公路货运的风险。货车事故的发生会严重危害人民的生命财产安全，并会给社会带来重大经济损失。如今，通过货运信息平台，货车司机可以很方便地利用手机app获得货源信息、到不同目的地的推荐路线、所需时间和过路费，估算出不同路径所需投入的时间和金钱方面的成本。但目前还没有一个给货运司机识别货运通道并评价通道在一定时间内综合风险的解决方案。
3.随着信息技术在物流业的发展，我国76.5％的司机都已入驻线上货运信息平台。为了更好地监管货车司机以及分析货车司机的驾驶行为，平台运营积累了海量的数据，将这些数据于路网数据结合进行挖掘、处理、分析，可以得到许多与货运风险有关的信息，给利用大数据分析公路货运通道风险提供了可能性。
4.目前，利用货车大数据对于公路货运安全的研究主要集中在货车驾驶员行为对货运安全的研究。通过轨迹数据、传感器数据等分析驾驶员的行为，判断驾驶员的驾驶行为是否规范会对货运安全造成影响，属于对驾驶员主观因素的研究。无论驾驶员的操作是否符合规范，在公路货运中的道路的状况、车流的影响、道路中其他车辆的影响、天气的因素、这些客观存在的因素都会对公路货运安全造成影响。对公路货运通道风险的判断，是交通管理部门、货运信息平台、货车司机所共同面临的问题。


技术实现要素：

5.针对现有技术中的上述不足，本发明提供的一种公路货运通道综合风险评价方法及电子设备解决了公路货运中的道路的状况、车流的影响等客观存在的因素对公路货运通道风险的判断困难的问题。
6.为了达到上述发明目的，本发明采用的技术方案为：一种公路货运通道综合风险评价方法，包括以下步骤：
7.s1、获取原始轨迹数据、路网数据和包括od数据、中国行政区划地图底图数据和天气数据的其他数据进行预处理得到处理后的数据；
8.s2、基于处理后的数据识别公路货运通道；
9.s3、选择评价指标，建立公路货运通道风险评价指标体系；
10.s4、根据公路货运通道风险评价指标体系建立公路货运通道风险评价模型；
11.s5、使用建立的公路货运通道风险评价模型对通道风险进行识别。
12.进一步地，步骤s1的具体实现方法如下：
13.s1-1、获取原始轨迹数据、路网数据和包括od数据、中国行政区划地图底图数据和
天气数据的其他数据；
14.s1-2、将地球看成圆球，计算原始轨迹数据相关的地理空间距离；通过调用高德开放提供的api接口对轨迹点的经纬度进行逆地理编码转换，将轨迹点的经纬度信息匹配为文字格式的地址信息；对获取的原始轨迹数据进行重复数据剔除、异常数据处理、数据范围坐标系转换筛选操作，完成对原始轨迹数据的预处理，得到处理后的轨迹数据；
15.s1-3、对路网数据通过地理范围筛选、道路等级筛选的方式进行数据预处理，得到处理后的路网数据；
16.s1-4、将处理后的轨迹数据、处理后的路网数据和其他数据构成处理后的数据。
17.进一步地，步骤s2的具体实现方式如下：
18.s2-1、使用核密度分析工具得到货车轨迹点的分布情况和货车活动的规律；
19.s2-2、对处理后的轨迹数据进行校正，并使处理后的轨迹数据和路网数据匹配，得到路网匹配结果；
20.s2-3、根据路网匹配结果对轨迹点所在路网数据按照轨迹点在不同道路活动的频次做出排序，确定公路货运的节点城市，选取节点城市两个及以上的道路作为公路货运通道。
21.进一步地，使处理后的轨迹数据和路网数据匹配的具体步骤如下：
22.s2-2-1、设置缓冲区，并将缓冲区半径设置为50m；
23.s2-2-2、利用裁切工具裁切掉路网缓冲区以外的数据；
24.s2-2-3、对处理后的轨迹数据和路网数据进行近邻分析；
25.s2-2-4、将处理后的轨迹数据中新增的轨迹点所在路网序号和路网数据中的路网序号进行表关联，完成路网数据和处理后的轨迹数据的匹配。
26.进一步地，步骤s3的具体实现方式如下：
27.s3-1、根据公式：
[0028][0029]
得到第k个轨迹点的对应道路等级风险指标hk为公路货运通道内第k个轨迹点所属道路等级的事故总数占比；pk为公路货运通道内第k个轨迹点所属道路等级的单起事故死亡率；lk为公路货运通道内第k个轨迹点所属道路等级的总里程数；
[0030]
s3-2、根据公式：
[0031][0032]
得到公路货运通道内道路等级风险指标x1，n为单位时间内对应公路货运通道内的轨迹点数量；
[0033]
s3-3、根据公式：
[0034][0035]
得到公路货运通道的特殊路段指标x2，为第k个轨迹点对应特殊路段风险
[0036]
评分；
[0037]
s3-4、根据公式：
[0038][0039]
得到公路货运通道的拥堵情况风险指标x3，为第k个轨迹点的拥堵情况评分；
[0040][0041]
s3-5、根据公式：
[0042][0043]
得到公路货运通道超速情况指标x4；为第k个轨迹点的超速情况评分；
[0044]
s3-6、根据公式：
[0045][0046]
得到公路货运通道超载比例指标x5，为第m个出发城市和到达城市都为公路货运通道经过城市的od数据对应超载比例评分；n
′
为公路货运通道内od 数据总数；
[0047]
s3-7、根据公式：
[0048][0049]
得到公路货运通道的危货运输指标x6，表示第m个出发城市和到达城市都为公路货运通道经过城市的od数据危货运输评分；
[0050]
s3-8、根据公式：
[0051][0052][0053]
得到公路货运通道的驾驶时段指标hk表示第k个轨迹点所在时刻对应的货运活动分布值；sk表示第k个轨迹点所在时刻对应的交通事故发案分布值；x7表示公路货运通道的驾驶时段指标；
[0054]
s3-9、根据公式：
[0055][0056]
得到公路货运通道的驾驶时长指标x8，表示单位时间内第m个出发城市和到达城市都为公路货运通道经过城市的od数据中货运时长值；
[0057]
s3-10、将最低气温在0℃以下和最高气温在40℃以上的轨迹点的气温影响风险评
分设为1，将全天气温处于0℃到40℃之间的轨迹点的气温影响风险评分设为0；
[0058]
s3-11、根据公式：
[0059][0060]
得到公路货运通道的天气影响指标x9，表示公路货运通道内第k个轨迹点对应的天气影响风险评分；
[0061]
s3-12、根据公式：
[0062][0063]
得到对处理后的数据进行离差标准化后的正向指标值设置第a个公路货运通道为第a个评价对象；x
ab
表示x1、x2···
x9的值，即代表第b个指标在第a个评价对象的值，1≤a≤g,1≤b≤s，minb是第b个指标的最小值，maxb是第b个指标的最大值，s表示共有s个指标，g表示共有g个评价对象；
[0064]
s3-13、根据公式：
[0065][0066][0067][0068][0069]
对指标的数据进行z-score标准化处理，得到方差为1、均值为0的标准指标指标的数据经过z-score标准化处理后得到无量纲矩阵x
*
；其中，x
ij
代表第j个指标的第在第i个评价对象的值，1≤i≤g,1≤j≤s；是第j个指标的均值；σj是第j个指标的标准差。
[0070]
进一步地，步骤s4的具体实现方式如下：
[0071]
s4-1、对指标的数据进行min-max归一化处理，将归一化后的数据矩阵记为采用熵值法对进行风险评价值计算，得到风险评价的综合得分；
[0072]
s4-2、根据风险评价的综合得分将通道动态风险等级定义为“低风险”、“中低风
险”、“中风险”、“中高风险”、“高风险”五类；
[0073]
s4-3、对评价指标进行主成分分析得到主成分得分；
[0074]
s4-4、将主成分分析的结果作为bp神经网络的输入矩阵，将熵值法得到的风险评价的综合得分作为训练目标矩阵，对bp神经网络进行训练，得到训练后的bp神经网络；
[0075]
s4-5、将训练后的bp神经网络作为公路货运通道风险评价模型。
[0076]
进一步地，步骤s4-1中熵值法的计算方法如下：
[0077]
s4-1-1、根据公式：
[0078][0079]
得到第b个评价指标下第a个评价对象占该指标的比重p
ab
；其中，c表示共有c个评价对象，d表示共有d个评价指标；
[0080]
s4-1-2、根据公式：
[0081][0082]
得到第b个评价指标的熵值eb；其中，
[0083]
s4-1-3、根据公式：
[0084]
fb＝1-eb[0085]
得到第b个评价指标的信息熵冗余度fb；
[0086]
s4-1-4、根据公式：
[0087][0088]
得到第b个评价指标的权重值hb；
[0089]
s4-1-5、根据公式：
[0090][0091]
得到第a个评价对象的综合得分za。
[0092]
进一步地，步骤s4-3中主成分分析算法实现步骤如下：
[0093]
s4-3-1、根据公式：
[0094][0095]
得到用x代表的处理后的轨迹数据矩阵；其中v为处理后的轨迹数据中的通道数；u为处理后的轨迹数据中的评价指标数；
[0096]
s4-3-2、根据公式：
[0097][0098][0099]
得到任意两评价指标的相关系数r
αβ
；并将相关系数r
αβ
组成相关系数矩阵r；其中，α、β分别表示第α个指标和第β个评价指标；γ表示第γ个通道；
[0100]
s4-3-3、对相关系数矩阵r的特征方程|λi
u-r|＝0进行求解，得到全部特征值和对应特征向量：
[0101][0102]
其中，特征向量t
(1)
，t
(2)
，
…
，t
(u)
的对应特征值为λ1，λ2，
…
，λu；
[0103]
s4-3-4、根据公式：
[0104][0105][0106]
得到第y个主成分yy的贡献率by，1至τ个主成分的累积贡献率b
μ
；获取累计贡献率达到90％以上时τ的取值；其中，θ表示第θ个特征值，1≤y≤u，1≤τ≤ u；
[0107]
s4-3-5、根据步骤s4-1熵值法计算公式得到的无量纲矩阵x
*
，得到前τ个主成分得分，表示为：
[0108][0109]
其中，a
11
、a
12
…aτu
为矩阵x
*
的系数。
[0110]
进一步地，步骤s2-2-3中近邻分析的具体方法为：
[0111]
将处理后的轨迹数据与路网数据输入近邻分析工具，使处理后的轨迹数据与路网数据匹配；将路网匹配前和匹配后的经纬度坐标放入底图中，对比匹配的轨迹点位置变化；其中，在匹配后的属性表中增加了经纬度与轨迹点所在路网序号三个新的字段。
[0112]
提供一种电子设备，设备包括：
[0113]
存储器，存储有可执行指令；以及
[0114]
处理器，被配置为执行存储器中可执行指令以实现公路货运通道综合风险评价方法。
[0115]
本发明的有益效果为：可以利用已有客观数据提前判断公路风险，对高风险的货运通道进行重点监控，预防事故发生；可以给司机提供安全警示和参考；可以为货运信息平台运营中添加安全因素相关的影响。
附图说明
[0116]
图1为公路货运通道综合风险评价流程图。
具体实施方式
[0117]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0118]
如图1所示，一种公路货运通道综合风险评价方法，包括以下步骤：
[0119]
s1、获取原始轨迹数据、路网数据和包括od数据、中国行政区划地图底图数据和天气数据的其他数据进行预处理得到处理后的数据；
[0120]
s2、基于处理后的数据识别公路货运通道；
[0121]
s3、选择评价指标，建立公路货运通道风险评价指标体系；
[0122]
s4、根据公路货运通道风险评价指标体系建立公路货运通道风险评价模型；
[0123]
s5、使用建立的公路货运通道风险评价模型对通道风险进行识别。
[0124]
步骤s1的具体实现方法如下：
[0125]
s1-1、获取原始轨迹数据、路网数据和包括od数据、中国行政区划地图底图数据和天气数据的其他数据；
[0126]
s1-2、将地球看成圆球，计算原始轨迹数据相关的地理空间距离；通过调用高德开放提供的api接口对轨迹点的经纬度进行逆地理编码转换，将轨迹点的经纬度信息匹配为文字格式的地址信息；对获取的原始轨迹数据进行重复数据剔除、异常数据处理、数据范围坐标系转换筛选操作，完成对原始轨迹数据的预处理，得到处理后的轨迹数据；
[0127]
s1-3、对路网数据通过地理范围筛选、道路等级筛选的方式进行数据预处理，得到处理后的路网数据；
[0128]
s1-4、将处理后的轨迹数据、处理后的路网数据和其他数据构成处理后的数据。
[0129]
步骤s2的具体实现方式如下：
[0130]
s2-1、使用核密度分析工具得到货车轨迹点的分布情况和货车活动的规律；
[0131]
s2-2、对处理后的轨迹数据进行校正，并使处理后的轨迹数据和路网数据匹配，得到路网匹配结果；
[0132]
s2-3、根据路网匹配结果对轨迹点所在路网数据按照轨迹点在不同道路活动的频次做出排序，确定公路货运的节点城市，选取节点城市两个及以上的道路作为公路货运通道。
[0133]
使处理后的轨迹数据和路网数据匹配的具体步骤如下：
[0134]
s2-2-1、设置缓冲区，并将缓冲区半径设置为50m；
[0135]
s2-2-2、利用裁切工具裁切掉路网缓冲区以外的数据；
[0136]
s2-2-3、对处理后的轨迹数据和路网数据进行近邻分析；
[0137]
s2-2-4、将处理后的轨迹数据中新增的轨迹点所在路网序号和路网数据中的路网序号进行表关联，完成路网数据和处理后的轨迹数据的匹配。
[0138]
步骤s3的具体实现方式如下：
[0139]
s3-1、根据公式：
[0140][0141]
得到第k个轨迹点的对应道路等级风险指标hk为公路货运通道内第k个轨迹点所属道路等级的事故总数占比；pk为公路货运通道内第k个轨迹点所属道路等级的单起事故死亡率；lk为公路货运通道内第k个轨迹点所属道路等级的总里程数；
[0142]
s3-2、根据公式：
[0143][0144]
得到公路货运通道内道路等级风险指标x1，n为单位时间内对应公路货运通道内的轨迹点数量；
[0145]
s3-3、根据公式：
[0146][0147]
得到公路货运通道的特殊路段指标x2，为第k个轨迹点对应特殊路段风险评分；
[0148]
s3-4、根据公式：
[0149][0150]
得到公路货运通道的拥堵情况风险指标x3，为第k个轨迹点的拥堵情况评分；
[0151]
s3-5、根据公式：
[0152][0153]
得到公路货运通道超速情况指标x4；为第k个轨迹点的超速情况评分；
[0154]
s3-6、根据公式：
[0155][0156]
得到公路货运通道超载比例指标x5，为第m个出发城市和到达城市都为公路货运通道经过城市的od数据对应超载比例评分；n
′
为公路货运通道内od 数据总数；
[0157]
s3-7、根据公式：
[0158][0159]
得到公路货运通道的危货运输指标x6，表示第m个出发城市和到达城市都为公路货运通道经过城市的od数据危货运输评分；
[0160]
s3-8、根据公式：
[0161][0162][0163]
得到公路货运通道的驾驶时段指标hk表示第k个轨迹点所在时刻对应的货运活动分布值；sk表示第k个轨迹点所在时刻对应的交通事故发案分布值；x7表示公路货运通道的驾驶时段指标；
[0164]
s3-9、根据公式：
[0165][0166]
得到公路货运通道的驾驶时长指标x8，表示单位时间内第m个出发城市和到达城市都为公路货运通道经过城市的od数据中货运时长值；
[0167]
s3-10、将最低气温在0℃以下和最高气温在40℃以上的轨迹点的气温影响风险评分设为1，将全天气温处于0℃到40℃之间的轨迹点的气温影响风险评分设为0；
[0168]
s3-11、根据公式：
[0169][0170]
得到公路货运通道的天气影响指标x9，表示公路货运通道内第k个轨迹点对应的天气影响风险评分；
[0171]
s3-12、根据公式：
[0172][0173]
得到对处理后的数据进行离差标准化后的正向指标值设置第a个公路货运通道为第a个评价对象；x
ab
表示x1、x2···
x9的值，即代表第b个指标在第a个评价对象的值，1≤a≤g,1≤b≤s，minb是第b个指标的最小值，maxb是第b个指标的最大值，s表示共有s个指标，g表示共有g个评价对象；
[0174]
s3-13、根据公式：
[0175][0176][0177][0178][0179]
对指标的数据进行z-score标准化处理，得到方差为1、均值为0的标准指标指标的数据经过z-score标准化处理后得到无量纲矩阵x
*
；其中，x
ij
代表第j个指标的第在第i个评价对象的值，1≤i≤g,1≤j≤s；是第j个指标的均值；σj是第j个指标的标准差。
[0180]
步骤s4的具体实现方式如下：
[0181]
s4-1、对指标的数据进行min-max归一化处理，将归一化后的数据矩阵记为采用熵值法对进行风险评价值计算，得到风险评价的综合得分；
[0182]
s4-2、根据风险评价的综合得分将通道动态风险等级定义为“低风险”、“中低风险”、“中风险”、“中高风险”、“高风险”五类；
[0183]
s4-3、对评价指标进行主成分分析得到主成分得分；
[0184]
s4-4、将主成分分析的结果作为bp神经网络的输入矩阵，将熵值法得到的风险评价的综合得分作为训练目标矩阵，对bp神经网络进行训练，得到训练后的bp神经网络；
[0185]
s4-5、将训练后的bp神经网络作为公路货运通道风险评价模型。
[0186]
步骤s4-1中熵值法的计算方法如下：
[0187]
s4-1-1、根据公式：
[0188][0189]
得到第b个评价指标下第a个评价对象占该指标的比重p
ab
；其中，c表示共有c个评价对象，d表示共有d个评价指标；
[0190]
s4-1-2、根据公式：
[0191]
[0192]
得到第b个评价指标的熵值eb；其中，
[0193]
s4-1-3、根据公式：
[0194]
fb＝1-eb[0195]
得到第b个评价指标的信息熵冗余度fb；
[0196]
s4-1-4、根据公式：
[0197][0198]
得到第b个评价指标的权重值hb；
[0199]
s4-1-5、根据公式：
[0200][0201]
得到第a个评价对象的综合得分za。
[0202]
步骤s4-3中主成分分析算法实现步骤如下：
[0203]
s4-3-1、根据公式：
[0204][0205]
得到用x代表的处理后的轨迹数据矩阵；其中v为处理后的轨迹数据中的通道数；u为处理后的轨迹数据中的评价指标数；
[0206]
s4-3-2、根据公式：
[0207][0208][0209]
得到任意两评价指标的相关系数r
αβ
；并将相关系数r
αβ
组成相关系数矩阵r；其中，α、β分别表示第α个指标和第β个评价指标；γ表示第γ个通道；
[0210]
s4-3-3、对相关系数矩阵r的特征方程|λi
u-r|＝0进行求解，得到全部特征值和对应特征向量：
[0211]
[0212]
其中，特征向量t
(1)
，t
(2)
，
…
，t
(u)
的对应特征值为λ1，λ2，
…
，λu；
[0213]
s4-3-4、根据公式：
[0214][0215][0216]
得到第y个主成分yy的贡献率by，1至τ个主成分的累积贡献率b
μ
；获取累计贡献率达到90％以上时τ的取值；其中，θ表示第θ个特征值，1≤y≤u，1≤τ≤u；
[0217]
s4-3-5、根据步骤s4-1熵值法计算公式得到的无量纲矩阵x
*
，得到前τ个主成分得分，表示为：
[0218][0219]
其中，a
11
、a
12
…aτu
为矩阵x
*
的系数。
[0220]
步骤s2-2-3中近邻分析的具体方法为：
[0221]
将处理后的轨迹数据与路网数据输入近邻分析工具，使处理后的轨迹数据与路网数据匹配；将路网匹配前和匹配后的经纬度坐标放入底图中，对比匹配的轨迹点位置变化；其中，在匹配后的属性表中增加了经纬度与轨迹点所在路网序号三个新的字段。
[0222]
在本发明的一个实施例中，选取北京节点至邯郸节点间的包括g107、g4、 g106、g45在内的四个货运通道在2018年11月1日的通道样本作为研究对象，判断其在特定日期内的风险评价值，并根据当天的通道风险值作出货车出行通道选择推荐。
[0223]
(1)对经过数据预处理后的轨迹数据和其他多源数据进行计算，得到案例样本的各指标原始样本数据如表1所示：
[0224]
表1：案例原始风险指标数据
[0225][0226]
(2)对数据进行去量纲化处理，之后利用熵值法计算通道风险评价值，得到样本风险评价值如表2所示：
[0227]
表2：样本风险评价值计算
[0228][0229]
(3)对评价指标数据进行主成分分析；本发明利用spss工具进行主成分分析。将原始通道指标数据利用z-score标准化方法进行去量纲和中心化处理后，对其中9个指标对应的数据和通道名称进行主成分分析。kmo检验后得出， kmo值为0.649，大于0.6，符合主成分分析要求。将主成分个数设置为5，特征根阈值设置为1.00，点击开始进行主成分分析。一般认为累积贡献率需要达到90％以上，如表3所示的方差解释中，在主成分5时，总方差解释的特征根低于1.0，变量解释的贡献率达到93.378％。因此选择5个主成分满足要求。
[0230]
表3：案例数据主成分得分
[0231][0232]
(4)将主成分结果作为输入值，输入bp神经网络模型中，得到样本的预测结果。之后以样本风险评价值作为期望值对比输出结果，确定神经网络输出值和期望值对应的评价等级如表4所示：
[0233]
表4：神经网络输出结果
[0234][0235][0236]
从结果得出，当天连接北京和邯郸的四个样本通道，风险评价值由低到高依次是g45、g4、g107、g106。风险角度考虑，推荐货车司机选择处于低风险等级的g45通道；而较不推荐处于中风险等级的g106通道；同时，结论也可以给交通部门在风险管控，车流疏导上提供一定指导。
[0237]
本发明可以利用已有客观数据提前判断公路风险，对高风险的货运通道进行重点监控，预防事故发生；可以给司机提供安全警示和参考；可以为货运信息平台运营中添加安全因素相关的影响。