APP下载

营运车辆驾驶行为的研究与应用*

2021-09-15宋凌宁

计算机与数字工程 2021年8期
关键词:营运行车聚类

姚 文 宋凌宁 姚 澜

(南京理工大学 南京 210000)

1 引言

当前道路运输行业普遍利用运输车辆卫星定位系统来获取数据,且对数据的应用方面主要集中在记录、监控车辆的位置、时间、运行速度等,在此基础上提出的驾驶行为评价方法大多是给出每个驾驶员的驾驶行为得分[1]。而本文采用某公司车辆自动采集上传至车联网的驾驶行为数据作为数据来源。车联网是通过预先安装在车辆上的设备(标签),利用相关识别技术,完成对车辆的属性信息,静、动态信息的记录和存储工作,并对相关车辆的行车状态进行有效的监督和提供服务的系统[2]。该数据不仅包含车辆行驶的基本信息,更记录了发动机状态,转向灯状态,手刹、脚刹状态等一系列车辆GPS定位系统难以获取的状态信息[3]。本文针对车辆状态信息提出了驾驶行为识别算法与指标评价标准[4],并在计算出驾驶员各项指标得分后,采用K-means聚类方法对驾驶行为数据进行更加客观合理的等级划分,为评估驾驶行为提供了一种可行的方法。

2 安全驾驶评价模型

通过查阅相关文献及法律法规,确定危险驾驶行为特征,建立安全驾驶评价模型[5]。如图1所示[6]。

图1 安全驾驶评价模型

2.1 安全驾驶评分指标选取

本文从八个方面对安全驾驶行为进行分析,如表1所示[7]。

表1 安全驾驶行为评价指标

2.2 各项评价指标得分细则

参考2011年颁布的《交通运输行业标准(JT/T807-2011):释义》[8],及相关规章制度[9],本模型各项评价指标的得分细则如表2所示[10]。

表2 单项评价指标得分细则

3 聚类分析

聚类分析(Cluster Analysis)简称聚类,其目的在于将数据分成不同的类簇,使得类簇之间相异性较高,而类簇内部的数据相似度较高[11]。本节的聚类算法模型在于以类簇的形式展现不同类别驾驶员的行为特性,以此作为等级判定标准。本文在前两节数据结果的基础上,对某营运企业车联网行车记录进行聚类分析,通过得到的类簇分析每一类簇特征,构建驾驶行为评价等级。方法如下:1)提取聚类特征,以安全驾驶评价指标的得分情况作为聚类特征;2)对车辆得分数据进行K-means聚类,聚类数目为4,即构建4类驾驶行为[12];3)为方便数据可视化,观察聚类结果,对数据进行PCA降维处理,降为2维数据特征,生成聚类结果图;4)分析聚类结果,得到每一类簇的数量;根据每一类簇的中心,分析该类簇的特征,最终得到各驾驶员类别和安全驾驶等级[13]。

4 安全驾驶行为评价模型的检验

采用某公司营运车辆在三个月内记录的实际车辆数据集进行测试。行车路线主要集中在赣、皖等地,行程均在200km以上,运输路线以高速公路和省道居多,每日驾驶时长平均4h~8h左右。聚类结果如图2所示。本模型将驾驶行为分为优(A)、良(B)、中(C)、差(D)四个等级。其中:A类占整个样本的22%。该类驾驶员在整个行车过程中,无不良驾驶习惯,能够达到良好驾驶规范标准。B类占这个样本的33%。该类驾驶员在行驶过程中虽平均车速不快,但发动机怠速运转较多,存在一些不必要的急加急减速情况,驾驶行为良好。C类占整个样本的30%。该类驾驶员虽整体车速不快,但存在熄火滑行、紧急变道等危险驾驶习惯,急加速、急减速的整体占比也很高。存在一些危险驾驶行为。需要改善一些不良的驾驶行为。D类占样本的15%。该类驾驶员虽疲劳驾驶情况不多,但驾驶过程中行车速度过快,急加、急减、急转弯非常频繁,存在严重的危险驾驶行为。不符合安全驾驶行为标准要求[14]。

图2 聚类分析结果

5 结语

驾驶员的驾驶行为是确保行驶安全的重点[15],本文从营运车辆驾驶行为的角度出发,针对某营运公司车辆信息数据,选取行驶车速、超长怠速、怠速预热、急加速、急减速、急转弯、疲劳驾驶、熄火滑行等八类驾驶行为评价指标进行识别,并将安全驾驶行为使用聚类算法分成四个等级。

通过真实车辆数据的验证和分析,本文提出的安全评价模型可以对驾驶员的安全驾驶行为进行客观、准确的评价;可以对各类驾驶行为进行精确合理的等级划分。因此,本模型为避免因驾驶员行为不当导致的交通事故,提供了一种可行的方法。

猜你喜欢

营运行车聚类
江阴市24家营运车辆企业被联合警示约谈
一种傅里叶域海量数据高速谱聚类方法
基于知识图谱的k-modes文本聚类研究
基于数据降维与聚类的车联网数据分析应用
地铁折返站微机联锁故障时的行车组织路径思考
城市轨道交通节假日期间大客流行车组织思考与实践
地铁运营非正常行车组织及要点相关阐述
基于模糊聚类和支持向量回归的成绩预测
一件难忘的事
动画短片的营运模式研究