基于車聯(lián)網(wǎng)的營(yíng)運(yùn)車輛駕駛行為分析

張曉博 陳熙

【摘 要】對(duì)營(yíng)運(yùn)車輛的駕駛行為進(jìn)行深入分析是預(yù)防發(fā)生交通事故和提高道路行車安全性的一種重要手段。文章首先對(duì)采集到的車聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行清洗、分段、篩選，然后利用熵權(quán)—主成分分析法（Entropy Weight-principal Component Analysis）建立行車安全評(píng)價(jià)模型，從樣本中選取30輛車進(jìn)行打分、排名，分析其行駛安全狀況，最終得出行駛強(qiáng)度指標(biāo)在評(píng)價(jià)司機(jī)行車安全方面具有重要的地位。

【關(guān)鍵詞】行車安全;熵權(quán)法;主成分分析

【中圖分類號(hào)】U492.8;TN929.5;TP391.44 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2020）05-0061-03

近年來，隨著我國社會(huì)經(jīng)濟(jì)的快速發(fā)展，交通運(yùn)輸業(yè)迎來了前所未有的挑戰(zhàn)。就2018年而言，我國汽車保有量增加了228 5萬輛，總數(shù)達(dá)到了2.4億輛，駕駛?cè)藛T增加了245 5萬人，總數(shù)達(dá)到了4.09億人。在汽車數(shù)量與日俱增的今天，如何提高道路安全性顯得尤為重要。所以，我們應(yīng)對(duì)道路運(yùn)輸狀況進(jìn)行全面監(jiān)察、對(duì)破壞道路安全的行為進(jìn)行嚴(yán)厲的懲處，從而達(dá)到提高道路運(yùn)輸安全性的效果。

迄今為止，國內(nèi)對(duì)營(yíng)運(yùn)車輛駕駛行為的研究已經(jīng)取得了一定的成果。在探索營(yíng)運(yùn)車輛安全行駛方面，楊曼等人[1]發(fā)現(xiàn)平均減速度、行車安全事件（CIEs）類型和原因、天氣等對(duì)駕駛風(fēng)險(xiǎn)有顯著影響;雷財(cái)林等人[2]則是借鑒人工智能領(lǐng)域的粗糙集理論，對(duì)道路安全狀態(tài)進(jìn)行了客觀評(píng)價(jià)。在對(duì)車輛行駛安全評(píng)價(jià)模型的研究中，大多數(shù)學(xué)者采用的是具有較強(qiáng)主觀性的專家打分法[3]、層次分析法[4，5]或是二者結(jié)合的方法，但上述方法不僅對(duì)評(píng)分者的專業(yè)素養(yǎng)有較高要求，而且還要求評(píng)分者擁有與研究問題相關(guān)的背景知識(shí)。本文將基于給定的車聯(lián)網(wǎng)數(shù)據(jù)，通過繪制經(jīng)緯度路線圖分析運(yùn)營(yíng)車輛的行駛規(guī)律;利用主成分分析提取主成分，用熵權(quán)法對(duì)各個(gè)主成分賦予權(quán)重，最終得到每輛車的安全評(píng)價(jià)綜合得分[6，7]，為判斷車輛的行駛安全性建立了安全評(píng)價(jià)體系。

1 營(yíng)運(yùn)車輛駕駛行為大數(shù)據(jù)的整理與篩選

本文使用了第七屆泰迪杯全國大學(xué)生數(shù)據(jù)挖掘競(jìng)賽C題數(shù)據(jù)，共計(jì)450輛營(yíng)運(yùn)車輛行駛信息。車聯(lián)網(wǎng)數(shù)據(jù)是通過衛(wèi)星定位實(shí)時(shí)測(cè)量車輛的地理位置信息、點(diǎn)火熄火狀態(tài)、行駛方向角、左右轉(zhuǎn)向燈狀態(tài)、手剎腳剎狀態(tài)、GPS速度及GPS里程等信息，數(shù)據(jù)量大，通過這些數(shù)據(jù)可以評(píng)判車輛駕駛行為的安全性。但由于車載設(shè)備的故障、信號(hào)失靈等致使收集到了一些無效、缺失、錯(cuò)誤數(shù)據(jù)，對(duì)研究造成了困難，且數(shù)據(jù)信息采集量大，給樣本處理帶來了困難，所以本文通過對(duì)數(shù)據(jù)進(jìn)行清洗、篩選、分段等提高數(shù)據(jù)質(zhì)量。

1.1 駕駛行為特征參數(shù)定義與提取

本文中的數(shù)據(jù)清洗、篩選、分段等都是通過python3.6實(shí)現(xiàn)。從所給車輛信息行駛時(shí)間段可判斷出所給車輛為貨車。利用python3.6中的folium包對(duì)所記錄時(shí)間內(nèi)的運(yùn)輸路線進(jìn)行繪制，發(fā)現(xiàn)車輛為貨車且行駛路徑多為國道。通過在網(wǎng)上查閱相關(guān)資料，對(duì)車輛行駛特征指標(biāo)定義如下。①超速：由于行駛路徑多為國道且具有運(yùn)輸時(shí)間長(zhǎng)的特點(diǎn)，所以設(shè)定車速超過限速的80%（達(dá)到64 km/h）則有一定的超速傾向;②怠速和超長(zhǎng)怠速：怠速是指車輛處于點(diǎn)火狀態(tài)、實(shí)時(shí)速度等于0且時(shí)間大于5 min，小于15 h，當(dāng)?shù)∷贂r(shí)間超過15 h，即為超長(zhǎng)怠速;③急加速和急減速：當(dāng)速度變化絕對(duì)值大于或等于2.22 m/s2，且持續(xù)2 s以上即急變速;④車速標(biāo)準(zhǔn)差：分為兩類，一是根據(jù)每輛車的行駛速度計(jì)算出每輛車的車速標(biāo)準(zhǔn)差，二是根據(jù)已經(jīng)選出一輛車不同的行駛?cè)掌谟?jì)算出行駛中一天的車速標(biāo)準(zhǔn)差;⑤疲勞駕駛：連續(xù)駕駛4 h且休息少于20 min;⑥平均行駛速度：行駛里程數(shù)除以行駛時(shí)間（對(duì)數(shù)據(jù)進(jìn)行分段處理，剔除掉速度連續(xù)為0的時(shí)間，計(jì)算每段對(duì)應(yīng)的車輛行駛時(shí)間和行駛里程，缺失時(shí)間數(shù)據(jù)按采集到的平均行駛速度數(shù)據(jù)進(jìn)行填補(bǔ)和復(fù)原）;⑦行駛總里程：以車載設(shè)備開始記錄的時(shí)間為起點(diǎn)，以車載設(shè)備記錄的結(jié)束時(shí)間為終點(diǎn)的全部行駛里程;⑧行駛里程：剔除因部分?jǐn)?shù)據(jù)缺失，漏統(tǒng)行駛時(shí)間和行駛速度等信息，而統(tǒng)計(jì)到總里程中的里程;⑨行駛時(shí)間：剔除速度連續(xù)為零的數(shù)據(jù)后的行駛時(shí)間總和;⑩日均行駛里程：行駛里程與行駛時(shí)間的比值。

2 基于熵權(quán)——主成分分析[6]的行車安全綜合評(píng)價(jià)

在已有數(shù)據(jù)條件下，本文選取行駛時(shí)間（單位：h）、行駛里程（單位：km）、疲勞駕駛時(shí)間（單位：h）、疲勞駕駛次數(shù)、怠速總數(shù)（怠速、超長(zhǎng)怠速次數(shù)總和）、怠速次數(shù)、行駛平均速度（單位：m/s）、日均行駛里程（單位：km/d）、急變速總次數(shù)（急加速、急減速次數(shù)總和）及超速次數(shù)作為評(píng)價(jià)指標(biāo)?？紤]到各指標(biāo)之間可能存在一定的相關(guān)性，所以本文將通過主成分分析提取主成分等操作對(duì)變量進(jìn)行降維處理。

在進(jìn)行主成分分析前，先對(duì)變量進(jìn)行相關(guān)性檢驗(yàn)，檢驗(yàn)結(jié)果顯示，10個(gè)變量之間存在一定程度的共線性，且Bartlett球形檢驗(yàn)結(jié)果顯著。因此，判定選定變量適合采用主成分分析。由于通過SPSS進(jìn)行主成分分析時(shí)會(huì)自動(dòng)將量綱不統(tǒng)一的變量進(jìn)行標(biāo)準(zhǔn)化處理，因此不用專門對(duì)變量進(jìn)行標(biāo)準(zhǔn)化處理，得到的方差分解矩陣見表1。

表1給出了各個(gè)成分的方差貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。選取特征值大于1的主成分分別記為第一主成分F1、第二主成分F2及第三主成分F3。第一主成分能解釋的方差占總方差的42.00%，前3個(gè)主成分的方差累計(jì)貢獻(xiàn)率達(dá)到了84.46%，因此運(yùn)用前3個(gè)主成分基本可以對(duì)行車安全進(jìn)行全面概述。表2為主成分分析的成分矩陣，將選定的10個(gè)指標(biāo)化為3個(gè)主成分，展示如下。

根據(jù)表2中各指標(biāo)的載荷貢獻(xiàn)大小，可以將主成分劃分如下。①行駛強(qiáng)度：行駛時(shí)間、怠速總數(shù)、怠速、行駛里程、疲勞駕駛時(shí)間、疲勞駕駛次數(shù);②行駛效率：日均行駛里程、平均行駛速度;③行駛速率：急變速總和、超速次數(shù)。對(duì)于確定的3個(gè)主成分，可以得到成分得分系數(shù)矩陣，結(jié)果見表3。

針對(duì)選取的30個(gè)車輛樣本信息，根據(jù)成分得分系數(shù)矩陣，可以分別計(jì)算出每輛車的各主成分得分F1、F2、F3，計(jì)算出的結(jié)果既有正值，也有負(fù)值。

在得到每輛車的各主成分得分后，需要對(duì)各主成分賦予適當(dāng)權(quán)重，以便對(duì)每輛車的行駛行為進(jìn)行評(píng)價(jià)。在以往的研究中，大多數(shù)人會(huì)采用專家評(píng)分法[5]給予各主成分不同的權(quán)重，但該方法具有較強(qiáng)的主觀性，如若判斷有誤，會(huì)對(duì)研究結(jié)果產(chǎn)生嚴(yán)重影響。因此，本文選擇采用客觀性較強(qiáng)的熵權(quán)法[6]對(duì)各主成分進(jìn)行賦權(quán)。通過python3.6編寫代碼，利用熵權(quán)法對(duì)3個(gè)主成分賦予權(quán)重，結(jié)果見表4。

將計(jì)算出的30輛車的各主成分得分F1、F2、F3和表4中賦予3個(gè)主成分的權(quán)重相乘，可以計(jì)算出30個(gè)樣本的綜合得分F，具體計(jì)算公式為F=α1F1+α2F2+α3F3。評(píng)判標(biāo)準(zhǔn)為最終得分F越高，行車就越安全。由最終的計(jì)算結(jié)果可知，30個(gè)樣本中車輛AD00022得分最高，為1.47，而車輛AM00176得分最低，為-1.34。對(duì)于未入選樣本的420輛營(yíng)運(yùn)車輛，同樣可以采用所建立的指標(biāo)體系計(jì)算車輛的綜合得分，從而對(duì)車輛的行駛安全性進(jìn)行評(píng)價(jià)。

本文最終選取排名第一、排名最后及排名居中共計(jì)4輛營(yíng)運(yùn)車輛，對(duì)它們的行駛安全性進(jìn)行比較分析，圖1為4輛營(yíng)運(yùn)車輛的各主成分得分和綜合得分條形圖。

由圖1可知，在行駛效率方面，車輛AE00028表現(xiàn)最佳;在行駛速率方面，車輛AB00210表現(xiàn)最佳;車輛AD00022在行駛安全性方面表現(xiàn)最佳。雖然車輛AD00022在行駛效率和行駛速率方面的表現(xiàn)不盡如人意，但它在行駛強(qiáng)度方面的表現(xiàn)卻遠(yuǎn)遠(yuǎn)高于其余3輛車，且前文通過熵權(quán)法對(duì)行駛強(qiáng)度F1賦予的權(quán)重高達(dá)55.21%，因此車輛AD00022最終的綜合得分最高。

3 結(jié)語

本文首先對(duì)獲取的車輛行駛信息通過python3.6進(jìn)行路線還原，然后利用熵權(quán)-主成分分析法進(jìn)行車輛行駛安全指標(biāo)體系構(gòu)建，并對(duì)樣本數(shù)據(jù)完整程度較好的30輛車進(jìn)行綜合打分，獲得正向得分越高的車輛行車越安全。由于行駛強(qiáng)度在綜合得分中的貢獻(xiàn)率為55.21%，所以提高車輛的行駛強(qiáng)度是提高車輛行車安全性的關(guān)鍵。

因此，司機(jī)在駕駛車輛時(shí)，應(yīng)注意車輛行駛強(qiáng)度，避免疲勞駕駛，減少車輛怠速次數(shù)，避免超長(zhǎng)怠速情況的發(fā)生。車輛怠速會(huì)對(duì)車輛造成損耗，增加油耗，超長(zhǎng)怠速會(huì)降低車輛本身的安全系數(shù)，對(duì)駕駛員的行車安全造成不利。當(dāng)然，急變速和超速行為也會(huì)給行車安全帶來負(fù)面影響。因此，為了自己和他人的安全，應(yīng)提高行車安全意識(shí)，嚴(yán)格遵守交通規(guī)則，安全使用車輛。

參 考 文 獻(xiàn)

[1]楊曼，吳超仲，張暉，等.行車安全事件的駕駛風(fēng)險(xiǎn)影響因素研究[J].交通信息與安全，2018，36（5）：34-39.

[2]雷財(cái)林，鐘添翼，蔡曉禹，等.基于車聯(lián)網(wǎng)OBD數(shù)據(jù)的道路安全評(píng)價(jià)方法[J].公路與汽運(yùn)，2019（1）：30-36.

[3]毛喆，嚴(yán)新平，吳超仲，等.疲勞駕駛時(shí)的車速變化特征[J].北京工業(yè)大學(xué)學(xué)報(bào)，2011，37（8）：1175-1183.

[4]馬聰.基于OBD技術(shù)的駕駛行為習(xí)慣評(píng)價(jià)方法研究[D].南京：南京大學(xué)，2016.

[5]張弛.遼寧省陸島運(yùn)輸安全評(píng)價(jià)指標(biāo)體系[J].北方交通，2018（6）：154-156.

[6]岳斯瑋.基于熵權(quán)-主成分分析的區(qū)域生態(tài)承載能力評(píng)價(jià)分析[J].重慶文理學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2019，38（2）：8-15.

[7]范東凱，曹凱.基于主成分分析法的城市道路交通安全評(píng)價(jià)[J].中國安全科學(xué)學(xué)報(bào)，2010，20（10）：147-151.