一種貨運車輛駕駛行為評估服務系統的研究

丁富強 王華東 牛彥莉

（1．中國電子科技集團公司第二十七研究所，河南 鄭州 450000；2．河南麒云智能科技有限公司，河南 鄭州 450000）

0 引言

公路貨運作為中國物流運輸的主力，約有1 500多萬輛貨運車輛和3 000多萬從業者，大部分貨車沒有固定的運營路線，流動性很高，且經營壓力大。重載貨車仍是超載、超速、疲勞駕駛的“重災區”。官方數據顯示，造成交通事故的主要原因是駕駛員疲勞駕駛和分心駕駛等人為操作。

隨著機器視覺和人工智能技術的發展，基于攝像頭的圖像識別技術在汽車輔助駕駛安全領域的應用逐漸普及[1]。DSM設備通過分析駕駛員的面部表情特征、頭部及肢體動作，實現對駕駛員實時駕駛行為的監測與分析。當駕駛員出現疲勞駕駛或分心駕駛等不良駕駛行為時，設備通過預警聲音提醒駕駛員安全駕駛，同時通過4G網絡與后臺進行交互，實時上傳報警信息及附件（視頻、圖片）。

傳統的駕駛行為評估系統[3]是采用GID設備采集車輛行駛狀態信息、GPS信息等數據，僅從車因子分析貨運車輛的駕駛行為。該系統融合圖像識別技術、智能車載感知技術、無線網絡技術、網絡爬蟲技術、數據挖掘技術等技術，通過DSM設備采集貨運車輛的行駛狀況、駕駛員的駕駛狀態和行車環境等數據。對從人、從車、從路、從環境4種因子進行分析，構建駕駛行為評估等級模型，評估預測貨運車輛的安全等級，并在此基礎上實現駕駛員在途疲勞駕駛雙重提醒、安全教育、應急救援等服務。同時將駕駛行為評估報告推送至保險公司，為保險公司對貨運車輛承保和理賠提供數據支撐。

1 駕駛行為分析評估理論

從人、從車、從路和從環境4種因子相互聯系、相互作用，構成復雜的道路交通管理系統[2]。該系統對從人、從車、從路和從環境4種因子進行分析，挖掘影響貨運車輛駕駛行為的因子，構成貨運車輛駕駛行為評估模型。

1.1 駕駛行為因子分析

不同駕駛員駕駛同樣的機動車面臨相同的路況，采取的反應不盡相同。駕駛員的駕駛行為是信息感知、信息判斷、反饋執行3個循環過程，影響駕駛行為的因子分為4種。

1.1.1 從人因子

該系統在必要的從人因子的基礎上，創新地采用了DSM設備采集駕駛員的疲勞駕駛和分心駕駛數據。

1.1.2 從車因子

該系統對車輛靜態因子（車輛類型、車輛使用性質、車齡、車輛總行駛里程等）和車輛動態因子（車輛狀態數據、行駛里程、行駛時長、四急數據、GPS數據等）進行分析。

1.1.3 從路因子

該系統基于百度地圖和高德地圖，與貨車行駛的行駛路況進行匹配，分析貨運車輛行駛路線數據及路況數據。

1.1.4 從環境因子

該系統對天氣數據進行收集，并引入駕駛行為評估模型中。

綜上所述，該系統主要分析以下4個影響駕駛行為的因子。1）疲勞駕駛、分析駕駛。2）行駛里程、行駛時長、四急（急加速、急轉彎、急減速、急剎車）、車速、出行時間。3）行駛路線。4）天氣數據。

1.2 駕駛行為評估模型

該系統使用層次-熵權（AHP-EW）分析算法對駕駛行為評分指標的權值進行確定[4]，采用AHP和EW的比重分別為50%和50%，對各因子權值進行計算。

假設Wi表示AHP-EW組合權重，Si表示的是AHP算法得到的主觀權值，Oi表示EW算法得到的客觀權值，則

式中：α表示主觀權重值占據組合權重值的比率，β表示客觀權重值占據組合權重值的比。α和β滿足關系α+β=1。通過求最優解：

式中：i表示指標層具體評分指標，該項目中指標層共有m=12個評分指標。

將公式（1）帶入公式（2）計算出最優解：α=β=0.5。即當α=β=0.5時，Wi最小，駕駛行為對評估的影響最大。

評估模型以駕駛行為的評分指標作為目標層，行駛時長和行駛里程、四急、疲勞駕駛和分心駕駛數據、超速數據作為標準層，行駛時長、駕駛里程、四急、疲勞駕駛和分心駕駛數據、超速數據、行駛路線、天氣數據的具體體現作為指標層進行建模。得出的結果見表1。

表1 各指標對應權值表

根據駕駛行為權重制定評分規則，系統設定基總分為100分/臺·天，對貨運車輛的駕駛行為進行評估。評分規則見表2。

表2 駕駛行為評分規則

2 總體架構

基于DSM設備的貨車大數據駕駛行為評估系統以“端-管-云”架構[3]為基礎，涉及信息感知、初步數據處理、數據傳遞、云端駕駛行為數據挖掘等內容，總體架構如圖1所示。

2.1 端

該系統的各種應用服務通過移動終端或PC瀏覽器向用戶進行延伸和展現。

2.2 管

DSM設備由內朝向駕駛者的攝像頭以及嵌入式系統構成，攝像頭采集車艙內駕駛者的面部表情特征、頭部及肢體動作，結合嵌入式系統的邏輯技術分析駕駛者狀態。當駕駛員在行車過程中觸發疲勞駕駛預警、分心駕駛預警時，DSM設備將報警信息和相關附件按照相關協議傳送至后臺，后臺按照駕駛行為危險等級模型進行預測判斷，并將危險等級推送給親屬。

2.3 云

平臺采用車聯網大數據架構，利用大數據技術進行數據的存儲、分析和應用。該系統采用數據庫存儲貨車的相關數據，利用HDFS分布式文件系統對數據進行分布式存儲，通過Yarn、Hadoop和Spark等技術對數據進行分析和管理，挖掘車輛狀態、行駛里程、行駛時長、四急（急加速、急減速、急剎車、急轉彎）、疲勞駕駛、分心駕駛等數據，結合網絡爬蟲技術采集天氣和路況信息，建立駕駛行為評估模型，同時提供不同服務。

圖1 系統總體架構

3 數據流程

系統數據流程如圖2所示。DSM設備采集車輛的狀態信息、位置信息、駕駛員駕駛行為信息，將相關數據上傳至后臺數據接收網關。數據接收網關解析處理后，按照指定格式將處理結果傳給數據轉存網關。數據轉存網關對接收到的數據進行解析和組裝，將組裝的數據存儲到數據庫中。系統周期性地對駕駛行為數據進行批處理或實時處理，形成各種分析結果，并將分析結果推送給各類型用戶。用戶下發語音或控制命令至應用服務器。應用服務器根據命令處理相應業務，并將處理結果轉發至數據轉存網關。數據轉存網關對命令進行初封包并下發至數據接收網關。數據接收網關按照協議進行封包并下發，DSM設備執行相對應命令。

4 典型應用場景

4.1 “雙重提醒”應用場景

當貨運車輛駕駛員出現疲勞駕駛預警、分心駕駛預警時，DSM設備將報警信息和相關附件上傳至平臺。平臺按照駕駛行為危險等級預測模型預測駕駛員可能存在的危險等級，同時將危險等級推送至管理人員和駕駛員直系親屬。管理人員通過后臺下發TTS語音播報，和駕駛員直系親屬進行通話，實現管理人員和駕駛員親屬雙重提醒，確保駕駛員行車安全，避免交通事故的發生。

4.2 “安全教育”應用場景

“安全教育”是結合貨車駕駛員的駕駛行為評估報告，提供的專屬教育內容。貨車運營一定時間后，平臺根據歷史數據分析相關的駕駛習慣，結合安全教育評估模型，為駕駛員提供專屬的安全教育內容?！鞍踩逃眱热菀?種方式呈現給用戶。1）通過移動端App對駕駛員進行安全教育和考核。2）貨運車輛新啟動時，平臺直接輪訓推送至DSM設備，由DSM設備通過TTS語音播報對駕駛員進行安全教育。

圖2 系統數據流程框圖

5 結語

該系統根據車聯網大數據架構進行構建，創新地在貨運車輛上安裝DSM設備，通過DSM設備采集貨運車輛和駕駛員的相關信息，從數據的采集、存儲、分析、建模等方面進行描述。該系統構建了“雙重提醒”和“安全教育”等應用場景，以此來確保駕駛人員的安全。對從人、從車、從路、從環境4種因子進行分析，以駕駛里程、駕駛時長、四急、疲勞駕駛、分心駕駛、天氣、行駛路線等為依據，制定合理的貨運車輛駕駛行為評分模型。系統可形成各種駕駛行為評估報告，現已與河南省某保險公司合作，為其承保和理賠提供數據支撐。該系統具有真實性和實際價值，在貨運車險行業具有很好的應用前景。