營運車輛駕駛行為的研究與應用*

姚 文 宋凌寧 姚 瀾

（南京理工大學 南京 210000）

1 引言

當前道路運輸行業普遍利用運輸車輛衛星定位系統來獲取數據，且對數據的應用方面主要集中在記錄、監控車輛的位置、時間、運行速度等，在此基礎上提出的駕駛行為評價方法大多是給出每個駕駛員的駕駛行為得分［1］。而本文采用某公司車輛自動采集上傳至車聯網的駕駛行為數據作為數據來源。車聯網是通過預先安裝在車輛上的設備（標簽），利用相關識別技術，完成對車輛的屬性信息，靜、動態信息的記錄和存儲工作，并對相關車輛的行車狀態進行有效的監督和提供服務的系統［2］。該數據不僅包含車輛行駛的基本信息，更記錄了發動機狀態，轉向燈狀態，手剎、腳剎狀態等一系列車輛GPS定位系統難以獲取的狀態信息［3］。本文針對車輛狀態信息提出了駕駛行為識別算法與指標評價標準［4］，并在計算出駕駛員各項指標得分后，采用K-means聚類方法對駕駛行為數據進行更加客觀合理的等級劃分，為評估駕駛行為提供了一種可行的方法。

2 安全駕駛評價模型

通過查閱相關文獻及法律法規，確定危險駕駛行為特征，建立安全駕駛評價模型［5］。如圖1所示［6］。

圖1 安全駕駛評價模型

2.1 安全駕駛評分指標選取

本文從八個方面對安全駕駛行為進行分析，如表1所示［7］。

表1 安全駕駛行為評價指標

2.2 各項評價指標得分細則

參考2011年頒布的《交通運輸行業標準（JT/T807-2011）：釋義》［8］，及相關規章制度［9］，本模型各項評價指標的得分細則如表2所示［10］。

表2 單項評價指標得分細則

3 聚類分析

聚類分析（Cluster Analysis）簡稱聚類，其目的在于將數據分成不同的類簇，使得類簇之間相異性較高，而類簇內部的數據相似度較高［11］。本節的聚類算法模型在于以類簇的形式展現不同類別駕駛員的行為特性，以此作為等級判定標準。本文在前兩節數據結果的基礎上，對某營運企業車聯網行車記錄進行聚類分析，通過得到的類簇分析每一類簇特征，構建駕駛行為評價等級。方法如下：1）提取聚類特征，以安全駕駛評價指標的得分情況作為聚類特征；2）對車輛得分數據進行K-means聚類，聚類數目為4，即構建4類駕駛行為［12］；3）為方便數據可視化，觀察聚類結果，對數據進行PCA降維處理，降為2維數據特征，生成聚類結果圖；4）分析聚類結果，得到每一類簇的數量；根據每一類簇的中心，分析該類簇的特征，最終得到各駕駛員類別和安全駕駛等級［13］。

4 安全駕駛行為評價模型的檢驗

采用某公司營運車輛在三個月內記錄的實際車輛數據集進行測試。行車路線主要集中在贛、皖等地，行程均在200km以上，運輸路線以高速公路和省道居多，每日駕駛時長平均4h～8h左右。聚類結果如圖2所示。本模型將駕駛行為分為優（A）、良（B）、中（C）、差（D）四個等級。其中：A類占整個樣本的22%。該類駕駛員在整個行車過程中，無不良駕駛習慣，能夠達到良好駕駛規范標準。B類占這個樣本的33%。該類駕駛員在行駛過程中雖平均車速不快，但發動機怠速運轉較多，存在一些不必要的急加急減速情況，駕駛行為良好。C類占整個樣本的30%。該類駕駛員雖整體車速不快，但存在熄火滑行、緊急變道等危險駕駛習慣，急加速、急減速的整體占比也很高。存在一些危險駕駛行為。需要改善一些不良的駕駛行為。D類占樣本的15%。該類駕駛員雖疲勞駕駛情況不多，但駕駛過程中行車速度過快，急加、急減、急轉彎非常頻繁，存在嚴重的危險駕駛行為。不符合安全駕駛行為標準要求［14］。

圖2 聚類分析結果

5 結語

駕駛員的駕駛行為是確保行駛安全的重點［15］，本文從營運車輛駕駛行為的角度出發，針對某營運公司車輛信息數據，選取行駛車速、超長怠速、怠速預熱、急加速、急減速、急轉彎、疲勞駕駛、熄火滑行等八類駕駛行為評價指標進行識別，并將安全駕駛行為使用聚類算法分成四個等級。

通過真實車輛數據的驗證和分析，本文提出的安全評價模型可以對駕駛員的安全駕駛行為進行客觀、準確的評價；可以對各類駕駛行為進行精確合理的等級劃分。因此，本模型為避免因駕駛員行為不當導致的交通事故，提供了一種可行的方法。