基于大数据的营运车辆驾驶行为谱特征研究

Driving behavior’s spectrum of operation vehicle is an organizational data system after quantitatively analyzing the law of driver behavior information by large-scale acquisition, and is the theory basis of safety education for driving behavior. Constructing a driving behavior’s spectrum needs to solve the theoretical problem of extracting driving behavior features and digging driving behavior laws from big data information, and to explore safety assessment method of driving behavior. This project is on the basis of big data feedback from operating vehicles experiments. Firstly, we propose a new multiple-source information fusion algorithm under the framework of grey information processing according to the incompleteness and multi-source heterogeneity of driving behavior information data, which can be used to extract characteristics of operating vehicles driving behavior comprehensively. Then we reveal the laws of operating vehicles driving behavior through analyzing behavior features and its influence factors by multivariate statistical methods, and establish spatio-temporal random association model considering space-time attributes of big data and for randomness of driving behavior process, in order to build a driving ethogram of operating vehicles. Finally we put forward a genome sequence alignment algorithm and an improved TOPSIS evaluation model based on the features of behavior spectral to assess the safety of driving behavior patterns and operating characteristics. Results will have an important significance in improving our driving behavior spectrum system in theory and can supply technical support for safe driving of operating vehicles in practice.

营运车辆驾驶行为谱是在定量分析大规模采集的驾驶行为信息规律后编制的数据体系，是开展驾驶行为安全教育的理论依据。构建驾驶行为谱需要解决驾驶行为大数据信息特征提取，以及驾驶行为规律挖掘的理论问题，并探索驾驶行为安全性的评估方法。本项目以实车实验反馈的营运车辆驾驶行为大数据信息为研究对象，首先针对信息的不完备性和多源异构性，提出灰信息处理框架下的多源信息融合新算法，全面提取营运车辆的驾驶行为特征向量；然后通过对驾驶行为特征及其影响因素进行多元统计分析，并考虑驾驶行为的随机性因素和大数据信息的时空属性，建立时空随机关联模型，揭示营运车辆的驾驶行为特征规律，进而构建驾驶行为谱；最后基于行为谱特征，提出基因组比对序列算法和改进的TOPSIS方法，分别评估营运车辆驾驶行为模式和操作特征的安全性。研究结果在理论上对发展和完善营运车辆驾驶行为谱体系具有重要意义，在实践中为营运车辆安全驾驶提供技术支持。

定量分析大规模采集的驾驶行为信息、挖掘营运车辆驾驶行为规律，和探索驾驶行为安全性的评估方法，是开展驾驶行为安全教育的理论依据。本项目以实车实验反馈的营运车辆驾驶行为大数据信息为研究对象，首先针对信息的不完备性和多源异构性，建立了灰信息处理框架，包括基于灰朦胧集的四种形态(胚胎态、发育态、成熟态、实证态)，定义灰信息空间的拓扑体系（灰信息的层次空间、内涵空间等），提出灰原始核、灰转移核、灰原始信息测度与灰转移信息测度的概念及其度量公式，并定义灰信息运算法则；提出了多源信息融合新算法，并提取了营运车辆的驾驶行为特征向量。然后运用统计方法和统计模型，包括利用DBSCAN聚类方法和Spearman 秩相关分析方法分别对驾驶行为速度、加速度特征，及天气因素对驾驶行为的影响进行了分析；运用结构方程模型量化了疲劳驾驶行为的影响因素，包括驾龄、年龄、生理状况等与疲劳驾驶行为的相关系数；并提出改进沙漏模型分析了换道行为的相关特性，包括换道概率、换道时长等，在此基础上揭示了营运车辆的驾驶行为特征规律。最后基于驾驶行为特征，讨论了加速度波动特性的规律；并以跟驰行为作为研究对象，提出了改进的IDM-GARCH模型，分析加速度波动特性的原因，将其用安全驱动力和效率驱动力进行定义，且通过实证研究给出车辆驾驶安全性评估方法。在安全性和交通通行效率的基础上，提出驾驶员满意度，将三者作为评估指标，分析高速公路上限速对超车行为的影响，进而提出了一种新的可变限速规则。研究结果在理论上对发展和完善营运车辆驾驶行为谱体系具有重要意义，在实践中为营运车辆安全驾驶提供技术支持。