一种货运车辆驾驶行为评估服务系统的研究

丁富强 王华东 牛彦莉

（1．中国电子科技集团公司第二十七研究所，河南 郑州 450000；2．河南麒云智能科技有限公司，河南 郑州 450000）

0 引言

公路货运作为中国物流运输的主力，约有1 500多万辆货运车辆和3 000多万从业者，大部分货车没有固定的运营路线，流动性很高，且经营压力大。重载货车仍是超载、超速、疲劳驾驶的“重灾区”。官方数据显示，造成交通事故的主要原因是驾驶员疲劳驾驶和分心驾驶等人为操作。

随着机器视觉和人工智能技术的发展，基于摄像头的图像识别技术在汽车辅助驾驶安全领域的应用逐渐普及[1]。DSM设备通过分析驾驶员的面部表情特征、头部及肢体动作，实现对驾驶员实时驾驶行为的监测与分析。当驾驶员出现疲劳驾驶或分心驾驶等不良驾驶行为时，设备通过预警声音提醒驾驶员安全驾驶，同时通过4G网络与后台进行交互，实时上传报警信息及附件（视频、图片）。

传统的驾驶行为评估系统[3]是采用GID设备采集车辆行驶状态信息、GPS信息等数据，仅从车因子分析货运车辆的驾驶行为。该系统融合图像识别技术、智能车载感知技术、无线网络技术、网络爬虫技术、数据挖掘技术等技术，通过DSM设备采集货运车辆的行驶状况、驾驶员的驾驶状态和行车环境等数据。对从人、从车、从路、从环境4种因子进行分析，构建驾驶行为评估等级模型，评估预测货运车辆的安全等级，并在此基础上实现驾驶员在途疲劳驾驶双重提醒、安全教育、应急救援等服务。同时将驾驶行为评估报告推送至保险公司，为保险公司对货运车辆承保和理赔提供数据支撑。

1 驾驶行为分析评估理论

从人、从车、从路和从环境4种因子相互联系、相互作用，构成复杂的道路交通管理系统[2]。该系统对从人、从车、从路和从环境4种因子进行分析，挖掘影响货运车辆驾驶行为的因子，构成货运车辆驾驶行为评估模型。

1.1 驾驶行为因子分析

不同驾驶员驾驶同样的机动车面临相同的路况，采取的反应不尽相同。驾驶员的驾驶行为是信息感知、信息判断、反馈执行3个循环过程，影响驾驶行为的因子分为4种。

1.1.1 从人因子

该系统在必要的从人因子的基础上，创新地采用了DSM设备采集驾驶员的疲劳驾驶和分心驾驶数据。

1.1.2 从车因子

该系统对车辆静态因子（车辆类型、车辆使用性质、车龄、车辆总行驶里程等）和车辆动态因子（车辆状态数据、行驶里程、行驶时长、四急数据、GPS数据等）进行分析。

1.1.3 从路因子

该系统基于百度地图和高德地图，与货车行驶的行驶路况进行匹配，分析货运车辆行驶路线数据及路况数据。

1.1.4 从环境因子

该系统对天气数据进行收集，并引入驾驶行为评估模型中。

综上所述，该系统主要分析以下4个影响驾驶行为的因子。1）疲劳驾驶、分析驾驶。2）行驶里程、行驶时长、四急（急加速、急转弯、急减速、急刹车）、车速、出行时间。3）行驶路线。4）天气数据。

1.2 驾驶行为评估模型

该系统使用层次-熵权（AHP-EW）分析算法对驾驶行为评分指标的权值进行确定[4]，采用AHP和EW的比重分别为50%和50%，对各因子权值进行计算。

假设Wi表示AHP-EW组合权重，Si表示的是AHP算法得到的主观权值，Oi表示EW算法得到的客观权值，则

式中：α表示主观权重值占据组合权重值的比率，β表示客观权重值占据组合权重值的比。α和β满足关系α+β=1。通过求最优解：

式中：i表示指标层具体评分指标，该项目中指标层共有m=12个评分指标。

将公式（1）带入公式（2）计算出最优解：α=β=0.5。即当α=β=0.5时，Wi最小，驾驶行为对评估的影响最大。

评估模型以驾驶行为的评分指标作为目标层，行驶时长和行驶里程、四急、疲劳驾驶和分心驾驶数据、超速数据作为标准层，行驶时长、驾驶里程、四急、疲劳驾驶和分心驾驶数据、超速数据、行驶路线、天气数据的具体体现作为指标层进行建模。得出的结果见表1。

表1 各指标对应权值表

根据驾驶行为权重制定评分规则，系统设定基总分为100分/台·天，对货运车辆的驾驶行为进行评估。评分规则见表2。

表2 驾驶行为评分规则

2 总体架构

基于DSM设备的货车大数据驾驶行为评估系统以“端-管-云”架构[3]为基础，涉及信息感知、初步数据处理、数据传递、云端驾驶行为数据挖掘等内容，总体架构如图1所示。

2.1 端

该系统的各种应用服务通过移动终端或PC浏览器向用户进行延伸和展现。

2.2 管

DSM设备由内朝向驾驶者的摄像头以及嵌入式系统构成，摄像头采集车舱内驾驶者的面部表情特征、头部及肢体动作，结合嵌入式系统的逻辑技术分析驾驶者状态。当驾驶员在行车过程中触发疲劳驾驶预警、分心驾驶预警时，DSM设备将报警信息和相关附件按照相关协议传送至后台，后台按照驾驶行为危险等级模型进行预测判断，并将危险等级推送给亲属。

2.3 云

平台采用车联网大数据架构，利用大数据技术进行数据的存储、分析和应用。该系统采用数据库存储货车的相关数据，利用HDFS分布式文件系统对数据进行分布式存储，通过Yarn、Hadoop和Spark等技术对数据进行分析和管理，挖掘车辆状态、行驶里程、行驶时长、四急（急加速、急减速、急刹车、急转弯）、疲劳驾驶、分心驾驶等数据，结合网络爬虫技术采集天气和路况信息，建立驾驶行为评估模型，同时提供不同服务。

图1 系统总体架构

3 数据流程

系统数据流程如图2所示。DSM设备采集车辆的状态信息、位置信息、驾驶员驾驶行为信息，将相关数据上传至后台数据接收网关。数据接收网关解析处理后，按照指定格式将处理结果传给数据转存网关。数据转存网关对接收到的数据进行解析和组装，将组装的数据存储到数据库中。系统周期性地对驾驶行为数据进行批处理或实时处理，形成各种分析结果，并将分析结果推送给各类型用户。用户下发语音或控制命令至应用服务器。应用服务器根据命令处理相应业务，并将处理结果转发至数据转存网关。数据转存网关对命令进行初封包并下发至数据接收网关。数据接收网关按照协议进行封包并下发，DSM设备执行相对应命令。

4 典型应用场景

4.1 “双重提醒”应用场景

当货运车辆驾驶员出现疲劳驾驶预警、分心驾驶预警时，DSM设备将报警信息和相关附件上传至平台。平台按照驾驶行为危险等级预测模型预测驾驶员可能存在的危险等级，同时将危险等级推送至管理人员和驾驶员直系亲属。管理人员通过后台下发TTS语音播报，和驾驶员直系亲属进行通话，实现管理人员和驾驶员亲属双重提醒，确保驾驶员行车安全，避免交通事故的发生。

4.2 “安全教育”应用场景

“安全教育”是结合货车驾驶员的驾驶行为评估报告，提供的专属教育内容。货车运营一定时间后，平台根据历史数据分析相关的驾驶习惯，结合安全教育评估模型，为驾驶员提供专属的安全教育内容。“安全教育”内容以2种方式呈现给用户。1）通过移动端App对驾驶员进行安全教育和考核。2）货运车辆新启动时，平台直接轮训推送至DSM设备，由DSM设备通过TTS语音播报对驾驶员进行安全教育。

图2 系统数据流程框图

5 结语

该系统根据车联网大数据架构进行构建，创新地在货运车辆上安装DSM设备，通过DSM设备采集货运车辆和驾驶员的相关信息，从数据的采集、存储、分析、建模等方面进行描述。该系统构建了“双重提醒”和“安全教育”等应用场景，以此来确保驾驶人员的安全。对从人、从车、从路、从环境4种因子进行分析，以驾驶里程、驾驶时长、四急、疲劳驾驶、分心驾驶、天气、行驶路线等为依据，制定合理的货运车辆驾驶行为评分模型。系统可形成各种驾驶行为评估报告，现已与河南省某保险公司合作，为其承保和理赔提供数据支撑。该系统具有真实性和实际价值，在货运车险行业具有很好的应用前景。