一种基于多属性决策的驾驶行为安全性评估方法

摘要

本发明公开了一种基于多属性决策的驾驶行为安全性评估方法，通过实车数据采集平台采用不同驾驶人的驾驶数据，基于驾驶人的驾驶数据，初步选取并计算多个评价指标；对评价指标进行Pearson相关性分析，保留最能体现评估结果的关键指标；用层次分析法确定各个评估指标的主观权重pj；用熵值法确定各个评估指标的客观权重qj；基于得到的主观权重pj和客观权重qj通过乘法集成法得到指标综合权重wj，利用改进型TOPSIS方法进行多属性决策，计算驾驶人与理想解的相对贴近度Ci，根据相对贴近度Ci评估对象的驾驶行为安全等级。

说明书

技术领域

本发明属于车辆主动安全领域，尤其是一种基于多属性决策的驾驶行为安全性评估方法。

背景技术

世卫组织在《道路安全全球现状报告2018》指出，世界范围内每年超过120万人丧生于道路交通事故，超过2000万人因交通事故致残致伤。仅2018年，我国交通事故发生总数24.49万起，造成25.85万人受伤，其中机动车交通事故数21.62万起，造成5.81万人死亡，22.74万人受伤，机动车事故受伤人数占比达到88％，所造成的直接经济损失达13.8456亿元。

驾驶人作为道路交通系统的主体，是道路交通安全的核心问题，对于驾驶人行为的研究已成为各国研究人员的研究热点。面对相同的道路交通环境，不同的驾驶人踩制动踏板和油门踏板，转方向盘的方式和跟车距离也各不相同，所以不同驾驶行为导致的事故风险性也各不相同。

研究驾驶行为与事故倾向之间的关系，可以量化评估个人驾驶行为的安全性并将其作为事故风险的评价指标，有效预测驾驶风险，有助于区分安全的驾驶人和不安全的驾驶人。由于驾驶行为实时数据采集方式的多样性和当前道路交通智能化的发展，基于大数据和便携设备的实时驾驶行为安全性评价研究将会是一个趋势，有利于提高车辆主动安全性。

发明内容

为了解决现有技术中的不足，本发明提出了一种基于多属性决策的驾驶行为安全性评估方法，本发明的评估方法能够对不同驾驶行为的安全等级进行较为客观的评估，有效提高该评估方法的可行性和准确性。

本发明所采用的技术方案如下：

S1、通过实车数据采集平台采集不同驾驶人的驾驶数据，基于驾驶人的驾驶数据，初步选取并计算多个评价指标；

S2、对评价指标进行Pearson相关性分析，保留最能体现评估结果的关键指标；

S3、对各个关键指标进行赋权，具体为：

S3.1、用层次分析法确定各个评估指标的主观权重p

S3.2、用熵值法确定各个评估指标的客观权重q

S3.3、基于得到的主观权重p

S4、利用改进型TOPSIS方法进行多属性决策，计算驾驶人与理想解的相对贴近度C

进一步，S4中利用改进型TOPSIS方法进行多属性决策的方法为：

S4.1、根据原始数据建立决策矩阵：

利用极值法对指标原始数据进行规范化处理，得到规范化矩阵σ：

对各指标赋权，将规范化指标数据矩阵乘以综合权重矩阵就得到评估矩阵V。

确定正理想解

S4.2、设第i个驾驶人的所有指标向量为：X

其中，A

S4.3、驾驶人A

其中，

S4.4、通过马氏距离求得的d(A

式中，系数α、β满足α+β＝1；则各驾驶人与理想解的相对贴近度为：

进一步，S3.1中确定各个评估指标的主观权重p

S3.1.1、基于关键指标建立递阶层次；

S3.1.2、构造判断矩阵，若上一层指标支配的下一层指标有n个，n个指标就构成一个两两比较的判断矩阵A＝(a

S3.1.3、若向量ω＝[ω

S3.1.4、在计算得到主观权重p

进一步，S3.2、采用熵值法确定各个评估指标的客观权重q

S3.2.1、计算第j项指标下，第i个驾驶人的特征比重：

S3.2.2、计算第j项指标的熵值：

S3.2.3、计算第j项指标的差异性系数：g

S3.2.4、确定第j项指标的客观权重：

进一步，S2中相关性分析的过程如下：根据相关系数公式计算不同指标之间的相关性：

进一步，用于安全性评估的关键指标分别是：变换车道视觉感知行为安全性指标LCTR、前方障碍物视觉感知安全性指标OSIA、制动幅值变化率BACV、方向盘转角熵值SE、纵向速度标准差V

进一步，获得变换车道视觉感知行为安全性指标LCTR的方法为：将驾驶人换道过程的注视区域划分为5块：车道正前方、车道左前方、车道右前方、左后视镜和右后视镜；通过眼动仪采集的不同驾驶人注视点数据，且利用K-means方法对通过眼动仪采集的不同驾驶人注视点数据进行聚类；最终选择左侧换道驾驶人注视左后视镜和车道正前方的平均次数，右侧换道注视右后视镜和车道正前方的平均次数作为分析驾驶人变换车道视觉感知行为安全性的指标；每一位驾驶人换道过程观测不同位置的次数与样本中规范性要求下变换车道注视行为水平均值进行对比，得到驾驶人变换车道视觉感知行为安全性指标

本发明的有益效果：

1、本发明基于实车试验方式采集驾驶人视觉行为参数、驾驶人操纵行为数据和车辆运行状态数据，完善了驾驶行为安全性评估指标体系。其次，通过Pearson相关性分析确定关键指标，避免了因为选取的评价指标之间关联性而造成指标的冗余以及增大计算量等问题，可以提高本评估方法的效率、降低计算复杂度。

2、本发明对关键指标进行赋权时，然后通过主观的层次分析法和客观的熵值法结合确定各个评估指标的综合权重矩阵；可以使得到的指标权重更合理。

3、由于驾驶行为安全性表征指标之间存在一定的相关性，本发明通过一种改进的TOPSIS多属性决策方法对不同驾驶人行为的安全等级进行评估。本发明通过马氏距离和联系向量距离结合代替传统计算方法中的欧氏距离，可以考虑评估指标存在相关性时带来的影响，提高评估结果的准确性，同时对评估对象的相对优劣进行客观合理的评估。

附图说明

图1为搭建的实车数据采集平台；

图2为驾驶人换道过程注视区域划分示意图；

图3为世界坐标系下驾驶人前视预瞄距离示意图；

图4为层次分析法确定指标主观权重流程图；

图5为本发明的流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

一种基于多属性决策的驾驶行为安全性评估方法，包括如下步骤：

S1、初步选取多个评价指标；

在道路交通条件相同的情况下，由于不同驾驶人在跟车距离和注视区域等方面都有很大差异，最终影响车辆行驶稳定性和安全性。本发明利用K-means方法对通过眼动仪采集的不同驾驶人注视点数据进行聚类，如图2所示，将驾驶人换道过程的注视区域划分为5块：车道正前方，车道左前方，车道右前方，左后视镜和右后视镜。

通过对驾驶人注视点位置的聚类分析，左侧换道过程与右侧换道过程的视点分布均呈现出一定的规律。因此，本发明对驾驶人在要求规范性变换车道情况下，注视不同位置的平均次数进行统计分析，发现存在明显的差异性。本发明选择左侧换道驾驶人注视左后视镜和车道正前方的平均次数，右侧换道注视右后视镜和车道正前方的平均次数作为分析驾驶人变换车道视觉感知行为安全性的指标。

经过分析，本发明提出利用每一位驾驶人换道过程观测不同位置的次数与样本中规范性要求下变换车道注视行为水平均值进行对比，得到驾驶人变换车道视觉感知行为安全性指标(LCTR)。

式中，F为各驾驶人换道过程观测不同区域的总次数；A为规范性要求下变换车道注视行为水平均值。若LCTR＝1，说明该驾驶人换道视觉行为特性与规范性要求一致，而LCTR＞1或LCTR＜1都说明该驾驶人换道视觉感知行为安全性降低。

驾驶人前视预瞄行为可以指导汽车未来一段时间的运动轨迹，也就是说预瞄点可以落在汽车未来行驶轨迹上。如图3所示，可利用驾驶人视线点在世界坐标系下的投影，通过三角函数关系计算得到驾驶人前视预瞄距离：

式中，GazeOrigin.y为视点位置的y方向坐标；h为地面与世界坐标系水平面的垂直距离；GazeDirection.y为世界坐标系下视线在y方向的单位分量；GazeDirection.z为世界坐标系下视线在z方向的单位分量。

在车辆正常行驶过程中，如果前方有障碍物出现，而道路条件又无法进行转向操作时，紧急制动就十分必要，能否在一定距离内停车直接关系到驾驶人的生命安全。本发明采用的安全制动距离表示为：

式中，S为安全制动距离；v为自车车速；v

通过安全制动距离与驾驶人前视预瞄距离的比值(OSIA)来表征驾驶人直行过程对前方障碍物视觉感知安全指标：

若OSIA＜1，说明前视预瞄距离大于安全制动距离，进行紧急制动所需距离足够，安全性较高；若OSIA＞1，则说明前视预瞄距离小于安全制动距离，进行紧急制动已没有足够距离，安全性较低。

纵向操纵行为安全性指标主要表现为制动幅值变化率(BACV),在采样周期T内的制动幅值变化率可以反映出一段时间周期内制动行为的急缓程度。计算式如下：

式中，N为采样周期内的采样次数，b(i)为第i次制动幅值采样样本。

横向操纵行为安全性指标主要表现为方向盘转角熵值(SE)，方向盘转角熵值越大，说明驾驶人的横向操纵行为越不稳定，驾驶人的心理负荷增大，进一步影响行车安全性。SE是根据方向盘转角的预测偏差出现的概率来计算的，θ

具体计算式如下：

方向盘转角的预测偏差为：e

为方便进行计算和分析，将方向盘转角预测误差值划分为9个区域(P1到P9)。其中有90％的预测误差值落在[-α，+α]范围内，α确定为1°，根据误差值落在各个区间的频数确定各区间的概率分布值P

SE反映出驾驶人在任意时刻转动方向盘角度预测误差值分布情况的不确定性，熵值越小说明驾驶人横向操纵行为安全性越高，熵值越大则说明安全性越低。

纵向速度标准差体现出车速在所采集时间段内的变化情况，计算式如下：

式中，N为采样周期内的采样次数，V

纵向加速度标准差反映出加速度在所采集时间段内的变化情况，也是一个与车辆纵向运行状态安全性有关的重要指标，计算式如下：

式中，N为采样周期内的采样次数，V

急加速行为也是一种影响驾驶安全的因素，过多猛踩加速踏板行为更容易造成追尾，而采样时间段内纵向加速度的变化率可以反映出一段时间内加速的急缓程度，纵向加速度变化率的值越大，说明纵向驾驶安全性越低。计算式如下:

式中，N为采样周期内的采样次数，a(i)为第i次纵向加速度采样样本；采样时间段长度为T。

车辆的横向运动是由于驾驶人对方向盘的操作产生的，因此要表征车辆横向运动状态，方向盘转角是一个重要指标。

方向盘转角标准差计算式如下：

式中，N为采样周期内的采样次数，θ

横向加速度标准差计算式如下：

式中，N为采样周期内的采样次数，L

在驾驶过程中，如果车辆的横向偏移量过大，会造成压线行驶，形成安全隐患，严重影响行车安全。而车辆的横向偏移距离均值与实际车道宽度的百分比反映出车辆横向偏移相对于所在车道宽度的偏差程度。本发明通过横向偏移距离均值占所在车道宽度百分比指标(LKSR)来表征驾驶人横向车道保持安全性。

设dl

式中，N为采样周期内的采样次数，dl

为了得到上述所选取的评价指标，本发明通过搭建的实车数据采集平台采集不同驾驶人的各类型数据；具体地，如图1所示，试验车辆集成了CAN总线车辆运行状态数据采集和驾驶人眼动信息采集系统，对相同道路交通环境下，不同驾驶人行为的安全性进行分析。所选择的试验路段为某城市快速公路，试验车辆装备有毫米波雷达、摄像头、行车记录仪、Smart-eyes眼动仪、方向盘转角传感器、轮速传感器和GPS等。且通过工控机记录上述试验车辆的各类数据，并将采集的数据集中转换，实现数据的同步输出。

S2、并通过Pearson相关性分析，保留最能体现评估结果的关键指标。

在一个评价集中，评价指标之间会存在某种联系，利用Pearson相关性分析可得到指标之间是否存在过强的关联性，如果指标间的关联性过强，会造成指标的冗余，计算量增加。因此本发明通过Pearson相关性分析，保留最能体现评估结果的关键指标，来减少计算的复杂度。

因此，对S1中初步选择的评价指标进行相关性分析，相关性分析的过程如下：

根据相关系数公式计算不同指标之间的相关性：

其中，S

通过相关性分析可以发现，纵向速度标准差和纵向加速度标准差的相关性较高，又属于同一类指标，因此保留纵向速度标准差指标，去除纵向加速度标准差指标，最后得到9个用于安全性评估的关键指标如下：变换车道视觉感知行为安全性指标(LCTR)、前方障碍物视觉感知安全性指标(OSIA)、制动幅值变化率(BACV)、方向盘转角熵值(SE)、纵向速度标准差V

S3、得到9个关键指标之后，需要对各个关键指标进行赋权；用层次分析法确定各个评估指标的主观权重p

S3.1、如图4用层次分析法确定各个评估指标的主观权重p

S3.1.1、建立递阶层次；一般采用9级标度来表示不同指标之间的相对重要程度：1表示两个指标之间重要程度相同，9表示前者比后者重要很多。如下表所示：

S3.1.2、构造判断矩阵，若上一层指标支配的下一层指标有n个，那这n个指标就构成一个两两比较的判断矩阵A＝(a

S3.1.3、若向量ω＝[ω

Aω＝λ

式中，λ

S3.1.4、在计算得到主观权重p

其中，n为矩阵阶数；

随机一致性比例计算式如下：

其中，RI为平均随机一致性指标，对于1～9阶判断矩阵具体取值如下表所示：

当随机一致性比例CR＜0.1时，认为判断矩阵具有一致性。若一致性检验通过，说明该主观权重p

S3.2、熵值法是一种客观赋权法，根据各项指标原始数据所提供的信息量的大小来确定指标权重。设X

S3.2.1、计算第j项指标下，第i个驾驶人的特征比重：

其中，i＝1,2,…,m，m为驾驶人总数，j＝1,2,…,n，n为评估指标总数；

S3.2.2、计算第j项指标的熵值：

其中，k为系数，m为驾驶人总数；

S3.2.3、计算第j项指标的差异性系数：

g

S3.2.4、确定第j项指标的客观权重：

其中，m为驾驶人总数；

S3.3、基于主观权重p

式中，w

S4、TOPSIS的原理是通过计算各评估对象与理想化目标的相对贴近度来进行相对优劣排序，其中理想化目标包含了正理想解S

S4.1、设有m个驾驶人分别是A

(1)根据原始数据建立决策矩阵：

(2)由于不同指标数据的量纲存在差异，本发明先利用极值法对指标原始数据进行规范化处理，得到规范化矩阵σ：

(3)对各指标赋权，将规范化指标数据矩阵乘以综合权重矩阵就得到评估矩阵V。

(4)确定正理想解S

若指标C

若指标C

S4.2、分别计算各驾驶人到正负理想解的距离；

设第i个驾驶人的所有指标向量为：X

其中，A

S4.3、定义1.设集合A

定义2.设集合A

根据集对分析思想，把正负理想解看成是确定不确定系统中相互对立的关系。所以需要计算各个驾驶人与正理想解的联系度_k

若评估指标为效益型指标，由评估对象A

其中，

当

当

同理可计算评估对象A

其中，

当

当

若评估指标为成本型指标，则联系度计算方式与效益型指标恰好相反。

根据前面的定义，驾驶人A

S4.4、通过以上对马氏距离和联系向量距离改进原理的介绍，对通过马氏距离求得的d(A

式中，系数α+β＝1，具体数值由决策者决定，本发明取系数α＝β＝0.5

则各驾驶人与理想解的相对贴近度为：

这样计算得到的新相对贴近度克服了传统TOPSIS多属性决策方法在距离计算方式上的两个缺陷，使得评估结果更加科学合理。

最后，根据相对贴近度C

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。