[發(fā)明專利]基于加速失效風(fēng)險模型的駕駛員事故動態(tài)預(yù)警方法

有效

• 申請?zhí)枺?/td>: 201811414169.6
• 申請日: 2018-11-26
• 公開（公告）號: CN109671266B
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計）人: 楊小寶;高自友;劉義;張俊輝;孫會君
• 申請（專利權(quán)）人: 北京交通大學(xué)
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06F16/2458;G06Q10/06
• 代理公司: 北京衛(wèi)平智業(yè)專利代理事務(wù)所(普通合伙) 11392
• 代理人: 謝建玲;郝亮

1.一種基于加速失效風(fēng)險模型的駕駛員事故動態(tài)預(yù)警方法，其特征在于，包括以下步驟：

A、采集駕駛員個人屬性構(gòu)建駕駛員個人屬性數(shù)據(jù)庫，采集車輛屬性構(gòu)建車輛屬性數(shù)據(jù)庫，采集違章特征構(gòu)建駕駛員歷史違章數(shù)據(jù)庫，采集事故特征構(gòu)建駕駛員歷史事故數(shù)據(jù)庫；

所述個人屬性包括：身份證號、性別、年齡和駕齡；

所述車輛屬性包括：車輛歸屬地和車輛類型；

所述違章特征包括：事故間隔時間內(nèi)違章次數(shù)和上一年違章次數(shù)；

所述事故特征包括：事故發(fā)生時間、事故間隔時間、上一年事故次數(shù)；

基于駕駛員歷史事故數(shù)據(jù)庫，提取駕駛員事故間隔時間；

B、融合駕駛員的個人屬性、車輛屬性、違章特征和事故特征數(shù)據(jù)，構(gòu)建駕駛員事故間隔時間樣本數(shù)據(jù)庫和高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)庫；

通過駕駛員的身份證號，將駕駛員的個人屬性、車輛屬性、違章特征和事故特征匹配到步驟A獲得的駕駛員事故間隔時間數(shù)據(jù)中，得到駕駛員事故間隔時間樣本數(shù)據(jù)庫；

所述駕駛員事故間隔時間樣本數(shù)據(jù)庫以駕駛員每次事故間隔時間樣本數(shù)據(jù)作為樣本，所述事故間隔時間樣本數(shù)據(jù)包括：事故間隔時間、事故間隔時間的刪失屬性，每次事故間隔時間對應(yīng)的駕駛員身份證號、性別、年齡、駕齡、車輛歸屬地、事故間隔時間內(nèi)違章次數(shù)、上一年違章次數(shù)和上一年事故次數(shù)；

在2年內(nèi)發(fā)生2次及以上全責(zé)事故的駕駛員為高風(fēng)險駕駛員；并從駕駛員事故間隔時間樣本數(shù)據(jù)庫中提取高風(fēng)險駕駛員的事故間隔時間樣本數(shù)據(jù)，構(gòu)建高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)庫；

C、構(gòu)建高風(fēng)險駕駛員事故間隔時間最優(yōu)加速失效風(fēng)險模型；

根據(jù)高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)庫，選定參數(shù)分布模型，構(gòu)建高風(fēng)險駕駛員事故間隔時間加速失效風(fēng)險模型，估計標(biāo)定加速失效風(fēng)險模型未知參數(shù)；選擇確定最優(yōu)參數(shù)分布模型，構(gòu)建高風(fēng)險駕駛員事故間隔時間最優(yōu)加速失效風(fēng)險模型，識別事故間隔時間的顯著影響因素；

D、根據(jù)高風(fēng)險駕駛員事故間隔時間最優(yōu)加速失效風(fēng)險模型，計算高風(fēng)險駕駛員的事故預(yù)警時間

基于高風(fēng)險駕駛員事故間隔時間最優(yōu)加速失效風(fēng)險模型，任意給定生存率水平值，構(gòu)建只包含事故間隔時間未知數(shù)的一元方程，計算出事故間隔時間，作為事故預(yù)警時間；

E、根據(jù)高風(fēng)險駕駛員實(shí)時交通事件狀態(tài)的變化，對事故預(yù)警時間進(jìn)行動態(tài)調(diào)整；

根據(jù)高風(fēng)險駕駛員在事故預(yù)警時間到達(dá)之前，發(fā)生新的違章或事故的實(shí)時變化情況，通過相應(yīng)的動態(tài)調(diào)整規(guī)則和動態(tài)調(diào)整策略，對事故預(yù)警時間進(jìn)行動態(tài)調(diào)整；

步驟A的具體步驟如下：

A1、采集駕駛員的個人屬性、車輛屬性、違章特征和事故特征數(shù)據(jù)；

A2、以駕駛員的身份證號和事故發(fā)生時間分別作為第一關(guān)鍵詞和第二關(guān)鍵詞，對駕駛員的事故特征數(shù)據(jù)進(jìn)行排列，再計算每一名駕駛員的每一次事故間隔時間；

步驟B中所述：構(gòu)建駕駛員事故間隔時間樣本數(shù)據(jù)庫的具體步驟如下：

B1、通過駕駛員的身份證號，將駕駛員的個人屬性、車輛屬性、違章特征和事故特征匹配到步驟A中的事故間隔時間數(shù)據(jù)中，得到駕駛員事故間隔時間樣本數(shù)據(jù)庫；

B2、將駕駛員性別、駕駛員年齡、駕駛員駕齡、事故間隔時間內(nèi)違章次數(shù)、上一年違章次數(shù)、上一年事故次數(shù)和車輛歸屬地作為事故間隔時間的潛在影響因素；

B3、針對駕駛員性別，采用潛在影響因素變量GEN，若為女性，GEN取值為0，若為男性，GEN取值為1；

針對駕駛員年齡，采用潛在影響因素變量AGE，AGE的取值為駕駛員的年齡，單位為：歲；

針對駕駛員駕齡，采用潛在影響因素變量JL，JL的取值為駕駛員駕齡，單位為：年；

針對事故間隔時間內(nèi)違章次數(shù)，采用潛在影響因素變量VIOLATE1，VIOLATE1的取值為事故間隔時間內(nèi)違章次數(shù)；

針對上一年違章次數(shù)，采用潛在影響因素變量VIOLATE2，VIOLATE2的取值為上一年違章次數(shù)；

針對上一年事故次數(shù)，采用潛在影響因素變量ACC，ACC的取值為上一年事故次數(shù)；

針對車輛歸屬地，采用潛在影響因素變量LOCAL，當(dāng)車輛的牌照不是本地牌照，LOCAL的取值為0；當(dāng)車輛的牌照是本地牌照，LOCAL的取值為1；

所述估計標(biāo)定加速失效風(fēng)險模型未知參數(shù)采用極大似然估計方法，具體步驟如下：

C1、假設(shè)在高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)庫的n個事故間隔時間樣本中，有r個是完全數(shù)據(jù)，n-r個為刪失數(shù)據(jù)，分別為t₁,t₂,…,t_r和

則事故間隔時間樣本的聯(lián)合概率密度函數(shù)L(b)如式(3)所示，

其中，b為加速失效風(fēng)險模型未知參數(shù)，且b＝(β,d)；f(t_j,b)為加速失效風(fēng)險模型的概率密度函數(shù)，為加速失效風(fēng)險模型的生存函數(shù)；β＝{β₀,β₁,...,β_q}′為加速失效風(fēng)險模型的系數(shù)向量，d為加速失效風(fēng)險模型輔助參數(shù)；

C2、L(b)的對數(shù)似然函數(shù)LL(b)如式(4)所示，

C3、LL(b)分別對b中每個未知參數(shù)求偏導(dǎo)，并令其為0，構(gòu)造方程組，運(yùn)用Newton-Raphson迭代法得到未知參數(shù)的估計值

當(dāng)參數(shù)分布模型為：Weibull參數(shù)分布模型時，步驟D的具體步驟如下：

D1、假設(shè)事故間隔時間的顯著影響因素為m個，對應(yīng)協(xié)變量X的分量為m個，分別為x₁,x₂,…,x_m，其中m≤q，協(xié)變量X的取值根據(jù)高風(fēng)險駕駛員的事故間隔時間樣本數(shù)據(jù)的信息確定；協(xié)變量X對應(yīng)系數(shù)的估計值為未知參數(shù)常數(shù)項估計值為輔助參數(shù)的估計值為

D2、給定生存率S(t_j)的估計利用公式(8)形成的包含事故間隔時間未知數(shù)t_j的一元方程計算出t_j值，

計算出t_j的值為T₀，作為該高風(fēng)險駕駛員的事故預(yù)警時間；在該高風(fēng)險駕駛員最近一次事故之后的第T₀天對該高風(fēng)險駕駛員進(jìn)行事故預(yù)警；

步驟E中所述動態(tài)調(diào)整規(guī)則包括：高風(fēng)險駕駛員更新規(guī)則和事故預(yù)警時間推移規(guī)則；

所述高風(fēng)險駕駛員更新規(guī)則為：超過2年時間沒有發(fā)生事故的高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)被移出高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)庫，2年內(nèi)發(fā)生2次及以上事故的高風(fēng)險駕駛員事故間隔時間樣本庫外的駕駛員事故間隔時間樣本數(shù)據(jù)進(jìn)入高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)庫；

所述事故預(yù)警時間推移規(guī)則為：高風(fēng)險駕駛員事故預(yù)警時間的計算起點(diǎn)是高風(fēng)險駕駛員最近一次事故的發(fā)生時間，如果高風(fēng)險駕駛員在事故預(yù)警時間到達(dá)之前發(fā)生了新的事故，則高風(fēng)險駕駛員事故預(yù)警時間的起點(diǎn)更新為最新事故的發(fā)生時刻，在此基礎(chǔ)上更新高風(fēng)險駕駛員的事故預(yù)警時間；如果高風(fēng)險駕駛員在預(yù)警時間到達(dá)之前發(fā)生新的違章，則高風(fēng)險駕駛員事故預(yù)警時間的起點(diǎn)不更新，對高風(fēng)險駕駛員的事故預(yù)警時間進(jìn)行更新；

步驟E中所述動態(tài)調(diào)整策略包括以下兩種情況：

E1、當(dāng)高風(fēng)險駕駛員發(fā)生新事故時，事故預(yù)警時間的動態(tài)調(diào)整策略如下：

假設(shè)高風(fēng)險駕駛員在“0”時刻發(fā)生了最近的一次事故，根據(jù)最優(yōu)加速失效風(fēng)險模型計算得到：在給定生存率水平下，事故間隔時間的預(yù)測值為t_y1，所述t_y1為最初的事故預(yù)警時間；

在“0”時刻之后的t_s2時刻，高風(fēng)險駕駛員發(fā)生了一次事故，運(yùn)用最優(yōu)加速失效風(fēng)險模型重新計算得到：在給定生存率水平下的事故間隔時間，假設(shè)最新的事故預(yù)警時間為t_y2；

如果t_s2大于2年，則將該高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)移出高風(fēng)險駕駛員事故間隔時間樣本數(shù)據(jù)庫；如果t_s2小于或等于2年，則根據(jù)新事故的發(fā)生時間是否在最初的事故預(yù)警時間t_y1之前分為如下兩類情況；

E11、當(dāng)新事故的發(fā)生時間t_s2在最初的事故預(yù)警時間t_y1之前時

事故預(yù)警時間的起點(diǎn)由“0”時刻更新為t_s2時刻，運(yùn)用最優(yōu)加速失效風(fēng)險模型重新計算給定生存率水平下高風(fēng)險駕駛員事故間隔時間的預(yù)測值t_y2，新的事故預(yù)警時間更新為t_s2+t_y2；

E12、當(dāng)新事故的發(fā)生時間t_s2在最初的事故預(yù)警時間t_y1之后時

在t_y1時刻對高風(fēng)險駕駛員進(jìn)行第一次事故預(yù)警，高風(fēng)險駕駛員新的事故預(yù)警時間起點(diǎn)更新為t_s2時刻，運(yùn)用最優(yōu)加速失效風(fēng)險模型重新計算給定生存率水平下高風(fēng)險駕駛員事故間隔時間的預(yù)測值t_y2，新的事故預(yù)警時間更新為t_s2+t_y2；

E2、高風(fēng)險駕駛員發(fā)生新違章時，事故預(yù)警時間的動態(tài)調(diào)整策略如下：

假設(shè)高風(fēng)險駕駛員在“0”時刻發(fā)生了最近的一次事故，根據(jù)最優(yōu)加速失效風(fēng)險模型計算得到：在給定生存率水平下，事故間隔時間的預(yù)測值為t_y1，所述t_y1為最初的事故預(yù)警時間；

在“0”時刻之后的t_w2時刻，高風(fēng)險駕駛員發(fā)生了一次違章，運(yùn)用最優(yōu)加速失效風(fēng)險模型重新計算得到：在給定生存率水平下的事故間隔時間，假設(shè)最新的事故預(yù)警時間為t_y2；

如果高風(fēng)險駕駛員在最初的事故預(yù)警時間t_y1之前沒有發(fā)生新違章，則在t_y1時刻對高風(fēng)險駕駛員進(jìn)行第一次事故預(yù)警；

否則，根據(jù)t_w2與t_y2的大小關(guān)系，分為如下兩種情況對高風(fēng)險駕駛員事故預(yù)警時間進(jìn)行動態(tài)調(diào)整；

E21、若t_y2t_w2，新的事故預(yù)警時間更新為t_y2；

E22、若t_y2≤t_w2，則在t_w2時刻立即對高風(fēng)險駕駛員進(jìn)行事故預(yù)警，新的事故預(yù)警時間為t_新＝t_w2。