基于驾驶行为时间变化特征的关键安全管理驾驶员识别
Ruici Zhang1, Xiang Wen2, Huanqiang Cao2
1College of Transportation Engineering, Tongji University, Shanghai 201804, China; The Key Laboratory of Road and Traffic Engineering, Ministry of Education, 4800 Cao'an Road, 201804 Shanghai, China; Didi Chuxing, Zuanshi Mansion, Zhongguancun Software Park Compound 19, Dongbeiwang Road, 100000 Beijing, China.
Accident; analysis and prevention
|October 2, 2023
概括
这项研究引入了一种使用时间驾驶行为变化的新方法,从短期数据中识别高风险驾驶员. 这种方法结合了交通指数和深度学习,提高了碰撞预测的准确性.
科学领域:
- 交通安全 交通安全 交通安全
- 运输工程 运输工程
- 数据科学数据科学数据科学
背景情况:
- 传统的驾驶员风险评估依赖于长期的汇总数据,随着短期连接车辆数据的增加,这种可能性越来越低.
- 聚合的驾驶行为特征在短期数据中是不稳定的,原因是时间变化的行为和采样不足.
- 现有的方法很难准确地评估驾驶员层面的风险,使用有限的短期驾驶数据.
研究的目的:
- 开发一种用于识别关键安全管理驾驶员的新方法,使用短期数据中的驾驶行为时间变化特征来识别关键安全管理驾驶员.
- 为了解决传统的聚合统计方法的局限性,在丰富的短期驾驶数据的背景下.
- 提出和验证一个新的"交通"指数,用于量化驾驶行为异常,并改进风险预测模型.
主要方法:
- 采用驾驶行为的时间变化特征,而不是聚合统计数据来建模驾驶员级风险.
- 驾驶行为时间变化与个体撞车发生概率之间的关系.
- 利用深度学习模型,特别是卷积神经网络 (CNN) 和长期短期记忆 (LSTM),进行时间特征挖掘.
- 引入了"交通"指数,以减轻驾驶行为异质性对模型性能的影响.
主要成果:
- 基于时间变化特征的模型显著超过了传统的聚合统计模型.
- 使用时间变化特征,撞击预测曲线下的面积 (AUC) 提高了4.1%.
- 拟议的交通指数进一步提高了模型性能,使AUC增加了额外的5.3%.
- 最好的模型实现了0.754的AUC,显示了与使用长期数据的方法可比的性能.
结论:
- 时间变化特征比汇总统计数据更有效,用于评估短期驾驶数据中的驾驶员风险.
- 拟议的交通指数提高了驾驶员风险评估模型的准确性.
- 开发的深度学习方法为驾驶员安全管理使用现代数据源提供了可行和有效的解决方案.
- 这些发现支持该方法在开发有针对性的驾驶员管理程序中的应用.
