本發(fā)明涉及智能交通領(lǐng)域，具體是一種基于CAN數(shù)據(jù)的駕駛?cè)司C合素質(zhì)評價方法。

背景技術(shù)：

伴隨著經(jīng)濟(jì)的發(fā)展社會的進(jìn)步，汽車逐漸普及到百姓家中。但同時交通事故也在不斷上升，其主要原因是人、車、路三者的矛盾日益激化。據(jù)歐美國家統(tǒng)計，在引起交通事故的原因中，約85％的交通事故與駕駛員有關(guān)。在國內(nèi)的交通事故調(diào)查統(tǒng)計中，同樣也表明了事故中80％-90％中是人為因素造成的。因此，研究機(jī)動車駕駛員的行為，對其進(jìn)行評價，針對性的對駕駛員進(jìn)行勸導(dǎo)教育，保證交通安全具有及其重要的意義。

傳統(tǒng)的交通檢測系統(tǒng)主要采用雷達(dá)、超聲波、紅外線、微波、聲頻及視頻圖像等技術(shù)的懸掛式傳感器，這種檢測系統(tǒng)采集的信息雖然準(zhǔn)確，但過于繁瑣，且設(shè)備成本過高。也有研究機(jī)構(gòu)搭載駕駛行為研究基礎(chǔ)實驗室即駕駛模擬器，可以采集多樣化的數(shù)據(jù)，但數(shù)據(jù)真實性欠佳。隨著科學(xué)技術(shù)的進(jìn)步，一種利用車載數(shù)據(jù)采集設(shè)備來進(jìn)行車輛檢測的方法有望替代傳統(tǒng)的方法。

具體研究駕駛?cè)诵袨樾枰囝愋畔⒗{駛?cè)诵睦怼⑸硇畔?、機(jī)動車狀態(tài)、駕駛?cè)瞬倏?、交通環(huán)境等。針對不同的信息可以提出不同的評價指標(biāo)，如：通過加速度反映汽車的油耗，通過方向盤轉(zhuǎn)角熵、眼動反映駕駛?cè)说钠跔顟B(tài)等。為了充分利用采集到的數(shù)據(jù)，需要挖掘出更多的評價指標(biāo)作為分析駕駛?cè)诵袨樘峁└浞值囊罁?jù)，然而，基于這些數(shù)據(jù)指標(biāo)，我們并不能定量去評價駕駛?cè)说木C合素質(zhì)。為解決這個問題，國內(nèi)外很多學(xué)者專家成功的將模糊邏輯理論運(yùn)用到了駕駛?cè)诵袨榉治龅哪Ｐ椭?，且分析結(jié)果與實際情況有很高的擬合度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供了一種基于CAN數(shù)據(jù)的駕駛?cè)司C合素質(zhì)評價方法，其基于CAN數(shù)據(jù)分析，能夠定量去評價駕駛?cè)说木C合素質(zhì)。

本發(fā)明的技術(shù)方案如下：

一種基于CAN數(shù)據(jù)的駕駛?cè)司C合素質(zhì)評價方法，其包括：

一、通過CAN總線采集機(jī)動車的行車數(shù)據(jù)，獲取經(jīng)緯度、引擎轉(zhuǎn)速、車速、方向盤轉(zhuǎn)角、油耗量、油門角度、剎車踏板狀態(tài)，計算出瞬時油耗量、加速度、以及引擎轉(zhuǎn)速與速度的比值。

二、根據(jù)行車安全性、乘車舒適度以及機(jī)動車油耗量三個指標(biāo)確定評價因素：方向盤轉(zhuǎn)角熵值H_(θ)、方向盤轉(zhuǎn)角速率V_θ、機(jī)動車速度熵值H_(v)、加速度絕對值|a|、加速度強(qiáng)度V_a、正加速度a、引擎轉(zhuǎn)速與機(jī)動車速度的比值φ。

三、采用模糊層次分析法建立單個因素對于駕駛員綜合素質(zhì)評價所占的權(quán)重α，建立所需要的權(quán)重向量Q＝(α1,α2,α3,α4,α5,α6,α7)。

四、考慮單因素值的極差與均值的差值大小，再結(jié)合數(shù)據(jù)歸一化后值分布的離散程度，對于不同因素進(jìn)行分類，建立盡可能少的隸屬度函數(shù)，然后將單因素值代入隸屬度函數(shù)求得單因素模糊判斷矩陣R：

五、用權(quán)重向量Q乘以單因素模糊判斷矩陣R得到判斷向量δ，即δ＝Q*R，結(jié)合最大隸屬度原則分析求解得到評價駕駛?cè)司C合素質(zhì)的評判集。

其中，所述方向盤轉(zhuǎn)角熵值H_(θ)表征駕駛?cè)说钠诨蚓岂{狀態(tài)；所述方向盤轉(zhuǎn)角速率V_θ表征駕駛?cè)宿D(zhuǎn)動方向盤的速度；所述機(jī)動車速度熵值H_(v)表征車輛行駛過程中速度的紊亂程度；所述加速度絕對值|a|表征車輛行駛過程中速度變化的快慢；所述加速度強(qiáng)度V_a表征車輛加速度的變化率；所述正加速度a表征車輛加速行駛速度變化的快慢；所述引擎轉(zhuǎn)速與機(jī)動車速度的比值φ表征機(jī)動車的牽引力。

進(jìn)一步的，定義e_(n)為n時刻方向盤轉(zhuǎn)角實際值θ_(n)與n時刻的預(yù)測值差值的絕對值：e_(n)＝|θ_(n)-θ_p(n)|，重新劃定九個區(qū)間來計算方向盤轉(zhuǎn)角熵值H_(θ)，計算過程如下：

步驟ⅰ、根據(jù)n-1、n-2、n-3三個時刻方向盤轉(zhuǎn)角的值預(yù)測n時刻轉(zhuǎn)角的值，其中每時刻間隔為100ms，計算

步驟ⅱ、計算n時刻方向盤轉(zhuǎn)角值與預(yù)測值的偏差值的絕對值e_(n)，計算e_(n)：

e_(n)＝|θ_(n)-θ_p(n)| ②。

步驟ⅲ、確定α＝0.3使得P{0≤e_(n)<α}＝90％，劃分偏差值e_(n)為如下九個對應(yīng)區(qū)間:

步驟ⅳ、計算偏差值e_(n)落在各區(qū)間分布的概率P_i，最終根據(jù)公式③計算方向盤轉(zhuǎn)角熵值H_(θ)：

進(jìn)一步的，定義ν_(n)為n時刻車輛速度實際值V_(n)與n時刻的預(yù)測值差值的絕對

值：ν_(n)＝|V_(n)-V_p(n)|，劃定九個區(qū)間來計算方車輛速度熵值H_(v)，計算過程如下：

步驟ⅰ、根據(jù)n-1、n-2、n-3三個時刻車輛速度的值預(yù)測n時刻車輛速度的值，其中每時刻間隔為100ms，計算

步驟ⅱ、計算n時刻車輛速度值與預(yù)測值的偏差值的絕對值e_(n)，計算e_(n)：

v_(n)＝|V_(n)-V_p(n)| ⑤。

步驟ⅲ、確定α＝0.3使得P{0≤v_(n)<α}＝90％，劃分偏差值v_(n)為如下九個對應(yīng)區(qū)間:

步驟ⅳ、計算偏差值v_(n)落在各區(qū)間分布的概率P_i，最終根據(jù)公式③計算方向盤轉(zhuǎn)角熵值H_(v)：

進(jìn)一步的，根據(jù)經(jīng)驗值，構(gòu)造判斷矩陣A：

其中，a₁表示油耗量，a₂表示安全性，a₃表示舒適度，因素a_(ij)表示對于駕駛?cè)司C合素質(zhì)的評判，因素a_i相比于a_j的重要度，值越大則越重要，求取矩陣A的特征向量并且歸一化得權(quán)重向量Q₁，若通過一致性檢驗，則Q₁＝(0.091,0.691,0.217)為三個指標(biāo)的權(quán)重向量；否則重構(gòu)判斷矩陣A。

經(jīng)層次分析法求得：

對于油耗量a₁，單因素權(quán)重向量為：Q_a1＝(0.667,0.333,0,0,0,0,0)。

對于安全性a₂，單因素權(quán)重向量為Q_a2＝(0,0,0.464,0.095,0.130,0.182,0.130)。

對于舒適度a₃，單因素權(quán)重向量為Q_a3＝(0,0,0.073,0.072,0.318,0.318,0.218)。

求取單因素對于駕駛?cè)司C合素質(zhì)的權(quán)重：

進(jìn)一步的，所述評價因素通過3δ原則剔除異常數(shù)據(jù)后獲得，或者對采集的行車數(shù)據(jù)進(jìn)行如下歸一化處理后得到各因素值X：

其中，x_max為樣本最大值，x_min為樣本最小值，為樣本均值。

進(jìn)一步的，根據(jù)歸一化處理后的因素值X分布的離散程度建立兩種不同的隸屬度函數(shù)，對于方向盤轉(zhuǎn)角熵值H_(θ)、機(jī)動車速度熵值H_(v)和引擎轉(zhuǎn)速與機(jī)動車速度的比值φ均 建立如下隸屬度函數(shù)⑧：

對于方向盤轉(zhuǎn)角速率V_θ、加速度絕對值|a|、加速度強(qiáng)度V_a和正加速度a均建立如下隸屬度函數(shù)⑨：

其中：r₁表示隸屬度屬于“很好”；r₂表示隸屬度屬于“好”；r₃表示隸屬度屬于“一般”；r₄表示隸屬度屬于“差”；r₅表示隸屬度屬于“很差”。

本發(fā)明評價駕駛員的綜合素質(zhì)考慮乘車安全性、乘車舒適度以及機(jī)動車油耗量三個指標(biāo)。對于乘車安全性和乘車舒適度本發(fā)明主要從方向盤轉(zhuǎn)角熵值H_(θ)、方向盤轉(zhuǎn)角速率V_θ、機(jī)動車速度熵值H_(v)、加速度絕對值|a|、加速度強(qiáng)度(加速度變化率)V_a五個因素來分析，針對不同的指標(biāo)各個評價因素所占的權(quán)重不同。對于機(jī)動車油耗量本發(fā)明主要考慮正加速度a、引擎轉(zhuǎn)速與機(jī)動車速度的比值φ兩個因素，以及提出了其他模型沒有考慮的新因素，實現(xiàn)了定量評價駕駛?cè)司C合素質(zhì)，提高了評價的準(zhǔn)確度。并改進(jìn)了日本學(xué)者Nakayama之前提出的方向盤轉(zhuǎn)角熵值，使得整個評價方法更加簡單有效。

附圖說明

圖1為本發(fā)明的原理圖；

圖2為本發(fā)明CAN數(shù)據(jù)中GPS行車軌跡；

圖3本發(fā)明對應(yīng)圖1行車軌跡機(jī)動車方向盤轉(zhuǎn)角與車速的變化記錄曲線圖；

圖4為本發(fā)明中加速度對應(yīng)的瞬時油耗量的折線圖；

圖5為本發(fā)明中引擎轉(zhuǎn)速與機(jī)動車速度的比值對應(yīng)瞬時油耗量的折線圖；

圖6為本發(fā)明中計算方向盤轉(zhuǎn)角熵值的流程圖；

圖7為本發(fā)明中駕駛員綜合素質(zhì)評價模型建立并求解的流程圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步的描述。

本發(fā)明重點(diǎn)是基于CAN數(shù)據(jù)提出了一些機(jī)動車駕駛?cè)司C合素質(zhì)的新評價指標(biāo)因素及其評價模型，數(shù)據(jù)采集是必須的。為解決不增加其他傳感器設(shè)備，盡可能獲取更多類型的數(shù)據(jù)，進(jìn)而提出更多的評價指標(biāo)完善模糊評價模型的問題，本發(fā)明以CAN總線協(xié)議為基礎(chǔ)，使用數(shù)據(jù)采集模塊Openxc-vi，在微軟的Surface 4電腦上Windos10環(huán)境下搭載汽車測試平臺，采集CAN數(shù)據(jù)包括：方向盤轉(zhuǎn)角、經(jīng)緯度、發(fā)動機(jī)速度、車速等20余項數(shù)據(jù)。

本發(fā)明先將測試平臺搭建起來，調(diào)試好運(yùn)行環(huán)境，請一名駕駛員駕車進(jìn)行數(shù)據(jù)采集，本系統(tǒng)可以采集20余項數(shù)據(jù)，從中提取本發(fā)明所需要的經(jīng)緯度、引擎轉(zhuǎn)速、車速、方向盤轉(zhuǎn)角、油耗量、油門角度、剎車踏板狀態(tài)多項數(shù)據(jù)，計算出瞬時油耗量、加速度、以及引擎轉(zhuǎn)速與速度的比值。在使用所采集的數(shù)據(jù)之前，需要對部分?jǐn)?shù)據(jù)進(jìn)行預(yù)處理，本發(fā)明采用3δ原則剔除異常數(shù)據(jù)，為了證明數(shù)據(jù)的有效性以及實用性，本發(fā)明取其中的部分?jǐn)?shù) 據(jù)繪圖如圖3所示，顯然，圖2所示的谷歌地圖上汽車的行駛軌跡與圖3汽車方向盤轉(zhuǎn)角以及速度匹配完美。

在車輛節(jié)能減排的研究中，除了道路環(huán)境，車輛性能等客觀條件，駕駛員行為無疑是影響油耗的主要因素。本發(fā)明提取檢測系統(tǒng)采集的油耗量，速度，引擎轉(zhuǎn)速等數(shù)據(jù)來分析車輛油耗情況，對數(shù)據(jù)進(jìn)行處理，可以得到瞬時油耗量，加速度，以及引擎轉(zhuǎn)速與速度的比值。本發(fā)明通過對上千個采樣點(diǎn)的數(shù)據(jù)分析得到加速度a與油耗量的關(guān)系，繪制折線圖。如圖4所示，當(dāng)車輛處于減速狀態(tài)(a≤0m/s²)時，油耗輛基本穩(wěn)定，當(dāng)車輛處于加速狀態(tài)(0<a<1.3m/s²)時，油耗量呈上升趨勢且上升逐漸增快，當(dāng)車輛加速度達(dá)到一定值(a≥1.3m/s²)時，油耗量逐漸穩(wěn)定。轉(zhuǎn)速與速度的比值φ與油耗量的關(guān)系，如圖5所示，當(dāng)比值逐漸增大(0<φ<160)即車輛的牽引力逐漸增大時，油耗量呈明顯上升趨勢，當(dāng)比值達(dá)到一定程度(φ>160)，油耗量呈穩(wěn)定狀態(tài)。

本發(fā)明根據(jù)行車安全性、乘車舒適度以及機(jī)動車油耗量三個指標(biāo)確定七個評價因素：方向盤轉(zhuǎn)角熵值H_(θ)、方向盤轉(zhuǎn)角速率V_θ、機(jī)動車速度熵值H_(v)、加速度絕對值|a|、加速度強(qiáng)度V_a、正加速度a、引擎轉(zhuǎn)速與機(jī)動車速度的比值φ。其中，所述方向盤轉(zhuǎn)角熵值H_(θ)表征駕駛?cè)说钠诨蚓岂{狀態(tài)；所述方向盤轉(zhuǎn)角速率V_θ表征駕駛?cè)宿D(zhuǎn)動方向盤的速度；所述機(jī)動車速度熵值H_(v)表征車輛行駛過程中速度的紊亂程度；所述加速度絕對值|a表征車輛行駛過程中速度變化的快慢；所述加速度強(qiáng)度V_a表征車輛加速度的變化率；所述正加速度a表征車輛加速行駛速度變化的快慢；所述引擎轉(zhuǎn)速與機(jī)動車速度的比值φ表征機(jī)動車的牽引力。

本發(fā)明采用模糊層次分析法建立單個因素對于駕駛員綜合素質(zhì)評價所占的權(quán)重α，建立所需要的權(quán)重向量Q＝(α1,α2,α3,α4,α5,α6,α7)。

本發(fā)明考慮單個評價因素值的極差與均值的差值大小，再結(jié)合數(shù)據(jù)歸一化后值分布的離散程度，對于不同評價因素進(jìn)行分類?？紤]7個評價因素都建立一個隸屬度函數(shù)就太多了，所以針對評價因素值分布的離散程度進(jìn)行劃分，建立兩個隸屬度函數(shù)，達(dá)到盡可能建立少的隸屬度函數(shù)，然后將單因素值代入隸屬度函數(shù)求得單因素模糊判斷矩陣R，

用權(quán)重向量Q乘以單因素模糊判斷矩陣R得到判斷向量δ，即δ＝Q*R，結(jié)合最大隸屬度原則分析求解即可得到評價駕駛?cè)司C合素質(zhì)的評判集，根據(jù)定量分析實現(xiàn)定性評價，整個方法的邏輯原理如圖1所示。

本發(fā)明針對行車安全性與乘車舒適度兩個指標(biāo)，所涉及的5個主要評價因素中，求取改進(jìn)過的方向盤轉(zhuǎn)角的熵值H_(θ)與車輛速度的熵值H_(v)，具體實施過程如圖6所示：

步驟ⅰ、根據(jù)n-1、n-2、n-3三個時刻方向盤轉(zhuǎn)角的值預(yù)測n時刻轉(zhuǎn)角的值，其中每時刻間隔為100ms，計算

步驟ⅱ、計算n時刻方向盤轉(zhuǎn)角值與預(yù)測值的偏差值的絕對值e_(n)，計算e_(n)：

e_(n)＝|θ_(n)-θ_p(n)| ②。

步驟ⅲ、樣本點(diǎn)偏差值的分布基本服從正態(tài)分布的右半邊，需找一個α使得P{0≤e_(n)<α}＝90％，經(jīng)過分析計算，取α＝0.3。劃分偏差值e_(n)為如下九個對應(yīng)區(qū)間:

步驟ⅳ、計算偏差值e_(n)落在各區(qū)間分布的概率P_i，最終根據(jù)公式③計算方向盤轉(zhuǎn)角熵值H_(θ)：

類似的，對于車輛速度的熵值H_(v),其求解過程同上，定義ν_(n)為n時刻車輛速度實際值V_(n)與n時刻的預(yù)測值差值的絕對值：ν_(n)＝|V_(n)-V_p(n)|，劃定九個區(qū)間來計算方車輛速度熵值H_(v)，計算過程如下：

步驟ⅰ、根據(jù)n-1、n-2、n-3三個時刻車輛速度的值預(yù)測n時刻車輛速度的值，其中每時刻間隔為100ms，計算

步驟ⅱ、計算n時刻車輛速度值與預(yù)測值的偏差值的絕對值e_(n)，計算e_(n)：

v_(n)＝|V_(n)-V_p(n)| ⑤。

步驟ⅲ、確定α＝0.3使得P{0≤v_(n)<α}＝90％，劃分偏差值v_(n)為如下九個對應(yīng)區(qū)間:

步驟ⅳ、計算偏差值v_(n)落在各區(qū)間分布的概率P_i，最終根據(jù)公式③計算方向盤轉(zhuǎn)角熵值H_(v)：

本發(fā)明中每一層內(nèi)部因素之間的影響并不是很大，若采用網(wǎng)絡(luò)分析法則復(fù)雜度成倍增加，因此，本發(fā)明采用模糊層次分析法(F-AHP)來建立評判駕駛?cè)司C合素質(zhì)的模型，具體步驟如下：

首先，評價駕駛?cè)说木C合素質(zhì)，不同的指標(biāo)占的權(quán)重也不同，本發(fā)明對提出的行車安全性，乘車舒適度以及機(jī)動車油耗量3個指標(biāo)采用層次分析法求取他們的權(quán)重。首先，用Santy的1-9標(biāo)度方法結(jié)合專家，經(jīng)驗豐富的駕駛員等給出的建議構(gòu)造判斷矩陣A(因素a_(ij)表示因素a_i相比于a_j的重要度)如下：

其中，a₁表示油耗量，a₂表示安全性，a₃表示舒適度，因素a_(ij)表示對于駕駛?cè)司C合素質(zhì)的評判，因素a_i相比于a_j的重要度，值越大則越重要，求取矩陣A的特征向量并且歸一化得權(quán)重向量Q₁，若通過一致性檢驗，則Q₁＝(0.091,0.691,0.217)為三個指標(biāo)的權(quán)重向量；否則重構(gòu)判斷矩陣A。

然后，去求各評價因素對于不同評價指標(biāo)的權(quán)重，求取過程與前一步驟類似，經(jīng)層次分析法求得對于油耗量a₁,單因素權(quán)重向量為：

Q_a1＝(0.667,0.333,0,0,0,0,0)，

對于安全性a₂，單因素權(quán)重向量為Q_a2＝(0,0,0.464,0.095,0.130,0.182,0.130)，

對于舒適度a₃，單因素權(quán)重向量為Q_a3＝(0,0,0.073,0.072,0.318,0.318,0.218)。

最后，求取單因素對于駕駛?cè)司C合素質(zhì)的權(quán)重：

本發(fā)明對評價因素的值的值處理方式主要有兩種，一種是對采集的數(shù)據(jù)利用3δ原則剔除異常數(shù)據(jù)，一種是為了避免大數(shù)覆蓋小數(shù)的情況對數(shù)據(jù)進(jìn)行如下歸一化處理后得到各因素值X：

其中，x_max為樣本最大值，x_min為樣本最小值，為樣本均值。

為了使評價等級更加明確，本發(fā)明根據(jù)歸一化處理后X分布的離散程度建立不同的隸屬度函數(shù)，經(jīng)過分析隸屬度函數(shù)設(shè)計分為兩種正弦函數(shù)比較合理。根據(jù)歸一化處理后的因素值X分布的離散程度建立兩種不同的隸屬度函數(shù)，對于方向盤轉(zhuǎn)角熵值H_(θ)、機(jī)動車速度熵值H_(v)和引擎轉(zhuǎn)速與機(jī)動車速度的比值φ均建立如下隸屬度函數(shù)⑧：

對于方向盤轉(zhuǎn)角速率V_θ、加速度絕對值|a|、加速度強(qiáng)度V_a和正加速度a均建立如下隸屬度函數(shù)⑨：

其中：r₁表示隸屬度屬于“很好”；r₂表示隸屬度屬于“好”；r₃表示隸屬度屬于“一般”；r₄表示隸屬度屬于“差”；r₅表示隸屬度屬于“很差”。

本發(fā)明采取駕駛員A的數(shù)據(jù)分析計算，將各因素值代入對應(yīng)的隸屬度函數(shù)，如數(shù)據(jù)樣本中比值φ，x_max＝24.491，x_min＝16.477。代入式⑦中得X＝0.677，然后X代入式⑧得單因素模糊矩陣中的行向量φ＝(0,0,0.6767,0.3233,0)。如此方法分別求向量a、H_(θ)、H_(v)、V_θ、V_a、|a|構(gòu)成單因素模糊判斷矩陣R如下：

用單因素權(quán)重向量Q乘以R得最終的綜合素質(zhì)等級評價的隸屬度向量δ：

δ＝Q*R＝[0.1634,0.5523,0.2607,0.0197,0]

根據(jù)最大隸屬度原則，在評判集δ中，0.5523最大，其等級屬于“好”，因此A駕駛員的綜合素質(zhì)評定為“好”。

為了證明模型的實用準(zhǔn)確性，本發(fā)明中邀請一名優(yōu)秀模范駕駛員B駕車走過與A相似的路段，用此模型求得B的等級評級隸屬度向量δ：

δ＝Q*R＝[0.4300,0.3435,0.1607,0.0610,0]

根據(jù)最大隸屬度原則，在評判集δ中，0.4300最大，其等級屬于“很好”，因此B駕駛員的綜合訴諸評定為“很好”。

在求解模型的過程中，還可以從單個評價因素模糊判斷矩陣得到駕駛?cè)嗣恳粋€因素的優(yōu)劣等級，若做簡單處理，本發(fā)明還可以分別得到行車安全性，乘車舒適度以及機(jī)動車油耗量這三個指標(biāo)評價等級的隸屬度向量，從而對駕駛?cè)说拿總€指標(biāo)做出優(yōu)劣等級評價。