本發(fā)明涉及駕駛行為評分技術(shù)領域，特別涉及一種機動車輛駕駛行為評分方法。

背景技術(shù)：

自21世紀以來，隨著人們生活水平的不斷提高和汽車工業(yè)的飛速發(fā)展，我國的汽車持有量不斷增長，預計至2020年將會成為總量第一的汽車大國。作為車聯(lián)網(wǎng)時代下新興的機動車輛保險，備受關注的車聯(lián)網(wǎng)保險的中心概念是指駕駛員在車輛行駛過程中的實際駕駛行為表現(xiàn)的不同將導致車險保費的差異化。車險保費的差異化是在駕駛行為安全評級的基礎上實現(xiàn)的，因此駕駛行為評分是車險的關鍵。駕駛行為影響因子的不同決定了駕駛行為評分的不同，針對指標賦值方法，常用的有調(diào)查法、層次分析法、偏好比率法、熵權(quán)法、灰色關聯(lián)分析法等。然而，傳統(tǒng)的駕駛行為評分方法采用過多的指標且存在重復情況，導致工作量加大。

如中國專利CN 104408922 A的發(fā)明專利，該發(fā)明提供一種基于北斗導航駕駛行為評分方法，其成本低、數(shù)據(jù)處理簡單，然而，該發(fā)明在駕駛行為影響指標選取中，采用過多的指標且存在重復情況，導致工作量加大。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的旨在至少解決所述技術(shù)缺陷之一。

為此，本發(fā)明的目的在于提出一種能夠?qū)Σ煌囍黢{駛行為進行行車安全級別量化評分的機動車輛駕駛行為評分方法。

為了實現(xiàn)上述目的，本發(fā)明提供一種機動車輛駕駛行為評分方法，包括如下步驟：

步驟S1，獲取駕駛行為評分指標相關數(shù)據(jù)信息；

步驟S2，根據(jù)評分指標相關數(shù)據(jù)信息，通過層次分析法，計算每個標準層的權(quán)重和指標層各指標權(quán)重；

步驟S3，根據(jù)熵權(quán)法，計算指標層各指標權(quán)重；

步驟S4，將根據(jù)層次分析法所得的每個標準層的權(quán)重和指標層各指標權(quán)重與根據(jù)熵權(quán)法所得的指標層各指標權(quán)重，計算得到駕駛行為評分指標權(quán)重。

進一步的，在步驟S1中，所述評分指標包括加速次數(shù)、急減速次數(shù)、急剎車次數(shù)、急轉(zhuǎn)彎次數(shù)、行車里程、疲勞駕駛、駕駛時間段。

進一步的，在步驟S2中，通過層次分析法，計算每個標準層的權(quán)重AB_i(i＝1,2,...,m)和指標層各個指標權(quán)重AS_j(j＝1,2,...,n)，AW_j(j＝1,2,...,n)表示層次分析法所得權(quán)值，為標準層權(quán)重AB_j和指標層權(quán)重AS_j乘積：

${\mathrm{AW}}_i=\frac{\sqrt[n]{M_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\sqrt[n]{M_i}}$

其中，m表示標準層的數(shù)量，n表示指標層的數(shù)量，且每個標準層對應n₁,n₂,...,n_k個指標，同時滿足n₁+n₂+...+n_k＝n，k表示每個標準層對應指標的數(shù)量，B_ij表示判斷矩陣，i表示判斷矩陣的行，j表示判斷矩陣的列，M_i表示判斷矩陣每一行元素的乘積，即：

$M_i=\underset{j=1}{\overset{n}{\mathrm{\Π}}}{b}_{ij},(i=1,2,\mathrm{...},k)$

b為判斷矩陣B_ij中第i行j列的數(shù)值。

進一步的，在步驟S3中，根據(jù)熵權(quán)法，設駕駛行為評分機制中評分對象為A_i(i＝1,2,...m)，指標集為X_j(j＝1,2,...,n)，AX_ij表示駕駛行為評分數(shù)據(jù)中第i組數(shù)據(jù)中第j個指標的原始數(shù)據(jù)值，AX_i'_j表示AX_ij經(jīng)公式標準化處理后的數(shù)據(jù)值；

計算AX_ij的公式為：

${\mathrm{AX}}_{ij}=\frac{{\mathrm{AX}}_{ij}^{\′}-\min \left({\mathrm{AX}}_{ij}^{\′}\right)}{max\left({\mathrm{AX}}_{ij}^{\′}\right)-\min \left({\mathrm{AX}}_{ij}^{\′}\right)}$

計算各指標權(quán)重EW_j(j＝1,2,...,n)的公式為：

${\mathrm{EW}}_j=\frac{1+(1/\ln m){\mathrm{\Σ}}_{i=1}^m{P}_{ij}\ln P_{ij}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(1+(1/\ln m\left){\mathrm{\Σ}}_{i=1}^m{P}_{ij}\ln P_{ij}\right)}$

其中，P_ij表示駕駛行為評分數(shù)據(jù)中第i組數(shù)據(jù)中第j個指標的比重，即：

$P_{ij}=\frac{{\mathrm{AX}}_{ij}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{AX}}_{ij}},(i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},n).$

進一步的，在步驟S4中，將層次分析法中指標層權(quán)重AS_j與熵權(quán)法指標權(quán)重EW_j進行一一對應進行結(jié)合，步驟如下：

首先得出綜合指標權(quán)重τ_j(j＝1,2,...,n)；

然后再根據(jù)標準層對指標層重新進行歸一化處理得出標準層下的對應指標層的權(quán)重Ω_ij(i＝1,2,...m；j＝1,2,...,n)；

最后將Ω_ij與層次分析法中標準層權(quán)重AB_j進行相乘，得出駕駛行為評分指標權(quán)重W_j(j＝1,2,....n)；

層次分析法中指標層權(quán)重AS_j與熵權(quán)法指標權(quán)重EW_j進行一一對應進行結(jié)合的公式如下：

${\mathrm{\τ}}_i=\frac{{\mathrm{AS}}_j\·{\mathrm{EW}}_j}{{\mathrm{\Σ}}_{j=1}^n({\mathrm{AS}}_j\·EW)}.$

本發(fā)明提出一種機動車輛駕駛行為評分方法，將熵權(quán)法和層次分析法融合提出一種改進型熵權(quán)層次分析法，由于熵權(quán)法依靠客觀數(shù)據(jù)對指標權(quán)重進行確定時與實際情況符合度高，層次分析法中判斷矩陣是由經(jīng)驗值進行決定，能過靈活對多目標決策問題進行處理，因此把熵權(quán)法計算得出的客觀權(quán)重與層次分析法計算得出的主觀權(quán)重進行綜合考量，結(jié)合了熵權(quán)法和層次分析法的中間計算過程，得出最終指標權(quán)重，最后對機動車輛駕駛行為進行了評分，實現(xiàn)了對不同車主駕駛行為行車安全級別量化評分。且本發(fā)明采用指標少且不存在重復情況，大大減少了工作量。

本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1為本發(fā)明的整體流程圖。

具體實施方式

下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

本發(fā)明提供一種機動車輛駕駛行為評分方法，參考附圖1，包括如下步驟：

步驟S1，獲取駕駛行為評分指標相關數(shù)據(jù)信息。

其中，評分指標包括加速次數(shù)、急減速次數(shù)、急剎車次數(shù)、急轉(zhuǎn)彎次數(shù)、行車里程、疲勞駕駛、駕駛時間段。

步驟S2，根據(jù)評分指標相關數(shù)據(jù)信息，通過層次分析法，計算每個標準層的權(quán)重和指標層各指標權(quán)重；

設有m個標準層，n個指標層，每個標準層對應n₁,n₂,...,n_k個指標，通過層次分析法，計算每個標準層的權(quán)重AB_i(i＝1,2,...m,)和指標層各個指標權(quán)重AS_j(j＝1,2,...,n)，AW_j(j＝1,2,...,n)表示層次分析法所得權(quán)值，為標準層權(quán)重AB_j和指標層權(quán)重AS_j乘積：

${\mathrm{AW}}_i=\frac{\sqrt[n]{M_i}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\sqrt[n]{M_i}},---\left(1\right)$

其中，m表示標準層的數(shù)量，n表示指標層的數(shù)量，且每個標準層對應n₁,n₂,...,n_k個指標，同時滿足n₁+n₂+...+n_k＝n，k表示每個標準層對應指標的數(shù)量，B_ij表示判斷矩陣，i表示判斷矩陣的行，j表示判斷矩陣的列，M_i表示判斷矩陣每一行元素的乘積，即：

$M_i=\underset{j=1}{\overset{n}{\mathrm{\Π}}}{b}_{ij},(i=1,2,\mathrm{...},k),---\left(2\right)$

b為判斷矩陣B_ij中第i行j列的數(shù)值。

步驟S3，根據(jù)熵權(quán)法，計算指標層各指標權(quán)重；

設駕駛行為評分機制中評分對象為A_i(i＝1,2,...m)，指標集為X_j(j＝1,2,...,n)，AX_ij表示駕駛行為評分數(shù)據(jù)中第i組數(shù)據(jù)中第j個指標的原始數(shù)據(jù)值，AX_i'_j表示AX_ij經(jīng)公式標準化處理后的數(shù)據(jù)值；

計算AX_ij的公式為：

${\mathrm{AX}}_{ij}=\frac{{\mathrm{AX}}_{ij}^{\′}-\min \left({\mathrm{AX}}_{ij}^{\′}\right)}{max\left({\mathrm{AX}}_{ij}^{\′}\right)-\min \left({\mathrm{AX}}_{ij}^{\′}\right)},---\left(3\right)$

計算各指標權(quán)重EW_j(j＝1,2,...,n)的公式為：

${\mathrm{EW}}_j=\frac{1+(1/\ln m){\mathrm{\Σ}}_{i=1}^m{P}_{ij}\ln P_{ij}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(1+(1/\ln m\left){\mathrm{\Σ}}_{i=1}^m{P}_{ij}\ln P_{ij}\right)},---\left(4\right)$

其中，P_ij表示駕駛行為評分數(shù)據(jù)中第i組數(shù)據(jù)中第j個指標的比重，即：

$P_{ij}=\frac{{\mathrm{AX}}_{ij}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{AX}}_{ij}},(i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},n),---\left(5\right).$

步驟S4，將根據(jù)層次分析法所得的每個標準層的權(quán)重和指標層各指標權(quán)重與根據(jù)熵權(quán)法所得的指標層各指標權(quán)重，計算得到駕駛行為評分指標權(quán)重。

將層次分析法中指標層權(quán)重AS_j與熵權(quán)法指標權(quán)重EW_j進行一一對應進行結(jié)合，步驟如下：

首先得出綜合指標權(quán)重τ_j(j＝1,2,...,n)；

然后再根據(jù)標準層對指標層重新進行歸一化處理得出標準層下的對應指標層的權(quán)重Ω_ij(i＝1,2,...m；j＝1,2,...,n)；

最后將Ω_ij與層次分析法中標準層權(quán)重AB_j進行相乘，得出駕駛行為評分指標權(quán)重W_j(j＝1,2,....n)；

層次分析法中指標層權(quán)重AS_j與熵權(quán)法指標權(quán)重EW_j進行一一對應進行結(jié)合的公式如下：

${\mathrm{\τ}}_i=\frac{{\mathrm{AS}}_j\·{\mathrm{EW}}_j}{{\mathrm{\Σ}}_{j=1}^n({\mathrm{AS}}_j\·EW)},---\left(6\right).$

具體描述如下：

本發(fā)明中選取駕駛行為評分指標相關數(shù)據(jù)信息，主要有行車時間及里程和駕駛行為表現(xiàn)，其中行車時間及里程包括的指標有每月行車總里程、每月夜間行車總時間、每月周末行車總時間及每月高峰期行車總時間，駕駛行為表現(xiàn)指標如第三章駕駛行為識別算法所描述的，根據(jù)車輛采集數(shù)據(jù)中的速度、角速度、時間等得出“四急”(急加速、急減速和急剎車、急轉(zhuǎn)彎)以及疲勞駕駛次數(shù)。根據(jù)改進型熵權(quán)層次分析法算法，將行車時間及里程和駕駛行為表現(xiàn)列為標準層，而每月行車總里程、每月夜間行車總時間、每月周末行車總時間及每月高峰期行車總時間、急加速、急減速和急剎車、急轉(zhuǎn)彎以及疲勞駕駛次數(shù)這八項因子列為指標層。

(1)將駕駛行為評分指標進行分層，上層為標準層，下層為指標層。其中準則層包括行車時間及里程、駕駛行為表現(xiàn)這兩個一級指標，指標層分為八個二級指標，如表1所示。

表1駕駛行為指標分層表

(2)為減少主觀性對判斷矩陣的影響，提高判斷矩陣的科學性，依據(jù)李明杰的駕駛行為評分問卷調(diào)查表對各項指標進行評定，得出了駕駛行為評分指標的判斷矩陣，如表2所示。

(3)根據(jù)上述公式(1)-(5)計算出層次分析法標準層權(quán)重和指標層權(quán)重，以及熵權(quán)法指標權(quán)重。根據(jù)公式(6)得出分別得出準則層和因子層各個指標綜合權(quán)重，并分別對行車時間及里程和駕駛行為表現(xiàn)重新進行歸一化處理。

表2駕駛行為評分指標判斷矩陣

本發(fā)明提出一種機動車輛駕駛行為評分方法，將熵權(quán)法和層次分析法融合提出一種改進型熵權(quán)層次分析法，由于熵權(quán)法依靠客觀數(shù)據(jù)對指標權(quán)重進行確定時與實際情況符合度高，層次分析法中判斷矩陣是由經(jīng)驗值進行決定，能過靈活對多目標決策問題進行處理，因此把熵權(quán)法計算得出的客觀權(quán)重與層次分析法計算得出的主觀權(quán)重進行綜合考量，結(jié)合了熵權(quán)法和層次分析法的中間計算過程，得出最終指標權(quán)重，最后對機動車輛駕駛行為進行了評分，實現(xiàn)了對不同車主駕駛行為行車安全級別量化評分。且本發(fā)明采用指標少且不存在重復情況，大大減少了工作量。

盡管上面已經(jīng)示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領域的普通技術(shù)人員在不脫離本發(fā)明的原理和宗旨的情況下在本發(fā)明的范圍內(nèi)可以對上述實施例進行變化、修改、替換和變型。本發(fā)明的范圍由所附權(quán)利要求極其等同限定。