基于Baidu地图API的运输车辆安全驾驶行为分析

时间：2024-05-04

陈威仰

(广州华商学院数据科学学院，广东广州 511399)

0 引言

近年来，随着我国经济水平的提升，汽车的普及率越来越高，汽车不良驾驶行为的数量也随之上升。车联网技术的飞速发展，让道路运输等相关管理部门可以对车联网数据进行处理和有效利用。

Baidu 地图API 是由百度公司提供的Baidu 地图开放服务接口，支持基于经纬地点搜寻、规划路线、导航定位等地图应用功能，该API 使用优点在于即调即用，方便快捷。本文借助Baidu 地图API 对车联网数据进行分析研究，通过挖掘潜在的非安全驾驶行为来为有关管理部门提供帮助。

1 运输车辆路线及行车指标分析

本文基于一些运输车辆的原始行车轨迹数据，对车辆的运输路线以及其在运输过程中的速度、加速度等行车状态进行提取，数据格式如表1所示。

表1 原始行车轨迹采集数据结构

1.1 基于Baidu地图API绘制运输车辆路线

根据数据集中的经纬度数据，可以得到车辆运输路线的起始地点以及所有中间途径点记录，借助Baidu地图API来绘制路径即可获得车辆运输线路图。因Baidu 地图对外开放的API 是最方便快捷的调用方式是使用JavaScript语言调用，所以需要把数据的文件格式转换为方便JavaScript 操作读写的JSON 格式。通过jQuery 的Ajax 技术，模拟读取服务器返回值的方法，来读取本地文件的数据内容，将.json 文件中的JSON 数据以返回体的形式返回给浏览器客户端，结合Baidu 地图API 进行绘图编程。这部分的核心实现代码如下：

绘画得到的车辆运输路线如图1所示。

图1 基于Baidu地图API绘制的车辆运输路线图

1.2 分析计算运输车辆的行车指标

车辆在移动的过程中，坐标位置会发生相对变化，所产生的距离即为里程。计算实际行驶的里程需要获取所有前后移动的坐标点的距离，然后进行叠加运算，即可用公式⑴计算获得车辆在该线路内的实际行驶里程。

其中，为实际行车距离，为坐标点的个数，S代表的是第个点到第1个点之间的距离数据。

借助Baidu 地图API 自带的坐标点间距离的计算功能，获得行车数据里某一车辆两个坐标点间的行驶距离，累加该车辆在某一线路所有坐标点间的距离，可以得到该车辆在该线路内的实际行驶里程。值得注意的一点是，如果两个坐标点之间的采集时间相差过大时，应当认为这两个坐标点隶属于不同路线。为此，我们假设当采集时间差距超过一分钟时，车辆开始行驶不同的路线，不同路线之间的里程不做叠加计算。本文考虑到Python 语言较强的数据处理能力以及出色的操作便捷性，使用Python 完成了所有的数据操作和运算。

获得车辆对实际行驶里程后，根据对应线路采集到的行驶时间t，可以计算得到里程内的平均速度：

其中，为平均速度，t为第n 个点到第n+1 个点之间的行驶时间，t为实际行车花费的总时间。

观察车辆的平均速度变化，假设一前一后两段里程的平均速度发生较大幅度的改变，即可认为该车辆进行了急加速或急减速。根据速度计算公式⑷：

可以得到加速度计算公式⑸：

随机抽选10条车辆行车轨迹采集数据，计算行车过程中的行车指标，如表2所示。

表2 某10辆车辆行车过程中的行车指标

观察表1，平均速度偏高甚至严重超速的车辆，急加速减速的次数明显高于其他正常驾驶速度的车辆。可以进一步假设，频繁的急加减速的车辆更容易表现出不安全的驾驶行为。车辆事故的发生，往往是由于车辆间的距离小于车辆反应距离和刹车距离。因此，两车间最小距离大于车辆反应距离和刹车距离可以规避事故的发生。假设司机从制动到停下来的时间为，开始的速度为，则反应距离s如公式⑹所示。

最小两车距离主要由刹车距离决定，而刹车距离又与车速密切相关，根据交通工程学科经验，用式⑺可以计算前后两车最小间距：

其中，是刹车时司机在反应时间内汽车行驶的距离，是刹车时从制动器开始起作用到汽车完全停止行驶的距离，为制动距离，是与路面阻力、湿度、坡度等因素有关的系数，是两车之间的安全距离，是车辆的标准长度。司机要在中刹车停住才不撞上前一辆车，所以汽车之间的安全行驶间距应该符合式⑻的条件。

1.3 行车安全多因素的层次评价分析

根据上文提到可能影响行车安全的行为因素如下：车辆的平均行驶速度、车辆行驶的距离、车辆行驶的时间、车辆的反应距离、车辆的急加速减速情况。由于五个因素相互影响，它们的排列组合将会对行车安全产生不同的效应，以是否为安全驾驶行为作为目标层，通过严格的分析，对以上五个切实的因素拟定关系并评分作为准则层，比较最终的方案层安全行车与不良驾驶后的影响。建立如下层次分析结构，如图2所示。

图2 层次分析结构

构造判断矩阵，就车辆的5个切实指标，进行两两比较并评分，评分权重如表3所示。

表3 准则层要素对决策目标的排序权重情况

计算判断矩阵A-C，结果如表4所示。

表4 判断矩阵A-C

综合以上数据，计算得出方案层中要素对决策目标的排序权重：安全驾驶权重为0.8670，不良驾驶权重为0.1330，可以看出在权重上，安全行驶比不良行驶大0.734。这也意味着，车辆在尽可能遵守安全行车原则的前提下，很大概率是安全驾驶行为。

2 运输车辆安全驾驶行为评价模型

一般来说，影响行车安全的内因有车辆本身的安全、效率、节能等因素，而外因多数是天气原因。设定安全驾驶的评价指标集合={安全，效率，节能，天气}，采用模糊综合评价法，对运输车辆安全驾驶行为进行综合评价。基于评价指标集合确定评语集合和模糊评判矩阵。

对于安全性={很安全,比较安全,一般,不安全}，对于效率={很高,较高,一般,不高}，对于节能={很少,较少,一般,很高}，对于天气={很好,较好,一般,不好}，对于路况={很好,较好,一般,不好}。

假设有50%的人认为很安全，30%的人认为比较安全，20%的人认为比较一般，没有人认为不安全。安全性的评价结果就是(0.5,0.3,0.2,0)，以此类推的效率评价结果是(0.4,0.3,0.2,0.1)，节能评价结果是(0.3,0.2,0.4,0.1)，天气评价结果是(0,0.3,0.6,0.1)，路况评价结果是(0.2,0.3,0.2,0.3)。构建矩阵如下：

针对上面的指标集合，设权系数向量取为=(0.3,0.4,0.1,0,0.2)。利用模糊矩阵的乘法和加法计算综合评判矩阵，计算公式为：

定义模糊矩阵的乘法和加法分别为：

一般的，对=(b,b,…,b)，令：

综上可以得到行车安全的综合评价模型：

该模型可以基于实际场景进行评价值的修改和调整，因地制宜地评价客观条件下的行车安全状况。