本文研究了基于大数据与微行程的运输车辆安全驾驶行为，旨在通过分析车联网采集的GPS数据，挖掘驾驶员的安全驾驶行为，并建立评价模型，以提高道路运输安全管理水平和运输效率。
研究背景与目标
随着车联网技术的普及，大量驾驶行为数据为道路运输安全管理提供了新的机遇。本文的目标是利用数据挖掘方法，分析车辆行驶过程中的驾驶行为对行车安全、运输效率与节能的影响，并建立有效的数学模型进行评价。
数据预处理
首先对原始GPS数据进行预处理，包括：
- 漂移轨迹去噪：采用离群点去噪、速度异常点去噪、里程异常点去噪和路径优化四种方法去除数据中的漂移点和噪声点。
- 地图匹配：利用OpenStreetMap对去噪后的行车轨迹进行地图匹配纠正，确保轨迹与实际道路一致。
- 分割双向车道：对双向行驶的路段进行车道分割，以便更精确地分析驾驶行为。
- 划分微行程：将车辆的总行驶轨迹划分为多个微行程，每个微行程作为一个研究对象。
- 自然气象与道路数据离散化：将附件2中的天气、风力等数据转换为具体数值，并与行车轨迹进行匹配。
问题一：行车情况提取与分析
- 行车线路划分：根据时间间隔和距离间隔阈值，将车辆行驶轨迹划分为不同的路线。
- 行车指标提取：计算行车里程、平均行车速度、急加速/急减速等指标，并绘制运输路线图。
问题二：不良驾驶行为挖掘与评价
- 不良驾驶行为定义：定义了疲劳驾驶、急加速、急减速、怠速预热、超长怠速、熄火滑行、超速和急变道等不良驾驶行为，并设计了相应的识别算法。
- 微行程分析：将每条路线分为多个微行程，提取每辆车每个微行程的不良驾驶行为累计次数和时长。
- 安全评价模型：采用层次分析法和主成分分析法相结合的权重赋值法，建立行车安全评价模型，并对每辆车每个微行程进行评价。
问题三：改进的行车安全综合评价模型
- 改进评价指标：在原有指标基础上，增加了行驶侧滑可能性、行车时间利用率、日均行驶里程等指标，并考虑天气、温度等环境因素对驾驶行为的影响。
- 综合评价模型：采用改进的K-均值聚类算法，将驾驶行为分为优秀、良好、合格和不合格四个等级，并设计三层BP神经网络进行驾驶行为分类评价。
- 平台搭建：基于ASP.NET技术构建了基于大数据分析的驾驶行为识别与评价平台，实现算法的系统化应用。
研究结论
- 本文提出的算法能有效识别和分析运输车辆的不良驾驶行为，并建立科学的评价模型。
- 改进的K-均值聚类和BP神经网络模型能够对驾驶行为进行分级评价，为运输安全管理提供决策支持。
- 基于大数据分析的驾驶行为识别与评价平台能够帮助运输企业实时监控和管理车辆驾驶行为，提高运输安全管理水平和运输效率。
