面向运输风险识别的高速公路货车用户画像方法

doi:10.12141/j.issn.1000-565X.220525

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (6): 1-9.doi: 10.12141/j.issn.1000-565X.220525

所属专题： 2023年交通运输工程

面向运输风险识别的高速公路货车用户画像方法

林培群龚敏平周楚昊

华南理工大学土木与交通学院，广东广州 510640

收稿日期:2022-08-17 出版日期:2023-06-25 发布日期:2022-11-25
通信作者: 林培群（1980-），男，博士，教授，主要从事车联网、智能交通等研究。 E-mail:pqlin@scut.edu.cn
作者简介:林培群（1980-），男，博士，教授，主要从事车联网、智能交通等研究。
基金资助:
国家自然科学基金资助项目(52072130);广东省自然科学基金资助项目(2021A1515010409)

User Portrait Method of Freeway Freight Car for Risk Identification of Freight Transportation

LIN Peiqun GONG Minping ZHOU Chuhao

School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2022-08-17 Online:2023-06-25 Published:2022-11-25
Contact: 林培群（1980-），男，博士，教授，主要从事车联网、智能交通等研究。 E-mail:pqlin@scut.edu.cn
About author:林培群（1980-），男，博士，教授，主要从事车联网、智能交通等研究。
Supported by:
the National Natural Science Foundation of China(52072130);the Natural Science Foundation of Guangdong Province(2021A1515010409)

摘要/Abstract

摘要：

当前，货车超载超限现象严重，为提升高速公路货车管控效率及货运安全水平，提出基于货运风险特征画像的货车运行风险等级识别模型。首先，基于高速公路收费数据，以货车为研究对象，从驾驶行为和营运状态两方面制定面向货运风险识别的用户画像标签体系；接着对样本数据进行清洗和标签指标提取与分析；然后，利用K-means++算法获得货车货运风险特征画像分类结果，再使用熵权法对各类货车进行货运风险评分，确定各类别货车的风险等级；最后，结合各类别车辆的相关指标，对车辆完成画像。基于广东省全网高速公路2022年3月至5月的货车收费数据，利用所提出的模型，将货车车辆划分为5类，其中，“高风险高强度货车”车辆占比5.42%，“较高风险夜间驾驶超载货车”车辆占比19.12%，“中风险超速货车”车辆占比12.85%，“低风险低频货车”车辆占比37.00%，“低风险高频货车”车辆占比25.61%。使用同期广东省某事故数据库数据对模型进行验证，数据表明，高风险类别车辆的相对风险系数远高于低风险类别车辆。研究表明，所提出的模型可以有效地提取高风险货运特征货车，基于风险等级识别结果，交管部门可进行高风险车辆识别、超载超限重点监查、特定消息推送引导车辆安全驾驶等工作，以提升行业安全管理水平。

关键词: 交通安全, 货车, 高速公路, 联网收费, 聚类算法, 用户画像

Abstract:

At present, the freight car overload phenomenon is coming from bad to worse, in order to improve the efficiency of freight car control on the highway and the level of safety in the freight transport, a freight transport risk level identification model based on user portrait of freight risk was proposed. Firstly, based on highway toll data, taking freight car as the research object, a user portrait system for freight transport risk identification was developed from the aspects of driving behavior and operation status. Then，the sample data was cleaned and the label index was extracted and analyzed. Then, K-means++ algorithm was applied to obtain the classification results of freight transport risk feature portraits. Next, the entropy weight method was used to score the freight risk of all kinds of freight car to determine the risk level of all kinds of freight car. Finally, by combining with the relevant indicators of various types of vehicles, the vehicle portrait was completed. Based on the trucking toll data of the entire highway network in Guangdong Province from March to May 2022, the proposed model was used to divide the trucking vehicles into five categories. Among them, “the freight car of high risk and high workload” accounted for 5.42%, the freight car of higher risk and night-driving and overloaded ”accounted for 19.12%, “the freight car of medium-risk and overspeed” accounted for 12.85%, “ the freight car of low risk and low-frequency” accounted for 37.00%, and “ the freight car of low risk and high-frequency ” accounted for 25.61%. The validity of the model was verified by the data of an accident database in Guangdong Province in the same period. The data showed that the relative risk coefficient of high risk vehicles is much higher than that of low risk vehicles. The research shows that the proposed model can effectively identify trucks with high freight risk characteristics. Based on the results of risk grade identification, traffic management departments can carry out high-risk vehicle identification, key inspection of overload and over-limit, and specific message push to guide vehicle driving safety, so as to improve the safety management level of the industry.

Key words: traffic safety, freight car, freeway, network toll, clustering algorithm, user portrait

中图分类号:

U491

林培群, 龚敏平, 周楚昊. 面向运输风险识别的高速公路货车用户画像方法[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 1-9.

LIN Peiqun, GONG Minping, ZHOU Chuhao. User Portrait Method of Freeway Freight Car for Risk Identification of Freight Transportation[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(6): 1-9.

图/表 11

表1

图1

表2

驾驶时长、运输距离、超载次数权重分级"

$h i$
$2 T c$ /h	评分	分级	权重	分级	权重	超载比例	扣分	分级	权重
4	0.83	<1 h	0.5	<50 km	0.5	未达30%	1分	<0.2	1.0
4	0.83	［1，4） h	1.0	［50，100） km	1.0	30%~50%	3分	［0.2，0.4）	1.5

5	0.73	［4，6） h	1.5	［100，200） km	1.5	50%以上	6分	［0.4，0.6）	2.0
7	0.53	［6，8） h	2.0	［200，300） km	2.0	50%以上	6分	$≥$ 0.6	2.5

9	0.39	［8，10） h	2.5	［300，400） km	2.5
9	0.39	$≥$ 10 h	3.0	$≥$ 400 km	3.0

表2

图2

图3

图4

表3

表4

表5

图5

图6

参考文献 16

1	交通运输部．2021年交通运输行业发展统计公报．［EB/OL］．（2022-05-25）［2022-07-15］．.
2	国新网．国新办举行加强货车司机权益保障工作新闻发布会［EB/OL］．（2021-11-03）［2022-07-15］．.
3	畅玉皎，杨东援．基于车牌照数据的通勤特征车辆识别研究［J］．交通运输系统工程与信息，2016，16（2）：77-82，112.
	CHANG Yujiao， YANG Dongyuan ．Recognition of vehicles with commuting property using license plate data［J］．Journal of Transportation Systems Engineering and Information Technology，2016，16（2）：77-82，112.
4	蔡素贤，杜超坎，周思毅，等．基于车辆运行数据的疲劳驾驶状态检测［J］．交通运输系统工程与信息，2020，20（4）：77-82.
	CAI Suxian， DU Chaokan， ZHOU Siyi，et al ．Fatigue driving state detection based on vehicle running data ［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（4）：77-82.
5	魏广奇，苏跃江，吴德馨，等．基于高速公路流水数据的通勤车辆特征研究［J］．交通运输系统工程与信息，2019，19（3）：237-244.
	WEI Guangqi， SU Yuejiang， WU Dexin，et al ．Trip characteristics of vehicle with commuting property based on highway ticket data［J］．Journal of Transportation Systems Engineering and Information Technology，2019，19（3）：237-244.
6	徐进，杨子邈，陈钦，等．基于电子不停车收费数据的山区高速公路车速分布与车型分类研究［J］．交通运输系统工程与信息，2022，22（5）：75-84，116.
	XU Jin， YANG Zimiao， CHEN Qin，et al ．Speed distribution and vehicle type classification of mountain expressway based on electronic toll collection data［J］．Journal of Transportation Systems Engineering and Information Technology，2022，22（5）：75-84，116.
7	裴爱晖，刘航，胡安．道路货运行业安全量化评估体系研究［J］．公路交通科技，2020，37（S1）：25-28.
	PEI Aihui， LIU Hang， HU An ．Study on quantitative safety evaluation system of road freight transport Industry［J］．Journal of Highway and Transportation Research and Development，2020，37（S1）：25-28.
8	宿硕，肖荣娜，赵南希．基于大数据的公路货运安全指数构建研究［J］．公路交通科技，2020，37（S1）：54-57，63.
	SU Shuo， XIAO Rongna， ZHAO Nanxi ．Study on construction of highway freight safety index based on big data［J］．Journal of Highway and Transportation Research and Development，2020，37（S1）：54-57，63.
9	张坤，王兴国．长纵下坡货车风险指数安全评价技术研究［J］．公路交通科技（应用技术版），2016，12（1）：269-270.
	ZHANG Kun， WANG Xingguo ．Research on safety evaluation technology of long longitudinal downhill truck risk index［J］．Journal of Highway and Transportation Research and Development（Applied Technology），2016，12（1）：269-270.
10	闵建亮，蔡铭．基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析［J］．中国公路学报，2020，33（6）：182-189.
	MIN Jianliang， CAI Ming ．Driver fatigue detection based on multi-scale wavelet log energy entropy of frontal EEG［J］．China Journal of Highway and Transport，2020，33（6）：182-189.
11	王红君，白浩，赵辉，等．基于计算机视觉的驾驶员疲劳状态检测预警技术［J］．科学技术与工程，2022，22（12）：4887-4894.
	WANG Hongjun， BAI Hao， ZHAO Hui，et al ．Driver fatigue state detection and early warning technology based on computer vision ［J］．Science Technology and Engineering，2022，22（12）：4887-4894.
12	ZHAO L， WANG Z C， WANG X J，et al ．Driver drowsiness detection using facial dynamic fusion information and a DBN［J］．IET Intelligent Transport Systems，2017，12（2）：127-133.
13	GAO Z K， WANG X M， YANG Y X，et al ．EEG-Based spatio-temporal convolutional neural network for driver fatigue evaluation［J］．IEEE Transactions on Neural Networks and Learning Systems，2019，30（9）：2755-2763.
14	马艳丽，裴玉龙．连续驾驶时间对驾驶特性测评指标的影响［J］．中国公路学报，2009，22（1）：84-88.
	MA Yanli， PEI Yulong ．Influences of continuous driving time on test indicators of driving characteristics［J］．China Journal of Highway and Transport，2009，22（1）：84-88.
15	王全民，胡德程．基于Spark的K-means快速聚类算法的优化［J］．计算机仿真，2022，39（3）：344-349.
	WANG Quanmin， HU Decheng ．Optimization of K-Means fast clustering algorithm based on spark［J］．Computer Simulation，2022，39（3）：344-349.
16	MA X L， WU Y J， WANG Y H，et al ．Mining smart card data for transit riders’ travel patterns［J］．Transportation Research Part C，2013，36：1-12.

字段名称	字段代码		字段代码
通行标识	PASS_ID	车牌	VEHICLE_ PLATE
入口时间	EN_TIME	出口时间	EX_TIME
轴数	AXLE_COUNT	行程距离	MILEAGE
运输性质	TRANSPORT_ TYPE	核定总质量	TOP_WEIGHT
出口通行车型	VEHICLE_TYPE	机动车所有人	VEHICLE_ OWNER
出口总重	EX_WEIGHT	入口总重	EN_WEIGHT
出口收费站编码	EX_STATION_ID	入口收费站编码	EN_STATION_ID
出口收费站名称	EX_STATION_NAME	入口收费站名称	EN_STATION_NAME

货车类别	运距加权/km	运输量/kg	时长加权/s	夜间驾驶系数	超速系数	超载系数	OD 信息熵	收费站信息熵	车辆数	占比/%
类别1	48 458.4	1 425 468.2	2 968 208.2	0.212	0.045	1.224	4.252	4.175	109 354	5.42
类别2	9 134.4	1 679 334.2	584 295.6	0.250	0.066	1.345	3.309	3.591	385 817	19.12
类别3	1 637.1	286 471.5	52 675.6	0.051	0.524	0.359	1.965	2.340	259 224	12.85
类别4	3 990.0	654 244.2	185 591.3	0.039	0.129	0.580	4.535	4.402	516 904	25.61
类别5	1 190.0	301 792.3	59 276.8	0.030	0.074	0.518	1.782	2.262	746 783	37.00

货车类别	数量	上高速趟次	T12占比/%	W占比/%	货车私有占比/%	货车公有占比/%	周转量/吨公里
类别1	109 354	58.31	58.08	12.07	82.64	17.36	599 424.63
类别2	385 817	70.87	75.50	4.54	73.06	26.94	148 686.35
类别3	259 224	43.63	66.82	2.04	42.09	57.91	9 890.74
类别4	516 904	86.53	46.85	6.31	63.64	36.36	31 094.83
类别5	746 783	36.21	57.28	5.04	48.90	51.10	11 388.06

货运风险指标	权重	百分比/%
运距加权	0.197 144	19.71
时长加权	0.186 006	18.60
夜间驾驶系数	0.191 977	19.20
超速系数	0.142 827	14.28
超载系数	0.098 189	9.82
OD信息熵	0.031 958	3.20
收费站信息熵	0.015 763	1.58
车货总重	0.136 137	13.61

[1]	董春娇, 陆育霄, 马社强, 李鹏辉, 庄焱. 信号交叉口电动自行车多类别违规行为分析与建模[J]. 华南理工大学学报(自然科学版), 2024, 52(1): 83-89.
[2]	黄炎, 符锌砂, 曾彦杰, 等. 基于激光雷达里程计的高速公路三维建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 129-138.
[3]	林培群, 张扬, 罗芷晴, 等. 融合多源数据的高速公路路段车流碳排放精细测算方法[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 100-108.
[4]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[5]	吴娇蓉, 黄正文, 邓泳淇. 都市圈分层空间结构的交通网络密度发展规律[J]. 华南理工大学学报(自然科学版), 2023, 51(2): 111-121.
[6]	胡郁葱, 韦湖, 曾强. 基于空间广义有序Probit模型的高速公路事故严重程度分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 114-122.
[7]	杨洋, 胡嫣然, 袁振洲, 等. 高速公路交通事故时空影响动态效应的传播分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 123-133.
[8]	吴艳霞, 周彤, 黄帅, 等. 基于驾驶员注意力分布模型的路侧环境安全性研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 49-57.
[9]	林旭坤, 张扬, 罗芷晴, 等. 高速公路网车辆碳排放测算方法研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 22-28.
[10]	郭淼, 赵晓华, 姚莹, 等. 基于驾驶行为和交通运行状态的事故风险研究[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 29-38.
[11]	赵晓华, 朱红臻, 边扬, 等. 基于扩展TPB模型的老年驾驶人自我调节行为研究[J]. 华南理工大学学报(自然科学版), 2022, 50(3): 28-37.
[12]	刘小兰, 石宗宇, 叶泽慧, 等. 基于锚点图的低秩缺失多视图子空间聚类[J]. 华南理工大学学报(自然科学版), 2022, 50(12): 60-70.
[13]	何永明, 冯佳, 权聪, 等. 基于联合仿真的超高速公路车辆制动避撞系统[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 19-28.
[14]	漆巍巍, 马思维, 周南杰. 高速公路分合流区车流元胞模型的构建及应用[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 11-18.
[15]	王晓飞刘永李思雨. 公路空间曲率连续性衰退与事故频数影响关联模型[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 26-34.

面向运输风险识别的高速公路货车用户画像方法

User Portrait Method of Freeway Freight Car for Risk Identification of Freight Transportation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价