本发明涉及一种驾驶员安全监控学习系统。
背景技术
道路交通事故的诱发因素包括人、车、道路、环境等直接因素和与直接因素相关的其他人、信息等间接因素。其中人的因素占据主导地位，而驾驶员的驾驶习惯会直接影响到车辆行驶的安全性。驾驶员在行车过程中的不良驾驶行为可能会引发较为严重的交通事故，导致人员和财产的巨大损失，产生负面的社会影响。目前，在对驾驶员进行考核评价时，大多是以驾驶员违章违规记录作为主要依据，缺乏对多个客观标准的考核，结果不够合理客观；同时，在评价时缺少量化的评判标准，使得考核结果不够可信可靠；再有，缺乏外在的客观标准而存在一定的偏差，这些不利于驾驶员改正其不良驾驶习惯和提高道路交通的安全性。
技术实现要素：
为解决上述问题，本发明的目的在于提供一种驾驶员安全监控学习系统，综合考量了多个客观评判标准，使得对驾驶员的考核结果更为客观可靠，也能对驾驶员的不良习惯进行提醒，规避驾驶风险，提高道路交通的安全性。
本发明提供了一种驾驶员监控系统，包括：
数据收集单元，其用于收集驾驶员的行为数据；
其中，行为数据包括驾驶员行驶的机动车辆的行车数据以及驾驶员的学习考核数据；
数据预处理单元，其用于从收集到的行为数据中提取出对驾驶员进行评价的评价数据；
其中，评价数据包括：表征驾驶员行车前检查的数据、表征驾驶员服从交通规则的数据、表征驾驶员行车风格的数据，以及表征驾驶员培训学习的学习考核数据；
数据统计分析单元，其用于对评价数据进行统计分析，获取每个驾驶员的评分情况；
数据接收单元，其用于接收评分结果，并根据评分结果得出驾驶建议，并将驾驶建议和未完成的培训学习课程发送至驾驶者；
其中，统计分析方法为：
步骤a，确定评价数据中的一级评价因素，建立一级评价因素集u＝{u1,u2,…,ui，…,um}，其中，ui表示影响因素，i＝1,2,…,m；
步骤b，根据评价数据中每个一级评价因素所对应的二级评价因素，分别建立每个一级评价因素对应的二级评价因素集ui＝{ui1,ui2,…,uij,…,uini}，其中，uij表示一级评价因素对应的二级评价因素，j＝1,2,…,ni；
步骤c，建立评价指标集v＝{v1,v2,…,vk,…,vn}，其中，vk表示评价等级，k＝1,2,…,n；
步骤d，对每个一级评价因素，确定其对应的评价矩阵
步骤e，确定一级评价因素对应的权重向量w＝{w1,w2,…,wi,…,wm}，以及二级评价因素对应的权重向量wi＝{wi1,wi2,…,wij,…,wini}，其中，分量wi表示各个一级评价因素对应的权重，分量wij表示各个二级评价因素对应的权重；
步骤f，确定每个一级评价因素的最终评价矩阵为bi＝wiri＝{bi1,bi2,…bij,…,bini}，其中，
步骤g，将每个一级评价因素ui作为单独元素，bi作为ui的评价向量，建立用于评价驾驶员的总评价矩阵r＝{b1,b2,…,bi,…,bm}t，得到总评价向量为b＝wr＝{b1,b2,…,bi,…,bm}，其中，bi＝wibi，i＝1,2,…,m；
步骤h，将总评价向量中分量bi对应的分值si代入计算，得到每个驾驶员最终的评分
作为本发明进一步的改进，所述数据收集单元包括采集行车数据的若干传感器以及采集学习考核数据的智能终端或pc机，其中，若干传感器包括：
安装在驾驶室的指纹识别器，其用于驾驶员在行车前采集驾驶员的指纹信息，当指纹匹配时才能开始行车；
安装在车辆外壳四周的热感应器，其用于驾驶员在行车前检测驾驶员是否绕车辆进行四周观察；
安装在车内的摄像头，其用于采集驾驶员上车后及行车过程中的视频数据；
安装在后视镜上的摄像头，其用于采集驾驶员行车过程中车辆周围环境的视频数据；
安装在车内的gps定位仪，其用于获取车辆所在的位置；
安装在车内的速度计，其用于采集车辆的行驶速度；
安装在油门踏板上的传感器，其用于采集车辆的油门位置及油门变化加速度；
安装方向盘上的传感器，其用于采集方向盘位置及方向盘加速度；
安装在离合器上的传感器，其用于采集离合器位置及离合器位置变化加速度；
安装在刹车踏板上的传感器，其用于采集刹车踏板位置及刹车踏板位置变化加速度；
安装在档位上的传感器，其用于采集档位杆位置、换档时间及换档方向数据；
安装在车头的雷达传感器，其用于采集车辆行车过程中的距离前车的距离；
安装在车尾的雷达传感器，其用于采集车辆行车过程中的距离障碍物的距离；
智能终端或pc机，其用于采集驾驶员学习视频教程和电子课件的学习数据及学习完成后的考试数据。
作为本发明进一步的改进，数据预处理单元在提取评价数据时：
根据指纹识别器和热传感器采集到的数据，提取出表征驾驶员的行车前检查数据；
根据车内的摄像头、后视镜上的摄像头、gps定位仪和速度计采集到的数据，提取表征驾驶员的交通规则服从数据；
根据油门踏板上的传感器、方向盘上的传感器、离合器上的车尾的雷达传感器传感器、刹车踏板上的传感器、档位上的传感器、车头的雷达传感器和车尾的雷达传感器采集到的数据，提取表征驾驶员的行车风格数据；
根据智能终端或pc机采集到的数据，提取表征驾驶员培训学习的学习考核数据。
作为本发明进一步的改进，行车前检查数据包括：是否是本人驾驶车辆，是否检查车辆外观；
交通规则服从数据包括：是否系上安全带，是否遵守限速，是否遵守交通灯，是否在停止标志停止，是否在规定路段行驶；
行车风格数据包括：油门踏板是否剧烈运动，油门踏板是否突然改变速度，方向盘是否剧烈运动，方向盘是否突然改变速度，离合器是否剧烈运动，离合器是否突然改变速度，刹车是否剧烈运动，刹车是否突然改变速度，换档是否过快或过慢，换档是否正确，与前车相对距离短是否经常发生，与车后障碍物相对距离短是否经常发生；
学习考核数据包括：驾驶人员学习过的课程、学习进度及考试成绩。
作为本发明进一步的改进，在确定一级评价因素对应的权重时：
步骤s1，先建立一级评价因素的m阶矩阵a，
步骤s2，将m阶矩阵a所有一级评价因素采用1-9标度法两两比较，对比较后的m阶矩阵a，计算其特征向量并归一化处理，得到归一化后的特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m；
步骤s3，对m阶矩阵a进行一致性检验，若检验通过，将归一化后的特征向量中的分量确定为一级评价因素的权重分量αi，i＝1,2,…,m；
步骤s4，再将m阶矩阵a中的一级评价因素两两比较，将行元素与列元素相互对比，每个专家得出一个m阶判断矩阵，将l个专家得出的m阶判断矩阵中的对应元素加和，得到一个新的m阶判断矩阵的d；
步骤s5，计算新的m阶判断矩阵中每一行一级评价因素的总和
步骤s6，利用线性加权，确定每个一级影响因素的权重wi＝ηαi+(1-η)βi，i＝1,2,…,m，0＜η＜1；
步骤s7，归一化权重向量，即
作为本发明进一步的改进，步骤s2中，在两两比较时，m阶矩阵a中：
当元素p与元素q的重要性相同时，apq＝1；
当元素p与元素q略重要时，apq＝3，反之，apq＝1/3；
当元素p与元素q重要时，apq＝5，反之，apq＝1/5；
当元素p与元素q重要得多时，apq＝7，反之，apq＝1/7；
当元素p与元素q极其重要时，apq＝9，反之，apq＝1/9。
作为本发明进一步的改进，步骤s4中，m阶矩阵d中：
当元素p与元素q相比非常重要时，dpq＝4；
当元素p与元素q相比比较重要时，dpq＝3；
当元素p与元素q相比同样重要时，dpq＝2；
当元素p与元素q相比不太重要时，dpq＝1；
当元素p与元素q相比很不重要时，dpq＝0。
作为本发明进一步的改进，步骤s2中，计算特征向量的具体方法为：
将m阶矩阵a各列求和；
对每一列进行归一化处理即用各列的元素除以列的和：
对m阶矩阵b中每一行求和即可得出特征向量；
对m阶矩阵b中的特征向量归一化处理，即可得到特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m。
作为本发明进一步的改进，步骤s3中，一致性检验，的方法为：
计算m阶矩阵a的最大特征根
计算m阶矩阵a的一致性指标
计算m阶矩阵a的随机性一致比率
当cr＜0.1时，一致性检验通过。
作为本发明进一步的改进，根据权利要求5所述的驾驶员监控系统，其特征在于，η＝0.6。
本发明的有益效果为：
1、整个系统通过多方面的数据提炼出评价标准对驾驶员驾驶行为进行实时评价和警示，解决了对驾驶员驾驶行为监管不足的弊端，也为驾驶员的不良驾驶习惯和对专项内容的学习提供了反馈渠道，有利于建立安全规范的驾驶环境，更好的辅助驾驶员规避驾驶风险，提高道路交通的安全性；
2、采用行车数据和学习考核数据的统计参数作为评判量化的标准，综合考虑了表征驾驶员行车前检查的数据、表征驾驶员服从交通规则的数据、表征驾驶员行车风格的数据，以及表征驾驶员培训学习的学习考核数据等评价数据，使得对驾驶员的评价更为客观可靠；
3、评价数据在参与评价时，划分为了一级评价因素和从属于一级评价因素的二级评价因素，可根据每个企业的需求来动态调整，使得评价具备良好的动态适应性；
4、一级评价因素和二级评价因素的权重处理过程，既考虑了权威的专家意见，也通过数学算法处理对影响因素进行了量化计算，减少了主观人为的影响，有效结合了主观和客观的权重影响，并对主观和客观的权重进行加权处理，使得权重更为准确合理，进一步提高了评价的合理性和可靠性。
附图说明
图1为本发明实施例所述的一种驾驶员安全监控学习系统的示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
如图1所示，本发明实施例的一种驾驶员安全监控学习系统，包括：
数据收集单元，其用于收集驾驶员的行为数据。其中，行为数据包括驾驶员行驶的机动车辆的行车数据以及驾驶员的学习考核数据。
具体来说，数据收集单元包括采集行车数据的若干传感器以及采集学习考核数据的智能终端或pc机。
其中，若干传感器包括：
安装在驾驶室的指纹识别器，其用于驾驶员在行车前采集驾驶员的指纹信息，当指纹匹配时才能开始行车；
安装在车辆外壳四周的热感应器，其用于驾驶员在行车前检测驾驶员是否绕车辆进行四周观察；
安装在车内的摄像头，其用于采集驾驶员上车后及行车过程中的视频数据；
安装在后视镜上的摄像头，其用于采集驾驶员行车过程中车辆周围环境的视频数据；
安装在车内的gps定位仪，其用于获取车辆所在的位置；
安装在车内的速度计，其用于采集车辆的行驶速度；
安装在油门踏板上的传感器，其用于采集车辆的油门位置及油门变化加速度；
安装方向盘上的传感器，其用于采集方向盘位置及方向盘加速度；
安装在离合器上的传感器，其用于采集离合器位置及离合器位置变化加速度；
安装在刹车踏板上的传感器，其用于采集刹车踏板位置及刹车踏板位置变化加速度；
安装在档位上的传感器，其用于采集档位杆位置、换档时间及换档方向数据；
安装在车头的雷达传感器，其用于采集车辆行车过程中的距离前车的距离；
安装在车尾的雷达传感器，其用于采集车辆行车过程中的距离障碍物的距离；
智能终端或pc机，其用于采集驾驶员学习视频教程和电子课件的学习数据及学习完成后的考试数据。
数据预处理单元，其用于从收集到的行为数据中提取出对驾驶员进行评价的评价数据。其中，评价数据包括：表征驾驶员行车前检查的数据、表征驾驶员服从交通规则的数据、表征驾驶员行车风格的数据，以及表征驾驶员培训学习的学习考核数据。
具体的，在提取评价数据时：
根据指纹识别器和热传感器采集到的数据，提取出表征驾驶员的行车前检查数据。其中，行车前检查数据包括：是否是本人驾驶车辆，是否检查车辆外观。
根据车内的摄像头、后视镜上的摄像头、gps定位仪和速度计采集到的数据，提取表征驾驶员的交通规则服从数据。其中，交通规则服从数据包括：是否系上安全带，是否遵守限速，是否遵守交通灯，是否在停止标志停止，是否在规定路段行驶。
根据油门踏板上的传感器、方向盘上的传感器、离合器上的车尾的雷达传感器传感器、刹车踏板上的传感器、档位上的传感器、车头的雷达传感器和车尾的雷达传感器采集到的数据，提取表征驾驶员的行车风格数据。其中，行车风格数据包括：油门踏板是否剧烈运动，油门踏板是否突然改变速度，方向盘是否剧烈运动，方向盘是否突然改变速度，离合器是否剧烈运动，离合器是否突然改变速度，刹车是否剧烈运动，刹车是否突然改变速度，换档是否过快或过慢，换档是否正确，与前车相对距离短是否经常发生，与车后障碍物相对距离短是否经常发生。
根据智能终端或pc机采集到的数据，提取表征驾驶员培训学习的学习考核数据。其中，学习考核数据包括：驾驶人员学习过的课程、学习进度及考试成绩。课程可以为一些专项培训内容，例如公司车辆驾驶规章要求等。
数据统计分析单元，其用于对评价数据进行统计分析，获取每个驾驶员的评分情况。其中，统计分析方法为：
步骤a，确定评价数据中的一级评价因素，建立一级评价因素集u＝{u1,u2,…,ui，…,um}，其中，ui表示影响因素，i＝1,2,…,m。
本实施例中，一级评价因素可选取为：u1行车检查，u2交通规则服从，u3行车风格，u4学习考核。
步骤b，根据评价数据中每个一级评价因素所对应的二级评价因素，分别建立每个一级评价因素对应的二级评价因素集ui＝{ui1,ui2,…,uij,…,uini}，其中，uij表示一级评价因素对应的二级评价因素，j＝1,2,…,ni。
本实施例中，从属于一级评价因素u1行车检查的二级评价因素为u11是否是本人驾驶车辆，u12是否检查车辆外观。从属于一级评价因素u2交通规则服从的二级评价因素为u21是否系上安全带，u22是否遵守限速，u22是否遵守交通灯，u24是否在停止标志停止，u25是否在规定路段行驶。从属于一级评价因素u3行车风格的二级评价因素为u31油门踏板是否剧烈运动，u32油门踏板是否突然改变速度，u33方向盘是否剧烈运动，u34方向盘是否突然改变速度，u35离合器是否剧烈运动，u36离合器是否突然改变速度，u37刹车是否剧烈运动，u38刹车是否突然改变速度，u39换档是否过快或过慢，u310换档是否正确，u311与前车相对距离短是否经常发生，u312与车后障碍物相对距离短是否经常发生。从属于一级评价因素u4学习考核的二级评价因素为u41驾驶人员学习过的课程，u42学习进度，u43考试成绩。
步骤c，建立评价指标集v＝{v1,v2,…,vk,…,vn}，其中，vk表示评价等级，k＝1,2,…,n。
本实施例中，评价等级分别为v1优秀、v2良好、v3一般、v4较差、v5差，对应的分值可设定为1、0.8、0.6、0.4、0.2。分值可以根据评价需求进行适当调整，以适应不同的企业。
步骤d，对每个一级评价因素，确定其对应的评价矩阵
步骤e，确定一级评价因素对应的权重向量w＝{w1,w2,…,wi,…,wm}，以及二级评价因素对应的权重向量wi＝{wi1,wi2,…,wij,…,wini}，其中，分量wi表示各个一级评价因素对应的权重，分量wij表示各个二级评价因素对应的权重。
具体的，在确定一级评价因素对应的权重时：
步骤s1，先建立一级评价因素的m阶矩阵a，
步骤s2，将m阶矩阵a所有一级评价因素采用1-9标度法两两比较，对比较后的m阶矩阵a，计算其特征向量并归一化处理，得到归一化后的特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m。
其中，在两两比较时，m阶矩阵a中：
当元素p与元素q的重要性相同时，apq＝1；
当元素p与元素q略重要时，apq＝3，反之，apq＝1/3；
当元素p与元素q重要时，apq＝5，反之，apq＝1/5；
当元素p与元素q重要得多时，apq＝7，反之，apq＝1/7；
当元素p与元素q极其重要时，apq＝9，反之，apq＝1/9。
其中，计算特征向量的具体方法为：
将m阶矩阵a各列求和；
对每一列进行归一化处理即用各列的元素除以列的和：
对m阶矩阵b中每一行求和即可得出特征向量；
对m阶矩阵b中的特征向量归一化处理，即可得到特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m。
步骤s3，对m阶矩阵a进行一致性检验，若检验通过，将归一化后的特征向量中的分量确定为一级评价因素的权重分量αi，i＝1,2,…,m。
其中，一致性检验，的方法为：
计算m阶矩阵a的最大特征根
计算m阶矩阵a的一致性指标
计算m阶矩阵a的随机性一致比率
当cr＜0.1时，一致性检验通过。
步骤s4，再将m阶矩阵a中的一级评价因素两两比较，将行元素与列元素相互对比，每个专家得出一个m阶判断矩阵，将l个专家得出的m阶判断矩阵中的对应元素加和，得到一个新的m阶判断矩阵的d；
其中，m阶矩阵d中：
当元素p与元素q相比非常重要时，dpq＝4；
当元素p与元素q相比比较重要时，dpq＝3；
当元素p与元素q相比同样重要时，dpq＝2；
当元素p与元素q相比不太重要时，dpq＝1；
当元素p与元素q相比很不重要时，dpq＝0。
步骤s5，计算新的m阶判断矩阵中每一行一级评价因素的总和
步骤s6，利用线性加权，确定每个一级影响因素的权重wi＝ηαi+(1-η)βi，i＝1,2,…,m。
其中，η表示客观偏好系数，取值为0～1，1-η表观主观偏好系数，具体选取时根据评价方的偏好来设定。本实施例中，η＝0.6，更为看重客观偏好。
步骤s7，归一化权重向量，即
再有，针对每个一级评价因素，对从属于该一级评价因素的所有二级评价因素，同样采用上述步骤s1-步骤s7得到二级评价因素对应的权重向量wi＝{wi1,wi2,…,wij,…,wini}，这里不再详述。
步骤f，确定每个一级评价因素的最终评价矩阵为bi＝wiri＝{bi1,bi2,…bij,…,bini}，其中，
步骤g，将每个一级评价因素ui作为单独元素，bi作为ui的评价向量，建立用于评价驾驶员的总评价矩阵r＝{b1,b2,…,bi,…,bm}t，得到总评价向量为b＝wr＝{b1,b2,…,bi,…,bm}，其中，bi＝wibi，i＝1,2,…,m；
步骤h，将总评价向量中分量bi对应的分值si代入计算，得到每个驾驶员最终的评分
数据接收单元，其用于接收评分结果，并根据评分结果得出驾驶建议，并将驾驶建议和未完成的培训学习课程发送至驾驶者。
本发明的安全监控学习系统主要针对于驾驶员，在危险品运输行业，一般会有押运员陪同驾驶员，对随车的押运员同样可以采用本发明的系统来进行监控。对于押运员，在收集数据时，主要根据安装在装货处的摄像头(用于采集押运员上车前装货过程的视频数据)、安装在车内的摄像头(用于采集押运员上车后及行车过程中的视频数据)、安装在卸货处的摄像头(用于采集押运员上车前卸货过程的视频数据)，再对这些数据进行提取，可根据各个公司的考核评价需求，提取其中关注的数据，然后将这些关注的数据作为评价数据进行统计分析，获取每个押运员的评分情况，具体统计分析方法跟驾驶员的统计分析方法类似，这里不再详述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。