基于大數據的疲勞駕駛交通事故預防系統

吳榮鴻，范娟純，黃 揚，馬梓凱，沈筱桐

（廣東警官學院，廣東 廣州 510442）

隨著汽車保有量的增加，每年因為交通事故傷亡人數呈上升趨勢?，F代人生活節奏的加快、睡覺不規律，熬夜現象嚴重、長時間駕駛等因素使得駕駛員精神狀態不佳，注意力不集中，容易疲勞駕駛，進而導致交通事故的發生。疲勞駕駛作為交通事故的重要因素之一，如何準確高效檢測疲勞駕駛是多年來各大車企制造業與交通管理部門的研究重點，通過研究一種實時精準的疲勞駕駛預警系統，以便能夠警示駕駛人員改善駕駛行為，避免事故的發生。

1 緒論

1.1 研究背景

近年來，疲勞駕駛已成為社會熱點話題，其導致的交通事故日益增多。某市是其所在省內發生交通傷亡事故量最多的城市，其中駕駛員因疲勞駕駛造成的違規行為正是事故發生的重要原因。

美國卡內基梅隆研究表明：機動車輛重大事故率9.1%歸因于駕駛員疲勞駕駛，而夜晚疲勞駕駛重大事故率約達19.9%。英國交通研究實驗室認為，駕駛疲勞導致的路面交通事故占全部交通事故的10%。研究機構曾對996名載重汽車和4 621名轎車男駕駛員跟蹤調查，發現29%的駕駛員在開車時打瞌睡，其中10%的駕駛員因為疲勞導致事故。

1.2 研究意義

本系統的目的是如何減少疲勞駕駛以及疲勞駕駛事故的發生，涉及駕駛員、道路環境等多種因素?，F如今社會各界對疲勞駕駛的關注度越來越高，但是疲勞駕駛的發生率卻居高不下。因此需要更加高效的方法去預防疲勞駕駛以及減少疲勞駕駛事故的發生。所以文章所研究的預防疲勞駕駛以及減少疲勞駕駛相關交通事故發生的方案有很重要的研究意義。

1.3 研究思路

本系統是一個旨在利用已有的途經某地區的貨車司機行駛時空數據，結合當今大數據與勤務工作結合的時代特征，針對性地根據貨車司機發生疲勞駕駛違法行為的滯后性、多發性、時段性和地段性等特點處理所得的時空數據，利用統計分析得出某地區貨車司機發生疲勞駕駛違法行為的時空特征，并綜合考慮疲勞駕駛違反行為發生致使交通事故發生的主客觀原因，用以分析出當下某地區的勤務布控優化方案，最后以該方案為理論和實踐基礎，以大數據思維構建可以運用于任何城地區的預防和減少疲勞駕駛交通事故的勤務系統。

1.4 研究方法

本系統旨在利用已有的途經某地區的貨車司機行駛時空數據，結合大數據分析手段，對研究前期整理的時空數據進行細致分析，以數據得出疲勞駕駛的規律。本系統進一步研究了，某地區貨車司機發生疲勞駕駛違法行為的時空特征，發現了貨車司機發生疲勞駕駛違法行為的滯后性、多發性、時段性和地段性等多種特性。

1.5 相關研究綜述

第一，預警預防措施的不當。國內多篇文章描述的預警預防措施只是短暫地停留在如何提醒駕駛員疲勞駕駛，單純的語音提示可能不夠，介于一般駕駛員重度疲勞時可能精神已經反應不過來，應在預警方式采用一種強硬的手段進行防控，比如安裝一種檢測疲勞駕駛的工具，當檢測到駕駛人疲勞駕駛時，讓其強制休息，防止駕駛員發生意外，減低風險，或者根據事故多發地安排多一點的執法人員。

第二，駕駛對象不明確。有些研究對象放在軍隊駕駛員和日常道路上的司機上，沒有考慮駕駛對象的分別，這樣分析的結果沒有特定性，而且沒有考慮到不同的駕駛員心理承受能力不同，軍隊的駕駛員通過日復一日的訓練和提升，比一般人在面對疲勞駕駛的情況會有不同的反應。

第三，制作成本高，沒有考慮技術普及。介于社會資源投入成本少，大多預防疲勞駕駛的技術的提高沒有考慮零件和材料的成本，不能讓社會普及使用，并且相關企業屬于小眾品牌，政府投入支持少，資金鏈不穩定，規模效應弱，開發成本居高不下，遠遠達不到能夠全社會廣泛普及的程度。

第四，缺少對客體的分析。這些文章雖然細致入微地對駕駛人的精神狀態進行監測，從而達到提醒駕駛者疲勞狀態來預防發生交通事故的效果。但是疲勞駕駛的發生不僅有主體方面的因素，更受客體各方面的因素影響。片面的研究會使在使用這個課題去解決現實中的疲勞駕駛問題時不能完全發揮出最大的效果，從而導致文章的實用性價值大大減少。

2 疲勞駕駛

2.1 疲勞駕駛定義

駕駛疲勞，是指駕駛人在長時間連續行車后，產生生理機能和心理機能的失調，而在客觀上出現駕駛技能下降的現象。這里的疲勞是指駕駛員24 h內駕車超過8 h或單次連續駕車超過4 h或者從事其他勞動體力消耗過大或睡眠不足，以致行車中困倦瞌睡、四肢無力，不能及時發現和準確處理路面交通情況。

2.2 疲勞駕駛原因

引起疲勞駕駛的因素是多方面的，其存在滯后性、多發性、時段性和地段性等多種特性。從主觀因素分析，駕駛人作為疲勞駕駛的主體，在駕駛人這方面存在的問題十分多樣化，包括了個人觀念、駕駛經歷、休息因素、駕駛時長、駕駛路程、個人習慣、身體條件七個大點。其中個人觀念和身體條件是最大的兩個板塊，也即是在主體方面上與發生疲勞駕駛關系最為密切的因素。

引起疲勞駕駛的客體因素由車輛情況、駕駛時段、路況因素、設施因素、他人因素、社會因素六大點組成。其中車輛情況和社會因素是其中最大的兩個板塊，也即是在客體方面上與發生疲勞駕駛關系最為密切的因素。

通過主客觀因素綜合對照對疲勞駕駛事故進行深入分析，綜合統計結果顯示的引發因素為生活環境、睡眠質量、車內環境、車外環境、運行條件、身體條件、駕駛經歷、夏季行車容易導致疲勞和高速行車容易導致疲勞駕駛九點因素。

2.3 疲勞駕駛數據分析

數據主體的選擇是某地區內1 700多個于一定時間內途經該地區的疲勞駕駛貨車司機駕駛時間和在國省道行駛的行駛過程數據。

通過疲勞駕駛司機的行駛過程中正常行駛的開始時間、由正常駕駛進入疲勞駕駛的開始時間和行駛行程的結束時間（同時也是疲勞駕駛的結束時間），在空間選擇的限制條件下，決定根據該地區的五個邊界地點，截取貨車司機發生疲勞駕駛違法行為的開始時間和結束時間。根據數據的特點，決定將數據分類為空間數據和時間數據進行系統性的整理。

根據貨車司機發生疲勞駕駛違法行為的地段性和某地區貨車司機發生疲勞駕駛違法行為的地域性特征，本系統將1 700多個貨車疲勞駕駛數據進行分類；從方向上分為東西行、從地點上進行歸類整理，得出疲勞駕駛高發路段。

根據路段進行統計，得出疲勞駕駛車輛經過路段的數量，便可以知道哪個路段為疲勞駕駛高發路段。

根據貨車司機發生疲勞駕駛違法行為的時段性對數據進行整體分析（周）和單體分析（天），并細化到一天的早中晚甚至以半小時為單位進行分析。

2.4 疲勞駕駛數據特征

2.4.1 發生疲勞駕駛時間分布特征

疲勞駕駛24 h分布。受到人們生產生活行為的周期性變化影響，國省道交通量在一天24 h中各不相同發生疲勞駕駛的集中程度也有所不同。一天中發生疲勞駕駛有高峰期和平峰期之分，涉疲勞駕駛的道路交通事故相應也存在多發時段。

疲勞駕駛星期分布。受到工作日與周末的周期性變化影響，疲勞駕駛在一個星期中發生的次數也不盡相同。一個星期中也有次數多少之分，涉疲勞駕駛交通事故也相應有所不同。

2.4.2 發生疲勞駕駛空間分布特征

疲勞駕駛某地區內各路段區間分布。受到各路段區間的路況不同、駕駛環境和駕駛員等情況影響，某地區內國道、省道疲勞駕駛發生次數也有所不同。在某地區內路段發生疲勞駕駛有高發路段與較少路段之分，涉疲勞駕駛的道路交通事故也存在相應高發路段。

某地區內全路段東西分布。某地區內國道、省道主要為東西走向，受運輸量、起始地址、行駛長度等影響，某地區內國道、省道全路段東行與西行發生疲勞駕駛的次數也有所不同。

2.4.3 發生疲勞駕駛時間與空間分布特征

星期內疲勞駕駛某地區各路段區間分布。受貨物集散時間不同、所經路段不同等因素影響，一周內各路段區間發生疲勞駕駛的次數也有所不同。

3 基于大數據的疲勞駕駛交通事故預防系統

3.1 構建思路

本系統將時間與空間相結合，力求創造出一個以理論和實踐為基礎、以大數據思維為框架、以數據為內容的可以預防和減少疲勞駕駛交通事故的方案。本系統擬建立的疲勞駕駛交通事故預防系統由四個端口組成，分別是負責數據錄入的前端、負責整理和分析數據的分析端、負責轉化數據的系數端和發放方案的方案端，各端口由提取和轉化數據的數據鏈條鏈接。

3.2 預設方案建設

3.2.1 前端獲取

數字可視化的前提在于數據的前端獲取。本系統根據疲勞駕駛違法行為發生的一般規律，把要獲取的數據類型按照疲勞駕駛的主體分為了駕駛員、行駛車輛和道路等數據，不同類型的數據來源于不同的數據前端，如貨運車輛的行駛數據通過GPS定位技術來獲取，或者通過相關的機動車行程管理云平臺來提取數據，交通管理部門亦可以提取如貨運車輛的年檢信息、道路交通設施建設情況和駕駛員的相關信息等。

3.2.2 分析端

本端口主要由數據鏈和數據分析端組成，數據的整理和分析是本系統中數據轉化為系統系數的前提，因此本端口的主要內容為前端數據轉化為系數所需數據的算法。當駕駛員駕駛時間超過規定駕駛時長，系統將會對該駕駛員的相關數據進行收集并傳輸至方案端。

3.2.3 方案端

本端口根據從系數端所得單次疲勞駕駛行為的系數構成，從方案庫抽取對應方案，進行合理性和邏輯性編寫后形成單次疲勞駕駛行為預防和解決方案，隨即發送至移動端口。

在獲得了一定數據的基礎上，本系統通過對導致疲勞駕駛的各因素擬以危險系數的形式，將危險系數分為靜態系數和動態系數，又根據疲勞駕駛誘使交通事故發生的原因及其主體擴展，從人、車、路三個角度對行車過程中各種影響行車的因素進行量化，當系統提取相關數據，會按照設置完畢的系數進行統計，通過相加計算后，如果發現超過閾值則發出警告，并執行相關預案。

3.2.4 勤務布控

本系統構建的是實時監控、實時布控的疲勞駕駛交通事故預防系統。通過實時的危險系數監控，執法人員可以迅速地精準布控，預防疲勞駕駛相關交通事故的發生。

其次，根據建立的系統，可以從靜態系數看出某城地區內道路交通的常況，該地執法人員亦可以根據靜態系數所產生的原因去直接完善相關的基礎設施，降低該地的靜態系數，以降低最終的危險系數。

根據此大數據服務平臺，執法人員可通過該系統將數據可視化，清晰地了解某地區貨車司機行駛過程中所有某時某路段下危險系數的高低。對疲勞駕駛多發時間加強監管，對疲勞駕駛的高發路段進行設點查車。運用多種方法對疲勞駕駛多發的重點時間與路段進行管理，減少疲勞駕駛及其相關事故的發生，加強執法人員辦事效率。

3.3 反饋修正機制

3.3.1 人工反饋

當使用者執行完該系統的布置方案后，系統會向執法人員發出問卷，判斷是否準確。如果不準確，需要使用者填寫具體出錯部分，包括地點、時間、車輛類型、是否違法等情況。反饋完畢后，運行者會根據反饋情況進行系統判定的排查。

3.3.2 系統反饋

系統反饋是根據數據波動而對系統本身做出指向性修正的參考，通過系統反饋模塊為系統修正、警示和總結等方面提供有效指導。本系統的系統反饋模塊分為路段疲勞駕駛異常波動警示板塊、路段疲勞駕駛高發警示板塊、月度治理總結和方案修正警示四個模塊。

4 結語

文章主要以研究預防貨車司機疲勞駕駛為例，對某市司機的疲勞駕駛行為進行研究。通過將疲勞駕駛司機的車輛數據與某市的道路分布情況進行分析，分析出其特點以及規律，并提出如何構建預防疲勞駕駛行為的系統方案思路，提供一種新的預防思路參考。

在未來，隨著車載探測技術和路面探測技術不斷發展，各種現有問題不斷被解決，再者還可以結合其他智能科技技術，對預防和發現疲勞駕駛方式做出良好改進，降低甚至杜絕相關交通事故的發生。