近年來,我國貨車事故發(fā)生率以及貨車事故造成的死亡率都居高不下,運輸過程中的安全問題亟待解決。伴隨著車聯(lián)網大數據的發(fā)展,大數據挖掘技術在交通安全領域面臨更大的機遇。本文以車聯(lián)網大數據為背景,將采集的貨車軌跡數據、動態(tài)數據、預警數據等進行預處理,提取貨車出行關鍵數據,研究貨車出行風險特征畫像及其關鍵影響因素,期望能提高貨車運輸過程中的安全性,預防和減少貨車事故的發(fā)生。論文主要內容有:（1）車聯(lián)網貨車預警數據的提取、可視化與統(tǒng)計分析。通過對原始記錄數據進行清洗與預處理,提取了 932輛京牌車輛,包含發(fā)生過預警的車輛716輛和未發(fā)生過的預警車輛216輛。運用編程技術實現(xiàn)對目標車輛里程、預警頻次、軌跡數據等信息的提取,將提取的GPS軌跡數據進行地圖匹配,實現(xiàn)車輛軌跡的可視化。從車輛出行時間和出行距離來看,車輛多是中短距離的出行,從預警分布來看,超速預警較多發(fā)生在城際道路上,而疲勞駕駛預警多發(fā)生在市內道路上。運用統(tǒng)計分析方法,分析預警頻次在不同屬性特征下的分布規(guī)律,結果表明車輛類型、路段速度、能見度等均對車輛預警發(fā)生的頻次有顯著影響。（2）貨車出行風險特征畫像。根據駕駛行為數據和車輛運行數據,運用... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數】：94 頁

【學位級別】：碩士

【部分圖文】：

Fi鄉(xiāng)3一IVe加c】

酬??？貨牟行駛軌＿京滓璲城［１３全閑地閣??圖３－１車輛軌跡分布圖??Ｆｉｇ．?３－１?Ｖｅｈｉｃｌｅ?ｔｒａｊｅｃｔｏｒｙ?ｄｉｓｔｒｉｂｕｔｉｏｎ??車輛預警點分布??對車輛報警點進行提取并對車輛報警點進行可視化分析，了解預警點尋找報警發(fā)生的高頻路段，對預警高發(fā)路段進行重點監(jiān)控，采取安全護駕駛員行車安全，提升貨車在運輸過程中的安全性。??過將預警發(fā)生點的可視化，尋找預警高發(fā)路段，后期我們將結合實高發(fā)原因進一步探討。本次提取的預警位有超速預警和疲勞預警，疲勞駕駛預警分布圖如３－２ａ、３－２ｂ所示。??

－２ａ和３－２ｂ兩類預警點的分布來看，北京市內道路和環(huán)城高速超速預警較多發(fā)生在城際道路上，疲勞駕駛預警點分布較為道路上，夜間城市內道路貨車較多，可能是導致疲勞駕駛出］。??預警位置的批量獲取??德地圖開放平臺實現(xiàn)將經緯度坐標的批量轉化為地址信息，


本文編號：3403300