基于驾驶行为画像的驾驶人教育推荐方法

发布时间：2020-12-10 01:11

　　驾驶人交通安全教育作为遏制道路交通事故发生的第一道防线,事关人民群众生命财产安全和幸福生活。目前,我国机动车驾驶人的道路交通安全教育体系单薄,教育模式比较单一,教育内容没有考虑驾驶人个体差异性,缺乏针对性,致使交通安全教育的作用没有很好地发挥。与此同时,和驾驶人数量一同急剧增长的还有公安交通管理部门开展业务所产生的大数据,如何对这些数据进行智能分析、管理和利用变得越来越重要。本文选取最新的开源大数据框架,应用公安交通管理大数据技术,构建以驾驶人驾驶行为画像为重点的数据仓库。将驾驶人驾驶行为画像与基于内容的推荐算法相结合,提炼以驾驶人驾驶行为画像为核心的驾驶人教育推荐方法。论文主要内容有:（1）构建了驾驶人驾驶行为画像模型:对驾驶人驾驶行为数据进行挖掘,并在此基础上完成了驾驶行为数据集的建立;基于驾驶行为数据集,选取了驾驶人驾驶行为七个维度的标签,并对每一个维度的标签进行层级划分,确定了驾驶人驾驶行为标签的内容及层次,进而建立起了一套完整的驾驶人驾驶行为标签体系;最后,将标签体系用可视化的方式进行呈现,得到了驾驶人驾驶行为的画像模型。（2）建立了驾驶人驾驶行为评价模型:基于构建的驾驶人驾... 

【文章来源】：中国人民公安大学北京市

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

数据仓库星型模型结构

驾驶人驾驶行为画像本章将对驾驶人的驾驶行为进行画像。首先阐明驾驶人驾驶行为画像过程。然后，在对驾驶人驾驶行为数据处理的基础上，建立驾驶人驾驶行为的标签体系。最后，基于建立的标签体系，构建出驾驶人驾驶行为的画像模型。为下一步的驾驶人驾驶行为安全性分级研究打好基础。3.1 驾驶人驾驶行为画像建模过程驾驶人驾驶行为画像建模是根据驾驶人的驾驶行为差异，通过不同标签进行标记，再按照特定的维度划分构成体系，采用模型算法将驾驶行为信息全部量化，形成数值化原型的过程。画像建模过程如图 3-1 所示：

中国人民公安大学硕士学位论文23列出的4种抽样方法中的2种，分别为不返回、带返回、泊松和系统抽样，默认为srswor（不返回）；Pik用于设置每一亚种群（或层）中各样本抽样概率；description用于选择是否输出包含各层基本信息的结果。对数据集A中的y属性进行分层抽样，每层抽取x个样本，程序源代码如下：综上，论文建立的驾驶人驾驶行为研究所需的样本数据集示例如图3-2所示：图3-2驾驶人驾驶行为样本数据集示例3.3驾驶人驾驶行为标签体系的建立标签是构成驾驶行为画像的核心因素。本论文对于驾驶人驾驶行为标签的建立，首先是根据驾驶人相关属性信息与行为信息选取适当的标签维度；其次确定驾驶人驾驶行为标签的内容及层次；最后建立起驾驶人驾驶行为标签体系。驾驶行为标签体系的构建是呈现驾驶人驾驶行为画像的前提和基矗1>#分层抽样2>library(sampling)3>x<-A[order(A[,"y"]),]4>sub_set<-strata(x,stratanames="y",size=c(x,x,x),method="srswor")5>result<-getdata(A,sub_set)


本文编号：2907807