基于车联网数据的驾驶行为安全评分方法研究.pdf

摘要

基于车联网数据的驾驶行为安全评分方法研究

随着经济的发展和人们生活需求的不断变化，金融领域发展出的评分卡模型给很多

行业都带来便利，例如银行就可以借助评分卡模型规避掉一些信贷风险，帮助企业处于

良性的发展状态。在金融领域，学者们借助信贷数据有明确标注的优势，广泛地将机器

学习方法和评分卡模型相结合，不断地丰富模型的种类、可适用范围。目前评分卡模型

的研究背景多数集中在金融、保险行业。

被大家熟知的汽车领域，尤其是网联汽车领域目前也在迅速发展。研究影响车辆行

驶安全的因素是至关重要的，例如情绪、年龄、性别、路况、天气、驾龄等。此外，对车速

进行研究，得到侧向摩擦因数与速度的关系，能够对驾驶特征进行分类，为数据的深度挖

掘和构建用户画像奠定了基础。

把金融评分卡模型迁移到车联网领域，建立驾驶行为安全评分卡模型是非常具有实

践意义的。本文选取某市的车联网数据，建立驾驶行为评分卡，从而对驾驶安全进行评

估。通过数据预处理，完成构建评分卡所需的数据准备工作。本文首先建立基于Logistic

回归的驾驶安全评分卡，给出在Logistic回归建模场景下，预判有危险驾驶行为的判定准

则。考虑特征选择对于评分卡建模的重要性，本文基于BP神经网络的MIV特征选择算

法，建立XGBoost驾驶行为安全评分卡，并给出在该建模场景下的判定准则。

关键词:车联网数据，BP神经网络，评分卡

I

Abstract

DrivingBehaviorSafetyScoringMethodBasedonInternetofVehiclesData

Withthedevelopmentofeconomyandthecontinuouschangeofpeople’slifeneeds,the

scorecardmodeldevelopedinthefinancialfieldhasbroughtconveniencetomanyindustries.

Forexample,bankscanusethescorecardmodeltoavoidsomecreditrisksandhelpenterprises

inahealthystateofdevelopment.Inthefieldoffinance,scholarshavewidelycombinedma-

chinelearningmethodsandscorecardmodelswiththeadvantageofclearlylabeledcreditdata,

andcontinuouslyenrichedthetypesandapplicablescopeofmodels.Atpresent,mostofthe

researchbackgroundofscorecardmodelfocusesonthefinanceandinsuranceindustry.

Thewell-knownfieldofvehicles,especiallythefieldofInternetofVehicles,isalsorapidly

developing.Itisessentialtostudythefactorsthata↵ectthesafetyofvehicledriving,such

asemotion,age,gender,roadconditions,weather,drivingage,etc.Inaddition,thevehicle

speedisstudiedtoobtaintherelationshipbetweensidefrictionfactorandspeed.Then,the

dr