基于驾驶行为风险系数，根据实际需要判别个体/群体驾驶人的驾驶行为安全等级，将驾驶行为分 为安全、一般和危险3类（参照附录D）。

式中： Vmis——异常、缺失的速度数据； Vpre——异常、缺失的数据前一有效速度数据； Af采样间隔。

Vmis = Vpre + apre ×A

车辆的瞬时纵向速度，单位为km/h。

车续行驶过程中分析时段内的车速平均值消防标准规范范本，按式

式中： N—数据样本总量，下同； i—第i数据样本，下同。

B.1.3速度标准差α

车辆连续行驶过程中分析时段内的车速标准差，按式（B.2）计算：

车辆速度对时间的变化率，单位为m/s

B.1.5正加速度平均值a.

B.1.6正加速度标准差α。

B.1.6正加速度标准差α.

车辆连续行驶过程中分析时段内的正加速度标准差，按式（B.4）计算：

附录B （规范性附录） 指标定义及计算方法

史过程中分析时段内的正加速度平均值，按式（I

B.1.7负加速度平均值a

B.1.8负加速度标准差c

车辆连续行驶过程中分析时段内的负加速度标准差，按式（B.6）计算：

B.2.1横向速度V.

B.2.1横向速度Via! 与汽车行驶方向垂直的方向的速度。

与汽车行驶方向垂直的方向的速度。

B.2.2横向速度均值v..

B.2.3横向速度标准差α.

B.2.3横向速度标准差α

车辆连续行驶过程中分析时段内的横向速度标准差，按式（B.8）计算：

B.2.4横向加速度a.

B.2.4横向加速度amm

B.2.5横向加速度绝对值均值a.

Zi= Vlat(i) L. N

B.2.6横向加速度标准差.

速度标准差，按式（B.10）计算：

车辆行驶方向角对时间的变化率，单位为°s。

B.2.9角速度标准差α.

B.2.9角速度标准差

B.3.1纵向急动度Jlan

纵向加速度对时间的变化率，按式（B.13）计算： ir(lon) =α(lon)

B.3.2横向急动度llam

Z aa(i) alar N

B.3.3路段车速差△

B.4.1连续驾驶时间t.am

B.4.1连续驾驶时间t...

B.4.2速度×加速度绝对值V×a

某时刻速度与加速度乘积的绝对值，单位分别为km/h，m/s，用于判定驾驶行为安全性，值越大， 风险越高。

附录C （资料性附录） 典型危险行为判别方法

附录 C （资料性附录） 典型危险行为判别方法

本节内容给出的驾驶行为分类阈值为一般情况下的参考阈值，在应用时应根据实际情况进行调整。 招速

本节内容给出的驾驶行为分类值为一般情况下的参考阈值，在应用时应根据实际情况进行调整。

表C.2急加速行为不同安全等级瞬时加速度分类阈值

表C.3急加速行为不同等级平均加速度分类阈值

表C.5急减速行为不同安全等级平均加速度分类阈值

表C.6急变道行为不同安全等级瞬时角速度分

C.7急转弯行为不同安全等级瞬时角速度分类阈

天驾驶超过8小时，或连续驾车4小时没有停车休息超过20分钟，或夜间连续开车（晚上 至次日凌晨5：00）超过2个小时的驾驶行为认定为疲劳驾驶（属于“危险”等级）。

在车辆行驶过程中，根据车辆速度 将驾驶行为分为安全、较安全、车

稳度指标的时间窗长度为20s装修设计教程，以1Hz采样频率为准进行比较。货车的参考阈值应在表格数据 根据实际场景（车辆类型、载货量等）乘以0.5~0.7的系数。

表C.8驾驶不平稳行为不同安全等级分类阈值

D.1基于数理统计方法的驾驶行为安全性评价

附录D （资料性附录） 驾驶行为安全性评价方法

给出一种驾驶行为安全性评价算法，基于驾驶人驾驶过程中的危险事件数，判断个体驾驶人或特定 区域群体驾驶人的行为风险。计算如式（D.1）所示：

EEEαx×rx fxt

： R：个体或区域驾驶风险系数，值越大，风险越高； α：权重系数，安全、较安全、较危险、危险分别对应0、0.3、0.7、1； i：第i个驾驶人，当评价个体驾驶人驾驶行为时，i取1； j：第j种危险驾驶行为； k：同一危险驾驶事件的不同等级： r：选定时间周期内，第i个驾驶人第j类驾驶行为第k级驾驶事件的数量； ：数据采样频率； t：数据采样时间。 进行特定区域内群体驾驶人行为风险评价时，选取的样本量应保证计算结果的置信水平在90%以 上，评价时长应至少达到连续的30s。根据计算获得的R值，以0.1、0.2为阈值将驾驶人驾驶行为或特 定区域群体驾驶人行为风险分为一般、安全、危险三类

螺钉标准D.2基于机器学习算法的危险驾驶行为安全性评

结合机器学习算法通过挖掘隐性规律进行危险驾驶行为识别，标准给出应用机器学习算法进行个体 驾驶人或特定区域群体驾驶人驾驶行为安全性评价的一般流程和要求。 a）算法流程 应用机器学习进行驾驶行为安全性评价的技术路线如图D.1所示。其中，进行数据集分割时，推荐 的训练集、验证集、测试集比例为6:2:2。