CN108475357B - 用于评价驾驶员的行程性能的方法和系统 - Google Patents

Abstract

一种用于对特定当前行程自动评价当前车辆(100)的驾驶员(110)的性能的方法，其中，从车辆重复地读取包括基本驾驶数据的当前驾驶数据集，其中，所述方法包括以下步骤：a)针对不同的先前行程、不同的驾驶员和不同的车辆，收集包括瞬时车辆能耗的先前行程驾驶数据集；b)将所述先前行程驾驶数据集分组为基本历史组并且计算相应的组性能参数；c)将所述先前行程驾驶数据集进一步分组为扩展历史组；d)将每个当前行程数据集映射到所述扩展历史组；和e)基于相应的基本历史组的组性能参数值计算当前行程性能参数，其中，相应的基本历史组对应于在步骤d中当前行程数据集所对应的扩展历史组中包括的先前行程驾驶数据集。本发明还涉及一种系统。

Description

用于评价驾驶员的行程性能的方法和系统

技术领域

本发明涉及一种用于评价驾驶员的行程性能的方法。具体地，本发明涉及与车辆(例如机动车辆)的驾驶员相关的评价。在一些方面，本发明还涉及与非机动车辆(例如自行车)的驾驶员相关的评价。此外，本发明涉及一种系统。

背景技术

目前，在驾驶各种车辆期间和之后以电子方式提供丰富的数据，例如行程计算机提供关于使用车辆执行的当前行程的信息；标准化数字接口(例如基于CAN总线的接口)布置在车辆中并且布置成向可插入使用这种接口的车辆中的硬件设备提供车辆和驾驶相关数据；以及可以从使用期间布置在车辆中的独立便携式设备(例如智能手机和GPS设备)获得的数据。通过无线方式收集许多车辆的当前驾驶数据(例如使用互联网)、计算预期的行程时间、执行路线规划等，这些数据目前用于交通信息目的。

同时，由于环境问题、经济和风险管理等原因，测量单独车辆驾驶员和驾驶员组的驾驶性能的需求日益增加。例如，通过测量燃油消耗量，可以确定特定驾驶员驾驶风格的环保程度。在扩展中，这些信息可以用于例如跟踪一队车辆对环境的总体影响。此外，此类信息可用于反馈目的，以便提高各个驾驶员随时间的性能以及总体水平。

然而，由于不同的车辆具有典型的燃料消耗曲线，并且由于相同车辆在关于负载、交通状况、道路状况等方面的不同条件下可以表现得非常不同，因此仅使用燃料消耗量是生硬的措施。除此之外，可靠的燃料消耗数据并不适用于许多类别的车辆。对于非机动车辆(例如自行车)，燃料消耗与这类车辆的特定行程的测量值完全不相关。

因此，需要更精确地测量车辆驾驶员的驾驶性能的方法，特别是针对单独行程的驾驶性能，其可以用于从各个角度比较相同的驾驶员/车辆组合以及多个驾驶员/车辆在不同行程之间的相对驾驶性能。

发明内容

本发明解决了这些问题。

因此，本发明涉及一种用于对特定当前行程自动评价当前车辆的驾驶员的性能的方法，其中，从所述车辆重复地读取更新的当前行程驾驶数据集，所述当前行程数据集各自包括来自至少一个预设的扩展驾驶数据参数集的数据，其中，在由最多为预设的观测时间段分开的连续观测时间点从所述车辆读取新的这样的当前行程数据集，该方法的特征在于，所述方法包括以下步骤：a)针对由多个不同的驾驶员和多个不同的车辆实施的多个不同的先前行程，收集在多个不同的观测时间点观测到的先前行程驾驶数据集，所述先前行程数据集各自包括扩展驾驶数据参数集和合格参数集的预设集，所述合格参数集包括基本参数集的参数和瞬时车辆能耗的参数；b)基于基本驾驶数据集相似性量度，将所述先前行程驾驶数据集分组为这些集的基本历史组，所述基本相似性量度被设置成考虑所述基本参数集的值，并且针对每个这样的基本历史组来计算相应的组性能参数值；c)基于扩展驾驶数据集相似性量度，将所述先前行程驾驶数据集进一步分组为这些集的扩展历史组，所述扩展相似性量度被设置为不考虑被所述基本相似性量度所考虑的所述基本参数集的所有值；d)针对每个所述当前行程数据集，基于一个驾驶数据集与一个扩展历史组之间的扩展组一致性量度，将所讨论的所述当前行程数据集映射到至多一个特定的所述扩展历史组；和e)基于相应的基本历史组的所述组性能参数值计算当前行程性能参数，其中，相应的基本历史组对应于在步骤d中当前行程数据集所匹配的所述扩展历史组中包括的先前行程驾驶数据集。

本发明还涉及一种用于针对特定当前行程自动评价当前车辆的驾驶员的性能的系统，所述系统被设置为从所述车辆重复地读取更新的当前行程数据集，所述当前行程数据集各自包括来自至少一个预设的扩展驾驶数据参数集的数据，其中，所述系统被设置为，在由至多为预设的观测时间段分开的连续观测时间点从所述车辆读取新的这种当前行程数据集，所述系统的特征在于，所述系统包括服务器，所述服务器设置为，针对由多个不同的驾驶员和多个不同的车辆实施的多个不同的先前行程，收集在多个不同的观测时间点观测到的先前行程驾驶数据集，所述先前行程数据集各自包括扩展驾驶数据参数集和合格参数集的预设集，所述合格参数集包括基本参数集的参数和瞬时车辆能耗的参数；其中所述服务器设置为，基于基本驾驶数据集相似性量度，将所述先前行程驾驶数据集分组为这些集的基本历史组，所述基本相似性量度被设置成考虑所述基本参数集的值，并且针对每个这样的基本历史组来计算相应的组性能参数值；其中所述服务器设置为，基于扩展驾驶数据集相似性量度，将所述先前行程驾驶数据集进一步分组为这些集的扩展历史组，所述扩展相似性量度被设置为不考虑被所述基本相似性量度所考虑的所述基本参数集的所有值；所述服务器设置为，针对每个所述当前行程数据集，基于一个驾驶数据集与一个扩展历史组之间的扩展组一致性量度，将所讨论的所述当前行程数据集映射到至多一个特定的所述扩展历史组；并且其中，所述服务器设置为，基于相应的基本历史组的所述组性能参数值计算当前行程性能参数，其中，相应的基本历史组对应于当前行程数据集所匹配的所述扩展历史组中包括的先前行程驾驶数据集。

附图说明

在下文中，将参照本发明的示例性实施例和附图来详细描述本发明，其中：

图1a-1d为车辆的相应简化视图，示出了根据本发明的四个不同实施例的系统的相应部分，其中，这些系统被布置为执行根据本发明的方法；

图2为根据本发明的系统的概览图，其被布置为执行根据本发明的方法；

图3为示出了根据本发明的方法的流程图；

图4为也示出了根据本发明的方法的流程图；

图5示出了根据本发明的测量方案；

图6A和6B示出了特定车辆到特定车辆类别的映射；

图7-12为示出了根据本发明的方法的相应流程图；

图13a和13b示出了根据本发明的各瞬时相对能耗特征曲线；

图14和15为示出了根据本发明的方法的各流程图；和

图16-17为本发明的相应示例性实施例的简化图。

具体实施方式

这些附图共用相同或相应部分的附图标记。

通常，本发明涉及用于针对特定的当前行程自动评价当前车辆的驾驶员的性能的方法和系统。

这里，术语“性能(performance)”涉及由特定驾驶员驾驶的特定行程的可量化的(特别是可测量的和/或可计算的)的质量，并且特别涉及驾驶这样的驾驶车辆。“性能参数”或“性能量度”是明确定义的参数，参数的数值是所讨论的行程的某些方面的所述质量的量度。这种质量可以是环境足迹、事故风险、驾驶员压力水平、车辆磨损或与驾驶行程相关的任何其他可量化的度量。

此外，这里术语“行程”是指使用特定车辆并且由所讨论的车辆的特定驾驶员控制而执行的旅程。行程可能是往返或单程的行程。行程开始和行程结束可以由驾驶员手动地决定，和/或可以基于位置或速度数据或类似数据自动地决定。

“当前车辆”是指，在本发明的意义上，执行、当前执行或即将执行“当前行程”(即，根据一个或多个本文描述的优选实施方式计算或待计算性能度量的行程)的车辆。

“车辆”可以是轿车、公共汽车、卡车、摩托车或任何其他包括爆燃发动机的机动车辆，例如汽油、柴油或气体推进的车辆，由任何其他基于可燃的碳水化合物或非碳水化合物的燃料推进的车辆；或者包括电动机和电池的电动车辆。在一些实施例中，它也可以是非机动车辆，例如自行车、脚踏车或轮滑鞋。本发明也适用于火车、飞机、直升机、船和在地面上、水上或空中行进的其他推进式车辆。这些应用以类似于下文关于轿车、自行车等所述的相应方式来实现。

这里使用的“驾驶员”是在行程期间控制所讨论的车辆的人。示例包括轿车或公共汽车的驾驶员，以及骑自行车的人。在一些实施例中，“驾驶员”也可以是自动驾驶仪或其他人类辅助机器，或者甚至是被布置为完全独立驾驶车辆的机器。如果合适的话，这样的机器可以是以软件和/或硬件的形式实现的。

根据本发明，从车辆，特别是从当前车辆重复读取更新的当前行程驾驶数据集。

这种读取可以由与车辆分离的硬件设备来执行，例如物理连接到由所讨论的车辆提供的硬件接口(例如用于连接车辆诊断设备等设备的硬件接口)并且通过该硬件接口进行通信的设备。这在图1a中示出，其中，硬件120物理地连接到由驾驶员110驾驶的车辆100的硬件接口101。该硬件120例如可以是常规的OBD(车载诊断)阅读器，其使用无线121或有线122通信信道与例如移动电话、PDA、笔记本电脑等的便携式电子设备130进行通信。

便携式电子设备130可以优选地由驾驶员110来控制，并且优选是多功能的可编程计算机设备(例如常规的智能电话)，其具有无线通信能力，允许其与车辆100外部的实体(例如移动电话网络的基站140)进行无线通信。优选地，移动电子设备130包括SIM(用户识别模块)卡131或相应的功能，便携式电子设备130使用该SIM卡将其自身识别到这样的移动网络。优选地，移动电子设备130与基站140之间的通信是数字连接，优选为互联网连接，例如使用GPRS、3G、LTE、4G或5G。优选地，移动电子设备130和硬件120之间的无线通信121是本地通信，例如NFC、

WiFi等。

图1b示出了一种替代的设置，其中不需要便携式电子设备，但是其中所述硬件120本身包括用于与基站站140等实体进行通信的无线通信功能123，例如GPRS、3G、LTE或WiFi功能。优选地，这种通信基于使用安装在硬件120中的SIM卡123或类似功能的识别，并且优选是数字通信，优选互联网通信。但是，通信也可以通过本地的无线或有线的通信，例如

或USB接口。在后一种情况下，车辆100和中央服务器150之间的通信将间歇性地发生，例如车辆100在停放(例如在充电或续加燃料)时将数据加载到中央服务器150。

图1c示出了另一种替代的设置，其中硬件120也不是必需的。在这种情况下，车辆100包括硬件102，其具有通信103设备，该通信103设备被布置为优选地基于使用安装在车辆100中的SIM卡104或类似功能的识别而如上所述地执行与基站140的通信。优选地，在这种情况下的通信是数字的，优选以无线互联网连接的形式。

图1a还示出了中央服务器150，其与基站140接触，例如经由移动电话运营商并且例如另外经由常规的互联网连接170。因此，中央服务器150和便携式电子设备130被布置为彼此通信，便携式电子设备130至少被布置为当布置在车辆100中时，使用无线通信向中央服务器150提供信息。相应的也适用于图1b中的硬件120和图1c中的硬件102，它们相应地布置为使用无线通信将信息由向中央服务器150提供来自车辆100的信息。

同样在图1d中，中央服务器150与互联网连接170和基站140一起存在。然而，在图1d中，还存在布置在车辆100处或车辆100中的服务器160。即，图1d示出了一个替代或补充的实施例，使用被布置在车辆100处或车辆100中的本地服务器160。在这种情况下，根据下文中进一步详细描述的实际实施例，从相应的无线实体102、120、130向中央服务器150的信息的提供(如图1a，1b，1c所示)可能发生或可能不发生。此外，使用车辆100中本地提供的有线或无线通信信道，向本地服务器160进行相应信息的提供。在图1d中，出于示例目的，本地服务器160被示为独立服务器。然而，应该认识到，本地服务器160可以是包括在移动电子设备130中的软件组件。本地服务器160还可以被包括在硬件102、120、130中的任意一个中或者与硬件102、120、130中的任意一个进行合适的有线或无线通信。此外，本地服务器160优选地布置成与中央服务器150无线通信，例如经由便携式电子设备130并且还经由基站140和互联网170，或者使用专有的、优选基于SIM卡(或类似的)识别的通信功能。

在特别优选的实施例中，本地服务器160集成在车辆100的硬件中，在这种情况下，设备120、130不是必需的，但车载系统功能完全自包含于车辆中。在那种情况下，本地服务器160可以基于本地数据库161中的驾驶数据集数据向车辆100的驾驶员提供行程性能参数值反馈(参见下文)，但是可以仅间歇地与中央服务器150通信。

应该认识到，在使用本地服务器160的情况下，各个这样的本地服务器160可以被布置在多个不同的车辆中。因此，根据本发明的系统可以包括中央服务器150以及多个本地服务器160。

为了使系统知道在使用什么车辆和/或哪个驾驶员正在驾驶什么车辆，在特定观测的行程期间，优选的是每个驾驶员和/或每个车辆在服务器150上具有一个账户，例如用户账户，其可以按照常规的方式提前注册。进一步优选的是，用户账户绑定至验证对话(例如使用便携式电子设备130、车辆100的登录对话或以另一种合适的方式，以使得服务器150获悉系统的什么用户当前在驾驶车辆100。以相应的方式，优选的是，例如通过车辆100基于唯一的车辆标识自动向服务器150识别自身，或者通过用户从为该用户的预设车辆列表中选择当前车辆。

如上所述，本发明涉及用于评价驾驶员的驾驶性能的方法和系统。该评价通常由所述系统自动地执行，并且特别是通过主要在中央服务器150和/或本地服务器160中实施的自动计算来执行。在下文中，所有计算和决定均自动地执行，除非明确指出它们涉及某种类别的手动交互。

如本文所使用的，术语“驾驶数据集(driving data set)”是在特定行程期间观测到的参数数据的集。优选地，执行行程的车辆被布置为基本上在从车辆读取驾驶数据集的瞬间使用合适的硬件和/或软件来测量相应的参数数据，使得驾驶数据集基本上代表在相应时间或测量处关于所讨论行程的实时的或至少接近实时的数据。“当前行程驾驶数据集”是从与当前行程(优选当执行所讨论的读取时实际上正在正在进行的当前行程)相关的当前车辆读取的该驾驶数据集。

此外，根据本发明，所述当前行程驾驶数据集分别包括来自至少一个预设的基本驾驶数据参数集的数据。这些参数构成关于所讨论的行程的进展的可测量数据，在这种情况下，当前行程，尤其是可由相关车辆本身测量的数据。这将在下面举例说明。

基本参数集优选地包括至少3个、优选至少4，并且优选至多10个、优选地至多7个不同的参数。

而且，在连续的观测时间点从所讨论的车辆读取新的这样的当前行程数据集，其中，连续的观测时间点最多通过预设的观测时间间隔而分开。优选地，所读取的更新的当前行程数据集在读取时被立即或至少基本上立即地传送到中央服务器150和/或(根据当前实施的实施例)传送到本地服务器160，并且视情况而定，使用上述有线和/或无线的通信链路。可以理解的是，当前行程数据集由车辆100读取并且经由一个或多个接口101、103、121、122和/或123成为可用的。

因此，当前行程驾驶数据集优选在当前行程期间被收集用于当前行程，并且进而至少以汇总形式被存储在中央服务器150和/或本地服务器160中以备将来参考。为此目的和其他目的，中央服务器150和本地服务器160包括用于读取驾驶数据集的数字存储的相应数据库151、161。

因此，优选地，所述基本参数集的参数值被车辆100自动捕获并且被传送到布置在车辆100处的所述便携式电子设备130，该便携式电子设备130然后经由无线链路121、140将驾驶数据集传送到中央服务器150。或者，所述参数值经由无线链路103、121、123从车辆100直接传送到中央服务器150。

图2示出三个车辆100a、100b、100c，其中一个可以是当前车辆，并且其中的每个可以如图1a-1d所示。每辆车都与中央服务器150如上所述地通信。

第一方面

根据在图3中以流程图的形式示出的本发明的示例性实施例在第一方法步骤中，该方法开始。

在随后的方法步骤中，收集先前的行程驾驶数据集。

如本文所使用的，术语“先前行程”是指由特定车辆(一个“先前车辆”)至少部分地在执行当前行程之前所执行的行程，或者是指在收集当前行程驾驶数据集用于分析之前驾驶数据集对于中央服务器150可获得的至少一个行程。具体地，在读取至少一个当前行程驾驶数据集之前，读取至少一个关于前一行程并且在前一行程期间读取的数据集。

相应地，“先前行程驾驶数据集”是指从执行先前行程的车辆读取的以上所讨论类别的数据集。可以认识到，由当前车辆读取的驾驶数据集可以在之后的时间点构成另一当前车辆的先前行程驾驶数据集，或者甚至构成同一车辆(其在之后的时间点是当前车辆)的先前行程驾驶数据集。

针对由多个不同的驾驶员和多个不同的车辆进行的多个不同的先前的行程，在多个不同的观测时间点观测这些收集的先前行程驾驶数据集。具体地，优选的是，在至少1000个、更优选至少10000个、更优选至少100000个不同的观测时间点和/或对于至少100个、优选至少1000个、更优选至少10000个先前行程，和/或由至少5个、优选至少50个、更优选至少100个不同驾驶员和/或至少5个、优选至少50个、更优选至少100个、更优选至少1000个不同的车辆，观测所述先前行程驾驶数据集。

换句话说，所收集的先前行程驾驶数据集优选地构成关于不同的行程、驾驶员和/或车辆的大量数据。

如上面关于收集当前行程驾驶数据集所描述的那样，前述行程驾驶数据集的收集可以由所讨论的车辆100a、100b、100c进行，该收集包括由所讨论的车辆进行读取、与中央服务器150和/或(布置在所讨论的车辆中的)本地服务器160通信，并随后存储在其中。在使用本地服务器160的情况下，所存储的信息随后使用合适的通信方法(例如无线地经由基站140)间歇地或在先前行程结束之后提供给中央服务器150。因此，中央服务器150最后将接收使用根据本发明的方法和系统进行的针对每个先前行程的大量先前行程驾驶数据集并将其集中存储在数据库151中。

每个所述先前行程驾驶数据集包括用于至少一个特定预设的合格驾驶数据参数集的相应参数值。类似于上面提到的基本驾驶数据参数，这些参数构成关于所讨论行程(在这种情况下为前一行程)的进展的可测量数据。

合格驾驶数据参数集包括基本参数集，该基本集因此是所述合格集的子组。基本集和合格集也可以是相同的。具体地，合格驾驶数据参数集包括瞬时车辆能耗。然而，优选地，如与合格驾驶数据参数集相反，基本驾驶数据参数集不包括瞬时车辆能耗。

所述瞬时车辆能耗可以指，例如瞬时燃料消耗或用于推进所讨论的车辆的电池的或电池的瞬时功率使用。优选地，瞬时车辆能耗相对于行进距离而度量和表示，例如“L/km”或“Wh/km”)，或甚至在在其他实施例中它们也可以相对于时间来表示，例如“L/h”。

上述的当前行程驾驶数据集的收集可以与先前的行程数据集的手机并行地执行，或在其之后执行。

在可以与所述收集先前行程驾驶数据集并行执行的后续方法步骤中，所收集的先前行程驾驶数据集被分组或分类至这些集的基本历史组。优选地，每个先前行程数据集被分类到所述基本历史组的至多一个，优选恰好一个。在这种分类中，所述历史组因此构成驾驶数据集被分类的类别。值得注意的是，这些“类别”与下面描述的车辆类别不同。

优选地，所述分组是基于基本驾驶数据集相似性量度，换句话说，是用于比较包括所述基本参数集的驾驶数据集以及确定这些被比较的数据集之间相似性的比较量度。优选地，基本驾驶数据集相似性量度还被配置用于基于包括在这样的数据集中的所述基本参数的值，将合格的驾驶数据集相互比较，或甚至将基本驾驶数据集与合格驾驶数据集进行比较。然而，优选的是，对于所计算的相似性量度，基本驾驶数据集相似性量度不将在所述驾驶数据集中的瞬时能耗数据考虑在内。进一步优选地，相同的基本驾驶数据集相似性量度被用于在此描述的驾驶数据集之间的所有相似性计算。

本文中所使用的关于两个驾驶数据集的“相似性(similarity)”是指所讨论的驾驶数据集的相应参数值的数值相似性。

因此，在该方法步骤中的这种分类之后，将存在多个基本历史组，每个基本历史组包括根据所述相似性量度彼此足够相似的零个或更多个先前行程驾驶数据集。所述分类也可以连续进行，使得将新收集的先前行程驾驶数据集分类为与其收集相关的所述基本历史组中的一个，或间歇地进行。在这种情况下，所述基本历史组的内容将随着时间的推移而动态地更新。

实际上，每个先前行程驾驶数据集可以不被单独存储在数据库151中。相反，用于每个特定的基本历史组的多个先前行程驾驶数据集优选以汇总方式存储在数据库151中。例如，这可以通过每个相关的基本历史组的定义来实现，每个相关的基本历史组在数据库151中与基于被映射到所讨论的基本历史组的先前行程驾驶数据集计算的相应汇总数据相关联。这样的汇总数据可以包括例如一组性能参数值(见下文)。

在随后的方法步骤中，对于如上所述收集的所述当前行程驾驶数据集中的每一个，将所讨论的当前行程驾驶数据集映射最多一个上述的基本历史组中，因此同一组基本历史组用于先前行程驾驶数据集的分类。

这种当前行程驾驶数据集向所述基本历史组的映射是基于驾驶数据集和基本历史组之间的基本组一致性量度。尽管所述一致性量度是数据集和组之间的一致性的一种量度，即，所讨论的数据集与所讨论的组有多接近，而上面讨论的相似性量度是一个数据集和另一个数据集之间的相似性量度，一致性量度可以类似于相似性量度，或者就对待分类至同一特定组中两个数据集的要求与对于待分类到所讨论的组的特定数据集的要求相同而言，一致性量度类似于相似性量度。具体地，优选的是，一致性量度和相似性量度均基于基本历史组定义，以使得数据集和组之间的“一致性(conformity)”意味着该数据集落入该组的定义，而两个数据集之间的“相似性”意味着这两个数据集都落在同一个组的定义(无论哪个组)。这将使得计算简单的实现成为可能，产生高性能系统。

根据特别优选的实施例，基本驾驶数据集相似性量度被设置为，基于所讨论的驾驶数据集中所包括的相应的基本参数值与对于各个所述参数相应允许的参数值范围的一致性，将驾驶数据集分类至多个不同的预设的基本历史组中的一个。具体地，对于所述基本参数集中的每个参数以及对于每个基本组，定义了预设义的相应的参数值范围。然后，根据基本参数集中的每个参数的一个这样的参数值范围的组合，定义基本组。应该注意的是，并非必须使用所述基本参数集中的所有参数，换句话说，一个或多个参数可具有非常大的允许区间。优选地，基本参数集中的至少两个、更优选至少三个参数与连续的、非重叠的区间相关联，并且不同的组由相互不重叠的参数值区间的唯一区间组合来定义。优选的是，对于每个这样的参数，存在至少十个、优选地至少五十个这样的非重叠区间。

可以认识到，也可以使用其他相似性量度，例如基于每个数据集中的参数值的数值的某种类别的地理距离量度，在这种情况下被视为值的向量。

以与上述相对应的方式，关于相似性量度，基本组一致性量度被配置为，基于包含在所讨论的驾驶数据集中的相应基本参数值与对于各个所述参数的相应的允许参数值范围的一致性，将驾驶数据集分类至所述多个不同的预设的基本历史组中的一个。优选地，用于定义基本一致性量度的区间与用于定义所述基本相似性量度的区间是相同的。

优选的是，所述一致性量度是基于所讨论的当前行程驾驶数据集的数值参数值并且基于所讨论的基本历史组的定义。

在随后的方法步骤中，为当前行程计算第一基于能耗的行程性能参数值。

优选地，基于针对每个基本历史组的相应的基于能耗的组性能参数值计算第一基于能耗的行程性能参数，其中，至少一个当前行程驾驶数据集如上所述地映射到每个基本历史组。因此，在所述随后的方法步骤中的第一个中，或者在在前一个中，针对至少每个这样映射的基本历史组计算这样的组性能参数值。

可以认识到，先前行程驾驶数据集分成基本历史组的上述分组；当前行程数据集到所述组的映射；和/或所述组性能参数值的计算可以在飞行时执行，连续地作为新数据提供使用。优选的是，所述组性能参数值总是考虑可用于执行所述计算的实体的所有先前行程驾驶数据集，然而并不将当前行程驾驶数据集的值在当前行程结束之前用作先前行程驾驶数据集。在完成时，当前行程可成为同一个或另一个车辆和/或同一个或另一个用户的随后的当前行程的先前行程。

对于每个映射的基本历史组，所述组性能参数值是基于被分类到、并因此包含在所讨论的基本历史组中的相应的先前行程驾驶数据集中的相应的瞬时能耗值来计算的。要注意的是，先前行程驾驶数据集(每个包括所述合格参数集)包括这样的相应的瞬时能耗值。

通过使用这样的方法和这样的系统，来自于由许多不同车辆和许多不同驾驶员参与的不同的先前行程的驾驶相关数据可以用于自动评价当前行程的驾驶性能，其方式是不需要任何收集数据的条件的详细假设。具体地，就驾驶能耗而言，在例如车辆负载、道路和天气状况等非常多变的外部条件下，可以获得令人惊讶的驾驶员性能的准确见解。此外，还实现了比较在不同驾驶员之间以及不同类别车辆之间获得的能耗性能。

此外，甚至在没有关于地理、道路或交通状况的任何先验信息的情况下也可以实现这些优点。因此，不需要昂贵的测量；相反，所有使用该系统的驾驶员在使用该系统时会创建共同的数据集，而不论是否详细描述了当这样做时他们所处的外部环境。

所有这些优点都可以自动实现，无需任何人工干预且只需使用系统。这将在下面进一步详细解释。

在上述实施例中，这可以通过使用上述基本历史组来实现，所述基本历史组用于使先前行程的标识从所讨论的先前行程期间观测到的先前行程驾驶数据集中断开，并且允许使用所述数据集中的信息内容而不管每个先前行程的其他特性如何。具体地，如将在下文中描述的，这可以在各个不同的方面中使用各种详细的技术来实现。在这些方面中的一些方面，使用基本历史组并不是非常重要，这一点将会变得清楚。

具体地，本发明人已经发现，通过将大量先前的行程分段为小片段，其中每个片段非常小，以使得从各个片段基本上不能得到关于驾驶的定性信息，然后将当前行程的片段映射到这些历史收集的片段，可以以汇总的形式得出关于当前行程的非常准确的信息。

优选的是，这里描述的计算是使用并基于来自连接到系统的所有车辆执行的所有行程的全部或基本全部的可用数据来执行。在这种情况下，计算必须由具有访问权限的实体执行，所有这些数据均以汇总或详细形式存在。优选的是，该实体是中央服务器150，该中央服务器150然后从所有连接的车辆连续地或间歇地、或者对于不同的连接车辆不同地接收先前行程驾驶数据集和当前行程驾驶数据集，以及接收执行上述计算。本地服务器160还可以从中央服务器150接收先前行程驾驶数据集或以汇总格式的对应数据，例如，基本历史组定义以及计算出的、优选更新的相应组性能参数值，然后对其中布置有本地服务器160的当前车辆所执行的当前行程执行所述第一性能参数的实际计算。在这种情况下，更新的数据可以仅间歇地(例如在每次当前行程之前、每天一次或甚至每周一次)提供给本地服务器160，从而即使当对当前车辆无法使用可靠的互联网时或者在没有任何基于漫游的无线互联网连接的国外驾驶时也能够实现本发明的优点。所述数据甚至可以仅提供给本地服务器160一次，例如结合本地服务器160软件的安装。

根据一个优选的实施例，所述第一组性能参数是针对所讨论的基本历史组中的相应的先前行程驾驶数据集的相对瞬时能耗值。具体地，优选的是，该相对值是相对于完整的先前行程的相应的总能耗来计算的，在该完整的先前行程期间，观测所讨论的先前行程驾驶数据集，例如总汽油、总柴油、总燃气或总电力消耗或整个先前行程每千米的总平均汽油、总平均柴油、总平均燃气或总平均电力消耗。在这种情况下，对于读取并提交给中央服务器150，从讨论的前述车辆，可以获取瞬时能耗数据以及整个行程的总能耗。

图4说明了如何计算这种基于组性能参数的相对瞬时能耗。

在第一方法步骤中，针对特定的先前行程收集先前行程驾驶数据集。一旦所有先前行程的驾驶数据集已经被收集用于所讨论的先前行程，则对于从先前车辆也可获取针对整个先前行程的总能耗用于如上所述的读取和收集。

然后，为针对所述的先前行程的收集到的每个先前行程数据集，识别相应的基本组，并且计算所讨论的数据集的相对瞬时能耗值，例如通过将所讨论的数据集的瞬时能耗值除以讨论的整个先前行程的总能耗来计算。

然后，使用对应的先前行程驾驶数据集基本参数值来更新用于所述基本历史组的组性能参数。例如，这样执行可以使组性能参数值总是相应计算的各个先前行程数据集的相对瞬时能耗值的平均值，其中，各个先前行程数据集在该时间点已经被分配给所讨论的基本组。例如，对于每个基本历史组，这可以通过记录已经分配给所讨论的组的先前行程驾驶数据集的数量来执行，并且在对该组更新所述相对能耗值时执行适当的加权平均计算。

并行于持续不断地收集和评价先前行程和它们各自的数据集，以及各种分配的基本历史组的相对瞬时相对能耗，如上所述地收集当前行程驾驶数据集。一旦要计算第一性能参数值，则收集到的当前行程驾驶数据集也被映射到相应的基本组，如上所述地，然后基于计算出的组性能参数来计算第一性能参数。例如，这可以通过计算当前行程的所有映射的所有组的相应组性能值的平均值来进行。这样的平均值可以是简单的几何平均值，或者优选是加权平均值，在该加权平均值中，更频繁更新的(通过向其分配先前行程数据集)基本组的相应组性能值相对于较不频繁更新的基本组，被赋予更大的权重。在并非所有当前行程驾驶数据集对应于相应存在的基本历史组的情况下，为了计算第一性能参数值，平均化函数可忽略这些当前行程驾驶数据集。

因此，在该优选示例中，第一行程性能参数是基于相应的基本历史组的相应的相对瞬时能耗值的平均值来计算的，其中，当前行程的各个当前行程驾驶数据集已被映射到所述相应的基本历史组。反过来，所讨论的每个基本历史组的相对瞬时能耗值是基于分配给所讨论的基本历史组的每个先前行程数据集的相应的相对瞬时能耗值的平均值来计算的，正如在观测所讨论的数据集期间关于对应的先前行程所测量的。

根据本发明的方法可以完全自动化，由连接至根据本发明的系统的所有车辆执行收集所有行程的驾驶数据集。然而，为了提高数据质量并降低由于数据噪声引起的不利影响，优选的是，只有所述车辆中的一个子集被标记为系统可信的。在这种情况下，计算上述组性能参数值，使得它们不受由未被标记为可信的车辆报告的瞬时能耗所影响。对于这样的不可信车辆，仍可以收集驾驶数据集，但是这样收集的驾驶数据集不会影响如上所述地分配了驾驶数据集的各种基本历史组的组性能参数。此外，不可信车辆可以构成当前车辆，并且可以为这种不可信车辆计算当前行程性能参数值。例如，可以根据对从特定车辆获得的以及可能对特定驾驶员可用的数据质量的知识手动地选择哪些将是可信车辆；基于为车辆预设的最小数据类别集的数据可用性而自动选择哪些将是可信车辆；或以任何其他方式选择哪些将是可信车辆。

优选地，上述预设的观测时间段较短，使得每个当前行程通常会导致大量不同的当前行程驾驶数据集。优选地，预设的观测时间段是至多10秒，优选至多5秒，更优选至多2秒，更优选0.2秒至2秒之间，最优选约1秒。使用这样短的时间间隔可以在收集尽可能多的相关数据同时不会产生不必要的大量数据来进行通信、存储和处理之间取得了良好的平衡。

具体地，优选的是，以规律的时间间隔读取当前的行程驾驶数据集，使得两个连续的读取之间的时间段对于这样的连续读取中的每一对而言是基本相同。

这样的读数可以是瞬时读数或在平均特定时间段内读取的平均值，该平均特定时间段优选具有在至多5秒的长度，优选具有至多2秒的长度。

要注意的是，首先，只要定期执行驾驶数据集的读取，可以较间歇地、并且可以以一定的延迟来执行数据集的收集。其次，数据集读取频率与每个读取数据集的采样时间段长度可以不同或可以相同。例如，如果每1秒发生一次读取，则每次读取可以涉及覆盖直到当前读取一秒的5秒的相应历史时间段的车辆参数数据。这种延长的采样时间段可以通过车辆100本身来实现，但是优选地，将执行这种延长采样的软件和/或硬件实现的逻辑被包括在设备120、130中的任一个中，或者替代地包括在中央服务器150中或甚至包括在本地服务器160中。在后一种情况下，实际上可以通过接收重复的瞬时读数的设备120、130、150、160进行采样，并且通过基于这样的重复读数执行计算来人工地执行延长的采样读取。

相应地，同样的也优选适用于先前行程驾驶数据集。优选地，使用相同的观测时间段以基本上相同的方式读取当前行程驾驶数据集和先前行程驾驶数据集。

第二方面

根据本发明的一个方面，以上讨论的基本参数集包括瞬时车辆速度、瞬时车辆引擎转速、瞬时车辆速度变化以及瞬时车辆引擎转速变化。于是优选的是，对于所讨论的每个数据集，所有这些参数值被用于计算所述基本组一致性量度，优选以及所述基本相似性量度。所述瞬时车辆速度和瞬时车辆引擎转速优选在车辆的引擎上测量并且优选由车辆本身测量，而不是使用未连接到车辆引擎的系统测量，例如使用具有启用GPS的测量设备等。因此，基于GPS的测量优选不在此使用，而仅用于产生下述扩展驾驶数据集。所述速度变化和引擎速度变化也以类似的方式在引擎上测量，或基于在引擎上测量的所述瞬时速度和引擎速度值计算。这里，“在引擎上测量”的表述还包括直接在车辆硬件上执行的其他测量，例如在车辆的车轮或车轮轴上执行的测量。

这里，对于采用爆燃发动机来推进车辆的轮式车辆，瞬时车辆速度与瞬时引擎转速的关系，以及在可适用的情形中这两个参数的各自的绝对值及其随时间的变化均被证明非常有利于考虑用于本发明的目的。然而，对于电轮式车辆而言，作为替代，可能代替瞬时车辆速度而使用如车辆中的电池提供的瞬时能耗，例如电动机推进的车辆的瞬时耗电量。对于相同的电动车辆，则应该使用瞬时发动机负载代替瞬时发动机转速。相应地，如适用，应使用瞬时能耗变化和瞬时发动机负载变化代替瞬时车辆速度变化和瞬时引擎转速变化。当然，对于一些同时包括爆燃发动机和电动机的车型，这两种选择可以同时使用。特别地，尤其是对于电动车辆，优选的是基本参数集除了所述的瞬时能耗、瞬时能耗变化、瞬时发动机负载和瞬时发动机负载变化之外，还包括和使用了瞬时车辆速度，并优选使用了瞬时车辆速度变化。后两者可以是如上所述的。需要注意的是，值得注意的是，所有这些数值优选在如上所述的车辆上测量。

这里，无论瞬时车辆速度和瞬时引擎转速，或相应的变化测量值，均用于某种目的，通常的情形是，代替这些值或者除了这些值以外，如适用的情况下可以相应地使用瞬时发动机负载和瞬时能耗。这适用于当前的方面、下面所述的类别定义的参数以及本说明书中的其他地方。

本发明人已经发现，使用这四个基本参数足以获得所述当前驾驶性能参数相关的非常可靠的数据。特别地，在非常多的先前行程驾驶数据集被用于如上面量化的很多不同的车辆和/或很多不同的驾驶员的情形下，这是正确的。

由于当前瞬时车辆速度以及当前瞬时引擎转速通常可以用于从车辆上读取，它们很容易被收集。车辆速度变化和引擎速度变化能够容易地根据所述的读取值计算出来，例如在设备120、130、150或160中任一个上通过软件和/或硬件执行的逻辑。

甚至更优选地，除了关于瞬时速度、瞬时引擎转速、瞬时速度变化和瞬时引擎转速变化的所述的数据值之外，没有其他数据值被所述基本组一致性量度所使用，并且优选地相应的同样适用于所述的基本相似性量度。这提供了特别简单的数据收集和性能参数计算流程，仍能够提供高质量的输出。

根据一个优选的实施方式，所述的瞬时速度变化在特定的速度变化时间段内进行测量，使得速度变化作为在由所述时间段的两个时间点之间的速度差而被测量。

相应地，所述的瞬时引擎转速变化优选在特定的转速变化时间段内进行测量，并且因此作为在由所述的时间段间隔的两个时间点之间的瞬时引擎速度差而被测量。

特别地，优选的是，速度变化时间段的长度不同于转速变化时间段的长度，而对于每个先前行程驾驶数据集，相应的速度变化时间段和相应的转速变化时间段是重叠的。优选地，瞬时车辆速度被测量的时间点和瞬时引擎速度被测量的时间点是彼此独立的，均为被包含在所述的两个重叠的变化时间段内，并优选地在相同或基本上相同的时间被测量。这种重叠和包含保证了所测量的每个驾驶数据集的参数与一个相同的驾驶场景相关，这对于非常频繁测量的驾驶数据集是重要的。

此外，所述的瞬时车辆速度变化时间段和所述的瞬时引擎速度变化时间段具有不同的长度。即，在许多应用中，有必要微调每个所述的变化时间段，以捕捉关于所讨论的行程相关的相关数据，并且通常地，不同参数的最佳变化时间段不相同。例如，通常优选的是，引擎速度变化时间段短于车辆速度变化时间段，例如至少短两倍。这不仅仅是由于在驾驶期间引擎速度能够比车辆速度变化快，而且由于采用了这样更短的变化时间段，促使系统能够更准确地捕捉在某些场景下驾驶期间的特定驾驶员行为。

甚至在速度时间段和转速时间段具有不同长度的情形下，优选的是，对于每个观测时间点并且因此对于每个驾驶数据集，它们享有相同的起始时间点，或者替代地具有相同的结束时间点。

此外，优选的是至少一个所述的速度变化时间段和所述的转速变化时间段具有比上面讨论的预设时间段(连续的每个观测时间点之间的时间段)更长的长度。

速度变化时间段和引擎速度变化时间段在相应的观测时间段均可以具有结束点，因此对应于在持续到瞬时车辆速度和引擎速度的测量时间的历史时间段所做的测量。然而，优选的是，车辆速度变化时间段始于所述的瞬时车辆速度的观测时间点并继续向前，和/或引擎速度变化时间段始于所述的瞬时引擎转速观测时间点并继续向前。这导致每个驾驶数据集包括关于当前场景中的瞬时速度和引擎速度的信息，以及该场景在即将到来的时间段期间如何变化。本发明人已经发现这为下面讨论的目的提供了非常有用的性能参数值。

在观测时间段长达约2秒的情形下，特别优选的是，每个观测时间点的车辆速度变化时间段始于瞬时车辆速度观测时间点并继续向前，介于3到10秒之间，并且每个观测时间点的引擎速度变化时间段始于瞬时引擎速度观测时间点并继续向前，介于1到5秒之间。

图5示出一种与根据本发明的车辆和系统一起使用的示例性的测量方案。沿着时间轴，示出了多个连续观测时间点OT1、[...]、OT5，每个时间点被固定长度的观测时间段OTP间隔。

对于每个观测时间点，从车辆上得到以下读数：

●瞬时车辆速度、瞬时引擎速度以及任何其他瞬时测量值相关的瞬时读数(IR1、[...]、IR5])。

●引擎速度变化(ESC1、[...]、ESC4)。该参数在与观测时间段OTP完全相同的时间段测量。因此，无法获得观测时间点PT1的引擎速度变化值，直到观测时间点OT2才能够如上所述进行收集。

●车辆速度变化(VVC1、[...]、VVC4)。该参数在比观测时间段OTP更长的时间段内测量。因此，如图5所示，无法获得观测时间点OT1的车辆速度变化值，直到观测时间点OT3和观测时间点OT4之间的某一段时间才能够如上所述进行采集。

优选地，不是每个驾驶数据集都被收集并用于更新相应的基本历史组，如上所述地，直到所有参数值均可用于所讨论的驾驶数据集。

除了瞬时车辆速度和瞬时发动机速度以及车辆速度变化和引擎速度的变化以外，其他参数也可能被测量，并且也可以属于所述的基本参数集。这些参数包括瞬时制动(二进制的开/关或制动力值)；瞬时海拔；海拔变化；瞬时GPS定位、海拔或取向，和/或GPS海拔变化或取向变化，和/或GPS海拔加速度；基于GPS坐标的车辆速度和/或加速度；瞬时发动机油温；所使用的档位数；被激活的车辆闪光灯；室外温度；巡航控制系统的状态；和/或从车辆100本身获得地或从车辆内安装的移动设备130和传感器获得的任何其他数据，优选在某方面对位置、行为和/或车辆地内部状态进行量化的数据。

特别地，优选的是，制动信息，至少以二进制信号形式的制动信息(制动激活/未激活)是所述的基本参数组的一部分，并且因此也在每个观测时间点的从车辆中读取。

相应地，使用如上所述的相应的方法，所述的基本相似性量度和/或一致性量度可以考虑额外的所示例类别的参数。例如，在所述的量度中使用制动信息的情形下，二进制的制动值(开/关)可以是所述的基本历史组的定义参数中一种，并且在除了制动参数值的差异以外驾驶数据集完全相同的情形下，两个驾驶数据集可以被分配至不同的基本历史组。

如上所述，存在从当前车辆100到包括当前行程驾驶数据集的中央服务器150的通信。除此之外，根据一个优选实施方式，当前行程性能参数值优选如上所述地由中央服务器150进行计算，然后经由上述无线链路，从中央服务器150传送到当前车辆100，例如传送到布置在当前车辆100上的便携式电子设备130，然后展示给当前驾驶员。这一描述将在下文举例。

这些计算连同可能的与当前驾驶员的通信和展示，可结合正在完成的当前行程来执行。然而，根据一个优选实施例，在当前行程期间，对上述当前行程性能参数的一个值进行反复计算，优选至少每10分钟，更优选至少每2分钟，更优选至少每30秒计算一次。然后，优选的是，为了计算所述的当前行程性能参数值，当前行程被视为已经发生并且已经进行收集的当前行程的一部分，直至计算当前行程性能参数的该值的时刻。因此，计算性能参数值，类似于直至性能参数值的计算点所采集的当前行程驾驶数据集构成整个已完全的当前行程的数据。在这种情形下，优选的是，在每次计算时，将当前计算的这些性能参数值传送至当前车辆并展示给驾驶员。这样，当前驾驶员可以获得当前行程性能有关的定期更新的信息，使得当前驾驶员能够调整他或她的驾驶风格以回应根据本发明的系统反馈的这些信息。

在当前车辆缺乏有效的网络连接的情形下，在行程期间，所采集的当前行程驾驶数据集可以本地地存储在车辆中，以便一旦获得网络连接随后上传到服务器150上。然后，可以计算性能参数值并提供给在稍后时间点连接的用户。

第三方面

在本发明的一个方面中，如图12所示，如上所述地，对多个先前行程数据集计算相应的瞬时相对车辆能耗值。特别地，在这一方面的整个描述中，该相对能耗是相对于观测所讨论的先前行程数据集的相应行程的总能耗。

因此，在第一步中，收集先前行程驾驶数据集和当前行程驾驶数据集，将所采集的当前行程驾驶数据集以适当的方式(例如使用如上所述的基本相似性量度，和/或使用基本历史组和基本一致性量度)分别映射到相应的先前行程驾驶数据集。

在可以在第三步之前的任何时间内执行的、特别是在所述第一步之前、期间或之后执行的第二步中，计算相对车辆能耗特征函数，该函数关于不同的瞬时车辆速度参数值的所述瞬时相对车辆能耗的值。该特征函数优选地基于可用的先前车辆的先前行程驾驶数据集进行计算，这将在下文进行解释。优选地，每种下文描述的车辆类别具有最多一个这样的特征函数，并且优选的是，每个特征函数随着新获取的先前行程驾驶数据集自动更新，或至少根据新获得的数据间歇地更新。这样，实现了自动补偿机制，而不需要在方法中增加不只是有限的计算工作。

车辆相对能耗特征函数优选不仅仅根据针对一个车辆(例如当前车辆)观测到的数据进行计算。而是优选地根据针对多部先前车辆观测到的数据进行计算。特征函数的计算可以考虑属于与当前车辆相同的车辆类别的基本上所有或至少多个车辆的先前行程驾驶数据集；替代地，其可以根据基本上所有的先前车辆或至少多个先前车辆(不管车辆类别)的先前行程驾驶数据集进行计算。

在所述的第三步中，行程性能参数的值，例如上面的第一或第二行程性能参数，如上所述地计算。特别地，性能参数基于先前行程数据集的相应的相对瞬时能耗的平均值来计算，这些先前行程数据集基于关于所述基本参数的相应值的相似性或一致性量度而对应于各个当前行程数据集。

在使用多种类别的情形下(见下文)，当前车辆因此首先基于所述类别一致性量度而被分类为下述类别集中的一种特定的当前类别，然后仅基于(对应于下文定义的当前类别)当前集合(collection)中的先前行程数据集的所述相应的相对瞬时车辆能耗值计算行程性能参数值。

然而，根据本发明的目前这一方面，所述平均值是一个加权平均值，其中加权通过使用所述车辆相对能耗特征函数来执行。

即，车辆相对能耗特征函数描述了先前车辆的瞬时速度与瞬时相对能耗之间的特征关系。换言之，对于多个瞬时速度值或区间中的每一个，特征函数为所讨论的车辆速度提供了一个特征或典型的相对能耗值，其中每个这样的相对能耗值是描述所述瞬时车辆速度的先前行程驾驶数据集的相对能耗，并且与在全部行程期间的总能耗有关，在全部行程期间观测该先前行程驾驶数据集。

当使用这一特征函数以执行关于对应于每个当前行程驾驶数据集的每个先前行程驾驶数据集的相对能耗的加权平均值计算时，结果是关于不同车辆速度的相对能耗的系统假值被自动校正，因此增加了所得到的行程性能值的可靠性。系统假值的可能例子包括因内部发动机摩擦导致的在低速度下的系统性高相对能耗值，以及因空气摩擦导致在高速度下的系统性高相对能耗值。然而，也可能出现其他假值，例如仅在特定车辆类别中出现的假值等。

优选地，将车辆相对能耗特征函数归一化，以便所有出现的车辆速度值或区间的平均值为1。例如在图13A和13B中举例示出的这种类别的曲线提供了一种简单的加权平均值计算，在该计算中，简单乘以车辆相对能耗特征函数通常就足够了。

如图13A和13B所见，车辆相对能耗特征函数CHAR的平均值为1，如在整个允许范围或所使用的车辆速度范围内可见，如水平线“1”所示。

图13A是连续函数，其可以这样产生，即，通过例如调整具有适当幂的多边形函数(polygon function)以最好地拟合一个数据集，该数据集包括用于所述先前行程驾驶数据集的所有观测到的数值对(瞬时车辆速度、瞬时相对能耗)，然后对函数进行归一化。然后，对于每一个瞬时车辆速度，由特征函数来表示相应的特征相对能耗。

图13B示出一种计算特征函数的替代方法，在该方法中，函数CHAR是对应于图13A所示的函数的阶梯函数。当使用基于基本组一致性量度和驾驶数据集相似性量度的上述区间时，该方法是特别有利。因此，对于多个(优选非重叠且优选预设的)车辆速度区间中的每一个(在图13B中采用竖线表示)，该函数说明了相应的特征瞬时相对能耗值。除了该区别以外，图13B示出的曲线的使用完全对应于图13A中曲线。

特别地，优选的是，车辆相对能耗特征函数的计算是基于具有相同车辆速度的多个先前行程数据集的平均相对瞬时车辆能耗。在这种情形下，“相同速度”包含属于如图13B中示出的相同速度区间的速度。优选地，相同速度区间用于如在基本驾驶数据集相似性量度中所述的特征曲线。

优选地，车辆相对能耗特征函数的计算是基于上述已定义类别的多个基本历史组，特别是基于属于所讨论的相应基本历史组的先前行程数据集的所述相对瞬时车辆能耗的相应值。特别地，这适用于用来计算该函数的每个单独的车辆速度值，或适用于由该函数覆盖的每个速度区间。

平均值优选为几何平均值。在如上所述使用基本历史组的情形下，其中，计算基于所述相对能耗的组性能量度，该组性能量度优选用作计算特征曲线的相对能耗。此外，特征曲线中的每个相对能耗值或每条特征曲线也优选作为加权平均值而计算，使得更频繁更新的基本历史组相对于较不频繁更新的基本历史组被给予更大的权重。

优选的是，基本参数集不包括表征车辆类别的参数，例如所讨论的车辆的VIN(车辆识别码)，但表征车辆的唯一方法是使用上述集合和类别。

第四方面

根据本发明的一方面，为了在计算所述驾驶性能参数时能够提供尽量相关的数据，至少一些、优选基本上所有的、最优选所有的所述先前行程数据集被分类为一个集合(collection)。在上述使用基本历史组的情形下，除了使用基本历史组之外，还使用了这些集合，先前行程驾驶数据集因此被同时分类到相应的基本历史组和相应的集合。如将在下文所述，这可能通过包括其自身的基本历史组的集的每个集合进行，然后这些集可能在不同的集合之间重叠，并且通过将每个先前行程数据集首先分类至一个集合而然后被分类至该集合中的基本历史组。

优选的是，每个所述的集合仅包括针对特定类别车辆的先前行程驾驶数据集，并且基于所讨论的车辆的驾驶数据集与类别定义参数集之间的基本类别一致性量度将同一个的车辆的所有先前行程数据集被分类至同一个集合。换言之，每一台车辆可以基于针对该车辆所观测到的驾驶数据集来标识。特别地，这些驾驶数据集可以用于确定车辆属于哪一种车辆类别。

因而，基于所讨论的类别的所述类别定义参数，基本类别一致性量度是同一车辆的多个单独的驾驶数据集与一个特定的车辆类别的一致性的量度。当车辆已经与一种特定类别关联以后，所讨论的所述车辆的每个驾驶数据集随后被分配至相同的集合，即，该集合对应于该车辆所关联的车辆类别。在车辆在某个点与特定类别关联，然后在后来的第二个点被重新分类至不同的类别的情形下，针对该车辆收集的并且已分配到对应于此前关联类别的集合的先前行程驾驶数据集可以被分类至对应于新关联类别的集合，或替代地仅新采集的先前行程驾驶数据集可以分配至新的集合。

每个集合可以对应于正好一种车辆类别，反之亦然。

根据本发明的这一方面，如图7所示，在计算上述基于能耗的行程性能参数之前，基于所述的基本类别一致性量度，将当前车辆分类至所述类别集中地一个特定的车辆类别，在下面称为“当前类别”。然后，识别对应于当前类别的集合(“当前集合”)。当前集合优选地包括针对当前被分配至当前车辆类别的所有车辆先前观测到的所有先前行程驾驶数据集。

优选的是，基于上述基本组一致性量度，将每个当前行程驾驶数据集如上所述地映射至最多一个属于当前集合的特定基本历史组。

然后，为当前行程计算基于能耗的行程性能参数值。该计算优选如上所述地进行，并且特别是基于仅在所述当前集合中的先前行程数据集的相应的基于能耗的性能参数值，与使用所有先前行程驾驶数据集正好相反。因此，如上所述，计算的执行可以基于当前行程驾驶数据集所映射的基本历史组的集，以及这些基本历史组的相应的瞬时相对能耗，但其中所述基本历史组的集全部被分配至当前集合。因此，当如上所述地将当前行程驾驶数据集映射至基本历史组时，在这种情形下仅考虑当前集合的基本历史组。

另外，根据本发明这一方面，所述基本参数组进一步包括瞬时车辆速度和瞬时引擎转速。然后，对于每个车辆类别，所述类别定义参数包括对于特定车辆速度的特征引擎转速。如上面所指出的，代替或除了包括瞬时车辆速度和瞬时引擎转速的所述基本参数集，其可以包括瞬时发动机负载和瞬时能耗。然后，对于每个车辆类别，所述类别定义参数包括对于特定发动机负载的特征能耗。

通过使用在用于定义车辆类别的每个这样的车辆速度下的瞬时车辆速度和瞬时引擎转速，特别地通过使用仅仅这些用于定义车辆类别的数据，车辆分类产生令人惊讶的准确的驾驶性能参数值结果。在使用这里所述的方法来计算并处理参数值的情形下尤是如此。此外，即使同一车辆在不同的条件下驾驶，例如有或没有拖车、在结冰或干燥的路上、各种风力、室外温度等等，本发明将产生相关的结果。

图6a示出经验或实验测量的曲线C的例子，针对特定车辆类别定义了车辆速度与引擎转速之间典型的或一般的关系。曲线C可以通过例如使用对应于所讨论类别的集合中的所有驾驶数据集，对于每个瞬时车辆速度计算平均引擎转速。

在特定的点P，特定的瞬时车辆速度VEL对应于特定的瞬时引擎转速RS。因此，P是针对该特定车辆类别的类别定义参数的一个例子。该点P可以作为在所讨论的集合(即针对所讨论的类别的车辆)中所有观测到的驾驶数据集的平均引擎转速计算，并具有瞬时车辆速度VEL。

A类别一致性量度然后可以例如如下所述地构建并使用：

1)构建曲线，对应于曲线C，但对于一个单独的特定车辆其一致性待确定。曲线的构建基于针对该车辆所观测到的驾驶数据集，例如通过取针对每个观测到的速度而观测到的平均引擎转速，然后调整多边形函数来最佳拟合针对所有速度所获得的数据点配对。

2)针对特定的速度VEL，计算构建的曲线与点P之间的距离。

3)在该距离小于预设的最大容许距离的情形下，一致性量度结果是正值，并且将所讨论的车辆分配至所讨论的车辆类别。

图6b示出一种更复杂的、优选的实施方式，其中对于每种车辆类别，所述类别定义参数包括针对多个车辆速度的相应的特征引擎转速。在该示例性情形中，速度轴被分成一系列的非重叠区间，优选地与上面讨论的用于将驾驶数据集映射到基本历史组的非重叠区间相同。然后，对于每个这样的区间，定义对应容许的引擎转速区间。在图6b中，这些引擎转速区间具有相等的长度，但是例如对于在所讨论的集合中具有较少观测到的先前行程驾驶数据集的车辆区间而言，它们也可以更宽。

于是，类别一致性量度可以如下构建和使用：

1)针对在每个速度区间内的相应的车辆速度点P1、[...]、P11，计算待分类的特定车辆的平均引擎转速。在所讨论的特定车辆速度值的数据无法获取的情形下，该值可以采用均值法以外的内插法进行计算。在这种情形下，引擎转速区间可以视为类别定义参数。

2)针对每个点P1、[...]、P11，计算该点是否在相应的引擎转速区间内。

3)在每个点Pa、[...]、P11或这些点的至少某一预设比例在相应的引擎转速区间的情形下，一致性量度结果是正值，并将所讨论的车辆分配至所讨论的类别。

从图6A可以清楚地看到，由点P1、[...]、P11表示的特定的示例性车辆被分配给由曲线C和所示的引擎转速区间的集合表示的类别。

可以认识到，执行这种特定车辆和特定集合之间的一致性测量的许多不同方法是可想到和可能的。例如，当存在许多类别时，可能发现一个特定的车辆符合数个这样的类别。在这种情形下，一致性量度可以进一步包括紧密度测量，基于该紧密度测量，车辆最接近的单个类别是车辆被映射的那一个类别。该紧密度测量可以例如包括测量引擎转速距离针对每个点P1、[...]、P11的每个引擎转速区间中心的距离，或另一种适当的测量。

根据一种优选的实施方式，类别定义参数是可变的，并且特别是当新的驾驶数据集数据可用时动态地更新。因此，优选的是，针对某一类别、优选针对所有类别、或至少基本上所有类别的类别定义参数根据先前行程数据集的采集而进行自动并动态地更新，使得根据已被分类至某类别的特定车辆的瞬时车辆速度和瞬时引擎速度数据值的集合的观测和收集来更新针对所讨论特定车辆速度的所述特征引擎转速。这可以通过如下进行：识别对应于所讨论类别的集合中的基本历史组，其中，先前行程驾驶数据集被映射到该类别；更新该基本历史组；然后使用更新的基本历史组连同其他涉及相似车辆速度数据的基本历史组来更新所述类别定义参数。这样，类别定义将自动地变得更加准确，因为系统有更多的可用数据。

当设定一个根据本发明的新系统时，可能是这样的：没有驾驶数据集信息可用。在这种情形下，由相应的类别定义参数定义的初始车辆类别的标准集可以被假设为起点，随后类别定义可以随着新数据变得可用而演变。替代地，系统使用驾驶数据集的基本集，而初始类别可以基于所述驾驶数据集的基本集而计算，然后类别定义可以在该系统的使用期间由此演变。

在任一种情形下或在其他情形下，车辆将时不时被观测，其驾驶数据集与最接近的类别定义(如由所述类别一致性量度所度量的)相距甚远。在这种情形下，优选的是，系统可以将识别该车辆属于一种新的车辆类别并且作为反应而基于针对该车辆所收集的驾驶数据集创建这种新类别。因此，在特定的车辆被发现与每个所述的类别的差距都大于预设的阈值距离的情形下，如通过所述基本类别一致性量度所度量的，则创建一种额外的类别，连同相应的类别定义参数和相应的集合。然后，优选基于针对所讨论车辆观测到的先前行程驾驶数据集计算新创建的类别的类别定义参数。进一步优选的是，单个这样的车辆在执行单一行程期间被观测到远离最接近的现有类别时不会触发新车辆类别的创建，而是需要至少特定最小数量的车辆和/或至少特定最小数量的行程，才能实际上创建新的车辆类别。系统也可以包括对于基于受信任车辆(参见上文)的类别创建的限制。在后一种情形下，在一种新类别被实际创建之前，要求观测到最小数量的受信任车辆属于该新类别。

随着类别数量的增加，优选的是，相应地调整基本类别一致性量度，使得每个现有类别以更窄的方式定义相应的车辆，例如通过使用越来越窄的上述类别的速度和/或引擎转速区间，使得在与最接近的现有类别的距离方面用作创建新车辆类别的要求的阈值变得越来越低。例如，区间长度的计算可以基于类别的总数和/或数据库151中所观测的先前行程驾驶数据集的总数。

这样，由于系统可以获取越来越多的数据，越来越细致和微调的车辆类别定义集将随着时间而被创建，创建的方式是完全自动的并且生成实际上对应于使用该系统的车辆的主要类别的车辆类别。需要注意的是，得到这些结果不需要关于这种车辆的先验知识。

图7示出了上述方法论。在第一步中，定义了类别的初始集合。然后，针对一个特定车辆，但随时间推移针对由许多不同车辆执行的许多不同行程，收集先前行程驾驶数据集。对于每一个这样观测的车辆，如上所述地并且基于所述先前行程驾驶数据集和针对相应类别的所述类别定义参数，将所讨论的车辆映射至最接近的现有类别。在车辆被成功映射至一种类别的情形下，通过更新相应集合的基本历史组的先前行程驾驶数据集来更新该被映射的类别，然后该方法循环回到收集先前行程驾驶数据集。另一方面，在车辆被发现过于偏离最接近的类别的情形下，如上所述地，研究是否已经收集到了足够的数据表明创建新类别动机。在已经收集到了足够的数据，则创建一种新类别，其类别定义参数是基于收集到的所讨论的车辆的驾驶数据集，可能结合针对也用于创建新类别的额外的车辆所观测并收集到的先前行程驾驶数据集。然后，使用更新的类别定义集合，该方法再次循环回到采集先前行程驾驶数据集。

在针对特定车辆计算性能参数之前，每个被观测的车辆优选地被映射至特定的单一类别，而且性能参数的计算优选仅基于相应的集合的驾驶数据集。然而，实现每个车辆的重新分类的频率可以低于每个被观测的行程，优选地低于每十个行程。然而，特定的车辆所分配的类别的类别定义参数的更新优选至少结合所讨论的车辆执行的每个行程的完成。

根据一个优选的实施例，类别定义参数不包括关于所使用的车辆档位的信息。本发明人令人惊讶的发现是，就为了产生相关的驾驶性能参数值的目的的分类准确度而言，档位数(gear number)信息不会显著改善结果。甚至，因为档位使用影响针对特定车辆速度的引擎转速，甚至在车辆的所有技术数据都已知的情形下，也难以预测针对特定车辆的适当的类别定义参数值。因此，在特定已知车辆类别的情况下，例如特定品牌新发布的车辆类别，优选的是，如有需要，创建新的车辆类别：自动地通过简单地连接一辆或多辆新发布的型号的汽车(优选地标记为“受信任”)，然后基于针对这些车辆所观测到的驾驶数据集，允许系统自动地发现并定义所讨论的汽车型号的类别定义参数的新集合。

根据一种优选的实施方式，除了先前行程驾驶数据集和/或基本历史组的以上定义的集合以外，还有被定义的主要集合，其包括相应的先前行程驾驶数据集以及特别是特定历史组，这些特定历史组对应于包含在所有上述集合中(例如具有相应的相同定义)的所有相应的基本历史组。在这种情形下，当在另一个集合中的相应的基本历史组的一个组性能参数被更新，在所述主要集合中的相应的基本历史组总是更新其组性能参数。因此，主要集合的基本历史组的数据反映了其他集合中的所有基本历史组的数据。根据一个优选的实施例，在某些条件下，主要集合中的基本历史组的数据可以用来替代特定的其他集合的基本历史组。例如，可能不存在当前车辆能够映射的适合的类别，或当前集合可能不具有足够的更新的组性能数据以产生可靠的结果。

第五方面

根据本发明的一方面，上面讨论的行程性能参数值作为第一行程性能参数值以与上述结合图4描述的行程性能参数值计算方法学相似的方式计算。实际上，如适用，结合图4所描述的一切也与本发明的这一方面相关。

这一方面进一步在图9中示出，其中示出了在第一步中，如上所述地收集先前行程驾驶数据和当前行程驾驶数据集。

然后，对于所收集到的每个当前行程数据集，基于上述基本驾驶数据集相似性量度(其设置用于衡量驾驶数据集之间的相似性)和/或基于上述基本组一致性量度(其设置用于衡量当前行程数据集与先前行程数据集的基本历史组的一致性)，选择至少一个相应的所收集到的先前行程数据集。因此，根据一种实施方式，通过映射至单独的先前行程驾驶数据集来选择当前行程驾驶数据集，这些被选择的先前行程驾驶数据集用于后续的计算。然而，优选的是，采用基本历史组，优选地还采用上述地类别和集合的上述机制被应用。

随后，针对所选的一个或多个相应的先前行程数据集计算相对瞬时车辆能耗值，该相对能耗是相对于在观测所讨论的先前行程数据集的相应行程的总能耗。应当理解的是，在使用所述基本历史组的情形下，所选的先前行程驾驶数据集是那些被包括在当前行程驾驶数据集所映射的基本历史组中的。特别地，优选的是，针对所讨论的当前行程数据集所映射的基本历史组中的相应的先前行程数据集，计算所述相对瞬时车辆能耗值，其相对于在观测所讨论的先前行程数据集的完整行程的总能耗，并且进一步优选基于被映射的相应基本历史组的所述相对瞬时能耗值的平均值。

在最后一步中，所述第一当前行程驾驶性能参数值的计算基于所述计算得到的相对瞬时能耗的平均值。

因此，就低能耗而言，每个单独的先前行程驾驶数据集的相应的相对能耗是一个相对“良好”的量度，即，所讨论的先前行程驾驶数据集与所讨论的先前行程有关联。类似地，每个历史组的相应的组性能参数值是一个“良好”的量度，即，与在基本参数组平均值方面具有类似足迹的先前行程驾驶数据集有关。然后，第一性能参数是一个与先前行程驾驶数据集或基本历史组相关性的平均“良好”的量度，其中，基本历史组类似于所收集的当前行程驾驶数据集。

因此，通过将当前行程分成大量的小的当前行程驾驶数据集观测片段，将它们与先前观测的片段相关联，然后按图9示出的方式计算第一行程性能参数值，可以实现关于以少量的先验知识并在变换的条件下自动地且准确地评估可比的驾驶性能的以上优点，并且使得到的第一行程性能参数值构成易于获取的数值，该数值直接用作行程性能的量度。因此，如上所述，行程性能参数值可以在当前行程期间或之后展现给驾驶员，但是也可以轻易地用于在不同行程和驾驶员之间以及甚至在不同车辆之间作直接对比，因为第一行程性能参数通常与驾驶员和驾驶条件无关。特别地，在应用了使用上述的类别和集合的机制的情形下，第一性能参数值也将通常与车辆类别无关，使得使用公共汽车的行程容易地与使用小汽车的行程相比较。

便携式电子设备130，或替代地，当前车辆100本身，优选设有一款软件，该软件设置用于将图像用户界面展示给当前车辆的驾驶员的软件，反过来设置用于展示信息，该信息包括针对当前行程、也可能是同一驾驶员先前进行的当前行程、还可能是其他的先前行程的计算得到的第一行程性能参数值。

所述的便携式电子设备130软件可以是一款可由便携式电子设备130执行或来自便携式电子设备130的软件，例如本地安装和执行的应用、远程执行的应用，例如从便携式电子设备130获取的网页应用，或任何其他适合的类别的软件。

在优选的情形下，在当前行程期间，由中央服务器150或本地服务器160，基于目前为止所收集的当前行程驾驶数据集反复地计算第一行程性能参数，优选的是，在当前行程期间，在所述图像用户界面上向驾驶员展示更新的第一参数值。

进一步优选的是，针对先前行程而计算得到的第一行程性能参数值被存储在数据库151中并经由中央服务器150提供的适当的应用程序接口(API)而可供使用。这样，运输车辆编队的管理员或类似的，可以跟踪编队随时间的驾驶性能的发展，并进行基于该编队的第一行程性能参数值数据的分析。

在特别优选的实施方式中，第一性能参数用于计算基准值。一旦已经计算了多个第一性能参数值(优选针对通过多个不同车辆以及多个不同驾驶员的多个不同的行程)，系统即为第一行程性能参数值确定一个阈值，使得所有计算得到的行程性能参数值的仅较小的百分比(例如10％)优于所述的阈值数值。然后，每个新计算得到的第一行程性能参数值可以与基准值进行比较来看当前行程与10％的顶级先前行程性能相差多远。

进一步优选的是，基准值的更新基于关于当前行程计算的第一行程性能参数值，至少只要基准值未收敛而使其基本上不会随着新计算得到的行程性能参数值而变化。优选的是，基准值作为全局变量，整个系统均可使用。

第六方面

在本发明的一个方面，第二行程性能参数值的计算基于数个先前计算得到的行程性能参数值，优选但不是必需地，基于以上解释的类别的数个先前计算得到的行程性能参数值，即，第一行程性能参数值。

通常，第二行程性能参数值的计算基于在上文详细描述的先前行程驾驶数据集和当前行程驾驶数据集、基本历史组，车辆类别，集合等方面与第一行程性能参数值相同的数据。然而，第二行程性能参数值的构思比第一行程性能参数值更加普遍适用。特别地，不必严格地、尽管是优选地，为计算第二行程性能参数值，基本参数集包括瞬时车辆能耗。但是，被包括在基本参数集中的某些其他参数或参数的组合可以在某些方面用于度量每个先前行程驾驶数据集的相对质量，例如度量轮胎磨损的参数(例如与车辆速度相关的所观测到的制动使用和转向幅度的适合的参数组合)。这些非基于能耗的参数可以用在测量目的不同于下文详细描述的目的的情形中，但在第二行程性能参数计算的基本机制的情形下，其一般优点仍然是期待的。

出于简洁的原因，下文中第二行程性能参数的计算将按照基本参数组包括瞬时能耗来进行描述。通常，这里所述的有关第一行程性能参数的任何内容对计算和使用第二行程性能参数值的目的同样有用。

图10与图9类似，示出了计算按照本发明的本方面的第二行程性能参数值的基本方法论。在第一步中，如上所述地收集当前行程驾驶数据和先前行程驾驶数据集，然后对于单独的当前行程驾驶数据集，挑选相应的先前行程驾驶数据集。到目前为止，本方面在许多层面与上述图9相关方面相同。

然而，随后针对每个所选的先前行程驾驶数据集计算质量量度。该质量量度可以是上述基于相对能耗的性能量度，但也可以是其他量度。

随后，针对每个先前行程数据集计算相应第一行程性能参数值，所述第一行程性能参数可以与上述第一行程性能参数相同。然而，其也可以是另一种适合的行程性能参数类别，其数值的计算基于所述的质量量度。优选地，第一行程性能参数是相对行程性能参数，其设置用于度量相对于观测先前行程驾驶数据集的行程所讨论的先前行程驾驶数据集的相对行程性能。在质量量度是瞬时制动和转向数据的组合的示例性情形中，每个先前行程驾驶数据集的第一行程性能参数可以是该瞬时制动/转向参数相比于观测所讨论的先前行程驾驶数据集的完整行程的所述参数的平均值的相对值。

在最后一步中，基于每个所选的先前行程数据集的所述第一行程性能参数的相应值计算第二行程性能参数值。

图11示出一种根据本发明的本方面的方法，特别地，在该方法中，上述基本历史组用于计算第二行程性能参数。

因此，在第一步中，对于许多先前行程，例如对于至少100个先前行程，优选地至少1000个先前行程，收集相应的先前行程驾驶数据集。对于每一个这样的先前行程驾驶数据集，计算相对质量量度，优选地对应于所讨论的先前行程驾驶数据集被收集的完整先前行程的总质量，特别优选地上述瞬时相对能耗。

在第二步中，每个先前行程驾驶数据集被映射至一个基本历史组。

在第三步中，对于每个这样被映射的基本历史组，优选通过使用计算得到的相对质量量度更新相应的组性能参数值、优选上述基于能耗的组性能参数。

在第四步中，针对所述许多先前行程中的每一个，基于被映射的相应的基本组的更新的组性能参数计算第一行程性能参数值、优选上述基于能耗的第一行程性能参数的值。

值得注意的是，在第四步中，每个先前行程可以被认为是当前行程，并且第一行程性能参数值则对应于上述的针对当前行程计算的行程性能参数。

在第五步中，再次针对所有的所述许多先前行程，为每个相应的被映射的基本历史组更新相应的通用组性能参数，其中，被映射的基本历史组对应于在所讨论的先前行程期间观测到的先前行程驾驶数据集，该更新是基于在第四步中计算得到的更新的相应第一行程性能参数值。优选地，该通用组性能参数是针对被映射至所讨论的基本历史组的所有先前行程驾驶数据集先前计算得到的相应的第一行程性能参数值的平均值(例如几何平均值)。

在第六步中，针对当前行程收集当前行程驾驶数据集。

在第七步中，每个这样的当前行程驾驶数据集以上文所述的方式被映射至相应的基本历史组。

然后，在第八步中，基于针对当前行程驾驶数据集所映射的所有基本历史组计算的相应的通用组性能参数值，计算第二行程性能参数值。优选地，第二行程性能参数值作为平均值计算，例如所述通用组性能参数值的几何平均值。所述平均值也可以是加权平均值值，例如其中更频繁更新的基本历史组相对于较不频繁更新的基本历史组被赋予更多权重的平均值。在不是所有当前行程驾驶数据集对应于相应的现有基本历史组的情形下，平均化函数可能忽略那些用于计算第二行程性能参数值的当前行程驾驶数据集。

使用本发明的系统和方法来针对当前行程计算所述的第二行程性能参数，以上述方式实现了令人惊讶的效果，即，第二行程性能参数值构成了对当前驾驶员所认为的风险行为的非常准确的度量。换言之，第二行程性能参数度量了驾驶员的风险行为。除了这一方面以外，上述的关于计算第一行程性能参数的所有优点，也适用于第二行程性能参数。

优选的是，以完全对应于如上所述的第一行程性能参数的情形的方式，使当前驾驶员在当前行程之后或在当前行程期间能够获得第二行程性能参数。还优选的是，单独的驾驶员和/或驾驶员集体的第二行程性能参数值用作评价和风险评估的目的。例如，保险公司可能将第二行程性能参数值用作计算车险保费的输入项。此外，这样的第二行程性能参数值可以用于识别风险评估的单独的驾驶员或驾驶员组，以改善运输公司的运营。可以应用很多其他使用了风险量度的方法。

根据对应于图11的一种优选的实施例，基于所述的基本相似性量度，将收集到的先前行程数据集分类至多个不同的预设的基本历史组中的一个，并且基于所述的基本组一致性量度，将每个当前行程数据集映射到至多一个所述基本历史组中。然后，基于所述的基本组一致性量度，在包括在观测所讨论的先前行程数据集之前观测到的先前行程数据集之时，将每个先前行程数据集进一步映射到至多一个所述基本历史组。

应当理解，在第一(和第二)行程性能参数的计算基于先前车辆的瞬时能耗的量度的上述优选情形中，先前行程驾驶数据集的合格驾驶数据参数包括瞬时能耗。然后，该方法包括这样一个步骤，在该步骤中针对所述先前行程数据集计算相对瞬时车辆能耗值，所述相对能耗是相对于观测所讨论的先前行程数据集的相应行程的总能耗。此外，在这种情形下，第一行程性能参数值的计算基于这样计算得到的相对能耗值。

特别地，在这种情形下优选的是，针对每个当前行程数据集所映射的相应的基本历史组，以及针对被包括在所讨论的基本历史组中的每个先前行程数据集反过来所映射的每个进一步的基本历史组，计算相应的相对瞬时车辆能耗值，该相对能耗是相对于观测所讨论的先前行程数据集的相应行程的总能耗。此外，在这种情形下，每个所述的第一行程性能参数的计算基于所述的相对瞬时能耗值的平均值。

需要注意的是，在使用上述的车辆类别和集合的方法学的情形下，所有导致第二行程性能参数值的计算只限于当前的集合。

第七方面

在图14中示出的本发明的一个方面中，在第一步骤中收集当前行程驾驶数据集和先前行程驾驶数据集。具体地，从车辆重复地读取更新的当前行程驾驶数据集，其中在至多预设的观测时间段分开的连续观测时间点处从车辆读取新的当前行程驾驶数据集。这与本发明的上述方面类似。然而，本方面的当前行程驾驶数据集均包括来自至少一个预设的扩展驾驶数据参数集的数据。

此外，在本方面中，先前行程驾驶数据集还包括所述扩展驾驶数据集参数，并且除此之外，先前行程数据集均包括预设的合格参数集的参数值。合格参数集又包括以上定义的基本参数集的参数，或包括瞬时车辆能耗。

因此，合格参数集至少包括基本参数集。在基本参数集不包括瞬时车辆能耗的情况下，则与基本参数集相比，合格参数集添加了该参数。如下所述，扩展参数集又包括与合格参数集可能重叠或可能不重叠的参数。总而言之，在这方面，每个先前行程驾驶数据组包括基本参数集的值以及附加信息。

本方面的各个步骤的可能顺序在图14中用箭头表示。

因此，在第二步骤中，如上所述，使用对先前行程驾驶数据集的基本参数集值进行操作的所述基本驾驶数据集相似性量度，将所收集的先前行程驾驶数据集分配给基本历史组。

在第三步骤中，然后可以以如上所述的方式为每个基本历史组计算相应的组性能参数的值。具体而言，该组性能参数可以但不一定是如上所述的基于相对能耗的性能参数。优选地，该组性能参数值仅基于每个基本历史组的合格参数集来进行计算。

在第四步骤中，所述多个先前行程驾驶数据集被分组成先前行程驾驶数据集的历史扩展组的一个集，从而每个先前行程驾驶数据集被分配给一个这样的扩展历史组。类似于上述基本历史组的情况，每个这样的扩展历史组是一个包含多个先前行程驾驶数据集的组。然而，与基本历史组的情况相反，将多个先前行程驾驶数据集基于扩展驾驶数据集相似性度量分配给扩展历史组的集中的一个，该扩展相似性度量被设置为不考虑基本相似性度量所考虑的所述基本参数集的所有值。还可以使用扩展组一致性量度，其随后对应于上述的基本组一致性量度。

上述“扩展相似性度量被设置为不考虑基本相似性量度所考虑的所述基本参数集的所有值”是指，为了将多个先前行程驾驶数据集一起分组到扩展历史组中，所述基本参数集的至少一个参数不用于计算扩展相似性量度的值。但是，优选地，基本参数集中没有一个参数用于这种计算。尽管如此，构成基本参数集的一部分的某个参数可以是以不同的方式但度量同样的事物的参数，因此不算作为了这些目的的相同参数。例如，即使基本参数集包括车辆速度并且先前行程驾驶数据集包括在实际车辆引擎或车轮轴上测量的这样的参数值，扩展参数集也可以包括车辆速度，并且先前行程驾驶数据集也可以包括使用便携式电子设备130中的GPS组件测量的车辆速度值。需要注意的是，即使这些参数值对应于相同的度量标准，但它们通常在数字上是不同的，并且受到不同的人为因素和错误来源的影响。在很多其他实例中，可以直接在车辆硬件上以及以某种其他方式，例如使用便携式电子设备130的传感器(例如GPS、加速度计、陀螺仪、罗盘等组件)来测量某个度量标准。因此，该测量方法可能是“参数”定义的一部分。

在第五步骤中，对于所述收集的当前行程数据集中的每一个而言，基于驾驶数据集和扩展历史组之间的扩展组一致性量度，将所讨论的当前行程数据集映射到所述扩展历史组中的最多一个。

扩展组一致性量度可以与上述的基本组一致性量度相类似，在当前行程驾驶数据集的所有扩展参数值落入所讨论的扩展历史组的相应区间范围内时，该扩展组一致性量度可以例如使用多个扩展参数集值的预设区间并且将某个当前行程驾驶数据集分配给某个扩展历史组。

在第六步骤中，基于所述组性能参数值计算当前行程驾驶性能参数，所述组性能参数值是为对应于先前行程驾驶数据集的每个相应基本历史组计算的，先前行程驾驶数据集包括在在第五步骤中当前行程数据集所匹配的扩展历史组中。

针对与包括在当前行程的扩展历史组中的先前行程驾驶数据组相对应的每个相应基本历史组计算的所述组性能参数值来计算当前行程驾驶性能参数数据集在第五步中匹配。

因此，扩展历史组平行于基本历史组使用以对收集的先前行程驾驶数据集进行分类的，但是不同于基本参数集而是使用扩展参数集以执行该分类的，该扩展历史组构成了在车辆上测得数据和从外部测得的数据或不直接接触车辆另外读取的数据之间的链路。即使在当前行程驾驶数据集不包括基本参数集并因此不可能基于上述基本相似性量度或一致性量度来映射到特定的基本历史组的情况下，通过将当前行程驾驶数据集映射到外部组，仍可以以与上述相同或相应的方式使用由先前行程驾驶数据集表示的信息。

在该发明的本方面中，更优选地，当前行程驾驶数据集不包括所述基本参数集，至少以这样的程度上，即，缺乏足够的数据来实现使用上述基本相似性量度和/或一致性量度。在一些实施例中，扩展参数集仅缺少一个基本参数就足以使这种使用无法实现。

图15是本方面的示例性实施例的更详细视图。

首先，如上所述地，针对许多先前行程收集先前行程驾驶数据集，并且针对所收集的每个先前行程驾驶数据集计算相对质量(诸如与对应的完整行程相关的基于能耗的质量)。

基于例如所述基本一致性量度或相似性量度，将所收集的每个先前行程驾驶数据集映射到特定的一个基本历史组，并且使用计算得到的相对质量值来更新相应的基本组性能参数。

进一步，基于所述扩展相似性量度或一致性量度，将收集的每个先前行程驾驶数据集映射到特定的一个扩展历史组。对于每个这样的被映射扩展组，使用从先前行程驾驶数据集所分配的基本组取得的对应的基本组性能参数值来更新对应的扩展组性能参数值。

回顾基本组性能参数可能是针对分配给所讨论的基本历史组的每个先前行程驾驶数据集而计算的相对质量量度的加权平均值，以相应的方式，扩展组性能参数可能是用于计算扩展组性能参数的对应的基本组性能参数值的平均值。具体而言，优选地，扩展组性能参数是加权平均值，其中更频繁使用的基本历史组相对于较不频繁使用的基本历史组被赋予更大的权重。

因此，随着使用系统的时间推移，每个扩展组性能参数将成为基本历史组的平均相对驾驶质量的量度，其中，相同的先前行程驾驶数据集被分配给基本历史组，同样也被分配给所讨论的扩展历史组。

然后在收集当前行程驾驶数据集时，将它们分别映射到相应的一个扩展历史组，并且使用被映射的扩展历史组的相应的扩展组性能参数值来计算行程驾驶性能参数值，其随后被用作上述的行程性能参数值。

根据本发明，扩展参数集包括来自参数列表中的至少一个参数，其中，参数列表包括基于GPS的速度、基于GPS的加速度、海拔、基于加速度计的加速度和基于罗盘的取向。所述列表还可以包括经过预设的时间段的相应变化，该预设的时间段对应上述瞬时车辆速度和瞬时车辆速度变化，以及瞬时引擎速度和瞬时引擎速度变化。

进一步，优选地，所述当前行程驾驶数据集数值中的至少一个或者优选全部由通过无线连接而与中央服务器连接的当前车辆注册，或者甚至更优选地由布置在当前车辆中的便携式设备注册，该便携式设备使用无线连接与所述中央服务器连接。

这样，通过记录至少对应于扩展参数集的数据并随后接收行程性能参数值，自身不具有记录对应于基本参数集的数据的能力的当前车辆仍然可以通过系统而得以使用，其中行程性能参数值利用了针对实际上具有读取基本参数集数据能力的先前车辆所收集的总先前行程驾驶数据集库。唯一的要求在于，这些先前车辆还记录了先前行程期间的扩展参数集数据，以便可以将先前行程驾驶数据集映射到适合的扩展历史组。

为了实现后者，优选地，提供上述图形用户界面的一款便携式电子设备130软件也被布置为在每个当前旅程期间测量完整的扩展参数集数据，并且将测量到的扩展参数集数据报告给中央服务器150以进行处理。虽然也可以由车辆自身或通过设备120来测量，但是这种测量优选本地可用于这种软件的传感器数据来实施，优选使用集成到便携式电子设备130中的传感器硬件。这样，由本系统的用户使用的软件服务能够以对用户完全透明的方式自动记录扩展参数集数据，优选地除了基本或合格参数集数据之外，以供使用该系统的其他当前车辆使用。

特别地，优选当前车辆没有被布置成经由外部接口来自动提供驾驶数据信息。在这种情况下，本方面是尤其有用的。例如，在没有任何这种外部接口的情况下，或者当需要的硬件120缺失或损坏时，通过简单地使用用户的智能手机或类似物，本方法即可以在轿车中得以使用。本发明甚至对于测量诸如自行车等非机动车辆的驾驶性能也是有用的，只要通过相关的“驾驶质量”测量记录了足够的相关先前行程驾驶数据组(覆盖当前使用的基本参数集)。

因此，不同的系统可以通过对特定车辆类别的特定适应来得以实施，其中关于基本的、合格的和扩展的参数集以及“驾驶质量”的概念进行相关选择。例如，带有助力电动机的自行车的“驾驶质量”可能与电池组电源的使用有关。

进一步，优选地，如上所述，只有受信任的车辆才被允许更新所述扩展组性能参数值。这将会提高数据质量。

在使用集合的情况下，如上所述，优选为了计算扩展组性能参数的目的而使用的基本历史组取自上述主要集合。

一般原则

通常，优选地，如上所述，使用基本历史组来存储关于映射到这样的基本历史组的先前行程驾驶数据集的信息。因此，优选地，作为每个基本历史组的一部分，不仅存储和更新组性能参数，而且还存储和更新上述的当前行程的行程性能参数(尤其是第一行程性能参数)，其中在当前行程期间一个当前行程驾驶数据集被映射到所讨论的基本历史组。与这样的基本历史组相关的这种参数数据优选动态地作为输入数据的平均值进行更新。例如，这可以通过将当前更新的参数值存储在数据库151中的一个存储器位置中以及数据库151中的附加存储器位置中的先前更新的数量来实现。然后，随着新的更新的到达，后者数量可以增加一个，基本历史组参数可以按照以下方式更新，例如：

其中，N是先前更新的数量；P是被存储的平均参数值；p是到达的新的参数值。

除了这些平均参数值之外，还优选为每个基本历史组存储附加信息。例如，当发生交通事故时。事故可以由各种方式来确认，例如通过基于驾驶数据集的自动检测，例如车辆速度的迅速下降然后停车，或者通过手动注册。一旦确认了事故，系统优选地被布置为收集预设数量的当前行程驾驶数据集，并且对于所收集的当前行程驾驶数据集映射到的每个基本历史组，例如使用基本组一致性量度，为每个这样的基本历史组存储的事故风险参数值进行更新。这个更新可以是一个简单的计数，对于所讨论的基本历史组每这样发生一次就增加一个计数，或者它也可以是如上所述更新的平均值。因此，这种事故风险参数在发生有多个确认事故的系统中长时间使用时，将衡量在行程期间观测的每个基本历史组导致事故发生的概率。因此，可以基于在当前行程期间针对当前行程驾驶数据集映射到的基本历史组的事故风险参数值来计算单独的行程性能参数值，或者可以至少部分基于这样的事故风险参数值来计算上述第二行程性能参数，除了上述计算之外，结果还完成了更准确地考虑已知有风险的驾驶行为的行程性能参数。

进一步，上述第二行程性能参数的计算可以用于在当前行程期间基于当前计算得到的较差的第二行程性能参数来预测当前行程的高事故风险。在这种情况下，系统被设置为向当前驾驶员提供警告。

这稍后可以通过根据本发明的系统的一般特性使宏观时间尺度上的驾驶影响与微观时间尺度上的驾驶行为方面的原因在统计上相关。这是本发明人的关键见解。

需要注意的是，关于所述事故风险参数值的这种计算，被映射的基本历史组的模式优选不被识别并且以与事故相关的方式被存储，并且用于识别特别易于发生事故的模式；替代地，为每个单独的基本历史组存储单独的信息，然后基于各个基本历史组和所述数据来计算行程性能参数值。由于基本历史群组的数量很大，优选至少100000个、更优选至少1000000个基本历史组，所以如果适用的话，所产生的行程参数值通常仍然是所测量的度量标准的准确量度。通常对于本发明的所有上述方面而言都是如此。

就更新的基本历史组而言，系统使用的时间越长，平均值已经用数据库151包含的许多先前行程驾驶数据集进行了更新。因此，即使对于之前未连接到系统的当前车辆，所计算出的行程性能参数也将变得越来越精确。因此，就这一点而言，该系统是一个“学习”系统，因为它在使用过程中会自动改进。

关于上述受信任的车辆，根据一个优选实施例，系统中存在可设置的参数，使得当更新系统数据时某些选定的受信任的车辆与增加的权重相关联。然后，当例如新的轿车型号发布的时候，就车辆类别定义(类别定义参数值)和基本历史组数据(特别是组性能参数值)方面而言，这样的受信任的车辆可以用于快速适应系统。在一个优选实施例中，所选择的受信任的车辆与受信任车辆的默认权重的至少5倍、优选至少10倍的增加的权重相关联。因此，当为这样的受信任的车辆收集先前行程驾驶数据集时，该数据计数为至少5，优选至少10，同时收集的这样的先前行程驾驶数据集，并且所有参数值更新都以该权重来执行。如上所述，这可能导致为这种新发布的汽车型号自动创建新的车辆类别，但是这也可能导致将现有的车辆类别定义适应于该新车型号，这取决于新车型号与已经观测过的先前的车辆存在多大的区别。在一个优选实施例中，这种更高权重的更新仅适用于类别定义参数，而不适用于例如组性能参数值。

根据一个优选实施例，每个基本历史组与数据质量参数值相关联，该数据质量参数值指示所讨论的基本历史组的组性能参数的数据质量。根据一个实施例，这样的数据质量参数可以指示先前行程驾驶数据集是否已经被映射到所讨论的基本历史组。如果对于特定的基本历史组不是如此，则可以从上述行程性能参数的计算中排除该组性能参数。例如，这可以通过针对这样的计算的目的而忽略所讨论的基本历史组来完成。当少于观测到的当前行程驾驶数据集的预设百分比可以被映射到相应的基本历史组时，其数据质量参数指示少于充分质量，这可以由系统指示，例如通过向当前车辆的使用者显示警告，指示计算得到的行程性能参数可能是劣质的。所述预设百分比优选在50％和90％之间。或者，可以使用充分质量的基本历史组的相对百分比来计算相对于计算得到的行程性能参数的置信区间，然后将其显示给当前驾驶员。

一旦受信任的车辆集的先前行程驾驶数据被映射到所讨论的基本历史组，则可以更新数据质量参数，以反映更高的数据质量状态。根据一个优选实施例，基于被映射到所讨论的基本历史组的不受信任的车辆的先前行程驾驶数据集，组性能参数甚至在这发生之前便被更新。然后，一旦数据质量参数被设置为指示更高的数据质量，则因此被更新的组性能参数将可用于计算行程性能参数。这种方法已经证明能够提供准确的行程性能参数值，同时仍然使系统保持为能够简单但动态地自适应。

进一步，如上所述，作为针对不同车辆类别的车辆收集的先前行程驾驶数据集的结果，可以更新不同集合的基本历史组。这反过来将通常导致包括不同频率更新的组性能参数的不同集合，并且不同集合的数据从而会具有不同的数据质量。在这种情况下，系统优选包括这一功能，即，定期调查基本历史组是否具有被设置用于指示更高数据质量的数据质量参数，并且对于其对应的其他集合的基本历史组不具有被设置为用于指示更高数据质量的数据质量参数。如果发现是这种情况，那么具有较低数据质量的基本历史组的相应组性能参数值可以通过使用(在其他集合中)具有较高数据质量的对应的基本历史组的相应组性能参数值来更新。在本文中，“对应的”基本历史组优选是指具有相同定义的基本历史组。在这种情况下，优选所述更新作为较低质量组性能参数的加权平均计算来进行，其中，较高质量组性能参数的权重低于较低质量组性能参数的权重。优选地，不同集合之间的这种更新仅仅发生在多个集合之间，其中该多个集合的对应的类别比预设值更相似，该相似性是通过使用某个车辆类别相似性量度来测量和计算的。该类别相似性量度被设置成基于所讨论的类别的相应类别定义参数来度量两个车辆类别之间的相似性。

相似的方法可以用于定义新的类别。在这种情况下，可以从与另一个类别相对应的集合中复制基本历史组集，该另一个类别与对应于新类别的集合而新建的类别足够“相近”，该基本历史组集具有由所述数据质量参数指示的充分数据质量。在这种情况下，优选地，在对应于新建类别的集合中的数据更新期间，这样复制的基本历史组的相应组性能参数被赋予比正常情况下更小的权重，从而随着针对新建类别正在收集车辆驾驶数据集，该集合的收敛(convergence)会更快。此外，优选地，从这样的“相近的”类别来复制特征车辆速度函数，并将其用于新创建的类别。此后，复制的特征函数将通过为新建类别车辆的收集的驾驶数据集而得以更新。

如上所述，优选地，在导致意外的行程中驾驶数据集所映射的基本历史组的模式不被存储。但是，有些情况下，被映射的基本历史组的模式被识别甚至被存储。

一个例子是用于驾驶员识别。事实证明，针对每个特定驾驶员的当前行程驾驶数据集所映射的基本历史组遵循一种统计模式，该统计模式在不同驾驶员之间可以区别很大，从而用于驾驶员识别。因此，根据一个优选实施例，识别每个先前车辆的驾驶员，并且针对每个驾驶员、针对由每个这样的驾驶员所做出的几个先前行程，识别并存储与所收集的先前行程驾驶数据集相对应的被映射的基本历史组的相应统计模式。随后，通过为用户储存的统计模式和在当前行程期间被映射的基本历史组的模式之间的统计比较可以识别当前驾驶员。这种比较可以以任何常规方式来进行，并且通常会导致所保存的统计模式中的一个，其代表最佳匹配当前行程期间所产生的模式的统计模式。

此处的“模式”可以包括关于被映射的基本历史组的标识的信息；被映射的基本历史组的数据内容；和/或基本历史组的映射频率；或这些参数的任意组合。优选地，当决定这样的模式时，使用来自相同驾驶员的多个先前行程(例如至少20个先前行程)的数据来进行这样的决定；并且还对用于这种行程的先前行程驾驶数据集进行过滤以便去除异常数据点。

具体地，在一个优选实施例中，如果先前未被授权驾驶当前车辆的驾驶员驾驶当前车辆，则可以使用这种驾驶员识别来自动停止车辆或发出警报。为此，该系统可以包括当前车辆中的一款硬件，该硬件布置成例如在向驾驶员提供重复警告之后以适当的方式停止车辆。

在另一个优选实施例中，驾驶员识别数据存储在中央数据库151中用于全部或某些先前的行程，并且可以用于追溯地映射特定的驾驶员到特定的先前行程，例如为了自动更新驾驶日志等目的，以产生驾驶统计或出于安全目的调查在特定的先前行程中谁驾驶了某一特定车辆。例如，所存储的数据也可以用于验证特定的人实际上是赛车比赛中的驾驶员或类似人员。

在一个优选实施例中，不论在当前行程期间使用哪个车辆和哪个车辆类别，都使用特定驾驶员的模式。

在类似于上述模式决定的应用中，分析由针对所讨论的驾驶员观测到的先前行程驾驶数据集映射的基本历史组，并且识别例如在哪个基本参数集区间(哪个速度区间)中与这些区间对应的所述被映射的基本历史组的组性能参数值是最低的。然后，将该区间信息呈现给用户，并用于将用户的注意力引导至关于用户的驾驶技能的某些改进领域上。

在一个优选实施例中，当前车辆不具有在当前行程期间产生用户可读的燃料消耗数据的能力。在这种情况下，系统被布置为基于当前行程驾驶数据集所映射的基本历史组的相对基于能耗的组性能参数值来计算当前行程的燃料消耗。该计算是直接进行的，但取决于所述性能参数的具体体现。发明人发现，即使在基本参数组不包括燃料消耗以及当没有可用于从当前车辆读出的燃料消耗值的情况下，这样计算得出的燃料消耗也是非常准确的。

在一个优选实施例中，当前驾驶员是自动驾驶员，例如以软件和/或硬件形式实施的机器人或自动驾驶仪。

本发明的进一步应用是通过沿着所讨论的道路执行多次行程并且记录关于该道路的其他路段的对应行程性能参数平均值的这些行程的第一和/或第二行程性能参数平均值，来评价相对于该道路的其他路段以及相对于能耗和驾驶风险，驾驶该道路的某一路段的困难程度。

实例

为了进一步理解本发明，图16和17示出了本发明的一个实施例的实例。

在图16中，沿时间轴示出了一系列观测到的和收集到的先前行程驾驶数据集(图16，顶部)。这些先前行程驾驶数据集是在连续的时间点处观测的，这些时间点彼此间隔一秒，在时间＝102秒开始。每个先前行程驾驶数据集包括以下数据值，所述数据值在驾驶期间由先前车辆提供并且如上所述读出，并且被传送到中央服务器150(和/或本地服务器160，在可能的情况下)：

●预设的合格参数集包括

○预设的基本参数集，其又包括

■瞬时车辆速度，“Vel”(km/h)

■瞬时引擎转速，“RPM”(RPM)

■瞬时车辆速度变化，从观测点并向前5秒测量，“ΔVel”(km/h)

■瞬时引擎转速变化，从观测点并向前1秒测量，“ΔRPM”(RPM)

○瞬时燃料消耗，“FC”(公升/10km)

如图16所示，由先前车辆测量的车辆速度从时间点102到时间点107从82增加到85。在同样的时间内，引擎转速从1550增加到1750。这些变化也反映在变化参数值中。应该认识到，当速度变化已知时，在时间102处观测到的先前行程驾驶数据集的实际过程在时间106处之前将不会由中央服务器150或本地服务器160实际执行。

同时，由于上述数据是从先前车辆自身收集的，因此驾驶员在先前车辆中使用的智能手机130(在该示例性实施例中)也收集先前行程扩展驾驶数据集(参见图16，底部)。观测时间点是相同的(时间点102-107，相隔1秒)，但是，观测到的、收集到的并传送到所讨论的服务器的扩展驾驶数据包括以下数据值：

●预设的扩展参数集包括

○基于GPS的瞬时速度，“GPS-Vel”(km/h)

○瞬时海拔，“Alt”(海平面以上的米数)

○基于GPS的瞬时速度变化，从观测点并向前5秒测量，“ΔVel”(km/h)

○瞬时海拔变化，从观测点并向前1秒测量，“ΔVel”(m)

应当注意到，扩展参数集不包括瞬时燃料消耗。

因此，在步骤A中，在时间点102处的先前行程驾驶数据集被收集并传送到中央服务器150。在步骤B中，所讨论的驾驶数据集，或者更确切地说，包括在数据集中的速度和引擎转速的数据，被用于更新本类别车辆的当前引擎转速与速度的特征曲线。在步骤C中，类别一致性量度被用于将所述特性曲线映射到特定的一个可用且动态更新的车辆类别的集。在步骤D中，所识别的类别用于在几个这样的集合(图16中显示为圆圈)中找到对应的集合(其中，每个集合对应于所述车辆类别中的特定一个)。在本实例中，车辆类别可以涵盖例如中型客货两用车。需要注意的是，在没有任何关于如何对车辆或车辆特性进行分组的先决知识的情况下，本系统便将这些车辆完全自动地分组成这样的类别。

然后，在步骤E中，使用组一致性量度将所讨论的先前行程驾驶数据映射到所述集合中的许多这样可用组中的对应的基本历史组。在本实例中，速度和速度变化值以lkm/h的间隔进行测量；并且引擎转速和引擎转速变化以50RPM的间隔测量，这与用于基本历史组定义相同，因此也基于相同的间隔大小。因此，被映射的基本历史组包括基本参数集数据，如先前行程驾驶数据集。这为系统中提供了非常快速的查找功能，特别是在使用所述类别和集合的时候。

在之后执行的步骤F中，以类似的方式处理在时间103处观测到的先前行程驾驶数据集，并将其映射到另一基本历史组。

优选地，在行程期间不允许车辆改变车辆类别。因此，可以在单个之后的时间对所有先前行程驾驶数据集执行步骤B。

在步骤E之后，在步骤G中，所述被映射的基本历史组关于其组性能参数(GPP)值进行更新。实际上该步骤在先前行程结束之后执行，或者，如果该步骤在先前行程期间执行，假设直到时间102的先前行程是总的先前行程。对于总的先前行程，从先前车辆读取总的平均燃料消耗，并且将所讨论的先前行程驾驶数据集的瞬时燃料消耗(即，7.5公升/10km)除以所述总的平均燃料消耗。所得结果是百分比值，其表示与整个行程相比在时间点102处1秒的小时间窗口处的相对燃料消耗。在这种情况下，所讨论的先前行程驾驶数据集的平均燃料消耗低于针对在特定集合中的特定基本历史组先前记录的(平均值)，基本组的GPP从105.31降到105.27，这意味着映射到该基本历史组的先前行程驾驶数据集的平均相对燃料消耗现在为105.27％。

这执行于所讨论的先前行程的所有先前行程驾驶数据集，或者至少间歇地并且假设先前行程直到特定先前行程驾驶数据集才构成总的先前行程。然后，在步骤H中，将总的先前行程的所有被映射的基本历史组的各个GPP值相加，并计算该行程的平均GPP值。该数值，即第一行程性能参数，被传送到设备130并且呈现给先前驾驶员，优选地与基于先前执行的先前行程的相应计算而确定的第一行程性能参数的基准值相关(见图17)。

在步骤I中，通过使用所述计算得到的第一行程参数值来更新每个被映射的基本历史组的一般组性能参数(GGPP)。在这种情况下，第一行程性能参数值是104.85，高于所讨论的基本历史组的GGPP(98.11)。因此，其GGPP值平均至98.13。对所有被映射的基本历史组进行对应的操作。然后，通过对所有被映射的基本历史组的所有GGPP值求平均值来计算第二行程性能值，并且第二行程性能参数也被传递到设备130以呈现给先前驾驶员(图17)。

此外，在步骤J中，对于每个被映射的基本历史组，通过使用组一致性量度来识别主要集合基本历史组，并且其GPP和GGPP量度得到更新，以使得对应于先前车辆所属车辆类别相对应的集合的被映射的基本历史组。需要注意的是，被映射的主要集合基本历史组具有与对应的非主要集合组的GPP和GGPP值不同的GPP和GGPP值，这是因为它们已经在之前通过使用不同的先前行程驾驶数据集进行了更新。

在步骤K中，扩展先前行程驾驶数据集在时间点102处收集，即，与上述先前行程驾驶数据集相同或对应的观测时间点。通过使用扩展组一致性量度将扩展驾驶数据集映射到许多这样的扩展历史组集中对应的扩展历史组。如上所述，该映射完全对应于向基本历史组的映射，并且也是基于相同的间隔。通过使用系统可用的知识(即，分别在相同时间处(即在时间点102处)收集的基本参数和扩展参数先前行程驾驶数据集)，将被映射的扩展组进一步映射到上述的主要集合基本历史组，。

然后，在步骤N中，通过使用对应于上述的平均函数，使用所述被映射的主要集合基本历史组的GPP值，来更新被映射的扩展组的GPP值。因此，扩展组的GPP值基于基本组的GPP值102.89从101.42更新为101.44，这反映GPP值102.89高于101.42这一事实。

在先前行程被视为当前行程的情况下，执行相同的步骤A-J，其目的不仅是更新基本历史组数据，而且是计算所述第一行程性能参数值和第二行程性能参数值以呈现给当前驾驶员。

在当前车辆不提供燃料消耗数据的特定情况下，由于没有可用于执行这些更新的数据，因此不执行步骤G，I和J中的更新。然而，第一行程性能参数值和第二行程性能参数仍然可以得以计算并呈现给当前驾驶员。

在先前车辆或当前车辆不是受信任车辆的情况下，更新得以执行，但是每个历史基本组上的相应质量标志可能未被设置为指示充分质量。

在没有基本参数数据可用于从当前车辆读出的特定情况下，完全不执行步骤A-J。而是，执行步骤K、L和M，并且基于与每个收集到的扩展先前行程驾驶数据集相对应的被映射的扩展组，来计算第一行程性能参数和第二行程性能参数。在这种情况下，不执行步骤N中的更新。

因此，对于不具有提供燃料消耗数据的界面的当前车辆，系统可以计算当前行程的行程性能值。即使对于没有任何可读数据的当前车辆，只要在当前行程期间扩展数据集可以通过智能电话或车辆中存在的其他设备的收集，则可以计算当前行程的行程性能值。

图17示出了在呈现所述信息时设备130的屏幕132(或当前车辆中的任何其他屏幕或当前驾驶员在当前行程期间或之后可访问的其他地方)。在屏幕132上，中央服务器150(或本地服务器160，在可能的情况下)提供的信息(BM＝基准值，相对于第一行程性能参数的历史10％最高执行行程；效率＝当前驾驶员的第一行程性能参数值；风险＝当前驾驶员的第二行程性能参数值)沿着时间轴(X轴；参数值显示在Y轴上)显示，其中由所讨论的驾驶员执行的最后三次行程中的每一次都各自对应一个数据点，这种情况下无论是使用的什么车辆。从图17中可以看出，当前驾驶员在他或她的最后三次的当前行程中有所提高。当前驾驶员的风险评分略高于驾驶效率评分，但仍有一些方式可以提高为性能最佳的驾驶员。同时，随着时间推移，使用该系统的驾驶员集体的平均值有所提高，BM值略有增加。

在为了计算所述第一行程性能参数和第二行程性能参数而遵循本文描述的方法论的情况下，已经证明，不管车辆如何，第一行程性能参数是相对驾驶效率的准确量度，并且第二行程性能参数是驾驶风险的准确量度。

以上描述了优选的实施例。然而，对于本领域技术人员而言，在不脱离本发明的基本构思的情况下可以对所公开的实施例进行诸多修改。

通常需要注意的是，本发明的上述七个方面可以在任何群集中自由组合，并且来自任意一个方面中的单独细节在任何其他方面也同样简单适用。

通常，优选地，本系统基于车辆的地理位置或基于地图数据不执行对当前行程的任何分析。而是，该系统优选完全依赖于在每次行程期间收集的当前行程驾驶数据集以及与如上所述的先前行程驾驶数据集的比较。

如果使用所述基本历史组，则应当认识到，实际的先前行程驾驶数据集根本不需要存储在数据库中。而是，在先前行程驾驶数据集已被映射到基本历史组并且基本历史组已被更新(例如关于其组性能参数)之后，实际上可以丢弃并且不存储先前行程驾驶数据集。然后，包含在先前行程驾驶数据集中的信息以基本历史组的定义的形式结合更新后的组性能参数值而存在于数据库中。

此外，每个驾驶数据集参数值都可以是瞬时读取的值，或者可以在某个小时间段(例如大约1秒)内测量并且求该小时间段上的平均值。

应当认识的是，基本上不同类别的车辆，例如汽油车辆、纯电动车辆、船只、飞机和自行车等，优选地分配至本系统的不同的实例化，以便实现不同车辆类别之间的更多的相关数据比较。然而，单个系统也可以用于所有这些不同车辆类别，因为车辆类别通常会收敛到其中车辆的不同类别得以适当表示的类别集中，只要基本参数集、合格参数集以及扩展参数集(如适用的话)进行仔细选择即可。

因此，本发明不限于所描述的实施例，而是可以在所附权利要求的范围内进行变化。

通用表述及定义

当前行程＝由特定驾驶员和特定车辆现在进行的行程，并且将针对该行程计算行程性能参数值。

先前行程＝至少部分地在当前行程之前执行的行程。

预设的基本驾驶数据参数集＝基本参数集＝由车辆提供的标准数据集。

基本数据集＝观测到的包括基本参数集的参数数据集。

预设的合格驾驶数据参数集＝合格参数集＝基本参数集以及瞬时能耗。

合格数据集＝观测到的包括合格参数集的参数数据集。

预设的扩展驾驶数据参数集＝扩展参数集＝不完全由车辆提供的标准数据集。

扩展数据集＝观测到的包括扩展参数集的参数数据集。

当前行程驾驶数据集＝在当前行程期间观测到的参数数据集。当前行程数据集可以是当前基本数据集、当前合格数据集和/或当前扩展数据集。

先前行程驾驶数据集＝在先前行程期间观测到的参数数据集。先前行程数据集可以是先前基本数据集、先前合格数据集和/或先前扩展数据集。

先前行程驾驶数据集的历史基本组＝基本历史组＝根据基本相似性量度彼此“相似”的先前行程数据集。

先前行程驾驶数据集的历史扩展组＝扩展历史组＝根据扩展相似性量度彼此“相似”的先前行程驾驶数据集。

基本驾驶数据集相似性量度＝基本相似性量度＝基本参数集和合格参数集的数据集的比较量度。

扩展驾驶数据集相似性量度＝扩展相似性量度＝扩展参数集的数据集的比较量度。

驾驶数据集与先前行程驾驶数据集的历史组的基本一致性量度＝基本组一致性量度＝基本参数集或合格参数集的数据集与基本历史组之间的一致性量度。

特定车辆的驾驶数据集与类别定义参数集的基本一致性量度＝基本类别一致性量度＝一个车辆的多个驾驶数据集与一个特定车辆类别的某参数化的特征信息之间的一致性量度。

当前行程驾驶数据集与先前行程驾驶数据集的历史组的扩展一致性量度＝扩展组一致性量度＝扩展参数集的数据集和扩展历史组之间的一致性量度。

先前行程数据集的集合＝属于某车辆类别的所有车辆的先前行程驾驶数据集或基本历史组的集合。

当前类别＝当前车辆所属的类别。

当前集合＝对应于当前车辆所属类别的集合。

基于能耗的组性能参数＝基于能量的组性能参数＝基于特定基本历史群组的先前行程驾驶数据集的能耗而计算的性能参数。

通用组性能参数＝通用组性能参数＝基于其他基本历史组的基于能量的组性能参数的相应值而计算的特定基本历史组的性能参数。

第一基于能耗的行程性能参数＝第一基于能量的行程性能参数＝基于基本历史组的基于能耗的组参数而为当前行程计算的性能参数。

第二基于能耗的行程性能参数＝第二基于能量的行程性能参数＝基于基本历史组的第一基于能耗的行程性能参数值而为当前行程计算的性能参数。

当前车辆＝当前正在被驾驶的车辆，将为其计算性能参数。

驾驶员＝驾驶或控制车辆的人或实体。

瞬时相对能耗特征曲线＝针对特定车辆类别，对瞬时车辆速度与相对基于能耗的性能之间典型关系进行描述的函数。

Claims (21)

1.一种用于对特定当前行程自动评价当前车辆(100)的驾驶员(110)的性能的方法，其中，从所述车辆(100)重复地读取更新的当前行程驾驶数据集，所述当前行程数据集各自包括来自至少预设的扩展驾驶数据参数集的数据，其中，在由最多为预设的观测时间段分开的连续观测时间点从所述车辆(100)读取新的这样的当前行程数据集，其特征在于，所述方法包括以下步骤：

a)针对由多个不同的驾驶员和多个不同的车辆实施的多个不同的先前行程，收集在多个不同的观测时间点观测到的先前行程驾驶数据集，所述先前行程数据集各自包括扩展驾驶数据参数集和合格参数集的预设集，所述合格参数集包括基本参数集的参数和瞬时车辆能耗的参数；

b)基于基本驾驶数据集相似性量度，将所述先前行程驾驶数据集分组为这些集的基本历史组，所述基本相似性量度被设置成考虑所述基本参数集的值，并且针对每个这样的基本历史组来计算相应的组性能参数值；

c)基于扩展驾驶数据集相似性量度，将所述先前行程驾驶数据集进一步分组为这些集的扩展历史组，所述扩展相似性量度被设置为不考虑被所述基本相似性量度所考虑的所述基本参数集的所有值；

d)针对每个所述当前行程数据集，基于一个驾驶数据集与一个扩展历史组之间的扩展组一致性量度，将所讨论的所述当前行程数据集映射到至多一个特定的所述扩展历史组；和

e)基于相应的基本历史组的所述组性能参数值计算当前行程性能参数，其中，所述相应的基本历史组对应于步骤d中一个当前行程数据集所匹配的所述扩展历史组中包含的先前行程驾驶数据集。

2.根据权利要求1所述的方法，其特征在于，所述当前行程驾驶数据集不包括所述基本参数集。

3.根据权利要求1或2所述的方法，其特征在于，基于包括在所讨论的所述基本历史组中的所述先前行程驾驶数据集的相应的相对瞬时车辆能耗值，计算所述组性能参数，其中，所讨论的所述相对瞬时能耗值是相对于观测所讨论的所述先前行程驾驶数据集的完整行程的总能耗来计算的。

4.根据权利要求3所述的方法，其特征在于，基于所述被匹配的相应的基本历史组的所述相对瞬时能耗值的平均值，计算所述当前行程性能参数。

5.根据权利要求3所述的方法，其特征在于，所述基本参数集包括瞬时车辆速度，其中，所述方法还包括一个步骤：针对所述基本历史组，关于不同车辆速度参数值的所述相对瞬时车辆能耗的值，计算车辆速度特征函数，并且其中，使用所述车辆速度特征函数，基于所述相对瞬时能耗值的权重，进一步计算所述当前行程性能参数值。

6.根据权利要求3所述的方法，其特征在于，所述方法还包括将所述先前行程驾驶数据集分类为多个集合形成的集的步骤，其中，所述集合中的每一个仅包括针车辆的一个特定类别的先前行程驾驶数据集，其中，基于所讨论的所述车辆的驾驶数据集与类别定义参数集之间的基本类别一致性量度，同一车辆的所有先前行程驾驶数据集被分类为同一集合；基于所述基本类别一致性量度，将所述当前车辆(100)分类到多个所述类别形成的集的一个特定的当前类别；其中，仅基于所述当前集合中的先前行程驾驶数据集的相应的所述相对瞬时车辆能耗值，计算所述当前行程性能参数值。

7.根据权利要求6所述的方法，其特征在于，所述基本参数集包括瞬时车辆速度和瞬时引擎转速，并且其中，针对车辆的每个类别，所述类别定义参数包括针对特定的车辆速度的特征引擎转速。

8.根据权利要求1所述的方法，其特征在于，所述扩展参数集包括来自参数列表的至少一个参数，所述参数列表包括基于GPS的速度、基于GPS的加速度、海拔、基于加速度计的加速度和基于罗盘的取向。

9.根据权利要求8所述的方法，其特征在于，所述当前行程驾驶数据集值中的至少一个由所述当前车辆(100)注册，所述车辆(100)经由无线连接被连接至中央服务器(150)，或者由布置在所述当前车辆(100)中的便携式设备(130)注册，所述便携式设备(130)使用无线连接被连接至所述中央服务器(150)。

10.根据权利要求1所述的方法，其特征在于，所述当前车辆(100)不设置为经由外部接口自动地提供驾驶数据信息。

11.根据权利要求1所述的方法，其特征在于，所述预设的观测时间段为至多10秒。

12.根据权利要求1所述的方法，其特征在于，所述预设的观测时间段为至多5秒。

13.根据权利要求1所述的方法，其特征在于，所述预设的观测时间段为至多2秒。

14.根据权利要求1所述的方法，其特征在于，所述当前行程性能参数值经由无线链路从中央服务器(150)传送到布置在所述当前车辆(100)中的便携式电子装置(130)并且呈现给所述驾驶员(110)，或者经由无线链路直接从所述车辆(100)传送至所述中央服务器(150)。

15.根据权利要求14所述的方法，其特征在于，在所述当前行程期间重复地计算所述当前行程性能参数值。

16.根据权利要求15所述的方法，其特征在于，在所述当前行程期间，至少每10分钟重复地计算所述当前行程性能参数值。

17.根据权利要求15所述的方法，其特征在于，在所述当前行程期间，至少每2分钟重复地计算所述当前行程性能参数值。

18.根据权利要求15所述的方法，其特征在于，在所述当前行程期间，至少每30秒重复地计算所述当前行程性能参数值。

19.根据权利要求1所述的方法，其特征在于，在所述多个不同的观测时间点中的一个相应的观测时间点观测每个所述先前行程驾驶数据集，并且所述先前行程驾驶数据集的所述参数值中的每一个均作为相应的瞬时值或者在至多5秒长度的一个相应的时间段内读取的相应的平均值而被读取。

20.一种用于针对特定当前行程自动评价当前车辆(100)的驾驶员(110)的性能的系统，所述系统被设置为从所述车辆(100)重复地读取更新的当前行程数据集，所述当前行程数据集各自包括来自至少一个预设的扩展驾驶数据参数集的数据，其中，所述系统被设置为，在由至多为预设的观测时间段分开的连续观测时间点从所述车辆(100)读取新的这种当前行程数据集，其特征在于，所述系统包括服务器(150,160)，所述服务器(150,160)设置为，针对由多个不同的驾驶员和多个不同的车辆实施的多个不同的先前行程，收集在多个不同的观测时间点观测到的先前行程驾驶数据集，所述先前行程数据集各自包括扩展驾驶数据参数集和合格参数集的预设集，所述合格参数集包括基本参数集的参数和瞬时车辆能耗的参数；其中，所述服务器(150,160)设置为，基于基本驾驶数据集相似性量度，将所述先前行程驾驶数据集分组为这些集的基本历史组，所述基本相似性量度被设置成考虑所述基本参数集的值，并且针对每个这样的基本历史组来计算相应的组性能参数值；其中，所述服务器(150,160)设置为，基于扩展驾驶数据集相似性量度，将所述先前行程驾驶数据集进一步分组为这些集的扩展历史组，所述扩展相似性量度被设置为不考虑被所述基本相似性量度所考虑的所述基本参数集的所有值；其中，所述服务器(150,160)设置为，对于每个所述当前行程数据集中，基于一个驾驶数据集与一个扩展历史组之间的扩展组一致性量度，将所讨论的所述当前行程数据集映射到至多一个特定的所述扩展历史组；并且其中，所述服务器(150,160)设置为，基于相应的基本历史组的所述组性能参数值计算当前行程性能参数，其中，所述相应的基本历史组对应于当前行程数据集所匹配的所述扩展历史组中包括的先前行程驾驶数据集。

21.根据权利要求20所述的系统，其特征在于，所述系统被设置成，在所述多个不同观测时间点中的一个相应的观测时间点观测每个所述先前行程驾驶数据集中，并且所述系统被设置成，将所述先前行程驾驶数据集的所述参数值作为相应的瞬时值或者在至多5秒长度的一个相应的时间段内读取的相应的平均值来读取。

Images