CN103562978A - 车辆数据分析方法和车辆数据分析系统 - Google Patents

Abstract

本发明提供了使得能够定量分析指示驾驶员的驾驶操作的转变的车辆数据的特征的车辆数据分析方法，以及使用该分析方法的车辆数据分析系统。基于多种驾驶操作收集多个车辆数据。基于作为用于评价驾驶操作的水平的指标的评价标准，将所收集的车辆数据分组成至少两组。提取这些组间不同的车辆数据的特征值。

Description

车辆数据分析方法和车辆数据分析系统

技术领域

本发明涉及有利地应用于分析从车辆获得的车辆数据的车辆数据分析方法，以及使用该车辆数据分析方法的车辆数据分析系统。

背景技术

用于辅助驾驶车辆的驾驶员的驾驶辅助系统通常被设计成借助车载相机、导航系统等等，获取与十字路口、临时停止位置、弯道、前方接近的车辆和其他要求驾驶员减速车辆的信息有关的交通信息。然后，驾驶辅助系统例如通过向驾驶员提供用于减速的语音导航消息，来基于由此获取的该车辆周围的交通信息，向驾驶员提供驾驶辅助。

通常使用通过对在诸如模拟驾驶课程的预定行驶模型下测量的各种驾驶行为的数据取平均获得的标准行驶模式，来执行这种驾驶辅助，各种驾驶行为包括普通驾驶员对交通信息的感知、判断、和驾驶操作。例如，PTL1描述了一种系统，其首先基于与对十字路口或弯道的接近速度以及诸如十字路口或弯道的曲率半径的道路形状有关的信息（行驶模型），来生成指示诸如油门踏板或制动踏板的操作设备的示例性操作量的时间序列转变的示例性操作数据。然后，该系统将所生成的示例性操作数据登记在数据库中，作为示例性驾驶模型（标准行驶模式）。该系统将在数据库中登记的示例性操作与关于驾驶员对各种操作设备的操作量的转变的数据同时地呈现给待辅助的车辆的驾驶员，从而评价驾驶员的驾驶行为。

接近十字路口或临时停止位置的车辆的行驶模式通常根据具有诸如道路弯道的曲率半径、道路的宽度和倾斜的各种要素的道路环境，并且根据驾驶员的驾驶习惯或驾驶技术而改变。难以使标准行驶模式适合驾驶员的这种变化的行驶模式。这意味着基于实际道路环境、驾驶员的驾驶习惯和驾驶技术来生成示例性驾驶模式是不现实的。因为花费大量工时来生成这种模型。

另一方面，近年来已经研究了另一种方法，其中，通过分析指示多个驾驶员的驾驶操作的转变的车辆数据，根据他们的驾驶技术，即，他们的驾驶表现水平（driving performance level），来将在该多个驾驶员的驾驶操作期间收集的车辆数据组分层。然而，即使通过这种根据驾驶员的驾驶表现水平分层车辆数据组的方法，仍然难以识别何种驾驶操作导致驾驶员之间的驾驶表现水平的差异。因此，已经不能成功地识别不同驾驶员具有不同驾驶表现水平的因素。换句话说，已经不能成功地识别待辅助的驾驶要素以便提高驾驶表现水平。这意味着不能定量地理解基于驾驶员的驾驶操作收集的车辆数据的特征。

引用文献

专利文献

PTL1:日本公开专利申请No.2009-294250

发明内容

已经鉴于上述情况而做出了本发明。本发明的目的是提供有利地适用于分析从车辆获得的车辆数据的车辆数据分析方法，以及使用该车辆数据分析方法的车辆数据分析系统。

在下文中，将描述用于实现该目的和优点的手段。

根据本公开的一个方面，提供了一种车辆数据分析方法，用于分析反映驾驶员的驾驶操作的车辆数据。该方法包括：收集基于多种驾驶操作的多个车辆数据；基于作为用于评价驾驶操作的水平的指标的评价标准，将这些收集的车辆数据分组成至少两组；以及提取在组之间不同的车辆数据的特征值。

根据本公开的另一方面，提供了一种车辆数据分析系统，用于分析反映驾驶员的驾驶操作的车辆数据。该系统包括：存储设备，其用于存储基于多种驾驶操作的车辆数据；车辆数据分类单元，其用于基于作为用于评价驾驶操作的水平的指标的评价标准，将在存储设备中存储的车辆数据分组成至少两组；以及车辆数据分析单元（250），其用于提取在由车辆数据分类单元分组的组之间不同的车辆数据的特征值。

指示驾驶员的驾驶操作的车辆数据指示用于诸如油门、制动踏板和方向盘的各种驾驶要素的操作模式。用于这些驾驶要素的操作模式显著地影响在车辆操作期间的燃料效率和车辆行为。例如，由于具有每单位时间低燃料消耗，即高燃料效率（燃料节约）而被评价为具有高驾驶表现水平的车辆数据组通常包括共同特征值，诸如在预定定时收油门（accelerator-off）。另一方面，由于具有高燃料消耗而被评价为具有低驾驶表现水平的车辆数据组通常包括共同特征值，诸如在相对延迟的定时收油门或油门踏板的过度压下。当包含在驾驶表现水平相互不同的车辆数据组中的特征值彼此不同时，由这些不同的特征值指示的驾驶操作通常构成导致车辆数据的驾驶表现水平差异的因素。这意味着这些不同的特征值，即，由这些特征值指示的某一驾驶操作的性能由于车辆行驶期间的驾驶操作或车辆行为而导致燃料效率的差异。

根据上述方法或配置，从车辆收集指示驾驶要素的转变的车辆数据，驾驶要素诸如油门操作量或方向盘的转向角。根据能识别驾驶员的驾驶技术的评价标准，分组所收集的车辆数据，由此根据驾驶表现水平，将在多种驾驶操作下获取的车辆数据组归类。提取根据驾驶表现水平归类的这些组之间不同的特征值，由此，提取构成导致在所归类的车辆数据之间的驾驶表现水平差异的因素的特征值。这使得能够提取定量地指示导致在来自基于多种驾驶操作获取的车辆数据组的车辆数据之间的驾驶表现水平差异的因素的信息。换句话说，可以定量地分析包含在车辆数据中的驾驶操作的特征。

从在驾驶员的多种驾驶操作下在实际道路上行驶的车辆获取所收集的车辆数据。因此，使用该车辆数据还使得可以生成反映实际驾驶环境或在该行驶环境下执行的驾驶操作的行驶模型。在这种情况下，通过由所提取的车辆数据的特征值来生成示例性行驶模型，能生成结合了确定驾驶表现水平的特征值的行驶模型。

本公开的车辆数据分析方法优选地获得由所提取的车辆数据的特征值对基于评价标准评价的车辆数据施加的影响度。

在本公开的车辆数据分析系统中，车辆数据分析单元优选地进一步包括影响计算单元，影响计算单元用于获得由所提取的特征值对基于评价标准评价的车辆数据施加的影响度。

包含在车辆数据中的特征值包括对基于评价标准的车辆数据的评价结果施加高影响的特征值和对评价结果施加低影响的特征值。对评价结果施加高影响的特征值构成导致车辆数据组中的驾驶表现水平的差异的主要因素。

因此，上述方法或配置确定由车辆数据的所提取的特征值对在评价标准下评价的车辆数据施加的影响。这使得可以不仅指定在所分组的车辆数据之间不同的特征值，而且指定由特征值对在评价标准下评价的车辆数据，换句话说，对使用评价标准的评价施加的影响度。

优选地，在本公开的车辆数据分析方法中，车辆数据包括指示交通要素、行驶路段和行驶区域中的一个的信息，在该行驶区域处交通要素和行驶路段串联连接，并且通过将交通要素或行驶路段或行驶区域视作单位，来执行车辆数据的分组和车辆数据的特征值的提取。

优选地，在本公开的车辆数据分析系统中，车辆数据包括指示交通要素、行驶路段和行驶区域的信息，在行驶区域处交通要素和行驶路段串联连接。车辆数据分类单元和车辆数据分析单元通过将交通要素或行驶路段或行驶区域视作单位，来执行车辆数据的分组和车辆数据的特征值的提取。

驾驶员的驾驶操作显著地反映诸如具有交通灯的十字路口或弯道的交通要素、由诸如十字路口或弯道的交通要素定义的预定行驶路段，以及诸如包括交通要素和行驶路段的行驶区域的、车辆周围的行驶环境。在这些行驶环境下执行的驾驶操作的特征通常取决于车辆行驶的行驶环境而改变。驾驶员的驾驶技术也取决于不同的行驶环境而改变。例如，驾驶员可能在弯道附近显示出高驾驶技术，因为车辆在弯道的行为小，但在诸如十字路口的减速或停止位置显示出低驾驶技术，因为在减速或停止位置的燃料消耗高。因此，即使基于相同的驾驶员的驾驶操作获取用于单一车辆的数据，在评价标准下的评价结果通常取决于车辆的行驶环境而不同。

根据上述方法或配置，当将车辆数据归类成组，并且通过将交通要素或行驶路段或构成行驶环境的行驶区域视作单位，来提取车辆数据的特征值时，能从车辆数据组精确地提取反映与交通要素、行驶路段和行驶区域有关的一系列驾驶操作的车辆数据的特征值。这使得可以通过将交通要素、行驶路段和行驶区域视作单位，来识别导致驾驶表现水平的差异的因素。这也使得可以从所收集的车辆数据提取更多特征值。

优选地，在本公开的车辆数据分析方法中，车辆数据包括指示行驶地点的信息，并且车辆数据分析方法进一步包括：获得在所提取的车辆数据的特征值和行驶地点之间的对应关系，以及在所提取的车辆数据的特征值和基于评价标准的车辆数据的评价结果之间的对应关系。在特征值和行驶地点之间的对应关系指示加权的车辆数据的特征值与执行由该特征值指示的驾驶操作的行驶地点如何相关。在特征值和评价标准之间的对应关系指示加权的车辆数据的特征值与执行由该特征值指示的驾驶操作的行驶地点如何相关。

优选地，在本公开的车辆数据分析系统中，车辆数据包括指示行驶地点的信息。车辆数据分析单元进一步获得在所提取的车辆数据的特征值和行驶地点之间的对应关系，以及在所提取的车辆数据的特征值和基于评价标准的车辆数据的评价结果之间的对应关系。

例如，在车辆进入弯道后，在离开弯道前，根据道路形状等等，在形成弯道的行驶地点执行各种驾驶操作。这意味着，即使车辆数据指示在共同弯道或曲率半径类似等等的弯道的驾驶操作，反映在不同行驶地点的驾驶操作的车辆数据包含对应于各个行驶地点的分开的特征值。因此，即使已经基于相同的驾驶员的驾驶操作获取了车辆数据，在不同行驶地点的车辆数据的评价结果在行驶地点之间可能不同。例如，从弯道的起点到弯道的中间点，将呈现出高燃料效率（燃料节约），而从弯道的中间点到弯道的终点，将呈现出低燃料效率。

因此，在上述的方法或配置中，获得在车辆数据的特征值和行驶地点之间的对应关系以及在车辆数据的特征值和评价标准之间的对应关系，由此对于行驶地点的每一个，获得在各个行驶地点观察的特征值和由特征值对评价标准施加的影响。这使得可以以更详细的方式分析车辆数据，并且使得可以微小到行驶地点地基于评价标准分析导致驾驶表现水平的差异的因素和由该因素对评价标准施加的影响。

优选地，本公开的车辆数据分析方法进一步包括：基于行驶位置归一化作为车辆数据的时间序列数据。

优选地，在本公开的车辆数据分析系统中，车辆数据分析单元进一步包括归一化运算单元，归一化运算单元用于基于行驶位置归一化作为车辆数据的时间序列数据。

通常，用作车辆数据的供给源的车辆的行驶速度取决于不同车辆和不同驾驶员而改变。因此，在时间序列数据，更具体地说，按时间序列记录在共同或类似的行驶环境中获取的驾驶员的驾驶操作模式的车辆数据之间执行比较。然而，如果作为数据的供给源的车辆的行驶速度显著不同，在某一行驶位置的驾驶操作的时间序列数据可以与在不同行驶位置的驾驶操作的时间序列数据相比较。

然而，根据上述方法或配置，基于行驶位置，归一化时间序列数据。以便从具有不同行驶速度的车辆获取的时间序列数据能被变换成使能精确比较的水平。这使得可以分析更多车辆数据（时间序列数据）并且提取更多的在这些车辆数据之间不同的特征值。

优选地，在本公开的车辆数据分析方法中，特征值指示代表驾驶员的驾驶操作模式的一个或多个驾驶要素的特征，并且该分析方法进一步包括对驾驶要素的每一个，获得由驾驶要素对评价标准施加的影响度。

优选地，在本公开的车辆数据分析系统中，特征值是指示驾驶员的驾驶操作模式的一个或多个驾驶要素的特征，并且车辆数据分析单元对驾驶要素的每一个，确定由驾驶要素对评价标准施加的影响度。

通常，指示驾驶员的驾驶结果的燃料效率或车辆行为取决于诸如转向角和油门操作量的驾驶要素的多种操作模式而改变。由于驾驶要素的操作模式的不同，驾驶表现水平在车辆数据之间不同。

因此，根据上述方法或配置，对驾驶要素的每一个，确定由特征值指示的驾驶要素对评价标准施加的影响，使得即使当由于来自多种驾驶要素的影响，驾驶表现水平出现差异时，也能精确地识别导致车辆数据的驾驶表现水平的差异的多个因素。这使得可以精确地提取局部包含在车辆数据中的特征值，并且指定由驾驶要素的每一个对评价标准施加的影响度。

优选地，本公开的车辆数据分析方法进一步包括通过车辆数据的频率分解，来生成作为用于指示车辆数据的特征值的原始数据的多个候选数据。

优选地，车辆数据分析单元进一步具有频率分解单元，频率分解单元用于通过车辆数据的频率分解，来生成作为用于指示车辆数据的特征值的原始数据的多个候选数据。

车辆数据的特征值通常被包含为车辆数据中的各种频率分量，并且通过包含在频率分量中的特征值的影响，能使车辆数据的驾驶表现水平彼此不同。

上述方法或配置能通过车辆数据的频率分解，提取包含在车辆数据中的各种频率分量，来揭示反映驾驶操作的各种特征值。因此，当将要提取在所分组的车辆数据之间不同的特征值时，能由有限量的车辆数据，生成包含候选特征值的大量候选数据。

优选地，本公开的车辆数据分析方法进一步包括通过在提取车辆数据的特征值之前，将窗函数应用于车辆数据，来揭示特征值。

优选地，在此公开的车辆数据分析系统中，车辆数据分析单元进一步包括窗函数运算单元，窗函数运算单元用于通过将窗函数应用于车辆数据来揭示特征值。

根据上述方法或配置，通过将窗函数应用于车辆数据来揭示车辆数据的特征值，由此，能精确地提取细微特征值。

优选地，在本公开的车辆数据分析方法中，评价标准是用于对由按每单位燃料量的车辆行驶距离定义的燃料效率、行驶时间、车辆行为和车辆的横向急动度（lateral jerk）组成的评价项目的至少一个执行分组的标准。

优选地，在此公开的车辆数据分析系统中，车辆数据分类单元基于与由按每单位燃料量的车辆行驶距离指示的燃料效率、行驶时间、车辆行为和车辆的横向急动度组成的评价项目的至少一个有关的评价标准，来将车辆数据归类成的组。

通常，可以将能实现低燃料消耗的驾驶操作和具有小车辆行为的平滑驾驶操作评价为驾驶员的驾驶技术高，并且可以根据对于包括燃料效率和车辆行为，以及车辆的行驶时间和横向急动度的评价项目的驾驶表现水平，将车辆数据归类成组。因此，根据上述方法和配置，通过提取使用评价项目的指标归类的车辆数据的特征值，能识别导致在所收集的车辆数据之间的燃料效率、行驶时间、平滑驾驶操作（是否出现快速制动）以及横向急动度的差异的因素。

优选地，在本公开的车辆数据分析方法中，分组包括通过基于评价标准的分组，将多种车辆数据归类成“高”驾驶表现水平的车辆数据组和“低”驾驶表现水平的车辆数据组。车辆数据的提取包括基于在评价标准基础上分组的“高”驾驶表现水平的数据组和“低”驾驶表现水平的车辆数据组之间共同的特征值的差的总值，对驾驶表现水平不同的车辆数据的特征值执行加权。共同特征值的差是由“高”驾驶表现水平的组归类的数据的特征值和由“低”驾驶表现水平的组归类的数据的特征值之间的差。

优选地，在此公开的车辆数据分析系统中，车辆数据分类单元借助基于评价标准的分组，将多种车辆数据归类成“高”驾驶表现水平的车辆数据组和“低”驾驶表现水平的车辆数据组，并且车辆数据分析单元通过基于在评价标准基础上归类为“高”驾驶表现水平的车辆数据组和“低”驾驶表现水平的车辆数据组的共同差的总值，加权具有不同驾驶表现水平的车辆数据的特征值，来提取车辆数据。特征值的共同差是在共同评价标准下，在归类为“高”驾驶表现水平的数据的特征值和归类为“低”驾驶表现水平的数据的特征值之间的差。

在上述车辆数据组中，显示出在指示归类为“高”驾驶表现水平的数据的某一定时的转向角操作量的车辆数据和对应于归类为“低”驾驶表现水平的数据的转向角操作量的车辆数据之间的最大差的特征值可以是导致驾驶表现水平的差异的主要因素。显示出在“高”驾驶表现水平的车辆数据和“低”驾驶表现水平的车辆数据之间的差的高出现率的特征值可以是导致驾驶表现水平的差异的主要因素。另一方面，当指示在某一定时的油门踏板的压下量的车辆数据的特征值在归类为“高”驾驶表现水平的数据和归类为“低”驾驶表现水平的数据之间类似时，该特征值不可能是导致车辆数据组的驾驶表现水平的差异的因素。

因此，根据上述方法或配置，根据特征值的差的总和，对驾驶表现水平不同的车辆数据的特征值加权，使得能按对评价标准的影响度来识别导致驾驶表现水平差异的因素。这使得可以按优先级的顺序来识别在由被评价为驾驶表现水平“低”的车辆数据指示的驾驶操作中待提高的要素。

在附加的权利要求书中特别地阐述了被认为新颖的本发明的特征。通过参考优选实施例的下述描述以及附图，可以更好地理解本发明及其目的和优点。

附图说明

图1是根据本发明的车辆数据分析方法和系统的一个实施例，应用本发明的车辆数据分析方法的车辆数据分析系统的框图；

图2（a）是示出作为时间序列数据的车辆数据组的例子的图；

图2（b）是示出基于行驶位置归一化的车辆数据组的例子的图；

图3是示出根据车辆数据分析方法的实施例，车辆数据分析过程的例子的流程图；

图4是示意性地示出用作车辆数据供给源的车辆已经行驶的行驶区域，以及包含在行驶区域中的交通要素和行驶路段的例子的图；

图5（a）是示出指示已经在图4所示的行驶区域中行驶的车辆的转向角的转变的时间序列数据的例子，其中，St1表示被评价为具有“高”驾驶表现水平的时间序列数据，以及St2表示被评价为具有“低”驾驶表现水平的时间序列数据；

图5（b）是示出基于行驶位置，归一化图5（a）所示的时间序列数据获得的归一化时间序列数据的图；

图6（a）是示出主要分解成低频分量的车辆数据的例子的图；

图6（b）是示出通过图6（a）中所示的车辆数据的频率分解获得的候选数据的例子的图；

图6（c）是示出通过图6（a）中所示的车辆数据的频率分解获得的候选数据的例子的图；

图6（d）是示出通过图6（a）中所示的车辆数据的频率分解获得的候选数据的例子的图；

图6（e）是示出通过图6（a）中所示的车辆数据的频率分解获得的候选数据的例子的图；

图7示例将窗函数应用于频率分解车辆数据的例子；

图8（a）是示出车辆数据组的分析结果的例子的图；

图8（b）是示出图4中的行驶区域中的行驶模型，以及车辆数据组的分析结果的图；

图9是示出由频率分解单元执行的频率分解处理的例子的流程图；以及

图10（a）是示出根据本发明的车辆数据分析方法和车辆数据分析系统的另一实施例的车辆数据组的分析结果的例子的图；

图10（b）是示出根据本发明的车辆数据分析方法和车辆数据分析系统的另一实施例的车辆数据组的分析结果的例子的图。

具体实施方式

将参考图1至9，描述根据本发明的一个实施例的车辆数据分析方法和车辆数据分析系统。

如图1所示，应用本实施例的车辆数据分析方法的车辆数据分析系统具有车辆数据分析中心200，用于收集反映车辆100的驾驶员的驾驶操作的车辆数据。

用作车辆数据的供给源（获取源）的车辆100被配置为使得能够检测驾驶员的各种驾驶要素的操作模式，并且具有油门传感器101、制动传感器102、转向角传感器103、陀螺传感器104、车速传感器105和加速度传感器106。这些传感器101至106经由诸如CAN（控制区域网络）的车载网络而连接到车辆数据存储区110。车辆数据存储区110按时间序列存储传感器101至106的检测结果，作为反映车辆100的驾驶员的驾驶操作的车辆数据。

油门传感器101检测根据驾驶员对油门踏板的操作而改变的油门操作量，并且将对应于所检测的油门操作量的信号输出到车辆数据存储区110。制动传感器102检测由驾驶员操作的制动踏板的压下量，并将对应于所检测的压下量的信号输出到车辆数据存储区110。转向角传感器103检测根据驾驶员对方向盘的操作而改变的转向角，并且将对应于所检测的转向角的信号输出到车辆数据存储区110。陀螺传感器104检测车辆100的行驶方向，并且将对应于所检测的行驶方向的信号输出到车辆数据存储区110。车速传感器105检测车辆100的车轮的旋转速度，并且将对应于所检测的旋转速度的信号输出到车辆数据存储区110。加速度传感器106检测车辆100的加速度，并且将对应于所检测的加速度的信号输出到车辆数据存储区110。

车辆100进一步具有发动机ECU107，用于控制安装在车辆100上的发动机、用于检测车辆100的绝对位置的GPS108，以及其中具有道路地图数据的汽车导航系统109。

发动机ECU107基于油门传感器101的检测结果，生成用于确定燃料喷射量的燃料喷射信号，并且将所生成的燃料喷射信号输出到燃料喷射设备（未示出）。发动机ECU107将所生成的燃料喷射信号输出到车辆数据存储区110。

GPS108接收用于检测车辆的绝对位置的GPS卫星信号，并且基于所接收的GPS卫星信号，找出车辆100的纬度和经度。GPS108将指示车辆100的纬度和经度的信息输出到车辆数据存储区110。

汽车导航系统109为驾驶员提供对从起点到目的地点的推荐路径的导航，并且具有用于车辆100的驾驶区域的道路地图数据。该道路地图数据是关于地图的信息，包括关于道路坡度、诸如弯道的道路线形、诸如十字路口和铁路道口的交通要素、十字路口名称、道路名称、地区名称、导向设施等等的信息。将与纬度和经度有关的信息和与诸如持续道路、十字路口和交通灯、由交通要素定义的行驶路段，以及包括连续交通要素和行驶路段的行驶区域的交通要素有关的信息登记在该道路地图数据中。换句话说，与车辆的行驶环境有关信息被登记在该道路地图数据中。汽车导航系统109参考该道路地图数据，以将与车辆100已经通过的行驶环境有关的信息输出到车辆数据存储区110。

车辆数据存储区110按时间序列记录从传感器101至106和GPS108提供的检测结果、从发动机ECU107接收的燃料喷射信号以及从汽车导航系统109接收的行驶环境信息。车辆数据存储区110由此将指示车辆100的驾驶员的驾驶操作的信息，以及与车辆100在该驾驶员的驾驶操作下已经行驶通过的行驶环境有关的信息累积，作为车辆100的车辆数据。在该车辆数据存储区110中，指示车辆100的驾驶员的驾驶操作的信息与车辆100在该驾驶员的驾驶操作下已经行驶通过的行驶环境有关的信息关联。

车辆100进一步具有车载通信设备120，车载通信设备120能与车辆数据分析中心200无线通信。例如当终止车辆100的行驶并且将车辆100的附件位置（accessory position）从开状态切换成关状态时，车辆通信设备120将在车辆数据存储区110中累积的车辆数据传输到车辆数据分析中心200。

车辆数据分析中心200具有用于接收从包括车辆100的多个车辆传输的车辆数据的中央通信设备210。中央通信设备210从包括车辆100的多个车辆接收车辆数据，并且将车辆数据输出到中心存储设备220。

中心存储设备220累积基于通过在中央通信设备210和安装在多个车辆上的车载通信设备之间的无线通信，从多个车辆获得的多种驾驶操作的车辆数据。

车辆数据分析中心200具有车辆数据分类单元230。车辆数据分类单元230基于作为驾驶操作水平的评价指标的评价标准，将累积在中心存储设备220中的车辆数据组归类成两组，即，“高”驾驶表现水平的组和“低”驾驶表现水平的组。

根据本实施例的车辆数据分类单元230在将诸如弯道和十字路口的交通要素、由交通要素定义的预定行驶路段，以及包括连续交通要素和行驶路段的行驶区域的至少一个视为单位的同时，归类累积在中心存储设备220中的车辆数据组。这是指车辆数据分类单元230例如通过将车辆数据组分成各自指示在共同行驶区域中的驾驶操作的数据单位，来根据驾驶表现水平归类在中心存储设备220中存储的车辆数据组。车辆数据分类单元230通过将车辆数据组细分成数据单位，来根据驾驶表现水平归类在中心存储设备220中存储的车辆数据组。数据单位的每一个指示例如在存在于共同行驶区域中的某一弯道处的驾驶操作，或在由连续十字路口定义的行驶路段中的驾驶操作。基于由车辆数据提供的信息，来识别包括这种交通要素、行驶路段和行驶区域的行驶环境。信息是例如作为来自GPS108的检测结果而获得的纬度和经度信息或从汽车导航系统109获取的信息。

在本实施例中，对由车辆的每单位燃料量的行驶距离表示的燃料效率、行驶时间、车辆行为和车辆的横向急动度的至少一个，来设定将用作用于分组车辆数据的基础的评价标准。

例如，当将燃料效率选择为评价项目时，将按等级归类车辆数据组的评价标准设置成例如“15km/l”。基于包含在车辆100的车辆数据中的燃料喷射信号来计算车辆100的燃料效率。如果作为由发动机ECU107的检测结果获得的燃料效率等于或大于“15km/l”的评价标准，将车辆数据评价为驾驶表现水平“高”。相反，如果作为由发动机ECU107的检测结果获得的燃料效率低于“15km/l”的评价标准，将车辆数据评价为驾驶表现水平“低”。

当车辆在法定速度极限内在某一交通要素或预定行驶路段中行驶时，车辆从进入交通要素或预定行驶路段行驶到离开所需的时间段称为“通过时段”。当该通过时段在预定行驶时间内时，将该车辆数据评价为驾驶表现水平“高”。相反，当通过时段超过预定行驶时间时，将该车辆数据评价为驾驶表现水平“低”。

从由加速度传感器106的检测结果，可以获得急动度，其是与车辆100的行驶方向有关的、在横向方向上的加速度的变化。为评价驾驶表现水平，还对急动度指定预定基准值。基于急动度和基准值，将车辆数据的每一个评价为驾驶表现水平“高”或“低”。

此外，为基于车辆100的行为评价驾驶表现水平，指定基准值。车辆行为包括发生快速加速或减速或快速制动及其发生频率，这能从由油门传感器101和制动传感器102的检测结果获得。例如，当快速制动的发生频率小于预定阈值时，将车辆数据评价为驾驶表现水平“高”，而当快速制动的发生频率等于或高于预定阈值时，将车辆数据评价为驾驶表现水平“低”。

根据本实施例，将在中心存储设备220中累积的车辆数据组归类成总共两组，例如对“燃料效率”的评价项目来说，一组具有“高”驾驶表现水平，并且另一组具有“低”驾驶表现水平，并且指示评价结果的信息与车辆数据的每一个有关。

车辆数据分类单元230将基于评价标准归类的车辆数据组输出到分类结果存储单元240。分类结果存储单元240存储由车辆数据分类单元230的分类结果。

分类结果存储单元240根据车辆数据分类单元230的分类结果，分开地存储从车辆数据分类单元230接收的车辆数据。根据本实施例的分类结果存储单元240具有第一存储区241和第二存储区242。例如，第一存储区241存储已经由车辆数据分类单元230评价为驾驶表现水平“高”的车辆数据，而第二存储区242存储已经由车辆数据分类单元230评价为驾驶表现水平“低”的车辆数据。在这种情况下，第一存储区241累积由车辆数据分类单元230评价为驾驶表现水平“高”的车辆数据组DA，而第二存储区242累积由车辆数据分类单元230评价为驾驶表现水平“低”的车辆数据组DB。

车辆数据分析中心200具有车辆数据分析单元250。车辆数据分析单元250提取在分类结果存储单元240中分开存储的车辆数据组DA和车辆数据组DB之间不同的车辆数据的特征值。

根据本实施例的车辆数据分析单元250具有归一化运算单元251。归一化运算单元251归一化车辆数据，车辆数据是基于行驶位置的时间序列数据。第一存储区241存储从已经在不同行驶区域中行驶的车辆收集的车辆数据组DA。当归一化车辆数据时，归一化运算单元251从在第一存储区241中存储的车辆数据组DA检索例如与具有预定曲率半径的弯道有关的车辆数据。归一化运算单元251从在第二存储区242中存储的车辆数据组DB检索在与由检索到的车辆数据组DA指示的行驶环境共同或类似的行驶环境下获取的车辆数据组。由此，归一化运算单元251从分类结果存储单元240检索第一车辆数据组（DA）和第二车辆数据组（DB）。第一车辆数据组指示在存在于某一行驶路线中的某一弯道处实现了体现低燃料消耗（燃料节省）的驾驶操作，而第二车辆数据组指示具有与上述弯道类似形状的弯道构成导致高燃料消耗的因素的驾驶操作。

基于指示交通要素的信息、指示行驶路段的信息和指示包含在不同车辆数据中的行驶区域的信息，根据本实施例的归一化运算单元251由此从分类结果存储单元240检索指示交通要素、行驶路段或行驶区域共同或类似的驾驶操作的车辆数据。

由此从分类结果存储单元240检索图2（a）举例所示的时间序列数据。时间序列数据指示包括车辆100的油门踏板、制动踏板、方向盘和其他驾驶要素的各种操作设备的操作模式的转变。在某一交通要素、某一行驶路段或某一行驶区域中，作为传感器101至106的检测结果，获得操作设备的操作模式的转变。

在图2（a）中，由实线表示评价为驾驶表现水平“高”的车辆数据组DA，而由通过点划线形成的线表示评价为驾驶表现水平“低”的车辆数据组DB。由用作车辆数据组DA和DB的供给源的车辆执行的驾驶操作彼此不同，因此，车辆数据组DA和DB具有彼此不同的特征值。包含在车辆数据中的特征值指示安装在车辆100上的操作设备的驾驶要素的操作模式的特征。通过在预定定时的油门断开，接通制动时的定时、制动踏板的压下量的变化，以及转向角的变化，来举例说明驾驶要素的操作模式。在用作车辆数据的供给源的车辆100中，根据驾驶要素的操作模式的特征，在车辆100的燃料效率、预定行驶路段中的行驶时间、快速制动和横向急动度方面发生变化。

根据本实施例的车辆数据是按时间序列记录的传感器101至106的检测结果。如从图2（a）看出，即使从通过共同或类似的交通要素、行驶路段或行驶区域起点的车辆收集车辆数据，由于用作供给源的车辆的行驶速度等等的差异，车辆数据也具有不同的数据长度。由于用作车辆数据的供给源的车辆的行驶速度等等的差异，车辆显示出不同的行驶时段，其各自被定义为车辆在进入某一行驶要素、行驶路段或行驶区域后从其中通过所需的时间段。

此后，根据本实施例的归一化运算单元251分别从第一存储区241和第二存储区242检索在共同或类似的行驶环境下获取的车辆数据组DA和DB。然后，归一化运算单元251基于行驶位置，归一化所检索的车辆数据组DA和DB。例如，如图2（b）所示，由此使车辆数据的数据长度相同。如图1所示，归一化运算单元251将归一化车辆数据输出到频率分解单元252，用于频率分解车辆数据。

一旦通过归一化运算单元251将归一化车辆数据组输入到频率分解单元252，频率分解单元252例如通过子波变换将车辆数据组频率分解成多个频带。例如，频率分解单元252根据预定频率分量，通过分解由归一化运算单元251归一化的单个车辆数据，来生成多个数据。频率分解单元252对由归一化运算单元251归一化的车辆数据组的每一个执行该频率分解。由此，生成大量候选数据作为在将特征值提取为使导致车辆数据的驾驶表现水平差异的因素时将使用的用于提取的候选。该频率分解还揭示局部包含在车辆数据中的频率分量（特征值）。由此，频率分解单元252将借助频率分解生成的候选数据组输出到用于将窗函数应用于候选数据组的窗函数运算单元253。

窗函数运算单元253通过将窗函数应用于从频率分解单元252接收的候选数据组的每一个，来揭示包含在它们的每一个中的特征值。窗函数运算单元253将已经通过应用窗函数揭示了特征值的候选数据组输出到影响计算单元254。影响计算单元254获得由已经揭示的特征值对使用评价标准评价的车辆数据施加的影响度。

一旦窗函数运算单元253将由窗函数运算单元253揭示特征值的候选数据组输入到影响计算单元254中，则影响计算单元254基于被分类为“高”驾驶表现水平的数据的数据和被分类为“低”驾驶表现水平的数据的数据之间的共同特征值的差的总值，通过车辆数据组DA和车辆数据组DB间的不同驾驶表现水平来加权车辆数据的特征值。共同特征值的差是在共同评价标准下，在被归类成“高”驾驶表现水平的数据的特征值和被归类为“低”驾驶表现水平的数据的特征值之间的差。根据本实施例的影响计算单元254通过利用已知为学习算法的“AdaBoost”的学习，来加权车辆数据的特征值。通过这种加权，从包含在车辆数据组DA和车辆数据组DB中的特征值，提取在被归类为“高”驾驶表现水平的车辆数据组DA和归类为“低”驾驶表现水平的车辆数据组DB之间不同的特征值。

根据本实施例的影响计算单元254确定如何将加权的车辆数据的特征值与执行由该特征值指示的驾驶操作的行驶地点关联。假定通过如何将加权的车辆数据的特征值与执行由该特征值指示的驾驶操作的行驶地点关联，来定义在特征值和行驶地点之间的对应关系。能基于包含在车辆数据中的纬度和经度信息或指示各种交通要素、行驶路段和行驶区域的信息，来确定在特征值和行驶地点之间的对应关系。根据本实施例的影响计算单元254还来确定加权的车辆数据的特征值如何对应于基于评价项目的车辆数据的评价结果。假定通过如何将车辆数据的特征值与基于评价项目的车辆数据的评价结果关联，来定义在特征值和评价结果之间的对应关系。能基于与生成候选数据所根据的车辆数据有关的评价标准，由评价结果确定在特征值和评价结果之间的对应关系。

影响计算单元254将由影响计算单元254获得的计算结果输出到分析结果存储单元260，作为车辆数据的分析结果。分析结果存储单元260由此存储在具有彼此不同的驾驶表现水平的车辆数据组DA和车辆数据组DB之间不同的特征值、指示特征值的加权的信息、指示在特征值和行驶地点之间的对应关系的信息以及指示在车辆数据的信息量和评价结果之间的对应关系的信息。

将参考图3至9，描述根据本实施例的车辆数据分析方法和系统实现的车辆数据的操作。

如图3所示，首先在步骤S101，从多个车辆收集车辆数据，车辆数据指示由车辆执行的驾驶操作和对应于各个驾驶操作的行驶环境。由此，如图4所示，从已经行驶通过行驶区域Ar1的多个车辆收集车辆数据，在该行驶区域Ar1中，行驶路段Sec1、弯道Cv1、行驶路段Sec2、弯道Cv2和行驶路段Sec3按顺序串联连接。车辆数据指示按时间序列的各种驾驶要素的操作模式。驾驶要素的操作模式包括由已经行驶通过行驶区域Ar1的车辆的驾驶员执行的油门踏板或制动踏板和转向角的操作。

在图3的步骤S102，将所收集的车辆数据归类成车辆数据组DA（“高”驾驶表现水平）和车辆数据组DB（“低”驾驶表现水平）。例如，对于评价项目“燃料效率”，车辆数据组DA指示促使高燃料效率的驾驶操作，而车辆数据组DB指示促使低燃料效率的驾驶操作。

如图5（a）所示，将指示已经行驶通过行驶区域Ar1的车辆的转向角的转变的时间序列数据归类成时间序列数据St1和时间序列数据St2。在图5（a）中，由实线指示的时间序列数据St1属于“高”驾驶表现水平组，而由虚线指示的时间序列数据St2属于“低”驾驶表现水平组。

由于在不同的驾驶操作下获取这些时间序列数据St1和St2，包含在时间序列数据St1中的特征值和包含在时间序列数据St2中的特征值彼此不同。这些相互不同的特征值构成导致在时间序列数据St1和时间序列数据St2之间的驾驶表现水平差异的因素。

从已经行驶通过共同行驶区域Ar1的车辆获取这些时间序列数据St1和St2。然而，车辆是以不同的速度行驶的。因此，提供时间序列数据St1的车辆行驶通过行驶区域Ar1所需的时间段不同于提供时间序列数据St2的车辆行驶通过行驶区域Ar1所需的时间段，因此，由时间轴指示的数据St1的长度不同于数据St2的长度。

因此，在图3的步骤S103，基于行驶位置，归一化按驾驶表现水平归类的车辆数据组。因此，例如如图5（b）所示，通过在从行驶区域Ar1的起点Ps到终点Pg的行驶位置的基础上来归一化，将指示行驶区域Ar1中的转向角的转变的时间序列数据St1和St2变换成彼此兼容的数据格式。由此对在步骤S102中归类成车辆数据组DA和DB的所有车辆数据执行归一化。

接着，在图3的步骤S104中，例如，通过子波变换，频率分解包含在归一化车辆数据组DA和DB中的车辆数据，由此，生成例如如图6（a）所示的、主要包含高频分量的数据和主要包含低频分量的数据。将主要包含低频分量的数据进一步分解成包含相互不同频率分量的数据A1和B1至B3，例如，如图6（b）至6（e）所示。如从图6（b）至6（e）看出，包含预定频率分量的数据A1和B1至B3具有由预定频率分量指示的特征值。与图6（a）中所示的主要包含低频分量的数据相反的数据，即主要包含高频分量的数据也被分解成具有不同频率分量的多个数据。由此，当提取指示导致驾驶表现水平的差异的因素的特征值时，由单一车辆数据生成构成待提取的候选的多个候选数据。对在步骤S103归一化车辆数据组DA和DB中的所有车辆数据组执行频率分解，由此生成大量候选数据。

然后，在图3的步骤S105中，例如，基于下述等式，通过窗函数运算，执行揭示包含在所生成的候选数据中的特征值的处理。

[算式1]

$J_i=\underset{i}{\overset{i+15}{\mathrm{\Σ}}}{J}_i-\underset{i+16}{\overset{i+30}{\mathrm{\Σ}}}{J}_i$

图7是上述图6（b）的区域5b的数据A1的放大视图。在该处理中，从数据A1选择从起点Ps（距离“0”）到预定行驶地点（距离“30”）的范围。对所选择的数据范围执行窗函数运算。根据该结果，获得在数据A1中从距离“0”到“15”的范围中的数据和从距离“16”到“30”的范围中的数据之间的差，由此揭示包含在数据的每一范围中的特征值。对数据A1的整个范围中的数据，即，对应于从图4所示的起点Ps到终点Pg的行驶区域Ar1的数据执行应用窗函数的窗函数运算，由此揭示包含在数据A1中的所有特征值。同样地，对通过频率分解获得的数据B1至B3执行窗函数运算，由此揭示包含在数据B1至B3中的特征值。因此，对通过在步骤S104中的频率分解获得的车辆数据组DA和DB中的所有车辆数据，揭示特征值。

在图3的步骤S106中，通过使用学习算法的学习，选择在由属于“高”驾驶表现水平的车辆数据组DA生成的候选数据组和由属于“低”驾驶表现水平的车辆数据组DB生成的候选数据组之间不同的特征值。通过经过上述学习基于评价标准计算特征值对评价结果的影响，来执行特征值的加权（步骤S107）。

由此，如图8（a）所示，例如，当评价项目是例如“燃料效率”时，对燃料效率施加的最大影响的特征值是“转向角A1”的特征值，其指示在包含在行驶区域Ar1的弯道Cv2中的行驶地点Pa3处的转向操作模式的特征，如与图4对应的图8（b）所示。因此，识别“转向角A1”的特征值。这意指将该转向角A1识别为在包含在所生成的候选数据组中的特征值中，对基于燃料效率评价的车辆数据施加最显著影响的特征值。行驶地点Pa3是位于离弯道Cv2的起点预定距离处的地点。

在转向角A1后对燃料效率施加第二最大影响的特征值是“转向角B3”的特征值，其指示存在于离图8（b）所示的行驶区域Ar1中的行驶路段Sec2的起点预定距离的行驶地点Pa2处的转向操作模式。因此，识别特征值“转向角B3”。

在转向角B3后对燃料效率施加第三最大影响的特征值是“油门B3”，其指示在图8（b）所示的行驶区域Ar1中，跨行驶路段Sec1和跟随行驶路段Sec1的弯道Cv1上延伸的行驶地点Pa1处的油门踏板操作模式。因此，识别“油门B3”。

对用作车辆数据的供给源的车辆已经行驶通过的行驶区域Ar1至Arn的每一个执行这种操作，由此如图8（a）所示，对存在于行驶区域Ar1至Arn中的交通要素或行驶路段中的、对燃料效率施加影响的特征值加权。如上述图8（a）中所示，获得加权特征值和行驶地点间的对应关系。

根据上述本实施例，当对例如“燃料效率”的评价项目按驾驶表现水平归类车辆数据组时，对包含在行驶区域中的行驶地点的每一个，识别指示构成导致车辆数据组间的燃料效率的差异的因素的驾驶要素的操作模式的特征值。同时，还识别包含行驶地点的每一个的行驶要素或行驶路段。

接着，将参考图9，详细地描述通过频率分解单元252的频率分解处理。

在该处理中，如图9所示，将包括油门踏板、制动踏板、方向盘等等的多种驾驶要素的一个选择为将被分解频率的驾驶要素（步骤S201）。因此，基于该各种驾驶要素，从归一化车辆数据组中，选择指示例如油门踏板的压下量的时间序列转变的车辆数据组。

接着，当变量i用于对指示油门踏板的压下量的时间序列转变的N个所选择的车辆数据计数时，将“0”指配给变量i（步骤S202）。然后，从指示油门踏板的压下量的时间序列转变的N个车辆数据选择一个车辆数据（步骤S203）。

将所选择的一个车辆数据组频率分解（步骤S204），并且使变量i加一（步骤S205）。一旦将所选择的一个车辆数据频率分解，则顺序地将指示还未频率分解的油门踏板的压下量的时间序列转变的其他车辆数据频率分解，并且每次使变量i加一（步骤S206为否，步骤S203至S205）。

指示油门踏板的压下量的时间序列转变的所有N个车辆数据都已经被频率分解，并且变量i达到“N”（步骤S206为是），新选择除已经完成频率分解的油门踏板外的驾驶要素（步骤S201）。重复顺序地频率分解用于所选择的驾驶要素的车辆数据组中的数据的处理，直到基于在中心存储设备220中存储的所有驾驶要素的所有车辆数据都被频率分解为止（步骤S202至S206）。

上文所述的根据本实施例的车辆数据分析方法和系统提供下述优点。

（1）该分析方法和系统收集基于多种驾驶操作的多个车辆数据，并且根据作为用于评价驾驶操作水平的指标的评价标准，将所收集的车辆数据归类成两组。然后，该分析方法和系统提取在归类组之间不同的车辆数据的特征值。由此使得该分析方法和系统能够定量地分析包含在车辆数据中的驾驶操作的特征。

（2）从在由驾驶员的多种驾驶操作下在实际道路上行驶的车辆获取所收集的车辆数据组。因此，车辆数据组的使用使得可以生成反映实际行驶环境和在该行驶环境下执行的驾驶操作的行驶模型。在这种情况下，通过基于所提取的车辆数据的特征值，生成用作标准的行驶模型，能生成结合确定驾驶表现水平的特征值的行驶模型。换句话说，车辆数据的分析结果能应用于生成根据车辆的行驶环境、驾驶员的驾驶技术或驾驶员所特有的驾驶操作模式的行驶模型。

（3）该分析方法和系统获得由所提取的车辆数据的特征值对基于评价标准待评价的车辆数据施加的影响度。由此，该分析方法和系统不仅能指定在所归类的车辆数据组之间不同的特征值，而且能指定由特征值对基于评价标准待评价的车辆数据施加的影响度，换句话说，对基于评价标准的标准施加的影响度。

（4）该分析方法和系统将车辆数据归类成组并且通过将交通要素、行驶路段和行驶区域的任何一个视作单位，提取车辆数据的特征值。因此，该分析方法和系统能每一交通要素、每一行驶路段、每一行驶区域地，提取反映交通要素、行驶路段和行驶区域中执行的一系列驾驶操作的车辆数据的特征值。这使得该分析方法和系统能够通过将交通要素、行驶路段和行驶区域看作单位，来识别导致车辆数据之间在驾驶表现水平上的差异的因素。此外，该分析方法和系统能从用于每一交通要素、用于每一行驶路段和用于每一行驶区域的单个车辆数据提取特征值，因此能从由车辆数据分析中心200收集的车辆数据组提取更多特征值。

（5）该分析方法和系统借助传感器101至106来检测驾驶员的驾驶操作。该分析方法和系统将这些检测结果和使能识别由驾驶员执行驾驶操作的行驶地点的纬度和经度信息，以及与各种道路地图有关的信息视作车辆100的车辆数据。在图8（a）和8（b）所示的实施例中，该分析方法和系统进一步获得在驾驶操作的特征值和行驶地点之间的对应关系，以及在特征值和评价标准之间的对应关系。由此该分析方法和系统能以细小到行驶地点的程度更详细地分析车辆数据，并且能基于评价标准分析导致驾驶表现水平的差异的因素以及由该因素对评价标准施加的影响。

（6）该分析方法和系统基于行驶位置，将时间序列数据归一化为车辆数据。这使得该分析方法和系统能够将从具有不同行驶速度的车辆获取的时间序列数据变换成能以高精确程度比较的水平。因此，该分析方法和系统能分析更多车辆数据（时间序列数据），并且能提取更多的在车辆数据之间不同的特征值。

（7）该分析方法和系统将指示表明驾驶员的驾驶操作模式的多个驾驶要素的特征的数据用作特征值。该分析方法和系统对每一驾驶要素，获得由包括油门踏板、制动踏板、方向盘等等的多种驾驶要素对评价标准施加的影响度。由此，该分析方法和系统能准确地识别导致在车辆数据之间的驾驶表现水平的差异的多个因素，即使存在影响车辆100的燃料效率、车辆行为和横向急动度的多个驾驶要素。该分析方法和系统能精确地提取在车辆数据中局部包含的特征值，并且能指定由驾驶要素的每一个施加到评价标准上的影响度。

（8）该分析方法和系统通过车辆数据的频率分解，生成用作指示车辆数据的特征值的原始数据的多个候选数据。因此，该分析方法和系统能提取包含在车辆数据中的各种频率分量，并且能揭示反映驾驶操作的各种特征值。当提取在分组的车辆数据之间不同的特征值时，该分析方法和系统能从有限车辆数据量生成包含作为待提取的那些的候选的特征值的大量候选数据。

（9）在从车辆数据提取特征值前，该分析方法和系统通过将窗函数应用于车辆数据来揭示特征值。这使得该分析方法和系统能够精确地提取包含在车辆数据中的微小特征值，并且精确地提取在通过按驾驶表现水平分组车辆数据获得的车辆数据组DA和车辆数据组DB之间不同的特征值。

（10）作为待基于评价标准评价的评价项目，该分析方法和系统使用由车辆的每单位燃料量行驶距离定义的燃料效率、行驶时间、车辆行为和车辆的横向急动度。这使得该分析方法和系统能够通过提取利用每一评价项目的指标归类的车辆数据的特征值，来识别导致在燃料效率、行驶时间、平滑驾驶操作（快速制动）或急动度的车辆数据之间的差异的因素。

（11）该分析方法和系统使用基于评价标准的分组来将多种车辆数据归类成两个车辆数据组，即，“高”驾驶表现水平的车辆数据组DA和“低”驾驶表现水平的车辆数据组DB，并且对在车辆数据组DA和DB之间的驾驶表现水平不同的车辆数据的特征值加权。这使得该分析方法和系统能够按对评价标准的影响度的顺序来识别导致车辆数据组DA和DB之间的驾驶表现水平差异的因素。因此，该分析方法和系统能按提高的优先级的顺序，确定在评价为“低”驾驶表现水平的车辆数据中示出的待提高的驾驶操作的要素。

以下述形式实施上述实施例。

在终止车辆100的驾驶时，在车辆100的附件位置已经从开状态切换到关状态的条件下，执行从车辆100到车辆数据分析中心200的车辆数据的传输。然而，可以在例如车辆100的附件位置从关状态切换到开状态的定时，或在车辆100通过预定交通要素或预定行驶路段的定时，执行从车辆100到车辆数据分析中心200的车辆数据的传输。同样地，可以以预定间隔执行从车辆100到车辆数据分析中心200的车辆数据的传输。此外，当车辆数据分析中心200对该效果向车辆100进行请求时，可以执行从车辆100到车辆数据分析中心200的车辆数据的传输。

通过在车载通信设备120和中央通信设备210之间的无线通信，执行从车辆100到车辆数据分析中心200的车辆数据的传输。可以使用诸如USB存储器的外部存储介质，通过有线通信等等来执行从车辆100到车辆数据分析中心200的车辆数据的传输。换句话说，只要能将由车辆100获取的车辆数据传输到车辆数据分析中心200就能被用作车辆数据传输单元。

通过将“AdaBoost”用作学习算法的学习来执行车辆数据的特征值的加权。用于加权的配置不限于此，而可以是能对在驾驶表现水平彼此不同的车辆数据组DA和车辆数据组DB之间不同的特征值执行加权的任何配置，并且可以使用各种其他学习算法或运算。

通过对在所归类的车辆数据组DA和DB之间不同的车辆数据的特征值的加权，确定由车辆数据的特征值对通过评价标准待评价的车辆数据施加的影响度。可以通过例如归类成四个等级：“高影响度”、“中影响度”、“低影响度”和“无影响”来确定影响度。在这种情况下，在以共同或类似的交通要素、行驶路段或行驶区域收集的车辆数据组的特征值当中，将图5（a）和5（b）所示的数据St1和数据St2之间以相对高频不同的那些特征值，以及呈现数据间的显著差异的那些特征值确定为属于“高影响度”。另一方面，在以共同或类似的交通要素、行驶路段或行驶区域中收集的车辆数据组的特征值当中，将图5所示的数据St1和数据St2之间以相对低频不同的那些特征值，或呈现数据间的细微差异的那些特征值确定为属于“低影响度”。此外，当特征值在分组的车辆数据组DA和车辆数据组DB之间是共同的时，将它们确定为“无影响”，因为它们不构成导致车辆数据之间的驾驶表现水平的差异的因素。

基于评价标准，将由车辆数据分析中心200收集的车辆数据组归类成“高”驾驶表现水平和“低”驾驶表现水平两组。相反，可以基于评价标准将车辆数据组归类成三个或更多组。例如，当按驾驶表现水平的降序，将车辆数据组归类成三个组，即第一至第三组时，提取例如在第一和第二组之间不同的车辆数据的特征值。在这种情况下，将所提取的特征值识别为导致最高驾驶表现水平的第一组和第二最高驾驶表现水平的第二组之间的驾驶表现水平的差异的因素。同样地，将第二和第三组间不同的车辆数据的特征值识别为导致在第二和第三组之间的驾驶表现水平的差异的因素。这使得即使当将车辆数据的驾驶表现水平归类成具有不同驾驶表现水平的多个组时，也能识别导致组间驾驶表现水平的差异的因素。

对评价项目“燃料效率”，如图8（a）所示，执行对在车辆数据组DA和DB之间不同的车辆数据的特征值的加权。如图10（a）和10（b）所示，对评价项目急动度、车辆行为和行驶时间的每一个分组车辆数据组，并且对在这些分组的车辆数据之间不同的特征值执行加权。在这种情况下，对每一行驶地点，可以识别导致不仅基于燃料效率，而且基于评价项目急动度、车辆行为和行驶时间的每一个评价的驾驶表现水平的差异的因素。

基于评价项目燃料效率、行驶时间、车辆行为和车辆的横向急动度中的一个，执行车辆数据组的上述分组。相反，可以基于两个或更多评价项目的评价标准，执行车辆数据组的分组。在这种情况下，当评价项目是例如燃料效率和车辆行为时，将指示低燃料消耗和小的车辆行为的车辆数据评价为“高”驾驶表现水平，而将其他车辆数据评价为“低”驾驶表现水平。提取“高”驾驶表现水平和“低”驾驶表现水平之间不同的特征值使得可以提取指示能同时实现为多个评价项目设定的评价标准的驾驶操作的车辆数据的特征值。

上述实施例采用燃料效率、行驶时间、车辆行为和车辆的横向急动度作为评价项目。除这些外，还可以将其他评价项目用于分组车辆数据，诸如驾驶操作的稳定性、车间距离等等，只要它们反映驾驶员的驾驶技术。当采用车间距离作为评价项目时，可以将例如，用作车辆数据的供给源的车辆在该车辆的行驶方向上与在前行驶的另一车辆之间的车间距离是否保持等于或大于预定距离设定成评价标准。也可以将用作车辆数据的供给源的车辆在该车辆的行驶方向上与在前行驶的另一车辆之间的车间距离是否在某一极限内设定为评价标准。

在上述实施例中，通过使用窗函数的操作，执行车辆数据的特征值的揭示。本发明不限于此，以及可以采用揭示包含在车辆数据中的特征值的任何操作，来揭示该车辆数据。可以采用任何配置，只要能提取在基于评价标准分组的数据组之间不同的车辆数据的特征值。省略窗函数运算单元253的配置不需要执行用于揭示车辆数据的特征值的操作。

在上述实施例中，通过子波变换，执行车辆数据的频率分解。代替子波变换，可以使用例如离散余弦变换或傅立叶变换来执行车辆数据的频率分解。在这种情况下，优选的变换技术是可逆可变换技术。可以使用能通过分解车辆数据的频率来提取多个频带的频率分量的配置。对该配置要求能提取在基于评价标准的分组所获得的组之间不同的车辆数据的特征值。省略频率分解单元252的配置不需要对车辆数据执行频率分解。

上述分类结果存储单元240配置成具有第一存储区241和第二存储区242，其中存储根据驾驶表现水平归类成组的车辆数据。该配置不限于此。该配置可以省略分类结果存储单元240并且可以是将可区分的信息指配到在中心存储设备220中存储的车辆数据的每一个。可区分的信息是使得车辆数据分类单元230能够区分驾驶表现水平的信息。在这种情况下，车辆数据分类单元230将指配有指示相反驾驶表现水平的信息的车辆数据组输出到车辆数据分析单元250。然后，车辆数据分析单元250基于指配到车辆数据的可区分信息，提取在具有相反驾驶表现水平的车辆数据之间不同的特征值，

从由车辆数据分析中心200收集的车辆数据组提取指示包括指示驾驶员的驾驶操作模式的油门踏板、制动踏板和方向盘的多个驾驶要素的特征的特征值。本发明不限于此，例如，可以从车辆数据组提取指示包括油门踏板、制动踏板和方向盘的驾驶要素的一个的特征的特征值。

在上述实施例中，基于通过油门传感器101、制动传感器102、转向角传感器103、陀螺传感器104、车速传感器105和加速度传感器106的检测结果，获取反映驾驶员的驾驶操作的车辆数据。与此相反，可以基于由用于检测横摆率的横摆率传感器的检测结果来获取车辆数据，横摆率指示车辆100的转向方向的旋转角的变化率。在这种情况下，将由于车辆的横摆率导致的驾驶表现水平的差异提取为来自车辆数据的特征值。此外，作为车辆数据获取单元，可以采用能获取反映驾驶操作的信号的驾驶员的驾驶操作模式的配置。

上述的车辆数据分析单元250配置成具有归一化运算单元251。归一化运算单元251基于行驶位置，将时间序列数据归一化为车辆数据。本发明不限于此，当指示相同或类似行驶环境中的驾驶操作模式的时间序列数据具有彼此可比较地接近的数据长度时，可以省略归一化运算单元251并且可以省略将时间序列数据归一化为车辆数据。

在上述实施例中，在所提取的车辆数据的特征值和行驶地点之间的对应关系以及在特征值和评价标准之间的对应关系两者均被确定。本发明不限于此，并且可以仅确定在所提取的车辆数据的特征值和行驶地点之间的关系，或可以仅确定在特征值和评价标准之间的对应关系。

在上述实施例中，从车辆100收集具有能基于其识别行驶地点的信息的车辆数据。本发明不限于此，并且可以从车辆100收集具有能基于其识别交通要素、行驶路段和行驶区域的信息的车辆数据。然后，可以确定在交通要素、行驶路段和行驶区域与由此收集的车辆数据的特征值之间的对应关系。同样地，可以确定在由此收集的交通要素、行驶路段和行驶区域与评价标准之间的对应关系。

在上述实施例中，对包含在如图8（a）中所示的行驶区域Ar1至Arn中的每一行驶地点，执行对车辆数据的特征值的加权。然而，本发明不限于此，如与图8（a）对应的图10（a）和10（b）所示，可以对具有共同或类似道路线形等等的交通要素的每一个，诸如弯道或十字路口，执行车辆数据的特征值的加权。此外，如图10（a）和10（b）所示，可以对具有共同或类似道路线形等等的行驶路段的每一个，执行车辆数据的特征值的加权。在这些情况下，对交通要素的每一个或行驶路段的每一个，对具有高影响度的特征值分级，由此能对交通要素的每一个或行驶路段的每一个，以更详细的方式提取特征值。在这种情况下，当提取组之间不同的特征值时，从在不同行驶区域中行驶的车辆收集的车辆数据可以是待分组的对象，只要车辆数据的道路线形等等彼此类似。这使得可以从更宽行驶区域收集的车辆数据提取更多特征值。

将交通要素、行驶路段和行驶区域视作单位，来分组车辆数据，并且提取车辆数据的特征值。本发明不限于此，以及可以将交通要素、行驶路段和行驶区域的至少一个视作单位，来分组车辆数据，并且提取车辆数据的特征值。

在上述实施例中，对指示共同或类似行驶环境中的驾驶操作模式的数据执行基于评价标准的分组。本发明不限于此，并且例如，可以仅对指示共同行驶环境中的驾驶操作模式的数据执行基于评价标准的分组。

在上述实施例中，将与诸如弯道和十字路口的交通要素、行驶路段和行驶区域有关的信息设定成与用作车辆数据的供给源的车辆100的行驶环境有关的信息。此外，可以将指示交通拥堵频繁发生的行驶区域的信息、指示交通拥堵频繁发生的行驶时区的信息、观察通常交通量的时区，以及当执行由车辆数据指示的驾驶操作时的天气条件设定成与车辆100的行驶环境有关的信息。可以根据基于这一信息指定的交通拥堵状况或天气来分组和提取车辆数据。将执行由车辆数据指示的驾驶操作的交通要素、行驶路段或行驶区域共同的、并且行驶区域中的交通拥堵状态或天气共同的车辆数据组定义成共同车辆数据组。在这种情况下，将共同车辆数据组指定成将用于分组和提取特征值的对象的车辆数据。在这种情况下，基于评价标准，对共同车辆数据组执行特征值的分组和提取。由此，能将由行驶环境的差异导致的车辆数据之间的特征值的差异与由驾驶员的驾驶技术的差异引起的车辆数据间的特征值的差异精确地区分开来。这使得可以从车辆数据组更精确地提取因素，该因素导致仅由驾驶员的驾驶技术引起的特征值的差异，换句话说，可以提取尽管在相同行驶环境中执行驾驶操作也导致在车辆数据之间的驾驶表现水平的差异的因素。

在上述实施例中，指示从其收集车辆数据的车辆100的行驶环境的信息包含在车辆数据中。本发明不限于此，当可以基于用于提取特征值的车辆数据的转变，识别在共同或类似行驶环境下收集的车辆数据时，可以省略GPS108或汽车导航系统109，并且仅将指示驾驶员的驾驶操作的转变的数据收集为车辆数据。

在上述实施例中，确定由所提取的车辆数据的特征值对基于评价标准评价的车辆数据施加的影响度。本发明不限于此，并且可以仅从车辆数据组提取基于评价标准分组的组间不同的特征值。同样在这种情况下，可以根据所提取的车辆数据的特征值，定量地指定导致组之间的驾驶表现水平的差异的因素。

在上述实施例中，可以从由无限多辆车收集的车辆数据组提取车辆数据的特征值，而不指定车辆的类型。本发明不限于此，当从车辆数据组提取仅由驾驶员的驾驶操作引起的车辆数据的特征值的差异时，可以仅使用从同一类型的车辆收集的车辆数据组用于分析。在这种情况下，消除车辆间的个体可变性，可以精确地提取仅对驾驶员的驾驶技术的差异有贡献的特征值。这使得能够更精确的分析。

在上述实施例中，可以从多个车辆获取车辆数据。本发明不限于此，并且可以从单个车辆获取待分析的车辆数据。如果在驾驶操作中，车辆数据不同，可以基于同一驾驶员的驾驶操作，获取待分析的车辆数据。换句话说，能将基于评价标准分组并反映多种驾驶操作的任何车辆数据用作分析对象。

Claims (16)

1.一种车辆数据分析方法，用于分析反映驾驶员的驾驶操作的车辆数据，所述车辆数据分析方法包括：

收集基于多种驾驶操作的多个车辆数据；

基于作为用于评价驾驶操作的水平的指标的评价标准，将这些收集的车辆数据分组成至少两组；以及

提取在所述组之间不同的车辆数据的特征值。

2.根据权利要求1所述的车辆数据分析方法，进一步包括：

获得由所提取的车辆数据的特征值对基于所述评价标准评价的车辆数据施加的影响度。

3.根据权利要求1或2所述的车辆数据分析方法，其中，所述车辆数据包括指示交通要素、行驶路段、以及行驶区域的至少一个的信息，在所述行驶区域处所述交通要素和所述行驶路段串联连接，并且

通过将所述交通要素或所述行驶路段或所述行驶区域视作单位，来执行所述车辆数据的分组和所述车辆数据的特征值的提取。

4.根据权利要求1至3的任何一项所述的车辆数据分析方法，其中，所述车辆数据包括指示行驶地点的信息，并且所述车辆数据分析方法进一步包括：

获得在所提取的车辆数据的特征值和所述行驶地点之间的对应关系，以及在所提取的车辆数据的特征值和基于所述评价标准的所述车辆数据的评价结果之间的对应关系。

5.根据权利要求1至4的任何一项所述的车辆数据分析方法，进一步包括：

基于行驶位置归一化作为所述车辆数据的时间序列数据。

6.根据权利要求1至5的任何一项所述的车辆数据分析方法，其中，

所述特征值指示代表驾驶员的驾驶操作模式的一个或多个驾驶要素的特征，并且所述分析方法进一步包括对于所述驾驶要素的每一个，获得由所述驾驶要素对所述评价标准施加的影响度。

7.根据权利要求1至6的任何一项所述的车辆数据分析方法，进一步包括：

通过所述车辆数据的频率分解，生成作为用于指示所述车辆数据的特征值的原始数据的多个候选数据。

8.根据权利要求1至7的任何一项所述的车辆数据分析方法，进一步包括：

通过在提取所述车辆数据的特征值之前，将窗函数应用于所述车辆数据，来揭示所述特征值。

9.根据权利要求1至8的任何一项所述的车辆数据分析方法，其中，所述评价标准是用于对由按每单位燃料量的车辆行驶距离定义的燃料效率、行驶时间、车辆行为和车辆的横向急动度组成的评价项目的至少一个执行分组的标准。

10.根据权利要求1至9的任何一项所述的车辆数据分析方法，其中，

分组包括通过基于所述评价标准的分组，将所述多种车辆数据归类成“高”驾驶表现水平的车辆数据组和“低”驾驶表现水平的车辆数据组，

所述车辆数据的提取包括基于在所述评价标准基础上分组的“高”驾驶表现水平的数据组和“低”驾驶表现水平的车辆数据组之间共同的特征值的差的总值，对驾驶表现水平不同的车辆数据的特征值执行加权，并且

共同特征值的差是由“高”驾驶表现水平的组归类的数据的特征值和由“低”驾驶表现水平的组归类的数据的特征值之间的差。

11.一种车辆数据分析系统，用于分析反映驾驶员的驾驶操作的车辆数据，所述车辆数据分析系统包括：

存储设备，所述存储设备用于存储基于多种驾驶操作的车辆数据；

车辆数据分类单元，所述车辆数据分类单元用于基于作为用于评价驾驶操作的水平的指标的评价标准，将在所述存储设备中存储的车辆数据分组成至少两组；以及

车辆数据分析单元，所述车辆数据分析单元用于提取在由所述车辆数据分类单元分组的所述组之间不同的车辆数据的特征值。

12.根据权利要求11所述的车辆数据分析系统，其中，所述车辆数据分析单元进一步包括影响计算单元，所述影响计算单元用于获得由所提取的特征值对基于所述评价标准评价的车辆数据施加的影响度。

13.根据权利要求11或12所述的车辆数据分析系统，其中，所述车辆数据包括指示交通要素、行驶路段、以及行驶区域的信息，在所述行驶区域处所述交通要素和所述行驶路段串联连接，并且

所述车辆数据分类单元和所述车辆数据分析单元通过将所述交通要素或所述行驶路段或所述行驶区域视作单位，来执行所述车辆数据的分组和所述车辆数据的特征值的提取。

14.根据权利要求11至13的任何一项所述的车辆数据分析系统，其中，

所述车辆数据包括指示行驶地点的信息；并且

所述车辆数据分析单元进一步获得在所提取的车辆数据的特征值和所述行驶地点之间的对应关系，以及在所提取的车辆数据的特征值和基于所述评价标准的所述车辆数据的评价结果之间的对应关系。

15.根据权利要求11至14的任何一项所述的车辆数据分析系统，其中，所述车辆数据分析单元进一步包括归一化运算单元，所述归一化运算单元用于基于行驶位置归一化作为所述车辆数据的时间序列数据。

16.根据权利要求11至15的任何一项所述的车辆数据分析系统，其中，

所述特征值是指示驾驶员的驾驶操作模式的一个或多个驾驶要素的特征，并且

所述车辆数据分析单元对于所述驾驶要素的每一个，确定由所述驾驶要素对所述评价标准施加的影响度。

Images