CN105045788A - 用于处理和分析车辆驾驶大数据的方法及其系统 - Google Patents

Abstract

提供了一种用于处理和分析车辆驾驶大数据的方法，该方法包括：提炼原始数据的车辆驾驶数据；基于所提炼的车辆驾驶数据获取统计数据；并且基于所述提炼的车辆驾驶数据和所获取的统计数据中的至少一个执行挖掘分析。

Description

用于处理和分析车辆驾驶大数据的方法及其系统

相关申请的交叉引用

本申请基于35U.S.C.§119(a)要求2014年5月2日递交的韩国专利申请号10-2014-0053388和2014年5月2日递交的韩国专利申请号10-2014-0053389的优先权，其整体通过引用的方式并入本文。

技术领域

本发明涉及用于处理和分析车辆驾驶大数据的方法，并且更具体地，涉及一种能够通过系统数据提炼和数据挖掘程序来从关于车辆驾驶的大数据获取有用信息以用于处理和分析车辆驾驶大数据的方法及其系统。

背景技术

大数据意味着通用数据库系统难以采集、存储和分析的大量数据。大数据的一个实例可以包括社交媒体、从社交网络服务生成的社交数据、网络流量日志、网络服务器或应用程序的网络日志以及由感测设备日志获取的感测数据和日志等等，并且在时序数据如网络流量日志的情况中，数据随着时间累积并且要处理的数据的大小爆发式地增长。

时序数据的一个实例包括车辆驾驶数据。车辆驾驶数据提供给管理者例如运输组织、运输安全局(例如NHTSA(国家高速公路交通安全局)等等)、车辆销售业和/或租赁业运营商，以便用于驾驶历史管理、事故发生期间的事故起因建立、事故预防、节能管理等等。

最近，对车辆加大了车辆驾驶记录仪的安装和提供。由于时序数据的特征，处理和分析所需要的车辆驾驶数据的数量快速增长，并且结果导致有必要开发一种处理和分析车辆驾驶大数据的方法，以便系统地分析大量车辆驾驶数据并且允许管理者或用户有效地使用通过分析所获取的有用信息。

该背景技术部分中公开的以上信息仅用于增强对于本发明的背景的理解并且因此其可以包括不构成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本发明力图提供一种用于处理和分析车辆驾驶大数据的方法及其系统，其具有系统地分析车辆驾驶的大数据并且允许管理者或用户有效地使用通过分析所获取的结果信息的优点。

在一个优选实施方式中，一种用于处理和分析车辆驾驶大数据的方法，包括：提炼原始数据的车辆驾驶数据；基于所提炼的车辆驾驶数据获取统计数据；并且基于提炼的车辆驾驶数据和所获取的统计数据中的至少一个执行挖掘分析。

车辆驾驶数据可以包括识别数据和感测数据，

识别数据可以包括车辆识别号码、车辆类型、车辆注册号码、运输业运营商注册号码(例如承运人名称)、和驾驶员识别码、托运文件信息、托运人和商品名称的字段的记录中的至少一个，并且

感测数据可以包括车辆的行驶距离、行驶时间、起始时间、数据获取周期、数据获取时间、速度、RPM、中断信号、位置、方位角、和加速度、位置(例如GNIS(地理名称信息系统)等等)、OBD-II信息。

提炼可以包括：通过确定感测数据的每个字段的记录是否具有在极限范围之内的值来检测界外值；并且当被检测为界外值的记录具有超出极限范围的值时，去除该记录或者纠正该记录以对应于极限范围内的值。

提炼可以包括：通过在纠正之后对所提炼的感测数据的每个字段的后续记录进行偏差比较来检测界外值；并且通过偏差比较去除被检测为界外值的记录。

提炼可以包括：通过在纠正之后对所提炼的感测数据中具有关联的字段的记录进行比较来检测界外值；并且通过关联比较去除被检测为界外值的记录。

所获取的统计数据可以包括驾驶统计数据和趋势统计数据，

驾驶统计数据可以包括每日行驶距离、总驾驶时间、平均速度、最大速度和最大RPM、英里里程(即燃料效率)、燃料消耗、能量消耗、废气排放、驾驶区域、车辆间距的字段的记录中的至少一个，并且

趋势统计数据可以包括超速次数、危险超速次数、长期超速次数、快速加速次数、快速减速次数、快速启动次数、快速停止速度、超车次数、路线改变次数、快速旋转次数、怠速次数、高RPM次数、车辆间距的字段的记录中的至少一个

获取统计数据可以包括：通过对提炼的车辆驾驶数据进行统计计算来生成统计数据；在所生成的统计数据中确定是否在预定时间之内重复计算了每个字段的记录；并且将确定被重复计算的记录纠正为一个计算值。

执行挖掘分析可以包括：基于趋势统计数据对每个类型的车辆驾驶员的驾驶趋势进行分类；并且关于所分类的类型中的每一个类型索引车辆驾驶员的趋势程度。

执行挖掘分析可以包括：在索引之后，生成用于指示对于所分类的类型所索引的结果的索引信息；并且分析趋势统计数据字段和索引信息字段中的至少一个字段的关联。

执行挖掘分析可以包括：基于具体周期，基于提炼的车辆驾驶数据和获取的统计数据的字段，分析重复模式；并且基于重复模式，分析车辆驾驶员在具体周期的驾驶趋势。

所获取的统计数据进一步可以包括历史数据，其可以包括事故历史和维修历史字段的记录，并且

执行挖掘分析可以包括：基于提炼的车辆驾驶数据和所获取的统计数据，生成用于预测事故历史和维修历史字段中的至少一个的改变的学习模式；并且通过使用学习模型来分析事故风险和车辆维修时间中的至少一个。

执行挖掘分析可以包括：在分析事故风险和维修时间中的至少一个之后，基于分析结果，生成通过索引事故风险的程度以及维修时间是否到来所指示的索引信息。

执行挖掘分析可以包括：基于提炼的车辆驾驶数据和所获取的统计数据，提取车辆位置信息；并且基于所提取的车辆位置信息和趋势统计数据的字段，分析增加事故风险并且增加空气污染的空间。

执行挖掘分析可以包括：基于提炼的车辆驾驶数据和所获取的统计数据，提取车辆位置信息；并且基于所提取的车辆位置信息、趋势统计数据和地图数据，针对每个管辖区域，分析驾驶员的驾驶趋势。

执行挖掘分析可以包括：生成通过索引所分类的种类的趋势程度所指示的索引信息；并且基于提炼的车辆驾驶数据的运输业运营商注册号码字段，分析所生成的索引信息的分布状态。

执行挖掘分析可以包括：生成通过索引所分类的种类的趋势程度所指示的索引信息；并且在车辆的驾驶员识别所生成的索引信息之前和之后进行分类，以检测生成的索引信息、提炼的车辆驾驶数据和获取的统计数据的改变，并且基于检测结果，分析车辆驾驶员的驾驶趋势的改变。

在提炼车辆驾驶数据之前，所述方法可以进一步包括采集从车辆驾驶记录仪或传感器获取的车辆驾驶数据。

所获取的统计数据可以包括与燃料消耗和废气排放中的至少一个相关的统计数据，并且

分别根据驾驶员、运输业运营商、区域、道路中的至少一个，对所获取的统计数据进行分类，并且

执行挖掘分析可以包括：基于与燃料消耗和废气排放中的至少一个相关的统计数据，生成驾驶员的节能(ECO)驾驶信息和车辆的预测超载信息中的至少一个。

所获取的统计数据可以包括与OBD-II(车载诊断II)的诊断代码相关的统计数据，并且

分别根据驾驶员、运输业运营商、车辆型号、车辆型年中的至少一个，对所获取的统计数据进行分类，并且

执行挖掘分析可以包括：基于与诊断代码相关的统计数据，生成关于车辆异常、事故风险和车辆维修的预测信息中的至少一个。

在另一个优选实施方式中，一种用于处理和分析车辆驾驶大数据的系统，包括：通过使用车辆驾驶数据来处理和分析大数据的所述系统；大数据存储单元，其被配置为存储原始数据的车辆驾驶数据；以及大数据处理单元，其被配置为提炼存储在所述大数据存储单元中的原始数据的车辆驾驶数据，基于所提炼的车辆驾驶数据获取统计数据，并且基于所述提炼的车辆驾驶数据和所获取的统计数据中的至少一个执行挖掘分析。

根据本发明的实施方式，当分析由所采集的车辆驾驶数据配置的大数据时，通过对于原始数据执行两步骤的提炼，从所提炼的原始数据提取统计数据并且在短期的观点和长期的观点上执行复杂数据挖掘，能够降低分析误差并且改善分析性能。

进一步地，通过向用户提供通过对由采集的车辆驾驶数据所配置的大数据进行分析所提取的结果信息，车辆驾驶员的安全驾驶感应、车辆燃料有效改善感应、预维修感应和事故预防是有可能的，可以改善运输业运营商的管理效率，并且可以有效地改善导致事故风险的管辖区域、道路等等以及公共机构如运输安全局中的环境恶化。

附图说明

将参考附图中仅通过实例的方式而不是为了限制本发明所示出的本发明的特定示例性实施方式来详细描述本发明的以上以及其他特征，并且其中：

图1是用于描述根据本发明的一个实施方式的用于处理和分析车辆驾驶大数据的系统的图；

图2是用于更具体地描述根据本发明的实施方式的用于处理和分析车辆驾驶大数据的系统中的存储和管理单元的图；

图3是用于描述在根据本发明的实施方式的用于处理和分析车辆驾驶大数据的系统中的处理单元执行的大数据处理和执行方法的流程图，以及，图4-11是用于更具体地描述图3的大数据处理和分析方法的相应步骤的图；

图12是用于更具体地描述根据本发明的实施方式的用于处理和分析车辆驾驶大数据的系统中控制器的图；

图13是用于更具体地描述根据本发明的实施方式的用于处理和分析车辆驾驶大数据的系统中用户接口的图；以及图14-19是用于描述由用户接口提供的数据可视化的可实现的实例的图；以及

图20用于例示作为车辆驾驶数据的一个实例的数字转速图表(DTG)或数字转速计的存储格式的图。

应该理解，附图无需按比例，其给出用于说明本发明的基本原理的各种优选特征的稍微简化的表示。可以部分地通过具体的专用应用或使用环境来确定如本文所公开的本发明的具体设计特征，该特征包括例如具体维度、方向、位置和形状。

在附图中，附图标记在附图的多幅图中始终指代本发明的相同的或等效的部分。

具体实施方式

在下文中将参考附图描述本发明的实施方式。在附图中相同的附图标记指代相同的元件，并且省略相同元件的重复描述。

提供本发明的实施方式以向本领域普通技术人员更完整地描述本发明，并且以下实施方式可以修改成各种不同形式，并且本发明的范围不是由以下实施方式限制的。尽管如此，提供实施方式以使得本发明更加详尽和完整，并且本领域熟练技术人员完整地传达本发明的精神。

在本发明的实施方式的描述中，当确定与本发明相关的已知技术的详细描述可能模糊本发明的主旨时，将省略其详细描述。此外，在描述说明书期间使用的数字(例如第一、第二等等)仅仅是用于区分一个组件与另一个组件的识别符号。此外，在说明书中，当提及一个元件“连接”或“接近”其他元件时，该一个元件可以直接连接或直接接近该其他元件，但是，如果没有具体相反的描述，则应该明白两个元件可以利用介于它们之间的另一个元件彼此连接和接近。

另外，在说明书中使用的术语如用于明白地表达本发明的实施方式的术语可能非常依赖于用户、用户的意图或者本发明所属的实施领域。因此，应该基于本说明书的全部内容来限定本发明的术语。在各个附图中相同的附图标记指代相同的元件。

图1是用于描述根据本发明的一个实施方式的用于处理和分析车辆驾驶大数据的系统的图。

在图1中，例示了用于分析和处理由车辆驾驶数据配置的大数据的系统，其中，车辆驾驶数据是由车辆驾驶记录仪(VDR)直接获取的，但是本发明的技术思想不限于此。即除了由如图1的实施方式的VDR所直接获取的数据之外，本发明的技术思想还可以处理从安装在运输装置如车辆中的各种传感器获取的关于车辆驾驶的大数据。此外，根据本发明的技术精神，除了通过安装在车辆上的设备如VDR、传感器、黑盒等等获取的数据之外，可以另外使用通过乘坐于车辆中的占有者的用户终端(例如智能电话)非直接获取的关于车辆的操作的数据(例如可以通过安装在智能电话上的GPS传感器、加速器传感器等等获取的位置信息、速度信息、加速度信息等等)。通过用于处理关于车辆操作的大数据的短距离无线通信网络如蓝牙、Wi-Fi、NFC(近场通信)、RFID(射频识别)等等，采集从占有者拥有的用户终端获取的数据。然而，在下文中，为了描述方便起见，将主要描述将由VDR获取的大数据用作车辆驾驶大数据的情况。

参考图1，用于处理和分析车辆驾驶大数据的系统300通过通信网络200与多个VDR100连接。在本文，VDR100安装在运输装置如车辆上以采集并且获取对应的运输装置的车辆驾驶数据，并且可以通过通信网络200将所获取的车辆驾驶数据传输给用于处理和分析车辆驾驶大数据的系统300。虽然，在图1中，例示了通过通信网络200将所获取的车辆驾驶数据传输给用于处理和分析车辆驾驶大数据的系统300的情况中，但是，本发明显然不限于此。

由VDR100获取的车辆驾驶数据可以具有如图20所示的存储格式。在本文，20示出了作为车辆驾驶数据的一个实例的数字转速图表或数字转速计(DTG)的存储格式的图。然而，自然可以以不同方式修改根据所使用的VDR存储格式可记录的车辆驾驶数据。即在本发明的说明书中，主要描述用于记录图20中所示的车辆操作数据的数字转速图表或数字转速计(DTG)作为VDR，但是除了DTG外可以使用各种设备作为VDR。例如，可以使用EOBR(电子车载记录仪)、EDR(事件数据记录仪)、OBD-II(车载诊断II)等等作为VDR。下文将简要描述这些设备。

在本文中，用于防止由于驾驶员的过度操作累积的疲劳所导致的事故的EOBR是必须安装在美国商务车上的设备。由EOBR记录的与车辆操作数据关联的字段包括驾驶员、运输业运营商名称、车辆号码、车辆位置、行驶距离、起始时间、实际操作时间、工作状态、数据/时间、托运人和商品名称、托运文件信息等等。

另外，作为记录事故时间之前和之后的几秒的信息的设备的EDR可以记录与具体事件(例如气囊炸开的事件)有关联的车辆操作数据。由EOBR记录的与车辆操作数据关联的字段包括车辆ID、数据/时间、碰撞速度、起始速度、碰撞速度变化值、驾驶员动作(例如与刹车、离合器踏板、转向、喇叭等等关联的动作)，关于活动安全设备(例如ABS等等)的监视信息等等。

另外，OBD-II可用于车辆诊断并且与用户终端如用于回波驾驶的智能电话通过蓝牙相连接。由OBD-II记录的与车辆操作数据关联的字段包括引擎冷却剂温度、油门位置、进气温度、燃料等级输入、蒸发器系统蒸汽压力、控制模块电压、绝对油门位置、加速器踏板位置、氧气传感器电压、燃料类型、引擎油温、燃料注入定时、引擎燃料率、引擎参考扭矩、引擎百分比扭矩数据、氧化氮传感器、诊断代码等等。

使用如上所述的车辆驾驶数据的用于处理和分析车辆驾驶大数据的系统300可以包括车辆驾驶大数据存储和管理单元310(在下文中称为存储和管理单元)、车辆驾驶大数据处理单元330(在下文中称为处理单元)、控制器350、数据库370和用户接口390，并且在下文中，将参考图2到图13顺次描述每个构成单元。

[车辆驾驶大数据存储和管理单元的功能和作用-图2]

图2是用于更具体地描述根据本发明的实施方式的用于处理和分析车辆驾驶大数据的系统300中的存储和管理单元310的图。

参考图2，存储和管理单元310可以包括管理单元311和数据存储装置313。

管理单元311可以通过通信单元200(见图1)接收从多个VDR100(见图1)提供的原始数据的车辆驾驶数据。管理单元311可以控制到数据存储装置313的原始数据的车辆驾驶数据存储以及来自数据存储装置313的原始数据的车辆驾驶数据输出。

数据存储装置313可以存储原始数据的车辆驾驶数据。数据存储装置313可以由例如可以彼此物理分离的多个存储器配置，并且相应的存储器可以共享并且存储相同的原始数据的车辆驾驶数据。

即存储和管理单元310可以被分布式文件系统如包括管理单元310和数据存储装置313的Hadoop分布式文件系统配置。

[车辆驾驶大数据处理单元的功能和作用-图3到图11]

图3是用于描述在根据本发明的实施方式的用于处理和分析车辆驾驶大数据的系统300中的处理单元330执行的大数据处理和执行方法的流程图，以及，图4-11是用于更具体地描述图3的大数据处理和分析方法的相应步骤的图。可以在处理单元330中通过用于实现对应算法的至少一个软件来执行图3所示的大数据处理和分析方法的相应步骤。在下文中，将参考图4-11描述图3所示的的大数据处理和分析方法的相应步骤。

基本提炼过程(S3310)

参考图3和图4，处理单元330可以大体提炼从存储和管理单元310提供的车辆驾驶数据(S3310)。在这里，从存储和管理单元310提供的车辆驾驶数据可能是未提炼的原始数据，其具有如图20中所示的存储格式，并且可以包括识别数据和感测数据。

在这里，识别数据可以包括字段的记录，如车辆识别号码、车辆类型、车辆注册号码、运输业运营商注册号码(例如承运人名称)、和驾驶员识别码、托运文件信息、托运人和商品名称等等，以作为用于识别安装有VDR100(见图1)的车辆、对应车辆的驾驶员、对应安装的车辆所属的运输业运营商等等的数据。此外，感测数据可以包括例如字段的记录，如车辆的行驶距离、驾驶时间、起始时间、数据获取周期、数据获取时间、速度、RPM、中断信号、位置、方位角、和加速度、位置(例如GNIS(地理名称信息系统)等等)以及上述OBD-II信息等等，以作为各种传感器获取的将被VDR100采集的数据。

当详细描述基本提炼过程(S3310)时，首先，处理单元330确定在原始数据的车辆驾驶数据中(更具体地，对车辆驾驶数据中所包括的感测数据求平均)，每个字段的记录是否具有位于正常感测范围(即预定极限范围)之内的值，以检测界外值(S3311)。

作为一个实例，在车辆速度字段的情况中，当车辆速度传感器正常操作时，处理单元330确定每个记录是否具有位于感测范围(例如0到250km/h)之内的值，以检测具有超出感测范围之外的值的记录作为界外值。

作为另一个实例，在RPM字段的情况中，处理单元330确定每个记录是否具有在RPM传感器的感测范围(例如0到6000rpm)之内的值，以检测具有超出感测范围之外的值的记录作为界外值。

作为再一个实例，在GPS位置字段的情况中，处理单元330确定每个记录是否具有位于与具体区域内的经度和纬度相对应的x和y坐标上的值(例如，在韩国境内的情况中，125.8<x<131.0以及33.0<y<39.0)，以检测具有超出范围之外的值的记录作为界外值。

同时，在中断信号传感器的感测值为0和1的中断信号字段的情况中，可以将0和1设置为用于检测界外值的参考值，并且处理单元330可以在中断信号字段的记录之中检测具有超出参考值的值的记录作为界外值。

如上所述，处理单元330可以对于每个字段去除或纠正被检测为界外值的记录(S3313)。在上述实例之中，作为车辆速度字段的一个实例，处理单元330可以从车辆速度字段中被检测为界外值的记录之中，去除具有极限范围的上限和下限并且偏差大于参考偏差(例如速度感测设备的感测误差范围)的记录。可替换地，可以将具有在参考偏差之内的偏差的记录纠正为与极限范围的上限或下限相对应的值。

比较提炼过程(S3330)

参考图3和图5，可以再次比较地提炼大体提炼的车辆驾驶数据(S3330)。

在一个实施方式中，处理单元330可以通过大体提炼的车辆驾驶数据中的每个字段的后续记录之间的偏差比较，检测界外值(S3331)。

例如，当车辆速度字段中的后续记录具有显著差异(以前的记录是0km/h并且下一个记录是100km/h)时，以前的记录和/或下一个记录可以检测为界外值。类似地，即使在加速度字段、RPM字段、方位角字段等等的情况中，可以通过后续记录的偏差比较来检测界外值。

在另一个实施方式中，处理单元330比较在大体提炼的车辆驾驶数据中具有关联的字段的记录，以检测界外值(S3333)。

例如，参考图6和图7，在如图6中所示的车辆速度字段和RPM字段的情况中，形成相互成比例的关系(皮尔森关联系数是0.89826)是正常的，并且如图7中所示的，因为互为倒数的关系是异常形成的(皮尔森关联系数是-0.79212)，处理单元330可以通过比较具有关联的字段的记录，检测形成异常关系的记录作为界外值。

作为结果，处理单元330可以通过偏差比较(S3331)和/或关联比较(S3333)，去除被检测为界外值的记录(S3335)。

就这点而言，可以改善用于通过两步骤车辆驾驶大数据提炼来处理和分析车辆驾驶大数据的系统300的数据分析的可靠性。

统计数据提取过程(S3350)

参考图3和图8，可以基于大体提炼和比较提炼的车辆驾驶数据，获取统计数据(S3350)。

在这里，统计数据静态地处理并且提取所提炼的车辆驾驶数据并且可以具有与以下表格1类似的存储格式。

[表格1]

在这里，在统计数据的字段中，与安装有VDR100的车辆的驾驶有关的字段如每日行驶距离、总驾驶时间、平均速度和最大速度以及该字段的记录可以被分类为驾驶统计数据。

此外，与安装有VDR100的车辆的驾驶员的驾驶趋势有关的字段例如超速次数、危险超速次数、长期超速次数、快速加速次数、快速减速次数、按等级超速次数、按等级危险超速次数、以及该字段的记录可以被分类为驾驶统计数据。

参考图8，当更详细地描述统计数据获取过程(S3350)时，首先，处理单元330可以统计地计算所提炼的车辆驾驶数据，以生成统计数据(S3351)。

例如，处理单元330可以统计地计算提炼的车辆驾驶数据中的车辆速度字段的记录(例如计算平均值)，以生成统计数据字段如平均速度。

作为另一个实例，处理单元330可以统计地计算车辆速度字段的记录(例如将基于GPS位置信息所确定的道路的速度极限设置为极限值，以计算所有周期或一些周期中极限值的超过次数)，以生成超速次数、危险超速次数、长期超速次数等等的统计数据字段。类似地，处理单元330可以统计地计算加速字段的记录(例如基于任意值计算所有周期或一些周期中极限值的超过次数)，以生成快速加速次数、快速减速次数等等的统计数据字段。

作为另一个实例，处理单元330可以统计地计算车辆的行驶距离和驾驶时间的记录(例如计算累计值或一些周期中的累计值)，以生成车辆的每日行驶距离、每日行驶时间等等的统计数据字段。

作为另一个实例，处理单元330可以复杂并且统计地计算车辆速度、方位角、RPM等等的字段的记录(例如基于车辆速度字段的记录，计算方位角字段的记录或者RPM字段的记录的改变，以生成超车次数、路线改变次数、快速旋转次数等等的统计数据字段)。

接下来，处理单元330在多个所生成的统计数据中确定是否在预定时间内重复计算了字段记录，以纠正被确定为重复计算的记录(S3353)。

进一步参考图9，当在前述实例之中描述生成超速字段的记录的实例时，当数据获取周期是1秒时，处理单元330可以计算超速的次数在预定时间范围(在下文中的窗口)例如15秒内为最大的15次。在该情况中，当驾驶员连续超速时，实质上需要将超速次数字段的记录生成为1，但是可能生成为15，从而恶化数据分析可靠性。

因此，处理单元330确定超速次数字段的记录在上述窗口中是否被重复计算，以检测界外值，并且可以将超速次数字段的记录纠正为1。

就这点而言，通过统计数据的纠正可以进一步改善用于处理和分析车辆驾驶大数据的系统300的数据分析可靠性。

短期观点上的数据挖掘过程(S3370)

参考图3和图10，处理单元330可以基于所提炼的车辆驾驶数据和所获取的统计数据中的至少一个在短期观点上执行数据挖掘分析，以生成具体结果信息(S3370)。

在本文中，短期数据挖掘分析可以包括对于独立的VDR100在微观观点上的数据分析以及在短期观点上的时间顺序分析即实时数据分析概念的情况。例如作为在短期观点上的数据挖掘的技术，在存在关于事故/维修预测的直接信息如事故历史和维修历史字段的情况中，可以使用作为监督学习类型分析技术的回归分析技术、判决树技术、神经网络技术、SVM(支持向量机)等等。例如，在不存在直接信息如驾驶员的驾驶类型的情况中，可以使用作为非监督学习类型分析技术的集群分析技术、关联分析技术等等。

参考图10，当更详细地描述短期观点上的数据挖掘过程(S3370)时，处理单元330可以基于与趋势有关的字段即所获取的统计数据中的趋势统计数据，针对每个类型对驾驶员的驾驶趋势进行分类(S3371)。

在一个实施方式中，处理单元330可以基于趋势统计数据，将对应的驾驶员的驾驶类型分类为危险驾驶员类型、烦躁驾驶员类型、耗能驾驶员类型等等，其中，该趋势统计数据包括超速次数、危险超速次数、长期超速次数、快速加速次数、快速减速次数、快速启动次数、超车次数、路径改变次数、怠速次数等等的字段。在该情况中，可以使用上文例示的非监督学习类型分析技术作为数据挖掘技术。

在另一个实施方式中，处理单元330可以生成通过索引与所分类的类型相对应的特征所表示的索引信息(S3373)。

例如，处理单元330可以基于关于危险驾驶员类型的超速次数、危险超速次数、长期超速次数等等的字段的记录，生成通过索引风险等级来表示的索引信息。

作为另一个实例，处理单元330可以基于关于耗能驾驶员类型的RPM、快速加速次数、怠速次数等等的字段的记录，估计燃料消耗和二氧化碳排放，并且通过索引所估计的结果，生成燃料消耗索引信息和环境索引信息。

危险驾驶索引信息，燃料消耗索引信息和环境索引信息通过控制器350(见图1)和用户接口370(见图1)提供给驾驶员，以允许驾驶员改善驾驶习惯。进一步地，危险驾驶索引信息通过控制器350(见图1)和用户接口370(见图1)提供给驾驶员所属的运输业运营商等等，以允许运输业运营商管理、监督和教育驾驶员。

同时，处理单元330可以基于包括在车辆驾驶数据中的事故历史和维修历史的字段来估计事故风险和故障风险而不管所分类的类型是什么，并且还可以通过索引事故风险和故障风险的结果，生成事故风险索引信息和维修对象索引信息。

事故风险索引信息和故障风险索引信息与危险驾驶索引信息一样提供给驾驶员和运输业运营商，以预防驾驶员和运输业运营商的事故并且在适当的时间维修车辆。

进一步地，在一个实施方式中，处理单元330可以执行挖掘以分析具体索引信息与趋势统计数据的具体字段之间或者具体索引信息与所提炼的车辆驾驶数据的具体字段之间的关联，并且提取用于指示其之间的交互分析结果的结果信息(S3375)。

处理单元330可以例如通过分析危险驾驶索引信息与车辆类型或车辆型号的字段之间的关联来分析交互，并且提取用于指示其之间的交互分析结果的结果信息。

更具体地，上述所获取的统计数据包括与燃料消耗和废气排放中的至少一个有关的统计数据。在这里，分别根据驾驶员、运输业运营商、区域、道路中的至少一个来分类所获取的统计数据。因此，执行数据挖掘可以包括基于与燃料消耗和废气排放中的至少一个有关的统计数据，生成驾驶员的Eco驾驶信息和车辆的预测超载信息中的至少一个。

在另一个情况中，上述所获取的统计数据包括与OBD-II(车载诊断II)有关的统计数据。在这里，分别根据驾驶员、运输业运营商、车辆型号、车辆型年中的至少一个来分类所获取的统计数据。因此，执行数据挖掘可以包括基于与诊断代码有关的统计数据，生成关于车辆异常、事故风险和车辆维修的预测信息中的至少一个。

长期观点上的数据挖掘过程(S3390)

参考图3和图11，处理单元330可以使用所提炼的车辆驾驶数据、所获取的统计数据、所生成的索引信息等等在长期观点上执行数据挖掘分析，以生成具体结果信息(S3390)。

在本文中，长期观点上的数据挖掘是时间顺序概念，其包括对于VDR100在长期观点上的数据分析概念和在微观观点上的数据分析概念。

在该实施方式中，处理单元330可以基于所提炼的车辆驾驶数据、所获取的统计数据以及所述索引信息，分析在具体周期上的重复趋势，并且提取用于表示分析结果的结果信息(图11的S3391)。

处理单元330可以例如在所获取的统计数据的趋势统计数据的字段中分析对于每天、对于每次、对于每个季节或对于每个事件(不规则事件如假期、长周末和事故)的重复模式，以提取用于表示驾驶员在具体周期上的驾驶趋势和驾驶习惯的结果信息。结果信息可以包括用于表示在具体周期上所有驾驶员的公共驾驶趋势和驾驶习惯以及具体驾驶员的具体驾驶趋势和驾驶习惯的信息。

同时，处理单元330将危险驾驶索引信息、燃料消耗索引信息等等预先存储在用于处理和分析车辆驾驶大数据的系统300中，或者分析与其他信息如从外部设备提供的天气信息和交通信息的关联，以提取用于指示其之间的交互分析结果的结果信息。

在另一个实施方式中，处理单元330可以生成用于基于所提炼的车辆驾驶数据、所获取的统计数据和索引信息来预测具体字段的改变的学习模型，并且提取用于表示具体字段的改变的预测结果的结果信息(图11的S3393)。

作为一个实例，处理单元330可以创建用于基于事故历史字段来预测事故发生时间等等的学习模型，并且连同事故风险索引信息提取用于表示所预测的事故发生时间、风险等等的结果信息。

作为另一个实例，处理单元330可以创建用于基于维修历史字段预测故障发生时间等等的学习模型，并且连同维修对象索引信息提取用于表示所预测的维修时间、故障风险等等的结果信息。

同时，处理单元330从用于指示事故发生时间和风险或故障发生时间以及各种VDR中的每个的风险的结果信息提取公共特征，例如具体车辆类型(或具体车辆型号)的公共事故发生时间和公共故障发生时间，以生成用于指示具体车辆类型的事故风险和故障风险的结果信息。

在另一个实施方式中，处理单元330可以基于所提炼的车辆驾驶数据、所获取的统计数据和索引信息，分析与空间数据相关的特征，并且提取用于表示分析结果的结果信息(S3395)。

处理单元330可以例如基于各种VDR的GPS位置字段和各种VDR的危险驾驶索引信息、燃料消耗索引信息、环境索引信息等等，提取用于指示高风险道路、常规紧急停车道路、导致过量二氧化碳排放的道路等等的结果信息。

同时，处理单元330可以将GPS位置字段、危险驾驶索引信息、燃料消耗索引信息、环境索引信息等等与预存储在用于处理和分析车辆驾驶大数据的系统300(见图1)中或者从外部设备提供的电子地图数据匹配，以提取用于指示与每个管辖区域的驾驶员的趋势有关的索引分布的结果信息。

在另一个实施方式中，处理单元330可以基于具体字段、基于所提炼的车辆驾驶数据、所获取的统计数据和索引信息，提取用于指示索引信息的分布状态的结果信息(S3397)。

处理单元330可以例如基于运输操作注册号码字段，分析驾驶员的危险驾驶索引、燃料消耗索引信息、环境索引信息等等，以提取用于指示每个公司的驾驶员类型以及每个公司的索引信息分布状态的结果信息。

在另一个实施方式中，处理单元330可以基于所提炼的车辆驾驶数据、所获取的统计数据和索引信息，提取用于指示在用户识别结果信息之前和之后的改变的结果信息(S3399)。

处理单元330可以例如从驾驶员、运输业运营商等等接收通过复杂地分析危险驾驶索引信息、燃料消耗索引信息、环境索引信息、控制器350的结果信息以及将警报消息等等提供给对应的驾驶员的日期或执行提供给驾驶员所属的运输业运营商以定位对应驾驶员的教育的日期的信息所生成的分析信息。作为结果，处理单元330可以通过检查车辆驾驶数据、所获取的统计数据、索引信息在驾驶员识别了具体结果信息之前和之后或者在驾驶员的教育之前和之后的改变，分析驾驶员的驾驶趋势的改变，并且提取用于指示分析结果的结果信息。

就这点而言，可以通过复杂和有效的数据挖掘改善用于处理和分析车辆驾驶大数据的系统300的分析性能。

[控制器的功能和作用-图12]

图12是用于更具体地描述根据本发明的实施方式的用于处理和分析车辆驾驶大数据的系统300中控制器350的图。参考图12，控制器350可以包括分析单元351和管理单元353。

分析单元351复杂地分析索引信息、结果信息和在处理单元330中生成的多个统计数据，以生成各种分析信息和反应分析结果的警报消息。

分析单元351可以例如对于关于单独的车辆驾驶员的驾驶趋势、燃料消耗索引和环境性能索引的分析信息中的至少一个，对于每次和每个公司等等，生成索引分析信息、统计分析信息。分析单元351可以生成警报消息以提供事故风险索引信息等等给驾驶员和运输业运营商。

此外，分析单元351可以生成分析信息和警报消息，其反应对于每个管辖区域的驾驶员驾驶趋势、具体道路的事故风险、环境效果等等的分析的结果。

管理单元353可以在数据库370中存储并且管理分析信息、警报消息、从处理单元330提供的统计数据、索引信息和结果信息。

管理单元353可以根据预定周期或者当驾驶员、运输业运营商、运输安全局等等请求时，通过用户接口390提供分析信息等等给驾驶员、车辆销售商和/或租赁运营商、运输安全局等等。

因此，车辆驾驶员的安全驾驶感应、车辆燃料有效改善感应、预维修感应和事故预防是有可能的，可以改善运输业运营商的管理效率，并且可以有效地改善导致事故风险的管辖区域、道路等等以及公共机构如运输安全局中的环境恶化。

[用户接口单元的功能和作用-图13和图14到图19]

图13是用于更具体地描述用户接口390的图；以及图14-19是用于描述由用户接口390提供的数据可视化的可实现的实例的图。

参考图13，用户接口390可以包括可视化处理单元391。

可视化处理单元391可视化将由用户如驾驶员和运输业运营商直接识别的从控制器350提供的统计数据、结果信息等等。可视化处理单元391可以例如执行对于包括在车辆驾驶数据中的每个单一的车辆驾驶字段的集群分析的可视化、对于每个单一的车辆驾驶字段的统计分析的可视化、对于每个单一的车辆驾驶字段的等级重分类的可视化，对于车辆驾驶数据之中具有关联的两个车辆驾驶字段之间的交叉分析的可视化、对于车辆驾驶数据的时间顺序原始数据分析的可视化等等。

进一步地，可视化处理单元391还可以执行与各种挖掘分析如上述短期观点上的数据挖掘过程(S3370)和长期观点上的数据挖掘过程(S3390)有关的可视化处理，即用于通过执行挖掘分析来推断结果信息的可视化处理。就这点而言，通过可视化处理单元391的可视化处理，用户可以直接执行各种挖掘分析如短期观点上的数据挖掘过程(S3370)和长期观点上的数据挖掘过程(S3390)。

当参考图14到图19来更详细地描述可视化的实例时，可视化处理单元391可以可视化统计数据中的车辆的超速次数、快速加速次数等等的字段的记录，以执行如图14中所示的集群分析。进一步地，可视化处理单元391可以可视化车辆驾驶数据中的车辆速度、RPM等等的字段的记录，以执行如图15中所示的交叉分析。

可视化处理单元391可以将统计数据的平均速度和最大速度字段表示为图16和图17中所示的柱状图，可以将统计数据中的车辆的超速次数的界外值可视化为如在图18中所示被容易检查出的弥散的形式，并且进一步地，可以可视化为如在图19中所示容易被检查出的车辆驾驶数据中的时间顺序车辆速度字段的记录的界外值。

就这点而言，用于处理和分析车辆驾驶大数据的系统300通过用户接口单元390的可视化处理将所提取的信息提供给用户，使得用户可以直观地识别并且有效地使用从大数据所提取的信息并且可以直接地执行挖掘分析。

在上文中，参考优选实施方式详细描述了本发明，但是本发明不限于该实施方式，并且在本发明的技术精神和范围之内，本领域熟练技术人员可以做出各种修改和改变。

Claims (20)

1.一种用于处理和分析车辆驾驶大数据的方法，包括：

提炼原始数据的车辆驾驶数据；

基于所提炼的车辆驾驶数据获取统计数据；并且

基于所述提炼的车辆驾驶数据和所获取的统计数据中的至少一个执行挖掘分析。

2.如权利要求1所述的方法，其中：

所述车辆驾驶数据包括识别数据和感测数据，

所述识别数据包括车辆识别号码、车辆类型、车辆注册号码、运输业运营商注册号码、和驾驶员识别码、托运文件信息、托运人和商品名称的字段的记录中的至少一个，并且

所述感测数据包括车辆的行驶距离、行驶时间、起始时间、数据获取周期、数据获取时间、速度、RPM、中断信号、位置、方位角、和加速度、位置、OBD-II(车载诊断II)信息的字段的记录中的至少一个。

3.如权利要求2所述的方法，其中：

所述提炼包括：

通过确定所述感测数据的每个字段的记录是否具有在极限范围之内的值来检测界外值；并且

当被检测为界外值的记录具有超出所述极限范围的值时，去除该记录或者纠正该记录以对应于所述极限范围内的值。

4.如权利要求3所述的方法，其中：

所述提炼包括：

通过在所述纠正之后对所提炼的感测数据的每个字段的后续记录进行偏差比较来检测界外值；并且

通过所述偏差比较去除被检测为界外值的记录。

5.如权利要求3所述的方法，其中：

所述提炼包括：

通过在所述纠正之后对所提炼的感测数据中具有关联的字段的记录进行比较来检测界外值；并且

通过关联比较去除被检测为界外值的记录。

6.如权利要求1所述的方法，其中：

所获取的统计数据包括驾驶统计数据和趋势统计数据，

所述驾驶统计数据包括每日行驶距离、总驾驶时间、平均速度、最大速度和最大RPM、英里里程、燃料消耗、能量消耗、废气排放、驾驶区域、车辆间距的字段的记录中的至少一个，并且

所述趋势统计数据包括超速次数、危险超速次数、长期超速次数、快速加速次数、快速减速次数、快速启动次数、快速停止速度、超车次数、路线改变次数、快速旋转次数、怠速次数、高RPM次数、车辆间距的字段的记录中的至少一个。

7.如权利要求6所述的方法，其中：

获取统计数据包括：

通过对所述提炼的车辆驾驶数据进行统计计算来生成所述统计数据；

在所生成的统计数据中确定是否在预定时间之内重复计算了每个字段的记录；并且

将确定被重复计算的记录纠正为一个计算值。

8.如权利要求6所述的方法，其中：

执行挖掘分析包括：

基于趋势统计数据对每个类型的车辆驾驶员的驾驶趋势进行分类；并且

关于所分类的类型中的每一个类型索引车辆驾驶员的趋势程度。

9.如权利要求8所述的方法，其中：

执行挖掘分析包括：

在所述索引之后，生成用于指示对于所分类的类型所索引的结果的索引信息；并且

分析趋势统计数据字段和索引信息中的至少一个字段的关联。

10.如权利要求6所述的方法，其中：

执行挖掘分析包括：

基于具体周期，基于所述提炼的车辆驾驶数据和所述获取的统计数据的字段，分析重复模式；并且

基于所述重复模式，分析所述车辆驾驶员在所述具体周期的驾驶趋势。

11.如权利要求6所述的方法，其中：

所获取的统计数据进一步包括历史数据，其包括事故历史和维修历史字段的记录，并且

执行挖掘分析包括：

基于所述提炼的车辆驾驶数据和所获取的统计数据，生成用于预测所述事故历史和维修历史字段中的至少一个的改变的学习模式；并且

通过使用学习模型来分析事故风险和车辆维修时间中的至少一个。

12.如权利要求11所述的方法，其中，执行挖掘分析包括：在分析事故风险和维修时间中的至少一个之后，基于分析结果，生成通过索引事故风险的程度以及维修时间是否到来所指示的索引信息。

13.如权利要求6所述的方法，其中：

执行挖掘分析包括：

基于所述提炼的车辆驾驶数据和所获取的统计数据，提取车辆位置信息；并且

基于所提取的车辆位置信息和趋势统计数据的字段，分析增加事故风险并且增加空气污染的空间。

14.如权利要求6所述的方法，其中：

执行挖掘分析包括：

基于所述提炼的车辆驾驶数据和所获取的统计数据，提取车辆位置信息；并且

基于所提取的车辆位置信息、趋势统计数据和地图数据，针对每个管辖区域，分析驾驶员的驾驶趋势。

15.如权利要求8所述的方法，其中：

执行挖掘分析包括：

生成通过索引所分类的种类的趋势程度所指示的索引信息；并且

基于所述提炼的车辆驾驶数据的运输业运营商注册号码字段，分析所生成的索引信息的分布状态。

16.如权利要求8所述的方法，其中：

执行挖掘分析包括：

生成通过索引所分类的种类的趋势程度所指示的索引信息；并且

在车辆的驾驶员识别所生成的索引信息之前和之后进行分类，以检测所述生成的索引信息、所述提炼的车辆驾驶数据和所述获取的统计数据的改变，并且基于检测结果，分析车辆驾驶员的驾驶趋势的改变。

17.如权利要求1所述的方法，进一步包括：

在提炼所述车辆驾驶数据之前，采集从车辆驾驶记录仪或传感器获取的车辆驾驶数据。

18.如权利要求1所述的方法，其中：

所获取的统计数据包括与燃料消耗和废气排放中的至少一个相关的统计数据，并且

分别根据驾驶员、运输业运营商、区域、道路中的至少一个，对所获取的统计数据进行分类，并且

执行挖掘分析包括：基于与燃料消耗和废气排放中的至少一个相关的统计数据，生成驾驶员的节能ECO驾驶信息和车辆的预测超载信息中的至少一个。

19.如权利要求1所述的方法，其中：

所获取的统计数据包括与OBD-II(车载诊断II)的诊断代码相关的统计数据，并且

分别根据驾驶员、运输业运营商、车辆型号、车辆型年中的至少一个，对所获取的统计数据进行分类，并且

执行挖掘分析包括：基于与诊断代码相关的统计数据，生成关于车辆异常、事故风险和车辆维修的预测信息中的至少一个。

20.一种用于处理和分析车辆驾驶大数据的系统，包括：

通过使用车辆驾驶数据来处理和分析大数据的所述系统，

大数据存储单元，其被配置为存储原始数据的车辆驾驶数据；以及

大数据处理单元，其被配置为提炼存储在所述大数据存储单元中的原始数据的车辆驾驶数据，基于所提炼的车辆驾驶数据获取统计数据，并且基于所述提炼的车辆驾驶数据和所获取的统计数据中的至少一个执行挖掘分析。