CN106585635A - 驾驶行为评分方法和装置 - Google Patents
驾驶行为评分方法和装置 Download PDFInfo
- Publication number
- CN106585635A CN106585635A CN201611061659.3A CN201611061659A CN106585635A CN 106585635 A CN106585635 A CN 106585635A CN 201611061659 A CN201611061659 A CN 201611061659A CN 106585635 A CN106585635 A CN 106585635A
- Authority
- CN
- China
- Prior art keywords
- item
- index
- scoring
- index item
- journey
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种驾驶行为评分方法和装置。其中方法包括：获取待评分行程的车辆行驶数据，根据每个指标项的报警参数值确定每个指标项的第一评分；对每个指标项的第一评分进行加权求和，以得到待评分行程的第一评分结果；根据预先训练的神经网络模型和每个指标项的报警参数值确定待评分行程的状态类型；根据预设评分调整标准和状态类型对待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成待评分行程的第二评分结果和每个指标项的第二评分,作为对驾驶行为的评分结果。该方法通过神经网络模型对待评分行程的总评分和各个指标项的评分进行调整，提高了评分的计算准确度。
Description
技术领域
本发明涉及汽车安全驾驶技术领域，尤其涉及一种驾驶行为评分方法和装置。
背景技术
随着生活水平的日益提高，机动车辆的数量也越来越多，在驾驶车辆过程中，不安全的驾驶行为带来了很多安全隐患，造成了巨大的财产和人员的损失，因此，如何改善驾驶员的驾驶行为已经成为一个不可忽视的问题。
目前，相关技术中通常通过纵向加速度、横向加速度、垂直加速度三个参数进行阈值判断，而阈值提取过程中使用的样本有限，最终提供驾驶行为的总分数，或者，提供安全或者不安全的判断结果，然而，评价的指标参数较少，不能提供车辆行驶中的各个指标对危险发生的影响程度，评价结果的准确性也没有很好地得到验证，并且，仅给出驾驶行为的总分数或者判断结果不利于驾驶员了解弱项驾驶行为，不能有效帮助用户纠正自己的不良驾驶行为。
发明内容
本发明的目的旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种驾驶行为评分方法。该方法在计算待评分行程的第一评分结果过程中，结合各个指标的评分和权重计算总评分，并通过神经网络模型对待评分行程的总评分和各个指标项的评分进行调整，提高了评分的计算准确度，并且，提供调整后的总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。
本发明的第二个目的在于提出一种驾驶行为评分装置。
为达上述目的，本发明第一方面实施例的驾驶行为评分方法，包括：获取待评分行程的车辆行驶数据，其中，所述车辆行驶数据包括多个指标项的报警参数值；根据每个指标项的报警参数值确定每个指标项的第一评分；对每个指标项的第一评分进行加权求和，以得到所述待评分行程的第一评分结果；根据预先训练的神经网络模型和每个指标项的报警参数值确定所述待评分行程的状态类型；根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分,作为对所述驾驶行为的评分结果。
其中，在本发明的一个实施例中，所述根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分，包括：
在所述状态类型为第一类型时，判断所述待评分行程的第一评分结果是否大于预设阈值；
如果是，则生成第一随机数，并将所述预设阈值与第一随机数的差值作为调整后的所述待评分行程的第二评分结果，其中，所述第一随机数的范围为大于0且小于1；
将所述待评分行程的第一评分结果和第二评分结果之间的差值，作为第一评分差值；
根据所述第一评分差值和每个指标项的权重分别确定每个指标项的第一中间分数；
将每个指标项的第一评分与第一中间分数的差值作为每个指标项的第二评分。
在本发明的一个实施例中，所述根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分，包括：
在所述状态类型为第二类型时，判断所述待评分行程的第一评分结果是否小于所述预设阈值；
如果是，则生成第二随机数，并将所述预设阈值与第二随机数的和作为调整后的所述待评分行程的第二评分结果，其中，所述第二随机数的范围为大于0且小于1；
将所述待评分行程的第一评分结果和第二评分结果之间的差值，作为第二评分差值；
根据所述第二评分差值和每个指标项的权重分别确定每个指标项的第二中间分数；
将每个指标项的第一评分与第二中间分数的和作为每个指标项的第二评分。
在本发明的一个实施例中，所述根据每个指标项的报警参数值确定每个指标项的第一评分，包括：
根据预设特征模型和每个指标项的报警参数值，确定每个指标项的危险驾驶概率、安全驾驶概率和权重；
根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率；
根据每个指标项的安全倾向性概率分别确定每个指标项的第一评分；
所述对每个指标项的第一评分进行加权求和，以得到所述待评分行程的第一评分结果，包括：
根据每个指标项的第一评分和权重计算所述待评分行程的第一评分结果。
在本发明的一个实施例中，在所述获取待评分行程的车辆行驶数据之前，还包括：
根据是否发生碰撞对车辆样本行驶数据进行划分，以得到发生碰撞事件的发生碰撞报警数据集和未发生碰撞事件的未发生碰撞报警数据集，其中，所述车辆样本行驶数据包括真实碰撞信息和多个样本指标项的样本指标报警数据；
针对所述发生碰撞事件，根据所述发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第一平均值和第一标准差；
针对所述未发生碰撞事件，根据所述未发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第二标准差和第二平均值；
根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立所述预设特征模型。
在本发明的一个实施例中，所述根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立所述预设特征模型，包括：
根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值确定每个样本指标项的危险驾驶概率和安全驾驶概率；
根据每个样本指标项的危险驾驶概率与安全驾驶概率确定每个样本指标项的碰撞预测结果；
根据所述真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度；
根据每个样本指标项的碰撞预测准确度分别计算每个样本指标的权重。
在本发明的一个实施例中，所述根据所述真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度，包括：
根据每个样本指标项的碰撞预测结果和所述真实碰撞信息生成每个样本指标项的混淆矩阵；
根据每个样本指标项的混淆矩阵分别确定每个样本指标项的碰撞预测准确度。
在本发明的一个实施例中，还包括：
每间隔预设时间段采集所述车辆样本行驶数据；
根据所述车辆样本行驶数据更新所述预设特征模型和所述预先训练的神经网络模型。
在本发明的一个实施例中，所述根据预设特征模型和每个指标项的报警参数值，确定每个指标项的危险驾驶概率、安全驾驶概率，包括：
根据每个指标项的报警参数值、所述预设特征模型中的所述第一标准差和所述第一平均值计算每个指标项的安全驾驶概率；
根据每个指标项的报警参数值、所述预设特征模型中的所述第二标准差和所述第二平均值计算计算每个指标项的危险驾驶概率。
根据本发明实施例的驾驶行为评分方法，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，其中，车辆行驶数据包括多个指标项的报警参数值，根据每个指标项的报警参数值确定每个指标项的第一评分，对每个指标项的第一评分进行加权求和，以得到待评分行程的第一评分结果，根据预先训练的神经网络模型和每个指标项的报警参数值确定待评分行程的状态类型，根据预设评分调整标准和状态类型对待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成待评分行程的第二评分结果和每个指标项的第二评分，并作为对驾驶行为的评分结果。由此，在计算待评分行程的第一评分结果过程中，结合各个指标的评分和权重计算总评分，并通过神经网络模型对待评分行程的总评分和各个指标项的评分进行调整，提高了评分的计算准确度，并且，提供调整后的总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。
为达上述目的，本发明第二方面实施例的驾驶行为评分装置，包括：获取模块，用于获取待评分行程的车辆行驶数据，其中，所述车辆行驶数据包括多个指标项的报警参数值；第一确定模块，用于根据每个指标项的报警参数值确定每个指标项的第一评分；求和模块，用于对每个指标项的第一评分进行加权求和，以得到所述待评分行程的第一评分结果；第二确定模块，用于根据预先训练的神经网络模型和每个指标项的报警参数值确定所述待评分行程的状态类型；生成模块，用于根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分,作为对所述驾驶行为的评分结果。
在本发明的一个实施例中，所述生成模块，具体用于：
在所述状态类型为第一类型时，判断所述待评分行程的第一评分结果是否大于预设阈值；如果是，则生成第一随机数，并将所述预设阈值与第一随机数的差值作为调整后的所述待评分行程的第二评分结果，其中，所述第一随机数的范围为大于0且小于1；将所述待评分行程的第一评分结果和第二评分结果之间的差值，作为第一评分差值；根据所述第一评分差值和每个指标项的权重分别确定每个指标项的第一中间分数；将每个指标项的第一评分与第一中间分数的差值作为每个指标项的第二评分。
在本发明的一个实施例中，所述生成模块，具体用于：
在所述状态类型为第二类型时，判断所述待评分行程的第一评分结果是否小于所述预设阈值；如果是，则生成第二随机数，并将所述预设阈值与第二随机数的和作为调整后的所述待评分行程的第二评分结果，其中，所述第二随机数的范围为大于0且小于1；将所述待评分行程的第一评分结果和第二评分结果之间的差值，作为第二评分差值；根据所述第二评分差值和每个指标项的权重分别确定每个指标项的第二中间分数；将每个指标项的第一评分与第二中间分数的和作为每个指标项的第二评分。
在本发明的一个实施例中，所述第一确定模块，具体用于：
根据预设特征模型和每个指标项的报警参数值，确定每个指标项的危险驾驶概率、安全驾驶概率和权重；
根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率；
根据每个指标项的安全倾向性概率分别确定每个指标项的第一评分；
所述求和模块，具体用于：
根据每个指标项的第一评分和权重计算所述待评分行程的第一评分结果。
在本发明的一个实施例中，还包括：
划分模块，用于根据是否发生碰撞对车辆样本行驶数据进行划分，以得到发生碰撞事件的发生碰撞报警数据集和未发生碰撞事件的未发生碰撞报警数据集，其中，所述车辆样本行驶数据包括真实碰撞信息和多个样本指标项的样本指标报警数据；
第一计算模块，用于针对所述发生碰撞事件，根据所述发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第一平均值和第一标准差；
第二计算模块，用于针对所述未发生碰撞事件，根据所述未发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第二标准差和第二平均值；
建立模块，用于根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立所述预设特征模型。
在本发明的一个实施例中，所述建立模块，包括：
第一确定单元，用于根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值确定每个样本指标项的危险驾驶概率和安全驾驶概率；
第二确定单元，用于根据每个样本指标项的危险驾驶概率与安全驾驶概率确定每个样本指标项的碰撞预测结果；
确定单元，用于根据所述真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度；
计算单元，用于根据每个样本指标项的碰撞预测准确度分别计算每个样本指标的权重。
在本发明的一个实施例中，所述确定单元，具体用于：
根据每个样本指标项的碰撞预测结果和所述真实碰撞信息生成每个样本指标项的混淆矩阵，并根据每个样本指标项的混淆矩阵分别确定每个样本指标项的碰撞预测准确度。
在本发明的一个实施例中，还包括：
采集模块，用于每间隔预设时间段采集所述车辆样本行驶数据；
更新模块，用于根据所述车辆样本行驶数据更新所述预设特征模型和所述预先训练的神经网络模型。
在本发明的一个实施例中，所述第一确定模块，具体用于：
根据每个指标项的报警参数值、所述预设特征模型中的所述第一标准差和所述第一平均值计算每个指标项的安全驾驶概率；
根据每个指标项的报警参数值、所述预设特征模型中的所述第二标准差和所述第二平均值计算计算每个指标项的危险驾驶概率。根据本发明实施例的驾驶行为评分装置，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，其中，车辆行驶数据包括多个指标项的报警参数值，根据每个指标项的报警参数值确定每个指标项的第一评分，对每个指标项的第一评分进行加权求和，以得到待评分行程的第一评分结果，根据预先训练的神经网络模型和每个指标项的报警参数值确定待评分行程的状态类型，根据预设评分调整标准和状态类型对待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成待评分行程的第二评分结果和每个指标项的第二评分，并作为对驾驶行为的评分结果。由此，在计算待评分行程的第一评分结果过程中，结合各个指标的评分和权重计算总评分，并通过神经网络模型对待评分行程的总评分和各个指标项的评分进行调整，提高了评分的计算准确度，并且，提供调整后的总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，
图1是根据本发明一个实施例的驾驶行为评分方法的流程图；
图2是根据本发明一个实施例的根据每个指标项的报警参数值确定每个指标项的第一评分的细化流程图；
图3是根据本发明一个实施例的建立预设特征模型的流程图；
图4是根据本发明一个实施例的驾驶行为评分装置的结构框图；
图5是根据本发明另一个实施例的驾驶行为评分装置的结构框图；
图6是根据本发明一个实施例的建立模块的结构框图；
图7是根据本发明再一个实施例的驾驶行为评分装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的驾驶行为评分方法和装置。
图1是根据本发明一个实施例的驾驶行为评分方法的流程图。
如图1所示，该驾驶行为评分方法可以包括以下步骤：
S101，获取待评分行程的车辆行驶数据。
其中，车辆行驶数据包括多个指标项的报警参数值。
其中，多个指标项的报警数据可以包括急转弯报警、急减速报警、急加速报警、急变道报警、超速报警、疲劳驾驶报警、长时间怠速报警、频繁变道报警、转速过高报警、水温过高报警、空挡滑行报警等信息。
其中，需要理解的是，车辆行驶数据还包括远光灯开关、近光灯开关、示宽灯开关、雾灯开关、左转向灯开关、右转向灯开关、危险灯开关、车门开关、车门锁开关、车窗开关、ECM(发动机控制单元)/ECU(发动机控制模块)、ABS(制动防抱死系统)、SRS(electroniccontrol of safety airbag，电子安全气囊)、机油(压力、温度)报警、保养报警、车轮胎压报警、手刹状态、刹车踏板、刹车踏板相对位置、油门踏板、油门踏板相对位置、离合状态、安全带状态、ACC信号、钥匙状态、雨刷状态、空调开关等车辆信息。
S102，根据每个指标项的报警参数值确定每个指标项的第一评分。
在本发明的一个实施例中，如图2所示，根据每个指标项的报警参数值确定每个指标项的第一评分可以包括：
S1021，根据预设特征模型和每个指标项的报警参数值，确定每个指标项的危险驾驶概率、安全驾驶概率和权重。
其中，预设特征模型是根据大量车辆样本行驶数据预先建立的。
其中，车辆样本行驶数据是从车辆行驶过程中收集的，其中，可通过多种方式收集车辆样本行驶数据。例如，可通过移动设备、OBD(On-Board Diagnostic，车载诊断系统)设备或者车辆前装设备等收集车辆行驶中的车辆行驶数据。
其中，需要说明的是，建立预设特征模型的过程将在后续内容中描述。
S1022，根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率。
在本发明的一个实施例中，在确定每个指标项的危险驾驶概率、安全驾驶概率和权重后，可根据每个指标项的报警参数值、预设特征模型中的第一标准差和第一平均值计算每个指标项的安全驾驶概率，并根据每个指标项的报警参数值、预设特征模型中的第二标准差和第二平均值计算计算每个指标项的危险驾驶概率。
具体地，在获取每个指标项的危险驾驶概率和安全驾驶概率后，针对每个指标项可通过下述公式计算每个指标项的安全倾向性概率：
其中，ei表示第i个指标项。
S1023，根据每个指标项的安全倾向性概率分别确定每个指标项的第一评分。
举例而言，如果以百分制表示每个指标项的第一评分，则可通过下述公式计算待评分行程中第i个指标项的第一评分F(ei)为：
F(ei)＝100*安全倾向性概率(ei)
S103，对每个指标项的第一评分进行加权求和，以得到待评分行程的第一评分结果。
也就是说，在获取每个指标项的第一评分之后，对每个指标项进行加权求和，所得的求和结果即为待评分行程的第一评分结果。
S104，根据预先训练的神经网络模型和每个指标项的报警参数值确定待评分行程的状态类型。
其中，预先训练的神经网络模型是基于大量车辆样本行驶数据预先建立的。
其中，车辆样本行驶数据包括真实碰撞信息和各项指标项的报警信息。
其中，建立预先训练的神经网络模型的过程为：建立隐藏层为两层的神经网络，每层神经元数量为输入层神经元数量为指标数减1，输出层神经元数目为2。在训练阶段，将碰撞指标数据(即真实碰撞信息)输入输出层作为分类结果(因变量)，其余样本指标项的报警数据输入神经网络的输入层(自变量)进行训练，以生成神经网络模型。
在本发明的一个实施例中，为了提高评分结果的准确性，在获取待评分行程的车辆行驶数据后，可将每个指标项的报警参数值输入预先训练的神经网络模型，预先训练的神经网络模型将输出待评分行程的状态类型。
其中，状态类型包括第一类型和第二类型，第一类型为碰撞，第二类型为非碰撞。
S105，根据预设评分调整标准和状态类型对待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成待评分行程的第二评分结果和每个指标项的第二评分，作为对驾驶行为的评分结果。
在本发明的一个实施例中，在状态类型为第一类型时，判断待评分行程的第一评分结果是否大于预设阈值，如果是，则生成第一随机数，并将预设阈值与第一随机数的差值作为调整后的待评分行程的第二评分结果。
其中，第一随机数的范围为大于0且小于1。
其中，预设阈值为预先设置的值，例如，预设阈值为50。
在生成第一随机数后，可将待评分行程的第一评分结果和第二评分结果之间的差值，作为第一评分差值，然后，根据第一评分差值和每个指标项的权重分别确定每个指标项的第一中间分数，以及将每个指标项的第一评分与第一中间分数的差值作为每个指标项的第二评分，由此，以对每个指标项进行调整，并且可保证每个指标项的第二评分相加后与待评分行程的第二评分结果一致。
假设，预设阈值为50，在神经网络模型预测待评分行程的状态类型为碰撞，且判断出待评分行程的第一评分结果T大于50分时，以50-R作为该行程最终总分，其中，R表示第一随机数，第一随机数为大于0且小于1的双精度随机数。设D＝T-(50-R)，其中，D代表T与最终总分的差值。D乘以各个指标项的权重取得各个指标项的第一评分应当减去的分值，将各个指标项的第一评分减去相应差值，以保证各指标最终评分相加后与最终总分一致。
在本发明的一个实施例中，在状态类型为第二类型时，判断待评分行程的第一评分结果是否小于预设阈值，如果是，则生成第二随机数，并将预设阈值与第二随机数的和作为调整后的待评分行程的第二评分结果，
其中，第二随机数的范围为大于0且小于1。
之后，将待评分行程的第一评分结果和第二评分结果之间的差值，作为第二评分差值，并根据第二评分差值和每个指标项的权重分别确定每个指标项的第二中间分数，以及将每个指标项的第一评分与第二中间分数的和作为每个指标项的第二评分。
假设，预设阈值为50，在神经网络模型预测待评分行程的状态类型为非碰撞，且判断出待评分行程的第一评分结果小于50分时：以50+R作为该行程最终总分，其中R表示第二随机数，第二随机数为大于0且小于1的双精度随机数。设D＝(50+R)-T，其中D代表T与最终总分的差值。D乘以各个指标项的权重取得各个指标项的第一评分应当增加的分值，将各个指标项的第一评分增加相应差值，以保证各指标最终评分相加后与最终总分一致。
其中，需要理解的是，在状态类型为第一类型时，如果判断出待评分行程的第一评分结果小于或者等于预设阈值，则不对待评分行程的第一评分结果和每个指标项的第一评分进行调整。
在状态类型为第二类型时，如果判断出待评分行程的第一评分结果大于预设阈值，则不对待评分行程的第一评分结果和每个指标项的第一评分进行调整。
其中，需要理解的是，神经网络模型可对线性与非线性关系数据进行分类，弥补贝叶斯算法在非线性问题方面表现的不足，从而提高待评分行程的总评分和每个指标项的评分的准确度。
根据本发明实施例的驾驶行为评分方法，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，其中，车辆行驶数据包括多个指标项的报警参数值，根据每个指标项的报警参数值确定每个指标项的第一评分，对每个指标项的第一评分进行加权求和，以得到待评分行程的第一评分结果，根据预先训练的神经网络模型和每个指标项的报警参数值确定待评分行程的状态类型，根据预设评分调整标准和状态类型对待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成待评分行程的第二评分结果和每个指标项的第二评分，并作为驾驶行为的评分结果。由此，在计算待评分行程的第一评分结果过程中，结合各个指标的评分和权重计算总评分，并通过神经网络模型对待评分行程的总评分和各个指标项的评分进行调整，提高了评分的计算准确度，并且，提供调整后的总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。
其中，需要理解的是，在获取待评分行程的车辆行驶数据之前，可根据大量的车辆样本行驶数据预先建立预设特征模型。
其中，预先建立预设特征模型的过程，如图3所示，可以包括以下步骤：
S301，根据是否发生碰撞对车辆样本行驶数据进行划分，以得到发生碰撞事件的发生碰撞报警数据集和未发生碰撞事件的未发生碰撞报警数据集。
其中，车辆样本行驶数据包括真实碰撞信息和多个样本指标项的样本指标报警数据。
其中，是否发生碰撞与车辆样本行驶数据中的真实碰撞信息有关。如果车辆样本行驶数据中记录车辆发生过碰撞，则将该车辆样本行驶数据加入发生碰撞报警数据集，如果车辆样本行驶数据中记录车辆未碰撞，则将该车辆样本行驶数据加入非发生碰撞报警数据集。
在本发明的一个实施例中，在获取大量车辆的针对每条车辆样本行驶数据，针对每条车辆样本行驶数据可进行如下处理：
用车辆单次行程中除碰撞报警外的其他各项报警发生次数除以该行程里程数(以米为单位)，求得该行程中平均每米发生的各类报警次数，并记录是否发生碰撞。
举例而言，用于存储处理后数据的表结构，如表1。
表1数据表结构
对车辆样本行驶数据按照产生碰撞事件与否进行划分，以得到未发生碰撞事件的未发生碰撞报警数据集，以及发生碰撞事件的发生碰撞报警数据集。
S302，针对发生碰撞事件，根据发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第一平均值和第一标准差。
S303，针对未发生碰撞事件，根据未发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第二标准差和第二平均值。
S304，对根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立预设特征模型。
在本发明的一个实施例中，在获取每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值后，可根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值确定每个样本指标项的危险驾驶概率和安全驾驶概率，以及根据每个样本指标项的危险驾驶概率与安全驾驶概率确定每个样本指标项的碰撞预测结果，然后，根据真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度，最后，根据每个样本指标项的碰撞预测准确度分别计算每个样本指标的权重。
在本发明的一个实施例中，根据真实碰撞信息和每个样本指标项的碰撞预测结果确定每个样本指标项的碰撞预测准确度可以包括：根据每个样本指标项的碰撞预测结果和真实碰撞信息生成每个样本指标项的混淆矩阵，根据每个样本指标项的混淆矩阵分别确定每个样本指标项的碰撞预测准确度。
为了方便理解本领域的技术人员理解本发明，下面对计算每个样本指标项的碰撞预测准确度和权重的过程进行描述。
假设AVGS(Ei)表示未发生碰撞报警数据集中第i个指标的平均值，AVGS(Ei)表示发生碰撞报警数据集中第i个指标的平均值，STDS(Ei)表示未发生碰撞报警数据集中第i个指标的标准差，STDD(Ei)表示发生碰撞报警数据集中第i个指标的标准差。
在获取每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值后可通过下述两项概率密度函数公式，以求得每条行程中每个样本指标项的安全驾驶概率与危险驾驶概率。为了方便理解，该实施例以表1中的样本指标项E1为例描述计算安全驾驶概率与危险驾驶概率的公式：
其中，其中e1代表待评分行程数据在E1指标下的具体数值,如表1中E1指标下的3.12，exp为自然对数函数的底数，约等于2.71828182845。
在计算出每个样本指标项的危险驾驶概率与安全驾驶概率，针对每个样本指标项，可比较当前样本指标项的危险驾驶概率与安全驾驶概率，如果判断当前样本指标项的危险驾驶概率大于安全驾驶概率，则确定当前样本指标项的碰撞预测结果为危险。如果判断当前样本指标项的安全驾驶概率大于危险驾驶概率，则确定当前样本指标项的碰撞预测结果为安全。
举例而言，假设对表1中的各个指标项进行预测，所获得的预测结果，如表2所示。
表2指标项的预测结果表
在依次完成列中每个指标数据的计算后，将该指标的各行预测结果与原始碰撞信息组成混淆矩阵以计算该项指标的预测正确率。以表2中列名称为“E1预测结果”的列为例，混淆矩阵组成如下，
则根据准确度计算公式:
准确度＝(RsPs+RdPd)/(RsPs+RsPd+dPs+RdPd)
样本指标项E1的碰撞预测准确度＝(2+2)/(2+1+0+2)＝0.8。
依此方法计算全部样本指标样的碰撞预测准确度后以下列公式计算每个样本指标项的权重,其中，Wi代表样本指标项i的权重。
Wi＝Ei/(E1+E2+…+Ei+EN)
其中，N为样本指标项的总数。
也就是说，每个样本指标项的权重为每个样本指标项的碰撞预测准确度在所有样本指标项的碰撞预测准确度的占比。
其中，需要理解的是，为了可以提供准确的预设特征模型，可每隔预设时间段采集车辆样本行驶数据，并根据车辆样本行驶数据更新预设特征模型。也就是说，该实施例的预设特征模型将根据使用的车辆行驶大数据的差异而动态变化。
其中，预设时间段是根据应用场景需先设定的。
与上述几种实施例提供的驾驶行为评分方法相对应，本发明的一种实施例还提供一种驾驶行为评分装置，由于本发明实施例提供的驾驶行为评分装置与上述几种实施例提供的驾驶行为评分方法相对应，因此在前述驾驶行为评分方法的实施方式也适用于本实施例提供的驾驶行为评分装置，在本实施例中不再详细描述。
图4是根据本发明一个实施例的驾驶行为评分装置的结构框图。
如图4所示，该驾驶行为评分装置可以包括获取模块111、第一确定模块112、求和模块113、第二确定模块114和生成模块115，其中：
获取模块111用于获取待评分行程的车辆行驶数据。
其中，车辆行驶数据包括多个指标项的报警参数值。
其中，多个指标项的报警数据可以包括急转弯报警、急减速报警、急加速报警、急变道报警、超速报警、疲劳驾驶报警、长时间怠速报警、频繁变道报警、转速过高报警、水温过高报警、空挡滑行报警等信息。
其中，需要理解的是，车辆行驶数据还包括远光灯开关、近光灯开关、示宽灯开关、雾灯开关、左转向灯开关、右转向灯开关、危险灯开关、车门开关、车门锁开关、车窗开关、ECM(发动机控制单元)/ECU(发动机控制模块)、ABS(制动防抱死系统)、SRS(electroniccontrol of safety airbag，电子安全气囊)、机油(压力、温度)报警、保养报警、车轮胎压报警、手刹状态、刹车踏板、刹车踏板相对位置、油门踏板、油门踏板相对位置、离合状态、安全带状态、ACC信号、钥匙状态、雨刷状态、空调开关等车辆信息。
第一确定模块112用于根据每个指标项的报警参数值确定每个指标项的第一评分。
求和模块113用于对每个指标项的第一评分进行加权求和，以得到待评分行程的第一评分结果。
第二确定模块114用于根据预先训练的神经网络模型和每个指标项的报警参数值确定待评分行程的状态类型。
生成模块115用于根据预设评分调整标准和状态类型对待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成待评分行程的第二评分结果和每个指标项的第二评分，作为对驾驶行为的评分结果。
在本发明的一个实施例中，生成模块115具体用于：
在状态类型为第一类型时，判断待评分行程的第一评分结果是否大于预设阈值。如果是，则生成第一随机数，并将预设阈值与第一随机数的差值作为调整后的待评分行程的第二评分结果，其中，第一随机数的范围为大于0且小于1，将待评分行程的第一评分结果和第二评分结果之间的差值，作为第一评分差值，根据第一评分差值和每个指标项的权重分别确定每个指标项的第一中间分数，将每个指标项的第一评分与第一中间分数的差值作为每个指标项的第二评分。
在本发明的一个实施例中，生成模块115具体用于：
在状态类型为第二类型时，判断待评分行程的第一评分结果是否小于预设阈值。如果是，则生成第二随机数，并将预设阈值与第二随机数的和作为调整后的待评分行程的第二评分结果，其中，第二随机数的范围为大于0且小于1。之后，将待评分行程的第一评分结果和第二评分结果之间的差值，作为第二评分差值，并根据第二评分差值和每个指标项的权重分别确定每个指标项的第二中间分数，以及将每个指标项的第一评分与第二中间分数的和作为每个指标项的第二评分。
在本发明的一个实施例中，第一确定模块112具体用于：根据预设特征模型和每个指标项的报警参数值，确定每个指标项的危险驾驶概率、安全驾驶概率和权重，根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率，以及根据每个指标项的安全倾向性概率分别确定每个指标项的第一评分。
其中，求和模块113具体用于：
根据每个指标项的第一评分和权重计算待评分行程的第一评分结果。
在本发明的一个实施例中，在图4所示的实施例的基础上，如图5所示，该装置还可以包括划分模块117、第一计算模块118、第二计算模块119和建立模块120，其中：
划分模块117用于根据是否发生碰撞对车辆样本行驶数据进行划分，以得到发生碰撞事件的发生碰撞报警数据集和未发生碰撞事件的未发生碰撞报警数据集，其中，车辆样本行驶数据包括真实碰撞信息和多个样本指标项的样本指标报警数据。
第一计算模块118用于针对发生碰撞事件，根据发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第一平均值和第一标准差。
第二计算模块119用于针对未发生碰撞事件，根据未发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第二标准差和第二平均值。。
建立模块120用于根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立预设特征模型。
在本发明的一个实施例中，如图6所示，建立模块120可以包括第一确定单元1201、第二确定单元1202、确定单元1203和计算单元1204，其中：
第一确定单元1201用于根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值确定每个样本指标项的危险驾驶概率和安全驾驶概率。
第二确定单元1202用于根据每个样本指标项的危险驾驶概率与安全驾驶概率确定每个样本指标项的碰撞预测结果。
确定单元1203用于根据真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度。
计算单元1204用于根据每个样本指标项的碰撞预测准确度分别计算每个样本指标的权重。
在本发明的一个实施例中，确定单元1203具体用于：根据每个样本指标项的碰撞预测结果和真实碰撞信息生成每个样本指标项的混淆矩阵，并根据每个样本指标项的混淆矩阵分别确定每个样本指标项的碰撞预测准确度。
在本发明的一个实施例中，通常所使用的车辆行驶大数据的差异而动态变化，因此，为了提高预设特征模型和预先训练的神经网络模型，在图5所示的基础上，如图7所示，该装置还可以包括采集模块121和更新模块122，其中：
采集模块121用于每间隔预设时间段采集车辆样本行驶数据。
更新模块122用于根据车辆样本行驶数据更新预设特征模型和预先训练的神经网络模型。
在本发明的一个实施例中，第一确定模块112具体用于：
根据每个指标项的报警参数值、预设特征模型中的第一标准差和第一平均值计算每个指标项的安全驾驶概率，并根据每个指标项的报警参数值、预设特征模型中的第二标准差和第二平均值计算计算每个指标项的危险驾驶概率。
根据本发明实施例的驾驶行为评分装置，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，其中，车辆行驶数据包括多个指标项的报警参数值，根据每个指标项的报警参数值确定每个指标项的第一评分，对每个指标项的第一评分进行加权求和，以得到待评分行程的第一评分结果，根据预先训练的神经网络模型和每个指标项的报警参数值确定待评分行程的状态类型，根据预设评分调整标准和状态类型对待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成待评分行程的第二评分结果和每个指标项的第二评分，并提供待评分行程的第二评分结果和每个指标项的第二评分。由此，在计算待评分行程的第一评分结果过程中，结合各个指标的评分和权重计算总评分，并通过神经网络模型对待评分行程的总评分和各个指标项的评分进行调整，提高了评分的计算准确度，并且，提供调整后的总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种驾驶行为评分方法，其特征在于，包括以下步骤：
获取待评分行程的车辆行驶数据，其中，所述车辆行驶数据包括多个指标项的报警参数值；
根据每个指标项的报警参数值确定每个指标项的第一评分；
对每个指标项的第一评分进行加权求和，以得到所述待评分行程的第一评分结果；
根据预先训练的神经网络模型和每个指标项的报警参数值确定所述待评分行程的状态类型；
根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分，作为对所述驾驶行为的评分结果。
2.如权利要求1所述的方法，其特征在于，所述根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分，包括：
在所述状态类型为第一类型时，判断所述待评分行程的第一评分结果是否大于预设阈值；
如果是，则生成第一随机数，并将所述预设阈值与第一随机数的差值作为调整后的所述待评分行程的第二评分结果，其中，所述第一随机数的范围为大于0且小于1；
将所述待评分行程的第一评分结果和第二评分结果之间的差值，作为第一评分差值；
根据所述第一评分差值和每个指标项的权重分别确定每个指标项的第一中间分数；
将每个指标项的第一评分与第一中间分数的差值作为每个指标项的第二评分。
3.如权利要求2所述的方法，其特征在于，所述根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分，包括：
在所述状态类型为第二类型时，判断所述待评分行程的第一评分结果是否小于所述预设阈值；
如果是，则生成第二随机数，并将所述预设阈值与第二随机数的和作为调整后的所述待评分行程的第二评分结果，其中，所述第二随机数的范围为大于0且小于1；
将所述待评分行程的第一评分结果和第二评分结果之间的差值，作为第二评分差值；
根据所述第二评分差值和每个指标项的权重分别确定每个指标项的第二中间分数；
将每个指标项的第一评分与第二中间分数的和作为每个指标项的第二评分。
4.如权利要求1-3中任一项所述的方法，其特征在于，所述根据每个指标项的报警参数值确定每个指标项的第一评分，包括：
根据预设特征模型和每个指标项的报警参数值，确定每个指标项的危险驾驶概率、安全驾驶概率和权重；
根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率；
根据每个指标项的安全倾向性概率分别确定每个指标项的第一评分；
所述对每个指标项的第一评分进行加权求和，以得到所述待评分行程的第一评分结果，包括：
根据每个指标项的第一评分和权重计算所述待评分行程的第一评分结果。
5.如权利要求4所述的方法，其特征在于，在所述获取待评分行程的车辆行驶数据之前，还包括：
根据是否发生碰撞对车辆样本行驶数据进行划分，以得到发生碰撞事件的发生碰撞报警数据集和未发生碰撞事件的未发生碰撞报警数据集，其中，所述车辆样本行驶数据包括真实碰撞信息和多个样本指标项的样本指标报警数据；
针对所述发生碰撞事件，根据所述发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第一平均值和第一标准差；
针对所述未发生碰撞事件，根据所述未发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第二标准差和第二平均值；
根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立所述预设特征模型。
6.如权利要求5所述的方法，其特征在于，所述根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立所述预设特征模型，包括：
根据所述车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值确定每个样本指标项的危险驾驶概率和安全驾驶概率；
根据每个样本指标项的危险驾驶概率与安全驾驶概率确定每个样本指标项的碰撞预测结果；
根据所述真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度；
根据每个样本指标项的碰撞预测准确度分别计算每个样本指标的权重。
7.如权利要求6所述的方法，其特征在于，所述根据所述真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度，包括：
根据每个样本指标项的碰撞预测结果和所述真实碰撞信息生成每个样本指标项的混淆矩阵；
根据每个样本指标项的混淆矩阵分别确定每个样本指标项的碰撞预测准确度。
8.如权利要求5-7中任一项所述的方法，其特征在于，还包括：
每间隔预设时间段采集所述车辆样本行驶数据；
根据所述车辆样本行驶数据更新所述预设特征模型和所述预先训练的神经网络模型。
9.如权利要求8所述的方法，其特征在于，所述根据预设特征模型和每个指标项的报警参数值，确定每个指标项的危险驾驶概率、安全驾驶概率，包括：
根据每个指标项的报警参数值、所述预设特征模型中的所述第一标准差和所述第一平均值计算每个指标项的安全驾驶概率；
根据每个指标项的报警参数值、所述预设特征模型中的所述第二标准差和所述第二平均值计算计算每个指标项的危险驾驶概率。
10.一种驾驶行为评分装置，其特征在于，包括：
获取模块，用于获取待评分行程的车辆行驶数据，其中，所述车辆行驶数据包括多个指标项的报警参数值；
第一确定模块，用于根据每个指标项的报警参数值确定每个指标项的第一评分；
求和模块，用于对每个指标项的第一评分进行加权求和，以得到所述待评分行程的第一评分结果；
第二确定模块，用于根据预先训练的神经网络模型和每个指标项的报警参数值确定所述待评分行程的状态类型；
生成模块，用于根据预设评分调整标准和所述状态类型对所述待评分行程的第一评分结果和每个指标项的第一评分进行调整，以生成所述待评分行程的第二评分结果和每个指标项的第二评分，作为对所述驾驶行为的评分结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611061659.3A CN106585635B (zh) | 2016-11-25 | 2016-11-25 | 驾驶行为评分方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611061659.3A CN106585635B (zh) | 2016-11-25 | 2016-11-25 | 驾驶行为评分方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106585635A true CN106585635A (zh) | 2017-04-26 |
| CN106585635B CN106585635B (zh) | 2019-05-10 |
Family
ID=58593486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611061659.3A Active CN106585635B (zh) | 2016-11-25 | 2016-11-25 | 驾驶行为评分方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106585635B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664401A (zh) * | 2018-05-11 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 埋点合理性的评估方法及装置 |
| CN108773340A (zh) * | 2018-04-27 | 2018-11-09 | 李德祥 | 一种车辆安全保护系统 |
| CN108986255A (zh) * | 2018-07-13 | 2018-12-11 | 平安科技（深圳）有限公司 | 电子装置、驾驶行为评分方法及存储介质 |
| CN109229108A (zh) * | 2018-08-07 | 2019-01-18 | 武汉理工大学 | 一种基于驾驶指纹的驾驶行为安全评价方法 |
| CN110276954A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶行为综合评分方法 |
| CN110389770A (zh) * | 2018-04-16 | 2019-10-29 | 比亚迪股份有限公司 | 智能设备的升级方法、装置、智能设备及存储介质 |
| WO2020015526A1 (zh) * | 2018-07-19 | 2020-01-23 | 众安信息技术服务有限公司 | 驾驶行为评分方法及装置 |
| CN111497854A (zh) * | 2019-01-29 | 2020-08-07 | 长城汽车股份有限公司 | 评价驾驶员驾驶情况的方法和装置及机器可读存储介质 |
| CN111824162A (zh) * | 2019-04-19 | 2020-10-27 | 上海博泰悦臻网络技术服务有限公司 | 基于地图宠物的驾驶评判方法及装置、存储介质和终端 |
| CN111959518A (zh) * | 2020-08-14 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置及设备 |
| WO2022041498A1 (zh) * | 2020-08-24 | 2022-03-03 | 王晓翔 | 一种基于数据分析的行为预测方法、车辆控制方法及系统 |
| CN115416689A (zh) * | 2022-09-15 | 2022-12-02 | 中汽创智科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020128751A1 (en) * | 2001-01-21 | 2002-09-12 | Johan Engstrom | System and method for real-time recognition of driving patters |
| CN101746269A (zh) * | 2010-01-08 | 2010-06-23 | 东南大学 | 基于软计算的疲劳驾驶融合检测方法 |
| CN103770644A (zh) * | 2014-01-20 | 2014-05-07 | 深圳市元征科技股份有限公司 | 一种驾驶行为的数据获取方法和系统 |
| CN103871122A (zh) * | 2014-03-11 | 2014-06-18 | 深圳市朗仁科技有限公司 | 驾驶行为分析方法及分析系统 |
| US20150112546A1 (en) * | 2013-10-23 | 2015-04-23 | Trimble Navigation Limited | Driver scorecard system and method |
| US20160152233A1 (en) * | 2011-02-18 | 2016-06-02 | Honda Motor Co., Ltd. | System and method for responding to driver behavior |
| CN105730450A (zh) * | 2016-01-29 | 2016-07-06 | 北京荣之联科技股份有限公司 | 基于车载数据的驾驶行为分析方法及评价系统 |
-
2016
- 2016-11-25 CN CN201611061659.3A patent/CN106585635B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020128751A1 (en) * | 2001-01-21 | 2002-09-12 | Johan Engstrom | System and method for real-time recognition of driving patters |
| CN101746269A (zh) * | 2010-01-08 | 2010-06-23 | 东南大学 | 基于软计算的疲劳驾驶融合检测方法 |
| US20160152233A1 (en) * | 2011-02-18 | 2016-06-02 | Honda Motor Co., Ltd. | System and method for responding to driver behavior |
| US20150112546A1 (en) * | 2013-10-23 | 2015-04-23 | Trimble Navigation Limited | Driver scorecard system and method |
| CN103770644A (zh) * | 2014-01-20 | 2014-05-07 | 深圳市元征科技股份有限公司 | 一种驾驶行为的数据获取方法和系统 |
| CN103871122A (zh) * | 2014-03-11 | 2014-06-18 | 深圳市朗仁科技有限公司 | 驾驶行为分析方法及分析系统 |
| CN105730450A (zh) * | 2016-01-29 | 2016-07-06 | 北京荣之联科技股份有限公司 | 基于车载数据的驾驶行为分析方法及评价系统 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110389770B (zh) * | 2018-04-16 | 2020-12-25 | 比亚迪股份有限公司 | 智能设备的升级方法、装置、智能设备及存储介质 |
| CN110389770A (zh) * | 2018-04-16 | 2019-10-29 | 比亚迪股份有限公司 | 智能设备的升级方法、装置、智能设备及存储介质 |
| CN108773340A (zh) * | 2018-04-27 | 2018-11-09 | 李德祥 | 一种车辆安全保护系统 |
| CN108664401A (zh) * | 2018-05-11 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 埋点合理性的评估方法及装置 |
| CN108664401B (zh) * | 2018-05-11 | 2021-10-12 | 创新先进技术有限公司 | 埋点合理性的评估方法及装置 |
| CN108986255A (zh) * | 2018-07-13 | 2018-12-11 | 平安科技（深圳）有限公司 | 电子装置、驾驶行为评分方法及存储介质 |
| WO2020015526A1 (zh) * | 2018-07-19 | 2020-01-23 | 众安信息技术服务有限公司 | 驾驶行为评分方法及装置 |
| CN109229108A (zh) * | 2018-08-07 | 2019-01-18 | 武汉理工大学 | 一种基于驾驶指纹的驾驶行为安全评价方法 |
| CN111497854B (zh) * | 2019-01-29 | 2022-01-14 | 长城汽车股份有限公司 | 评价驾驶员驾驶情况的方法和装置及机器可读存储介质 |
| CN111497854A (zh) * | 2019-01-29 | 2020-08-07 | 长城汽车股份有限公司 | 评价驾驶员驾驶情况的方法和装置及机器可读存储介质 |
| CN111824162A (zh) * | 2019-04-19 | 2020-10-27 | 上海博泰悦臻网络技术服务有限公司 | 基于地图宠物的驾驶评判方法及装置、存储介质和终端 |
| CN110276954A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶行为综合评分方法 |
| CN111959518A (zh) * | 2020-08-14 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置及设备 |
| WO2022041498A1 (zh) * | 2020-08-24 | 2022-03-03 | 王晓翔 | 一种基于数据分析的行为预测方法、车辆控制方法及系统 |
| CN115416689A (zh) * | 2022-09-15 | 2022-12-02 | 中汽创智科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN115416689B (zh) * | 2022-09-15 | 2024-10-11 | 中汽创智科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106585635B (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106585635B (zh) | 驾驶行为评分方法和装置 | |
| Feng et al. | Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data | |
| JP7064303B2 (ja) | オートノマスシステムの検証法 | |
| CN106781454B (zh) | 驾驶行为的评估方法和装置 | |
| Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
| CN106777907A (zh) | 驾驶行为评分方法和装置 | |
| Kovaceva et al. | Identification of aggressive driving from naturalistic data in car-following situations | |
| Zhao et al. | Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN | |
| CN103443608A (zh) | 车辆数据分析装置、车辆数据分析方法及故障诊断装置 | |
| CN106557663A (zh) | 驾驶行为评分方法和装置 | |
| JP5691237B2 (ja) | 運転支援装置 | |
| Hu et al. | Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models | |
| CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
| CN107066787B (zh) | 车辆行程的评分方法及装置 | |
| Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
| Lv et al. | The influence of different factors on right-turn distracted driving behavior at intersections using naturalistic driving study data | |
| Chen et al. | Feature selection for driving style and skill clustering using naturalistic driving data and driving behavior questionnaire | |
| KR20230069940A (ko) | 운전자 보조 시스템을 테스트하기 위한 방법 및 시스템 | |
| Zhang et al. | Performance evaluation method for automated driving system in logical scenario | |
| Yang et al. | Driver2vec: Driver identification from automotive data | |
| Wang et al. | SafeDrive: A new model for driving risk analysis based on crash avoidance | |
| CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
| Ramezani-Khansari et al. | [Retracted] Estimating Lane Change Duration for Overtaking in Nonlane‐Based Driving Behavior by Local Linear Model Trees (LOLIMOT) | |
| Cen et al. | A system design for driving behavior analysis and assessment | |
| Mumcuoglu et al. | Driver evaluation in heavy duty vehicles based on acceleration and braking behaviors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |