CN106740861B - 基于驾驶行为区分驾驶员的方法和设备 - Google Patents

Abstract

一种用于基于驾驶员行为来识别车辆驾驶员的系统和方法。该系统和方法包括分析一系列车辆起动行为，以便快速识别驾驶员。起动分析包括检测并评估包括车门打开、车门关闭、安全带系紧、点火开关使用以及换挡/驾驶等的事件的顺序和时序。该技术进一步包括分析一组纵向(或长期)行为，以便更牢靠地验证对驾驶员的识别。所述纵向行为包括加速和制动模式、速度模式(相较于道路类型和速度限制)、停车标志行为、巡航控制使用以及许多其它行为。统计聚类技术用于起动行为分析和纵向行为分析以识别驾驶员。

Description

基于驾驶行为区分驾驶员的方法和设备

技术领域

本发明大体上涉及一种车辆驾驶员识别系统并更具体地涉及一种基于驾驶员行为识别车辆驾驶员的系统和方法，其包括分析一系列车辆起动行为以用于快速识别驾驶员以及分析一组纵向行为以用于更牢靠地验证对驾驶员的识别。

背景技术

近年来，车辆中的可配置系统和可定制系统的数量急剧增加。从可调整座椅、后视镜和踏板到娱乐资讯和气候控制系统，现在一些车辆中的系统的驾驶员特定定制量是惊人的。当这些系统的配置和定制都针对驾驶员进行优化时，这些系统不仅为驾驶员提供更好的舒适性和方便性，还有益于提升驾驶员的注意力并改善驾驶员的表现。这是将驾驶员在驾驶时作出的调整减到最低以及针对最优驾驶员使用而实体定位的驾驶座控制件的结果。

由于可具有大量和多种类型的系统配置，所以对车辆而言，准确地识别驾驶员并自动配置所有系统来符合驾驶员的偏好比任何时候都更重要。基于她或他正使用的密钥卡或甚至基于驾驶员其自身携带的移动装置(例如，手机)来识别驾驶员的系统是本领域已知的。但是，这些装置检测类型的系统要求车辆中的额外硬件来检测并识别装置。此外，由于家庭中的人员通常共享钥匙和密钥卡这一事实，所以将密钥卡用于驾驶员识别众所周知是不准确的。需要可实施于车辆上的软件的快速可靠的驾驶员识别系统，以克服已知系统的限制。

发明内容

根据本发明的教导，公开了一种用于基于驾驶员行为识别车辆驾驶员的系统和方法。该系统和方法包括分析一系列车辆起动行为，以便快速识别驾驶员。起动分析包括检测并评估包括车门打开、车门关闭、安全带系紧、点火开关使用以及换挡/驾驶等的事件的顺序和时序。该技术进一步包括分析一组纵向(或长期)行为以用于对驾驶员识别的更稳健验证。纵向行为包括加速和制动模式、速度模式(相较于道路类型和速度限制)、停车标志行为、巡航控制使用以及许多其他行为。统计聚类技术用于起动和纵向行为分析以识别驾驶员。

从结合附图而进行的以下描述和所附权利要求书中，本发明的额外特征将变得显而易见。

附图说明

图1是根据本发明的实施例的车辆的图解，所述车辆包括配置成用于通过对驾驶员行为的分析来识别驾驶员的传感器和处理器；

图2是一组时间线，示出了可如何使用由驾驶员执行的车辆进入和起动动作的顺序和时序来识别驾驶员；

图3A/B/C是数据群集图，其以二维示出了可如何基于邻近性将驾驶员行为数据分组成驾驶员特定群集；

图4是用于以图3A/B/C中所示方式聚类驾驶员行为数据的方法的流程图；和

图5是通过比较驾驶员的行为数据模式与参考图3A/B/C和图4所描述的数据群集来识别驾驶员的方法的流程图。

具体实施方式

涉及用于基于驾驶员行为数据区分驾驶员的系统和方法的本发明实施例的以下讨论在本质上仅仅是示例性的，并且决不旨在限制本发明或其应用或使用。

尝试通过检测驾驶员自身携带的物体(通常为密钥卡或手机)来识别车辆驾驶员的驾驶员识别系统是本领域已知的。这些已知系统需要车辆中特别配置的检测硬件，并且由于例如，家庭的多个成员可共享相同的车辆钥匙和密钥卡的简单事实而容易错误识别驾驶员。下文公开了除车辆上已存在的传感器之外的仅需要软件的更稳健驾驶员识别系统。

图1是根据本发明的实施例的车辆10的图解，所述车辆10具有配置成用于通过对驾驶员行为的分析来识别驾驶员12的系统。车辆10包括与多个传感器(示为传感器22、24、26和28)通信的处理器20。处理器20可以是车辆10上的任何合适处理器，比如包括在主体系统控制器中的处理器、娱乐资讯系统控制器等。处理器20和传感器22-28之间的通信可以是硬接线通信、多路复用通信、数据总线通信、无线通信或其任何组合。处理器20与传感器22-28一起共同构成驾驶员识别系统30。

传感器22-28代表大多数现代车辆上存在的大量传感器。传感器22代表驾驶员的车门打开/关闭传感器，传感器24代表驾驶员的安全带系紧状态传感器，以及传感器26代表点火开关位置传感器。传感器28代表车辆10上的许多其他类型的传感器，包括但不限于车辆速度传感器、变速器档位传感器、横向、纵向和垂直加速传感器、油门位置传感器、防抱死制动系统(ABS)启动和车轮速度传感器。传感器28还可代表用于确定车辆10周围的环境的相机或者物体传感器(比如雷达、激光雷达或超声波)。除了前述传感器类型以外，处理器20与车辆总线40通信，并可从总线40获得来自车辆系统(比如气候控制系统、娱乐资讯系统、导航系统、适应性巡航控制系统、车道偏离报警或车道保持辅助系统以及碰撞报警或防撞系统)的数据。处理器20还可经由总线40访问发动机、变速器和转向数据。总之，处理器20访问从传感器22-28或经由总线40所获取的车辆10上的所有数据。

如下文将详细讨论，驾驶员识别系统30提供优于其他已知驾驶员识别系统的许多优点。系统30可基于纵向数据在行程开始时提供除精确驾驶员识别之外的快速驾驶员识别，可区分给定组内的现有用户和该组的完全陌生人，除现有车辆系统之外仅需要软件，不会增加或修改现有车载硬件架构，不依赖于携带装置(例如，智能手机)的驾驶员，并且准确度不受共享密钥卡人员的影响。

图2是一组时间线50，示出了可如何使用由驾驶员执行的车辆进入和起动动作的顺序和时序来识别驾驶员。每个时间线50横跨30秒的时间，开始于驾驶员打开车辆的车门并在一系列事件中的每个事件针对特定驾驶员而发生时进行识别，其中时间线上的最终事件为刹车释放(车辆开始移动)。实验结果显示大多数驾驶员在30秒内完成一系列车辆进入和起动动作，但是，确切持续时间不同的驾驶员可能由于其不同的行为和动作顺序而显著不同。

在时间线50上示出了四个不同驾驶员(识别为驾驶员60、70、80和90)的数据。每个驾驶员执行车辆进入和起动顺序多次，记录每个事件的时序，因而针对每个驾驶员产生关于事件顺序和时序的统计数据。正是该数据在时间线50上示出。

例如，驾驶员60在时间0.0处执行车门打开61(对于所有驾驶员而言，车门打开是在时间0.0处)。驾驶员60随后以约2.4秒的平均时间执行车门关闭62，之后以约5.6秒的平均时间执行点火开关使用63，之后以约7.9秒的平均时间执行安全带系紧64，之后以约10.0秒的平均时间执行变速器换挡65，并以约11.4秒的平均时间执行刹车释放66。在时间线上示出了驾驶员60的每个事件62-66，周围的数据带代表每个事件平均值的两个标准偏差(2σ)。

驾驶员70的时间线包括时间0.0处的车门打开71和晚于驾驶员60的车门关闭时间62的时间处的车门关闭72。驾驶员70随后几乎同时执行点火开关使用73和安全带系紧74，这两个事件的顺序实际上与其他驾驶员相反。驾驶员70随后在早于驾驶员60的时间处继续执行变速器换挡75和刹车释放76。为了减少附图的杂乱并改进清晰性，未在时间线上示出驾驶员70/80/90的+/-2σ数据带，但在下文讨论的分析中捕获并使用该数据。

驾驶员80的时间线包括对应事件81-86，使用与以上时间线相同的习惯以箭头示出。应注意，驾驶员80从车门打开81到刹车释放86使用了最长时间量。而且，驾驶员80在至少一个场合执行了其他驾驶员未执行的额外动作。具体而言，驾驶员80在点火开关使用83之后和安全带系紧84之前打开了驾驶员的侧窗，标记为侧窗使用87。

驾驶员90的时间线揭示了动作92-96中的每个动作所使用的最短时间量。值得重申的是，时间线50上示出的箭头代表每个驾驶员执行每个动作的平均时间。在重复车辆起动顺序多次之后，不仅捕获了每个驾驶员的每个动作时序的平均值，还捕获了每个动作时序的统计分布。已示出驾驶员的行为模式可通过测量约十个车辆起动顺序来表征。

可数学分析车辆进入和起动事件的时序和顺序之间的差异(在时间线50中清晰可见)，以识别各个驾驶员。这是通过以下动作来完成：使用传感器22-28来检测开始于驾驶员的车门打开的每个事件的时序，以及使所测量的起动顺序与用于车辆的每个已知驾驶员的先前测量统计数据相关来识别匹配。如上文所解释，每个驾驶员倾向于展现以统计上显著的方式可重复的行为模式，因而能够将行为模式识别为各个驾驶员的特征的标识。

区分驾驶员的另一个方法可以是使用这些事件之间的相对时间差。而非找出每个事件和参考事件(车门打开)之间的时间差，可按顺序(车门打开、车门关闭、点火开关使用、安全带系紧、变速器换挡和刹车释放)分类预期事件，并随后计算每个事件之间的相对时间差。这样，如果驾驶员在这些事件中使用不同的顺序(例如在释放刹车后系紧安全带)，那么区别所述驾驶员就变得更容易。对于熟悉本技术领域的技术状况的人员而言，应理解，还可支持计算事件之间的时间顺序或相对时间的其他方法。以上描述仅仅是说明性实例。

使用上文所描述的车辆起动顺序，可快速(在从车门打开的约30秒内)即在完成顺序本身之后不久确定驾驶员身份。较长期驾驶行为也可用于识别驾驶员。这些较长期驾驶行为(本文中描述为纵向行为)检查驾驶员在路上的驾驶方式，包括速度、加速和制动趋势等。尽管纵向行为需要更多时间来识别驾驶员，但其包含测量数据的更高维度并因此可产生更准确的驾驶员身份确定。

许多参数可由传感器22-28测量和/或从车辆数据总线40获得并用于驾驶员纵向行为分析中。包含在驾驶员纵向行为分析中的因素包括但不限于：作为道路类型的函数的平均速度(其中道路类型可从车辆导航系统获得)；与速度限制的偏差；加速模式，包括最大加速和大于阈值g水平的加速次数/频率；制动模式，包括最大减速和大于阈值g水平的减速次数/频率；停车标志行为，包括是否进行了完全停止以及停止的持续时间；转弯行为，包括转弯期间的速度和横向加速；退让模式，包括对其他驾驶员退让或维护通行权的倾向；巡航控制使用模式-包括是否在高速路上、在其他道路上使用或完全未使用巡航控制；气候控制系统使用模式-包括方式、温度设定对周围环境以及风扇速度；娱乐资讯系统使用模式，包括无线电台选择；导航信息-包括起点/目的地对、是否使用导航系统进行指示；以及行程的出发和返回时间。

已通过数据分析观察并确认，各个驾驶员倾向于在其驾驶方式中展现一致的纵向行为模式。通过量化并分析以上列出的行为，能够以高度准确度来识别一组已知驾驶员中的各个驾驶员。

图3A/B/C是数据群集图，示出了可如何基于邻近性将驾驶员行为数据分组成驾驶员特定群集。图3A/B/C中的数据群集图以二维示出能够以多维进行分析的数学关系。

在图3A中，图100绘出了横轴上的第一驾驶员行为参数和纵轴上的第二驾驶员行为参数之间的关系。图100包括许多数据点102，其中每个数据点102代表一个驾驶员测量样本。例如，横轴可测量速度限制的速度偏差(正或负)，而纵轴可测量最大车辆加速。随后，针对每次驾驶行程，或针对驾驶行程的一部分，基于驾驶员所展示的速度和加速行为将数据点添加到图100中使用的数据集。

在图3B中，图110包括与图100相同的数据，但数据点现已以下文将详细讨论的方式与驾驶员特定群集相关联。点群集112与倾向于在速度限制以下(在速度横轴的左端)的速度驾驶以及倾向于使用中等低加速(稍低于纵轴上的中部)的第一驾驶员相关联。类似地，点群集114与以快于速度限制驾驶并猛烈加速的第二驾驶员相关联。点群集116与以快于速度限制驾驶但不会特别猛烈加速的第三驾驶员相关联。

在图3C中，图120包括相同的三个点群集112/114/116，以及已添加指定每个群集的中心以及距中心的距离的圆。例如，点群集112具有绕其中心的圆122，其中可在距中心的两个标准偏差(绕平均值的2σ半径)的距离处绘制圆122。同样地，点群集114具有识别距平均值的2σ半径的圆124，以及点群集116具有识别距平均值的2σ半径的圆126。假设驾驶员表现为高斯，来自驾驶员的所有数据点将有95％的置信度处于该圆内(距平均值的2σ半径)。但是，如本技术领域的技术人员所应理解，2σ半径的值仅仅是说明性的。在真实系统设计和实施的实践中，可基于目标应用的需求来调整该圆半径的值。

迄今为止所述图100/110/120上的所有元素是在系统的学习模式期间捕获的。即，记录了许多点102，限定了群集，以及计算了每个群集的统计范围。随后，当系统应用于驾驶员识别时，测量新数据点(或可在驾驶行程期间测量若干个数据点)，以及将新数据点与群集进行比较以识别驾驶员。例如，新数据点132正好落入点群集112的圆122内，因此新数据点132非常可能对应于与点群集112相关联的驾驶员(上文所述第一驾驶员)。同样地，新数据点134对应于上文所述第二驾驶员(点群集114)，以及新数据点136对应于上文所述第三驾驶员(点群集116)。

图120还包括未落入任何圆122/124/126内的新数据点138。与数据点138相关联的驾驶员将被分类为未知驾驶员，因为该数据点138不在任何群集中心的两个标准偏差(或其他标准)内。

数据群集图100/110/120示出可如何通过将所测量的驾驶员行为(如两个参数中所包含)与三位已知驾驶员的行为进行比较来识别驾驶员。这个概念可应用于先前以两种方式之一列出的许多驾驶员行为参数；可执行许多不同的双参数群集分析，或者可将群集分析延伸到多参数维度。以下是对于将多个参数中所包含的测量驾驶员行为与一组已知驾驶员的参数数据进行比较的一般方法的讨论。该方法由两部分组成；第一，如上文的图3A和3B中所示，已知驾驶员的数据点基线集用于产生数据点群集；第二，如图3C中所示，驾驶员的测量数据用于将驾驶员识别为已知驾驶员之一或未知驾驶员。

图4是以图3A/B/C中所示的方式聚类驾驶员行为数据的方法的流程图200。流程图200的方法是上文所述的两部分过程中的第一部分，并且用于产生一组已知驾驶员的行为数据群集，使得数据群集随后可与所测量的驾驶员数据进行比较以在过程的第二部分中识别驾驶员。

在框202处，提供合适数量的驾驶员行为参数数据点。数据点的数量可以是大约100，以提供用于产生群集的足够基线。本讨论中所描述的数据点可以是起动顺序数据(比如到车门关闭或点火开关使用的经过时间)，或纵向行为数据(比如速度、转弯加速、最大制动g力等)。可优选地标准化数据点(例如使得所有标准化参数落入一定范围)以消除不同参数的不同单位和值范围的偏斜影响。如下文所讨论，数据点可为二维数据点或n维数据参数向量。尽管“数据点”可指多元素向量而非二维点，但为方便起见使用术语“数据点”。

在框204处，限定了多个群集，每个群集j在n维空间中具有中心或平均值其中n为正考虑的参数的数量。在受监督的聚类过程中，必须提前知道k的值(群集的数量)。有关驾驶员识别的目的，这并非有问题的需求，因为常见情景为家庭之间的车辆共享，在家庭中，例如，家庭中的驾驶员数量(并因此，k的值)为已知数量，比如两个、三个或四个。还可使用无监督聚类过程，其中随着数据群集的形成而适应性地得知k的值。

在框206处，将每个点(或向量)分配给最近的群集中心，其中使用以下形式的等式计算数据向量和群集中心在n维空间中的距离：

其中D为向量a和b之间的距离，a_i和b_i为向量a与b中的各个参数值，n为向量中的维度的数量，以及w_i为向量中的每个参数i的可选加权因数。一般用a和b写出等式(1)。在实践中，a可用评估的数据向量替换，而b可用群集中心之一替换。

在框208处，计算每个群集中的新群集平均值如果每个群集j具有分配给其的新点，那么其将具有新平均值。在决策框210处，确定每个先前群集平均值和相应新群集平均值之间的距离是否小于预定阈值ε。即，是否：

决策框210处的测试的目的在于确定聚类过程是否已收敛。如果群集中心继续在每次点分配迭代后大量移动，那么过程未收敛。当群集中心不从一个迭代明显地移动到下一个迭代时，则过程已收敛。可确立ε的值以在无过量计算的情况下实现合适的收敛程度。

如果决策框210处的任何先前群集平均值和相应新群集平均值之间的距离不小于预定阈值，那么在框212处，新群集平均值用作群集平均值以及过程返回到框206，其中每个点(向量)基于群集平均值的新值而再次被分配到最近的群集中心。

如果决策框210处的每个先前群集平均值和相应新群集平均值之间的距离小于预定阈值ε，那么聚类已收敛，以及在框214处，提供群集作为输出。

图5为通过比较驾驶员的行为数据模式与参考图3和图4描述的数据群集来识别驾驶员的方法的流程图250。流程图250的方法为上文描述的两部分过程的第二部分，并且用于通过将所测量驾驶员数据与在过程的第一部分中产生的群集进行比较来识别驾驶员。

在框252处，提供数据向量其包含待识别的驾驶员的测量参数数据。向量可包含驾驶员出现在车辆中的仅几秒之后测量的起动顺序事件数据，或者向量可包含驾驶几分钟后测量的纵向行为参数数据。向量可包含起动顺序事件数据和纵向行为参数数据。在框254处，如上文所描述标准化向量使得可基于先前计算的群集对其进行评估。

在框256处，计算从向量到每个群集中心的距离，以及选择具有到向量最小距离的群集中心。如上文所描述以等式(1)计算距离。值n用来识别群集中心中最近的一个。即：

例如，如果向量最靠近1号群集的中心，那么n的值是1。然后，在决策框258处，确定从向量到最近群集中心的距离是否在两个标准偏差内。如上文所描述以等式(1)再次计算距离。即：

此处再次说明，2σ(两个标准偏差)半径的值仅仅是说明性的。可在认为适当的情况下使用其他半径。

如果从向量到最近群集中心的距离在两个标准偏差内，那么在框260处，与当前测量向量相关联的驾驶员被识别为驾驶员n。例如，再参考图3C，如果新数据点132为向量并且圆122为具有群集中心的1号群集(j＝1)，那么显然在的2σ内，并且其则遵循n＝1，并且展现行为向量的驾驶员为1号驾驶员。

如果在决策框258处，从向量到最近群集中心的距离大于两个标准偏差，那么在框262处，与当前测量向量相关联的驾驶员被确定为未知驾驶员，即，不是与任何现存数据群集相关联的驾驶员。

各种技术可用来组合并加权起动顺序数据和纵向行为数据，以优化驾驶员识别准确度。最简单的技术为均等加权所有数据参数，并且使用起动顺序数据和纵向驾驶行为数据来确定驾驶员身份。也可仅使用起动顺序数据和纵向驾驶行为数据中的一个或者另一个来确定驾驶员身份。另外，当使用起动顺序数据和纵向驾驶行为数据(具有朝向起动顺序数据的加权偏差)来确定驾驶员身份时，测试显示出十分良好的结果。最终，如上文参考等式(1)所描述，在起动顺序数据和纵向驾驶行为数据的评估内可使用各个参数加权。

在使用上文所描述的方法识别驾驶员后，如先前所描述，驾驶员身份可用来配置车辆中的各种系统，比如娱乐资讯系统。而且，在确定驾驶员之后，娱乐资讯系统可显示驾驶员在附近的喜爱场所(例如餐厅、酒吧、水疗中心)。由于这些场所对于不同驾驶员而言将不同，所以系统配置可为每个驾驶员提供有用信息而不会用无关信息或消息给驾驶员带来困扰。每当驱动车辆以及收集数据并该数据用于驾驶员识别时，新收集的数据向量可添加到群集中的一个来进一步加强用于特定驾驶员的基线数据。

如本领域技术人员将很好地理解，本文所讨论的描述本发明的若干和各种步骤和过程可涉及由处理器20、另一个计算机、处理器或使用电学现象来操控和/或转换数据的其他电子计算装置执行的操作。这些计算机和电子装置可采用各种易失性和/或非易失性存储器，包括具有存储其上的可执行程序的非暂时性计算机可读介质，所述可执行程序包括能够由计算机或处理器执行的各种代码或可执行指令，其中存储器和/或计算机可读介质可包括所有形式和类型的存储器以及其他计算机可读介质。

上文所描述的驾驶员识别系统提供用于车载系统和组件的配置的改进的驾驶员识别，同时在车辆中不需要额外的硬件或传感器。快速和准确的驾驶员识别改进了驾驶员的舒适度和方便性，并且还创建了优化驾驶员的注意力和表现的驾驶座环境。

前述讨论仅公开并描述了本发明的示例性实施例。本领域技术人员将从该讨论并从附图和权利要求书中容易地认识到，在不脱离以下权利要求书中限定的本发明的精神和范围的情况下，可对本文作出各种改变、修改和变化。

Claims (8)

1.一种用于基于驾驶员行为来确定车辆的驾驶员的身份的方法，所述方法包括：

提供来自所述车辆中的多个传感器和车辆数据总线的数据；和

使用处理器分析所述数据，以确定所述驾驶员的所述身份，所述分析包括分析车辆起动事件的顺序和时序，所述车辆起动事件开始于所述驾驶员打开驾驶员的车门时且终止于所述车辆开始移动时，以及分析在所述车辆驾驶期间测量的多个驾驶员行为参数;

其中分析所述数据包括将来自多个先前驾驶行程的数据聚类到代表所述车辆的已知驾驶员的多个数据群集中，以及将来自当前驾驶行程的数据与所述数据群集进行比较以确定所述驾驶员的所述身份;

其中聚类来自多个先前驾驶行程的数据包括：

提供包含来自所述多个先前驾驶行程的多个数据参数的数据向量；

限定数据群集的数量；

将所述数据向量分配给所述数据群集中的一者，其中基于加权距离计算将每个所述数据向量分配给具有最近中心的数据群集；

计算所述数据群集的新中心，以及如果任何所述数据群集的所述新中心距先前中心的距离大于阈值距离，那么将所述数据向量重新分配给所述数据群集中的一者；以及

提供所述车辆的所述已知驾驶员的所述数据群集。

2.如权利要求1所述的方法，其中所述数据向量在被分配到所述数据群集之前被标准化，使得每个所述数据参数具有在零和一之间的标准化值，所述值代表相对于一定范围的实际值。

3.如权利要求1所述的方法，其中将来自当前驾驶行程的数据与所述数据群集进行比较包括：

提供包含来自所述当前驾驶行程的多个数据参数的新数据向量；

计算从所述新数据向量到每个所述数据群集的中心的距离；

选择目标数据群集作为中心距所述新数据向量的最小距离的所述数据群集；

如果从所述新数据向量到所述目标数据群集的所述中心的距离小于或等于标准偏差的预定倍数，那么确定所述车辆的所述驾驶员为与所述目标数据群集相关联的所述已知驾驶员之一；以及

如果从所述新数据向量到所述目标数据群集的所述中心的所述距离大于标准偏差的所述预定倍数，那么确定所述车辆的所述驾驶员为未知驾驶员。

4.如权利要求3所述的方法，其中所述新数据向量和所述数据群集包括来自车辆起动事件的所述顺序和时序的数据，或所述驾驶员行为参数，或者两者。

5.如权利要求1所述的方法，其中车辆起动事件的所述顺序包括驾驶员的车门打开、驾驶员的车门关闭、点火开关使用、驾驶员的安全带系紧、后视镜与座椅调整、变速器换挡、刹车释放和油门踏板使用。

6.如权利要求1所述的方法，其中所述多个驾驶员行为参数包括根据道路类型的平均速度；与速度限制的偏差；加速模式，其包括最大加速和大于第一阈值g水平的加速的次数和频率；制动模式，其包括最大减速和大于第二阈值g水平的减速的次数和频率；停车标志行为，其包括是否进行了完全停止以及停止的持续时间；转弯行为，其包括转弯期间的速度和侧向加速度；退让模式，其包括对其他驾驶员退让或维护通行权的倾向；巡航控制使用模式，其包括是否在高速路上、在其他道路上使用或完全未使用巡航控制；气候控制系统使用模式，其包括方式、温度设定对周围环境以及风扇速度；娱乐资讯系统使用模式，其包括无线电台选择；导航信息，其包括起点/目的地对、导航系统是否用于指示；以及行程的出发和返回时间。

7.如权利要求1所述的方法，其中分析所述数据包括对车辆起动事件的所述顺序和时序应用不同于所述驾驶员行为参数的加权因数。

8.如权利要求1所述的方法，其进一步包括：基于所述驾驶员的所述身份配置所述车辆中的系统和组件。