CN107038860B - 一种基于adas技术及回归模型的用户驾驶行为评分方法 - Google Patents

Abstract

本发明涉及一种智能数据分析的方法，具体涉及一种基于ADAS技术及回归模型的用户驾驶行为评分方法。本发明是通过采集各类ADAS预警数据，并基于回归模型结果确定影响驾驶安全各因子的权重系数，实现对用户驾驶行为的准确评分。本发明的优点是用户驾驶行为评分与用户的出险概率之间存在严格对应关系，可准确量化、识别用户驾驶风险。本发明可为保险机构充分评估驾驶人员的驾车习惯作充分的了解，同时也为保障出车安全提供有效的参考。

Description

一种基于ADAS技术及回归模型的用户驾驶行为评分方法

技术领域

本发明涉及一种智能数据分析的方法，具体涉及一种基于ADAS技术及回归模型的用户驾驶行为评分方法。

背景技术

现有的用户驾驶行为评分方法使用OBD(On-Board Diagnostic)或智能手机收集的数据，判断用户驾驶过程中的急加速、急刹车、急转弯等驾驶行为，通过分别计算每种驾驶行为的得分及赋予各种驾驶行为一定的权重，得到用户驾驶行为最终得分；现有方法存在两个方面的局限性：一是使用的数据主要是车辆自身运动数据，没有考虑与外部环境之间的相关数据，难以全面反映用户驾驶行为；二是各种驾驶行为权重的确定存在很大主观性，导致难以准确量化用户驾驶行为的危险程度，用户驾驶行为最终得分与用户将来的出险情况之间的对应关系模糊。

发明内容

本发明的目的是为了解决现有的用户驾驶行为评分方法使用的数据维度不足、以及用户驾驶行为最终得分与用户将来的出险情况之间对应关系模糊的问题，通过引入与事故直接相关的各类ADAS预警数据，并基于回归模型结果确定影响驾驶安全各因子的权重系数，实现对用户驾驶行为的准确评分。

本发明通过下述技术方案得以实现的：

一种基于ADAS技术及回归模型的用户驾驶行为评分方法，其特征在于包括下述步骤：

步骤1、收集用户驾驶行为样本数据

将用户在一定期间内的驾驶行为数据进行采集，包括：ADAS预警数据、车辆自身运动数据、驾驶时环境数据；随着模型的建立，对于数据种类的需求也会相应发生变化，但这些都是需要通过传感器等进行采集；

其中，ADAS预警数据包括：前碰撞预警百公里频次、车道偏离预警百公里频次、骑线行驶报警百公里频次、疲劳驾驶预警百公里频次、驾车时操作手机时间占比、超速行驶百公里频次、交通违章百公里频次；ADAS预警数据可通过杭州好好好开车科技有限公司的ADAS车载终端“那狗”获得，或通过类似的ADAS功能模块获得。

车辆自身运动数据包括：急加速百公里频次、急刹车百公里频次、急转弯百公里频次、年化行驶里程数；车辆自身运动数据可通过加速度计、陀螺仪、磁力计、GPS模块(GlobalPositioning System，全球定位系统)、OBD(On-Board Diagnostic，车载诊断系统)等获得。

驾驶时环境数据包括：城市道路里程占比、熟悉路段里程占比、高危时段驾车时间占比、恶劣天气驾车时间占比；驾驶时环境数据可通过车辆自身运动数据结合地图数据、天气数据等获得。

步骤2、收集用户车辆出险样本数据

收集用户一定期间发生车险事故数据，如用户发生车险事故，且用户为负有责任，则认定该用户在这期间内“发生事故”，否则为“未出险”；用户发生车险事故，可以根据交通事故责任认定用户负有责任，通过技术判定也可以。

步骤3、建立样本数据回归模型

由步骤1、步骤2收集的样本数据，建立样本数据的回归模型，模型可选用贝努利分布假设下的回归模型，也可根据样本数据的组织形式，用其他二分类因变量的回归模型；

步骤1中收集的用户驾驶行为数据有k种，即用户驾驶行为用k个解释变量x₁,x₂,…,x_k描述；步骤1样本中用户数量为n，对于第i个用户，其对应的解释变量为x_1i,x_2i,…,x_ki；回归模型中k个解释变量对应的系数分别为β₁,β₂,…,β_k，另外模型的截距项为β₀；模型的因变量记为y，对于第i个用户，步骤2中该用户在一年度内“发生事故”，y_i记为1，“未出险”y_i则记为0；利用贝努利分布假设下的logistic回归模型为：

其中g()为logistic回归模型的连接函数，

π_i为第i个用户的出险概率

为第i个用户的解释向量，

β为logistic回归模型的回归系数向量，β＝[β₀,β₁,β₂,...,β_k]^T

根据样本的因变量y，采用迭代加权最小二乘估计或直接用R语言中的gamlss函数确定以上logistic回归模型的回归系数向量β，从而可得第i个用户的出险概率为：

步骤4、用户驾驶行为评分

对于任意一个用户，通过收集其一段时间内的驾驶行为数据，并按一定期间口径进行标准化，得到解释向量[1,x₁,x₂,…,x_k],然后根据步骤3确定的logistic回归模型的回归系数向量[β₀,β₁,β₂,...,β_k]，可得到该用户1个年度内的出险概率估计值：

并进一步根据该用户此期间内的出险概率估计值，确定其驾驶行为评分S为：

作为优选，上述一种用户驾驶行为评分方法中步骤1、步骤2中的一定期间为不少于半年，样本数据的采集量不少于5000。作为更佳优选，选择一年为常用的期间，从技术效果、实际运行的成本等多因素考虑，都较为合理。在采集数据时，一般采集的数据量为10000，可以得出较好的技术结果。

有益效果：

本发明通过引入与事故直接相关的各类ADAS预警数据，并基于logistic回归模型对用户驾驶行为进行评分，用户驾驶行为评分与用户的出险概率之间存在严格对应关系，可准确量化、识别用户驾驶风险。

附图说明

图1本发明的流程示意图

具体实施方式

下面对本发明的实施作具体说明：

实施例1

本实施例所述的基于ADAS技术及回归模型的用户驾驶行为评分方法具体步骤如下：

步骤1、收集用户驾驶行为样本数据

用户驾驶行为样本数据收集包括对一定量(取1万)的用户一定期间(取1年内)的驾驶行为数据进行收集。用户驾驶行为数据包括但不限于以下种类：ADAS预警数据、车辆自身运动数据、驾驶时环境数据等。

ADAS预警数据通过杭州好好好开车科技有限公司的ADAS车载终端“那狗”获得，ADAS预警数据包括：前碰撞预警百公里频次(即每百公里前碰撞预警次数)、车道偏离预警百公里频次、骑线行驶报警百公里频次、疲劳驾驶预警百公里频次、驾车时操作手机时间占比、超速行驶百公里频次、交通违章百公里频次等。

车辆自身运动数据根据加设加速度计、陀螺仪、磁力计、GPS模块(GlobalPositioning System，全球定位系统)、OBD(On-Board Diagnostic，车载诊断系统)等获得。通过上述设备，可获得车辆自身运动数据包括：急加速百公里频次、急刹车百公里频次、急转弯百公里频次、年化行驶里程数等。

驾驶时环境数据通过车辆自身运动数据结合地图数据、天气数据等获得。驾驶时环境数据包括：城市道路里程占比、熟悉路段里程占比、高危时段驾车时间占比、恶劣天气驾车时间占比等。

步骤2、收集用户车辆出险样本数据

收集用户一定期间(取1年内)是否发生车险事故数据。如一个年度内，用户发生车险事故，且根据交通事故责任认定用户负有责任，则记该用户在这一年度内“发生事故”，否则为“未出险”。

步骤3、建立样本数据回归模型

由步骤1、步骤2收集的样本数据，建立样本数据的回归模型，模型选用贝努利分布假设下的logistic回归模型，为例进行说明。

步骤1中收集的用户驾驶行为数据有k种，即用户驾驶行为用k个解释变量x₁,x₂,…,x_k描述。假设步骤1样本中用户数量为n，对于第i个用户，其对应的解释变量为x_1i,x_2i,…,x_ki。回归模型中k个解释变量对应的系数分别为β₁,β₂,…,β_k，另外模型的截距项为β₀。模型的因变量记为y，对于第i个用户，步骤2中该用户在一年度内“发生事故”，y_i记为1，“未出险”y_i则记为0。贝努利分布假设下的logistic回归模型为：

其中g()为logistic回归模型的连接函数，

π_i为第i个用户的出险概率

为第i个用户的解释向量，

β为logistic回归模型的回归系数向量，β＝[β₀,β₁,β₂,...,β_k]^T

根据样本的因变量y，可采用迭代加权最小二乘估计或直接用R语言中的gamlss函数确定以上logistic回归模型的回归系数向量β，从而可得第i个用户的出险概率为：

步骤4、用户驾驶行为评分

对于任意一个用户，通过收集其一段时间内的驾驶行为数据，并按1个年度口径进行标准化，得到解释向量[1,x₁,x₂,…,x_k],然后根据步骤3确定的logistic回归模型的回归系数向量[β₀,β₁,β₂,...,β_k]，可得到该用户1个年度内的出险概率估计值：

并进一步根据该用户1个年度内的出险概率估计值确定其驾驶行为评分S为：

通过本发明的试用，1.首次在用户驾驶行为评分中引入各类ADAS预警数据，能更准确地量化用户驾驶风险；2.首次通过对包含各类ADAS预警数据及其他驾驶行为数据、用户出险数据建立logistic回归模型，能更准确地估计用户在1个年度内的出险概率；3.首次基于用户在1个年度内的出险概率估计值，确定用户驾驶行为评分，并得到用户驾驶行为评分最终表达式为：

本发明所述方法可实现用户驾驶行为评分和用户出险概率之间的一一对应，如得分为0的客户在一个年度内的出险概率预计值为100％；得分为60的客户在一个年度内的出险概率预计值为40％；得分为80的客户在一个年度内的出险概率预计值为20％；得分为100的客户在一个年度内的出险概率预计值为0％。本发明可为保险机构充分评估驾驶人员的驾车习惯作充分的了解，同时也为保障出车安全提供有效的参考。

Claims (2)

1.一种基于ADAS技术及回归模型的用户驾驶行为评分方法，其特征在于包括下述步骤：

步骤1、收集用户驾驶行为样本数据

将用户在一定期间内的驾驶行为数据进行采集，包括：ADAS预警数据、车辆自身运动数据、驾驶时环境数据；

其中，ADAS预警数据包括：前碰撞预警百公里频次、车道偏离预警百公里频次、骑线行驶报警百公里频次、疲劳驾驶预警百公里频次、驾车时操作手机时间占比、超速行驶百公里频次、交通违章百公里频次；

车辆自身运动数据包括：急加速百公里频次、急刹车百公里频次、急转弯百公里频次、年化行驶里程数；

驾驶时环境数据包括：城市道路里程占比、熟悉路段里程占比、高危时段驾车时间占比、恶劣天气驾车时间占比；

步骤2、收集用户车辆出险样本数据

收集用户一定期间发生车险事故数据，如用户发生车险事故，且用户为负有责任，则认定该用户在这期间内“发生事故”，否则为“未出险”；

步骤3、建立样本数据回归模型

由步骤1、步骤2收集的样本数据，建立样本数据的回归模型，

步骤1中收集的用户驾驶行为数据有k种，即用户驾驶行为用k个解释变量x₁,x₂,…,x_k描述；步骤1样本中用户数量为n，对于第i个用户，其对应的解释变量为x_1i,x_2i,…,x_ki；回归模型中k个解释变量对应的系数分别为β₁,β₂,…,β_k，另外模型的截距项为β₀；模型的因变量记为y，对于第i个用户，步骤2中该用户在一年度内“发生事故”，y_i记为1，“未出险”y_i则记为0；利用贝努利分布假设下的logistic回归模型为：

其中g()为logistic回归模型的连接函数，

π_i为第i个用户的出险概率

为第i个用户的解释向量，

β为logistic回归模型的回归系数向量，β＝[β₀,β₁,β₂,...,β_k]^T

根据样本的因变量y，采用迭代加权最小二乘估计或直接用R语言中的gamlss函数确定以上logistic回归模型的回归系数向量β，从而可得第i个用户的出险概率为：

步骤4、用户驾驶行为评分

对于任意一个用户，通过收集其一段时间内的驾驶行为数据，并按一定期间口径进行标准化，得到解释向量[1,x₁,x₂,…,x_k],然后根据步骤3确定的logistic回归模型的回归系数向量[β₀,β₁,β₂,...,β_k]，可得到该用户1个年度内的出险概率估计值：

并进一步根据该用户此期间内的出险概率估计值，确定其驾驶行为评分S为：

2.根据权利要求1所述的一种基于ADAS技术及回归模型的用户驾驶行为评分方法，其特征在于步骤1、步骤2中的一定期间为不少于半年，样本数据的采集量不少于5000。