CN107784587B - 一种驾驶行为评价系统 - Google Patents

Abstract

一种驾驶行为评价系统，包括车载智能终端、云服务器端、移动客户端和管理后台；所述车载智能终端用于采集车辆数据并进行处理，传输至云服务器端；云服务器端安装有驾驶风险评分模型，周期性对驾驶数据进行计算评分；用户通过移动客户端查看自己账户中的驾驶行为评价；保险公司通过管理后台，查看相应用户的驾驶行为评价和数据明细。本申请可以直观的检测和评估驾驶安全关键因素，而非通过传统保单使用的指标带来对风险理解的规则重整，降低保险公司的赔付成本。

Description

一种驾驶行为评价系统

技术领域

本发明涉及汽车电子设备与保险应用领域，具体说是一种驾驶行为评价系统。

背景技术

传统车险主要服务于车辆事故的流程化理赔，很少为驾驶者提供个性化增值服务。由于保险公司无法了解驾驶者的驾驶习惯，因此无法针对不同的驾驶用户提供个性化车保服务。

和传统车险相比，利用车联网设备获取车主的行驶数据，对车主的驾驶习惯、驾驶行为、行驶里程等数据进行分析，判定驾驶者的安全级别，对不同安全级别的车主给予不同的保费优惠，是一种差异化费率的汽车保险，即汽车UBI(Usage Based Insurance)。这种差异化的费率是建立在对消费者行为的检测的基础上，从以往对车型数据的关注转移到车辆数据、驾驶行为数据的关注。通过车联网设备获得丰富的车辆数据信息和驾驶行为信息，以及对大数据进行分析，挖掘出隐藏在海量数据之中有价值的信息，为客户提供差异化车费服务。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种驾驶行为评价系统，改变了传统的车保模式，可应用于带有图像识别模块的车载智能终端设备，直观的检测和评估驾驶安全关键因素，而非通过传统保单使用的指标带来对风险理解的规则重整，降低保险公司的赔付成本。

为实现上述目的，本发明采用如下技术方案,一种驾驶行为评价系统，包括车载智能终端、云服务器端、移动客户端和管理后台；所述车载智能终端用于采集车辆数据并进行处理，传输至云服务器端；云服务器端安装有驾驶风险评分模型，周期性对驾驶数据进行计算评分；用户通过移动客户端查看自己账户中的驾驶行为评价；保险公司通过管理后台，查看相应用户的驾驶行为评价和数据明细。

进一步的，所述车载智能终端通过CAN总线、OBD II获取车辆的运行信息，并判断车辆是否已启动；如果车辆已启动，车载智能终端获取车辆的传感器信息，对所述传感器信息进行综合判断分析出车辆行驶数据；

所述车载智能终端，还包括图像识别模块，采集车辆周边物体图像信息，并且计算车辆周边物体相对车辆距离；对识别的物体和图像进行分类处理，并记录相应数据；

将车辆行驶数据、图像识别分类数据上传至云服务器端，储存至数据库DataBase。

进一步的，云服务器端，结合基于历史数据所建立的驾驶风险评分模型，对用户驾驶数据进行综合分析，以此获得跟车风险评分、车速风险评分、恶劣路况风险评分、紧急情况反应评分；

并且周期性对驾驶数据进行计算评分，储存至相应用户账户中。

进一步的，车载智能终端，还包括中央处理器，将车辆行驶数据、图像识别分类数据进行解析获得当前跟车距离、合理时速范围，并上传至云服务器端，储存至数据库DataBase。

进一步的，所述车辆行驶数据，包括车辆的GPS定位信息、实时路况信息、路径数据信息、行驶里程信息、油耗信息、驾驶行为信息和设备操作信息；所述驾驶行为信息，包括超速、急加速、急减速、急转弯、碰撞、急刹车；所述设备操作信息，包括车辆打火准备启动和车辆停车后熄火的信息。

更进一步的，所述GPS定位信息：通过车载智能终端的GPS传感器或北斗或格洛纳斯AGPS辅助定位功能，获取车辆的GPS定位信息；

所述实时路况信息：通过获取GPS定位信息，通过无线通讯模块，接入地图供应商的实时路况API，获取相应路段的实时路况信息；

所述行驶里程信息：通过车载智能终端读取车辆信息数据，获取总行驶里程，一段行程的总里程差额则为该段的行驶里程；或通过GPS数据计算行驶里程；

所述油耗信息：通过车载智能终端与CAN总线通信的方式获取汽车内网总线数据进而获得车辆油耗信息，或者通过OBD诊断接口间接的与车内总线通信而获得车辆油耗信息。

更进一步的，所述急加速行为：通过采集OBD II的数据中的车速来进行计算，两次车速采样间有一个速度差值，且为正数值，除以采样的时间间隔，为此时的加速度值，如果加速度值满足设定的最大加速度阈值，则开始计算此急加速度过程，当加速度值小于最大加速度阈值一段时间，则结束计算急加速过程，此时上报急加速行为；

或者通过车载智能终端内加速度传感器模块输出数据，当输出加速度值满足设定的正加速度阀值，则开始计算此急加速度过程当加速度值小于设定的正加速度阀值一段时间，则结束计算急加速过程，此时上报急加速行为。

更进一步的，所述急减速行为通过采集OBD II的数据中的车速来进行计算，两次车速采样间有一个速度差值，且为负数值，除以采样的时间间隔，为此时的减速度值，如果减速读值满足设定的最大减速度阈值，则开始计算此急减速度过程，当减速度值小于最大减速度阈值一段时间，则结束计算急减速过程，此时上报急减速行为；

或者通过车载智能终端内加速度传感器模块输出数据，当输出加速度值满足设定的负加速度阀值，则开始计算此急减速度过程，当减速度值小于设定的负加速度阀值一段时间，则结束计算急减速过程，此时上报急减速行为。

作为更进一步的，对识别的物体和图像进行分类处理，具体包括：路段内物体、交通标识、天气状况；所述识别方法为：

采用LLE算法对采集图像进行流形学习，得到图像特征；通过图像特征对神经网络进行训练；将实时采集的图像代入神经网络进行识别，得到识别物体&图像种类标签，并将该物体&图像根据标签进行分类处理，并记录相应数据。

作为更进一步的，所述当前跟车距离为：通过图像识别分类中的车辆位置数据、距离数据，计算出与前方车辆的距离，即当前路段平均跟车距离、最小跟车距离、最大跟车距离；

合理时速范围为：通过图像识别道路旁交通标识牌和地面交通标线，计算出车辆所在路段的最高限速、最低限速、所在车道的最高和最低限速。

本发明由于采用以上技术方法，能够取得如下的技术效果：改变了传统的车保模式，可应用于带有图像识别模块的车载智能终端设备(如ADAS)，能直观的检测和评估驾驶安全关键因素，而非通过传统保单使用的指标带来对风险理解的规则重整，降低保险公司的赔付成本；让消费者得到更加公正且能够更好控制自身保费的车保产品；便于监管部门对道路安全的管理，在强化道路安全、挽救生命以及环保方面做出贡献，为消费者自身及家庭提供了安全和保障的附加增值服务，同时为保险公司带来了全新的风险重整方法，降低了保险公司的赔付成本。

附图说明

本发明共有附图3幅：

图1为本系统的逻辑结构示意图；

图2为实施例中的图像识别数据结构示意图；

图3为实施例中的驾驶评价数据结构示意图。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

实施例1

本实施例提供一种驾驶行为评价系统，包括车载智能终端、云服务器端、移动客户端和管理后台；所述车载智能终端用于采集车辆数据并进行处理，传输至云服务器端；云服务器端安装有驾驶风险评分模型，周期性对驾驶数据进行计算评分；用户通过移动客户端查看自己账户中的驾驶行为评价；保险公司通过管理后台，查看相应用户的驾驶行为评价和数据明细。

所述车载智能终端通过CAN总线、OBD II获取车辆的运行信息，并判断车辆是否已启动；如果车辆已启动，车载智能终端获取车辆的传感器信息，对所述传感器信息进行综合判断分析出车辆行驶数据；所述车辆行驶数据，包括车辆的GPS定位信息、实时路况信息、路径数据信息、行驶里程信息、油耗信息、驾驶行为信息和设备操作信息；所述驾驶行为信息，包括超速、急加速、急减速、急转弯、碰撞、急刹车；所述设备操作信息，包括车辆打火准备启动和车辆停车后熄火的信息。

所述车载智能终端，还包括图像识别模块，采集车辆周边物体图像信息，并且计算车辆周边物体相对车辆距离；对识别的物体和图像进行分类处理，并记录相应数据；所述图像识别模块包括摄像传感器、雷达传感器、图像识别算法模块；

将车辆行驶数据、图像识别分类数据上传至云服务器端，储存至数据库DataBase。

车载智能终端，还包括中央处理器，将车辆行驶数据、图像识别分类数据进行解析获得当前跟车距离、合理时速范围，并上传至云服务器端，储存至数据库DataBase。

云服务器端，结合基于历史数据所建立的驾驶风险评分模型，对用户驾驶数据进行综合分析，以此获得跟车风险评分、车速风险评分、恶劣路况风险评分、紧急情况反应评分；并且周期性对驾驶数据进行计算评分，储存至相应用户账户中。

实施例2

本实施例提供一种驾驶行为评价系统使用方法，包括：

S1：判断车辆是否启动，如果车辆启动执行步骤S2；如果车辆未启动，则继续待命；具体是通过方法1或方法2进行的，

方法1：车载智能终端通过CAN总线、OBD II获取车辆的运行信息，当车辆的运行状态为已点火时，并判断车辆已启动，执行步骤S2；当车辆的运行状态为熄火时，判断车辆未启动，则继续待命；

方法2：车载智能终端通过CAN总线、OBD II获取车辆的运行信息，当车辆采集到车辆运行数据时，如发动机转速、电瓶电量及电压、车辆传感器数据等，判断车辆已启动，执行步骤S2，否则继续待命。

S2：车载智能终端通过CAN总线、OBD II获取车辆的传感器信息，对所述传感器信息进行综合判断分析出车辆的行驶数据；

S3：图像识别模块采集车辆周边物体图像信息，并且计算车辆周边物体相对车辆距离；

S4：对识别的物体和图像进行分类处理，并记录相应数据；具体包括：路段内物体、交通标识、天气状况；所述路段内物体，即车辆、行人、其他障碍物的物体，标记并实时追踪相应物体的位置变化、相对距离、距离变化，记录相应数据；所述交通标识，即路边交通标识牌、路面标线，解析相应的交通提示信息，识别交通标识牌所表述的限速信息、车辆禁行信息，记录相应数据；所述天气状况，分析行驶路段的天气状态和强度，如：晴天、阴天、雾、冰雹、小雨、中雨、大雨等，并记录相应数据；

所述识别方法为：

采用LLE算法对采集图像进行流形学习，得到图像特征；通过图像特征对神经网络进行训练；将实时采集的图像代入神经网络进行识别，得到识别物体&图像种类标签，并将该物体&图像根据标签进行分类处理，并记录相应数据。

所述采用LLE算法对采集图像进行流形学习包括以下步骤：以图像作为样本构造k-近邻图，并计算任意两个图像之间的相似度作为近似测地线距离：min(dG(i,j),dG(i,k)+dG(k,j))其中，dG为k-近邻图上任意两个图像之间的欧式距离，图像索引号i、j、k为1、2、…、N,其中N为图像张数；构造矩阵M＝(I-W)T(I-W),其中I为N×N单位矩阵，W为N×N近k-邻图矩阵，即k-近邻图上任意两个图像之间的近似测地线距离矩阵；对M矩阵进行特征分解，X取M的前m个特征向量作为特征提取的结果，即图像特征X1…Xm。

所述通过图像特征对神经网络进行训练包括以下步骤：将图像特征作为输入，车辆类型标签为输出，隐层节点为K-means算法聚类得到的中心；对神经网络进行训练得到隐层各节点输出的权重。所述K-means算法包括以下步骤：1)选择c个类的初始中心：c为样本个数的若干分之一，第一个样本为数据集的中心，第c个样本为所有数据点中距离前c-1个数据点最远的点；其中数据集为X，数据点表示某张图像特征；2)对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；3)将每个类中的点取平均值作为该类的聚类中心；返回步骤2)，直到当前所有类的聚类中心与上一次迭代得到所有类的聚类中心之差小于阈值为止。

所述将实时采集的图像代入神经网络进行识别包括以下步骤：将实时采集的图像采用LLE算法对采集图像进行流形学习，得到图像特征；将图像特征和权重代入神经网络，得到物体&图像种类标签：

YN为物体&图像种类标签，W为权重，DN为当前样本与各聚类中心的距离矩阵，D为所有聚类中心之间的距离矩阵，p为隐层节点个数。

S5：将步骤S2获得的车辆行驶数据、步骤S4获得的图像识别分类数据发送至智能终端中央处理器，进行解析获得当前跟车距离、合理时速范围；当前跟车距离：通过图像识别分类中的车辆位置数据、距离数据，计算出与前方车辆的距离，即当前路段平均跟车距离、最小跟车距离、最大跟车距离；合理时速范围：通过图像识别道路旁交通标识牌和地面交通标线，计算出车辆所在路段的最高和最低限速、所在车道的最高和最低限速；

S6:将步骤S2获得的车辆行驶数据、步骤S4获得的图像识别分类数据、步骤S5获得的当前跟车距离和合理时速范围，上传至云服务器端，储存至数据库DataBase；

S7:云服务器端，结合基于历史数据所建立的驾驶风险评分模型，对用户驾驶数据进行综合分析，以此获得跟车风险评分、车速风险评分、恶劣路况风险评分、紧急情况反应评分。该风险评估及计算模型可采用申请号为2014108549958或201410849026.3进行评估计算。

跟车风险评分：将跟车距离(平均值、最小、最大)、车辆时速、加速(轻度、中度、急加速)、减速(轻度刹车、中度刹车、急减速)、转弯(急转弯)，导入历史跟车风险模型，计算获得相应的跟车风险评分；

车速风险评分：将当前车辆时速、合理车速范围、天气因子，导入历史车速风险模型，计算获得相应的车速风险评分；

恶劣路况风险评分：将车辆时速、周边车辆平均速度、天气因子、路况因子，导入恶劣路况驾驶模型，计算获得相应的恶劣路况驾驶评分；

紧急情况反应评分：将周边物体(车辆、行人、其他障碍物)的位置、距离变化数据，驾驶行为数据(急加速、急减速、急刹车、急转弯、碰撞)，导入紧急情况反应模型，计算获得前方一定范围内出现紧急状况时，驾驶员的反应时间、操作正确率。

S8：云服务器端根据上述步骤S1-S6，周期性对驾驶数据进行计算评分，并储存至相应用户账户中；

S9：用户通过移动客户端(APP、微信公众号)查看自己账户中的驾驶行为评价。

S10：保险公司通过连接云服务器的运营管理系统或API接口，查看相应用户的驾驶行为评价和数据明细，保险公司以此进行差异化保费处理。

实施例3

作为对实施例1或2的进一步的补充，

所述GPS定位信息：通过车载智能终端的GPS传感器或北斗或格洛纳斯AGPS辅助定位功能，获取车辆的GPS定位信息；

所述实时路况信息：通过获取GPS定位信息，通过无线通讯模块，接入地图供应商的实时路况API，获取相应路段的实时路况信息；

所述行驶里程信息：通过车载智能终端读取车辆信息数据，获取总行驶里程，一段行程的总里程差额则为该段的行驶里程；或通过GPS数据计算行驶里程；

所述油耗信息：通过车载智能终端与CAN总线通信的方式获取汽车内网总线数据进而获得车辆油耗信息，或者通过OBD诊断接口间接的与车内总线通信而获得车辆油耗信息。

所述急加速行为通过方法一或方法二获取：

方法一：通过采集OBD II的数据中的车速来进行计算，两次车速采样间有一个较大的速度差值，且为正数值，除以采样的时间间隔，为此时的加速度值，如果加速度值满足设定的最大加速度阈值，则开始计算此急加速度过程，当且仅当加速时间超过一定时间时，才会激活此功能，当加速度值小于最大加速度阈值一段时间，则结束计算急加速过程，此时上报急加速行为；

方法二：通过车载智能终端内加速度传感器模块输出数据，当输出加速度值满足设定的正加速度阀值，则开始计算此急加速度过程，当且仅当加速时间超过一定值时，才会激活此功能，当加速度值小于设定的正加速度阀值一段时间，则结束计算急加速过程，此时上报急加速行为。

所述急减速行为通过方法一或方法二获取：

方法一：通过采集OBD II的数据中的车速来进行计算，两次车速采样间有一个较大的速度差值，且为负数值，除以采样的时间间隔，为此时的减速度值，如果减速读值满足设定的最大减速度阈值，则开始计算此急减速度过程，当且仅当减速时间超过一定值时，才会激活此功能，当减速度值小于最大减速度阈值一段时间，则结束计算急减速过程，此时上报急减速行为；

方法二：通过车载智能终端内加速度传感器模块输出数据，当输出加速度值满足设定的负加速度阀值，则开始计算此急减速度过程，当且仅当减速时间超过一定值时，才会激活此功能，当减速度值小于设定的负加速度阀值一段时间，则结束计算急减速过程，此时上报急减速行为。

所述急转弯行为通过方法一或方法二获取：

方法一：通过获取GPS的角度值与OBD II数据中的车速来计算，当车转弯的时候会有一个角度，这时如果转弯的角度与车速到了一个设定值，为一个急转弯的过程开始,如果此行为持续一段时间，则此时有一个急转弯的动作，中途转弯的角度与车速可以小于设定值，如果超出一段时间，则判断急转弯过程终止，并上报急转弯行为；

方法二：通过车载智能终端内三轴陀螺仪模块输出数据，当输出的角速度与车速到了一个设定值，为一个急转弯的过程开始,如果此行为持续一段时间，则此时有一个急转弯的动作，中途转弯的角度与车速可以小于设定值，如果超出一段时间，则判断急转弯过程终止，则判断急转弯过程终止，并上报急转弯行为；

碰撞信息获取：可以通过申请号为201510289333.5的碰撞检测方法进行获取。

设备操作信息：通过车载智能终端与CAN总线通信的方式获取汽车内网总线数据，或者通过OBD诊断接口间接的与车内总线通信而获得车辆打火启动和车辆停车后熄火的信息。

本发明将大数据的不同的汽车周边状态下汽车行驶状态关系结合汽车行驶状态及汽车行驶状态统计量与汽车保险的确定关系，确定该车辆的驾驶风险，给汽车保险提供量化的分析方法，信息客观，方便汽车保险的设计。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种驾驶行为评价系统使用方法，其特征在于，包括

S1：判断车辆是否启动，如果车辆启动执行步骤S2；如果车辆未启动，则继续待命；具体是通过方法1或方法2进行的，

方法1：车载智能终端通过CAN 总线、OBD II获取车辆的运行信息，当车辆的运行状态为已点火时，并判断车辆已启动，执行步骤S2；当车辆的运行状态为熄火时，判断车辆未启动，则继续待命；

方法2：车载智能终端通过CAN 总线、OBD II获取车辆的运行信息，当车辆采集到车辆运行数据时，判断车辆已启动，执行步骤S2，否则继续待命；

S2：车载智能终端通过CAN 总线、OBD II 获取车辆的传感器信息，对所述传感器信息进行综合判断分析出车辆的行驶数据；

S3：图像识别模块采集车辆周边物体图像信息，并且计算车辆周边物体相对车辆距离；

S4：对识别的物体和图像进行分类处理，并记录相应数据；具体包括：路段内物体、交通标识、天气状况；所述路段内物体，标记并实时追踪相应物体的位置变化、相对距离、距离变化，记录相应数据；所述交通标识，即路边交通标识牌、路面标线，解析相应的交通提示信息，识别交通标识牌所表述的限速信息、车辆禁行信息，记录相应数据；所述天气状况，分析行驶路段的天气状态和强度，并记录相应数据；

识别方法为：

采用LLE算法对采集图像进行流形学习，得到图像特征；通过图像特征对神经网络进行训练；将实时采集的图像代入神经网络进行识别，得到识别物体和图像种类标签，并将该物体和图像根据标签进行分类处理，并记录相应数据；

所述采用LLE算法对采集图像进行流形学习包括以下步骤：以图像作为样本构造k-近邻图，并计算任意两个图像之间的相似度作为近似测地线距离：min(dG(i ,j),dG(i ,e)+dG(e ,j))其中，dG为k-近邻图上任意两个图像之间的欧式距离，图像索引号i、j、e为1、2、…、N ,其中N为图像张数；构造矩阵M＝(I-A)T(I-A),其中I为N×N单位矩阵，A为N×N近k-邻图矩阵，即k-近邻图上任意两个图像之间的近似测地线距离矩阵；对M矩阵进行特征分解，数据集X取M的前m个特征向量作为特征提取的结果，即图像特征X1…Xm；

通过图像特征对神经网络进行训练包括以下步骤：将图像特征作为输入，车辆类型标签为输出，隐层节点为K-means算法聚类得到的中心；对神经网络进行训练得到隐层各节点输出的权重；所述K-means算法包括以下步骤：1)选择c个类的初始中心：c为样本个数的若干分之一，第一个样本为数据集的中心，第c个样本为所有数据点中距离前c-1个数据点最远的点；其中数据集为X，数据点表示某张图像特征；2)对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；3)将每个类中的点取平均值作为该类的聚类中心；返回步骤2)，直到当前所有类的聚类中心与上一次迭代得到所有类的聚类中心之差小于阈值为止；

所述将实时采集的图像代入神经网络进行识别包括以下步骤：将实时采集的图像采用LLE算法对采集图像进行流形学习，得到图像特征；将图像特征和权重代入神经网络，根据当前样本与各聚类中心的距离矩阵、所有聚类中心之间的距离矩阵、隐层节点个数；得到物体和图像种类标签；

S5：将步骤S2获得的车辆行驶数据、步骤S4获得的图像识别分类数据发送至智能终端中央处理器，进行解析获得当前跟车距离、合理时速范围；当前跟车距离：通过图像识别分类中的车辆位置数据、距离数据，计算出与前方车辆的距离，即当前路段平均跟车距离、最小跟车距离、最大跟车距离；合理时速范围：通过图像识别道路旁交通标识牌和地面交通标线，计算出车辆所在路段的最高和最低限速、所在车道的最高和最低限速；

S6:将步骤S2获得的车辆行驶数据、步骤S4获得的图像识别分类数据、步骤S5获得的当前跟车距离和合理时速范围，上传至云服务器端，储存至数据库DataBase；

S7:云服务器端，结合基于历史数据所建立的驾驶风险评分模型，对用户驾驶数据进行综合分析，以此获得跟车风险评分、车速风险评分、恶劣路况风险评分、紧急情况反应评分；

跟车风险评分：将跟车距离、车辆时速、加速、减速、转弯，导入历史跟车风险模型，计算获得相应的跟车风险评分；

车速风险评分：将当前车辆时速、合理车速范围、天气因子，导入历史车速风险模型，计算获得相应的车速风险评分；

恶劣路况风险评分：将车辆时速、周边车辆平均速度、天气因子、路况因子，导入恶劣路况驾驶模型，计算获得相应的恶劣路况驾驶评分；

紧急情况反应评分：将周边物体的位置、距离变化数据，驾驶行为数据，导入紧急情况反应模型，计算获得前方一定范围内出现紧急状况时，驾驶员的反应时间、操作正确率；

S8：云服务器端根据上述步骤S1-S6，周期性对驾驶数据进行计算评分，并储存至相应用户账户中；

S9：用户通过移动客户端查看自己账户中的驾驶行为评价；

S10：保险公司通过连接云服务器的运营管理系统或API接口，查看相应用户的驾驶行为评价和数据明细，保险公司以此进行差异化保费处理；

上述方法是在驾驶行为评价系统中实施的，该系统包括车载智能终端、云服务器端、移动客户端和管理后台；所述车载智能终端用于采集车辆数据并进行处理，传输至云服务器端；云服务器端安装有驾驶风险评分模型，对驾驶数据进行计算评分；用户通过移动客户端查看自己账户中的驾驶行为评价；保险公司通过管理后台，查看相应用户的驾驶行为评价和数据明细；

车载智能终端，还包括中央处理器，将车辆行驶数据、图像识别分类数据进行解析获得当前跟车距离、合理时速范围，并上传至云服务器端，储存至数据库DataBase；

所述车辆行驶数据，包括车辆的GPS定位信息、实时路况信息、路径数据信息、行驶里程信息、油耗信息、驾驶行为信息和设备操作信息；所述驾驶行为信息，包括超速行为、急加速行为、急减速行为、急转弯行为、碰撞行为、急刹车行为；所述设备操作信息，包括车辆打火准备启动和车辆停车后熄火的信息。

2.根据权利要求1所述一种驾驶行为评价系统使用方法，其特征在于，所述车载智能终端通过CAN 总线、OBD II 获取车辆的运行信息，并判断车辆是否已启动；如果车辆已启动，车载智能终端获取车辆的传感器信息，对所述传感器信息进行综合判断分析出车辆行驶数据；

所述车载智能终端，还包括图像识别模块，采集车辆周边物体图像信息，并且计算车辆周边物体相对车辆距离；对识别的物体和图像进行分类处理，并记录相应数据；

将车辆行驶数据、图像识别分类数据上传至云服务器端，储存至数据库DataBase。

3.根据权利要求1所述一种驾驶行为评价系统使用方法，其特征在于，云服务器端，结合基于历史数据所建立的驾驶风险评分模型，对用户驾驶数据进行综合分析，以此获得跟车风险评分、车速风险评分、恶劣路况风险评分、紧急情况反应评分；

并且周期性对驾驶数据进行计算评分，储存至相应用户账户中。

4.根据权利要求1所述一种驾驶行为评价系统使用方法，其特征在于，所述GPS定位信息：通过车载智能终端的GPS传感器或北斗或格洛纳斯AGPS辅助定位功能，获取车辆的GPS定位信息；

所述实时路况信息：通过获取GPS定位信息，通过无线通讯模块，接入地图供应商的实时路况API，获取相应路段的实时路况信息；

所述行驶里程信息：通过车载智能终端读取车辆信息数据，获取总行驶里程，一段行程的总里程差额则为该段的行驶里程；或通过GPS 数据计算行驶里程；

所述油耗信息：通过车载智能终端与CAN总线通信的方式获取汽车内网总线数据进而获得车辆油耗信息，或者通过 OBD 诊断接口间接的与车内总线通信而获得车辆油耗信息。

5.根据权利要求1所述一种驾驶行为评价系统使用方法，其特征在于，所述急加速行为：通过采集OBD II 的数据中的车速来进行计算，两次车速采样间有一个速度差值，且为正数值，除以采样的时间间隔，为此时的加速度值，如果加速度值满足设定的最大加速度阈值，则开始计算此急加速度过程，当加速度值小于最大加速度阈值一段时间，则结束计算急加速过程，此时上报急加速行为；

或者通过车载智能终端内加速度传感器模块输出数据，当输出加速度值满足设定的正加速度阀值，则开始计算此急加速度过程，当加速度值小于设定的正加速度阀值一段时间，则结束计算急加速过程，此时上报急加速行为。

6.根据权利要求1所述一种驾驶行为评价系统使用方法，其特征在于，所述急减速行为通过采集OBD II 的数据中的车速来进行计算，两次车速采样间有一个速度差值，且为负数值，除以采样的时间间隔，为此时的减速度值，如果减速读值满足设定的最大减速度阈值，则开始计算此急减速度过程，当减速度值小于最大减速度阈值一段时间，则结束计算急减速过程，此时上报急减速行为；

或者通过车载智能终端内加速度传感器模块输出数据，当输出加速度值满足设定的负加速度阀值，则开始计算此急减速度过程，当减速度值小于设定的负加速度阀值一段时间，则结束计算急减速过程，此时上报急减速行为。

7.根据权利要求1所述一种驾驶行为评价系统使用方法，其特征在于，所述当前跟车距离为：通过图像识别分类中的车辆位置数据、距离数据，计算出与前方车辆的距离，即当前路段平均跟车距离、最小跟车距离、最大跟车距离；

合理时速范围为：通过图像识别道路旁交通标识牌和地面交通标线，计算出车辆所在路段的最高限速、最低限速、所在车道的最高和最低限速。

Images