CN109118055A - 一种驾驶行为评分方法及装置 - Google Patents
一种驾驶行为评分方法及装置 Download PDFInfo
- Publication number
- CN109118055A CN109118055A CN201810796046.7A CN201810796046A CN109118055A CN 109118055 A CN109118055 A CN 109118055A CN 201810796046 A CN201810796046 A CN 201810796046A CN 109118055 A CN109118055 A CN 109118055A
- Authority
- CN
- China
- Prior art keywords
- data
- driving behavior
- driver
- feature
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006399 behavior Effects 0.000 claims abstract description 178
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000003542 behavioural effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明公开了一种驾驶行为评分方法及装置，属于车辆驾驶行为分析技术领域。方法包括获取样本数据，样本数据包括样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；从样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到样本驾驶员的特征数据；根据从业务保单数据中提取的特征获取样本驾驶员的驾驶行为评分；根据样本驾驶员的特征数据及样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型并存储，以用于对除样本驾驶员之外的目标驾驶员的驾驶行为进行评分。本发明实施例通过机器学习对驾驶员驾驶行为进行多维度和精细化的建模，从而实现了针对不同驾驶员准确地进行驾驶行为评分。
Description
技术领域
本发明涉及车辆驾驶行为分析技术领域，尤其涉及一种驾驶行为评分方法及装置。
背景技术
近年来，机动车辆的数量也越来越多，同时随着车联网飞速发展，与车联网技术结合的基于驾驶员驾驶行为进行定价的车险产品也越来越多，通过对驾驶员驾驶行为进行评分，进而准确地确定车险产品的定价，可以提高驾驶员的安全驾驶消费观及驾驶员的安全驾驶意识，从而降低社会交通事故率。
目前，驾驶行为评分建模主要是通过对接车内传感器或车机获取用户驾驶行为数据，以及获取观测车辆在驾驶行为观测周期内是否发生交通事故并向保险公司申请保险索赔的出险情况数据，并采用分类方法对数据进行建模，预测出险概率，之后，建立驾驶行为评分与出险概率的映射关系。然而，这种驾驶行为评分建模方法主要存在以下几点问题：一是采集的来源比较单一，仅包含驾驶行为相关信息，导致评分结果不准确；二是无法保证车主的连续性，由于同一辆车下可注册多名用户，导致同一辆车的驾驶记录并非隶属于同一名用户，从而干扰分析；三是仅通过出险概率对驾驶行为进行标签设定，缺乏对出现风险程度的衡量，导致模型不够精细化。
发明内容
本发明实施例的目的是提供一种驾驶行为评分方法及装置，通过从驾驶行为数据、驾驶环境数据和业务保单数据多个维度出发，并通过机器学习对驾驶员的驾驶行为进行多维度和精细化的建模，从而能够实现针对不同驾驶员准确地进行驾驶行为评分预测。
为解决上述技术问题，本发明实施例的具体技术方案如下：
第一方面，本发明实施例提供了一种模型训练方法，所述方法包括步骤：
获取样本数据，所述样本数据包括样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
从所述样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到所述样本驾驶员的特征数据；以及
根据从所述业务保单数据中提取的特征，获取所述样本驾驶员的驾驶行为评分；
根据所述样本驾驶员的特征数据及所述样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型并存储，以用于对除所述样本驾驶员之外的目标驾驶员的驾驶行为进行评分。
在一些实施例中，所述获取样本数据包括：
通过移动SDK模块获取所述样本驾驶员的驾驶行为数据；
通过车载深度摄像头模块获取所述样本驾驶员的驾驶环境数据；
通过预设接口获取所述样本驾驶员的业务保单数据。
在一些实施例中，所述从所述样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到所述样本驾驶员的特征数据包括：
从所述驾驶行为数据中提取出所述样本驾驶员的第一特征，所述第一特征包括平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个；
从所述驾驶环境数据中提取出所述样本驾驶员的第二特征，所述第二特征包括驾驶路况状态和变换车道次数中的至少一个；
从业务保单数据中提取出所述样本驾驶员的第三特征和第四特征，所述第三特征包括个人基本信息，所述第四特征包括保单购买记录信息和理赔历史信息中的至少一个；
对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行特征合并，得到所述样本驾驶员的特征数据。
在一些实施例中，所述根据从所述业务保单数据中提取的特征，获取所述样本驾驶员的驾驶行为评分包括：
根据从所述业务保单数据中提取的特征，计算出所述样本驾驶员的理赔率；
根据预设的映射关系表，确定与将所述样本驾驶员的理赔率具有映射关系的驾驶行为评分；
其中，在所述映射关系表中，理赔率越高对应的驾驶行为评分越低。
在一些实施例中，所述机器学习模型为提升树模型或随机森林模型。
在一些实施例中，所述方法还包括：
获取所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
从所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中提取目标特征数据；
将所述目标特征数据输入到所述驾驶行为评分模型，得到所述目标驾驶员的驾驶行为评分并输出。
第二方面，本发明实施例提供了一种模型训练装置，所述装置包括：
数据获取模块，用于获取样本数据，所述样本数据包括样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
特征提取模块，用于从所述样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到所述样本驾驶员的特征数据；
评分获取模块，用于根据从所述业务保单数据中提取的特征，获取所述样本驾驶员的驾驶行为评分；
模型训练模块，用于根据所述样本驾驶员的特征数据及所述样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型；
模型存储模块，用于存储所述驾驶行为评分模型，以用于对除所述样本驾驶员之外的目标驾驶员的驾驶行为进行评分。
在一些实施例中，所述数据获取模块包括：
第一获取单元，用于通过移动SDK模块获取所述样本驾驶员的驾驶行为数据；
第二获取单元，用于通过车载深度摄像头模块获取所述样本驾驶员的驾驶环境数据；
第三获取单元，用于通过预设接口获取所述样本驾驶员的业务保单数据。
在一些实施例中，所述特征提取模块包括：
第一提取单元，用于从所述驾驶行为数据中提取出所述样本驾驶员的第一特征，所述第一特征包括平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个；
第二提取单元，用于从所述驾驶环境数据中提取出所述样本驾驶员的第二特征，所述第二特征包括驾驶路况状态和变换车道次数中的至少一个；
第三提取单元，用于从业务保单数据中提取出所述样本驾驶员的第三特征和第四特征，所述第三特征包括个人基本信息，所述第四特征包括保单购买记录信息和理赔历史信息中的至少一个；
特征合并单元，用于对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行特征合并，得到所述样本驾驶员的特征数据。
在一些实施例中，所述评分获取模块包括：
理赔率获取单元，用于根据从所述业务保单数据中提取的特征，计算出所述样本驾驶员的理赔率；
映射单元，用于根据预设的映射关系表，确定与将所述样本驾驶员的理赔率具有映射关系的驾驶行为评分；
其中，在所述映射关系中，理赔率越高对应的驾驶行为评分越低。
在一些实施例中，所述机器学习模型为提升树模型或随机森林模型。
在一些实施例中，所述数据获取模块，还用于获取所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
所述特征提取模块，还用于从所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中提取目标特征数据；
所述装置还包括：
评分预测模块，用于将所述目标特征数据输入到所述驾驶行为评分模型，得到所述目标驾驶员的驾驶行为评分；
结果输出模块，用于输出所述目标驾驶员的驾驶行为评分。
第三方面，本发明实施例提供了一种计算机设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。
本发明提供的驾驶行为评分方法及装置，通过从样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据多个维度出发，提取得到样本驾驶员的特征数据，并根据样本驾驶员的业务保单数据获取样本驾驶员的驾驶行为评分，以及根据样本驾驶员的特征数据及样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型，从而实现了对驾驶员驾驶行为进行多维度和精细化的建模，进而可以通过驾驶行为评分模型能够实现针对不同驾驶员准确地进行驾驶行为评分预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了根据本发明一实施例的驾驶行为评分方法的流程图；
图2示意性示出了根据本发明另一实施例的驾驶行为评分方法的流程图；
图3示意性示出了根据本发明另一实施例的驾驶行为评分装置的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的驾驶行为评分，通过该方法能够对驾驶员驾驶行为进行多维度和精细化的建模，进而可以通过驾驶行为评分模型能够实现针对不同驾驶员准确地进行驾驶行为评分预测，该驾驶行为评分的执行主体可以是服务器，服务器可以通过网络与搭载有移动SDK模块的移动终端及车载深度摄像头模块进行通信连接，服务器还可以通过预设接口与业务保单系统进行对接，以获取驾驶员的业务保单数据；其中，服务器可以是单个服务器，也可以是由多个服务器组成的服务器群，且该服务器群内，多个服务器之间可以进行通信连接；其中，搭载有移动SDK模块的移动终端为驾驶员的移动终端，其可以通过移动SDK模块采集到驾驶员的驾驶行为数据上传至服务器，车载深度摄像头模块安装在驾驶员的车辆上，能够将采集到的驾驶行为环境数据上传至服务器。
图1示意性示出了根据本发明一实施例的驾驶行为评分方法的流程图，参照图1所示，该方法包括步骤：
S1、获取样本数据，样本数据包括样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据。
具体的，该过程可以包括：
a、通过移动SDK模块获取样本驾驶员的驾驶行为数据。
其中，驾驶行为数据可以包括样本驾驶员的驾驶时间信息、里程信息、速度信息、转向信息、经纬度信息、海拔信息、手机通话状态信息、急加速信息、急减速信息、以及急转弯信息等。
具体的，可以通过利用样本驾驶员的移动终端内的移动SDK模块在样本驾驶员的驾驶过程中采集GPS、加速度计和陀螺仪传感器数据，以获取样本驾驶员的驾驶行为数据，并将样本驾驶员的驾驶行为数据上传到服务器，由服务器对样本驾驶员的驾驶行为数据与样本驾驶员的身份标识进行绑定存储。
本发明实施例中，由于样本驾驶员的驾驶行为数据是基于样本驾驶员本人的移动终端内的SDK模块而采集到的，因此在一定程度上能够避免了同一辆车下可注册多名驾驶员而导致同一辆车的驾驶记录并非隶属于同一名驾驶员的情形，从而可以避免在后续为驾驶行为评分模型的建模过程带来数据干扰。
b、通过车载深度摄像头模块获取样本驾驶员的驾驶环境数据。
其中，驾驶环境相关数据可以包括目标检测信息、测距信息、路况信息以及车道检测信息。
具体的，可以通过利用车载深度摄像头模块在驾驶过程中进行目标检测、测距、路况以及车道检测来采集样本驾驶员的驾驶环境相关数据，并将采集到的驾驶环境相关数据进上传到服务器，由服务器对样本驾驶员的驾驶环境相关数据与样本驾驶员的身份标识进行绑定存储。
c、通过预设接口获取样本驾驶员的业务保单数据。
其中，样本驾驶员的业务保单数据包括样本驾驶员的基本信息、保单购买信息和理赔信息等，其中，保单购买信息包括投保险种、投保额度等信息。
具体的，服务器可以通过预设接口与业务保单系统进行对接，根据样本驾驶员的身份标识，从业务保单系统中获取到与样本驾驶员的身份标识对应的业务保单数据，该身边标识可以是驾驶员的手机号、用户名或其他能够唯一标识驾驶员身份的信息。
S2、从样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到样本驾驶员的特征数据。
具体的，该过程可以包括：
a、从驾驶行为数据中提取出样本驾驶员的第一特征。
其中，第一特征包括平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个。
具体的，针对每个样本驾驶员，从该样本驾驶员的驾驶行为数据包括的驾驶时间信息、里程信息、速度信息、转向信息、经纬度信息、海拔信息、手机通话状态信息、急加速信息、急减速信息、以及急转弯信息等，根据预设的时间窗口及预设的里程，提取每月或每天的平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个。
b、从驾驶环境数据中提取出样本驾驶员的第二特征。
其中，第二特征包括驾驶路况状态和变换车道次数中的至少一个。
具体的，针对每个样本驾驶员，从该样本驾驶员的驾驶环境数据包括的目标检测信息、测距信息、路况信息以及车道检测信息中，提取驾驶路况状态和变换车道次数中的至少一个。
c、从业务保单数据中提取出样本驾驶员的第三特征和第四特征。
其中，第三特征包括个人基本信息，第四特征包括保单购买记录信息和理赔历史信息中的至少一个。个人基本信息可以包括年龄、性别、健康信息等。
d、对第一特征、第二特征、第三特征和第四特征进行特征合并，得到样本驾驶员的特征数据。
具体的，可以将第一特征、第二特征、第三特征和第四特征根据样本驾驶员的身份标识进行特征合并，得到样本驾驶员的特征数据，其中，可以将样本驾驶员的特征数据进行列表存储。
本发明实施例中，由于通过从样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到样本驾驶员的特征数据，由此得到样本驾驶员的特征数据更能全面地表征样本驾驶员的驾驶行为，进而使得后续训练得到的模型能够更精细化地对驾驶员的驾驶行为进行评估。
可选的，在步骤S2之前，方法还可以包括：
对样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据进行数据预处理，具体可以包括数据清洗、数据转换，以利于后续步骤的特征提取。
S3、根据从业务保单数据中提取的特征，获取样本驾驶员的驾驶行为评分。
具体的，该过程可以包括：
a、根据从业务保单数据中提取的特征，计算出样本驾驶员的理赔率。其中，从业务保单数据中提取的特征包括样本驾驶员的理赔历史信息，可以根据样本驾驶员的理赔历史信息，计算出样本驾驶员的理赔率。
b、根据预设的映射关系表，确定与将样本驾驶员的理赔率具有映射关系的驾驶行为评分。
其中，在映射关系表中，理赔率越高对应的驾驶行为评分越低，示例性性，分数范围可以为0～100。
其中，映射得到的驾驶行为评分可以用于作为样本驾驶员的标签信息。
S4、根据样本驾驶员的特征数据及样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型并存储，以用于对除样本驾驶员之外的目标驾驶员的驾驶行为进行评分。
具体的，该过程可以包括步骤：
其中，机器学习模型为基于树的集成学习模型XGBoost(eXtreme GradientBoosting)。对于给定的数据集D＝{(xi,yi)}，XGBoost模型函数形式如下：
其中，K表示要学习的树的数目，xi为输入，表示预测结果。F是假设空间，f(x)是分类回归树CART(Classification and Regression Tree)：
F＝{f(x)＝wq(x)}(q:Rm→T,w∈RT)
其中，q(x)表示将样本x分到了某个叶子节点上，w是叶子节点的分数，因此wq(x)表示回归树对样本的预测值。从上述XGBoost模型函数可以看到，模型使用K棵回归树中每棵回归树的预测结果进行迭代计算，来获得最终的预测结果并且，每棵回归树的输入样本都与前面的回归树的训练和预测相关。
具体的，以样本驾驶员的特征数据作为数据集D中的xi，将以样本驾驶员的特征数据相对应的驾驶行为评分作为数据集D中的yi，来学习XGBoost模型中K棵回归树的参数，也就是说，确定每棵回归树的输入xi与其输出的映射关系，其中xi可以是n维的向量或数组。即，通过输入已知的训练样本数据xi，将上述模型的预测结果与训练样本数据的实际映射的标签yi进行比较，不断调整模型参数，直到达到预期的准确率，确定模型参数，从而建立驾驶行为评分模型，并将驾驶行为评分模型进行离线存储，以供在线驾驶行为评分时进行调用。
此外，机器学习模型还可以是除了XGBoost模型以外的其它提升树模型(boostingtree)，还可以是用其它类型的机器学习模型，例如随机森林模型，本发明对此不加以限定。
本发明提供的驾驶行为评分方法及装置，通过从样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据多个维度出发，提取得到样本驾驶员的特征数据，并根据样本驾驶员的业务保单数据获取样本驾驶员的驾驶行为评分，以及根据样本驾驶员的特征数据及样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型，从而实现了对驾驶员驾驶行为进行多维度和精细化的建模，进而可以通过驾驶行为评分模型能够实现针对不同驾驶员准确地进行驾驶行为评分预测。
图2示意性示出了根据本发明另一实施例的驾驶行为评分方法的流程图。在该实施例中，该驾驶行为评分方法除了包括图1中描述的步骤之外，还包括步骤S5～S7，为了描述简洁起见，省略了图1中描述的步骤。如图2所示，该驾驶行为评分方法还包括：
S5、获取目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据。
具体的，通过移动SDK模块获取目标驾驶员的驾驶行为数据，并通过车载深度摄像头模块获取样本驾驶员的驾驶环境数据，以及通过预设接口获取样本驾驶员的业务保单数据。
其中，步骤S5的具体实施过程可以参照前述步骤S1，此处不再加以赘述。
S6、从目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中提取目标特征数据。
其中，目标特征数据可以包括平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个、以及驾驶路况状态和变换车道次数中的至少一个、以及个人基本信息，第四特征包括保单购买记录信息和理赔历史信息中的至少一个。
其中，步骤S6的具体实施过程可以参照前述步骤S2，此处不再加以赘述。
S7、将目标特征数据输入到驾驶行为评分模型，得到目标驾驶员的驾驶行为评分并输出。
本实施例中，调用离线存储的驾驶行为评分模型，并将目标特征数据输入到驾驶行为评分模型，驾驶行为评分模型可以将预测目标驾驶员的驾驶行为评分，并将目标驾驶员的驾驶行为评分输出，以供与服务器进行交互的其他设备(比如，保险公司处的服务器)进行调用。
本发明实施例中，通过使用驾驶行为评分模型使用驾驶行为评分模型能够实现针对不同驾驶员准确地进行驾驶行为评分预测，进而可以针对不同驾驶员进行不同风险程度的衡量，从而便于保险公司针对不同驾驶员准确地提供车险定价，提高了车险定价的准确率。
图3示意性示出了根据本发明另一实施例的驾驶行为评分装置的框图。参照图3所示，该装置包括：
数据获取模块31，用于获取样本数据，样本数据包括样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
特征提取模块32，用于从样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到样本驾驶员的特征数据；
评分获取模块33，用于根据从业务保单数据中提取的特征，获取样本驾驶员的驾驶行为评分；
模型训练模块34，用于根据样本驾驶员的特征数据及样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型；
模型存储模块35，用于存储驾驶行为评分模型，以用于对除样本驾驶员之外的目标驾驶员的驾驶行为进行评分。
在一些实施例中，数据获取模块31包括：
第一获取单元，用于通过移动SDK模块获取样本驾驶员的驾驶行为数据；
第二获取单元，用于通过车载深度摄像头模块获取样本驾驶员的驾驶环境数据；
第三获取单元，用于通过预设接口获取样本驾驶员的业务保单数据。
在一些实施例中，特征提取模块32包括：
第一提取单元，用于从驾驶行为数据中提取出样本驾驶员的第一特征，第一特征包括平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个；
第二提取单元，用于从驾驶环境数据中提取出样本驾驶员的第二特征，第二特征包括驾驶路况状态和变换车道次数中的至少一个；
第三提取单元，用于从业务保单数据中提取出样本驾驶员的第三特征和第四特征，第三特征包括个人基本信息，第四特征包括保单购买记录信息和理赔历史信息中的至少一个；
特征合并单元，用于对第一特征、第二特征、第三特征和第四特征进行特征合并，得到样本驾驶员的特征数据。
在一些实施例中，评分获取模块33包括：
理赔率获取单元，用于根据从业务保单数据中提取的特征，计算出样本驾驶员的理赔率；
映射单元，用于根据预设的映射关系表，确定与将样本驾驶员的理赔率具有映射关系的驾驶行为评分；
其中，在映射关系中，理赔率越高对应的驾驶行为评分越低。
在一些实施例中，机器学习模型为提升树模型或随机森林模型。
在一些实施例中，数据获取模块31，还用于获取目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
特征提取模块32，还用于从目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中提取目标特征数据；
装置还包括：
评分预测模块36，用于将目标特征数据输入到驾驶行为评分模型，得到目标驾驶员的驾驶行为评分；
结果输出模块37，用于输出目标驾驶员的驾驶行为评分。
本实施例提供的驾驶行为评分装置，与本发明实施例所提供的驾驶行为评分方法属于同一发明构思，可执行本发明任意实施例所提供的驾驶行为评分方法，具备执行驾驶行为评分方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的驾驶行为评分方法，此处不再加以赘述。
此外，本发明实施例提供了一种计算机设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例所述的方法。
此外，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例所述的方法。
本领域内的技术人员应明白，本发明实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种驾驶行为评分方法，其特征在于，所述方法包括步骤：
获取样本数据，所述样本数据包括样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
从所述样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到所述样本驾驶员的特征数据；以及
根据从所述业务保单数据中提取的特征，获取所述样本驾驶员的驾驶行为评分；
根据所述样本驾驶员的特征数据及所述样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型并存储，以用于对除所述样本驾驶员之外的目标驾驶员的驾驶行为进行评分。
2.根据权利要求1所述的方法，其特征在于，所述获取样本数据包括：
通过移动SDK模块获取所述样本驾驶员的驾驶行为数据；
通过车载深度摄像头模块获取所述样本驾驶员的驾驶环境数据；
通过预设接口获取所述样本驾驶员的业务保单数据。
3.根据权利要求1所述的方法，其特征在于，所述从所述样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到所述样本驾驶员的特征数据包括：
从所述驾驶行为数据中提取出所述样本驾驶员的第一特征，所述第一特征包括平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个；
从所述驾驶环境数据中提取出所述样本驾驶员的第二特征，所述第二特征包括驾驶路况状态和变换车道次数中的至少一个；
从业务保单数据中提取出所述样本驾驶员的第三特征和第四特征，所述第三特征包括个人基本信息，所述第四特征包括保单购买记录信息和理赔历史信息中的至少一个；
对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行特征合并，得到所述样本驾驶员的特征数据。
4.根据权利要求1所述的方法，其特征在于，所述根据从所述业务保单数据中提取的特征，获取所述样本驾驶员的驾驶行为评分包括：
根据从所述业务保单数据中提取的特征，计算出所述样本驾驶员的理赔率；
根据预设的映射关系表，确定与将所述样本驾驶员的理赔率具有映射关系的驾驶行为评分；
其中，在所述映射关系表中，理赔率越高对应的驾驶行为评分越低。
5.根据权利要求1～4任意一项所述的方法，其特征在于，所述机器学习模型为提升树模型或随机森林模型。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
从所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中提取目标特征数据；
将所述目标特征数据输入到所述驾驶行为评分模型，得到所述目标驾驶员的驾驶行为评分并输出。
7.一种驾驶行为评分装置，其特征在于，所述装置包括：
数据获取模块，用于获取样本数据，所述样本数据包括样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
特征提取模块，用于从所述样本驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中分别提取特征并进行特征合并，得到所述样本驾驶员的特征数据；
评分获取模块，用于根据从所述业务保单数据中提取的特征，获取所述样本驾驶员的驾驶行为评分；
模型训练模块，用于根据所述样本驾驶员的特征数据及所述样本驾驶员的驾驶行为评分对机器学习模型进行训练，得到驾驶行为评分模型；
模型存储模块，用于存储所述驾驶行为评分模型，以用于对除所述样本驾驶员之外的目标驾驶员的驾驶行为进行评分。
8.根据权利要求7所述的装置，其特征在于，所述数据获取模块包括：
第一获取单元，用于通过移动SDK模块获取所述样本驾驶员的驾驶行为数据；
第二获取单元，用于通过车载深度摄像头模块获取所述样本驾驶员的驾驶环境数据；
第三获取单元，用于通过预设接口获取所述样本驾驶员的业务保单数据。
9.根据权利要求7所述的装置，其特征在于，所述特征提取模块包括：
第一提取单元，用于从所述驾驶行为数据中提取出所述样本驾驶员的第一特征，所述第一特征包括平均驾驶里程、平均驾驶速度、急加速次数、急减速次数、急转弯次数及是否疲劳驾驶中的至少一个；
第二提取单元，用于从所述驾驶环境数据中提取出所述样本驾驶员的第二特征，所述第二特征包括驾驶路况状态和变换车道次数中的至少一个；
第三提取单元，用于从业务保单数据中提取出所述样本驾驶员的第三特征和第四特征，所述第三特征包括个人基本信息，所述第四特征包括保单购买记录信息和理赔历史信息中的至少一个；
特征合并单元，用于对所述第一特征、所述第二特征、所述第三特征和所述第四特征进行特征合并，得到所述样本驾驶员的特征数据。
10.根据权利要求7所述的装置，其特征在于，所述评分获取模块包括：
理赔率获取单元，用于根据从所述业务保单数据中提取的特征，计算出所述样本驾驶员的理赔率；
映射单元，用于根据预设的映射关系表，确定与将所述样本驾驶员的理赔率具有映射关系的驾驶行为评分；
其中，在所述映射关系中，理赔率越高对应的驾驶行为评分越低。
11.根据权利要求7～10任意一项所述的装置，其特征在于，所述机器学习模型为提升树模型或随机森林模型。
12.根据权利要求7所述的装置，其特征在于，
所述数据获取模块，还用于获取所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据；
所述特征提取模块，还用于从所述目标驾驶员的驾驶行为数据、驾驶环境数据和业务保单数据中提取目标特征数据；
所述装置还包括：
评分预测模块，用于将所述目标特征数据输入到所述驾驶行为评分模型，得到所述目标驾驶员的驾驶行为评分；
结果输出模块，用于输出所述目标驾驶员的驾驶行为评分。
13.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～6任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～6任意一项所述的方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810796046.7A CN109118055B (zh) | 2018-07-19 | 2018-07-19 | 一种驾驶行为评分方法及装置 |
| SG11202002191SA SG11202002191SA (en) | 2018-07-19 | 2019-07-03 | Method and device for scoring driving behavior |
| PCT/CN2019/094500 WO2020015526A1 (zh) | 2018-07-19 | 2019-07-03 | 驾驶行为评分方法及装置 |
| JP2019561133A JP2020530578A (ja) | 2018-07-19 | 2019-07-03 | 運転行為の採点方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810796046.7A CN109118055B (zh) | 2018-07-19 | 2018-07-19 | 一种驾驶行为评分方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109118055A true CN109118055A (zh) | 2019-01-01 |
| CN109118055B CN109118055B (zh) | 2021-12-21 |
Family
ID=64863029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810796046.7A Active CN109118055B (zh) | 2018-07-19 | 2018-07-19 | 一种驾驶行为评分方法及装置 |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP2020530578A (zh) |
| CN (1) | CN109118055B (zh) |
| SG (1) | SG11202002191SA (zh) |
| WO (1) | WO2020015526A1 (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288096A (zh) * | 2019-06-28 | 2019-09-27 | 江苏满运软件科技有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
| CN110329268A (zh) * | 2019-03-22 | 2019-10-15 | 中国人民财产保险股份有限公司 | 驾驶行为数据处理方法、设备、存储介质及系统 |
| CN110386145A (zh) * | 2019-06-28 | 2019-10-29 | 北京理工大学 | 一种目标驾驶员驾驶行为实时预测系统 |
| CN110390534A (zh) * | 2019-06-04 | 2019-10-29 | 天津五八到家科技有限公司 | 网约车司机安全认证方法、装置、设备及存储介质 |
| CN110458214A (zh) * | 2019-07-31 | 2019-11-15 | 上海远眸软件有限公司 | 驾驶员更换识别方法和装置 |
| 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 |
| CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
| CN110765122A (zh) * | 2019-11-07 | 2020-02-07 | 深圳鼎然信息科技有限公司 | 基于sdk实现数据采集和驾驶评测的方法、装置及系统 |
| CN110956867A (zh) * | 2019-05-15 | 2020-04-03 | 多伦科技股份有限公司 | 基于大数据驾驶员行为分析的培训系统及培训方法 |
| CN111724597A (zh) * | 2020-06-24 | 2020-09-29 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
| CN111739294A (zh) * | 2020-06-11 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 一种路况信息收集方法、装置、设备及存储介质 |
| CN111815116A (zh) * | 2020-06-09 | 2020-10-23 | 广州亚美信息科技有限公司 | 驾驶员评分方法、装置、计算机设备和存储介质 |
| CN111833480A (zh) * | 2019-04-12 | 2020-10-27 | 比亚迪股份有限公司 | 驾驶行为检测方法、装置和车辆 |
| CN111860928A (zh) * | 2020-01-21 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种行车规划的制定方法、装置、电子设备及存储介质 |
| CN111986489A (zh) * | 2019-11-07 | 2020-11-24 | 深圳鼎然信息科技有限公司 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
| CN112232158A (zh) * | 2020-09-30 | 2021-01-15 | 易显智能科技有限责任公司 | 一种基于驾驶行为特征的替训作弊查证系统及方法 |
| CN112329543A (zh) * | 2020-10-12 | 2021-02-05 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价的方法及相关装置 |
| CN112319489A (zh) * | 2020-11-18 | 2021-02-05 | 三一重型装备有限公司 | 驾驶行为监测方法、监测系统、服务器和存储介质 |
| CN113283548A (zh) * | 2021-07-22 | 2021-08-20 | 天津所托瑞安汽车科技有限公司 | 一种车辆安全评分方法、装置、设备和存储介质 |
| CN113635915A (zh) * | 2021-08-24 | 2021-11-12 | 中国人民解放军陆军装甲兵学院 | 车辆驾驶预警方法、装置、电子设备和存储介质 |
| CN114241429A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技（深圳）有限公司 | 驾驶风险等级确定方法、装置、计算机设备及存储介质 |
| CN114419950A (zh) * | 2022-01-22 | 2022-04-29 | 易显智能科技有限责任公司 | 一种基于大数据分析的驾培教学优化方法及系统 |
| US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
| CN114999022A (zh) * | 2022-05-19 | 2022-09-02 | 成都亿盟恒信科技有限公司 | 一种基于历史驾驶数据的驾驶习惯分析方法及系统 |
| US12026729B1 (en) | 2021-10-04 | 2024-07-02 | BlueOwl, LLC | Systems and methods for match evaluation based on change in telematics inferences via a telematics marketplace |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814880A (zh) * | 2020-07-10 | 2020-10-23 | 北京航空航天大学 | 一种基于贝叶斯最优化XGBoost算法的疲劳预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技（上海）有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
| CN105405306A (zh) * | 2015-12-24 | 2016-03-16 | 小米科技有限责任公司 | 车辆告警方法及装置 |
| CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
| CN107203945A (zh) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院（吴江） | 车险分级评估方法及装置 |
| CN107909678A (zh) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | 一种行车风险评价方法及系统 |
| US10005471B1 (en) * | 2012-12-19 | 2018-06-26 | Allstate Insurance Company | Traffic based driving analysis |
| CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技（上海）有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4995046B2 (ja) * | 2007-11-21 | 2012-08-08 | 株式会社日立製作所 | 自動車保険料設定システム |
| KR20170004141A (ko) * | 2015-07-01 | 2017-01-11 | 주식회사 케이티 | 차선 이탈 경보 시스템 및 스마트 후측방 경보 시스템을 이용하는 보험 요율 산정 장치, 보험 요율 산정 시스템 및 보험 요율 산정 방법 |
| JP2017049683A (ja) * | 2015-08-31 | 2017-03-09 | ルネサスエレクトロニクス株式会社 | 運転記録装置、運転特性を判定するためのシステムおよび運転特性を判定するためのデータを出力するための方法 |
| CN105930771A (zh) * | 2016-04-13 | 2016-09-07 | 乐视控股（北京）有限公司 | 一种驾驶行为评分方法及装置 |
| CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策系统 |
| CN107665579A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种用户驾驶行为监控方法及装置 |
| JP2018026008A (ja) * | 2016-08-10 | 2018-02-15 | パナソニックＩｐマネジメント株式会社 | 匿名情報収集システムおよび匿名情報収集方法 |
| JP6703465B2 (ja) * | 2016-09-21 | 2020-06-03 | 株式会社日立製作所 | 運転支援装置、センタ装置 |
| CN106585635B (zh) * | 2016-11-25 | 2019-05-10 | 东软集团股份有限公司 | 驾驶行为评分方法和装置 |
| WO2018116862A1 (ja) * | 2016-12-22 | 2018-06-28 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
| CN109118055B (zh) * | 2018-07-19 | 2021-12-21 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
-
2018
- 2018-07-19 CN CN201810796046.7A patent/CN109118055B/zh active Active
-
2019
- 2019-07-03 JP JP2019561133A patent/JP2020530578A/ja active Pending
- 2019-07-03 SG SG11202002191SA patent/SG11202002191SA/en unknown
- 2019-07-03 WO PCT/CN2019/094500 patent/WO2020015526A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10005471B1 (en) * | 2012-12-19 | 2018-06-26 | Allstate Insurance Company | Traffic based driving analysis |
| CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技（上海）有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 |
| CN105405306A (zh) * | 2015-12-24 | 2016-03-16 | 小米科技有限责任公司 | 车辆告警方法及装置 |
| CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技（上海）有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
| CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
| CN107203945A (zh) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院（吴江） | 车险分级评估方法及装置 |
| CN107909678A (zh) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | 一种行车风险评价方法及系统 |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110329268A (zh) * | 2019-03-22 | 2019-10-15 | 中国人民财产保险股份有限公司 | 驾驶行为数据处理方法、设备、存储介质及系统 |
| CN111833480A (zh) * | 2019-04-12 | 2020-10-27 | 比亚迪股份有限公司 | 驾驶行为检测方法、装置和车辆 |
| CN111833480B (zh) * | 2019-04-12 | 2022-04-15 | 比亚迪股份有限公司 | 驾驶行为检测方法、装置和车辆 |
| CN110956867A (zh) * | 2019-05-15 | 2020-04-03 | 多伦科技股份有限公司 | 基于大数据驾驶员行为分析的培训系统及培训方法 |
| CN110390534A (zh) * | 2019-06-04 | 2019-10-29 | 天津五八到家科技有限公司 | 网约车司机安全认证方法、装置、设备及存储介质 |
| CN110386145A (zh) * | 2019-06-28 | 2019-10-29 | 北京理工大学 | 一种目标驾驶员驾驶行为实时预测系统 |
| CN110288096A (zh) * | 2019-06-28 | 2019-09-27 | 江苏满运软件科技有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
| CN110288096B (zh) * | 2019-06-28 | 2021-06-08 | 满帮信息咨询有限公司 | 预测模型训练及预测方法、装置、电子设备、存储介质 |
| CN110458214A (zh) * | 2019-07-31 | 2019-11-15 | 上海远眸软件有限公司 | 驾驶员更换识别方法和装置 |
| CN110738574A (zh) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | 数据预测方法、装置、设备及存储介质 |
| CN111986489A (zh) * | 2019-11-07 | 2020-11-24 | 深圳鼎然信息科技有限公司 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
| CN110765122B (zh) * | 2019-11-07 | 2022-05-24 | 深圳鼎然信息科技有限公司 | 基于sdk实现数据采集和驾驶评测的方法、装置及系统 |
| CN110765122A (zh) * | 2019-11-07 | 2020-02-07 | 深圳鼎然信息科技有限公司 | 基于sdk实现数据采集和驾驶评测的方法、装置及系统 |
| CN111986489B (zh) * | 2019-11-07 | 2021-08-03 | 深圳鼎然信息科技有限公司 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
| CN111860928A (zh) * | 2020-01-21 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种行车规划的制定方法、装置、电子设备及存储介质 |
| US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
| CN111815116A (zh) * | 2020-06-09 | 2020-10-23 | 广州亚美信息科技有限公司 | 驾驶员评分方法、装置、计算机设备和存储介质 |
| CN111739294A (zh) * | 2020-06-11 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 一种路况信息收集方法、装置、设备及存储介质 |
| CN111739294B (zh) * | 2020-06-11 | 2021-08-24 | 腾讯科技（深圳）有限公司 | 一种路况信息收集方法、装置、设备及存储介质 |
| CN111724597B (zh) * | 2020-06-24 | 2022-07-08 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
| CN111724597A (zh) * | 2020-06-24 | 2020-09-29 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
| CN112232158A (zh) * | 2020-09-30 | 2021-01-15 | 易显智能科技有限责任公司 | 一种基于驾驶行为特征的替训作弊查证系统及方法 |
| CN112329543A (zh) * | 2020-10-12 | 2021-02-05 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价的方法及相关装置 |
| CN112319489B (zh) * | 2020-11-18 | 2022-03-04 | 三一重型装备有限公司 | 驾驶行为监测方法、监测系统、服务器和存储介质 |
| CN112319489A (zh) * | 2020-11-18 | 2021-02-05 | 三一重型装备有限公司 | 驾驶行为监测方法、监测系统、服务器和存储介质 |
| CN113283548A (zh) * | 2021-07-22 | 2021-08-20 | 天津所托瑞安汽车科技有限公司 | 一种车辆安全评分方法、装置、设备和存储介质 |
| CN113635915A (zh) * | 2021-08-24 | 2021-11-12 | 中国人民解放军陆军装甲兵学院 | 车辆驾驶预警方法、装置、电子设备和存储介质 |
| CN113635915B (zh) * | 2021-08-24 | 2023-01-06 | 中国人民解放军陆军装甲兵学院 | 车辆驾驶预警方法、装置、电子设备和存储介质 |
| US12026729B1 (en) | 2021-10-04 | 2024-07-02 | BlueOwl, LLC | Systems and methods for match evaluation based on change in telematics inferences via a telematics marketplace |
| CN114241429A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技（深圳）有限公司 | 驾驶风险等级确定方法、装置、计算机设备及存储介质 |
| CN114419950A (zh) * | 2022-01-22 | 2022-04-29 | 易显智能科技有限责任公司 | 一种基于大数据分析的驾培教学优化方法及系统 |
| US12033176B2 (en) | 2022-04-22 | 2024-07-09 | Quanata, Llc | Systems and methods for telematics data marketplace |
| CN114999022A (zh) * | 2022-05-19 | 2022-09-02 | 成都亿盟恒信科技有限公司 | 一种基于历史驾驶数据的驾驶习惯分析方法及系统 |
| CN114999022B (zh) * | 2022-05-19 | 2024-05-17 | 成都亿盟恒信科技有限公司 | 一种基于历史驾驶数据的驾驶习惯分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020530578A (ja) | 2020-10-22 |
| SG11202002191SA (en) | 2020-04-29 |
| CN109118055B (zh) | 2021-12-21 |
| WO2020015526A1 (zh) | 2020-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118055A (zh) | 一种驾驶行为评分方法及装置 | |
| TWI704520B (zh) | 用於識別危險駕駛行為的系統和方法 | |
| Xu et al. | Human-factors-in-driving-loop: Driver identification and verification via a deep learning approach using psychological behavioral data | |
| CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
| CN105976400B (zh) | 基于神经网络模型的目标跟踪方法及装置 | |
| CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
| JP2022505762A (ja) | 画像セマンティックセグメンテーションネットワークのトレーニング方法、装置、機器及びコンピュータプログラム | |
| CN110378483A (zh) | 部署在模拟平台上的用于训练机器学习模型的系统和方法 | |
| CN108537326A (zh) | 用于自动驾驶车辆的方法、介质和系统 | |
| CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
| CN107862270A (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
| CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
| Alamri et al. | An effective bio-signal-based driver behavior monitoring system using a generalized deep learning approach | |
| CN105930771A (zh) | 一种驾驶行为评分方法及装置 | |
| CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
| CN108009463A (zh) | 一种身份识别的方法及装置 | |
| CN110363093A (zh) | 一种司机动作识别方法及装置 | |
| CN112651342A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN110555339A (zh) | 一种目标检测方法、系统、装置及存储介质 | |
| Siordia et al. | Driving risk classification based on experts evaluation | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| Cai et al. | A driving fingerprint map method of driving characteristic representation for driver identification | |
| Galindo et al. | Landmark based eye ratio estimation for driver fatigue detection | |
| CN109886338A (zh) | 一种智能汽车测试图像标注方法、装置、系统及存储介质 | |
| Assuncao et al. | Vehicle driver monitoring through the statistical process control |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40002821 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: Room 1179, W Zone, 11th Floor, Building 1, No. 158 Shuanglian Road, Qingpu District, Shanghai, 201702 Patentee after: Shanghai Zhongan Information Technology Service Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: ZHONGAN INFORMATION TECHNOLOGY SERVICE Co.,Ltd. Country or region before: China |