CN109636235A - 驾驶员行为画像模型的确定方法及处理系统 - Google Patents

Abstract

本申请涉及一种驾驶员行为画像模型的确定方法，从多种数据来源获取待评价驾驶员多种维度的历史驾驶数据；维度包括：驾驶员个人情况，车辆情况，驾驶时间，驾驶路线和驾驶环境；根据每个维度的历史驾驶数据，得到待评价驾驶员的驾驶员标签；基于驾驶员标签为驾驶员提供个性化服务。如在天气状况较差，道路状况较差，道路经常拥堵环境驾驶并且从未出现事故的司机应增加高风险驾驶标签，心理素质较高标签，驾驶技术较高标签，对应的提供的个性化服务提醒该驾驶员注意安全，并提供车险保费优惠产品。对比现有技术中获取驾驶员驾驶行为的数据维度更加丰富，通过多种标签表现驾驶员形象更加精确，根据多种维度的标签预测驾驶员潜在需求更加准确。

Description

驾驶员行为画像模型的确定方法及处理系统

技术领域

本申请涉及数据处理领域，尤其涉及一种驾驶员行为画像模型的确定方法及处理系统。

背景技术

现有技术中，对驾驶员的驾驶行为进行追踪，获取驾驶员的驾驶行为数据，对驾驶员的驾驶行为数据进行处理后，确定驾驶员的行为画像模型，预测驾驶员的潜在需求，并且推荐合适的售后服务，从而提高社会驾驶安全度，减少事故发生。但是，现有技术中获取驾驶员的驾驶行为数据，只考虑驾驶员的驾驶速度，行驶里程和行程时间，其获取的数据较少，确定的驾驶员的行为画像模型较为简单，无法精确预测驾驶员的潜在需求。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供一种驾驶员行为画像模型的确定方法及处理系统。

本申请的方案如下：

根据本申请的第一方面，提供一种驾驶员行为画像模型的确定方法，包括：

从多种数据来源获取待评价驾驶员的多种历史驾驶数据，所述数据包括：驾驶员个人情况数据，车辆情况数据，驾驶时间数据，驾驶路线数据和驾驶环境数据；

根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，其中，所述识别模型是预先根据已有的真实数据进行训练后得到的，所述已有的真实数据包括：作为训练样本的驾驶员标签及其对应的驾驶数据，所述驾驶员标签为预先标注的；

基于所述驾驶员标签为驾驶员提供个性化服务。

优选的，在本申请一种可实现的方式中，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员个人情况数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：接收驾驶员提供的个人年龄，性别和驾龄数据；

向所述识别模型输入所述待评价驾驶员提供的个人年龄，性别和驾龄数据；

接收所述识别模型输出的所述待评价驾驶员个人年龄所处年龄段对应标签，所述待评价驾驶员性别对应标签和所述待评价驾驶员的驾龄时长对应标签；

根据时间变化重新向所述识别模型输入所述待评价驾驶员的个人年龄和驾龄数据，接收所述识别模型输出的所述待评价驾驶员个人年龄所处年龄段对应标签和所述待评价驾驶员的驾龄时长对应标签；所述时间变化为年数更迭。

优选的，在本申请一种可实现的方式中，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员车辆情况数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：获取所述待评价驾驶员车辆车型，车辆产商，车辆识别号码，车辆车龄，车辆行驶速度和车辆行驶时间数据；

向所述识别模型输入所述驾驶员车辆车型，车辆产商，车辆识别号码，车辆车龄，车辆行驶速度和车辆行驶时间数据；

接收所述识别模型输出的所述待评价驾驶员的车辆车型对应标签，车辆产商对应标签，车辆识别号码对应标签，车辆车龄时长对应标签，车辆行驶速度历史数据对应标签和车辆总计行驶时间对应标签；

根据时间变化重新向所述识别模型输入所述待评价驾驶员的车辆车龄，车辆行驶速度和车辆行驶时间数据，接收所述识别模型输出的所述待评价驾驶员的车龄时长对应标签，车辆行驶速度历史数据对应标签和车辆总计行驶时间对应标签；所述时间变化为年数更迭。

优选的，在本申请一种可实现的方式中，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员驾驶时间数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

向所述识别模型输入所述待评价驾驶员每天的驾驶时间分布数据和每周的出行日期分布数据；

接收所述识别模型输出的所述待评价驾驶员的出行时间标签。

优选的，在本申请一种可实现的方式中，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员驾驶路线数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

向所述识别模型输入所述待评价驾驶员的停车地点数据，途径地点数据和POI描述数据；

接收所述识别模型输出的所述待评价驾驶员的工作地点标签，家庭地点标签，兴趣地点标签。

优选的，在本申请一种可实现的方式中，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员驾驶环境数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

向所述识别模型输入所述待评价驾驶员驾驶过程中的天气详情数据，道路状况数据，拥堵指数数据；

接收所述识别模型输出的所述待评价驾驶员的风险驾驶标签和心理素质标签。

优选的，在本申请一种可实现的方式中，所述获取待评价驾驶员的多种历史驾驶数据具体为，获取所述待评价驾驶员在一定周期内的多种历史驾驶数据；

根据当前周期的上一周期的所述历史驾驶数据，得到所述待评价驾驶员的驾驶员标签。

优选的，在本申请一种可实现的方式中，所述从多种数据来源获取待评价驾驶员多种维度的历史驾驶数据包括：接收所述待评价驾驶员提供的个人情况信息；

与所述待评价驾驶员手机建立通信连接，接收所述待评价驾驶员的手机GPS数据；

与所述待评价驾驶员驾驶车辆的车载盒子建立通信连接，接收所述车载盒子的行车数据；所述行车数据包括：车辆情况信息，驾驶员出行的日期，时间；驾驶员行驶过的地点，停留的地点，行驶到停留地点的时间，停留的时间和POI描述；

根据电子地图获得所述待评价驾驶员的行驶路线的交通数据；

根据所述车载盒子提供的行车数据中所述驾驶员出行的日期，时间和行驶过的地点信息，结合当地天气历史详情信息得出所述待评价驾驶员驾驶过程中的天气详情；

根据所述车载盒子提供的所述待评价驾驶员行驶过的地点信息得出所述待评价驾驶员驾驶过程中的道路状况。

优选的，在本申请一种可实现的方式中，所述基于所述驾驶员标签为驾驶员提供个性化服务，包括：

将所述待评价驾驶员的驾驶员标签输入驾驶员驾驶评分模型计算得分；所述驾驶员驾驶评分模型是预先根据已有的驾驶员标签进行训练后得到的，所述驾驶员驾驶评分模型对不同的驾驶员标签输出不同的得分，所述驾驶员标签为预先标注的；

得到所有驾驶员标签得分的总和；

针对不同得分的驾驶员提供不同的车险产品。

根据本申请实施例的第二方面，提供一种驾驶员行为画像模型的处理系统，包括：

获取模块，用于从多种数据来源获取待评价驾驶员的多种历史驾驶数据；所述数据包括：驾驶员个人情况，车辆情况，驾驶时间，驾驶路线和驾驶环境；

执行模块，用于根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签；

服务模块，基于所述驾驶员标签为驾驶员提供个性化服务。

本申请提供的技术方案可以包括以下有益效果：从多种数据来源获取待评价驾驶员多种维度的历史驾驶数据；维度包括：驾驶员个人情况，车辆情况，驾驶时间，驾驶路线和驾驶环境；根据每个维度的历史驾驶数据，得到待评价驾驶员的驾驶员标签；基于驾驶员标签为驾驶员提供个性化服务。如在天气状况较差，道路状况较差，道路经常拥堵环境驾驶并且从未出现事故的司机应增加高风险驾驶标签，心理素质较高标签，驾驶技术较高标签，对应的提供的个性化服务提醒该驾驶员注意安全，并提供车险保费优惠产品。对比现有技术中获取驾驶员驾驶行为的数据维度更加丰富，通过多种标签表现驾驶员形象更加精确，根据多种维度的标签预测驾驶员潜在需求更加准确。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请一个实施例提供的一种驾驶员行为画像模型的确定方法的流程图；

图2是本申请一个实施例提供的根据历史驾驶数据，基于识别模型，得到待评价驾驶员的驾驶员标签步骤的方法扩充图；

图3是本申请又一个实施例提供的根据历史驾驶数据，基于识别模型，得到待评价驾驶员的驾驶员标签步骤的方法扩充图；

图4是本申请一个实施例提供的一种基于驾驶员数据的处理系统的结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

图1是本申请一个实施例提供的一种驾驶员行为画像模型的确定方法的流程图，参照图1，一种驾驶员行为画像模型的确定方法，包括：

S11：从多种数据来源获取待评价驾驶员的多种历史驾驶数据，数据包括：驾驶员个人情况数据，车辆情况数据，驾驶时间数据，驾驶路线数据和驾驶环境数据；

多种来源包括手机GPS数据，车载盒子行驶数据，车企数据，交通数据，天气数据，地图数据等数据来源。

S12：根据历史驾驶数据，基于识别模型，得到待评价驾驶员的驾驶员标签，其中，识别模型是预先根据已有的真实数据进行训练后得到的，已有的真实数据包括：作为训练样本的驾驶员标签及其对应的驾驶数据，驾驶员标签为预先标注的；

建立识别模型时，先通过收集大量的真实数据，比如驾驶员A的数据为25岁，男，驾龄3年；车型为奥迪A6，产商为北京奥之杰奥迪服务有限公司，车辆识别号码为xxxxxxxxxxxxxxxxxx，车龄为1年，车辆行驶速度为平均60km/h，车辆行驶时间为1000小时；每天驾驶时间为上午7：00-8：00，下午5：00-6:00，每周出行日期为周一到周五；常用停车地点为xx小区，xx办公楼，POI(Point of Interest，兴趣点)描述点为xx咖啡厅；行驶过程中的天气状况良好，道路状况良好，道路通畅。

然后对驾驶员A进行标签标注，20-30年龄段，男，驾龄3年；奥迪A6车型，生产于北京奥之杰奥迪服务有限公司，车辆识别号码xxxxxxxxxxxxxxxxxx，车龄1年，辆行驶速度平均60km/h，车辆行驶时间1000小时；每周周一到周五的上午7：00-8：00，下午5：00-6:00出行；工作地点xx办公楼，家庭地点xx小区，兴趣地点xx咖啡厅；无风险驾驶，心理素质正常。

综合上述信息还可以对驾驶员A进行标注为上班族。

驾驶员B的数据为35岁，男，驾龄10年；车型为桑塔纳2000，产商为河北世纪一气大众公司，车辆识别号码为xxxxxxxxxxxxxxxxxx，车龄为5年，车辆行驶速度为平均70km/h，车辆行驶时间为10000小时；每天驾驶时间为8：00-20:00，每周出行日期为周一到周日；常用停车地点为xx小区，POI描述点为xx加油站；行驶过程中的天气状况较差，道路状况较差，道路经常拥堵。

然后对驾驶员B进行标签标注，30-40年龄段，男，驾龄10年；桑塔纳2000车型，生产于河北世纪一气大众公司，车辆识别号码xxxxxxxxxxxxxxxxxx，车龄5年，车辆行驶速度平均70km/h，车辆行驶时间10000小时；每周周一到周日的8：00-20:00出行；工作地点不固定，家庭地点xx小区，兴趣地点xx加油站；高风险驾驶，心理素质较高。

综合上述信息还可以对驾驶员B进行标注为出租车司机。

然后对其进行训练会得到识别模型，模型训练时可以采用深度神经网络的方法。

之后向识别模型中输入后来待评价驾驶员的数据，识别模型即可输出待评价驾驶员的标签。

驾驶员标签添加在驾驶员行为画像模型上。驾驶员行为画像模型在本申请中特指可以代表驾驶员本人特征的画像模型，驾驶员行为画像模型的初始画像模型均为空白画像模型。在添加完驾驶员标签后构成可以呈现驾驶员特征的驾驶员行为画像模型。

驾驶员标签为预先标注的，每一种驾驶员历史数据都有对应的标签。每一种标签又分为多类。比如驾驶员年龄数据对应的标签为年龄段标签，年龄段标签分为18-20年龄段，20-30年龄段，30-40年龄段，40-50年龄段，50-60年龄段。

S13：基于驾驶员标签为驾驶员提供个性化服务。

从多种数据来源获取待评价驾驶员多种维度的历史驾驶数据；维度包括：驾驶员个人情况，车辆情况，驾驶时间，驾驶路线和驾驶环境；根据每个维度的历史驾驶数据，得到待评价驾驶员的驾驶员标签；基于驾驶员标签为驾驶员提供个性化服务。如在天气状况较差，道路状况较差，道路经常拥堵环境驾驶并且从未出现事故的司机应增加高风险驾驶标签，心理素质较高标签，驾驶技术较高标签，对应的提供的个性化服务提醒该驾驶员注意安全，并提供车险保费优惠产品。对比现有技术中获取驾驶员驾驶行为的数据维度更加丰富，通过多种标签表现驾驶员形象更加精确，根据多种维度的标签预测驾驶员潜在需求更加准确。

进一步的，图2是本申请另一个实施例提供的一种驾驶员行为画像模型的确定方法的流程图；参照图2，根据历史驾驶数据，基于识别模型，得到待评价驾驶员的驾驶员标签，包括以下几项：

S121：根据驾驶员个人情况数据，基于识别模型，得到待评价驾驶员的驾驶员标签，包括：接收驾驶员提供的个人年龄，性别和驾龄数据；

向识别模型输入驾驶员提供的个人年龄，性别和驾龄数据；

接收识别模型输出的驾驶员个人年龄所处年龄段对应标签，待评价驾驶员性别对应标签和待评价驾驶员的驾龄时长对应标签；

个人年龄所处年龄段对应标签包括：18-20年龄段，20-30年龄段，30-40年龄段，40-50年龄段，50-60年龄段。

识别模型被训练为如果输入25岁，则输出20-30年龄段标签，如输入35岁，则输出30-40年龄段标签。

性别标签对应标签包括：男，女。

识别模型被训练为如果输入男性，则输出男性标签，如如输入女性，则输出女性标签。

驾龄对应标签包括：x年驾龄。x年为驾驶员的驾驶年龄。

识别模型被训练为如果输入3年驾龄，则输出3年驾龄标签。

根据时间变化重新向识别模型输入驾驶员的个人年龄和驾龄数据，接收识别模型输出的驾驶员个人年龄所处年龄段对应标签和待评价驾驶员的驾龄时长对应标签；时间变化为年数更迭。

若在每年的年数更迭时，即在进入下一年后，驾驶员的个人年龄和驾龄数据发生变化，应重新向识别模型输入驾驶员的个人年龄和驾龄数据，接收识别模型输出的驾驶员个人年龄所处年龄段对应标签和待评价驾驶员的驾龄时长对应标签。随时更新数据以确定驾驶员标签的准确性。

S122：根据驾驶员车辆情况数据，基于识别模型，得到待评价驾驶员的驾驶员标签，包括：获取驾驶员车辆车型，车辆产商，车辆识别号码，车辆车龄，车辆行驶速度和车辆行驶时间数据；

向识别模型输入驾驶员车辆车型，车辆产商，车辆识别号码，车辆车龄，车辆行驶速度和车辆行驶时间数据；

接收识别模型输出的待评价驾驶员的车辆车型对应标签，车辆产商对应标签，车辆识别号码对应标签，车辆车龄时长对应标签，车辆行驶速度历史数据对应标签和车辆总计行驶时间对应标签；

识别模型被训练为如果输入某种车型数据，则输出该车型对应的标签。比如输入奥迪A6，则输出奥迪A6标签。

驾驶员车辆车型对应标签为各种车辆车型，比如奥迪A6，桑塔纳2000等。

车辆产商对应标签为车辆产商名称标签，比如北京奥之杰奥迪服务有限公司对应的标签为北京奥之杰奥迪服务有限公司标签。

车辆识别号码对应标签应为车辆对应的识别号码，车辆识别号码，简称VIN(Vehicle Identification Number,车辆识别号码)，是一组由十七个英数组成，用于汽车上的一组独一无二的号码，可以识别汽车的生产商、引擎、底盘序号及其他性能等资料。

车辆车龄时长一般是指车辆从首位车主首次报牌登记之日起,至今为止的时间年份，若车辆车龄时长为5年，则对应的车龄标签为5年车龄。

车辆行驶速度一般指近期车辆行驶的平均速度，若车辆行驶速度为60km/h，则对应的车辆行驶速度标签为车辆行驶速度平均70km/h。

车辆总计行驶时间一般是指车辆首次行驶之日起,至今为止的小时数，若车辆总计行驶时间为1000h，则对应的车辆总计行驶时间标签为车辆行驶时间1000小时。

识别模型的训练方式同上，此处不再赘述。

驾驶员的车辆车龄，车辆行驶速度和车辆行驶时间数据随着时间变化发生变化，应按照设定的时间重新向识别模型输入驾驶员的车辆车龄，车辆行驶速度和车辆行驶时间数据，接收识别模型输出的驾驶员车辆车龄，车辆行驶速度和车辆行驶时间数据对应标签。随时更新数据以确定驾驶员标签的准确性。重新向识别模型输入的时间可以为每年年数更迭时。

S123：根据驾驶员驾驶时间数据，基于识别模型，得到待评价驾驶员的驾驶员标签，包括：

向识别模型输入待评价驾驶员每天的驾驶时间分布数据和每周的出行日期分布数据；

接收识别模型输出的待评价驾驶员的出行时间标签。

识别模型被训练为，如果输入待评价驾驶员每天的驾驶时间分布数据和每周的出行日期分布数据，则输出待评价驾驶员出行时间为每周周x到周x的xx：xx-xx:xx出行标签或出行时间不固定标签。

例如输入的待评价驾驶员的每天驾驶时间为8：00-20:00，每周出行日期为周一到周日，则输出待评价驾驶员出行时间为每周周一到周日的8：00-20:00出行。

例如输入的待评价驾驶员的每天驾驶时间不固定，每周出行日期不连贯，则输出待评价驾驶员出行时间不固定标签。

S124：根据驾驶员驾驶路线数据，基于识别模型，得到待评价驾驶员的驾驶员标签，包括：

向识别模型输入驾驶员的停车地点数据，途径地点数据和POI描述数据；

接收识别模型输出的待评价驾驶员的工作地点标签，家庭地点标签，兴趣地点标签。

识别模型被训练为，如果输入的待评价驾驶员驾驶员的停车地点数据中包括多次在xx住宅区停车的数据，则输出待评价驾驶员的家庭地点标签为xx住宅区；

如果输入的待评价驾驶员驾驶员的停车地点数据中包括多次在xx办公楼停车的数据，则输出待评价驾驶员的工作地点标签为xx办公楼；

如果输入的待评价驾驶员驾驶员的停车地点数据中包括多次不固定的停车地点，则不输出待评价驾驶员的工作地点标签。

如果输入的待评价驾驶员驾驶员的途径地点数据中包括多次途径xx地点的数据，则输出待评价驾驶员的兴趣地点标签为xx地点。

如果输入的待评价驾驶员驾驶员的POI描述数据为xx地点，则输出待评价驾驶员的兴趣地点标签为xx地点。

S125：根据驾驶员驾驶环境数据，基于识别模型，得到待评价驾驶员的驾驶员标签，包括：

向识别模型输入驾驶员驾驶过程中的天气详情数据，道路状况数据，拥堵指数数据；

接收识别模型输出的待评价驾驶员的风险驾驶标签和心理素质标签。

识别模型被训练为，如果输入的驾驶员驾驶过程中的天气详情数据中多次出现天气较差的数据，则输出高风险驾驶标签和心理素质较高标签；如果输入的驾驶员驾驶过程中的天气详情数据中偶尔出现天气较差的数据，则输出低风险驾驶标签和心理素质正常标签；如果输入的驾驶员驾驶过程中的天气详情数据中无天气较差的数据，则输出无风险驾驶标签和心理素质正常标签。

识别模型被训练为，如果输入的驾驶员驾驶过程中的道路状况数据中多次出现恶劣路况的数据，则输出高风险驾驶标签和心理素质较高标签；如果输入的驾驶员驾驶过程中的道路状况数据中偶尔出现恶劣路况的数据，则输出低风险驾驶标签和心理素质正常标签；如果输入的驾驶员驾驶过程中的道路状况数据中未出现恶劣路况的数据，则输出无风险驾驶标签和心理素质正常标签。

识别模型被训练为，如果输入的驾驶员驾驶过程中的拥堵指数数据中多次出现道路拥堵的数据，则输出高风险驾驶标签和心理素质较高标签；如果输入的驾驶员驾驶过程中的拥堵指数数据中偶尔出现道路拥堵的数据，则输出低风险驾驶标签和心理素质正常标签；如果输入的驾驶员驾驶过程中的拥堵指数数据中未出现道路拥堵的数据，则输出无风险驾驶标签和心理素质正常标签。

图3是本申请又一个实施例提供的一种驾驶员行为画像模型的确定方法的流程图。参照图3，可选的，

S126：根据驾驶员处罚情况数据，基于识别模型，得到待评价驾驶员的驾驶员标签，包括：

向识别模型输入驾驶员驾驶过程中的处罚情况数据；

接收识别模型输出的待评价驾驶员的驾驶技术标签。

识别模型被训练为，如果输入的驾驶员驾驶过程中的处罚情况较多，则输出驾驶技术较差标签；如果输入的驾驶员驾驶过程中的处罚情况较少，则输出驾驶技术正常标签；如果输入的驾驶员驾驶过程中无处罚情况，则输出驾驶技术较高标签。

一些实施例中的驾驶员行为画像模型的确定方法，获取驾驶员的历史驾驶数据具体为，获取驾驶员在一定周期内的历史驾驶数据；

根据当前周期的上一周期的历史驾驶数据，得到待评价驾驶员的驾驶员标签。

一周期可以但不限于为一个月。以便于随时更新数据以确定驾驶员标签的准确性。

一些实施例中的驾驶员行为画像模型的确定方法，从多种数据来源获取待评价驾驶员多种维度的历史驾驶数据包括：接收驾驶员提供的个人情况信息；

与驾驶员手机建立通信连接，接收驾驶员的手机GPS数据；用以对车辆进行定位。

与驾驶员驾驶车辆的车载盒子建立通信连接，接收车载盒子的行车数据；行车数据包括：车辆情况信息，驾驶员出行的日期，时间；驾驶员行驶过的地点，停留的地点，行驶到停留地点的时间，停留的时间和POI描述；

车载盒子是一款智能的安全行车伴侣系统，通过即插迷你终端设备及智能app软件，轻松构建手机与汽车的连接桥梁，可以实时监控车况。

根据电子地图获得驾驶员的行驶路线的交通数据；电子地图，如百度地图，高德地图等，可以基本展示行驶路线的交通数据，如道路状况，拥堵指数等。

根据车载盒子提供的行车数据中驾驶员出行的日期，时间和行驶过的地点信息，结合当地天气历史详情信息得出驾驶员驾驶过程中的天气详情；

根据车载盒子提供的驾驶员行驶过的地点信息得出驾驶员驾驶过程中的道路状况。

现有技术的驾驶员行驶数据来源单一，本实施例中丰富了数据来源，包括手机GPS数据，车载盒子行驶数据，驾驶员个人提供的个人情况信息数据，车企数据，交通数据，天气数据，电子地图数据等。

一些实施例中的驾驶员行为画像模型的确定方法，基于驾驶员标签为驾驶员提供个性化服务，包括：

将待评价驾驶员的驾驶员标签输入驾驶员驾驶评分模型计算得分；驾驶员驾驶评分模型是预先根据已有的驾驶员标签进行训练后得到的，驾驶员驾驶评分模型对不同的驾驶员标签输出不同的得分，驾驶员标签为预先标注的；

得到所有驾驶员标签得分的总和；

针对不同得分的驾驶员提供不同的车险产品。

待评价驾驶员的驾驶员标签可以分为：驾驶员个人情况标签，车辆情况标签，驾驶时间标签，驾驶路线标签，驾驶环境标签和驾驶技术标签六个维度。

可以对不同维度分配不同的权重，对各个维度的驾驶员标签根据已训练的驾驶员驾驶评分模型进行计算。

设定每种驾驶员标签的中心值，优于中心值则加分，劣于中心值则减分。

比如将驾驶环境标签的中心值设定为低风险驾驶标签和心理素质正常标签，对驾驶环境标签进行计算时，若驾驶环境标签为高风险驾驶标签和心理素质较高标签则加分。

比如将驾驶技术标签的中心值设定为驾驶技术正常标签，对驾驶技术标签进行计算时，若驾驶技术标签为驾驶技术较高标签则加分，为驾驶技术较差标签则减分。

得到所有驾驶员标签得分的总和；

针对不同得分的驾驶员提供不同的车险产品。比如对高分的驾驶员可以提供车险保费优惠产品，对低分的驾驶员则提供车险保费较高的产品。

图4是本申请一个实施例提供的一种基于驾驶员数据的处理系统的结构图，参照图4，一种基于驾驶员数据的处理系统，包括：

获取模块21，用于从多种数据来源获取待评价驾驶员多种维度的历史驾驶数据；维度包括：驾驶员个人情况，车辆情况，驾驶时间，驾驶路线和驾驶环境；

执行模块22，用于根据每个维度的历史驾驶数据，得到待评价驾驶员的驾驶员标签；

服务模块23，基于驾驶员标签为驾驶员提供个性化服务。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

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，并且本申请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，这应被本申请的实施例所属技术领域的技术人员所理解。

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申请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一定指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何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请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)

1.一种驾驶员行为画像模型的确定方法，其特征在于，包括：

从多种数据来源获取待评价驾驶员的多种历史驾驶数据，所述数据包括：驾驶员个人情况数据，车辆情况数据，驾驶时间数据，驾驶路线数据和驾驶环境数据；

根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，其中，所述识别模型是预先根据已有的真实数据进行训练后得到的，所述已有的真实数据包括：作为训练样本的驾驶员标签及其对应的驾驶数据，所述驾驶员标签为预先标注的；

基于所述驾驶员标签为驾驶员提供个性化服务。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员个人情况数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：接收驾驶员提供的个人年龄，性别和驾龄数据；

向所述识别模型输入所述待评价驾驶员提供的个人年龄，性别和驾龄数据；

接收所述识别模型输出的所述待评价驾驶员个人年龄所处年龄段对应标签，所述待评价驾驶员性别对应标签和所述待评价驾驶员的驾龄时长对应标签；

根据时间变化重新向所述识别模型输入所述待评价驾驶员的个人年龄和驾龄数据，接收所述识别模型输出的所述待评价驾驶员个人年龄所处年龄段对应标签和所述待评价驾驶员的驾龄时长对应标签；所述时间变化为年数更迭。

3.根据权利要求1所述的方法，其特征在于，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员车辆情况数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：获取所述待评价驾驶员车辆车型，车辆产商，车辆识别号码，车辆车龄，车辆行驶速度和车辆行驶时间数据；

向所述识别模型输入所述驾驶员车辆车型，车辆产商，车辆识别号码，车辆车龄，车辆行驶速度和车辆行驶时间数据；

接收所述识别模型输出的所述待评价驾驶员的车辆车型对应标签，车辆产商对应标签，车辆识别号码对应标签，车辆车龄时长对应标签，车辆行驶速度历史数据对应标签和车辆总计行驶时间对应标签；

根据时间变化重新向所述识别模型输入所述待评价驾驶员的车辆车龄，车辆行驶速度和车辆行驶时间数据，接收所述识别模型输出的所述待评价驾驶员的车龄时长对应标签，车辆行驶速度历史数据对应标签和车辆总计行驶时间对应标签；所述时间变化为年数更迭。

4.根据权利要求1所述的方法，其特征在于，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员驾驶时间数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

向所述识别模型输入所述待评价驾驶员每天的驾驶时间分布数据和每周的出行日期分布数据；

接收所述识别模型输出的所述待评价驾驶员的出行时间标签。

5.根据权利要求4所述的方法，其特征在于，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员驾驶路线数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

向所述识别模型输入所述待评价驾驶员的停车地点数据，途径地点数据和POI描述数据；

接收所述识别模型输出的所述待评价驾驶员的工作地点标签，家庭地点标签，兴趣地点标签。

6.根据权利要求5所述的方法，其特征在于，所述根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

根据所述待评价驾驶员驾驶环境数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签，包括：

向所述识别模型输入所述待评价驾驶员驾驶过程中的天气详情数据，道路状况数据，拥堵指数数据；

接收所述识别模型输出的所述待评价驾驶员的风险驾驶标签和心理素质标签。

7.根据权利要求6所述的方法，其特征在于，所述获取待评价驾驶员的多种历史驾驶数据具体为，获取所述待评价驾驶员在一定周期内的多种历史驾驶数据；

根据当前周期的上一周期的所述历史驾驶数据，得到所述待评价驾驶员的驾驶员标签。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述从多种数据来源获取待评价驾驶员多种维度的历史驾驶数据包括：接收所述待评价驾驶员提供的个人情况信息；

与所述待评价驾驶员手机建立通信连接，接收所述待评价驾驶员的手机GPS数据；

与所述待评价驾驶员驾驶车辆的车载盒子建立通信连接，接收所述车载盒子的行车数据；所述行车数据包括：车辆情况信息，驾驶员出行的日期，时间；驾驶员行驶过的地点，停留的地点，行驶到停留地点的时间，停留的时间和POI描述；

根据电子地图获得所述待评价驾驶员的行驶路线的交通数据；

根据所述车载盒子提供的行车数据中所述驾驶员出行的日期，时间和行驶过的地点信息，结合当地天气历史详情信息得出所述待评价驾驶员驾驶过程中的天气详情；

根据所述车载盒子提供的所述待评价驾驶员行驶过的地点信息得出所述待评价驾驶员驾驶过程中的道路状况。

9.根据权利要求8所述的方法，其特征在于，所述基于所述驾驶员标签为驾驶员提供个性化服务，包括：

将所述待评价驾驶员的驾驶员标签输入驾驶员驾驶评分模型计算得分；所述驾驶员驾驶评分模型是预先根据已有的驾驶员标签进行训练后得到的，所述驾驶员驾驶评分模型对不同的驾驶员标签输出不同的得分，所述驾驶员标签为预先标注的；

得到所有驾驶员标签得分的总和；

针对不同得分的驾驶员提供不同的车险产品。

10.一种驾驶员行为画像模型的处理系统，其特征在于，包括：

获取模块，用于从多种数据来源获取待评价驾驶员的多种历史驾驶数据；所述数据包括：驾驶员个人情况数据，车辆情况数据，驾驶时间数据，驾驶路线数据和驾驶环境数据；

执行模块，用于根据所述历史驾驶数据，基于识别模型，得到所述待评价驾驶员的驾驶员标签；

服务模块，基于所述驾驶员标签为驾驶员提供个性化服务。