CN109829601A - 一种驾驶员驾驶车辆风险行为的预测方法及系统 - Google Patents

Abstract

本发明公开了一种驾驶员驾驶车辆风险行为的预测方法及系统，用于对驾驶员驾驶车辆时的风险行为进行预测，解决了现有技术中的方法不能不能适用于大多数驾驶员来预测驾驶员驾驶车辆时的风险行为的问题，其包括：根据车载诊断系统反馈的车辆数据、及根据汽车保险系统采集的车辆使用数据进行驾驶员风险分析，得到风险概率；根据所述风险概率进行随时间变化的风险模式分析；根据所述风险模式分析对群体层面驾驶员进行群体风险分析；根据所述群体风险分析对驾驶员驾驶车辆时的风险行为进行预测，从而使得本发明能够对大多数驾驶员的风险行为进行预测。

Description

一种驾驶员驾驶车辆风险行为的预测方法及系统

技术领域

本发明涉及风险评估技术领域，尤其涉及一种驾驶员驾驶车辆风险行为的预测方法及系统。

背景技术

通常来说，传统方法是通过驾驶员的静态统计数据，例如驾驶员年龄、性别、车型等，并应用广义线性模型对驾驶员驾驶车辆时的风险行为进行预测，并将预测后的数据用作对车辆的保险费预估等方面。

随着汽车保险行业的远程信息处理技术的快速发展，使得能够收集大量细颗粒的移动性数据成为可能，例如车的速度、加速度以及发动机转速等。一般地，对于车辆保险费的预估，采用的方法为：首先收集驾驶员的移动性数据，随后对收集的数据进行清洗，然后通过训练模型或算法计算，进而对车辆的保险费进行估计。

但是，由于每一位驾驶员的移动性远程数据稀疏且不一致，聚合所有驾驶员的移动性数据训练单个模型后，由于不同驾驶员的驾驶习惯不同，因此现有技术中的方法不能适用于大多数驾驶员来预测驾驶员驾驶车辆时的风险行为。

发明内容

本发明的主要目的在于提供一种驾驶员驾驶车辆风险行为的预测方法及系统，旨在解决现有技术中的方法不能不能适用于大多数驾驶员来预测驾驶员驾驶车辆时的风险行为的问题。

为实现上述目的，本发明第一方面提供一种驾驶员驾驶车辆风险行为的预测方法，包括：根据车载诊断系统反馈的车辆数据、及根据汽车保险系统采集的车辆使用数据进行驾驶员风险分析，得到风险概率；根据所述风险概率进行随时间变化的风险模式分析；根据所述风险模式分析对群体层面驾驶员进行群体风险分析；根据所述群体风险分析对驾驶员驾驶车辆时的风险行为进行预测。

进一步地，根据车载诊断系统反馈的车辆数据、及根据汽车保险系统采集的车辆使用数据进行驾驶员风险分析，得到风险概率包括：根据所述车辆数据及时间间隔设定驾驶员的车辆数据轨迹；设定所述车辆数据轨迹的危险标准；根据所述车辆使用数据及危险标准验证所述车辆数据轨迹为危险轨迹或安全轨迹；预测安全轨迹或危险轨迹发生事故的概率，得到所述风险概率。

进一步地，所述预测安全轨迹或危险轨迹发生事故的概率包括：将所述车辆数据编译成特征向量；将车辆数据内的每一驾驶因素按时间比率进行单一计算，提取所述驾驶因素的特征，并将所述特征融入所述特征向量；根据所述特征向量设定所述安全轨迹或危险轨迹发生事故的概率；设定历史时间段，并采集所述历史时间段内的车辆数据产生的历史车辆数据轨迹；设定未来时间段，且所述未来时间段与所述历史时间段相等且相对应，根据所述历史车辆数据轨迹计算发生事故的概率。

进一步地，所述车辆数据包括：驾驶变量及驾驶状态变量；组成所述驾驶变量的驾驶因素包括：车辆角速度、冷却液温度、加速度、车辆引擎转速及速度；制成所述驾驶状态变脸的驾驶因素包括：车辆急转弯速度、车辆变道速度、低温警告、高温警告、加速异常、减速异常、引擎高转速警告、转速异常增加及车辆超速。

进一步地，所述根据风险概率进行随时间变化的风险模式分析包括：把车辆数据轨迹以周的时间维度进行拆分，对拆分后的车辆数据轨迹计算发生事故的概率，产生事故发生的概率向量；根据所述概率向量绘制关于所有驾驶员的风险概率矩阵；根据所述概率矩阵内数据的分布规律，对概率矩阵内的数据进行拟合。

进一步地，所述根据所述风险模式分析对群体层面驾驶员进行群体风险分析包括：设定驾驶员集合及潜在风险概率变化组，并根据所述驾驶员集合生成随机初始成员向量；初始化一个随机幂定律，并根据所述驾驶员集合、所述潜在风险变化组、所述初始成员向量及所述随机幂定律设定集成的幂函数；使用所述初始成员向量重新加权所述风险概率矩阵，得到加权风险概率矩阵，并重新改写所述幂函数，得到新的幂函数；根据所述新的幂函数更新初始化成员向量，得到新的成员向量；根据所述新的成员向量及新的幂函数计算出驾驶员未来时间段内群体层面风险概率。

进一步地，所述方法还包括：在所述根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测后，计算驾驶员的保险价格。

本发明第二方面提供一种驾驶员驾驶车辆风险行为的预测系统，包括：风险概率模块，用于根据驾驶员车辆内集成的车载诊断系统反馈的车辆数据、及根据汽车保险采集的车辆使用数据进行驾驶员风险分析，得到风险概率；风险模式分析模块，用于根据风险概率进行随时间变化的风险模式分析；群体风险分析模块，用于根据所述风险模式分析对群体层面驾驶员进行群体风险分析；风险行为预测模块，用于根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测。

本发明第三方面提供一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求上述中的任意一项所述方法。

本发明第四方面提供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，所述计算机程序被处理器执行时，实现权利要求上述中的任意一项所述方法。

本发明提供一种驾驶员驾驶车辆风险行为的预测方法及系统，有益效果在于：通过对群体层面驾驶员进行群体风险分析，根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测，能够从群体层面上预测驾驶员的风险行为，从而使得本发明能够对大多数驾驶员的风险行为进行预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例驾驶员驾驶车辆风险行为的预测方法的流程示意框图；

图2为本发明实施例驾驶员驾驶车辆风险行为的预测方法的车辆数据类型统计表；

图3为本发明实施例驾驶员驾驶车辆风险行为的预测方法的周时间与风险概率的二维坐标统计图；

图4为本发明实施例电子装置的结构示意框图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。

请参阅图1，为一种驾驶员驾驶车辆风险行为的预测方法，包括：S1、根据车载诊断系统反馈的车辆数据、及根据汽车保险系统采集的车辆使用数据进行驾驶员风险分析，得到风险概率；S2、根据风险概率进行随时间变化的风险模式分析；S3、根据风险模式分析对群体层面驾驶员进行群体风险分析；S4、根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测。

请参阅图2，车辆数据包括：驾驶变量及驾驶状态变量；组成驾驶变量的驾驶因素包括：车辆角速度、冷却液温度、加速度、车辆引擎转速及速度；制成驾驶状态变脸的驾驶因素包括：车辆急转弯速度、车辆变道速度、低温警告、高温警告、加速异常、减速异常、引擎高转速警告、转速异常增加及车辆超速。

在本实施例中，车辆数据为ODB数据，OBD英文全称On-Board Diagnostic，中文翻译为车载诊断系统，是一种先进的可实时记录车辆的各种传感数据的插件设备。我们把每一条OBD数据x定义为一个元组其中，为驾驶员的ID，t_x为相对应的时间戳(以秒为单位)，l_x为 x产生时的经纬度所构成的二维向量，φ_x为五个驾驶变量(实数值)和九个驾驶状态变量(0-1值数)所构成的十四维向量，而驾驶状态变量具体是由业内的专家给出的定义，具体变量和描述如图2所示。

车辆使用数据为UBI数据，UBI英文全称Usage-based insurance，中文翻译为基于驾驶员驾驶行为的汽车保险。由于车联网时代，车辆的使用情况都可以被记录下来，可以进行数据收集和分析。UBI数据具体记录着驾驶历史记录和车辆保险信息，其中，车辆保险信息包括投保车辆里程数、驾驶员过去的投保车险的价格、驾驶员统计信息(如年龄、性别和驾驶年龄)以及驾驶员每次交通事故的时间、地点和索赔金额等信息。

根据车载诊断系统反馈的车辆数据、及根据汽车保险系统采集的车辆使用数据进行驾驶员风险分析，得到风险概率包括：根据车辆数据及时间间隔设定驾驶员的车辆数据轨迹；设定车辆数据轨迹的危险标准；根据车辆使用数据及危险标准验证车辆数据轨迹为危险轨迹或安全轨迹；预测安全轨迹或危险轨迹发生事故的概率，得到风险概率。

在获取一批驾驶员和他们的过去H星期的OBD 数据X＝{x_i}后，预测出一个驾驶员的未来星期的风险概率方法如下：基于一系列按时间排序的OBD记录使用车辆数据轨迹对风险分析进行建模，并将车辆数据轨迹定义如下：设定一个驾驶员的 OBD记录序列和时间间隔Δt>0,子序列 是S的一个轨迹，如果满足条件：

(1)

(2) 则

(3)在S的子序列中不存在既包含S′又满足(1)(2)条件。

同时，用一个0-1值变量作为标记车辆数据轨迹危险与否，通过驾驶员的UBI数据来判断车辆数据轨迹是安全轨迹或危险轨迹，当这位驾驶员在这条车辆数据轨迹上的UBI有发生过事故的记录，则我们认定这条轨迹是危险轨迹否则，

预测安全轨迹或危险轨迹发生事故的概率包括：将车辆数据编译成特征向量；将车辆数据内的每一驾驶因素按时间比率进行单一计算，提取驾驶因素的特征，并将特征融入特征向量；根据特征向量设定安全轨迹或危险轨迹发生事故的概率；设定历史时间段，并采集历史时间段内的车辆数据产生的历史车辆数据轨迹；设定未来时间段，且未来时间段与历史时间段相等且相对应，根据历史车辆数据轨迹计算发生事故的概率。

根据风险概率进行随时间变化的风险模式分析包括：把车辆数据轨迹以周的时间维度进行拆分，对拆分后的车辆数据轨迹计算发生事故的概率，产生事故发生的概率向量；根据概率向量绘制关于所有驾驶员的风险概率矩阵；根据概率矩阵内数据的分布规律，对概率矩阵内的数据进行拟合。

在将车辆数据轨迹进行拆分后，预测方法的目标是预测出这条轨迹发生事故的概率，发生事故的概率受很多因素的影响，上述因素及因素的详细信息如图2所示，将图2中涉及的信息编码成特征向量为了使这些详细信息涉及的数据不失一般性，在OBD记录里面这十四个驾驶因素按时间比率进行计算使用，以其中一个驾驶因素速度作为例子进行关于时间比率的计算：

其中，就是按时间比率计算的速度，通过这样的特征提取，特征向量φ_x就不是只关注单个OBD记录上，而是在整条车辆数据轨迹上面。然后，设定车辆数据轨迹发生事故的概率为如下公式：

这将预测问题变成一个传统二分类问题，而传统的二分类问题通常采用两种广泛使用方法：逻辑回归(LR)与梯度上升决策树(GBDT)，在本实施例中，采用梯度上升决策树(GBDT)。

通常情况下，驾驶员在一段时间内会产生大量轨迹，故在本实施例中，为了评估驾驶员风险，同时能获取到工作日与周末的驾驶情况，将时间设置为一周。那么在第周，驾驶员会从h周的OBD数据产生一组轨迹最终风险的概率计算如下：

而由于历史记录数据的特征会随着时间的变化而变化，所以把车辆数据轨迹以周的时间维度进行拆分，收集其中车辆数据轨迹进行预测风险；而保险公司拥有所有驾驶员大量长时间的OBD数据。现在给出一个驾驶员的H周的 OBD记录X，首先把X按周进行拆分成驾驶员在第H周的风险的概率可以通过上述的公式进行计算，计算之后每个驾驶员将会产生周的发生事故的概率向量考虑所有驾驶员的集合，那么将会绘制一个所有驾驶员的风险概率矩阵

请参阅图3，在绘制出风险概率矩阵之后，将数据绘制在二维线性图表上，在本实施例中，将驾驶员的风险概率变化表示花在0～1的区间内；根据图3可以看出概率有三种模式的变化：增加、减少与不变，而根据数据分布的规律，使用幂定律函数对数据进行拟合，幂定律函数的设定如下：

其中，k与b是幂定律的参数，可用作改变模式。

根据风险模式分析对群体层面驾驶员进行群体风险分析包括：设定驾驶员集合及潜在风险概率变化组，并根据驾驶员集合生成随机初始成员向量；初始化一个随机幂定律，并根据驾驶员集合、潜在风险变化组、初始成员向量及随机幂定律设定集成的幂函数；使用初始成员向量重新加权风险概率矩阵，得到加权风险概率矩阵，并重新改写幂函数，得到新的幂函数；根据新的幂函数更新初始化成员向量，得到新的成员向量；根据新的成员向量及新的幂函数计算出驾驶员未来时间段内群体层面风险概率。

虽然得到了全部驾驶员的风险概率矩阵，但是通过幂定律的幂函数来预测一个驾驶员将来的风险还是很困难的，因为数据的稀疏性与数据不一致性的问题需要解决，所以设定群体层面幂定律模型。这个群体层面的洞察是认为：整个驾驶员风险概率变化模式通常有多个组(如不变和减少)，并且同一个组的驾驶员共享行为改变的趋势。因此，使用同一组的数据来训练一个幂定律模型，以此解决数据稀疏的问题；同时，训练不同组的数据，用多组幂定律模型来缓解数据不一致的问题。

另外，由于有效的幂定律模型与较好的驾驶员分组是相互促进的，由这种现象得到一种迭代优化算法，在本实施例中叫做基于幂定律集成算法。算法的具体步骤如下：

步骤1：在有一个驾驶员集合U的条件，设置为潜在风险概率变化组。对于生成随机初始成员向量 其中表示的是驾驶员属于g组的概率。对于初始化一个随机幂定律F_g，集成的幂函数则定义为

步骤2：对于使用成员向量重新加权所有驾驶员的风险矩阵，这样可以设置驾驶员风险概率变化模式向量或者与成比例，然后重新改写F_g产生新的集成，得到集成的幂函数，

为了使用加权风险概率数据去训练新的g组基于幂定律的幂函数，记做新的幂函数^newF_g，设置一个常数b和单独为每个驾驶员设置这是由于每个驾驶员的幂函数初始值都不一样，每个k因个体差异而不同。由此构成了g组幂函数的参数θ＝{b,k₁,k₂,…,k_N}，随后构造出g组所有驾驶员的成员向量然后用风险概率矩阵P计算出θ：

使用Levenberg-Marquardt的方法来最小化误差并得到新的幂函数的参数。

步骤3：对于使用来更新驾驶员的成员向量以便于第g维是驾驶员属于g组的后验概率，具体来说就是

在产生集成的幂函数之后，通过让每个驾驶员分配进 G组。具体来说，为了更新成员向量推导出驾驶员属于g组的后验概率，使用贝叶斯定理表示概率如下：

其中，p(g)为从成员向量中估计出来的值：

同时，代表观察驾驶员的风险概率变化模型的概率给定了g组的可以使用含有softmax函数的欧几里得的距离误差计算出概率：

最终得到新的成员向量

步骤4：使用所有驾驶员风险概率变化模型矩阵的对数似然检查收敛。如未满足收敛条件，则通过以下方式进行： 然后跳转到步骤2重复以上过程，直到满足收敛条件为止。

而上述算法是收敛的，证明收敛性步骤如下：对数似然估计函数表示如下：

而对数似然估计函数满足Jensen不等式，等式满足是因为为的一个常数。每次迭代目标函数构造的下界是凸函数而且有全局最优。该算法是使用前面的参数来初始化当前的幂定律集成函数，这保证了非递减性。通过上述三个条件，可以得到在迭代之后总可能性是非递减的结论。

最后就是对驾驶员将来风险概率的预测，通过成员向量和幂定律来计算出驾驶员未来w周群体层面风险概率：

本申请提供驾驶员驾驶车辆风险行为的预测方法还包括：在根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测后，计算驾驶员的保险价格。

根据现在已有驾驶员未来风险和UBI数据z，分成两部分计算驾驶员的保险价格：计算动态数据的移动感知计价部分和计算静态数据的统计感知计价部分。

移动感知计价部分是一种取决于驾驶员的里程数和驾驶风险的定价方法：给定驾驶员u未来w周的风险概率(如)和过去H周行驶过的里程数 a_u，我们将驾驶员u未来的W周的风险概率与里程数计算如下：

接下来进行移动感知计价部分的计算：

其中，η是为驾驶员收取每英里费用所能容忍的保险成本。

这样计算移动感知计价的理由有如下两点：首先，里程是传统UBI定价模型中最重要的一个因素之一；其次，根据业内专家的说法，驾驶员会更愿意接受按每英里进行收费的保险。因此，设置η这个参数便是为了上述目的，因为η乘上里程就是对驾驶员驾驶的总里程的收费；然后考虑驾驶员在移动中的驾驶风险，用预先计算乘上风险概率就能全面地给出移动感知的定价模型。最后，既可以用算术乘积函数这种结合里程和驾驶风险来定价。

统计感知计价部分,这种方法是根据驾驶员当前的统计信息计算出来的定价，具体是利用驾驶员的UBI记录，如性别、年龄、车辆价格、驾龄、车辆类型、婚姻状况等信息，结合广义线性模型与政府的保险政策制定系数，最终计算出保险价格o_u；最后，总保险价格为：

驾驶员可根据上述计算及自身情况选择购买合适的保险，降低了驾驶员不懂自身情况买下大多保险而浪费经济的情况发生，保险公司能够根据上述计算合理为驾驶员推荐保险项目。

本申请提供的驾驶员驾驶车辆风险行为的预测方法还包括：通过风险概率及保险价格并在合理为驾驶员推荐保险项目的情况下为保险机构得到最大化利润。

在给定一组驾驶员集合中，每个驾驶员u有过去H周的索赔记录的集合|c_u|≥0(为第次索赔金额)、未来W 周的预测风险概率还有提升的总保险价格我们需要找到满足以下三个约束条件的驾驶员集合：风险概率约束、保险支付约束及最大化利润。

风险概率约束：根据政府对保险公司的规定，整个被保险人发生至少一次事故的风险概率不应该超过概率极限以避免业务经营风险：

保险支付约束：正如保险政策要求的那样，公司应该为最坏的情况做打算，在这种情况下，整个被保险人将在同一时间进行索赔，然后最大索赔金额应该低于保险金(预算)

其中II(.)为指标函数；β为没有索赔记录的标准索赔金额(如|c_u|＝0)，通常情况下是索赔金额的平均值，最坏的情况是已索赔过驾驶员他们的过去索赔的最大金额。

最大化利润:保险机构的目标肯定为在给客户合适的保险基础上获得最大的利润，因此可以在一个驾驶员身上可以获取的利润d_u：

其中α是对关于驾驶员方面运营支出比例，通常情况下标准默认值是α＝40％；是对于驾驶员预测索赔的支付，考虑驾驶员是否进行过索赔分为两种情况：

从这些条件中筛选出来的驾驶员集合可以得到总利润D：

因此，最大化利润问题也就变成从整个驾驶员集合U寻找出最优驾驶员子集U′的问题：

关于最大化利润问题为NP-C问题证明如下：

该问题等同于0-1背包问题。具体来说，每个驾驶员就像一个物品，拥有物品的重量(如风险概率)、物品的容量(如保险支付)还有物品的价值(利润)，现在是想找到那个最优驾驶员的集合就像是一个拥有固定重量(如风险概率约束)和拥有固定容量(如保险支付约束)中找到最大价值那组物品装进入背包。因此，我们的问题是根据其定义的0-1背包问题，是一个NP-C 问题。

由于最大化利润是一个NP-C问题，故本申请提出一种有效的基于启发式搜索的动态规划解决方案。通过查看一个匿名保险公司的事故记录调查，因为两个相邻年份只有涉及保险事故的驾驶员的重叠，而并非所有的风险驾驶行为会引发事故；而有许多索赔记录的驾驶员会具有相对高的风险概率。基于上述观察，在计算最大利润的时候可以设置一个阈值来移除这些多于次索赔的驾驶员，比如通过拒接他们的保险请求。这样的约束可以尽可能回避将来可能发生事故的索赔导致公司利润的下降。

通过以下步骤实现约束动态规划算法：

步骤1：给定一个驾驶员集合U，我们通过移除驾驶员的过去索赔记录超过次(即)，最后生成新的驾驶员集合

步骤2：从新的驾驶员集合我们使用动态规划来解决对应的0-1背包问题，得到比较好的驾驶员子集U′和最大利润D。

本申请提供一种驾驶员驾驶车辆风险行为的预测系统，包括：风险概率模块，用于根据驾驶员车辆内集成的车载诊断系统反馈的车辆数据、及根据汽车保险采集的车辆使用数据进行驾驶员风险分析，得到风险概率；风险模式分析模块，用于根据风险概率进行随时间变化的风险模式分析；群体风险分析模块，用于根据风险模式分析对群体层面驾驶员进行群体风险分析；风险行为预测模块，用于根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测。

本申请实施例提供一种电子装置，请参阅图4，该电子装置包括：存储器 601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序，处理器602执行该计算机程序时，实现前述附图1至附图4的实施例中描述的驾驶员驾驶车辆风险行为的预测方法。

进一步的，该电子装置还包括：至少一个输入设备603以及至少一个输出设备604。

上述存储器601、处理器602、输入设备603以及输出设备604，通过总线 605连接。

其中，输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。

存储器601可以是高速随机存取记忆体(RAM，Random Access Memory) 存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器601用于存储一组可执行程序代码，处理器602与存储器601耦合。

进一步的，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子装置中，该计算机可读存储介质可以是前述图4所示实施例中的存储器601。该计算机可读存储介质上存储有计算机程序，该程序被处理器602执行时实现前述方法实施例中描述的驾驶员驾驶车辆风险行为的预测方法。

进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601 (ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本发明所提供的一种驾驶员驾驶车辆风险行为的预测方法及系统的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种驾驶员驾驶车辆风险行为的预测方法，其特征在于，包括：

根据车载诊断系统反馈的车辆数据、及根据汽车保险系统采集的车辆使用数据进行驾驶员风险分析，得到风险概率；

根据所述风险概率进行随时间变化的风险模式分析；

根据所述风险模式分析对群体层面驾驶员进行群体风险分析；

根据所述群体风险分析对驾驶员驾驶车辆时的风险行为进行预测。

2.根据权利要求1所述的驾驶员驾驶车辆风险行为的预测方法，其特征在于，根据车载诊断系统反馈的车辆数据、及根据汽车保险系统采集的车辆使用数据进行驾驶员风险分析，得到风险概率包括：

根据所述车辆数据及时间间隔设定驾驶员的车辆数据轨迹；

设定所述车辆数据轨迹的危险标准；

根据所述车辆使用数据及危险标准验证所述车辆数据轨迹为危险轨迹或安全轨迹；

预测安全轨迹或危险轨迹发生事故的概率，得到所述风险概率。

3.根据权利要求2所述的驾驶员驾驶车辆风险行为的预测方法，其特征在于，所述预测安全轨迹或危险轨迹发生事故的概率包括：

将所述车辆数据编译成特征向量；

将车辆数据内的每一驾驶因素按时间比率进行单一计算，提取所述驾驶因素的特征，并将所述特征融入所述特征向量；

根据所述特征向量设定所述安全轨迹或危险轨迹发生事故的概率；

设定历史时间段，并采集所述历史时间段内的车辆数据产生的历史车辆数据轨迹；

设定未来时间段，且所述未来时间段与所述历史时间段相等且相对应，根据所述历史车辆数据轨迹计算发生事故的概率。

4.根据权利要求1所述的驾驶员驾驶车辆风险行为的预测方法，其特征在于，所述车辆数据包括：驾驶变量及驾驶状态变量；

组成所述驾驶变量的驾驶因素包括：车辆角速度、冷却液温度、加速度、车辆引擎转速及速度；

制成所述驾驶状态变脸的驾驶因素包括：车辆急转弯速度、车辆变道速度、低温警告、高温警告、加速异常、减速异常、引擎高转速警告、转速异常增加及车辆超速。

5.根据权利要求2所述的驾驶员驾驶车辆风险行为的预测方法，其特征在于，所述根据风险概率进行随时间变化的风险模式分析包括：

把车辆数据轨迹以周的时间维度进行拆分，对拆分后的车辆数据轨迹计算发生事故的概率，产生事故发生的概率向量；

根据所述概率向量绘制关于所有驾驶员的风险概率矩阵；

根据所述概率矩阵内数据的分布规律，对概率矩阵内的数据进行拟合。

6.根据权利要求5所述的驾驶员驾驶车辆风险行为的预测方法，其特征在于，所述根据所述风险模式分析对群体层面驾驶员进行群体风险分析包括：

设定驾驶员集合及潜在风险概率变化组，并根据所述驾驶员集合生成随机初始成员向量；

初始化一个随机幂定律，并根据所述驾驶员集合、所述潜在风险变化组、所述初始成员向量及所述随机幂定律设定集成的幂函数；

使用所述初始成员向量重新加权所述风险概率矩阵，得到加权风险概率矩阵，并重新改写所述幂函数，得到新的幂函数；

根据所述新的幂函数更新初始化成员向量，得到新的成员向量；

根据所述新的成员向量及新的幂函数计算出驾驶员未来时间段内群体层面风险概率。

7.根据权利要求1所述的驾驶员驾驶车辆风险行为的预测方法，其特征在于，所述方法还包括：

在所述根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测后，计算驾驶员的保险价格。

8.一种驾驶员驾驶车辆风险行为的预测系统，其特征在于，包括：

风险概率模块，用于根据驾驶员车辆内集成的车载诊断系统反馈的车辆数据、及根据汽车保险采集的车辆使用数据进行驾驶员风险分析，得到风险概率；

风险模式分析模块，用于根据风险概率进行随时间变化的风险模式分析；

群体风险分析模块，用于根据所述风险模式分析对群体层面驾驶员进行群体风险分析；

风险行为预测模块，用于根据群体风险分析对驾驶员驾驶车辆时的风险行为进行预测。

9.一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7中的任意一项所述方法。

10.一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，所述计算机程序被处理器执行时，实现权利要求1至7中的任意一项所述方法。