CN110210980A - 一种驾驶行为评估方法、装置和存储介质 - Google Patents
一种驾驶行为评估方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110210980A CN110210980A CN201810622840.XA CN201810622840A CN110210980A CN 110210980 A CN110210980 A CN 110210980A CN 201810622840 A CN201810622840 A CN 201810622840A CN 110210980 A CN110210980 A CN 110210980A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- data
- vehicle
- vehicle data
- user
- 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.)
- Pending
Links
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
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种驾驶行为评估方法、装置和存储介质;本发明实施例采集车辆当前的车辆数据,车辆数据包括车辆行驶数据;获取车辆在历史时间段内的历史车辆数据;对车辆数据和历史车辆数据进行特征运算,得到用户驾驶车辆的驾驶行为特征;根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端发送驾驶行为评估结果;该方案可以提升驾驶行为评估的准确度。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种驾驶行为评估方法、装置和存储介质。
背景技术
随着经济发展越来越快,道路交通基础行业建设投入增大,汽车保有量也呈现逐年飞速增长的趋势。随之而来的是对车险产品的巨大需求,传统车险已经成为财产类保险业务的最大险种。
传统车险保费方案一般基于三大类特征进行风险评估,包括:从车因素、从人因素,从环境因素,其中绝大部分是静态类特征,比如:车辆种类、型号、行车里程、生产商、驾驶人基本信息、历史肇事记录、路况、治安环境等。
然而,行车人的驾驶行为也是衡量风险的重要因素,对车险保费定价有指导作用;但是,目前传统车险保费方案无法对行车人的驾驶行为作出准确的评估。
发明内容
本发明实施例提供一种驾驶行为评估方法、装置和存储介质,可以提升驾驶行为评估的准确度。
本发明实施例提供一种驾驶行为评估方法,包括:
采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;
获取所述车辆在历史时间段内的历史车辆数据;
对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;
根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;
向终端发送所述驾驶行为评估结果。
本发明实施例还提供一种驾驶行为评估装置,包括:
采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;
获取所述车辆在历史时间段内的历史车辆数据;
对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;
根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;
向终端发送所述驾驶行为评估结果。
此外,本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种驾驶行为评估方法中的步骤。
本发明实施例可以采集车辆当前的车辆数据,车辆数据包括车辆行驶数据;获取车辆在历史时间段内的历史车辆数据;对车辆数据和历史车辆数据进行特征运算,得到用户驾驶车辆的驾驶行为特征;根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端发送驾驶行为评估结果;该方案可以基于采集到的车辆数据以及历史车辆数据挖掘反映用户驾驶行为的驾驶行为特征,并基于驾驶行为特征和驾驶行为评估模型对用户的驾驶行为进行预测评估,提升了驾驶行为评估的准确度。
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1a是本发明实施例提供的驾驶行为评估方法的场景示意图;
图1b是本发明实施例提供的驾驶行为评估方法的流程示意图;
图1c是本发明实施例提供的UBI模型技术架构示意图;
图1d是本发明实施例提供的主动学习示意图;
图1e是本发明实施例提供的自适应UBI模型的架构示意图;
图1f是本发明实施例提供的数据转换示意图;
图2a是本发明实施例提供的驾驶行为评估方法的另一流程示意图;
图2b是本发明实施例提供的UBI软件架构示意图;
图3a是本发明实施例提供的驾驶行为评估装置的第一种结构示意图;
图3b是本发明实施例提供的驾驶行为评估装置的第二种结构示意图;
图3c是本发明实施例提供的驾驶行为评估装置的第三种结构示意图;
图3d是本发明实施例提供的驾驶行为评估装置的第四种结构示意图;
图4是本发明实施例提供的服务器的结构示意图。
具体实施方式
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,本领域技术人员在没有作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。
本发明实施例提供一种驾驶行为评估方法、装置和存储介质。
本发明实施例提供一种驾驶行为评估系统,该系统包括本发明实施例任一提供的驾驶行为评估装置,该驾驶行为评估装置可以集成在服务器中,该系统还可以包括其他设备,比如终端等,该终端可以为手机、平板电脑等设备。
参考图1a,本发明实施例提供了一种驾驶行为评估系统,包括:终端10、服务器20、以及车辆30,终端10与服务器20通过网络连接;车辆30与服务器20通过网络连接,比如通过车联网连接。
其中,车辆30可以向服务器20实时上报车辆行驶数据。该车辆行驶数据可以为车辆运行过程中描述车辆行驶状况的数据,比如,可以包括车速、车龄、车长、胎压、安全带使用、行驶距离等等数据。该类数据可以在车辆运行过程中实时采集,该车辆数据可以由车辆采集,比如,可以通过车载系统来实时采集并上报。
服务器20可以获取车辆30在历史时间段内的历史车辆数据,该历史车辆数据可以包括历史车辆行驶数据;也即车辆30在历史时间段内运行时描述车辆行驶状况的历史数据。该历史车辆行驶数据可以由车辆30在历史时间段上报,并保存离线数据存储单元中。此时,服务器20可以从离线数据存储单元中获取车辆30在历史时间段如过去一天内的历史车辆行驶数据。
服务器20可以对采集到的车辆行驶数据以及历史车辆行驶数据进行特征运算,得到用户驾驶车辆的驾驶行为特征;然后,根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端10发送驾驶行为评估结果.
终端10接收到驾驶行为评估结果后,可以对该驾驶行为评估结果进行展示。例如,当驾驶行为评估结果包括驾驶行为评估分数时,终端10可以显示该评估分数。
此外,在一实施例中,车辆数据还可以包括车辆的维保数据,也即车辆的维护保养数据,其中,维保数据可以包括车辆的维修保养的部件、部件出现的问题等等。该维保数据可以由车辆维修方提供,比如,车辆维修方的设备向服务器20上报,此时,驾驶行为评估系统还可以车辆维修方的设备。
上述图1a的例子只是实现本发明实施例的一个系统架构实例,本发明实施例并不限于上述图1a的系统结构,基于该系统架构,提出本发明各个实施例。
以下分别进行详细说明。
在本发明实施例中,将驾驶行为评估装置的角度进行描述,该驾驶行为评估装置具体可以集成在一个或者多个实体设备中,比如,可以为集成在某个服务器中,也即本发明实施例驾驶行为评估方法可以由一台服务器实现。又比如,可以集成在多个服务器中,也即本发明实施例驾驶行为评估方法可以由多台服务器实现。
在一实施例中,提供了一种驾驶行为评估方法,如图1b所示,该驾驶行为评估方法的具体流程可以如下:
101、采集车辆当前的车辆数据,该车辆数据包括车辆行驶数据。
其中,车辆数据可以为与车辆相关的各种数据,比如,可以包括车辆行驶数据、车辆维保数据等等。
其中,车辆数据可以为当前实时采集到的车辆数据,也即线上车辆数据,或者在线车辆数据;比如,车辆行驶数据为实时采集到的车辆行驶数据,也即线上车辆行驶数据,或者在线车辆行驶数据;又比如,车辆维保数据也即为线上车辆维保数据、或者在线车辆维保数据。
其中,车辆行驶数据可以为车辆运行过程中描述车辆状况和行驶状况的数据,比如,可以包括车速、车龄、车长、胎压、安全带使用、行驶距离等等数据。该类数据可以在车辆运行过程中实时采集上报,比如,可以通过车载系统、传感器等来实时采集,然后,通过车联网上报数据。
其中,车联网(Internet of Vehicles)是指由车辆位置、速度和路线等信息构成的巨大交互网络。
其中,车辆维保数据为车辆的维护保养数据,其中,维保数据可以包括车辆的维修保养的部件、部件出现的问题等等。该维保数据可以由车辆维修方采集上报,比如,通过车辆维修方的设备实时上报车辆维保数据。
本发明实施例提供的驾驶行为评估方法可以应用在UBI(Usage BasedInsurance,基于使用量的保险)车险模型中,用于评估驾驶行为,以便UBI模型基于驾驶行为评估结果来制定车险。因此,实际应用中,本发明实施例的驾驶行为评估方法可以由搭建的UBI系统或模型来实现。
例如,参考图1c,提供了一种UBI系统的技术架构图,其中可以通过数据采集模块收集车辆实时上报的车辆数据,并将车辆数据保存在分布式消息系统中,比如,可以存储在Kafka中。其中,Kafka是一个分布式、支持分区的(partition)、多副本的(replica),基于zookeeper协调的分布式消息系统,它的最大的特性就是可以实时的处理大量数据以满足各种需求场景。
102、获取车辆在历史时间段内的历史车辆数据。
其中,历史车辆数据为在历史时间段内与车辆相关的各种数据,比如,可以包括车辆行驶数据、车辆维保数据等等。
其中,历史车辆数据可以为历史时间段内采集到的车辆数据,也即线下车辆数据、或者离线车辆数据。比如,历史车辆行驶数据为可以为历史时间段内采集到的车辆行驶数据,也即线下车辆行驶数据、或者离线车辆行驶数据。其中,历史车辆维保数据也即线下车辆维保数据、或者离线车辆维保数据。
其中,历史车辆数据如历史车辆行驶数据可以由车辆在历史时间段采集并上报。其中,历史时间段可以根据实际需求设定,比如,可以过去一天、过去一个小时等等。
其中,该历史车辆数据如历史车辆行驶数据可以保存离线数据存储单元中。此时,可以从离线数据存储单元中获取车辆在历史时间段如过去一天内的历史车辆数据。
在一实施例中,当接收到实时上报的车辆数据时,可以将车辆数据备份至离线数据存储单元。比如,可以对分布式消息系统连续监听,当分布式消息系统有车辆数据时,可以备份一份车辆数据至离线数据存储单元;后续使用历史数据时便可以从该存储单元中提取。
譬如,参考图1c,在线Spark模块可以基于Spark Streaming连续监听kafka,如果kafka有数据,实时读取消费掉,并旁路一份原始数据备份到数据中心(Data Center);该数据中心可以由Hbase(Hadoop Database,分布式数据库)集群实现。
Spark是一种与Hadoop相似的通用的集群计算框架,通过将大量数据集计算任务分配到多台计算机上,提供高效内存计算。
Spark Streaming是Spark核心API的一个扩展,可以实现高吞吐量的、具备容错机制的实时流数据的处理;具体地,Spark Streaming是个批处理的流式(实时)计算框架。其基本原理是把输入数据以某一时间间隔批量的处理,当批处理间隔缩短到秒级时,便可以用于处理实时数据流。Spark Streaming支持从多种数据源获取数据,包括Kafka等。从数据源获取数据之后可以对数据进行复杂算法处理,并将处理结果存储文件系统、数据库等存储单元中。
比如,参考图1c,当Spark Streaming消费到kafka中数据时,可以从数据中心(Data Center)读取历史车辆数据。
103、对车辆数据和历史车辆数据进行特征运算,得到用户驾驶车辆的驾驶行为特征。
其中,驾驶行为特征可以包括实时驾驶行为特征(即在线驾驶行为特征、或者线上驾驶行为特征)、历史驾驶行为特征(也即线下驾驶行为特征、或者历史驾驶行为特征)等。其中,实时驾驶行为特征可以对当前采集到的车辆数据进行特征运算得到;历史驾驶行为特征可以对历史车辆数据进行特征运算得到。
在一实施例中,可以分别对当前车辆数据和历史车辆数据进行特征运算,得到两种驾驶行为特征,如实时驾驶行为特征(即在线驾驶行为特征、或者线上驾驶行为特征)、历史驾驶行为特征(也即线下驾驶行为特征、或者离线驾驶行为特征)。譬如,对车辆数据进行特征运算,得到当前的驾驶行为特征也即实时驾驶行为特征;对历史车辆数据进行特征运算,得到历史驾驶行为特征。
在一实施例中,驾驶行为特征的运算方式可以根据实际需求设定,比如,可以对车辆数据进行统计特征运算,得到车辆数据的统计特征,将统计特征作为驾驶行为特征。也即,步骤“对车辆数据和历史车辆数据进行特征运算,得到用户驾驶车辆的驾驶行为特征”,可以包括:
对车辆数据和历史车辆数据进行统计特征运算,得到统计特征;
将统计特征作为用户驾驶车辆的驾驶行为特征。
其中,统计特征可以为用于描述一组数据特征的统计量,比如,数据均值、中位数、标准偏差等等。
在一实施例中,可以对当前的车辆数据进行统计特征运算,得到当前或实时统计特征(也即线上统计特征、或者在线统计特征),对历史车辆数据进行统计特征运算,得到历史统计特征(也即线下统计特征、或者离线统计特征);将该当前或实时统计特征作为当前或实时驾驶行为特征,将历史统计特征作为历史驾驶行为特征。
在一实施例中,可以通过在线Spark模块进行实时统计特征运算,比如,参考图1c,当Spark Streaming消费到kafka中数据时,Spark模块可以对当前的车辆数据进行统计特征计算,得到实时统计特征;然后,将计算得到的统计特征缓存到磁盘集群如redis集群中,作为驾驶行为评估模型的特征数据。
在一实施例中,还可以通过离线Spark模块进行历史统计特征运算,比如,参考图1c,离线Spark模块的Spark Streaming可以从数据中心(如Hbase集群)读取历史车辆数据,并对历史车辆数据进行统计特征计算;最后将计算得到的历史统计特征缓存到磁盘集群如redis集群中,作为驾驶行为评估模型的特征数据。
在线Spark模块的实时统计特征计算过程可以包括:通过Spark Streaming MserNode(Spark Streaming主节点)消费实时车辆数据,并分配统计特征计算任务,比如,SparkStreaming Mser Node可以向从节点(Slave Node)分配实时车辆数据的特征计算任务、历史车辆数据的特征计算任务等。具体地,可以根据各从节点的负载、处理能力等分配特征计算任务。
离线Spark模块的历史统计特征计算过程可以包括:Spark Engine(计算引擎)从数据中心(Data Center)读取历史车辆数据,并将历史车辆数据进分配给相应的节点进行统计特征计算,得到历史统计特征,最后可以输出历史统计特征,或者可以将历史统计特征缓存到磁盘集群如redis集群中,作为驾驶行为评估模型的特征数据。
104、根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果。
其中,驾驶行为评估模型可以为机器学习模型,具体地,机器学习模型可以根据实际需求选择。
其中,驾驶行为评估方式可以有多种,比如,根据对驾驶行为打分来评估,又比如,也可也对驾驶行为分类来评估。如下:
(1)、驾驶行为评分
此时,驾驶行为评估模型可以包括驾驶行为评分模型;该驾驶行为评分模型可以根据输入的驾驶行为特征输出相应的驾驶行为评分。
也即,步骤“根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果”,可以包括:
根据驾驶行为评分模型和驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分。
其中,驾驶行为评分模型可以机器学习模型等,比如,驾驶行为评分模型可以包括线性评分函数。
譬如,可以将驾驶行为特征(实时驾驶行为特征、历史驾驶行为特征)作为线性评分函数的输入,然后,基于线性评分函数输出相应的分数,该分数即为用户当前的驾驶行为评分。
例如,参考图1c,可以将实时统计特征和历史统计特征输入至评分模型,评分模型将会输出相应的分数。
(2)、驾驶行为分类
此时,驾驶行为评估模型可以包括驾驶行为分类模型,该分类模型可以为机器学习分类模型,比如,逻辑回归模型、神经网络模型等等。
步骤“根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果”,可以包括:
根据驾驶行为分类模型和驾驶行为特征,对用户当前的驾驶行为进行分类,得到驾驶行为类型。
其中,驾驶行为类型可以根据需求划分,比如,可以将驾驶行为划分成:危险、良好、一般等类型;又比如,还基于驾驶行为的风险进行划分,比如划分成:驾驶危险、驾驶安全、驾驶极度危险等等。又比如,还基于驾驶行为的风险等级进行划分,比如,划分成风险等级1、风险等级2、……风险等级n等等,或者风险小、风险中等、风险大等等。
譬如,可以将驾驶行为特征(实时驾驶行为特征、历史驾驶行为特征)输入驾驶行为分类模型,然后,基于驾驶行为分类模型预测相应的驾驶行为类型。
例如,参考图1c,可以将实时统计特征和历史统计特征输入至分类模型,,分类模型将输出预测的驾驶行为类型如驾驶危险等。
在一实施例中,还可以先对驾驶行为评分,然后,基于驾驶行为评分进行分类。比如,可以确定评分落入的驾驶行为类型的分值区间,便可以得到驾驶行为类型。
具体地,驾驶行为评估模型可以包括:驾驶行为评分模型;步骤“根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果”,可以包括:
根据驾驶行为评分模型和驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
确定驾驶行为评分落入的预设评分区间;
将预设评分区间对应的驾驶行为类型作为用户当前的驾驶行为类型。
比如,在得到驾驶行为评分后,可以直接对驾驶评分进行离散化区间映射,完成分类。
本发明实施例中,驾驶行为评估模型可以经过样本训练后的驾驶行为评估模型;也即本发明实施例还可以在评估之前还包括模型训练过程。
其中,驾驶行为评估模型的训练样本可以为之前的历史车辆数据如历史车辆行驶数据、维保数据等等。
比如,在一实施例中,在对用户当前的驾驶行为进行评估之前,还可以包括:
对历史车辆数据进行特征运算,得到样本驾驶行为特征;
根据样本驾驶行为特征对驾驶行为评估模型进行训练,得到训练后的驾驶行为评估模型;
此时,步骤“根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估”,可以包括:根据训练后的驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估。
譬如,参考图1c,离线Spark模块的Spark Streaming可以从数据中心(DataCenter)读取历史车辆数据,并对历史车辆数据进行统计特征计算,得到历史统计特征;然后,将历史统计特征作为驾驶行为评估模型的样本驾驶行为特征,对驾驶行为评估模型如驾驶行为分类模型进行离线训练。
可见,本发明实施例可以基于历史车辆数据不断地对驾驶行为评估模型进行训练,提升了驾驶评估模型的评估准确性。
在一实施例中,为了训练样本质量,减少样本数量,提升模型训练质量、效率以及准确率,还可以基于主动学习(activity learning)的方式来筛选样本对模型训练。
比如,步骤“对历史车辆数据进行特征运算,得到样本驾驶行为特征”,可以包括:
基于主动学习方式从历史车辆数据中选取信息量最大的目标历史车辆数据;
对目标历史车辆数据进行特征运算,得到样本驾驶行为特征。
例如,基于主动学习(activity learning)方式可以从大量的历史车辆数据中选取熵最大(即信息量最大)的少量历史车辆数据,然后,对这些选取的数据进行特征运算,得到样本驾驶行为特征也即训练样本特征。
在一实施例中,参考图1d,由于在离线学习即离线训练时,需要采用标注的训练样本,此时,可以需要样本数据进行大量标记,而基于主动学习(activity learning)方式可以缩小数据规模,具体地,可以从大量原始样本数据如历史车辆数据中,选取信息量最大的少量样本数据,这些数据是高质量关键点数据,通过标注这些关键点数据,可以有效的降低标注工作量,提高标注效果和准确率。
105、向终端发送驾驶行为评估结果。
其中,驾驶行为评估结果可以包括:驾驶行为评分、或者驾驶行为类型。
在一实施例中,在得到驾驶行为评估结果可以将评估结果(如驾驶行为评分、或者驾驶行为类型)推送到服务模块(如实时service模块),由服务模块主动推送到内容运营模块,内容运营模块可以根据展示策略将驾驶行为评估结果推送到终端,并在终端展示。其中,服务模块、内容运营模块可以集成在一台设备中,也可以集成在不同的设备中。
在一实施例中,当一个用户的当次行车结束后,参考图1c,打分策略可以基于前述方法步骤得到当次行车的驾驶行为评估结果,同时还可以从多维度展示了一些行车中的关键驾驶问题等。
在一实施例中,当一个用户的当次行车结束后,还可以基于前述方法步骤得到当次行车的驾驶行为评估结果;并基于评估结果生成评估报表。参考图1c,报表统计可以对驾驶行为评估结果、以及当次行车中的关键驾驶问题进行统计。
在一实施例中,考虑到数据源的广泛性和差异性会导致驾驶行为评估结果差异和波动比较大,并且难以适用于所有类型的数据提供方,评估方案的稳定性和适应性差。
为了克服不同类型的数据源导致的问题,可以将数据源提供的数据统一转换成符合预定数据协议的数据,其中,预定数据协议可以根据实际需求设定,比如,可以为车辆数据的国家标准协议(即国标)等。该预设数据协议可以与特征运算所需的数据形式对应;也即,预设数据协议的数据形式可以根据特征运算所需的数据形式设定。
比如,在一实施例中,在采集车辆当前的车辆数据之后,对车辆数据和历史车辆数据进行特征运算之前,本发明的评估方法还可以包括:
将车辆数据统一转换成符合预定数据协议的车辆数据;
此时,步骤“对车辆数据和历史车辆数据进行特征运算”,可以包括:对转换后的车辆数据和历史车辆数据进行特征运算。
具体地,在一实施例中,可以从采集到的车辆数据中查找相应的特征运算所需的车辆数据;当特征运算所需的车辆数据的格式或者形式不符合预定数据协议时,将特征运算所需的车辆数据转换成符合预定数据协议的车辆数据。
例如,参考图1e,可以在UBI模型中数据采集模块(kafka集群)和Data Center之间,增加一个数据适配驱动层(Data Adapter),数据适配驱动层定义了UBI模型所需要的数据集。通过数据适配驱动层,可以将各类不同的数据源(包括:国标、私有标准等)统一转换收敛到计算层(离线计算层、在线计算层)所需要的输入形式;也即符合预定数据协议的车辆数据如国标形式的车辆数据。
参考图1e,数据适配驱动层(Data Adapter)可以将采集到的车辆数据统一转换成符合国标形式的车辆数据,并备份至数据中心(Data Center),离线Spark模块、或在线Spark模块将会对符合国标形式的车辆数据进行特征运算,分别得到历史驾驶行为特征、实时驾驶行为特征。
在一实施例中,在考虑数据源广泛性特征问题的时候,对源数据进行转换操作的原因是:原始数据源和计算层所需数据集存在不一致;因此,需要数据整理、再造、量纲统一等数据处理。也即,统一转换可以包括:数据整理、再造、量纲统一等数据处理。
比如,步骤“将车辆数据统一转换成符合预定数据协议的车辆数据”,可以包括:
当车辆数据为特征运算所需的数据,且车辆数据直接对应到驾驶行为特征时,将车辆数据的量纲转换成预定数据协议规定的量纲;
当车辆数据为特征运算所需的数据,且无法直接对应到驾驶行为特征时,从车辆数据中选取相应的车辆数据进行组合,得到组合数据,组合数据直接对应驾驶行为特征。
将组合数据转换成符合预定数据协议的数据。
例如,参考图1f,以统计特征为驾驶行为特征为例,在转换过程中可能遇到的几种Case(情况),以及相应的处理方法:
1、数据源的原始物理量V是计算层所需的,可以直接对应到计算层的特征统计量S:
a)符合计算层量纲规范;
b)不符合计算层量纲规范;
数据源的原始物理量V是计算层所需的,无法直接对应到计算层的特征统计量S。
2、数据源的原始物理量V不是计算层所需:
对于case 1,我们无需考虑特征统计量S的再造,直接使用原始物理量V的状态代表特征统计量S即可;相反地,对于case 2,可以从数据源中组合一些原始物理量,再造得到S。需要注意的是可能会出现,因数据维度短缺,无法再造得到S的情况。
case 1中,存在两种情况:原始数据量符合计算层量纲规范和不符合。如果符合,直接使用V的状态值代表特征统计量,无需做量纲变换;相反地,我们必须利用量纲变换公式进行量纲转换。比如:计算层的输入规范要求特征统计变量“车龄”的量纲为“年”为单位,但数据源上报量的量纲是“年.月.日”为单位,那么此时就需要进行量纲转换。
对于case 3,无需对原始物理量V做处理,直接忽略即可。
可见,本实施例提供了数据自适应方式,可以为不同车厂等不同数据源的提供方提供了数据接入机制,方便客户快速接入UBI模型,同时保证了UBI模型的稳定性,也即不会因为数据源的差异导致效果的大幅波动,从而提升驾驶行为评估的稳定性和准确性。
由上可知,本发明实施例采集车辆当前的车辆数据,车辆数据包括车辆行驶数据;获取车辆在历史时间段内的历史车辆数据;对车辆数据和历史车辆数据进行特征运算,得到用户驾驶车辆的驾驶行为特征;根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端发送驾驶行为评估结果。该方案可以基于采集到的车辆数据以及历史车辆数据挖掘反映用户驾驶行为的驾驶行为特征,并基于驾驶行为特征和驾驶行为评估模型对用户的驾驶行为进行预测评估,提升了驾驶行为评估的准确度。
另外,本发明实施例设计了更为有效的算法模型架构:在线学习和离线学习相结合,通过在线学习得到实时行驶特征,通过离线学习得到历史驾驶行为特征,综合计算驾驶人的行驶风险评估,提升了驾驶评估的精确性。
进一步地,本发明实施例还设计和优化了更有效的特征集,包括引入车辆行驶数据和维保数据等,针对更多行驶场景,充分利用海量原始行驶数据,定制化设计有效的统计特征,提升了评估可靠性和精确性。
根据上述实施例所描述的方法,以下将举例作进一步详细说明。
在一实施例中将以驾驶行为评估方法应用在UBI中为例,来进一步说明本发明的驾驶行为评估方法。
一种驾驶行为评估方法,如图2a和图2b所示,如下:
201、采集车辆实时上报的车辆数据。
比如,可以通过车联网采集车辆实时上报的车辆行驶数据,或者维修机构上报的车辆维保数据等。
其中,车辆数据可以为当前实时采集到的车辆数据,也即线上车辆数据,或者在线车辆数据;比如,车辆行驶数据为实时采集到的车辆行驶数据,也即线上车辆行驶数据,或者在线车辆行驶数据;又比如,车辆维保数据也即为线上车辆维保数据、或者在线车辆维保数据。
其中,车辆行驶数据可以为车辆运行过程中描述车辆状况和行驶状况的数据,比如,可以包括车速、车龄、车长、胎压、安全带使用、行驶距离等等数据。该类数据可以在车辆运行过程中实时采集上报,比如,可以通过车载系统、传感器等来实时采集,然后,通过车联网上报数据。
其中,车辆维保数据为车辆的维护保养数据,其中,维保数据可以包括车辆的维修保养的部件、部件出现的问题等等。该维保数据可以由车辆维修方采集上报,比如,通过车辆维修方的设备实时上报车辆维保数据。
在一实施例中,参考图2b和图1c,可以通过数据采集模块收集车辆实时上报的车辆数据,并将车辆数据保存在分布式消息系统中,比如,可以存储在Kafa中。也即实时采集数据可以统一接入Kafka。
其中,Kafka是一个分布式、支持分区的(partition)、多副本的(replica),基于zookeeper协调的分布式消息系统,它的最大的特性就是可以实时的处理大量数据以满足各种需求场景。
其中,数据接入Kafka可以通过Kafka的核心组件broker实现,一台kafka服务器就是一个broker,一个集群由多个broker组成。Broker可以实时采集上报的车辆行驶数据等数据。
本发明实施例提供的驾驶行为评估方法可以适用于UBI模型,可以通过UBI软件实现,其中,UBI软件架构图可以参考图2b。UBI软件架构包括数据平台和计算平台。
其中,数据平台用于对实时采集到的车辆数据进行处理,比如,存储、协议转换、数据清洗等。
计算平台用于对数据进行特征计算,如统计特征计算,得到相应的特征。比如,可以通过离线计算模块(如离线Spark模块)计算历史特征、通过实时计算模块(如在线Spark模块)计算实时特征。
此外,计算平台还用于利用计算得到的特征,采用机器学习、深度学习等模型对用户驾驶行为进行评估,比如,对驾驶行为评分、或者分类等等。
此外,UBI软件架构还可以包括数据可视化、数据监控、任务调度、数据搜索等数据处理模块。
在一实施例中,为了克服不同类型的数据源导致的问题,还可以将数据源提供的数据统一转换成符合预定数据协议的数据;比如,将车辆数据转换成符合预定数据协议的车辆数据。
其中,预定数据协议可以根据实际需求设定,比如,可以为车辆数据的国家标准协议(即国标)等。该预设数据协议可以与特征运算所需的数据形式对应;也即,预设数据协议的数据形式可以根据特征运算所需的数据形式设定。
例如,参考图1e,可以在UBI模型中数据采集模块(kafka集群)和Data Center之间,增加一个数据适配驱动层(Data Adapter),数据适配驱动层定义了UBI模型所需要的数据集。通过数据适配驱动层,可以将各类不同的数据源(包括:国标、私有标准等)统一转换收敛到计算层(离线计算层、在线计算层)所需要的输入形式;也即符合预定数据协议的车辆数据如国标形式的车辆数据。
在考虑数据源广泛性特征问题的时候,对源数据进行转换操作的原因是:原始数据源和计算层所需数据集存在不一致;因此,需要数据整理、再造、量纲统一等数据处理。也即,统一转换可以包括:数据整理、再造、量纲统一等数据处理。具体地转换过程可以参考上述实施例的介绍。
202、备份一份车辆数据至数据中心单元。
为了后续能够得到历史车辆数据,可以对实时采集到的车辆数据进行备份。
比如,参考图1c,在线Spark模块可以基于Spark Streaming连续监听kafka,如果kafka有数据,实时读取消费掉,并旁路一份原始数据备份到数据中心(Data Center);该数据中心可以由Hbase(Hadoop Database,分布式数据库)集群实现。
又比如,参考图2b,在消费到kafka的数据是,数据平台可以备份一份数据至Hbase集群中。
203、对车辆数据进行统计特征计算,得到用户当前驾驶车辆的实时驾驶行为特征。
其中,统计特征可以为用于描述一组数据特征的统计量,比如,数据均值、中位数、标准偏差等等。
比如,参考图1c和图2b,可以通过在线Spark模块,或者实时Spark模块行实时统计特征运算,具体地,当Spark Streaming消费到kafka中数据时,Spark模块可以对当前的车辆数据进行统计特征计算,得到实时统计特征(也即线上统计特征、或者在线统计特征);然后,将计算得到的统计特征缓存到磁盘集群如redis集群中,作为驾驶行为评估模型的特征数据。
204、从数据中心单元中读取历史时间段内的历史车辆数据,并对历史车辆数据进行统计特征计算,得到用户驾驶车辆的历史驾驶行为特征。
其中,步骤203和204之间的时序不受序号限制,可以先后执行,也可以同时执行。
其中,历史车辆数据可以为历史时间段内采集到的车辆数据,也即线下车辆数据、或者离线车辆数据。比如,历史车辆行驶数据为可以为历史时间段内采集到的车辆行驶数据,也即线下车辆行驶数据、或者离线车辆行驶数据。其中,历史车辆维保数据也即线下车辆维保数据、或者离线车辆维保数据。
比如,参考图1c和图2b,可以离线Spark模块或离线计算模块进行历史统计特征运算,具体地,离线Spark模块的Spark Streaming可以从数据中心(如Hbase集群)读取历史车辆数据,并对历史车辆数据进行统计特征计算;最后将计算得到的历史统计特征(也即线下统计特征、或者离线统计特征)缓存到磁盘集群如redis集群中,作为驾驶行为评估模型的特征数据。
205、根据实时驾驶行为特征、历史驾驶行为特征以及驾驶行为评估模型,预测用户当前驾驶车辆的驾驶行为评估结果。
其中,驾驶行为评估模型可以机器学习、深度学习模型,具体地,机器学习模型可以根据实际需求选择。比如,参考图2b,可以在计算平台中的学习层利用机器学习、深度学习模型对驾驶行为进行评估。
其中,驾驶行为评估方式可以有多种,比如,根据对驾驶行为打分来评估,又比如,也可也对驾驶行为分类来评估。
比如,驾驶行为评估模型可以包括驾驶行为评分模型;该驾驶行为评分模型可以基于计算的驾驶行为特征输出相应的驾驶行为评分。
例如,参考图1c,可以将实时统计特征(也即线上统计特征、或者在线统计特征)和历史统计特征(也即线下统计特征、或者离线统计特征)输入至评分模型,评分模型将会输出相应的分数。
又比如,驾驶行为评估模型可以包括驾驶行为分类模型,该分类模型可以为机器学习分类模型;驾驶行为分类模型可以基于计算的驾驶行为特征输出相应的驾驶行为类型。
例如,参考图1c,可以将实时统计特征和历史统计特征输入至分类模型,,分类模型将输出预测的驾驶行为类型如驾驶危险等。
206、向终端发送驾驶行为评估结果。
参考图1c,在得到驾驶行为评估结果可以将评估结果(如驾驶行为评分、或者驾驶行为类型)推送到服务模块(如实时service模块),由服务模块主动推送到内容运营模块,内容运营模块可以根据展示策略将驾驶行为评估结果推送到终端,并在终端展示。其中,服务模块、内容运营模块可以集成在一台设备中,也可以集成在不同的设备中。
由上可知,本发明实施例采集车辆当前的车辆数据,车辆数据包括车辆数据;获取车辆在历史时间段内的历史车辆数据;对车辆数据和历史车辆数据进行特征运算,得到用户驾驶车辆的驾驶行为特征;根据驾驶行为评估模型和驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端发送驾驶行为评估结果。该方案可以基于采集到的车辆数据以及历史车辆数据挖掘反映用户驾驶行为的驾驶行为特征,并基于驾驶行为特征和驾驶行为评估模型对用户的驾驶行为进行预测评估,提升了驾驶行为评估的准确度。
另外,本发明实施例设计了更为有效的算法模型架构:在线学习和离线学习相结合,通过在线学习得到实时行驶特征,通过离线学习得到历史驾驶行为特征,综合计算驾驶人的行驶风险评估,提升了驾驶评估的精确性。
进一步地,本发明实施例还设计和优化了更有效的特征集,包括引入车辆数据和维保数据等,针对更多行驶场景,充分利用海量原始行驶数据,定制化设计有效的统计特征,提升了评估可靠性和精确性。
为了更好地实施以上方法,本发明实施例还提供一种驾驶行为评估装置,该驾驶行为评估装置可以集成在一个或者多个实体设备上。
如图3a所示,该驾驶行为评估装置可以包括:采集单元301、数据获取单元302、特征运算单元303、评估单元304和发送单元305,如下:
采集单元301,用于采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;
数据获取单元302,用于获取所述车辆在历史时间段内的历史车辆数据;
特征运算单元303,用于对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;
评估单元304,用于根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;
发送单元305,用于向终端发送所述驾驶行为评估结果。
在一些实施例中,所述驾驶行为评估模型包括:驾驶行为评分模型;
所述评估单元304,用于根据所述驾驶行为评分模型和所述驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
所述发送单元305,用于向终端发送所述驾驶行为评分。
在一些实施例中,所述驾驶行为评估模型包括:驾驶行为分类模型;
所述评估单元304,用于根据所述驾驶行为分类模型和所述驾驶行为特征,对用户当前的驾驶行为进行分类,得到驾驶行为类型;
所述发送单元305,用于向所述终端发送所述驾驶行为类型。
在一些实施例中,所述驾驶行为评估模型包括:驾驶行为评分模型;参考图3b,所述评估单元304,可以包括:
评分子单元3041,用于根据所述驾驶行为评分模型和所述驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
确定子单元3042,用于确定所述驾驶行为评分落入的预设评分区间;
类型获取子单元3043,用于将所述预设评分区间对应的驾驶行为类型作为用户当前的驾驶行为类型;
所述发送单元305,用于向所述终端发送所述驾驶行为类型。
在一些实施例中,参考图3c,驾驶行为评估装置还可以包括:样本特征获取单元306、以及训练单元307;
所述样本特征获取单元306,用于在评估单元304对用户当前的驾驶行为进行评估之前,对历史车辆数据进行特征运算,得到样本驾驶行为特征;
所述训练单元307,用于根据样本驾驶行为特征对所述驾驶行为评估模型进行训练,得到训练后的驾驶行为评估模型;
所述评估单元304,用于根据所述训练后的驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估。
在一些实施例中,所述样本特征获取单元306,可以用于:
基于主动学习方式从历史车辆数据中选取信息量最大的目标历史车辆数据;
对目标历史车辆数据进行特征运算,得到样本驾驶行为特征。
在一些实施例中,特征运算单元303,可以具体用于:
对所述车辆数据和所述历史车辆数据进行统计特征运算,得到统计特征;
将所述统计特征作为用户驾驶所述车辆的驾驶行为特征。
在一些实施例中,参考图3d,驾驶行为评估装置还可以包括:数据转换单元308;
所述数据转换单元308,用于在所述采集单元301采集车辆当前的车辆数据之后,所述特征运算单元303对所述车辆数据和所述历史车辆数据进行特征运算之前,将所述车辆数据统一转换成符合预定数据协议的车辆数据;
所述特征运算单元303,用于对转换后的车辆数据和所述历史车辆数据进行特征运算。
在一些实施例中,数据转换单元308,可以具体用于:
当所述车辆数据为特征运算所需的数据,且所述车辆数据直接对应到驾驶行为特征时,将所述车辆数据的量纲转换成预定数据协议规定的量纲;
当所述车辆数据为特征运算所需的数据,且无法直接对应到驾驶行为特征时,从车辆数据中选取相应的车辆数据进行组合,得到组合数据,所述组合数据直接对应驾驶行为特征。
将组合数据转换成符合预定数据协议的数据。
本发明实施提供的驾驶行为评估装置可以集成在一个或者多个实体设备,比如,可以集成在多台服务器上。比如,可以集成在数据采集服务器、特征计算服务器、算法模型服务器等服务器上。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的驾驶行为评估装置通过采集单元301采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;由数据获取单元302获取所述车辆在历史时间段内的历史车辆数据;由特征运算单元303对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;由评估单元304根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;由发送单元305向终端发送所述驾驶行为评估结果;该方案可以基于采集到的车辆数据以及历史车辆数据挖掘反映用户驾驶行为的驾驶行为特征,并基于驾驶行为特征和驾驶行为评估模型对用户的驾驶行为进行预测评估,提升了驾驶行为评估的准确度。
在一实施例中,为了更好地实施以上方法,本发明实施例还提供了一种服务器。
参考图4,本发明实施例提供了一种服务器400,可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、射频(RadioFrequency,RF)电路403、电源404等部件。本领域技术人员可以理解,图4中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。
RF电路403可用于收发信息过程中,信号的接收和发送,特别地,将基站的下行信息接收后,交由一个或者一个以上处理器401处理;另外,将涉及上行的数据发送给基站。
服务器还包括给各个部件供电的电源404(比如电池),优选的,电源可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源404还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
具体在本实施例中,服务器中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;获取所述车辆在历史时间段内的历史车辆数据;对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端发送所述驾驶行为评估结果。
在一实施例中,所述驾驶行为评估模型包括:驾驶行为评分模型;当根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果时,处理器401可以具体执行以下步骤:
根据所述驾驶行为评分模型和所述驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
当向终端发送所述驾驶行为评估结果时,处理器401可以具体执行以下步骤:
向终端发送所述驾驶行为评分。
在一实施例中,所述驾驶行为评估模型包括:驾驶行为分类模型;当根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果时,处理器401可以具体执行以下步骤:
根据所述驾驶行为分类模型和所述驾驶行为特征,对用户当前的驾驶行为进行分类,得到驾驶行为类型;
当向终端发送所述驾驶行为评估结果时,处理器401可以具体执行以下步骤:
向终端发送所述驾驶行为评估结果,包括:向所述终端发送所述驾驶行为类型。
在一实施例中,所述驾驶行为评估模型包括:驾驶行为评分模型;当根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果时,处理器401可以具体执行以下步骤:
根据所述驾驶行为评分模型和所述驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
确定所述驾驶行为评分落入的预设评分区间;
将所述预设评分区间对应的驾驶行为类型作为用户当前的驾驶行为类型;
当向终端发送所述驾驶行为评估结果时,处理器401可以具体执行以下步骤:
向所述终端发送所述驾驶行为类型。
在一实施例中,在对用户当前的驾驶行为进行评估之前,处理器401可以具体还可以执行以下步骤:
对历史车辆数据进行特征运算,得到样本驾驶行为特征;
根据样本驾驶行为特征对所述驾驶行为评估模型进行训练,得到训练后的驾驶行为评估模型;
当根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估时,处理器401可以具体执行以下步骤:
根据所述训练后的驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估。
在一实施例中,在对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征时,处理器401可以具体执行以下步骤:
对所述车辆数据和所述历史车辆数据进行统计特征运算,得到统计特征;
将所述统计特征作为用户驾驶所述车辆的驾驶行为特征。
在一些实施例中,对历史车辆数据进行特征运算,得到样本驾驶行为特征时,处理器401可以具体执行以下步骤:
基于主动学习方式从历史车辆数据中选取信息量最大的目标历史车辆数据;
对目标历史车辆数据进行特征运算,得到样本驾驶行为特征。
在一些实施例中,在采集车辆当前的车辆数据之后,对所述车辆数据和所述历史车辆数据进行特征运算之前,处理器401还可以具体执行以下步骤:
将所述车辆数据统一转换成符合预定数据协议的车辆数据;
当对所述车辆数据和所述历史车辆数据进行特征运算时,处理器401还可以具体执行以下步骤:
对转换后的车辆数据和所述历史车辆数据进行特征运算。
在一些实施例中,将所述车辆数据统一转换成符合预定数据协议的车辆数据时,处理器401可以具体执行以下步骤:
当所述车辆数据为特征运算所需的数据,且所述车辆数据直接对应到驾驶行为特征时,将所述车辆数据的量纲转换成预定数据协议规定的量纲;
当所述车辆数据为特征运算所需的数据,且无法直接对应到驾驶行为特征时,从车辆数据中选取相应的车辆数据进行组合,得到组合数据,所述组合数据直接对应驾驶行为特征;
将组合数据转换成符合预定数据协议的数据。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的服务器采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;获取所述车辆在历史时间段内的历史车辆数据;对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端发送所述驾驶行为评估结果;该方案可以基于采集到的车辆数据以及历史车辆数据挖掘反映用户驾驶行为的驾驶行为特征,并基于驾驶行为特征和驾驶行为评估模型对用户的驾驶行为进行预测评估,提升了驾驶行为评估的准确度。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种驾驶行为评估方法中的步骤。例如,该指令可以执行如下步骤:
采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;获取所述车辆在历史时间段内的历史车辆数据;对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;向终端发送所述驾驶行为评估结果。
具体实施可以参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种驾驶行为评估方法中的步骤,因此,可以实现本发明实施例所提供的任一种驾驶行为评估方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种驾驶行为评估方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种驾驶行为评估方法,其特征在于,包括:
采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;
获取所述车辆在历史时间段内的历史车辆数据;
对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;
根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;
向终端发送所述驾驶行为评估结果。
2.如权利要求1所述的驾驶行为评估方法,其特征在于,所述驾驶行为评估模型包括:驾驶行为评分模型;
根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果,包括:
根据所述驾驶行为评分模型和所述驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
向终端发送所述驾驶行为评估结果,包括:向终端发送所述驾驶行为评分。
3.如权利要求1所述的驾驶行为评估方法,其特征在于,所述驾驶行为评估模型包括:驾驶行为分类模型;
根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果,包括:
根据所述驾驶行为分类模型和所述驾驶行为特征,对用户当前的驾驶行为进行分类,得到驾驶行为类型;
向终端发送所述驾驶行为评估结果,包括:向所述终端发送所述驾驶行为类型。
4.如权利要求1所述的驾驶行为评估方法,其特征在于,所述驾驶行为评估模型包括:驾驶行为评分模型;
根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果,包括:
根据所述驾驶行为评分模型和所述驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
确定所述驾驶行为评分落入的预设评分区间;
将所述预设评分区间对应的驾驶行为类型作为用户当前的驾驶行为类型;
向终端发送所述驾驶行为评估结果,包括:向所述终端发送所述驾驶行为类型。
5.如权利要求1所述的驾驶行为评估方法,其特征在于,在对用户当前的驾驶行为进行评估之前,所述驾驶行为评估方法还包括:
对历史车辆数据进行特征运算,得到样本驾驶行为特征;
根据样本驾驶行为特征对所述驾驶行为评估模型进行训练,得到训练后的驾驶行为评估模型;
根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,包括:
根据所述训练后的驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估。
6.如权利要求1所述的驾驶行为评估方法,其特征在于,对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征,包括:
对所述车辆数据和所述历史车辆数据进行统计特征运算,得到统计特征;
将所述统计特征作为用户驾驶所述车辆的驾驶行为特征。
7.如权利要求5所述的驾驶行为评估方法,其特征在于,对历史车辆数据进行特征运算,得到样本驾驶行为特征,包括:
基于主动学习方式从历史车辆数据中选取信息量最大的目标历史车辆数据;
对目标历史车辆数据进行特征运算,得到样本驾驶行为特征。
8.如权利要求1所述的驾驶行为评估方法,其特征在于,在采集车辆当前的车辆数据之后,对所述车辆数据和所述历史车辆数据进行特征运算之前,所述驾驶行为评估方法还包括:
将所述车辆数据统一转换成符合预定数据协议的车辆数据;
所述对所述车辆数据和所述历史车辆数据进行特征运算,包括:对转换后的车辆数据和所述历史车辆数据进行特征运算。
9.如权利要求7所述的驾驶行为评估方法,其特征在于,将所述车辆数据统一转换成符合预定数据协议的车辆数据,包括:
当所述车辆数据为特征运算所需的数据,且所述车辆数据直接对应到驾驶行为特征时,将所述车辆数据的量纲转换成预定数据协议规定的量纲;
当所述车辆数据为特征运算所需的数据,且无法直接对应到驾驶行为特征时,从车辆数据中选取相应的车辆数据进行组合,得到组合数据,所述组合数据直接对应驾驶行为特征;
将组合数据转换成符合预定数据协议的数据。
10.一种驾驶行为评估装置,其特征在于,包括:
采集单元,用于采集车辆当前的车辆数据,所述车辆数据包括车辆行驶数据;
数据获取单元,用于获取所述车辆在历史时间段内的历史车辆数据;
特征运算单元,用于对所述车辆数据和所述历史车辆数据进行特征运算,得到用户驾驶所述车辆的驾驶行为特征;
评估单元,用于根据驾驶行为评估模型和所述驾驶行为特征,对用户当前的驾驶行为进行评估,得到驾驶行为评估结果;
发送单元,用于向终端发送所述驾驶行为评估结果。
11.如权利要求10所述的驾驶行为评估装置,其特征在于,所述驾驶行为评估模型包括:驾驶行为评分模型;
所述评估单元,用于根据所述驾驶行为评分模型和所述驾驶行为特征,对用户当前的驾驶行为进行评分,得到驾驶行为评分;
所述发送单元,用于向终端发送所述驾驶行为评分。
12.如权利要求10所述的驾驶行为评估装置,其特征在于,所述驾驶行为评估模型包括:驾驶行为分类模型;
所述评估单元,用于根据所述驾驶行为分类模型和所述驾驶行为特征,对用户当前的驾驶行为进行分类,得到驾驶行为类型;
所述发送单元,用于向所述终端发送所述驾驶行为类型。
13.如权利要求10所述的驾驶行为评估装置,其特征在于,还包括:数据转换单元;
所述数据转换单元,用于在所述采集单元采集车辆当前的车辆数据之后,所述特征运算单元对所述车辆数据和所述历史车辆数据进行特征运算之前,将所述车辆数据统一转换成符合预定数据协议的车辆数据;
所述特征运算单元,用于对转换后的车辆数据和所述历史车辆数据进行特征运算。
14.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至10任一项所述的驾驶行为评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622840.XA CN110210980A (zh) | 2018-06-15 | 2018-06-15 | 一种驾驶行为评估方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810622840.XA CN110210980A (zh) | 2018-06-15 | 2018-06-15 | 一种驾驶行为评估方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210980A true CN110210980A (zh) | 2019-09-06 |
Family
ID=67778851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810622840.XA Pending CN110210980A (zh) | 2018-06-15 | 2018-06-15 | 一种驾驶行为评估方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210980A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807436A (zh) * | 2019-11-07 | 2020-02-18 | 深圳鼎然信息科技有限公司 | 危险驾驶行为识别与危险事件预测方法、装置及存储介质 |
CN111865949A (zh) * | 2020-07-09 | 2020-10-30 | 恒安嘉新(北京)科技股份公司 | 一种异常通信的检测方法、装置、服务器及存储介质 |
CN112070553A (zh) * | 2020-09-15 | 2020-12-11 | 成都雅信安科技服务有限公司 | 一种基于车载数据辅助保险公司车险定价的方法及装置 |
CN113011713A (zh) * | 2021-02-25 | 2021-06-22 | 长安大学 | 一种基于信息熵的驾驶员驾驶稳定性评估方法 |
WO2022242431A1 (zh) * | 2021-05-18 | 2022-11-24 | 广州汽车集团股份有限公司 | 基于车辆输入输出数据的驾驶评分方法及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015087986A (ja) * | 2013-10-31 | 2015-05-07 | Jx日鉱日石エネルギー株式会社 | 情報処理方法及び情報処理装置 |
CN106781454A (zh) * | 2016-11-25 | 2017-05-31 | 东软集团股份有限公司 | 驾驶行为的评估方法和装置 |
CN107215307A (zh) * | 2017-05-24 | 2017-09-29 | 清华大学深圳研究生院 | 基于车辆传感器校正数据的驾驶员身份识别方法及系统 |
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
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 |
US20180113458A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Method of effective driving behavior extraction using deep learning |
-
2018
- 2018-06-15 CN CN201810622840.XA patent/CN110210980A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015087986A (ja) * | 2013-10-31 | 2015-05-07 | Jx日鉱日石エネルギー株式会社 | 情報処理方法及び情報処理装置 |
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
US20180113458A1 (en) * | 2016-10-24 | 2018-04-26 | International Business Machines Corporation | Method of effective driving behavior extraction using deep learning |
CN106781454A (zh) * | 2016-11-25 | 2017-05-31 | 东软集团股份有限公司 | 驾驶行为的评估方法和装置 |
CN107215307A (zh) * | 2017-05-24 | 2017-09-29 | 清华大学深圳研究生院 | 基于车辆传感器校正数据的驾驶员身份识别方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
王汝欣: "基于主动分析的相对属性学习", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807436A (zh) * | 2019-11-07 | 2020-02-18 | 深圳鼎然信息科技有限公司 | 危险驾驶行为识别与危险事件预测方法、装置及存储介质 |
CN111865949A (zh) * | 2020-07-09 | 2020-10-30 | 恒安嘉新(北京)科技股份公司 | 一种异常通信的检测方法、装置、服务器及存储介质 |
CN112070553A (zh) * | 2020-09-15 | 2020-12-11 | 成都雅信安科技服务有限公司 | 一种基于车载数据辅助保险公司车险定价的方法及装置 |
CN113011713A (zh) * | 2021-02-25 | 2021-06-22 | 长安大学 | 一种基于信息熵的驾驶员驾驶稳定性评估方法 |
CN113011713B (zh) * | 2021-02-25 | 2023-11-14 | 长安大学 | 一种基于信息熵的驾驶员驾驶稳定性评估方法 |
WO2022242431A1 (zh) * | 2021-05-18 | 2022-11-24 | 广州汽车集团股份有限公司 | 基于车辆输入输出数据的驾驶评分方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210980A (zh) | 一种驾驶行为评估方法、装置和存储介质 | |
CN107589695B (zh) | 一种列车组故障预测与健康管理系统 | |
US9449279B2 (en) | Network server arrangements for processing non-parametric, multi-dimensional, spatial and temporal human behavior or technical observations measured pervasively, and related methods for the same | |
CN107697107B (zh) | 一种列车组故障预测与健康管理地面智能处理系统及方法 | |
CN115545450B (zh) | 一种基于数字孪生的碳排放协同预测方法 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN103761309A (zh) | 一种运营数据处理方法及系统 | |
CN112381406A (zh) | 一种基于船岸协同的船舶能效管理大数据系统及方法 | |
CN104777813A (zh) | 综合气象观测运行监控系统及其监控方法 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
CN106772205A (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
CN111191839A (zh) | 一种换电预测方法和系统及存储介质 | |
CN109978619A (zh) | 机票定价策略筛选的方法、系统、设备以及介质 | |
CN116485475A (zh) | 基于边缘计算的物联网广告系统、方法及装置 | |
CN112700131A (zh) | 基于人工智能的ab测试方法、装置、计算机设备及介质 | |
Kong et al. | The method and application of big data mining for mobile trajectory of taxi based on MapReduce | |
CN113379318A (zh) | 公共交通系统运营服务质量评价方法、装置和计算机设备 | |
CN117076521A (zh) | 基于大数据的运营数据分析方法及系统 | |
CN112348207A (zh) | 电网防灾预警方法及装置 | |
CN114312930B (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
CN110647070A (zh) | 一种用于超大规模数据中心的动力环境监控系统 | |
CN116956994A (zh) | 业务平台扩容预测方法及装置 | |
CN114727166A (zh) | 基于物联网的远程在线式计量仪表状态监控方法及系统 | |
CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
CN114819367A (zh) | 一种基于工业互联网的公共服务平台 |
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 |