CN110225446B - 一种识别驾驶行为的系统、方法、装置和存储介质 - Google Patents

Abstract

本发明公开了一种识别驾驶行为的方法、系统和装置，主要包括一种驾驶行为识别系统，所述系统包括获取模块、前置规则确定模块、时间确定模块、数据处理模块、通信模块和识别模块；所述获取模块用于获取第一运动数据；所述前置规则确定模块用于确定前置规则，所述前置规则包括波动方差阈值；所述时间确定模块用于基于所述第一运动数据，确定一个时间段；所述数据处理模块用于获取所述第二运动数据；所述通信模块用于传输所述第二运动数据和所述时间段；所述识别模块用于基于所述第二运动数据识别危险驾驶行为。该发明可以实现自动识别危险驾驶行为，为系统提供安全警示、驾驶辅助等服务提供帮助。

Description

一种识别驾驶行为的系统、方法、装置和存储介质

技术领域

本发明涉及识别驾驶行为的设备与方法，特别涉及一种基于运动数据识别驾驶行为的设备与方法。

背景技术

随着互联网技术的发展，按需服务，如在线打车等服务已经在人们的日常生活中扮演了重要的角色。例如，按需约车服务可以频繁地被一个用户使用(如一个乘客)。通过一个在线打车平台，用户可以通过智能设备(如手机)中安装的应用来请求服务。根据危险驾驶前置规则，智能手机中安装的传感器可以产生驾驶数据，通过使用智能手机产生的数据，在线打车平台可以分析交通服务的驾驶行为表现。但是安卓不同手机品牌以及相同手机品牌不同型号使用的传感器精度和灵敏度存在较大差异，使得现有危险驾驶前置规则的识别方案在不同安卓机型上难以达到理想的召回率。基于安卓数据的特点，如果采用一套更为灵敏的前置触发规则，会使得摇晃数据的识别准确度难以达到效果。

发明内容

一方面，本发明实施例提供了一种识别驾驶行为的方法，包括：通过与设备相联的至少一个传感器获取所述设备的第一运动数据；确定前置规则；基于所述前置规则，确定一个时间段；获取所述时间段内的第二运动数据；将所述第二运动数据发送给服务器；基于所述第二运动数据，识别驾驶行为；所述前置规则包括波动方差阈值。

在一些实施例中，获取第二运动数据可以包括，当所述第一运动数据触发所述前置规则准入时，获取特征数据；基于所述特征数据，过滤所述第一运动数据；当所述第一运动数据触发所述前置规则准出时，停止过滤所述第一运动数据。

在一些实施例中，过滤第一运动数据可以包括基于机器学习模型及所述特征数据，过滤所述第一运动数据中不需要的信息。

在一些实施例中，机器学习模型可以包括摇晃二分类模型。

在一些实施例中，特征数据可以包括加速度最大值、最小值、均值，加速度变换角度最大值、最小值、均值和/或者三维坐标系三个方向上加速度最大值、最小值、均值。

在一些实施例中，传感器可以包括陀螺仪、加速度传感器、全球定位系统和/或者重力传感器。

在一些实施例中，可以基于第一运动数据判断设备是否正随着交通工具移动。

在一些实施例中，第一运动数据可以包括线性加速度、角加速度和/或者姿势相关信息，姿势相关信息可以包括角色信息、偏航信息和/或者音高信息。

在一些实施例中，获取第二运动数据可以由处理器执行，传感器可以定时产生第一运动数据，处理器可以定时获取第一运动数据。

在一些实施例中，处理器可以通过相同的采样频率或者变化的采样频率发送时间段内的第二运动数据和时间段给服务器。

另一方面，本发明实施例提供了一种识别驾驶行为的系统，可以包括获取模块、前置规则确定模块、时间确定模块、数据处理模块、通信模块和识别模块：获取模块可以获取第一运动数据；前置规则确定模块可以确定前置规则，前置规则可以包括波动方差阈值；时间确定模块可以基于第一运动数据，确定时间段；数据处理模块可以获取第二运动数据；通信模块可以传输第二运动数据和时间段；识别模块可以基于第二运动数据识别危险驾驶行为。

本发明的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解，本发明的一部分附加特性对于本领域技术人员是显而易见的。本发明的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。

因为采用了以上的技术方案，本发明具备以下的技术效果：

改进了现有技术中的危险驾驶行为前置识别规则，依托该规则利用机器学习模型解决了因为灵敏度提高而导致的手机摇晃数据与真实危险驾驶数据难以区分的问题。机器学习模型构建的二分类模型可以根据整理的数据特征区分正常触发的危险驾驶数据与手机摇晃触发的晃动数据，避免因为前置规则灵敏度的提高而导致过多摇晃数据的上传到服务端，造成服务器负担过大。

附图说明

图1是根据本发明的一些实施例所示的一种驾驶行为识别系统的示意图；

图2是根据本发明的一些实施例所示的一个示例性处理器的示意图；

图3是根据本发明的一些实施例所示的一个示例性智能终端的示意图；

图4是根据本发明的一些实施例所示的一个示例性处理引擎的示意图；

图5是根据本发明的一些实施例所示的一个示例性数据处理模块的示意图；

图6是根据本发明的一些实施例所示的获取危险驾驶行为相关的运动数据的一个示例性流程图；

图7是根据本发明的一些实施例所示的获取第二运动数据的一个示例性流程图。

具体实施方式

下面通过具体实施例并结合附图对本发明做进一步描述。

图1是根据本发明的一些实施例所示的一种驾驶行为识别系统100的示意图。驾驶行为识别系统100可以包括服务器110、网络120、服务请求端130、服务提供端140和存储设备150。服务器110可以包括处理引擎112。在一些实施例中，驾驶行为识别系统100还可以包括数据库(未在图中画出)。

驾驶行为识别系统100可以提供一系列服务。在一些实施例中，所述服务可以包括呼叫出租车服务、打车服务、顺风车服务、拼车服务、公交服务、大巴服务、快车服务、专车服务、其他交通工具服务，或者其中的一种或者几种的组合。

在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是一个分布式系统)。在一些实施例中，服务器110可以是本地服务器，也可以是远程服务器。例如，服务器110可以经由网络120访问存储在服务请求端130、服务提供端140和/或数据库160中的信息和/或数据。又例如，服务器110可以直接连接到服务请求端130、服务提供端140和/或数据库160，以访问其中存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现。仅作为示例，云平台可以包括云平台可以包括私有云，公共云，混合云，社区云，分布式云，云间，多云等，或其任何组合。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。在一些实施例中，处理引擎112可以包括一个或多个处理器(例如，单核处理器或多核处理器)。仅仅举个例子，处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。

网络120可以促进信息和/或数据的交换。在一些实施例中，驾驶行为识别系统100中的一个或多个部件(例如，服务器110、信息请求端130、服务提供端140、存储设备150等)可以通过网络120向驾驶行为识别系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络120从服务请求端140和/或服务提供获取第二运动数据。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种，或其组合。例如，网络120可以包括电缆网络、有线网络、光纤网络、远程通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可能包括有线或无线网络接入点，例如基站和/或互联网交换点120-1、120-2等等。通过接入点，驾驶行为识别系统100的一个或多个部件可能连接到网络120以交换数据和/或信息。

在一些实施例中，乘客可以是服务请求端130的所有者。在一些实施例中，服务请求端130的所有者可以是乘客以外的人。例如，服务请求端130的所有者A可以使用服务请求端130向乘客B发送服务请求，或者从服务器110接收服务确认和/或信息或指令。在一些实施例中，服务提供者可以是服务提供端140的用户。在一些实施例中，服务提供端140的用户可以是服务提供者以外的人。例如，服务提供端140的用户C可以使用服务提供端140来接收服务提供者D的服务请求，和/或来自服务器110的信息或指令。在一些实施例中，“乘客”和“乘客端”可以互换使用，“服务提供者”和“服务提供端”可以互换使用。在一些实施例中，服务提供端可以与一个或多个服务提供者(例如，夜班服务提供者或日班服务提供者)相关联。

在一些实施例中，服务提供端130可以包括移动设备130-1，平板计算机130-2，手提电脑130-3，车辆内置设备130-4中的一个或任意组合。服务提供端130可以包括一个或多个传感器。一个或多个传感器可以包括陀螺仪、加速度传感器、全球定位系统(GPS)、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器或近距离传感器。在一些实施例中，移动设备130-1可以包括智能家居设备，可穿戴设备，智能移动设备，虚拟现实设备，增强现实设备等，或其任何组合。在一些实施例中，智能家居设备可以包括智能照明设备，智能电气设备的控制设备，智能监控设备，智能电视，智能摄像机，对讲机等，或其任何组合。在一些实施例中，可穿戴设备可以包括智能手环，智能脚蹬，智能玻璃，智能头盔，智能手表，智能服装，智能背包，智能附件等，或其任意组合。在一些实施例中，智能移动设备可以包括智能电话，个人数字助理(PDA)，游戏设备，导航设备，销售点(POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔，虚拟现实眼镜，虚拟现实眼罩，增强现实头盔，增强现实眼镜，增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google^TM玻璃，Oculus Rift，HoloLens，Gear VR等。在一些实施例中，车辆内置设备130-4可以包括车载电脑，车载电视机等。在一些实施例中，服务请求端130可以是具有用于定位乘客和/或服务请求端130的位置的定位技术的设备。

服务提供端140可以包括多个服务提供端140-1,140-2，...，140-n。在一些实施例中，服务提供端140可以是与服务请求端130类似或相同的设备。服务提供端140可以包括一个或多个传感器。一个或多个传感器可以包括陀螺仪、加速度传感器、全球定位系统(GPS)、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器或接近传感器。在一些实施例中，服务提供端140可以被定制为能够实现在线按需运输服务。在一些实施例中，服务提供端140可以是具有用于定位服务提供商，服务提供商终端140和/或与服务提供商终端140相关联的车辆160的定位技术的设备。在一些实施例中，服务请求端130和/或服务提供端140可以与其他定位设备通信以确定乘客，服务请求端130，服务提供者和/或服务提供端140的位置。在一些实施例中，服务请求端130和/或服务提供端140可以周期性地将定位信息发送到服务器110。在一些实施例中，服务提供端140还可以周期性地向服务器110发送可用性状态。可用性状态可以指示与服务提供端140相关联的车辆160是否可用于携带乘客。例如，服务请求端130和/或服务提供端140可以每30分钟向服务器110发送定位信息和可用性状态。又例如，服务请求端130和/或服务提供端140可以在每次用户登录与在线请求交通服务相关联的移动应用程序时，向服务器110发送定位信息和可用性状态。

在一些实施例中，服务提供端140可以对应于一个或多个车辆160.车辆150可以携带乘客并到达目的地。车辆160可以包括多个车辆160-1,160-2，...，160-n。一种车辆可以对应于一种类型的服务(例如，出租车呼叫服务，司机服务，快车服务，拼车服务，公共汽车服务，驾驶员出租服务和班车服务)。

存储设备150可以存储与驾驶相关行为相关信息有关的数据和/或指令。在一些实施例中，存储设备150可以存储从服务请求端130和/或服务提供端140获得的数据或信息。在一些实施例中，存储设备150可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本发明描述的示例性方法。在一些实施例中，存储设备150可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态硬盘等。示例性的可移动存储器可以包括闪存盘、软盘、光盘、记忆卡、压缩硬盘、磁带等。示例性的挥发性只读存储器可以包括随机存储器(RAM)。示例性的随机存储器可以包括动态随机存储器(DRAM)、双数据率同步动态随机存储器(DDRSDRAM)、静态随机存储器(SRAM)、可控硅随机存储器(T-RAM)和零电容存储器(Z-RAM)等。示例性的只读存储器可以包括掩蔽型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、压缩硬盘只读存储器(CD-ROM)和数字多功能硬盘只读存储器等。在一些实施例中，存储设备150可以在一个云平台上实现。仅仅举个例子，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。

在一些实施例中，存储设备150可以与网络120连接以实现与驾驶行为识别系统100中的一个或多个部件(例如，服务器110、服务请求端130、服务提供端140等)之间的通信。驾驶行为识别系统100的一个或多个部件可以通过网络120访问存储在存储设备150中的数据或指令。在一些实施例中，存储设备150可以直接与驾驶行为识别系统100的一个或多个部件(例如，服务器110、服务请求端130、服务提供端140等)连接或通信。在一些实施例中，存储设备150可以是服务器110的一部分。

在一些实施例中，数据库可以连接到网络120以与驾驶行为识别系统100中的一个或多个组件进行通信(例如，服务器110，服务请求端130，服务提供端140等)。驾驶行为识别系统100中的一个或多个组件可以经由网络120访问存储在数据库中的数据或指令。在一些实施例中，数据库160可以直接连接驾驶行为识别系统100的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140等)或可以与之沟通。在一些实施例中，数据库可以是服务器110的一部分。

在一些实施例中，驾驶行为识别系统100(例如，服务器110，服务请求端130，服务提供端140等)中的一个或多个组件可以访问数据库。在一些实施例中，当满足一个或多个条件时，驾驶行为识别系统100中的一个或多个组件可以读取和/或修改与乘客、服务提供者和/或公众相关的信息。例如，服务器110可以在服务完成之后读取和/或修改一个或多个乘客的信息。又例如，服务器110可以在服务完成之后读取和/或修改一个或多个服务提供商的信息。

在一些实施例中，驾驶行为识别系统100中的一个或多个组件的信息交换可以通过请求服务来启动。服务请求的对象可以是任何产品。在一些实施例中，产品可以包括食品，药物，商品，化学产品，电器，衣服，汽车，房屋，奢侈品等，或其任意组合。在一些实施例中，产品可以包括服务性产品，金融产品，知识产品，互联网产品等，或其任意组合。互联网产品可以包括个人主机产品，网络产品，移动互联网产品，商业主机产品，嵌入式产品等，或其任意组合。移动互联网产品可以用在移动终端，程序，系统等的软件中，或其任意组合。移动终端可以包括平板计算机，手提电脑，移动电话，个人数字助理(PDA)，智能手表，销售点(POS)设备，车载计算机，车载电视，可穿戴设备，或其任意组合。例如，该产品可以是计算机或移动电话中使用的任何软件和/或应用。软件和/或应用可以涉及社交、购物、运输、娱乐、学习、投资等，或其任意组合。在一些实施例中，与运输相关的软件和/或应用可以包括旅行软件和/或应用，车辆调度软件和/或应用，地图软件和/或应用等。在车辆调度软件和/或应用中，车辆可以包括马，马车，人力车(例如，独轮车、自行车、三轮车等)，汽车(例如，出租车、公共汽车、私家车等)，火车，地铁，船只，飞机(例如飞机、直升机、航天飞机、火箭、热气球等)等，或其任意组合。

需要注意的是，以上对于驾驶行为识别系统100的描述，仅具示例性，并不能把本发明限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。例如，服务器110和数据库可以为同一个设备。又例如，存储设备150在某些实施例中可以省略。

图2是根据本发明的一些实施例所示的一个示例性计算设备200的示意图。服务器110、服务请求端130、服务提供端140、存储设备150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算设备，但是本申请所描述的与驾驶行为识别系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的计算设备可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备200可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图2中仅示例性绘制了一个处理器220。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本发明中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行(例如，第一处理器执行步骤1，第二处理器执行步骤2，或者第一和第二处理器共同地执行步骤1和步骤2)。

图3是根据本发明的一些实施例所示的一个示例性的智能终端300的示例性硬件和/或软件的示意图。服务请求端140和/或服务提供端150可以在移动设备300上实现。如图3所示，智能终端300可以包括一个通讯单元310、一个显示单元320、一个图形处理器(GPU)330、一个中央处理器(CPU)340、一个输入/输出单元350、一个内存360和一个存储单元390。智能终端300中还可以包括一个总线或者一个控制器。在一些实施例中，操作系统370和一个或多个应用程序380可以从存储单元390加载到内存360中，并由处理器340执行。在一些实施例中，应用程序380可以接收和显示与处理引擎112有关的运动数据相关信息。输入/输出单元350可以实现用户与驾驶行为识别系统100的交互，并将交互相关信息通过网络130提供给驾驶行为识别系统100中的其他部件，例如服务器110、存储设备120等。

为了实现本申请中描述的各种模块、单元及其功能，计算机硬件平台可以用作这里提到的一个或多个元件的硬件平台。一个拥有用户界面元件的计算机可以用于实现个人计算机(PC)或者其它任何形式的工作站或终端设备。通过合适的编程，一个计算机也可以充当一台服务器。

图4是根据本发明的一些实施例所示的一个处理引擎112的示意图。此发明中所述处理引擎112的功能可以由服务器110通过处理器220、服务请求端140和/或服务提供端150通过处理器340实现。所述处理引擎112可以包括获取模块402、前置规则确定模块404、时间确定模块406、数据处理模块408、通信模块410和识别模块412。

获取模块402可以获取与设备相联的传感器产生的第一运动数据。传感器可以包括陀螺仪、加速度传感器、全球定位系统(GPS)、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器、近距离传感器，声学检测器，或类似物，或其任意组合。陀螺仪可以是当装置旋转或倾斜时测量旋转角速度的角速度传感器。加速度传感器可以是电容式加速度传感器、电感式加速度传感器、应变型加速度传感器、压电电阻加速度传感器、压电式加速度传感器等，或其任意组合。GPS可以包括可以与网络120通信的携带GPS的载体。车载GPS可以确定定位车辆和/或在车辆中移动的设备的运动数据。重力传感器可以包括能产生变形感应电信号的弹性敏感元件。在一些实施例中，重力传感器可以具有与加速度传感器相同的功能。第一运动数据可以包括电子设备(例如，已安装用于操作本披露中引入的方法/过程的应用的移动智能电话或者携带所述移动智能电话的车辆)的信息，如位置、速度、加速度、姿势(例如偏航、角色、俯仰运动/加速度)等信息，或其任意组合。在一些实施例中，设备可以是移动智能电话、个人数字助理(PDA)、平板计算机、手提电脑、计算机(车载电脑)、手持游戏平台(PSP)、智能眼镜、智能手表、可穿戴设备、虚拟显示设备和/或显示增强设备(例如GoogleTM Glass，Oculus Rift，HoloLens，Gear VR等)。移动智能电话可以包括触摸屏、扬声器、麦克风、天线等，或其任意组合。移动智能手机可能连接到移动网络并拨打电话。在一些实施例中，移动智能电话可以包括至少一个传感器。至少一个传感器可以包括陀螺仪、加速度传感器、全球定位系统(GPS)、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器、近距离传感器等，或其任意组合。

在一些实施例中，第一运动数据可以反映驾驶行为或车辆状态。在一些实施例中，驾驶行为可以是有危险性的驾驶行为，例如有危险性的加速(例如突然加速)，有危险性的制动(例如突然制动)，有危险性的转弯(例如突然转弯)，或者其任意组合。有危险性的加速可能是由驾驶员持续和/或严重踩踏油门踏板造成的。有危险性的制动可能是由于驾驶员连续或严重地踩踏刹车造成的。有危险性的转弯可能是驾驶员方向盘突然转动造成的。有危险性的转弯可能包括突然的右转，突然的左转和/或其他突然的转变方向行为。在一些实施例中，驾驶员可以通过遥控器来实现驾驶行为(例如，在远程位置使用虚拟操纵)。

在一些实施例中，运动数据可以包括陀螺仪数据，加速度传感器数据，GPS数据，重力传感器数据，光传感器数据，温度传感器数据，指纹传感器数据，心率传感器数据，接近传感器数据，角加速度数据，或类似物，或其任意组合。运动数据的类型可以对应于移动智能电话中的传感器。例如，移动智能电话中的加速度传感器可以生成或记录加速度传感器数据。

在一些实施例中，由不同传感器产生的运动数据可以被集成或分解以便描述指定的驾驶行为。例如，加速度传感器数据，GPS数据和重力传感器数据可以对应于驾驶员的突然加速行为。

在一些实施例中，第一运动数据可以对应于驾驶行为、车辆状态和/或道路状况。例如，如果在车辆前方发生突发性的道路交通事故，驾驶员可能会进行突然制动，加速度传感器可能在突然制动时产生其输出信号和/或数据中的尖峰。在一些实施例中，驾驶行为可以进一步包括非驾驶相关行为(即，除驾驶相关活动之外由动作引起的行为)，例如当移动智能电话的用户在路线中摇动移动智能电话时。因此，来自设备的传感器的输出信号和/或数据也可以包括对应于非驾驶相关行为的部分。在一些实施例中，设备可以区分对应于非驾驶相关行为的运动数据。例如，如果驾驶员由于某种原因而摇动移动智能手机，移动智能手机或在移动智能手机中运行的汽车应用程序可以通过分析运动数据的特征来区分震动与驾驶行为(例如，突然转弯)。

在一些实施例中，获取模块402可以根据第一运动数据，判断设备是否正随着一辆交通工具移动。如果驾驶员正在使用的设备正在随着某个应用确定的一条路线或一个订单移动，而该订单与一辆交通工具相关联时，可以确定该设备正在随着一辆交通工具移动。例如，当设备中的某个应用(如打车APP)为设备提供了路线指引，该应用关联了某辆已在该应用上注册的交通工具时，获取模块402可以根据获取的第一运动数据获取该设备的运动路线，并判断是否与该应用提供的路线相同。如果两者重合，获取模块402可以判断设备正随着这辆交通工具移动。

与设备一起移动的交通工具可以包括私家车、出租车、网络汽车、自主车辆、电动车辆、摩托车、公共汽车、火车、便车、子弹头列车，高速铁路、地铁、船只、飞机、宇宙飞船、热气球、无人驾驶车辆等，或其任意组合。在一些实施例中，设备可以与交通工具一起移动，并且检测交通工具的移动。例如，车辆的驾驶员在驾驶时可以携带移动智能电话，并且具有至少一个传感器的设备可以检测到车辆的移动。作为另一示例，移动智能电话可以操作用于拼接的应用，并且由服务提供商(例如，驱动器)使用的移动智能电话可以固定在车辆中以进行拼接。作为另一示例，如果乘客在出租车中使用移动智能电话，则移动智能电话可能与出租车一起移动，并记录与出租车相关联的数据。

前置规则确定模块404可以确定前置规则。所述前置规则可以包括波动方差阈值。波动方差可以为第一运动数据累计加速度的方差。波动方差的值可以表征加速度波动的剧烈程度。在一些实施例中，加速度可以包括线性加速度和角加速度。前置规则确定模块404可以确定前置规则准入的条件和/或前置规则准出的条件。在一些实施例中，前置规则准入的条件为第一运动数据的波动方差大于第一阈值。在一些实施例中，前置规则准出的条件为第一运动数据的波动方差小于第二阈值。在一些实施例中，前置规则准入时，存储设备150开始存储第一运动数据。在一些实施例中，前置规则准入时，数据处理模块408开始过滤第一运动数据中不需要的信息。在一些实施例中，前置规则可以存储于存储设备150中，或者通过通信模块408经网络120从数据库和/或外部其他来源获取。在一些实施例中，前置规则准出时，存储设备150停止存储第一运动数据。在一些实施例中，前置规则准出时，数据处理模块408停止过滤第一运动数据中需要的信息。

时间确定模块406可以基于前置规则，确定一个时间段。在一些实施例中，时间确定模块404可以根据前置规则准入时的时刻确定时间段开始的时间点，根据前置规则准出的时刻确定时间段结束的时间点。在一些实施例中，时间确定模块还可以确定一个与所述时间段相关联的时间点。所述时间点可以为时间段开始的时间点、时间段结束的时间点或时间段内的任意一个时间点。时间段和时间点可以与第二运动数据一起由通信模块410发送给服务器。

数据处理模块408可以基于第一运动数据，获取所述时间段内的第二运动数据。在一些实施例中，数据处理模块408可以过滤第一运动数据中不需要的信息。在一些实施例中，数据处理模块可以处理所述时间段内的第一运动数据。在一些实施例中，数据处理模块可以执行获取模块402的部分功能，判断一个或多个传感器相联的设备是否正随着交通工具一起移动。在一些实施例中，数据处理模块408可以进一步处理第二运动数据，例如将第二运动数据、与之相关的时间段和/或相关时间点处理为相关联的信息。

通信模块410可以建立服务器110、服务请求端130、服务提供端140、存储设备150、数据库之间的通信连接。在一些实施例中，通信模块410可以将一个时间段、该时间段内的第二运动数据和/或所述时间段及所述第二运动数据相关的时间点发送给服务器110。在一些实施例中，第一运动数据可以由设备(如移动智能电话)或车载无线发射设备发送。在一些实施例中，通信模块408可以通过网络120向外界获取一个机器学习模型。

识别模块412可以根据通信模块408发送至服务器110的第二运动数据，识别接收到的第二运动数据是否为危险驾驶数据。在一些实施例中，识别模块412可以利用机器学习方法识别第二运动数据。在一些实施例中，识别模块412可利用深度学习GAN模型识别第二运动数据。危险驾驶数据可以对应相应的危险驾驶行为。危险驾驶行为可以包括突然加速、突然制动、突然转弯等，或者其任意组合。在一些实施例中，危险驾驶数据可以包括统计数据，对应于危险驾驶行为的分数或次数。统计数据可以包括突然加速的时间、突然制动的次数、突然转弯的时间等，或者其任意组合。

处理引擎112中的获取模块402、前置规则确定模块404、时间确定模块406、数据处理模块408、通信模块410和识别模块412可以经由有线连接或无线连接彼此连接或彼此通信。有线连接可以包括金属电缆，光缆，混合电缆等，或其任意组合。无线连接可以包括局域网(LAN)，广域网(WAN)，蓝牙，ZigBee，近场通信(NFC)等，或其任意组合。在一些实施例中，任意两个模块可以组合为单个模块，并且模块中的任何一个可以被划分为两个或更多个单元。

需要注意的是，以上对于处理引擎112的描述，仅具示例性，并不能把本发明限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。例如，前置规则确定模块404与时间确定模块406可以集成为一个模块。又例如前置规则确定模块404、时间确定模块406、数据处理模块408可以集成为一个模块。通信模块410可以被省略。

图5是根据本发明的一些实施例所示的数据处理模块408的示意图。

数据处理模块410可以包括获取单元502、特征数据生成单元504、训练单元506和过滤单元506。

获取单元502可以获取一个时间段、该时间段内的第一运动数据和一个机器学习模型。在一些实施例中，获取单元505可以通过通信模块408获取时间段与该时间段内的第一运动数据。在一些实施例中，获取单元505可以通过通信模块408经网络120向数据库获取一个机器学习模型。在一些实施例中，获取单元505可以通过通信模块408经网络120向存储设备150获取一个机器学习模型。在一些实施例中，获取单元505可以生成一个机器学习模型。在一些实施例中，所述机器学习模型可以是深度神经网络、深度信念网络、卷积神经网络、卷积深度信念网络、深度玻尔兹曼机、堆叠自编码器、深度堆叠网络、深度编码网络、深核机、二分类模型等模型中的一种或几种的组合。

特征数据生成单元504可以根据获取单元502获取的第一运动数据生成特征数据。特征数据可以包括加速度最大值、最小值、均值，加速度变换角度最大值、最小值、均值，三维坐标系三个方向上的加速度最大值、最小值、均值等，或其任意组合。加速度可以包括线性加速度和角加速度。在一些实施例中，特征数据可以是一个或多个数值、一个或多个向量、一个或多个行列式、一个或多个矩阵等，或者其任意组合。

训练单元506可以根据特征数据生成单元504生成的特征数据训练由获取单元502获取的机器学习模型，并对其进行更新。在一些实施例中，机器学习模型可以是一个摇晃二分类模型。在一些实施例中，机器学习模型可以过滤第一运动数据中不需要的信息。在一些实施例中，机器学习训练模型可以在线或离线更新。在机器学习训练模型被训练之后，机器学习训练模型可以通过使用实时或周期性时间间隔(例如，每天或每周)获得的特征数据进一步更新。在一些实施例中，机器学习训练模型可以被进一步更新为可能对应于不同类型的不需要的信息的子模型。例如，可以使用第一子模型来区分与车辆相关联的不需要的信息，并且可以使用第二子模型来区分与移动智能电话相关联的不需要的信息。

过滤单元508可以根据训练单元506训练完成的摇晃二分类型模型，过滤第一运动数据中不需要的信息，获取第二运动数据。不需要的信息可以包括由于普通的手机晃动产生的运动数据，普通驾驶行为产生的运动数据，其他非危险驾驶行为产生的运动数据，或者其任意组合。在一些实施例中，过滤单元508可以区分对应于非驾驶相关行为的运动数据。例如，如果驾驶员由于某种原因而摇动移动智能手机，过滤单元508可以通机器学习模型来区分震动与驾驶行为(例如，突然转弯)。

需要注意的是，以上对于数据处理模块408的描述，仅具示例性，并不能把本发明限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。例如，特征数据生成单元504和训练单元506可以集成为一个模块。又例如训练单元506和过滤单元506可以集成为一个模块。特征数据生成单元408可以被省略。

图6是根据本发明的一些实施例所示的识别驾驶行为的一个示例性流程图。

在602中，处理引擎112中的前置规则确定模块404可以确定前置规则。所述前置规则可以包括波动方差阈值。波动方差可以为第一运动数据累计加速度的方差。波动方差的值可以表征加速度波动的剧烈程度。前置规则确定模块404可以确定前置规则准入的条件和/或前置规则准出的条件。在一些实施例中，前置规则准入的条件为第一运动数据的波动方差大于第一阈值。在一些实施例中，前置规则准出的条件为第一运动数据的波动方差小于第二阈值。在一些实施例中，前置规则准入时，存储设备150开始存储第一运动数据。在一些实施例中，前置规则准入时，数据处理模块408开始过滤第一运动数据中不需要的信息。在一些实施例中，前置规则可以存储于存储设备150中，或者通过通信模块408经网络120从数据库和/或外部其他来源获取。在一些实施例中，前置规则准出时，存储设备150停止存储第一运动数据。在一些实施例中，前置规则准出时，数据处理模块408停止过滤第一运动数据中需要的信息。

在一些实施例中，前置规则可以为前置规则模块404生成的。在一些实施例中，前置规则可以为前置规则模块404通过存储设备150获取的存储在设备内部的数据。

在604中，处理引擎112中的获取模块402可以获取与设备相联的至少一个传感器产生的第一运动数据。第一运动数据可以包括电子设备(例如，已安装用于操作本披露中引入的方法/过程的应用的移动智能电话或者携带所述移动智能电话的车辆)的信息，如位置、速度、加速度、姿势(例如偏航、角色、俯仰运动/加速度)等信息，或其任意组合。

在一些实施例中，第一运动数据可以反映驾驶行为或车辆状态。在一些实施例中，驾驶行为可以是有危险性的驾驶行为，例如有危险性的加速(例如突然加速)，有危险性的制动(例如突然制动)，有危险性的转弯(例如突然转弯)，或者其任意组合。在一些实施例中，由不同传感器产生的运动数据可以被集成或分解以便描述指定的驾驶行为。例如，加速度传感器数据，GPS数据和重力传感器数据可以对应于驾驶员的突然加速行为。

在一些实施例中，第一运动数据可以对应于驾驶行为、车辆状态和/或道路状况。例如，如果在车辆前方发生突发性的道路交通事故，驾驶员可能会进行突然制动，加速度传感器可能在突然制动时产生其输出信号和/或数据中的尖峰。在一些实施例中，第一运动数据中可以进一步包括非驾驶相关行为(即，除驾驶相关活动之外由动作引起的行为)相关的运动数据，例如当移动智能电话的用户在路线中摇动移动智能电话时产生的运动数据。因此，来自设备的传感器的输出信号和/或数据也可以包括对应于非驾驶相关行为的部分。这些与非驾驶相关行为相关的数据为需要后续机器学习模型进行区分的摇晃数据。

在606中，处理引擎112中的时间确定模块406可以根据前置规则准入时的时刻确定时间段开始的时间点，根据前置规则准出的时刻确定时间段结束的时间点。根据时间段开始的时间点与时间段结束的时间点，时间确定模块406可以确定一个时间段。在一些实施例中，时间确定模块还可以确定一个与所述时间段相关联的时间点。所述时间点可以为时间段开始的时间点、时间段结束的时间点或时间段内的任意一个时间点。时间段和时间点可以与第二运动数据一起由通信模块410发送给服务器。所述时间段可以代表疑似发生危险驾驶行为的时间段。处理引擎112中的获取模块402可以根据所述时间段，获取时间段内的第一运动数据。

在608中，处理引擎112中的数据处理模块408可以根据时间段内的第一运动数据，获取第二运动数据。第二运动数据可以包括过滤第一运动数据中不需要的信息后的运动数据。在一些实施例中，第二运动数据可以根据一个摇晃二分类机器学习模型过滤第一运动数据，获取第二运动数据。在一些实施例中，第二运动数据可以是一个或多个数值、一个或多个向量、一个或多个行列式、一个或多个矩阵，或者其任意组合。

在610中，处理引擎112中的通信模块410可以将所述时间段内的第二运动数据发送给服务器110。在一些实施例中，通信模块410可以将所述时间段、第二运动数据以及与所述时间段和/或第二运动数据相关的时间点通过网络120发送给服务器110。在一些实施例中，通信模块410可以通过网络120获取一个机器学习模型。

在612中，处理引擎112中的识别模块412可以识别由通信模块410发送的第二运动数据对应的驾驶行为。在一些实施例中，识别模块412可以识别第二运动数据对应的危险驾驶行为。在一些实施例中，识别模块412可以根据机器学习模型识别第二运动数据对应的危险驾驶行为。在一些实施例中，所述机器学习模型可以是一个深度学习GAN模型、深度神经网络、深度信念网络、卷积神经网络、卷积深度信念网络、深度玻尔兹曼机、堆叠自编码器、深度堆叠网络、深度编码网络、深核机、二分类模型等，或其任意组合。

需要注意的是，以上关于识别驾驶行为流程600的描述，仅为描述方便，并不能把本发明限制在所举实施例范围之内。对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对实施上述方法和系统的应用领域和细节上的各种修正和修改。例如，操作602可以在操作604后执行，也可以同时执行。又例如可以在流程604中增加或删除至少一个操作。例如，可以增加一个确定与至少一个传感器相联的设备正随着一辆交通工具移动的操作。

图7是根据本发明的一些实施例所示的获取第二运动数据的一个示例性流程图。

在702中，数据处理模块408中的获取单元502可以获取一个时间段、该时间段内的第一运动数据和一个机器学习模型。在一些实施例中，获取单元505可以通过通信模块408获取时间段与该时间段内的第一运动数据。在一些实施例中，获取单元505可以通过通信模块408经网络120向数据库获取一个机器学习模型。在一些实施例中，获取单元505可以通过通信模块408经网络120向存储设备150获取一个机器学习模型。在一些实施例中，获取单元505可以生成一个机器学习模型。在一些实施例中，所述机器学习模型可以是深度神经网络、深度信念网络、卷积神经网络、卷积深度信念网络、深度玻尔兹曼机、堆叠自编码器、深度堆叠网络、深度编码网络、深核机、二分类模型等模型中的一种或几种的组合。

在704中，数据处理模块408中的特征数据生成单元504可以根据获取单元502获取的第一运动数据生成特征数据。特征数据可以包括加速度最大值、最小值、均值，加速度变换角度最大值、最小值、均值，三维坐标系三个方向上的加速度最大值、最小值、均值等，或其任意组合。加速度可以包括线性加速度和角加速度。在一些实施例中，特征数据可以是一个或多个数值、一个或多个向量、一个或多个行列式、一个或多个矩阵等，或者其任意组合。

在706中，数据处理模块408中的训练单元506可以根据特征数据生成单元504生成的特征数据训练由获取单元502获取的机器学习模型，并对其进行更新。机器学习模型更新后，基于输入的第一运动数据，机器学习模型可以过滤第一运动数据中不需要的信息，生成第二运动数据。在一些实施例中，机器学习模型可以是一个摇晃二分类模型。在一些实施例中，机器学习训练模型可以在线或离线更新。在机器学习训练模型被训练之后，机器学习训练模型可以通过使用实时或周期性时间间隔(例如，每天或每周)获得的特征数据进一步更新。

在一些实施例中，数据处理模块408中的过滤单元508可以根据训练单元506训练完成的摇晃二分类型模型，过滤第一运动数据中不需要的信息，获取第二运动数据。不需要的信息可以包括由于普通的手机晃动产生的运动数据，普通驾驶行为产生的运动数据，其他非危险驾驶行为产生的运动数据，或者其任意组合。在一些实施例中，过滤单元508可以区分对应于非驾驶相关行为的运动数据。例如，如果驾驶员由于某种原因而摇动移动智能手机，过滤单元508可以通机器学习模型来区分震动与驾驶行为(例如，突然转弯)。

需要注意的是，以上关于获取第二运动数据流程700的描述，仅为描述方便，并不能把本发明限制在所举实施例范围之内。对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对实施上述方法和系统的应用领域和细节上的各种修正和修改。例如，操作706可以分为训练模型及生成第二运动数据两个操作。又例如可以在流程706中增加或删除至少一个操作。例如，可以增加一个区分不同的第一运动数据不需要的信息的操作，如由正常驾驶行为产生的不需要信息，以及由手机晃动产生的不需要的信息。

以上所述仅为本发明的优选实施而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

同时，本发明使用了特定词语来描述本发明的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本发明的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“子模块”、“引擎”、“单元”、“子单元”、“组件”或“系统”。此外，本发明的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

本发明各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (13)

1.一种识别驾驶行为的方法，其特征在于，包括：

获取第一运动数据；

确定前置规则；

基于所述前置规则，确定时间段；

获取所述时间段内的第二运动数据；

基于所述第二运动数据，识别驾驶行为；

所述前置规则包括波动方差阈值；其中，

所述波动方差表示所述第一运动数据累计加速度的方差；

所述前置规则准入的条件为所述第一运动数据的所述波动方差大于第一阈值，所述前置规则准出的条件为所述第一运动数据的所述波动方差小于第二阈值。

2.根据权利要求1所述的方法，其特征在于，所述获取所述第二运动数据包括：

当所述第一运动数据触发所述前置规则准入时，获取特征数据；

基于所述特征数据，过滤所述第一运动数据；

当所述第一运动数据触发所述前置规则准出时，停止过滤所述第一运动数据。

3.根据权利要求2所述的方法，其特征在于，所述过滤第一运动数据包括：

基于机器学习模型及所述特征数据，过滤所述第一运动数据中不需要的信息。

4.根据权利要求3所述的方法，其特征在于，所述机器学习模型为摇晃二分类模型。

5.根据权利要求2所述的方法，其特征在于，所述特征数据包括加速度最大值、最小值、均值，加速度变换角度最大值、最小值、均值和/或者三维坐标系三个方向上加速度最大值、最小值、均值。

6.根据权利要求1所述的方法，其特征在于，采用传感器获取第一运动数据，所述传感器包括陀螺仪、加速度传感器、全球定位系统定位传感器和/或者重力传感器。

7.根据权利要求1所述的方法，其特征在于，基于所述第一运动数据判断设备是否正随着交通工具移动。

8.根据权利要求1所述的方法，其特征在于，所述第一运动数据包括线性加速度、角加速度和/或者姿势相关信息，所述姿势相关信息包括角色信息、偏航信息和/或者音高信息。

9.根据权利要求1所述的方法，其特征在于，所述获取第二运动数据由处理器执行，传感器定时产生第一运动数据，所述处理器定时获取第一运动数据。

10.根据权利要求9所述的方法，其特征在于，所述处理器执行：

通过相同的采样频率或者变化的采样频率发送所述时间段内的第二运动数据、所述时间段给服务器。

11.一种识别驾驶行为的系统，其特征在于，所述系统包括获取模块、前置规则确定模块、时间确定模块、数据处理模块、通信模块和识别模块：

所述获取模块用于获取第一运动数据；

所述前置规则确定模块用于确定前置规则，所述前置规则包括波动方差阈值；其中，

所述波动方差表示所述第一运动数据累计加速度的方差；

所述前置规则准入的条件为所述第一运动数据的所述波动方差大于第一阈值，所述前置规则准出的条件为所述第一运动数据的所述波动方差小于第二阈值；

所述时间确定模块用于基于所述前置规则，确定时间段；

所述数据处理模块用于获取第二运动数据；

所述通信模块用于传输所述第二运动数据和所述时间段；

所述识别模块用于基于所述第二运动数据识别危险驾驶行为。

12.一种识别驾驶行为的装置，其特征在于，所述装置包括处理器，所述处理器运行识别程序，所述识别程序运行时执行如权利要求1-10任一所述的识别驾驶行为的方法。

13.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1-10任一所述的识别驾驶行为的方法。

Images