CN110275934A - 基于北斗定位系统的车辆行驶情况风险分析方法和系统 - Google Patents

Abstract

本发明涉及一种基于北斗定位系统的车辆行驶情况风险分析方法，包括：获取车辆的基本信息和行驶信息；其中，行驶信息包括行驶轨迹信息和/或运行状态信息；将车辆的基本信息和行驶信息上传至服务器，以使所述服务器分析车辆的行驶行为，并更新车辆行驶情况的风险分值。通过准确计算得出车辆行驶情况的风险分值，由用户根据该分值进一步评级，生成评级报告，便于日常管理；司机用户可根据该分值及时修正平时的驾驶习惯，对于风险因子对应的分值特别低的特征值要加以关注，该项风险因子往往是容易出事故风险的原因。此时可为司机本人的习惯性驾驶行为发出预警和提示，以及司机家属也可据此及时且准确了解到司机本人的最近驾驶情况。

Description

基于北斗定位系统的车辆行驶情况风险分析方法和系统

技术领域

本发明涉及计算机技术领域，具体涉及一种基于北斗定位系统的车辆行驶情况风险分析方法和系统。

背景技术

我国有1200万台重卡车和3000万重卡司机，每位司机不仅关系到自己的家庭，还关系到父母、岳父母的家庭，年长的师傅还关系到子女家庭。所以，这3000万人直接关系到1亿家庭，3亿人之心。在我国近几年所发生的所有重特大事故中，80％都与公路重型运输车辆有关，在所有公路重型运输车辆事故中，80％又都与超速、疲劳驾驶等违规驾驶行为有关。国家交通运输部、公安部、国家安监总局三部委的5号令明确规定：用于公路营运的载客汽车、危险货物运输车辆、半挂牵引车以及12吨及以上的普通货运车辆，应当于2015年12月31日前全部安装、使用符合交通部标准的北斗卫星定位装置。

现在车辆保险都是根据往期的理赔情况来决定下一年的保费，对车辆的行驶行为并没有进行评分，而且也没有定期实时更新车辆的行驶行为的评分，因此对保费的评定没有可参考的准确依据；大多数司机只局限于会开车,对本人的习惯性驾驶行为往往会判断不出哪些方面存在风险，对司机的驾驶情况并没有建立起预警和考核的评分机制，以及司机家属也不能及时且准确了解到司机本人的最近驾驶情况，一旦发生交通事故时已无可挽回。

发明内容

本发明要解决的技术问题在于克服现有技术中的缺陷，提供一种根据车辆的基本信息和行驶信息能够计算出车辆行驶情况的风险分值的基于北斗定位系统的车辆行驶情况风险分析方法。

为此，采用的技术方案为一种基于北斗定位系统的车辆行驶情况风险分析方法，包括：

获取车辆的基本信息和行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；

将车辆的基本信息和行驶信息上传至服务器，以使所述服务器分析车辆的行驶行为，并更新车辆行驶情况的风险分值；

根据分值的大小判定车辆行驶情况是否存在风险。

优选的，所述服务器根据实时获取的车辆的轨迹原始数据进行逐个位置点分析，并结合POI数据库生成分析后的轨迹点，存储记录于轨迹数据库；

根据轨迹数据库中记录的分析后的轨迹点，获取上一小时的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、不同的速度下行驶的里程和时长，从而获取车辆精细化画像；以此可分析计算出日均行驶里程、日均行驶时长、平均速度、行驶天数、高速驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比，并存储记录于里程数据库；

根据轨迹数据库中记录的分析后的轨迹点，获取上一周的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、起点和终点、途径地点，从而获取车辆精细化画像；以此可以分析出常跑路线数量、常跑路线距离和常跑路线危险路段数，并存储记录于轨迹记录数据库。

优选的，所述服务器根据车辆的基本信息和行驶信息确定车辆风险因子，并确定与所述车辆风险因子对应的风险因子分析模型，采用所述风险因子分析模型确定对应的各项车辆的特征值；并对各项所述车辆的特征值设定不同的权重，对全部车辆的特征权重值求和，确定所述车辆行驶情况的风险分值。

优选的，若所述车辆行驶情况的风险分值低于设定的阈值，则判定为车辆的行驶行为存在风险；

若所述车辆行驶情况的风险分值高于设定的阈值，则判定为车辆的行驶行为为安全行驶。

优选的，所述车辆的基本信息包括车龄、车牌号、车辆类型；

车辆的行驶轨迹信息包括经度、纬度、方向、时间和海拔；车辆的运行状态信息包括行驶速度、高速路段和非高速路段；

根据车辆的行驶轨迹信息和/或运行状态信息对车辆的行驶里程和时长进行分析，形成车辆行驶情况，并由所述服务器记录车辆行驶情况，车辆行驶情况包括日均行驶里程、日均行驶时长、平均速度、行驶天数、高速行驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、常跑路线数量、常跑路线距离、常跑路线危险路段数、清晨时长里程占比、黄昏行驶时长占比和夜间行驶里程占比；

将各项车辆行驶情况设为车辆风险因子。

优选的，所述车辆行驶情况的风险因子分析模型的计算公式如下：

其中，x≥0，0≤y≤1；

分别为用户设置的每项风险因子的初始值或为系统计算出的每项风险因子的平均值；

x设为风险因子，分别包括日均行驶里程、日均行驶时长、平均速度、行驶天数、高速行驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、常跑路线数量、常跑路线距离、常跑路线危险路段数、清晨时长里程占比、黄昏行驶时长占比和夜间行驶里程占比；

y(x)设为对应的特征值。

优选的，根据车辆行驶情况由所述服务器对车辆的日行驶情况进行统计，并进行融合得出车辆日画像，所述服务器对所有车辆日画像进行存储，并计算出所有车辆违规行驶情况的每项风险因子的平均值。

优选的，计算出所有车辆行驶情况的每项风险因子的平均值需要划定样本范围：由所述服务器统计所有车辆上线天数，按照降序排列，筛选去除首尾各10％的数据；在此基础上去除异地上线距离大于总里程二分之一的数据；

由所述服务器每月定时统计一次样本数据，及时更新上述平均值。

一种基于北斗定位系统的车辆行驶情况风险分析系统，包括：

车载北斗终端：用于记载车辆的基本信息和获取车辆的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；

服务器：根据通信模块上传的车辆的基本信息和行驶信息分析车辆的行驶行为，并更新车辆行驶情况的风险分值；并根据分值的大小判定车辆行驶情况是否存在风险。

优选的，所述服务器包括：

原始数据加工模块：根据实时获取的车辆的轨迹原始数据进行逐个位置点分析，并结合POI数据库生成分析后的轨迹点，存储记录于轨迹数据库；

里程和时长分析模块：根据轨迹数据库中记录的分析后的轨迹点，获取上一小时的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、不同的速度下行驶的里程和时长，从而获取车辆精细化画像；以此可分析计算出日均行驶里程、日均行驶时长、平均速度、行驶天数、高速驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比，并存储记录于里程数据库；

轨迹分析模块：根据轨迹数据库中记录的分析后的轨迹点，获取上一周的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、起点和终点、途径地点，从而获取车辆精细化画像；以此可以分析出常跑路线数量、常跑路线距离和常跑路线危险路段数，并存储记录于轨迹记录数据库。

本发明技术方案，具有如下优点：

通过准确计算出车辆行驶情况的风险分值，由用户根据该车辆的行驶行驶情况的风险分值进一步评级，生成评级报告，便于日常管理；每月定时更新每项风险因子的平均值，同时对各项车辆的特征值进行更新，从而计算出每月的车辆行驶情况的风险分值，司机用户可根据该分值及时修正平时的驾驶习惯，对于风险因子对应的分值特别低的特征值要加以关注，该项风险因子往往是容易出事故风险的原因。此时可为司机本人的习惯性驾驶行为发出预警和提示，以及司机家属也可据此及时且准确了解到司机本人的最近驾驶情况。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明提供的基于北斗定位系统的车辆行驶情况风险分析方法的流程示意图；

图2为原始数据加工分析方法的流程示意图；

图3为里程和时长分析方法的流程示意图；

图4为轨迹分析方法的流程示意图；

图5为服务器更新车辆行驶情况的风险分值方法的流程示意图；

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

如图1所示，一种车辆行驶情况风险分析方法，包括以下步骤：

步骤100：获取车辆的基本信息和行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；

步骤200：将车辆的基本信息和行驶信息上传至服务器，以使所述服务器分析车辆的行驶行为；

步骤300：服务器并更新车辆行驶情况的风险分值；

步骤400：根据分值的大小判定车辆行驶情况是否存在风险。

本实施例提供的车辆行驶情况风险分析方法，应用于车辆上安装有车载北斗终端，车载北斗终端与服务器通信连接，车载北斗终端上记载有车辆的基本信息和原始数据，并实时记录车辆的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息。

步骤200服务器分析车辆的行驶行为的方法包括以下步骤：

如图2所示，步骤201原始数据加工分析方法：所述服务器根据实时获取的车辆的轨迹原始数据进行逐个位置点分析，并结合POI数据库生成分析后的轨迹点，存储记录于轨迹数据库；

其中，车辆的轨迹原始数据包括：车牌号、速度、经度、纬度、海拔、时间、方向；

POI数据库设为面积为200㎡、2000㎡的正方形地理画像，字段包括通过经纬度算出的key和此正方形对应的实际位置名称(即道路名称)、道路级别；

位置点分析是对每个位置点进行实时分析，为估计点贴上标签即危险路段、道路级别、所在地理范围；对危险路段进行分析，并存储记录于危险路段数据库，可供用户查阅，或当其他车辆行驶到该路段时进行预警和提醒。

分析后的轨迹点包括：车牌号、速度、经度、维度、高程、时间、方向，是否危险路段、危险路段ID、道路级别、道路名称、详细地址，存储记录于轨迹数据库。

如图3所示，步骤202里程和时长分析方法：根据轨迹数据库中记录的分析后的轨迹点，获取上一小时的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、不同的速度下行驶的里程和时长，从而获取车辆精细化画像；以此可分析计算出日均行驶里程、日均行驶时长、平均速度、行驶天数、高速驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比，并存储记录于里程数据库；

其中，上一小时的车辆轨迹数据包括：车牌号、速度、经度、纬度、高程、时间、方向，是否危险路段、危险路段ID、道路级别、道路名称、详细地址；

道路级别分类：高速、国道、省道、县道、乡道、无名道路，根据道路种类划分轨迹段(即一小时内车辆分别在省道、国道行驶过，则为两个轨迹段)；

停车点分析：根据停车点划分轨迹段，比如一段轨迹中有2个停车点，则划分为3个轨迹段；

划分速度：将轨迹段的速度划分为0-10km/h、10-20km/h、20-30km/h、30-40km/h、40-50km/h、50-60km/h、60-70km/h里程、70-80km/h、80-90km/h、90-100km/h、100km/h以上11个速度区间，分别计算11个速度区间内车辆的行驶里程和行驶时长；

每小时里程数据包括：车牌号、道路分类、小时、开始时间、结束时间、0-10km/h里程、10-20km/h里程、20-30km/h里程、30-40km/h里程、40-50km/h里程、50-60km/h里程、60-70km/h里程、70-80km/h里程、80-90km/h里程、90-100km/h里程、100km/h以上里程。

如图4所示，步骤203轨迹分析方法：根据轨迹数据库中记录的分析后的轨迹点，获取上一周的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内起点和终点、途径地点和不同的道路级别，从而获取车辆精细化轨迹画像；以此可以分析出常跑路线数量、常跑路线距离和常跑路线危险路段数，并存储记录于轨迹记录数据库。

其中，上一周的车辆轨迹数据包括：车牌号、速度、经度、纬度、高程、时间、方向，是否危险路段、危险路段ID、道路级别、道路名称、详细地址；

轨迹分析包括：①分析起点终点，将轨迹数据按照起点终点进行分段，将正在行驶的车辆轨迹剔除；②分析途径地点：对分段后的轨迹分析车辆的途径地点，可以设为城市、休息区、加油站；③分析行驶道路：分析每两个途径点所行驶的道路，记好道路标识；

轨迹画像的字段包括：起点(经度、纬度、名称)、终点(经度、纬度、名称)、途经点(数组(经度、纬度、名称))、途经点之间路名称(数组(数组))；

轨迹画像库：获取的轨迹画像与轨迹画像库中的数据进行比对，比对过程为：

步骤S1、起点和终点进行比对获取起终点相同的轨迹；

步骤S2、在步骤S1基础上比对出路途中点相同的轨迹；

步骤S3、在步骤S2基础上比对途经点之间的道路，如果完全符合则获取此画像的ID，如果不符合则将此画像存入轨迹画像数据库。

如图5所示，步骤300服务器更新车辆行驶情况的风险分值的方法包括如下步骤：

步骤301：服务器根据车辆的基本信息和行驶信息确定车辆风险因子；

步骤302：确定与所述车辆风险因子对应的风险因子分析模型；

步骤303：采用所述风险因子分析模型计算得出对应的各项车辆的特征值；

步骤304：并对各项所述车辆的特征值设定不同的权重，对车辆的全部特征的权重值求和，就能准确计算出车辆行驶情况的风险分值。

步骤400根据分值的大小判定车辆行驶情况是否存在风险，若所述车辆行驶情况的风险分值低于设定的阈值，则判定为车辆的行驶行为存在风险；若所述车辆行驶情况的风险分值高于设定的阈值，则判定为车辆的行驶行为为安全行驶。

经过大数据分析及经验总结，将车辆行驶情况的风险分值设定为20，当车辆行驶情况的风险分值低于20时，则可判定为车辆的行驶行为存在风险；此时可为司机本人的习惯性驾驶行为发出预警和提示，以及司机家属也可据此及时且准确了解到司机本人的最近驾驶情况。

通过准确计算出车辆行驶情况风险的分值，用户可根据该风险的分值进一步评级，生成评级报告，便于日常管理；也可为保险公司据此确定下一年的保费提供了可参考的准确依据；同时也为司机本人的习惯性驾驶行为起到了预警和考核的作用，以及司机家属也可据此及时且准确了解到司机本人的最近驾驶情况。

步骤100中获取车辆的基本信息和行驶信息，具体地包括如下信息：车辆的基本信息包括车龄、车牌号、车辆类型；车辆的行驶轨迹信息包括经度、纬度、方向、时间和海拔；车辆的运行状态信息包括行驶速度、高速路段和非高速路段等。

步骤301：服务器根据车辆的基本信息和行驶信息确定车辆风险因子；需要对获取到的车辆的基本信息和行驶信息，即进一步根据车辆的行驶轨迹信息和/或运行状态信息对车辆的行驶里程和时长进行分析，形成车辆行驶情况，并由所述服务器记录车辆行驶情况，车辆行驶情况包括日均行驶里程、日均行驶时长、平均速度、行驶天数、高速行驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、常跑路线数量、常跑路线距离、常跑路线危险路段数、清晨时长里程占比、黄昏行驶时长占比和夜间行驶里程占比；

从而将各项车辆行驶情况设为车辆风险因子。

本实施例中对车辆行驶情况进行如下定义，但不限于以下的具体统计信息；

车辆行驶情况一般按照行驶里程进行统计，以每小时且是否高速为单位统计车辆的精细化里程情况，统计信息如下：

车牌号、是否高速、小时、开始时间、结束时间、0-10km/h里程、10-20km/h里程、20-30km/h里程、30-40km/h里程、40-50km/h里程、50-60km/h里程、60-70km/h里程、70-80km/h里程、80-90km/h里程、90-100km/h里程、100km/h以上里程。

步骤302：确定与所述车辆风险因子对应的风险因子分析模型；

步骤303：采用所述风险因子分析模型确定对应的车辆的特征值，具体如下：

车辆行驶情况的风险因子分析模型的计算公式如下：

其中，x≥0，0≤y≤1；

分别为用户设置的每项风险因子的初始值或为系统计算出的每项风险因子的平均值；

x设为风险因子，分别为日均行驶里程、日均行驶时长、平均速度、行驶天数、高速行驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、常跑路线数量、常跑路线距离、常跑路线危险路段数、清晨时长里程占比、黄昏行驶时长占比和夜间行驶里程占比；

y(x)设为对应的特征值。

对于风险因子对应的分值特别低的特征值即y值要加以关注，该项风险因子往往是容易出事故风险的原因，而对于y值大于1时按y值等于1计算，将对该项特征值加权求和计入风险分值。

为了准确计算出每项风险因子的平均值，可根据车辆行驶情况由所述服务器对车辆的日行驶情况进行统计，并进行融合得出车辆日画像，所述服务器对所有车辆日画像进行存储，并计算出所有车辆行驶情况的每项风险因子的平均值；每项风险因子的平均值也可由用户根据经验进行灵活设置。

计算出所有车辆行驶情况的每项风险因子的平均值需要划定样本范围：由所述服务器统计所有车辆上线天数，按照降序排列，筛选去除首尾各10％的数据；在此基础上去除异地上线距离大于总里程二分之一的数据；由所述服务器每月定时统计一次样本数据，及时更新上述平均值。

步骤304中，车辆行驶情况的风险分值的模型计算公式如下：

f(x)＝β₁×y(x₁)+β₂×y(x₂)+…+β_n×y(x_n)

其中，x₁…x_n设为风险因子；y(x₁)…y(x_n)设为车辆的特征值；

β₁…β_n设为风险因子的权重，各个权重的和设为100；

设定权重：

1、创建部门时，为本部门设置一个所有车辆类型通用的风险因子权重，即通用的评分标准。

2、部门可以对此标准进行修改，同时可以按车辆类型增加不同的评分标准。

3、用户对车辆进行评级时，系统根据车辆类型选取所属的评分标准。

每月定时更新每项风险因子的平均值，同时对各项车辆的特征值进行更新，从而计算出每月的车辆行驶情况的风险分值，司机用户可根据该分值及时修正平时的驾驶习惯，对于风险因子对应的分值特别低的特征值要加以关注，该项风险因子往往是容易出事故风险的原因。此时可为司机本人的习惯性驾驶行为发出预警和提示，以及司机家属也可据此及时且准确了解到司机本人的最近驾驶情况。

一种基于北斗定位系统的车辆行驶情况风险分析系统，包括：

车载北斗终端：用于记载车辆的基本信息和获取车辆的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；行驶轨迹信息和/或运行状态信息可通过车载北斗终端获取，车载北斗终端可记载车辆的基本信息，车载北斗终端可包括北斗定位模块、速度传感器、驾驶时长记录模块等；

所述行驶轨迹信息通过北斗定位模块按时序采集的所述车辆的位置点的经纬度集合，每一个采集时间对应于一个位置点的定位信息。

速度传感器用于实时获取车辆的速度，通过通信模块发送至服务器，若行驶速度低于服务器系统预设的速度则判定为安全行驶；若行驶速度高于服务器系统预设的速度则判定为超速驾驶，并通过通信模块返回到车载北斗终端的显示屏进行显示，并且做出相应的提醒和预警。

驾驶时长记录模块用于实时获取车辆的行驶时长，通过通信模块发送至服务器，若行驶时长低于服务器系统预设的时间则判定为安全行驶；若行驶时长高于服务器系统预设的时间则判定为疲劳驾驶，并通过通信模块返回到车载北斗终端的显示屏进行显示，并且做出相应的提醒和预警。

服务器：根据通信模块上传的车辆的基本信息和行驶信息分析车辆的行驶行为，并更新车辆行驶情况的风险分值；并根据分值的大小判定车辆行驶情况是否存在风险。服务器包括：

原始数据加工模块：根据实时获取的车辆的轨迹原始数据进行逐个位置点分析，并结合POI数据库生成分析后的轨迹点，存储记录于轨迹数据库；

里程和时长分析模块：根据轨迹数据库中记录的分析后的轨迹点，获取上一小时的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、不同的速度下行驶的里程和时长，从而获取车辆精细化画像；以此可分析计算出日均行驶里程、日均行驶时长、平均速度、行驶天数、高速驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比，并存储记录于里程数据库；

轨迹分析模块：根据轨迹数据库中记录的分析后的轨迹点，获取上一周的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、起点和终点、途径地点，从而获取车辆精细化画像；以此可以分析出常跑路线数量、常跑路线距离和常跑路线危险路段数，并存储记录于轨迹记录数据库。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于北斗定位系统的车辆行驶情况风险分析方法，其特征在于，包括：

获取车辆的基本信息和行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；

将车辆的基本信息和行驶信息上传至服务器，以使所述服务器分析车辆的行驶行为，并更新车辆行驶情况的风险分值；

根据分值的大小判定车辆行驶情况是否存在风险。

2.根据权利要求1所述的方法，其特征在于，所述服务器根据实时获取的车辆的轨迹原始数据进行逐个位置点分析，并结合POI数据库生成分析后的轨迹点，存储记录于轨迹数据库；

根据轨迹数据库中记录的分析后的轨迹点，获取上一小时的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、不同的速度下行驶的里程和时长，从而获取车辆精细化画像；以此可分析计算出日均行驶里程、日均行驶时长、平均速度、行驶天数、高速驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比，并存储记录于里程数据库；

根据轨迹数据库中记录的分析后的轨迹点，获取上一周的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、起点和终点、途径地点，从而获取车辆精细化画像；以此可以分析出常跑路线数量、常跑路线距离和常跑路线危险路段数，并存储记录于轨迹记录数据库。

3.根据权利要求2所述的方法，其特征在于，所述服务器根据车辆的基本信息和行驶信息确定车辆风险因子，并确定与所述车辆风险因子对应的风险因子分析模型，采用所述风险因子分析模型确定对应的各项车辆的特征值；并对各项所述车辆的特征值设定不同的权重，对全部车辆的特征权重值求和，确定所述车辆行驶情况的风险分值。

4.根据权利要求3所述的方法，其特征在于，若所述车辆行驶情况的风险分值低于设定的阈值，则判定为车辆的行驶行为存在风险；

若所述车辆行驶情况的风险分值高于设定的阈值，则判定为车辆的行驶行为为安全行驶。

5.根据权利要求3所述的方法，其特征在于，所述车辆的基本信息包括车龄、车牌号、车辆类型；

车辆的行驶轨迹信息包括经度、纬度、方向、时间和海拔；车辆的运行状态信息包括行驶速度、高速路段和非高速路段；

根据车辆的行驶轨迹信息和/或运行状态信息对车辆的行驶里程和时长进行分析，形成车辆行驶情况，并由所述服务器记录车辆行驶情况，车辆行驶情况包括日均行驶里程、日均行驶时长、平均速度、行驶天数、高速行驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、常跑路线数量、常跑路线距离、常跑路线危险路段数、清晨时长里程占比、黄昏行驶时长占比和夜间行驶里程占比；

将各项车辆行驶情况设为车辆风险因子。

6.根据权利要求5所述的方法，其特征在于，所述车辆行驶情况的风险因子分析模型的计算公式如下：

其中，x≥0，0≤y≤1；

分别为用户设置的每项风险因子的初始值或为系统计算出的每项风险因子的平均值；

x设为风险因子，分别包括日均行驶里程、日均行驶时长、平均速度、行驶天数、高速行驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、常跑路线数量、常跑路线距离、常跑路线危险路段数、清晨时长里程占比、黄昏行驶时长占比和夜间行驶里程占比；

y(x)设为对应的特征值。

7.根据权利要求6所述的方法，其特征在于，根据车辆行驶情况由所述服务器对车辆的日行驶情况进行统计，并进行融合得出车辆日画像，所述服务器对所有车辆日画像进行存储，并计算出所有车辆违规行驶情况的每项风险因子的平均值。

8.根据权利要求7所述的方法，其特征在于，计算出所有车辆行驶情况的每项风险因子的平均值需要划定样本范围：由所述服务器统计所有车辆上线天数，按照降序排列，筛选去除首尾各10％的数据；在此基础上去除异地上线距离大于总里程二分之一的数据；

由所述服务器每月定时统计一次样本数据，及时更新上述平均值。

9.一种基于北斗定位系统的车辆行驶情况风险分析系统，其特征在于，包括：

车载北斗终端：用于记载车辆的基本信息和获取车辆的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；

服务器：根据通信模块上传的车辆的基本信息和行驶信息分析车辆的行驶行为，并更新车辆行驶情况的风险分值；并根据分值的大小判定车辆行驶情况是否存在风险。

10.根据权利要求9所述的车辆行驶情况风险分析系统，其特征在于，所述服务器包括：

原始数据加工模块：根据实时获取的车辆的轨迹原始数据进行逐个位置点分析，并结合POI数据库生成分析后的轨迹点，存储记录于轨迹数据库；

里程和时长分析模块：根据轨迹数据库中记录的分析后的轨迹点，获取上一小时的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、不同的速度下行驶的里程和时长，从而获取车辆精细化画像；以此可分析计算出日均行驶里程、日均行驶时长、平均速度、行驶天数、高速驶占比、省道行驶占比、国道行驶占比、县道乡道行驶占比、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比，并存储记录于里程数据库；

轨迹分析模块：根据轨迹数据库中记录的分析后的轨迹点，获取上一周的车辆轨迹数据，以每个小时为时间段对原始数据进行加工，分析每辆车在时间段内不同的道路级别、起点和终点、途径地点，从而获取车辆精细化画像；以此可以分析出常跑路线数量、常跑路线距离和常跑路线危险路段数，并存储记录于轨迹记录数据库。