CN110276954A - 基于北斗定位系统的车辆行驶行为综合评分方法 - Google Patents

Abstract

本发明涉及一种基于北斗定位系统的车辆行驶行为综合评分方法，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，并更新车辆的行驶行为综合评分。通过准确计算得出车辆的行驶行为综合评分，由用户根据该车辆的行驶行为综合评分进一步评级，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。

Description

基于北斗定位系统的车辆行驶行为综合评分方法

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行为综合评分方法。

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。

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，对司机本人的习惯性驾驶行为起不到预警和考核的作用，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行为综合评分分值的基于北斗定位系统的车辆行驶行为综合评分方法。

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行为综合评分方法，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，并更新车辆的行驶行为综合评分。

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车辆的特征值；并对所述车辆的各个特征值设定不同的权重，对车辆的全部特征的权重值求和，确定所述车辆的行驶行为综合评分。

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、离线的经度和纬度及时间、上线的经度和纬度及时间、恶劣天气行驶时间和危险路段次数；

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、日均行驶时长和平均速度、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比；

根据车辆的行驶轨迹信息和/或运行状态信息对车辆的超速驾驶、疲劳驾驶、危险驾驶和非法位移进行实时分析，形成车辆违规行驶情况，对车辆违规行驶情况向目标车辆发送语音提醒，并由所述服务器记录车辆违规行驶情况，车辆违规行驶情况包括千公里非法位移次数、千公里非法位移里程、超速率、 80-90km/h超速率、90-100km/h超速率、100km/h以上超速率、千公里疲劳驾驶次数、千公里疲劳驾驶时长、千公里疲劳驾驶里程、疲劳驾驶时超速率、千公里危险路段次数、千公里恶劣天气驾驶次数；

将车龄、各项车辆行驶情况和车辆违规行驶情况设为车辆风险因子。

优选的，车龄的风险因子分析模型的计算公式如下：

其中，x>0，0<y≤1；x设为风险因子，包括车龄；y(x)设为车龄的特征值。

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；

分别为用户设置的各项风险因子的初始值或为系统计算出的平均值；

x设为风险因子，分别包括日均行驶里程、日均行驶时长和平均速度、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比；

y(x)设为对应的特征值。

优选的，所述车辆违规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；

分别设为系统计算出的各项风险因子的平均值；

x设为风险因子，分别包括千公里非法位移次数、千公里非法位移里程、超速率、80-90km/h超速率、90-100km/h超速率、100km/h以上超速率、千公里疲劳驾驶次数、千公里疲劳驾驶时长、千公里疲劳驾驶里程、疲劳驾驶时超速率、千公里危险路段次数、千公里恶劣天气驾驶次数；

y(x)设为对应的特征值。

优选的，根据车辆行驶情况和车辆违规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，计算出所有车辆违规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行为综合评分方法，包括：

接受用户的车辆行驶行为评分的查询请求，用户输入车辆的基本信息及查询时间；

根据所述查询请求获取车辆的风险因子；

若车辆的上线率小于3.5％，则判定车辆的行驶行为综合评分为0；若车辆的上线率大于3.5％，则继续执行车辆行驶行为评分的操作；

若异地上线距离小于总行驶里程二分之一，则判定车辆的行驶行为综合评分为0；若异地上线距离大于总行驶里程二分之一，则继续执行车辆行驶行为评分的操作；

获取车辆的各个风险因子分析模型，并通过模型计算得出各个车辆的特征值；

获取各项车辆的特征值的权重，对全部的车辆的特征权重值求和，计算得出所述车辆的行驶行为综合评分。

本发明技术方案，具有如下优点：

通过准确计算出车辆的行驶行为综合评分，由用户根据该车辆的行驶行为综合评分进一步评级，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。

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为本发明的第一种实施方式中提供的基于北斗定位系统的车辆行驶行为综合评分方法的流程示意图；

图2为服务器更新车辆的行驶行为综合评分方法的流程示意图；

图3为本发明的第二种实施方式中提供的基于北斗定位系统的车辆行驶行为综合评分方法的流程示意图；

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。

应用场景实施例1

如图1所示，一种车辆行驶行为综合评分方法，包括以下步骤：

步骤101：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102：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，并更新车辆的行驶行为综合评分。

本实施例提供的车辆行驶行为综合评分方法，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。

如图2所示，步骤102服务器分析车辆的行驶行为，并更新车辆的行驶行为综合评分方法包括如下步骤：

步骤1021：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1022：确定与所述车辆风险因子对应的风险因子分析模型；

步骤1023：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1024：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的行驶行为综合评分。

通过准确计算出车辆的行驶行为综合评分，用户可根据该车辆的行驶行为综合评分进一步评级，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101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、离线的经度和纬度及时间、上线的经度和纬度及时间、恶劣天气行驶时间和危险路段次数。

其中，行驶轨迹信息和/或运行状态信息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、能见度检测模块和弯道识别模块等；

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。

能见度检测模块用于实时获取恶劣天气的能见度，通过通信模块发送至服务器，与服务器系统预设的能见度等级相匹配，判断出恶劣天气的能见度等级，若能见度等级低于服务器系统预设的等级则判定为安全行驶；若能见度等级高于服务器系统预设的等级则判定为危险驾驶，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；

弯道识别模块通过特征识别判断前方路段是否为弯道，并实时获取车辆经过弯道时的信息，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，且不超车则判定为安全行驶；若行驶速度高于服务器系统预设的速度，或超车则判定为危险驾驶，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。

步骤1021：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、日均行驶时长和平均速度、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比；

根据车辆的行驶轨迹信息和/或运行状态信息对车辆的超速驾驶、疲劳驾驶、危险驾驶和非法位移进行实时分析，形成车辆违规行驶情况，对车辆违规行驶情况向目标车辆发送语音提醒，并由所述服务器记录车辆违规行驶情况，车辆违规行驶情况包括千公里非法位移次数、千公里非法位移里程、超速率、 80-90km/h超速率、90-100km/h超速率、100km/h以上超速率、千公里疲劳驾驶次数、千公里疲劳驾驶时长、千公里疲劳驾驶里程、疲劳驾驶时超速率、千公里危险路段次数、千公里恶劣天气驾驶次数；

从而将车龄、各项车辆行驶情况和车辆违规行驶情况设为车辆风险因子。

本实施例中对车辆行驶情况和车辆违规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、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。

车辆违规行驶情况包括车辆的超速驾驶、疲劳驾驶、危险驾驶和非法位移情况进行统计记录；

危险驾驶：当车辆即将通过危险路段(或检测当时为恶劣天气)时，系统向驾驶员发出预警信息，当车辆通过时记录车辆的行驶情况，统计如下信息：

车牌、实际速度、道路ID、危险类型(危险路段、恶劣天气)、驾驶行为类型(安全、危险)、限定速度、限速名称、经纬度、发生时间。

超速记录：系统设定高速路段行驶速度>80km/h、非高速路段行驶速度>60km/h为超速，由此超速记录统计如下信息：

车牌、超速开始时间、超速结束时间、超速地址、速度、超速里程、经纬度(集合)。

疲劳驾驶：以大于15km/h的速度连续行驶超过四小时，定义为疲劳驾驶，当此次疲劳驾驶休息超过20分钟则结束疲劳驾驶，由此疲劳驾驶统计如下信息：

车牌、开始时间、结束时间、超速地址、速度、疲劳里程、疲劳时长、经纬度(集合)。

非法位移：非法位移统计的为行车轨迹缺失记录，用于统计轨迹的完整率，因此非法位移统计如下信息：

车牌、离线时间、上线时间、直线距离、离线经纬度、上线经纬度。

车辆日画像：以天为单位统计综合上述五类信息统计车辆的行驶日画像，统计信息如下：

车牌号、总里程、总时长、平均速度、非法位移次数、非法位移总距离、清晨行驶时长、清晨行驶里程、傍晚行驶时长、傍晚行驶里程、夜晚行驶里程、夜晚行驶时长、超速率、80-90km/h里程、90-100km/h里程、100km/h以上里程、疲劳驾驶次数、疲劳驾驶时长、疲劳驾驶里程、疲劳驾驶时超速里程、恶劣天气危险驾驶次数、恶劣天气行驶均速、危险路段危险驾驶次数、危险路段行驶均速。

步骤1022：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车辆的特征值，具体如下：

(1)车龄的风险因子分析模型的计算公式如下：

其中，x>0，0<y≤1；x设为风险因子，包括车龄；

y(x)设为车龄的特征值。

车龄是指车首次购买至当前的时间，单位可设为按年计算，车龄越大，相对应的车龄的特征值越小，说明存在的风险也越大。

(2)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；

分别为用户设置的各项风险因子的初始值或为系统计算出的平均值；

x设为风险因子，分别包括日均行驶里程、日均行驶时长和平均速度、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比；

y(x)设为对应的特征值。

(3)车辆违规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；

分别设为系统计算出的每项风险因子的平均值；

x设为风险因子，分别包括千公里非法位移次数、千公里非法位移里程、超速率、80-90km/h超速率、90-100km/h超速率、100km/h以上超速率、千公里疲劳驾驶次数、千公里疲劳驾驶时长、千公里疲劳驾驶里程、疲劳驾驶时超速率、千公里危险路段次数、千公里恶劣天气驾驶次数；

y(x)设为对应的特征值。

通过准确计算出相对应的特征值y值，对各项风险因子产生的风险分值进行了具体的量化，由此可判断出哪些因素是影响行驶中安全的因素，并且能够提醒驾驶员调整不良驾驶行为，还可通过定期更新这些风险分值，进一步监督驾驶员的不良驾驶行为是否得到了改善。

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和车辆违规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。

计算出所有车辆违规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1023中，车辆的行驶行为综合评分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的行驶行为综合评分，对每个自然年度的12个月的车辆的行驶行为综合评分求平均值即可得出年度车辆的行驶行为综合评分，可为保险公司据此确定下一年度的保费提供了可参考的准确依据。

应用场景实施例2

如图3所示，一种基于北斗定位系统的车辆行驶行为综合评分方法，包括：

步骤201：接受用户的车辆行驶行为评分的查询请求，用户输入车辆的基本信息及查询时间；

步骤202：根据所述查询请求获取车辆的风险因子；

步骤203：若车辆的上线率小于3.5％，则判定车辆的行驶行为综合评分为0；若车辆的上线率大于3.5％，则继续执行车辆行驶行为评分的操作；

步骤204：若异地上线距离小于总行驶里程二分之一，则判定车辆的行驶行为综合评分为0；若异地上线距离大于总行驶里程二分之一，则继续执行车辆行驶行为评分的操作；

步骤205：获取车辆的各个风险因子分析模型；

步骤206：并通过模型计算得出各项车辆的特征值；

步骤207：获取各项车辆的特征值的权重，对全部车辆的特征权重值求和，计算得出所述车辆的行驶行为综合评分。

在本实施例中，用户可使用手机、电脑等终端，输入查询请求可以是用户采用语音输入，也可以是用户采用数字输入，在本实施例中同样不进行具体限定。对于步骤202、步骤205-207与实施例1的步骤102类似，在本实施例中不再进行赘述。如果用户输入车辆违规行驶情况的查询请求，则服务器系统可生成违规驾驶报表和违规驾驶记录发送到手机、电脑等终端供用户查看；用户还可使用手机、电脑等终端实时查询车辆轨迹和车辆位置。

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 (9)

1.一种基于北斗定位系统的车辆行驶行为综合评分方法，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，并更新车辆的行驶行为综合评分。

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，确定所述车辆的行驶行为综合评分。

3.根据权利要求2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、离线的经度和纬度及时间、上线的经度和纬度及时间、恶劣天气行驶时间和危险路段次数；

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、日均行驶时长和平均速度、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比；

根据车辆的行驶轨迹信息和/或运行状态信息对车辆的超速驾驶、疲劳驾驶、危险驾驶和非法位移进行实时分析，形成车辆违规行驶情况，对车辆违规行驶情况向目标车辆发送语音提醒，并由所述服务器记录车辆违规行驶情况，车辆违规行驶情况包括千公里非法位移次数、千公里非法位移里程、超速率、80-90km/h超速率、90-100km/h超速率、100km/h以上超速率、千公里疲劳驾驶次数、千公里疲劳驾驶时长、千公里疲劳驾驶里程、疲劳驾驶时超速率、千公里危险路段次数、千公里恶劣天气驾驶次数；

将车龄、各项车辆行驶情况和车辆违规行驶情况设为车辆风险因子。

4.根据权利要求3所述的方法，其特征在于，车龄的风险因子分析模型的计算公式如下：

其中，x>0，0<y≤1；x设为风险因子，包括车龄；y(x)设为车龄的特征值。

5.根据权利要求3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；

分别为用户设置的各项风险因子的初始值或为系统计算出的平均值；

x设为风险因子，分别包括日均行驶里程、日均行驶时长和平均速度、清晨时长里程占比、黄昏行驶时长占比、夜间行驶里程占比；

y(x)设为对应的特征值。

6.根据权利要求3所述的方法，其特征在于，所述车辆违规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；

分别设为系统计算出的各项风险因子的平均值；

x设为风险因子，分别包括千公里非法位移次数、千公里非法位移里程、超速率、80-90km/h超速率、90-100km/h超速率、100km/h以上超速率、千公里疲劳驾驶次数、千公里疲劳驾驶时长、千公里疲劳驾驶里程、疲劳驾驶时超速率、千公里危险路段次数、千公里恶劣天气驾驶次数；

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，根据车辆行驶情况和车辆违规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，计算出所有车辆违规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行为综合评分方法，其特征在于，包括：

接受用户的车辆行驶行为评分的查询请求，用户输入车辆的基本信息及查询时间；

根据所述查询请求获取车辆的风险因子；

若车辆的上线率小于3.5％，则判定车辆的行驶行为综合评分为0；若车辆的上线率大于3.5％，则继续执行车辆行驶行为评分的操作；

若异地上线距离小于总行驶里程二分之一，则判定车辆的行驶行为综合评分为0；若异地上线距离大于总行驶里程二分之一，则继续执行车辆行驶行为评分的操作；

获取车辆的各个风险因子分析模型，并通过模型计算得出各项车辆的特征值；

获取各项车辆的特征值的权重，对全部的车辆的特征权重值求和，计算得出所述车辆的行驶行为综合评分。