CN110447214A - 一种识别驾驶行为的系统、方法、装置和存储介质 - Google Patents

一种识别驾驶行为的系统、方法、装置和存储介质 Download PDF

Info

Publication number
CN110447214A
CN110447214A CN201880002704.9A CN201880002704A CN110447214A CN 110447214 A CN110447214 A CN 110447214A CN 201880002704 A CN201880002704 A CN 201880002704A CN 110447214 A CN110447214 A CN 110447214A
Authority
CN
China
Prior art keywords
acceleration
data
target data
driving behavior
driving
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.)
Granted
Application number
CN201880002704.9A
Other languages
English (en)
Other versions
CN110447214B (zh
Inventor
陈奥
张航
汪恒智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from CN201810171875.6A external-priority patent/CN110225446B/zh
Priority claimed from CN201810664251.8A external-priority patent/CN108791303B/zh
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN110447214A publication Critical patent/CN110447214A/zh
Application granted granted Critical
Publication of CN110447214B publication Critical patent/CN110447214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)
  • Tires In General (AREA)
  • Navigation (AREA)

Abstract

本申请涉及用于识别司机的危险驾驶行为的系统和方法。系统可以从与司机驾驶的车辆相关联的传感器获取驾驶数据；根据驾驶数据确定目标时段；根据驾驶数据获取目标时段内的目标数据；并根据目标数据确定司机的危险驾驶行为。

Description

一种识别驾驶行为的系统、方法、装置和存储介质
交叉引用
本申请要求于2018年3月1日提交的中国专利申请No.201810171875.6和于2018年6月25日提交的中国专利申请No.201810664251.8的优先权，其内容通过引用整体并入本文。
技术领域
本申请涉及用于线上到线下服务的系统和方法，尤其涉及用于识别危险驾驶行为的系统和方法。
背景技术
随着道路建设的快速发展，车辆的数量越来越多。大量车辆可能频繁发生交通事故，因此安全驾驶已成为一个重大问题。司机很少意识到他们的危险驾驶行为，导致很大的交通安全危险。此外，随着互联网技术的发展，基于互联网的线上到线下服务(例如，在线出租车服务)变得越来越流行。因此，有必要实时检测司机的驾驶行为，以确保乘客和司机的人身安全。
在某些情况下，网约车平台可以基于安装在与在线出租车服务相关联的智能设备(例如，移动手机)上的传感器检测到的驾驶数据来分析司机的驾驶行为。然而，不同移动手机的传感器或同一移动手机的不同型号的准确度和灵敏度可能完全不同，这可能导致司机的驾驶行为无法被准确识别。因此，希望提供有效且准确地识别司机驾驶行为的系统和方法。
发明内容
根据本申请的一个方面，提供了一种识别驾驶行为的方法。所述方法包括获取第一运动数据；确定前置规则，所述前置规则包括波动方差阈值；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；以及基于所述第二运动数据，识别驾驶行为。
在一些实施例中，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；以及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，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。
在一些实施例中，所述机器学习模型为摇晃二分类模型。
在一些实施例中，所述特征数据包括加速度最大值、加速度最小值、
加速度均值、加速度变换角度最大值、加速度变换角度最小值、加速度变换角度均值和/或沿三维坐标系三个方向上加速度最大值、沿三维坐标系三个方向上加速度最小值、沿三维坐标系三个方向上加速度均值。
在一些实施例中，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。
在一些实施例中，所述的方法进一步包括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。
在一些实施例中，所述第一运动数据包括线性加速度、角加速度和/或者姿态信息，所述姿态信息包括角色信息、角度信息、偏航信息和/或者俯仰信息。
在一些实施例中，所述获取第二运动数据由处理器执行。所述传感器基于第一预设时间间隔产生第一运动数据，所述处理器基于第二预设时间间隔获取第一运动数据。
在一些实施例中，所述处理器通过固定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。
根据本申请的另一个方面，提供了一种识别驾驶行为的系统。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。
根据本申请的另一个方面，提供了一种识别驾驶行为的装置。所述装置包括处理器，所述处理器执行识别程序。当所述识别程序被所述处理器执行时，所述处理器执行所述识别驾驶行为的方法。
根据本申请的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储计算机指令。当所述计算机指令被计算机执行时，所述计算机执行所述识别驾驶行为的方法。
根据本申请的另一个方面，提供了一种驾驶行为检测方法。所述方法由移动终端执行。所述方法包括通过所述移动终端上的加速度传感器获取加速度数据；其中，所述加速度数据包括x轴、y轴和z轴分别对应的加速度数据ax、ay和az；根据ax、ay和az的大小确定存在疑似危险驾驶行为的数据区间；提取所述数据区间内的加速度数据；对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，所述目标数据对应的z轴方向与重力方向相同；按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征或速度特征；以及根据提取得到的所述特征确定是否存在危险驾驶行为。
在一些实施例中，通过所述移动终端上的所述加速度传感器获取加速度数据的步骤包括当所述移动终端激活驾驶行为检测功能时，通过所述移动终端上的所述加速度传感器获取所述加速度数据。
在一些实施例中，所述方法还包括如果所述移动终端启动导航功能和/或通过网约车平台接受服务请求，激活所述驾驶行为检测功能。
在一些实施例中，根据ax、ay和az的大小确定存在疑似危险驾驶行为的数据区间包括根据ax、ay和az计算总加速度；统计所述总加速度大于设定阈值的连续个数；以及若所述连续个数大于设定个数，将连续的所述总加速度对应的加速度数据区间确定为所述存在疑似危险驾驶行为的数据区间。
在一些实施例中，根据ax、ay和az计算所述总加速度包括：根据 计算总加速度，或者，根据a＝ax+ay+az，计算总加速度。
在一些实施例中，对提取的所述加速度数据进行坐标变换包括对提取的所述加速度数据进行高通滤波，提取出低频的加速度数据；将所述低频的加速度数据的方向作为重力方向；根据所述重力方向与az方向间的角度构造旋转矩阵；以及将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
在一些实施例中，将提取的所述加速度数据乘以所述旋转矩阵之后，所述方法还包括在所述坐标变换之后，通过奇异值分解方法，将坐标变换后的ax或ay的方向调整至当前驾驶方向。
在一些实施例中，按照预设的特征参数对所述目标数据进行特征提取包括如果所述特征参数包括时域特征，计算沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差；如果所述特征参数包括频域特征，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；以及如果所述特征参数包括速度特征，沿每个坐标轴方向对所述目标数据进行积分，根据积分结果确定沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度终值。
在一些实施例中，确定所述频域数据对应的频域特征包括计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
在一些实施例中，根据提取得到的所述特征确定是否存在危险驾驶行为包括将提取得到的所述特征输入所述移动终端上的决策树模型；以及输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据所述危险驾驶行为对应的特征参数训练得到的。
在一些实施例中，所述方法还用于在存在危险驾驶行为的情况下，保存所述危险驾驶行为对应的加速度数据。
在一些实施例中，所述方法还包括按照设定的周期，向指定服务器发送保存的所述加速度数据；或者如果保存的所述加速度数据达到设定量，向指定服务器发送保存的所述加速度数据。
本申请的另一方面，提供了一种检测驾驶行为的装置，所述装置由移动终端执行。所述装置包括获取模块、第一确定模块、数据提取模块、坐标变换模块、特征提取模块和第二确定模块。获取模块，用于通过所述移动终端上的加速度传感器获取加速度数据；其中，所述加速度数据包括x轴、y轴和z轴分别对应的加速度数据ax、ay和az。第一确定模块，用于根据ax、ay和az的大小确定存在疑似危险驾驶行为的数据区间。数据提取模块，用于提取所述数据区间内的所述加速度数据。坐标变换模块，用于对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，所述目标数据对应的z轴方向与重力方向相同。特征提取模块，用于按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征。第二确定模块，用于根据提取得到的所述特征确定是否存在危险驾驶行为。
在一些实施例中，所述获取模块用于当所述移动终端激活驾驶行为检测功能时，通过移动终端上的所述速度传感器获取所述加速度数据。
在一些实施例中，所述装置还包括激活模块，用于在所述移动终端启动导航功能和/或通过网约车平台接受服务订单的情况下，激活所述驾驶行为检测功能。
在一些实施例中，所述第一确定模块包括计算单元、统计单元和确定单元。计算单元，用于根据ax、ay和az计算总加速度。统计单元，用于统计所述总加速度大于设定阈值的连续个数。确定单元，用于在所述连续个数大于设定个数的情况下，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。
在一些实施例中，所述计算单元用于根据计算总加速度，或者，根据a＝ax+ay+az，计算总加速度。
在一些实施例中，所述坐标变换模块用于对提取的所述加速度数据进行高通滤波，提取出低频的加速度数据；将所述低频的加速度数据的方向作为重力方向；根据所述重力方向与az方向间的角度构造旋转矩阵；以及将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
在一些实施例中，所述装置还包括调整模块。所述调整模块用于在所述坐标变换之后，通过奇异值分解装置，将坐标变换后的ax或ay的方向调整至当前驾驶方向。
在一些实施例中，所述特征提取模块用于：如果所述特征参数包括时域特征，计算沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差；如果所述特征参数包括频域特征，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；以及如果所述特征参数包括速度特征，沿每个坐标轴方向对所述目标数据进行积分，根据积分结果确定沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、沿每个坐标轴的速度终值、或沿每个坐标轴的速度中值。
在一些实施例中，所述特征提取模块还用于计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
在一些实施例中，所述第二确定模块用于：将提取得到的所述特征输入所述移动终端上的决策树模型；以及输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据所述危险驾驶行为对应的特征参数训练得到的。
在一些实施例中，所述装置还包括保存模块，用于在存在危险驾驶行为的情况下，保存所述危险驾驶行为对应的加速度数据。
在一些实施例中，所述装置还包括第一发送模块，用于按照预定的周期，向指定服务器发送保存的所述加速度数据；或者第二发送模块，用于在保存的所述加速度数据达到预定的量的情况下，向指定服务器发送保存的所述加速度数据。
根据本申请的另一方面，提供了一种计算设备。所述计算设备包括处理器、存储器和总线。所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备执行时，所述处理器与所述存储器之间通过总线通信。当所述机器可读指令被所述处理器执行时，所述处理器执行上述方法。
根据本申请的另一方面，提供了一种计算机可读介质。所述计算机可读存储介质上存储有计算机程序。当所述计算机程序被处理器执行时，所述处理器执行上述方法。
根据本申请的另一方面，提供了一种系统。所述系统包括用于存储一组指令的存储介质和与所述存储介质通信地耦合的处理器，所述处理器执行所述一组指令以从与司机驾驶的车辆相关的传感器获取驾驶数据；基于所述驾驶数据，确定目标时段；基于所述驾驶数据，获取所述目标时段内的目标数据；以及基于所述目标数据，确定所述司机的危险驾驶行为的存在。
在一些实施例中，所述驾驶数据包括加速度信息、速度信息、位置信息、时间信息或姿态信息中的至少一个。
在一些实施例中，所述系统还包括陀螺仪、加速度传感器、全球定位系统(GPS)传感器或重力传感器中的至少一个，其中所述处理器使用所述陀螺仪、所述加速度传感器、所述全球定位系统(GPS)传感器或所述重力传感器中的至少一个，以获取所述驾驶数据。
在一些实施例中，所述处理器确定对应于至少两个时间点的所述驾驶数据的至少两个波动方差；以及响应于确定所述至少两个波动方差大于方差阈值，确定所述目标时段为包含所述至少两个时间点的时段。
在一些实施例中，所述处理器在所述目标时段期间确定与所述驾驶数据相关的特征数据；以及通过基于所述特征数据和机器学习模型从所述驾驶数据中滤除无关数据来确定所述目标时段内的所述目标数据。
在一些实施例中，所述处理器识别时段，对应于其中至少两个时间点的至少两个总加速度中的每一个大于加速度阈值；以及响应于确定所述至少两个总加速度的个数大于计数阈值，确定所述时段为所述目标时段。
在一些实施例中，所述处理器从所述驾驶数据获取所述目标时间内的加速度数据；在所述加速度数据上执行坐标转换；以及基于变换的加速度数据，获取所述目标时段内的所述目标数据。
在一些实施例中，所述处理器通过对所述目标时段内的所述加速度数据进行高通滤波，提取低频加速度数据；指定所述低频加速度数据的方向作为重力方向；基于所述重力方向和z轴加速度方向之间的角度确定旋转矩阵；以及基于所述旋转矩阵对所述加速度数据执行所述坐标变换。
在一些实施例中，所述处理器在所述坐标变换之后，基于奇异值分解法(SVD)，将x轴加速度或y轴加速度的方向调整为与所述司机相关联的车辆的行驶方向。
在一些实施例中，所述处理器提取一个或以上与所述目标数据相关联的特征参数，以及基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。所述一个或一个以上特征参数包括时域特征、频域特征或速度特征中的至少一个。
在一些实施例中，所述处理器提取所述包括沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差的时域特征。
在一些实施例中，所述处理器通过对所述目标数据进行傅立叶变换，确定所述目标数据对应的频域特征数据；以及提取所述包括高频能量值、低频能量值或低频时长中的至少一个的频域特征。
在一些实施例中，所述处理器提取所述包括通过在所述目标数据上执行积分得到的沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度中值的速度特征。
在一些实施例中，所述处理器使用训练后的识别模型，根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
在一些实施例中，所述处理器根据预设频率获取所述与由所述司机驾驶的所述车辆相关联的所述驾驶数据。
在一些实施例中，所述处理器与所述车辆相关联的所述传感器包括与所述车辆相关联的终端设备的传感器。
根据本申请的另一方面，提供了一种在计算设备上实现的方法。所述计算设备包括至少一个处理器、至少一个存储介质、以及连接到网络的通信平台。所述方法包括从与司机驾驶的车辆相关的传感器获取驾驶数据；基于所述驾驶数据确定目标时段；基于所述驾驶数据，获取所述目标时段内的目标数据；以及基于所述目标数据，识别所述司机的危险驾驶行为的存在。
在一些实施例中，所述驾驶数据包括加速度信息、速度信息、位置信息、时间信息或姿态信息中的至少一个。
在一些实施例中，所述方法还包括使用陀螺仪、加速度传感器、全球定位系统(GPS)传感器或重力传感器中的至少一个来获取所述驾驶数据。
在一些实施例中，所述基于所述驾驶数据，确定所述目标时段包括确定对应于至少两个时间点的所述驾驶数据的至少两个波动方差；以及响应于确定所述至少两个波动方差大于方差阈值，确定所述目标时段为包含所述至少两个时间点的时段。
在一些实施例中，所述根据所述驾驶数据，获取所述目标时段内的所述目标数据包括：在所述目标时段期间确定与所述驾驶数据相关的特征数据；以及通过基于所述特征数据和机器学习模型从所述驾驶数据中滤除无关数据来确定所述目标时段内的所述目标数据。
在一些实施例中，所述基于所述驾驶数据，确定所述目标时段包括：识别时段，对应于其中至少两个时间点的至少两个总加速度中的每一个大于加速度阈值；以及响应于确定所述至少两个总加速度的个数大于计数阈值，确定所述时段为所述目标时段。
在一些实施例中，所述基于所述驾驶数据，获取所述目标时段内的所述目标数据包括从所述驾驶数据中所述目标获取加速度数据时；在所述加速度数据上执行坐标转换；和基于变换的加速度数据，获取所述目标时段内的所述目标数据。
在一些实施例中，所述在所述加速度数据上执行所述坐标转换包括通过对所述目标时段内的所述加速度数据进行高通滤波，提取低频加速度数据；指定所述低频加速度数据的方向作为重力方向；基于所述重力方向和z轴加速度方向之间的角度确定旋转矩阵；以及基于所述旋转矩阵对所述加速度数据执行所述坐标变换。
在一些实施例中，所述方法还包括在所述坐标变换之后，基于奇异值分解法(SVD)，将x轴加速度或y轴加速度的方向调整为与所述司机相关联的车辆的行驶方向。
在一些实施例中，所述基于所述目标数据，识别所述司机的所述危险驾驶行为的所述存在包括提取一个或以上与所述目标数据相关联的特征参数，其所述一个或一个以上特征参数包括时域特征、频域特征或速度特征中的至少一个；以及根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
在一些实施例中，所述提取所述一个或以上与所述目标数据相关联的特征参数包括提取所述包括沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差的时域特征。
在一些实施例中，所述提取所述一个或以上与所述目标数据相关联的特征参数包括通过对所述目标数据进行傅立叶变换，确定所述目标数据对应的频域特征数据；以及提取所述包括高频能量值、低频能量值或低频时长中的至少一个的频域特征。
在一些实施例中，所述提取所述一个或以上与所述目标数据相关联的特征参数包括提取所述包括通过在所述目标数据上执行积分得到的沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度中值的速度特征。
在一些实施例中，所述基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在包括使用训练后的识别模型，根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
在一些实施例中，所述方法还包括根据预设频率获取所述与由所述司机驾驶的所述车辆相关联的所述驾驶数据。
在一些实施例中，与所述车辆相关联的所述传感器包括与所述车辆相关联的终端设备的传感器。
根据本申请的另一方面，提供了一种系统，包括：获取模块、目标时段确定模块、目标数据确定模块和识别模块获取模块被配置为从与司机驾驶的车辆相关的传感器获取驾驶数据。目标时段确定模块被配置为基于所述驾驶数据确定目标时段。目标数据确定模块被配置为基于所述驾驶数据，获取所述目标时段内的目标数据。识别模块被配置为基于所述目标数据，识别所述司机的危险驾驶行为的存在。
在一些实施例中，所述驾驶数据包括加速度信息、速度信息、位置信息、时间信息或姿态信息中的至少一个。
在一些实施例中，所述系统还包括陀螺仪、加速度传感器、全球定位系统(GPS)传感器或重力传感器中的至少一个，其中所述处理器使用所述陀螺仪、所述加速度传感器、所述全球定位系统(GPS)传感器或所述重力传感器中的至少一个，以获取所述驾驶数据。
在一些实施例中，所述目标时段确定模块被配置为确定对应于至少两个时间点的所述驾驶数据的至少两个波动方差；以及响应于确定所述至少两个波动方差大于方差阈值，确定所述目标时段为包含所述至少两个时间点的时段。
在一些实施例中，所述目标数据确定模块被配置为：在所述目标时段期间确定与所述驾驶数据相关的特征数据；以及通过基于所述特征数据和机器学习模型从所述驾驶数据中滤除无关数据来确定所述目标时段内的所述目标数据。
在一些实施例中，所述目标时段确定模块被配置为：识别时段，对应于其中至少两个时间点的至少两个总加速度中的每一个大于加速度阈值；以及响应于确定所述至少两个总加速度的个数大于计数阈值，确定所述时段为所述目标时段。
在一些实施例中，所述目标数据确定模块被配置为从所述驾驶数据获取所述目标时间内的加速度数据；在所述加速度数据上执行坐标转换；以及基于变换的加速度数据，获取所述目标时段内的所述目标数据。
在一些实施例中，所述目标数据确定模块被配置为通过对所述目标时段内的所述加速度数据进行高通滤波，提取低频加速度数据；指定所述低频加速度数据的方向作为重力方向；基于所述重力方向和z轴加速度方向之间的角度确定旋转矩阵；以及基于所述旋转矩阵对所述加速度数据执行所述坐标变换。
在一些实施例中，所述目标数据确定模块进一步被配置为在所述坐标变换之后，基于奇异值分解法(SVD)，将x轴加速度或y轴加速度的方向调整为与所述司机相关联的车辆的行驶方向。
在一些实施例中，所述识别模块被配置为：提取一个或以上与所述目标数据相关联的特征参数，其所述一个或一个以上特征参数包括时域特征、频域特征或速度特征中的至少一个；以及基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
在一些实施例中，所述识别模块被配置为提取所述包括沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差的时域特征。
在一些实施例中，识别模块被配置为：通过对所述目标数据进行傅立叶变换，确定所述目标数据对应的频域特征数据；以及提取所述包括高频能量值、低频能量值或低频时长中的至少一个的频域特征。
在一些实施例中，所述识别模块被配置为提取所述包括通过在所述目标数据上执行积分得到的沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度中值的速度特征。
在一些实施例中，所述识别模块被配置为使用训练后的识别模型，根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
在一些实施例中，所述获取模块被配置为根据预设频率获取所述与所述由所述司机驾驶的车辆相关联的所述驾驶数据。
在一些实施例中，与所述车辆相关联的所述传感器包括与所述车辆相关联的终端设备的传感器。
根据本申请的另一个方面，提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质包括可执行指令。当由至少一个处理器执行时，指示所述至少一个处理器执行方法。所述方法包括从与司机驾驶的车辆相关的传感器获取驾驶数据；基于所述驾驶数据，确定目标时段；基于所述驾驶数据，获取所述目标时段内的目标数据；以及基于所述目标数据，确定所述司机的危险驾驶行为的存在。
一部分的附加特征将在如下描述中详细解释，基于对如下内容和附图的审查或通过实现或操作实施例的学习，一部分的附加特征对本领域技术人员来说是显而易见的。本申请的特征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。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
图1是根据本申请的一些实施例所示的一种示例性按需服务系统的示意图；
图2是根据本申请的一些实施例的示例性计算设备的示例性硬件和软件组件的示意图；
图3是根据本申请的一些实施例所示的示例性移动装置的示例性软件和/或硬件的示意图；
图4是根据本申请的一些实施例所示的一种示例性处理引擎的框图；
图5是根据本申请的一些实施例所示的一种示例性数据处理模块的框图；
图6是根据本申请的一些实施例所示的一种用于识别危险驾驶行为的示例性流程的流程图；
图7是根据本申请的一些实施例所示的一种用于获取第二运动数据的示例性流程的流程图；
图8是根据本申请的一些实施例所示的一种用于检测驾驶行为的示例性流程的流程图；
图9是说明根据本申请的一些实施例所示的加速度坐标系的示意图；
图10是根据本申请的一些实施例所示的一种用于确定在其中可能发生危险驾驶行为的数据区间的示例性流程的流程图。
图11是根据本申请的一些实施例所示的旋转y轴以与车辆的行驶方向一致的示意图；
图12是根据本申请的一些实施例所示的一种用于对提取的加速度数据执行坐标变换的示例性流程的流程图；
图13是根据本申请的一些实施例所示的时间和频率之间的对应关系的示意图；
图14是表示根据本申请的一些实施例的频域特征中的时间、频率和能量值之间的对应关系的示意图；
图15-A是根据本申请的一些实施例所示的车辆的突然减速的示意图；
图15-B是根据本申请的一些实施例所示的车辆的突然转弯的示意图；
图15-C是根据本申请的一些实施例所示的车辆的突然加速的示意图；
图16是根据本申请的一些实施例的所示的一种用于检测驾驶行为的示例性流程的流程图；
图17是根据本申请的一些实施例所示的一种在移动终端上执行的示例性驾驶行为检测设备的框图；
图18是根据本申请的一些实施例所示的一种示例性处理引擎的框图；
和
图19是根据本申请的一些实施例所示的一种用于识别危险驾驶行为的示例性流程的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且本文中定义的通则在不背离本申请的精神及范围的情况下，可以适用于其他实施例及应用。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例，并不限制本申请的范围。如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可以包括复数。应该被理解的是，本申请中所使用的术语“包括”与“包含”仅提示已明确标识的特征、整数、步骤、操作、元素和/或部件，而不排除可以存在和添加其他一个或以上特征、整数、步骤、操作、元素、部件和/或其组合。
根据以下对附图的描述，本申请所述的和其他的特征、操作方法、相关组件的功能和经济的结构更加显而易见，这些都构成说明书的一部分。然而，应当理解，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是附图并不是按比例的。
本申请中使用了流程图用于说明根据本申请的实施例的系统所执行的操作。应当明确理解，流程图中的操作可以不按顺序实施。相反，可以按照倒序或同时处理各种步骤。而且，可以将一个或以上其他操作添加到流程图中。一个或以上操作也可能会从流程图中删除。
此外，虽然本申请的系统和方法的描述主要关于分配交通运输服务请求，应该理解的是，这只是一个示例性的实施例。本申请的系统或方法还可应用于其他类型的线上到线下服务。例如，本申请的系统和方法还可应用于包括陆地、海洋、航空航天等或其任意组合。该运输系统中的使用的交通工具可包括出租车、私家车、顺风车、巴士、列车、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。运输系统还可以包括用于经营及/或分配的任何运输系统，例如用于传输及/或接收快递的系统。本申请的不同实施例应用场景可以包括网页、浏览器插件、客户端、定制系统、企业内部分析系统与人工智能机器人等中的一种或几种的组合。
在本申请中，术语“乘客”、“请求者”、“请求者”、“服务请求者”、“服务请求者”和“客户”可以交换使用，其表示可以请求或订购服务的个体、实体或工具。在本申请中，术语“司机”、“提供者”、服务提供者”，以及“供应者”也可以交换使用，其表示可以提供服务或促进该服务提供的个体、实体，或工具。本申请中的术语“用户”指的是可以请求服务、订购服务、提供服务或促进提供服务的个人、实体或工具。在本申请中，术语“请求者”和“请求者终端”可以互换使用，术语“提供者”和“提供者终端”可以互换使用。
在本申请中，术语“服务请求”和“订单”可以交换使用，其表示由乘客、请求者、服务请求者、客户、司机、提供者、服务提供者等或上述举例的任意组合所发起的请求。所述服务请求可以被乘客、服务请求者、客户、司机、提供者、服务提供者中的任何一个接受。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位系统(Global Positioning System,GPS)、全球卫星导航系统(Global Navigation Satellite System,GLONASS)、北斗导航系统(Compass Navigation System,COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等或其任意组合。上述定位技术中的一种或以上可以在本申请中互换使用。
本申请的一个方面涉及用于识别司机的危险驾驶行为的系统和方法。系统可以从与司机驾驶的车辆相关联的传感器获取驾驶数据。传感器可以是安装在与车辆相关联的移动设备上的传感器。系统可以基于驾驶数据确定目标时段。系统还可以基于驾驶数据获取目标时段内的目标数据。系统可以进一步基于目标数据识别司机的危险驾驶行为的存在。根据本申请的系统和方法，可以从安装在移动设备上的传感器获取驾驶数据，因此可以及时有效地检测到司机驾驶行为，从而确保乘客和司机的个人安全。此外，可以基于与危险驾驶行为相关联的相关数据来调整用于分配服务请求的分配策略，从而优化网约车平台。
此外，为了获取目标时段内的目标数据，系统可以基于机器学习模型从驾驶数据中过滤出无关数据(例如，由摇动移动设备产生的数据)，这可以改善识别危险驾驶行为的准确性。
应该指出的是，在线按需服务，例如在线出租车服务，是一种仅在后互联网时代扎根的新形式的服务。它为使用者和服务提供者提供了仅在后互联网时代才可能实现的技术方案。在互联网时代之前，当乘客在街道上呼叫出租车时，出租车请求和接受仅在乘客和看到乘客的出租车司机之间发生。如果所述乘客通过电话呼叫计程车，所述服务的请求和接受只发生在所述乘客和一个服务提供者(例如，出租车公司或者代理商)之间。然而，在线出租车允许服务的用户实时地并且自动地将服务请求分发给远离用户的大量个人服务提供者(例如，出租车)。它还允许至少两个服务提供者同时并实时响应服务请求。因此，通过因特网，按需服务系统可以为在传统的前互联网按需服务系统中可能永远不会满足的用户和服务提供者提供更有效的交易平台。
图1是根据本申请的一些实施例所示的一种示例性按需服务系统的示意图。在一些实施例中，按需服务系统100可以是用于线上到线下服务的系统。例如，按需服务系统100可以是用于运输服务的在线运输服务平台，例如出租车、司机服务、运送车辆、拼车、公共汽车服务、司机租用、班车服务等。按需服务系统100可以是包括服务器110、网络120、请求者终端130、提供者终端140和存储器150的平台。
在一些实施例中，服务器110可以是一单一服务器或一服务器组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是区域的或远程的。例如，服务器110可以通过网络120访问存储在请求者终端130、提供者终端140和/或存储器150中的信息和/或数据。再例如，服务器110可以直接连接到请求者终端130、提供者终端140和/或存储器150以访问存储的信息和/或数据。在一些实施例中，服务器110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、小区云、分布云、跨云、多云等或上述举例的任意组合。在一些实施例中，服务器110可以在计算设备200上实现，该计算设备200包括本申请中的图2中所示的一个或以上组件。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的服务器110的一个或以上功能。例如，处理引擎112可以获取与由司机驾驶的车辆相关联的驾驶数据，并基于驾驶数据识别司机的危险驾驶行为的存在。在一些实施例中，所述处理引擎112可包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理引擎112可以包括一个或以上硬件处理器，例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用一组指令处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑设备(PLD)、控制器、微控制器单元、精简一组指令计算机(RISC)、微处理器等或其任意组合。在一些实施例中，处理引擎112可以集成在请求者终端130或提供者终端140中。
网络120可以促进信息和/或数据的交换。在一些实施例中，按需服务系统100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140、存储器150)可以通过网络120向按需服务系统100的其他组件发送信息和/或数据。例如，服务器110可以经由网络120从提供者终端140接收驾驶数据。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为范例，网络120可以是电缆网络、缆线网络、光纤网络、电信网络、内部网络、因特网、局域网络(LAN)、广域网(WAN)、无线局域网络(WLAN)、都会局域网络(MAN)、公用电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)等或其任意组合。在一些实施例中，网络120可以包括一个或以上网络交换点。例如，网络120可以包括有线或无线网络交换点，如基站和/或因特网交换点120-1、120-2、…，通过交换点，按需服务系统100的一个及以上组件可以连接至网络120以交换信息和/或数据。
在一些实施例中，乘客可以是请求者终端130的用户。在一些实施例中，请求者终端130的所有者可以是乘客以外的其他人。例如，请求者终端130的所有者A可以使用请求者终端130为乘客B发送一个服务请求或从服务器110接收服务和/或信息或指示。在一些实施例中，服务提供者可以是提供者终端140的用户。在一些实施例中，提供者终端140的使用者可以是服务提供者外的其他人。例如，提供者终端140的用户C可以使用提供者终端140为用户D接收服务请求和/或从服务器110接收信息或指示。在一些实施例中，“服务请求者”和“请求者终端”可以交换使用，“服务提供者”和“提供者终端”可以交换使用。
在一些实施例中，请求者终端130可以包括移动装置130-1、平板计算机130-2、笔记本电脑130-3、车辆内置装置130-4等或上述举例的任意组合。在一些实施例中，移动装置130-1可以包括智能家居装置，可穿戴装置、智能移动装置、虚拟现实装置、增强实境装置等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或上述举例的任意组合。在一些实施例中，智能移动设备可以包括智能手机、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/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强型虚拟现实头盔、增强型虚拟现实眼镜、增强型虚拟现实补丁等，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GoogleTM Glass，Oculus Rift，HoloLens，Gear VR等。在一些实施例中，车辆内置装置130-4可以包括车载电脑、车载电视等。在一些实施例中，请求者终端130可以是具有用于定位请求者和/或请求者终端130的位置的定位技术的设备。
在一些实施例中，提供者终端140可以是与服务请求者终端130类似或者相同的装置。在一些实施例中，提供者终端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、近距离传感器、声学检测器等一种或几种的组合。在一些实施例中，提供者终端140可以是带有定位技术的设备，用于定位提供者和/或提供者终端140的位置。在一些实施例中，提供者终端140可以周期性地将GPS数据发送到服务器110。在一些实施例中，请求者终端130和/或提供者终端140可以与另一个定位设备通信以确定请求者、请求者终端130、提供者和/或提供者终端140的位置。在一些实施例中，请求者终端130和/或提供者终端140可以将定位信息发送到服务器110。
存储器150可以储存数据及/或指令。在一些实施例中，存储器150可以存储从请求者终端130和/或提供者终端140获取的数据。在一些实施例中，存储器150可以存储服务器110用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，存储器150可包括大容量存储器、可移动存储器、挥发性读写内存、只读存储器(ROM)等或其任意组合。示例性大容量存储器可包括磁盘、光盘、软盘、固态硬盘等。示例性的可移动存储器可包括快闪驱动器、软盘、光盘、记忆卡、压缩盘、磁带等。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，存储器150可以在云平台上实现。仅仅举个例子，所述云平台可以包括私有云、公共云、混合云、小区云、分散云、内部云、多重云等中的一种或类似或其任意组合在一些实施例中，存储器150可以与网络120连接以与按需服务系统100的一个或以上部件(例如，服务器110、请求者终端130、提供者终端140等)通信。按需服务系统100的一个或以上组件可以通过网络120访问存储在存储器150中的数据或指令。在一些实施例中，存储器150可以直接与按需服务系统100的一个或以上部件(例如，服务器110、请求者终端130、提供者终端140等)连接或通信。在一些实施例中，存储器150可以是服务器110的一部分。
在一些实施例中，按需服务系统100的一个或以上组件(例如，服务器110、请求者终端130、提供者终端140)可以访问存储器150。在一些实施例中，当满足一个或以上条件时，按需服务系统100的一个或以上组件可以读取和/或修改与请求者、提供者和/或公众有关的信息。例如，一个服务完成后，服务器110可以读取和/或修改一个或以上用户的信息。又例如，当所述提供者终端140从所述请求者终端130接收到服务请求时，所述提供者终端140可以访问与请求者相关的信息，但是不能修改所述请求者的相关信息。
在一些实施例中，按需服务系统100的一个或以上部件的信息交换可以通过请求一个服务的方式实现。服务请求的对象可以为任何产品。在一些实施例中，所述产品可以包括食品、医药、商品、化学产品、电器、衣物、小汽车、房屋、奢侈品等或上述举例的任意组合。在一些实施例中，所述产品可以包括服务产品、金融产品、知识产品、互联网产品等或上述举例的任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等或上述举例的任意组合。所述移动互联网产品可以用于移动终端的软件、程序、系统等或类似或其任意组合。所述移动终端可以包括平板计算机、笔记本电脑、移动手机、个人数字助理(PDA)、智能手表、销售点装置(POS)、车载电脑、车载电视、可穿戴装置等或其任意组合。例如，所述产品可以是在计算机或移动手机上使用的任一软件和/或应用程序。所述软件和/或应用程序可涉及社交、购物、交通、娱乐、学习、投资等或其任意组合。在一些实施例中，所述与交通相关的软件和/或应用程序可以包括出行软件和/或应用程序、交通工具调度软件和/或应用程序、地图软件和/或应用程序等。在所述交通工具调度软件和/或应用程序中，交通工具可以包括马、马车、人力车(例如独轮手推车、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、船舶、飞行器(例如，飞机、直升机、航天飞机、火箭、热气球等)等其任意组合。
在一些实施例中，按需服务系统100可以被配置用于识别服务提供者(例如，司机)的驾驶行为。如这里所使用的，司机可以是私人汽车所有者和/或在线出租车司机，因此，提供者终端140可以是私人汽车所有者的用户终端或在线出租车司机的用户终端。此外，司机客户端(也称为“司机APP)，可以安装在提供者终端140上，并且提供者终端140与由司机驾驶的车辆(未示出)一起移动。
在一些实施例中，按需服务系统100的应用场景可以是在线出租车场景或私家车场景。对于在线出租车场景，司机客户端可以是在线出租车司机客户端，并且服务器110可以是对应于在线出租车司机的服务器。对于私人汽车场景，司机客户端可以是私人汽车所有者客户端，并且服务器110可以是对应于私人汽车所有者的服务器。
在一些实施例中，对于在线出租车场景，如果司机需要驾驶行为检测服务，他/她可以登录在线出租车司机客户端并通过在线出租车司机客户端激活驾驶行为检测功能(也称为“驾驶行为识别功能”)。在激活驾驶行为检测功能后，可以实时检测司机的驾驶行为，以确定司机是否具有危险驾驶行为。如果确定司机有危险驾驶行为，则将提醒司机他/她目前处于危险的驾驶状态并且必须调整驾驶行为。另外，在线出租车司机客户端还可以将与危险驾驶行为相关联的数据上传到服务器110以进行存储。在从司机客户端获取与危险驾驶行为相关联的数据之后，服务器110可以基于与危险驾驶行为相关联的数据来评估司机，以确定司机的级别。同时，服务器110还可以基于与危险驾驶行为相关联的数据来调整用于分配服务请求的分配策略。
在一些实施例中，对于私家车场景，如果司机需要驾驶行为检测服务，则他/她可以登录私家车主客户端并通过私家车主客户端激活驾驶行为检测功能。在激活驾驶行为检测功能后，可以实时检测司机的驾驶行为，以确定司机是否具有危险驾驶行为。如果确定司机有危险驾驶行为，则提醒司机他/她目前处于危险的驾驶状态并且必须调整驾驶行为。另外，私人轿车所有者客户端还可以将与危险驾驶行为相关联的数据上传到服务器110以进行存储。在从司机客户端获取与危险驾驶行为相关联的数据之后，服务器110可以基于与危险驾驶行为相关联的数据执行统计操作。例如，服务器110可以确定每月(或每周)司机发生危险驾驶行为的次数、发生危险驾驶行为的时间、发生危险驾驶行为的路段等。在确定上述统计数据之后，服务器110可以将统计数据推送到私家车主客户端，以基于统计数据提醒司机调整他或她的驾驶行为。例如，如果特定路段上司机发生危险驾驶行为的次数相对较高，当司机再次通过路段时，他/她可以更加注意并调整他/她的驾驶行为，以便进一步提高司机在驾驶过程中的安全程度。
本领域普通技术人员将理解，当随选服务系统100的组件执行功能时，该组件可经由电信号和/或电磁信号执行功能。例如，当请求者终端130处理诸如做出确定、识别或选择对象的任务时，请求者终端130可以在其处理器中操作逻辑电路以处理这样的任务。当请求者终端130向服务器110发出服务请求时，服务请求者终端130的处理器可以生成编码服务请求的电信号。然后，请求者终端130的处理器可以将电信号发送到输出端口。如果请求者终端130经由有线网络与服务器110通信，则输出端口可以物理地连接到电缆，该电缆还可以将电信号发送到服务器110的输入端口。如果请求者终端130经由无线网络与服务器110通信，则请求者终端130的输出端口可以是一个或以上天线，其可以将电信号转换为电磁信号。类似地，提供者终端140可以通过其处理器中的逻辑电路的操作来处理任务，并且经由电信号或电磁信号从服务器110接收指令和/或服务请求。在电子设备中，如请求者终端130、提供者终端140和/或服务器110在其处理器流程指令发出指令和/或执行动作时，指令和/或者动作通过电信号执行。例如，当处理器从存储介质(例如，存储器150)检索或保存数据时，它可以将电信号发送到存储介质的读/写设备，其可以在存储介质中读取或写入结构化数据。该结构化数据可以以电信号的形式经由电子设备的总线传输至处理器。这里，电信号是指一个电信号、一系列电信号和/或至少两个可区分的电信号。
图2是根据本申请的一些实施例的示例性计算设备的示例性硬件和软件组件的示意图。在一些实施例中，服务器110、请求者终端130和/或提供者终端140可以是在计算设备200上执行。例如，处理引擎112可以在计算设备200上实施并执行本申请所披露的处理引擎112的功能。
计算设备200可以用来实现本申请所描述的按需服务系统100的任意组件。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。虽然只示出了一个这样的计算机，但为了方便起见，与在此描述的线上到线下服务相关的计算机功能可以以分布式的方式在至少两个类似平台上实现，以分散处理负载。
例如，计算设备200可以包括与网络相连接通信端口250，以实现数据通信。计算设备200还可以包括处理器(例如，处理器220)，其形式为一个或以上处理器(例如，逻辑电路)，用于执行程序指令。例如，处理器可以包括接口电路和其中的处理电路。接口电路可以被配置为从总线210接收电信号，其中电信号编码处理电路处理的结构化数据和/或指令。在一些实施例中，总线210可以包括ISA总线、PCI总线、EISA总线等。在一些实施例中，总线210可以包括地址总线、数据总线、控制总线等。处理电路可以进行逻辑计算，然后将结论、结果和/或指令编码确定为电信号。然后，接口电路可以经由总线210从处理电路发出电信号。
计算设备200还可以包括不同形式的程序存储器和数据存储器包括，例如，磁盘270和只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算设备处理和/或传输的各种各样的数据文件。示例性的计算设备也可以包括存储在ROM 230、RAM 240和/或其他类型的非暂态存储介质中的由处理器220执行的程序指令。本申请公开的方法及/或过程可以作为程序指令来实施。计算装置200也包括输入/输出部件260，用于支持计算机与此处其他部件之间的输入/输出。计算设备200也可以通过网络通信接收程序和数据。
仅仅为了说明，图2中仅示出了一个CPU和/或处理器。也可以包括至少两个中央处理器及/或处理器；因此本申请中描述的由一个CPU和/或处理器实现的操作和/或方法也可以共同地或独立地由至少两个CPU和/或处理器实现。例如，在本申请中，如果计算装置200的中央处理单元和/或处理器执行步骤A和步骤B，应当理解的是步骤A和步骤B可以由计算装置200的两个不同的中央处理单元和/或处理器共同或分别执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B)。
图3是根据本申请的一些实施例所示的示例性移动装置300的示例性软件和/或硬件的示意图。如图3所示，所述移动装置300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理器340、输入/输出接口350、内存360和存储器390在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示)，也可被包括于移动装置300内。
在一些实施例中，移动操作系统370(例如，iOSTM、AndroidTM、Windows PhoneTM)，和一个或以上应用程序380可从存储器390加载到内存360中以便由处理器340执行。应用程序380可以包括浏览器或任何其他合适的应用程序，用于从按需服务系统100接收及呈现与按需服务或其他信息有关的信息。用户交互信息流可以经由输入/输出接口350获取，并经由网络120提供给服务器110和/或按需服务系统100的其他组件。
为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若程控得当，计算机亦可用作服务器。
图4是根据本申请的一些实施例所示的一种示例性处理引擎的框图。本申请中公开的处理引擎112的功能可以由服务器110经由处理器220实现，或者由请求者终端130和/或提供者终端140经由处理器340实现。处理引擎112可包括获取模块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可以获取由与设备相关联的传感器(例如，移动终端(例如，请求者终端130、提供者终端140))生成的第一运动数据。传感器可包括陀螺仪、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、声学检测器等一种或几种的组合。陀螺仪可以是角速度传感器，其在装置旋转或倾斜时测量旋转角速度。加速度传感器可以是电容式加速度传感器、感应加速度传感器、应变加速度传感器、压电电阻加速度传感器、压电加速度传感器等一种或几种的组合。GPS可以包括包括GPS的载体，其可以与网络120通信。车载GPS可以确定用于定位车辆和/或在车辆中移动的设备的运动数据。重力传感器可包括弹性敏感部件，其可产生变形的感应电信号。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的信息(例如，已经安装了应用程序的移动智能手机，被配置为实现本申请中公开的方法/过程或携带移动智能手机的车辆)，例如位置、速度、加速度、姿态(例如，角色、偏航、角度、俯仰运动、加速度)等一种或几种的组合。在一些实施例中，该设备可以是移动智能手机、个人数字助理(PDA)、平板电脑、膝上型电脑、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、虚拟现实设备和/或显示增强设备(例如、GoogleTMGlass、Oculus Rift、HoloLens、Gear VR等)。移动智能手机可包括触摸屏、扬声器、麦克风、天线等一种或几种的组合。移动智能手机可以连接到移动网络并发起呼叫。在一些实施例中，移动智能手机可包括至少一个传感器。所述至少一个传感器可包括陀螺仪、加速度传感器、全局定位系统(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、近距离传感器等一种或几种的组合。
在一些实施例中，传感器可以根据第一预设时间间隔(例如，每0.01秒、每0.02秒、每0.05秒、每秒)生成第一运动数据。获取模块402可以根据第二预设时间间隔(例如，每0.01秒、每0.02秒、每0.05秒、每秒)获取第一运动数据。第一预设时间间隔和第二预设时间间隔可以是按需服务系统100的默认设置，或者可以在不同情况下调整。第一预设时间间隔可以与第二预设时间间隔相同或不同。
在一些实施例中，第一运动数据可以反映司机的驾驶行为或车辆状态。在一些实施例中，驾驶行为可能是危险驾驶行为，例如危险加速(例如，突然加速)、危险制动(例如，突然制动)、危险转弯(例如，突然转弯)等一种或几种的组合。危险加速可能是由司机连续和/或用力踩踏加速踏板引起的。危险制动可能是由司机连续和/或用力踩踏制动器引起的。危险转弯可能是由司机突然转向方向盘造成的。危险转弯可能包括突然的右转弯、突然的左转弯和/或其他突然的转弯方向行为。在一些实施例中，司机可以通过遥控器实现驾驶行为(例如，在远程位置处使用虚拟操纵)。
在一些实施例中，第一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、近距离传感器数据、角加速度数据等一种或几种的组合。第一运动数据的类型可以对应于移动智能手机上的传感器。例如，移动智能手机中的加速度传感器可以生成或记录加速度数据。
在一些实施例中，可以组合或分解由不同传感器生成的运动数据以描述指定的驾驶行为。例如，加速传感器数据、GPS数据和重力传感器数据可以组合以描述司机的突然加速。
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，假设在车辆前方发生突然的道路交通事故，司机可以执行突然制动，并且加速度传感器可以在突然制动期间，在其输出信号和/或数据中产生峰值。在一些实施例中，第一运动数据还可以包括与非驾驶相关行为(即，由驾驶相关活动以外的动作引起的行为)相关联的运动数据，诸如当移动智能手机的用户在驾驶期间摇动移动智能手机时生成的运动数据。因此，来自设备的传感器的输出信号和/或数据还可以包括与非驾驶相关行为相对应的部分。在一些实施例中，设备可以区分非驾驶相关行为的运动数据。例如，假设司机出于某种原因摇动移动智能手机，移动智能手机或在移动智能手机中运行的汽车应用可以通过分析运动数据的特征来区分振动和驾驶行为(例如，突然转弯)。
在一些实施例中，获取模块402可以基于第一运动数据确定设备是否正在与车辆一起移动。响应于确定司机正在使用的设备沿着路线或根据应用程序确定的订单进行移动或者并且该订单与车辆相关联，可以确定该设备正在与车辆一起移动。例如，当设备中的应用程序(例如，出租车APP)提供设备的路线引导，并且该应用程序与已经在应用程序上注册的车辆相关联时，获取模块402可以基于所获取的第一运动数据获取设备的移动路线，确定它是否与应用程序提供的相同。如果两个路线彼此重叠，则获取模块402可以确定设备正在与车辆一起移动。
随设备移动的车辆可包括私家车、出租车、网络汽车、自主车辆、电动车辆、摩托车、巴士、火车、顺风车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、无人驾驶车辆等一种或几种的组合。在一些实施例中，该装置可随车辆移动并检测车辆的运动。例如，车辆的司机可以在驾驶时携带移动智能手机，并且具有至少一个传感器的设备(即，移动智能手机)可以检测车辆的移动。又例如，如果乘客在出租车中使用移动智能手机，则移动智能手机可以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。前置规则可以包括波动方差阈值(也称为“方差阈值”)。波动方差可以是第一运动数据的累积加速度的方差。例如，以特定时间点为例，对应于特定时间点的波动方差是指对应于时间点和时间点之前的至少两个时间点的至少两个加速度的方差。波动方差的值可以指示加速度的波动强度。前置规则确定模块404可以确定前置规则准入条件和/或前置规则准出条件。在一些实施例中，前置规则准入条件可以是第一运动数据的波动方差大于第一阈值。在一些实施例中，前置规则准出条件可以是第一运动数据的波动方差小于第二阈值。第一阈值和/或第二阈值可以是按需服务系统100的默认设置，或者可以在不同情况下是可调节的。第一阈值可以与第二阈值相同或不同。在一些实施例中，前置规则准入时，存储器150可以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可以开始从第一运动数据中过滤掉不需要的信息(也称为“无关信息”)。在一些实施例中，前置规则可以存储在存储器150中，或者由通信模块410经由网络120从数据库和/或其他源获取。在一些实施例中，前置规则准出时，存储器150可以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可以停止从第一运动数据中过滤掉不需要的信息。
时间确定模块406可以基于前置规则确定时段(也称为“目标时段”)。在一些实施例中，时间确定模块406可以基于前置规则准入的时间点来确定时间段的开始时间点，并且基于前置规则准出的时间点来确定时间段的结束时间点。时间确定模块406可以基于开始时间点和结束时间点来确定时段。在一些实施例中，时间确定模块406还可以确定与时段相关联的时间点。该时间点可以是时段的开始时间点、时段的结束时间点、或时段内的任何时间点。时段和时间点可以通过通信模块410与第二运动数据一起发送到服务器110。
数据处理模块408可以基于第一运动数据获取时段内的第二运动数据(也被称为“目标数据”)。在一些实施例中，数据处理模块408可以从第一运动数据中过滤掉不需要的信息。在一些实施例中，数据处理模块408可以处理时段内的第一运动数据。在一些实施例中，数据处理模块408可以执行获取模块402的部分功能，以确定与一个或多个传感器连接的设备是否随车辆移动。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和与其相关联的时段和/或时间点关联为关联信息。
通信模块410可以在服务器110、请求者终端130、提供者终端140、存储器150和/或数据库之间建立通信连接。在一些实施例中，通信模块410可以将时段、时段内的第二运动数据和/或与时段相关联的时间点(例如，开始时间点、结束时间点)发送到服务器110。在一些实施例中，第一运动数据可以由设备(例如，移动智能手机)或车载无线传输设备发送。在一些实施例中，通信模块410可以经由网络120从外部获取机器学习模型。
在一些实施例中，通信模块410可以根据固定的采样频率或变化的采样频率将第一运动数据、时段内的第二运动数据和/或时段发送到服务器110。
识别模块412可以基于由通信模块410发送到服务器110的第二运动数据来识别所接收的第二运动数据是否是危险驾驶数据。在一些实施例中，识别模块412可以基于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可以通过使用深度学习GAN模型来识别第二运动数据。危险驾驶数据可能对应于相应的危险驾驶行为。危险驾驶行为可包括突然加速、突然制动、突然转弯等一种或几种的组合。在一些实施例中，危险驾驶数据可包括对应于危险驾驶行为的得分或计数的统计数据。统计数据可包括突然加速的时间、突然制动的个数、突然转弯的时间等一种或几种的组合。
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可通过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线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等一种或几种的组合。任何两个模块可以组合成单个模块，任何一个模块可以分成两个或以上单元。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。例如，前置规则确定模块404和时间确定模块406可以组合为单个模块。又例如，前置规则确定模块404、时间确定模块406和数据处理模块408可以组合为单个模块。可以省略通信模块410。
图5是根据本申请的一些实施例所示的一种示例性数据处理模块的框图。数据处理模块408可包括获取单元502、特征数据生成单元504、训练单元506和过滤单元508。
获取单元502可以获取时段内的时段、第一运动数据和机器学习模型。在一些实施例中，获取单元502可以通过通信模块410获取时段和时段内的第一运动数据。在一些实施例中，获取单元502可以通过网络120通过通信模块410从数据库获取机器学习模型。在一些实施例中，获取单元502可以经由网络120通过通信模块410从存储器150获取机器学习模型。在一些实施例中，获取单元502可以生成机器学习模型。在一些实施例中，机器学习模型可以包括深度神经网络、深度置信网络、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、二分类模型等一种或几种的组合。
特征数据生成单元504可以基于由获取单元502获取的第一运动数据来生成特征数据。特征数据可以包括最大加速度、最小加速度、平均加速度、最大加速度变换角度、最小加速度变换角度、平均加速度变换角度、沿着三维坐标系的每个方向的最大加速度、沿着三维坐标系的每个方向的最小加速度、沿着三维坐标系的每个方向的平均加速度等一种或几种的组合。如这里所使用的，以特定加速度作为示例，加速度变换角度是指第一坐标系中的特定加速度的方向与第二坐标系中的特定加速度的方向之间的角度。加速度可包括线性加速度或角加速度。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、一个或多个矩阵等一种或几种的组合。
训练单元506可以基于由特征数据生成单元504生成的特征数据来训练和更新由获取单元502获取的机器学习模型。在一些实施例中，机器学习模型可以是摇晃二分类模型。在一些实施例中，机器学习模型可以从第一运动数据中过滤掉不需要的信息。在一些实施例中，机器学习模型可以在线或离线更新。在训练机器学习模型之后，可以基于实时获取的特征数据或根据周期性间隔(例如，每天或每周)来进一步更新机器学习模型。在一些实施例中，可以进一步更新机器学习模型以生成可以对应于不同类型的不需要信息的子模型。例如，可以使用第一子模型来对与车辆相关联的不需要的信息进行分类，并且可以使用第二子模型来对与移动智能手机相关联的不需要的信息进行分类。
过滤单元508可以基于由训练单元506训练的摇晃二分类模型，通过从第一运动数据中滤除不需要的信息来获取第二运动数据。不需要的信息可以包括由正常的移动手机振动产生的运动数据、由普通驾驶行为产生的运动数据、由其他非危险性驾驶行为产生的运动数据等一种或几种的组合。在一些实施例中，过滤单元508可以区分与非驾驶相关行为相关联的运动数据。例如，如果司机出于某种原因摇动移动智能手机，则过滤单元508可以基于机器学习模型将摇动与驾驶行为区分开(例如，突然转弯)。
数据处理模块408中的单元可以通过有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等一种或几种的组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等一种或几种的组合。应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。例如，特征数据生成单元504和训练单元506可以组合为单个模块。又例如，训练单元506和过滤单元508可以组合为单个模块。可以省略特征数据生成单元504。
图6是根据本申请的一些实施例所示的一种用于识别危险驾驶行为的示例性流程的流程图。流程600可以由按需服务系统100执行。例如，流程600可以实现为存储在存储ROM230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图4-5中的模块和/或单元可以执行该组指令，并且当执行指令时，处理器220、模块和/或单元可以被配置用于执行流程600。以下呈现的所示流程的操作旨在是说明性的。在一些实施例中，流程600在实现时可以添加一个或以上个未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图6所示和下面描述的流程的操作顺序不旨在具有限制性。在一些实施例中，流程600可以由服务器110或移动终端(例如，提供者终端140)执行。如本申请中其他地方所述，处理引擎112可以集成在服务器110、请求者终端130或提供者终端140中，因此，可以认为处理引擎112执行流程600。
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。波动方差可以是第一运动数据的累积加速度的方差。波动方差的值可以指示加速度的波动强度。前置规则确定模块404可以确定前置规则准入条件和/或前置规则准出条件。在一些实施例中，前置规则准入条件可以是第一运动数据的波动方差大于第一阈值。在一些实施例中，前置规则准出条件可以是第一运动数据的波动方差小于第二阈值。第一阈值和/或第二阈值可以是按需服务系统100的默认设置，或者可以在不同情况下是可调节的。第一阈值可以与第二阈值相同或不同。在一些实施例中，前置规则准入时，存储器150可以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可以开始从第一运动数据中过滤掉不需要的信息(也称为“无关信息”)。在一些实施例中，前置规则可以存储在存储器150中，或者由通信模块410经由网络120从数据库和/或其他源获取。在一些实施例中，前置规则准出时，存储器150可以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可以停止从第一运动数据中过滤掉不需要的信息。
在一些实施例中，前置规则可以由前置规则模块404生成。在一些实施例中，前置规则可以存储在存储器150中并由前置规则模块404获取。
在604中，处理引擎112中的获取模块402可以获取由与设备相关联的至少一个传感器生成的第一运动数据。第一运动数据可以包括电子设备的信息(例如，已经安装了应用程序的移动智能手机，被配置为实现本申请中公开的方法/过程或携带移动智能手机的车辆)，例如位置、速度、加速度、姿态(例如，角色、偏航、角度、俯仰运动、加速度)等一种或几种的组合。
在一些实施例中，第一运动数据可以反映司机的驾驶行为或车辆状态。在一些实施例中，驾驶行为可能是危险驾驶行为，例如危险加速(例如，突然加速)、危险制动(例如，突然制动)、危险转弯(例如，突然转弯)等一种或几种的组合。在一些实施例中，可以组合或分解由不同传感器生成的运动数据以描述指定的驾驶行为。例如，加速传感器数据、GPS数据和重力传感器数据可以组合以描述司机的突然加速。
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，假设在车辆前方发生突然的道路交通事故，司机可以执行突然制动，并且加速度传感器可以在突然制动期间，在其输出信号和/或数据中产生峰值。在一些实施例中，第一运动数据还可以包括与非驾驶相关行为(即，由驾驶相关活动以外的动作引起的行为)相关联的运动数据，诸如当移动智能手机的用户在驾驶期间摇动移动智能手机时生成的运动数据。因此，来自设备的传感器的输出信号和/或数据还可以包括与非驾驶相关行为相对应的部分。与非驾驶相关行为相关的数据可以是与摇动相关联的数据，其需要通过随后的机器学习模型来区分。
在606中，处理引擎112中的时间确定模块406可以基于前置规则准入的时间点确定时段的开始时间点，并且基于前置规则准出时的时间点确定时段的结束时间点。时间确定模块406可以基于开始时间点和结束时间点来确定时段。在一些实施例中，时间确定模块406还可以确定与时段相关联的时间点。该时间点可以是时段的开始时间点、时段的结束时间点、或时段内的任何时间点。时段和时间点可以通过通信模块410与第二运动数据一起发送到服务器110。时段可以代表在该时段内可能发生危险驾驶行为(即，司机具有危险驾驶行为)。处理引擎112中的获取模块402可以基于时段获取时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可以基于第一运动数据获取该时段内的第二运动数据。第二运动数据可以包括具有从第一运动数据过滤掉无关数据的运动数据。在一些实施例中，可以基于摇晃二分类机器学习模型对第一运动数据执行过滤来获取第二运动数据。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、一个或多个矩阵等一种或几种的组合。
在610中，处理引擎112中的通信模块410可以将该时段内的第二运动数据发送到服务器110。在一些实施例中，通信模块410可以经由网络120将时段、第二运动数据和/或与时段相关联的时间点发送到服务器110。在一些实施例中，通信模块410可以经由网络120获取机器学习模型。
在612中，处理引擎112中的识别模块412可以识别与通信模块410发送的第二运动数据相对应的驾驶行为。在一些实施例中，识别模块412可识别对应于第二运动数据的危险驾驶行为。在一些实施例中，识别模块412可基于机器学习模型识别对应于第二运动数据的危险驾驶行为。在一些实施例中，机器学习模型可以是深度学习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、二分类模型等一种或几种的组合。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。例如，可以在操作604之后执行操作602，或者可以同时执行操作602和操作604。又例如，可以在流程600中添加或删除至少一个操作，例如，可以添加用于确定与至少一个传感器相关联的设备与车辆一起移动的操作。
图7是根据本申请的一些实施例所示的一种用于获取第二运动数据的示例性流程的流程图。流程700可以由按需服务系统100执行。例如，流程700可以实现为存储在存储ROM230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图4-5中的模块和/或单元可以执行该组指令，并且当执行指令时，处理器220、模块和/或单元可以被配置用于执行流程700。以下呈现的所示流程的操作旨在是说明性的。在一些实施例中，流程700在实现时可以添加一个或以上个未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图7所示和下面描述的流程的操作顺序不旨在具有限制性。在一些实施例中，流程700可以由服务器110或移动终端(例如，提供者终端140)执行。如本申请中其他地方所述，处理引擎112可以集成在服务器110、请求者终端130或提供者终端140中，因此，可以认为处理引擎112执行流程700。
在702中，数据处理模块408中的获取单元502可以获取时段、时段内的第一运动数据和机器学习模型。在一些实施例中，获取单元502可以通过通信模块410获取时段和时段内的第一运动数据。在一些实施例中，获取单元502可以经由网络120通过通信模块410从数据库获取机器学习模型。在一些实施例中，获取单元502可以经由网络120通过通信模块410从存储器150获取机器学习模型。在一些实施例中，获取单元502可以生成机器学习模型。在一些实施例中，机器学习模型可以是深度学习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可以基于由获取单元502获取的第一运动数据来生成特征数据。特征数据可以包括最大加速度、最小加速度、平均加速度、最大加速度变换角度、最小加速度变换角度、平均加速度变换角度、沿着三维坐标系的每个方向的最大加速度、沿着三维坐标系的每个方向的最小加速度、沿着三维坐标系的每个方向的平均加速度等一种或几种的组合。加速度可包括线性加速度或角加速度。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、一个或多个矩阵等一种或几种的组合。
在706中，数据处理模块408中的训练单元506可以基于由特征数据生成单元504生成的特征数据来训练和更新由获取单元502获取的机器学习模型。更新机器学习模型后，可以基于机器学习模型从第一运动数据中过滤掉无关信息。在一些实施例中，机器学习模型可以是摇晃二分类模型。在一些实施例中，机器学习模型可以在线或离线更新。在训练机器学习训练模型之后，可以基于实时获取的特征数据或者根据周期性间隔(例如，每天或每周)来进一步更新机器学习训练模型。
在一些实施例中，数据处理模块408中的过滤单元508可以基于由训练单元506训练的摇晃二分类模型，通过从第一运动数据中滤除不需要的信息来获取第二运动数据。不需要的信息可以包括由正常的移动手机振动产生的运动数据、由普通驾驶行为产生的运动数据、由其他非危险性驾驶行为产生的运动数据等一种或几种的组合。在一些实施例中，过滤单元508可以区分与非驾驶相关行为相关联的运动数据。例如，如果司机出于某种原因摇动移动智能手机，则过滤单元508可以基于机器学习模型将摇动与驾驶行为区分开(例如，突然转弯)。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。例如，操作706可以分为两个操作，包括训练模型和生成第二运动数据。例如，可以在流程700中添加或删除至少一个操作，例如，可以添加用于区分第一运动数据的不同不需要信息的操作，例如由普通驾驶行为生成的不需要的信息和摇动手机生成的不需要的信息。
图8是根据本申请的一些实施例所示的一种用于检测驾驶行为的示例性流程的流程图。流程800可以由按需服务系统100执行。例如，流程800可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图17中的模块和/或单元可以执行一组指令，并且当执行指令时，处理器220、模块和/或单元可以被配置用于执行流程800。以下呈现的所示流程的操作旨在是说明性的。在一些实施例中，流程800在实现时可以添加一个或以上个未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图8所示和下面描述的流程的操作顺序不旨在具有限制性。
在一些实施例中，流程800可以由安装有司机客户端(例如，在线出租车司机客户端)的移动终端(例如，提供者终端140)执行。移动终端可以检测司机的驾驶行为以确定是否可能发生危险驾驶行为。在一些实施例中，流程800可以由服务器110执行。如本申请中其他地方所述，处理引擎112可以集成在服务器110、请求者终端130或提供者终端140中，因此，可以认为处理引擎112执行流程800。以移动终端执行的流程800为例，以在线出租车应用场景为例，该过程可以包括以下操作。
在802中，可以通过安装在移动终端上的加速度传感器来收集加速度数据，其中加速度数据可以包括分别对应于x轴、y轴和z轴的加速度数据ax、ay和az(也被称为“x轴加速度”、“y加轴加速度”和“z轴加速度”)。
最近，智能移动终端通常包括传感设备，如加速度传感器、陀螺仪等。通过获取由上述传感器收集的数据并处理数据，可以确定司机是否具有危险驾驶行为。同时，可以通过智能移动终端的无线传输功能将相应的数据发送到服务器110。
在一些实施例中，可以主要获取由加速度传感器收集的数据，其中加速度传感器可以是三轴加速度传感器。在三轴加速度传感器收集移动终端的加速度数据之后，可以获取沿x、y和z三个方向的加速度数据：ax、ay和az。如图9所示，当移动终端位于与水平面具有一定角度的平面时，由x、y和z轴形成的坐标系统在图9中示出。
在804中，可以基于ax、ay和az的值来确定其中可能发生危险驾驶行为的数据区间(也称为“目标时段”)。由于危险驾驶行为通常发生在某个时段而不是整个驾驶过程中，在一些实施例中，在获取加速度数据ax、ay和az之后，可以基于加速度数据ax、ay和az的值确定其中可能发生危险驾驶行为的数据区间。在确定数据区间之后，可以执行以下操作806。
在806中，可以提取数据区间内的加速度数据。在一些实施例中，在确定可能发生危险驾驶行为的数据区间之后，可以提取数据区间内的加速度数据并可以执行以下操作808。
在808中，可以通过对提取的加速度数据执行坐标变换来获取目标数据，其中由对应于目标数据的x轴和y轴组成的平面可以是水平平面，z轴方向可以是与重力方向相同。由于移动终端的姿态可以对应于各种情况，例如，如图9所示，移动终端与水平面具有角度。在这种情况下，需要对在操作806中提取的加速度数据执行坐标变换，其中坐标变换的结果对应于目标数据的x轴和y轴构成的水平面并且z轴方向与重力方向相同。如图9所示，z轴旋转到z'，y轴旋转到y'。
在对提取的加速度数据进行坐标变换并获取目标数据之后，可以执行操作810，其中可以根据预定的特征参数对目标数据进行特征提取，其中预定的特征参数至少包括时域特征、频域特征和速度特征之一。
在812中，可以基于提取的特征确定是否可能发生危险驾驶行为。
需要说明的是，在一些实施例中，危险较高的驾驶行为可以包括但不限于突然减速、突然转弯、突然加速、突然制动等。
在一些实施例中，根据上述过程，可以通过移动终端及时有效地检测到司机的驾驶行为，并且可以确定司机是否具有危险驾驶行为。对于网约车平台，通过及时有效地检测司机的危险驾驶行为，可以保证司机和乘客的个人安全，优化服务请求分配策略，进而可以进一步优化网约车平台。
下面将结合具体实施例描述用于检测驾驶行为的方法。
根据以上描述，在一些实施例中，移动终端的加速度数据可以由安装在移动终端上的三轴加速度传感器检测，其中加速度数据可以包括对应于x、y和z轴三个轴的加速度数据ax、ay和az，例如，分别对应于图9中所示的x，y和z轴的加速度数据。
在一些实施例中，由于三轴加速度传感器安装在移动终端上并且始终处于工作状态，即三轴加速度传感器始终收集移动终端的加速度数据。然而，在本申请的一些实施例中，可以设置加速度数据的获取机制。
加速度数据的获取机制可以被描述为当移动终端激活驾驶行为检测功能时，可以获取由安装在移动终端上的加速度传感器检测到的加速度数据。
也就是说，在一些实施例中，当移动终端激活驾驶行为检测功能时，可以获取由安装在移动终端上的加速度传感器检测到的移动终端的加速度数据。确定是否激活驾驶行为检测功能的条件包括以下条件：
条件1：如果移动终端激活导航功能，则可以激活驾驶行为检测功能。
具体地，如果移动终端上的司机客户端检测到移动终端的导航功能被激活，则司机客户端可以激活驾驶行为检测功能。
例如，私家车的司机从A行驶到B，在驾驶汽车之前或在驾驶汽车的过程中，司机在移动终端上打开导航软件并激活导航软件的导航功能。在这种情况下，在检测到导航软件的导航功能被激活后，移动终端上的司机客户端可以激活驾驶行为检测功能。并且在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
在获取加速度数据之后，可以确定在其中可能发生危险驾驶行为的数据区间，可以提取数据区间内的加速度数据，可以通过对提取的加速度数据执行坐标变换来获取目标数据，在获取目标数据之后，可以基于预定的特征参数对目标数据执行特征提取，并且可以基于提取的特征确定是否可能发生危险驾驶行为。
如果确定发生危险驾驶行为，可以将与危险驾驶行为相关联的相关数据上传到服务器110以进行存储和/或分析，其中，相关数据可以包括但不限于数据区间内的加速度数据、危险驾驶行为发生的时间、危险驾驶行为发生的位置(路段)、危险驾驶行为的持续时间等。
如果服务器110获取与至少两个司机的危险驾驶行为相关联的大量相关数据，并且获取至少两个司机的属性信息(例如，性别、年龄、职业等)，则服务器110可以执行基于属性信息对危险驾驶行为的相关数据进行大数据分析。分析结果可包括但不限于危险驾驶行为的最高发生频率相对应的位置(路段)、与危险驾驶行为的最高发生频率相对应的性别、与危险驾驶行程的最高发生频率相对应的年龄行为、与危险驾驶行为的最高发生频率相对应的职业等。
从上述描述可以看出，根据一些实施例提供的方法，不仅可以及时有效地检测到司机的危险驾驶行为，而且还可以基于检测到的危险驾驶行为进行大数据分析。分析结果可以帮助对应于危险驾驶行为的最高发生频率的人群及时实现和纠正其危险驾驶行为。同时，危险驾驶行为的最高发生频率相对应的位置(或者路段)也能够为有关交通部门敲响警钟，以对该路段进行适应性整改。
条件2：如果移动终端接受来自网约车平台的服务请求，则可以激活驾驶行为检测功能。
具体地，如果移动终端上的在线出租车司机客户端检测到在线出租车司机接受来自在线车平台的服务请求，则可以激活驾驶行为检测功能。
例如，当特定的在线出租车司机通过在线出租车司机客户端接受服务请求时，在线出租车司机客户端可以激活驾驶行为检测功能。并且在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
在这种情况下，移动终端上的司机客户端和在线出租车司机客户端可能是同一客户端。当在线出租车司机未提供服务请求服务时，可能不会启动驾驶行为检测功能。一旦司机客户端检测到在线出租车司机接受服务请求，就可以激活驾驶行为检测功能。
在获取加速度数据之后，可以确定在其中可能发生危险驾驶行为的数据区间，可以提取数据区间内的加速度数据，可以通过对提取的加速度数据执行坐标变换来获取目标数据，在获取目标数据之后，可以基于预定的特征参数对目标数据执行特征提取，并且可以基于提取的特征确定是否可能发生危险驾驶行为。
如果确定发生危险驾驶行为，可以将与危险驾驶行为相关联的相关数据上传到服务器110以进行存储和/或分析，其中，相关数据可以包括但不限于数据区间内的加速度数据、危险驾驶行为发生的时间、危险驾驶行为发生的位置(路段)、危险驾驶行为的持续时间等。
在一些实施例中，可以根据预定的时段将与危险驾驶行为相关联的相关数据发送到指定服务器，例如，可以根据预定的时段将存储的加速度数据发送到指定服务器。或者，如果存储的与危险驾驶行为相关联的相关数据达到预定的量，则可以将存储的与危险驾驶行为相关联的相关数据发送到指定服务器。例如，如果存储的加速度数据达到预定的量，则可以将存储的加速度数据发送到指定的服务器。
在获取与司机客户端发送的危险驾驶行为相关的相关数据之后，服务器110(例如，服务器110中的处理引擎112)可以基于相关数据评估司机以确定司机的级别。同时，在本申请的一些实施例中，服务器110可以基于与危险驾驶行为相关联的相关数据来调整用于分配服务请求的分配策略。
例如，服务器110可以分析与危险驾驶行为相关联的相关数据，并且可以确定某个路段上特定司机的危险驾驶行为的发生频率相对较高。此时，可以调整用于分配服务请求的分配策略，以减少与要分配给该司机的该路段相关联的服务请求的个数。反过来，如果特定司机在另一个路段的危险驾驶行为的发生频率非常低(几乎为零)，然后，可以调整用于分配服务请求的分配策略，以增加与要分配给该司机的该路段相关联的服务请求的数量。
从描述中可以看出，根据实施例的方法，不仅可以及时有效地检测到司机的危险驾驶行为，而且可以根据危险驾驶行为的检测结果调整分配服务请求的分配策略，从而优化网约车平台。
条件3：如果移动终端激活导航功能并接受来自网约车平台的服务请求，则可以激活驾驶行为检测功能。
具体地，如果移动终端上的在线出租车司机客户端检测到移动终端的导航功能被激活并且检测到在线出租车司机接受来自在线车平台的服务请求，则驾驶行为检测功能可以被激活。
例如，当特定的在线出租车司机通过在线出租车司机客户接受服务请求时，在驾驶车辆之前或在驾驶车辆的期间在移动终端上打开导航软件，并激活导航的导航功能软件，在线出租车司机客户端可以激活驾驶行为检测功能。并且在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
在获取加速度数据之后，可以如结合上面的条件2所描述的那样处理加速度数据，这里将不再重复。
在一些实施例中，在根据上述三个条件中的任何一个确定驾驶行为检测功能被激活之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据ax、ay和az，并且数据可以基于ax、ay和az的值确定可能发生危险驾驶行为的间隔。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。
图10是根据本申请的一些实施例所示的一种用于确定在其中可能发生危险驾驶行为的数据区间的示例性流程的流程图。流程1000可以由按需服务系统100执行。例如，流程1000可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图17中的模块和/或单元可以执行该组指令，并且当执行指令时，处理器220、模块和/或单元可以被配置用于执行流程1000。另外，如图10所示和下面描述的流程的操作顺序不旨在具有限制性。在一些实施例中，流程1000可以由服务器110或移动终端(例如，提供者终端140)执行。如本申请中其他地方所述，处理引擎112可以集成在服务器110、请求者终端130或提供者终端140中，因此，可以认为处理引擎112执行流程1000。
在1001中，可以基于ax、ay和az确定总加速度。
在一些实施例中，可以基于ax、ay和az，根据下面的等式(1)确定总加速度：
其中a指的是总加速度。
在一些实施例中，可以基于ax、ay和az，根据下面的等式(2)确定总加速度：
a＝ax+ay+az (2)
在1002中，可以确定总加速度大于预定的阈值(也称为“加速阈值”)的连续个数。
在1003中，响应于确定连续个数大于预定的个数(也被称为“计数阈值”)，可以将连续的总加速度对应的加速度数据区间确定为在其中可能发生危险驾驶行为的数据区间。
具体地，在一些实施例中，首先，加速度数据ax、ay和az可以由安装在移动终端上的加速度传感器收集；第二，可以组合加速度数据ax、ay和az以确定总加速度，其中可以根据等式(1)或等式(2)确定总加速度。在确定总加速度之后，可以监测总加速度。具体地，可以计算总加速度的值以获取大于预定的阈值的总加速度的连续个数。响应于确定连续个数大于预定的个数，对应于连续的总加速度的加速度数据区间可被确定为在其中可能发生危险驾驶行为的数据区间。
需要说明的是，可以先选择预定的阈值和预定的个数，用户可以根据实际需要调整预定的阈值的值和预定的个数的值，不做特别限定。
通常，当加速度传感器收集加速度数据时，收集频率可以是固定的。因此，在一些实施例中，“预定的个数”可以被转换为“时间”。可以假设在预定的时段中获取的总加速度的个数是“预定的个数”。
例如，在加速度传感器收集加速度数据之后，可以根据等式(1)或等式(2)确定加速度数据的总加速度。可以确定总加速度连续大于预定的阈值的时间是否是否超过预定的时段。如果时间超过预定的时段，则可以将对应于预定的时段内的总加速度的数据区间确定为在其中可能发生危险驾驶行为的数据区间。优选地，预定的时段可以选择为5秒。也就是说，如果检测到总加速度连续大于预定的阈值的时间超过5秒，则可以将5秒内的总加速度对应于的加速度数据区间确定为其中可能发生危险驾驶行为的数据区间。
在基于1001-1003中描述的操作确定其中可能发生危险驾驶行为的数据区间之后，可以获取数据区间内的加速度数据。然后，可以对提取的加速度数据执行坐标变换以获取目标数据。
从以上描述可以看出，由于移动终端被放置在车辆中，当总加速度大于预定的阈值时，它可以指示移动终端出现相对大的加速度。出现相对大的加速可能对应于以下两个原因：一个可能是车辆撞击或用户摇晃；另一个可能是在危险驾驶时突然加速。在一些实施例中，有必要区分这两个原因。为了区分车辆的撞击和危险驾驶行为，可以对在806中提取的加速度数据进行归一化处理以获取标准化数据(即，目标数据)，可以从标准化数据中提取特征，最后可以基于提取的特征确定危险驾驶行为是否可能发生。
在一些实施例中，对在806中提取的加速度数据进行归一化的目的是将加速度数据调整到移动终端和车辆处于相同姿态下。由于加速度传感器采集的加速度数据是基于移动终端的局部坐标系的数据，如果移动终端的姿态与车辆的姿态不同，即使移动终端的驾驶轨迹与车辆的驾驶轨迹完全相同，也会收集到完全不同的数据。因此，有必要对加速度数据进行归一化以消除移动终端姿态的影响。
上述归一化处理主要包括两个操作：首先，加速度传感器的三个轴的z轴方向可以旋转到与重力方向相同的方向(例如，图9中的z')；其次，如图11所示，x轴方向或y轴方向可以旋转到与当前行驶方向相同的方向。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。
图12是根据本申请的一些实施例所示的一种用于对提取的加速度数据执行坐标变换的示例性流程的流程图。流程1200可以由按需服务系统100执行。例如，流程1200可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图17中的模块和/或单元可以执行该组指令，并且当执行指令时，处理器220、模块和/或单元可以被配置用于执行流程1200。以下所示过程的操作仅出于说明的目的。在一些实施例中，流程1200在实施时可以添加一个或以上本申请未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图12所示和下面描述的过程操作的顺序不是限制性的。在一些实施例中，流程1200可以由服务器110或移动终端(例如，提供者终端140)执行。如本申请中其他地方所述，处理引擎112可以集成在服务器110，请求者终端130或提供者终端140中，因此，可以认为流程1200由处理引擎112执行。
在1201中，可以对提取的加速度数据执行高通滤波以提取低频加速度数据。在一些实施例中，可以对加速度执行低通滤波以提取低频加速度数据。
在1202中，可以将低频加速度数据的方向指定为重力方向。
在1203中，可以基于重力方向和az方向之间的角度来构建旋转矩阵。
在1204中，可以通过将提取的加速度数据乘以旋转矩阵来对加速度数据执行坐标变换。
如上所述的在806中提取的加速度数据是数据区间内的加速度数据ax、ay和az，其对应于包括x、y和z的三个轴。在一些实施例中，可以对在806中提取的加速度数据执行高通滤波，以提取低频加速度数据。
由于重力加速度g的方向是恒定的，因此可以将其视为低频信号。在对806中提取的加速度数据的三个分量执行高通滤波之后，可以提取重力加速度信号，从而可以将低频加速度数据的方向指定为重力方向。在确定重力方向之后，可以基于重力方向和az方向之间的角度构建旋转矩阵。最后，加速度数据可以乘以旋转矩阵，并且可以实现加速度的坐标变换，使得z轴和重力方向g相同。
在一些实施例中，旋转矩阵R可以表示如下：
其中s＝||v||，g表示重力方向矢量，I表示3*3的单位矩阵，z表示(0,0,1)向量，v表示g的归一化向量和向量z的叉积，c表示g的归一化矢量和矢量z的点积。
其中
在一些实施例中，基于等式(3)构建的旋转矩阵可以乘以在806中提取的加速度数据，以对加速度数据执行坐标变换。根据坐标变换，z轴方向和重力方向g可以相同(如图9所示)，x轴和y轴可以在水平面上(如图9所示)。
在一些实施例中，在806中提取的加速度数据乘以旋转矩阵之后，可以根据奇异值分解法(SVD)方法将对应于ax或ay的坐标轴调整为与当前的行驶方向一致。
SVD是一种正交矩阵分解方法，是一种可靠的分解方法。SVD可表示如下：
[U,S,V*]＝SVD(A) (5)
其中U和V*表示两个相互正交的矩阵，S表示对角矩阵，A表示原始矩阵。
在根据上述方法对加速度数据执行坐标变换之后，x轴和y轴在水平面上，但是车辆的行驶方向与x轴和y轴之间的角度可能是不确定的。假设移动终端和车辆的相对位置保持不变，即移动终端固定在车辆上。在一些实施例中，根据SVD方法，可以将坐标变换后对应于ax或ay的坐标轴调整到车辆的行驶方向。例如，可以在数据区间内采样300个点(例如，5秒的预定的时段)，并且可以获取300×3矩阵M，然后可以对矩阵M执行SVD分解。矩阵M的分解可表示如下：
M＝USV* (6)
其中M表示原始矩阵，U和S表示新的归一化数据，其中新的归一化数据可以是通过将对应于ax或ay的坐标轴调整到当前行驶方向而获取的数据。
在一些实施例中，在根据操作1201-1204中描述的方法获取目标数据之后，根据奇异值分解法方法将对应于ax或ay的坐标轴调整为与当前行驶方向一致，可以基于预定的特征参数对目标数据进行特征提取。
从以上描述可以看出，在一些实施例中，特征参数可以包括时域特征、频域特征或速度特征中的至少一个。在基于特征参数对目标数据执行特征提取之后，可以获取目标数据的时域特征、频域特征和速度特征。在一些实施例中，可以基于目标数据的时域特征、频域特征或速度特征中的至少一个来确定司机是否具有危险驾驶行为。
例如，可以基于目标数据的时域特征来确定司机是否具有危险驾驶行为。又例如，可以根据目标数据的时域特征和频域特征来确定司机是否有危险驾驶行为。作为又一示例，可以基于目标数据的时域特征、频域特征和速度特征来确定司机是否具有危险驾驶行为。
(1)如果特征参数包括时域特征，则基于时域特征在目标数据上执行特征提取的操作可以包括确定沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差。
时域特征可包括以下特征：沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差。因此，在一些实施例中，当提取目标数据的时域特征时，可以提取沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差。
沿每个坐标轴的最大加速度可以表示为Max(ax)、Max(ay)和Max(az)。沿每个坐标轴的最小加速度可以表示为Min(ax)、Min(ay)和Min(az)。沿每个坐标轴的平均加速度可表示为mean(ax)、mean(ay)和mean(az)。沿每个坐标轴的加速度方差可以表示为var(ax)、var(ay)和var(az)。
(2)如果特征参数包括频域特征，则基于频域特征对目标数据执行特征提取的操作可包括基于短时傅里叶变换(STFT)将目标数据转换为频域数据，并确定频域数据对应的频域特征。
频域特征可以指在对目标数据执行STFT之后获取的频域信号。
关于目标数据的频域特征，可以通过使用STFT对目标数据执行傅里叶变换，并且变换结果可以是图13中所示的包括时间和频率之间的对应关系的二维矩阵。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。
图13是根据本申请的一些实施例所示的时间和频率之间的对应关系的示意图。
如图13所示，每个网格对应于指示t时刻的时间范围内该频率的能量值的值，并且能量值、时间和频率之间的对应关系可以在图14中示出。如图14所示，能量值H表示0至0.5秒内0至1Hz的能量值。
在一些实施例中，认为与危险驾驶行为相关联的频率相对较低，并且与摇动或正常碰撞相关联的频率相对较高。并且危险驾驶行为的时段可能相对较长，也就是说，低频时长可能相对较长。摇动或正常碰撞的时间通常较短，因此高频持续时间不长。因此，可以通过分析目标数据的频域特征来确定司机是否具有危险驾驶行为。
可选地，确定频域数据对应的频域特征的操作可以包括确定与频域数据对应的高频能量值、低频能量值或低频时长。
具体地，当目标数据的频域特征用于确定司机是否具有危险驾驶行为时，可以分析频域特征中的高频能量值与低频能量值的比率和低频时长来判断司机是否有危险驾驶行为。在一些实施例中，可选地，可以将小于1Hz的频率指定为低频，并且可以将大于2Hz的频率指定为高频。另外，可以以其他方式定义低频和高频。
频域特征中高频能量值与低频能量值的比率可表示如下：
其中，maxtP(t,f<1Hz)表示频率小于1Hz时的最大能量值，maxtP(t,f>2Hz)表示频率大于2Hz(Hz)时的最大能量值，P(t,f>2Hz)表示基于STFT确定的能量密度函数。
通过根据等式(7)确定高频能量值与低频能量值的比率，可以确定主要能量是在高频还是低频。
接下来，可以确定低频时长。在确定低频时长时，首先需要确定阈值如下：
thresh＝maxtP(t,f<1Hz) (8)
其中阈值表示低频时的最大能量值。然后，该阈值可以乘以系数α(例如，小于1的正数)以确定低频时长。
具体而言，低频时长可表示为：
其中T表示频率首次超过阈值的时间点与频率最后超过阈值的时间点之间的差值。
(3)如果特征参数包括速度特征，则基于速度特征对目标数据执行特征提取的操作可以包括沿着每个坐标轴在目标数据上执行积分并基于积分结果，确定沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、沿每个坐标轴的速度终值、或沿每个坐标轴的速度中值。
在一些实施例中，在对目标数据执行特征提取以获取目标数据的时域特征、频域特征和速度特征之后，可以基于上述三个特征中的至少一个来确定司机是否具有危险驾驶行为。
在一些实施例中，用于基于所提取的特征来确定司机是否具有危险驾驶行为的操作可以包括将所提取的特征输入到移动终端的决策树模型，并输出包括是否可能发生危险驾驶行为的决策结果，其中，可以基于对应于危险驾驶行为的特征参数来预先训练决策树模型。
在一些实施例中，训练的决策树模型(例如，xgboost)可以预先存储在移动终端的司机客户端中。当需要使用决策树模型来分析司机的危险驾驶行为时，可以调用决策树模型来分析司机的危险驾驶行为。
图15-A至图15-C是根据本申请的一些实施例所示的危险驾驶行为的示意图。
在一些实施例中，危险驾驶行为可以包括但不限于突然减速(图15-A中所示)、突然转弯(图15-B中所示)、突然加速(如图15-C所示)、突然刹车等。
假设司机是否具有危险驾驶行为是基于时域特征、频域特征和速度特征确定的，具体过程描述如下：
目标数据可以根据操作802-810中描述的方法确定，并且时域特征、频域特征和速度特征可以从目标数据中提取；然后，可以将时域特征、频域特征和速度特征输入到训练的决策树模型中。决策树模型可以被配置用于确定司机是否具有基于时域特征、频域特征和速度特征确定的危险驾驶行为，并且响应于确定司机具有危险驾驶行为，确定该危险驾驶行为的类型。
应当注意，在这种情况下，决策树模型可以是基于训练样本的预先训练好的模型。训练过程可以描述如下：获取训练样本，其中训练样本包括输入数据和输出数据，输入数据可以是时域特征、频域特征和速度特征(即，如上所述的特征参数)，输出数据可以是标识信息，其指示对应于输入数据的行为是否是危险驾驶行为和危险驾驶行为的类型。此外，训练后的决策树模型可以通过基于训练样本训练模型来获取。
从描述中可以看出，根据实施例的方法，不仅可以及时有效地检测到司机的危险驾驶行为，而且还可以根据检测结果调整分配服务请求的分配策略，从而优化网约车平台。
图16是根据本申请的一些实施例的所示的一种用于检测驾驶行为的示例性流程的流程图。流程1600可以由按需服务系统100执行。例如，流程1600可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图17中的模块和/或单元可以执行该组指令，并且当执行指令时，处理器220、模块和/或单元可以被配置用于执行流程1600。以下呈现的所示流程的操作旨在是说明性的。在一些实施例中，流程1600在实现时可以添加一个或以上个未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图16所示和下面描述的流程的操作顺序不旨在具有限制性。
流程1600可以由安装有司机客户端的移动终端执行。移动终端可以检测司机的驾驶行为以确定是否可能发生危险驾驶行为。在一些实施例中，流程1600可以由服务器110执行。如本申请中其他地方所述，处理引擎112可以集成在服务器110、请求者终端130或提供者终端140中，因此，可以认为处理引擎112执行处理1600。以移动终端执行的流程1600为例，以在线出租车应用场景为例，该过程可以包括以下操作。
在1601中，当移动终端激活驾驶行为检测功能时，可以通过安装在移动终端上的加速度传感器收集加速度数据。
如果移动终端激活导航功能和/或接受来自网约车平台的服务请求，则可以激活驾驶行为检测功能。在驾驶行为检测功能被激活之后，加速度数据可以由安装在移动终端上的加速度传感器收集。
在1602中，可以对加速度数据进行归一化以获取归一化处理结果。
在一些实施例中，在加速度数据ax、ay和az被归一化之前，可以基于加速度数据ax、ay和az的值来确定可能发生危险驾驶行为的数据区间，并且可以提取数据区间内的加速度数据。然后可以对提取的加速度数据进行归一化，可以获取归一化数据(即，上述目标数据)，并且可以对归一化数据执行特征提取。最后，可以基于提取的特征来确定是否可能发生危险驾驶行为。
具体地，可以根据操作1201-1204中描述的方法对提取的加速度数据进行归一化，这里不再重复细节。
在1603中，可以基于预定的特征参数对归一化处理结果执行特征提取，以获取以下特征中的至少一个：时域特征、频域特征或速度特征。
在一些实施例中，可以根据上述方法从归一化处理结果(目标数据)中提取特征(时域特征、频域特征和速度特征)，并且这里不再重复细节。
在1604中，可以通过使用训练好的决策树模型，基于上述特征中的至少一个来确定是否可能发生危险驾驶行为。
在一些实施例中，可以根据上述方法确定是否可能发生危险驾驶行为，并且这里不再重复细节。
在1605中，响应于确定可能发生危险驾驶行为，将司机的危险驾驶行为上传到服务器110。
在确定可能发生危险驾驶行为之后，可以将与司机的危险驾驶行为相关联的相关数据上传到服务器110。在获取与司机客户端发送的司机危险驾驶行为相关的相关数据之后，服务器110可以基于该数据评估司机并确定司机的级别。同时，在本申请的一些实施例中，服务器110可以基于与危险驾驶行为相关联的相关数据来调整用于分配服务请求的分配策略。
为了说明的目的，实施例提供了一个具体的应用实例，其中根据前述实施例提供的检测方法，在线出租车平台可以检测到危险驾驶行为。
场景1：司机可以是私家车主，私家车主的移动终端可以放置在车辆中，并且可以通过移动终端执行以下过程。
私家车主可以从位置A行进到位置B并且在驾驶车辆之前或在驾驶车辆期间激活移动终端上的导航软件并激活导航软件的导航功能。
此时，在移动终端上的司机客户端检测到导航软件的导航功能被激活后，可以激活驾驶行为检测功能。在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
在获取加速度数据之后，可以基于加速度数据确定其中可能发生危险驾驶行为的数据区间。例如，如果总加速度连续大于预定的阈值的时间大于5秒，则5秒内的总加速度对应的数据区间可被确定为在其中可能发生危险驾驶行为的数据区间。总加速度可以是通过根据等式(1)或等式(2)对加速度数据执行计算而确定的加速度。
在确定在其中可能发生危险驾驶行为的数据区间之后，可以提取数据区间(例如，5秒)内的加速度数据，并且可以对提取的加速度数据执行坐标变换以获取目标数据。
接下来，可以对目标数据执行特征提取，以提取至少一个时域特征、频域特征或速度特征。
最后，可以基于所提取的特征参数来确定私家车主是否具有危险驾驶行为。
场景2：司机可以是在线出租车司机，可以将在线出租车司机的移动终端放置在车辆中，并且可以通过移动终端执行以下过程。
在线出租车司机可以通过在线出租车司机客户接受服务请求，并激活驾驶行为检测功能。并且在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
在获取加速度数据之后，可以基于加速度数据确定其中可能发生危险驾驶行为的数据区间。例如，如果总加速度连续大于预定的阈值的时间大于5秒，则5秒内的总加速度对应的数据区间可被确定为在其中可能发生危险驾驶行为的数据区间。总加速度可以是通过根据等式(1)或等式(2)对加速度数据执行计算而确定的加速度。
在确定在其中可能发生危险驾驶行为的数据区间之后，可以提取数据区间(例如，5秒)内的加速度数据，并且可以对提取的加速度数据执行坐标变换以获取目标数据。
接下来，可以对目标数据执行特征提取，以提取至少一个时域特征、频域特征或速度特征。
最后，可以基于提取的特征参数来确定在线出租车司机是否具有危险驾驶行为。
场景3：司机可以是在线出租车司机，可以将在线出租车司机的移动终端放置在车辆中，并且可以通过移动终端执行以下过程。
在线出租车司机可以通过在线出租车司机客户接受服务请求，并激活驾驶行为检测功能。并且在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
在获取加速度数据之后，可以基于加速度数据确定其中可能发生危险驾驶行为的数据区间。例如，如果总加速度连续大于预定的阈值的时间大于5秒，则5秒内的总加速度对应的数据区间可被确定为在其中可能发生危险驾驶行为的数据区间。总加速度可以是通过根据等式(1)或等式(2)对加速度数据执行计算而确定的加速度。
在确定在其中可能发生危险驾驶行为的数据区间之后，可以提取数据区间(例如，5秒)内的加速度数据，并且可以对提取的加速度数据执行坐标变换以获取目标数据。
接下来，可以对目标数据执行特征提取，以提取以下至少一个特征参数：时域特征、频域特征或速度特征。
最后，可以基于提取的特征参数来确定在线出租车司机是否具有危险驾驶行为。
如果确定可能发生危险驾驶行为，则可以将与危险驾驶行为相关联的相关数据上传到服务器110以进行存储和/或分析，其中相关数据可以包括但不限于在数据区间内的加速度数据、危险驾驶行为发生的时间，危险驾驶行为发生的位置(路段)、危险驾驶行为的持续时间等。
在获取与司机客户端发送的危险驾驶行为相关的相关数据之后，服务器110(例如，服务器110中的处理引擎112)可以基于相关数据评估司机以确定司机的级别。同时，在本申请的一些实施例中，服务器110可以基于与危险驾驶行为相关联的相关数据来调整用于分配服务请求的分配策略。
情况4：司机可以是私家车主或在线出租车司机，私家车主的移动终端或在线出租车司机的移动终端可以放置在车辆中，并且可以通过以下过程执行以下过程：移动终端。
私家车主可以从位置A行进到位置B并且在驾驶车辆之前或在驾驶车辆期间激活移动终端上的导航软件并激活导航软件的导航功能。此时，在移动终端上的司机客户端检测到导航软件的导航功能被激活后，可以激活驾驶行为检测功能。在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
或者，在线出租车司机可通过在线出租车司机客户端接受服务请求并激活驾驶行为检测功能。并且在激活检测功能之后，可以获取由安装在移动终端上的加速度传感器收集的加速度数据。
在获取加速度数据之后，可以基于加速度数据确定其中可能发生危险驾驶行为的数据区间。例如，如果总加速度连续大于预定的阈值的时间大于5秒，则5秒内的总加速度对应的数据区间可被确定为在其中可能发生危险驾驶行为的数据区间。总加速度可以是通过根据等式(1)或等式(2)对加速度数据执行计算而确定的加速度。
在确定在其中可能发生危险驾驶行为的数据区间之后，可以提取数据区间(例如，5秒)内的加速度数据，并且可以对提取的加速度数据执行坐标变换以获取目标数据。
接下来，可以对目标数据执行特征提取，以提取时域特征、频域特征或速度特征中的至少一个。
最后，可以将时域特征、频域特征和速度特征输入到训练的决策树模型中。决策树模型可以被配置为，基于时域特征、频域特征和速度特征，确定司机是否具有危险驾驶行为，并且响应于确定司机具有危险驾驶行为，确定驾驶行为的类型。
应当注意，在这种情况下，决策树模型可以是基于训练样本的预先训练好的模型。训练过程可以描述如下：获取训练样本，其中训练样本包括输入数据和输出数据，输入数据可以是时域特征、频域特征和速度特征(即，如上所述的特征参数)，输出数据可以是标识信息，其指示对应于输入数据的行为是否是危险驾驶行为和危险驾驶行为的类型。此外，训练后的决策树模型可以通过基于训练样本训练模型来获取。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。
图17是根据本申请的一些实施例所示的一种在移动终端上执行的示例性驾驶行为检测设备的框图。驾驶行为检测装置1700可包括获取模块1711、第一确定模块1712、数据提取模块1713、坐标变换模块1714、特征提取模块1715和第二确定模块1716。在一些实施例中，驾驶行为检测装置1700可以集成到服务器110中。例如，驾驶行为检测装置1700可以是处理引擎112的一部分。
获取模块1711可以被配置为通过安装在移动终端上的加速度传感器获取加速度数据。加速度数据可以包括分别对应于x轴、y轴和z轴的加速度数据ax、ay和az(也分别称为“x轴加速度”、“y轴加速度”、和“z轴加速度”)。
第一确定模块1712可以被配置为基于ax、ay和az的值，确定其中可能发生危险驾驶行为的数据区间(也称为“目标时段”)。
数据提取模块1713可以被配置为在数据区间内提取加速度数据。
坐标变换模块1714可以被配置为通过对提取的加速度数据执行坐标变换来获取目标数据，其中对应于目标数据的x轴和y轴组成的平面可以是水平面，z轴方向可以与重力方向相同。
特征提取模块1715可以被配置为基于预定的特征参数对目标数据执行特征提取，其中预定的特征参数包括时域特征、频域特征、速度特征中的至少一个。
第二确定模块1716可以被配置为基于提取的特征确定是否可能发生危险驾驶行为。
在一些实施例中，根据上述装置，可以通过移动终端及时有效地检测到司机的驾驶行为，并且可以确定司机是否具有危险驾驶行为。对于网约车平台，通过及时有效地检测司机的危险驾驶行为，可以保证司机和乘客的个人安全，优化服务请求分配策略，进而可以进一步优化网约车平台。
在一些实施例中，获取模块1711可以被配置为当移动终端激活驾驶行为检测功能时，获取由安装在移动终端上的加速度传感器收集的加速度数据。
在一些实施例中，如果移动终端激活导航功能和/或接受来自网约车平台的服务请求，则该设备还可以包括激活模块，该激活模块被配置为激活驾驶行为检测功能。
在一些实施例中，第一确定模块1712可包括被配置为基于ax、ay和az确定总加速度的计算单元；被配置为确定总加速度大于预定的阈值的连续个数的统计单元；和被配置为响应于确定连续个数大于预定的阈值，将连续的所述总加速度对应的加速度数据区间确定为在其中可能发生危险驾驶行为的数据区间的判断单元。
在一些实施例中，计算单元可以被配置为基于等式(1)或等式(2)确定总加速度。
在一些实施例中，坐标变换模块1714可以被配置为对提取的加速度数据执行高通滤波以提取低频加速度数据。坐标变换模块1714可以将低频加速度数据的方向指定为重力方向。坐标变换模块1714可以基于重力方向和az方向之间的角度来构建旋转矩阵。坐标变换模块1714可以通过将提取的加速度数据乘以旋转矩阵来对加速度数据执行坐标变换。
在一些实施例中，在加速度数据乘以旋转矩阵之后，该装置还可以包括调整模块，该调整模块被配置为通过SVD装置调整，旋转后的ax或旋转后的ay相对应的坐标轴的方向，以与当前的行驶方向一致。
在一些实施例中，特征提取模块1715可被配置为，如果特征参数包括时域特征，确定沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差。特征提取模块1715可被配置为，如果特征参数包括频域特征，基于短时傅立叶变换(STFT)将目标数据转换为频域数据，并且确定与频域数据相对应的频域特征。特征提取模块1715可以沿每个坐标轴在目标数据上执行积分，并且基于基于积分结果确定沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、沿每个坐标轴的速度终值、或沿每个坐标轴的速度中值。
在一些实施例中，特征提取模块1715可以进一步被配置为确定频域数据对应的高频能量值、低频能量值或低频时长。
在一些实施例中，第二确定模块1716可以被配置为将提取的特征输入到存储在移动终端上的决策树模型中，并输出包括是否可能发生危险驾驶行为的决策结果。可以基于对应于危险驾驶行为的特征参数来预先训练决策树模型。
在一些实施例中，该装置还可包括存储模块，该存储模块被配置为，响应于确定发生危险驾驶行为，存储该危险驾驶行为对应的加速度数据。
在一些实施例中，该设备还可以包括被配置为，根据预定的时段，将加速度数据发送到服务器110的第一传输模块。在一些实施例中，则设备还可以包括被配置为，当存储的加速度数据达到预定的量时，将加速度数据发送到服务器110的第二传输模块。
这里提供的设备的实现原理和技术效果与前述实施例中描述的相同。为方便起见，在实施例装置中未描述的那些可以参考前述方法实施例。
驾驶行为检测装置1700中的模块可以通过有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等一种或几种的组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等一种或几种的组合。任何两个模块可以组合成单个模块，任何一个模块可以分成两个或以上单元。
图18是根据本申请的一些实施例所示的一种示例性处理引擎的框图。处理引擎112可包括获取模块1802、目标时段确定模块1804、目标数据确定模块1806和识别模块1808。
获取模块1802可以被配置为从与司机驾驶的车辆相关联的传感器获取驾驶数据(例如，图4中描述的第一运动数据、图8中描述的加速度数据)。
目标时段确定模块1804可以被配置为基于驾驶数据确定目标时段。在一些实施例中，如结合图4和图6所描述的，目标时段确定模块1804可以基于前置规则确定目标时段。目标时段确定模块1804可以确定对应于至少两个时间点的驾驶数据的至少两个波动方差。响应于确定至少两个波动方差大于方差阈值(即，如图4所示，第一阈值或者第二阈值)，目标时段确定模块1804可以进一步将包括该至少两个时间点的时段确定为目标时段。在一些实施例中，如结合图8和图10所描述的，目标时段确定模块1804可以识别对应于多个时间点的多个总加速度中的每一个大于加速度阈值的时段，响应于确定多个总加速度的个数大于个数阈值，将该时段确定为目标时段。
目标数据确定模块1806可以被配置为基于驾驶数据获取目标时段内的目标数据。在一些实施例中，如结合图4和图6所描述的，目标数据确定模块1806可以在目标时段确定与驾驶数据相关联的特征数据，并且通过基于特征数据和机器学习模型(例如，摇晃二分类模型)从驾驶数据中过滤不相关数据来确定目标时段内的目标数据。在一些实施例中，如图8和图12所述，目标数据确定模块1806可以从驾驶数据中获取目标时段内的加速度数据，对加速度数据执行坐标变换，并且基于变换的加速度数据获取目标时段内的目标数据。
识别模块1808可以被配置为基于目标数据识别司机的危险驾驶行为的存在。在一些实施例中，处理引擎112可以提取与目标数据相关联的一个或以上特征参数，并基于一个或以上特征参数识别危险驾驶行为的存在。
可以在本申请的其他地方找到对模块的更多描述(例如，图19及其描述)。
处理引擎112中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等一种或几种的组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等一种或几种的组合。两个或以上模块可以被组合为单个模块，且所述模块中的任一个可以被分成两个或以上单元。例如，处理引擎112可以包括被配置为存储信息和/或与司机相关联的数据(例如，驾驶数据、目标时段、目标数据)的存储模块(未示出)。又例如，目标时段确定模块1804和目标数据确定模块1806可以组合为单个模块，其可以确定目标时段和目标数据。
图19是根据本申请的一些实施例所示的一种用于识别危险驾驶行为的示例性流程的流程图。流程1900可以由按需服务系统100执行。例如，流程1900可以实现为存储在存储ROM 230或RAM 240中的一组指令(例如，应用程序)。处理器220和/或图18中的模块可以执行一组指令，并且当执行指令时，处理器220和/或模块可以被配置用于执行处理1900。以下所示过程的操作仅出于说明的目的。在一些实施例中，流程1900在实施时可以添加一个或以上本申请未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图19所示和下面描述的的流程的操作顺序不旨在具有限制性。在一些实施例中，流程1900可以由服务器110或移动终端(例如，提供者终端140)执行，如上所述，可以认为流程1900由处理引擎112执行。
在1901中，处理引擎112(例如，获取模块1802)(例如，处理器220的接口电路)可以从与司机驾驶的车辆相关联的传感器中获取驾驶数据(例如，图4中描述的第一运动数据、图8中描述的加速度数据)。如这里所使用的，驾驶数据可以包括加速度信息、速度信息、位置信息、时间信息或姿态信息中的至少一个。如本申请中其他地方所述，传感器可包括与车辆相关联的终端设备(例如，提供者终端140)的传感器，因此，位置信息可指示与车辆一起移动的终端设备的姿态。
在一些实施例中，传感器可包括陀螺仪、加速度传感器、全球定位系统(GPS)传感器或重力传感器中的至少一个。在一些实施例中，处理引擎112可以根据预设频率(例如，每0.01秒、每0.02秒、每0.05秒、每秒)获取驾驶数据。可以在本申请的其他地方找到对驾驶数据的更多描述(例如，图4、图6、图8和图10及其描述)。
在1902中，处理引擎112(例如，目标时段确定模块1804)(例如，处理器220的处理电路)可以基于驾驶数据确定目标时段。
在一些实施例中，如结合图4和图6所描述的，处理引擎112可以基于前置规则确定目标时段。处理引擎112可以确定对应于至少两个时间点的驾驶数据的至少两个波动方差。响应于确定至少两个波动方差大于方差阈值(即，如图4所示的第一阈值或第二阈值)，处理引擎112可以进一步将包括至少两个时间点的时段确定为目标时段。可以在本申请的其他地方找到对预先规则的更多描述(例如，图4、图6及其描述)。
在一些实施例中，如结合图8和图10所描述的，处理引擎112可以识别时段，在该时段内，对应于至少两个时间点的至少两个总加速度中的每一个都大于加速度阈值，响应于确定至少两个总加速度的个数大于计数阈值，将该时段作为目标时段。可以在本申请的其他地方找到对总加速度的更多描述(例如，图8、图10及其描述)。
在1903中，处理引擎112(例如，目标数据确定模块1806)(例如，处理器220的处理电路)可以基于驾驶数据获取目标时段内的目标数据。
在一些实施例中，如结合图4和图6所描述的，处理引擎112可以确定在目标时段内与驾驶数据相关联的特征数据，并且基于特征数据和机器学习模型(例如，摇晃二分类模型)，从驾驶数据滤除不相关数据，来确定该时段内的目标数据。驾特征数据可以包括加速度最大值、加速度最小值、加速度均值、加速度变换角度最大值、加速度变换角度最小值、加速度变换角度均值、沿三维坐标系三个方向上加速度最大值、沿三维坐标系三个方向上加速度最小值、沿三维坐标系三个方向上加速度均值等一种或几种的组合。特征数据和机器学习模型的更多描述可以在本申请的其他地方找到(例如，图4-7及其描述)。
在一些实施例中，如图8和图12中所述，处理引擎112可以从驾驶数据中获取目标时段内的加速度数据，对加速度数据执行坐标变换，并且基于变换的加速度数据获取目标时段内的目标数据。例如，处理引擎112可以通过对目标时段内的加速度数据执行高通滤波来提取低频加速度数据。处理引擎112可以将低频加速度数据的方向指定为重力方向。处理引擎112可以基于重力方向和z轴加速度的方向之间的角度来确定旋转矩阵。处理引擎112还可以基于旋转矩阵对加速度数据执行坐标变换。可以在本申请的其他地方找到对坐标变换的更多描述(例如，图12及其描述)。在一些实施例中，处理引擎112可以进一步基于奇异值分解法(SVD)将坐标变换后的x轴加速度或y轴加速度的方向调整为与司机相关联的车辆的行驶方向。
在1904中，处理引擎112(例如，识别模块1808)(例如，处理器220的处理电路)可基于目标数据识别司机的危险驾驶行为的存在。
在一些实施例中，如结合图6所述，处理引擎112可基于机器学习模型识别司机的危险驾驶行为的存在。
在一些实施例中，如结合图16所述，处理引擎112可以提取与目标数据相关联的一个或以上特征参数，并基于一个或以上特征参数识别危险驾驶行为的存在。在一些实施例中，一个或以上特征参数可包括时域特征、频域特征、速度特征等一种或几种的组合。
在一些实施例中，处理引擎112可以提取时域特征，其包括沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、沿每个坐标轴的加速度方差等一种或几种的组合。
在一些实施例中，处理引擎112可通过对目标数据执行傅里叶变换来确定对应于目标数据的频域数据，并提取频域特征。频域特征可包括高频能量值、低频能量值、低频时长等一种或几种的组合。
在一些实施例中，处理引擎112可以在目标数据上执行积分并提取速度特征，其包括沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、沿每个坐标轴的速度终值、沿每个坐标轴的速度中值等一种或几种的组合。
在一些实施例中，在提取一个或以上特征参数之后，处理引擎112可以通过使用训练后的识别模型，基于一个或以上特征参数来识别危险驾驶行为的存在。有关危险驾驶行为的识别的更多描述可以在本申请的其他地方找到(例如，图5、图8、图13-17及其描述)。
在一些实施例中，如本申请中其他地方所述，处理引擎112还可以将与司机的危险驾驶行为相关联的相关数据上传到服务器110。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。例如，可以在示例性流程1900中的其他地方添加一个或以上其他可选操作(例如，存储操作)。在存储操作中，处理引擎112可以将驾驶数据、目标时段和/或目标数据存储在本申请中其他地方公开的存储设备(例如，存储器150)中。
本申请的一些实施例可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，该计算机可读介质具有包含在其上的计算机可读程序代码。例如，计算机可读存储介质可以包括但不限于磁盘存储器、CD-ROM和光学存储器。
本申请还可以提供包括指令的计算机存储介质。当由至少一个处理器执行时，指令可以指示至少一个处理器执行在本申请其他地方描述的流程(例如，流程600、流程700、流程800、流程1000、流程1200、流程1600、流程1900)。
另外，在本申请的实施例的描述中，除非明确定义或限制，否则应广义地理解术语“安装”、“连接”或“相接”。例如，它可以是固定连接、可拆卸连接或整体连接；它可以是机械连接或电气连接；它可以通过中间介质直接连接或间接连接，中间介质可以是两个组件之间的内部连接。对于本领域技术人员而言，本申请中的术语的具体含义可以在特定情况下理解。
在本申请的描述中，应该注意，术语“第一”、“第二”和“第三”仅用于描述目的，不应被解释为表示或暗示相对重要性。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。这些修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请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到的“实施例”、“一个实施例”或“替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上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，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可以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。因此，本申请的实施例可以在纯硬件或纯软件中实施，其中软件包括但不限于操作系统、常驻软件或微代码等；也可以在同时包含硬件和软件的“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”等中实施。此外，本申请的各方面可以表现为位于一个或以上计算机可读媒体中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可以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。所述传播讯号可以有多种表现形式，包括电磁形式、光形式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、RF、或类似介质、或任何上述介质的组合。
本申请各方面操作所需的计算机程序码可以用一个或以上程序语言的任意组合编写，包括面向对象编程语言，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python或类似的常规程序编程语言，如“C”编程语言、Visual Basic、Fortran1703、Perl、COBOL 1702、PHP、ABAP，动态编程语言如Python、Ruby和Groovy或其它编程语言。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，本申请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，并非用于限定本申请流程和方法的顺序。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申请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装置实现，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装置上安装所描述的系统。
同理，应当注意的是，为了简化本申请公开的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，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，这种公开方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，要求保护的主题可能少于单个前述公开的实施例的全部特征。

Claims (88)

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，所述前置规则包括波动方差阈值；
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；以及
基于所述第二运动数据，识别驾驶行为。
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；以及
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、加速度最小值、加速度均值、加速度变换角度最大值、加速度变换角度最小值、加速度变换角度均值和/或沿三维坐标系三个方向上加速度最大值、沿三维坐标系三个方向上加速度最小值、沿三维坐标系三个方向上加速度均值。
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，进一步包括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/或者姿态信息，所述姿态信息包括角色信息、角度信息、偏航信息和/或者俯仰信息。
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，所述传感器基于第一预设时间间隔产生第一运动数据，所述处理器基于第二预设时间间隔获取第一运动数据。
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：
通过固定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，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；以及
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，所述装置包括处理器，所述处理器执行识别程序，其特征在于，当所述识别程序被所述处理器执行时，所述处理器执行根据权利要求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，所述存储介质存储计算机指令，其特征在于，当所述计算机指令被计算机执行时，所述计算机执行根据权利要求1-10任一所述的识别驾驶行为的方法。
14.一种驾驶行为检测方法，其特征在于，所述方法由移动终端执行，所述方法包括：
通过所述移动终端上的加速度传感器获取加速度数据；其中，所述加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax、ay和az；
根据ax、ay和az的大小确定存在疑似危险驾驶行为的数据区间；
提取所述数据区间内的加速度数据；
对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，所述目标数据对应的z轴方向与重力方向相同；
按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征或速度特征；以及
根据提取得到的所述特征确定是否存在危险驾驶行为。
15.根据权利要求14所述的方法，其特征在于，通过所述移动终端上的所述加速度传感器获取加速度数据的步骤，包括：
当所述移动终端激活驾驶行为检测功能时，通过所述移动终端上的所述加速度传感器获取所述加速度数据。
16.根据权利要求15所述的方法，其特征在于，所述方法还包括：
如果所述移动终端启动导航功能和/或通过网约车平台接受服务请求，激活所述驾驶行为检测功能。
17.根据权利要求14所述的方法，其特征在于，根据ax、ay和az的大小确定存在疑似危险驾驶行为的数据区间的步骤，包括：
根据ax、ay和az计算总加速度；
统计所述总加速度大于设定阈值的连续个数；以及
若所述连续个数大于设定个数，将连续的所述总加速度对应的加速度数据区间确定为所述存在疑似危险驾驶行为的数据区间。
18.根据权利要求17所述的方法，其特征在于，根据ax、ay和az计算所述总加速度，包括：
根据计算总加速度，
或者，根据a＝ax+ay+az，计算总加速度。
19.根据权利要求14所述的方法，其特征在于，对提取的所述加速度数据进行坐标变换的步骤，包括：
对提取的所述加速度数据进行高通滤波，提取出低频的加速度数据；
将所述低频的加速度数据的方向作为重力方向；
根据所述重力方向与az方向间的角度构造旋转矩阵；以及
将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
20.根据权利要求19所述的方法，其特征在于，所述将提取的所述加速度数据乘以所述旋转矩阵的步骤之后，所述方法还包括：
通过奇异值分解方法，将坐标变换后的ax或ay的方向调整至当前驾驶方向。
21.根据权利要求14所述的方法，其特征在于，按照预设的特征参数对所述目标数据进行特征提取的步骤，包括：
如果所述特征参数包括时域特征，计算沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差；
如果所述特征参数包括频域特征，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；以及
如果所述特征参数包括速度特征，沿每个坐标轴方向对所述目标数据进行积分，根据积分结果确定沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度终值。
22.根据权利要求21所述的方法，其特征在于，确定所述频域数据对应的频域特征的步骤，包括：
计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
23.根据权利要求14所述的方法，其特征在于，根据提取得到的所述特征确定是否存在危险驾驶行为的步骤，包括：
将提取得到的所述特征输入所述移动终端上的决策树模型；以及
输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据所述危险驾驶行为对应的特征参数训练得到的。
24.根据权利要求14所述的方法，其特征在于，所述方法还包括：
用于在存在危险驾驶行为的情况下，保存所述危险驾驶行为对应的加速度数据。
25.根据权利要求24所述的方法，其特征在于，所述方法还包括：
按照设定的周期，向指定服务器发送保存的所述加速度数据；或者
如果保存的所述加速度数据达到设定量，向指定服务器发送保存的所述加速度数据。
26.一种驾驶行为检测装置，其特征在于，所述装置由移动终端执行，所述装置包括：
获取模块，用于通过所述移动终端上的加速度传感器获取加速度数据；其中，所述加速度数据包括x轴、y轴和z轴分别对应的加速度数据ax、ay和az；
第一确定模块，用于根据ax、ay和az的大小确定存在疑似危险驾驶行为的数据区间；
数据提取模块，用于提取所述数据区间内的所述加速度数据；
坐标变换模块，用于对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，所述目标数据对应的z轴方向与重力方向相同；
特征提取模块，用于按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征；以及
第二确定模块，用于根据提取得到的所述特征确定是否存在危险驾驶行为。
27.根据权利要求26所述的装置，其特征在于，所述获取模块用于：
当所述移动终端激活驾驶行为检测功能时，通过移动终端上的所述速度传感器获取所述加速度数据。
28.根据权利要求27所述的装置，其特征在于，所述装置还包括：
激活模块，用于在所述移动终端启动导航功能和/或通过网约车平台接受服务订单的情况下，激活所述驾驶行为检测功能。
29.根据权利要求26所述的装置，其特征在于，所述第一确定模块包括：
计算单元，用于根据ax、ay和az计算总加速度；
统计单元，用于统计所述总加速度大于设定阈值的连续个数；以及
确定单元，用于在所述连续个数大于设定个数的情况下，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。
30.根据权利要求29所述的装置，其特征在于，所述计算单元用于：
根据计算总加速度，
或者，根据a＝ax+ay+az，计算总加速度。
31.根据权利要求26所述的装置，其特征在于，所述坐标变换模块用于：
对提取的所述加速度数据进行高通滤波，提取出低频的加速度数据；
将所述低频的加速度数据的方向作为重力方向；
根据所述重力方向与az方向间的角度构造旋转矩阵；以及
将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
32.根据权利要求31所述的装置，其特征在于，所述装置还包括：
调整模块，用于通过奇异值分解装置，将坐标变换后的ax或ay的方向调整至当前驾驶方向。
33.根据权利要求26所述的装置，其特征在于，所述特征提取模块用于：
如果所述特征参数包括时域特征，计算沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差；
如果所述特征参数包括频域特征，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；以及
如果所述特征参数包括速度特征，沿每个坐标轴方向对所述目标数据进行积分，根据积分结果确定沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度终值。
34.根据权利要求33所述的装置，其特征在于，所述特征提取模块还用于：
计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
35.根据权利要求26所述的装置，其特征在于，所述第二确定模块用于：
将提取得到的所述特征输入所述移动终端上的决策树模型；以及
输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据所述危险驾驶行为对应的特征参数训练得到的。
36.根据权利要求26所述的装置，其特征在于，所述装置还包括：
保存模块，用于在存在危险驾驶行为的情况下，保存所述危险驾驶行为对应的加速度数据。
37.根据权利要求36所述的装置，其特征在于，所述装置还包括：
第一发送模块，用于按照预定的周期，向指定服务器发送保存的所述加速度数据；或者
第二发送模块，用于在保存的所述加速度数据达到预定的量的情况下，向指定服务器发送保存的所述加速度数据。
38.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备执行时，所述处理器与所述存储器之间通过总线通信，其特征在于，当所述机器可读指令被所述处理器执行时，所述处理器执行根据权利要求26-37任一所述的方法。
39.一种计算机可读介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，所述处理器执行根据权利要求26-37任一所述的方法。
40.一种系统，包括：
用于存储一组指令的存储介质；和
与所述存储介质通信地耦合的处理器，执行所述一组指令以：
从与司机驾驶的车辆相关的传感器获取驾驶数据；
基于所述驾驶数据，确定目标时段；
基于所述驾驶数据，获取所述目标时段内的目标数据；以及
基于所述目标数据，确定所述司机的危险驾驶行为的存在。
41.根据权利要求40所述的系统，其特征在于，所述驾驶数据包括加速度信息、速度信息、位置信息、时间信息或姿态信息中的至少一个。
42.根据权利要求40或41所述的系统，还包括陀螺仪、加速度传感器、全球定位系统(GPS)传感器或重力传感器中的至少一个，其中所述处理器使用所述陀螺仪、所述加速度传感器、所述全球定位系统(GPS)传感器或所述重力传感器中的至少一个，以获取所述驾驶数据。
43.根据权利要求40-42中任一项所述的系统，其特征在于，基于所述驾驶数据确定所述目标时段，所述处理器用于：
确定对应于至少两个时间点的所述驾驶数据的至少两个波动方差；以及
响应于确定所述至少两个波动方差大于方差阈值，确定所述目标时段为包含所述至少两个时间点的时段。
44.根据权利要求40-43中任一项所述的系统，其特征在于，基于所述驾驶数据，获取所述目标时段内的所述目标数据，所述处理器用于：
在所述目标时段期间确定与所述驾驶数据相关的特征数据；以及
通过基于所述特征数据和机器学习模型从所述驾驶数据中滤除无关数据来确定所述目标时段内的所述目标数据。
45.根据权利要求40-44中任一项所述的系统，其特征在于，基于所述驾驶数据，确定所述目标时段，所述处理器用于：
识别时段，对应于其中至少两个时间点的至少两个总加速度中的每一个大于加速度阈值；以及
响应于确定所述至少两个总加速度的个数大于计数阈值，确定所述时段为所述目标时段。
46.根据权利要求40-45中任一项所述的系统，其特征在于，基于所述驾驶数据，获取所述目标时段内的所述目标数据，所述处理器用于：
从所述驾驶数据获取所述目标时间内的加速度数据；
在所述加速度数据上执行坐标转换；以及
基于变换的加速度数据，获取所述目标时段内的所述目标数据。
47.根据权利要求46所述的系统，其特征在于，在所述加速度数据上执行所述坐标转换，所述处理器用于：
通过对所述目标时段内的所述加速度数据进行高通滤波，提取低频加速度数据；
指定所述低频加速度数据的方向作为重力方向；
基于所述重力方向和z轴加速度方向之间的角度确定旋转矩阵；以及
基于所述旋转矩阵对所述加速度数据执行所述坐标变换。
48.根据权利要求47所述的系统，其特征在于，所述处理器用于：
在所述坐标变换之后，基于奇异值分解法(SVD)，将x轴加速度或y轴加速度的方向调整为与所述司机相关联的车辆的行驶方向。
49.根据权利要求40-48中任一项所述的系统，其特征在于，基于所述目标数据，识别所述司机的所述危险驾驶行为的所述存在，所述处理器用于：
提取一个或以上与所述目标数据相关联的特征参数，其所述一个或一个以上特征参数包括时域特征、频域特征或速度特征中的至少一个；以及
基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
50.根据权利要求49所述的系统，其特征在于，所述一个或以上特征参数包含所述时域特征，提取所述一个或以上与所述目标数据相关联的特征参数，所述处理器用于：
提取所述包括沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差的时域特征。
51.根据权利要求49或50所述的系统，其特征在于，所述一个或以上特征参数包含所述频域特征，提取所述一个或以上与所述目标数据相关联的特征参数，所述处理器用于：
通过对所述目标数据进行傅立叶变换，确定所述目标数据对应的频域特征数据；以及
提取所述包括高频能量值、低频能量值或低频时长中的至少一个的频域特征。
52.根据权利要求49-51中任一项所述的系统，其特征在于，所述一个或以上特征参数包含所述速度特征，提取所述一个或以上与所述目标数据相关联的特征参数，所述处理器用于：
提取所述包括通过在所述目标数据上执行积分得到的沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度中值的速度特征。
53.根据权利要求49-52中任一项所述的系统，其特征在于，基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在，所述处理器用于：
使用训练后的识别模型，根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
54.根据权利要求40-53中任一项所述的系统，其特征在于，所述处理器用于：
根据预设频率获取所述与由所述司机驾驶的所述车辆相关联的所述驾驶数据。
55.根据权利要求40-54中任一项所述的系统，其特征在于，与所述车辆相关联的所述传感器包括与所述车辆相关联的终端设备的传感器。
56.一种在计算设备上实现的方法，包括至少一个处理器、至少一个存储介质、以及连接到网络的通信平台，所述方法包括：
从与司机驾驶的车辆相关的传感器获取驾驶数据；
基于所述驾驶数据确定目标时段；
基于所述驾驶数据，获取所述目标时段内的目标数据；以及
基于所述目标数据，识别所述司机的危险驾驶行为的存在。
57.根据权利要求56所述的方法，其中所述驾驶数据包括加速度信息、速度信息、位置信息、时间信息或姿态信息中的至少一个。
58.根据权利要求56或57所述的方法，还包括使用陀螺仪、加速度传感器、全球定位系统(GPS)传感器或重力传感器中的至少一个来获取所述驾驶数据。
59.根据权利要求56-58中任一项所述的方法，其特征在于，所述基于所述驾驶数据，确定所述目标时段包括：
确定对应于至少两个时间点的所述驾驶数据的至少两个波动方差；以及
响应于确定所述至少两个波动方差大于方差阈值，确定所述目标时段为包含所述至少两个时间点的时段。
60.根据权利要求56-59中任一项所述的方法，其特征在于，所述根据所述驾驶数据，获取所述目标时段内的所述目标数据包括：
在所述目标时段期间确定与所述驾驶数据相关的特征数据；以及
通过基于所述特征数据和机器学习模型从所述驾驶数据中滤除无关数据来确定所述目标时段内的所述目标数据。
61.根据权利要求56-60中任一项所述的方法，其特征在于，所述基于所述驾驶数据，确定所述目标时段包括：
识别时段，对应于其中至少两个时间点的至少两个总加速度中的每一个大于加速度阈值；以及
响应于确定所述至少两个总加速度的个数大于计数阈值，确定所述时段为所述目标时段。
62.根据权利要求56-61中任一项所述的方法，其特征在于，所述基于所述驾驶数据，获取所述目标时段内的所述目标数据包括：
从所述驾驶数据中所述目标获取加速度数据时；
在所述加速度数据上执行坐标转换；和
基于变换的加速度数据，获取所述目标时段内的所述目标数据。
63.根据权利要求62所述的方法，其特征在于，所述在所述加速度数据上执行所述坐标转换包括：
通过对所述目标时段内的所述加速度数据进行高通滤波，提取低频加速度数据；
指定所述低频加速度数据的方向作为重力方向；
基于所述重力方向和z轴加速度方向之间的角度确定旋转矩阵；以及
基于所述旋转矩阵对所述加速度数据执行所述坐标变换。
64.根据权利要求63所述的方法，其特征在于，所述方法还包括：
在所述坐标变换之后，基于奇异值分解法(SVD)，将x轴加速度或y轴加速度的方向调整为与所述司机相关联的车辆的行驶方向。
65.根据权利要求56-64中任一项所述的方法，其特征在于，所述基于所述目标数据，识别所述司机的所述危险驾驶行为的所述存在包括：
提取一个或以上与所述目标数据相关联的特征参数，其所述一个或一个以上特征参数包括时域特征、频域特征或速度特征中的至少一个；以及
根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
66.根据权利要求65所述的方法，其特征在于，所述一个或以上特征参数包含所述时域特征，以及所述提取所述一个或以上与所述目标数据相关联的特征参数包括：
提取所述包括沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差的时域特征。
67.根据权利要求65或66所述的方法，所述一个或以上特征参数包含所述频域特征，以及所述提取所述一个或以上与所述目标数据相关联的特征参数包括：
通过对所述目标数据进行傅立叶变换，确定所述目标数据对应的频域特征数据；以及
提取所述包括高频能量值、低频能量值或低频时长中的至少一个的频域特征。
68.根据权利要求65-67中任一项所述的方法，所述一个或以上特征参数包含所述速度特征，以及所述提取所述一个或以上与所述目标数据相关联的特征参数包括：
提取所述包括通过在所述目标数据上执行积分得到的沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度中值的速度特征。
69.根据权利要求65-68中任一项所述的方法，其特征在于，所述基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在包括：
使用训练后的识别模型，根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
70.根据权利要求56-69中任一项所述的方法，其特征在于，所述方法还包括：
根据预设频率获取所述与由所述司机驾驶的所述车辆相关联的所述驾驶数据。
71.根据权利要求56-70中任一项所述的方法，其特征在于，与所述车辆相关联的所述传感器包括与所述车辆相关联的终端设备的传感器。
72.一种系统，包括：
获取模块，被配置为从与司机驾驶的车辆相关的传感器获取驾驶数据；
目标时段确定模块，被配置为基于所述驾驶数据确定目标时段；
目标数据确定模块，被配置为基于所述驾驶数据，获取所述目标时段内的目标数据；以及
识别模块，被配置为基于所述目标数据，识别所述司机的危险驾驶行为的存在。
73.根据权利要求72所述的系统，其中所述驾驶数据包括加速度信息、速度信息、位置信息、时间信息或姿态信息中的至少一个。
74.根据权利要求72或73所述的系统，还包括陀螺仪、加速度传感器、全球定位系统(GPS)传感器或重力传感器中的至少一个，其中所述处理器使用所述陀螺仪、所述加速度传感器、所述全球定位系统(GPS)传感器或所述重力传感器中的至少一个，以获取所述驾驶数据。
75.根据权利要求72-74中任一项所述的系统，其特征在于，基于所述驾驶数据，确定所述目标时段，所述目标时段确定模块被配置为：
确定对应于至少两个时间点的所述驾驶数据的至少两个波动方差；以及
响应于确定所述至少两个波动方差大于方差阈值，确定所述目标时段为包含所述至少两个时间点的时段。
76.根据权利要求72-75中任一项所述的系统，其特征在于，基于所述驾驶数据，获取所述目标时段内的所述目标数据，所述目标数据确定模块被配置为：
在所述目标时段期间确定与所述驾驶数据相关的特征数据；以及
通过基于所述特征数据和机器学习模型从所述驾驶数据中滤除无关数据来确定所述目标时段内的所述目标数据。
77.根据权利要求72-76中任一项所述的系统，其特征在于，基于所述驾驶数据，确定所述目标时段，所述目标时段确定模块被配置为：
识别时段，对应于其中至少两个时间点的至少两个总加速度中的每一个大于加速度阈值；以及
响应于确定所述至少两个总加速度的个数大于计数阈值，确定所述时段为所述目标时段。
78.根据权利要求72-77中任一项所述的系统，其特征在于，基于所述驾驶数据，获取所述目标时段内的所述目标数据，所述目标数据确定模块被配置为：
从所述驾驶数据获取所述目标时间内的加速度数据；
在所述加速度数据上执行坐标转换；以及
基于变换的加速度数据，获取所述目标时段内的所述目标数据。
79.根据权利要求78所述的系统，其特征在于，在所述加速度数据上执行所述坐标转换，所述目标数据确定模块被配置为：
通过对所述目标时段内的所述加速度数据进行高通滤波，提取低频加速度数据；
指定所述低频加速度数据的方向作为重力方向；
基于所述重力方向和z轴加速度方向之间的角度确定旋转矩阵；以及
基于所述旋转矩阵对所述加速度数据执行所述坐标变换。
80.根据权利要求79所述的系统，其中所述目标数据确定模块进一步被配置为：
在所述坐标变换之后，基于奇异值分解法(SVD)，将x轴加速度或y轴加速度的方向调整为与所述司机相关联的车辆的行驶方向。
81.根据权利要求72-80中任一项所述的系统，其特征在于，基于所述目标数据，识别所述司机的所述危险驾驶行为的所述存在，所述识别模块被配置为：
提取一个或以上与所述目标数据相关联的特征参数，其所述一个或一个以上特征参数包括时域特征、频域特征或速度特征中的至少一个；以及
基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
82.根据权利要求81所述的系统，其特征在于，所述一个或以上特征参数包含所述时域特征，提取所述一个或以上与所述目标数据相关联的特征参数，所述识别模块被配置为：
提取所述包括沿每个坐标轴的最大加速度、沿每个坐标轴的最小加速度、沿每个坐标轴的平均加速度、或沿每个坐标轴的加速度方差的时域特征。
83.根据权利要求81或82所述的系统，其特征在于，所述一个或以上特征参数包含所述频域特征，提取所述一个或以上与所述目标数据相关联的特征参数，所述识别模块被配置为：
通过对所述目标数据进行傅立叶变换，确定所述目标数据对应的频域特征数据；以及
提取所述包括高频能量值、低频能量值或低频时长中的至少一个的频域特征。
84.根据权利要求81-83中任一项所述的系统，其特征在于，所述一个或以上特征参数包含所述速度特征，提取所述一个或以上与所述目标数据相关联的特征参数，所述识别模块被配置为：
提取所述包括通过在所述目标数据上执行积分得到的沿每个坐标轴的速度最大值、沿每个坐标轴的速度最小值、或沿每个坐标轴的速度中值的速度特征。
85.根据权利要求81-84中任一项所述的系统，其特征在于，所述基于所述一个或以上特征参数，识别所述危险驾驶行为的所述存在，所述识别模块被配置为：
使用训练后的识别模型，根据所述一个或以上特征参数，识别所述危险驾驶行为的所述存在。
86.根据权利要求72-85中任一项所述的系统，其中所述获取模块被配置为：
根据预设频率获取所述与所述由所述司机驾驶的车辆相关联的所述驾驶数据。
87.根据权利要求72-86中任一项所述的系统，其特征在于，与所述车辆相关联的所述传感器包括与所述车辆相关联的终端设备的传感器。
88.一种非暂时性计算机可读介质，包括可执行指令，当由至少一个处理器执行时，指示所述至少一个处理器执行方法，所述方法包括：
从与司机驾驶的车辆相关的传感器获取驾驶数据；
基于所述驾驶数据，确定目标时段；
基于所述驾驶数据，获取所述目标时段内的目标数据；以及
基于所述目标数据，确定所述司机的危险驾驶行为的存在。
CN201880002704.9A 2018-03-01 2018-12-26 一种识别驾驶行为的系统、方法、装置和存储介质 Active CN110447214B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
CN2018101718756 2018-03-01
CN201810171875.6A CN110225446B (zh) 2018-03-01 2018-03-01 一种识别驾驶行为的系统、方法、装置和存储介质
CN201810664251.8A CN108791303B (zh) 2018-06-25 2018-06-25 驾驶行为检测方法、装置、电子设备和计算机可读介质
CN2018106642518 2018-06-25
PCT/CN2018/123759 WO2019165838A1 (en) 2018-03-01 2018-12-26 Systems and methods for identifying risky driving behavior

Publications (2)

Publication Number Publication Date
CN110447214A true CN110447214A (zh) 2019-11-12
CN110447214B CN110447214B (zh) 2022-04-15

Family

ID=67437007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880002704.9A Active CN110447214B (zh) 2018-03-01 2018-12-26 一种识别驾驶行为的系统、方法、装置和存储介质

Country Status (7)

Country Link
EP (1) EP3560171B1 (zh)
JP (1) JP6832963B2 (zh)
CN (1) CN110447214B (zh)
AU (1) AU2018286615A1 (zh)
SG (1) SG11201811740WA (zh)
TW (1) TWI704520B (zh)
WO (1) WO2019165838A1 (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126311A (zh) * 2019-12-26 2020-05-08 斑马网络技术有限公司 城市道路的潜在危险区域识别方法、装置及电子设备
CN111523766A (zh) * 2020-03-27 2020-08-11 中国平安财产保险股份有限公司 驾驶风险评估方法、装置、电子设备及可读存储介质
CN111942397A (zh) * 2020-08-06 2020-11-17 华南理工大学 危险驾驶行为监控方法、装置、存储介质
CN112614308A (zh) * 2020-12-24 2021-04-06 新拓尼克(北京)科技研发中心有限公司 车内生命侦测系统
CN112950900A (zh) * 2021-01-27 2021-06-11 吉林云帆智能工程有限公司 一种司机行为监控检测方法
WO2021128266A1 (en) * 2019-12-27 2021-07-01 Intel Corporation Quantitative driving evaluation and vehicle safety restrictions
CN113298099A (zh) * 2020-02-21 2021-08-24 北京邮电大学 一种驾驶行为识别方法、装置、电子设备及存储介质
CN113378607A (zh) * 2020-03-10 2021-09-10 顺丰科技有限公司 过激驾驶行为管理方法、装置及计算机可读存储介质
CN113495555A (zh) * 2020-03-20 2021-10-12 际络科技(上海)有限公司 驾驶规则提取装置和方法、制定装置和方法以及存储介质
CN113566953A (zh) * 2021-09-23 2021-10-29 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN113591744A (zh) * 2021-08-05 2021-11-02 北京百姓车服网络科技有限公司 针对危险驾驶行为的标注数据的生成方法及数据采集系统
CN113619589A (zh) * 2021-07-22 2021-11-09 中汽创智科技有限公司 驾驶行为信息的确定方法、装置、电子设备及存储介质
CN113635915A (zh) * 2021-08-24 2021-11-12 中国人民解放军陆军装甲兵学院 车辆驾驶预警方法、装置、电子设备和存储介质
CN113657632A (zh) * 2021-08-10 2021-11-16 百度在线网络技术（北京）有限公司 异常驾驶行为检测方法、装置、电子设备和存储介质
CN113727211A (zh) * 2021-08-19 2021-11-30 广州小鹏汽车科技有限公司 数据处理方法、装置、服务器、系统
CN113879435A (zh) * 2021-11-01 2022-01-04 深圳市乐骑智能科技有限公司 基于物联网电动滑板车转向灯自动控制方法及电动滑板车
CN114120634A (zh) * 2021-11-03 2022-03-01 暨南大学 基于WiFi的危险驾驶行为识别方法、装置、设备及存储介质
CN114291098A (zh) * 2020-03-03 2022-04-08 北京百度网讯科技有限公司 用于自动驾驶车辆的停车方法和装置
CN114548164A (zh) * 2022-02-18 2022-05-27 北京理工大学 一种用于智能网联操控极微风险识别的无干扰监测方法
CN115186770A (zh) * 2022-09-08 2022-10-14 北京邮电大学 驾驶员身份识别方法和电子设备

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651414B (zh) * 2019-10-10 2023-06-27 马上消费金融股份有限公司 运动数据处理和模型训练方法、装置、设备及存储介质
CN111209796B (zh) * 2019-12-19 2023-08-29 中国平安财产保险股份有限公司 驾驶行为检测方法、装置、电子设备及介质
CN111439268B (zh) * 2020-03-31 2023-03-14 重庆长安汽车股份有限公司 一种主动提供个性化服务的方法、装置、云端服务器及汽车
CN112637420B (zh) * 2020-12-02 2022-05-17 众安在线财产保险股份有限公司 一种驾驶行为的识别方法、装置及计算机系统
CN115514590B (zh) * 2021-06-03 2024-01-05 台达电子工业股份有限公司 电动载具部件、电动载具数据收集系统及电动载具数据收集方法
TWI774406B (zh) * 2021-06-03 2022-08-11 台達電子工業股份有限公司 電動載具部件、電動載具資料收集系統及電動載具資料收集方法
EP4169794B1 (en) * 2021-10-19 2024-07-17 Volvo Truck Corporation A method for rating and for improving a driver's driving style based on a safety level criteria, corresponding computer program and electronic control unit

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101643053A (zh) * 2009-09-01 2010-02-10 长安大学 一种驾驶员汽车驾驶行为的综合监测系统
CN101866502A (zh) * 2010-05-10 2010-10-20 陈勃生 不安全驾驶行为的识别与监控系统及方法
CN103818327A (zh) * 2013-11-22 2014-05-28 深圳先进技术研究院 一种分析驾驶行为的方法和装置
CN103871110A (zh) * 2012-12-13 2014-06-18 深圳市赛格导航科技股份有限公司 判断汽车驾驶状态的方法及系统
CN104354699A (zh) * 2014-10-08 2015-02-18 北京远特科技有限公司 一种基于obd终端检测驾驶行为信息的方法和装置
CN104590275A (zh) * 2014-11-27 2015-05-06 厦门雅迅网络股份有限公司 一种驾驶行为分析方法
CN104802737A (zh) * 2015-03-25 2015-07-29 清华大学 一种基于手机的车辆异常驾驶行为检测方法
CN105185112A (zh) * 2015-08-21 2015-12-23 深圳市北斗软核信息技术有限公司 驾驶行为分析识别的方法及系统
US20160016590A1 (en) * 2014-07-17 2016-01-21 Telefonica Digital España, S.L.U. Method for detecting driving events of a vehicle based on a smartphone
CN105677310A (zh) * 2014-11-21 2016-06-15 窦锡宇 一种标定车辆方向的方法及其软件算法
US20160282124A1 (en) * 2015-03-27 2016-09-29 Tata Consultancy Services Limited System and method for monitoring driving behavior of a driver
CN107025704A (zh) * 2017-03-14 2017-08-08 上海小蚁科技有限公司 基于加速度传感器的驾驶行为检测方法及装置、行车记录仪和汽车
CN108108766A (zh) * 2017-12-28 2018-06-01 东南大学 基于多传感器数据融合的驾驶行为识别方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4664826B2 (ja) * 2006-01-26 2011-04-06 財団法人日本自動車研究所 車両挙動解析システム
JP2011003076A (ja) * 2009-06-19 2011-01-06 Fuji Heavy Ind Ltd リスク認識システム
JP5386543B2 (ja) * 2011-05-25 2014-01-15 株式会社審調社 運転評価システム、運転評価用プログラム、及び運転評価方法
TWI613108B (zh) * 2016-06-17 2018-02-01 Chunghwa Telecom Co Ltd 針對事故的駕駛行為分析系統及方法
CN108791303B (zh) * 2018-06-25 2020-05-12 北京嘀嘀无限科技发展有限公司 驾驶行为检测方法、装置、电子设备和计算机可读介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101643053A (zh) * 2009-09-01 2010-02-10 长安大学 一种驾驶员汽车驾驶行为的综合监测系统
CN101866502A (zh) * 2010-05-10 2010-10-20 陈勃生 不安全驾驶行为的识别与监控系统及方法
CN103871110A (zh) * 2012-12-13 2014-06-18 深圳市赛格导航科技股份有限公司 判断汽车驾驶状态的方法及系统
CN103818327A (zh) * 2013-11-22 2014-05-28 深圳先进技术研究院 一种分析驾驶行为的方法和装置
US20160016590A1 (en) * 2014-07-17 2016-01-21 Telefonica Digital España, S.L.U. Method for detecting driving events of a vehicle based on a smartphone
CN104354699A (zh) * 2014-10-08 2015-02-18 北京远特科技有限公司 一种基于obd终端检测驾驶行为信息的方法和装置
CN105677310A (zh) * 2014-11-21 2016-06-15 窦锡宇 一种标定车辆方向的方法及其软件算法
CN104590275A (zh) * 2014-11-27 2015-05-06 厦门雅迅网络股份有限公司 一种驾驶行为分析方法
CN104802737A (zh) * 2015-03-25 2015-07-29 清华大学 一种基于手机的车辆异常驾驶行为检测方法
US20160282124A1 (en) * 2015-03-27 2016-09-29 Tata Consultancy Services Limited System and method for monitoring driving behavior of a driver
CN105185112A (zh) * 2015-08-21 2015-12-23 深圳市北斗软核信息技术有限公司 驾驶行为分析识别的方法及系统
CN107025704A (zh) * 2017-03-14 2017-08-08 上海小蚁科技有限公司 基于加速度传感器的驾驶行为检测方法及装置、行车记录仪和汽车
CN108108766A (zh) * 2017-12-28 2018-06-01 东南大学 基于多传感器数据融合的驾驶行为识别方法及系统

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126311A (zh) * 2019-12-26 2020-05-08 斑马网络技术有限公司 城市道路的潜在危险区域识别方法、装置及电子设备
CN111126311B (zh) * 2019-12-26 2023-06-02 斑马网络技术有限公司 城市道路的潜在危险区域识别方法、装置及电子设备
WO2021128266A1 (en) * 2019-12-27 2021-07-01 Intel Corporation Quantitative driving evaluation and vehicle safety restrictions
CN113298099A (zh) * 2020-02-21 2021-08-24 北京邮电大学 一种驾驶行为识别方法、装置、电子设备及存储介质
CN113298099B (zh) * 2020-02-21 2023-08-29 北京邮电大学 一种驾驶行为识别方法、装置、电子设备及存储介质
CN114291098B (zh) * 2020-03-03 2024-05-31 北京百度网讯科技有限公司 用于自动驾驶车辆的停车方法和装置
CN114291098A (zh) * 2020-03-03 2022-04-08 北京百度网讯科技有限公司 用于自动驾驶车辆的停车方法和装置
CN113378607A (zh) * 2020-03-10 2021-09-10 顺丰科技有限公司 过激驾驶行为管理方法、装置及计算机可读存储介质
CN113495555A (zh) * 2020-03-20 2021-10-12 际络科技(上海)有限公司 驾驶规则提取装置和方法、制定装置和方法以及存储介质
CN111523766A (zh) * 2020-03-27 2020-08-11 中国平安财产保险股份有限公司 驾驶风险评估方法、装置、电子设备及可读存储介质
CN111523766B (zh) * 2020-03-27 2020-11-13 中国平安财产保险股份有限公司 驾驶风险评估方法、装置、电子设备及可读存储介质
CN111942397A (zh) * 2020-08-06 2020-11-17 华南理工大学 危险驾驶行为监控方法、装置、存储介质
CN112614308B (zh) * 2020-12-24 2021-09-24 新拓尼克(北京)科技研发中心有限公司 车内生命侦测系统
CN112614308A (zh) * 2020-12-24 2021-04-06 新拓尼克(北京)科技研发中心有限公司 车内生命侦测系统
CN112950900A (zh) * 2021-01-27 2021-06-11 吉林云帆智能工程有限公司 一种司机行为监控检测方法
CN113619589B (zh) * 2021-07-22 2022-11-15 中汽创智科技有限公司 驾驶行为信息的确定方法、装置、电子设备及存储介质
CN113619589A (zh) * 2021-07-22 2021-11-09 中汽创智科技有限公司 驾驶行为信息的确定方法、装置、电子设备及存储介质
CN113591744B (zh) * 2021-08-05 2024-03-22 北京百姓车服网络科技有限公司 针对危险驾驶行为的标注数据的生成方法及数据采集系统
CN113591744A (zh) * 2021-08-05 2021-11-02 北京百姓车服网络科技有限公司 针对危险驾驶行为的标注数据的生成方法及数据采集系统
CN113657632B (zh) * 2021-08-10 2023-11-07 百度在线网络技术（北京）有限公司 异常驾驶行为检测方法、装置、电子设备和存储介质
CN113657632A (zh) * 2021-08-10 2021-11-16 百度在线网络技术（北京）有限公司 异常驾驶行为检测方法、装置、电子设备和存储介质
CN113727211B (zh) * 2021-08-19 2023-09-12 广州小鹏汽车科技有限公司 数据处理方法、装置、服务器、系统
CN113727211A (zh) * 2021-08-19 2021-11-30 广州小鹏汽车科技有限公司 数据处理方法、装置、服务器、系统
CN113635915A (zh) * 2021-08-24 2021-11-12 中国人民解放军陆军装甲兵学院 车辆驾驶预警方法、装置、电子设备和存储介质
CN113566953B (zh) * 2021-09-23 2021-11-30 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN113566953A (zh) * 2021-09-23 2021-10-29 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN113879435B (zh) * 2021-11-01 2022-11-01 深圳市乐骑智能科技有限公司 基于物联网电动滑板车转向灯自动控制方法及电动滑板车
CN113879435A (zh) * 2021-11-01 2022-01-04 深圳市乐骑智能科技有限公司 基于物联网电动滑板车转向灯自动控制方法及电动滑板车
CN114120634B (zh) * 2021-11-03 2023-04-07 暨南大学 基于WiFi的危险驾驶行为识别方法、装置、设备及存储介质
CN114120634A (zh) * 2021-11-03 2022-03-01 暨南大学 基于WiFi的危险驾驶行为识别方法、装置、设备及存储介质
CN114548164A (zh) * 2022-02-18 2022-05-27 北京理工大学 一种用于智能网联操控极微风险识别的无干扰监测方法
CN115186770A (zh) * 2022-09-08 2022-10-14 北京邮电大学 驾驶员身份识别方法和电子设备

Also Published As

Publication number Publication date
JP6832963B2 (ja) 2021-02-24
SG11201811740WA (en) 2019-09-27
CN110447214B (zh) 2022-04-15
EP3560171A1 (en) 2019-10-30
EP3560171B1 (en) 2021-10-13
WO2019165838A1 (en) 2019-09-06
EP3560171A4 (en) 2020-02-26
JP2020518871A (ja) 2020-06-25
TW201937447A (zh) 2019-09-16
AU2018286615A1 (en) 2019-09-19
TWI704520B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN110447214A (zh) 一种识别驾驶行为的系统、方法、装置和存储介质
CA3028630C (en) Systems and methods for identifying risky driving behavior
US11508236B2 (en) Devices and methods for recognizing driving behavior based on movement data
AU2020201991B2 (en) Systems and methods for recommending an estimated time of arrival
WO2020015526A1 (zh) 驾驶行为评分方法及装置
CN110329271A (zh) 一种基于机器学习的多传感器车辆行驶检测系统及方法
CN109478265A (zh) 运输服务安全评估的系统和方法
CN110914837B (zh) 确定车头朝向的方法和系统
CN109670970A (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN111105120B (zh) 一种工单处理方法及装置
WO2020113619A1 (en) Systems and methods for identifying damaged vehicle in online to offline service
JP6697998B2 (ja) 移動体保険料算出方法、移動体保険料算出装置、移動体保険料算出プログラム及び移動体
CN110945484B (zh) 数据存储中异常检测的系统和方法
CN110263836B (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
CN110225446B (zh) 一种识别驾驶行为的系统、方法、装置和存储介质
CN113076896A (zh) 一种规范停车方法、系统、装置及存储介质
CN112582063A (zh) Bmi预测方法、装置、系统及计算机存储介质、电子设备
CN111401030A (zh) 服务异常识别方法、装置、服务器及可读存储介质
CN111080047A (zh) 一种判定驾驶任务完成情况的方法、装置及计算机可读介质

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
GR01 Patent grant
GR01 Patent grant