CN110533094A - 一种用于驾驶员的评价方法和系统 - Google Patents
一种用于驾驶员的评价方法和系统 Download PDFInfo
- Publication number
- CN110533094A CN110533094A CN201910792459.2A CN201910792459A CN110533094A CN 110533094 A CN110533094 A CN 110533094A CN 201910792459 A CN201910792459 A CN 201910792459A CN 110533094 A CN110533094 A CN 110533094A
- Authority
- CN
- China
- Prior art keywords
- driver
- value
- data
- characteristic value
- evaluation
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明给出了一种用于驾驶员的评价方法和系统,包括获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步;响应于数据值处于预设的阈值范围区间之外,提取该值为驾驶员在对应观测项目的特征值;基于特征值和距离算法计算特征值的相似度,基于相似度对驾驶员进行聚类,获得至少两个聚类集合并确定聚类集合的特性;响应于检测到待评价驾驶员的数据值,获得待评价驾驶员的评价结果,其中,评价结果包括待评价驾驶员所属的聚类集合和特征值。通过该方法对驾驶员进行评价,结果更加有依据,可信度更高。
Description
技术领域
本发明涉及计算机技术应用领域,尤其是一种用于驾驶员的评价方法和系统。
背景技术
目前针对驾驶员驾驶行为的评价少有人研究,大多是将驾驶员进行一些简单的分类(如粗暴型、温和性和普通型)。对驾驶员的评价结果能够用于辅助决策,如对驾驶员的管理领域,因此,对驾驶员评价体系越来越受到关注。目前对驾驶员的评价局限于人工评价的方式,尚未出现较为专业的对驾驶员的综合评价系统。
申请号为CN201810675738.6的中国专利公开了一种驾驶员安全监控学习系统,组成部分包括:数据收集单元,其用于收集驾驶员的行为数据;数据预处理单元,其用于从收集到的行为数据中提取出对驾驶员进行评价的评价数据;数据统计分析单元,其用于对评价数据进行统计分析,获取每个驾驶员的评分情况;数据接收单元,其用于接收评分结果,并根据评分结果得出驾驶建议,并将驾驶建议和未完成的培训学习课程发送至驾驶者。数据收集单元收集到的数据经过预处理后,通过主成分分析的统计方法,对每个驾驶员进行评价,再根据评价结果,给出结论。该评价结果的解释具有模糊性,不像原始变量的含义那么清楚、确切,这是使用主成分分析法变量降维过程中不得不付出的代价。
发明内容
本发明提出了一种用于驾驶员的评价方法和系统。
在一个方面,本发明提出了一种用于驾驶员的评价方法,包括以下步骤:
S1:获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步;
S2:响应于数据值处于预设的阈值范围区间之外,提取该值为驾驶员在对应观测项目的特征值;
S3:基于特征值和距离算法计算特征值的相似度,基于相似度对驾驶员进行聚类,获得至少两个聚类集合并确定聚类集合的特性;
S4:响应于检测到待评价驾驶员的数据值,获得待评价驾驶员的评价结果,其中,评价结果包括待评价驾驶员所属的聚类集合和特征值。
在具体的实施例中,数据分布图包括正态分布图、直方图和密度图。数据分布图描述了驾驶员观测项目的数据集中程度及值分布的状态,能较为直观地判断驾驶员的数据属性。
在具体的实施例中,特征值取自所述数据值排名前十的观测项目的数据值。采用靠前排名的数据值作为特征值能够更为准确地评价驾驶员。
在具体的实施例中,分布图中数据值的密集程度与特征值的重要性呈反比。利用异常的极值作为重要特征值能够体现出驾驶员的异常动作。
在具体的实施例中,阈值范围区间设置为10%-90%。设置阈值范围区间可以有效地鉴别出驾驶员的异常特征值。
在具体的实施例中,步骤S3中的距离算法包括欧式距离算法、马氏距离算法或曼哈顿距离算法。利用距离算法可以有效地将驾驶员的特征之间的距离量化,作为相似度判断的数据基础。
在具体的实施例中,相似度的计算公式为相似度=1-d/dmax,其中,d表示利用距离算法获得的驾驶员相应特征之间的距离,dmax表示利用距离算法获得的驾驶员相应特征之间的最大距离。通过相似度的计算,可以将驾驶员特征进行聚类分组,评判驾驶员的类别归属。
在具体的实施例中,欧式距离算法的公式为其中,(x1,x2)表示驾驶员A的两个特征,(y1,y2)表示驾驶员B的两个特征,ρ表示驾驶员相应特征之间的欧式距离。
根据本发明的第二方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时上述方法。
根据本发明的第三方面,提出了一种用于驾驶员的评价系统,该系统包括:
数据采集模块:配置用于获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步;
特征提取模块:配置用于响应于数据值处于预设的阈值范围区间之外,提取该值为驾驶员在对应观测项目的特征值,并生成观测项目的特征值排名;
聚类模块:配置用于基于特征值和距离算法计算特征值的相似度,基于相似度对驾驶员进行聚类,获得至少两个聚类集合并确定聚类集合的特性;
评价模块:配置用于响应于检测到待评价驾驶员的数据值,获得待评价驾驶员的评价结果,其中评价结果包括待评价驾驶员所属的聚类集合和特征值。
本发明通过预先设定的观测项目进行数据值采集,保留原始的变量进行加工计算,得出不同观测项目下的数据值,根据数据值,计算各驾驶员的驾驶特征,对不同驾驶员驾驶特征进行差异分析与相似度分析,通过聚类的方法得出各驾驶员的相似度排名,并确定驾驶员所属的聚类集合。结合数据值,获得对驾驶员的综合评价。通过该方法对驾驶员进行评价,结果更加有依据,可信度更高。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的用于驾驶员的评价系统的示例性系统架构图;
图2是本申请的一个实施例的用于驾驶员的评价方法的流程图;
图3是本申请的一个具体的实施例的用于驾驶员评价方法的流程图;
图4是本申请的一个实施例的用于驾驶员的评价系统的框架图;
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的用于驾驶员的评价方法或用于驾驶员的评价装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的用于驾驶员的评价方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,用于驾驶员的评价装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只需服务器或终端设备。
根据本申请的一个实施例的用于驾驶员的评价方法,图2示出了根据本申请的实施例的用于驾驶员的评价方法的流程图。如图2所示,该方法包括以下步骤:
S201:获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步。通过上述观测项目可以客观地反映出驾驶员的驾驶习惯,总体上实现对驾驶员的综合评价。
在具体的实施例中,观测项目的数据值具体包括有:停车前最小加速度,停车前平均车速,百公里急停次数,停车提前几秒刹车,停车前平均减速度,车辆起步最大加速度,车辆起步平均加速度,车辆起步平均车速,平均加速度,加速平稳度,百公里急加次数,平均加速间隔时间,平均加速时长,百公里加速次数,百公里刹车次数,平均刹车时长,平均刹车间隔时间,刹车平稳性,平均速度,百公里超速次数,最高车速,转弯时平均速度,转弯时平均加速度,开门打转向灯的比例,百公里未停稳开门次数,百公里未关门起步次数,转弯时不打转向灯的比例,百公里斑马线不文明礼让次数,百公里不规范进站,百公里不规范出站,百公里不文明鸣笛次数,百公里未系安全带次数,百公里开车打电话次数,百公里开车吸烟次数,百公里危险驾驶次数,百公里开车打哈欠次数,百公里能耗,百公里空挡滑行距离。利用上述的观测项目的数据值可较为全面的概括驾驶员的驾驶习惯,能够准确客观的实现对驾驶员的评价。
在具体的实施例中,对观测项目数据值的采集可以采用如下方式:利用车载的CAN总线设备采集的速度、加速度和gps数据,通过数据处理加工获得如停车前最小加速度,停车前平均车速,停车前平均减速度,车辆起步最大加速度,车辆起步平均加速度,车辆起步平均车速,平均加速度,平均速度,最高车速,转弯时平均速度,转弯时平均加速度等参数;利用装设于车辆内部的摄像设备或路面监控摄像设备获取驾驶员不规范的行车次数,例如百公里未系安全带次数,百公里开车打电话次数,百公里开车吸烟次数,百公里危险驾驶次数,百公里开车打哈欠次数等;利用车载行车电脑的记录系统获取汽车的不规范工况数据,例如开门打转向灯的比例、百公里急停次数、转弯时不打转向灯的比例、百公里不文明鸣笛次数和百公里能耗等。
在优选的实施例中,数据分布图包括正态分布图、直方图和密度图。数据分布图描述了驾驶员观测项目的数据集中程度及值分布的状态,能较为直观地判断驾驶员的数据属性。
S202:响应于数据值处于预设的阈值范围区间之外,提取该值为驾驶员在对应观测项目的特征值。处于阈值范围之外的数据值表示该数据是非正常的驾驶行为,可以作为评价驾驶员的重要特征参数。
在优选的实施例中,经过发明人的多次实验表明,预设的阈值范围区间设置为10%-90%,再该预置范围内的数据值表示绝大部分驾驶员的驾驶行为,超出该范围之外的数值,可认为需要对其进行特殊关注,能够着重表明该值为某异常驾驶状态,可以作为评价驾驶员的重要特征参数。
在具体的实施例中,数据值越靠近0%或100%的极值点,表明该数据值处于异常的状态,反映出驾驶员的驾驶行为不落入大多数驾驶员的正常行为的范畴,其所对应的特征就越重要,可以作为评价驾驶员的驾驶行为的重要参数。
在优选的实施例中,根据提取的驾驶员的特征值排名,选取前10个特征作为评价驾驶员的主要特征值。选取排名靠前的特征作为评价驾驶员的特征值,更具有代表性,且能够减少评价系统的运算负载,提高效率的同时保证了评价结果的准确性。
S203:基于特征值和距离算法计算特征值的相似度,基于相似度对所述驾驶员进行聚类,获得至少两个聚类集合并确定聚类集合的特性。利用距离算法计算相似度从而对驾驶员进行聚合分类,可以有效的将驾驶员根据不同的驾驶习惯分为相应集合类别,便于为后续评价驾驶员提供参考。
在具体的实施例中,距离算法可采用欧式距离算法、马氏距离算法或曼哈顿距离算法。作为本发明的一个优选的实施例,选择欧式距离算法进行驾驶员特征距离的计算,具体计算公式为:其中,(x1,x2)表示驾驶员A的两个特征,(y1,y2)表示驾驶员B的两个特征,ρ表示驾驶员相应特征之间的欧式距离。经过发明人的多次试验表明,欧氏距离是最容易直观理解的距离度量方法,可以快速的计算出两个点在空间中的距离。
在具体的实施例中,相似度的计算公式为相似度=1-d/dmax,其中,d表示所述驾驶员的特征之间的距离,dmax表示驾驶员相应特征之间的最大距离。例如,驾驶员集合中通过距离算法计算出的驾驶员的某一特征之间的最大距离为100,驾驶员A与驾驶员B的在该特征值的距离为80,则驾驶员A与驾驶员B的相似度根据公式计算为1-80/100=20%,驾驶员A与驾驶员C在该特征值的距离为10,则驾驶员A与驾驶员C的相似度根据公式计算为1-10/100=90%。通过对集合内的驾驶员特征值进行相似度运算,基于相似度的高低将集合内的驾驶员根据特征的属性划分为多个聚类集合,并根据属性对每个聚类集合赋予标签,例如可分为平稳、激进或良好、一般、较差等多个聚类集合。
S204:响应于检测到待评价驾驶员的数据值,获得待评价驾驶员的评价结果,其中,评价结果包括待评价驾驶员所属的聚类集合和特征值。通过对驾驶员的所属聚类集合和特征值可以实现对驾驶员的综合评价,评价结果相对客观准确。
在具体的实施例中,对驾驶员的评价分为两个部分,一部分,根据特征值与观测项目的数据值,对驾驶员的个人驾驶行为作出评价,示出驾驶员各观测项目的特征值的具体数值,从而判断该驾驶员驾驶行为是突出或者平庸;第二部分,根据相似度聚类的结果,从整体上对驾驶员进行评价。两部分结果相结合,生成最终的评价结果。
图3示出了本发明的一个具体的实施例的用于驾驶员的评价方法的示意图。该方法具体包括以下步骤:
步骤301:选择标杆驾驶员。任意选取一名驾驶员为标杆驾驶员,基于该标杆驾驶员进行对驾驶员的评价,使评价结果具有相对直观的可比较性。
步骤302:计算所有驾驶员在各观察点上的值;其中观察点具体包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门、起步和其他,计算上述观察点上的观察值:停车前最小加速度,停车前平均车速,百公里急停次数,停车提前几秒刹车,停车前平均减速度,车辆起步最大加速度,车辆起步平均加速度,车辆起步平均车速,平均加速度,加速平稳度,百公里急加次数,平均加速间隔时间,平均加速时长,百公里加速次数,百公里刹车次数,平均刹车时长,平均刹车间隔时间,刹车平稳性,平均速度,百公里超速次数,最高车速,转弯时平均速度,转弯时平均加速度,开门打转向灯的比例,百公里未停稳开门次数,百公里未关门起步次数,转弯时不打转向灯的比例,百公里斑马线不文明礼让次数,百公里不规范进站,百公里不规范出站,百公里不文明鸣笛次数,百公里未系安全带次数,百公里开车打电话次数,百公里开车吸烟次数,百公里危险驾驶次数,百公里开车打哈欠次数,百公里能耗,百公里空挡滑行距离。
步骤303:提取属于标杆驾驶员的特征值;当驾驶员该观察点的数据值处于数据分布的[10%,90%]之外,则记录该观察点为驾驶员的特征。通过该值进行排名,取前10个特征,保存为驾驶员的特征值。根据观察点的观察值数据,计算每个观察值的分布,统计观察点在不同分布范围(最小值,10分位,20分位,…,90分位,最大值)内的驾驶员数量。
步骤304:特征差异分析;当特征越靠近极值点0%或者100%,则表示该特征越重要,该特征记为重要的驾驶员的评价参数。
步骤305:相似度分析;根据驾驶员的特征值,通过欧氏距离计算驾驶员相似度(相似度=1-距离/最大距离),其中欧式距离算法的公式为其中,(x1,x2)表示驾驶员A的两个特征,(y1,y2)表示驾驶员B的两个特征,ρ表示驾驶员相应特征之间的欧式距离。
步骤306:聚类分析;基于相似度的高低将集合内的驾驶员根据特征的属性划分为多个聚类集合,并根据属性对每个聚类集合赋予标签,例如可分为平稳、激进或良好、一般、较差等多个聚类集合。
步骤307:相似度排名;根据计算的相似度值,进行相似度的高中低,
步骤308:驾驶员评价;对驾驶员的评价分为两部分。第一部分,根据特征值与观察值的数据,对驾驶员的个人驾驶行为做出评价,展示出驾驶员特征值的具体数值,判断驾驶员驾驶行为突出或是平庸。第二部分,根据相似度聚类的结果,对标杆驾驶员在整体中的表现做出评价。两个部分互相结合,得出最终的评价结果。
通过以上方法,保留了原始的数据变量,对驾驶员的评价更为直观。从个体与总体两个方面,综合地做出了对驾驶员的评价结论。
图4示出了根据本发明的一个具体的实施例的用于驾驶员的评价系统的框架图,该系统包括依次连接的数据采集层401、特征提取模块402、聚类模块403、评价模块404。其中,数据采集模块401:配置用于获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步;特征提取模块402:配置用于响应于数据值处于预设的阈值范围区间之外,提取该值为驾驶员在对应观测项目的特征值,并生成观测项目的特征值排名;聚类模块403:配置用于基于特征值和距离算法计算特征值的相似度,基于相似度对驾驶员进行聚类,获得至少两个聚类集合并确定聚类集合的特性;评价模块404:配置用于响应于检测到待评价驾驶员的数据值,获得待评价驾驶员的评价结果,其中评价结果包括待评价驾驶员所属的聚类集合和特征值。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号或语音信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括数据采集模块、特征提取模块、聚类模块和评价模块。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步;响应于数据值处于预设的阈值范围区间之外,提取该值为驾驶员在对应观测项目的特征值;基于特征值和距离算法计算特征值的相似度,基于相似度对驾驶员进行聚类,获得至少两个聚类集合并确定聚类集合的特性;响应于检测到待评价驾驶员的数据值,获得待评价驾驶员的评价结果,其中,评价结果包括待评价驾驶员所属的聚类集合和特征值。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于驾驶员的评价方法,其特征在于,包括以下步骤:
S1:获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步;
S2:响应于所述数据值处于预设的阈值范围区间之外,提取该值为所述驾驶员在对应观测项目的特征值;
S3:基于所述特征值和距离算法计算所述特征值的相似度,基于所述相似度对所述驾驶员进行聚类,获得至少两个聚类集合并确定所述聚类集合的特性;
S4:响应于检测到待评价驾驶员的所述数据值,获得所述待评价驾驶员的评价结果,其中,所述评价结果包括所述待评价驾驶员所属的聚类集合和所述特征值。
2.根据权利要求1所述的用于驾驶员的评价方法,其特征在于,所述数据分布图包括正态分布图、直方图和密度图。
3.根据权利要求1所述的用于驾驶员的评价方法,其特征在于,所述特征值取自所述数据值排名前十的所述观测项目的数据值。
4.根据权利要求1所述的用于驾驶员的评价方法,其特征在于,所述分布图中所述数据值的密集程度与所述特征值的重要性呈反比。
5.根据权利要求1所述的用于驾驶员的评价方法,其特征在于,所述阈值范围区间设置为10%-90%。
6.根据权利要求1所述的用于驾驶员的评价方法,其特征在于,步骤S3中的距离算法包括欧式距离算法、马氏距离算法或曼哈顿距离算法。
7.根据权利要求1所述的用于驾驶员的评价方法,其特征在于,所述相似度的计算公式为相似度=1-d/dmax,其中,d表示所述驾驶员的特征之间的距离,dmax表示驾驶员相应特征之间的最大距离。
8.根据权利要求6所述的用于驾驶员的评价方法,其特征在于,所述欧式距离算法的公式为其中,(x1,x2)表示驾驶员A的两个特征,(y1,y2)表示驾驶员B的两个特征,ρ表示驾驶员相应特征之间的欧式距离。
9.一种计算机可读存储介质,其上存储有一或多个计算机程序,其特征在于,该一或多个计算机程序被计算机处理器执行时实施权利要求1至8中任一项所述的方法。
10.一种用于驾驶员的评价系统,其特征在于,所述系统包括:
数据采集模块:配置用于获取驾驶员多组观测项目的数据值,构建每个观测项目的数据分布图,其中,观测项目包括停车、转向灯、车速、转弯、加速、刹车、能耗、开关门和起步;
特征提取模块:配置用于响应于所述数据值处于预设的阈值范围区间之外,提取该值为所述驾驶员在对应观测项目的特征值,并生成所述观测项目的特征值排名;
聚类模块:配置用于基于所述特征值和距离算法计算所述特征值的相似度,基于所述相似度对所述驾驶员进行聚类,获得至少两个聚类集合并确定所述聚类集合的特性;
评价模块:配置用于响应于检测到待评价驾驶员的所述数据值,获得所述待评价驾驶员的评价结果,其中所述评价结果包括所述待评价驾驶员所属的聚类集合和所述特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910792459.2A CN110533094B (zh) | 2019-08-26 | 2019-08-26 | 一种用于驾驶员的评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910792459.2A CN110533094B (zh) | 2019-08-26 | 2019-08-26 | 一种用于驾驶员的评价方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533094A true CN110533094A (zh) | 2019-12-03 |
CN110533094B CN110533094B (zh) | 2022-11-15 |
Family
ID=68664251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910792459.2A Active CN110533094B (zh) | 2019-08-26 | 2019-08-26 | 一种用于驾驶员的评价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533094B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261437A (zh) * | 2020-11-19 | 2021-01-22 | 贝壳技术有限公司 | 音视频质量评价方法和装置、可读存储介质、电子设备 |
CN113111942A (zh) * | 2021-04-13 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 驾驶工况数据的提取方法、装置和电子设备 |
US11798321B2 (en) | 2020-08-28 | 2023-10-24 | ANI Technologies Private Limited | Driver score determination for vehicle drivers |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765969A (zh) * | 2015-04-22 | 2015-07-08 | 北京交通大学 | 驾驶行为分析方法 |
CN106815312A (zh) * | 2016-12-21 | 2017-06-09 | 东软集团股份有限公司 | 一种驾驶员评价方法及装置 |
CN107585164A (zh) * | 2017-09-04 | 2018-01-16 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN107729951A (zh) * | 2017-11-14 | 2018-02-23 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
CN109033332A (zh) * | 2018-07-20 | 2018-12-18 | 汉纳森(厦门)数据股份有限公司 | 驾驶行为分析方法、介质及系统 |
-
2019
- 2019-08-26 CN CN201910792459.2A patent/CN110533094B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765969A (zh) * | 2015-04-22 | 2015-07-08 | 北京交通大学 | 驾驶行为分析方法 |
CN106815312A (zh) * | 2016-12-21 | 2017-06-09 | 东软集团股份有限公司 | 一种驾驶员评价方法及装置 |
CN107585164A (zh) * | 2017-09-04 | 2018-01-16 | 交通运输部公路科学研究所 | 一种分类驾驶员的方法及装置 |
CN107729951A (zh) * | 2017-11-14 | 2018-02-23 | 吉林大学 | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 |
CN109033332A (zh) * | 2018-07-20 | 2018-12-18 | 汉纳森(厦门)数据股份有限公司 | 驾驶行为分析方法、介质及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11798321B2 (en) | 2020-08-28 | 2023-10-24 | ANI Technologies Private Limited | Driver score determination for vehicle drivers |
CN112261437A (zh) * | 2020-11-19 | 2021-01-22 | 贝壳技术有限公司 | 音视频质量评价方法和装置、可读存储介质、电子设备 |
CN113111942A (zh) * | 2021-04-13 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 驾驶工况数据的提取方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110533094B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533094A (zh) | 一种用于驾驶员的评价方法和系统 | |
Li et al. | An integrated framework on mining logs files for computing system management | |
CN105488539B (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
CN101364408A (zh) | 一种声像联合的监控方法及系统 | |
CN110298547A (zh) | 风险评估方法、装置、计算机装置及存储介质 | |
CN107895011A (zh) | 会话信息的处理方法、系统、存储介质和电子设备 | |
CN105355214A (zh) | 测量相似度的方法和设备 | |
CN110473328A (zh) | 社区门禁管理方法及装置、存储介质、电子设备 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
JP6783443B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、プログラム、及び記録媒体 | |
CN114760172B (zh) | 射频基带综合特征信号识别方法与装置 | |
CN108415653A (zh) | 用于终端设备的锁屏方法和装置 | |
CN108446659A (zh) | 用于检测人脸图像的方法和装置 | |
CN110415041A (zh) | 推荐方法、推荐装置、设备及存储介质 | |
CN115204886A (zh) | 账户识别的方法、装置、电子设备和存储介质 | |
CN114202243A (zh) | 一种基于随机森林的工程项目管理风险预警方法及系统 | |
Chai et al. | An automated machine learning (AutoML) method for driving distraction detection based on lane-keeping performance | |
CN109685104B (zh) | 一种识别模型的确定方法和装置 | |
CN110457601A (zh) | 社交账号的识别方法和装置、存储介质及电子装置 | |
CN109447112A (zh) | 一种人像聚类方法、电子设备和存储介质 | |
CN111191498A (zh) | 行为识别方法和相关产品 | |
CN110047102A (zh) | 用于输出信息的方法、装置和系统 | |
CN115312040A (zh) | 语音唤醒方法、装置、电子设备和计算机可读存储介质 | |
Kaluža et al. | Detection of suspicious behavior from a sparse set of multiagent interactions | |
CN115206328A (zh) | 数据处理方法、装置和客服机器人 |
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 |