CN110782114B - 驾驶行为挖掘方法、装置、电子设备及存储介质 - Google Patents

驾驶行为挖掘方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110782114B
CN110782114B CN201910759958.1A CN201910759958A CN110782114B CN 110782114 B CN110782114 B CN 110782114B CN 201910759958 A CN201910759958 A CN 201910759958A CN 110782114 B CN110782114 B CN 110782114B
Authority
CN
China
Prior art keywords
driving
target
action
risk
risk index
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.)
Active
Application number
CN201910759958.1A
Other languages
English (en)
Other versions
CN110782114A (zh
Inventor
侯琛
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910759958.1A priority Critical patent/CN110782114B/zh
Publication of CN110782114A publication Critical patent/CN110782114A/zh
Application granted granted Critical
Publication of CN110782114B publication Critical patent/CN110782114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种驾驶行为挖掘方法、装置、电子设备及存储介质，该方法中，获取目标车辆的目标驾驶风险指标；获取驾驶员的驾驶动作；分析驾驶动作对目标驾驶风险指标的影响关系；按照影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作；按照影响关系，将目标动作组合成风险驾驶行为。本申请获取的目标驾驶风险指标和驾驶动作与驾驶员的实际驾驶情况相符合，并通过影响关系使得驾驶员的驾驶动作与目标车辆的目标驾驶风险指标相关联，最终按照该影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作，并将其组合成风险驾驶行为，使得风险驾驶行为与驾驶员的实际驾驶情况相符合，实现了对驾驶员风险驾驶行为的准确挖掘。

Description

驾驶行为挖掘方法、装置、电子设备及存储介质
技术领域
本申请涉及车联网与车路协同技术领域，更具体地说，涉及一种驾驶行为挖掘方法、装置、电子设备及存储介质。
背景技术
当前，随着制造业的发展，汽车已成为日常生活中的一个被用户所熟知的产品，用户也越来越多的应用汽车进行出行。在用户驾驶汽车的过程中，可能由于用户存在错误的驾驶行为进而出现驾驶风险，为此，需要对用户的风险驾驶行为进行挖掘，风险驾驶行为也即可能使得汽车出现驾驶风险的驾驶行为。
现有的驾驶行为挖掘方法，通常是获取任意驾驶员的基本信息；在获取的基本信息中，统计具有风险驾驶记录的驾驶员的驾驶习惯；然后获取当前驾驶员的信息，与统计的驾驶习惯进行对照，确定当前驾驶员的风险驾驶行为。
然而，现有的驾驶行为挖掘方法中，获取任意驾驶员的基本信息费时费力，比较困难，且统计得到的驾驶习惯只反映了驾驶员的共性驾驶行为，无法对当前驾驶员的风险驾驶行为进行准确挖掘。
发明内容
有鉴于此，本申请的目的在于提供一种驾驶行为挖掘方法、装置、电子设备及存储介质，以对驾驶员的风险驾驶行为进行准确挖掘。其具体方案如下：
为实现上述目的，一方面，本申请提供了一种驾驶行为挖掘方法，包括：
获取目标车辆的目标驾驶风险指标；
获取驾驶员的驾驶动作；
分析所述驾驶动作对所述目标驾驶风险指标的影响关系；
按照所述影响关系，在所述驾驶动作中确定出与所述目标驾驶风险指标匹配的目标动作；
按照所述影响关系，将所述目标动作组合成风险驾驶行为。
优选的，所述分析所述驾驶动作对所述目标驾驶风险指标的影响关系，包括：
判断所述驾驶动作是否增大了所述目标驾驶风险指标，若是，则确定所述驾驶动作对所述目标驾驶风险指标的影响关系为正向关系；
判断所述驾驶动作是否减少了所述目标驾驶风险指标，若是，则确定所述驾驶动作对所述目标驾驶风险指标的影响关系为负向关系；
判断所述驾驶动作是否对所述目标驾驶风险指标无影响，若是，则确定所述驾驶动作对所述目标驾驶风险指标的影响关系为无关系。
优选的，所述按照所述影响关系，在所述驾驶动作中确定出与所述目标驾驶风险指标匹配的目标动作，包括：
将与所述目标驾驶风险指标成正向关系和无关系的所述驾驶动作确定为所述目标动作。
优选的，所述按照所述影响关系，将所述目标动作组合成风险驾驶行为，包括：
将与所述目标驾驶风险指标成正向关系的所述目标动作作为第一动作；
将与所述目标驾驶风险指标成无关系的所述目标动作作为第二动作；
分别在所述第一动作与所述第二动作中选取动作进行组合，得到所述风险驾驶行为。
优选的，所述分别在所述第一动作与所述第二动作中选取动作进行组合，得到所述风险驾驶行为，包括：
判断所述第一动作的值是否唯一；
若所述第一动作的值唯一，则在所述第二动作中选取动作与所述第一动作进行组合，得到所述风险驾驶行为。
优选的，所述按照所述影响关系，在所述驾驶动作中确定出与所述目标驾驶风险指标匹配的目标动作，包括：
将与所述目标驾驶风险指标成正向关系的所述驾驶动作确定为所述目标动作；
所述按照所述影响关系，将所述目标动作组合成风险驾驶行为，包括：
将所述目标动作中的动作进行组合，得到所述风险驾驶行为。
优选的，所述获取目标车辆的目标驾驶风险指标，包括：
获取所述目标车辆的初始驾驶风险指标；
对所述初始驾驶风险指标中的干扰驾驶风险进行过滤，得到所述目标驾驶风险指标；
其中，所述干扰驾驶风险包括与非驾驶行为因素对应的驾驶风险。
优选的，所述获取目标车辆的目标驾驶风险指标，包括：
在第一时刻时，获取所述目标车辆与驾驶风险指标对应的第一驾驶风险量化值；
在第二时刻时，获取所述目标车辆与所述驾驶风险指标对应的第二驾驶风险量化值；
判断所述第二驾驶风险量化值是否大于所述第一驾驶风险量化值，若是，则将所述驾驶风险指标作为所述目标驾驶风险指标；
其中，所述第一时刻在所述第二时刻之前。
又一方面，本申请还提供了一种驾驶行为挖掘装置，包括：
风险指标获取模块，用于获取目标车辆的目标驾驶风险指标；
驾驶动作获取模块，用于获取驾驶员的驾驶动作；
影响关系分析模块，用于分析所述驾驶动作对所述目标驾驶风险指标的影响关系；
目标动作确定模块，用于按照所述影响关系，在所述驾驶动作中确定出与所述目标驾驶风险指标匹配的目标动作；
驾驶行为组合模块，用于按照所述影响关系，将所述目标动作组合成风险驾驶行为。
又一方面，本申请还提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述驾驶行为挖掘方法。
又一方面，本申请还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述驾驶行为挖掘方法。
本申请提供的驾驶行为挖掘方法，直接获取目标车辆的目标驾驶风险指标和驾驶员的驾驶动作，使得目标驾驶风险指标和驾驶动作与驾驶员的实际驾驶情况相符合，接着分析驾驶动作对目标驾驶风险指标的影响关系，使得驾驶员的驾驶动作与目标车辆的目标驾驶风险指标相关联，并按照该影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作，并按照该影响关系，将目标动作组合成风险驾驶行为，从而使得风险驾驶行为与驾驶员的实际驾驶情况相符合，实现了对驾驶员风险驾驶行为的准确挖掘。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种驾驶行为挖掘系统组成架构示意图；
图2为本申请实施例提供的一种驾驶行为挖掘方法的流程图；
图3为本申请实施例提供的一种驾驶行为挖掘方法的流程图；
图4为本申请实施例提供的一种驾驶行为挖掘方法的流程图；
图5为本申请实施例提供的一种驾驶行为挖掘方法的流程图；
图6为获取目标驾驶风险指标的流程图；
图7为驾驶动作的分类图；
图8为车辆道路行驶图；
图9为驾驶风险观测值的矩阵表示形式；
图10为本申请实施例提供的一种驾驶行为挖掘装置；
图11为本申请实施例提供的一种服务器的结构示意图；
图12为本申请实施例提供的一种终端的结构示意图；
图13为本申请实施例的驾驶行为挖掘方法所适用的硬件组成框架示意图。
具体实施方式
当前，随着制造业的发展，汽车已成为日常生活中的一个被用户所熟知的产品，用户也越来越多的应用汽车进行出行。在用户驾驶汽车的过程中，可能由于用户存在错误的驾驶行为进而出现驾驶风险，为此，需要对用户的风险驾驶行为进行挖掘，风险驾驶行为也即可能使得汽车出现驾驶风险的驾驶行为。现有的驾驶行为挖掘方法，通常是获取任意驾驶员的基本信息；在获取的基本信息中，统计具有风险驾驶记录的驾驶员的驾驶习惯；然后获取当前驾驶员的信息，与统计的驾驶习惯进行对照，确定当前驾驶员的风险驾驶行为。然而，现有的驾驶行为挖掘方法中，获取任意驾驶员的基本信息费时费力，比较困难，且统计得到的驾驶习惯只反映了驾驶员的共性驾驶行为，无法对当前驾驶员的风险驾驶行为进行准确挖掘。
例如，在按照现有方法对当前驾驶员的风险驾驶行为进行挖掘时，获取三个驾驶员的基本信息，根据该基本信息统计该三个驾驶员均有超速驾驶的驾驶习惯，并且超速驾驶时的驾驶行为均为疲劳驾驶，而当前驾驶员也存在超速驾驶的驾驶习惯，则根据所统计的驾驶习惯，得出当前驾驶员的风险驾驶行为为疲劳驾驶，然而，当前驾驶员出现超速驾驶的原因可能不仅仅是疲劳驾驶，还可能为驾驶时视线偏离前方等，而驾驶时视线偏离前方等行为并不会被现有技术挖掘出来，由此使得对驾驶员的风险驾驶行为的挖掘准确率较低。
鉴于目前所存在的上述问题，本申请提出了一种驾驶行为挖掘方案，通过该方案，能够提高对驾驶员风险驾驶行为的挖掘准确率。
为了便于理解，下面对本申请的技术方案所适用的系统架构进行介绍。参见图1，其示出了本申请的一种驾驶行为挖掘系统的组成架构。
如图1所示，本申请的驾驶行为挖掘系统的一种组成架构可以包括用户终端11、服务器12。
其中，用户终端可以通过自身预先安装的客户端，在用户交互界面上为挖掘方提供信息输入接口和信息发送触发单元。其中，用户终端11通过信息输入接口获取挖掘方输入的风险驾驶行为挖掘指令，或者通过信息输入接口获取挖掘方输入的用于对驾驶员的风险驾驶行为进行挖掘的信息等。当信息发送触发单元被外界触发后，用户终端11可以利用第一通讯网络，将通过信息输入接口获取到的信息发送至服务器12。可以理解的是，本申请中的用户终端11包括但不限于安装了上述客户端的智能手机、平板电脑、穿戴式设备和台式计算机等。
本申请中，服务器12具体可以是指用于实现单一业务的专用服务器，不同的服务器12分别用于实现不同的业务。服务器12通过第一通讯网络与用户终端11建立通讯连接。服务器12获取到用户终端11发送的风险驾驶行为挖掘指令后，便可以执行风险驾驶行为挖掘指令以完成相应的风险驾驶行为挖掘任务。本申请中，服务器12内部预先集成了监测程序，用于对执行风险驾驶行为挖掘指令的行为进行监测，一旦监测到某风险驾驶行为挖掘指令被执行了，则可以对该风险驾驶行为挖掘指令进行收集，并收集该风险驾驶行为挖掘指令对应的风险驾驶行为挖掘结果，后续可以将当前实时收集或历史上收集的风险驾驶行为挖掘指令、风险驾驶行为挖掘结果与测试方的身份标识进行绑定，然后将绑定信息进行存储，以便后续挖掘方进行查看，或者直接将绑定信息发送给用户终端11，以使挖掘方通过用户终端11进行查看。
需要说明的是，本申请的上述第一通讯网络可以根据实际应用过程中的网络状况和应用需求来确定，既可以是无线通讯网络，如移动通讯网络或WIFI网络等，也可以是有线通讯网络；既可以是广域网，在情况允许时也可以采用局域网。
图2为本申请实施例提供的一种驾驶行为挖掘方法的流程图。参见图2所示，该驾驶行为挖掘方法可以包括以下步骤：
S101：获取目标车辆的目标驾驶风险指标。
本实施例中，获取的目标驾驶风险指标的类型可以由挖掘方确定并输入，比如目标驾驶风险指标的类型可以为挖掘方关注的超速风险指标、非法并线风险指标、车辆故障风险指标等。相应的，在获取目标车辆的目标驾驶风险指标时，可能需要获取到与目标驾驶风险指标对应的具体数值，比如在目标驾驶风险指标的类型为超速风险指标时，需获取目标车辆的行驶速度值，此时，可以直接接收外界输入的与目标驾驶风险指标对应的具体数值；在目标车辆支持通信并且可以采集自身数据的情况下，可以直接与目标车辆进行通信来获取与目标驾驶风险指标对应的具体数值，比如在目标车辆安装车载设备的情况下，由于车载设备能够采集目标车辆的数据信息并且具有与外界通信的功能，所以可以直接从目标车辆的车载设备中获取与目标驾驶风险指标对应的具体数值；此外，还可以借助传感器来获取与目标驾驶风险指标对应的具体数值，比如借助速度传感器获取目标车辆的行驶速度，借助方向传感器来获取目标车辆的行驶方向等。此外，在获取到与目标驾驶风险指标对应的具体数值后，可能还需根据目标驾驶风险指标的运算方式对具体数值进行运算，进而确定目标车辆是否存在该目标驾驶风险指标，比如在目标驾驶风险指标为碰撞风险指标时，需结合目标车辆的行驶速度、行驶方向及道路情况计算目标车辆是否会发生碰撞，若计算出目标车辆会发生碰撞，则确定目标车辆存在碰撞风险指标，若计算出目标车辆不会发生碰撞，则确定目标车辆不存在碰撞风险指标。
在一种实现方式中，当获取的目标驾驶风险指标的数量为多个时，此时可能需要对应存储目标驾驶风险指标及具体数值，为了便于对目标驾驶风险指标及具体数值的管理，可以采用键值对的形式存储目标驾驶风险指标及具体数值；此外，在同时对多个驾驶员进行风险驾驶行为挖掘时，也可以采用键值对的形式对应存储驾驶员及风险驾驶行为挖掘过程中生成的信息等。
在另一种实现方式中，当获取的目标驾驶风险指标的数量为多个时，可以通过集合的形式对目标驾驶风险指标进行管理，比如获取了m个驾驶风险指标，且用字母P表示驾驶风险指标，则获取的m个驾驶风险指标可以用集合表示为P＝{p1,p2,...,pm}，借助集合可以对驾驶风险指标进行统一管理，此外，由于所有的驾驶风险指标均被保存在一个集合中，使得可以方便的对集合中的驾驶风险指标进行查询等。
S102：获取驾驶员的驾驶动作。
本实施例中，因为性格、体态等因素的影响，使得不同的驾驶员在驾驶车辆时可能会出现不同的驾驶动作，所以为了准确对驾驶员的风险驾驶行为进行挖掘，可以获取驾驶员的驾驶动作，保障获取的驾驶动作与驾驶员的实际驾驶情况吻合。此外，获取的驾驶动作的类型可以由挖掘方确定并输入，比如驾驶动作的类型可以为挖掘方关注的深踩油门、错打方向盘、暴力使用车辆组件等。
在一种实现方式中，可以由驾驶员自身输入驾驶动作，也可以在目标车辆中安装采集器来采集驾驶员的驾驶动作，比如可以在目标车辆中安装摄像头，借助摄像头采集驾驶员在驾驶过程中的驾驶动作，在此过程中，可能需要对摄像头拍摄得到的图片进行动作识别，此时，可以由人工对图片进行动作识别，也可以借助设备对图片进行动作识别等。
在另一种实现方式中，当获取的驾驶的数量为多个时，可以通过集合的形式对驾驶动作进行管理，比如获取了n个驾驶动作，且用字母A表示驾驶动作，则获取的m个驾驶动作可以用集合表示为A＝{a1,a2,...,am}，借助集合可以对驾驶动作进行统一管理，此外，由于所有的驾驶动作均被保存在一个集合中，使得可以方便的对集合中的驾驶动作进行查询等。
S103：分析驾驶动作对目标驾驶风险指标的影响关系。
本实施例中，有的驾驶动作会给驾驶员带来驾驶风险，而有的驾驶动作不会给驾驶员带来驾驶风险，也即驾驶动作会影响目标驾驶风险指标，所以可以分析驾驶动作对目标驾驶风险指标的影响关系，进而根据该影响关系确定驾驶员的风险驾驶行为。
S104：按照影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作。
S105：按照影响关系，将目标动作组合成风险驾驶行为。
本实施例中，由于影响关系指明了驾驶动作与目标驾驶风险指标间的关系，所以在分析驾驶动作对目标驾驶风险指标的影响关系之后，可以按照影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作，目标动作也即驾驶员可能执行的驾驶动作，之后按照该影响关系，将目标动作组合成风险驾驶行为。
以目标驾驶风险指标为超速并线，驾驶动作为深踩油门、错打方向盘、暴力使用车辆组件为例，分析后，可知驾驶动作对目标驾驶风险指标的影响关系为：深踩油门可能使得目标车辆超速行驶，错打方向盘可能使得目标车辆并线行驶，暴力使用车辆组件并不会使得目标车辆超速、并线，所以与超速并线的目标驾驶风险指标相匹配的目标动作为深踩油门、错打方向盘，将其组合后，可知驾驶员出现超速并线风险驾驶的风险驾驶行为可能为深踩油门并且错打方向盘。
本申请提供的驾驶行为挖掘方法，直接获取目标车辆的目标驾驶风险指标和驾驶员的驾驶动作，使得目标驾驶风险指标和驾驶动作与驾驶员的实际驾驶情况相符合，接着分析驾驶动作对目标驾驶风险指标的影响关系，使得驾驶员的驾驶动作与目标车辆的目标驾驶风险指标相关联，并按照该影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作，并按照该影响关系，将目标动作组合成风险驾驶行为，从而使得风险驾驶行为与驾驶员的实际驾驶情况相符合，实现了对驾驶员风险驾驶行为的准确挖掘。
图3为本申请实施例提供的一种驾驶行为挖掘方法的流程图。参见图3所示，该驾驶行为挖掘方法可以包括以下步骤：
S201：获取目标车辆的目标驾驶风险指标。
S202：获取驾驶员的驾驶动作，执行S203、S204、S205。
S203：判断驾驶动作是否增大了目标驾驶风险指标，若是，则执行S206：确定驾驶动作对目标驾驶风险指标的影响关系为正向关系，执行S209。
S204：判断驾驶动作是否减少了目标驾驶风险指标，若是，则执行S207：确定驾驶动作对目标驾驶风险指标的影响关系为负向关系，执行S209。
S205：判断驾驶动作是否对目标驾驶风险指标无影响，若是，则执行S208：确定驾驶动作对目标驾驶风险指标的影响关系为无关系，执行S209。
本实施例中，在分析驾驶动作对目标驾驶风险指标的影响关系时，可以按照驾驶动作对目标驾驶风险指标的变化影响来确定驾驶动作对目标驾驶风险指标的影响关系，比如在驾驶动作能够增大目标驾驶风险指标的情况下，可以将驾驶动作对目标驾驶风险指标的影响关系确定为正向关系，在驾驶动作能够减小目标驾驶风险指标的情况下，可以将驾驶动作对目标驾驶风险指标的影响关系确定为负向关系，在驾驶动作对目标驾驶风险指标的变化无影响情况下，可以将驾驶动作对目标驾驶风险指标的影响关系确定为无关系。在此过程中，可以通过理论分析的方法确定驾驶动作对目标驾驶风险指标的影响关系，也可以通过模拟的方式确定驾驶动作对目标驾驶风险指标的影响关系等。
在一种实现方式中，可以借助集合来方便、快捷的表示驾驶动作对目标驾驶风险指标的影响关系，仍以获取了m个驾驶风险指标，n个驾驶动作，且用用字母P表示驾驶风险指标、字母A表示驾驶动作为例，如果用字母E表示影响关系，则驾驶动作a对目标驾驶风险指标p的影响可以表示为Ea,p，此外，正向关系可以用符号表示，负向关系可以为符号/>表示，无关系可以用符号/>表示，则驾驶动作对目标驾驶风险指标的影响关系为正向关系可以表示为以下等式：/>驾驶动作对目标驾驶风险指标的影响关系为负向关系可以表示为以下等式：/>驾驶动作对目标驾驶风险指标的影响关系为无关系可以表示为以下等式：/>借助上述字母及等式可以简便的表示驾驶动作对目标驾驶风险指标的影响关系。
S209：按照影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作。
S210：按照影响关系，将目标动作组合成风险驾驶行为。
本实施例中，目标动作与目标驾驶风险指标间的匹配程度可以根据具体应用场景下的挖掘准确度来确定，比如在挖掘准确度要求不高的情况下，可以按照影响关系，将与目标驾驶风险指标成正向关系和无关系的驾驶动作确定为目标动作。相应的，在按照影响关系，将目标动作组合成风险驾驶行为时，可以将与目标驾驶风险指标成正向关系的目标动作作为第一动作；将与目标驾驶风险指标成无关系的目标动作作为第二动作；分别在第一动作与第二动作中选取动作进行组合，得到风险驾驶行为。此外，为了提高挖掘出的风险驾驶行为被驾驶员执行的概率，分别在第一动作与第二动作中选取动作进行组合，得到风险驾驶行为的过程，具体可以为：判断第一动作的值是否唯一；若第一动作的值唯一，则在第二动作中选取动作与第一动作进行组合，得到风险驾驶行为。
在一种实现方式中，为了进一步提高挖掘出的风险驾驶行为的准确度，可以只将与目标驾驶风险指标成正向关系的驾驶动作确定为目标动作，在将目标动作进行组合成风险驾驶行为，使得组合成的风险驾驶行为被驾驶员执行的概率较大。
在另一种实现方式中，为了进一步提高挖掘出的风险驾驶行为的准确度，在条件允许的情况下，还可以计算驾驶动作对目标驾驶风险指标的具体影响值，根据各个驾驶风险指标的具体影响值来确定与目标驾驶风险指标匹配的目标动作，再将目标动作组合成风险驾驶行为。在此过程中，需要将各个驾驶风险指标的具体影响值进行组合，以使得组合后的影响值与目标驾驶风险指标的变化值相等，借此确定出与目标驾驶风险指标匹配的驾驶动作，假设驾驶动作1可以使得目标驾驶风险指标增大1，驾驶动作2可以使得目标驾驶风险指标增大3，驾驶动作3可以使得目标驾驶风险指标降低2，而目标驾驶风险指标的变化量为增大4，则与该目标驾驶风险指标匹配的目标动作为驾驶动作1和驾驶动作2。
在另一种实现方式中，当用字母B表示驾驶员的驾驶行为时，驾驶行为对目标驾驶风险指标的影响可以表示为：由于驾驶行为为驾驶动作的集合，也即/>所以可以根据驾驶动作对目标驾驶风险指标的影响来确定驾驶行为对目标驾驶风险指标的影响。
在此过程中，如果一个驾驶动作使得目标驾驶风险指标增大，而另一个驾驶动作使得目标驾驶风险指标减小，则这两个驾驶动作相互矛盾，不会同时出现，不会合成为一个驾驶行为；如果两个驾驶动作均使得目标驾驶风险指标减小或者增大，则这两个驾驶动作可以合成为一个驾驶行为，且使得驾驶行为对目标驾驶风险指标的影响为相应的增强或减小；而如果一个驾驶动作使得目标驾驶风险指标减小或增大，另一个驾驶动作对目标驾驶风险指标无影响，则这两个驾驶动作也可以合成为一个驾驶行为，且使得驾驶行为对目标驾驶风险指标的影响为相应的增强或减小；而如果两个驾驶动作均对目标驾驶风险指标无影响，则这两个驾驶动作可以合成为一个驾驶行为，且使得驾驶行为对目标驾驶风险指标无影响；驾驶动作间的合成规则可以用字母和等式表示为：
若则/>NaN表示无法合成；
若则/>
若则/>
若则/>
若则/>
若则/>
借助上述等式可以简便、快捷的描述驾驶动作间的合成规则，并且便于对驾驶动作进行处理。
图4为本申请实施例提供的一种驾驶行为挖掘方法的流程图。参见图4所示，该驾驶行为挖掘方法可以包括以下步骤：
S301：获取目标车辆的初始驾驶风险指标。
S302：对初始驾驶风险指标中的干扰驾驶风险进行过滤，得到目标驾驶风险指标；其中，干扰驾驶风险包括与非驾驶行为因素对应的驾驶风险。
本实施例中，在获取目标车辆的目标驾驶风险指标的过程中，获取的驾驶风险指标中可能存在干扰驾驶风险，如果不将驾驶风险指标中存在的干扰驾驶风险排除的话，可能会影响最终挖掘得到的风险驾驶行为的准确性，所以在获取目标车辆的目标驾驶风险指标时，可以先获取目标车辆的初始驾驶风险指标，对初始驾驶风险指标中的干扰驾驶风险进行过滤，得到目标驾驶风险指标；其中，干扰驾驶风险的类型可以根据具体应用场景确定，比如干扰驾驶风险可以包括与非驾驶行为因素对应的驾驶风险。在一种实现方式中，在对初始驾驶风险指标中的干扰驾驶风险进行过滤时，可以通过行为滤波器对初始驾驶风险指标进行过滤。
S303：获取驾驶员的驾驶动作。
S304：分析驾驶动作对目标驾驶风险指标的影响关系。
S305：按照影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作。
S306：按照影响关系，将目标动作组合成风险驾驶行为。
图5为本申请实施例提供的一种驾驶行为挖掘方法的流程图。参见图5所示，该驾驶行为挖掘方法可以包括以下步骤：
S401：在第一时刻时，获取目标车辆与驾驶风险指标对应的第一驾驶风险量化值。
S402：在第二时刻时，获取目标车辆与驾驶风险指标对应的第二驾驶风险量化值；其中，第一时刻在第二时刻之前。
S403：判断第二驾驶风险量化值是否大于第一驾驶风险量化值，若是，则执行S404。
S404：将驾驶风险指标作为目标驾驶风险指标。
本实施例中，在获取目标车辆的目标驾驶风险指标时，可能出现获取的目标驾驶风险指标与目标车辆不相符的情况，比如目标车辆存在某一驾驶风险指标，但是目标车辆在行驶过程中并未出现该驾驶风险指标对应的驾驶风险，由此使得获取的目标驾驶风险指标与目标车辆的实际驾驶情况不相符，为了保证获取的目标驾驶风险指标与目标车辆的实际驾驶情况相符，在获取目标车辆的目标驾驶风险指标时，可以在第一时刻时，获取目标车辆与驾驶风险指标对应的第一驾驶风险量化值；在第二时刻时，获取目标车辆与驾驶风险指标对应的第二驾驶风险量化值；其中，第一时刻在第二时刻之前；判断第二驾驶风险量化值是否大于第一驾驶风险量化值，若是，则将驾驶风险指标作为目标驾驶风险指标。
在一种实现方式中，在获取目标车辆的目标驾驶风险指标时，在每个时刻，还可以对获取的驾驶风险指标中的干扰驾驶风险进行过滤，在对过滤后的驾驶风险指标进行处理，得到最终的目标驾驶风险指标。请参阅图6，图6为获取目标驾驶风险指标的流程图。在图6中，Ot表示驾驶风险指标pi在第一时刻时的值，oi,t+Δt表示驾驶风险指标pi在第二时刻时的值，其中，Ot＝{o1,t,o2,t,...,om,t}，Ot+Δt＝{o1,t+Δt,o2,t+Δt,...,om,t+Δt}，ΔOt,t+Δt＝{o1,t+Δt-o1,t,o2,t+Δt-o2,t,...,om,t+Δt-om,t}，并且ΔOt,t+Δt表示目标驾驶风险指标。
请参阅图7，图7为驾驶动作的分类图。在另一种实现方式中，当用字母、集合表示目标驾驶风险指标、驾驶动作、风险驾驶行为、影响关系时，可以通过集合间的运算来表示风险驾驶行为的获取过程，该过程可以如下：
在t到t+Δt的时间段内，对于每一个驾驶风险指标pj，对于每一个驾驶动作ai，如果该驾驶动作满足第一等式，则驾驶员一定没有采取该驾驶动作，将该驾驶动作归为与目标驾驶风险指标矛盾的动作集合，该过程可以用下述表达式表示：AC(oj,t+Δt-oj,t)←AC(oj,t+Δt-oj,t)+{ai}；AC(oj,t+Δt-oj,t)表示与目标驾驶风险指标矛盾的动作集合，表示与目标驾驶风险指标矛盾的行为集合；
且第一等式可以为：也即将与驾驶风险指标的变化趋势相反的驾驶动作归为与目标驾驶风险指标矛盾的动作集合；
在t到t+Δt的时间段内，对于每一个驾驶风险指标pj，对于每一个驾驶动作ai，如果该驾驶动作满足第二等式，则驾驶员一定采取了该驾驶动作，将该驾驶动作归为驾驶员一定采取的动作集合，该过程可以用表达式表示为：判断是否与oj,t+Δt-oj,t一致，若是，则判断/>是否与oj,t+Δt-oj,t一致；若不一致，则驾驶员一定采取了驾驶动作ai，执行Bmin(O)←Bmin(O)+{ai}，也即只有在/>与oj,t+Δt-oj,t一致，并且/>与oj,t+Δt-oj,t不一致的情况下，才能确定驾驶员一定采取了驾驶动作ai；其中，Bmin(O)表示驾驶员一定执行的驾驶动作；
最终挖掘得到的驾驶员的风险驾驶行为可以表示为：
从而使得对驾驶员的风险驾驶行为的挖掘过程可以借助集合间的运算关系实现，简化了对风险驾驶行为的挖掘过程，提高了挖掘效率。
S405：获取驾驶员的驾驶动作。
S406：分析驾驶动作对目标驾驶风险指标的影响关系。
S407：按照影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作。
S408：按照影响关系，将目标动作组合成风险驾驶行为。
本申请提供的驾驶行为挖掘方法可以应用于安全辅助驾驶、车联网、车路协同、自动驾驶等应用场景中，为了便于理解，请参考图8和图9，结合本方案的一种应用场景进行介绍。该过程可以包括以下步骤：
搭建开发平台，本实施例的开发平台可以是在联想ThinkPad系列笔记本上搭建的平台，联想ThinkPad系列笔记本的处理器为Intel(R)Core(TM)i5-5200U CPU@2.20GHz，内存为8.00G，系统为64位；配置开发环境，比如用python开发环境；安装辅助库和包，如math、numpy、time、requests；
从云端或其他地方获取包含图8车辆类型、车辆数量、车辆位置、车辆速度、车辆加速度、车辆方向、车辆驾驶员性别、年龄、驾龄、驾驶员类型、健康状况、精神状态、反应能力、单位所属行业等信息；
获取目标车辆的驾驶风险指标集合P＝{p1,p2,...,pm}，驾驶员的可能的驾驶动作集合A＝{a1,a2,...,am}，驾驶动作对驾驶风险指标的所有的可能影响；
确定驾驶风险指标所受影响的合成规则；在此过程中可以按照全覆盖不重复，互为矛盾的动作不可能同时发生的原则确定合成规则，例如，对于同一个驾驶员而言，坐着和起立就是互为矛盾的两个动作，正常情况下不可能同时发生，而不矛盾的动作可以同时发生，例如，对于同一个驾驶员而言，加速和转弯不矛盾，可以同时执行；
分别获取目标车辆在t和t+Δt时刻的驾驶风险观测值Ot＝{o1,t,o2,t,...,om,t}以及Ot+Δt＝{o1,t+Δt,o2,t+Δt,...,om,t+Δt}，进一步得ΔOt,t+Δt＝{o1,t+Δt-o1,t,o2,t+Δt-o2,t,...,om,t+Δt-om,t}；在此过程中，为了便于表示及查看驾驶风险观测值，可以用矩阵的形式来表示驾驶风险观测值，比如图9中矩阵的第i行第j列元素表示车辆j碰撞到车辆i的概率，以第一行的元素0.08为例，该元素表示车辆2碰撞到车辆1的概率是0.08；
确定与观测值变化量矛盾的动作的集合、一定被执行的动作的集合，然后挖掘出驾驶员的最小行为集合、挖掘出驾驶员的最大行为集合，最后挖掘出驾驶员的行为集合。
图10为本申请实施例提供的一种驾驶行为挖掘装置，包括：
风险指标获取模块21，用于获取目标车辆的目标驾驶风险指标；
驾驶动作获取模块22，用于获取驾驶员的驾驶动作；
影响关系分析模块23，用于分析驾驶动作对目标驾驶风险指标的影响关系；
目标动作确定模块24，用于按照影响关系，在驾驶动作中确定出与目标驾驶风险指标匹配的目标动作；
驾驶行为组合模块25，用于按照影响关系，将目标动作组合成风险驾驶行为。
在一种可能实现方式中，影响关系分析模块23，具体可以包括：
正向关系判断子模块，用于判断驾驶动作是否增大了目标驾驶风险指标，若是，则确定驾驶动作对目标驾驶风险指标的影响关系为正向关系；
负向关系判断子模块，用于判断驾驶动作是否减少了目标驾驶风险指标，若是，则确定驾驶动作对目标驾驶风险指标的影响关系为负向关系；
无关系判断子模块，用于判断驾驶动作是否对目标驾驶风险指标无影响，若是，则确定驾驶动作对目标驾驶风险指标的影响关系为无关系。
在一种可能实现方式中，目标动作确定24，具体可以包括：
目标动作确定子模块，用于将与目标驾驶风险指标成正向关系和无关系的驾驶动作确定为目标动作。
在一种可能实现方式中，驾驶行为组合模块25，具体可以包括：
第一动作确定子模块，用于将与目标驾驶风险指标成正向关系的目标动作作为第一动作；
第二动作确定子模块，用于将与目标驾驶风险指标成无关系的目标动作作为第二动作；
驾驶行为组合子模块，用于分别在第一动作与第二动作中选取动作进行组合，得到风险驾驶行为。
在一种可能实现方式中，驾驶行为组合子模块，具体可以包括：
数量判断单元，用于判断第一动作的值是否唯一；若第一动作的值唯一，则在第二动作中选取动作与第一动作进行组合，得到风险驾驶行为。
在一种可能实现方式中，目标动作确定模块24，具体可以包括：
目标动作确定单元，用于将与目标驾驶风险指标成正向关系的驾驶动作确定为目标动作；
驾驶行为组合模块25，具体可以包括：
驾驶行为组合单元，用于将目标动作中的动作进行组合，得到风险驾驶行为。
在一种可能实现方式中，风险指标获取模块21，具体可以包括：
风险指标获取单元，用于获取目标车辆的初始驾驶风险指标；
风险指标过滤单元，用于对初始驾驶风险指标中的干扰驾驶风险进行过滤，得到目标驾驶风险指标；
其中，干扰驾驶风险包括与非驾驶行为因素对应的驾驶风险。
在一种可能实现方式中，风险指标获取模块21，具体可以包括：
量化值第一获取单元，用于在第一时刻时，获取目标车辆与驾驶风险指标对应的第一驾驶风险量化值；
量化值第二获取单元，用于在第二时刻时，获取目标车辆与驾驶风险指标对应的第二驾驶风险量化值；
量化值判断单元，用于判断第二驾驶风险量化值是否大于第一驾驶风险量化值，若是，则将驾驶风险指标作为目标驾驶风险指标；
其中，第一时刻在第二时刻之前。
进一步的，本申请实施例还提供了一种电子设备。其中，上述电子设备既可以是如图11所示的服务器30，也可以是如图12所示的终端40；当电子设备为服务器时，本申请驾驶行为挖掘生成方法的执行主体便可以为服务器，而当电子设备为终端时，本申请驾驶行为挖掘方法的执行主体便可以为终端。图11和图12均是根据一示例性实施例示出的电子设备结构图，附图中的内容不能认为是对本申请的使用范围的任何限制。
图11为本申请实施例提供的一种服务器的结构示意图。该服务器30，具体可以包括：至少一个处理器31、至少一个存储器32、电源33、通信接口34、输入输出接口35和通信总线36。其中，所述存储器32用于存储计算机程序，所述计算机程序由所述处理器31加载并执行，以实现前述任一实施例公开的驾驶行为挖掘方法中的相关步骤。
本实施例中，电源33用于为服务器30上的各硬件设备提供工作电压；通信接口34能够为服务器30创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口35，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器32作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统321、计算机程序322以及数据323等，存储方式可以是短暂存储或者永久存储。
其中，操作系统321用于管理与控制服务器30上的各硬件设备以及计算机程序322，以实现处理器31对存储器32中海量数据323的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序322除了包括能够用于完成上述任一实施例公开的驾驶行为挖掘方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据323除了可以包括服务器收集到的目标驾驶风险指标、驾驶动作和驾驶行为挖掘指令等数据外，还可以包括数据模型、风险驾驶行为等数据。
图12为本申请实施例提供的一种终端的结构示意图，该终端40具体可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
通常，本实施例中的终端40包括有：处理器41和存储器42。
其中，处理器41可以包括一个或者多个处理核心，比如4核心处理器、8核心处理器等。处理器41可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器41也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器41可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器41还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器42可以包括一个或者多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器42还可以包括高速随机存取存储器，以及非易失性存储器，比如一个或者多个磁盘存储设备、闪存存储设备。本实施例中，存储器42至少用于存储以下计算机程序421，其中，该计算机程序被处理器41加载并执行之后，能够实现前述任一实施例所公开的驾驶行为挖掘方法中的相关步骤。另外，存储器42所存储的资源还可以包括操作系统422和数据423等，存储方式可以是短暂存储或者永久存储。其中，操作系统422可以包括Windows、Unix、Linux等。数据423包括但不限于配置信息、数据模型、性能分析结果等。
在一些实施例中，终端40还可以包括有显示屏43、输入输出接口44、通信接口45、传感器46、电源47以及通信总线48。
本领域技术人员可以理解，图12中示出的结构并不构成对终端40的限定，可以包括比图示更多或者更少的组件。
可以理解的是，本申请实施例中并不对电子设备的数量进行限定，其可以是多个电子设备共同协作完成驾驶行为的挖掘功能。在一种可能的情况中，请参阅图13。由图13可知，该硬件组成框架可以包括第一电子设备51和第二电子设备52，第一电子设备51与第二电子设备52之间通过网络53实现通信连接。
在本申请实施例中，第一电子设备51与第二电子设备52的硬件结构可以参考图11中的服务器、图12中的终端，可以理解为本实施例中具有两个电子设备，两者进行数据交互，实现驾驶行为挖掘功能。进一步，本申请实施例中并不对网络的形式进行限定，比如，网络53可以是无线网络(如WIFI、蓝牙等)，也可以是有线网络。
其中，第一电子设备51和第二电子设备52可以是同一种电子设备，比如第一电子设备51和第二电子设备52均为服务器30或者均为终端40；也可以是不同类型的电子设备，比如，第一电子设备51可以是终端40，第二电子设备52可以是服务器30。在有一种可能的情况中，可以利用计算能力强的服务器30作为第二电子设备52来提高数据处理效率及可靠性，进而提高客户端漏洞挖掘效率。同时利用成本低、应用范围广的终端40作为第一电子设备51，用于实现第二电子设备52与用户之间的交互。
进一步，为了便于用户获取驾驶员的风险驾驶行为，第一电子设备51还可以在接收到风险驾驶行为后，将该风险驾驶行为输出。本申请实施例并不限定第一电子设备51输出形式，如可以利用不同颜色的字体输出不同的风险驾驶行为、采用语音输出风险驾驶行为等。
举例说明，终端在获取到驾驶行为挖掘指令后，将驾驶行为挖掘指令发送给服务器。服务器在接收到驾驶行为挖掘指令后，根据目标车辆的目标驾驶风险指标及驾驶员的驾驶动作对驾驶员进行驾驶行为挖掘，并得到相应的驾驶行为挖掘结果。服务器在得到驾驶行为挖掘结果后可以将驾驶行为挖掘结果通过网络发送给终端。终端输出驾驶行为挖掘结果。
进一步的，本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的驾驶行为挖掘方法步骤。
需要指出的是，上述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (14)

1.一种驾驶行为挖掘方法，其特征在于，包括：
获取当前目标车辆的目标驾驶风险指标；
获取当前驾驶员的驾驶动作；
判断所述驾驶动作是否增大了所述目标驾驶风险指标，若是，则确定所述驾驶动作对所述目标驾驶风险指标的影响关系为正向关系；
判断所述驾驶动作是否减少了所述目标驾驶风险指标，若是，则确定所述驾驶动作对所述目标驾驶风险指标的影响关系为负向关系；
判断所述驾驶动作是否对所述目标驾驶风险指标无影响，若是，则确定所述驾驶动作对所述目标驾驶风险指标的影响关系为无关系；
将与所述目标驾驶风险指标成正向关系和无关系的所述驾驶动作确定为目标动作；
按照所述影响关系，将所述目标动作组合成风险驾驶行为。
2.根据权利要求1所述的方法，其特征在于，所述按照所述影响关系，将所述目标动作组合成风险驾驶行为，包括：
将与所述目标驾驶风险指标成正向关系的所述目标动作作为第一动作；
将与所述目标驾驶风险指标成无关系的所述目标动作作为第二动作；
分别在所述第一动作与所述第二动作中选取动作进行组合，得到所述风险驾驶行为。
3.根据权利要求2所述的方法，其特征在于，所述分别在所述第一动作与所述第二动作中选取动作进行组合，得到所述风险驾驶行为，包括：
判断所述第一动作的值是否唯一；
若所述第一动作的值唯一，则在所述第二动作中选取动作与所述第一动作进行组合，得到所述风险驾驶行为。
4.根据权利要求1所述的方法，其特征在于，所述按照所述影响关系，在所述驾驶动作中确定出与所述目标驾驶风险指标匹配的目标动作，包括：
将与所述目标驾驶风险指标成正向关系的所述驾驶动作确定为所述目标动作；
所述按照所述影响关系，将所述目标动作组合成风险驾驶行为，包括：
将所述目标动作中的动作进行组合，得到所述风险驾驶行为。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述获取目标车辆的目标驾驶风险指标，包括：
获取所述目标车辆的初始驾驶风险指标；
对所述初始驾驶风险指标中的干扰驾驶风险进行过滤，得到所述目标驾驶风险指标；
其中，所述干扰驾驶风险包括与非驾驶行为因素对应的驾驶风险。
6.根据权利要求5所述的方法，其特征在于，所述获取目标车辆的目标驾驶风险指标，包括：
在第一时刻时，获取所述目标车辆与驾驶风险指标对应的第一驾驶风险量化值；
在第二时刻时，获取所述目标车辆与所述驾驶风险指标对应的第二驾驶风险量化值；
判断所述第二驾驶风险量化值是否大于所述第一驾驶风险量化值，若是，则将所述驾驶风险指标作为所述目标驾驶风险指标；
其中，所述第一时刻在所述第二时刻之前。
7.一种驾驶行为挖掘装置，其特征在于，包括：
风险指标获取模块，用于获取当前目标车辆的目标驾驶风险指标；
驾驶动作获取模块，用于获取当前驾驶员的驾驶动作；
影响关系分析模块，用于分析所述驾驶动作对所述目标驾驶风险指标的影响关系；
目标动作确定模块，用于按照所述影响关系，在所述驾驶动作中确定出与所述目标驾驶风险指标匹配的目标动作；
驾驶行为组合模块，用于按照所述影响关系，将所述目标动作组合成风险驾驶行为；
所述影响关系分析模块，具体包括：
正向关系判断子模块，用于判断驾驶动作是否增大了目标驾驶风险指标，若是，则确定驾驶动作对目标驾驶风险指标的影响关系为正向关系；
负向关系判断子模块，用于判断驾驶动作是否减少了目标驾驶风险指标，若是，则确定驾驶动作对目标驾驶风险指标的影响关系为负向关系；
无关系判断子模块，用于判断驾驶动作是否对目标驾驶风险指标无影响，若是，则确定驾驶动作对目标驾驶风险指标的影响关系为无关系；
所述目标动作确定模块，具体包括：
目标动作确定子模块，用于将与目标驾驶风险指标成正向关系和无关系的驾驶动作确定为目标动作。
8.根据权利要求7所述的装置，其特征在于，所述驾驶行为组合模块，具体包括：
第一动作确定子模块，用于将与目标驾驶风险指标成正向关系的目标动作作为第一动作；
第二动作确定子模块，用于将与目标驾驶风险指标成无关系的目标动作作为第二动作；
驾驶行为组合子模块，用于分别在第一动作与第二动作中选取动作进行组合，得到风险驾驶行为。
9.根据权利要求8所述的装置，其特征在于，所述驾驶行为组合子模块，具体包括：
数量判断单元，用于判断第一动作的值是否唯一；若第一动作的值唯一，则在第二动作中选取动作与第一动作进行组合，得到风险驾驶行为。
10.根据权利要求7所述的装置，所述目标动作确定模块，具体包括：
目标动作确定单元，用于将与目标驾驶风险指标成正向关系的驾驶动作确定为目标动作；
驾驶行为组合模块，具体包括：
驾驶行为组合单元，用于将目标动作中的动作进行组合，得到风险驾驶行为。
11.根据权利要求7至10任一项所述的装置，其特征在于，所述风险指标获取模块，具体包括：
风险指标获取单元，用于获取目标车辆的初始驾驶风险指标；
风险指标过滤单元，用于对初始驾驶风险指标中的干扰驾驶风险进行过滤，得到目标驾驶风险指标；
其中，干扰驾驶风险包括与非驾驶行为因素对应的驾驶风险。
12.根据权利要求11所述的装置，其特征在于，所述风险指标获取模块，具体包括：
量化值第一获取单元，用于在第一时刻时，获取目标车辆与驾驶风险指标对应的第一驾驶风险量化值；
量化值第二获取单元，用于在第二时刻时，获取目标车辆与驾驶风险指标对应的第二驾驶风险量化值；
量化值判断单元，用于判断第二驾驶风险量化值是否大于第一驾驶风险量化值，若是，则将驾驶风险指标作为目标驾驶风险指标；
其中，第一时刻在第二时刻之前。
13.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至6任一项所述的驾驶行为挖掘方法。
14.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至6任一项所述的驾驶行为挖掘方法。
CN201910759958.1A 2019-08-16 2019-08-16 驾驶行为挖掘方法、装置、电子设备及存储介质 Active CN110782114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910759958.1A CN110782114B (zh) 2019-08-16 2019-08-16 驾驶行为挖掘方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910759958.1A CN110782114B (zh) 2019-08-16 2019-08-16 驾驶行为挖掘方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110782114A CN110782114A (zh) 2020-02-11
CN110782114B true CN110782114B (zh) 2024-05-24

Family

ID=69383305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910759958.1A Active CN110782114B (zh) 2019-08-16 2019-08-16 驾驶行为挖掘方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110782114B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115617880B (zh) * 2022-12-19 2023-04-18 北京百度网讯科技有限公司 自动驾驶场景的挖掘方法、装置、设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104093618A (zh) * 2012-01-13 2014-10-08 脉冲函数F6有限公司 驾驶行为风险指标计算的设备、系统和方法
CN106651162A (zh) * 2016-12-09 2017-05-10 思建科技有限公司 一种基于大数据的驾驶风险评估方法
CN107945311A (zh) * 2017-11-29 2018-04-20 深圳市轱辘车联数据技术有限公司 一种危险驾驶行为的预警方法、装置、存储介质及服务器
CN108860157A (zh) * 2018-07-16 2018-11-23 深圳市元征科技股份有限公司 一种违章风险评估方法、系统、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104093618A (zh) * 2012-01-13 2014-10-08 脉冲函数F6有限公司 驾驶行为风险指标计算的设备、系统和方法
CN106651162A (zh) * 2016-12-09 2017-05-10 思建科技有限公司 一种基于大数据的驾驶风险评估方法
CN107945311A (zh) * 2017-11-29 2018-04-20 深圳市轱辘车联数据技术有限公司 一种危险驾驶行为的预警方法、装置、存储介质及服务器
CN108860157A (zh) * 2018-07-16 2018-11-23 深圳市元征科技股份有限公司 一种违章风险评估方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN110782114A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
US20200066158A1 (en) Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium
CN105539026B (zh) 一种胎压检测系统和方法
WO2022078077A1 (zh) 驾驶风险的预警方法、装置、计算设备及存储介质
CN109624985B (zh) 防疲劳驾驶预警方法及装置
CN110119340A (zh) 异常监测方法、装置、电子设备和存储介质
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
EP4102772B1 (en) Method and apparatus of processing security information, device and storage medium
CN110782114B (zh) 驾驶行为挖掘方法、装置、电子设备及存储介质
CN111739290A (zh) 车辆预警方法及装置
CN114172686B (zh) 车载can总线报文入侵检测方法、相关设备及计算机存储介质
CN111709665B (zh) 车辆安全性的评估方法和装置
CN110758398A (zh) 驾驶风险的检测方法及装置
CN115061386B (zh) 智能驾驶的自动化仿真测试系统及相关设备
US20200180644A1 (en) Implementing cognitive state recognition within a telematics system
CN111860661B (zh) 基于用户行为的数据分析方法、装置、电子设备及介质
CN110316201A (zh) 一种急转弯识别方法、装置、系统
CN112953723B (zh) 一种车载入侵检测方法及装置
CN114282940A (zh) 用于意图识别的方法及装置、存储介质及电子设备
CN110782115B (zh) 处理车联网系统风险方法、装置、电子设备及存储介质
CN111427037A (zh) 障碍物的检测方法和装置、电子设备和车端设备
CN112307475A (zh) 一种系统检测方法及装置
CN113879313A (zh) 驾驶员疲劳检测方法及装置
WO2018174628A1 (ko) 운전자 머뉴버에 대한 시공간 색인 방법 및 이를 이용한 운전자 평가 방법
CN115148041B (zh) 显示控制设备、显示控制方法和存储单元
CN111443621B (zh) 一种模型生成方法、模型生成装置及电子设备

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