CN111105110A - 驾驶风险确定方法、装置、介质和计算设备 - Google Patents
驾驶风险确定方法、装置、介质和计算设备 Download PDFInfo
- Publication number
- CN111105110A CN111105110A CN201811253177.7A CN201811253177A CN111105110A CN 111105110 A CN111105110 A CN 111105110A CN 201811253177 A CN201811253177 A CN 201811253177A CN 111105110 A CN111105110 A CN 111105110A
- Authority
- CN
- China
- Prior art keywords
- data
- service provider
- driving
- driving behavior
- historical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013210 evaluation model Methods 0.000 claims abstract description 63
- 239000000523 sample Substances 0.000 claims description 129
- 238000012549 training Methods 0.000 claims description 124
- 206010039203 Road traffic accident Diseases 0.000 claims description 53
- 239000013074 reference sample Substances 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims 2
- 230000006399 behavior Effects 0.000 abstract description 227
- 238000012544 monitoring process Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- 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
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了驾驶风险确定方法、装置、介质和计算设备,涉及驾驶技术领域。该方法包括:获取目标服务提供者的历史驾驶行为数据;基于所述历史驾驶行为数据,确定所述目标服务提供者在多种驾驶行为统计特征下的特征值;将所述目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定所述目标服务提供者的事故发生风险概率。本申请通过多种驾驶行为统计特征来表征服务提供者的历史驾驶行为,并使用驾驶风险评价模型来计算目标服务提供者的事故发生风险概率,使得计算得到的事故发生风险概率更加准确。依据事故发生风险概率还可以进一步确改善为网约车服务提供者进行派单的合理程度。
Description
技术领域
本申请涉及驾驶技术领域,具体而言,涉及一种驾驶风险确定方法、装置、介质和计算设备。
背景技术
随着生活水平的提高,越来越多的人会选择乘坐出租车或网约车出行,以为自己的出行带来便利,这导致了汽车保有量的快速提高。与之相对的,由汽车所引发的事故的数量也逐年上升。
为了降低汽车所引发的事故的数量,相关技术中,已经出现了一些应对措施,比如,制定对应的交通规则、通过限号的方式来降低上路车辆的数量等等。
发明内容
有鉴于此,本申请实施例的目的在于提供一种驾驶风险确定方法、装置、介质和计算设备。
第一方面,本申请实施例提供了一种驾驶风险确定方法,包括:
获取目标服务提供者的历史驾驶行为数据;
基于历史驾驶行为数据,确定目标服务提供者在多种驾驶行为统计特征下的特征值;
将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者的事故发生风险概率。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者的事故发生风险概率,包括:
将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者发生至少一种事故类型的风险概率。
结合第一方面,本申请实施例提供了第一方面的第二种可能的实施方式,其中,基于历史驾驶行为数据,确定目标服务提供者在多种驾驶行为统计特征下的特征值,包括:
基于历史驾驶行为数据,确定在多个不同的时间窗中的每个时间窗内,目标服务提供者在多种驾驶行为统计特征下的特征值。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,历史驾驶行为数据包括以下数据类型中的一种或多种:
历史驾驶状态数据;违规历史驾驶行为数据;分心历史驾驶行为数据;激进历史驾驶行为数据。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,历史驾驶状态数据包括以下的任意一种或多种:
疲劳驾驶的数据、行驶时间的数据、行驶地域的数据;
违规历史驾驶行为数据包括以下的任意一种或多种:
闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据;
分心历史驾驶行为数据包括以下的任意一种或多种:
开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据;
激进历史驾驶行为数据包括以下的任意一种或多种:
过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
结合第一方面,本申请实施例提供了第一方面的第五种可能的实施方式,其中,多种驾驶行为统计特征中包括独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征。
结合第一方面,本申请实施例提供了第一方面的第六种可能的实施方式,其中,确定目标服务提供者的事故发生风险概率之后,还包括:
根据目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略;
根据网约车派单策略向目标服务提供者派发网约车订单。
结合第一方面,本申请实施例提供了第一方面的第七种可能的实施方式,其中,确定目标服务提供者的事故发生风险概率之后,还包括:
根据目标服务提供者的事故发生风险概率,确定针对目标服务提供者收取的服务费用标准。
结合第一方面,本申请实施例提供了第一方面的第八种可能的实施方式,其中,根据以下步骤训练驾驶风险评价模型:
获取训练样本集;训练样本集中包括在样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在历史目标时间段之前的历史驾驶行为数据;
基于训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型。
结合第一方面,本申请实施例提供了第一方面的第九种可能的实施方式,其中,获取训练样本集,包括:
获取在历史目标时间段内具有驾驶记录的样本服务提供者的交通事故发生结果和历史驾驶行为数据。
结合第一方面,本申请实施例提供了第一方面的第十种可能的实施方式,其中,步骤基于训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型包括:
按照不同的正负样本比例,使用训练样本集中的训练样本组成多个参考样本集;每个参考样本集的正负样本比例是不同的;
分别使用每个参考样本集对不同的参考模型进行训练,以得到多个训练完成的候选模型;
使用验证样本集分别对每个训练完成的候选模型进行检验,以确定候选模型中的指定一个模型作为训练完成的驾驶风险评价模型。
结合第一方面,本申请实施例提供了第一方面的第十一种可能的实施方式,其中,负样本训练集中包括多种事故类型下的服务提供者分别对应的样本训练集。
第二方面,本申请实施例还提供了一种驾驶风险确定装置,包括:
第一获取模块,用于获取目标服务提供者的历史驾驶行为数据;
第一确定模块,用于基于历史驾驶行为数据,确定目标服务提供者在多种驾驶行为统计特征下的特征值;
第二确定模块,用于将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者的事故发生风险概率。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,第二确定模块包括:
第一确定单元,用于将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者发生至少一种事故类型的风险概率。
结合第二方面,本申请实施例提供了第二方面的第二种可能的实施方式,其中,第一确定模块包括:
第二确定单元,用于基于历史驾驶行为数据,确定在多个不同的时间窗中的每个时间窗内,目标服务提供者在多种驾驶行为统计特征下的特征值。
结合第二方面,本申请实施例提供了第二方面的第三种可能的实施方式,其中,历史驾驶行为数据包括以下数据类型中的一种或多种:
历史驾驶状态数据;违规历史驾驶行为数据;分心历史驾驶行为数据;激进历史驾驶行为数据。
结合第二方面,本申请实施例提供了第二方面的第四种可能的实施方式,其中,历史驾驶状态数据包括以下的任意一种或多种:
疲劳驾驶的数据、行驶时间的数据、行驶地域的数据;
违规历史驾驶行为数据包括以下的任意一种或多种:
闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据;
分心历史驾驶行为数据包括以下的任意一种或多种:
开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据;
激进历史驾驶行为数据包括以下的任意一种或多种:
过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
结合第二方面,本申请实施例提供了第二方面的第五种可能的实施方式,其中,多种驾驶行为统计特征中包括独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征。
结合第二方面,本申请实施例提供了第二方面的第六种可能的实施方式,其中,还包括:
第三确定模块,用于根据目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略;
派单模块,用于根据网约车派单策略向目标服务提供者派发网约车订单。
结合第二方面,本申请实施例提供了第二方面的第七种可能的实施方式,其中,还包括:
第四确定模块,用于根据目标服务提供者的事故发生风险概率,确定针对目标服务提供者收取的服务费用标准。
结合第二方面,本申请实施例提供了第二方面的第八种可能的实施方式,其中,还包括:
第二获取模块,用于获取训练样本集;训练样本集中包括在样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在历史目标时间段之前的历史驾驶行为数据;
训练模块,用于基于训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型。
结合第二方面,本申请实施例提供了第二方面的第九种可能的实施方式,其中,第二获取模块包括:
第一获取单元,用于获取在历史目标时间段内具有驾驶记录的样本服务提供者的交通事故发生结果和历史驾驶行为数据。
结合第二方面,本申请实施例提供了第二方面的第十种可能的实施方式,其中,训练模块包括:
第二获取单元,用于按照不同的正负样本比例,使用训练样本集中的训练样本组成多个参考样本集;每个参考样本集的正负样本比例是不同的;
训练单元,用于分别使用每个参考样本集对不同的参考模型进行训练,以得到多个训练完成的候选模型;
检验单元,用于使用验证样本集分别对每个训练完成的候选模型进行检验,以确定候选模型中的指定一个模型作为训练完成的驾驶风险评价模型。
结合第二方面,本申请实施例提供了第二方面的第十一种可能的实施方式,其中,负样本训练集中包括多种事故类型下的服务提供者分别对应的样本训练集。
第三方面,本申请实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行第一方面任一方法。
第四方面,本申请实施例还提供了一种计算设备,包括:处理器、存储介质和总线,存储介质存储有处理器可执行的机器可读指令,当计算设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行时执行如第一方面任一的驾驶风险确定方法的步骤。
本申请所提供的驾驶风险确定方法,包括:获取目标服务提供者的历史驾驶行为数据;基于历史驾驶行为数据,确定目标服务提供者在多种驾驶行为统计特征下的特征值;将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者的事故发生风险概率。该方法通过多种驾驶行为统计特征来表征服务提供者的历史驾驶行为,并使用驾驶风险评价模型来计算目标服务提供者的事故发生风险概率,使得计算得到的事故发生风险概率更加准确。
在某种优选的实施例中,本申请所提供的方案通过使驾驶风险评价模型输出服务提供者发生某一种或多种事故类型的风险概率,使得后续操作中,可以更加有针对性的进行后续操作(针对风险概率过高或过低的事故类型进行不同的操作)。比如可以针对性的上调风险概率过高的事故类型的保险费用,或者下调节网约车的派单频率。
在某种优选的实施例中,本申请所提供的方案通过按照不同的时间窗,从历史驾驶行为数据中来确定目标服务提供者在多种驾驶行为统计特征下的特征值,使得获取到的特征值能够更有针对性,以提高最终输出的事故发生风险概率准确度。
在某种优选的实施例中,本申请所提供的方案通过同时使用了独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征来表征服务提供者的历史驾驶行为,使得服务提供者的驾驶行为能够更为立体的进行展示,提高了驾驶风险评价模型输出的事故发生风险概率准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的驾驶风险确定方法的基本流程图;
图2示出了本申请实施例所提供的驾驶风险确定方法中,进行网约车订单派发的子方案的流程图;
图3示出了本申请实施例所提供的驾驶风险确定方法中,训练驾驶风险评价模型的流程示意图;
图4示出了本申请实施例所提供的第一计算设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
近些年,汽车数量大大增加,在路面没有加宽的情况下,汽车数量的增加,直接导致了汽车所引发的交通事故的数量大量上升。
为了控制汽车所引发的交通事故的数量,相关技术中,已经提出了大量的改良方案,比如,制定交通规则、对服务提供者进行安全培训。但这些提高驾驶安全性的方案都是面向全体服务提供者(例如司机等)的,针对性不强,因此效果较差。而后,相关技术中出现了针对某个驾驶群体进行的培训,比如,针对驾照被吊销的服务提供者进行的培训。这种培训的效果虽然好,但针对驾照被吊销的服务提供者进行的培训只能是在发生交通事故之后进行,无法做到防患于未然的目的。
针对上述情况,本申请发明人认为,可以采用估算驾驶风险(驾驶汽车时,发生交通事故的概率)的方式来确定哪些服务提供者的驾驶风险较高,进而进行相应的处理(比如,可以选择驾驶风险较高的服务提供者进行培训)。但相关技术中,估算驾驶风险的方式较为简单,还有待改进。
进而,本申请提供了一种驾驶风险确定方法,如图1所示,该方法包括如下步骤:
S101,获取目标服务提供者的历史驾驶行为数据;
S102,基于历史驾驶行为数据,确定目标服务提供者在多种驾驶行为统计特征下的特征值;
S103,将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者的事故发生风险概率。
步骤S101中,历史驾驶行为数据是用来描述服务提供者在开车过程中的行驶情况的数据。通常情况下,历史驾驶行为数据可以理解为从数据源获取到的原始数据。获取历史驾驶行为数据的方式有多种,比如可以通过设置在汽车上的行车记录仪来获取历史驾驶行为数据(行车记录仪可以获取服务提供者处于驾驶状态时的照片、车辆所处的位置等数据作为历史驾驶行为数据),可以通过服务提供者/乘客的手机来获取历史驾驶行为数据(通过手机可以获取车辆所处的位置、服务提供者开车时玩游戏的数据等作为历史驾驶行为数据),还可以是通过交管局或某些第三方平台来获取到服务提供者的违规驾驶数据作为历史驾驶行为数据。
可以预想到的是,步骤S101中所获取到的历史驾驶行为数据是原始数据,这些原始数据的存在形式是多种多样的,在将这些原始数据输入到驾驶风险评价模型之前,必然要从这些原始数据中提取出有效的信息(或者说是提取出驾驶风险评价模型能够直接识别的特征)。比如,获取到的历史驾驶行为数据可能是一段简短的文字介绍“服务提供者X在5点3分超速一次,服务提供者X在5点8分超速一次”,则步骤S102中需要确定出的特征值可以是表征“服务提供者超速两次”,或者是“服务提供者X在5点-6点之间超速两次”。
从某一个角度来看,步骤S102的主要目的是将历史驾驶行为数据进行规范化、结构化处理,以得到符合预设要求的,可以直接输入到驾驶风险评价模型中的特征值。进而,步骤S102的主要目就是从历史驾驶行为数据中提取需要的特征值。步骤S102中所提取到的特征值是有多种的,即特征值是目标服务提供者在多种驾驶行为统计特征下的特征值。
步骤S102中,驾驶行为统计特征,指的是某一个特征维度(如驾驶状态维度、违规驾驶行为维度等)。一般情况下,步骤S102中确定的多个特征值是不同维度的特征值,通过从原始数据中提取到多个维度的特征,并使用多个维度的特征来表征服务提供者的驾驶行为,能够使得对服务提供者的驾驶行为描述的更为全面和立体。具体的,特征值可以是用来表征闯红灯次数,还可以是表征急刹车次数,通过不同的维度的特征值来表征目标服务提供者的驾驶行为,使得服务提供者的驾驶行为可以被更为准确的表达。
步骤S103中,需要将步骤S102中所确定的特征值输入到驾驶风险评价模型中,以确定目标服务提供者的事故发生风险概率。事故发生风险概率能够反映服务提供者发生交通事故的概率,更准确来说,可以反映服务提供者在某一段时间发生交通事故的可能性,或者是服务提供者发生某一种类型的交通事故的可能性。进而,依据该事故发生风险概率可以进行更进一步的处理,比如,可以提醒事故发生风险概率较高的服务提供者注意驾驶安全;又比如,可以减少为事故发生风险概率较高的服务提供者分派驾驶任务。
具体的,如下表1所示。给出了特征值和对应的事故发生风险概率。
表1
表1中,示出了在给定历史驾驶行为数据后,模型所预估的事故发生风险概率。表1中,是否夜间行驶、是否疲劳驾驶、超速次数、实线并线次数、行驶路段、是否开车打电话、是否急加速均是在步骤S102中所获取到的特征值。这些特征值均是从不同的维度对服务提供者的驾驶行为进行表征的特征值。并且,这些特征值均是从原始的历史驾驶行为数据中提取到的。
表1中的最后一列,在预定时间段中发生交通事故的概率反映了服务提供者在指定时间段中发生交通事故的概率,可见服务提供者编号为1的服务提供者的事故发生风险概率为0.79,即在预定时间段中发生事故的概率为0.79;服务提供者编号为2的服务提供者的事故发生风险概率为0.62,即在预定时间段中发生事故的概率为0.62;服务提供者编号为3的服务提供者的事故发生风险概率为0.12,即在预定时间段中发生事故的概率为0.12。
在确定了目标服务提供者的事故发生风险概率之后,可以根据事故发生风险概率进行进一步的处理,下面列举几个例子进行说明:
例1,根据事故发生风险概率控制服务提供者的接单数量;
具体而言,如图2所示,可以包括如下步骤:
步骤S201,根据目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略;
步骤S202,根据网约车派单策略向目标服务提供者派发网约车订单。
通常,网约车派单策略可以反映两个维度的信息,一个维度是订单的派发数量,如给服务提供者派发订单的上限,和/或派发订单的频率;另一个维度是派发的订单的质量,如给服务提供者派发容易赚钱的订单还是不容易赚钱的订单等。具体的,网约车派单策略可以只包括订单的派发数量,也可以只包括派发订单的质量;还可以是即包括订单的派发数量,也包括派发订单的质量。
此处,订单的派发数量可以是给服务提供者派发订单的上限(如每天/每小时给服务提供者派发多少订单),也可以是给服务提供者派发订单的频率(如每隔X时间给服务提供者派发一个订单),当然,也可以是同时限定给服务提供者派发订单的上限,和给服务提供者派发订单的频率。
具体的,网约车派单策略可以是对驾驶风险越高的服务提供者所分派的订单量应当越少。通过这种方式可以让驾驶行为不够良好的服务提供者无法接到足够的派单,进而促使服务提供者规范自己的驾驶行为,即只有在驾驶风险提高之后,服务提供者才能够得到足够多的派单。
具体的,网约车派单策略可以是对驾驶风险越高的服务提供者所分派的订单的质量越差(派发的订单需要服务提供者到较为偏僻的路段接乘客,或者是派发的订单需要服务提供者空驶较长的距离才能够接到乘客)。通过这种方式可以让驾驶行为不够良好的服务提供者无法接到高价值的订单,进而促使服务提供者规范自己的驾驶行为,即只有在驾驶风险提高之后,服务提供者才能够得到高价值的订单。
具体实现时,可以是在将全部服务提供者划分为多个群体,如驾驶风险较高的服务提供者群体、驾驶风险中等的服务提供者群体和驾驶风险较低的服务提供者群体。对于驾驶风险较低的服务提供者群体,可以提高派单上限的数值;对于驾驶风险中等的服务提供者群体,派单上限的数值可以不变;对于驾驶风险较高的服务提供者群体,可以下调派单上限的数值。也就是,可以根据目标服务提供者在全体服务提供者中的相对驾驶安全程度(也可以理解为关于事故发生风险概率的排名)确定给服务提供者制定何种网约车派单策略。
也就是,步骤S201,根据目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略可以按照如下方式执行:
步骤2011,根据目标服务提供者的事故发生风险概率,确定目标服务提供者在全体服务提供者中的安全排名;
步骤2012,根据安全排名,确定目标服务提供者的网约车派单策略。
其中,确定目标服务提供者在全体服务提供者中的安全排名的时候,要先获取每个服务提供者的事故发生风险概率(可以是近期计算到的其他服务提供者的事故发生风险概率),之后,使用目标服务提供者的事故发生风险概率和其他服务提供者的事故发生风险概率进行整体排名,就可以确定关于事故发生风险概率方面,目标服务提供者在全体服务提供者中的排名(即安全排名)。步骤2012中,可以根据安全排名确定网约车派单策略。网约车派单策略的具体内容前文中已经解释过,此处不重复说明。
需要说明的是,此处根据安全排名确定网约车派单策略的方式的时候,可以是不同的排名使用相同的派单的策略。比如,目标服务提供者的安全排名在1-100(或者是目标服务提供者的安全排名在全体服务提供者中前10%),则对目标服务提供者采用第一网约车派单策略;目标服务提供者的安全排名在101-500(或者是目标服务提供者的安全排名在全体服务提供者中10%-50%),则对目标服务提供者采用第二网约车派单策略;目标服务提供者的安全排名在501-1000(或者是目标服务提供者的安全排名在全体服务提供者中50%-100%),则对目标服务提供者采用第三网约车派单策略。其中,第一网约车派单策略中的订单的派发数量高于第一网约车派单策略中的订单的派发数量;第二网约车派单策略中的订单的派发数量高于第三网约车派单策略中的订单的派发数量。
进而,在执行了步骤S201和步骤S202之后,本申请所提供的方法就可以对应的改为一种网约车订单派发方法。
例2,根据驾驶风险为服务提供者制定安全教育课程;
安全教育课程的具体内容可以是对服务提供者讲解哪些驾驶行为是危险的,哪些驾驶行为容易导致事故的发生。通过为服务提供者针对性的指定安全教育课程,可以使服务提供者提高驾驶安全系数。
比如可以根据目标服务提供者的事故发生风险概率的数值大小来为服务提供者安排对应的安全教育课程。比如,在目标服务提供者的事故发生风险概率在0.8-1之间时,可以安排第一种安全教育课程;在目标服务提供者的事故发生风险概率在0.4-8之间时,可以安排第二种安全教育课程;在目标服务提供者的事故发生风险概率在0-0.4之间时,可以安排第三种安全教育课程;其中,第一种安全教育课程、第二种安全教育课程和第三种安全教育课程的授课内容依次增大。
具体实现时,在根据驾驶风险为服务提供者制定安全教育课程后,可以将制定的安全教育课程向目标服务提供者推送。
例3,根据目标服务提供者的驾驶风险确定对目标服务提供者进行收费的标准;
具体而言,可以包括如下步骤:
根据目标服务提供者的事故发生风险概率,确定针对目标服务提供者收取的服务费用标准。
其中,服务费用标准可以有保险费、租赁费(租车所花费的费用)的标准等。
通常情况下,对于事故发生风险概率越高的服务提供者,为其制定的保险的价格就应当越高,保险的种类可以是最高赔偿金额较高的商业险。
在确定了目标服务提供者的汽车保险制定策略后,可以将该汽车保险制定策略确定向目标服务提供者推送,以使服务提供者确定是否购买推送的保险,或者是购买哪种推送的保险。
此处的租赁费可以理解为租车时,向租车公司所缴纳的押金(租车完成时可以退还的部分),或者是实际支付给租车公司的金额(租车完成时不可以退还的部分,或者是需要向租车公司缴纳的费用)。
通常情况下,目标服务提供者的事故发生风险概率越高,则目标服务提供者的租车价格应当越高。
在确定了针对目标服务提供者收取的服务费用标准后,就可以根据服务费用标准来向目标服务提供者收取费用,对应的,本申请的方法也可以改为汽车服务费用标准确定方法。
实际生活中,发生的交通事故的事故类型是多种多样的,比如,按照事故双方的类型来区分,可以分为机动车与机动车之间的事故、机动车与行人之间的事故和机动车单方面事故。又比如按照事故的重大程度来区分,可以分为轻微事故、一般事故、重大事故和特大事故。进而,在确定事故发生风险概率时,可以针对性的确定发生某种事故类型的风险概率,这样在后续处理时能够更加有针对性。
也就是,步骤S103可以按照如下方式执行:
将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者发生至少一种事故类型的风险概率。
也就是,驾驶风险评价模型所输出的结果可以是某一个事故类型的风险概率,也可以是同时输出不同事故类型的风险概率,即驾驶风险评价模型是同时输出事故类型和对应的风险概率。
如下表2所示,示出了驾驶风险评价模型所输出的结果的一种形式。
表2
如表2所示,计算得到的结果表示服务提供者1发生事故类型A的风险概率为0.75;服务提供者1发生事故类型B的风险概率为0.12;服务提供者1发生事故类型C的风险概率为0.58;服务提供者1发生事故类型D的风险概率为0.22;服务提供者1发生事故类型D的风险概率为0.31。在具体实现的时候,驾驶风险评价模型可以直接输出如表2的表格,也可以采用其他输出的形式输出相同的内容。其中,事故类型A可以是指交通事故双方均为机动车的事故,事故类型B可以是指交通事故双方分别为机动车和行人的事故,事故类型C可以是指重大交通事故,事故类型D可以是指轻微事故、事故类型E可以是指一般事故。
具体实现时,步骤S103中,驾驶风险评价模型可以只输出某一种事故类型的风险概率,也可以同时分别输出至少两种事故类型的风险概率。驾驶风险评价模型具体输出某一种事故类型的风险概率,还是分别输出至少两种事故类型的风险概率是受对模型进行训练的过程所约束,也就是需要看训练模型的样本是否是针对不同的事故类型所设置的。
进而,在驾驶风险评价模型能够输出某种事故类型的风险概率后,就可以更有针对性的确定后续的处理方式,比如可以让目标服务提供者针对性的进行学习。如上表1中的情况,可以先查找出风险概率超过预设阈值的事故类型,之后再向目标服务提供者推送和查找出的事故类型相对应的学习课程。
也就是,本申请所提供的方法中,步骤根据目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略可以包括如下步骤:
查找风险概率符合预设要求的事故类型;
根据查找到的事故类型确定目标服务提供者的网约车派单策略。
具体实现时,可以先选择出目标服务提供者不容易出现事故的事故类型,之后,再根据不容易出现事故的事故类型确定向目标服务提供者进行派单的策略。或者是先选择出目标服务提供者容易出现事故的事故类型,之后,再根据容易出现事故的事故类型确定向目标服务提供者进行派单的策。也就是,步骤查找风险概率符合预设要求的事故类型可以按照如下方式执行:
查找风险概率低于预设数值的事故类型;
或,查找风险概率高于预设数值的事故类型。
比如,目标服务提供者所对应的风险概率较低的事故类型为高速公路事故,则确定的网约车派单策略就是多派发长途单(长途单更多的在高速公路上跑)。又比如,目标服务提供者所对应的风险概率较高的事故类型为夜间行驶时发生的交通事故,则确定的网约车派单策略就是只向目标服务提供者派发白天的网约车订单。
除了确定网约车订单,本申请所提供的方法中,步骤根据目标服务提供者的事故发生风险概率,确定针对目标服务提供者收取的服务费用标准可以包括如下步骤:
查找风险概率符合预设要求的事故类型;
根据查找到的事故类型确定针对目标服务提供者收取的服务费用标准。
也就是先选择出目标服务提供者容易出现事故的事故类型,之后,再根据容易出现事故的事故类型确定向目标服务提供者收取的服务费用标准。还可以是先选择出目标服务提供者不容易出现事故的事故类型,之后,再根据不容易出现事故的事故类型确定向目标服务提供者收取的服务费用标准。此处的收费标准通常有两种,分别是保险费和租车的费用。
也就是,步骤查找风险概率符合预设要求的事故类型可以按照如下方式执行:
查找风险概率低于预设数值的事故类型;
或,查找风险概率高于预设数值的事故类型。
比如,目标服务提供者所对应的风险概率较高的事故类型为重大事故,则向该服务提供者所收取的保险费(服务费用标准的一种)就应当是高于一般服务提供者的。
又比如,目标服务提供者所对应的风险概率较高的事故类型为高速公路事故,则向该服务提供者所收取的异地租车费(服务费用标准的一种)就应当是高于一般服务提供者的(异地租车通常表示该服务提供者需要跑高速公路)。
又比如,目标服务提供者所对应的风险概率较低的事故类型为A保险所对应的交通事故,则向该服务提供者所收取的A保险所对应的交通事故的保险费(服务费用标准的一种)就应当低于一般服务提供者的。
通常情况下,服务提供者的驾驶习惯可能在较长时间内会保持不变,但服务提供者的驾驶状态可能在某段时间发生明显变化。如某段时间服务提供者严重缺乏睡眠,这可能会增加事故出现的概率,为了更加准确的对风险概率进行确定,可以在将历史驾驶行为数据输入到训练完成的驾驶风险评价模型之前,可以先对历史驾驶行为数据进行预处理,以将历史驾驶行为数据改变为更有对比价值的数据。比如可以按照预定的时间窗来基于历史驾驶行为数据确定特征值。
比如,服务提供者A在全年共发生了140次的急刹车,其中,
1月份急刹车25次;2月份急刹车15次;
3月份急刹车20次;4月份急刹车8次;
5月份急刹车2次;6月份急刹车4次;
7月份急刹车6次;8月份急刹车5次;
9月份急刹车10次;10月份急刹车10次;
11月份急刹车15次;12月份急刹车20次;
可以看出,服务提供者A在1-3月份和11-12月份的刹车次数是比较高的,4、9-10月份的刹车次数是中等的,5-8月份的刹车次数是较低的。进而,在确定特征值的时候,如果只使用全年的总量来看,服务提供者A的刹车数量是属于正常值的,但如果采用以月份为单位的时间窗口来查看,则可以看到1-3月份和11-12月份的刹车次数过高,也就是,如果将1-3月份或11-12月份的刹车次数作为输入到驾驶风险评价模型中的特征值的话,则更有针对性,更能够表征出服务提供者的驾驶特点。
也就是,本申请所提供的方法中,步骤S102可以按照如下方式实现:基于历史驾驶行为数据,确定在多个不同的时间窗中的每个时间窗内,目标服务提供者在多种驾驶行为统计特征下的特征值。
当然,时间窗的时间长度并不必然是以月为单位,还可以是以周为单位,或者是以季度、两个月、两周等时间长度为单位。多个时间窗所对应的时间不一定是相邻的,比如多个时间窗所对应的时间分别是2018年1月份、2018年4月份和2018年8月份。
多个时间窗所对应的时间可以是重叠的,也可以是不重叠的。比如多个时间窗所对应的时间分别是最近一周、最近半个月和最近一个月。
通过获取在不同时间窗中的特征值,可以基于一个大型的历史驾驶行为数据得到不同时间段中的特征值,使得输入到驾驶风险评价模型中的特征值更有针对性。
步骤S103中,向驾驶风险评价模型中所输入的特征值的形式有多种。比如特征值中,闯红灯数据的形式可以是“是否发生闯红灯等行为”,也可以是“闯红灯的次数”,但这种表示历史驾驶行为数据的方式是有一定的缺陷的。
比如,服务提供者A和服务提供者B在1月份的历史驾驶行为数据均有10次刹车,但可能A开了1000公里,而B只开了10公里,所以只看总刹车次数进行比较是没有意义的。也就是,在使用特征值对服务提供者的驾驶行为进行表达的时候,不应当只按照单纯的某个行为的发生次数进行统计,而应当按照预定的统计粒度(或统计频率)来表达特征值。即,本申请所提供的方案中,特征值是按照预定的至少一种统计粒度进行统计的特征值,或者说,步骤S102可以按照如下方式实现:
基于历史驾驶行为数据,按照预设的至少一种统计粒度,确定目标服务提供者在多种驾驶行为统计特征下的特征值。
其中,统计粒度指的是一种统计单位,比如统计粒度可以是某个距离单位,如每公里、每百公里;统计粒度也可以是某个时间单位,如每小时、每天等等。按照预定的统计粒度所表达的特征值可以是每公里的刹车次数、每小时的超速次数、超速距离(在超速状态下所行驶的距离)等。
进而,按照指定的统计粒度来生成目标服务提供者在多种驾驶行为统计特征下的特征值,能够使得不同服务提供者之间的对比更加公平。也能够提高步骤S103中,驾驶风险评价模型所输出的结果的准确性,从而提高方案整体的准确性。
除了按照统计粒度来表达特征值,还可以采用其他的方式来提高方案的准确性。具体的,通常情况下,特征值均是独立的特征,比如超速、疲劳驾驶、驾驶过程中玩手机,这些都是单一的(独立的)特征,在具体实现的时候,只是用单一的特征可能无法准确的反映服务提供者的驾驶行为,因此,可以通过使用组合特征的方式来表达特征值。
比如,有如下独立的三个特征:用户A在11点-11点20分之间发生了超速行为,用户A在11点10分-11点20分之间发生了疲劳驾驶行为;用户A在11点-11点10分之间发生了驾驶过程中玩手机行为。进而,模型在学习的时候,也是将这些特征作为相互独立的特征来看待的。但如果将这三个特征进行组合的话,就可以变成组合特征,如上述三个特征可以组合为:用户A在11点10分-11点20分之间同时发生了疲劳驾驶行为和超速行为;用户A在11点-11点10分之间同时发生了驾驶过程中玩手机行为和超速行为。也就是,在同一个时间或者是同一个驾驶路段上,同时发生了两个可以作为特征的行为,这两个行为(如疲劳驾驶和驾驶过程中玩手机)同时发生使服务提供者发生交通事故的概率,通常要比这两个行为单独发生使服务提供者发生交通事故的概率更大。也就是,使用组合特征能够更加准确的表征服务提供者的驾驶行为,从而使得驾驶风险评价模型输出的结果更加准确。
可见,在描述服务提供者的驾驶行为的时候,如果使用组合特征,可以更加明确的反映出服务提供者的驾驶行为。也就是,本申请所提供的方法中,多种驾驶行为统计特征中包括独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征。
组合特征通常是将发生时间相重叠或者是发生时间上相连续的行为组合到一起所形成的。
此处,发生时间相重叠指的是两个或多个行为之间同时发生,或者是某个行为在发生的过程中又同时发生了其他的行为。比如,疲劳驾驶的过程中同时打电话,又比如,夜间驾驶的时候同时玩手机等。
此处,发生时间上相连续指的是两个或多个行为前后发生,或者是说上一个行为刚结束就发生了下一个行为。比如急刹车刚结束之后,就开始急转向的行为;又比如,超速结束之后,马上发生打电话的行为。
在具体实现时,多种驾驶行为统计特征中可以只包括独立的驾驶行为统计特征,也可以只包括将多种独立的驾驶行为统计特征关联后的组合特征。
具体而言,历史驾驶行为数据可以分为四个类别,分别是历史驾驶状态数据、违规驾驶数据、分心驾驶数据、激进驾驶数据。在具体实现时,历史驾驶行为数据可以包括以下数据类型中的一种或多种:历史驾驶状态数据;违规历史驾驶行为数据;分心历史驾驶行为数据;激进历史驾驶行为数据。
其中,历史驾驶状态数据用于反映服务提供者在驾驶车辆时的自身状态,和/或环境状态。历史驾驶状态数据可以包括以下的任意一种或多种:疲劳驾驶的数据、行驶时间的数据、行驶地域的数据。其中,服务提供者的自身状态可以是驾驶状态是否是疲劳驾驶;环境状态可以是,驾驶车辆时所处的时间是否是不利于驾驶的时间,还可以是所处的地域(也可以理解为路段),不利于驾驶的时间如有大雾的时间、下雨雪的时间、夜晚时间等。历史驾驶状态数据可以通过行车记录仪或手机来获取。
违规驾驶数据用于反映服务提供者在驾驶的过程中出现的违反交通法律规的数据,比如违规历史驾驶行为数据包括以下的任意一种或多种:闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据。违规驾驶数据通常是通过交管局等可信的第三方平台获取,当然,某些情况下也可以通过行车记录仪或手机来获取违规驾驶数据,但获取方式相对复杂一些。
分心驾驶数据用于反映服务提供者没有专注于驾驶的情况,比如分心历史驾驶行为数据包括以下的任意一种或多种:开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据。分心驾驶数据通常只能够通过行车记录仪或者是手机来获取。
激进驾驶数据用于反映服务提供者开车不够柔和的情况。比如激进驾驶数据可以反映服务提供者连续且快速的变道的情况、过路口不减速的情况、急加速的情况、急刹车的情况。分心驾驶数据通常只能够通过行车记录仪或者是手机来获取。即,激进历史驾驶行为数据包括以下的任意一种或多种:过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
具体实现的时候,获取到的历史驾驶行为数据可以包括历史驾驶状态数据、违规驾驶数据、分心驾驶数据、激进驾驶数据中的至少一个。具体而言,可以分为如下四种情况:
第一种情况,历史驾驶行为数据可以包括历史驾驶状态数据、违规驾驶数据、分心驾驶数据、激进驾驶数据中的任意一个。即,历史驾驶行为数据可以只包括历史驾驶状态数据;或,历史驾驶行为数据可以只包括违规驾驶数据;或,历史驾驶行为数据可以只包括分心驾驶数据;或,历史驾驶行为数据可以只包括激进驾驶数据。
第二种情况,历史驾驶行为数据可以包括历史驾驶状态数据、违规驾驶数据、分心驾驶数据、激进驾驶数据中的任意两个;即,历史驾驶行为数据可以只包括历史驾驶状态数据和违规驾驶数据;或,历史驾驶行为数据可以只包括历史驾驶状态数据和分心驾驶数据;或,历史驾驶行为数据可以只包括历史驾驶状态数据和激进驾驶数据;或,历史驾驶行为数据可以只包括违规驾驶数据和分心驾驶数据;或,历史驾驶行为数据可以只包括违规驾驶数据和激进驾驶数据;或,历史驾驶行为数据可以只包括分心驾驶数据和激进驾驶数据。
第三种情况,历史驾驶行为数据可以包括历史驾驶状态数据、违规驾驶数据、分心驾驶数据、激进驾驶数据中的任意三个;即,历史驾驶行为数据可以只包括历史驾驶状态数据、违规驾驶数据和分心驾驶数据;或,历史驾驶行为数据可以只包括历史驾驶状态数据、违规驾驶数据和激进驾驶数据;或,历史驾驶行为数据可以只包括历史驾驶状态数据、分心驾驶数据和激进驾驶数据;或,历史驾驶行为数据可以只包括违规驾驶数据、分心驾驶数据和激进驾驶数据。
第四种情况,历史驾驶行为数据包括如下全部四个数据:历史驾驶状态数据、违规驾驶数据、分心驾驶数据、激进驾驶数据。
通常情况下,历史驾驶行为数据能够表征服务提供者的驾驶行为或者是驾驶状态,历史驾驶行为数据是通过对服务提供者的驾驶行为进行监控,进而得到的。具体监控的方式可以是通过行车记录仪进行监控,也可以是通过手机APP,或交管局的服务器来获取。
比如,通过行车记录仪能够快速的确定疲劳驾驶数据。确定疲劳驾驶数据的过程可以是通过如下步骤实现的:
步骤1,通过行车记录仪获取服务提供者监控视频;
步骤2,使用图像识别模型对服务提供者监控视频中的多帧监控图像进行识别,以确定服务提供者监控视频中的服务提供者(目标服务提供者)的疲劳驾驶数据(服务提供者的驾驶状态是否处于疲劳驾驶状态)。
具体的,服务提供者监控视频中多帧监控图像可以并不是拍摄时间上紧邻的,比如,生成服务提供者监控视频的摄像设备可以每隔0.1秒生成一帧监控图像,从而在0-1秒内共顺序生成第一帧图像、第二帧图像…第十帧图像这十帧图像;步骤2中进行识别的多帧图像可以是这十帧图像中的第一帧图像、第二帧图像和第三帧图像;也可以是第一帧图像、第三帧图像、第五帧图像和第七帧图像。选择的多帧监控图像优选是能够覆盖服务提供者监控视频整个时间段的,从而保证统计的全面性,比如,服务提供者监控视频共有100秒,则可以每隔1S选择一帧图像作为监控图像。
步骤2中,确定服务提供者的驾驶状态是否处于疲劳驾驶状态可以是按照如下的方式执行:根据监控图像计算服务提供者的闭眼时间长度,而后,再根据闭眼时间长度确定服务提供者的驾驶状态是否为疲劳驾驶状态(闭眼时间长度过长,则确定服务提供者处于疲劳驾驶状态,即疲劳驾驶数据表示目标服务提供者处于疲劳驾驶状态);或根据监控图像计算服务提供者的张嘴时间长度,而后,再根据张嘴时间长度确定服务提供者的驾驶状态是否为疲劳驾驶状态(张嘴时间长度过长,则说明服务提供者在打哈欠,进而可以确定服务提供者处于疲劳驾驶状态,即疲劳驾驶数据表示目标服务提供者处于疲劳驾驶状态)。
行驶时间数据是用来表征目标服务提供者的在驾驶汽车时所处的时间段的数据,比如服务提供者是否处于夜间驾驶状态(通常情况下,夜间驾驶更为危险)。行驶时间数据的确定方式比较简单,可以直接通过网络时间来确定,还可以通过授时系统来确定。如果是通过授时系统来确定,则行驶时间数据也可以是通过设置在汽车上的授时装置(如行车记录仪)来确定。
闯红灯数据通常优选通过交管局的系统来直接获得。也可以通过行车记录仪来获得闯红灯数据。比如可以按照如下步骤来确定闯红灯数据:
步骤3,通过行车记录仪分别获取到车辆(目标服务提供者驾驶的车辆)的通过路口停止线的时间,和获取到通过交通信号灯时,对交通信号灯进行拍摄的信号灯视频;
步骤4,通过对信号灯视频进行图像识别,确定红灯开始的时间;
步骤5,通过比较红灯开始的时间和车辆(目标服务提供者驾驶的车辆)的通过路口停止线的时间,确定闯红灯数据。
步骤5中所确定出的闯红灯数据能够反映出服务提供者通过路口时是否发生了闯红灯的情况。
超速数据通常反映了用户在指定路段,或各个路段的超速情况。
超速数据可以直接通过行车记录仪或者是手机等移动终端来获得。比如,通过行车记录仪或手机可以确定用户的位置信息,根据用户的位置信息可以确定出当前所处的路段的限速值,而后,通过实时测速的技术就可以获取到用户驾驶的实际速度,而后,根据实际速度和限速值的大小关系就可以确定出超速数据了。
开车打电话数据、开车玩手机数据、双手离开方向盘数据、和乘客交谈的数据都可以采用图像识别的方式来确定,比如,可首先获取到服务提供者监控视频,然后将服务提供者监控视频输入到识别模型来判断服务提供者是否处于开车打电话的状态,判断服务提供者是否处于开车玩手机状态,判断服务提供者是否处于双手离开方向盘的状态,判断服务提供者是否处于和乘客交谈的状态(服务提供者和乘客处于交谈状态则服务提供者和乘客的嘴部会处于张开和闭合的交替状态)。
开车打电话数据和开车玩手机数据还可以通过手机的使用状态来确定。比如,在开车的时候如果手机产生了通话记录,则说明服务提供者在开车的过程中打了电话(通过开车打电话数据来表示),还可以通过在服务提供者的手机中的某个程序内埋点,在服务提供者有了打电话的行为之后,程序就会自动的进行记录。类似的,在开车的时候如果手机的某个应用被使用了,则说明了用户有了开车玩手机的行为(通过开车玩手机数据来表示)。
类似的,过路口不减速数据、急变道数据、急加速数据和急刹车数据也可以直接通过行车记录仪或者是手机等移动终端来获得。具体获取的方式是可以是基于定位数据来确定的。比如,可以先获取到服务提供者的行驶路线,如果行驶路线表示服务提供者在经过路口的时候,车速还是比较高,则说明服务提供者过路口没有进行减速(通过过路口不减速数据来表示)。如果服务提供者在向前行进的过程中,在预定时间内完成了大量的横向位移,则说明服务提供者存在急变道的情况(通过急变道数据来表示)如果服务提供者在向前行进的过程中,车辆时速快速下降,则说明服务提供者存在急刹车的情况(通过急刹车数据来表示)。
也就是,具体实现的时候,历史驾驶行为数据中可以包括历史驾驶状态数据、违规历史驾驶行为数据、分心历史驾驶行为数据和激进历史驾驶行为数据中任一个数据的至少一个具体数据。
历史驾驶行为数据可以包括以下数据中的任意一种或多种:
疲劳驾驶的数据、行驶时间的数据、行驶地域的数据、闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据、开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据、过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
以上内容说明了确定目标服务提供者的事故发生风险概率的过程,和利用事故发生风险率进一步进行处理的过程。在确定目标服务提供者的事故发生风险概率时,需要使用到驾驶风险评价模型,下面对驾驶风险评价模型的训练过程进行说明。
也就是,如图2所示,本申请所提供的方法中,还包括根据以下步骤训练驾驶风险评价模型:
S301,获取训练样本集;训练样本集中包括在样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在历史目标时间段之前的历史驾驶行为数据;
S302,基于训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型。
通常情况下,模型训练的过程,就是让模型学习历史驾驶行为数据和对应的交通事故发生结果的关联关系。进而,模型在通过学习了大量的训练样本之后,就可以对历史驾驶行为数据与驾驶风险之间的关联关系有了较为明确的认识。具体的,训练样本的具体体现形式可以是如下表3的形式:
表3
如上表3所示,训练样本中有三种数据,分别是服务提供者编号、历史驾驶行为数据(是否夜间行驶、是否疲劳驾驶、超速次数、实线并线次数、行驶路段、是否开车打电话、是否急加速)和在历史目标时间段内的交通事故发生结果(是否发生交通事故,或者是交通事故的具体类型,或内容)。具体实现时,应当至少有历史驾驶行为数据和对应的在历史目标时间段内的交通事故发生结果。
历史驾驶行为数据与前文中所说明的获取方式可以是相同的,比如可以是通过行车记录仪获取的,可以是通过服务提供者或乘客的手机获取的,也可以是通过交管局或某些第三方平台来获取。具体的获取方式此处不再重复说明。
样本服务提供者在历史目标时间段内的交通事故发生结果的来源通常只有两个,一个是通过交管局或某些第三方平台来获取,另一个是用户主动上报。还可以是通过爬虫技术来抓取新闻或交通事故通报中的内容来确定。
具体的,参考模型可以选择常见的分类器,如逻辑回归(Logistics Regression)模型,支持向量机(Support Vector Machine)模型,决策树(Decision Tree)模型,以及梯度提升决策树(Gradient Boosting Decision Tree)模型。除此之外,也可以选择使用深度机器学习(神经网络)模型。若使用神经网络模型,则在将数据输入到模型前,需要对数据进行归一化处理,并采取适合的初始化方案(例如,让网络中的初始化权重服从高斯分布,让ReLU激活函数的bias为0.1等),以保证模型可以收敛到一个较优的状态。
样本服务提供者在历史目标时间段之前的历史驾驶行为数据历史驾驶行为数据包括以下数据类型中的一种或多种:
历史驾驶状态数据;违规历史驾驶行为数据;分心历史驾驶行为数据;激进历史驾驶行为数据。
其中,历史驾驶状态数据包括以下的任意一种或多种:
疲劳驾驶的数据、行驶时间的数据、行驶地域的数据;
违规历史驾驶行为数据包括以下的任意一种或多种:
闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据;
分心历史驾驶行为数据包括以下的任意一种或多种:
开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据;
激进历史驾驶行为数据包括以下的任意一种或多种:
过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
上述各个数据的含义在前文中已经说明,此处不再重复说明。
通常,历史驾驶行为数据和交通事故发生结果的表现形式并不是唯一的,如表3中的行驶时间数据是通过是否夜间行驶来表征的,还可以通过如夜间行驶时间段(如凌晨1点-2点)来表征,类似的,此处还可以写雾天行驶时间段等。对应的,任一种历史驾驶状态数据的表达形式都不是唯一的,可以通过是否来表达,也可以通过具体的时间段、时间点的形式来表达,还可以通过次数、频率来表达,也可以通过每公里的发生次数的方式来表达,具体的表达形式可以根据具体的数据情况和需求情况来选择。
在实际操作的时候,获取的训练样本集通常是直接从数据源(行车记录仪、手机或交管局)处获取到的,这些直接获取到的数据的质量参差不齐,某些样本对于训练没有正面帮助,比如,在历史目标时间段内没有驾驶记录的服务提供者,就不应当作为参考的对象,进而,本申请所提供的方法中,步骤获取训练样本集,包括:
获取在历史目标时间段内具有驾驶记录的样本服务提供者的交通事故发生结果和历史驾驶行为数据。
也就是,只有在历史目标时间段内有过驾驶记录的样本服务提供者的交通事故发生结果和历史驾驶行为数据才可以进入到训练样本集中。
比如,本次训练是期望确定在夜间行驶行为和发生交通事故的概率的关系,此时,如果某个服务提供者没有夜间行驶(历史目标时间段就是夜间的时间段)的记录,则该服务提供者就不应当作为样本服务提供者,该服务提供者的驾驶记录也不应当作为训练样本集中的样本。
某种情况下,为了提高训练的精准程度,可以要求进入到训练样本集中的样本服务提供者应当是在历史目标时间段内的驾驶时间超过预定时间(如一小时)的服务提供者。因此,获取训练样本集的步骤也可以按照如下方式实现:
获取在历史目标时间段内的驾驶时间超过预定时间阈值的样本服务提供者的交通事故发生结果和历史驾驶行为数据。即,将在历史目标时间段内的驾驶时间超过预定时间阈值的样本服务提供者的交通事故发生结果和历史驾驶行为数据作为训练样本集中的训练样本。
训练时,训练样本集可以分为正样本训练集和负样本训练集,正样本训练集和负样本训练集的样本比例会影响训练的结果,或者是说,对同一个模型进行训练的时候,使用的样本不同,所训练得到的模型也是不同的。
某种情况下,训练样本的数量并不会必然导致训练模型的质量提高,也就是并不是提供给模型进行训练的样本量大,就会使得模型能够训练的更加精准。因此,本方案中,采用训练多个模型,并从训练好的模型中选择出最终使用的模型的方式对模型进行训练。
也就是,步S302基于训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型包括:
步骤3021,按照不同的正负样本比例,使用训练样本集中的训练样本组成多个参考样本集;每个参考样本集的正负样本比例是不同的;
步骤3022,分别使用每个参考样本集对不同的参考模型进行训练,以得到多个训练完成的候选模型;
步骤3023,使用验证样本集分别对每个训练完成的候选模型进行检验,以确定候选模型中的指定一个模型作为训练完成的驾驶风险评价模型。
步骤3021中,主要是基于原始的训练样本集来生成多个参考样本集。其中,参考样本集中的样本均是从原始样本集中获得的。不同参考样本集中可以存在有相同的样本,但不同参考样本集中的样本内容不应当是完全相同的,以此,来保证训练出的模型是有差别的。
具体的,如在步骤3021中获取到如下3个参考样本集,参考样本集A、参考样本集B和参考样本集C,其中,参考样本集A的正负样本比例为1:0.8,参考样本集B的正负样本比例为1:0.6,参考样本集C的正负样本比例为1:0.4。即使某个参考样本集中完全包含有另一个参考样本集中的样本,但由于一个参考样本集中还有另一个参考样本中所没有的样本,这基本保证了使用这两个训练样本集所训练得到的模型是有一定差别的。
进而,在步骤3022中,使用这三个样本集分别对参考模型进行训练就可以得到三个参考模型,分别是使用参考样本集A对参考模型进行训练得到的候选模型、使用参考样本集B对参考模型进行训练得到的候选模型和使用参考样本集C对参考模型进行训练得到的候选模型。这三次训练所使用的参考模型可以是相同的,也可以是不同的,此处,对模型的相同性不做要求。
由于对参考模型进行训练所使用的训练样本集是不同的,这使得这三次训练得到的模型也是有一定差别的。
步骤3023中,验证样本集中也应当包括样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在历史目标时间段之前的历史驾驶行为数据。通常,训练样本集和验证样本集中的样本格式是基本相同的,比如,训练样本集中的训练样本至少有样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在历史目标时间段之前的历史驾驶行为数据;验证样本集中的验证样本至少有服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在历史目标时间段之前的历史驾驶行为数据。实际操作的时候,可以将某个完整的样本集中的样本直接分为两部分,即分为训练样本集和验证样本集,训练样本集和验证样本集中的样本通常是不相同的。
步骤3023中,使用验证样本集分别对每个候选模型进行检验,能够得到检验结果,此处的检验结果即表征了模型的识别准确度,直走在根据检验结果,确定指定的候选模型作为驾驶风险评价模型。
步骤3023的具体实现过程如下:
将验证样本中的历史驾驶行为数据输入到候选模型中,以获取候选模型所输出的服务提供者出现事故的估算概率;
根据估算概率与验证样本中的交通事故发生结果的情况(服务提供者实际发生交通事故的情况)来确定候选模型的识别准确度;
选择识别准确度最高的候选模型作为驾驶风险评价模型。
其中,计算识别准确度的方式可以是任意的,但应当保证的是估算概率与服务提供者实际发生交通事故的情况越相近,则该候选模型的识别准确度应当越高。
比如,分别向每个候选模型中输入相同的历史驾驶行为数据,模型A估算出现事故的概率为0.4,模型B估算出现事故的概率为0.8,实际上服务提供者发生了事故,则说明模型B估算的更为准确,应当使用模型B作为驾驶风险评价模型。
实际操作的时候,可以根据候选模型输出的估算概率和验证样本中的交通事故发生结果的情况计算出候选模型的识别准确度(识别准确度用于表征候选模型估算出的概率与实际发生的交通事故的契合程度),之后再根据每个候选模型的识别准确度来确定使用哪个候选模型作为驾驶风险评价模型。
比如检验结果可以是:候选模型A的识别准确度为0.86,候选模型B的识别准确度为0.92,候选模型C的识别准确度为0.94。那么这三个模型中应当选择候选模型C作为驾驶风险评价模型。
通过生成多个候选模型,并从候选模型中选择驾驶风险评价模型的方式,能够一定程度上提高模型获取的准确性和合理性。
具体的,实际生活中,发生的交通事故的事故类型是多种多样的,比如,按照事故双方的类型来区分,可以分为机动车与机动车之间的事故、机动车与行人之间的事故和机动车单方面事故。又比如按照事故的重大程度来区分,可以分为轻微事故、一般事故、重大事故和特大事故。在对模型进行训练的时候,优选的,样本训练集中还标注有交通事故发生结果所对应的事故类型。也就是负样本训练集中包括多种事故类型下的服务提供者分别对应的样本训练集。
通常情况下,服务提供者的驾驶习惯可能在较长时间内不会有太大的差别,但服务提供者的驾驶状态可能在某段时间发生明显变化。如某段时间服务提供者严重缺乏睡眠,这可能会增加事故出现的概率,为了更加准确的提高训练样本,可以先对历史驾驶行为数据进行预处理,以将历史驾驶行为数据改变为更有对比价值的数据。
也就是,本申请所提供的方法中,步骤基于训练样本集,对参考模型进行训练,可以按照如下方式实现:
基于样本服务提供者在历史目标时间段之前的历史驾驶行为数据,确定在多个不同的时间窗中的每个时间窗内,样本服务提供者在多种驾驶行为统计特征下的特征值;
使用样本服务提供者在多种驾驶行为统计特征下的特征值,和样本服务提供者在历史目标时间段内的交通事故发生结果,对参考模型进行训练,以得到训练完成的驾驶风险评价模型。
其中,时间窗的时间长度可以是以月、周为单位,或者是以季度、两个月、两周等时间长度为单位。
具体的,特征值的形式有多种。比如特征值中,闯红灯数据的形式可以是“是否发生闯红灯等行为”,也可以是“闯红灯的次数”,但这种表示历史驾驶行为数据的方式是有一定的缺陷的。比如,可以按照预定的统计粒度来表达特征值,即特征值是按照预定的至少一种统计粒度进行统计的特征值。
其中,统计粒度指的是一种统计单位,比如统计粒度可以是每公里、每小时、每天等等。按照预定的统计粒度所表达的特征值可以是每公里的刹车数值、每小时的超速情况等。
除了按照统计粒度来表达特征值,还可以采用其他的方式来提高特征值的针对性。具体的,通常情况下,特征值均是独立的特征,比如超速、疲劳驾驶、驾驶过程中玩手机,这些都是单一的(独立的)特征,在具体实现的时候,只是用单一的特征可能无法准确的反映服务提供者的驾驶行为,因此,可以通过使用组合特征的方式来表示特征值。
在描述服务提供者的驾驶行为的时候,如果使用组合特征,可以更加明确的反映出服务提供者的驾驶行为。也就是,本申请所提供的方法中,多种驾驶行为统计特征中包括独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征。
当然,在具体实现时,样本服务提供者在多种驾驶行为统计特征下的特征值中可以只包括表达一种驾驶行为的特征值,也可以只包括表达多种驾驶行为的特征值。
与上述方法相对应的,本申请还提供了一种驾驶风险确定装置,包括:
第一获取模块,用于获取目标服务提供者的历史驾驶行为数据;
第一确定模块,用于基于历史驾驶行为数据,确定目标服务提供者在多种驾驶行为统计特征下的特征值;
第二确定模块,用于将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者的事故发生风险概率。
优选的,第二确定模块包括:
第一确定单元,用于将目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定目标服务提供者发生至少一种事故类型的风险概率。
优选的,第一确定模块包括:
第二确定单元,用于基于历史驾驶行为数据,确定在多个不同的时间窗中的每个时间窗内,目标服务提供者在多种驾驶行为统计特征下的特征值。
优选的,历史驾驶行为数据包括以下数据类型中的一种或多种:
历史驾驶状态数据;违规历史驾驶行为数据;分心历史驾驶行为数据;激进历史驾驶行为数据。
优选的,历史驾驶状态数据包括以下的任意一种或多种:
疲劳驾驶的数据、行驶时间的数据、行驶地域的数据;
违规历史驾驶行为数据包括以下的任意一种或多种:
闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据;
分心历史驾驶行为数据包括以下的任意一种或多种:
开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据;
激进历史驾驶行为数据包括以下的任意一种或多种:
过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
优选的,多种驾驶行为统计特征中包括独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征。
优选的,还包括:
第三确定模块,用于根据目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略;
派单模块,用于根据网约车派单策略向目标服务提供者派发网约车订单。
优选的,还包括:
第四确定模块,用于根据目标服务提供者的事故发生风险概率,确定针对目标服务提供者收取的服务费用标准。
优选的,还包括:
第二获取模块,用于获取训练样本集;训练样本集中包括在样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在历史目标时间段之前的历史驾驶行为数据;
训练模块,用于基于训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型。
优选的,第二获取模块包括:
第一获取单元,用于获取在历史目标时间段内具有驾驶记录的样本服务提供者的交通事故发生结果和历史驾驶行为数据。
优选的,训练模块包括:
第二获取单元,用于按照不同的正负样本比例,使用训练样本集中的训练样本组成多个参考样本集;每个参考样本集的正负样本比例是不同的;
训练单元,用于分别使用每个参考样本集对不同的参考模型进行训练,以得到多个训练完成的候选模型;
检验单元,用于使用验证样本集分别对每个训练完成的候选模型进行检验,以确定候选模型中的指定一个模型作为训练完成的驾驶风险评价模型。
优选的,负样本训练集中包括多种事故类型下的服务提供者分别对应的样本训练集。
与上述方法相对应的,本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行任一驾驶风险确定方法。
如图4所示,为本申请实施例所提供的计算设备示意图,该计算设备1000包括:处理器1001、存储器1002和总线1003,存储器1002存储有执行指令,当计算设备运行时,处理器1001与存储器1002之间通过总线1003通信,处理器1001执行存储器1002中存储的驾驶风险确定方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (26)
1.一种驾驶风险确定方法,其特征在于,包括:
获取目标服务提供者的历史驾驶行为数据;
基于所述历史驾驶行为数据,确定所述目标服务提供者在多种驾驶行为统计特征下的特征值;
将所述目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定所述目标服务提供者的事故发生风险概率。
2.根据权利要求1所述的方法,其特征在于,将所述目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定所述目标服务提供者的事故发生风险概率,包括:
将所述目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定所述目标服务提供者发生至少一种事故类型的风险概率。
3.根据权利要求1所述的方法,其特征在于,基于所述历史驾驶行为数据,确定所述目标服务提供者在多种驾驶行为统计特征下的特征值,包括:
基于所述历史驾驶行为数据,确定在多个不同的时间窗中的每个时间窗内,所述目标服务提供者在多种驾驶行为统计特征下的特征值。
4.根据权利要求1所述的方法,其特征在于,所述历史驾驶行为数据包括以下数据类型中的一种或多种:
历史驾驶状态数据;违规历史驾驶行为数据;分心历史驾驶行为数据;激进历史驾驶行为数据。
5.根据权利要求4所述的方法,其特征在于,所述历史驾驶状态数据包括以下的任意一种或多种:
疲劳驾驶的数据、行驶时间的数据、行驶地域的数据;
所述违规历史驾驶行为数据包括以下的任意一种或多种:
闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据;
所述分心历史驾驶行为数据包括以下的任意一种或多种:
开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据;
所述激进历史驾驶行为数据包括以下的任意一种或多种:
过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
6.根据权利要求1所述的方法,其特征在于,所述多种驾驶行为统计特征中包括独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征。
7.根据权利要求1所述的方法,其特征在于,确定所述目标服务提供者的事故发生风险概率之后,还包括:
根据所述目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略;
根据所述网约车派单策略向目标服务提供者派发网约车订单。
8.根据权利要求1所述的方法,其特征在于,确定所述目标服务提供者的事故发生风险概率之后,还包括:
根据所述目标服务提供者的事故发生风险概率,确定针对所述目标服务提供者收取的服务费用标准。
9.根据权利要求1所述的方法,其特征在于,根据以下步骤训练所述驾驶风险评价模型:
获取训练样本集;所述训练样本集中包括在样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在所述历史目标时间段之前的历史驾驶行为数据;
基于所述训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型。
10.根据权利要求9所述的方法,其特征在于,所述获取训练样本集,包括:
获取在历史目标时间段内具有驾驶记录的样本服务提供者的所述交通事故发生结果和所述历史驾驶行为数据。
11.根据权利要求1所述的方法,其特征在于,步骤基于所述训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型包括:
按照不同的正负样本比例,使用训练样本集中的训练样本组成多个参考样本集;每个参考样本集的正负样本比例是不同的;
分别使用每个参考样本集对不同的参考模型进行训练,以得到多个训练完成的候选模型;
使用验证样本集分别对每个训练完成的候选模型进行检验,以确定候选模型中的指定一个模型作为训练完成的驾驶风险评价模型。
12.根据权利要求11所述的方法,其特征在于,所述负样本训练集中包括多种事故类型下的服务提供者分别对应的样本训练集。
13.一种驾驶风险确定装置,其特征在于,包括:
第一获取模块,用于获取目标服务提供者的历史驾驶行为数据;
第一确定模块,用于基于所述历史驾驶行为数据,确定所述目标服务提供者在多种驾驶行为统计特征下的特征值;
第二确定模块,用于将所述目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定所述目标服务提供者的事故发生风险概率。
14.根据权利要求13所述的装置,其特征在于,第二确定模块包括:
第一确定单元,用于将所述目标服务提供者在多种驾驶行为统计特征下的特征值输入预先训练的驾驶风险评价模型中,确定所述目标服务提供者发生至少一种事故类型的风险概率。
15.根据权利要求13所述的装置,其特征在于,第一确定模块包括:
第二确定单元,用于基于所述历史驾驶行为数据,确定在多个不同的时间窗中的每个时间窗内,所述目标服务提供者在多种驾驶行为统计特征下的特征值。
16.根据权利要求13所述的装置,其特征在于,所述历史驾驶行为数据包括以下数据类型中的一种或多种:
历史驾驶状态数据;违规历史驾驶行为数据;分心历史驾驶行为数据;激进历史驾驶行为数据。
17.根据权利要求16所述的装置,其特征在于,所述历史驾驶状态数据包括以下的任意一种或多种:
疲劳驾驶的数据、行驶时间的数据、行驶地域的数据;
所述违规历史驾驶行为数据包括以下的任意一种或多种:
闯红灯的数据、超速的数据、逆向行驶的数据、实线并线的数据;
所述分心历史驾驶行为数据包括以下的任意一种或多种:
开车打电话的数据、开车玩手机的数据、双手离开方向盘的数据、和乘客交谈的数据;
所述激进历史驾驶行为数据包括以下的任意一种或多种:
过路口不减速的数据、急变道的数据、急刹车的数据、急加速的数据。
18.根据权利要求13所述的装置,其特征在于,所述多种驾驶行为统计特征中包括独立的驾驶行为统计特征,和将多种独立的驾驶行为统计特征关联后的组合特征。
19.根据权利要求13所述的装置,其特征在于,还包括:
第三确定模块,用于根据所述目标服务提供者的事故发生风险概率,确定目标服务提供者的网约车派单策略;
派单模块,用于根据所述网约车派单策略向目标服务提供者派发网约车订单。
20.根据权利要求13所述的装置,其特征在于,还包括:
第四确定模块,用于根据所述目标服务提供者的事故发生风险概率,确定针对所述目标服务提供者收取的服务费用标准。
21.根据权利要求13所述的装置,其特征在于,还包括:
第二获取模块,用于获取训练样本集;所述训练样本集中包括在样本服务提供者在历史目标时间段内的交通事故发生结果,和样本服务提供者在所述历史目标时间段之前的历史驾驶行为数据;
训练模块,用于基于所述训练样本集,对参考模型进行训练,以得到训练完成的驾驶风险评价模型。
22.根据权利要求21所述的装置,其特征在于,所述第二获取模块包括:
第一获取单元,用于获取在历史目标时间段内具有驾驶记录的样本服务提供者的所述交通事故发生结果和所述历史驾驶行为数据。
23.根据权利要求13所述的装置,其特征在于,所述训练模块包括:
第二获取单元,用于按照不同的正负样本比例,使用训练样本集中的训练样本组成多个参考样本集;每个参考样本集的正负样本比例是不同的;
训练单元,用于分别使用每个参考样本集对不同的参考模型进行训练,以得到多个训练完成的候选模型;
检验单元,用于使用验证样本集分别对每个训练完成的候选模型进行检验,以确定候选模型中的指定一个模型作为训练完成的驾驶风险评价模型。
24.根据权利要求23所述的装置,其特征在于,所述负样本训练集中包括多种事故类型下的服务提供者分别对应的样本训练集。
25.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-12任一所述方法。
26.一种计算设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当计算设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至12任一所述的驾驶风险确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811253177.7A CN111105110A (zh) | 2018-10-25 | 2018-10-25 | 驾驶风险确定方法、装置、介质和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811253177.7A CN111105110A (zh) | 2018-10-25 | 2018-10-25 | 驾驶风险确定方法、装置、介质和计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111105110A true CN111105110A (zh) | 2020-05-05 |
Family
ID=70418126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811253177.7A Pending CN111105110A (zh) | 2018-10-25 | 2018-10-25 | 驾驶风险确定方法、装置、介质和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105110A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582589A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种租车出险预测方法、装置、设备及存储介质 |
CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
CN112232254A (zh) * | 2020-10-26 | 2021-01-15 | 清华大学 | 一种考虑行人激进度的行人风险评估方法 |
CN112288286A (zh) * | 2020-10-30 | 2021-01-29 | 上海仙塔智能科技有限公司 | 安全派单方法、安全派单系统及可读存储介质 |
CN113361086A (zh) * | 2021-05-31 | 2021-09-07 | 重庆长安汽车股份有限公司 | 一种智能驾驶行车安全约束方法及系统、车辆 |
CN113901627A (zh) * | 2020-06-22 | 2022-01-07 | 阿里巴巴集团控股有限公司 | 路线安全性评估方法和装置、电子设备以及计算机可读存储介质 |
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114923497A (zh) * | 2022-04-21 | 2022-08-19 | 西南交通大学 | 一种铁路出行的路径规划方法、装置、设备及存储介质 |
CN115035722A (zh) * | 2022-06-20 | 2022-09-09 | 浙江嘉兴数字城市实验室有限公司 | 基于时空特征和社交媒体相结合的道路安全风险预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112870A1 (en) * | 2009-11-12 | 2011-05-12 | Berg Gregory H | System and method for administering telematics based reinsurance pools |
US20160189068A1 (en) * | 2014-12-26 | 2016-06-30 | Panasonic Intellectual Property Corporation Of America | Risk information processing method and server device |
CN105930943A (zh) * | 2016-07-11 | 2016-09-07 | 上海安吉星信息服务有限公司 | 一种驾驶风险预测方法及装置 |
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN107909678A (zh) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | 一种行车风险评价方法及系统 |
CN108074396A (zh) * | 2016-11-10 | 2018-05-25 | 关晓芙 | 安全行驶评价方法及系统 |
-
2018
- 2018-10-25 CN CN201811253177.7A patent/CN111105110A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112870A1 (en) * | 2009-11-12 | 2011-05-12 | Berg Gregory H | System and method for administering telematics based reinsurance pools |
US20160189068A1 (en) * | 2014-12-26 | 2016-06-30 | Panasonic Intellectual Property Corporation Of America | Risk information processing method and server device |
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN105930943A (zh) * | 2016-07-11 | 2016-09-07 | 上海安吉星信息服务有限公司 | 一种驾驶风险预测方法及装置 |
CN108074396A (zh) * | 2016-11-10 | 2018-05-25 | 关晓芙 | 安全行驶评价方法及系统 |
CN107909678A (zh) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | 一种行车风险评价方法及系统 |
Non-Patent Citations (2)
Title |
---|
杨京帅: ""预防道路交通事故的驾驶行为干预技术分析"", 《人类工效学》 * |
王罡: ""基于UBI的车辆个性化保险费率厘定模式研究与应用"", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学J辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582589A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种租车出险预测方法、装置、设备及存储介质 |
CN113901627A (zh) * | 2020-06-22 | 2022-01-07 | 阿里巴巴集团控股有限公司 | 路线安全性评估方法和装置、电子设备以及计算机可读存储介质 |
CN112232254A (zh) * | 2020-10-26 | 2021-01-15 | 清华大学 | 一种考虑行人激进度的行人风险评估方法 |
CN112288286A (zh) * | 2020-10-30 | 2021-01-29 | 上海仙塔智能科技有限公司 | 安全派单方法、安全派单系统及可读存储介质 |
CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
CN113361086B (zh) * | 2021-05-31 | 2024-05-28 | 重庆长安汽车股份有限公司 | 一种智能驾驶行车安全约束方法及系统、车辆 |
CN113361086A (zh) * | 2021-05-31 | 2021-09-07 | 重庆长安汽车股份有限公司 | 一种智能驾驶行车安全约束方法及系统、车辆 |
CN114187489A (zh) * | 2021-12-14 | 2022-03-15 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114187489B (zh) * | 2021-12-14 | 2024-04-30 | 中国平安财产保险股份有限公司 | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 |
CN114923497B (zh) * | 2022-04-21 | 2023-07-21 | 西南交通大学 | 一种铁路出行的路径规划方法、装置、设备及存储介质 |
CN114923497A (zh) * | 2022-04-21 | 2022-08-19 | 西南交通大学 | 一种铁路出行的路径规划方法、装置、设备及存储介质 |
CN115035722A (zh) * | 2022-06-20 | 2022-09-09 | 浙江嘉兴数字城市实验室有限公司 | 基于时空特征和社交媒体相结合的道路安全风险预测方法 |
CN115035722B (zh) * | 2022-06-20 | 2024-04-05 | 浙江嘉兴数字城市实验室有限公司 | 基于时空特征和社交媒体相结合的道路安全风险预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105110A (zh) | 驾驶风险确定方法、装置、介质和计算设备 | |
US11891070B2 (en) | Motor vehicle operating data collection and analysis | |
US20240078481A1 (en) | Controlling vehicles using contextual driver and/or rider data based on automatic passenger detection and mobility status | |
US10915964B1 (en) | System and method for providing vehicle services based on driving behaviors | |
CN107784587B (zh) | 一种驾驶行为评价系统 | |
US11295312B1 (en) | System and method for accumulation and maintenance of money in a vehicle maintenance savings account | |
Tselentis et al. | Innovative insurance schemes: pay as/how you drive | |
US9996884B2 (en) | Visible insurance | |
CN106643747B (zh) | 导航方法及装置 | |
CN104599545B (zh) | 用于行车过程中的行车状态监测方法、装置和导航设备 | |
WO2019014520A1 (en) | CONTROLLING VEHICLES USING CONTEXTUAL DRIVER AND / OR PASSENGER DATA BASED ON AUTOMATIC PASSENGER DETECTION AND MOBILITY STATUS | |
US20170061812A1 (en) | Driver monitoring and feedback system | |
CN107161153A (zh) | 一种驾驶行为评分方法及装置 | |
US20150106289A1 (en) | Behavior based driving record management and rehabilitation | |
CN106651602A (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
US11113775B1 (en) | System and method for standardized evaluation of driver's license eligibility | |
US20210107495A1 (en) | Methods and systems for determining users' driving habits and pushing service information | |
US20070282519A1 (en) | System and method for analyzing traffic disturbances reported by vehicles | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
CN115861983A (zh) | 用于机械设备的智能化管理系统及其方法 | |
CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
US20220253941A1 (en) | Safe driving monitoring and incentive system | |
JP3895615B2 (ja) | 交通安全支援装置、交通安全支援システム及び交通安全支援プログラム | |
CN109376665B (zh) | 基于群智感知的出租车驾驶员的驾驶行为评估系统 | |
CN108205784A (zh) | 智能交通管控服务方法和平台 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200505 |
|
RJ01 | Rejection of invention patent application after publication |