CN111512345B - 仅基于手机遥测动态、准实时测量与识别驾驶员动作的电子系统及其相应方法 - Google Patents

Abstract

提出了一种用于车辆(41，…，45)的动作识别的电子实时操纵检测系统(1)及其方法，其基于动态测量的远程信息处理数据(3)，特别地，仅基于智能手机(471，…，475)传感器的感测数据，并且更特别地，仅基于来自加速度传感器(4011)和全球定位系统(GPS)传感器(4013)和/或陀螺仪传感器(4012)的测量数据。智能手机(471，...，475)的轴可能相对于车辆(41，...，45)的轴独立地移动，因此不需要与车辆(41，...，45)的轴对准。借助于系统(1)并基于在各种测量的车辆轨迹(9)内自动地个体化和测量的驾驶员动作(91)，自动地测量并区分驾驶员行为和操作参数，并且其中，基于导出的风险测量参数和/或碰撞姿态测量参数来生成输出信号。特别地，基于远程信息处理的系统(1)可以实现为具有得分驱动，特别是风险得分驱动的操作的系统，这些操作与机动车辆(41，…，45)或用于乘客或货物的运输装置相关联，并且分别依赖于基于动态的远程信息处理的数据聚合和动态测量的驾驶动作(91)。

Description

仅基于手机遥测动态、准实时测量与识别驾驶员动作的电子 系统及其相应方法

技术领域

本发明涉及动态实时响应于捕获的环境或操作参数的移动实时系统，尤其涉及远程信息处理系统在运行期间对机动车辆的汽车参数的监测、捕获和响应，从而仅基于智能手机传感器测量和捕获的感测数据和遥测数据，动态地测量和识别机动车辆的任何执行的驾驶动作。本发明涵盖远程通信技术、车辆技术、道路运输技术、道路安全技术、电气工程(传感器、仪器、无线通信等)以及快速、准实时计算技术的领域。本发明还涉及用于机动车辆的远程信息处理(相关电子系统的远程控制)以及基于遥测(远程测量)的自动风险转移、警报和实时通知系统和在远程信息处理背景下使用的无线技术。最后，本发明还涉及基于远程信息处理的实时专家系统。术语远程信息处理，特别是交通远程信息处理，是指在运输领域中用于通信、仪表和控制以及信息技术的系统。因此，本发明涉及远程信息处理与基于捕获和测量的基于使用情况和/或基于用户的远程信息处理数据的实时风险监测、自动风险转移和保险系统的一起使用。

背景技术

通常，每个驾驶员都被视为接受了可测量的驾驶风险的冒险者。因此，大体上在全世界范围内驾驶车辆意味着驾驶员必须或想要以某种方式转移该风险，例如通过借助于适当的风险转移系统或通过汽车保险来转移或割让风险。风险转移率通常由人类专家指定，例如汽车保险代理，其确定特定驾驶员是高风险驾驶员还是低风险驾驶员。在现有技术中，所指派的人类专家的等级考量仅取决于几个不同的因素。在下文中，讨论了最常见的现有技术风险因素：(i)年龄是用来计算驾驶员风险的最重要的个人因素之一。25至55岁之间的驾驶员被分配到黄金年龄段，被认为风险较低。(ii)性别是另一个因素，女性司机通常被认为整体上风险较低，但是由于越来越多的注册司机是女司机，这种情况正在慢慢改变。(iii)单亲父母也被认为风险较小，风险转移系统或保险范围考虑到单亲父母独自养育孩子而展示出更高级别的责任，因此他们也更有可能在财务上负责任。(iv)类似地，已婚司机在汽车风险转移或保险单行为方面通常比单身司机评级更高。由于他们经常承担更多社会责任的事实，因此他们被认为比单身司机表现得稳定。与已婚者相同年龄和相同驾驶记录的单身驾驶员由于其婚姻状况而被视为更高的风险。(v)驾驶历史也在评级系统中起着核心作用。如果驾驶员的驾驶记录上有任何类型的违章驾驶行为，那么与没有违规记录的人相比，他/她将被分配更高的风险转移率。驾驶员曾经涉及的任何先前事故都会反映在他的驾驶记录中，从而提高了他的风险等级。在某些风险转移系统中，严厉的处罚甚至被记入此类驾驶记录中长达事故发生后的五年时间。通常，任何类型的超速罚单也是驾驶记录的一部分，并且会增加驾驶员的风险因素。超速反映出粗心、无视政府制定的交通法规和官方风险限制。通常，风险转移系统会将任何类型的超速罚单视为驾驶员的不良反映。这被计为风险评级的构成部分，并且最终将提高评级或风险转移保险费。如驾驶记录所反映的那样，在酒精或毒品的影响下驾驶不仅会导致违章行驶的罚单，还会触发驾照被暂停，或在更坏的情况下驾驶权利被吊销。在现有技术的系统中，底线是驾驶记录或驾驶历史中没有事故、罚单、违章行驶等的情况越好，风险等级越低，这将导致较低的保险费率。(vi)另一个因素是驾驶员居住的地点，这通常在如何评估汽车风险转移中起主要作用。例如，报告居住在较大都市区中的驾驶员面临着卷入事故，以及还容易成为故意破坏或盗窃的受害者的更高风险。城市比乡村地区拥堵得多。现有技术风险转移的逻辑考虑认为，在给定区域中使用的汽车越多，它们撞到或被另一辆汽车撞的可能性就越大。生活在交通量少的地理区域的驾驶员将被认为风险较小，有助于降低他们的风险转移评级或保险费。可以将特定区域进一步明确地评估为高犯罪区域。如果驾驶员居住在这样的区域，则风险转移等级将被认为是较高的等级，因为车辆将更可能被卷入盗窃。车辆的目标越少，风险等级就变得越低。有助于阻碍所述风险的一种方法是在车辆中安装防盗装置，例如警报系统、电锁、需要解锁密码的门锁或有助于阻止小偷盯上给定汽车的其他装置。取决于风险转移系统，此类措施可能有助于降低一定的风险等级。通常，安装在车辆中的任何类型的防盗保护装置也会由于降低车辆的风险等级而被奖励。(vii)与二手车相比，新车将需要更多的保险覆盖范围。跑车制造起来很昂贵，这就是为什么在发生事故时修理跑车昂贵的原因。总而言之，就车辆的风险转移而言，价值越低的车辆，花费会越低。(viii)将车辆用作个人车辆还是严格用于商业的这一因素在许多现有技术系统中影响风险等级。另外，在现有技术中，驾驶员每天开车上下班的距离是可能被考虑用于风险等级的另一个因素。驾驶员每年累积的里程越少，他面临的风险就越小。如果驾驶员每天仅开车几英里到达其工作地点，则发生事故的风险相对降低，这就是为什么其等级会更好。(ix)青少年驾驶员在驾驶方面被认为是极高的风险。各种现有技术的风险等级统计数据都承认，青少年驾驶员由于缺乏经验和缺乏成熟度而具有极高的碰撞率。车祸常常被列为导致青少年死亡的主要原因。这是用于评估要转移的风险(即保险风险)的另一个因素。(x)如青少年的特定评级中所见，由于其经验不足，在某些风险转移系统中，驾驶员驾驶的年数也很重要。这与驾驶员的年龄因素有关；但是有些人并不总是在达到法定驾驶年龄后立即开始驾驶。与相同年龄的只驾驶了较少年数的人相比，在过去十年中一直驾驶的驾驶员的评级将相当低，因为通常认为此类驾驶员的风险较小。(xi)最后，许多风险转移系统也使用驾驶员的信用记录。显然，风险转移系统的主要技术目标之一包括平衡资源(例如保险费)的汇集。这通常是基于预测的风险事件的发生和与要弥补的实际损失相关的实际发生的风险事件事先进行的。因此，无法预料的保险费减少将触发相对于实际损失汇集资源的不期望的不平衡，这可能严重影响风险转移系统的操作功能性。但是，现有技术系统中记载的使用信用历史记录数据的主要原因是获得有助于评估“不可观察因素”(例如，驾驶时的谨慎性)的信息(参见例如，Monaghan，JE，2000年，个人信用历史记录对个人险种损失表现的影响(The Impact of Personal Credit History on LossPerformance in Personal Lines)，伤亡保险精算协会论坛(Casualty ActuarialSociety Forum)，第79–105页；或Wu，C.-SP和Guszcza，JC，2003年，信用评分真的能说明保险损失吗？从数据挖掘的角度进行多元分析(Does Credit Score Really ExplainInsurance Losses？Multivariate Analysis from a Data Mining Point of View)，伤亡保险精算协会会刊(Proceedings of the Casualty Actuarial Society)，第113-138页)。为了通过使用信用历史来评估风险，现有技术的风险转移系统可以由人类专家或通过适当的数据处理和过滤手段通过加权来自驾驶员的信用历史记录的某些特征(例如，给定人的拖欠的贷款还款和催收行动的次数(如果有的话))来评估每种潜在被保险人的所谓“保险分数”，(参见上文Monaghan，2000年，第82-86页)。基础信用记录是从大型国家信用信息提供商处获得的。风险转移系统或保险公司将由此得出的分数与其他因素结合起来，以评估驾驶员的汽车风险转移率。

从现有技术系统实践的上述传统风险评估开始，其通过例如年龄、性别、婚姻状况、驾驶年限等适当的等级因子主要使用基于统计的结构，必然会导致具有在为任何特定驾驶员提供正确的风险评估方面的相应的缺陷相关联的偏爱的等级评定。基于统计的结构始终与平均值和均值假设相关联。但是，并非所有青少年驾驶员都从事高风险行为，因此也不是较高的危险因素，例如，从事高风险行为的三十岁的驾驶员。在同一条道路上，处于50km/h的速度的非常熟练的驾驶员可能会比处于30km/h的速度的驾驶员具有更低的风险。现有技术假设的缺陷在于基于这样的事实：它们使特定类别的所有驾驶员都收缩为该类别的均值假设，而实际上，这些假设仅对于特定类别的非常小的一部分是绝对正确的。另一方面，给定类别中成员的主要部分通常以均值周围的泊松分布的方式进行分布，即，对于该主要的其余部分，假设或多或少是错误的，从而导致给定驾驶员的风险评级可能不公平。可以说，使用驾驶历史数据，现有技术系统允许一定的个体化，因此可以校正其基于统计的类别结构的缺陷。但是，驾驶记录的数据始终是历史数据，假定驾驶员的行为始终相同并且环境条件始终保持不变，这些历史数据被插值到驾驶员的未来驾驶行为。实际上，这是不正确的。驾驶员年龄在变化，驾驶员可以从之前的驾驶情况学习，驾驶员可能会改变其行为，例如改变工作地点或停止饮酒等。这同样适用于例如超速罚单。合法的速度限制通常会设置到一个级别，在此级别下，驾驶对于所有驾驶员(老的/年轻的，熟练的/不熟练的等)来说都可以假定为安全的。从与给定驾驶员相关的实际可测量风险的观点来看，在其驾驶记录中具有超速罚单的非常熟练的驾驶员可能比具有完美的驾驶记录的另一名驾驶员具有较低的驾驶风险。例如，与以较低的速度执行的可能触发超速罚单的超车操作相比，以较高的速度执行的相同操作可以与更低的风险相关联。最后，根据驾驶员的信用历史对驾驶员进行分类过滤与实际发生的可测量的驾驶风险完全无关。总而言之，现有技术的系统风险预测和评级受到与实际发生的驾驶风险有关的重大缺陷的困扰。

此外，出于多种原因，正确评估风险转移系统的风险大小以及对未来预期索赔的良好预测对于系统的运行至关重要。首先，对未来预期索赔金额的正确预测对于设置适当的保险费非常重要，因此会影响汇集的资源(保险费)与要弥补的实际发生的损失之间的受控平衡。其次，通过设定足够的风险保险费，风险转移系统可以避免不利选择，即避免损失良好(低索赔潜力)保险客户，即汇集的风险暴露单元，因为他们的保险费设置过高(参见例如，Growitsch,C,Schade,K.-D.,Schwarze,R.,Schwintowski,H.-P.,和Wein,T.,2006,Risikoorientierte Pramiendifferenzierung in der Kfz-Haftpflichtversicherung-Mehr Pramiengerechtigkeit und weniger Verkehrsunfalle,Zeitschrift fur diegesamte Versicherungswissenschaft,95(2),第225-249页)。良好的风险评估甚至可以降低某些领域的保险费水平，从而使得在这些部分中风险暴露更大的单元中获得收益。第三，透明、适当的风险评估对于系统对评级机构的第三方评级越来越重要(参见，例如，S&P，2005年，保险准则：评估保险公司的企业风险管理实践(Insurance Criteria:Evaluatingthe Enterprise Risk Management Practices of Insurance Companies)，www.standardandpoors.com)。良好、可靠和透明的评级对于降低风险转移系统的再融资成本至关重要，并且也可以表示公司的可靠性，从而可以提高用户忠诚度。最后，基于高级风险评估选择某些风险的能力可以有助于降低整体投资组合风险(降低波动性、降低尾部风险)，从而减少股权资源，即由于监管资本需求减少而导致的系统资本成本。例如，在新的监管制度(如偿付能力标准II)下，这些必需的资源是必需的。

因此，考虑到责任和全面风险转移，对汽车风险转移行业领域中可靠、自动的风险评估和风险转移系统提出了很高的要求。汽车风险转移领域的特点是竞争压力高，合并比例高，因此利润率低(参见例如，GDV，2006年，Jahrbuch 2006年-Die deutscheVersicherungswirtschaft,Gesamtverband der Deutschen Versicherungswirtschafte.V.，柏林)。因此，即使在通常不可测量风险和基于系统的自动风险转移的物理测量的复杂部分中，也存在提供可自动系统的高度需求。

此外，传统上，汽车风险转移技术的风险测量是基于各种风险因素(参见上文，例如，职业、汽车类型、和区域)进行分类的。此外，根据以前的索赔历史，有不同的奖金-骗局类别。因此，将风险分配给几千种不同的费率类别(参见，例如，Mack，T.，2002，Schadenversicherungsmathematik，第2版，Verlag Versicherungswirtschaft，Karlsruhe，第161页)。这种传统技术方法的问题在于它导致大量数据碎片化，并且许多类别仅包含很少的风险，往往没有或只有有限的索赔经验，从而在技术上很难基于这些收费类别的索赔历史生成足够的风险价格。迄今为止，使用几种现有技术的系统来克服该问题。例如，聚类分析试图识别具有相似索赔期望的收费类别，以便为产生保险费获得更好的基础(参见，例如，Yeo，AI，Smith，KA，Willis，RJ和Brooks，M.，2001，聚类汽车保险业中的风险分类和索赔成本预测技术(Clustering Technique for Risk Classification andPrediction of Claim Costs in the Automobile Insurance Industry)，会计、金融和管理的智能系统的国际杂志(International Journal of Intelligent Systems inAccounting,Finance,and Management)，10(1)，第39–50页)。其他系统尝试使用插值技术(Dugas，C.，Bengio，Y.，Chapados，N.，Vincent，P.，Denoncourt，G.，和Fournier，C.，2003，应用于汽车保险费率制定的统计学习算法(Statistical Learning Algorithms Appliedto Automobile Insurance Ratemaking)，Shapiro，A.和Jain，LC(eds.)：保险中的智能和其他计算技术：理论与应用(Intelligent and Other Computational Techniques inInsurance:Theory and Applications)，世界科学出版公司，新加坡，第137-199页)或扩展的大型数据库(参见，例如Mayer,U.，2002年，欧洲第三方汽车保险(Third Party MotorInsurance in Europe)，班贝格大学，班贝格，第59页)。因此，进一步需要例如基于个体风险评分的用于汽车风险转移技术和工业的替代的、可自动操作的风险评估系统和风险转移系统。如已经讨论过的，在现有技术中，一些系统使用称为“风险转移评分”的个体化的技术方法(参见，例如Hartwig，RP和Wilkinson，C.，2003年，个人险种承保中信用信息的使用(The Use of Credit Information in Personal Lines Insurance Underwriting)，保险问题丛书(Insurance Issues Series)，1(2)，保险信息研究所，纽约)。风险转移系统通过加权单元信用历史中的某些特征(例如，驾驶员的拖欠的贷款还款和催收行动的次数(如果有的话))为系统要捕获的每个潜在风险暴露单元得出或生成“风险转移分数”(参见上文Monaghan，2000年，第82-86页)。通常，基础信用记录是通过这些系统从大型国家信用信息提供者获得的。风险转移系统使用由此得出的分数与其他因素(如先前讨论的传统因素)相结合，来评估或评价申请人的汽车相关驾驶风险。但是，使用信用历史记录数据的主要原因是获得有助于评估不可观察因素的信息，例如驾驶时的谨慎性(参见上述Monaghan，2000；Wu/Guszcza，2003)。因此，实际需要例如基于个体风险测量的用于汽车风险转移技术和工业的替代的、可自动操作的风险测量和评估系统以及可自动的风险转移系统，特别是，这不会导致个体风险暴露的度量的意外分散，同时允许在实施此类系统时采用动态、自动的技术方法。

现代汽车工程车(包括完全手动控制的汽车、部分自动驾驶的汽车、无人驾驶汽车、自主驾驶汽车、机器人汽车)与能够感知其周围环境以及运行状态或使用的车辆相关联。这种现代的汽车工程车辆能够使用例如雷达、LIDAR(通过激光测量距离的仪器)、GPS(全球定位系统)、里程表(通过移动传感器数据测量随时间变化的位置)和计算机视觉，来检测多种运行和周围参数。在现代汽车中，高级控制系统通常会解释感测信息，以识别合适的导航路径以及障碍物和相关标志。传感器可以包括有源和无源感测装置，其中传感器是物理转换器装置，其测量物理量并将测量的物理量转换成可由观察者或由另一仪器、电路或系统读取的信号。机动车辆或移动电话中常用的传感器是例如：包含在例如非接触式开关中使用的红外发射器和红外检测器的红外传感器；无功的并且仅检测周围IR的无源红外(PIR)传感器，例如移动传感器；速度检测器，例如雷达枪，例如使用多普勒效应(即，从移动物体返回的回波将发生频移)的微波雷达装置；或红外/激光雷达，发送光脉冲以确定连续脉冲之间的反射时间差，从而确定速度；超声波传感器，发出声音并感测回波以确定范围；加速度计，通过检验质量测量电容的变化率，将其转换为加速度；陀螺仪，测量沿第一轴和在沿第三方向的质量任一侧的平面上的来回振荡的质量，其中，当检测到绕第二方向的旋转时，电容发生变化；IMU传感器(惯性测量单元)，通过使用加速度计和陀螺仪的组合来提供完整的6自由度传感器；力感测电阻，例如用于接触感测；基于电阻、电容或表面声波感测的触摸屏；位置传感器，例如GPS(全球定位系统)、三角测量或小区识别系统；视觉传感器，例如摄像头和计算机视觉；基于SIM或基于RFID(射频识别)的传感器；或环境传感器，例如湿度传感器、湿气传感器、温度传感器等。所述车辆用于感测其环境和操作状态或使用的能力例如在上述高级驾驶员辅助系统(ADAS)中使用，其表示开发用于自动/适应/增强车辆系统的系统，以实现安全和更好的驾驶。安全功能旨在通过提供警告驾驶员潜在问题的技术来避免发生碰撞和事故，或者通过实施保护措施并伪造对车辆的控制来避免发生碰撞。自适应特征可以自动照明、提供自适应巡航控制、自动制动、合并GPS/交通警告、连接至智能手机、向驾驶员警告其他车辆或危险、保持驾驶员在正确的车道上或警告驾驶员其盲点。

装置和用户监测的上述发展(通常称为远程信息处理)通过开发相似或一致的技术策略以改进与客户的交互的有效性和交互的即时性(实时)被强烈地影响，并且仍将影响电子、远程通信相关的增值服务和风险转移(保险)行业。如今，所需的组件越来越多地是纯技术组件。社交网络、远程信息处理、面向服务的体系结构(SOA)和基于使用的服务(UBS)总体上是交互式的，并促进了这一发展。社交媒体平台(例如Facebook、Twitter和YouTube)提供了改善客户互动和更好地传达产品信息的功能。但是，远程信息处理领域仍然更大，因为它引入了与动态风险转移、技术和移动性的技术输入要求和问题规范相一致的全新可能性。SOA和远程信息处理正在成为管理将已知技术与新应用程序集成的复杂性的关键因素。从技术上讲，作为远程通信和信息技术的组合的远程信息处理是一个跨学科的技术术语，涵盖了远程通信、车辆技术、道路运输、道路安全、电气工程(传感器、仪器仪表、无线通信等)和信息技术(多媒体、互联网等)。因此，移动参数感测、数据聚合或远程信息处理的技术领域受到各种各样的技术的影响：例如，通过远程通信装置发送，接收和存储信息并影响对远程对象的控制的技术；车辆中应用程序的远程通信和信息学以及例如与驾驶时控制车辆的集成使用；GNSS(全球导航卫星系统)技术与汽车导航系统中的计算机和移动通信技术集成。这种技术在道路车辆中的使用也称为车辆远程信息处理。尤其是，远程信息处理通过允许捕获和监测实时数据的新方式来触发移动通信、车辆监测系统和定位技术的集成。基于使用情况的风险转移系统(例如，Progressive公司通过所谓的Snapshot技术提供的)将风险转移补偿或保险费与由车载“远程信息处理”装置收集的监测的驾驶行为和使用信息相关联。在过去的五年中，基于远程信息处理的仪器已证明在汽车中的使用范围扩大了10到100倍。在这样的扩展平台上，远程信息处理装置和系统可以帮助提高安全性并改善驾驶行为。

车辆远程信息处理的概念是指将远程通信装置主要安装或嵌入到例如汽车或其他车辆中的移动单元中，以传输实时驾驶数据，该数据例如可以由诸如自动的风险监测和风险转移系统等第三方系统使用，从而提供所需的输入，例如以测量各个驾驶员的质量和风险。移动(电话)远程信息处理和遥测是指将远程通信装置主要安装或嵌入到诸如移动蜂窝电话、智能电话等移动装置中。市场上可以买到用于这种改变的远程信息处理仪器。为了本发明的目的，远程信息处理涉及经由远程通信装置发送、接收和实时处理感测数据并结合对诸如自动电子转向系统等远程对象的控制的技术。车辆跟踪和全球定位卫星系统(GPS)技术正变得常见，远程通信装置也使我们能够从世界上几乎任何地方进行连接。特别是，可以通过将远程信息处理与其他实时测量系统互连来实现动态监测和自适应风险转移。有多种具有局部或全球覆盖范围的用于车辆跟踪的卫星导航系统，称为全球导航卫星系统(GNSS)。示例是NAVSTAR全球定位系统(GPS)(美国)、GLONASS(俄罗斯)、北斗导航卫星系统(中国)、伽利略(欧盟)和GPS辅助GEO增强导航(GAGAN)(印度)，提高了NAVSTAR GPS和GLONASS定位的准确性，或者准天顶卫星系统(QZSS)(日本)，这是一个三卫星区域时间传输系统和GPS增强。这些系统提供的优点可以例如包括，在车祸之后，自动警告紧急情况和道路服务，评估车辆损坏并联系最近的维修店。总而言之，客户体验可以从传统的风险转移系统和保险范围的可操作性转变为实时导航和监测，包括自动激活礼宾服务、安全驾驶技巧、后座中的孩子的视频点播、车内或在线反馈以及实时车辆诊断。

除了实时监测、实时遥测和准实时远程信息处理远程控制和驾驶之外，还要提到的是，由于多种不同的原因，风险转移单元可能希望向与该风险转移系统相关联的客户发信息并发送关于其的信息。但是，在大多数情况下，客户与保险人和/或保险人与再保险人之间的信息交换仍然很麻烦且耗时的，这就是为什么这类结构提供的风险转移通常在达成一致的固定时间段内保持静态的原因。例如，现有或潜在的消费者可以访问保险代理人的网页以确定保险单的年度或月度成本(例如，希望通过选择新的保险公司来节省金钱或提高保护级别)。消费者可以向保险代理人提供基本信息(例如，姓名、业务类型、出生日期、职业等)，并且保险代理人可以使用该信息向保险公司请求保险费报价。在某些情况下，保险公司会以保险费报价简单地回应保险代理人。但是，在其他情况下，与保险公司关联的核保人将要求保险代理人提供其他信息，以便可以生成适当的保险费报价。例如，核保人可能会要求保险代理人说明机动车辆主要使用的频率、地点和时间，或其他数据(例如机动车辆的年限和预定用途(运输等))。只有在提供了此类附加信息之后，保险公司才能进行适当的风险分析，以处理适应的承销决策和/或保险费定价。

例如相对于风险转移技术，远程信息处理技术可以开辟新的技术领域，特别是在借助于中心式专家系统进行监测和控制方面，由这种自动专家系统可以提供更为准确和有利可图的定价模型。这将产生巨大的优势，特别是对于实时和/或基于使用情况的和/或动态操作系统。这种远程信息处理系统的优势不局限于风险转移；准确地说，其例如在通过远程信息处理监测员工的驾驶行为的车队的管理方面也有优势。远程信息处理有助于提高资产利用率、减少燃料消耗和改善安全性等。其他领域也可从此类集成的远程信息处理系统中受益，例如努力鼓励改善燃料消耗、排放和高速公路安全的州和地方政府的需求展示。例如，某些州最近发布了动态的“现驾现付”(PAYD)法规，另一方面，该法规允许保险公司基于实际行驶里程与估算行驶里程向驾驶员提供保险费率。这是少开车的一种经济动机。

目前，远程信息处理技术已经提供了上述优势，例如，加速计可以评估驾驶员的驾驶风格和行为，从而将定期跟踪的风险因素从目前的40种扩展到100多种。随着加速度计的需求增加，汽车制造商和装置制造商已经能够降低单位成本。对增加连接性和访问性的需求(由“始终连接”的消费者驱动)将允许附加的装置应用程序。需要指出的是，远程信息处理生态系统中的大多数技术并不是车辆保险所独有的。社交聆听、社区保护门户和家庭监测对如何评估家庭和财产保险风险产生影响。此外，如果家中发生洪水、热或空调故障，可使用监测系统来调整房屋温度控制或自动调度服务提供商。此外，正在开发用于医疗保健和老年人生活产品的远程信息处理技术，包括基于位置的警报、健康监测和家庭跟踪服务，这些服务可用于评估个人风险，从而实现生命风险转移领域中的最佳风险转移。其他示例是机器人护士的助手，旨在提醒老年人日常活动，还指导他们走出家门，并在紧急情况下寻求帮助。随着技术变得更加可靠和具有成本效益，并且随着老年人护理和家庭护理领域对此类方案的需求增加，此类应用将继续发展。

如本发明所使用的远程信息处理技术还可为面向服务的体系结构(SOA)或基于使用情况和/或基于用户的应用程序提供基本技术。两者都被认为是当今最有前途的技术。SOA允许公司通过内联网或因特网使其应用和计算资源(例如客户数据库和供应商目录)在按需的基础上可用。基于即插即用的概念，SOA提供跨多种技术平台的可重用软件组件。它提供了一种新的软件部署方法，同时还解决了诸如复杂性问题和无效的数据集成之类的严重问题。这种方法提供了一致的技术，使访问数据和集成新旧内容变得更加容易。信息和服务是集中的和可重用的，从而缩短了开发时间并降低了维护成本。当需要软件服务时(例如用于检索客户信息)，用户或系统将请求发送到目录，确定合适的服务名称、位置和所需的格式，然后发送回所需的输出(在这种情况下为客户信息)。用户和其他应用程序不需要了解数据处理或处理细节的内部工作。组织也不需要拥有和维护软件；他们只是通过因特网或网络或其他数据传输网络来访问适当的服务。然而，如本发明所使用的远程信息处理技术还可以为其他平台(例如，IoT平台(物联网))提供基础技术，IoT平台提供物理装置、车辆、建筑物和/或其他嵌入了电子装置、软件传感器、致动器和网络连接的项目的网络，使这些对象能够收集和交换数据。尤其是，IoT允许跨现有网络基础结构远程感测和控制对象，还允许将物理世界更直接地集成到处理器驱动的系统和计算机装置中。这种集成可以提高效率、准确性和经济效益。当IoT包括传感器和致动器时，该技术将成为信息物理系统的更一般的系统类别，可能涵盖诸如智能电网、智能家居、智能交通方式和智能城市等技术。在IoT中，每件事物都可以通过其嵌入式计算机系统进行唯一标识，并且还可以与现有的互联网基础结构进行交互。IoT提供了装置、系统和服务的高级连通性，不仅仅是机器对机器(M2M)通信，还涵盖了各种协议、域和应用程序。这些通过引用并入本文。这些嵌入式装置(包括智能对象)的互连适用于几乎所有领域的自动问题，同时还支持如智能电网和智能城市等高级应用程序。IoT中的事物指的是各种各样的装置，但特别是指具有内置传感器的汽车、用于环境监测的分析装置或可以协助汽车驾驶员例如进行搜索和救援操作的现场操作装置。因此，IoT中的事物可以包括硬件、软件、数据和/或服务的混合体。这样的装置借助于各种现有技术收集有用的数据，然后自主地促进所述数据在其他装置之间的流动。当前的示例包括目前正在开发众多自动或半自动车辆原型，包括由奔驰、通用汽车、大众汽车系统、IAV、Autoliv公司、博世、日产、雷诺、丰田、奥迪、沃尔沃、特斯拉、标致、AKKA技术、来自帕尔马大学的Vislab、由牛津大学和谷歌来开发的车辆，例如，使用相互连接的具有适当的网络技术的远程信息处理装置，用于控制、监测、操作和驾驶部分或完全自动车辆。

US 8,989,914 B1示出了一种用于驾驶员识别的自动系统，其通过接收驾驶动作特征并至少部分地基于接收的驾驶动作特征来确定驾驶员识别。可能需要驾驶员的识别以适当地评估驾驶员的行为并检测驾驶员表现的变化。为了从该驾驶数据中识别特定位置处的驾驶动作数据，该特定位置是与已知驾驶员相关联的先前存储的驾驶动作特征的数据库中的多个行程所共有的，GPS位置数据用于识别驾驶数据中的驾驶动作数据的时间间隔。基于驾驶动作特征与多个先前存储的与特定位置处的已知驾驶员相关联的驾驶动作特征之间的相似性来确定驾驶员识别。US 2005/0131597 A1示出了用于自动评估机动车辆驾驶员的表现和态度的另一系统。来自成组的车辆传感器的原始数据流经过过滤以消除多余的噪声，然后进行解析以将其转换为一系列驾驶事件。然后，通过模式识别对驾驶事件进行处理，以得出一系列高级驾动作。驾驶动作包括熟悉的程序，例如变道、通过、转弯和刹车。驾驶事件和动作通过从传感器数据得出的参数进行量化，其中，确定用于评估驾驶员能力和安全等级的技能和态度因素。最后，US 2017/0124660 A1示出了基于远程信息处理的系统，该系统聚合与车辆相关联的数据。聚合的远程信息处理数据用于确定与车辆相关联的驾驶行为的离散段的集合，对与车辆相关联的驾驶行为的离散段的集合进行分类，并基于驾驶行为的离散段集合的分类来生成驾驶行为的表示。驾驶行为的表示包括分配给驾驶行为的离散段的分类集合的加权因子。

发明内容

在车辆运转期间，驾驶动作的实时或准实时测量在技术上难以收集。但是，如果只有有限组的感测和测量数据可用，例如由智能手机或配备调制解调器的移动电话的集成传感器提供的，则动作识别将变得极具挑战性。可以将这些感测测量参数限制为与仅来自加速度传感器和全球定位系统传感器和/或陀螺仪传感器的单独测量数据一样少的感测数据。另外，与车辆集成系统相比，移动电话通常不永久地布置在相对于移动的车辆的固定位置。例如，附加地，移动电话可以由持这种电话的人在汽车内移动，这对于车辆的移动来说是独立地或附加地。与这种智能电话的感测数据相比，车载汽车远程信息处理装置的感测数据没有这个问题，因为它们通常与车辆的移动保持一致。因此，来自移动电话的感测数据流相对于车辆的移动是不准确的并且是叠加的，并且必须从这些额外移动的测量结果中清除。结合上述情况，通常情况下，仅可获得由智能电话/移动电话提供的有限的感测数据，因此技术挑战是巨大的，并且由于移动电话通常仅提供有限的能源和数据处理能力，所以技术挑战更大。本发明的目的是提供一种实时的动作识别系统，其能够应对仅有限的可用感测数据、有限的可用能量和数据处理资源以及由附加移动叠加的不准确的数据或感测数据。因此，提供的方案应该能够实时过滤例如加速度计和陀螺仪数据等数据，并且能够隔离驾驶事件的起点和终点，以及实时地识别所述事件。该方案应适用于实时应用程序，例如驾驶员辅助、安全和自适应风险转移系统。

必须注意的是，基于智能手机的驾驶行为监测不仅在自动自适应或监测风险转移技术中具有应用，而且在自适应和/或自优化电子车队管理、驾驶员培训和/或执法(监测)系统中具有相对广泛的技术适用性。因此，更一般地，本发明的一个目的是提供一种移动汽车系统，其实时响应并且动态地响应于在运转期间捕获的机动车辆的环境或运行参数。特别是，它可以测量汽车系统的参数，从而允许用户动态地实时地调整车辆的操作或驾驶行为/风险，尤其是借助自动风险转移引擎，从而允许基于运转期间对机动车辆中汽车参数的监测、捕获和响应动态选择合适的风险转移配置文件。特别地，本发明的目的是提供一种用于动态、准实时动作识别的动态测量系统，其用于驾驶员得分测量和驾驶风险测量。与现有技术系统相比，汽车系统应能够基于测量的实际风险参数提供动态动作识别测量，从而基于实际驾驶员行为数据而不是基于传统的风险因素(例如年龄，邮政编码等)将事故原因数据与相关风险因素(例如超车、因换道而中断、交叉路口处的驾驶员行为等)相关联。此外，本发明的目的是提供一种动态触发的、自动的基于远程信息处理的汽车系统，其基于车辆远程信息处理数据的实时捕获。特别地，本发明的目的是将现有技术扩展到基于动态适应性甚至浮动的第一层级风险转移的动态触发和动态可调的多层风险转移系统，从而增强了开发自动系统的重要性，允许实时自给自足的响应能力。本发明的另一个目的是试图提供一种方法，该方法用于技术上捕获、处理和自动动态适应、复杂且难于比较的风险转移结构，并触发与使最优分担风险和转移操作自动有关的操作。本发明的另一目的是寻求借助于基于适当的技术触发结构方法的远程信息处理数据侵入、不同风险转移系统之间的远程信息处理的协调使用，动态地同步和调整这些操作以改变环境或操作条件，从而使得不同的风险转移方法具有可比性。与标准做法相反，不同风险转移系统的资源汇集系统应创建可比较的风险转移结构，从而允许以依赖于技术手段、过程流程和过程控制/操作的期望的、基于技术的重复精度来优化风险转移操作。沿着自动的风险转移远程信息处理价值链，存在许多提供个别要素的技术，但是，本发明的目的是提供一种整体技术方案，该技术方案在技术上能够覆盖从装置安装和数据捕获的点到自动的且准确的风险测量、分析和管理的整个范围。最终，本发明的另一个目的是提供一种基于实时评分和测量的动态专家评分系统，并进一步提供一种基于评分算法和数据处理的技术上可扩展的方案，以允许将信令适应和比较到自动风险转移的其他领域。特别地，本发明提供实时评分和测量，并基于实时评分向汽车/驾驶员提供反馈，例如以警告或指导驾驶员危险行为并优化风险转移。

根据本发明，这些目的特别是利用独立权利要求的特征得以实现。此外，可以从从属权利要求和相关描述中得出其他有利的实施例。

根据本发明，实现了与基于动态测量的远程信息处理数据的电子实时操纵检测系统有关的上述目的，特别是，借助于该系统并基于在各种测量的车辆轨迹内自动地个体化驾驶员动作来测量并区分驾驶员行为和操作参数，并且其中基于导出的风险测量参数和/或碰撞姿态测量参数来生成输出信号，其中，移动远程信息处理装置与多个机动车辆相关联，远程信息处理装置包括一个或多个无线连接，其中，为了提供无线连接，远程信息处理装置借助于远程信息处理装置的天线连接在相应的数据传输网络内用作无线节点，其中，远程信息处理装置是移动电话装置的组成部分，并连接到该移动电话装置的监测蜂窝移动节点应用程序，并且其中远程信息处理装置借助于其传感器捕获机动车辆和/或用户的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据，并且其中远程信息处理传感器至少包括加速度传感器和全球定位系统(GPS)传感器和/或陀螺仪型传感器，其中，与机动车辆相关联的多个移动远程信息处理装置连接到基于动态功能聚合的远程信息处理电路，其中，数据链路在移动远程信息处理装置与基于动态功能聚合的远程信息处理电路之间设置，至少将捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据从移动远程信息处理装置发送到基于动态功能聚合的远程信息处理电路，其中，对于驾驶员动作识别，借助于基于动态功能聚合的远程信息处理电路，捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据的顺序模式与驾驶动作的可搜索的预定测量参数集合进行匹配，其中，基于动态功能聚合的远程信息处理电路包括具有可搜索的预定驾驶动作的第一数据存储单元，其中每个驾驶动作由多个分层结构的操作测量参数集合组成，其中，基于相应的操作参数集合可分别识别和触发车辆的特定操作或驾驶特征，其中，每个驾驶动作由分层结构的操作或驾驶特征的顺序模式组成，每个操作或驾驶特征可通过测量在驾驶动作的使用期限期间看到的远程信息处理参数来提取和测量，其中，借助于基于动态功能聚合的远程信息处理电路，捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据的顺序模式与驾驶动作的可搜索的预定测量参数集合进行匹配，其中，对于模式模板识别，基于动态功能聚合的远程信息处理电路(10)包括具有包含驾驶动作的可搜索的预定测量参数模式模板的第二数据存储单元，其中，每个单个驾驶动作均由多个原型参数模式组成，其中，借助于远程信息处理电路，在捕获的动作模式的持续时间内，测量单个的时间间隔，其中，测量的单个的时间间隔用作时间索引，以提取与选择的动作有效对应的部分特征，其中，对于每个捕获的动作模式和每个操作或特征，在可能的轨迹范围内，对检测的操作和/或特征配置文件进行相似性测量并且用作基准，并且其中选择高度相关的操作或特征，其中，在各种汽车轨迹内自动地个体化捕获的驾驶员动作，各种汽车轨迹是由匹配的驾驶动作的可搜索测量参数集合和驾驶动作的测量的模式模板提供的，其中，对于捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据内的两个时间序列，每次通过基于动态功能聚合的远程信息处理电路测量与时间变化无关的测量参数，其中，基于动态功能聚合的远程信息处理电路通过改变时间序列来提供两个时间序列之间的最佳匹配。作为变型，基于动态功能聚合的远程信息处理电路可以例如被实现为基于动态时间规整的远程信息处理电路，其中，对于驾驶员动作识别，顺序模式的匹配是使用驾驶动作的可搜索的预定测量参数集合基于动态时间规整实现的，其中，基于动态功能聚合的远程信息处理电路通过在时间维度上对时间序列进行非线性规整来提供两个时间序列之间的最佳匹配，并且其中包括两个时间列的两个时间序列之一在优化基于使用情况和/或基于用户和/或基于操作的远程信息处理数据的两个时间序列之间的测量相似度的同时，被局部拉伸或压缩。另外，基于动态功能聚合的远程信息处理电路可以例如被实现为基于动态符号累积近似的远程信息处理电路或基于动态分段聚集近似的远程信息处理电路，其中对于驾驶员动作识别，顺序模式的匹配是是使用驾驶动作的可搜索的预定测量参数集合基于动态符号累积近似或动态分段聚集近似实现的。替代地或附加地，基于动态功能聚合的远程信息处理电路可以例如包括基于神经网络的机器学习装置，其中，机器学习装置包括状态观察单元和学习单元，并且其中，状态观察单元观察捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据的顺序模式的状态变量，学习单元通过将观察到的顺序模式的状态变量中的至少一个链接到驾驶动作的可搜索的预定测量参数集合的至少一个来执行学习操作。学习单元可以例如包括奖励计算单元和功能更新单元，奖励计算单元基于时间序列中的至少一个生成奖励，其中，对于捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据内的时间序列，如状态观察单元观察到的，每次通过基于动态功能聚合的远程信息处理电路来测量与时间变化无关的奖励参数，并且其中，功能更新单元基于奖励计算单元生成的奖励，从当前观察到的顺序模式的状态变量中更新用于确定驾驶动作的可搜索的预定测量参数集合和驾驶动作的测量的模式模板中的至少一个的功能，从而提供两个时间序列之间的最佳匹配。机器学习装置可以例如基于卷积神经网络或递归神经网络或标准反向传播神经网络。远程信息处理装置还可以例如包括一个或多个无线或有线连接和用于与车辆的数据传输总线中的至少一个连接的多个接口，和/或用于与传感器和/或测量装置连接的多个接口，其中，远程信息处理装置连接至车载诊断系统和/或车内交互装置和/或监测蜂窝移动节点应用程序。特别地，捕获的基于使用情况和/或基于用户的和/或基于操作的远程信息处理数据可以仅基于来自加速度传感器和全球定位系统(GPS)传感器和/或陀螺仪传感器的测量数据。

前述目的也可以通过基于动态测量的远程信息处理数据的动态事故原因和事故风险测量系统来实现。特别地，这通过以下方式实现：借助于本发明，基于在各种测量的车辆轨迹内自动地个体化驾驶员动作，借助于系统，测量并区分驾驶员行为和操作参数，其中，基于导出的风险测量参数和/或碰撞姿态测量参数来生成输出信号，其中，移动远程信息处理装置与多个机动车辆相关联，其中，远程信息处理装置包括一个或多个无线或有线连接和用于与车辆的数据传输总线中的至少一个连接的多个接口，和/或用于与传感器和/或测量装置连接的多个接口，其中，为了提供无线连接，远程信息处理装置借助于远程信息处理装置的天线连接，在相应的数据传输网络内用作无线节点，其中，远程信息处理装置连接至车载诊断系统和/或车内交互装置和/或监测蜂窝移动节点应用程序，其中，远程信息处理装置捕获机动车辆和/或用户的基于使用情况和/或基于用户的和/或基于操作的远程信息处理数据，其中，与机动车辆关联的多个移动远程信息处理装置连接到基于动态时间规整的远程信息处理电路，其中，数据链路是借助于移动远程信息处理装置与基于动态时间规整的远程信息处理电路之间的无线连接设置的，至少将捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据从移动远程信息处理装置发送到基于动态时间规整的远程信息处理电路，其中，对于驾驶员动作识别，借助于基于动态时间规整的远程信息处理电路，捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据的顺序模式与驾驶动作的可搜索的预定测量参数集合进行匹配，其中，基于动态时间规整的远程信息处理电路包括具有可搜索的预定驾驶动作的第一数据存储单元，其中每个驾驶动作由多个分层结构的操作测量参数集合组成，其中，基于相应的操作参数集合可分别识别和触发车辆的特定操作或驾驶特征，其中，每个驾驶动作由分层结构的操作或驾驶特征的顺序模式组成，其中，每个操作或驾驶特征可通过测量在驾驶动作的使用期限期间看到的远程信息处理参数来提取和测量，其中，借助于基于动态时间规整的远程信息处理电路，捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据的顺序模式与驾驶动作的可搜索的预定测量参数集合进行匹配，其中，对于模式模板识别，基于动态时间规整的远程信息处理电路包括具有包含驾驶动作的可搜索的预定测量参数模式模板的第二数据存储单元，其中，每个单个驾驶动作均由多个原型参数模式组成，其中，借助于远程信息处理电路，在捕获的动作模式的持续时间内，测量单个的时间间隔，其中，测量的单个的时间间隔用作时间索引，以提取与选择的动作有效对应的部分特征，其中，对于每个捕获的动作模式和每个操作或特征，在可能的轨迹范围内，对检测的操作和/或特征配置文件进行相似性测量并用作基准，并且其中选择高度相关的操作或特征，其中，在各种汽车轨迹内自动地个体化捕获的驾驶员动作，各种汽车轨迹是由匹配的驾驶动作的可搜索测量参数集合和驾驶动作的测量的模式模板提供的，其中，对于两个时间序列，在捕获的基于使用情况和/或基于用户和/或基于操作的远程信息处理数据内，每次通过基于动态时间规整的远程信息处理电路测量与时间变化无关的测量参数，其中，基于动态时间规整的远程信息处理电路通过在时间维度上对时间序列进行非线性规整来提供两个时间序列之间的最佳匹配，并且其中包括两个时间列的两个时间序列之一在优化基于使用情况和/或基于用户和/或基于操作的远程信息处理数据的两个时间序列之间的测量相似度的同时，被局部拉伸或压缩。本发明尤其具有如下优点：它允许实时动态地对动态交通行为进行独立的动作识别，即，在动态捕获的动作类型日志中识别出实时模式。作为另一个优点，本发明的系统允许提供一种用于基于机动检测的风险评分的系统。基于机动检测的评分和车辆安全性(ADAS，主动和被动安全性)构成了开发可操作的风险转移结构的关键区别。当前的技术能力仅限于一些操纵(例如：a)超车，b)急刹车，c)快速加速，d)侧向道路进入)，而且通常不能实时完成。此外，在现有技术中，仅基于基于使用情况的风险转移(基于用户的保险(UBI))的移动系统和应用程序无法识别最相关的操作/或危险的驾驶行为，这在连接的汽车中是可行的。本发明提供了一种基于连接的汽车数据和操作的“高级评分和动态风险测量”的新系统。最后，评分结果或行程事件可以例如被显示/示出给汽车驾驶员或车辆使用者，因此可以用作驾驶员(保单持有人)的反馈/指导，以减少事故的发生。

马路、高速公路或通常由一个或多个行车道组成的其他车道的交通，其特征在于涉及许多车辆、行人、移动或静止的物体以及各种相关的背景和环境条件的复杂的交通场景。为了减少事故的风险，驾驶员必须准确地解释情况中可能涉及的危险。这包括准确地识别所有周围车辆的预期操作等。如果驾驶员在解释交通场景期间分心或不知所措，则可能导致事故和交通拥堵，除了宏观经济影响(例如，人力和生产力的损失等)外，还会对环境造成二氧化碳污染。

任何对交通动作的识别和解释都将成为现代驾驶员辅助系统以及现代风险测量和评估系统中的关键要素。巨大的努力已经投入到提早识别变道动作；然而，已经发现许多技术挑战阻止了适当的动作识别系统的实施。在早期的主动识别中，邻近车辆的潜在危险动作代表技术挑战的两个主要原因是：(i)随着时间的推移，情况迅速发展，因此自动系统将需要以毫秒为单位捕获的信息；(ii)只有同时考虑多个传感器测量(通常表征多个车辆)的联合行为时，才能可靠地识别情况。在本发明中，测量和动态捕获的数据集可以包括用于当前和邻近车辆的移动状态的测量参数(例如，位置、速度、加速度、车道内的方向、轨迹)，动作的可用空间，以及测量参数和与环境相关的适当信息(例如车道标记和道路边界)。例如，可以根据三个主要维度：横向证据、轨迹和占用时间表网格，来构造用于动作识别的情境特征。

通常用于诸如本发明的系统的测量的汽车数据集合可能非常大。考虑一种高速公路场景，该场景涉及在车道上行驶的车辆，以及在所考虑的车辆前面的三个不同车道内行驶的其他三个车辆。描述这种场景的信息通常包含252个观测值，这些观测值是以固定的采样率(以毫秒为单位)获取的。在现有技术的系统中，如果要分析仅持续一个小时的测试驾驶以能够适应模型参数，则将导致数百万个数据库记录。例如，使用当今的40毫秒采样率，将产生22680000条记录。还需要在数千公里的驾驶上以相应的大量行驶时间对现有技术的系统进行测试；由于数据库的巨大规模，这使得技术数据处理方案的离线参数适应变得不可行。因此，与可用于在线处理的系统相反，本发明提供了可扩展以处理非常大量的数据的有效技术实施方式和方法。用于在交通情况下进行动作识别的本发明的系统优化了使用的技术结构，以匹配该系统的数据处理装置的存储器需求、推理时间和计算能力。该优化以新的方式满足了响应性要求，并确保已开发的系统即使在汽车处理器使用的时间范围内也能够运行。此外，本系统提供了动态建模，其甚至能够基于观察和测量的数据流来促进对潜在危险动作的早期识别。例如，该系统可以附加地配备合适的推理引擎，以适应不确定的状况下的实时决策，提高了甚至在任何演变的和潜在的危险的操作的影响变得严重之前检测它们的实时能力。实施的用于识别潜在危险动作的概率技术方法的优势提供了处理测量数据中高度不确定性的能力。本发明可以容易地通过与车道有关的坐标系以及用于所有建模车辆的单独的占用时间表网格来扩展。这种组合允许对动作关系(例如交通场景中的现有车道和车辆-车辆关系)进行更有效的分类，从而充分改善复杂交通情况的自动识别和测量。概率和方差可以由本系统系统地传播，其导致建模的驾驶动作的概率集合。本发明允许在越来越复杂的交通情况下(包括变化的状况场景和多个交通参与者)执行动作识别步骤。尽管现有技术的系统主要对单个对象信息作出响应，但是本发明的系统能够考虑不同的交通参与者及其相对彼此的关系。该系统允许利用稳健和准确的操作技术结构来准确执行。本系统能够考虑所有空间和时间依赖性，包括多个相互作用的交通参与者。此外，提供的动作识别，例如即使在实时执行期间，也可以在动态交通动作内驾驶的同时提供稳健地预测的车辆轨迹，这不仅可以用于风险测量和预测，还可以用于实施高级驾驶员辅助系统(ADAS)。本发明具有附加的优点：动作被广泛地构造和实施，因为无论什么驾驶员动作都必须被捕获，在技术上具有清楚和明确的语义含义。典型的动作例如是换道、超车、减速等。基于所讨论的结构，每个动作可以由系统分层地专用化，以识别特定的操作。这例如具有这样的优点：可以测量汽车超车或骑车人，从而可以区分实际超车动作(可能侵占对面车道)与稍微明显的转弯(远离车道的右边缘移动，比方说，最多1米)；类似地，与缓慢车道改变相对的快速车道改变等。正如从技术角度所提到的，每个动作都是分层地专用化，以便识别特定的操作。该技术专用化对于允许驾驶员特征的自动识别特别重要，而该专用化又被系统用来通过物理测量来说明驾驶员的潜在风险和碰撞姿态。在此应用程序中，风险被限定为现实世界中的物理的(即仪器可测量的)度量或数量，其给出可再现测量的实际(现实世界)故障概率。这必须与作为由某些专业参与的商业方法的风险区分开来，其在限定上与任何仪器或技术测量无关，并且在技术意义上不是可再现的物理量，或者等效的市场度量，即，风险中性度量。此外，本发明允许在背景相关性或其他模式依赖性的背景中在技术上区分和测量动作：首先，真正的动作(例如超车)，以及具有类似模式但风险级别不同的的动作(例如超过骑自行车的人)，通常不得侵害对面的车道。其次，背景参数，如道路类型，例如在高速公路上的快速超车肯定会比在乡村道路上超车的时间少。最后，该系统还允许在作为重要的参数度量的谨慎和安全性之间进行区分。例如，过分谨慎或不安全感所导致的缓慢超车肯定比过快的超车动作危险得多，因为这很可能在两条车道上引发危险，并且在任何情况下都会激怒邻近的驾驶员。因此，这种差异对测量的风险有直接影响，并且系统必须能够提供测量这种影响的技术手段。

驾驶员的潜在风险和碰撞姿态可以例如基于各种测量的汽车轨迹内的自动个体化的驾驶员动作来测量。风险测量和/或碰撞姿态测量可以例如至少基于驾驶员特征的参数，该驾驶员特征的参数是从捕获的远程信息处理数据的顺序模式的驾驶员动作识别提取的。驾驶员动作识别可以例如由捕获的背景测量参数进一步触发。该实施变型尤其具有如上所述的优点。捕获的背景测量参数可以例如至少包括道路类型测量参数和/或天气测量参数和/或白天测量参数。风险测量参数和/或碰撞姿态测量参数可以例如包括背景测量参数最优点，而捕获的背景测量参数是变化的，同时在最优点的两侧上增加。选择的模板可以例如通过借助于耦合过滤器来提供模板平均来进行过滤，该耦合过滤器将去除伪像和个体奇异点，将每个模板识别为特定于单个捕获的动作。耦合过滤器可以例如由系统动态地适配于测量的概括阈值，在该阈值处，捕获来自第一和第二数据存储的选择的参考动作的所有不同表型表示。捕获的驾驶员动作可以例如是在各种汽车轨迹内被自动地个体化，各种汽车轨迹由匹配的驾驶动作的可搜索的测量参数集合和驾驶动作的测量的模式模板提供的，其中，系统包括预定的个体化识别器，这些识别器在通过返回车辆轨迹的部分而在各种可能的动作之间进行区分的同时，自动地在输入选择的模板集合时最精确地匹配它们。最后，该系统能够通过基于各个汽车轨迹关联潜在的碰撞或接近碰撞的轨迹，来提供用于区分驾驶员行为和风险的测量参数。因此，本发明的系统能够提供对合适的识别器的可靠的自动识别，通过输入测量的模板的集合，识别器能够在各种动作之间进行区分，并返回与动作精确匹配的那部分轨迹。这意味着，该系统能够在各种汽车轨迹内自动个体化驾驶员动作，在该过程的较后的阶段，将提供必要和足够的信息用于根据潜在的碰撞或接近碰撞的测量的数据集区分驾驶员的行为和潜在风险。在这种背景下，值得注意的是，每年全球有超过一百万人死于交通事故。世界卫生组织(世界卫生组织)预测，到2030年交通事故将成为第五大死亡原因。研究证明，在50％以上的交通事故中，不安全或不正确的驾驶行为是造成事故的原因。交通事故可能归因于不同的因素，但是不正确的驾驶行为是主要原因之一。

在现有技术中，存在用于监测车辆和驾驶员行为的不同方案。但是，这些方案昂贵，并且通常针对车队管理系统。然而，智能手机和带有各种传感器的移动电话的越来越多的出现允许大规模实施车辆监测系统。通常，现代智能手机和移动电话具有不同的永久监测传感器，例如，加速度计、陀螺仪、全球定位系统(GPS)、光传感器、接近传感器和磁传感器、麦克风和摄像头。这些传感器允许实施感测应用。如前所述，车辆监测可用于移动电话的许多重要感测应用中，例如可以监测驾驶员以使驾驶员意识到任何潜在的危险驾驶行为。然而，该技术的实施由于许多技术障碍(例如上述的智能手机的感测数据的有限可用性、智能手机提供的有限的能量和数据处理资源，以及不精确或叠加的感测数据)而中止。本发明克服了这些技术问题，从而允许仅基于智能手机或移动电话的使用来进行自动驾驶动作识别以及驾驶行为分类。该系统能够检测各种动作并基于检测的驾驶动作对驾驶员的行为进行分类。这些不同的系统展示了各种可能的驾驶行为分类。因此，一个人的驾驶风格可以分为安全或有风险、省油或费油、熟练或不熟练；在模拟专家系统的意义上，甚至可以相应地提供建议来改善驾驶习惯。本发明提供了用于智能手机的完整的驾驶员行为监测系统。该系统可以仅通过使用智能手机(如果放置在车辆中)的内部加速度计、陀螺仪和/或磁力计和GPS来检测和分类多种驾驶动作和驾驶风格(例如激进和非激进)。但是，该系统不仅能够识别驾驶动作和风格，而且最重要的是，它还能够测量某些驾驶风格和动作的水平，例如驾驶员的激进或技术水平。

作为实施例变型，所述耦合过滤器至少可以包括高斯过滤器和/或移动平均值和/或中值过滤器，其中，通过使用耦合过滤器，每个模板专门用于单个动作。这尤其具有以下优点：模板的平均与过滤器(例如高斯过滤器、移动平均值、中值过滤器等)耦合允许使每个模板特定于单个动作，从而保证足够大的泛化水平，以便捕获参考动作的所有不同的表型表示。

与可能的评分方式有关，可变驾驶评分参数可以例如至少是基于测量的和识别的驾驶员的动作、包括速度和/或加速度和/或制动和/或转弯和/或颠簸的驾驶员行为参数的度量，和/或包括驾驶时手机使用情况的分心参数的度量，和/或疲劳参数和/或药物使用参数的度量。可变背景评分参数可以例如至少是基于测量的行程评分参数，测量的行程评分参数依赖于道路类型和/或交叉路口的数量和/或隧道和/或海拔，和/或测量的行程参数的时间，和/或测量的天气参数和/或测量的位置参数，和/或测量的距离驱动参数。可变车辆安全评分参数可以例如至少基于测量的ADAS特征激活参数和/或测量的车辆碰撞测试额定参数和/或测量的机动车辆的自动参数水平和/或测量的软件风险评分参数。由自动风险转移供应商系统提供的多个个体化的风险转移配置文件可以例如借助于机动车辆的运行期间触发的、捕获的和监测的运行参数或环境参数，基于测量的驾驶动作和/或驾驶的时间相关的使用和/或风格和/或环境条件，时间依赖地变化。自动风险转移供应商系统可以包括相关联的自动第一风险转移系统，以基于从机动车辆到相应的第一风险转移系统的第一风险转移参数来提供第一风险转移，其中，第一风险转移系统包括多个支付转移模块，被配置为接收和存储与所述机动车辆的风险暴露的风险转移相关联的第一支付参数，用于风险汇集的目的。影子请求的风险相关的参数可以例如至少包括生成的单个或复合的可变评分参数集合和/或借助于移动远程信息处理装置捕获的基于使用情况和/或基于用户和/或操作的远程信息处理数据的至少一部分。车辆嵌入式远程信息处理装置(装配有OEM线)的一个或多个无线连接或有线连接例如可以包括例如使用具有正交频分复用的灯泡形检测器的蓝牙或蓝牙LE和/或Wi-Fi和/或WiMAX和/或基于激光的高速无线连接，作为用于交换数据的无线连接，通过构建具有车载蓝牙功能或蓝牙LE(低能耗)和/或3G或4G和/或GPS和/或GPRS和/或基于Wi-Fi 802.11标准的BT和/或WiMAX的个人区域网(PAN)和/或非接触式或接触式智能卡，和/或SD卡(安全数字存储卡)或其他可互换的非易失性存储卡，该无线连接在2.4至2.485GHz的ISM(工业、科学和医学)无线电频带中使用短波UHF(超高频)无线电波。

作为另一实施例变型，移动蜂窝电话可以用作包括集成的或可访问传感器和测量装置的移动远程信息处理装置和/或车辆嵌入式远程信息处理装置和/或车载诊断系统和/或车内交互装置，例如包括在机动车辆的运转期间，用于感测机动车辆的运行参数的本体感受传感器和/或测量装置和/或用于感测环境参数的外感性传感器和/或测量装置。车载传感器和测量装置可以例如包括至少一个基于3轴特斯拉计和3轴加速度计的GPS(全球定位系统)模块和/或地质罗盘模块，和/或陀螺仪或陀螺计，和/或MEMS加速度传感器(包括具有地震质量的悬臂梁，作为测量适当或重力加速度的检测质量，和/或MEMS磁力计或磁阻坡莫合金传感器或其他三轴磁力计。与机动车辆的转移的风险暴露相关的限定的风险事件可以例如至少包括与损害和/或损失和/或交付延迟的责任风险转移有关的转移的风险暴露，其中，发生的损失由第一风险转移系统基于第一风险转移参数和相关的第一支付转移参数(如果请求的风险转移此时未被系统拒绝)自动弥补。外感性传感器或测量装置可以例如至少包括用于监测机动车周围环境的雷达装置，和/或用于监测机动车辆周围环境的LIDAR装置，和/或用于测量机动车的定位参数的全球定位系统或车辆跟踪装置，和/或用于补充和改进由全球定位系统或车辆跟踪装置测量的定位参数的里程装置，和/或用于监测机动车辆的周围环境的计算机视觉装置或摄像机，和/或用于测量靠近机动车辆的物体的位置的超声传感器。为了提供无线连接，移动远程通信装置可以例如借助于嵌入车辆的远程信息处理装置(装配有OEM线路)的天线连接在相应的数据传输网络中用作无线节点，特别是用作例如3G，4G，5G LTE(长期演进)网络等移动通信网络或移动WiMAX或其他基于GSM/EDGE和UMTS/HSPA的网络技术等，并且尤其是具有诸如SIM(用户身份模块)等适当的标识装置。远程信息处理装置可以例如连接到车载诊断系统和/或车内交互装置，其中，移动远程信息处理装置捕获机动车辆和/或用户的基于使用情况和/或基于用户和/或操作的远程信息处理数据。此外，移动远程信息处理装置可以例如连接到车内交互装置和/或车载诊断系统，其中，车辆的速度和行驶距离由全球定位系统(GPS)电路监测，并且其中，远程信息处理数据经由移动远程信息处理装置或作为移动远程信息处理装置的蜂窝电话借助于蜂窝远程通信连接传输到基于中心专家系统的电路。移动远程信息处理装置可以例如是借助于以下提供一个或多个无线连接：无线电数据系统(RDS)模块，和/或包括卫星接收模块的定位系统，和/或包括数字无线电服务模块的移动蜂窝电话模块，和/或与无线电数据系统或定位系统或蜂窝电话模块进行通信的语言单元。卫星接收模块可以例如包括全球定位系统(GPS)电路和/或数字无线电服务模块至少包括全球移动通信系统(GSM)单元。用于与机动车辆的数据传输总线中的至少一个连接的移动远程通信装置的多个接口可以例如包括至少一个用于与机动车辆的控制器局域网(CAN)总线连接(例如与车载诊断(OBD)端口连接，或其他连接，例如用于安装电池的装置或者OEM(原始装置制造商)安装的系统，这些系统可访问车载传感器或娱乐系统(例如Apple Carplay等)的信息，以提供必要的车辆传感器信息的接口。

基于动态时间规整的远程信息处理电路还可以包括聚合模块，该聚合模块基于捕获的与风险相关的远程信息处理数据，为一个或多个汇集的暴露于风险的机动车辆提供风险暴露，其中，第一和第二风险转移参数以及相关的第一和第二支付转移参数是基于汇集的机动车辆的预定风险事件发生的可能性动态地生成的。此外，通过增加关联的存储的聚合损失参数，在预定时间段内，借助于测量的所有暴露于风险的机动车辆上的风险事件的发生的捕获的损失参数，可以自动地聚合发生的和触发的损失，并且通过增加关联的存储的聚合支付参数，用于在预定时间段内，自动地聚合所有暴露于风险的机动车辆上的接收的和存储的第一支付参数，其中，可变的第一和第二风险转移参数以及相关的第一和第二支付转移参数是基于聚合的损失参数与聚合的支付参数的比值动态地生成的。借助于基于动态时间规整的远程信息处理电路，第一和第二风险转移系统可以例如被完全自动地控制、触发、发信号和相互激活，其中，控制、触发、发信号和激活基于动态自适应的第一和第二风险转移参数以及相关的第一和第二支付转移参数，借助于耦合的第一和第二风险转移系统，为与动态事故原因和事故风险测量系统及平台相关的可变数量的机动车辆提供了自足的风险保护。在第一和第二风险转移层的背景下，第一风险转移系统可以例如包括自动的第一资源汇集系统，第二风险转移系统包括自动的第二资源汇集系统，其中，暴露于风险的机动车辆借助于多个支付转移模块连接到第一资源汇集系统，支付转移模块被配置为从暴露于风险的机动车辆接收和存储第一支付，以汇集所述风险暴露，其中，第一风险转移系统基于接收和存储的第一支付参数为每个连接的暴露于风险的机动车辆提供自动风险保护，其中，第一风险转移系统借助于第二支付转移模块连接到第二资源汇集系统，第二支付转移模块被配置为从第一保险系统接收和存储第二支付参数，以接收由第一风险转移系统累积的部分风险暴露，其中，在发生了限定的风险事件之一的情况下，发生的损失将由基于专家系统的汽车系统自动弥补。

本发明能够提供用于各种风险转移方案的自动风险转移系统，例如，与部分或全自动车辆相关或取决于部分或全自动车辆的汽车或产品责任(再)保险系统和/或风险转移系统。而且，本发明提供了一种整体和统一的自动技术方法，以覆盖所有不同的风险转移结构中的机动车辆，例如，用于汽车和/或技术制造商的产品责任、驾驶员责任险。此外，本发明还提供了一种整体技术方案，其涵盖了从汽车控制电路和/或远程信息处理装置和/或应用程序安装到自动和准确的风险测量、分析和管理的整个范围。最后，它能够提供动态的实时评分和测量，还提供基于评分算法和数据处理的技术可扩展方案，从而允许信号适应于自动风险转移的其他领域。通过背景数据增强的本发明能够为实时适应的多层风险转移系统提供最佳和最高优化的技术方案。它允许捕获和控制驾驶员评分行为，并在技术操作和背景内比较其行为。它允许根据位置或行程自动捕获风险得分，并允许自动分析与增值服务(例如事故通知和/或警告/对驾驶员的指导反馈和/或自动车队风险报告和/或自动和动态优化的承销等)需求相关的数据并对该数据做出响应。在实施的变型中，驾驶评分模块可以例如根据测量的维护状态(例如所有者维护失败)和从与机动车辆关联的汽车数据或激活安全特征的使用中提取的监测因素自动地捕获评分风险。该系统的基于远程信息处理的反馈装置可以例如包括经由数据链接到机动车辆的汽车控制电路的动态警报馈送，其中，基于中心专家系统的电路信号装置立即向驾驶员警报许多性能度量，包括例如高RPM(即每分钟高转数)，作为机动车辆的发动机的马达旋转的频率、不稳定的驾驶、不必要的发动机功率、猛加速、道路预期的度量，和/或ECO驾驶和/或猛制动和/或快速的侧向道路驶入和/或左右超车和/或追尾和/或超速/鲁莽驾驶(例如，在弯道上超车)和/或闯红灯(V2I技术)和/或不安全的车道改变和/或逆向驾驶和/或分心(对于连接的汽车数据更准确)和/或在困倦时驾驶等。动态事故原因和事故风险测量系统为与机动车辆的风险模式(例如位置，速度等)相关的风险适应和动态地实时(即，发生时)改善提供了机会。通过警觉的训练辅助工具向驾驶员提供即时反馈，并将信息直接发送到移动远程信息处理装置，确保双管齐下的方法校正危险(且通常很昂贵)的驾驶习惯。因此，动态事故原因和事故风险测量系统不仅允许相互优化第一和第二风险转移系统的运行参数，而且还允许在暴露于风险的机动车辆的水平上优化风险和/或风险行为。没有现有技术的系统允许这种整体的实时优化。作为另一增值服务，汽车系统可以例如动态生成选定的机动车辆的车队风险报告。这种由汽车系统自动生成的车队报告提供了一种新方法来共享和比较车辆统计信息。具有例如为启用风险转移((再)保险)装置的汽车预付资金的功能的所提出的发明将刺激运营商(第一层风险转移系统)向第二层风险转移系统提供其汽车数据和索赔历史，从而不断改善其评分服务，这反过来在帮助降低成本和和系统之间的组合比率方面利于运营商。

在一个替代实施例中，基于动态时间规整的远程信息处理电路包括具有存储的分类触发参数的表，用于触发预定的分数等级，其中，基于使用过程中的驱动机动车辆的触发的分类和基于从多个驱动机动车辆中捕获的基于使用情况和/或基于用户和/或可操作的汽车数据，第一和第二风险转移参数以及相关的第一和/或第二支付转移参数借助于基于中心专家系统的电路是动态适应的和/或累积的。该实施例尤其具有如下优点：通过考虑动态测量的基于使用情况的参数，它允许提供一种新的和统一的方法，用于处理与风险相关的和暴露于风险的机动车辆有关的自动风险转移，从而允许在暴露于风险的车辆水平以及第一和/或第二风险转移系统的风险暴露的操作汇集水平上进行新的优化。

在一个替代实施例中，驾驶评分模块通过将捕获的远程信息处理数据与限定的评分驾驶行为模式进行比较，基于限定的评分驾驶行为模式来触发并自动选择评分驾驶参数。驾驶评分模块还可以例如基于捕获的移动远程信息处理装置的远程信息处理数据，根据测量的机动车辆位置或行程自动捕获评分风险。该替代实施例尤其具有的优点是，它允许提供实时适应的多层风险转移系统。此外，它允许捕获和/或控制评分驾驶行为(也在驾驶行为的位置、时间、道路等意义上)，并在技术操作和背景内比较其行为。它允许根据位置或行程自动捕获评分风险，并允许对与附加服务(例如事故通知)需求有关的数据进行自动分析和响应。

在一个替代实施例中，基于中心专家系统的电路包括附加的触发器，其基于捕获的远程信息处理数据输出事故通知和/或其他附加服务。该替代实施例尤其具有以下优点：该系统能够基于附加生成的信令向客户提供扩展的利益。

在另一替代实施例中，交换装置包括捕获装置，用于捕获从第一风险转移系统到第二支付转移模块的支付转移，其中，通过触发匹配预定的激活阈值参数的支付转移，系统的第二层触发结构是可激活的。在另一个实施的变型中，在触发与限定的风险事件的发生相关的损失的情况下，基于第二风险转移参数和相关的第二支付转移参数，发生的损失的预定的部分由第二保险系统覆盖。因此，本发明可以利用比例或非比例风险转移作为第一和第二风险转移系统之间的耦合机制来实现，其中，在比例风险转移耦合下，分别为了转移到风险转移系统的每个损失，第二风险转移系统借助于交换装置，通过转移到第一风险转移系统的每个风险的固定百分比分配被激活。因此，第二风险转移系统通过第二支付参数从第一风险转移系统接收该固定的支付转移。在非比例风险转移耦合下，在触发超过与限定的风险事件的发生相关的限定的激活阈值参数的情况下，基于第二风险转移参数和相关的第二支付转移参数，发生的损失至少部分由第二保险系统覆盖。激活阈值可以与每个发生的单个损失相关联，也可以与借助于聚合的损失参数测量的累积损失相关联。因此，可以以过量的损失或止损风险转移结构来实现非比例耦合，其中，过量的损失结构可以例如基于每个风险XL(工作XL)、每次发生/每个事件XL(灾难性或Cat XL)或聚合XL结构。作为更特定的替代实施例，借助于资源汇集系统的监测模块，请求经由多个支付接收模块从风险暴露组件到资源汇集系统的定期支付转移，其中，当经由监测模块无法检测到定期转移时，用于风险暴露组件的风险转移或保护被监测模块中断。作为替代方案，当在风险暴露组件的数据流路径中触发了风险事件的指示符发生时，定期支付转账请求可以自动中断或由监测模块放弃。这些替代实施例尤其具有以下优点：系统允许监测操作的进一步自动化，尤其是关于汇集的资源的操作的自动化。

在另一替代实施例中，在借助于风险事件触发器在移动远程信息处理装置或基于动态时间规整的远程信息处理电路的数据流路径中触发风险事件的指示符的发生的情况下，激活第一和/或第二资源汇集系统的独立验证风险事件触发器，其中，如果在具有与主数据流路径独立的测量参数的例如替代的远程信息处理装置的替代数据流路径中发生有关风险事件的指示符，则独立验证风险事件触发器附加地发出触发，以验证在暴露于风险的机动车辆处的风险事件的发生。在该替代方案中，如果风险暴露组件处的风险事件的发生由独立验证风险事件触发器来验证，则仅将支付转移分配给相应的暴露于风险的机动车辆。这些替代实施例尤其具有的优点是，它们有助于改善系统的操作和财务稳定性。此外，该系统不易遭受欺诈和伪造。

在另一替代实施例中，第一保险系统包括接口模块，该接口模块用于在将支付参数从第一资源汇集系统转移到第二资源汇集系统之前，访问和适配分配的操作参数。该替代实施例尤其具有以下优点：可以由第一保险系统或第二保险系统直接动态地调整风险转移结构，并且附加地，进一步选择和/或优化风险转移结构。

在又一替代实施例中，基于动态时间规整的远程信息处理电路包括用于处理与风险有关的动作识别数据和驾驶机动车辆数据的装置，和提供关于与一个或多个汇集的暴露于风险的机动车辆相关的所述风险暴露的可能性的数据的装置；尤其是基于与风险有关的机动车辆数据，并且其中，可以基于汇集的暴露于风险的机动车辆的风险暴露的总风险和/或可能性，动态确定来自暴露于风险的机动车辆的用于汇集其风险的支付的接收和预处理存储。该替代实施例尤其具有如下优点：可以动态地调整第一和/或第二资源汇集系统的操作，以改变与汇集的机动车辆的汇集的风险相关的条件，例如环境条件或风险分布的改变等。另一个优点是，当系统在不同的环境、位置或国家运行时，该系统不需要任何手动调整，这是因为暴露于风险的机动车辆的支付的大小与总的汇集的风险直接相关。然而，重要的是要注意，本发明不一定必须导致调整后的定价或保险费。例如，它还可以自动向在低风险地区驾驶的自动的机动车辆提供优惠券，或者完全不改变，但是系统使用汽车数据自动确定明年是否继续进行风险转移。本发明还可以专门用于自动提供和激活适配的和/或专门选择的增值服务(例如事故通知和/或对机动车辆或驾驶员的反馈和/或自动车队风险报告和/或自动和动态优化的承销等)。因此，本发明允许第一风险转移层或系统的风险以及在被保险的机动车辆的水平上的风险(例如，通过实时的基于风险的驾驶员反馈)和/或第二风险转移层或系统的风险的调整。没有现有技术系统允许这种优化和/或适应。反馈可以例如通过在相同位置和/或可比较条件下将机动车辆的配置文件和模式与其他机动车辆的配置文件和模式进行比较来生成。

在一个替代实施例中，该系统包括用于处理与风险相关的组件数据的装置，和对于一个或多个汇集的暴露于风险的机动车辆，提供关于所述风险暴露的可能性的信息的装置，尤其是基于与风险有关的机动车辆数据，并且其中，可以基于汇集的风险暴露的组件的风险暴露的总风险和/或可能性，动态确定从第一资源汇集系统到第二资源汇集系统的支付的接收和预处理存储，用于风险转移。该替代实施例尤其具有如下优点：可以动态地调整第一和/或第二资源汇集系统的操作，以改变与汇集的风险组件的汇集的风险的条件，例如环境条件或风险分布的改变等。另一个优点是，事实是当系统在不同的环境、位置或国家运行时，该系统不需要任何手动调整，这是因为风险暴露组件的支付的大小与总的汇集的风险直接相关。

在一个替代实施例中，通过第一风险转移系统将汇集的机动车辆的数量动态地调整到由风险转移系统覆盖的非协变发生的风险仅在任何给定时间影响相对较小比例的汇集的风险暴露组件的范围。类似地，第二风险转移系统可以例如动态地将从第一风险转移系统转移的汇集的风险份额的数量调整到由第二风险转移系统覆盖的非协变发生的风险仅在任何给定时间影响相对较小比例的从第一风险转移系统转移的总的汇集的风险的范围。该变型尤其具有如下优点，它可以改善系统的运行和财务稳定性。

在一个替代的实施例中，对于一个或多个预定风险事件，基于时间相关的发生数据，借助于操作模块来动态地调整风险事件触发器。该替代实施例尤其具有如下优点：例如改进的预测系统等来捕获风险事件或避免这种事件的发生的改善可以由系统动态地捕获，并且基于汇集的风险暴露组件的总风险来动态地影响系统的整体操作。

在另一替代实施例中，在每次触发发生时，借助于至少一个风险事件触发器，测量指示预定风险事件的参数，利用触发分配总参数支付，并且其中在触发发生时，总分配的支付是可转移的。预定的总支付可以例如被分级为任何适当的限定的总额，例如预定值，或者与总转移的风险和暴露于风险的机动车辆的定期支付量相关的任何其他总额。该替代方案尤其具有以下优点：参数支付或预定量的支付可以依赖于固定的量。此外，参数支付可以允许调整总额的支付，其例如可以取决于由系统触发的风险事件的发生阶段。

附图说明

通过示例的方式，将参考附图更详细地解释本发明，其中：

图1示出了框图，该框图分别示意性地示出了基于动态测量的远程信息处理数据3的电子实时操纵检测系统1以及动态事故原因和事故风险测量系统1，其中，基于各种测量的车辆轨迹9内的自动地个体化和隔离的驾驶员动作91借助于系统1测量和区分驾驶员行为和操作参数。基于导出的风险测量参数和/或碰撞姿态测量参数来产生输出信号。移动远程信息处理装置400与多个机动车辆41，…，45相关联，远程信息处理装置400包括一个或多个无线或有线连接411，…，415，和用于与车辆的数据传输总线中的至少一个连接的多个接口421，…，425，和/或用于与传感器和/或测量装置401，…，405连接的多个接口。为了提供无线连接411，…，415，远程信息处理装置400借助于远程信息处理装置400的天线连接在相应的数据传输网络2内用作无线节点221，…，225。远程信息处理装置400连接到车载诊断系统431，…，435和/或车内交互装置441，…，445和/或监测蜂窝移动节点应用程序451，…，455。远程信息处理装置401，…，405捕获机动车辆41，…，45和/或用户321、322、323的基于使用情况31和/或基于用户32和/或基于操作33的远程信息处理数据3。

图2示意性地示出了示例性的自主驾驶机动车辆41，…，45，其具有示例性的车载传感器和测量装置401，…，405，即，由外感性传感器或测量装置4011、本体感受传感器或测量装置4012和移动远程信息处理装置411，…，415捕获的感测数据40111/40121。与外感性传感器或测量装置4011有关，参考标记40112表示全球定位系统GPS(与来自里程计、高度计和陀螺仪的测量数据相结合，提供空间中的准确定位)，参考标记40113表示超声传感器(测量非常接近机动车辆41，…，45的物体的位置，参考标记40114表示里程传感器(补充和改善GPS信息)，参考标记40115LIDAR(光检测和测距)测量装置(监测车辆的周围地区，例如道路、其他车辆、行人等)，参考标记40116表示摄像机(监测车辆的周围地区，例如道路、其他车辆、行人等)，以及参考标记41117表示雷达传感器(监测车辆的周围地区，例如道路、其他车辆、行人等)。

图3示出了另一示意图，其示意性地示出了原始轨迹(蓝色曲线)与去除了无用的循环之后获得的相同轨迹(红色曲线，参见清洗过程1)之间的示例性比较。

图4示出了另一示意图，其示意性地示出了原始轨迹(蓝色曲线)与去除了虚假的路径之后获得的相同轨迹(红色曲线，参见清洗过程2)之间的示例性比较。

图5示出了示意性地示出了示例性虚假的插值轨迹(蓝色曲线)及其平滑版本的示意图，其通过应用闭值阈区域位置变换(红色曲线)或使用下面介绍的两步插值策略(绿色曲线)获得。

图6示出了示意性地示出了示例性之字形特征(蓝色曲线)及其拉直(红色线)的示意图。要注意的是，微弱的几乎在视觉上难以察觉的振荡行为仍然使问题变得更加微妙，因为其对计算的特征的影响非常显著。

图7示出了示意性地示出了示例性曲线轨迹的示意图，该曲线轨迹示出了微弱的之字形特征(蓝色曲线)及其在三次拟合曲线上的投影(红色线)。参见上面关于图6的注释。

图8示出了示意图，其以示例性方式示意性地示出了纵向速度校正对典型轨迹的影响，其中红色轨迹代表原始轨迹，而绿色和蓝色轨迹与通过分别应用全局和窗口对准获得的轨迹有关，后者的窗口大小为w_s＝40。

图9示出了示意图，其示意性地示出了图9a1-9a5、9b1-9b5和9c1-9c5的概况。图9a1-9a5、9b1-9b5和9c1-9c5示出了在轨迹的一部分上的δ＝4度的插值函数及其前四个导数。图的第一行，即图9a1-图9a5，示出了二维平面中的轨迹，测量单位为米和秒。最后两行，即图9b1-图9b5和图9c1-图9c5，分别示出了插值函数在第一和第二坐标与时间上的投影。该轨迹是指图8中所描绘的轨迹的右上角。

图10示出了示意图，其示意性地示出了特征v＝vspeed_from_pos、v^long＝vspeedlong、vtran＝vspeed_tran和s＝speed tran_sign的示例性图形表示，其中s±分别表示正负。大项目符号代表GPS位置，而小项目符号代表其插值位置pos_int。

图11示出了示意图，其以示例性方式示意性地示出了与车辆的超车动作相关的三个典型模板，如在图8中所描绘的轨迹的底部中执行的，并且更精确地在时间间隔[22:74]；31:77](对应于图片中两个大项目符号突出显示的位置23至32)。模板已利用高斯过滤器进行了清洗，并在相似路径上进行了平均。

图12示出了示意图，其再次以示例性方式示意性地示出了与车辆的超车动作相关的四个典型模板，如在图8中所描绘的轨迹的底部中执行的，并且更精确地在时间间隔[22:74]；31:77](对应于图片中两个大项目符号突出显示的位置23至32)。原始模板(蓝色曲线)已用高斯过滤器(绿色曲线)清洗，并通过分段线性拟合(红线)进行了样式化。为了方便可视化，模板用浅色线条连接。

图13示出了示意图，其以示例性方式示意性地示出了应用于两个正弦形时间序列的DTW的典型示例。红色曲线：以固定时间间隔采样的持续15秒的序列；蓝色曲线：分别在其初始特征和最终特征中具有关于红色系列的三倍和一半的采样率的持续21秒的序列；灰色虚线：两个序列之间的最佳时间对应。

图14示出了示意图，其示意性地示出了动态地记录到谷歌地图上的EcoAndroid的清洗的坐标的示例性投影。

图15a-e示出了示意图，其以示例性方式示意性地示出了通常采用的以分类行程窗的基础动作配置文件或模板的集合。图15a示出“急刹车”，图15b示出“左弯道”，图15c示出“右弯道”，图15d示出“左超车”，图15e示出“右超车”。其它基本动作配置文件可以例如涉及“左换道”、“右换道”、“左倒车入库”、“右倒车入库”等。

图16示出了示意图，其示意性地示出了在划分特征||vaccel_long||x accel_long_sign的进程的窗口上，图15所示的急刹模板的示例时间规整。

图17以示例性方式示意性地示出了在适当地阈值化查询和模板之间的距离之后，由图15中成对的模板识别的左曲线。

图18以示例性方式示意性地示出了借助于机动车辆41，…，45的外感性传感器或测量装置4011的环境参数40111的感测，环境参数40111至少包括到物体的距离和/或环境光的强度和/或声音幅度，即，使用来自机器人丰田普锐斯的谷歌车队(spectrum.ieee.org)的一个示例，用于机动车辆41，…，45的自主或部分自主驾驶的车载汽车控制系统9如何解释外感性传感器或测量装置4011和本体感受传感器或测量装置4012的感测数据40111/40121。这样的汽车能够完全自动驾驶汽车，或者至少在偶尔人工干预的情况下在城市交通中、在繁忙的高速公路和山区道路上驾驶。

具体实施方式

图1示意性地示出了基于动态测量的远程信息处理数据3的电子实时操纵检测系统1的实施例的可能实现的架构，特别是还提供了测量驾驶员行为和操作参数的动态事故原因和事故风险测量系统1，并且借助于系统1基于各种测量的车辆轨迹9内的自动个体化的驾驶员动作91来区分驾驶员行为和操作参数，以及基于导出的风险测量参数和/或碰撞姿态测量参数来产生输出信号。可以借助于系统1来个体化驾驶员动作91。特别是，考虑到例如作为机动车辆的发动机的旋转频率的度量的高RPM(即每分钟高转数)和/或不稳定的驾驶和/或不必要的发动机功率和/或猛加速和/或道路预期和/或ECO驾驶和/或猛制动和/或快速的侧向道路驶入和/或左右超车和/或追尾和/或超速/鲁莽驾驶(例如，在弯道上超车)和/或闯红灯(V2I技术)和/或不安全的变道和/或错误的驾驶和/或分心(经由连接的汽车数据，这更准确)和/或在困倦时驾驶等，个体化的动作可以包括危险的驾驶动作91。电子的实时动作检测系统1动态地实时响应，并且响应于捕获的环境或操作参数3，特别是运转期间机动车辆41，…，45的监测的和捕获的远程信息处理参数3。本发明还能够提供用于机动车辆41，…，45的基于远程信息处理的自动风险测量、风险分类、风险转移、警报/警告和/或实时通知系统，以及在远程信息处理背景下使用的无线技术。最后，本系统1还提供了基于远程信息处理的实时专家系统，该系统考虑了所有时空相关性，包括多个交互的交通参与者。此外，自动的动作识别提供稳健地预测的车辆轨迹，例如，甚至在驾驶和执行动态交通动作的同时实时执行，这不仅可用于测量风险和预测，还可用于实施高级驾驶员辅助系统(ADAS)。因此，本发明的系统1提供了基于捕获和测量的基于使用情况和/或基于用户和/或操作的远程信息处理数据3，与实时动作识别、相关的风险监测和自动风险转移系统一起使用的远程信息处理的结构。应注意，系统1提供电子驾驶动作识别以及驾驶行为分类。系统1可以检测各种动作并且识别它们并且从中推断出复杂的电子信号和操作任务。特别地，系统1能够基于驾驶动作的检测对驾驶员的行为进行分类，并测量与某个驾驶动作相关的强度或其他度量。本发明使用诸如简单阈值处理或动态时间规整(DTW)或启发式方法之类的技术方法，提供了用于驾驶员行为自动识别的新的技术布置，从而改善其功能。在实施的变型中，还使用合适的监督机器学习分类器(例如，最大似然(ML)分类器技术)或合适的神经网络方法(例如卷积NN，递归NN甚至标准反向传播NN)来实现系统1，以识别和分类驾驶动作。在另外的变型中，还已经使用其他功能数据处理(FDA)技术，特别是符号累积近似(SAX)技术或分段聚集近似(PAA)技术来成功地实现系统1。不同技术方法的实施至少取决于捕获的数据。然而，结合本发明的数据清洗过程，在识别动作并对其严重性进行分类时，动态时间规整(DTW)可能是优选的选择。

移动远程信息处理装置400可以至少部分地实现为移动电话装置/移动智能电话装置471，…，475的一部分。特别地，移动远程信息处理装置400至少可以主要基于集成的移动电话远程信息处理471，…，475和/或连接的汽车或机动车辆41，…，45的OEM线路装配的远程信息处理装置(TCU)。然而，捕获的感测数据可以仅基于来自智能手机或移动电话471，…，475的加速度传感器4011和全球定位系统(GPS)传感器4013和/或陀螺仪传感器4012的测量数据，因此分别可容纳移动电话/智能手机471，…，475中的移动远程信息处理装置400以及传感器和测量装置401，…，405。然而，移动远程信息处理装置400也可以在广义上实现，包括装置上传感器和测量装置401，…，405和/或到机动车辆41，…，45的车载传感器和测量装置401，…，405和/或机动车辆41，……，45的车载诊断系统431，……，435和/或车内交互装置441，……，445的一个或多个数据传输连接。传感器和测量装置401，…，405和/或车载诊断系统431，…，435和/或车内交互装置441，…，445包括用于感测机动车辆41，…，45的运行参数40121的本体感受传感器4021和/或在机动车辆41，…，45的运行期间用于感测环境参数40111的外感性传感器4011。外感性传感器或测量装置4011可以例如至少包括用于监测机动车辆41，…，45的周围区域的雷达装置40117，和/或用于监测机动车辆41，…，45的周围区域的LIDAR装置40115，和/或全球定位系统40122或用于测量机动车辆41，…，45的定位参数的车辆跟踪装置，和/或用于补充和改进由全球定位系统40112或车辆跟踪装置测量的定位参数的里程装置40114，和/或用于监测机动车辆41，…，45的周围区域的计算机视觉装置40116或摄像机，和/或用于测量靠近机动车辆41，…，45的物体的位置的超声传感器40113。用于感测机动车辆41，…，45的运行参数40121的本体感受传感器或测量装置4012可以至少包括机动车辆41，…，45的马达速度和/或车轮负载和/或前进方向和/或电池状态数据。移动远程信息处理装置400的一个或多个无线连接4210或有线连接421可以例如包括蓝牙(IEEE802.15.1)或蓝牙LE(低能耗)42101作为无线连接，通过构建具有车载蓝牙功能和/或3G和/或4G和/或GPS和/或蓝牙LE(低能耗)和/或基于Wi-Fi802.11标准的BT的个人区域网(PAN)和/或非接触式或接触式智能卡，和/或SD卡(安全数字存储卡)或其他可互换的非易失性存储卡，该无线连接在2.4至2.485GHz的ISM(工业、科学和医学)无线电频带中使用短波UHF(超高频)无线电波用于交换数据。

为了提供无线连接4210，移动远程信息处理装置400(以及如果移动远程信息处理装置400仅被实现为智能手机的集成部分，则移动电话装置/移动智能电话装置471，…，475)可以例如借助于天线连接在相应的数据传输网络中用作无线节点，特别是如所提到的，例如3G、4G、5G LTE(长期演进)网络等移动通信网络或移动WiMAX或其他基于GSM/EDGE和UMTS/HSPA的网络技术等，并且尤其是具有诸如SIM(用户身份模块)等适当的标识装置。远程信息处理装置400可以例如连接到车载诊断系统431，…，435和/或车内交互装置441，…，445，其中，移动远程信息处理装置400捕获机动车辆41，…，45和/或用户的基于使用情况31和/或基于用户32和/或操作的远程信息处理数据3。移动远程信息处理装置400可以例如是借助于以下提供一个或多个无线连接4210：无线电数据系统(RDS)模块，和/或包括卫星接收模块的定位系统，和/或包括数字无线电服务模块的移动蜂窝电话模块，和/或与无线电数据系统或定位系统或蜂窝电话模块进行通信的语言单元。卫星接收模块可以例如包括全球定位系统(GPS)电路，和/或数字无线电服务模块至少包括全球移动通信系统(GSM)单元。用于与机动车辆的数据传输总线中的至少一个连接的移动远程通信装置471，…，475的多个接口可以例如包括如下至少一个接口，用于与机动车辆的控制器局域网(CAN)总线连接(例如与车载诊断(OBD)端口连接)，或其他连接，例如用于安装电池的装置或者OEM(原始装置制造商)安装的系统，从而实现对车载传感器或娱乐系统(例如AppleCarplay等)的信息访问，其中车载传感器或娱乐系统提供必要的车辆传感器信息。在机动车辆41，…，45的运转期间，测量的运行参数40121和/或环境参数40111可以例如包括与时间有关的速度测量、关于急刹、加速、转弯、距离、里程(PAYD)、短途行程、一天中的时间、道路和地形类型、手机使用情况(驾驶时)、天气/驾驶状况、位置、温度、盲点、本地驾驶、太阳角度和刺眼的太阳的信息(照射在驾驶员脸上的阳光)、安全带状态、高峰时间、疲劳、驾驶员信心、油门位置、变道、油耗、VIN(车辆识别号)、障碍物、过多的RPM(每分钟转数)、路外行车、重力、制动踏板位置、驾驶员警觉性、CAN(控制器局域网)总线(车辆总线)参数的数据，包括燃料水平、到其他车辆的距离、到障碍物的距离、驾驶员警觉性、自动特征的激活/使用、高级驾驶员辅助系统的激活/使用、牵引力控制数据、前大灯和其他照明灯的使用、方向灯的使用、车辆重量、车辆乘客的数量、交通标志信息、十字路口的数量、橙色和红色交通信号灯跳跃、酒精水平检测装置、药物检测装置、驾驶员分心传感器、驾驶员激进性、驾驶员精神和情绪状况、其他车辆的刺眼的前大灯、车门状态(打开/关闭)、挡风玻璃的可见性、车道位置、车道选择、车辆安全性、驾驶员情绪和/或乘客情绪等。迄今为止，尚无现有技术的系统能够处理如此多种动态监测的与风险相关的数据。生成的评分参数反映了捕获的感测数据的优点在于，分数的数据成分甚至可以例如包括如下：客户策略详情、个人驾驶数据、事故取证数据、信用得分、统计驾驶数据、历史索赔数据、市场数据库、驾驶执照分、统计的索赔数据、相对于天气或道路状况或周围区域的背景数据。

如果移动远程信息处理装置400仅被实现为智能手机471，…，475的集成部分，则所有测量参数和感测数据都由智能手机471，…，475的集成传感器捕获，尤其是仅基于来自加速度传感器4011和全球定位系统(GPS)传感器4013和/或陀螺仪传感器4012的测量数据。但是，这些感测数据通常由车辆41，…，45内的智能手机471，…，475的附加的独立移动叠加。例如，车辆的轴可以表示为x_v、y_v和z_v，其中，x_v可以是车辆41，…，45的横向方向，y_v是纵向方向(车辆41，…，45的中部到车辆41，…，45的前方)，和z_v是垂直于车辆41，…，45的驾驶平面的方向。例如，智能手机471，…，475的轴可以表示为指向右侧的x_m，而y_m从手机正面看指向顶部，而z_m相对于手机的正面正交。在现有技术中，系统必须假定测量智能手机471，…，475的轴线与车辆41，…，45的轴线对准。对于不需要这种对准的本系统1，因此从智能手机的加速度计测量数据同样具有独立于车辆41，…45的轴线的三个轴线，可以表示为x_a、y_a和z_a。类似地，来自陀螺仪的感测数据具有三个独立的轴x_g、y_g和z_g。可以相对于来自重力的加速度g(9.8m/s²)表示加速度计的感测数据，相对于转速(rad/s)表示陀螺仪的感测数据。在讨论的实施的变型中，智能手机471，…，475的陀螺仪、加速度计和GPS被相应地用于建立所需的感测信息。系统1例如能够检测横向动作或转弯并且通过一定的测量强度或强度水平或通过其他度量对其进行分类。仅使用系统1的三个输入，即车辆的横向加速力、围绕其垂直轴的旋转速度及其前进速度v，系统1就能检测和分类例如转弯。接收过滤和清洗的数据(即，如下所述被过滤和清洗的感测数据)，端点检测单元可以为系统1的自动分类过程生成适当的输出信号矢量。

与机动车辆41，…，45相关联的多个移动远程信息处理装置400(分别为智能手机471，…，475)连接到基于动态时间规整的远程信息处理电路10，其中数据链路21是借助于移动远程信息处理装置400与基于动态时间规整的远程信息处理电路10之间的无线连接411，…，415设置的，至少将捕获的基于使用情况31和/或基于用户32和/或基于操作33的远程信息处理数据3从移动远程信息处理装置400发送到基于动态时间规整的远程信息处理电路10。对于特征提取，执行作为基于动态时间规整的远程信息处理电路10的提早预处理步骤的数据集导入。至少有两个主要来源生成有效的数据集，即与本发明提供的技术处理兼容：(i)弗吉尼亚技术运输学院(VTTI)获得的逗号分隔值(CSV)文件，即存储纯文本参数中的表格数据(数字和文本)，以及(ii)由Android GPSLogger应用直接生成的CSV文件。至于前者，为了提取用于表征驾驶员行为的主要特征，本发明的系统集中于下表1中列出的VTTI原始变量的子集。

表1：系统前台分析中使用的VTTI变量

在这些方法中，本发明的方法首先集中在除最后两项之外的所有项上，因此将其保留在后台GPS质量测量中，在任何情况下，在仔细检查它们的有效性之后，都将在前台处理中输入该质量。从GPSLogger应用导入数据时，考虑到相同的变量，取决于硬件传感器的可用性，唯一的条件是用速度GPS值代替速度网络值，而该应用程序不能直接访问速度计读数。

借助于系统1，首先清洗所有变量以去除丢失或虚假的数据，然后以均一的单位制转换，以米和秒或者以公里和小时表示。尽管对于大多数变量而言这通常是一个快速过程(简单地通过依靠常规转换公式)，但系统为GPS坐标提供了不同的方法。系统计算第一坐标与每个后续点之间的水平距离，直到等于纵向上以米(km)为单位测量的测地距离。类似地，重复上述过程，使新单位制中表示的垂直距离与测地距离在维度方向上一致。当将其与直接作用于完整矢量并且将第一位置与随后的位置或成对相邻的位置连接的类似转换技术进行比较时，该过程以更高的观察到的准确度诱发。

随后，加速度和方向经过适当的过程，旨在提供：i)粗略的校准，即从其值中减去在零速时(即，汽车静止时)测量的观察到的修整平均值；ii)使用移动平均过滤器对信号进行清洗和平滑处理，通过将每个数据点替换为其相邻点的平均值而获得的移动平均过滤器；iii)只要智能手机的本地坐标系与汽车的坐标系不一致，三个轴便会适应的旋转以识别正确的方向。后一点值得深入解释。关于加速度，系统1依赖于主成分分析，以便对纵向方向(大概具有最大方差)和横向方向(最大化残留方差)进行个体化，从而将最小方差成分分配给垂直加速度。初步调查似乎证实了所选择的策略的适用性。不幸的是，由方向传感器捕获的角速度没有表现出相似的优先方向。因此，该系统包括典范相关分析，其目的是将每个识别的加速度分量与角速度相关联，线性组合使与前者的相关性最大化。然后，三个方向传感器的旋转方向最佳地“匹配”了相应的加速度轴，请注意，考虑到已记录的GPS测量高度的不可靠性，首先避免处理系统1的加速度的z坐标；与此同时，调查海拔变化在当前提取的特征中可能扮演的角色(例如，通过在山区街道上通过GPSLogger应用来记录轨迹而完成)。最后，为了提高位置和速度插值的质量，系统1依靠线性插值的缺失值处理(imputation)来替换丢失的值，其依据是它们的出现频率低和时间稀疏，因此基于查询信号的较小变化率。

在第二步骤中，由系统1执行GPS坐标的清洗，因为几个因素(例如GPS接收器单元的质量(天线、信道数、位置算法)、记录时卫星的位置、周围景观的特征(反射、封闭的空间、大气影响、天空中的障碍物))会影响GPS定位的准确性，采取了旨在从量化和其他类型的噪声中清除GPS坐标的一些预处理步骤。清洗可细分为以下五类：(1)循环去除；(2)虚假路径去除；(3)闭值域区域位置处理；(4)直行道路识别与投影；以及(5)曲线道路识别与投影。

对于过程1(循环去除)，出现的技术问题是，尽管在汽车移动时更准确，但当汽车静止时GPS坐标往往会突然且不可预测地改变其值(请参见图3中的虚线)。该问题由系统解决，其中，每当触发最多k个位置(x₁,x₂,…,x_k)时，其迟早会落入以x₁为中心以θ为半径的附近，每对位置之间的最大距离不大于ρ，除x₁和x_k’外，所有点均被去除，其中，k'≤k是满足上述约束的子矢量的长度(参见图3中的平坦曲线)。对于参数设置：(i)应该考虑汽车的平均停止时间而去选择k。它的值越大，去除一些感兴趣的驾驶员动作(例如小半径转弯以促进方向变化)的可能性就越高；另一方面，k值太低将阻止去除虚假的循环路径。k的合理取值可以例如在8-12之间；(ii)θ应考虑GPS定位准确度；由于该信息并非始终可用于单个装置，因此系统1依赖于备受推崇的一般建议，并将此阈值固定在1-2米的范围内；(iii)在固定的汽车位置处，应根据GPS引入的伪像的大小来设置与θ不同的ρ。3-5米的范围似乎可以接受，以适当覆盖实际的GPS技术。

对于过程2(虚假路径去除)，出现的技术问题是，小动作(例如在停车位或交通信号灯处的停车或路线调整)，以及GPS产生的不可预测的伪像和错误位置都有使驾驶员行进的轨迹严重变形的风险(参见图4中的蓝色曲线)。该问题由系统解决，其中，每当观察到最多k个位置(x₁,x₂,…,x_k)时，其中，x₁与每个其他点x_i之间的最大距离不大于ρ，除了x₁和最大距离处的点x_max(即，x_max＝arg max_j{d(x₁,x_j)})之外，所有点均被去除(参见图4中的红色曲线)。参数设置如上选择。特别地，当设置ρ～2时，已经观察到良好的实验验证。

对于过程3(闭值域区域位置处理)，出现的技术问题是，在某些情况下，接近闭合的连续位置可能会导致插值曲线中形成不期望的虚假循环，与选择的插值度无关(线性插值除外，参见图5中的蓝色曲线)。该问题被系统解决了，其中，每当两个连续的位置x_i和x_i+1彼此之间的距离最大为θ时，它们的间隙会以前者朝向先前点偏移，后者在后续点的方向上偏移的方式稍微增加，两种都具有等于各自长度的(100r)％的位移，其中0≤r≤1(即x_i＝x_i+r(x_i-1-x_i)和x_i+1＝x_i+1+r(x_i+2-x_i+1)，参见图5中的红色曲线)。对于参数设置，请参考第一清洗过程，请注意：(i)θ应被分配不大于1米的值，这是使用当前技术在GPS定位中观察到的最小位移。较高的值与平滑且规则的插值曲线耦合，在不提供任何其他好处的情况下存在使汽车轨迹严重变形的风险；(ii)r的最佳值是保证平滑插值曲线的值，同时避免轨道过度变形。虽然原则上它取决于前后点的位置以及插值曲线的导数(信息无法先验获得)，但经验证据要求参数r∈[0.1-0.2]。注意，仅当系统使用单步插值时，才需要执行此步骤。但是，采用两步插值策略是没有必要的。

对于过程4(直行道路识别和投影)，出现的技术问题是，针对各种GPS噪声，量化伪像在后续步骤中起着重要且不可忽略的作用，这主要是因为它们的存在强烈地依赖于轨迹的方向，因此，轨迹不仅随时间和幅度而变化，而且甚至是不可预测的。因此，虽然平行于经线的直线方向可能正好匹配一条直线(数字误差和近似值除外，这些反而总是存在)，但沿“倾斜”方向移动可能会导致曲折的轨迹，其抖动地前进(即，通过之字形，间歇性地)，如图6中的蓝色曲线所示。因此，插值和提取特征都将严重地遭受该趋势，例如，导致出现特征的连续振荡和符号变化，诸如向心加速度。该问题被系统解决了，其中，位于直线上的位置被对准，后者由两个极值位置识别。该算法遵循直线上方和下方的规律性；当所有中间点都位于该线的上方或下方时，观察到索引等于0。根据实验，设置α＝0.6将产生足够的对准。当应用所提出的过滤器时，观察到的益处的质量强烈地依赖于在生成的特征中哪些特征将被选择用于进一步处理。实际上，被之字形轨迹负面影响的是与横向速度、曲率和向心加速度有关的那些。此外，即使在没有明确要求使用直线投影过滤器的情况下，在后处理阶段应用于计算的特征的清洗过滤器(参见下文以了解更多详细信息)也可以大大减轻规整轨迹的有害影响。

对于过程5(直行道路的识别和投影)，出现的技术问题是，与先前的清洗过程中所述的问题严格相关，甚至在曲线特征对应的情况下也可能会观察到之字形轨迹(参见图7中的蓝色曲线)。由于在曲线道路上的投影识别在计算上要比应用于直路的相同任务繁重，所以优选的是保持两个过滤器良好地分离。该问题由系统解决了，其中，位于曲线特征上的位置已由系统1对准。算法过程遵循贪婪策略，即只要位置(x_s,x_s+1,…,x_s+τ)仍位于低于阈值θ关于d度的多项式曲线最佳拟合对((t_s,x_s),(t_s+1,x_s+1),…,(t_s+τ,x_s+τ))的距离处，，其中t_i是与位置x_i相对应的时间戳，将增加一个单位。仅当上述距离变成大于θ时，所有位置(x_s,x_s+1,…,x_s+τ)才会投影到拟合曲线上。然后从位置x_s←x_s+τ+1再次开始(参见图7中的红色曲线)。对于参数设置，请参阅θ和strict_alternation的上一段落。多项式度d的选择极为重要：虽然高的度允许在非常曲折和混乱的轨迹上重新对准位置，但是插入其他伪像的风险变得明显，其中后者是由高度多项式曲线频繁生成的巨大振荡引起的。考虑到随后的插值步骤，建议使用二次或三次形式。请注意，此过程的计算复杂性使其更不适合执行。

在第三步骤中，系统1执行纵向速度校正。技术领域中已知和记载的事实是基于GPS的速度计相对于其车辆对应物的高精确度，主要是由于在来自卫星的伪距信号中使用了多普勒频移，但还要归功于该算法所采用的各种过滤器。从这个意义上讲，GPS速度比GPS地理定位更加准确。

关于系统1正在处理的数据集，主要是表1中报告的三个原始变量可能会产生不一致，即地理位置、速度和时间戳。事实上，在滚动可用数据时，值得注意的是，在任何地方都找不到将这三个量(即，简单地输入，v＝s/t)联系起来的已知电影关系。确实，由于某些提取的特征严格依赖于此类关系及其有效性，因此应引入一些校正以保证正确的计算。现在，考虑到时间戳的精度，并且在准确性方面偏向于速度而不是位置，本发明的思想试图重新调整地理位置，以满足上述电影等式。即，给定在两个随后的时间戳t_τ和t_τ+1处观察到的两个相邻位置x_τ、x_τ+1，通过平均s_τ和s_τ+1获得的速度为s，x_τ+1是在

中移动的，意味着x'_τ+1将位于将x_τ连接到x_τ+1的向量的同一方向上，但长度正好等于在恒定速度

处在时间间隔t-t_τ中覆盖的距离。

尽管此操作是由系统1在每个原始地理位置处递归应用的，但是对于其应用存在两种主要的策略：i)全局方法，其考虑了数据集中观察到的整个轨迹(参见图8中的绿色曲线)，以及ii)窗口化方法，其将从每个新窗口开始处的原始位置开始，在大小为w_s的窗口上应用上述偏移(参见同一张图片中的蓝色曲线)。显然，虽然第一种方法保证了连续性，但它可能会产生与原始轨迹相距甚远的新轨迹，这取决于地理位置噪声，甚至取决于误差的累积传播。反之亦然，如果开窗是涉及错误传播控制的制胜策略，则它会导致插入不连续特征。对于技术方法，主要对计算的特征的准确性和精度感兴趣，因此即使考虑到返回到以度表示的原始坐标空间(例如，存在纬度和经度)的能力，也可以采用第一种策略，以便能够从各种在线地图工具(例如Google地图)获益，用于其适当的可视化。

在第四步骤中，适当的插值由系统1执行。一旦如上所述对原始变量进行了适当的过滤和清洗，下一阶段将涉及插值，插值的主要目的有三个：i)增加某些原始变量的比率，尤其是具有较低采样频率的那些，例如GPS速度和地理区域；ii)在给定任意选择的采样频率的情况下在时间上对准所有原始变量；iii)用适当的值填写丢失的数据。关于最后一点，虽然GPSLogger轨道在其日志中没有显示丢失的数据，但对于VTTI轨道则相反，其中，与主要由隐私问题和敏感数据的存在所决定的数据混淆相比，每周7天每天24小时工作的传感器和装置的可能问题移到后台。

在研究对各个原始变量采用的各种形式的插值之前，必须弄清本发明选择的主要动机。首先，最先进的系统通常不是单纯的插值而是会促进某些形式的函数逼近，例如贝塞尔(Bezier)曲线或高斯过滤器，其可能会与卡尔曼(Kalman)过滤器结合使用，以实现传感器/GPS数据融合和清洗。然而，对于本发明，已经发现，使用上述那些清洗过程以及更严格但更稳健的插值技术是更有益的。现有技术系统通常采用的技术方法与本发明之间的主要区别在于以下事实：当物理模型对所研究的动力学有影响时，通常使用卡尔曼过滤器。尤其是，由经典的电影公式x＝vt和v＝at决定的最简单的动力学，无论是连续变化还是离散变化，都已被主要用于通过GPS数据自动校正传感器加速度，即让GPS在速度和位置方面发挥校正作用。但是，一方面，采用的模型过于简单导致对汽车真实机械和动力学的无视，这反过来又被证明过于简单，因为它忽略了几个主要特征及其相关影响。另一方面，在处理两个噪声很大的装置(GPS和传感器)时，为了避免误差的累积传播，必须准确了解噪声参数如何影响此类装置的质量；很少有信息完全可用。还有其他应用卡尔曼过滤器的情况，即当传感器的局部坐标系与汽车的全局坐标系不同时，进行横向加速度重建和传感器加速度对准，其中两者均基于加速度计和陀螺仪数据的融合。不幸的是，两者都遇到了上述相同的问题，加上在正确执行这些技术任务方面众所周知的困难，仅在良好控制的环境中显示出一些初步的令人鼓舞的结果。由于这些原因，尽管提供了更具启发性的图片，但在上一步骤中描述的清洗过程仍然有效，证明了其校准对少数自由参数设置的稳健，如上所述，甚至由于以其清晰而直接的含义，这些自由参数设置易于管理。关于插值和函数逼近之间的争议，尽管后者通过在其趋势中引入相当大的失真而能够生成平滑的无伪像轨迹，但丢失对于检测驾驶员行为和驾驶风格有意义的信息的风险会大大增加，在任何情况下这都是绝对不可忽略的。另一方面，插值则遭受相反的技术问题：严格地通过观察的点，即使以引入虚假特征为代价，但它可以确保保留所有重要信息；由于连续性和可导约束，此类方法必须满足。下面说明如何结合使用清洗过程和两步插值方法以在保留主要的相关驾驶信息的同时从技术上避免此类伪像。对于本发明，发生插值的两个主要情况是用于填充丢失数据的线性插值和GPS位置的两步插值：

关于线性插值以填充丢失的数据，实际上，除了GPS地理位置(参见下一段)之外，所有的原始变量都遭受丢失数据的存在或采样率过低而可能导致的信息丢失。这两个事实以及轻松地在可能不同于采样时间戳的时间戳中调出此类变量的值的机会，向我们建议了引入无痛且简单的拟合策略：正是在朴素的线性插值方面。当然，也可以采用更复杂的插值形式，但是要付出各种代价：i)引入了虚假的因而无用的具有诸如加速度和方向，甚至网络速度、高振荡趋势之类的信号的动态；ii)缺乏与更精细的GPS位置插值同步，结果导致生成的特征的同步性丧失；iii)琐碎的成本计算问题。鉴于上述问题，线性插值被证明是最方便的选择。

关于GPS位置的两步插值，虽然GPS坐标也遭受上一节中报告的相同问题，但此处的目的是通过解析的连续的且可微函数来近似汽车覆盖的真实轨迹。实际上，要寻求与真实轨迹尽可能相似的平滑轨迹，以便既可以增强信号(请记住GPS坐标通常以1Hz采样)，又可以提取诸如加速度变化率和曲率之类的特征，列举一些，其计算和可行性需要了解高阶轨迹导数以及可能地还需要了解其连续性。尽管在现有技术的系统中，假设可能的伪像和虚假特征(可能是由于本文应用的高度插值多项式加上所施加的连续性和可微的约束所造成的)是这种使用的障碍，相反，本发明的系统甚至通过在上述介绍的清洗过程的下游提出分层的两步插值策略，显示出突出显示GPS轨迹关于基于传感器或网络的变量的明显规律性。

本发明的基础技术采用两种插值方法：即埃尔米特(Hermite)插值和B样条(BSpline)插值。在本发明中，埃尔米特插值模块将n个数据点的集合作为多项式进行插值，从而在观测值和/或测量值以及其前m个导数的观测值和/或测量值中匹配未知函数，这意味着必须知道n(m+1)个值。尽管所得多项式的度δ最多为n(m+1)-1，但通常选择δ，以便在导数的平滑度和连续性之间找到适当的折衷方案。请记住，与所选的多项式度无关，埃尔米特插值是可微的，其中一阶导数是连续的，但不可微(即，二阶导数通常缺乏连续性)。另一方面，B样条插值包括作为插值的特殊类型的分段多项式，称为BSpline(Basis Spline的缩写)。在本发明的系统中，该插值比埃尔米特插值更可取，不仅是因为即使在使用低次多项式时也可以使插值误差较小，而且更因为至少使用高次多项式时也保证了可观的平滑度水平。硬币的反面是它无法在观测值及其导数中匹配未知函数。更详细地，直至其δ-2导数为止，δ-度插值是可微的，直到其δ-1导数为止是连续的。在下文中，为简单起见，在提及BSpline时，只要不引起歧义，最好避免使用前缀B。

在用于实施本发明系统的所提出的技术中，基于δ度的样条插值的单步策略已被丢弃，使得即使对于低阶度也导致了图5中已经讨论的虚假循环，除非上述引入的闭值阈区域位置清洗过程被正确地应用。主要原因是，不幸的是，由于对高阶导数的限制，某些虚假路径无法避免。因此，优选地，本发明的系统可以移至分层的两步策略，其中：(1)在第一阶段，通过在位置x处强制等于增量比

的导数，将约束明确地施加到插值函数的一阶导数上。通过选择度为δ的埃尔米特多项式而不是样条函数作为插值方法可以进行此操作，唯一的缺点是埃尔米特多项式无法确保插值函数导数的可微性。(2)因此，在第二阶段中，将刚刚计算出的埃尔米特函数加倍其原始采样率进行重新采样，然后进行第二次插值，这次使用度为δ的B样条线，以这种方式在避免由自动猜测的一阶导数产生的虚假路径的同时确保了连续性和可微性；(3)如何选择插值度δ？尽管高的值保证至少到δ-1阶的连续性和可微性，但它们可能会损害轨迹的平滑性和规则性。现在，大多数提取的特征主要是基于轨迹及其一阶导数计算的，要求δ的值等于3(三次插值)。事实上，度δ的样条曲线是连续δ-1次，但是为了增强第(δ-1)导数的连续性，必须增加一个单位的插值度(请参见图7)。诸如曲率等一些其他的需要二阶导数的连续性以获得合理的数目，因此δ＝4。最后，基于三阶导数的加速度变化率要求δ的值等于5。在选择样条插值阶数时，取决于将为随后的识别步骤选择哪些特征，必须考虑上述推理。当然，考虑到执行此类插值所花费的微不足道的计算时间，可以引入分层的方法，其中，基于δ-2阶的导数，阶δ的插值专门用于那些特征。

参照图8所描绘轨迹的右上角，图9示出了在二维平面(第一行)上以及在第一和第二坐标与时间的关系上的其投影上(分别在最后两行)的插值函数以及其前四个导数的过程。有意思的是，设置δ＝4，观察到直到三阶的可微性，直到二阶的连续性，正如最后一列中采用的图形化例程引入的人为垂直线所证明的那样。

在刚刚描述的系统1的操作阶段结束时，系统1实现一系列功能，对GPS或特定传感器收集的主要信号进行插值。反过来，这些传感器既可以专门安装在汽车上，例如在VTTI活动中，也可以安装在用户日常携带的智能手机中。已经说明了本系统1内的插值函数的主要用途，即，在整个行程中以均匀的速率(默认为10Hz)对这些信号进行自动重采样，并且依赖于连续且可微的函数逼近汽车轨迹。在该操作结束时，系统1包括大小相等的向量的集合(这些向量报告沿着行程均匀间隔的查询信号(间隔为例如0：1秒))，连同累积从0开始的时刻的时间戳向量，以及将这些相对时间映射到插值信号所指代的绝对时间的时间向量。

直接来自表1中提到的变量的这些信号，专用于信息特征的集合，这些信息特征又属于以下宏类：时间、GPS位置、速度、加速度、曲率、加速度变化率和方向。通常，除了少数例外，系统1通过传感器融合方法对其进行处理，以完成其信息量并平滑其固有的附加噪声。例如，考虑速度。它既可以从GPS坐标的离散导数中导出，也可以从其插值函数的连续导数中得出，或者也可以通过加速度的离散积分得出。在所有情况下，它都遭受GPS坐标上的残留噪声(从上述清洗幸存下来)以及传感器(如加速度计)的固有噪声的困扰。而且，如前所述，尽管由GPS传感器直接提供的速度更加精确，但是它遭受作为标量值的困扰。因此，为了将其定位在行程平面中，系统1需要从GPS坐标的导数生成的速度的矢量。第三种选择包括速度与加速度的融合，后者的细粒度积分通常以10Hz采样，然后通过基于GPS的速度进行校正，而基于GPS的速度又以较低的采样率(通常为1Hz)获得。最后，在源和系统1计算这些量的方式上的几个附加选项引入了更多的自由度。总而言之，系统1包括一系列变型，每个变型提供了一种不同的方式来测量查询的变量，如表2中所列出的。出于说明性和概念清晰的目的，图10提供了特征vspeed_from_pos、vspeed_long、vspeed_tran和speed_tran_sign的图形表示。在各种特征中专门化每个信号的原因在于它们表示相同信号的特定方面的唯一特性，这又将在它们的统计处理期间被利用。例如，虽然从GPS坐标得出的加速度比由加速度计直接感测到的加速度更规律，但是影响后者的噪声通常比影响GPS装置的噪声高得多且不规则。但是，尽管存在其他偏差，但两种噪声的独立性要求共同使用这两种特征，以获取更多信息。

表2：对系统1提出的生成特征的以及各种形式的简要说明，鉴于其明确的作用和明确的解释，其又专门用于合成公式。以下是一些解释性的符号：普通/加粗字体分别表示标量和向量；r：传感器与GPS采样率之间的比率(通常r＝10)；Δx_t＝x_t+1-x_t；x^η＝x/||x||,with||x||，其中，||x||是x的欧式范数；下标PCA和CCA分别代表主成分分析和典范相关分析。Sign是符号(signum)函数；向量角(a,b)＝(arctan a₂,a₁)-(arctan b₂,b₁))是实际用于计算两个向量a和b之间的夹角的例程；与众所周知的反正切(arctan)函数用法的主要区别在于，它保留了一个向量相对于另一个的有符号的方向。

最后，系统1包括后清洗特征。应用于计算的特征的第一基本降噪是在给定阈值下将值裁剪到0。实际上，诸如vspeed_tran等特征可以通过GPS位置得出，而GPS位置又通过上述各种过程被稳定(因此可以通过低频波动进行清洗)。因此，该系统在其趋势上实现了大约0的较小预期振荡，从而严格地与采用的技术和计算框架的数值精度的副作用相关。也就是说，对变量vspeed_tran、vaccel_tran以及所有与曲率有关的特征进行裁剪。对于前者，每当vspeed_tran低于阈值时，它都将等于零，同时设置vspeed_long＝vspeed_from_pos和speed_tran_sign＝0。vaccel_tran遵循类似的过滤器。

到这里为止，在特征提取的上述复杂处理和数据捕获步骤之后，系统1最终保存通过遥测变量(例如，源自VTTI或EcoAndroid数据)的所描述的复杂加工提取的基本特征的列表。此时，系统1自动转到下一步，主要用于自动识别：i)感兴趣的驾驶员动作的列表，其可以提供有关驾驶员的风格和行为的信息和见解；ii)基于提取的特征的模板的集合，其被证明与特定的驾驶员动作高度相关；以及iii)旨在以高置信度并在模板的适当子集的基础上识别可用数据集中识别的驾驶员动作的机器学习程序。虽然识别驾驶员动作、模板及其之间的连接的任务是借助于系统1进行的连续且动态的过程，涉及对汽车轨迹和传感器数据的受控检查，但时间模式识别器的正确设置是复杂的技术任务，其深入分析将是当前部分的主要目的。为了改善系统1的操作，汽车轨迹和传感器数据的检查可以包括至少部分手动和专心的现场检查，通过手动现场检查来调整和优化整体操作。

在下文中，本发明借助于系统1用于驾驶员动作识别的动态时间规整的上述三个核心步骤，即(i)驾驶员动作识别，(ii)模板识别，以及(iii)系统1的动态时间规整操作的核心部分，这将详细讨论：

对于借助于系统1的驾驶员动作识别操作，动作被限定为具有清晰和明确语义含义的任何驾驶员动作，即，可以限定为物理上可测量的清楚的参数复合的对象。换句话说，如上所述，语义是指物理上可区分的对象的语义字段。典型的动作是例如换道、超车、减速等(列举几个)。反过来，每个动作都可以按层次进行专门化，以便识别更具体的操作。在这种意义上，例如，以超车或超过骑自行车来区分真正的汽车驶过(可能侵占对面的车道)与略微明显的超车动作(远离右边缘移动，比方说，最多1米)；类似地，与缓慢车道改变相对的快速车道改变等。该专门化对于识别驾驶员特征特别重要，这反过来可能为我们提供有关她/他的潜在风险和碰撞姿态的一些提示。对于此处限定的修饰符语义，必须注意以下几点：(1)像上面的快/慢车道改变之类的特定模板可能会根据后台背景的改变而获得不同的语义解释。事实上，起主导地位的确实是背景信息(例如气象条件和街道类型)。因此，如果在积雪的乡村道路上，而不是在晴天情况下的高速公路上，则快速超车将跨越不同的时间间隔；(2)原则上，系统1不能简单地依赖诸如(慢、中、快)之类的修饰符的典范排序，因为相同的排序严格取决于驾驶员动作与背景信息之间的耦合。首先，鉴于手头的任务，决定动作顺序的主要标准应该是安全性。反过来，不应将安全与比如说谨慎相混淆。由过分审慎或过分谨慎的70岁男子完成的缓慢超车动作，无论是过分谨慎还是不安全地驾驶，肯定比年轻男性驾驶员执行的快速超车动作危险得多，前者更有可能在两条车道上引起危险，并且在任何情况下都肯定会刺激附近的驾驶员。因此，必须使系统1能够在专门的驾驶员动作上选择正确的自然顺序。要注意的是，当谈到驾驶员动作识别时，这在下文中指其语义含义和基础特征(从根据系统1的上述特征提取中提取的那些)，进而丰富了其更多的操作意义。车道改变将对应于在动作的使用期限期间每个特征呈现的顺序模式10811。

对于驾驶员动作识别1081，借助于基于动态时间规整的远程信息处理电路10，捕获的基于使用情况31和/或基于用户32和/或基于操作33的远程信息处理数据3的顺序模式10811与驾驶动作108的可搜索的预定测量参数集合10812匹配。基于动态时间规整的远程信息处理电路10包括具有可搜索的预定驾驶动作10813的第一数据存储单元102。如上所讨论的，每个驾驶动作108由多个分层结构的10815操作测量参数集合10814组成。车辆41，…，45的特定操作或驾驶特征1083基于相应的操作参数集合10814(即在相应的物理语义参数字段内)是可分别识别和触发的。每个驾驶动作108由由分层结构10815提供的操作或驾驶特征1083的顺序模式10811组成，其每一个可通过在驾驶动作108的使用期限期间呈现的测量远程信息处理参数3来提取和测量。最后，借助于基于动态时间规整的远程信息处理电路10，捕获的基于使用情况31和/或基于用户32和/或基于操作33的远程信息处理数据3的顺序模式10811与驾驶动作108的可搜索的预定测量参数集合10812匹配。

对于模式模板识别1082，基于动态时间规整的远程信息处理电路10包括具有驾驶动作108的可搜索的预定测量参数模式模板10822的第二数据存储单元10823。每个单个驾驶动作108均由多个原型参数模式10821组成，借助于远程信息处理电路10，在捕获的动作模式10826的持续时间10825内，测量单个的时间间隔10824；测量的单个的时间间隔10824用作时间索引，以提取与选择的动作108有效对应的部分特征。对于每个捕获的动作模式10826和每个操作或特征1083，在用作基准的可能的轨迹1084范围内，对检测的操作和/或特征1083配置文件进行相似性测量，并且选择高度相关的操作或特征1083。此外，选择的模板10822可以例如通过借助于耦合过滤器来提供模板平均来进行过滤，去除伪像和个体奇异点，从而建立特定于单个捕获的动作108的每个模板。提及的耦合过滤器可以例如至少包括高斯过滤器和/或移动平均值和/或中值过滤器，其中，通过使用耦合过滤器使每个模板特定于单个动作。耦合过滤器可以例如由系统1动态地适配于测量的概括阈值，在该阈值处，这是在捕获来自第一和第二数据存储10813、10823的选择的参考动作108的所有不同表型表示10821时的情况。

在各种汽车轨迹1084内自动地个体化捕获的驾驶员动作108，各种汽车轨迹是由匹配的驾驶动作的可搜索测量参数集合10812和驾驶动作的测量的模式模板10822提供的。对于捕获的基于使用情况31和/或基于用户32和/或基于操作33的远程信息处理数据3内的两个时间序列1086，每次通过基于动态时间规整的远程信息处理电路10测量与时间变化无关的测量参数1085，其中，基于动态时间规整的远程信息处理电路10通过在时间维度上对时间序列进行非线性规整来提供两个时间序列1086之间的最佳匹配，其中包括两个时间列的两个时间序列1086之一在优化基于使用情况31和/或基于用户33和/或基于操作33的远程信息处理数据3的两个时间序列之间的测量相似度的同时，被局部拉伸或压缩。捕获的驾驶员动作108在各种汽车轨迹1084内可以例如被自动地个体化，如由匹配的驾驶动作108的可搜索测量参数集合10812和驾驶动作108的测量的模式模板10822提供的，其中，系统108包括预定的个体化识别器，这些识别器在通过返回车辆轨迹1084的部分而在各种可能的动作108之间进行区分的同时，自动地在输入选择的模板集合10822时最精确地匹配它们。

详细地，对于模板识别，将针对系统1的模板限定为与特定驾驶员动作相关联的原型模式。例如，超车动作可以根据三个模板来描述：其曲率、纵向加速度和横向取向轮廓(lateral orientation proles)，如图11所示。更准确地说，超车动作可以根据四个模板来准确地描述：轨迹曲率、有符号的纵向加速度、加速度变化率和横向角取向轮廓，如图12所示，其反过来分别依赖于特征curv_approx、accel_long_sign||vaccel_long||、jerkint和gyro_y_CCA。为了选择与单个动作相关的最有前途的模板，系统1分别经历三四个阶段：(1)车辆轨迹检查：从选择的VTTI或EcoAndroid数据的子集开始，并进行相应的处理之后，如上所述，有必要通过系统自动检查汽车的轨迹，并可能将其投影到高清地图上(例如，由Google Maps、OpenStreetMap、Wikimapia或Wolfram GeoServer提供的地图)，以个体化给定的动作和哥哥时间间隔。这些将被用作时间索引，以提取与给定的动作有效对应的部分特征。识别驾驶员动作、模板以及它们之间的联系的任务是借助于系统1进行的连续且动态的过程，并且涉及对汽车轨迹和传感器数据的受控检查。为了改善系统1的操作，汽车轨迹和传感器数据的检查可以包括至少部分手动和专心的现场检查，通过手动现场检查来调整和优化整体操作；(2)选择高度相关的特征：对于相同的操作和每个特征，将对特征配置文件的相似性进行分析，范围涉及用作基准的轨迹。这些配置文件的相似性可能通过当前正在研究的不同方法显现出来。如果对相关信息或相互信息进行了修改以处理时间失真，则它们可能被证明是成功的选择(请参阅下一部分以了解这一方面)。基于合适度量的聚类过程可以有效地将驾驶员的操作专门化为两个或多个子类型，然后为它们分配计算为相应聚类的质心的正确模板文件。当然，需要怀疑地看待全自动过程，其中，它是动作的任务，并且模板识别对于下一个识别阶段是最重要的，同时可能出现的任何关键问题必须经历谨慎的人工控制和监督动作。图12中的蓝色图案代表典型的配置文件集合；(3)过滤选择的模板：一旦被选择，应通过去除伪像和单个奇异点来过滤模板。在这个意义上，与过滤器(例如高斯过滤器、移动平均值、中值过滤器等)相耦合的模板的平均，可能在使每个模板特定于单个操作方面被证明是必不可少的，同时始终确保足够的泛化水平，其足以用于捕获参考操作的所有不同表型表示。图12中的绿色图案显示了应用宽度等于10的高斯过滤器后原始模板的平滑版本；(4)模板样式化：为了在保持相同的专门形状的同时进一步改善通用性方面，执行了称为模板样式化的最后处理，该处理基本上找到了平滑模板的分段线性拟合(参见图12中的红线)。

此时，系统1在正常操作条件下到达用于驾驶员动作识别的本发明动态时间规整的核心步骤三，即(iii)系统1的动态时间规整操作的核心部分，即识别合适的识别器，给定在各种动作之间进行区分的模板的集合作为输入，识别器返回轨迹的匹配他们的那些部分。简而言之，主要目标是在行程时间序列数据中自动识别那些驾驶员动作，这些驾驶员动作在过程的后期阶段将提供必要的信息，以区别驾驶员的行为和潜在的风险(从潜在的碰撞或接近碰撞的场景来看)。要描述的第一因素之一是时间灵活性，其是关于模板-动作的对应关系的识别任务所需的。考虑以下情况：例如，假设已经识别出相对于动作标准车道改变的长度为35的模板(即持续3：5秒，并以10Hz的频率进行采样)。当然，虽然区分慢速、标准和快速操作绝对是必不可少的，但由于此信息与驾驶风格密切相关，因此应该以模糊接受的方式进行标准车道改变，通常持续时间为3：5秒，公差为例如±1秒。因此，根据适当的时间膨胀和收缩，在识别正确的匹配时，需要一种隐含地考虑某种时间失真的操作结构。基于动态时间规整(DTW)的操作结构适合必要的边界条件。DTW的有效技术基于用于测量速度可能变化的两个时间序列之间的相似性的方法。换句话说，它通过在时间维度上非线性规整两个给定序列，从而生成并测量它们之间的最佳匹配，从而允许测量其与时间变化无关的相似性。即，这是一种序列对准方法，在给定两次序列的情况下，要么局部拉伸要么局部压缩它们，以使一个序列与另一个序列尽可能相似。例如，考虑图13中所示的两个正弦序列：红色序列(持续15秒)已按规律的时间间隔进行了采样，而蓝色序列(持续21秒)分别在其第一部分和最后部分具有较高和较低的采样率。为了对准这两个序列，在初始特征中一些红色点最多与三个不同的蓝色点相关联；反之亦然，在最终特征中，最多跳过一个红色点，即不与蓝色点相关联的红色点。各种约束条件有效地控制了分配的最优性，因此其中的一些约束可以自由定制以满足用户需求。

为了描述在本发明系统1的特殊任务的背景下在本文中采用的一些选择，需要某种形式。令R＝{r₁,…,r_m}为参考时间序列(使用的通用意义中的模板)，Q＝{q₁,…,q_n}为查询或测试时间序列(通常是沿驾驶员轨迹选择的特征的一部分，如下所述)。给定任意元素对q_i和r_j之间的局部距离d(q_i，r_j)，调用DTW结构以识别最佳规整曲线φ(τ)＝(φ_q(τ),φ_r(τ))，其中，φ_q(τ)∈{1,…,n}和φ_r(τ)∈{1,…,m}分别重映射Q和R的时间索引，以最小化规整时间序列Q和R之间的平均累积距离，即以计算Q和R的时间轴的变形，这使两个时间序列尽可能地彼此靠近。在执行此任务时，正如在介绍图13时已经暗示的那样，DTW必须满足适当的约束，其中一些约束可以进行各种自限定，从而导致不同的“规整强度”。特别是：(1)局部约束和分步模式，(2)全局约束和窗口化，以及(3)无约束的端点。

(1)局部约束和分步模式：为了实现最佳对准，可以跳过或复制任一时间序列中的某些时间索引。例如，返回到以上示例，通过将选择的特征Q的多个连续元素与模板R的相同样本元素进行匹配，允许模板匹配较慢的动作Q，即具有更长的持续时间；这恰好是与图13中最左边的特征相对应发生的。反之亦然，跳过R的元素能够以更快的动作Q对准，这以更短的时间段结束(参见图13中最右边的特征)。就分步模式而言，局部约束允许对以下方面进行更多控制：(a)选择给定耦合(q_i，r_j)代替不同候选者时的应付成本，通常由三项组成，即：i)普通距离d(qi，rj)，其仍然起主要作用；ii)称为权重的附加成本因子，覆盖正实数；iii)可能的归一化项，在比较不同长度的时间序列之间的对准时以及执行部分匹配时，都被证明是有用的(请参见下面的无约束的端点)；(b)可以跳过的连续元素的数量；(c)两个序列中的哪个序列(或可能两者)可以享受此便利。

针对该目标，为系统1限定了两个分布模式族，即非对称的Tl和非对称的TWl，其中

其主要行为如下：从非对称的Tl(i)开始，查询Q被强制仅顺序扫描(即既不允许跳过也不允许重复)；以及(ii)模板T最多可以跳过l-1个元素，可能无限期地停留在同一位置；决定执行0、1，…，l-1跳过的优先级的权重始终设置为1；最后，归一化系数的唯一允许选择是模板R的长度m。非对称TWl族的唯一差异是相对于权重向量是外切的(circumscribed)。即，两个参数w₀和w决定了在同一位置停留一步和执行再一次跳过时应分别支付的费用(即，s个跳过转换为等于1+ws的权重)。在下面更详细地描述所采用的策略时，将说明支持这些选择的主要动机。

(2)全局约束和窗口化：虽然可以将局部匹配的分步模式控制视为可能的候选者，但窗口概念对两个时间序列之间的整体时间失真施加了限制。形式上，窗口通过识别(i，j)平面的允许部分来界定规整曲线域。虽然到目前为止已经开发了几种类型的窗口，但是我们将引用并使用最简单的一种，即Sakoe-Chiba带，它简单地引入了约束|φ_q(τ)-φ_r(τ)|≤T₀，其中，T₀为两个匹配元素之间最大允许的绝对时间偏差。直观上，约束在对准平面的主对角线上创建了固定宽度的可允许带。对两个序列之间的最大偏差的这种显式约束转化为对每个模板元素的允许重复的最大次数的隐式控制。必须要说的是，在可以表达的唯一要求是t₀∈{0,…,T₀}的意义上，t₀遭受某种不确定性的困扰；但是，除非我们已经知道两个序列之间的实际时间偏移，否则每次都无法明确识别步骤t₀。

(3)无约束的端点：默认情况下，在对准两个序列时，将其施加于系统1，其首尾相互匹配。换句话说，施加以下端点约束：φ_q(1)＝φ_r(1)和φ_q(T)＝n,φ_r(T)＝m，且对准的时间长度为T。在本系统1的应用中，部分匹配是有用的，从而上述约束中的一个或两个都被放宽。尤其是，出于下面讨论的原因，以这种方式去除尾端点约束，使得该方法将返回与模板R最匹配的查询Q的最长前缀。

在下文中，将一起讨论DTW与本系统1的提出的集成以及用于在分析中的汽车轨迹内识别与一个或多个模板匹配的驾驶员动作的整体方法。

在找到匹配驾驶员动作的模板，下面将讨论主要组件，以用作本发明系统1的这一部分的合适实现方案。(1)提供到系统1的以下输入：(i)模板集合

其中每个模板都提供其中一个特征的原型特征，其被选择为在区分单个驾驶员动作时提供更多信息；(ii)查询集Q族，其中对应于VTTI和GPSLogger基准内给定数据集的每个族Qi还由时间序列集合(称为查询)组成，每个时间序列限定在数据集上展开时在模板集合中出现的那些特征的过程；(iii)最大膨胀因子(maxDilationFactor)：将每个查询Q_ij划分为重叠的窗口，这些窗口又将通过DTW与相应的模板对准。该参数根据乘以模板长度的因子来设置每个窗口的长度。它的值越高，则赋予每个匹配的时间灵活度越大。使用期限次要的通用模板是高最大膨胀因子的理想候选者；(iv)窗口偏移(windowOset)：每个窗口的起始偏移。它的值越小，在查询中搜索相似模板的准确性就越高，但会花费更多的计算时间；(iv)过滤间隔(filterGranularity)：一旦计算出，就会关于它们的准确性对其进行排序；由于连续窗口之间的重叠，引入了过滤过程，目的是去除与当前所选窗口具有非空重叠的所有窗口。特别是，这将去除范围±|Ti|/以后者为中心的filterGranularity内与所选窗口相交的所有窗口；(v)准确阈值(accuracyThreshold)：剩余的匹配跨越了所有精度范围：因此，需要匹配距离上的阈值以仅保留与模板相似的查询部分，即有效地表示对向的驾驶员动作。(2)向系统1提供以下输出：该算法为每个模板R_j和查询Q_ij输出更准确地匹配前者的非重叠窗口的集合以及它们在匹配距离方面的准确性。(3)此外，窗口化的查询

如下所示：每个模板具有有限的时间持续时间，用于识别单个驾驶员动作，而根据特定特征，查询包含如给定数据集中包含的整个汽车轨迹的转录。为了识别整个轨迹内的驾驶员动作，必须扫描小的查询部分，以尝试将每个部分与模板进行匹配。窗口化的查询(或简称为窗口

)是查询Q_ij的分区，指的是模板R_j中描述的特征。(4)为了生成匹配，然后将每第τ个窗口

与模板R_j进行匹配，获得对准和根据距离

的匹配精度作为输出。(5)进行距离聚合。由于不止一个特征与单个驾驶员动作相关联，因此为了在查询中识别它，必须对各种特征上的匹配距离进行聚合。聚合的几种形式都是可能的，每种都有其自身的优点和缺点。(6)窗口过滤和最佳匹配检索。根据聚合的距离

对每个第τ个模板对准的窗口化的查询进行排序。但是，由于连续窗口之间的严重重叠，可能发生仅相差几个元素的彼此不同的查询部分可共享相邻的排序位置，从而有效地识别相同的匹配。为了清洗这些主要的(即具有最大的匹配距离)重叠窗口，从最佳匹配开始，将所有与前者具有非空重叠的后续窗口去除。即，一旦限定了适当的窗口中心元素概念(无论是根据重心还是最大峰值)，如果任何其他窗口在μ±|R_j|＝filterGranularity的范围内具有非零交集，则任何其他窗口均被视为与该窗口重叠。重复该过程，直到处理完所有窗口。最后，即使原则上所有幸存的窗口都可以作为算法的输出返回，也可以选择每个动作阈值accuracyThreshold以便仅保留最重要的窗口。

继续我们对开发的方法和系统1的评论，可以通过应用各种可用的分析工具轻松地调整系统1的操作，以实现以下技术目标：(1)将输入信号归一化为测量单位和采样率单位，而与收集它们的平台无关；(2)通过去除接收器产生的主要伪像来清洗基于GPS的数据；(3)生成特征的集合，部分是四个基本物理信号的各种降噪变型：目标汽车的位置、速度、加速度和方向；部分是从原始变量(可能是插值的)开始计算的额外特征：曲率、加速度变化率、向心加速度；(4)识别沿着行程的多维模板，作为特定驾驶员动作的候选代表。已知的现有技术系统不可能具有本发明的优点。

前两个步骤的典型示例输出信号在应用于由EcoAndroid应用程序动态记录的数据时如图14所示。关于质量，例如，使用由Google生成的路线图，可以理解重建轨迹的精确拟合。请注意，环形沿顺时针方向，与右侧车道有些偏离，以便超越其他汽车。实际上，从环形的顶部边缘偏离是由驾驶员完成的以进入辖区。为了从语法角度分析此行程，必须利用各种模板将生成的特征的曲线与它们的轨迹进行对比，这些模板表示有意义的驾驶员动作，并依赖于提出的DTW变型的灵活性和稳健性。即，目前，从缩小的信号子集初步推导出模板的小集合，该缩小的信号子集来自手动标记的VTTI行程的分析(参见图15)。图中的空行表示将在以后进行原型制作的操作。实际上，本发明系统的结构允许我们专注于非常基本的操作，这些操作可以通过系统1或通过手动操作优化进行自适应地专门化。但是，本系统1可以快速处理分析工具或相同工具可能请求的其他路径。

从图片可以明显看出，一旦动作模板围绕特征点(即峰)对准就对其平均之后，本系统1通过分段线性段允许极其简单的模板配置文件。同样，以本发明的方式，现有技术系统在技术上是不可能的。实际上，考虑到DTW执行的配置文件的扩展以及其与查询窗口的比较的“粗粒度”，提供任何更多的细节可能被证明是无用的(或者甚至更不利于泛化能力)(参见图16的典型的匹配，称为急刹动作)。

对于上面讨论的示例：(1)虽然在图14的行程中隔离了图12中的配置文件，但已从VTTI行程中识别出查询的模板，因此具有不同的道路宽度和一般的交通状况，需要不同的动作风格，这是从纵向加速度趋势的比较显现出来的。因此，这些模板的第一专业化问题是根据环境条件(例如提到的关于道路状态的那些，以及关于天气和亮度的那些等)的功能而显现出来的；(2)此外，对比速度和加速度模板也值得进一步考虑；(3)从物理角度来看，mheir联合配置文件仅是松散地兼容。但是，它们是从统计观察中得出的，必须适合可能受到非线性和非独立噪声影响的查询。因此，在模板的更成熟版本中，物理一致性和统计效率之间需要权衡取舍。

为了说明预期的结果，在图14中描述了与行程的左弯道的识别有关的任务。识别弯道，被视为其自身的动作，相对于发现驾驶员行为的任务，不涉及任何大的复杂性，主要地，其只不过是由于道路布局而需要的任务，因为其发生在我们的基准的一些部分中。如果结合由这些参数提供的道路统计数据执行与弯道关联的速度或加速度的平均值(或峰值)，则识别该弯道会更加复杂。此外，弯道可能是更复杂动作(例如变道和跟车动作)的组成部分；这些是由驾驶员选择的，不受路况的影响。但是，假设随着现象的复杂性越大，在行程期间将其与组成部分明确区分的可能性就越大，直接处理后者的模板可能是优选的，这可能在提供信息冗余方面发挥作用。

图17中的图片进一步证明了所讨论的问题：(1)根据形成二维模板的查询窗口的归一化距离对路径上色，其中只有更接近模板的窗口被标记。但是，必须优化渲染策略，以避免窗口重叠和清楚地识别匹配的中心区域；(2)至于模式识别的效率，缺少一些左曲线。可能它们的意义不大。无论如何，假阳性和假阴性值对于采用的方法都是固有的。实际上，在非常嘈杂的背景中发现有意义的特征是可能的。

关于有意义的接受特征的接受，对于本发明的系统，该过程例如可以在两个方向上进行：(1)从定量的角度来看，其含义可能与模板和查询的行程窗口之间的相似性有关；(2)从逻辑角度看，可以在考虑到对应模板的特殊操作的同时发布模板。然而，由于系统1可能不被警察当局使用；一方面，可能优选的是接受模板识别中的假阳性和假阴性的适度百分比，另一方面，这可能是相对于过于严重地集中于以下事实的阻碍，即类似于行程中的窗口的模板可能实际上对应于预期的动作，或者不对应于预期的动作。可以简单地假设模板是所涉及信号的可能感兴趣的模式，在该点检查之后，通过了解假设与驾驶员风险之间的关系，对该假设进行统计检查。因此，系统1不涉及驾驶员及其操作的任何道德分类(有经验的、激进的等等)。进行简单的检查以查看识别的这些模式中的一些的存在是否以及如何暗示驾驶员引起事故的倾向的增加或减少，该事故与风险转移、风险放弃或保险公司的后续经济损失相关联。

总而言之，系统1能够提供、测量和检测驾驶员行程的一系列特征，这些特征可以通过点统计(诸如均值、方差、傅立叶系数等)来合成或者根据其结构加以利用，从而作为具有特定属性的一系列顺序路径，因为它们可以从与模板集合的比较中显现出来。这样，与模板的相似性构成了新的在线元特征的集合，可以通过适当的统计信息对其进行适当地合成。结合环境条件和操作参数，还可以结合使用数据挖掘工具(例如决策树)，系统1为正确结合使用特征和元特征统计信息提供了可靠的基础。特别地，系统1可以用作基于驾驶员远程信息处理的评分模型的自动评估的基础，驾驶员远程信息处理例如与用于动态实时风险转移和评分的自动系统相关联。作为用于自动动态风险测量的中间装置，驾驶员的潜在风险和碰撞姿态可以例如基于各种测量的汽车轨迹1084内的自动个体化的驾驶员动作108来测量。为此，风险测量和/或碰撞姿态测量可以例如至少基于从捕获的远程信息处理数据3的顺序模式10811的驾驶员动作识别1081中提取的驾驶员特性的参数。特别地，在这种背景下，优选的是驾驶员动作识别1081还可以由捕获的背景测量参数40111、40121触发。捕获的背景测量参数40111、40121可以例如至少包括道路类型测量参数和/或天气测量参数和/或白天测量参数。为了做出决定，风险测量参数和/或碰撞姿态测量参数可以例如包括与捕获的背景测量参数40111、40121不同的背景测量参数最优点，同时在两侧增加。最终，系统1可以例如通过基于个体化的汽车轨迹1084关联潜在的碰撞或接近碰撞轨迹来提供用于区分驾驶员行为和风险测量的测量参数。

对于风险测量和风险评分测量，基于动态时间规整的远程信息处理电路10可以例如包括由车辆远程信息处理驱动的核心聚合器104，其具有基于远程信息处理数据的触发器1001，该触发器1001在机动车辆41，……，45的运转期间，在机动车辆41，……，45的传感器401，…，405和/或车载诊断系统431，…，435和/或车内交互装置441，…，445的数据流路径451，……，455中触发、捕获和监测所述运行参数40121和/或环境参数40111。移动远程信息处理装置400可以例如包括至少一个基于3轴特斯拉计和3轴加速度计的GPS(全球定位系统)模块和/或地质罗盘模块，和/或陀螺仪或陀螺计，和/或MEMS加速度传感器(包括具有地震质量的悬臂梁，作为测量适当或重力加速度的检测质量，和/或MEMS磁力计或磁阻坡莫合金传感器或其他三轴磁力计。

基于动态时间规整的远程信息处理电路10还可以例如包括驾驶评分模块101，该驾驶评分模块101基于触发的、捕获的和监测的运行参数40111或环境参数40121，测量和/或生成单个或复合的可变评分参数1011，…，1013集合，在机动车辆41，……，45的运转期间对驾驶的使用和/或风格和/或环境条件进行配置文件分析。因此，系统1基于测量的和识别的驾驶员动作91，分别针对监测的运行参数40111或环境参数40121对各个驾驶员进行评分。基于消费者和风险转移提供者(保险人)(如果消费者同意)可见的分数和/或其他相关的远程信息处理数据，第一风险转移系统11能够报价。单个或复合的可变评分参数1011，…，1013集合在机动车辆41，……，45的运转期间对驾驶的使用和/或风格和/或环境条件进行配置文件分析，并且例如可以是借助于驾驶评分模块101生成的，驾驶评分模块101至少包括评分参数，该评分参数测量驾驶得分和/或背景得分和/或车辆安全得分。对于驾驶得分、背景得分和车辆安全得分，(i)可变驾驶评分参数至少基于驾驶员行为参数(驾驶员行为参数包括识别的动作91和/或速度和/或加速度和/或制动和/或转弯和/或颠簸)的度量，和/或包括驾驶时手机使用情况的分心参数的度量，和/或疲劳参数和/或药物使用参数的度量，(ii)可变背景评分参数至少是基于测量的行程评分参数(测量的行程评分参数基于道路类型和/或交叉路口的数量和/或隧道和/或海拔)，和/或测量的行程参数的时间，和/或测量的天气参数和/或测量的位置参数，和/或测量的距离驱动参数，以及(iii)可变车辆安全评分参数至少是基于测量的ADAS特征激活参数和/或所测量的车辆碰撞测试额定参数和/或测量的机动车辆41，……，45的自动参数水平和/或测量的软件风险评分参数。该自动评分特征可以将所有事故的主要贡献者链接到风险相关的数据点和风险动因，以进行评分和风险测量/评估技术对象。借助于车辆的CAN-BUS或TCU(远程信息处理控制单元)数据，可以更准确地并以更精确的方式为终端用户实现评分和风险测量/评估，从而改善并优化以客户为中心的体验和风险选择。测量驾驶员动作91、得分测量可以通过其他贡献者来改善，其他贡献者例如可以包括以下的贡献者：(1)分心驾驶，(2)超速，(3)酒后驾驶，(4)鲁莽驾驶，(5)下雨，(6)闯红灯，(7)闯停车标志，(8)青少年驾驶员，(9)夜间驾驶，(10)汽车设计效果。使用作为客户端的移动远程信息处理装置400与基于中心专家系统的电路10之间的移动远程通信网络2，借助于移动远程信息处理装置400的无线连接4210设置数据链路21。移动远程信息处理装置400用作所述移动远程通信网络2内的无线节点221，…，225。基于动态时间规整的远程信息处理电路10自动生成所述单个或复合的可变评分参数集合。示例性的得分测量参数可以如下：例如，驾驶得分(例如，驾驶动作和/或速度、加速度、颠簸、分心、疲劳、交通信号灯、追尾(紧随其后)等)以及背景得分(例如天气、道路类型、路标等)，以及车辆安全得分(例如自动功能的激活/使用等)。

影子请求109被传输到多个自动的第一风险转移系统11，使用数据传输网络以分散的方式连接到基于动态时间规整的远程信息处理电路10。影子请求至少包括风险相关的参数，风险相关的参数基于测量和/或生成的单个或复合的可变评分参数1011，…，1013集合。响应于发出的影子请求109，基于动态时间规整的远程信息处理电路10接收多个个体化的风险转移配置文件114，其基于动态收集的单个或复合的可变评分参数1011，…，1013集合。影子请求109的与风险相关的参数至少包括基于使用情况的31和/或基于用户的32和/或操作33的远程信息处理数据3和生成的单个或复合的可变评分参数1011，…，1013集合，远程信息处理数据3是由移动远程信息处理装置400基于触发的、捕获的和监测的运行参数40111或环境参数40121测量和/或生成的。影子请求109可以例如是基于动态生成的单个或复合的可变评分参数1011，…，1013集合和/或触发的、捕获的和监测的运行参数40111或环境参数40121被周期性地发送到多个自动的第一风险转移系统11。结果列表108可以实时动态地调整并显示给用户，以经由机动车辆41，...，45的仪表板461，...465或另一个交互装置进行选择。然而，如果基于中心专家系统的电路10触发了动态生成的单个或复合的可变评分参数1011，…，1013集合和/或触发的、捕获的和监测的运行参数40111或环境参数40121的交替，则影子请求109还可以是基于动态生成的单个或复合的可变评分参数1011，…，1013集合和/或触发的、捕获的和监测的运行参数40111或环境参数40121生成的并被发送到多个自动的第一风险转移系统11。结果列表108可以实时动态调整并显示给用户以用于选择。作为实施的变型，也可以应用前面提到的两个影子请求生成的组合。

基于动态时间规整的远程信息处理电路10动态地捕获并分类接收的自动的第一风险转移系统11的多个个体化风险转移配置文件114。在机动车辆41，…，45的运转期间，基于触发的、捕获的和监测的运行参数40121或环境参数40111，借助于机动车辆的仪表板461，…，465，结果列表108可以被动态更新并提供给机动车辆41，…，45的用户进行显示和选择。因此，在机动车辆41，…，45的运转期间，由自动的第一风险转移系统11提供的多个个体化的风险转移配置文件114基于生成的单个或复合的可变评分参数1011，…，1013集合而根据时间变化，单个或复合的可变评分参数1011，…，1013测量驾驶的与时间有关的使用和/或风格和/或环境状况。如果相对于之前选择的风险转移配置文件114触发了更优选的风险转移配置文件114，则动态事故原因和事故风险评估系统1可以例如自动警告用户。此外，如果相对于选定的风险转移配置文件114触发了更优选的风险转移配置文件114，则基于远程信息处理的系统1还可以自动调整与用户或机动车辆41，…，45相关的风险转移。结果列表108可以基于可限定的分类标准(例如，第一支付参数1121，…，1125)和/或期限和/或风险转移结构，实时地动态调整并显示给用户进行选择。

参考标记列表

1 动态事故原因和事故风险测量系统

10 基于动态聚合的远程信息处理电路/功能数据汇聚电路

100 基于远程信息处理数据的触发器

101 驾驶评分模块

1011，…，1013 驾驶评分参数

1021，…，1023 限定的驾驶评分行为模式

102 附加的触发器触发事故通知

103 附加的触发器触发附加服务

104 车辆远程信息处理驱动的聚合器

1041 预定时间段

105 具有历史数据的数据库

106 具有位置相关数据的自动数据库

107 切换装置

108 驾驶员动作

1080 基于动态时间规整的远程信息处理电路

1081 驾驶员动作识别

10811 顺序模式

10812 驾驶动作的可搜索的测量参数集合

10813 第一数据存储单元

10814 操作测量参数集合

10815 车辆操作或驾驶特征的分层结构

1082 模式模板识别

10821 原型参数模式

10822 可搜索的预定测量参数模式模板

10823 第二数据存储单元

10824 个体化的时间间隔

10825 捕获的操作模式的持续时间

10826 捕获的操作模式

1083 驾驶员动作的操作或功能

1084 驾驶动作的轨迹

1085 与时间变化无关的测量参数

1086 时间顺序

109 影子请求

11 第一风险转移系统

111 自动资源汇集系统

112 第一数据存储

1121，…，1125 第一支付参数

113 第一支付转移模块

114 个体化的风险转移配置文件

12 第二风险转移系统

121 自动资源汇集系统

122 第二数据存储

1221，…，1225 第二支付参数

123 第二支付转移模块

1231 控制装置

1232 激活控制参数

124 激活阈值参数

125 预定的损失覆盖部分

2 数据传输网络

20 蜂窝网络网格

201，…，203 网络单元/基本服务区

211，…，213 基站(收发器)站

2111，…，2113 小区全球身份(CGI)

221，…，225 移动网络节点

21 单向或双向数据链路

3 远程信息处理数据

31 基于使用情况的远程信息处理数据

311，…，313 车辆 41，…，45 的基于使用情况的汽车数据

32 基于用户的远程信息处理数据

321，…，323 车辆 41，…，45 的基于用户的汽车数据

33 操作的远程信息处理数据

331，...，333 控制系统 461，...，465 的运行数据

41，…，45 机动车辆

400 移动远程信息处理装置

401，…，405 车载或装置上传感器和测量装置

4011 外感性传感器或测量装置

40111 外感性传感器的感测数据

40112 全球定位系统(GPS)

40113 超声波传感器

40114 里程表传感器

40115 LIDAR(光检测和测距)

40116 摄像机

40117 雷达传感器

4012 本体感受传感器或测量装置

40121 本体感受传感器的感测数据

411，…，415 无线或有线连接

421，…，425 数据传输总线接口

431，…，435 车载诊断系统

441，…，445 车内交互装置

451，…，455 移动远程信息处理装置的数据流路径

461，…，465 用于自动机动车辆驾驶的控制电路

4611 汽车控制电路的操作参数

471，…，475 手机装置/移动智能手机装置

5 聚合的风险暴露

51，…，55 机动车辆转移的风险暴露

501，…，505 第一风险转移参数

511，…，515 第二风险转移参数

6 预定风险事件

61 与损害赔偿责任保险相关的预定风险事件

611，…，613 测量事件 61 发生的参数

62 与损失责任保险有关的预定风险事件

621，…，623 测量事件 62 发生的参数

63 与责任保险相关的预定风险事件，用于延迟交付

631，…，633 测量事件 63 发生的参数

71，…，75 与机动车辆 41，…，45 有关的发生的损失

711，…，715 捕获的已测量预定事件1的损失参数

721，…，725 捕获的已测量预定事件2的损失参数

731，…，735 捕获的已测量预定事件3的损失参数

80 聚合的损失参数

81 聚合的支付参数

82 可变损失比参数

821 损失率阈值

9 车辆轨迹

90 驾驶员动作

Claims (35)

1.基于动态测量的远程信息处理数据(3)的实时电子操纵检测系统，其中，借助于系统并基于在各种测量的车辆轨迹内自动个体化驾驶动作(108)测量并区分驾驶员行为和操作参数，并且其中，基于导出的风险测量参数和/或碰撞姿态测量参数来生成输出信号，其中，移动远程信息处理装置(400)与多个机动车辆(41，…，45)相关联，移动远程信息处理装置(400)包括一个或多个无线连接(411，…，415)，其中，为了提供无线连接(411，…，415)，移动远程信息处理装置(400)借助于移动远程信息处理装置(400)的天线连接，在相应的数据传输网络(2)内用作无线节点(221，…，225)，其中，移动远程信息处理装置(400)是蜂窝移动装置(471，…，475)的组成部分，并连接到该蜂窝移动装置(471，…，475)的监测蜂窝移动节点应用程序(451，…，455)，并且其中，移动远程信息处理装置(400)从它们的传感器(401，…，405)捕获机动车辆(41，…，45)的远程信息处理数据(3)，传感器(401，…，405)包括加速度传感器(4011)和全球定位系统(GPS)传感器(4013)和/或陀螺仪传感器(4012)，其特征在于，

捕获的远程信息处理数据(3)仅基于来自加速度传感器(4011)和全球定位系统(GPS)传感器(4013)和/或陀螺仪传感器(4012)的测量数据，

与机动车辆(41，…，45)相关联的多个移动远程信息处理装置(400)连接到基于动态功能聚合的远程信息处理电路(10)，其中，数据链路(21)设置在基于动态功能聚合的远程信息处理电路(10)之间，将捕获的远程信息处理数据(3)从移动远程信息处理装置(400)发送到基于动态功能聚合的远程信息处理电路(10)，

对于驾驶员动作识别(1081)，借助于基于动态功能聚合的远程信息处理电路(10)，将捕获的远程信息处理数据(3)的顺序模式(10811)与驾驶动作(108)的可搜索的预定测量参数集合(10812)进行匹配，基于动态功能聚合的远程信息处理电路(10)包括具有可搜索的预定驾驶动作(108)的第一数据存储单元(10813)，其中每个驾驶动作(108)由多个分层结构(10815)的操作测量参数集合(10814)组成，其中，基于相应的操作参数集合(10814)分别触发机动车辆(41，…，45)的特定操作或驾驶特征(1083)，其中，每个驾驶动作(108)由分层结构(10815)的操作或驾驶特征(1083)的顺序模式(10811)组成，通过测量在驾驶动作(108)的使用期限期间展示的远程信息处理参数(3)来提取和测量每个操作或驾驶特征，其中，借助于基于动态功能聚合的远程信息处理电路(10)，将捕获的远程信息处理数据(3)的顺序模式(10811)与驾驶动作(108)的可搜索的预定测量参数集合(10812)进行匹配，

对于模式模板识别(1082)，基于动态功能聚合的远程信息处理电路(10)包括具有驾驶动作(108)的可搜索的预定测量参数模式模板(10822)的第二数据存储单元(10823)，其中，每个单个驾驶动作(108)均由多个原型参数模式(10821)组成，其中，借助于基于动态功能聚合的远程信息处理电路(10)，在捕获的动作模式(10826)的持续时间(10825)内，测量单个的时间间隔(10824)，测量的单个的时间间隔(10824)用作时间索引，以提取与选择的动作有效对应的特征的一部分，其中，对于每个捕获的动作模式(10826)和每个操作或特征(1083)，在可能的车辆轨迹(1084)范围内，对检测的操作和/或特征(1083)配置文件进行相似性测量并用作基准，并且选择高度相关的操作或特征(1083)，以及

在各种车辆轨迹(1084)内自动地个体化捕获的驾驶动作(108)，各种车辆轨迹(1084)是由匹配的驾驶动作的可搜索测量参数集合(10812)和驾驶动作的测量的模式模板(10822)提供的，其中，对于两个时间序列(1086)，在捕获的远程信息处理数据(3)内，每次通过基于动态功能聚合的远程信息处理电路(10)测量与时间变化无关的测量参数(1085)，其中，基于动态功能聚合的远程信息处理电路(10)通过改变时间序列来提供两个时间序列(1086)之间的最佳匹配。

2.根据权利要求1所述的实时电子操纵检测系统，其特征在于，所述基于动态功能聚合的远程信息处理电路(10)被实现为基于动态时间规整的远程信息处理电路(10)，其中，对于驾驶员动作识别(1081)，顺序模式(10811)的匹配是基于驾驶动作(108)的可搜索的预定测量参数集合(10812)上的动态时间规整实现的，其中，基于动态功能聚合的远程信息处理电路(10)通过在时间维度上对时间序列(1086)进行非线性规整来提供两个时间序列之间的最佳匹配，并且其中在优化基于使用(31)和/或基于用户(32)和/或基于操作(33)的远程信息处理数据(3)的两个时间序列之间的测量相似度的同时，包括两个时间列的两个时间序列(1086)之一被局部拉伸或压缩。

3.根据权利要求1所述的实时电子操纵检测系统，其特征在于，所述基于动态功能集合的远程信息处理电路(10)被实现为基于动态符号累积近似的远程信息处理电路(10)或基于动态分段聚集近似的远程信息处理电路(10)，其中，对于驾驶员动作识别(1081)，顺序模式(10811)的匹配是基于驾驶动作(108)的可搜索的预定测量参数集合(10812)上的动态符号累积近似或动态分段聚集近似实现的。

4.根据权利要求1所述的实时电子操纵检测系统，其特征在于，所述基于动态功能聚合的远程信息处理电路(10)包括基于神经网络的机器学习装置，其中，机器学习装置包括状态观察单元和学习单元，状态观察单元观察捕获的基于使用(31)和/或基于用户(32)和/或基于操作(33)的远程信息处理数据(3)的顺序模式(10811)的状态变量，学习单元通过将观察到的顺序模式(10811)的状态变量中的至少一个链接到驾驶动作(108)的至少一个可搜索的预定测量参数集合(10812)来执行学习操作。

5.根据权利要求4所述的实时电子操纵检测系统，其特征在于，所述学习单元包括奖励计算单元和功能更新单元，其中，奖励计算单元基于时间序列(1086)中的至少一个生成奖励，其中，对于捕获的基于使用(31)和/或基于用户(32)和/或基于操作(33)的远程信息处理数据(3)内的时间序列(1086)，如状态观察单元观察到的，每次通过基于动态功能聚合的远程信息处理电路(10)来测量与时间变化无关的奖励参数(1085)，并且其中，功能更新单元基于奖励计算单元生成的奖励，更新用于从当前观察到的顺序模式(10811)的状态变量中确定驾驶动作的可搜索的预定测量参数集合(10812)中的至少一个的功能，并且其中测量的驾驶动作的模式模板(10822)提供两个时间序列(1086)之间的最佳匹配。

6.根据权利要求4或5中的一项所述的实时电子操纵检测系统，其特征在于，所述机器学习装置基于卷积神经网络或递归神经网络或标准反向传播神经网络。

7.根据权利要求1至5中任一项所述的实时电子操纵检测系统，其特征在于，所述移动远程信息处理装置(400)包括一个或多个无线或有线连接(411，…，415)和用于与车辆的数据传输总线中的至少一个连接的多个接口(421，…，425)，和/或用于与传感器(401，…，405)连接的多个接口，其中，移动远程信息处理装置(400)连接至车载诊断系统(431，…，435)和/或车内交互装置(441，…，445)和/或监测蜂窝移动节点应用程序(451，…，455)。

8.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，自动个体化的驾驶动作(108)至少包括猛加速和/或猛制动和/或快速的侧向道路驶入和/或左右超车动作的操纵。

9.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，所述基于使用(31)和/或基于用户(32)和/或基于操作(33)的远程信息处理数据(3)主要由实现为移动蜂窝电话或连接的汽车的OEM线装远程信息处理装置(TCU)的组成部分的移动远程信息处理装置(400)捕获，并传输到基于动态时间规整的远程信息处理电路(10)。

10.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，基于识别的驾驶动作(108)来测量所测量的驾驶员的行为的事故风险，其中，捕获历史风险原因数据，以建立测量和/或加权识别的驾驶动作(108)到风险测量或得分的链接的事故统计基础。

11.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，基于各种测量的车辆轨迹(1084)内自动个体化的驾驶动作(108)，测量驾驶员潜在风险和碰撞姿态。

12.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，风险测量和/或碰撞姿态测量至少基于驾驶员特征的参数，所述驾驶员特征的参数是从捕获的远程信息处理数据(3)的顺序模式(10811)的驾驶员动作识别(1081)提取的。

13.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，所述驾驶员动作识别(1081)还由捕获的背景测量参数(40111，40121)触发。

14.根据权利要求13所述的实时电子操纵检测系统，其特征在于，捕获的背景测量参数(40111、40121)至少包括道路类型测量参数和/或天气测量参数和/或白天测量参数。

15.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，所述风险测量参数和/或碰撞姿态测量参数包括在背景测量参数内的最优点，在点的两侧上都增加的同时，所述最优点在捕获的背景测量参数(40111，40121)中变化。

16.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，通过提供借助于耦合过滤器来平均的模板，去除伪像和个体奇异点，并建立特定于单个捕获的动作的模板，来过滤选择的模式模板(10822)。

17.根据权利要求16所述的实时电子操纵检测系统，其特征在于，所述耦合过滤器至少包括高斯过滤器和/或移动平均值和/或中值过滤器，其中，通过使用耦合过滤器使每个模板特定于单个动作。

18.根据权利要求17所述的实时电子操纵检测系统，其特征在于，所述耦合过滤器由系统动态地适配于测量的概括阈值，其中，捕获来自第一和第二数据存储单元(10813、10823)的选择的参考动作的所有不同表型表示(10821)。

19.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，捕获的驾驶动作(108)在各种车辆轨迹(1084)内被自动地个体化，各种汽车轨迹由匹配的驾驶动作(108)的可搜索测量参数集合(10812)和驾驶动作(108)的测量的模式模板(10822)提供，其中，系统包括预定的个体化识别器，这些识别器在输入选择的模板集合时，通过返回最精确地匹配模板集合的车辆轨迹(1084)的部分而在各种可能的动作之间自动地区分。

20.根据权利要求1至5中的任一项所述的实时电子操纵检测系统，其特征在于，所述系统能够通过基于各个车辆轨迹(1084)关联潜在的碰撞或接近碰撞的轨迹来提供用于区分驾驶员行为和风险测量的测量参数。

21.一种事故原因和风险测量系统，包括根据权利要求10至20中的任一项所述的基于动态测量的远程信息处理数据(3)的实时电子操纵检测系统，其特征在于，所述事故原因和风险测量系统包括一个或多个第一风险转移系统(11)，以基于从机动车辆(41，…，45)中的至少一些到第一风险转移系统(11)之一的第一风险转移参数(501，…，505)提供第一风险转移，其中，第一风险转移参数(501，…，505)至少部分基于输出信号生成而生成，由测量的风险测量参数和/或碰撞姿态测量参数而控制和/或调整，其中第一风险转移系统(11)包括多个支付转移模块(113)，被配置为接收和存储与所述机动车辆(41，...，45)的风险暴露(5)的风险转移相关联的第一支付参数(1121，...，1125)，用于汇集风险(51，...，55)，并且事故原因和风险测量系统包括第二风险转移系统(12)，以基于从一个或多个第一风险转移系统(11)到第二风险转移系统(12)的第二风险转移参数(511，…，515)提供第二风险转移，其中第二风险转移系统(12)包括第二支付转移模块(123)，第二支付转移模块(123)被配置为接收和存储第二支付参数(1221，...，1225)，用于汇集第一风险转移系统(11)的风险，所述风险与转移到第一风险转移系统(11)的风险暴露相关联，其中，

借助于与第二风险转移系统(12)相关联的基于动态功能聚合的远程信息处理电路(10)的车辆远程信息处理驱动的聚合器(104)，风险相关的基于使用的(31)和/或基于用户的(32)远程信息处理数据(3)被移动远程信息处理装置(400)捕获，并且借助于基于远程信息处理数据的触发器(100)在移动远程信息处理装置(400)的数据流路径中被触发和监测，

与第二风险转移系统(12)关联的基于动态功能聚合的远程信息处理电路(10)还包括驾驶评分模块(101)，所述驾驶评分模块(101)基于触发的、捕获的和监测的风险相关的基于使用的(31)和/或基于用户的(32)和/或操作(33)的远程信息处理数据(3)，测量和/或生成单个或复合的可变评分参数(1011，…，1013)集合，对机动车辆(41，…45)运转期间驾驶动作的使用和/或风格和/或环境条件进行配置文件分析，

借助于与第二风险转移系统(12)关联的基于动态功能聚合的远程信息处理电路(10)，影子请求(109)被传输到至少一个第一风险转移系统(11)，至少一个第一风险转移系统(11)通过数据传输网络以分散的方式连接到基于动态功能聚合的远程信息处理电路(10)，其中，影子请求(109)至少包括基于捕获的、触发的和监测的风险相关的基于使用的(31)和/或基于用户的(32)和/或操作(33)的远程信息处理数据(3)的所述单个或复合的可变评分参数(1011，…，1013)集合，以及

响应于发出的影子请求(109)，基于动态收集的单个或复合的可变评分参数(1011，…，1013)集合的个体化的风险转移配置文件(114)被从至少一个第一风险转移系统(11)传输到相应的机动车辆(41，…，45)并借助于机动车辆(41，…，45)的仪表板(461，...465)发布，以供机动车辆(41，...，45)的驾驶员选择，并且其中，作为在所述仪表板(461，...465)上发布个体化的风险转移配置文件(114)的回报，支付转移参数从第一风险转移系统(11)传输到OEM链接的事故原因和风险测量系统的OEM。

22.根据权利要求21所述的事故原因和风险测量系统，其特征在于，基于动态功能聚合的远程信息处理电路(10)的驾驶评分模块(101)包括触发器，用于通过比较捕获的远程信息处理数据(3)与限定的驾驶员评分行为模式(1121，...，1123)，基于限定的驾驶员评分行为模式(1121，...，1123)触发并自动选择驾驶员评分参数(1111，...，1113)。

23.根据权利要求21或22中的任一项所述的事故原因和风险测量系统，其特征在于，基于与机动车辆(41，…，45)相关联的移动远程信息处理装置的捕获的远程信息处理数据(3)，根据测量的机动车辆(41，…，45)的位置或行程，驾驶评分模块(101)自动地捕获评分风险(61，...，63)。

24.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，借助于基于动态功能聚合的远程信息处理电路(10)，如果借助于移动远程信息处理装置(400)的访问控制单元允许影子请求(109)的传输，所述影子请求(109)被传输到相应的第一风险转移系统(11)，其中，借助于与第二风险转移系统(12)相关联的驾驶评分模块(101)来生成单个或复合的可变评分参数(1011，…，1013)集合。

25.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，所述移动远程信息处理装置(400)的访问控制单元包括可限定的分发表，可限定的分发表包括具有至少一个第一风险转移系统(11)的变量列表，其中影子请求(109)到特定的第一风险转移系统(11)的传输取决于移动远程信息处理装置(400)的访问控制单元的可限定的分发表。

26.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，所述移动远程信息处理装置由蜂窝移动装置(471，…，475)提供。

27.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，所述移动远程信息处理装置由连接的汽车的OEM线路装配的远程信息处理装置(TCU)提供。

28.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，所述移动远程信息处理装置由蜂窝移动装置(471，…，475)和连接的汽车的OEM线路装配的远程信息处理装置(TCU)提供，其中，连接的汽车的OEM线路装配的远程信息处理装置(TCU)直接与基于动态功能聚合的远程信息处理电路(10)通信或经由与蜂窝移动装置(471，…，475)的连接进行通信。

29.根据权利要求28所述的事故原因和风险测量系统，其特征在于，借助于蜂窝移动装置(471，…，475)的移动远程信息处理装置和/或连接的汽车的OEM线路装配的远程信息处理装置(TCU)，由监测蜂窝移动节点应用程序(451，…，455)捕获机动车辆(41，…，45)和/或用户(321、322、323)的基于使用(31)和/或基于用户(32)和/或基于操作(33)的远程信息处理数据(3)。

30.根据权利要求29所述的事故原因和风险测量系统，其特征在于，第一风险转移系统(11)的个体化的风险转移配置文件(114)仅借助于机动车辆(41，…，45)的蜂窝移动装置(471，…，475)的显示器来发布，以供机动车辆(41，...，45)的驾驶员选择，如果借助于事故原因和风险测量系统的访问控制单元允许这种发布的话。

31.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，单个或复合的可变评分参数(1011，…，1013)集合对机动车辆(41，……，45)的运转期间驾驶动作的使用和/或风格和/或环境条件进行配置文件分析，所述单个或复合的可变评分参数(1011，…，1013)集合由驾驶评分模块(101)生成，并且至少包括测量驾驶得分和/或环境得分和/或车辆安全得分的评分参数。

32.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，所述可变评分参数至少基于驾驶员行为参数的度量，所述驾驶员行为参数包括自动个体化的和识别的驾驶动作(108)。

33.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，捕获的背景测量参数(40111、40121)至少基于测量的行程评分参数，依赖于道路状况和/或交叉路口的数量和/或隧道和/或海拔，和/或测量的行程参数的时间，和/或测量的天气参数和/或测量的位置参数，和/或测量的距离驱动参数。

34.根据权利要求21或22所述的事故原因和风险测量系统，其特征在于，借助于动态的基于使用的风险测量和风险转移(UBI)，基于来自机动车辆(41，…，45)的第一风险转移参数(501，…，505)，动态地或部分动态地提供第一风险转移，其中，相关的驾驶动作(108)至少包括针对以下的测量轨迹：猛加速和/或猛制动和/或快速的侧向道路驶入和/或左右超车和/或追尾和/或超速/鲁莽驾驶和/或闯红灯和/或不安全的车道改变和/或逆行驾驶和/或有或没有连接的汽车数据情况下的分心和/或在困倦时驾驶。

35.一种基于动态测量的远程信息处理数据(3)的实时事故原因和事故风险测量方法，其中，借助于事故原因和事故风险系统，基于在各种测量的车辆轨迹内自动个体化驾驶动作(108)测量并区分驾驶员行为和操作参数，并且其中，基于导出的风险测量参数和/或碰撞姿态测量参数来生成输出信号，移动远程信息处理装置(400)与多个机动车辆(41，…，45)相关联，所述移动远程信息处理装置(400)包括一个或多个无线或有线连接(411，…，415)和用于与车辆的数据传输总线中的至少一个连接的多个接口(421，…，425)，和/或用于与传感器(401，…，405)连接的多个接口，其中，为了提供无线连接(411，…，415)，移动远程信息处理装置(400)借助于移动远程信息处理装置(400)的天线连接，在相应的数据传输网络(2)内用作无线节点(221，…，225)，其中，移动远程信息处理装置(400)连接至车载诊断系统(431，…，435)和/或车内交互装置(441，…，445)和/或监测蜂窝移动节点应用程序(451，…，455)，并且其中，移动远程信息处理装置(400)从它们的传感器(401，…，405)捕获机动车辆(41，…，45)和/或用户(321、322、323)的远程信息处理数据(3)，传感器(401，…，405)包括加速度传感器(4011)和全球定位系统(GPS)传感器(4013)和/或陀螺仪传感器(4012)，其特征在于，

捕获的远程信息处理数据(3)仅基于来自加速度传感器(4011)和全球定位系统(GPS)传感器(4013)和/或陀螺仪传感器(4012)的测量数据，

与机动车辆(41，…，45)相关联的多个移动远程信息处理装置(400)连接到基于动态功能聚合的远程信息处理电路(10)，其中，数据链路(21)是借助于与基于动态功能聚合的远程信息处理电路(10)之间的无线连接(411，…，415)创建的，将捕获的远程信息处理数据(3)从移动远程信息处理装置(400)发送到基于动态功能聚合的远程信息处理电路(10)，

对于驾驶员动作识别(1081)，借助于基于动态功能聚合的远程信息处理电路(10)，将捕获的基于使用(31)和/或基于用户(32)和/或基于操作(33)的远程信息处理数据(3)的顺序模式(10811)与驾驶动作(108)的可搜索的预定测量参数集合(10812)进行匹配，其中基于动态功能聚合的远程信息处理电路(10)包括具有可搜索的预定驾驶动作的第一数据存储单元(102)，其中每个驾驶动作(108)由多个分层结构(10815)的操作测量参数集合(10814)组成，其中，基于相应的操作参数集合(10814)分别触发机动车辆(41，…，45)的特定操作或驾驶特征(1083)，其中，每个驾驶动作(108)由分层结构(10815)的操作或驾驶特征(1083)的顺序模式(10811)组成，每个通过测量在驾驶动作(108)的使用期限期间展示的远程信息处理参数(3)来提取和测量操作或驾驶特征，其中，借助于基于动态功能聚合的远程信息处理电路(10)，将捕获的远程信息处理数据(3)的顺序模式(10811)与驾驶动作(108)的可搜索的预定测量参数集合(10812)进行匹配，

对于模式模板识别(1082)，基于动态功能聚合的远程信息处理电路(10)包括具有驾驶动作(108)的可搜索的预定测量参数模式模板(10822)的第二数据存储单元(10823)，其中，每个单个驾驶动作(108)均由多个原型参数模式(10821)组成，其中，借助于基于动态功能聚合的远程信息处理电路(10)，在捕获的动作模式(10826)的持续时间(10825)内，测量单个的时间间隔(10824)，测量的单个的时间间隔(10824)用作时间索引，以提取与选择的动作有效对应的特征的一部分，其中，对于每个捕获的动作模式(10826)和每个操作或特征(1083)，在可能的车辆轨迹(1084)范围内，对检测的操作和/或特征(1083)配置文件进行相似性测量并用作基准，并且选择高度相关的操作或特征(1083)，以及

在各种车辆轨迹(1084)内自动地个体化捕获的驾驶动作(108)，各种车辆轨迹(1084)是由匹配的驾驶动作的可搜索测量参数集合(10812)和驾驶动作的测量的模式模板(10822)提供的，其中，对于捕获的远程信息处理数据(3)内的两个时间序列(1086)，每次通过基于动态功能聚合的远程信息处理电路(10)测量与时间变化无关的测量参数(1085)，其中基于动态功能聚合的远程信息处理电路(10)通过在时间维度上对时间序列进行非线性规整来提供两个时间序列(1086)之间的最佳匹配，并且其中在优化远程信息处理数据(3)的两个时间序列之间的测量相似度的同时，包括两个时间列的两个时间序列(1086)之一被局部拉伸或压缩，以及

基于识别的驾驶动作(108)来测量测量的驾驶员行为的事故风险，其中，捕获历史风险原因数据，以建立测量和/或加权识别的驾驶动作(108)到风险测量或得分的链接的事故统计基础。

Images