CN112329543A - 一种驾驶能力过程性评价的方法及相关装置 - Google Patents
一种驾驶能力过程性评价的方法及相关装置 Download PDFInfo
- Publication number
- CN112329543A CN112329543A CN202011085999.6A CN202011085999A CN112329543A CN 112329543 A CN112329543 A CN 112329543A CN 202011085999 A CN202011085999 A CN 202011085999A CN 112329543 A CN112329543 A CN 112329543A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- identity information
- driver
- behavior data
- 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 95
- 230000008569 process Effects 0.000 title claims abstract description 62
- 238000011156 evaluation Methods 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 75
- 230000009471 action Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请公开了一种驾驶能力过程性评价的方法及相关装置，以使得驾驶员可以根据该结果进行针对性教学，从而提升培训效率和培训质量。本申请方法包括：采集驾驶员的身份信息和行为数据；将所述身份信息和所述行为数据发送云端数据中心；将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
Description
技术领域
本申请实施例涉及数据处理领域，特别涉及一种驾驶能力过程性评价的方法及相关装置。
背景技术
随着社会的进步以及人民生活水平的提升，近年来，我国机动车保有量呈现井喷式增长，我国机动车驾驶人培训与考试人数也呈现快速增长趋势。
然而，现有的机动车驾驶人培训与驾驶能力评价机制仍相对落后，在培训手段上，仍多数采用有人工教练口传身教的教学方式；在驾驶人能力评价方面，仍然采取基于特定操作科目的考试性评判为主，这种传统评价机制难以全面考察评价驾驶人员的驾驶能力与安全驾驶行为习惯，同时，难以在培训过程中及时、实时给予学员反馈，不利于培训过程中的针对性教学。
发明内容
本申请实施例提供了一种驾驶能力过程性评价的方法及相关装置，以使得驾驶员可以根据该结果进行针对性教学，从而提升培训效率和培训质量。
本申请实施例第一方面提供了一种驾驶能力过程性评价的方法，包括：
采集驾驶员的身份信息和行为数据；
将所述身份信息和所述行为数据发送云端数据中心；
将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
可选的，在所述采集驾驶员的身份信息和行为数据之前，所述方法还包括：
采集一组训练样本，所述训练样本为至少两个驾驶员的训练样本数据，所述训练样本数据包括训练集数据和测试集数据，所述训练集数据包括驾驶员的身份信息以及行为数据，所述测试集数据包括培训员反馈数据以及社会驾驶数据；
根据所述训练集数据得到评价估计值；
根据所述测试集数据得到评价期望值；
根据方差公式计算出所述评价估计值和所述评价期望值的差异；
根据所述差异调整所述评价估计值的评价方式，得到目标过程性评价模型。
可选的，在所述将所述身份信息和所述行为数据发送云端数据中心之后，所述方法还包括：
根据所述云端数据中心中的所述身份信息和所述行为数据创建驾驶行为大数据库，所述驾驶行为大数据库用于对所述身份信息和所述行为数据进行分析处理。
可选的，在所述将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果之后，所述方法还包括：
根据所述评价结果调整所述目标过程性评价模型的评价方式。
可选的，所述采集驾驶员的身份信息和行为数据，包括：
通过安装在机动车上的传感器采集所述驾驶员的身份信息和行为数据，所述行为数据包括驾驶员的驾驶行为数据以及驾驶员的操作行为数据。
本申请实施例第二方面提供了一种驾驶能力过程性评价的装置，其特征在于，包括：
第一采集单元，用于采集驾驶员的身份信息和行为数据；
发送单元，用于将所述身份信息和所述行为数据发送云端数据中心；
分析单元，用于将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
可选的，所述装置还包括：
第二采集单元，用于采集一组训练样本，所述训练样本为至少两个驾驶员的训练样本数据，所述训练样本数据包括训练集数据和测试集数据，所述训练集数据包括驾驶员的身份信息以及行为数据，所述测试集数据包括培训员反馈数据以及社会驾驶数据；
第一评价单元，用于根据所述训练集数据得到评价估计值；
第二评价单元，用于根据所述测试集数据得到评价期望值；
计算单元，用于根据方差公式计算出所述评价估计值和所述评价期望值的差异；
第一调整单元，用于根据所述差异调整所述评价估计值的评价方式，得到目标过程性评价模型。
可选的，所述装置还包括：
创建单元，用于根据所述云端数据中心中的所述身份信息和所述行为数据创建驾驶行为大数据库，所述驾驶行为大数据库用于对所述身份信息和所述行为数据进行分析处理。
可选的，所述装置还包括：
第二调整单元，用于根据所述评价结果调整所述目标过程性评价模型的评价方式。
可选的，所述第一采集单元包括：
第一采集模块，用于通过安装在机动车上的传感器采集所述驾驶员的身份信息；
第二采集模块，用于通过安装在机动车上的传感器采集所述驾驶员的行为数据。
本申请实施例第三方面提供了一种驾驶能力过程性评价的装置，包括：
处理器、存储器、输入输出单元以及总线；
所述处理器与所述存储器、输入输出单元以及总线相连；
所述处理器执行如下操作：
采集驾驶员的身份信息和行为数据；
将所述身份信息和所述行为数据发送云端数据中心；
将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行上述第一方面任意一种驾驶能力过程性评价的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，当有新的驾驶员在学习驾驶时，通过采集该驾驶员的身份信息和行为数据，在目标过程性评价模型中对所述身份信息和所述行为数据进行分析，就可直接得出客观、真实、有效的评价结果并实时反馈，以使得驾驶员可以根据该结果进行针对性教学，从而提升培训效率和培训质量。
附图说明
图1为本申请实施例中驾驶能力过程性评价的方法一个实施例流程示意图；
图2为本申请实施例中驾驶能力过程性评价的方法另一个实施例流程示意图；
图3为本申请实施例中驾驶能力过程性评价的装置一个实施例流程示意图；
图4为本申请实施例中驾驶能力过程性评价的装置另一个实施例流程示意图；
图5为本申请实施例中驾驶能力过程性评价的装置另一个实施例流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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、完整的阐述，显然阐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。基于本申请中的实施例，本领域普通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，都应当属于本申请保护范围。
本申请提供了一种驾驶能力过程性评价的方法及相关装置，以使得驾驶员可以根据该结果进行针对性教学，从而提升培训效率和培训质量。
请参阅图1，本申请实施例中驾驶能力过程性评价的方法一个实施例包括：
101、采集驾驶员的身份信息和行为数据；
需要说明的是，本申请实施例中，为了以防数据作弊，确认是驾驶员本人在练习，需要采集驾驶员的身份信息，如人脸登录、指纹验证、虹膜识别、活体检测等，通过gps和传感器轨迹实时记录分析、人物画像与驾驶风格结合分析等确保驾驶员的真实身份。
此外，在驾驶员在练习的过程中，还会对该驾驶员的行为数据进行采集记录，采集的具体行为数据信息将在图2实施例中进行详细介绍，本申请实施例暂不做说明。
102、将所述身份信息和所述行为数据发送云端数据中心；
需要说明的是，本申请实施例中，需要将采集到的身份信息和行为数据通过高速网络传至云端数据中心进行保存以及分析处理，该高速网络可以是园区WiFi，可以是2G/3G/4G/5G网络，也可以是其他，具体此处不做限制。
103、将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
本申请实施例中，该目标过程性评价模型为事先就训练好的模型，且为不断更新的，每次采集到新的驾驶员的身份信息和行为数据时，在对该驾驶员的身份信息和行为数据进行分析给出评价结果的同时，也会运用大数据与人工智能算法对驾驶员的身份信息和行为数据进行机器学习，更新模型，以使得该目标过程性评价模型更成熟。
需要说明的是，具体的模型训练方法将在图2实施例中进行详细介绍，本申请实施例暂不做说明。
本申请实施例中，当有新的驾驶员在学习驾驶时，通过采集该驾驶员的身份信息和行为数据，在目标过程性评价模型中对所述身份信息和所述行为数据进行分析，就可直接得出客观、真实、有效的评价结果并实时反馈，以使得驾驶员可以根据该结果进行针对性教学，从而提升培训效率和培训质量。
上面对驾驶能力过程性评价的方法做了一个大概的说明，下面将对驾驶能力过程性评价的方法进行一个详细的解释介绍。
请参阅图2，本申请实施例中驾驶能力过程性评价的方法另一实施例包括：
201、采集一组训练样本，所述训练样本为至少两个驾驶员的训练样本数据；
本申请实施例中，该训练样本数据包括训练集数据和测试集数据，该训练集数据包括驾驶员的身份信息以及行为数据，该测试集数据包括培训员反馈数据以及社会驾驶数据。
需要说明的是，培训员反馈数据具体为培训老师对学员驾驶能力的评估，比如根据基础掌握、日常驾驶行为、安全意识、科目练习情况进行综合性评估；社会驾驶数据具体为社会驾驶数据对学员驾驶能力评估，比如收集拿证后驾驶人的社会驾驶数据(驾龄、违规数据、事故数据等)，在此基础上进行一个综合性评估。
202、根据所述训练集数据得到评价估计值；
需要说明的是，本申请实施例中，在没有得到一个成熟的目标过程性评价模型之前，关于该训练集数据的评价估计值是由一个初始的评价模型得出的，根据一个还没有被训练好的初始评价模型对该训练集数据进行综合性评价，得出评价估计值。
203、根据所述测试集数据得到评价期望值；
本申请实施例中，根据培训员反馈数据和社会驾驶数据得出一个综合性评价，将该评价作为评价期待值。
需要说明的是，本申请实施例中，步骤202与步骤203无先后顺序之分。
204、根据方差公式计算出所述评价估计值和所述评价期望值的差异；
需要说明的是，本申请实施例中，在收集到相应数据并且各自进行分析得出评价值之后，还需要通过方差公式对评价估计值和评价期待值进行计算，得到两者之间的差异，方差越大说明该评价模型的波动越大。
205、根据所述差异调整所述评价估计值的评价方式，得到目标过程性评价模型；
需要说明的是，本申请实施例中，通过对比评价估计值和评价期望值来验证该目标过程性评价模型的有效性，根据对比结果对该目标过程性评价模型不断进行反补优化，以得到一个趋近成熟的评价模型。
206、通过安装在机动车上的传感器采集所述驾驶员的身份信息和行为数据，所述行为数据包括驾驶员的驾驶行为数据以及驾驶员的操作行为数据；
需要说明的是，本申请实施例中，该驾驶员的驾驶行为数据具体包括驾驶人头部位姿、视线、双手动作、上肢与躯干动作、上下车动作、系安全带动作、开车门动作等与安全驾驶行为习惯相关的信息，操作行为数据包括但不限于方向盘操作信息、离合器踏板操作信息、脚制动器踏板操作信息、手制动器操作信息、转向灯操作信息以及加速踏板操作信息等信息。
通过安装在机动车上的传感器采集并且记录驾驶员培训过程中的基础练习数据信息(方向盘、离合、挡位、起步停车、直线前进、直线后退、左右转弯)、日常驾驶行为(方向盘感知，油离配合，挡位与速度匹配，直线行驶是否偏离，左右转弯与转向灯、观察后视镜的规范)、驾驶行为数据信息(打方向盘的方式，安全带意识，行驶中车门关闭，转弯与倒车后视镜观察，双手开车门，溜车，空挡行驶，预测性降速，应急反应)、科目练习数据内容信息(倒车入库、侧方停车、直角转弯、曲线行驶、坡道起步、窄路掉头、隧道行驶、高速取卡、紧急制动)。
207、将所述身份信息和所述行为数据发送云端数据中心；
本申请实施例中，步骤207与前述实施例中步骤102类似，此处不再赘述。
208、根据所述云端数据中心中的所述身份信息和所述行为数据创建驾驶行为大数据库，所述驾驶行为大数据库用于对所述身份信息和所述行为数据进行分析处理；
需要说明的是，本申请实施例中，通过创建大数据库对采集到的所有数据信息进行保存以及处理，以通过保存的这些数据训练出一个更为成熟的评价模型。
209、将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成；
本申请实施例中，步骤209与前述实施例中步骤103类似，此处不再赘述。
210、根据所述评价结果调整所述目标过程性评价模型的评价方式。
需要说明的是，本申请实施例中，该目标过程性评价模型是动态的，不断在优化的，每一次采集到新的驾驶员的信息，在对该驾驶员进行一个针对性的评价的同时，也会根据该评价结果去更新、调整该目标过程性评价模型。
本申请实施例中，通过创建大数据库对采集到的驾驶员的行为数据进行保存以及分析整理，且通过创建目标过程性评价模型对驾驶员的驾驶情况进行实时分析评价并反馈，也使得驾驶人能更全面、清晰的认识到自己驾驶能力，从而进行改善，同时也根据该评价结果对目标过程性评价模型进行更新，使得该目标过程性评价模型更完善，对驾驶员的分析评价更为准确和及时。
上面对驾驶能力过程性评价的方法做了介绍，下面将对驾驶能力过程性评价的装置进行介绍。
请参阅图3，本申请实施例中驾驶能力过程性评价的装置一个实施例包括：
第一采集单元301，用于采集驾驶员的身份信息和行为数据；
发送单元302，用于将所述身份信息和所述行为数据发送云端数据中心；
分析单元303，用于将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
本申请实施例中，当有新的驾驶员在学习驾驶时，通过第一采集单元301采集该驾驶员的身份信息和行为数据，并通过分析单元303在目标过程性评价模型中对所述身份信息和所述行为数据进行分析，就可直接得出客观、真实、有效的评价结果并实时反馈，以使得驾驶员可以根据该结果进行针对性教学，从而提升培训效率和培训质量。
上面对驾驶能力过程性评价的装置做了一个大概的说明，下面将对该驾驶能力过程性评价的装置进行一个详细的解释介绍。
请参阅图4，本申请实施例中驾驶能力过程性评价的装置另一实施例包括：
第二采集单元401，用于采集一组训练样本，所述训练样本为至少两个驾驶员的训练样本数据，所述训练样本数据包括训练集数据和测试集数据，所述训练集数据包括驾驶员的身份信息以及行为数据，所述测试集数据包括培训员反馈数据以及社会驾驶数据；
第一评价单元402，用于根据所述训练集数据得到评价估计值；
第二评价单元403，用于根据所述测试集数据得到评价期望值；
计算单元404，用于根据方差公式计算出所述评价估计值和所述评价期望值的差异；
第一调整单元405，用于根据所述差异调整所述评价估计值的评价方式，得到目标过程性评价模型。
第一采集单元406，用于采集驾驶员的身份信息和行为数据；
第一采集单元406进一步还可以包括：
第一采集模块4061，用于通过安装在机动车上的传感器采集所述驾驶员的身份信息；
第二采集模块4062，用于通过安装在机动车上的传感器采集所述驾驶员的行为数据。
发送单元407，用于将所述身份信息和所述行为数据发送云端数据中心；
创建单元408，用于根据所述云端数据中心中的所述身份信息和所述行为数据创建驾驶行为大数据库，所述驾驶行为大数据库用于对所述身份信息和所述行为数据进行分析处理；
分析单元409，用于将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成；
第二调整单元410，用于根据所述评价结果调整所述目标过程性评价模型的评价方式。
本申请实施例中，各单元模块的功能与前述图1至图2中所示实施例中的步骤对应，此处不再赘述。
请参阅图5，本申请实施例中驾驶能力过程性评价的装置另一实施例包括：
处理器501、存储器502、输入输出单元503以及总线504；
处理器501与存储器502、输入输出单元503以及总线504相连；
处理器501执行如下操作：
采集驾驶员的身份信息和行为数据；
将所述身份信息和所述行为数据发送云端数据中心；
将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
本实施例中，处理器501的功能与前述图1至图2所示实施例中的步骤对应，此处不再赘述。
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，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元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接口，装置或单元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单元可以是或者也可以不是物理上分开的，作为单元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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种驾驶能力过程性评价的方法，其特征在于，包括：
采集驾驶员的身份信息和行为数据；
将所述身份信息和所述行为数据发送云端数据中心；
将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
2.根据权利要求1所述的方法，其特征在于，在所述采集驾驶员的身份信息和行为数据之前，所述方法还包括：
采集一组训练样本，所述训练样本为至少两个驾驶员的训练样本数据，所述训练样本数据包括训练集数据和测试集数据，所述训练集数据包括驾驶员的身份信息以及行为数据，所述测试集数据包括培训员反馈数据以及社会驾驶数据；
根据所述训练集数据得到评价估计值；
根据所述测试集数据得到评价期望值；
根据方差公式计算出所述评价估计值和所述评价期望值的差异；
根据所述差异调整所述评价估计值的评价方式，得到目标过程性评价模型。
3.根据权利要求1所述的方法，其特征在于，在所述将所述身份信息和所述行为数据发送云端数据中心之后，所述方法还包括：
根据所述云端数据中心中的所述身份信息和所述行为数据创建驾驶行为大数据库，所述驾驶行为大数据库用于对所述身份信息和所述行为数据进行分析处理。
4.根据权利要求1所述的方法，其特征在于，在所述将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果之后，所述方法还包括：
根据所述评价结果调整所述目标过程性评价模型的评价方式。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述采集驾驶员的身份信息和行为数据，包括：
通过安装在机动车上的传感器采集所述驾驶员的身份信息和行为数据，所述行为数据包括驾驶员的驾驶行为数据以及驾驶员的操作行为数据。
6.一种驾驶能力过程性评价的装置，其特征在于，包括：
第一采集单元，用于采集驾驶员的身份信息和行为数据；
发送单元，用于将所述身份信息和所述行为数据发送云端数据中心；
分析单元，用于将所述身份信息和所述行为数据在目标过程性评价模型中进行分析得出评价结果，所述目标过程性评价模型由大量的驾驶员训练样本数据训练而成。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二采集单元，用于采集一组训练样本，所述训练样本为至少两个驾驶员的训练样本数据，所述训练样本数据包括训练集数据和测试集数据，所述训练集数据包括驾驶员的身份信息以及行为数据，所述测试集数据包括培训员反馈数据以及社会驾驶数据；
第一评价单元，用于根据所述训练集数据得到评价估计值；
第二评价单元，用于根据所述测试集数据得到评价期望值；
计算单元，用于根据方差公式计算出所述评价估计值和所述评价期望值的差异；
第一调整单元，用于根据所述差异调整所述评价估计值的评价方式，得到目标过程性评价模型。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
创建单元，用于根据所述云端数据中心中的所述身份信息和所述行为数据创建驾驶行为大数据库，所述驾驶行为大数据库用于对所述身份信息和所述行为数据进行分析处理。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二调整单元，用于根据所述评价结果调整所述目标过程性评价模型的评价方式。
10.根据权利要求6至9中任意一项所述的装置，其特征在于，所述第一采集单元包括：
第一采集模块，用于通过安装在机动车上的传感器采集所述驾驶员的身份信息；
第二采集模块，用于通过安装在机动车上的传感器采集所述驾驶员的行为数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011085999.6A CN112329543A (zh) | 2020-10-12 | 2020-10-12 | 一种驾驶能力过程性评价的方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011085999.6A CN112329543A (zh) | 2020-10-12 | 2020-10-12 | 一种驾驶能力过程性评价的方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112329543A true CN112329543A (zh) | 2021-02-05 |
Family
ID=74313515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011085999.6A Pending CN112329543A (zh) | 2020-10-12 | 2020-10-12 | 一种驾驶能力过程性评价的方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329543A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780042A (zh) * | 2016-09-05 | 2017-05-31 | 中国人民财产保险股份有限公司 | 基于智能移动设备的驾驶行为数据采集以及评判方法 |
| CN108647708A (zh) * | 2018-04-28 | 2018-10-12 | 清华-伯克利深圳学院筹备办公室 | 驾驶员评估方法、装置、设备和存储介质 |
| GB201815344D0 (en) * | 2018-05-02 | 2018-11-07 | Chen Sien | Machine learning system and medium for calculating passenger values of airline |
| CN109118055A (zh) * | 2018-07-19 | 2019-01-01 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
-
2020
- 2020-10-12 CN CN202011085999.6A patent/CN112329543A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780042A (zh) * | 2016-09-05 | 2017-05-31 | 中国人民财产保险股份有限公司 | 基于智能移动设备的驾驶行为数据采集以及评判方法 |
| CN108647708A (zh) * | 2018-04-28 | 2018-10-12 | 清华-伯克利深圳学院筹备办公室 | 驾驶员评估方法、装置、设备和存储介质 |
| GB201815344D0 (en) * | 2018-05-02 | 2018-11-07 | Chen Sien | Machine learning system and medium for calculating passenger values of airline |
| CN109118055A (zh) * | 2018-07-19 | 2019-01-01 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 宋晓琳等: "基于操作信号和眼动信号的驾驶员技能等级评价模型", 《机械设计与制造》 * |
| 胡斌等: "基于云模型的驾驶员驾驶状态评估方法", 《清华大学学报(自然科学版)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Abnormal driving detection based on normalized driving behavior | |
| Zhenhai et al. | Driver drowsiness detection based on time series analysis of steering wheel angular velocity | |
| CN111428699A (zh) | 伪3d卷积神经网络与注意力机制结合的驾驶疲劳检测方法及系统 | |
| CN106570560B (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
| Li et al. | Drunk driving detection based on classification of multivariate time series | |
| CN110509983A (zh) | 一种适用于不同驾驶需求的线控转向路感反馈装置 | |
| Shirazi et al. | Detection of intoxicated drivers using online system identification of steering behavior | |
| CN110143202A (zh) | 一种危险驾驶识别与预警方法及系统 | |
| CN113628448B (zh) | 车辆及其缓解疲劳驾驶的装置 | |
| CN106585635A (zh) | 驾驶行为评分方法和装置 | |
| CN109035960A (zh) | 基于模拟驾驶平台的驾驶员驾驶模式分析系统及分析方法 | |
| CN113753059B (zh) | 一种自动驾驶系统下的驾驶人接管能力预测方法 | |
| CN107226093A (zh) | 一种货车司机疲劳驾驶判断方法 | |
| CN114092922A (zh) | 一种基于特异性的驾驶员情绪识别及行为干预方法 | |
| Vasey et al. | In-vehicle affect detection system: Identification of emotional arousal by monitoring the driver and driving style | |
| CN106033506A (zh) | 一种驾照考试练车课时监控系统及其方法 | |
| CN113647956A (zh) | 一种基于自动驾驶机器人的自动驾驶汽车舒适度测试评价方法和系统 | |
| Harkous et al. | Application of hidden Markov model on car sensors for detecting drunk drivers | |
| Dominguez et al. | Impact of emotional states on the effective range of electric vehicles | |
| CN112329543A (zh) | 一种驾驶能力过程性评价的方法及相关装置 | |
| Utomo et al. | Driver fatigue prediction using different sensor data with deep learning | |
| CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
| CN112396913B (zh) | 一种机动车驾驶员训练时长记录认证的方法及相关装置 | |
| CN115743137A (zh) | 一种基于人机增强感知的驾驶情境理解方法 | |
| Butakov et al. | Driver/vehicle response diagnostic system for the vehicle-following case |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |