CN113256993A - 一种模型训练、分析车辆行驶风险的方法 - Google Patents

Abstract

本说明书一个或多个实施例提供一种模型训练、分析车辆行驶风险的方法。利用行驶风险与影响行驶风险的各维度因素组成的贝叶斯网络构建行驶风险分析模型。在模型训练阶段，将车辆对应的行驶相关数据认定为用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据、用于确定车辆智能控制系统运行状况的数据，将行驶相关数据处理成样本特征；此外，将车辆是否实际发生损坏事故作为样本标签。

Description

一种模型训练、分析车辆行驶风险的方法

技术领域

本说明书一个或多个实施例涉及信息技术领域，尤其涉及一种模型训练、分析车辆行驶风险的方法。

背景技术

目前，基于使用方法而定保费的模式（Usage-based insurance，UBI）逐渐流行。UBI车险可理解为一种根据车辆行驶风险的定保费的车辆保险。如果车辆行驶风险提升，则可以导致车辆的保费提升。

基于此，需要一种有效的分析车辆行驶风险的技术方案。

发明内容

有鉴于此，本说明书一个或多个实施例提供一种模型训练、分析车辆行驶风险的方法。

为实现上述目的，本说明书一个或多个实施例提供技术方案如下：

根据本说明书一个或多个实施例的第一方面，提出了一种模型训练方法，包括：

获取多个车辆分别对应的历史行驶相关数据；每个车辆对应的历史行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据、用于确定车辆智能控制系统运行状况的数据；

针对每个车辆，将该车辆对应的历史行驶相关数据处理成用于训练模型的样本特征，将该车辆是否实际发生损坏事故作为样本标签，训练预先构建的行驶风险分析模型；

其中，基于贝叶斯网络构建所述行驶风险分析模型；所述贝叶斯网络用于表征：道路拥堵程度受到道路类型、天气状况的影响，驾驶状况受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况的影响，车辆是否发生损坏事故受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况的影响；车辆是否发生损坏事故受到车辆智能控制系统运行状况的影响。

根据本说明书一个或多个实施例的第二方面，提出了一种分析车辆行驶风险的方法，应用于风险分析系统，所述系统包括部署于不同交通区域的计算节点与多个车辆；其中，每个计算节点上部署有基于第一方面的方法训练的行驶风险分析模型，每个车辆上配备了：用于采集车辆对应的部分行驶相关数据的采集装置集合，该部分行驶相关数据包括：用于确定驾驶员情绪状况的数据与用于确定至少部分驾驶行为状况的数据；

所述方法包括：

任一车辆在行驶中，通过配备的采集装置集合，采集该车辆对应的部分行驶相关数据，并将采集的部分行驶相关数据发送给当前所行驶的交通区域中部署的计算节点；

该计算节点获取该车辆对应的其他部分行驶相关数据；该其他部分行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定车辆智能控制系统运行状况的数据；

该计算节点将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

根据本说明书一个或多个实施例的第三方面，提出了一种模型训练装置，包括：

获取模块，获取多个车辆分别对应的历史行驶相关数据；每个车辆对应的历史行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据、用于确定车辆智能控制系统运行状况的数据；

训练模块，针对每个车辆，将该车辆对应的历史行驶相关数据处理成用于训练模型的样本特征，将该车辆是否实际发生损坏事故作为样本标签，训练预先构建的行驶风险分析模型；

其中，基于贝叶斯网络构建所述行驶风险分析模型；所述贝叶斯网络用于表征：道路拥堵程度受到道路类型、天气状况的影响，驾驶状况受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况的影响，车辆是否发生损坏事故受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况的影响；车辆是否发生损坏事故受到车辆智能控制系统运行状况的影响。

根据本说明书一个或多个实施例的第四方面，提出了一种风险分析系统，包括部署于不同交通区域的计算节点与多个车辆；其中，每个计算节点上部署有基于第一方面的方法训练的行驶风险分析模型，每个车辆上配备了：用于采集车辆对应的部分行驶相关数据的采集装置集合，该部分行驶相关数据包括：用于确定驾驶员情绪状况的数据与用于确定至少部分驾驶行为状况的数据；

任一车辆，在行驶中通过配备的采集装置集合，采集该车辆对应的部分行驶相关数据，并将采集的部分行驶相关数据发送给当前所行驶的交通区域中部署的计算节点；

该计算节点，获取该车辆对应的其他部分行驶相关数据；该其他部分行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定车辆智能控制系统运行状况的数据；将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

通过上述技术方案，利用影响行驶风险的各维度因素组成的贝叶斯网络构建行驶风险分析模型。在模型训练阶段，将车辆对应的行驶相关数据认定为用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据、用于确定车辆智能控制系统运行状况的数据，将行驶相关数据处理成样本特征；此外，将车辆是否实际发生损坏事故作为样本标签（对于车险场景来说，容易导致车辆发生损坏事故的行驶风险是值得关注的）。如此训练出的行驶风险分析模型可以具有比较准确的行驶风险分析能力。

此外，可以将训练好的行驶风险分析模型部署在分布式的边缘计算节点上，不同的计算节点分布在不同交通区域。计算节点可以获取相应交通区域内的行驶相关数据，输入模型进行行驶风险分析。如此，由各计算节点负责各自交通区域内的行驶风险分析，可以不必由统一的服务端来对全部车辆进行行驶风险分析，提升了计算效率。

附图说明

图1是本说明书提供的一种模型训练方法的流程示意图。

图2是本说明书提供的贝叶斯网络的图结构示意图。

图3是本说明书提供的另一种贝叶斯网络的图结构示意图。

图4是本说明书提供的一种分析车辆行驶风险的方法的流程示意图。

图5是本说明书提供的一种模型训练装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

图1是本说明书提供的一种模型训练方法的流程示意图，包括如下步骤：

S100：获取多个车辆分别对应的历史行驶相关数据。

本文所述的车辆，可以包括各种机动车辆，可以各种能源驱动的车辆（如燃油车、电动车）。

图1所述方法训练得到的模型，是用于分析车辆的行驶风险的模型，本文称之为行驶风险分析模型。

在人工智能领域，如果需要训练一个应用于具体场景下的分析任务的模型，则通常需要先构建待训练的行驶风险分析模型，也就是定义待训练的模型函数y=f（x），x代表模型的输入，y代表模型的输出。模型训练的过程，实际上就是给定x和y，调整优化模型函数中的模型参数的过程。

在构建行驶风险识别模型时，如何设置模型函数的参数结构是关键。在本说明书提供的技术方案中，针对与车辆行驶风险有关的因素：道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况、车辆是否发生损坏事故，每个因素对应有各种可能情况，因素之间也可能存在依赖关系。可以采用贝叶斯网络来表征这些因素之间的依赖关系。

贝叶斯网络通常被用于一组事物的各种可能情况发生的概率，以及不同事物间概率的依赖关系。所谓不同事物间概率的关系，是指一个事物的各种可能情况的概率，对于另一个事物的各种可能情况的概率的影响。贝叶斯网络通常包括有向无环图与条件概率表，在有向无环图中，每个结点代表一个事物，不同事物之间的依赖关系（依赖的事物受到被依赖的事物的影响）通过结点间的边表示，边的方向表示依赖的方向（一个事物指向另一个事物，表示另一个事物依赖于这个事物）。利用条件概率表征边对应的依赖关系。

图2是本说明书提供的贝叶斯网络的图结构示意图。如图2所示，将道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况、车辆是否发生损坏事故分别作为网络中的结点，组成贝叶斯网络。

对于道路类型，可以根据实际需要进行划分，每种类型代表一种可能情况。例如，可以划分7种道路类型，分别为高速、高速辅路、国道、城市快速路、主要道路、一般道路、无名道路。

对于道路拥堵程度，可以根据实际需要进行等级划分，每个等级代表一种可能情况。例如，可以划分4个等级表征道路拥堵程度，等级越高，拥堵程度越高。

对于天气状况，可以根据实际需要进行等级划分。例如，可以划分5个等级的天气状况，等级越高，天气状况越好（针对车辆行驶安全性而言更好的天气状况）。

对于驾驶员情绪状况，可以根据实际需要进行类型划分，每种类型代表一种可能情况。例如，可以划分愤怒、伤心、平静、开心、兴奋5个情绪类型。

对于驾驶行为状况，可以从三个方面考虑，包括：驾驶行为导致的车辆行驶参数、驾驶行为导致的车辆异常行驶事件；驾驶行为导致的交通违规事件中的至少一个。其中，驾驶行为导致的车辆行驶参数可以是行驶速度或者相对于同一交通区域内其他车辆的相对速度，可以包括若干速度等级。车辆异常行驶事件，可以包括急加速、急刹车、急转弯、急减速等可能情况。交通违规事件可以包括超速、闯红灯、未系安全带等可能情况。

对于车辆是否发生损坏事故，其通常包括发生损坏事故与不发生损坏事故两种可能情况。

每个结点的各种可能情况都有相应的出现概率，结点之间的边表示结点间的依赖关系。在本说明书看来，行驶风险受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况、车辆是否发生损坏事故的影响，道路拥堵程度受到道路类型、天气状况的影响，驾驶状况受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况的影响，车辆是否发生损坏事故受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况的影响。

继续参见图2，假设驾驶行为状况记为B，道路类型记为T，道路拥堵程度记为C，天气状况记为W，驾驶员情绪状况记为E，车辆是否发生损坏事故记为S。贝叶斯网络的联合概率为P(S,T,W,B,E,C)，P(S,T,W,B,E,C)= P(T)P(W)P(E) P(C|T,W) P(B|T,W,E,C) P(S|T,W,B,C)。进而，车辆发生损坏事故的概率P(S|T,W,B,C) = P(S,T,W,B,E,C) / P(T)P(W)P(E) P(C|T,W) P(B|T,W,E,C)。

此外，图3是本说明书提供的另一种贝叶斯网络的图结构示意图。如图3所示，在图2的基础上，还可以增加与车辆行驶风险有关的因素，车辆智能控制系统运行状况。车辆智能控制系统是指车辆上安装的各种负责不同控制功能的系统的总称。车辆上一般可以安装自动驾驶系统、辅助驾驶系统、电动车三电系统（电驱系统、电池系统、电控系统）等中的一个或多个。对于图3中所示的车辆智能控制系统，其可以包括未故障与故障两种可能情况，也可以包括未故障、故障类型1（如辅助驾驶系统故障）、故障类型2（如电驱系统故障）、……，故障类型N等多种可能情况。如此，贝叶斯网络可以还用于表征：车辆是否发生损坏事故受到车辆智能控制系统运行状况的影响。

在图3的基础上，将车辆智能控制系统记为F，贝叶斯网络的联合概率为P(S,T,W,B,E,C,F)，P(S,T,W,B,E,C,F)= P(T)P(W)P(E) P(F)P(C|T,W) P(B|T,W,E,C) P(S|T,W,B,C,F)，进而，车辆发生损坏事故的概率为：

P(S|T,W,B,C,F) = P(S,T,W,B,E,C,F)/ P(T)P(W)P(E)P(F) P(C|T,W) P(B|T,W,E,C)。

由于在训练模型阶段，考虑到容易导致车辆实际发生损坏事故的行驶风险往往是车险场景所关注的行驶风险，因此，可以将车辆是否发生损坏事故作为样本标签进行有监督训练，这意味着，在构建行驶风险识别模型时，可以根据贝叶斯网络所表征的车辆发生损坏事故的概率，设置模型函数的参数结构。

在训练模型阶段，需要获取多个车辆分别对应的历史行驶相关数据。每个车辆对应的历史行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据。此外，历史行驶相关数据还可以包括：用于确定车辆智能控制系统运行状况的数据。

通常，车辆上可以配备用于采集部分行驶相关数据的采集装置集合。采集装置集合例如可以包括各类传感器、车联网对应的车载终端（T-BOX）、拾音器、车内摄像头、车外摄像头等。利用这些采集装置可以采集到车辆在行驶中的至少部分用于确定驾驶行为状况的数据，例如，车辆加速度和方向盘转角可以用于确定车辆是否出现异常行驶事件（急加速、急减速、急转弯、急刹车）。

此外，也可以从车联网获取车辆所行驶的路段中其他车辆的速度信息，确定车辆的相对速度，以便判断车辆是否超速。

采集装置集合还可以包括提供给驾驶员穿戴的体征采集装置，可以采集驾驶员的血压、心率，车内摄像头、拾音器采集的驾驶员的图像与声音，应用深度神经网络模型可以确定出驾驶员情绪状况。

通常可以从发生故障的车辆智能控制系统获取故障通知，根据故障通知确定故障类型。

可以根据车辆行驶的路段的位置坐标，从导航地图服务方获取相应路段的用于确定道路类型与道路拥堵程度的数据。

可以根据车辆行驶的路段的位置坐标，从天气监测服务方获取相应路段的天气情况。

还可以从车辆所行驶的路段部署的公共摄像头、车内摄像头获取图像，用于确定更多的驾驶行为状况，如是否存在交通违规事件（包括不限于疲劳驾驶、驾驶员是否系安全带、驾驶员是否在驾驶时使用手机、是否遵守交通规则，如是否闯红灯）。

S102：针对每个车辆，将该车辆对应的历史行驶相关数据处理成用于训练模型的样本特征，将该车辆是否实际发生损坏事故作为样本标签，训练预先构建的行驶风险分析模型。

在训练模型阶段，需要将获取的多个车辆分别对应的历史行驶相关数据处理成样本特征，将样本特征作为模型输入。同时，需要将车辆是否实际发生损坏事故作为样本标签，将样本吧标签作为模型输出。之后可以使用这些样本迭代训练行驶风险分析模型。

此外，还可以结合车辆对应的至少一个类型的隐私数据来进行模型训练。由于不同类型的隐私数据通常是由不同的机构进行保管，模型训练方难以直接获取，因此，可以采用多方安全计算技术与联邦学习的机器学习架构，进行模型训练。

具体的，模型训练方设备与至少一个机构的处理设备之间，基于多方安全计算，联合训练预先构建的行驶风险分析模型。不同机构的处理设备存储有车辆对应的不同类型的隐私数据，每个机构的处理设备将存储的隐私数据处理成用于训练模型的样本特征。

上述的车辆对应的隐私数据例如可以包括车主信息，或，车辆对应的历史保单信息，或，车辆对应的交管记录，或，车辆对应的历史定损记录。

另外，在有些实施例中，在训练得到行驶风险分析模型并投入使用之后，还可以继续收集车辆对应的历史行驶相关数据，然后定期或不定期基于新获取的多个车辆分别对应的历史行驶相关数据，继续训练所述行驶风险分析模型，持续进行模型优化。

在训练得到行驶风险预测模型之后，对于待分析行驶风险的车辆，可以实时获取该车辆在行驶中产生的行驶相关数据，将实时获取的行驶相关数据处理成模型输入特征，输入到模型中，输出得到风险分析结果。风险分析结果可以是基于车辆发生损坏事故的概率映射成的分值。

图4是本说明书提供的一种分析车辆行驶风险的方法的流程示意图，包括如下步骤：

S400：任一车辆在行驶中，通过配备的采集装置集合，采集该车辆对应的部分行驶相关数据。

图4所示方法应用于本说明书提供的一种风险分析系统。系统包括部署于不同交通区域的计算节点与多个车辆；其中，每个计算节点上部署有行驶风险分析模型。每个车辆上配备了：用于采集车辆对应的部分行驶相关数据的采集装置集合，该部分行驶相关数据包括：用于确定驾驶员情绪状况的数据与用于确定至少部分驾驶行为状况的数据。

各计算节点组成边缘计算架构，将行驶风险模型部署在每个计算节点上，由每个计算 节点负责各自的交通区域内的车辆的行驶风险分析。如此，可以将整个交通网络中全部车辆的行驶风险分析的计算量分担到不同的计算节点上，并且，车辆距离计算节点比较近，可以更好的实现数据实时传输，这样可以提升计算效率。

S402：该车辆将采集的部分行驶相关数据发送给当前所行驶的交通区域中部署的计算节点。

需要说明的是，可以是车辆上安装的中控系统汇总各个采集装置采集到的行驶相关数据，并与计算节点进行通信，传输行驶相关数据。也可以是车辆上配备的每个采集装置分别与计算节点进行通信，传输采集到的行驶相关数据。

S404：该计算节点获取该车辆对应的其他部分行驶相关数据。

该其他部分行驶相关数据可以包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据。该其他部分行驶相关数据还包括：用于确定车辆智能控制系统运行状况的数据。

S406：该计算节点将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

通过图4所示方法，可以全面考虑与车辆行驶风险有关的多个因素，并且可以智能分析车辆行驶风险，实现实时分析。

在有些实施例中，计算节点可以周期性执行：将在本周期内从该车辆接收到的部分行驶相关数据与在本周期内获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

此外，计算节点也可以不定期执行：将在对应期间内从该车辆接收到的部分行驶相关数据与在对应期间内获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

例如，为了实时分析车辆行驶风险，车辆可以每分钟将一分钟内采集到的部分行驶相关数据传输给计算节点，计算节点也可以获取一分钟内该车辆对应的其他部分行驶相关数据，从而可以利用行驶风险模型分析出车辆在每分钟内的行驶风险。由于车辆的行驶风险分析结果的更新周期比较短，因此，相当于实现了对车辆行驶风险的实时分析。

此外，在有些实施例中，计算节点可以将车辆对应的风险分析结果推送给该车辆。例如，计算节点可以将一分钟内的风险分析结果实时反馈给车辆端。车辆端的中控系统或者车辆端的驾驶员的移动设备可以将风险分析结果提醒给驾驶员，进行预警，以便驾驶员注意风险。

计算节点也可以将风险分析结果上传给车保服务端，以便车保服务端基于接收到的风险识别结果，设定或者更新该车辆对应的保费。

另外，在有些实施例中，各计算节点可以组成区块链网络，每个计算节点可以将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，以明文或密文形式存储至区块链，也可以将得到的模型输入特征，以明文或密文形式存储至区块链。

在发生需要进行理赔的事故后，车保服务端可以根据区块链进行溯源，查找发生事故的时间段的行驶相关数据进行查勘，在确认无欺诈行为后，对车辆进行定损和理赔。可以利用部署在车保服务端的欺诈识别模型，根据从区块链中查询到的行驶相关数据，识别车辆是否真的发生需要理赔的事故，防止保险欺诈。

图5是本说明书提供的一种模型训练装置的结构示意图，包括：

获取模块501，获取多个车辆分别对应的历史行驶相关数据；每个车辆对应的历史行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据；

训练模块502，针对每个车辆，将该车辆对应的历史行驶相关数据处理成用于训练模型的样本特征，将该车辆是否实际发生损坏事故作为样本标签，训练预先构建的行驶风险分析模型；

其中，基于贝叶斯网络构建所述行驶风险分析模型；所述贝叶斯网络用于表征：道路拥堵程度受到道路类型、天气状况的影响，驾驶行为状况受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况的影响，车辆是否发生损坏事故受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况的影响。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算机包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (11)

1.一种模型训练方法，包括：

获取多个车辆分别对应的历史行驶相关数据；每个车辆对应的历史行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据、用于确定车辆智能控制系统运行状况的数据；

针对每个车辆，将该车辆对应的历史行驶相关数据处理成用于训练模型的样本特征，将该车辆是否实际发生损坏事故作为样本标签，训练预先构建的行驶风险分析模型；

其中，基于贝叶斯网络构建所述行驶风险分析模型；所述贝叶斯网络用于表征：道路拥堵程度受到道路类型、天气状况的影响，驾驶行为状况受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况的影响，车辆是否发生损坏事故受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况的影响；车辆是否发生损坏事故受到车辆智能控制系统运行状况的影响。

2.如权利要求1所述方法，驾驶行为状况包括：驾驶行为导致的车辆行驶参数、驾驶行为导致的车辆异常行驶事件；驾驶行为导致的交通违规事件中的至少一个。

3.如权利要求1所述方法，应用于模型训练方设备；

训练预先构建的行驶风险分析模型，包括：

所述模型训练方设备与至少一个机构的处理设备之间，基于多方安全计算，联合训练预先构建的行驶风险分析模型；

其中，不同机构的处理设备存储有车辆对应的不同类型的隐私数据；每个机构的处理设备将存储的隐私数据处理成用于训练模型的样本特征。

4.如权利要求3所述方法，隐私数据的类型包括：

车主信息，或，车辆对应的历史保单信息，或，车辆对应的交管记录，或，车辆对应的历史定损记录。

5.如权利要求1所述方法，还包括：

基于新获取的多个车辆分别对应的历史行驶相关数据，继续训练所述行驶风险分析模型。

6.一种分析车辆行驶风险的方法，应用于风险分析系统，所述系统包括部署于不同交通区域的计算节点与多个车辆；其中，每个计算节点上部署有基于权利要求1-5任一项方法训练的行驶风险分析模型，每个车辆上配备了：用于采集车辆对应的部分行驶相关数据的采集装置集合，该部分行驶相关数据包括：用于确定驾驶员情绪状况的数据与用于确定至少部分驾驶行为状况的数据；

所述方法包括：

任一车辆在行驶中，通过配备的采集装置集合，采集该车辆对应的部分行驶相关数据，并将采集的部分行驶相关数据发送给当前所行驶的交通区域中部署的计算节点；

该计算节点获取该车辆对应的其他部分行驶相关数据；该其他部分行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定车辆智能控制系统运行状况的数据；

该计算节点将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

7.如权利要求6所述方法，该计算节点将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果，包括：

该计算节点周期性执行：将在本周期内从该车辆接收到的部分行驶相关数据与在本周期内获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

8.如权利要求6所述方法，还包括：

该计算节点将风险分析结果推送给该车辆；

和/或

该计算节点将风险分析结果上传给车保服务端，以使所述车保服务端基于接收到的风险识别结果，设定或者更新该车辆对应的保费。

9.如权利要求6所述方法，各计算节点组成区块链网络，所述方法还包括：

将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，以明文或密文形式存储至区块链；

和/或

将得到的模型输入特征，以明文或密文形式存储至区块链。

10.一种模型训练装置，包括：

获取模块，获取多个车辆分别对应的历史行驶相关数据；每个车辆对应的历史行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定驾驶员情绪状况的数据、用于确定驾驶行为状况的数据、用于确定车辆智能控制系统运行状况的数据；

训练模块，针对每个车辆，将该车辆对应的历史行驶相关数据处理成用于训练模型的样本特征，将该车辆是否实际发生损坏事故作为样本标签，训练预先构建的行驶风险分析模型；

其中，基于贝叶斯网络构建所述行驶风险分析模型；所述贝叶斯网络用于表征：道路拥堵程度受到道路类型、天气状况的影响，驾驶行为状况受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况的影响，车辆是否发生损坏事故受到道路类型、道路拥堵程度、天气状况、驾驶员情绪状况、驾驶行为状况的影响；车辆是否发生损坏事故受到车辆智能控制系统运行状况的影响。

11.一种风险分析系统，包括部署于不同交通区域的计算节点与多个车辆；其中，每个计算节点上部署有基于权利要求1-5任一项方法训练的行驶风险分析模型，每个车辆上配备了：用于采集车辆对应的部分行驶相关数据的采集装置集合，该部分行驶相关数据包括：用于确定驾驶员情绪状况的数据与用于确定至少部分驾驶行为状况的数据；

任一车辆，在行驶中通过配备的采集装置集合，采集该车辆对应的部分行驶相关数据，并将采集的部分行驶相关数据发送给当前所行驶的交通区域中部署的计算节点；

该计算节点，获取该车辆对应的其他部分行驶相关数据；该其他部分行驶相关数据包括：用于确定道路类型的数据、用于确定道路拥堵程度的数据、用于确定天气状况的数据、用于确定车辆智能控制系统运行状况的数据；将从该车辆接收到的部分行驶相关数据与获取的该车辆对应的其他部分行驶相关数据，处理成模型输入特征，并输入到行驶风险分析模型，输出风险分析结果。

Images