CN113283548A - 一种车辆安全评分方法、装置、设备和存储介质 - Google Patents

Abstract

本发明涉及安全驾驶领域，具体而言，涉及一种车辆安全评分方法、装置、设备和存储介质。方法包括采集每台车辆在不同统计维度下的危险驾驶行为数据、路线复杂度和高峰时段运行时长占比；采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分；汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理。本实施例采用对安全性有显著影响的危险驾驶行为数据、路线复杂度和高峰时段运行时长占比，以及对总安全评分进行平滑处理，可以科学、合理地评估不同统计维度下车辆的安全性。

Description

一种车辆安全评分方法、装置、设备和存储介质

技术领域

本发明涉及安全驾驶领域，具体而言，涉及一种车辆安全评分方法、装置、设备和存储介质。

背景技术

车辆的安全评分用于评估车辆本身的安全性，目前车辆的安全管理普遍比较简单，尤其是常用车，一般采用车辆的平均行驶速度等数据，直接得到车辆的安全评分，例如，如果平均车速过快，则安全评分低，容易出现交通事故，车辆安全性差；如果平均车速适中且平稳，则安全评分高，不容易出现事故，车辆安全性高。

现有的安全评分依靠的数据比较简单，缺乏足够的数据支撑；而且，车速容易受到其它外界因素的影响，例如，即使是同一台车辆，如果路线不同，场景不同，也会导致车速的不同，从而不能准确反映车辆的安全性。

有鉴于此，特提出本发明。

发明内容

本申请实施例提供一种车辆安全评分方法、装置、设备和存储介质，以解决现有的安全评分依靠的数据比较简单，缺乏足够的数据支撑，且容易受到其它外界因素的影响的缺陷。

第一方面，本申请实施例提供了一种车辆安全评分方法，包括：

采集每台车辆在不同统计维度下的多种目标数据；其中，所述统计维度包括时间维度和行程维度，所述多种目标数据包括危险驾驶行为数据、路线复杂度和高峰时段运行时长占比；

采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分；其中，总安全评分由各单一安全评分加权求和得到；

汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，得到平滑后的总安全评分。

第二方面，本申请实施例还提供了一种车辆安全评分装置，包括：

采集模块，用于采集每台车辆在不同统计维度下的多种目标数据；其中，所述统计维度包括时间维度和行程维度，所述多种目标数据包括危险驾驶行为数据、路线复杂度和高峰时段运行时长占比；

评分模块，用于采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分；其中，总安全评分由各单一安全评分加权求和得到；

调整模块，用于汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，得到平滑后的总安全评分。

第三方面，本申请实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的车辆安全评分方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的车辆安全评分方法。

本实施例通过以时间和行程作为统计维度，采用对安全性有显著影响的危险驾驶行为数据、路线复杂度和高峰时段运行时长占比，可以科学、合理地评估不同统计维度下车辆的安全性；通过采用评分模型得到各种目标数据的单一安全评分和总安全评分，可以得到不同目标数据对总安全评分的影响，有利于针对不同的目标数据做优化；进一步的，通过调整各单一安全评分的权重，以对总安全评分进行平滑处理，抵消外部因素的影响，突出前述目标数据对总安全评分的贡献，使得安全评分更具合理性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车辆安全评分方法的流程图；

图2是本发明实施例提供的路线复杂度的示意图；

图3是本发明实施例提供的与表3对应的总安全评分的平滑效果图；

图4是本发明实施例提供的事故车和非事故车的总安全评分分布图；

图5是本发明实施例提供的另一种车辆安全评分方法的流程图；

图6是本发明实施例提供的一种车辆安全评分装置的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1是本发明实施例提供的一种车辆安全评分方法的流程图，适用于对车辆的安全性进行评分的情况，本实施例由车辆安全评分装置执行，该装置由软件和/或硬件构成，并一般集成在电子设备中。该方法包括以下操作：

S110、采集每台车辆在不同统计维度下的多种目标数据；其中，所述统计维度包括时间维度和行程维度，所述多种目标数据包括危险驾驶行为数据、路线复杂度和高峰时段运行时长占比。

时间维度包括日、周、月、季度和年等，行程维度以时间段为分割，例如一台车在半小时内的数据划分为一个行程，在一下个半小时内的数据划分为另一个行程。行程维度也可以以地理范围为分割等。例如，采集一台车辆在一天内的危险驾驶行为数据、路线复杂度和高峰时段运行时长占比。

危险驾驶行为包括急加速、急减速、急转弯和高车速中的至少一种；相应的，危险驾驶行为数据为危险驾驶行为在统计维度内的发生次数。急加速指车速在短时间内快速上升，若在路况不明朗情况下，极易引发事故。急减速指车速在短时间内快速下降，若后车跟车较近时，极易引发追尾事故。急转弯指车辆以较大的角速度过弯(转弯时不减速)，容易与对向车辆发生碰撞甚至导致车辆侧翻。高车速指车速普遍较高，与防御型驾驶的理念相违背，若路上发生紧急情况，无法预留足够的反应时间。

路线复杂度指车辆行驶路线的平缓程度，若道路曲折更容易发生事故。可选的，路况数据需要依靠专业的采集设备，并进行实地采集才能得到，因此难以获得路况数据，本实施例巧妙地利用外接圆半径提出了能描述路况风险的路线复杂度的方法，用于衡量车辆在行驶过程中的道路风险。图2是本发明实施例提供的路线复杂度的示意图。首先采集每台车辆在不同统计维度下的轨迹离散点（用经纬度和时间戳表示）；在同一统计维度下，从多个轨迹离散点中连续选取多组轨迹离散点，每组轨迹离散点包括三个时空相邻的轨迹离散点，轨迹离散点不能重复选取。计算每组内三个时空相邻的轨迹离散点的外接圆半径；统计超过半径阈值（人为定义，例如100m）的组数在总体中的占比，并将所述占比作为所述路线复杂度。以行程维度为例，假设一行程中有30个轨迹离散点，可以连续选取到10组轨迹离散点。计算每组轨迹离散点的外接圆半径，统计外接圆半径r<100的组数，例如5组。计算5组占整个行程所有选取的组数：10组的比例，即50%，该值就是该行程的路线复杂度。

由现实生活可知，晚5点到7点，早7点到9点为高峰时段，高峰时段车流量较大，加塞行为极易发生，且驾驶员更容易产生浮躁情绪。故若总运营时长（如24小时）中高峰时段的运行时长占比越大，车辆安全风险越大。

S120、采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分；其中，总安全评分由各单一安全评分加权求和得到。

示例性的，将一天内采集到的危险驾驶行为数据、路线复杂度和高峰时段运行时长占比输入至评分模型，得到评分模型输出的，危险驾驶行为数据的单一安全评分、路线复杂度的单一安全评分和高峰时段运行时长占比的单一安全评分。进一步的，采集模型将各单一安全评分进行加权求和得到总安全评分。总安全评分越高说明车俩的安全性越好。

可选的，评分模型为熵权法模型，具体将多种目标数据输入至熵权法模型中，得到所述熵权法模型输出的各种目标数据的单一安全评分和总安全评分。熵权法通过计算（经过标准化处理之后）每个目标数据中的信息熵，来衡量各个目标数据的重要性程度。对于不同的目标数据来说，若目标数据的信息熵越小，说明该目标数据的变异程度越大，则该目标数据包含的信息越多，在模型中的权重应该越大；反之亦然。本实施例采用熵权法模型可以科学、合理地评估各目标数据评分的权重，提高总安全评分的合理性。表1示出了各车辆在2020年6月1日至13日每天的单一安全评分和总安全评分。

表1 各车辆的单一安全评分和总安全评分

车辆编号	高峰时段运行时长占比评分	急加速评分	急减速评分	急转弯评分	高车速评分	路线复杂度评分	总安全评分	日期
									1	0	100	100	100	30	40	58.4864	20200601
2	80	100	100	100	10	50	68.5781	20200602
									3	60	100	100	100	30	60	70.2196	20200603
4	10	100	100	0	30	0	35.16908	20200604
									5	100	100	100	100	100	0	77.67542	20200605
6	90	100	100	100	70	30	76.16332	20200606
									7	10	100	100	100	30	90	67.45976	20200607
8	100	100	0	100	100	60	71.29082	20200608
									9	20	100	100	100	10	90	65.86782	20200609
10	30	100	100	100	60	5	62.15511	20200610
									11	30	100	100	100	0	30	56.77606	20200611
12	70	100	100	0	10	5	41.60035	20200612
									13	100	100	100	100	70	30	77.61758	20200613

S130、汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，得到平滑后的总安全评分。

由于即使是同一台车辆，如果驾驶场景不同、拥堵情况不同，会使得采集到的急加速、急转弯等次数出现很大的不同，导致有时总安全评分过高，有时总安全评分过低，出现两极分化的情况。基于此，为了尽可能地抵消外部因素的影响，突出前述目标数据对总安全评分的贡献，本实施例创造性地调整各单一安全评分的权值（即评分模型给出的权值），对总安全评分进行平滑处理。

可选的，在保证各单一安全评分的权值之和（例如为1）不变的情况下，按照设定步长（例如0.1）调整各单一安全评分的权值。计算调整后多个总安全评分的平滑度；判断平滑度是否满足设定要求。其中，平滑度可以采用各总安全评分的方差表征。如果方差超过设定阈值，例如2.6，则平滑度不满足设定要求，返回权值的调整操作，直到所述平滑度满足所述设定要求。

值得说明的是，为了提高调整效率，可以仅对平滑度影响较大的几个总安全评分对应的权值进行调整。具体的，按照从低到高的顺序剔除总安全评分，并每剔除一个后计算剩余总安全评分的方差，以及与前一方差的差值。仅调整最大差值处剔除的总安全评分所对应的权值。示例性的，表2示出了统计维度为周时，同一台车辆平滑前的总安全评分（即评分模型输出的总安全评分，已按照从小到大的顺序排列）、平滑后的总安全评分以及剔除掉所在行之前的数据后的方差。可见，20200831与20200827之间的方差的差值最大，则前3个总安全评分对整体平滑度的影响较大。则主要调整前3个总安全评分。

表2 平滑前/后的总安全评分，剔除掉所在行之前的数据后的方差

周	平滑前总安全评分	平滑后总安全评分	方差
				20200810	61.3	62.8
20200803	61.7	63.2	3.600517
				20200727	61.9	63.4	2.751137
20200831	64.1	64.1	1.592763
				20200817	64.1	64.1	1.382979
20200907	65.0	65.0	0.997909
				20200824	65.0	65.0	0.839347
20200914	65.7	65.7	0.472952
				20201012	66.3	66.3	0.262013
20200921	66.9	66.9	0.101212
				20201005	67.2	67.2	0.053362
20200928	67.7	67.7

相应地，表3是按照时间顺序排列的平滑前/后总安全评分，图3示出了与表3对应的总安全评分的平滑效果。参见表3和图3，平滑前总安全评分的方差为4.3999，调整前3个总安全评分后的方差为2.5034，整体的平滑度得到提升。

表3 平滑前/后总安全评分

周	平滑前总安全评分	平滑后总安全评分
			20200727	61.9	63.4
20200803	61.7	63.2
			20200810	61.3	62.8
20200817	64.1	64.1
			20200824	65.0	65.0
20200831	64.1	64.1
			20200907	65.0	65.0
20200914	65.7	65.7
			20200921	66.9	66.9
20200928	67.7	67.7
			20201005	67.2	67.2
20201012	66.3	66.3

本实施例可以通过输入同一统计维度的数据，使用评分模型获得不同时间或行程对应的总安全评分。通过比较不同时间或行程的总安全评分变化的趋势，也可以同步验本发明实施例的合理性（同一辆车的安全评分在不同周期内的安全评分应有一致的趋势）。

图4是本发明实施例提供的事故车和非事故车的总安全评分分布图，事故车的总安全评分平均为46.5，非事故车的总安全评分平均为59.4，具有显著的差别，有81.3%的总安全评分在50分位数以下。可见，模型的召回率在82%左右，能较好的分辨事故车和非事故车，并且输入参数的可解释性强，能够很好的对每项目标数据进行打分，给驾驶员提供合理建议，并将各统计维度下的评分结果及时发布到云平台及驾驶员的移动终端上。驾驶员可以登陆云平台或者移动终端查看评分结果。

本实施例通过以时间和行程作为统计维度，采用对安全性有显著影响的危险驾驶行为数据、路线复杂度和高峰时段运行时长占比，可以科学、合理地评估不同统计维度下车辆的安全性；通过采用评分模型得到各种目标数据的单一安全评分和总安全评分，可以得到不同目标数据对总安全评分的影响，有利于针对不同的目标数据做优化；进一步的，通过调整各单一安全评分的权重，以对总安全评分进行平滑处理，抵消外部因素的影响，突出前述目标数据对总安全评分的贡献，使得安全评分更具合理性。

在上述实施例和下述实施例中，在采集目标数据之前，需要采集车辆在不同统计维度下的基础数据，包括驾驶行驶数据（速度、加速度和转弯等行为）和轨迹离散点。从基础数据中计算得到目标数据。由于采集设备和环境干扰，基础数据中存在异常数据，需要清洗。

具体的，根据不同的采集设备类型，制定不同的清洗策略。如，对于云控设备，两个相邻的点，将速度从0直接跳变到50，或50跳变到0（跳变超过阈值）的数据剔除；对于 A产品，A产品将速度从0跳变到30或30跳变到0的数据剔除（不同的设备可以采用不同的阈值，因为不同设备数据传输频率不同）；判定速度是否存在跳变的跳变阈值可以根据设备类型的不同进行分别设置，从而剔除掉跳变数据。对于雷达产品则剔除设备的前３天数据（设备刚装上的时候前3天为测试数据，因此剔除掉）。

判断数据的采集时间是否异常，例如25日的数据里会出现24号的数据，因此需要剔除，优选的，应用于雷达产品则用此方案。

在上述实施例和下述实施例中，在从基础数据中采集危险驾驶行为数据，例如采集一天内的急加速次数时，需要将加速度的值与相关阈值做比较。但是由于不同采集设备的传输频率不同，例如B系列是1s一传，C系列是3s一传，C系列会漏传一些数据，导致很多驾驶行为的统计行为发生显著的变化（如在B系列下定义为急加速，在C系列中很难出现类似的情况）。为保证在衡量驾驶行为是否危险时，采集设备间具有可比性，通过对比安装不同采集设备的车辆，驾驶行为数据（包括加速度、减速度、转弯角速度和车速）的分布情况，量化了采集设备间数据的差异（由于B产品传输频率更高，而加速、减速、转弯动作持续时间通常不会太长，故B产品中统计的加速度、角速度相对更真实，C系列的对应数据会偏小，有失真的情况），根据数据分布不同，调整了不同采集设备中，各个危险驾驶行为的定义（C产品调小了对应的阈值）。

以第一车辆和第二车辆为例，第一车辆中安装有第一采集设备，第二车辆中安装有第二采集设备，第二采集设备的传输频率低于所述第一采集设备的传输频率。对于三台以上车辆的情况，且采集设备的传输频率不同，可以两两车辆之间执行下述方法。

通过第一采集设备采集第一车辆在不同统计维度下的第一驾驶行为数据，通过第二采集设备采集第二车辆在不同统计维度下的第二驾驶行为数据；统计同一统计维度下所述第一驾驶行为数据的第一分布，以及统计所述同一统计维度下第二驾驶行为数据的第二分布。例如，在行程维度下，将第一采集设备传输的加速度按照从大到小的顺序排列，形成第一分布，第二分布则同理。

然后，确定第一驾驶行为数据对应的第一阈值，例如加速度阈值为3.5m/s²，并确定所述第一阈值在所述第一分布中的分位点，例如前3%。可以认为，前3%的加速度均大于加速度阈值。由于第一采集设备的传输频率更高，加速度更准确，则首先确定第一阈值，进而以第一阈值在第一分布的分位点，作为第二分布中的分位点。虽然分位点相同，由于传输频率不同，会导致第一阈值和第二阈值不同。在一加速度的示例中，第一阈值是3.5m/s²，第二阈值是2.5m/s²。在一些实施例中，除了危险驾驶行为在统计维度内的发生次数值之外，还可以采用分位点表示危险驾驶行驶数据。

根据所述分位点在所述第一分布和第二分布中的位置，筛选所述第一分布中的第一危险驾驶行为数据和所述第二分布中的第二危险驾驶行为数据。示例性的，如果第一分布和第二分布按照加速度从大到小的顺序排列，则筛选分位点之前的第一驾驶行为数据和第二驾驶行为数据；如果第一分布和第二分布按照加速度从小到大的顺序排列，则筛选分位点之后的第一驾驶行为数据和第二驾驶行为数据。

进一步的，为保证第一危险驾驶行为数据与第二危险驾驶行为数据的数据量相同，以便进行统一评分，将所述第一危险驾驶行为数据降频处理，达到与所述第二危险驾驶行为数据的传输频率相同。

在上述实施例和下述实施例中，对于不同传输速率的采集设备的情况，也对权重进行了调整。保证了采集设备间的风险可比。图5是本发明实施例提供的另一种车辆安全评分方法的流程图，包括以下操作：

S210、采集每台车辆在不同统计维度下的多种目标数据；其中，所述统计维度包括时间维度和行程维度，所述多种目标数据包括危险驾驶行为数据、路线复杂度和高峰时段运行时长占比。

S220、将所述多种目标数据输入至熵权法模型中，得到所述熵权法模型输出的各种目标数据的单一安全评分和总安全评分；其中，总安全评分由各单一安全评分加权求和得到。

熵权法模型适用于对时间维度进行安全评分，熵权法更可以去体现结果与输入之间的关联性，可解释性更好；熵权法具有每一个行为的打分。

如果使用传统的有监督学习算法，需要有对应的标签(Y)，在该项目中具体为事故标签（标记该车辆是否发生过事故）。对于不同时间窗口的评分，无法统一应用该标签。例：一个月中发生至少一次事故的概率一定大于某一天发生一次事故的概率。若使用该标签，则会导致长期的安全评分普遍低于短期安全评分。故我们选择使用传统的无监督学习算法之一：熵权法。

S230、选取同一车队中安装有危险驾驶行为数据传输频率不同的采集设备的不同车辆。

例如选取第一车辆和第二车辆，且第一车辆中的第一采集设备与第二车辆中的第二采集设备的数据传输频率不同。值得说明的是，此处的传输频率一般影响危险驾驶行为数据，不会影响路线复杂度和高峰时段运行时长占比。

车队由前后排列行驶的多台车辆构成；其中各车辆的行驶速度、间距、路线几乎相同，因此同一车队的驾驶行为数据几乎一致。

S240、获取所述不同车辆在同一统计维度下，且路线复杂度和高峰时段运行时长占比相同的多个总安全评分，并通过调整各单一安全评分的权值，使不同车辆间的多个总安全评分相互逼近。

前述实施例采用同一分位点和降频处理来抵消数据传输速率对危险驾驶行为数据带来的影响，但并不能完全消除。基于此，本实施例固定统计维度、路线复杂度和高峰时段运行时长占比，仅保留危险驾驶行为数据可变，分别获取不同车辆的总安全评分。

由于不同车辆来自于同一车队，危险驾驶行为数据几乎一致，利用该特点，通过调整各单一安全评分的权值，使不同车辆间的多个总安全评分相互逼近。示例性的，在保证各单一安全评分的权值之和不变的情况下，按照设定步长调整各单一安全评分的权值；计算不同车辆间的多个总安全评分的差值；如果该差值不小于阈值（例如3），返回权值的调整操作，直到差值小于阈值。

S250、汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，得到平滑后的总安全评分。

S260、根据所述多种目标数据之间的相关性，计算目标数据之间的相关项，并将所述多种目标数据和所述相关项进行归一化处理。

相关项反映了不同变量之间的相互影响，例如，急加速次数为10次，高峰时段运行时长占比为n，高峰时段运行时长占比会影响急加速次数，相关项能够反映出这两个参数的相互影响，有利于挖掘到变量之间的内部规律，提高评分准确性。因此，本实施例将各目标数据和目标数据之间的相关项共同作为自变量。

具体的，相关项为两种目标数据的乘积x*y，y*z，x*z。对x，y，z，x*y，y*z，x*z进行归一化处理，保证输入数据量纲相同。

示例性的，对于x、y和C*x*y，C用于保证x和y不同量纲可以转换为相同；根据x和y的不同量纲进行C的调整；比如x是1-100，y是0-1，则用C调整x和y。当存在正相关和负相关时，可以调整系数C的正负。衡量是正还是负，通过计算x和y的协方差的正负来判定是正相关还是负相关。衡量强度时，通过x、y的协方差除以x、y的标准差，将差值与阈值进行比较，判断出强相关和弱相关；弱相关的就没有相关项了，强相关才有相关项。

S270、将归一化处理后的多种目标数据和相关项输入至XGBoost模型，得到所述XGBoost模型输出的总安全评分。

可选的，在所述将归一化处理后的多种目标数据和相关项输入至XGBoost模型，得到所述XGBoost模型输出的总安全评分之前，还包括XGBoost模型的学习过程。具体的，统计车辆样本在不同统计维度下的风险预警次数，并生成次数标签；采用所述车辆样本在不同统计维度中得到的多种目标数据样本和相关项样本，以及次数标签，通过XGBoost集成算法，使所述风险预警次数与输出的总安全评分呈负相关，进行有监督学习，得到XGBoost模型。

其中，车辆样本为XGBoost模型训练用的车辆，该车辆样本在实际道路上行驶过程中，采集其时间维度或者行程维度下的多种目标数据样本，此处的目标数据样本的内容与目标数据一致，区别在于目标数据样本来源于车辆样本。相关项样本的内容与相关项一致，区别在于相关项样本为目标数据样本计算得到。车辆样本上安装有自动刹车辅助系统，在行驶过程中，该系统检测到设定距离内的障碍物后会发出风险预警，如果驾驶员没有及时刹车，则触发紧急制动。自动刹车辅助系统的运行原理参见现有技术，此处不再赘述。本实施例统计时间维度或者行程维度下该系统的风险预警次数，并生成次数标签。

具体的，次数标签作为XGBoost模型中的Y，进行监督学习。目标数据样本和相关项样本的获得过程，参见目标数据和相关项的获得过程，此处不再赘述。风险预警次数越高，总安全评分应越低。采用准确率最高的模型所适用的变量权重，计算对应的总安全评分。

在实际应用场景中，行程持续的时长平均为一周，且不同行程间的持续时间不会有太大的差异，本实施例将行程间的持续时间之差设置为1天，即行程可持续6天、7天或者8天。这此场景下，使用次数标签作为Y构建模型不会出现上文中（在时间维度进行评分时）所遇到的问题，即对于不同时间窗口的评分，无法统一应用该标签。本实施例中对于不同的行程，次数标签能够反映车辆驾驶得是否安全。有监督学习的效果一般优于无监督学习，故我们选择了XGBoost这种效果普遍较好的有监督学习算法。

可选的，获得不同模型的总安全评分后，可以分别与真实的车辆出险率以及外部的其他同类型评分比较，观察各评分与上述外部数据之间的相关性。最终保留综合相关性最高的评分作为最终的总安全评分。

S280、将所述平滑后的总安全评分与所述XGBoost模型输出的总安全评分进行融合处理，得到最终的总安全评分。

本实施例综合XGBoost模型与熵权法模型的优点，对总安全评分进行平均，得到最终的总安全评分。

图6是本发明实施例提供的一种车辆安全评分装置的结构示意图，本发明实施例适用于对车辆的安全性进行评分的情况。结合图6，车辆安全评分装置包括：采集模块310，评分模块320，调整模块330。

采集模块310，用于采集每台车辆在不同统计维度下的多种目标数据；其中，所述统计维度包括时间维度和行程维度，所述多种目标数据包括危险驾驶行为数据、路线复杂度和高峰时段运行时长占比；

评分模块320，用于采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分；其中，总安全评分由各单一安全评分加权求和得到；

调整模块330，用于汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，得到平滑后的总安全评分。

可选的，调整模块330在通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理时，具体用于：在保证各单一安全评分的权值之和不变的情况下，按照设定步长调整各单一安全评分的权值；计算调整后多个总安全评分的平滑度；如果所述平滑度不满足设定要求，返回权值的调整操作，直到所述平滑度满足所述设定要求。

可选的，采集模块310在采集每台车辆在不同统计维度下的危险驾驶行为数据时，具体用于：通过第一采集设备采集第一车辆在不同统计维度下的第一驾驶行为数据；通过第二采集设备采集第二车辆在不同统计维度下的第二驾驶行为数据；其中，所述第二采集设备的传输频率低于所述第一采集设备的传输频率；统计所述第一驾驶行为数据的第一分布，以及统计所述第二驾驶行为数据的第二分布；确定第一驾驶行为数据对应的第一阈值，并确定所述第一阈值在所述第一分布中的分位点；根据所述分位点在所述第一分布和第二分布中的位置，筛选所述第一分布中的第一危险驾驶行为数据和所述第二分布中的第二危险驾驶行为数据；将所述第一危险驾驶行为数据降频处理，达到与所述第二危险驾驶行为数据的传输频率相同；其中，所述危险驾驶行为数据包括急加速、急减速、急转弯和高车速中的至少一种。

可选的，该装置还包括逼近模块，用于在所述采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分之后，选取同一车队中安装有危险驾驶行为数据传输频率不同的采集设备的不同车辆；获取所述不同车辆在同一统计维度下，且路线复杂度和高峰时段运行时长占比相同的多个总安全评分，并通过调整各单一安全评分的权值，使不同车辆间的多个总安全评分相互逼近。

可选的，评分模块320具体用于将所述多种目标数据输入至熵权法模型中，得到所述熵权法模型输出的各种目标数据的单一安全评分和总安全评分。

可选的，该装置还包括融合模块，用于在所述得到平滑后的总安全评分之后，根据所述多种目标数据之间的相关性，计算目标数据之间的相关项，并将所述多种目标数据和所述相关项进行归一化处理；将归一化处理后的多种目标数据和相关项输入至XGBoost模型，得到所述XGBoost模型输出的总安全评分；将所述平滑后的总安全评分与所述XGBoost模型输出的总安全评分进行融合处理，得到最终的总安全评分。

可选的，该装置还包括学习模块，用于在所述将归一化处理后的多种目标数据和相关项输入至XGBoost模型，得到所述XGBoost模型输出的总安全评分之前，统计车辆样本在不同统计维度下的风险预警次数，并生成次数标签；采用所述车辆样本在不同统计维度中得到的多种目标数据样本和相关项样本，以及次数标签，通过XGBoost集成算法，使所述风险预警次数与输出的总安全评分呈负相关，进行有监督学习，得到XGBoost模型。

可选的，采集模块310在采集每台车辆在不同统计维度下的路线复杂度时，具体用于：采集每台车辆在不同统计维度下的轨迹离散点；计算每三个时空相邻的轨迹离散点的外接圆半径；统计超过半径阈值的轨迹离散点在总体中的占比，并将所述占比作为所述路线复杂度。

本发明实施例所提供的车辆安全评分装置可执行本申请任意实施例所提供的车辆安全评分方法，具备执行方法相应的功能模块和有益效果。

图7为本发明实施例提供的一种电子设备的结构示意图，如图7所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图5中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图7中以通过总线连接为例。

存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的车辆安全评分方法对应的程序指令/模块（例如，车辆安全评分装置中的采集模块310，评分模块320，调整模块330）。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的车辆安全评分方法。

存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的车辆安全评分方法。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (11)

1.一种车辆安全评分方法，其特征在于，包括：

采集每台车辆在不同统计维度下的多种目标数据；其中，所述统计维度包括时间维度和行程维度，所述多种目标数据包括危险驾驶行为数据、路线复杂度和高峰时段运行时长占比；

采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分；其中，总安全评分由各单一安全评分加权求和得到；

汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，得到平滑后的总安全评分。

2.根据权利要求1所述的方法，其特征在于，所述通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，包括：

在保证各单一安全评分的权值之和不变的情况下，按照设定步长调整各单一安全评分的权值；

计算调整后多个总安全评分的平滑度；

如果所述平滑度不满足设定要求，返回权值的调整操作，直到所述平滑度满足所述设定要求。

3.根据权利要求1所述的方法，其特征在于，所述采集每台车辆在不同统计维度下的危险驾驶行为数据，包括：

通过第一采集设备采集第一车辆在不同统计维度下的第一驾驶行为数据；

通过第二采集设备采集第二车辆在不同统计维度下的第二驾驶行为数据；其中，所述第二采集设备的传输频率低于所述第一采集设备的传输频率；

统计同一统计维度下所述第一驾驶行为数据的第一分布，以及统计所述同一统计维度下第二驾驶行为数据的第二分布；

确定第一驾驶行为数据对应的第一阈值，并确定所述第一阈值在所述第一分布中的分位点；

根据所述分位点在所述第一分布和第二分布中的位置，筛选所述第一分布中的第一危险驾驶行为数据和所述第二分布中的第二危险驾驶行为数据；

将所述第一危险驾驶行为数据降频处理，达到与所述第二危险驾驶行为数据的传输频率相同；

其中，所述危险驾驶行为数据包括急加速、急减速、急转弯和高车速中的至少一种。

4.根据权利要求3所述的方法，其特征在于，在所述采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分之后，还包括：

选取同一车队中安装有危险驾驶行为数据传输频率不同的采集设备的不同车辆；

获取所述不同车辆在同一统计维度下，且路线复杂度和高峰时段运行时长占比相同的多个总安全评分，并通过调整各单一安全评分的权值，使不同车辆间的多个总安全评分相互逼近。

5.根据权利要求1所述的方法，其特征在于，所述采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分，包括：

将所述多种目标数据输入至熵权法模型中，得到所述熵权法模型输出的各种目标数据的单一安全评分和总安全评分。

6.根据权利要求5所述的方法，其特征在于，在所述得到平滑后的总安全评分之后，还包括：

根据所述多种目标数据之间的相关性，计算目标数据之间的相关项，并将所述多种目标数据和所述相关项进行归一化处理；

将归一化处理后的多种目标数据和相关项输入至XGBoost模型，得到所述XGBoost模型输出的总安全评分；

将所述平滑后的总安全评分与所述XGBoost模型输出的总安全评分进行融合处理，得到最终的总安全评分。

7.根据权利要求6所述的方法，其特征在于，在所述将归一化处理后的多种目标数据和相关项输入至XGBoost模型，得到所述XGBoost模型输出的总安全评分之前，还包括：

统计车辆样本在不同统计维度下的风险预警次数，并生成次数标签；

采用所述车辆样本在不同统计维度中得到的多种目标数据样本和相关项样本，以及次数标签，通过XGBoost集成算法，使所述风险预警次数与输出的总安全评分呈负相关，进行有监督学习，得到XGBoost模型。

8.根据权利要求1所述的方法，其特征在于，采集每台车辆在不同统计维度下的路线复杂度，包括：

采集每台车辆在不同统计维度下的轨迹离散点；

在同一统计维度下，从多个轨迹离散点中连续选取多组轨迹离散点，每组轨迹离散点包括三个时空相邻的轨迹离散点；

计算每组内三个时空相邻的轨迹离散点的外接圆半径；

统计超过半径阈值的组数在总体中的占比，并将所述占比作为所述路线复杂度。

9.一种车辆安全评分装置，其特征在于，包括：

采集模块，用于采集每台车辆在不同统计维度下的多种目标数据；其中，所述统计维度包括时间维度和行程维度，所述多种目标数据包括危险驾驶行为数据、路线复杂度和高峰时段运行时长占比；

评分模块，用于采用评分模型对每台车辆在不同统计维度中得到的多种目标数据进行评分，得到各种目标数据的单一安全评分和总安全评分；其中，总安全评分由各单一安全评分加权求和得到；

调整模块，用于汇总同一台车辆在同一统计维度下的多个总安全评分，并通过调整各单一安全评分的权值，对所述多个总安全评分进行平滑处理，得到平滑后的总安全评分。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的车辆安全评分方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的车辆安全评分方法。

Images