CN113479212A - 一种网约车驾驶员行为监测方法 - Google Patents

Abstract

本发明提供一种网约车驾驶员行为监测方法，包括：获取网约车行驶数据；解析行驶数据，确定行为监测模式；基于行为监测模式，对驾驶员行为进行监测；当监测到异常时，输出异常报警信息。本发明的网约车驾驶员行为监测方法，在驾驶员驾驶时，进行驾驶行为的指导，避免了驾驶员长时间驾驶后做出错误的判断，并当网约车驾驶员的行为对乘客造成困扰时及时提醒。

Description

一种网约车驾驶员行为监测方法

技术领域

本发明涉及行为监测技术领域，特别涉及一种网约车驾驶员行为监测方法。

背景技术

目前，随着共享经济越来越被人们认知，为了方便人们的出行，网约车应运而生；网约车是网络预约出租汽车的简称。网约车驾驶员由于经常长时间地驾驶网约车，会疲劳，在应对驾驶事件时会发生行为错误，并且极个别网约车驾驶员的行为还会对乘客造成困扰。

发明内容

本发明目的之一在于提供了一种网约车驾驶员行为监测方法，在驾驶员驾驶时，进行驾驶行为的指导，避免了驾驶员长时间驾驶后做出错误的判断，并当网约车驾驶员的行为对乘客造成困扰时及时提醒。

本发明实施例提供的一种网约车驾驶员行为监测方法，包括：

获取网约车行驶数据；

解析行驶数据，确定行为监测模式；

基于行为监测模式，对驾驶员行为进行监测；

当监测到异常时，输出异常报警信息。

优选的，网约车行驶数据包括：

车速数据、定位数据、车前方图像数据、车后方图像数据、车行进方向数据其中一种或多种结合。

优选的，解析行驶数据，确定行为监测模式，包括：

基于行驶数据构建第一向量；

获取预设的模式选择库，模式选择库中第二向量与行为监测模式一一关联；

计算第一向量与第二向量的相似度，相似度计算公式如下：

其中，X为相似度；A_j为第一向量的第j个参数值；B_j为第二向量的第j个参数值；m为第一向量的参数总数或第二向量的参数总数；

获取相似度最大的第二向量所对应的行为监测模式。

优选的，基于行为监测模式，对驾驶员行为进行监测，包括：

当行为监测模式为驾驶行为监测模式时，再次解析行驶数据，确定驾驶事件；

基于驾驶事件，获取预设的驾驶行为监测库；驾驶行为监测库中标准驾驶行为与判断结果一一关联；

获取驾驶员的驾驶行为数据；

基于驾驶行为数据与驾驶行为监测库中的标准驾驶行为一一匹配，获取匹配符合的标准驾驶行为对应的判断结果。

优选的，基于行为监测模式，对驾驶员行为进行监测，包括：

当行为监测模式为日常行为监测模式时，获取预设的日常行为检测模型；

获取驾驶员的监控图像；

对监控图像进行特征提取，将提取的特征值输入到日常行为检测模型中，获取判断因子；

基于判断因子，查询预设的因子表，获取判断结果。

优选的，网约车驾驶员行为检测方法，还包括：

获取驾驶员的第一身份信息、历史订单的数据信息；

基于第一身份信息和数据信息，确定在订单结束后延迟日常行为监测的监测时间。

优选的，基于第一身份信息和数据信息，确定在订单结束后延迟日常行为监测的监测时间，包括：

基于第一身份信息和预设的事件提取表从大数据平台获取驾驶员对应的第一事件数据；

基于预设的事件威胁评估模板对第一事件数据进行评估，确定第一威胁值；

基于预设的身份信息评估模板对第一身份信息进行评估，确定第二威胁值；

获取多个与驾驶员关联的关联人员的第二身份信息；

基于第二身份信息和预设的事件提取表从大数据平台获取第二身份信息对应的第二事件数据；

基于预设的事件威胁评估模板对第二事件数据进行评估，确定第三威胁值；

基于预设的身份信息评估模板对第二身份信息进行评估，确定第四威胁值；

基于第一威胁值、第二威胁值、第三威胁值和第四威胁值，确定驾驶员的危险值；危险值的计算公式如下：

其中，WX为危险值，W₁为第一威胁值；W₂为第二危险值；W_3,K为第K个关联人员的第三威胁值；W_4,K为第K个关联人员的第四威胁值；μ₁为预设的对应驾驶员的权重；μ₂为预设的对应关联人员的权重；γ_k为基于第K个关联人员与驾驶员的关联关系确定的关系系数，γ_k通过关联关系查询预设的关系系数表确定关系系数；

基于危险值，查询预设的第一延长时间表，确定第一延长时间；

解析数据信息，确定投诉信息；

基于预设的投诉评分模板，确定各个投诉信息对应的投诉评分；

基于所有的投诉评分的和值，查询预设的第二延长时间表，确定第二延长时间；

解析数据信息，确定驾驶员提前点击订单完成的时间中的最大值，作为第三延长时间；

基于第一延长时间、第二延长时间和第三延长时间，确定在订单结束后延迟日常行为监测的监测时间。

优选的，网约车驾驶员行为监测方法，还包括：

获取驾驶员的连续驾驶时间，当连续驾驶时间超出警戒阈值时，开启疲劳驾驶监测模式；

基于疲劳驾驶监测模式对驾驶员行为进行监测。

优选的，警戒阈值，通过如下步骤确定：

获取驾驶员的历史的第一驾驶数据；

获取驾驶员的睡眠数据，

基于第一驾驶数据和睡眠数据，确定第一参考值；

获取当天的第二驾驶数据；

基于第二驾驶数据，确定第二参考值；

基于第一参考值和第二参考值，确定警戒阈值，计算公式如下：

其中，Y为警戒阈值，C₁为第一参考值；C₂为第二参考值；

为对应第一参考值、第二参考值的预设权重值。

优选的，基于第一驾驶数据和睡眠数据，确定第一参考值；包括：

对第一驾驶数据和睡眠数据进行特征值提取，将提取的特征值输入至预设的第一神经网络模型中确定第一参考值；

基于第二驾驶数据，确定第二参考值；包括：

解析第二驾驶数据，确定多个驾驶事件和对应驾驶事件的驾驶员反应时间；

基于驾驶员的第一身份信息，获取预设的驾驶事件对应的标准反应时间；

计算驾驶员反应时间与标准反应时间之间的差值；

设置统计参数，当驾驶员反应时间大于标准反应时间且差值大于预设的差值阈值时，统计参数加一；当驾驶员反应时间小于标准反应时间时，统计参数置零；当驾驶员反应时间大于标准反应时间且差值小于等于预设的差值阈值时，统计参数不变；

计算差值大于差值阈值的驾驶事件占总的驾驶事件的占比；

当占比大于预设的占比阈值和/或统计参数达到预设的触发值时，基于驾驶事件、驾驶员反应时间、标准反应时间和差值构建第一参考向量；

获取预设的参考值确定库，参考值确定库中第二参考向量与第二参考值一一对应；

获取参考值确定库中与第一参考向量相似度最大的第二参考向量对应的第二参考值。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种网约车驾驶员行为监测方法的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种网约车驾驶员行为监测方法，如图1所示，包括：

步骤S1：获取网约车行驶数据；

步骤S2：解析行驶数据，确定行为监测模式；

步骤S3：基于行为监测模式，对驾驶员行为进行监测；

步骤S4：当监测到异常时，输出异常报警信息。

上述技术方案的工作原理及有益效果为：

解析行驶数据，可以确定网约车的启停、连续驾驶时间等，根据网约车的启停及连续驾驶时间不同，可以采用不同的行为监测模式对驾驶员的行为进行监测；以保证监测模式的合理切换；例如，当网约车停车载客时，启动行为监测模式中的日常行为监测模式监测驾驶员的行为是否会对乘客造成困扰；当网约车正常行驶时，启动行为监测模式中的驾驶行为监测模式，对驾驶员的驾驶行为进行监测，可以提醒用户在开车时不要使用手机接听电话、开车时不要低头等；当驾驶员长时间驾驶网约车时，启动行为监测模式中的疲劳驾驶监测模式，通过疲劳驾驶监测模式对其进行监测；疲劳驾驶监测模式是基于图像识别技术对采集的驾驶员在驾驶过程中的图像，基于驾驶员的眼睛每次的闭合时间以及头部点头的幅度及动作时间为判断条件，当判断条件满足预设的疲劳驾驶对应的条件时，驶出异常报警信息以提醒驾驶员注意休息。可以通过网约车驾驶员的移动端采集音频信息、通过网约车乘客的移动端采集音频信息、可以通过设置在车上的网约车的车载终端采集音视频信息等手段实现监视。

本发明的网约车驾驶员行为监测方法，在驾驶员驾驶时，进行驾驶行为的指导，此外还可提醒驾驶员驾驶时间过长，避免了驾驶员长时间驾驶后做出错误的判断，并当网约车驾驶员的行为对乘客造成困扰时及时提醒。

在一个实施例中，网约车行驶数据包括：

车速数据、定位数据、车前方图像数据、车后方图像数据、车行进方向数据其中一种或多种结合。

上述技术方案的工作原理及有益效果为：

通过车速数据、定位数据、车行进方向数据，可以确定车辆的行驶状态，结合车前方图像数据、车后方图像数据可以分析出车辆所遇的驾驶事件，驾驶事件包括：避让车辆或障碍物、转弯时避让行人和非机动车、礼让人行横道的行人等。

在一个实施例中，解析行驶数据，确定行为监测模式，包括：

基于行驶数据构建第一向量；

获取预设的模式选择库，模式选择库中第二向量与行为监测模式一一关联；

计算第一向量与第二向量的相似度，相似度计算公式如下：

其中，X为相似度；A_j为第一向量的第j个参数值；B_j为第二向量的第j个参数值；m为第一向量的参数总数或第二向量的参数总数；

获取相似度最大的第二向量所对应的行为监测模式。

上述技术方案的工作原理及有益效果为：

基于模式选择库可以实现行为监测模式与行驶数据的关联，实现快速根据行驶数据确定出行为监测模式；其中，模式选择库是事先基于大量的行驶数据及其对应的行为监测模式构建而成。

在一个实施例中，基于行为监测模式，对驾驶员行为进行监测，包括：

当行为监测模式为驾驶行为监测模式时，再次解析行驶数据，确定驾驶事件；

基于驾驶事件，获取预设的驾驶行为监测库；驾驶行为监测库中标准驾驶行为与判断结果一一关联；

获取驾驶员的驾驶行为数据；

基于驾驶行为数据与驾驶行为监测库中的标准驾驶行为一一匹配，获取匹配符合的标准驾驶行为对应的判断结果。

上述技术方案的工作原理及有益效果为：

驾驶行为库中收录了对应的驾驶事件中驾驶员可能出现的正确的标准驾驶行为以及错误的标准驾驶行为，当匹配为错误的标准驾驶行为时，判断结果就为异常行为，需要提醒驾驶员注意。错误的标准驾驶行为包括：行驶中使用手机、不正视前方或左右两侧、前方人行横道上有行人而驾驶员加速等。其中，驾驶行为数据主要依靠图像采集设备和/或车载电脑数据采集设备实现采集。

在一个实施例中，基于行为监测模式，对驾驶员行为进行监测，包括：

当行为监测模式为日常行为监测模式时，获取预设的日常行为检测模型；

获取驾驶员的监控图像；

对监控图像进行特征提取，将提取的特征值输入到日常行为检测模型中，获取判断因子；

基于判断因子，查询预设的因子表，获取判断结果。

上述技术方案的工作原理及有益效果为：

日常行为检测模型为神经网络模型，基于人工智能技术对监控图像进行识别，确定驾驶员的行为是否异常；例如：与乘客的非必要的肢体接触等；更进一步，还可以采集驾驶室内的音频数据，基于音频数据分析是否存在行为异常。

在一个实施例中，网约车驾驶员行为检测方法，还包括：

获取驾驶员的第一身份信息、历史订单的数据信息；

基于第一身份信息和数据信息，确定在订单结束后延迟日常行为监测的监测时间。

优选的，基于第一身份信息和数据信息，确定在订单结束后延迟日常行为监测的监测时间，包括：

基于第一身份信息和预设的事件提取表从大数据平台获取驾驶员对应的第一事件数据；

基于预设的事件威胁评估模板对第一事件数据进行评估，确定第一威胁值；

基于预设的身份信息评估模板对第一身份信息进行评估，确定第二威胁值；

获取多个与驾驶员关联的关联人员的第二身份信息；

基于第二身份信息和预设的事件提取表从大数据平台获取第二身份信息对应的第二事件数据；

基于预设的事件威胁评估模板对第二事件数据进行评估，确定第三威胁值；

基于预设的身份信息评估模板对第二身份信息进行评估，确定第四威胁值；

基于第一威胁值、第二威胁值、第三威胁值和第四威胁值，确定驾驶员的危险值；危险值的计算公式如下：

其中，WX为危险值，W₁为第一威胁值；W₂为第二危险值；W_3，k为第k个关联人员的第三威胁值；W_4，k为第k个关联人员的第四威胁值；μ₁为预设的对应驾驶员的权重；μ₂为预设的对应关联人员的权重；γ_k为基于第k个关联人员与驾驶员的关联关系确定的关系系数，γ_k通过关联关系查询预设的关系系数表确定关系系数；

基于危险值，查询预设的第一延长时间表，确定第一延长时间；

解析数据信息，确定投诉信息；

基于预设的投诉评分模板，确定各个投诉信息对应的投诉评分；

基于所有的投诉评分的和值，查询预设的第二延长时间表，确定第二延长时间；

解析数据信息，确定驾驶员提前点击订单完成的时间中的最大值，作为第三延长时间；

基于第一延长时间、第二延长时间和第三延长时间，确定在订单结束后延迟日常行为监测的监测时间。

上述技术方案的工作原理及有益效果为：

综合考虑驾驶员在完成网约车的每个订单的具体数据、及其完成订单时是否提前点击订单完成和驾驶员的身份及人际关系数据中分析出驾驶员的主观影响，确定延迟监测的时间，以保证在订单交易完成后根据情况是否开启延迟行驶监测以及开启的时间，防止无法监测订单完成与乘客下车至离开这段时间内的发生的司乘纠纷，提高了日常行为监测的全面性。其中，在对网约车司机的情况进行分析时，通过大数据平台获取的事件数据，主要是消费情况、有无负债、有无房贷车贷、有无不良记录等，实现对网约车司机的综合评定。此外，为了保证综合评定的准确性，还要考虑与网约车司机的关联人员的信息，例如网约车司机的家属、朋友等关系人员。

在一个实施例中，网约车驾驶员行为监测方法，还包括：

获取驾驶员的连续驾驶时间，当连续驾驶时间超出警戒阈值时，开启疲劳驾驶监测模式；

基于疲劳驾驶监测模式对驾驶员行为进行监测。

优选的，警戒阈值，通过如下步骤确定：

获取驾驶员的历史的第一驾驶数据；

获取驾驶员的睡眠数据，

基于第一驾驶数据和睡眠数据，确定第一参考值；

获取当天的第二驾驶数据；

基于第二驾驶数据，确定第二参考值；

基于第一参考值和第二参考值，确定警戒阈值，计算公式如下：

其中，Y为警戒阈值，C₁为第一参考值；C₂为第二参考值；

为对应第一参考值、第二参考值的预设权重值。

优选的，基于第一驾驶数据和睡眠数据，确定第一参考值；包括：

对第一驾驶数据和睡眠数据进行特征值提取，将提取的特征值输入至预设的第一神经网络模型中确定第一参考值；

基于第二驾驶数据，确定第二参考值；包括：

解析第二驾驶数据，确定多个驾驶事件和对应驾驶事件的驾驶员反应时间；

基于驾驶员的第一身份信息，获取预设的驾驶事件对应的标准反应时间；

计算驾驶员反应时间与标准反应时间之间的差值；

设置统计参数，当驾驶员反应时间大于标准反应时间且差值大于预设的差值阈值时，统计参数加一；当驾驶员反应时间小于标准反应时间时，统计参数置零；当驾驶员反应时间大于标准反应时间且差值小于等于预设的差值阈值时，统计参数不变；

计算差值大于差值阈值的驾驶事件占总的驾驶事件的占比；

当占比大于预设的占比阈值和/或统计参数达到预设的触发值时，基于驾驶事件、驾驶员反应时间、标准反应时间和差值构建第一参考向量；

获取预设的参考值确定库，参考值确定库中第二参考向量与第二参考值一一对应；

获取参考值确定库中与第一参考向量相似度最大的第二参考向量对应的第二参考值。

上述技术方案的工作原理及有益效果为：

当驾驶员经过充足休息后开始驾驶网约车时，无需开启疲劳驾驶监测模式，通过对驾驶员的连续驾驶时间进行监控，当连续驾驶时间超出警戒阈值时，开启疲劳驾驶监测模式，实现疲劳驾驶监测模式的智能开启，即根据驾驶员实际情况分析开启。其中，警戒阈值的确定是在驾驶员的历史的第一驾驶数据和睡眠数据分析基础上引入当天的驾驶数据进行分析；提高了警戒阈值确定的准确性。在对第一驾驶数据和睡眠数据分析时引入了第一神经网络模型，第一神经网络模型为事先采集的大量司机的驾驶数据与对应的睡眠数据进行训练获得。在对当天的第二驾驶数据进行分析时，基于驾驶员应对驾驶事件的反应时间进行分析，以监测到的驾驶员的反应时间与标准反应时间进行比对分析；确定对警戒阈值的调整，其中，标准反应时间可以通过大数据平台上获取大量的与驾驶员相同年龄、相同性别等相似人员对于相对驾驶事件的应对情况进行分析确定。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种网约车驾驶员行为监测方法，其特征在于，包括：

获取网约车行驶数据；

解析所述行驶数据，确定行为监测模式；

基于所述行为监测模式，对驾驶员行为进行监测；

当监测到异常时，输出异常报警信息。

2.如权利要求1所述的网约车驾驶员行为监测方法，其特征在于，所述网约车行驶数据包括：

车速数据、定位数据、车前方图像数据、车后方图像数据、车行进方向数据其中一种或多种结合。

3.如权利要求1所述的网约车驾驶员行为监测方法，其特征在于，所述解析行驶数据，确定行为监测模式，包括：

基于所述行驶数据构建第一向量；

获取预设的模式选择库，所述模式选择库中第二向量与所述行为监测模式一一关联；

计算所述第一向量与所述第二向量的相似度，所述相似度计算公式如下：

其中，X为所述相似度；A_j为所述第一向量的第j个参数值；B_j为所述第二向量的第j个参数值；m为所述第一向量的参数总数或所述第二向量的参数总数；

获取所述相似度最大的所述第二向量所对应的所述行为监测模式。

4.如权利要求1所述的网约车驾驶员行为监测方法，其特征在于，所述基于所述行为监测模式，对驾驶员行为进行监测，包括：

当所述行为监测模式为驾驶行为监测模式时，再次解析所述行驶数据，确定驾驶事件；

基于所述驾驶事件，获取预设的驾驶行为监测库；所述驾驶行为监测库中标准驾驶行为与判断结果一一关联；

获取所述驾驶员的驾驶行为数据；

基于所述驾驶行为数据与所述驾驶行为监测库中的所述标准驾驶行为一一匹配，获取匹配符合的所述标准驾驶行为对应的判断结果。

5.如权利要求1所述的网约车驾驶员行为监测方法，其特征在于，所述基于所述行为监测模式，对驾驶员行为进行监测，包括：

当所述行为监测模式为日常行为监测模式时，获取预设的日常行为检测模型；

获取所述驾驶员的监控图像；

对所述监控图像进行特征提取，将提取的特征值输入到所述日常行为检测模型中，获取判断因子；

基于所述判断因子，查询预设的因子表，获取判断结果。

6.如权利要求1所述的网约车驾驶员行为检测方法，其特征在于，还包括：

获取所述驾驶员的第一身份信息、历史订单的数据信息；

基于所述第一身份信息和数据信息，确定在订单结束后延迟日常行为监测的监测时间。

7.如权利要求6所述的网约车驾驶员行为检测方法，其特征在于，所述基于所述第一身份信息和数据信息，确定在订单结束后延迟日常行为监测的监测时间，包括：

基于所述第一身份信息和预设的事件提取表从大数据平台获取所述驾驶员对应的第一事件数据；

基于预设的事件威胁评估模板对所述第一事件数据进行评估，确定第一威胁值；

基于预设的身份信息评估模板对所述第一身份信息进行评估，确定第二威胁值；

获取多个与所述驾驶员关联的关联人员的第二身份信息；

基于所述第二身份信息和预设的事件提取表从大数据平台获取所述第二身份信息对应的第二事件数据；

基于预设的事件威胁评估模板对所述第二事件数据进行评估，确定第三威胁值；

基于预设的身份信息评估模板对所述第二身份信息进行评估，确定第四威胁值；

基于所述第一威胁值、所述第二威胁值、所述第三威胁值和所述第四威胁值，确定所述驾驶员的危险值；所述危险值的计算公式如下：

其中，WX为所述危险值，W₁为所述第一威胁值；W₂为所述第二危险值；W_3,k为第k个关联人员的第三威胁值；W_4,k为第k个关联人员的第四威胁值；μ₁为预设的对应所述驾驶员的权重；μ₂为预设的对应关联人员的权重；γ_k为基于第k个关联人员与所述驾驶员的关联关系确定的关系系数，γ_k通过所述关联关系查询预设的关系系数表确定所述关系系数；

基于所述危险值，查询预设的第一延长时间表，确定第一延长时间；

解析所述数据信息，确定投诉信息；

基于预设的投诉评分模板，确定各个所述投诉信息对应的投诉评分；

基于所有的所述投诉评分的和值，查询预设的第二延长时间表，确定第二延长时间；

解析所述数据信息，确定所述驾驶员提前点击订单完成的时间中的最大值，作为第三延长时间；

基于所述第一延长时间、所述第二延长时间和所述第三延长时间，确定在订单结束后延迟日常行为监测的监测时间。

8.如权利要求1所述的网约车驾驶员行为监测方法，其特征在于，还包括：

获取所述驾驶员的连续驾驶时间，当所述连续驾驶时间超出警戒阈值时，开启疲劳驾驶监测模式；

基于所述疲劳驾驶监测模式对所述驾驶员行为进行监测。

9.如权利要求8所述的网约车驾驶员行为监测方法，其特征在于，所述警戒阈值，通过如下步骤确定：

获取所述驾驶员的历史的第一驾驶数据；

获取所述驾驶员的睡眠数据，

基于所述第一驾驶数据和所述睡眠数据，确定第一参考值；

获取当天的第二驾驶数据；

基于所述第二驾驶数据，确定第二参考值；

基于所述第一参考值和所述第二参考值，确定所述警戒阈值，计算公式如下：

其中，Y为所述警戒阈值，C₁为所述第一参考值；C₂为所述第二参考值；

为对应所述第一参考值、所述第二参考值的预设权重值。

10.如权利要求9所述的网约车驾驶员行为监测方法，其特征在于，所述基于所述第一驾驶数据和所述睡眠数据，确定第一参考值；包括：

对所述第一驾驶数据和所述睡眠数据进行特征值提取，将提取的特征值输入至预设的第一神经网络模型中确定所述第一参考值；

所述基于所述第二驾驶数据，确定第二参考值；包括：

解析所述第二驾驶数据，确定多个驾驶事件和对应所述驾驶事件的驾驶员反应时间；

基于所述驾驶员的第一身份信息，获取预设的所述驾驶事件对应的标准反应时间；

计算所述驾驶员反应时间与所述标准反应时间之间的差值；

设置统计参数，当所述驾驶员反应时间大于所述标准反应时间且所述差值大于预设的差值阈值时，所述统计参数加一；当所述驾驶员反应时间小于所述标准反应时间时，所述统计参数置零；当所述所述驾驶员反应时间大于所述标准反应时间且所述差值小于等于预设的差值阈值时，所述统计参数不变；

计算所述差值大于所述差值阈值的驾驶事件占总的驾驶事件的占比；

当所述占比大于预设的占比阈值和/或所述统计参数达到预设的触发值时，基于所述驾驶事件、所述驾驶员反应时间、所述标准反应时间和所述差值构建第一参考向量；

获取预设的参考值确定库，所述参考值确定库中第二参考向量与所述第二参考值一一对应；

获取所述参考值确定库中与所述第一参考向量相似度最大的所述第二参考向量对应的所述第二参考值。

Images