CN113963533B - 驾驶行为异常检测方法、装置、电子设备、服务器及介质 - Google Patents
驾驶行为异常检测方法、装置、电子设备、服务器及介质 Download PDFInfo
- Publication number
- CN113963533B CN113963533B CN202111078832.1A CN202111078832A CN113963533B CN 113963533 B CN113963533 B CN 113963533B CN 202111078832 A CN202111078832 A CN 202111078832A CN 113963533 B CN113963533 B CN 113963533B
- Authority
- CN
- China
- Prior art keywords
- driving
- speed
- time
- server
- driving behavior
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 230000005856 abnormality Effects 0.000 title claims description 78
- 230000006399 behavior Effects 0.000 claims abstract description 158
- 238000010801 machine learning Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003999 initiator Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000977 initiatory effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种驾驶行为异常检测方法、装置、电子设备、服务器及介质，具体包括：获取t时刻的驾驶影响参数；将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度，或将所述驾驶影响参数发送至指定的服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度；获取t+1时刻的真实速度；将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果，或将所述t+1时刻的真实速度发送至指定的服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。本申请可有效的根据机器学习模型，对驾驶速度进行预测，及时识别驾驶异常。
Description
技术领域
本发明涉及驾驶安全领域，特别是涉及一种驾驶行为异常检测方法、装置、电子设备、服务器及介质。
背景技术
随着顺风车的发展，在共享出行领域司乘安全成为一个越来越重要的课题。为了及早识别危险的发生，需要及时对网约车司机的危险行为进行识别且进行劝导。通过在司机的驾驶分体系中反映出司机的驾驶行为，可以教育司机改变今后的驾驶风格。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种驾驶行为异常检测方法、装置、电子设备、服务器及介质，用于解决现有技术中不能对司机的驾驶异常行为进行有效的识别的问题。
为实现上述目的及其他相关目的，本发明提供一种驾驶行为异常检测方法，应用于电子设备中，所述驾驶行为异常检测方法包括：获取t时刻的驾驶影响参数；将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或将所述驾驶影响参数发送至指定的服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度；获取t+1时刻的真实速度；将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；或将所述t+1时刻的真实速度发送至指定的服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。
在一些实施例中，获取第一速度，将所述第一速度与预测速度的差值的绝对值取平均值加上三倍均方差形成所述指定的阈值；其中，所述第一速度为距离当前检测最近的预设次数获取的真实速度。
在一些实施例中，所述驾驶行为异常检测方法还包括：将驾驶行为检测结果发送至服务器，以供所述服务器根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子，且根据所述驾驶异常因子，生成关于驾驶人员的信任分；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常。
在一些实施例中，所述驾驶影响参数至少包括以下信息中的一种：驾驶人员基本信息、驾驶人员行为信息以及环境信息。
在一些实施例中，所述驾驶人员基本信息至少包括以下中的一种：驾驶人员的年龄、驾驶人员的性别以及驾驶人员的照片；所述驾驶人员行为信息至少包括以下中的一种：历史驾驶行为、指定时间内的急加速次数、指定时间内的急刹车次数、指定时间内的刹车距离、指定时间内的最高时速以及指定时间内的最低时速；所述环境信息至少包括以下中的一种：天气状况、城市路况、地理位置以及行驶路线。
为实现上述目的及其他相关目的，本发明还提供一种驾驶行为异常检测装置，包括：参数获取模块，用以获取t时刻的驾驶影响参数；速度预测模块，用以将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或将所述驾驶影响参数发送至指定的服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度；真实速度获取模块，用以获取t+1时刻的真实速度；异常判断模块，用以将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；或将所述t+1时刻的真实速度发送至指定的服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。
为实现上述目的及其他相关目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上中任一项所述驾驶行为异常检测方法。
为实现上述目的及其他相关目的，本发明还提供一种电子设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如上中任一项所述驾驶行为异常检测方法。
为实现上述目的及其他相关目的，本发明还提供一种驾驶行为异常检测方法，应用于服务器中，所述服务器与如上所述的电子设备通信，所述驾驶行为异常检测方法包括：获取所述驾驶行为检测结果；根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常；根据所述驾驶异常因子，生成关于驾驶人员的信任分。
在一些实施例中，所述获取所述驾驶行为检测结果的步骤包括：
接收所述电子设备发送的所述驾驶行为检测结果；其中，所述电子设备将获取的所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；或
接收所述电子设备发送的所述t+1时刻的真实速度，服务器在获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；
其中，获取所述t+1时刻的预测速度的步骤包括：
所述电子设备在获取所述t时刻的驾驶影响参数后，将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或
所述电子设备将所述驾驶影响参数发送至所述服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且所述电子设备接收所述服务器反馈的所述t+1时刻的预测速度。
在一些实施例中，所述服务器还根据所述信任分所处的范围，向所述驾驶人员开放对应的访问权限。
在一些实施例中，所述服务器还根据所述信任分所处的范围，向所述驾驶人员开放对应的访问权限的步骤包括：根据订单的质量和/或订单发起人员的信用分，将订单进行等级划分，且根据所述信任分所处的范围，向所述驾驶人员开放对应等级的订单的访问权限。
为实现上述目的及其他相关目的，本发明还提供一种驾驶行为异常检测装置，应用于服务器中，所述服务器与如上所述的电子设备通信，所述驾驶行为异常检测装置包括：检测结果获取模块，用以获取所述驾驶行为检测结果；计算模块，用以根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常；信任分生成模块，用以根据所述驾驶异常因子，生成关于驾驶人员的信任分。
为实现上述目的及其他相关目的，本发明还提供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如上中任一项所述驾驶行为异常检测方法。
实现上述目的及其他相关目的，本发明还提供一种服务器，所述服务器与如上所述的电子设备通信，所述服务器包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述服务器执行如上中任一项所述驾驶行为异常检测方法。
如上所述，本发明提供一种驾驶行为异常检测方法、装置、电子设备、服务器及介质，具体包括：获取t时刻的驾驶影响参数；将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；获取t+1时刻的真实速度；将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常。本申请可有效的根据机器学习模型，对驾驶速度进行预测，及时识别驾驶异常。
附图说明
图1显示为本申请的驾驶行为异常检测方法在一具体实施例中的流程示意图。
图2显示为一具体实施例中LSTM模型的数据处理结构示意图。
图3显示为本申请的驾驶行为异常检测方法在一具体实施例中的流程示意图。
图4显示为本申请的驾驶行为异常检测系统在一具体实施例中的组成示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
共享出行领域，司机的驾驶行为对驾驶安全的影响极大，为了保证司乘的安全，需要及时识别司机的驾驶异常行为，且对司机的驾驶异常行为进行纠正，以保证驾驶安全。具体的，本申请提供一种驾驶行为异常检测方法，以及时的对司机的异常驾驶行为进行检测，以便于后续对司机的异常驾驶行为进行干预。
具体的，参阅图1，显示为本申请的驾驶行为异常检测方法在一具体实施例中的流程示意图。所述驾驶行为异常检测方法，应用于电子设备中，该电子设备可以为驾驶人员携带的智能手机、平板电脑或智能手表等具有数据处理功能的便携式设备。所述驾驶行为异常检测方法S1包括：
S11：获取t时刻的驾驶影响参数；在具体实施例中，可以以预设的时间周期，对司机的驾驶行为进行异常检测，例如，每隔1分钟，进行一次驾驶行为的异常检测。预测时刻t+1为相对于时刻t的下一个时间段，例如，t+1时刻为相对于时刻t的2秒后的时刻。即，根据时刻t获取的驾驶影响参数，对2秒后的t+1时刻的驾驶速度进行预测。在一些实施例中，还可以同时获取t时刻的加速速度以及t时刻的驾驶影响参数，输入预设的机器学习模型中，以进行t+1时刻的速度预测。
S12：将所述t时刻的所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或将所述驾驶影响参数发送至指定的服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度。
在具体实施例中，根据历史操作中，多次获取的t时刻的驾驶影响参数，以及t+1时刻的驾驶速度，对所述机器学习模型进行训练。例如，对获取的三个月内的驾驶影响参数，以及驾驶速度，对所述机器学习模型进行训练。
在一些实施例中，至少根据以下信息中的一种生成所述驾驶影响参数：驾驶人员基本信息、驾驶人员行为信息以及环境信息。
通过特征数据和标签数据对LSTM模型进行训练。通过训练好的模型可以对用户新的速度进行预测。其中，所述特征数据包括所述驾驶影响参数，所述标签数据包括驾驶速度。
LSTM模型即，长短期记忆模型(long-short term memory)，LSTM模型是一种特殊的RNN(递归神经网络，recurrent neural network)模型，是为了解决RNN模型梯度弥散的问题而提出的；在传统的RNN中，训练算法使用的是BPTT，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆，因此LSTM模型被提出；LSTM模型中，共有三个门来处理数据：遗忘门、输入门和输出门。门表示对数据的一次处理。LSTM的数据处理结构如图2所示，其中，
1、遗忘门：遗忘门的作用是遗忘部分数据，即将输入数据，使用sigmoid函数计算得到一个权重向量，再与知识库的向量取内积得到新的知识库a，使得知识库中遗忘部分数据。在本申请中，例如通过遗忘门遗忘(丢弃)驾驶影响参数当中的部分重要性比较小的数据。例如，驾驶影响参数当中还包括驾驶人员的照片，而该驾驶人员的照片在后续的速度预测当中的重要性比较小，在此可以设置，遗忘所述驾驶人员的照片这一数据，以提高后续速度预测的准确性。
2、输入门：即是将输出数据做两部分处理。第一个部分是获得权重：即是使用sigmoid函数常与输入数据相乘；第二个部分是获得遗忘数据：即是使用tanh函数与输入向量相乘得到新的知识。知识库a与新的知识相加得到新的知识库b，知识库b将会传输到下一个神经单元。本模型中输入门输入的数据为当前时间下的驾驶影响参数，所述驾驶影响参数可以包括驾驶司机的历史驾驶行为特征以及当前的环境特征。
3、输出门：将输入的数据与sigmoid函数相乘得到一个权重向量，权重向量与使用tanh遗忘之后的知识库b取内积得到当前神经单元的输出。输出的数据传输到下一个神经单元。本模型中输出门输出的数据为下一个时间窗口的速度。其中，所述驾驶人员基本信息至少包括以下中的一种：驾驶人员的年龄、驾驶人员的性别以及驾驶人员的照片；
即在机器学习模型训练过程中，获取驾驶人员的年龄、驾驶人员的性别以及驾驶人员的照片对预测速度的影响。例如，通过对机器学习模型的训练，处于20～40岁之间的驾驶人员的驾驶速度较快，处于40～60岁之间的驾驶人员的驾驶速度较慢。
所述驾驶人员行为信息至少包括以下中的一种：历史驾驶行为、指定时间内的急加速次数、指定时间内的急刹车次数、指定时间内的刹车距离、指定时间内的最高时速以及指定时间内的最低时速；其中，所述历史驾驶行为可为当前驾驶人员在最近一个月内的驾驶行为，主要包括历史驾驶行为中的急加速次数、历史驾驶行为中的急刹车次数、历史驾驶行为中的刹车距离、历史驾驶行为中的最高时速以及历史驾驶行为中的最低时速。其中，急加速次数、急刹车次数、刹车距离、最高时速以及最低时速均可通过驾驶人员携带的电子设备的传感器进行获取，或者通过与驾驶人员的电子设备有通信的当前驾驶车辆自带的传感器获取。所述指定时间例如为距离当前时刻之前的预设时间，所述预设时间例如为5分钟，其中，所述指定时间内的急加速次数、所述指定时间内的急刹车次数、所述指定时间内的刹车距离、所述指定时间内的最高时速以及所述指定时间内的最低时速，分别为距离当前时刻的5分钟内的急加速次数、急刹车次数、刹车距离、最高时速以及最低时速。
所述环境信息至少包括以下中的一种：天气状况、城市路况、地理位置以及行驶路线。其中，所述天气状况可包括天气的亮度情况、气温以及雨水情况等中的至少一种。所述城市路况包括城市道路的拥堵情况、距离最近的红绿灯路口的距离以及该最近的红绿灯的状态(该红绿灯的状态例如包括该红绿灯点亮红灯还是绿灯，以及该红绿灯距离红灯点亮结束或绿灯点亮结束的时间)。在实际应用中，所述电子设备还可根据指定网络地址发布的交通信息获取所述城市路况。所述地理位置可根据电子设备自带的定位模块进行获取，或者通过与驾驶人员的电子设备有通信的当前驾驶车辆自带的定位模块获取。该定位模块例如为GPS定位模块或北斗定位模块。
在一些实施例中，为了减少所述电子设备的处理压力，将所述机器学习模型部署在所述服务器中，所述电子设备用以将所述驾驶影响参数发送至所述服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度。
S13：获取t+1时刻的真实速度；在通过LSTM模型获得t时刻的下一时间单位后的下一时刻t+1的预测速度后，获取t+1时刻的真实速度。
S14：将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；或将所述t+1时刻的真实速度发送至指定的服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常。即，为了优化设备的处理效率，可选择性的在所述电子设备中执行“将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果”或在所述电子设备中执行“将所述t+1时刻的真实速度发送至指定的服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果”。
其中，当所述S12中执行的步骤为：“所述电子设备将所述t时刻的所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度”；则所述电子设备将所述t+1时刻的真实速度发送至指定的服务器后，还用以将所述t+1时刻的预测速度发送至所述服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。
当所述S12中执行的步骤为：“将所述驾驶影响参数发送至指定的服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度”时。所述电子设备将所述t+1时刻的真实速度发送至指定的服务器，所述服务器获取所述t+1时刻的真实速度后，直接从所述服务器本地获取所述t+1时刻的预测速度，且所述服务器将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。
在一些实施例中，所述电子设备或所述服务器获取第一速度，将所述第一速度与预测速度的差值的绝对值取平均值加上三倍均方差形成所述指定的阈值；其中，所述第一速度为距离当前检测最近的预设次数获取的真实速度。例如，真实的速度和预测的速度的差的绝对值为delta V。取最近的20个delta V为时间窗口，形成一个delta V的集合。如果最新的delta V的大小超过过去的时间窗口的delta V大小的平均值加上3倍均方差，则认定为获取最新的delta V的时刻发生了异常。
具体的，可以以距离delta V的差值作为横坐标，以分布所占的数量为纵坐标，形成正态分布的图。其中，分布所占的数量绝大部分都处于离平均值delta V的距离为均方差的3倍以内，所以，在此，设定如果最新的delta V的大小超过过去的时间窗口的delta V大小的平均值加上3倍均方差，则认定为获取最新的delta V的时刻发生了异常。
本申请可有效的通过LSTM模型对获取的驾驶影响参数进行分析，对下一时刻的驾驶速度进行预测，且将预测的驾驶速度的值与真实的速度值进行差值计算，以判断是否发生了异常。驾驶异常检测便捷且准确。
进一步的，所述电子设备还与服务器进行通信，所述电子设备将所述驾驶行为检测结果发送至服务器，以供所述服务器根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子，且根据所述驾驶异常因子，生成关于驾驶人员的信任分所述服务器执行如图3所示的驾驶行为异常检测方法S2，所述驾驶行为异常检测方法S2应用于所述服务器中，所述服务器与执行所述方法S1的所述电子设备通信，所述方法S2包括：
S21：获取所述驾驶行为检测结果；
S22：根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常；
S23：根据所述驾驶异常因子，生成关于驾驶人员的信任分。
其中，所述获取所述驾驶行为检测结果的步骤包括：
所述服务器接收所述电子设备发送的所述驾驶行为检测结果；其中，所述电子设备将获取的所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；且所述服务器从所述电子设备获取所述驾驶行为检测结果；或
接收所述电子设备发送的所述t+1时刻的真实速度，服务器在获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；
其中，获取所述t+1时刻的预测速度的步骤包括：
所述电子设备在获取所述t时刻的驾驶影响参数后，将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度，且所述服务器可从所述电子设备获取所述t+1时刻的预测速度；或
所述服务器接收所述电子设备发送的所述t时刻的所述驾驶影响参数，且所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，所述服务器可向所述电子设备反馈所述t+1时刻的预测速度。
在一些实施例中，驾驶异常因子根据以下公式进行计算得出：(检测数量-异常数量)/检测数量，则驾驶异常因子的值越高，信任分的值越高，驾驶异常因子的值与信任分的值成正比。在另一些实施例中，驾驶异常因子根据以下公式进行计算得出：异常数量/检测数量。则驾驶异常因子的值越高，信任分的值越低，驾驶异常因子的值与信任分的值成反比。
在具体应用中，还用以将所述驾驶异常因子与履约因子进行综合考虑，以生成所述信任分，具体的，可提前预设驾驶异常因子与履约因子在信任分的生成中的权重值，例如，选取驾驶异常因子的权重值大于所述履约因子的权重值。其中，所述履约因子与驾驶司机的历史完单率以及历史订单中的好评率相关。具体的，驾驶司机的历史完单率越高，所述履约因子的值越高，所述信任分越高；所述历史订单中的好评率越高，所述履约因子的值越高，所述信任分越高。
在一些实施例中，所述服务器在计算得到所述信任分后，还根据所述信任分，向所述驾驶人员开放对应的访问权限。具体的，所述服务器还根据所述信任分所处的范围，向所述驾驶人员开放对应的访问权限的步骤包括：根据订单的质量和/或订单发起人员的信用分，将订单进行等级划分，且根据所述信任分所处的范围，向所述驾驶人员开放对应等级的订单的访问权限。
在一些实施例中，提前预设不同范围的信任分对应的驾驶人员的访问权限，例如，提前根据信任分的大小，划分三个范围的信任分，每个范围的信任分对应一个等级的访问权限。例如值较大的信任分范围对应高等级的访问权限，即可访问高等级的订单和/或可访问的订单数量阈值为第一数量阈值，值中等的信任分范围对应中等级的访问权限，即可访问中等级的订单和/或可访问的订单数量阈值为第二数量阈值，值较小的信任分范围对应低等级的访问权限，即可访问低等级的订单和/或可访问的订单数量阈值为第三数量阈值；第一数量阈值小于第二数量阈值，第二数量阈值小于第三数量阈值。具体的，可根据订单的发起乘客的诚信分和/或订单的质量对订单的等级进行划分，所述订单的质量与订单的总价值、订单单位里程所花费的时间以及订单所处的路线范围中的至少一种有关。订单的总价值越高，订单的质量越高，订单单位里程所花费的时间越少，订单的质量越高，订单所处的路线范围处于历史标记的畅通路线范围内或处于历史标记的高质量订单较为集中的路线内，订单的质量越高。其中，订单的发起乘客的诚信分以及订单的质量越高对应的订单的等级越高。
在具体实施例中，还用以对信任分低于一预设信任分等级的驾驶人员发送指定的劝诫信息以及学习课程，以达到对信任分低于所述预设信任分等级的驾驶人员的进一步教育的目的。
参阅图4，显示为本申请的驾驶行为异常检测系统在一具体实施例中的组成示意图。所述驾驶行为异常检测系统包括上述的电子设备1和服务器2，所述电子设备1与所述服务器2通信，其中，所述电子设备1包括参数获取模块11、速度预测模块12、真实速度获取模块13以及异常判断模块14。所述服务器2包括检测结果获取模块21、计算模块22以及信任分生成模块23。
其中，所述参数获取模块11用以获取t时刻的驾驶影响参数；在具体实施例中，可以以预设的时间周期，对司机的驾驶行为进行异常检测，例如，每隔1分钟，进行一次驾驶行为的异常检测。预测时刻t+1为相对于时刻t的下一个时间段，例如，t+1时刻为相对于时刻t的2秒后的时刻。即，根据时刻t获取的驾驶影响参数，对2秒后的t+1时刻的驾驶速度进行预测。在一些实施例中，还可以同时获取t时刻的加速速度以及t时刻的驾驶影响参数，输入预设的机器学习模型中，以进行t+1时刻的速度预测。
所述速度预测模块12用以将所述t时刻的所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或将所述驾驶影响参数发送至所述服务器2，以供所述服务器2将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器2反馈的所述t+1时刻的预测速度。
在具体实施例中，根据历史操作中，多次获取的t时刻的驾驶影响参数，以及t+1时刻的驾驶速度，对所述机器学习模型进行训练。例如，对获取的三个月内的驾驶影响参数，以及驾驶速度，对所述机器学习模型进行训练。
在一些实施例中，至少根据以下信息中的一种生成所述驾驶影响参数：驾驶人员基本信息、驾驶人员行为信息以及环境信息。
通过特征数据和标签数据对LSTM模型进行训练。通过训练好的模型可以对用户新的速度进行预测。其中，所述特征数据包括所述驾驶影响参数，所述标签数据包括驾驶速度。
LSTM模型即，长短期记忆模型(long-short term memory)，LSTM模型是一种特殊的RNN(递归神经网络，recurrent neural network)模型，是为了解决RNN模型梯度弥散的问题而提出的；在传统的RNN中，训练算法使用的是BPTT，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆，因此LSTM模型被提出；LSTM模型中，共有三个门来处理数据：遗忘门、输入门和输出门。门表示对数据的一次处理。LSTM的数据处理结构如图2所示，其中，
1、遗忘门：遗忘门的作用是遗忘部分数据，即将输入数据，使用sigmoid函数计算得到一个权重向量，再与知识库的向量取内积得到新的知识库a，使得知识库中遗忘部分数据。在本申请中，例如通过遗忘门遗忘驾驶影响参数当中的部分重要性比较小的数据。例如，驾驶影响参数当中还包括驾驶人员的照片，而该驾驶人员的照片在后续的速度预测当中的重要性比较小，在此可以设置，遗忘所述驾驶人员的照片这一数据，以提高后续速度预测的准确性。
2、输入门：即是将输出数据做两部分处理。第一个部分是获得权重：即是使用sigmoid函数常与输入数据相乘；第二个部分是获得遗忘数据：即是使用tanh函数与输入向量相乘得到新的知识。知识库a与新的知识相加得到新的知识库b，知识库b将会传输到下一个神经单元。本模型中输入门输入的数据为当前时间下的驾驶影响参数，所述驾驶影响参数可以包括驾驶司机的历史驾驶行为特征以及当前的环境特征。
3、输出门：将输入的数据与sigmoid函数相乘得到一个权重向量，权重向量与使用tanh遗忘之后的知识库b取内积得到当前神经单元的输出。输出的数据传输到下一个神经单元。本模型中输出门输出的数据为下一个时间窗口的速度。
其中，所述驾驶人员基本信息至少包括以下中的一种：驾驶人员的年龄、驾驶人员的性别以及驾驶人员的照片；
即在机器学习模型训练过程中，获取驾驶人员的年龄、驾驶人员的性别以及驾驶人员的照片对预测速度的影响。例如，通过对机器学习模型的训练，处于20～40岁之间的驾驶人员的驾驶速度较快，处于40～60岁之间的驾驶人员的驾驶速度较慢。
所述驾驶人员行为信息至少包括以下中的一种：历史驾驶行为、指定时间内的急加速次数、指定时间内的急刹车次数、指定时间内的刹车距离、指定时间内的最高时速以及指定时间内的最低时速；其中，所述历史驾驶行为可为当前驾驶人员在最近一个月内的驾驶行为，主要包括历史驾驶行为中的急加速次数、历史驾驶行为中的急刹车次数、历史驾驶行为中的刹车距离、历史驾驶行为中的最高时速以及历史驾驶行为中的最低时速。其中，急加速次数、急刹车次数、刹车距离、最高时速以及最低时速均可通过驾驶人员携带的电子设备的传感器进行获取，或者通过与驾驶人员的电子设备有通信的当前驾驶车辆自带的传感器获取。所述指定时间例如为距离当前时刻之前的预设时间，所述预设时间例如为5分钟，其中，所述指定时间内的急加速次数、所述指定时间内的急刹车次数、所述指定时间内的刹车距离、所述指定时间内的最高时速以及所述指定时间内的最低时速，分别为距离当前时刻的5分钟内的急加速次数、急刹车次数、刹车距离、最高时速以及最低时速。
所述环境信息至少包括以下中的一种：天气状况、城市路况、地理位置以及行驶路线。其中，所述天气状况可包括天气的亮度情况、气温以及雨水情况等中的至少一种。所述城市路况包括城市道路的拥堵情况、距离最近的红绿灯路口的距离以及该最近的红绿灯的状态(该红绿灯的状态例如包括该红绿灯点亮红灯还是绿灯，以及该红绿灯距离红灯点亮结束或绿灯点亮结束的时间)。在实际应用中，所述电子设备还可根据指定网络地址发布的交通信息获取所述城市路况。所述地理位置可根据电子设备自带的定位模块进行获取，或者通过与驾驶人员的电子设备有通信的当前驾驶车辆自带的定位模块获取。该定位模块例如为GPS定位模块或北斗定位模块。
在一些实施例中，为了减少所述电子设备1的处理压力，将所述机器学习模型部署在所述服务器2中，所述电子设备1用以将所述驾驶影响参数发送至所述服务器2，以供所述服务器2将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且所述服务器2反馈所述t+1时刻的预测速度至所述电子设备1。
所述真实速度获取模块13用以获取t+1时刻的真实速度；在通过LSTM模型获得t时刻的下一时间单位后的下一时刻t+1的预测速度后，获取t+1时刻的真实速度。
所述异常判断模块14用以将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；或将所述t+1时刻的真实速度发送至所述服务器2，以供所述服务器2获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常。
即，为了优化设备的处理效率，可选择性的在所述电子设备1中执行“将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果”或在所述电子设备1中执行“将所述t+1时刻的真实速度发送至所述服务器2”的步骤，以令所述服务器2获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果，即将大部分的数据处理任务放置在服务器2端，减少电子设备1的本地处理压力。
其中，当所述电子设备1执行步骤：“所述电子设备将所述t时刻的所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度”；则所述电子设备1将所述t+1时刻的真实速度发送至所述服务器2后，还用以将所述t+1时刻的预测速度发送至所述服务器2，以供所述服务器2获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。
当所述电子设备1执行步骤：“将所述驾驶影响参数发送至所述服务器2，以供所述服务器2将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器2反馈的所述t+1时刻的预测速度”时。所述电子设备1将所述t+1时刻的真实速度发送至所述服务器2，所述服务器2获取所述t+1时刻的真实速度后，直接从所述服务器2本地获取所述t+1时刻的预测速度，且所述服务器2将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果。
其中，一些实施例中，所述电子设备1或所述服务器2获取第一速度，将所述第一速度与预测速度的差值的绝对值取平均值加上三倍均方差形成所述指定的阈值；其中，所述第一速度为距离当前检测最近的预设次数获取的真实速度。。例如，真实的速度和预测的速度的差的绝对值为delta V。取最近的20个delta V为时间窗口，形成一个delta V的集合。如果最新的delta V的大小超过过去的时间窗口的delta V大小的平均值加上3倍均方差，则认定为获取最新的delta V的时刻发生了异常。
具体的，可以以距离delta V的差值作为横坐标，以分布所占的数量为纵坐标，形成正态分布的图。其中，分布所占的数量绝大部分都处于离平均值delta V的距离为均方差的3倍以内，所以，在此，设定如果最新的delta V的大小超过过去的时间窗口的delta V大小的平均值加上3倍均方差，则认定为获取最新的delta V的时刻发生了异常。
所述检测结果获取模块21，用以获取所述驾驶行为检测结果；
所述计算模块22，用以根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常；在一些实施例中，驾驶异常因子根据以下公式进行计算得出：(检测数量-异常数量)/检测数量，则驾驶异常因子的值越高，信任分的值越高，驾驶异常因子的值与信任分的值成正比。在另一些实施例中，驾驶异常因子根据以下公式进行计算得出：异常数量/检测数量。则驾驶异常因子的值越高，信任分的值越低，驾驶异常因子的值与信任分的值成反比。
所述信任分生成模块23，用以根据所述驾驶异常因子，生成关于驾驶人员的信任分。
其中，所述检测结果获取模块21获取所述驾驶行为检测结果的步骤还包括：
所述服务器2接收所述电子设备1发送的所述驾驶行为检测结果；其中，所述电子设备1将获取的所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；且所述服务器2从所述电子设备1获取所述驾驶行为检测结果；或
接收所述电子设备1发送的所述t+1时刻的真实速度，服务器2在获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；
其中，获取所述t+1时刻的预测速度的步骤还包括：
所述电子设备1在获取所述t时刻的驾驶影响参数后，将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度，且所述服务器2可从所述电子设备1获取所述t+1时刻的预测速度；或
所述服务器2接收所述电子设备1发送的所述t时刻的所述驾驶影响参数，且所述服务器2将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，所述服务器2可向所述电子设备1反馈所述t+1时刻的预测速度。
在具体应用中，还用以将所述驾驶异常因子与履约因子进行综合考虑，以生成所述信任分，具体的，可提前预设驾驶异常因子与履约因子在信任分的生成中的权重值，例如，选取驾驶异常因子的权重值大于所述履约因子的权重值。其中，所述履约因子与驾驶司机的历史完单率以及历史订单中的好评率相关。具体的，驾驶司机的历史完单率越高，所述履约因子的值越高，所述信任分越高；所述历史订单中的好评率越高，所述履约因子的值越高，所述信任分越高。
在一些实施例中，所述服务器2在计算得到所述信任分后，还根据所述信任分，向所述驾驶人员开放对应的访问权限。具体的，所述服务器2还根据所述信任分所处的范围，向所述驾驶人员开放对应的访问权限的步骤包括：根据订单的质量和/或订单发起人员的信用分，将订单进行等级划分，且根据所述信任分所处的范围，向所述驾驶人员开放对应等级的订单的访问权限。
在一些实施例中，提前预设不同范围的信任分对应的驾驶人员的访问权限，例如，提前根据信任分的大小，划分三个范围的信任分，每个范围的信任分对应一个等级的访问权限。例如值较大的信任分范围对应高等级的访问权限，即可访问高等级的订单和/或可访问的订单数量阈值为第一数量阈值，值中等的信任分范围对应中等级的访问权限，即可访问中等级的订单和/或可访问的订单数量阈值为第二数量阈值，值较小的信任分范围对应低等级的访问权限，即可访问低等级的订单和/或可访问的订单数量阈值为第三数量阈值；第一数量阈值小于第二数量阈值，第二数量阈值小于第三数量阈值。具体的，可根据订单的发起乘客的诚信分和/或订单的质量对订单的等级进行划分，所述订单的质量与订单的总价值、订单单位里程所花费的时间以及订单所处的路线范围中的至少一种有关。订单的总价值越高，订单的质量越高，订单单位里程所花费的时间越少，订单的质量越高，订单所处的路线范围处于历史标记的畅通路线范围内或处于历史标记的高质量订单较为集中的路线内，订单的质量越高。其中，订单的发起乘客的诚信分以及订单的质量越高对应的订单的等级越高。
在具体实施例中，还用以对信任分低于一预设信任分等级的驾驶人员发送指定的劝诫信息以及学习课程，以达到对信任分低于所述预设信任分等级的驾驶人员的进一步教育的目的。
在一些实施例中，还提供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图1所示驾驶行为异常检测方法S1。在一些实施例中，还提供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图3所示驾驶行为异常检测方法S2。
在一些实施例中，所述电子设备1包括处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行所述驾驶行为异常检测方法S1。
所述电子设备1例如为包括但不限于手持电脑、平板电脑、移动电话、智能手机、媒体播放器、个人数字助理(PDA)等等便携式电子设备，应当理解，本申请于实施方式中描述的便携式电子设备只是一个应用实例，该设备的组件可以比图示具有更多或更少的组件，或具有不同的组件配置。所绘制图示的各种组件可以用硬件、软件或软硬件的组合来实现，包括一个或多个信号处理和/或专用集成电路。
所述电子设备1包括存储器、存储器控制器、一个或多个处理器(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、触摸屏、其他输出或控制设备，以及外部端口。这些组件通过一条或多条通信总线或信号线进行通信。所述电子设备还包括用于为各种组件供电的电源系统。该电源系统可以包括电源管理系统、一个或多个电源(例如电池、交流电(AC))、充电系统、电源故障检测电路、电源转换器或逆变器、电源状态指示器(例如发光二极管(LED))，以及与便携式设备中的电能生成、管理和分布相关联的其他任何组件。
所述电子设备1支持各种应用程序，诸如以下各项中的一者或多者：绘图应用程序、呈现应用程序、文字处理应用程序、网站创建应用程序、盘编辑应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息应用程序、健身支持应用程序、照片管理应用程序、数字相机应用程序、数字视频摄像机应用程序、网页浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
在一些实施例中，所述服务器2包括处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述服务器2执行所述驾驶行为异常检测方法S2。
所述服务器2包括的所述处理器可操作地与存储器和/或非易失性存储设备耦接。更具体地，处理器可执行在存储器和/或非易失性存储设备中存储的指令以在计算设备中执行操作，诸如生成图像数据和/或将图像数据传输到电子显示器。如此，处理器可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。
所述服务器2包括的所述存储器可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中，存储器还可以包括远离一个或多个处理器的存储器，例如经由RF电路或外部端口以及通信网络(未示出)访问的网络附加存储器，其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等，或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。
综上所述，本发明提供一种驾驶行为异常检测方法、装置、电子设备、服务器及介质，具体包括：获取t时刻的驾驶影响参数；将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；获取t+1时刻的真实速度；将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常。本申请可有效的根据机器学习模型，对驾驶速度进行预测，及时识别驾驶异常。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (13)
1.一种驾驶行为异常检测方法，其特征在于，应用于电子设备中，所述驾驶行为异常检测方法包括：
获取t时刻的驾驶影响参数；所述驾驶影响参数包括：驾驶人员基本信息、驾驶人员行为信息以及环境信息；
将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或将所述驾驶影响参数发送至指定的服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度；
获取t+1时刻的真实速度；
将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；或将所述t+1时刻的真实速度发送至指定的服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；
其中，所述方法还包括：将所述驾驶行为检测结果发送至服务器，以供所述服务器根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子，且根据所述驾驶异常因子，生成关于驾驶人员的信任分，并根据所述信任分，向所述驾驶人员开放对应的访问权限；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常。
2.根据权利要求1所述的驾驶行为异常检测方法，其特征在于，获取第一速度，将所述第一速度与预测速度的差值的绝对值取平均值加上三倍均方差形成所述指定的阈值；其中，所述第一速度为距离当前检测最近的预设次数获取的真实速度。
3.根据权利要求1所述的驾驶行为异常检测方法，其特征在于，所述驾驶人员基本信息至少包括以下中的一种：驾驶人员的年龄、驾驶人员的性别以及驾驶人员的照片；所述驾驶人员行为信息至少包括以下中的一种：历史驾驶行为、指定时间内的急加速次数、指定时间内的急刹车次数、指定时间内的刹车距离、指定时间内的最高时速以及指定时间内的最低时速；所述环境信息至少包括以下中的一种：天气状况、城市路况、地理位置以及行驶路线。
4.一种驾驶行为异常检测装置，其特征在于，包括：
参数获取模块，用以获取t时刻的驾驶影响参数；所述驾驶影响参数包括：驾驶人员基本信息、驾驶人员行为信息以及环境信息；
速度预测模块，用以将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或将所述驾驶影响参数发送至指定的服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且接收所述服务器反馈的所述t+1时刻的预测速度；
真实速度获取模块，用以获取t+1时刻的真实速度；
异常判断模块，用以将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；或将所述t+1时刻的真实速度发送至指定的服务器，以供所述服务器获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到驾驶行为检测结果；
其中，所述装置还用以将所述驾驶行为检测结果发送至服务器，以供所述服务器根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子，且根据所述驾驶异常因子，生成关于驾驶人员的信任分，并根据所述信任分，向所述驾驶人员开放对应的访问权限；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常。
5.一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，所述程序被处理器执行时实现权利要求1~3中任一项所述驾驶行为异常检测方法。
6.一种电子设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如权利要求1~3中任一项所述驾驶行为异常检测方法。
7.一种驾驶行为异常检测方法，其特征在于，应用于服务器中，所述服务器与如权利要求6所述的电子设备通信，所述驾驶行为异常检测方法包括：
获取所述驾驶行为检测结果；
根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常；
根据所述驾驶异常因子，生成关于驾驶人员的信任分。
8.根据权利要求7所述的驾驶行为异常检测方法，其特征在于，
所述获取所述驾驶行为检测结果的步骤包括：
接收所述电子设备发送的所述驾驶行为检测结果；其中，所述电子设备将获取的所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；或
接收所述电子设备发送的所述t+1时刻的真实速度，服务器在获取所述t+1时刻的预测速度和所述t+1时刻的真实速度后，将所述t+1时刻的真实速度与所述t+1时刻的预测速度的差值的绝对值与指定的阈值进行比较以得到所述驾驶行为检测结果；
其中，获取所述t+1时刻的预测速度的步骤包括：
所述电子设备在获取所述t时刻的驾驶影响参数后，将所述驾驶影响参数输入预设的机器学习模型中，以获取t+1时刻的预测速度；或
所述电子设备将所述驾驶影响参数发送至所述服务器，以供所述服务器将所述驾驶影响参数输入预设的机器学习模型后获取t+1时刻的预测速度，且所述电子设备接收所述服务器反馈的所述t+1时刻的预测速度。
9.根据权利要求7所述的驾驶行为异常检测方法，其特征在于，所述服务器还用于根据所述信任分所处的范围，向所述驾驶人员开放对应的访问权限。
10.根据权利要求9所述的驾驶行为异常检测方法，其特征在于，所述服务器还用于根据所述信任分所处的范围，向所述驾驶人员开放对应的访问权限，包括：根据订单的质量和/或订单发起人员的信用分，将订单进行等级划分，且根据所述信任分所处的范围，向所述驾驶人员开放对应等级的订单的访问权限。
11.一种驾驶行为异常检测装置，其特征在于，应用于服务器中，所述服务器与如权利要求6所述的电子设备通信，所述驾驶行为异常检测装置包括：
检测结果获取模块，用以获取所述驾驶行为检测结果；
计算模块，用以根据驾驶异常的次数在所述驾驶行为检测结果中的比值计算生成驾驶异常因子；其中，当所述差值的绝对值大于所述指定的阈值时，判断所述驾驶行为检测结果为驾驶异常；
信任分生成模块，用以根据所述驾驶异常因子，生成关于驾驶人员的信任分。
12.一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，所述程序被处理器执行时实现权利要求7~10中任一项所述驾驶行为异常检测方法。
13.一种服务器，其特征在于，所述服务器与如权利要求6所述的电子设备通信，所述服务器包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述服务器执行如权利要求7~10中任一项所述驾驶行为异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111078832.1A CN113963533B (zh) | 2021-09-15 | 2021-09-15 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111078832.1A CN113963533B (zh) | 2021-09-15 | 2021-09-15 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113963533A CN113963533A (zh) | 2022-01-21 |
| CN113963533B true CN113963533B (zh) | 2023-01-31 |
Family
ID=79461475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111078832.1A Active CN113963533B (zh) | 2021-09-15 | 2021-09-15 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113963533B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724121A (zh) * | 2022-03-23 | 2022-07-08 | 中交信息技术国家工程实验室有限公司 | 一种驾驶行为预测方法 |
| WO2023230740A1 (zh) * | 2022-05-28 | 2023-12-07 | 华为技术有限公司 | 一种异常驾驶行为识别的方法、装置和交通工具 |
| CN116644373B (zh) * | 2023-07-27 | 2023-10-31 | 广东小途汽车科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
| TW201933272A (zh) * | 2018-01-17 | 2019-08-16 | 耕雲智慧生活科技股份有限公司 | 駕駛人評分派遣系統與用於進行駕駛行為評分的車載裝置 |
| CN110363611A (zh) * | 2019-05-27 | 2019-10-22 | 天津五八到家科技有限公司 | 网约车用户匹配方法、装置、服务器及存储介质 |
| CN110692093A (zh) * | 2017-05-31 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 基于运动数据识别驾驶行为的设备和方法 |
| CN113119981A (zh) * | 2021-04-09 | 2021-07-16 | 东风汽车集团股份有限公司 | 车辆主动安全控制方法、系统及存储介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8554468B1 (en) * | 2011-08-12 | 2013-10-08 | Brian Lee Bullock | Systems and methods for driver performance assessment and improvement |
| CN109272126A (zh) * | 2017-07-18 | 2019-01-25 | 北京嘀嘀无限科技发展有限公司 | 确定方法、装置、服务器、移动终端和可读存储介质 |
| CN108230616A (zh) * | 2018-02-02 | 2018-06-29 | 辽宁友邦网络科技有限公司 | 一种危险驾驶识别警报方法及系统 |
| CN111325437B (zh) * | 2019-02-18 | 2021-09-24 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
| CN111599164B (zh) * | 2019-02-21 | 2021-09-24 | 北京嘀嘀无限科技发展有限公司 | 一种行车异常识别方法和系统 |
| CN110751586A (zh) * | 2019-02-21 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单行程异常识别方法和系统 |
| CN111784088A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 派单匹配方法、派单匹配装置、服务器和存储介质 |
| JP6869313B2 (ja) * | 2019-11-20 | 2021-05-12 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | ユーザ行動に基づくサービスディスパッチのシステム及び方法 |
| CN112017463B (zh) * | 2020-07-17 | 2021-11-12 | 盛威时代科技集团有限公司 | 智能化的网约车管理方法 |
| CN112101289A (zh) * | 2020-09-25 | 2020-12-18 | 北京市商汤科技开发有限公司 | 一种服务提供的方法、装置、计算机设备及存储介质 |
| CN112232259B (zh) * | 2020-10-27 | 2022-06-07 | 南京领行科技股份有限公司 | 一种网约车驾驶员行为监测的方法和装置及设备 |
-
2021
- 2021-09-15 CN CN202111078832.1A patent/CN113963533B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
| CN110692093A (zh) * | 2017-05-31 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 基于运动数据识别驾驶行为的设备和方法 |
| TW201933272A (zh) * | 2018-01-17 | 2019-08-16 | 耕雲智慧生活科技股份有限公司 | 駕駛人評分派遣系統與用於進行駕駛行為評分的車載裝置 |
| CN110363611A (zh) * | 2019-05-27 | 2019-10-22 | 天津五八到家科技有限公司 | 网约车用户匹配方法、装置、服务器及存储介质 |
| CN113119981A (zh) * | 2021-04-09 | 2021-07-16 | 东风汽车集团股份有限公司 | 车辆主动安全控制方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113963533A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113963533B (zh) | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 | |
| US11244402B2 (en) | Prediction algorithm based attribute data processing | |
| US20190228645A1 (en) | Network computer system for analyzing driving actions of drivers on road segments of a geographic region | |
| JP6873237B2 (ja) | 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス | |
| US20220360936A1 (en) | Optimizing pickup locations for transportation requests based on context information | |
| US11475770B2 (en) | Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium | |
| US11030364B2 (en) | Evaluating autonomous vehicle algorithms | |
| EP3520051A1 (en) | Image-based vehicle damage determining method, apparatus, and electronic device | |
| EP3877911A1 (en) | Searching an autonomous vehicle sensor data repository | |
| JP2023514465A (ja) | 機械学習プラットフォーム | |
| US20140081675A1 (en) | Systems, methods, and apparatus for optimizing claim appraisals | |
| WO2018191421A1 (en) | Image-based vehicle damage determining method, apparatus, and electronic device | |
| US11699085B2 (en) | Methods and arrangements to identify activation profile context in training data | |
| US20220164585A1 (en) | Contrastive learning for object detection | |
| WO2020026318A1 (en) | Distracted driving predictive system | |
| US11694116B2 (en) | Vehicle resiliency, driving feedback and risk assessment using machine learning-based vehicle wear scoring | |
| CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| US20210150349A1 (en) | Multi object tracking using memory attention | |
| WO2021121206A1 (zh) | 一种用于判定服务事故的责任的方法和系统 | |
| US12106617B2 (en) | Method and system for auto generating automotive data quality marker | |
| CN116263775A (zh) | 基于机器学习从数据对象中导出数据 | |
| US20200090244A1 (en) | Vehicle inventory availability notification | |
| US12118881B1 (en) | System and method for providing consolidated events in a traffic management control centre using situational awareness | |
| Manchala et al. | Advancements in Machine Learning and Data Mining Techniques for Collision Prediction and Hazard Detection in Internet of Vehicles | |
| US20240185026A1 (en) | Defect detection using multi-modality sensor data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |