CN114379559A - 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 - Google Patents

Abstract

本发明提出了一种基于车辆信息采集系统的驾驶风险评价特征画像方法。车辆信息采集系统，包括：汽车中央处理器、云端服务器、距离传感器、速度传感器、加速度传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、GPS定位器、方向盘转角检测器。云端服务器构建车辆行驶数据集与驾驶行为评价数据集；云端服务器识别驾驶员驾驶动作，对驾驶员驾驶行为激进程度进行判定；云端服务器对驾驶员驾驶风格做出评价，对行车风险做出定量评价；云端服务器对驾驶员进行车辆维度、时间维度、道路维度、高维度特征职业画像，向驾驶员反馈画像报告。本发明对驾驶风险进行识别，降低交通事故发生率，为车辆的安全行驶提供了保障。

Description

一种基于车辆信息采集系统的驾驶风险评价特征画像方法

技术领域

本发明涉及驾驶行为分析技术领域，特别是涉及一种基于车辆信息采集系统的驾驶风险评价特征画像方法。

背景技术

在所有的交通事故中由于驾驶人有关因素导致的事故占比高达92％左右。而在导致交通事故与驾驶人相关的因素中，绝大多数是由驾驶员不良驾驶行为导致。不同的驾驶人由于个人特点和驾驶技术的不同，驾驶风格和驾驶行为也不尽相同，导致事故风险的驾驶行为千差万别。因此，对驾驶行为的量化估计有助于衡量驾驶人的驾驶风险，从而预防交通事故。识别不良驾驶行为，对驾驶员驾驶行为进行画像，进而对驾驶风险进行评价，一方面可以帮助量化评估驾驶人的驾驶行为，另一方面则可以辅助纠正不良驾驶行为，有助于引导和培养驾驶人良好的驾驶习惯，对驾驶风险高的行为进行干预，从而提高驾驶人的驾驶技能。

传统的技术方法对驾驶员驾驶行为评价技术中，依靠单一或实时数据分析驾驶员驾驶行为，没有全方位衡量驾驶员在不同道路场景下所产生的驾驶动作，存在一定片面和不准确性等缺点，本发明提供了一种基于长历史周期数据和实时数据等多源数据融合对驾驶员进行驾驶风格、行为习惯等进行行为画像，进而量化评估车辆风险行驶风险。

发明内容

为了解决上述问题，本发明提出了一种基于车辆信息采集系统的驾驶风险评价特征画像方法。

本发明系统的技术方案为车辆信息采集系统，其特征在于，包括：汽车中央处理器、云端服务器、距离传感器、速度传感器、加速度传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、GPS定位器、方向盘转角检测器；

所述的汽车中央处理器分别与所述的距离传感器、速度传感器、加速度传感器、方向盘转角检测器、GPS定位器、车载显示器、云端无线传输模块、路基信号接收器通过导线连接；所述云端无线传输模块与所述云端服务器通过无线通信方式连接；所述路基信号接收器与所述路基信号发射器通过无线通信方式连接。

作为优选，所述的距离传感器安装于车辆前端中部保险杆处，用于探测车辆的跟车距离，将实时采集的车辆的跟车距离传输至所述汽车中央处理器；

作为优选，所述的速度传感器安装在变速器输出轴上，用于实时采集车辆的行驶速度，将实时采集的车辆的行驶速度传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的行驶速度传输至所述云端无线传输模块；

作为优选，所述的加速度传感器左右对称安装在车辆中控台，用于实时采集车辆加速度，将实时采集的车辆的加速度传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的加速度传输至所述云端无线传输模块；

作为优选，所述的方向盘转角检测器安装在车辆方向盘下端，用于实时采集车辆的方向盘转角，将实时采集的车辆的方向盘转角传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的方向盘转角传输至所述云端无线传输模块；

作为优选，所述的GPS定位器安装在车辆中控台，用于实时采集车辆的经纬度信息，将实时采集的车辆的经纬度信息传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的经纬度信息传输至所述云端无线传输模块；

作为优选，所述的路基信号发射器设置在道路上并沿路铺设，用于实时采集道路类型及道路限速信息；

作为优选，所述的路基信号接收器安装在车辆前方左右探照灯上部处，用于接收实时采集的道路类型、实时采集的道路限速信息，将实时采集的道路类型、实时采集的道路限速信息传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的道路类型、实时采集的道路限速信息传输至所述云端无线传输模块；

作为优选，所述的云端无线传输模块安装在车辆上，用于将实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的车辆的方向盘转角、实时采集的道路类型、实时采集的道路限速信息无线传输至所述云端服务器，接收所述云端服务器下发的数据；

作为优选，所述的车载显示器安装在汽车中控台中部，用于向驾驶员提供信息，并以声音、文字图像形式表式；

作为优选，所述的云端服务器根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向盘转角、实时采集的道路限速信息，进行综合处理分析，计算驾驶风格评价参数，对驾驶员每一个时刻下的驾驶行为进行识别，对驾驶员驾驶分格进行评价，并计算驾驶员驾驶风险，生成分析评价报告，将分析评价报告通过云端传输模块发送给车辆驾驶员；

所述车辆的经纬度信息由车辆的经度、车辆的纬度构成；

本发明方法的技术方案为驾驶风险评价特征画像方法，包括以下步骤：

步骤1：云端服务器根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向盘转角、实时采集的道路限速信息构建车辆行驶数据集，根据实时采集的车辆经纬度信息分别计算实时车辆转向角、实时车辆转向角变化率，根据实时采集的车辆速度计算实时速度波动率，根据实时采集的车辆加速度、实时采集的方向盘转角分别计算实时加速度变化率、实时方向盘转角变化率，进一步构建驾驶行为评价数据集；

步骤2：云端服务器根据构建的车辆行驶数据集与驾驶行为评价数据集识别每个时刻下驾驶员超速、驾驶员急变速、驾驶员急转向、驾驶员急加速、驾驶员急刹车、驾驶员危险车距等驾驶动作，根据识别结果对驾驶行为进行判定，判定为正常驾驶、激进驾驶、超激进驾驶；

步骤3：云端服务器根据步骤2的驾驶行为判定结果，对驾驶员驾驶风格做出评价，对行车风险做出定量评价；

步骤4：云端根据步骤1构建的驾驶行为评价数据集对驾驶员进行车辆维度的画像，根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行时间维度画像与道路维度画像，根据步骤2的驾驶行为判定结果与步骤3的驾驶风格与驾驶风险评价结果对驾驶员进行高维度特征职业画像；

步骤5：云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告；

作为优选，步骤1中所述车辆行驶数据为：

data_i＝{d_i,v_i,a_i,GPS i,w_i,v_limit,i,b_i}

GPS_i＝{p_lat，i，p_1on，i，t_i}

i∈[1，K]

其中，data_i表示第i个时刻的车辆行驶数据，w_i表示所述路基信号接收器采集的第i个时刻的道路类型，v_limit，i表示所述路基信号接收器采集的道路限速，v_i表示所述速度传感器采集的第i个时刻的车辆速度，d_i表示所述距离传感器采集的第i个时刻的跟车距离，a_i表示所述加速度传感器采集的第i个时刻的车辆加速度，b_i表示所述方向盘转角检测器采集的第i个时刻的方向盘转角，GPS_i表示第i个时刻采集的车辆的经纬度信息，p_lat，i表示所述GPS定位器表示第i个时刻采集的车辆经度，p_lon，i表示第i个时刻采集的纬度坐标，t_i表示第i个时刻采集的GPS时间，K为采样时刻的数量；

步骤1所述根据实时采集的车辆经纬度信息分别计算实时车辆转向角、实时车辆转向角变化率为：

y_i＝sin(p_1on，i+1-p_lon，i)*cos p_lat，i

x_i＝cosp_lat，i*sin p_lat，i-sin p_lat，i×cos p_lat，i+1×cos(p_lon，i+1-p_lon，i)

z_i＝arctan(y_i，x_i)

i∈[1，K]

其中，p_lat，i+1表示所述GPS定位器第i+1个时刻采集的车辆经度，p_lon，i+1表示第i+1个时刻采集的车辆纬度坐标，t_i+1表示第i+1个时刻采集的GPS时间，y_i、x_i分别为所述GPS定位器第i时刻采集的轨迹点p_i(p_lat，i，p_lon，i)与i+1个时刻采集的轨迹点p_i+1(p_lat，i+1，p_lon，i+1)两点形成的连线与坐标轴下的分量，z_i为计算出的第i个采样时刻下车辆的方位角，zc_i为计算出的第i个采样时刻车辆的方位角的变化率，K为采样时刻的数量；

步骤1所述根据实时采集的的车辆速度计算实时速度波动率为：

i∈[1，K]

其中，v_i-1为所述速度传感器第i-1时刻采集车辆速度，r_i为第i时刻车辆速度v_i与第i-1时刻车辆速度v_i-1的比例对数，

为r_i相邻两数之和的平均值，c为整数c∈(-1，1)，V_f，i为计算出的第i时刻对应的速度波动率，K为采样时刻的数量；

步骤1所述根据实时采集的车辆加速度、实时采集的方向盘转角分别计算实时加速度变化率、实时方向盘转角变化率为：

i∈[1，K]

其中，a_i+1为所述加速度传感器第i+1时刻采集的车辆加速度，t_i+1为所述第i+1时刻所述GPS采集的时间，Δa_i为计算出的第i个时刻的加速度变化率，b_i+1为所述方向盘转角检测器第i+1时刻采集的方向盘转角，Δb_i为计算出的第i个时刻的方向盘转角变化率，K为采样时刻的数量；

步骤1中所述构建检测数据集为：

G_i＝{zc_i，V_f，i，Δa_i，Δb_i}

i∈[1，K]

其中，zc_i为计算出的第i时刻车辆方位角变化率，V_f，i为计算出的第i时刻车辆速度波动率，Δb_i为计算出的计算的第i时刻车辆方向盘转角变化率，Δa_i为计算出的第i时刻车辆加速度变化率，K为采样时刻的数量；

作为优选，步骤2中所述检测每个时刻下驾驶员是否超速为：

所述速度传感器第i时刻采集的车辆速度为v_i，所述道路接收器第i时刻采集的道路限速为v_limit，i，若v_i＞v_limit，i，则检测为超速，i∈[1，K]，K为采样时刻的数量；

步骤2中所述检测每个时刻下驾驶员是否急变速为：

计算出的第i个时刻的速度波动率为V_f，i，若V_f，i＞6.5，则识别为急变速；

步骤2中所述检测每个时刻下驾驶员急转向为：

计算出的第i个时刻的方位角变化率为zc_i、计算出的第i个时刻的方向盘转角变化率为Δb_i；

若|zc_i|＞2rad/s^2且

则检测为急转向；

作为优选，步骤2中所述检测每个时刻下驾驶员是否加急速为：

所述加速度传感器第i时刻采集的车辆加速度为a_i，所述速度传感器第i时刻采集的速度为v_i，若：

步骤2中所述检测每个时刻下驾驶员是否急减速为：若：

则识别为急减速车；

步骤2中所述检测驾驶员每个时刻下是否危险车距为：

所述速度传感器第i时刻采集的车辆速度为v_i，所述距离传感器第i时刻采集的前车距离为d_i，若：

则判定为危险车距；

其中，g为重力加速度；

步骤2中所述根据检测结果对驾驶行为进行判定得到对应的判定结果为：

若第i个时刻下，未识别到超速、急变速、急加速、急减速、急转弯，危险车距则判定为正常驾驶；

若第i个时刻下，识别到超速、急变速、急加速、急减速、急转弯，危险车距中一种驾驶动作，则判定为激进驾驶；

若第i个时刻下，识别到超速、急变速、急加速、急减速、急转弯，危险车距中任意两种或两种以上的驾驶动作，则判定为超激进驾驶；

作为优选，步骤3中所述根据步骤2的驾驶行为判定结果，对驾驶员驾驶风格做出评价为：

分别统计正常驾驶的次数、激进驾驶的次数、超激进驾驶的次数；

所述正常驾驶的次数为N₁次；

所述激进驾驶的次数为N₂次；

所述超激进驾驶的次数为N₃次；

N₁+N₂+N₃＝N，N为采样时刻的数量；

若

且

则判定为保守型驾驶员；

若

且

则判定为一般驾驶员；

若

且

则判定为激进驾驶员；

其中，N₁为经所述步骤2识别的驾驶员正常驾驶的次数，N₂为经所述步骤2识别的驾驶员激进驾驶的次数，N₃为经所述步骤2识别的驾驶员超激进驾驶的次数，N为采样时刻的数量；

步骤3中所述根据步骤2的驾驶行为判定结果，对驾驶员驾驶风险进行定量评价为：

经所述步骤2根据检测结果对驾驶行为进行判定，若第i个时刻下驾驶行为被判定为激进或超激进，则计算该驾驶行为下车辆的风险值，计算公式如下：

其中，f_i为经所述步骤2被判定为激进与超激进驾驶行为下的风险值；

通过计算出的每个被判定为激进与超激进驾驶行为下的风险值f_i，计算驾驶员的此次行车的风险定量评价值，

其中，N₂为激进驾驶次数、N₃为超激进驾驶次数；

作为优选，步骤4中所述根据步骤1构建的驾驶行为数据集与驾驶行为评价数据集对驾驶员进行车辆维度的画像为：

根据所述步骤1构建的驾驶行为评价数据集G_i＝{zc_i,V_f,i,Δa_i,Δb_i}，计算平均加速度变化率

平均方向盘转角变化率

速度波动率平均值

方位角变化率平均值

将计算的平均方向盘转角变化率

速度波动率平均值

方位角变化率平均值

分别为雷达图的四个指标生成驾驶倾向雷达图。

所述计算平均加速度变化率

平均方向盘转角变化率

平均速度波动率

平均方位角变化率

的计算公式如下：

其中x_i为第i个采样时刻的任意值，

为其平均值，N为采样个数。

步骤4中所述根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行时间维度画像为：

根据所述步骤1构建的驾驶数据集data_i＝{d_i,v_i,a_i,GPS i,w_i,v_limit,i,b_i}，计算每天驾驶员行驶次数、每天里程、每天平均车速、每天平均加速度、每天平均跟车距离、每天平均掉头速度、每天平均转弯速度；根据所述步骤2识别的驾驶员每天激进驾驶次数、超激进驾驶次数，将以上变量按照天为单位进行生成时间维度的驾驶员驾驶行为画像。

步骤4中所述根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行道路维度画像为：

根据所述步骤1构建的驾驶数据集data_i＝{d_i，v_i，a_i，GPSi，w_i，v_limit，t，b_i}以道路类型w为分类标准，计算驾驶员在w道路类型下的平均车速

平均跟车距离

平均掉头速度

平均转弯速度

根据所述步骤2驾驶行为识别结果计算驾驶员在w道路类型激进驾驶次数N₂、超激进驾驶次数N₃，并按道路类型w生成道路维度w下的驾驶员画像。

步骤4中所述根据步骤2的驾驶行为判定结果与步骤3的驾驶风格与驾驶风险评价结果对驾驶员进行高维度特征职业画像为：

根据时间，将一天分为L个时段，h为L任意一个时段，h∈[1，L]。经所述步骤3对驾驶员驾驶风格进行判定，分别计算出驾驶员在以上几个时间段下所呈现出的驾驶风格。经所述步骤3对驾驶员驾驶风险进行定量评价，计算出驾驶员在h时段下，不同道路类型w下的驾驶风险定量评价值F_w，h，并根据所述步骤2对驾驶员驾驶行为进行判别，计算驾驶员在以上时间段，不同道路类型下激进驾驶的概率与超激进驾驶的概率；

所述在时段h不同道路类型w下的驾驶风险F_w，h为：

经所述步骤3云端服务器根据步骤2的驾驶行为判定结果，对行车风险做出定量评价，所计算出的在时段h下，道路类型w下的驾驶风险定量评价值。

所述不同道路类型下激进驾驶概率与超激进驾驶的概率为：

经所述步骤2计算出在时间段h下，道路类型w下，识别出的正常驾驶次数为N_1，w，h，激进驾驶的次数为N_2，w，h，超激进的驾驶次数为N_3，w，h；

其中U_J，w，h为在时间段h下，道路类型w下激进驾驶概率、U_C，w，h为在时间段h下，道路类型w下超激进驾驶概率，J与C分别用于区分两种不同的驾驶概率；

步骤4中所述高维度特征职业画像为：

驾驶员在时间段h下、呈现出驾驶风格为保守，在道路类型w下的激进驾驶概率为U_J,w,h，超激进驾驶概率为U_C,w,h，驾驶风险为F_w,h。

步骤5中所述云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告为：

将经所述步骤1到步骤4得出驾驶员时间维度画像、道路维度画像、车辆维度画像、高维度特征职业画像结果，以文字与图片形式发送到驾驶员车辆端，并通过车载显示器显示。

本发明的有益效果为：本发明提供了道路运输车辆职业驾驶员画像风险评价方法及系统，对车辆行驶的每一时刻下的道路类型、限速信息、速度大小、加速度大小、方向盘动作、跟车距离同时进行衡量分析，对驾驶员超速、急转弯、急加速、急减速、跟车距离过小等危险动作进行识别检测，具体细化判定驾驶员所产生的激进驾驶行为与超激进驾驶行为，对驾驶员总体驾驶风格和倾向以及驾驶风险程度进行了分析评价，由此可给出驾驶员具体产生不安全驾驶动作的具体时间、地点以及所存在的风险大小，使得驾驶员可以根据报告对自己的驾驶习惯和不良驾驶动作进行纠正，提前识别车辆行驶的潜在风险因素，降低交通事故发生率。

附图说明

图1：为本发明的系统结构示意图。

图2：为本发明方法流程图。

图3：为车辆维度驾驶员画像图。

图4：为车时间维度驾驶员画像图。

图5：为道路维度驾驶员画像图。

具体实施方案

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明的系统结构示意图，道路运输车辆职业驾驶员画像风险评价方法及系统，包括：包括：汽车中央处理器、云端服务器、距离传感器、速度传感器、加速度传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、GPS定位器、方向盘转角检测器；

所述的汽车中央处理器分别与所述的距离传感器、速度传感器、加速度传感器、方向盘转角检测器、GPS定位器、车载显示器、云端无线传输模块、路基信号接收器通过导线连接；所述云端无线传输模块与所述云端服务器通过无线通信方式连接；所述路基信号接收器与所述路基信号发射器通过无线通信方式连接。

所述汽中央处理器选型为CP80617；

所述云端服务器选型为华为通用型S6云服务器；

所述路基接信号接收器选型BF-686；

所述路基信号发射器选型为25-0571-0059；

所述速度传感器选型Bi5-M18-AZ3X；

所述距离传感器选型为TF02；

所述车载显示器选型为SPD-043-AIO；

所述云端无线传输模块选型为82C250；

所述加速度传感器选型为标准压电式1A0001；

所述方向盘转角检测器选型为WJL880。

所述GPS定位器选型为中必达G17O；

所述的距离传感器安装于车辆前端中部保险杆处，用于探测车辆的跟车距离，将实时采集的车辆的跟车距离传输至所述汽车中央处理器；

所述的速度传感器安装在变速器输出轴上，用于实时采集车辆的行驶速度，将实时采集的车辆的行驶速度传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的行驶速度传输至所述云端无线传输模块；

所述的加速度传感器左右对称安装在车辆中控台，用于实时采集车辆加速度，将实时采集的车辆的加速度传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的加速度传输至所述云端无线传输模块；

所述的方向盘转角检测器安装在车辆方向盘下端，用于实时采集车辆的方向盘转角，将实时采集的车辆的方向盘转角传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的方向盘转角传输至所述云端无线传输模块；

所述的GPS定位器安装在车辆中控台，用于实时采集车辆的经纬度信息，将实时采集的车辆的经纬度信息传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的经纬度信息传输至所述云端无线传输模块；

所述的路基信号发射器设置在道路上并沿路铺设，用于实时采集道路类型及道路限速信息；

所述的路基信号接收器安装在车辆前方左右探照灯上部处，用于接收实时采集的道路类型、实时采集的道路限速信息，将实时采集的道路类型、实时采集的道路限速信息传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的道路类型、实时采集的道路限速信息传输至所述云端无线传输模块；

所述的云端无线传输模块安装在车辆上，用于将实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的车辆的方向盘转角、实时采集的道路类型、实时采集的道路限速信息无线传输至所述云端服务器，接收所述云端服务器下发的数据；

所述的车载显示器安装在汽车中控台中部，用于向驾驶员提供信息，并以声音、文字图像形式表式；

所述的云端服务器根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向盘转角、实时采集的道路限速信息，进行综合处理分析，计算驾驶风格评价参数，对驾驶员每一个窗口下的驾驶行为进行识别，对驾驶员驾驶分格进行评价，并计算驾驶员驾驶风险，生成分析评价报告，将分析评价报告通过云端传输模块发送给车辆驾驶员；

所述车辆的经纬度信息由车辆的经度、车辆的纬度构成；

本发明方法的技术方案为道路运输车辆职业驾驶员画像风险评价方法及系统，包括以下步骤：

步骤1：云端服务器根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向盘转角、实时采集的道路限速信息构建车辆行驶数据集，根据实时采集的车辆经纬度信息分别计算实时车辆转向角、实时车辆转向角变化率，根据实时采集的车辆速度计算实时速度波动率，根据实时采集的车辆加速度、实时采集的方向盘转角分别计算实时加速度变化率、实时方向盘转角变化率，进一步构建驾驶行为评价数据集；

步骤1中所述车辆行驶数据为：

data_i＝{d_i，v_i，a_i，GPSi，w_i，v_limit，i，b_i}

GPS_i＝{p_lat，i，p_lon，i，t_i}

i∈[1，K]

其中，data_i表示第i个时刻的车辆行驶数据，w_i表示所述路基信号接收器采集的第i个时刻的道路类型，v_limit，i表示所述路基信号接收器采集的道路限速，v_i表示所述速度传感器采集的第i个时刻的车辆速度，d_i表示所述距离传感器采集的第i个时刻的跟车距离，a_i表示所述加速度传感器采集的第i个时刻的车辆加速度，b_i表示所述方向盘转角检测器采集的第i个时刻的方向盘转角，GPS_i表示第i个时刻采集的车辆的经纬度信息，p_lat，i表示所述GPS定位器表示第i个时刻采集的车辆经度，p_lon，i表示第i个时刻采集的纬度坐标，t_i表示第i个时刻采集的GPS时间，K＝100000为采样时刻的数量；

步骤1所述根据实时采集的车辆经纬度信息分别计算实时车辆转向角、实时车辆转向角变化率为：

y_i＝sin(p_lon，i+1-p_lon，i)*cos p_lat，i

x_i＝cosp_lat，i*sin p_lat，i-sin p_lat，i×cos p_lat，i+1×cos(p_lon，i+1-p_lon，i)

z_i＝arctan(y_i，x_i)

i∈[1，K]

其中，p_lat，i+1表示所述GPS定位器第i+1个时刻采集的车辆经度，p_1on，i+1表示第i+1个时刻采集的车辆纬度坐标，t_i+1表示第i+1个时刻采集的GPS时间，y_i、x_i分别为所述GPS定位器第i时刻采集的轨迹点p_i(p_lat，i，p_lon，i)与i+1个时刻采集的轨迹点p_i+1(p_lat，i+1，p_lon，i+1)两点形成的连线与坐标轴下的分量，z_i为计算出的第i个采样时刻下车辆的方位角，zc_i为计算出的第i个采样时刻车辆的方位角的变化率，K＝100000为采样时刻的数量；

步骤1所述根据实时采集的的车辆速度计算实时速度波动率为：

i∈[1，10000]

其中，v_i-1为所述速度传感器第i-1时刻采集车辆速度，r_i为第i时刻车辆速度v_i与第i-1时刻车辆速度v_i-1的比例对数，

为r_i相邻两数之和的平均值，c为整数c∈(-1，1)，V_f，i为计算出的第i时刻对应的速度波动率，K＝10000为采样时刻的数量；

步骤1所述根据实时采集的车辆加速度、实时采集的方向盘转角分别计算实时加速度变化率、实时方向盘转角变化率为：

i∈[1，K]

其中，a_i+1为所述加速度传感器第i+1时刻采集的车辆加速度，t_i+1为所述第i+1时刻所述GPS采集的时间，Δa_i为计算出的第i个时刻的加速度变化率，b_i+1为所述方向盘转角检测器第i+1时刻采集的方向盘转角，Δb_i为计算出的第i个时刻的方向盘转角变化率，K＝100000为采样时刻的数量；

步骤1中所述构建驾驶行为评价数据集为：

G_i＝{zc_i，V_f，i，Δa_i，Δb_i}

i∈[1，K]

其中，zc_i为计算出的第i时刻车辆方位角变化率，V_f，i为计算出的第i时刻车辆速度波动率，Δb_i为计算出的计算的第i时刻车辆方向盘转角变化率，Δa_i为计算出的第i时刻车辆加速度变化率，K＝100000为采样时刻的数量；

步骤2：云端服务器根据构建的车辆行驶数据集与驾驶行为评价数据集识别每个时刻下驾驶员超速、驾驶员急变速、驾驶员急转向、驾驶员急加速、驾驶员急刹车、驾驶员危险车距等驾驶动作，根据识别结果对驾驶行为进行判定，判定为正常驾驶、激进驾驶、超激进驾驶；

步骤2中所述识别每个时刻下驾驶员是否超速为：

所述速度传感器第i时刻采集的车辆速度为v_i，所述道路接收器第i时刻采集的道路限速为v_limit，i，若v_i＞v_limit，i，则检测为超速，i∈[1，100000]；

步骤2中所述检测每个时刻下驾驶员是否急变速为：

计算出的第i个时刻的速度波动率为V_f，i，若V_f，i＞6.5，则识别为急变速；

步骤2中所述识别每个时刻下驾驶员急转向为：

计算出的第i个时刻的方位角变化率为zc_i、计算出的第i个时刻的方向盘转角变化率为Δb_i；

若|zc_i|＞2rad/s^2且

则检测为急转向；

作为优选，步骤2中所述识别每个时刻下驾驶员是否加急速为：

所述加速度传感器第i时刻采集的车辆加速度为a_i，所述速度传感器第i时刻采集的速度为v_i，若：

步骤2中所述检测每个时刻下驾驶员是否急减速为：若：

则识别为急减速车；

步骤2中所述识别驾驶员每个时刻下是否危险车距为：

所述速度传感器第i时刻采集的车辆速度为v_i，所述距离传感器第i时刻采集的前车距离为d_i，若：

则判定为危险车距；

其中，g为重力加速度；

步骤2中所述根据识别结果对驾驶行为进行判定得到对应的判定结果为：

若第i个时刻下，未识别到超速、急变速、急加速、急减速、急转弯，危险车距则判定为正常驾驶；

若第i个时刻下，识别到超速、急变速、急加速、急减速、急转弯，危险车距中一种驾驶动作，则判定为激进驾驶；

若第i个时刻下，识别到超速、急变速、急加速、急减速、急转弯，危险车距中任意两种或两种以上的驾驶动作，则判定为超激进驾驶；

步骤3：云端服务器根据步骤2的驾驶行为判定结果，对驾驶员驾驶风格做出评价，对行车风险做出定量评价；

步骤3中所述根据步骤2的驾驶行为判定结果，对驾驶员驾驶风格做出评价为：

分别统计正常驾驶的次数、激进驾驶的次数、超激进驾驶的次数；

所述正常驾驶的次数为N₁＝87000次；

所述激进驾驶的次数为N₂＝12000次；

所述超激进驾驶的次数为N₃＝1000次；

N₁+N₂+N₃＝K，K＝100000为采样时刻的数量；

若

且

则判定为保守型驾驶员；

若

且

则判定为一般驾驶员；

若

且

则判定为激进驾驶员；

其中，N₁为经所述步骤2识别的驾驶员正常驾驶的次数，N₂为经所述步骤2识别的驾驶员激进驾驶的次数，N₃为经所述步骤2识别的驾驶员超激进驾驶的次数，K为采样时刻的数量；

步骤3中所述根据步骤2的驾驶行为判定结果，对驾驶员驾驶风险进行定量评价为：

经所述步骤2根据检测结果对驾驶行为进行判定，若第i个时刻下驾驶行为被判定为激进或超激进，则计算该驾驶行为下车辆的风险值，计算公式如下：

其中，f_i为经所述步骤2被判定为激进与超激进驾驶行为下的风险值；

通过计算出的每个被判定为激进与超激进驾驶行为下的风险值f_i，计算驾驶员的此次行车的风险定量评价值，

其中，N₂为激进驾驶次数、N₃为超激进驾驶次数；

步骤4：云端根据步骤1构建的驾驶行为评价数据集对驾驶员进行车辆维度的画像，根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行时间维度画像与道路维度画像，根据步骤2的驾驶行为判定结果与步骤3的驾驶风格与驾驶风险评价结果对驾驶员进行高维度特征职业画像；

步骤4中所述根据步骤1构建的驾驶行为数据集与驾驶行为评价数据集对驾驶员进行车辆维度的画像为：

根据所述步骤1构建的驾驶行为评价数据集G_i＝{zc_i,V_f,i,Δa_i,Δb_i}，计算平均加速度变化率

平均方向盘转角变化率

速度波动率平均值

方位角变化率平均值

将计算的平均方向盘转角变化率

速度波动率平均值

方位角变化率平均值

分别为雷达图的四个指标生成驾驶倾向雷达图。

所述计算平均加速度变化率

平均方向盘转角变化率

平均速度波动率

平均方位角变化率

的计算公式如下：

其中x_i为第i个采样时刻的任意值，

为其平均值，N＝100000为采样个数。

步骤4中所述根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行时间维度画像为：

根据所述步骤1构建的驾驶数据集data_i＝{d_i，v_i，a_i，GPS i，w_i，v_limit，i，b_i}，计算每天驾驶员行驶次数、每天里程、每天平均车速、每天平均加速度、每天平均跟车距离、每天平均掉头速度、每天平均转弯速度；根据所述步骤2识别的驾驶员每天激进驾驶次数、超激进驾驶次数，将以上变量按照天为单位进行生成时间维度的驾驶员驾驶行为画像。

步骤4中所述根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行道路维度画像为：

根据所述步骤1构建的驾驶数据集datai＝{d_i，v_i，a_i，GPSi，w_i，v_limit，i，b_i}以道路类型w为分类标准，计算驾驶员在w道路类型下的平均车速

平均跟车距离

平均掉头速度

平均转弯速度

根据所述步骤2驾驶行为识别结果计算驾驶员在w道路类型激进驾驶次数N₂、超激进驾驶次数N₃，并按道路类型w生成道路维度w下的驾驶员画像。

步骤4中所述根据步骤2的驾驶行为判定结果与步骤3的驾驶风格与驾驶风险评价结果对驾驶员进行高维度特征职业画像为：

根据时间，将一天分为L＝4个时段，h＝1为L中第一个时段，h∈[1，L]。经所述步骤3对驾驶员驾驶风格进行判定，分别计算出驾驶员在以上几个时间段下所呈现出的驾驶风格。经所述步骤3对驾驶员驾驶风险进行定量评价，计算出驾驶员在h时段下，不同道路类型w下的驾驶风险定量评价值F_w，h，并根据所述步骤2对驾驶员驾驶行为进行判别，计算驾驶员在以上时间段，不同道路类型下激进驾驶的概率与超激进驾驶的概率；

所述在时段h不同道路类型w下的驾驶风险F_w，h为：

经所述步骤3云端服务器根据步骤2的驾驶行为判定结果，对行车风险做出定量评价，所计算出的在时段h＝1下，道路类型w下的驾驶风险定量评价值。

所述不同道路类型下激进驾驶概率与超激进驾驶的概率为：

经所述步骤2计算出在时间段h＝1下，道路类型w下，识别出的正常驾驶次数为N_1，w，h＝500，激进驾驶的次数为N_2，w，h＝300，超激进的驾驶次数为N_3，w，h＝100；

其中U_J，w，h为在时间段h下，道路类型w下激进驾驶概率、U_C，w，h为在时间段h下，道路类型w下超激进驾驶概率，J与C分别用于区分两种不同的驾驶概率；

步骤4中所述高维度特征职业画像为：

驾驶员在时间段h＝1下、呈现出驾驶风格为保守，在道路类型w为城市道路下的激进驾驶概率为U_J，w，h＝33％，超激进驾驶概率为U_C，w，h＝11％，驾驶风险为F_w，h＝0.8。

步骤5：云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告；

步骤5中所述云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告为：

将经所述步骤1到步骤4得出驾驶员时间维度画像、道路维度画像、车辆维度画像、高维度特征职业画像结果，以文字与图片形式发送到驾驶员车辆端，并通过车载显示器显示。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

尽管本文较多地使用了云端服务器、距离传感器、速度传感器、车载显示器、路基信号接收器、路基信号发射器、GPS定位器、云端无线传输模块等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质，把它们解释成任何一种附加的限制都是与本发明精神相违背的。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于车辆信息采集系统的驾驶风险评价特征画像方法，其特征在于，

所述车辆信息采集系统包括：汽车中央处理器、云端服务器、距离传感器、速度传感器、加速度传感器、车载显示器、路基信号接收器、路基信号发射器、云端无线传输模块、GPS定位器、方向盘转角检测器；

所述的汽车中央处理器分别与所述的距离传感器、速度传感器、加速度传感器、方向盘转角检测器、GPS定位器、车载显示器、云端无线传输模块、路基信号接收器通过导线连接；所述云端无线传输模块与所述云端服务器通过无线通信方式连接；所述路基信号接收器与所述路基信号发射器通过无线通信方式连接；

所述的距离传感器安装于车辆前端中部保险杆处，用于探测车辆的跟车距离，将实时采集的车辆的跟车距离传输至所述汽车中央处理器；

所述的速度传感器安装在变速器输出轴上，用于实时采集车辆的行驶速度，将实时采集的车辆的行驶速度传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的行驶速度传输至所述云端无线传输模块；

所述的加速度传感器左右对称安装在车辆中控台，用于实时采集车辆加速度，将实时采集的车辆的加速度传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的加速度传输至所述云端无线传输模块；

所述的方向盘转角检测器安装在车辆方向盘下端，用于实时采集车辆的方向盘转角，将实时采集的车辆的方向盘转角传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的方向盘转角传输至所述云端无线传输模块；

所述的GPS定位器安装在车辆中控台，用于实时采集车辆的经纬度信息，将实时采集的车辆的经纬度信息传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的车辆的经纬度信息传输至所述云端无线传输模块；

所述的路基信号发射器设置在道路上并沿路铺设，用于实时采集道路类型及道路限速信息；

所述的路基信号接收器安装在车辆前方左右探照灯上部处，用于接收实时采集的道路类型、实时采集的道路限速信息，将实时采集的道路类型、实时采集的道路限速信息传输至所述汽车中央处理器，所述汽车中央处理器将实时采集的道路类型、实时采集的道路限速信息传输至所述云端无线传输模块；

所述的云端无线传输模块安装在车辆上，用于将实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的车辆的方向盘转角、实时采集的道路类型、实时采集的道路限速信息无线传输至所述云端服务器，接收所述云端服务器下发的数据；

所述的车载显示器安装在汽车中控台中部，用于向驾驶员提供信息，并以声音、文字图像形式表式；

所述的云端服务器根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向盘转角、实时采集的道路限速信息，进行综合处理分析，计算驾驶风格评价参数，对驾驶员每一个时刻下的驾驶行为进行识别，对驾驶员驾驶分格进行评价，并计算驾驶员驾驶风险，生成分析评价报告，将分析评价报告通过云端传输模块发送给车辆驾驶员；

所述车辆的经纬度信息由车辆的经度、车辆的纬度构成；

所述驾驶风险评价特征画像方法，包括以下步骤：

步骤1：云端服务器根据实时采集的车辆的跟车距离、实时采集的车辆的行驶速度、实时采集的车辆的加速度、实时采集的车辆的经纬度信息、实时采集的道路类型、实时采集的车辆的方向盘转角、实时采集的道路限速信息构建车辆行驶数据集，根据实时采集的车辆经纬度信息分别计算实时车辆转向角、实时车辆转向角变化率，根据实时采集的车辆速度计算实时速度波动率，根据实时采集的车辆加速度、实时采集的方向盘转角分别计算实时加速度变化率、实时方向盘转角变化率，进一步构建驾驶行为评价数据集；

步骤2：云端服务器根据构建的车辆行驶数据集与驾驶行为评价数据集识别每个时刻下驾驶员超速、驾驶员急变速、驾驶员急转向、驾驶员急加速、驾驶员急刹车、驾驶员危险车距等驾驶动作，根据识别结果对驾驶行为进行判定，判定为正常驾驶、激进驾驶、超激进驾驶；

步骤3：云端服务器根据步骤2的驾驶行为判定结果，对驾驶员驾驶风格做出评价，对行车风险做出定量评价；

步骤4：云端根据步骤1构建的驾驶行为评价数据集对驾驶员进行车辆维度的画像，根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行时间维度画像与道路维度画像，根据步骤2的驾驶行为判定结果与步骤3的驾驶风格与驾驶风险评价结果对驾驶员进行高维度特征职业画像；

步骤5：云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告。

2.根据权利要求1所述的基于车辆信息采集系统的驾驶风险评价特征画像方法，其特征在于，步骤1中所述车辆行驶数据为：

data_i＝{d_i，v_i，a_i，GPSi，w_i，v_limit，i，b_i}

GPS_i＝{p_lat，i，p_lon，i，t_i}

i∈[1，K]

其中，data_i表示第i个时刻的车辆行驶数据，w_i表示所述路基信号接收器采集的第i个时刻的道路类型，v_limit，i表示所述路基信号接收器采集的道路限速，v_i表示所述速度传感器采集的第i个时刻的车辆速度，d_i表示所述距离传感器采集的第i个时刻的跟车距离，a_i表示所述加速度传感器采集的第i个时刻的车辆加速度，b_i表示所述方向盘转角检测器采集的第i个时刻的方向盘转角，GPS_i表示第i个时刻采集的车辆的经纬度信息，p_lat，i表示所述GPS定位器表示第i个时刻采集的车辆经度，p_lon，i表示第i个时刻采集的纬度坐标，t_i表示第i个时刻采集的GPS时间，K为采样时刻的数量；

步骤1所述根据实时采集的车辆经纬度信息分别计算实时车辆转向角、实时车辆转向角变化率为：

y_i＝sin(p_lon，i+1-p_lon，i)*cos p_lat，i

x_i＝cosp_lat，i*sin p_lat，i-sin p_lat，i×cos p_lat，i+1×cos(p_lon，i+1-p_lon，i)

z_i＝arctan(y_i，x_i)

i∈[1，K]

其中，p_lat，i+1表示所述GPS定位器第i+1个时刻采集的车辆经度，p_lon，i+1表示第i+1个时刻采集的车辆纬度坐标，t_i+1表示第i+1个时刻采集的GPS时间，y_i、x_i分别为所述GPS定位器第i时刻采集的轨迹点p_i(p_lat，i，p_lon，i)与i+1个时刻采集的轨迹点p_i+1(p_lat，i+1，p_lon，i+1)两点形成的连线与坐标轴下的分量，z_i为计算出的第i个采样时刻下车辆的方位角，zc_i为计算出的第i个采样时刻车辆的方位角的变化率，K为采样时刻的数量；

步骤1所述根据实时采集的的车辆速度计算实时速度波动率为：

i∈[1，K]

其中，v_i-1为所述速度传感器第i-1时刻采集车辆速度，r_i为第i时刻车辆速度v_i与第i-1时刻车辆速度v_i-1的比例对数，

为r_i相邻两数之和的平均值，c为整数c∈(-1，1)，V_f，i为计算出的第i时刻对应的速度波动率，K为采样时刻的数量；

步骤1所述根据实时采集的车辆加速度、实时采集的方向盘转角分别计算实时加速度变化率、实时方向盘转角变化率为：

i∈[1，K]

其中，a_i+1为所述加速度传感器第i+1时刻采集的车辆加速度，t_i+1为所述第i+1时刻所述GPS采集的时间，Δa_i为计算出的第i个时刻的加速度变化率，b_i+1为所述方向盘转角检测器第i+1时刻采集的方向盘转角，Δb_i为计算出的第i个时刻的方向盘转角变化率，K为采样时刻的数量；

步骤1中所述进一步构建驾驶行为评价数据集为：

G_i＝{zc_i，V_f，i，Δa_i，Δb_i}

i∈[1，K]

其中，zc_i为计算出的第i时刻车辆方位角变化率，V_f，i为计算出的第i时刻车辆速度波动率，Δb_i为计算出的计算的第i时刻车辆方向盘转角变化率，Δa_i为计算出的第i时刻车辆加速度变化率，K为采样时刻的数量。

3.根据权利要求1所述的基于车辆信息采集系统的驾驶风险评价特征画像方法，其特征在于，步骤2中所述检测每个时刻下驾驶员是否超速为：

所述速度传感器第i时刻采集的车辆速度为vi，所述道路接收器第i时刻采集的道路限速为v_limit，i，若v_i＞v_limit，i，则检测为超速，i∈[1，K]，K为采样时刻的数量；

步骤2中所述检测每个时刻下驾驶员是否急变速为：

计算出的第i个时刻的速度波动率为V_f，i，若V_f，i＞6.5，则识别为急变速；

步骤2中所述检测每个时刻下驾驶员急转向为：

计算出的第i个时刻的方位角变化率为zc_i、计算出的第i个时刻的方向盘转角变化率为Δb_i；

若|zc_i|＞2rad/s^2且

则检测为急转向；

步骤2中所述检测每个时刻下驾驶员是否加急速为：

所述加速度传感器第i时刻采集的车辆加速度为a_i，所述速度传感器第i时刻采集的速度为v_i，若：

步骤2中所述检测每个时刻下驾驶员是否急减速为：若：

则识别为急减速车；

步骤2中所述检测驾驶员每个时刻下是否危险车距为：

所述速度传感器第i时刻采集的车辆速度为vi，所述距离传感器第i时刻采集的前车距离为d_i，若：

则判定为危险车距；

其中，g为重力加速度；

步骤2中所述根据检测结果对驾驶行为进行判定得到对应的判定结果为：

若第i个时刻下，未识别到超速、急变速、急加速、急减速、急转弯，危险车距则判定为正常驾驶；

若第i个时刻下，识别到超速、急变速、急加速、急减速、急转弯，危险车距中一种驾驶动作，则判定为激进驾驶；

若第i个时刻下，识别到超速、急变速、急加速、急减速、急转弯，危险车距中任意两种或两种以上的驾驶动作，则判定为超激进驾驶。

4.根据权利要求1所述的基于车辆信息采集系统的驾驶风险评价特征画像方法，其特征在于，步骤3中所述根据步骤2的驾驶行为判定结果，对驾驶员驾驶风格做出评价为：

分别统计正常驾驶的次数、激进驾驶的次数、超激进驾驶的次数；

所述正常驾驶的次数为N₁次；

所述激进驾驶的次数为N₂次；

所述超激进驾驶的次数为N₃次；

N₁+N₂+N₃＝N，N为采样时刻的数量；

若

且

则判定为保守型驾驶员；

若

且

则判定为一般驾驶员；

若

且

则判定为激进驾驶员；

其中，N₁为经所述步骤2识别的驾驶员正常驾驶的次数，N₂为经所述步骤2识别的驾驶员激进驾驶的次数，N₃为经所述步骤2识别的驾驶员超激进驾驶的次数，N为采样时刻的数量；

步骤3中所述根据步骤2的驾驶行为判定结果，对驾驶员驾驶风险进行定量评价为：

经所述步骤2根据检测结果对驾驶行为进行判定，若第i个时刻下驾驶行为被判定为激进或超激进，则计算该驾驶行为下车辆的风险值，计算公式如下：

其中，f_i为经所述步骤2被判定为激进与超激进驾驶行为下的风险值；

通过计算出的每个被判定为激进与超激进驾驶行为下的风险值f_i，计算驾驶员的此次行车的风险定量评价值，

其中，N₂为激进驾驶次数、N₃为超激进驾驶次数。

5.根据权利要求1所述的基于车辆信息采集系统的驾驶风险评价特征画像方法，其特征在于，步骤4中所述根据步骤1构建的驾驶行为数据集与驾驶行为评价数据集对驾驶员进行车辆维度的画像为：

根据所述步骤1构建的驾驶行为评价数据集G_i＝{zc_i，V_f，i，Δa_i，Δb_i}，计算平均加速度变化率

平均方向盘转角变化率

速度波动率平均值

方位角变化率平均值

将计算的平均方向盘转角变化率

速度波动率平均值

方位角变化率平均值

分别为雷达图的四个指标生成驾驶倾向雷达图；

所述计算平均加速度变化率

平均方向盘转角变化率

平均速度波动率

平均方位角变化率

的计算公式如下：

其中x_i为第i个采样时刻的任意值，

为其平均值，N为采样个数；

步骤4中所述根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行时间维度画像为：

根据所述步骤1构建的驾驶数据集data_i＝{d_i，v_i，a_i，GPSi，w_i，v_limit，i，b_i}，计算每天驾驶员行驶次数、每天里程、每天平均车速、每天平均加速度、每天平均跟车距离、每天平均掉头速度、每天平均转弯速度；根据所述步骤2识别的驾驶员每天激进驾驶次数、超激进驾驶次数，将以上变量按照天为单位进行生成时间维度的驾驶员驾驶行为画像；

步骤4中所述根据步骤1构建的驾驶行为数据集与步骤2的驾驶行为判定结果对驾驶员进行道路维度画像为：

根据所述步骤1构建的驾驶数据集data_i＝{d_i，v_i，a_i，GPSi，w_i，v_limit，i，b_i}以道路类型w为分类标准，计算驾驶员在w道路类型下的平均车速

平均跟车距离

平均掉头速度

平均转弯速度

根据所述步骤2驾驶行为识别结果计算驾驶员在w道路类型激进驾驶次数N₂、超激进驾驶次数N₃，并按道路类型w生成道路维度w下的驾驶员画像；

步骤4中所述根据步骤2的驾驶行为判定结果与步骤3的驾驶风格与驾驶风险评价结果对驾驶员进行高维度特征职业画像为：

根据时间，将一天分为L个时段，h为L任意一个时段，h∈[1，L]；经所述步骤3对驾驶员驾驶风格进行判定，分别计算出驾驶员在以上几个时间段下所呈现出的驾驶风格；经所述步骤3对驾驶员驾驶风险进行定量评价，计算出驾驶员在h时段下，不同道路类型w下的驾驶风险定量评价值F_w，h，并根据所述步骤2对驾驶员驾驶行为进行判别，计算驾驶员在以上时间段，不同道路类型下激进驾驶的概率与超激进驾驶的概率；

所述在时段h不同道路类型w下的驾驶风险F_w，h为：

经所述步骤3云端服务器根据步骤2的驾驶行为判定结果，对行车风险做出定量评价，所计算出的在时段h下，道路类型w下的驾驶风险定量评价值；

所述不同道路类型下激进驾驶概率与超激进驾驶的概率为：

经所述步骤2计算出在时间段h下，道路类型w下，识别出的正常驾驶次数为N_1，w，h，激进驾驶的次数为N_2，w，h，超激进的驾驶次数为N_3，w，h；

其中U_J，w，h为在时间段h下，道路类型w下激进驾驶概率、U_C，w，h为在时间段h下，道路类型w下超激进驾驶概率，J与C分别用于区分两种不同的驾驶概率；

步骤4中所述高维度特征职业画像为：

驾驶员在时间段h下、呈现出驾驶风格为保守，在道路类型w下的激进驾驶概率为U_J，w，h，超激进驾驶概率为U_C，w，h，驾驶风险为F_w，h；

步骤5中所述云端服务器通过车载显示器文字和图片信息向驾驶员反馈驾驶分析评价报告为：

将经所述步骤1到步骤4得出驾驶员时间维度画像、道路维度画像、车辆维度画像、高维度特征职业画像结果，以文字与图片形式发送到驾驶员车辆端，并通过车载显示器显示。

Images