CN114897312A - 驾驶行为评分方法、装置、设备及存储介质 - Google Patents
驾驶行为评分方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114897312A CN114897312A CN202210403263.1A CN202210403263A CN114897312A CN 114897312 A CN114897312 A CN 114897312A CN 202210403263 A CN202210403263 A CN 202210403263A CN 114897312 A CN114897312 A CN 114897312A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- behavior
- driving
- determining
- score
- 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.)
- Pending
Links
- 238000013077 scoring method Methods 0.000 title claims abstract description 24
- 230000006399 behavior Effects 0.000 claims abstract description 773
- 238000000034 method Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 description 191
- 230000001133 acceleration Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种驾驶行为评分方法、装置、设备及存储介质。该方法包括:确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;根据至少一个所述评分分值,确定所述待评价行程对应驾驶用户的驾驶行为评分。本申请实施例提高了驾驶行为评分的准确度。
Description
技术领域
本发明涉及车联网技术领域,尤其涉及一种驾驶行为评分方法、装置、设备及存储介质。
背景技术
近年来,车联网技术迅速发展,已然成为汽车科技领域的重要体现方式。驾驶行为分析或评价服务已逐渐成为车联网服务的主推功能之一。
在现有技术中,通常仅对各别驾驶行为进行评分,评分内容不全面,且对驾驶行为的评分方式不够准确,导致评分结果的精确度较低。
发明内容
本发明提供了一种驾驶行为评分方法、装置、设备及存储介质,以提高驾驶行为评分的准确度。
根据本发明的一方面,提供了一种驾驶行为评分方法,该方法包括:
确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;
针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;
根据至少一个所述评分分值,确定所述待评价行程对应驾驶用户的驾驶行为评分。
根据本发明的另一方面,提供了一种驾驶行为评分装置,该装置包括:
驾驶行为类别确定模块,用于确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;
评分分值确定模块,用于针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;
驾驶行为评分确定模块,用于根据至少一个所述评分分值,确定所述待评价行程对应驾驶用户的驾驶行为评分。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的驾驶行为评分方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的驾驶行为评分方法。
本发明实施例方案通过确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;根据至少一个评分分值,确定待评价行程对应驾驶用户的驾驶行为评分。上述方案通过采用不同驾驶行为类别对应的驾驶行为评分规则,确定相应驾驶行为类别下各驾驶行为分别对应的评分分值,实现了根据驾驶行为的行为特征确定的驾驶行为类别下,不同驾驶行为评分规则,有针对性地确定驾驶行为的评分分值,相对于现有技术的对于不同驾驶行为采用相同的驾驶行为评分规则确定的评分分值而言,本发明确定驾驶行为对应的评分分值的结果准确度更高。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是根据本发明实施例一提供的一种驾驶行为评分方法的流程图;
图2是根据本发明实施例二提供的一种驾驶行为评分方法的流程图;
图3是根据本发明实施例三提供的一种驾驶行为评分方法的流程图;
图4是根据本发明实施例四提供的一种驾驶行为评分装置的结构示意图;
图5是实现本发明实施例的驾驶行为评分方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“候选”、“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种驾驶行为评分方法的流程图,本实施例可适用于对用户行程中的驾驶行为进行评分的情况,该方法可以由驾驶行为评分装置来执行,该驾驶行为评分装置可以采用硬件和/或软件的形式实现,该驾驶行为评分装置可配置于电子设备中。如图1所示,该方法包括:
S110、确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别。
其中,待评价行程可以是驾驶用户完成单次行程后,待进行驾驶行为评分的行程。驾驶行为数据可以是驾驶用户在驾驶过程中产生的需要进行评分的数据。例如,驾驶行为数据可以包括加速、减速、转向、超速、高速过弯、弯道制动、怠速、驾驶预判、AEB(Autonomous Emergency Braking,自动制动系统)触发、FCW(Forward CollisionWarning,前碰撞预警系统)、ESP(Electronic Stability Program,车身电子稳定系统)触发、LDW(Lane Departure Warning,车道偏离报警)触发、平稳加速、平稳减速、深夜驾驶和疲劳驾驶等。
驾驶行为类别可以是由相关技术人员根据驾驶行为特征,预先为至少一种驾驶行为划分得到的类别。例如,驾驶行为类别可以包括事件型驾驶行为类别、连续性驾驶行为类别和指示性驾驶行为类别。其中,事件型驾驶行为类别中的驾驶行为可以是基于事件频次发生的驾驶行为;连续型驾驶行为类别中的驾驶行为可以是连续性或持续性事件的驾驶行为;指示性驾驶行为类别中的驾驶行为可以是基于行为是否发生的具有二分类特点的驾驶行为。
其中,事件型驾驶行为类别中可以包括加速、减速、转向、超速、高速过弯、弯道制动、怠速、驾驶预判、AEB触发、FCW、ESP触发、LDW触发等驾驶行为中的至少一种。连续型驾驶行为类别中可以包括平稳驾驶和平稳减速等驾驶行为中的至少一种。指示性驾驶行为类别中可以包括深夜驾驶和疲劳驾驶等驾驶行为中的至少一种。
需要说明的是,由于不同驾驶行为的行为特征不同,因此,可以根据驾驶行为的行为特征,预先为不同驾驶行为进行分类,确定不同驾驶行为对应的驾驶行为类别,具体可以是将不同驾驶行为划分成至少两个驾驶行为类别,从而根据不同驾驶行为对应的驾驶行为类别,确定驾驶用户的待评价行程中,驾驶行为数据中至少一个驾驶行为所属驾驶行为类别。
S120、针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值。
其中,驾驶行为评分规则可以是用于对驾驶用户的驾驶行为进行评分的规则。不同驾驶行为类别对应驾驶行为评分规则不同。需要说明的是,驾驶行为类别下的至少一个驾驶行为分别有对应的评分分值。例如,若驾驶行为类别A包括驾驶行为a1、驾驶行为a2和驾驶行为a3,则驾驶行为a1、驾驶行为a2和驾驶行为a3分别对应一个评分分值。
示例性的,若驾驶行为类别包括驾驶行为类别A和驾驶行为类别B。针对驾驶行为类别A下的驾驶行为,驾驶行为评分规则可以是确定驾驶行为在待评价行程中的发生次数,根据发生次数,基于预设的总分值,确定驾驶行为类别A下驾驶行为对应的评分分值。针对驾驶行为类别B下的驾驶行为,驾驶行为评分规则可以是确定驾驶行为在待评价行程中的行为发生时长,根据待评价行程的行程总时长,确定驾驶行为类别B下驾驶行为对应的评分分值。
S130、根据至少一个评分分值,确定待评价行程对应驾驶用户的驾驶行为评分。
其中,驾驶行为评分可以是各驾驶行为类别下,不同驾驶行为对应的评分分值之和。例如,若存在驾驶行为类别A和驾驶行为类别B,驾驶行为类别A下包括驾驶行为a1和驾驶行为a2;驾驶行为类别B下包括驾驶行为b1和驾驶行为b2,则待评价行程对应的驾驶用户的驾驶行为评分为驾驶行为a1、驾驶行为a2、驾驶行为b1、驾驶行为b2对应的评分分值之和。
可以由相关技术人员预先为不同驾驶行为类别下的驾驶行为设定不同的权重值。根据至少一个评分分值,基于预设的权重值,确定待评价行程对应驾驶用户的驾驶行为评分。其中,可以为不同驾驶行为类别设置不同权重值,针对相同驾驶行为类别下的驾驶行为的权重值,可以设置相同,也可以设置不同。
其中,待评价行程对应驾驶用户的驾驶行为评分的确定方式如下:
S=s1*a1+s2*a2+…+sn*an;
其中,s1、s2、…、sn为驾驶行为的评分分值;a1、a2、…、an为驾驶行为对应的权重值。
示例性的,若存在驾驶行为类别A和驾驶行为类别B,驾驶行为类别A下包括驾驶行为a1和驾驶行为a2;驾驶行为类别B下包括驾驶行为b1和驾驶行为b2,驾驶行为类别A下的驾驶行为a1对应的评分分值为80分,权重值为0.1,驾驶行为类别A下的驾驶行为a2对应的评分分值为85分,权重值为0.3;驾驶行为类别B下的驾驶行为b1对应的评分分值为80分,权重值为0.2,驾驶行为类别B下的驾驶行为b2对应的评分分值为90分,权重值为0.4,则待评价行程对应驾驶用户的驾驶行为评分S为85.5分。
本发明实施例方案通过确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;根据至少一个评分分值,确定待评价行程对应驾驶用户的驾驶行为评分。上述方案通过采用不同驾驶行为类别对应的驾驶行为评分规则,确定相应驾驶行为类别下各驾驶行为分别对应的评分分值,实现了根据驾驶行为的行为特征确定的驾驶行为类别下,不同驾驶行为评分规则,有针对性地确定驾驶行为的评分分值,相对于现有技术的对于不同驾驶行为采用相同的驾驶行为评分规则确定的评分分值而言,本发明确定驾驶行为对应的评分分值的结果准确度更高。
实施例二
图2为本发明实施例二提供的一种驾驶行为评分方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,若所述驾驶行为类别为事件型类别;相应的,将步骤“针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值”细化为“获取待评价行程的行程里程值;根据驾驶行为数据和当前影响因素,确定事件型类别下的驾驶行为对应的行为发生次数;根据行程里程值和行为发生次数,基于事件型评分规则,确定事件型类别下各驾驶行为对应的评分分值。”以完善对事件型类别下各驾驶行为对应的评分分值的确定。
如图2所示,该方法包括以下具体步骤:
S210、确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别。
S220、若驾驶行为类别为事件型类别,则获取待评价行程的行程里程值。
其中,事件型类别下的驾驶行为可以是基于事件频次发生的驾驶行为;事件型类别中可以包括加速、减速、转向、超速、高速过弯、弯道制动、怠速、驾驶预判、AEB触发、FCW、ESP触发、LDW触发等驾驶行为中的至少一种。待评价行程的行程里程值可以是待评价行程的行驶公里值,例如,可以是车辆从起点位置行驶至终点位置的公里数。
S230、根据驾驶行为数据和当前影响因素,确定事件型类别下的驾驶行为对应的行为发生次数。
其中,当前影响因素可以包括车速范围、道路类型、交通状态和天气状态等中的至少一种。其中,车速范围可以包括0-30km/h、30-60km/h、60-80km/h和80-120km/h;道路类型可以包括城市道路和乡村道路;交通状态可以包括交通通畅和交通拥堵;天气状态可以包括天气阴和天气晴。行为发生次数可以是事件型类别下的各驾驶行为分别在待评价行程中发生的次数。
示例性的,可以由相关技术人员预先设定事件型类别下的驾驶行为对应的阈值。例如,针对事件型类别下的加速驾驶行为,其加速阈值可以设定为0.35m/s2;将待评价行驶过程中的加速度超过0.35m/s2的次数,作为加速驾驶行为对应的行为发生次数。例如,针对事件型类别下的转向行为,其转向阈值可以设定为200deg/s;将待评价行驶过程中的转向角速度超过200deg/s的次数,作为转向驾驶行为对应的行为发生次数。
需要说明的是,驾驶用户在驾驶过程中可能会受到一些内在或外在的影响因素,如天气状态、道路等影响因素,因此,在确定事件型类别下的驾驶行为对应的行为发生次数的过程中可以考虑当前影响因素,以消除当前影响因素对驾驶行为对应的行为发生次数的影响,从而提高行为发生次数的准确性,进而提高事件型类别下各驾驶行为对应的评分分值的准确性。
在一个可选实施例中,根据驾驶行为数据和当前影响因素,确定事件型类别下的驾驶行为对应的行为发生次数,包括:根据驾驶行为影响矩阵和历史驾驶行为数据,确定候选行为影响因素分组和候选行为影响因素分组对应的行为影响阈值;根据驾驶行为数据和当前影响因素,从候选行为影响因素分组中选取目标行为影响因素分组;根据驾驶行为数据和目标行为影响因素分组对应的行为影响阈值,确定事件型类别下的驾驶行为对应的行为发生次数。
其中,驾驶行为影响矩阵可以是用于确定驾驶行为与影响因素之间的相关性的矩阵。驾驶行为影响矩阵可以由相关技术人员根据实际经验值或实验值进行确定。
示例性的,若影响因素包括车速范围、道路类型、交通状态和天气状态;事件型类别下的驾驶行为包括加速、减速、转向、超速、高速过弯、弯道制动、怠速、驾驶预判、AEB触发、FCW、ESP触发、LDW触发,则由相关技术人员根据实际经验值或实验值确定的事件型类别下的驾驶行为影响矩阵可以如表1所示。
表1
其中,表1中的“0”表示驾驶行为与影响因素之间无相关性;“1”表示驾驶行为与影响因素之间有相关性。
其中,候选行为影响因素分组可以根据驾驶行为影响矩阵确定,驾驶行为影响因素分组对应的行为影响阈值可以根据历史行为数据确定。当前影响因素可以是驾驶过程中随着道路、天气、交通等环境的变化而不断变化的影响因素。目标行为影响因素分组可以是驾驶过程中与驾驶状态对应的行为影响因素分组。
以加速驾驶行为为例进行举例说明,如表1所示,根据驾驶行为影响矩阵可以确定,加速驾驶行为与车速范围、道路类型、交通状态和天气状态均相关,则根据车速范围、道路类型、交通状态和天气状态的排列组合确定候选行为影响分组。例如,候选行为影响分组可以包括分组一:天气阴、交通拥堵、城市道路、车速范围为0-30km/h;分组二:天气晴、交通通畅、城市道路、车速范围为30-60km/h;分组三:天气晴、交通通畅、乡村道路、车速范围为0-30km/h;分组四:天气阴、交通拥堵、乡村道路、车速范围为30-60km/h;分组五:天气晴、交通通畅、城市道路、车速范围为60-80km/h;分组六:天气晴、交通拥堵、乡村道路、车速范围为30-60km/h等。具体分组数量可以根据实际需求进行设定,本实施例对此不进行限制。
根据历史驾驶行为数据,确定各候选行为影响因素分组对应的行为影响阈值。例如,分组一:天气阴、交通拥堵、城市道路、车速范围为0-30km/h,对应的行为影响阈值为3.5m/s2。其中,行为影响阈值的确定方式可以由相关技术人员预先确定,例如,分组一对应的行为影响阈值可以是属于分组一的历史驾驶行为数据中,加速度的中位数。若行驶过程中的当前影响因素为天气晴、交通通畅、道路为乡村道路,车速为11km/h,则可以确定当前影响因素对应的目标行为影响因素分组为分组三,若分组三对应的行为影响阈值为3.0m/s2,则在该影响因素下,当行驶加速度超过3.0m/s2时,记发生一次加速驾驶行为。
其中,在整个驾驶行程中,可以预先设定当前影响因素的获取时间周期,并进行驾驶行为发生的确定。例如,可以设定每10分钟获取一次当前影响因素。还可以是当当前影响因素发生变化时,对驾驶行为是否发生进行一次确定。例如,当前影响因素为天气阴、交通拥堵、城市道路,当道路状态变为乡村道路时,再进行一次驾驶行为是否发生的确定。同样,采用上述方案确定事件型类别下其他驾驶行为对应的行为发生次数,例如,急减速驾驶行为中,设定各候选行为影响因素分组的减速度的行为影响阈值;FCW触发驾驶行为中,设定各候选行为影响因素分组对应的FCW功能激活次数的阈值;转向驾驶行为中,设定各候选行为影响因素分组中方向盘转速的阈值;高速过弯驾驶行为中,设定各候选行为影响因素分组中平均横摆角速度的阈值;弯道制动驾驶行为中,设定各候选行为影响因素分组中最大减速度的阈值;怠速驾驶行为中,设定各候选行为影响因素分组中怠速时长的阈值等,本实施例对此不进行赘述。其中,各驾驶行为对应的各候选行为影响分组根据驾驶行为影响矩阵进行确定。
需要说明的是,对于驾驶行为影响矩阵中,对应的影响因素值均为0的驾驶行为,可以直接设定行为影响阈值。例如,针对驾驶行为AEB触发,通过驾驶行为影响矩阵可以确定,其与车速范围、道路类型、交通状态和天气状态均不相关。因此,可以由相关技术人员预先设定AEB触发对应的行为影响阈值,例如,可以设定AEB功能激活次数的阈值为2次。
本可选实施例方案通过驾驶行为影响矩阵确定事件型类别下驾驶行为与各影响因素之间的相关性的方式,确定候选行为影响因素分组;根据当前影响因素和驾驶行为数据,基于候选行为影响因素分组对应的行为影响阈值,确定事件型类别下的驾驶行为对应的行为发生次数,实现了对各驾驶行为对应的行为发生次数的准确确定,避免了直接采用预设阈值的方式确定驾驶行为的行为发生次数而造成行为次数确定结果不准确的情况发生,提高了后续根据行为发生次数确定各驾驶行为分别对应的评分分值的准确度。避免了采用统一的行为发生次数的判断标准而降低环境等因素对驾驶行为发生次数的影响,提高了驾驶行为的行为发生判断的准确性。
S240、根据行程里程值和行为发生次数,基于事件型评分规则,确定事件型类别下各驾驶行为对应的评分分值。
事件型评分规则可以由相关技术人员预先设定,其中,事件型评分规则对应的计算公式可以如下:
S1=100-N*(1+s1)M+a1*log(D);
其中,S1为事件型类别下的驾驶行为的评分分值,N为基础分数,s1为基础分数调节系数,M为行为发生次数,a1为行程里程值调节系数,D为行程里程值。其中,N、s1和a1可以由相关技术人员进行预先设定。例如,N可以为100,s1可以为0.1,a1可以为-2。
需要说明的是,事件型评分规则中,通过对数计算,将参与评分计算的驾驶行为发生次数、行驶里程值等指标,非线性映射到特定的值域范围内,用以计算驾驶行为得分,以消除指标离散变化引起的影响。
不同待评价行程,在行驶里程值相同情况下,驾驶行为发生次数少者,驾驶行为评分高;在驾驶行为发生次数相同的情况下,行驶里程值长者,评分高;行驶里程值、驾驶行为发生次数不同时,驾驶行为评分不同。
S250、根据至少一个评分分值,确定待评价行程对应驾驶用户的驾驶行为评分。
本实施例方案通过获取待评价行程的行程里程值;根据驾驶行为数据和当前影响因素,确定事件型类别下的驾驶行为对应的行为发生次数;根据行程里程值和行为发生次数,基于事件型评分规则,确定事件型类别下各驾驶行为对应的评分分值。上述方案通过根据驾驶行为对应的行为发生次数和待评价行程的行程里程值,基于事件型评分规则,确定事件型类别下各驾驶行为对应的评分分值的方式,实现了对事件型类别下各驾驶行为的评分分值的准确确定。本实施例方案在确定驾驶行为评分过程中综合考虑了行程里程值的影响,以及驾驶行为发生次数的影响,以确定事件型类别下的各驾驶行为对应的评分分值,提高了评分分值的确定准确度。
实施例三
图3为本发明实施例三提供的一种驾驶行为评分方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,若所述驾驶行为类别为连续型类别;相应的,将步骤“针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值”细化为“根据驾驶行为数据和当前影响因素,确定连续型类别下的驾驶行为对应的行为占比;根据行为占比,基于连续型评分规则,确定连续型类别下各驾驶行为对应的评分分值。”以完善对连续型类别下各驾驶行为对应的评分分值的确定。
如图3所示,该方法包括以下具体步骤:
S310、确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别。
S320、若驾驶行为类别为连续型类别,则根据驾驶行为数据和当前影响因素,确定连续型类别下的驾驶行为对应的行为占比。
其中,连续型类别下的驾驶行为可以是连续性或持续性事件的驾驶行为;连续型类别中可以包括平稳驾驶和平稳减速等驾驶行为中的至少一种。
其中,当前影响因素可以包括车速范围、道路类型、交通状态和天气状态等中的至少一种。其中,车速范围可以包括0-30km/h、30-60km/h、60-80km/h和80-120km/h;道路类型可以包括城市道路和乡村道路;交通状态可以包括交通通畅和交通拥堵;天气状态可以包括天气阴和天气晴。行为发生次数可以是事件型类别下的各驾驶行为分别在待评价行程中发生的次数。
示例性的,可以由相关技术人员预先设定连续型类别下的驾驶行为对应的阈值。例如,针对连续型类别下的平稳加速驾驶行为,其加速阈值可以设定为0.35m/s2;将待评价行驶过程中的加速低于0.35m/s2的发生时长,占待评价行程中的总时长的比例,作为平稳加速驾驶行为对应的行为占比。或者,将待评价行驶过程中的加速低于0.35m/s2的行程公里数,占待评价行程的总行程公里数的比例,作为平稳加速驾驶行为对应的行为占比。
需要说明的是,驾驶用户在驾驶过程中可能会受到一些内在或外在的影响因素,如天气状态、道路等影响因素,因此,在确定连续型类别下的驾驶行为对应的行为占比的过程中可以考虑当前影响因素,以消除当前影响因素对驾驶行为对应的行为占比的影响,从而提高连续型类别下的驾驶行为的行为占比的准确性,进而提高连续型类别下各驾驶行为对应的评分分值的准确性。
在一个可选实施例中,根据驾驶行为数据和当前影响因素,确定连续型类别下的驾驶行为对应的行为占比,包括:根据驾驶行为影响矩阵和历史驾驶行为数据,确定候选行为影响因素分组和候选行为影响因素分组对应的行为影响阈值;根据驾驶行为数据和当前影响因素,从候选行为影响因素分组中选取目标行为影响因素分组;根据驾驶行为数据和目标行为影响因素分组对应的行为影响阈值,确定连续型类别下的驾驶行为对应的行为占比。
其中,驾驶行为影响矩阵可以是用于确定驾驶行为与影响因素之间的相关性的矩阵。驾驶行为影响矩阵可以由相关技术人员根据实际经验值或实验值进行确定。
示例性的,若影响因素包括车速范围、道路类型、交通状态和天气状态;连续型类别下的驾驶行为包括平稳加速和平稳减速,则由相关技术人员根据实际经验值或实验值确定的事件型类别下的驾驶行为影响矩阵可以如表2所示。
表2
其中,表1中的“0”表示驾驶行为与影响因素之间无相关性;“1”表示驾驶行为与影响因素之间有相关性。
其中,候选行为影响因素分组可以根据驾驶行为影响矩阵确定,驾驶行为影响因素分组对应的行为影响阈值可以根据历史行为数据确定。当前影响因素可以是驾驶过程中随着道路、天气、交通等环境的变化而不断变化的影响因素。目标行为影响因素分组可以是驾驶过程中与驾驶状态对应的行为影响因素分组。
以平稳加速驾驶行为为例进行举例说明,如表1所示,根据驾驶行为影响矩阵可以确定,平稳加速驾驶行为与车速范围、道路类型、交通状态和天气状态均相关,则根据车速范围、道路类型、交通状态和天气状态的排列组合确定候选行为影响分组。例如,候选行为影响分组可以包括分组一:天气阴、交通拥堵、城市道路、车速范围为0-30km/h;分组二:天气晴、交通通畅、城市道路、车速范围为30-60km/h;分组三:天气晴、交通通畅、乡村道路、车速范围为0-30km/h;分组四:天气阴、交通拥堵、乡村道路、车速范围为30-60km/h;分组五:天气晴、交通通畅、城市道路、车速范围为60-80km/h;分组六:天气晴、交通拥堵、乡村道路、车速范围为30-60km/h等。具体分组数量可以根据实际需求进行设定,本实施例对此不进行限制。
根据历史驾驶行为数据,确定各候选行为影响因素分组对应的行为影响阈值。例如,分组一:天气阴、交通拥堵、城市道路、车速范围为0-30km/h,对应的行为影响阈值为2.5m/s2。其中,行为影响阈值的确定方式可以由相关技术人员进行预先确定,例如,分组一对应的行为影响阈值可以是属于分组一的历史驾驶行为数据中,20%分位值的加速度。例如,分组一对应的历史驾驶行为数据包括加速度值为1.5m/s2、1.5m/s2、2m/s2、2.5m/s2和3m/s2,则20%分位值的加速度为1.8m/s2。
若待评价行程的行驶总时长为30分钟。行驶过程中的当前影响因素为天气晴、交通通畅、道路为乡村道路,车速为11km/h,则可以确定当前影响因素对应的目标行为影响因素分组为分组三,若分组三对应的行为影响阈值为1.5m/s2,则在该影响因素下,当行驶加速度低于1.5m/s2时,确定在该影响因素下,加速度低于1.5m/s2的时长。确定待评价行程中,满足行为影响阈值条件的总时长,例如,若满足行为影响阈值条件的总时长为27分钟,则平稳加速行为对应的行为占比为90%。
其中,在整个驾驶行程中,可以预先设定当前影响因素的获取时间周期,并在获取时间周期内,对驾驶行为满足行为影响阈值的时长进行确定。例如,可以设定每10分钟确定一次。还可以是当当前影响因素发生变化时,对驾驶行为满足行为影响阈值的时长进行确定。例如,若在当前影响因素为天气阴、交通拥堵、城市道路,车速范围为0-30km/h时,确定在当前影响因素下,平稳加速驾驶行为满足行为影响阈值的时长为20分钟,当当前影响因素变为道路状态变为天气晴、交通通畅、城市道路,车速范围为30-60km/h时,确定在当前影响因素下,平稳加速驾驶行为满足行为影响阈值的时长为10分钟,若待评价行程的行驶总时长为40分钟,则可以确定平稳加速行驶的行为占比为75%。
本可选实施例方案通过驾驶行为影响矩阵确定连续型类别下驾驶行为与各影响因素之间的相关性的方式,确定候选行为影响因素分组;根据当前影响因素和驾驶行为数据,基于候选行为影响因素分组对应的行为影响阈值,确定连续型类别下的驾驶行为对应的行为占比,实现了对各驾驶行为对应的行为占比的准确确定,提高了后续根据行为占比确定连续型类别下各驾驶行为分别对应的评分分值的准确度。
S330、根据行为占比,基于连续型评分规则,确定连续型类别下各驾驶行为对应的评分分值。
连续型评分规则可以由相关技术人员预先设定,其中,连续型评分规则对应的计算公式可以如下:
其中,S2为连续型类别下的驾驶行为的评分分值,s1为分数下限,s2为分数上限,x1为s1对应的指标值,即预设的行为占比,x2为s2对应的指标值,x为驾驶行为的行为占比。
其中,s1、s2、x1、x2可以由相关技术人员进行预先设定。例如,s1为60分,s2为99分,x1为0,x2为50%。
连续型类别下的驾驶行为的行为占比越大,表示待评价行程过程中的平稳驾驶状况越好,对应的驾驶行为的评分分值越高;连续型类别下的驾驶行为的行为占比越小,表示待评价行程过程中的平稳驾驶状况越差,对应的驾驶行为的评分分值越低。
S340、根据至少一个评分分值,确定待评价行程对应驾驶用户的驾驶行为评分。
可选的,若驾驶行为类别为指示型类别,其中,指示型类别可以是基于行为是否发生的具有二分类特点的驾驶行为,指示型类别的驾驶行为可以包括深夜驾驶和疲劳驾驶,则指示型驾驶行为对应的指示型评分规则的计算公式如下:
其中,S3为指示型类别下的驾驶行为的评分分值。对于指示型类别的驾驶行为,与其他影响因素,如天气状态、道路状态和交通状况等均无关。因此,可以直接设定行为发生阈值的方式,确定指示型类别下的驾驶行为在待评价行程中的评分分值。
对于疲劳驾驶、深夜出行等指示型驾驶行为,在待评价行程中,驾驶行为只可能出现或未出现,对于这种取值为二分类的行为,一旦出现一次,则该驾驶行为得分为0,如果从未出现,得分为100。其中,疲劳驾驶的行为发生阈值为连续驾驶时间阈值,当连续驾驶时间超过预设的行为发生阈值时,则可以认为是疲劳驾驶。其中,疲劳驾驶的行为发生阈值可以是6小时。深夜出行的行为发生阈值可以是时间阈值,例如,深夜出行出行时间阈值的范围可以是00:00-04:00。
本实施例方案通过根据驾驶行为数据和当前影响因素,确定连续型类别下的驾驶行为对应的行为占比;根据行为占比,基于连续型评分规则,确定连续型类别下各驾驶行为对应的评分分值。上述方案通过根据驾驶行为对应的行为占比,基于连续型评分规则,确定连续型类别下各驾驶行为对应的评分分值的方式,实现了对连续性类别下各驾驶行为的评分分值的准确确定。本实施例方案在确定驾驶行为评分过程中综合考虑了连续型的驾驶行为在待评价行程中的行为占比,以确定连续型类别下的各驾驶行为对应的评分分值,提高了评分分值的确定准确度。
需要说明的是,为提高各驾驶行为类别下的各驾驶行为对应的评分分值的准确度,可以采用如下方式确定驾驶行为影响矩阵。
在一个可选实施例中,驾驶行为影响矩阵的确定方式可以为:根据历史驾驶行为数据,确定至少一种驾驶行为与行为影响因素之间的偏相关分析结果;根据偏相关分析结果,确定至少一种驾驶行为与行为影响因素之间的相关性;根据至少一种驾驶行为与行为影响因素之间的相关性,确定驾驶行为影响矩阵。
偏相关分析结果可以包括至少一种驾驶行为与行为影响因素之间的显著性水平,通过显著性水平,可以确定至少一种驾驶行为与行为影响因素之间的相关性。偏相关分析结果可以通过SSPS(Statistical Product and Service Solutions,统计产品与服务解决方案)相关性分析技术得到。其中,行为影响因素可以包括车速范围、道路类型、交通状态和天气状态等。
根据偏相关分析得到的显著性水平,可以得到16种驾驶行为与行为影响因素之间的驾驶行为影响矩阵的结果,如表3所示。
表3
可选的,还可以通过线性回归算法,确定具有相关性的驾驶行为和行为影响因素之间的相关性程度,并根据相关性程度确定驾驶行为影响矩阵。
本可选实施例通过根据至少一种驾驶行为与行为影响因素之间的偏相关分析结果中的显著性水平,确定至少一种驾驶行为与行为影响因素之间的相关性得到驾驶行为影响矩阵的方式,提高了事件型类别下驾驶行为对应的行为发生次数的准确度,以及连续型类别下驾驶行为对应的行为占比的准确度,从而提高了各驾驶行为类别下驾驶行为的评分分值,进而提高了待评价行程对应驾驶用户的驾驶行为评分。
在一个具体实施例中,对事件型类别、连续型类别和指示型类别三个类别下的16种驾驶行为进行评分分值的确定。根据三个类别下16中驾驶行为分别对应的评分分值,得到待评价行程的驾驶行为评分。其中,待评价行程的驾驶行为评分S的确定方式如下:
S=a*A+b*B+c*C+d*D+e*E+f*F+g*G+h*H+i*I+j*J+k*K+l*L+m*M+n*N+o*O+p*P;
其中,A、B、C、D、E、F、G、H、I、J、K、L、M、N、O、P和Q分别为加速、减速、转向、超速、高速过弯、弯道制动、怠速、驾驶预判、AEB触发、FCW触发、ESP触发、LDW触发、平稳加速、平稳减速、深夜驾驶和疲劳驾驶驾驶行为对应的评分分值。a、b、c、d、e、f、g、h、i、j、k、l、m、n、o、p分别为加速、减速、转向、超速、高速过弯、弯道制动、怠速、驾驶预判、AEB触发、FCW触发、ESP触发、LDW触发、平稳加速、平稳减速、深夜驾驶和疲劳驾驶驾驶行为对应的权重值。
其中,对于事件型类别下的加速、减速、转向、超速、高速过弯、弯道制动、怠速、驾驶预判、AEB触发、FCW触发、ESP触发、LDW触发驾驶行为,采用如下计算公式确定驾驶行为对应的评分分值:
S1=100-N*(1+s1)M+a1*log(D);
其中,S1为事件型类别下的驾驶行为的评分分值,N为基础分数,s1为基础分数调节系数,M为行为发生次数,a1为行程里程值调节系数,D为行程里程值。其中,N、s1和a1可以由相关技术人员进行预先设定。例如,N可以为100,s1可以为0.1,a1可以为-2。
对于连续型类别下的平稳加速和平稳减速驾驶行为,采用如下计算公式确定驾驶行为对应的评分分值:
其中,S2为连续型类别下的驾驶行为的评分分值,s1为分数下限,s2为分数上限,x1为s1对应的指标值,即预设的行为占比,x2为s2对应的指标值,x为驾驶行为的行为占比。
其中,s1、s2、x1、x2可以由相关技术人员进行预先设定。例如,s1为60分,s2为99分,x1为0,x2为50%。
对于指示型类别下的深夜驾驶和疲劳驾驶驾驶行为,采用如下计算公式确定驾驶行为对应的评分分值:
其中,S3为指示型类别下的驾驶行为的评分分值。
基于事件型类别、连续型类别和指示型类别的驾驶行为评分的计算公式,确定至少一个驾驶行为对应的评分分值;根据待评价驾驶行为中,至少一个驾驶行为对应的评分分值,基于待评价行程的驾驶行为评分的确定方式,确定待评价行程对应驾驶用户的驾驶行为评分。
实施例四
图4为本发明实施例四提供的一种驾驶行为评分装置的结构示意图。本发明实施例所提供的一种驾驶行为评分装置,该装置可适用于对用户行程中的驾驶行为进行评分的情况,该装置可采用软件和/或硬件的方式实现。如图4所示,该装置具体包括:驾驶行为类别确定模块401、评分分值确定模块402和驾驶行为评分确定模块403。其中,
驾驶行为类别确定模块401,用于确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;
评分分值确定模块402,用于针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;
驾驶行为评分确定模块403,用于根据至少一个所述评分分值,确定所述待评价行程对应驾驶用户的驾驶行为评分。
本发明实施例方案通过确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;根据至少一个评分分值,确定待评价行程对应驾驶用户的驾驶行为评分。上述方案通过采用不同驾驶行为类别对应的驾驶行为评分规则,确定相应驾驶行为类别下各驾驶行为分别对应的评分分值,实现了根据驾驶行为的行为特征确定的驾驶行为类别下,不同驾驶行为评分规则,有针对性地确定驾驶行为的评分分值,相对于现有技术的对于不同驾驶行为采用相同的驾驶行为评分规则确定的评分分值而言,本发明确定驾驶行为对应的评分分值的结果准确度更高。
可选的,不同驾驶行为类别对应驾驶行为评分规则不同。
可选的,若所述驾驶行为类别为事件型类别,则评分分值确定模块402,包括:
行程里程值获取单元,用于获取所述待评价行程的行程里程值;
行为发生次数确定单元,用于根据所述驾驶行为数据和当前影响因素,确定所述事件型类别下的驾驶行为对应的行为发生次数;
评分分值确定单元,用于根据所述行程里程值和所述行为发生次数,基于事件型评分规则,确定所述事件型类别下各驾驶行为对应的评分分值。
可选的,行为发生次数确定单元,包括:
第一分组确定子单元,用于根据驾驶行为影响矩阵和历史驾驶行为数据,确定候选行为影响因素分组和所述候选行为影响因素分组对应的行为影响阈值;
第一分组选取子单元,用于根据所述驾驶行为数据和当前影响因素,从所述候选行为影响因素分组中选取目标行为影响因素分组;
行为发生次数确定子单元,用于根据所述驾驶行为数据和所述目标行为影响因素分组对应的行为影响阈值,确定所述事件型类别下的驾驶行为对应的行为发生次数。
可选的,若所述驾驶行为类别为连续型类别,则评分分值确定模块402,包括:
行为占比确定单元,用于根据所述驾驶行为数据和所述当前影响因素,确定所述连续型类别下的驾驶行为对应的行为占比;
评分分值确定单元,用于根据所述行为占比,基于连续型评分规则,确定所述连续型类别下各驾驶行为对应的评分分值。
可选的,行为占比确定单元,包括:
第一分组确定子单元,用于根据驾驶行为影响矩阵和历史驾驶行为数据,确定候选行为影响因素分组和所述候选行为影响因素分组对应的行为影响阈值;
第二分组选取子单元,用于根据所述驾驶行为数据和所述当前影响因素,从所述候选行为影响因素分组中选取目标行为影响因素分组;
行为占比确定子单元,用于根据所述驾驶行为数据和所述目标行为影响因素分组对应的行为影响阈值,确定所述连续型类别下的驾驶行为对应的行为占比。
可选的,所述装置还包括影响矩阵确定模块,所述影响矩阵确定模块用于确定驾驶行为影响矩阵;
所述影响矩阵确定模块,包括:
偏相关分析结果确定单元,用于根据历史驾驶行为数据,确定至少一种驾驶行为与行为影响因素之间的偏相关分析结果;
相关性确定单元,用于根据所述偏相关分析结果,确定至少一种驾驶行为与行为影响因素之间的相关性;
影响矩阵确定单元,用于根据至少一种驾驶行为与行为影响因素之间的相关性,确定驾驶行为影响矩阵。
上述驾驶行为评分装置可执行本发明任意实施例所提供的驾驶行为评分方法,具备执行各驾驶行为评分方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备50的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备50包括至少一个处理器51,以及与至少一个处理器51通信连接的存储器,如只读存储器(ROM)52、随机访问存储器(RAM)53等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序,来执行各种适当的动作和处理。在RAM 53中,还可存储电子设备50操作所需的各种程序和数据。处理器51、ROM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。
电子设备50中的多个部件连接至I/O接口55,包括:输入单元56,例如键盘、鼠标等;输出单元57,例如各种类型的显示器、扬声器等;存储单元58,例如磁盘、光盘等;以及通信单元59,例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器51可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器51的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器51执行上文所描述的各个方法和处理,例如驾驶行为评分方法。
在一些实施例中,驾驶行为评分方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元58。在一些实施例中,计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到RAM 53并由处理器51执行时,可以执行上文描述的驾驶行为评分方法的一个或多个步骤。备选地,在其他实施例中,处理器51可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行驾驶行为评分方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种驾驶行为评分方法,其特征在于,包括:
确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;
针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;
根据至少一个所述评分分值,确定所述待评价行程对应驾驶用户的驾驶行为评分。
2.根据权利要求1所述的方法,其特征在于,不同驾驶行为类别对应驾驶行为评分规则不同。
3.根据权利要求2所述的方法,其特征在于,若所述驾驶行为类别为事件型类别,则所述针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值,包括:
获取所述待评价行程的行程里程值;
根据所述驾驶行为数据和当前影响因素,确定所述事件型类别下的驾驶行为对应的行为发生次数;
根据所述行程里程值和所述行为发生次数,基于事件型评分规则,确定所述事件型类别下各驾驶行为对应的评分分值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述驾驶行为数据和当前影响因素,确定所述事件型类别下的驾驶行为对应的行为发生次数,包括:
根据驾驶行为影响矩阵和历史驾驶行为数据,确定候选行为影响因素分组和所述候选行为影响因素分组对应的行为影响阈值;
根据所述驾驶行为数据和当前影响因素,从所述候选行为影响因素分组中选取目标行为影响因素分组;
根据所述驾驶行为数据和所述目标行为影响因素分组对应的行为影响阈值,确定所述事件型类别下的驾驶行为对应的行为发生次数。
5.根据权利要求2所述的方法,其特征在于,若所述驾驶行为类别为连续型类别;则所述针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值,包括:
根据所述驾驶行为数据和所述当前影响因素,确定所述连续型类别下的驾驶行为对应的行为占比;
根据所述行为占比,基于连续型评分规则,确定所述连续型类别下各驾驶行为对应的评分分值。
6.根据权利要求5所述的方法,其特征在于,所述根据驾驶行为数据和当前影响因素,确定所述连续型类别下的驾驶行为对应的行为占比,包括:
根据驾驶行为影响矩阵和历史驾驶行为数据,确定候选行为影响因素分组和所述候选行为影响因素分组对应的行为影响阈值;
根据所述驾驶行为数据和所述当前影响因素,从所述候选行为影响因素分组中选取目标行为影响因素分组;
根据所述驾驶行为数据和所述目标行为影响因素分组对应的行为影响阈值,确定所述连续型类别下的驾驶行为对应的行为占比。
7.根据权利要求4或6所述的方法,其特征在于,所述驾驶行为影响矩阵的确定方式为:
根据历史驾驶行为数据,确定至少一种驾驶行为与行为影响因素之间的偏相关分析结果;
根据所述偏相关分析结果,确定至少一种驾驶行为与行为影响因素之间的相关性;
根据至少一种驾驶行为与行为影响因素之间的相关性,确定驾驶行为影响矩阵。
8.一种驾驶行为评分装置,其特征在于,包括:
驾驶行为类别确定模块,用于确定待评价行程的驾驶行为数据对应的至少两个驾驶行为类别;
评分分值确定模块,用于针对不同驾驶行为类别对应驾驶行为评分规则,根据相应驾驶行为类别对应的驾驶行为数据,确定相应驾驶行为类别下不同驾驶行为对应的评分分值;
驾驶行为评分确定模块,用于根据至少一个所述评分分值,确定所述待评价行程对应驾驶用户的驾驶行为评分。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的驾驶行为评分方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的驾驶行为评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210403263.1A CN114897312A (zh) | 2022-04-18 | 2022-04-18 | 驾驶行为评分方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210403263.1A CN114897312A (zh) | 2022-04-18 | 2022-04-18 | 驾驶行为评分方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897312A true CN114897312A (zh) | 2022-08-12 |
Family
ID=82718243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210403263.1A Pending CN114897312A (zh) | 2022-04-18 | 2022-04-18 | 驾驶行为评分方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897312A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762130A (zh) * | 2022-10-10 | 2023-03-07 | 北京车和家汽车科技有限公司 | 驾驶行为规范性评价方法、装置、设备、介质和车辆 |
CN116542830A (zh) * | 2023-07-06 | 2023-08-04 | 广州市德赛西威智慧交通技术有限公司 | 基于多元参数的智能评判方法及装置 |
CN116563069A (zh) * | 2023-07-07 | 2023-08-08 | 广州市德赛西威智慧交通技术有限公司 | 应用于驾培驾考的智能化评判方法及装置 |
-
2022
- 2022-04-18 CN CN202210403263.1A patent/CN114897312A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762130A (zh) * | 2022-10-10 | 2023-03-07 | 北京车和家汽车科技有限公司 | 驾驶行为规范性评价方法、装置、设备、介质和车辆 |
CN116542830A (zh) * | 2023-07-06 | 2023-08-04 | 广州市德赛西威智慧交通技术有限公司 | 基于多元参数的智能评判方法及装置 |
CN116542830B (zh) * | 2023-07-06 | 2024-03-15 | 广州市德赛西威智慧交通技术有限公司 | 基于多元参数的智能评判方法及装置 |
CN116563069A (zh) * | 2023-07-07 | 2023-08-08 | 广州市德赛西威智慧交通技术有限公司 | 应用于驾培驾考的智能化评判方法及装置 |
CN116563069B (zh) * | 2023-07-07 | 2024-03-29 | 广州市德赛西威智慧交通技术有限公司 | 应用于驾培驾考的智能化评判方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897312A (zh) | 驾驶行为评分方法、装置、设备及存储介质 | |
CN111860561B (zh) | 网约车的异常停留行为识别方法、装置、设备及存储介质 | |
CN112258093B (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN110001653B (zh) | 一种驾驶行为评估方法、服务器及计算机可读介质 | |
CN115293366B (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
CN114120650B (zh) | 用于生成测试结果的方法、装置 | |
CN114443303A (zh) | 资源分配方法、装置、设备及介质 | |
CN114613137A (zh) | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN117416368A (zh) | 一种驾驶提示方法、装置、设备以及存储介质 | |
KR102547634B1 (ko) | 배터리 평가 점수를 제공하기 위한 방법 | |
CN114884813B (zh) | 一种网络架构确定方法、装置、电子设备及存储介质 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN114863715A (zh) | 停车数据确定方法、装置、电子设备及存储介质 | |
CN114880183A (zh) | 自动驾驶性能评价模型训练、性能评价方法、装置及介质 | |
CN114281909A (zh) | 续航区域的确定方法、装置以及电子设备 | |
CN115019269A (zh) | 一种环境识别模型训练方法、驾驶控制方法及相关装置 | |
CN114720148A (zh) | 车辆感知能力的确定方法、装置、设备及存储介质 | |
CN112734144A (zh) | 驾驶行为评估方法、装置、存储介质和计算机设备 | |
CN116358902B (zh) | 一种车辆功能的测试方法、装置、电子设备及存储介质 | |
CN118114942A (zh) | 一种参竞方法、装置、设备以及存储介质 | |
CN116821721B (zh) | 一种跨城网约车的识别方法、装置、设备及介质 | |
CN114881573B (zh) | 一种干线物流货找车的召回方法、装置、电子设备及存储介质 | |
CN115798074A (zh) | 一种车辆工况数据生成方法、装置、设备及存储介质 | |
CN118196931A (zh) | 车辆行驶信息表生成方法、装置、设备以及存储介质 |
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 |