CN115626169A - 基于gps行程数据评估驾驶路线熟悉度的方法及设备 - Google Patents

Abstract

本发明实施例公开了一种基于GPS行程数据评估驾驶路线熟悉度的方法，包括：S1：收集车辆历史行程的GPS点数据，对所述GPS点数据进行过滤、行程切分处理，得到每一车辆的所有行程；S2：针对每一车辆的所有行程，采用DTW算法计算任意两条行程之间的距离；S3：采用聚类算法对所述距离进行聚类，得到聚类结果；S4：根据所述聚类结果，采用高斯模型对任意一条新的行程T进行驾驶路线熟悉度评估。实施本发明实施例，可针对每一条行程的驾驶路线熟悉度进行评估，可为基于驾驶行为数据搭建的预测车辆出险、年度赔付金额模型提供重要特征，从而更加精准的刻画驾驶员的驾驶风险、习惯和风险。

Description

基于GPS行程数据评估驾驶路线熟悉度的方法及设备

技术领域

本发明涉及车辆信息处理技术领域，具体涉及一种基于GPS行程数据评估驾驶路线熟悉度的方法、电子设备及介质。

背景技术

《车联网数据驾驶行为因子与车险风险相关性研究报告》中指出驾驶路线熟悉度和车辆出险概率高度相关。因此，准确评估驾驶员对驾驶路线的熟悉程度是非常必要的。

申请公布号为CN111460076A的中国发明专利公开了一种驾驶路线熟悉度确定方法，包括：S201，获取车辆的多个驾驶行程对应的行程坐标数据序列；S202，基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；S203，基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；S204，根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。其中的驾驶路线熟悉度的计算采用如下方式：

上式中，f表示驾驶路线熟悉度，l表示驾驶行程所属驾驶路线的编号，取值范围为{1,2，…，C}，C表示不同驾驶路线的个数，n_l表示编号为l的驾驶路线对应的驾驶行程的数量。由此可见，该驾驶路线熟悉度f的含义为：驾驶行程数大于等于2次的驾驶路线对应的驾驶行程数之和占全部驾驶行程数之和(即驾驶行程总数)的比例。该驾驶路线熟悉度指标f的取值范围为[0,1]，取值越大表明驾驶员对驾驶路线越熟悉，该驾驶路线熟悉度指标f能准确反映驾驶员在一定时期内对所驾驶路线的熟悉程度。

该驾驶路线熟悉度计算方法存在如下缺点：

1、该计算方法仅仅可以衡量一段时间内所有的行程的总熟悉度，每次新增行程都需要重新跑完整个驾驶路线熟悉度确定方法流程，才可以计算出驾驶路线熟悉度。需要这样的操作的原因在于：需要多所有的行程进行聚类，得到新增的行程属于哪一类，甚至有可能改变聚类中心的数量，然后才可以使用上述公式计算熟悉度。

2、该计算方法不能计算单条行程的熟悉度，其原因在于：从上述计算公式可以看出，其计算的是所有历史行程的整体熟悉度，因此无法对细粒度行程数据进行区分。

3、该计算方法使用动态时间规划(Derivative dynamic time warping，DTW)计算行程之间的差异，没有考虑到行程1(从A点到B点)和行程2(从B点到A点)之间的实际情况，走过行程1，对于行程2也有一定的熟悉度，如果直接使用DTW进行计算，差异会很大，不符合实际情况。

4、例如，昨天走的一条道路和一个月前走的一条道路的熟悉程度显然有高低之分，但该计算方法中，所有的行程的重要性没有在时间维度上进行区分。

发明内容

针对背景技术中所提及的技术缺陷，本发明实施例的目的在于提供一种基于GPS行程数据评估驾驶路线熟悉度的方法、电子设备及存储介质。

为实现上述目的，第一方面，本发明实施例提供了一种基于GPS行程数据评估驾驶路线熟悉度的方法，包括：

步骤S1：收集车辆历史行程的GPS点数据，对所述GPS点数据进行过滤、行程切分处理，得到每一车辆的所有行程；

步骤S2：针对每一车辆的所有行程，采用DTW算法计算任意两条行程之间的距离；

步骤S3：采用聚类算法对所述距离进行聚类，得到聚类结果；

步骤S4：根据所述聚类结果，采用高斯模型对任意一条新的行程T进行驾驶路线熟悉度评估。

作为本申请的一种具体实现方式，步骤S1中对GPS点数据进行过滤处理具体为：

将经纬度重复且速度为0的GPS点数据进行滤除，仅保留一个点数据；

将时间戳相同的点数据进行滤除，仅保留一个点数据。

进一步地，步骤S1中，利用车载设备上传的车辆状态、车辆速度以及时间进行行程切分，具体为：

去除停车状态下的所有GPS点数据，仅保留行车状态下的行程数据；所述车辆状态包括停车状态和行车状态；

利用停车标识，将车辆预设时间段内收集的所有GPS点数据切分为多条行程；

针对所述行程，利用GPS点数据的时间进行切分。

作为本申请的一种具体实现方式，步骤S2具体为：

采用公式D＝(d₁+d₂+。。。+d_n)/N计算任意两条行程之间的距离；

其中，d₁，d₂，d_n为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。

优选地，作为本申请的一种优选实现方式，步骤S2具体为：

采用公式D＝(d₁+d₂+。。。+d_n)/N计算行程A和行程B之间的第一距离；

将行程A或行程B的GPS序列反转，采用公式D＝(d₁+d₂+。。。+d_n)/N计算行程A和行程B之间的距离，将该距离乘以一个大于1的系数得到第二距离；

取第一距离和第二距离中的较小者作为行程A和行程B之间的距离；

其中，d₁，d₂，d_n为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。

作为本申请的一种具体实现方式，采用CFDP算法或AP算法对所述距离进行聚类，得到聚类结果；所述聚类结构包括每个聚类中心以及每个行程的类别。

作为本申请的一种具体实现方式，步骤S4具体为：

采用公式

确定高斯模型所需的参数：均值μ；

采用公式

确定高斯模型所需的参数：标准差σ；

将参数均值μ和标准差σ带入高斯模型中，计算驾驶路线熟悉度F：

其中，C为聚类中心，Trip_i为该类中的行程。

进一步地，作为本申请的一种优选实现方式，该方法还包括：

步骤S5：重复步骤S2-S4，完成对每一车辆的建模；

步骤S6：保存步骤S3得到的聚类结果和步骤S4中的所有高斯模型。

第二方面，本发明实施例还提供了另一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上述第一方面所述的方法步骤。

第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如上述第一方面所述的方法步骤。

实施本发明实施例，可针对每一条行程的驾驶路线熟悉度进行评估，可为基于驾驶行为数据搭建的预测车辆出险、年度赔付金额模型提供重要特征，从而更加精准的刻画驾驶员的驾驶风险、习惯和风险。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。

图1是本发明实施例提供的基于GPS行程数据评估驾驶路线熟悉度的方法的流程图；

图2是使用DTW算法计算行程之间距离的示意图；

图3是本发明实施例提供的电子设备的一种结构图。

具体实施方式

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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

本发明实施例所涉及的关键术语定义如下：

GPS(全球定位系统,Global Positioning System)

DTW(动态时间规划，Derivative dynamic time warping)

CFDP(密度峰值聚类算法，Clustering by fast search and find of densitypeaks)

AP(邻传播聚类算法，Affinity Propagation)

请参考图1，本发明实施例提供的基于GPS行程数据评估驾驶路线熟悉度的方法，包括如下步骤：

步骤S1：收集车辆历史行程的GPS点数据，对所述GPS点数据进行过滤、行程切分处理，得到每一车辆的所有行程。

具体地，数据过滤主要包括：(1)由于停车在同一位置上次多次GPS点，因此过滤经度纬度重复并且速度为0的点，只保留一个；(2)由于设备、卫星信号以及补点规则等因素的影响会重复上传GPS点，因此过滤时间戳相同的GPS点，只保留一个点数据。

具体地，行程切分主要包括利用车载设备上传的车辆状态(包括停车状态和行车状态)、车辆速度以及时间进行切分，具体为：

停车状态下的所有点都需要去除，只需要保留行车状态下的行程。每两条行程之间都会有一段时间的停车状态速度为0，利用停车状态标识，可以将车辆一段时间内收集的所有GPS点切分为一条一条的行程，再针对该行程使用GPS点的时间进行切分。此外，当两个相邻的GPS点之间的时间大于10分钟再将该行程切分一次。

步骤S2：针对每一车辆的所有行程，采用DTW算法计算任意两条行程之间的距离。

具体地，作为一种具体实现方式，步骤S2包括：

采用公式D＝(d₁+d₂+。。。+d_n)/N计算任意两条行程之间的距离；

其中，d₁，d₂，d_n为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。

优选地，作为另一种优选实现方式，对DTW算法进行了优化，因此步骤S2包括：

采用公式D＝(d₁+d₂+。。。+d_n)/N计算行程A和行程B之间的第一距离；

将行程A或行程B的GPS序列反转，采用公式D＝(d₁+d₂+。。。+d_n)/N计算行程A和行程B之间的距离，将该距离乘以一个大于1的系数得到第二距离；

取第一距离和第二距离中的较小者作为行程A和行程B之间的距离；

其中，d₁，d₂，d_n为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。

举例来说，请参考图2，图中trip_old到trip_new代表两条行程，中间的灰色线条将两条行程中距离最近的点连接起来，例如ABC三个点，C点到trip_new最近的点就是A点，所以AC使用灰色线连接起来，同样B点到trip_new最近的点是A同样将AB相连。C到B之间所有的GPS点到trip_new都是距离A点最近，再将所有灰色线连接的两点之间的距离求和，除以灰色线的条数，即为trip_old到trip_new的距离。

作为一种优化方案，案上述方式先正常计算一次两条行程之间的距离，再将其中一条路径的GPS序列反转后，再次进行计算距离最后乘以一个大于1的系数，取两个距离中较小的最为两条行程之间的距离。这样优化后比较符合实际情况，走过A到B，再走B到A也是相对熟悉的，但是肯定没有从A再次走到B熟悉。即，优化后的方案更加符合实际情况，得到的两条行程之间的距离更加有利于后续驾驶路线熟悉度的准确评估。

步骤S3：采用聚类算法对所述距离进行聚类，得到聚类结果。

具体地，采用CFDP算法或AP算法对所述距离进行聚类。下面以CFDP算法进行举例说明：

使用CFDP聚类算法，需要确定两个参数密度ρ和距离δ。详细步骤如下：

其中ρ_i表示以行程i作为聚类中心时以d_c为半径的圆中有多少个行程，即密度；d_ij表示行程i与行程j直接的距离，d_c为设置的距离阈值，d_ij小于d_c则认为行程i和j属于同一类簇；χ(x)＝1,x<0；χ(x)＝0,otherwise；

其中δ_i表示比行程i密度大的所有行程中，距离行程j最近，行程i和行程j的距离。

此外，数据中总是会出现一个密度最大的行程，该行程的距离δ，直接设置为最大值。

δ_i＝max_j(d_ij)

最后根据密度ρ和距离δ对车辆所有行程进行分类，得到每个聚类中心，以及每个行程的类别。

步骤S4：根据所述聚类结果，采用高斯模型对任意一条新的行程T进行驾驶路线熟悉度评估。

根据步骤3得到的聚类结果使用高斯模型对一条新的行程T进行熟悉度评估，高斯模型需要确定两个参数均值μ和标准差σ，详细步骤如下：

其中C为步骤3得到的聚类中心(行程)，将新的行程和所有的聚类中心进行计算距离，最小的距离作为高斯模型的均值μ。

标准差σ计算公式如下:

其中Trip_i为该类中的行程.

通过上述步骤得到两个参数均值μ和标准差σ，再代入高斯模型中，计算熟悉度F:

步骤S5：重复步骤S2-S4，完成对每一车辆的建模。

步骤S6：保存步骤S3得到的聚类结果和步骤S4中的所有高斯模型。

从以上描述可以得知，实施本发明实施例，可针对每一条行程的驾驶路线熟悉度进行评估，可为基于驾驶行为数据搭建的预测车辆出险、年度赔付金额模型提供重要特征，从而更加精准的刻画驾驶员的驾驶风险、习惯和风险。

可选地，本发明实施例还提供了一种电子设备。如图3所示，上述电子设备可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行如下前述方法实施例所描述的方法步骤。

应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备102可以包括键盘等，输出设备103可以包括显示器(LCD等)、扬声器等。

该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的基于GPS行程数据评估驾驶路线熟悉度的方法的实施例中所描述的实现方式，在此不再赘述。

需要说明的是，关于电子设备部分更为具体的工作流程描述，请参考前述方法实施例部分，在此不再赘述。

此外，对应前述方法实施例及电子设备，本发明实施例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程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：上述基于GPS行程数据评估驾驶路线熟悉度的方法。

所述计算机可读存储介质可以是前述任一实施例所述的系统的内部存储单元，例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备，例如所述系统上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于GPS行程数据评估驾驶路线熟悉度的方法，其特征在于，包括：

步骤S1：收集车辆历史行程的GPS点数据，对所述GPS点数据进行过滤、行程切分处理，得到每一车辆的所有行程；

步骤S2：针对每一车辆的所有行程，采用DTW算法计算任意两条行程之间的距离；

步骤S3：采用聚类算法对所述距离进行聚类，得到聚类结果；

步骤S4：根据所述聚类结果，采用高斯模型对任意一条新的行程T进行驾驶路线熟悉度评估。

2.如权利要求1所述的方法，其特征在于，步骤S1中对GPS点数据进行过滤处理具体为：

将经纬度重复且速度为0的GPS点数据进行滤除，仅保留一个点数据；

将时间戳相同的点数据进行滤除，仅保留一个点数据。

3.如权利要求1所述的方法，其特征在于，步骤S1中，利用车载设备上传的车辆状态、车辆速度以及时间进行行程切分，具体为：

去除停车状态下的所有GPS点数据，仅保留行车状态下的行程数据；所述车辆状态包括停车状态和行车状态；

利用停车标识，将车辆预设时间段内收集的所有GPS点数据切分为多条行程；

针对所述行程，利用GPS点数据的时间进行切分。

4.如权利要求1所述的方法，其特征在于，步骤S2具体为：

采用公式D＝(d₁+d₂+…+d_n)/N计算任意两条行程之间的距离；

其中，d₁，d₂，d_n为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。

5.如权利要求1所述的方法，其特征在于，步骤S2具体为：

采用公式D＝(d₁+d₂+…+d_n)/N计算行程A和行程B之间的第一距离；

将行程A或行程B的GPS序列反转，采用公式D＝(d₁+d₂+…+d_n)/N计算行程A和行程B之间的距离，将该距离乘以一个大于1的系数得到第二距离；

取第一距离和第二距离中的较小者作为行程A和行程B之间的距离；

其中，d₁，d₂，d_n为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。

6.如权利要求1所述的方法，其特征在于，步骤S3中，采用CFDP算法或AP算法对所述距离进行聚类，得到聚类结果；所述聚类结构包括每个聚类中心以及每个行程的类别。

7.如权利要求6所述的方法，其特征在于，步骤S4具体为：

采用公式

确定高斯模型所需的参数：均值μ；

采用公式

确定高斯模型所需的参数：标准差σ；

将参数均值μ和标准差σ带入高斯模型中，计算驾驶路线熟悉度F：

其中，C为聚类中心，Trip_i为该类中的行程。

8.如权利要求1-7任一项所述的方法，其特征在于，还包括：

步骤S5：重复步骤S2-S4，完成对每一车辆的建模；

步骤S6：保存步骤S3得到的聚类结果和步骤S4中的所有高斯模型。

9.一种电子设备，其特征在于，所述电子设备包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求8所述的方法步骤。

10.一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程序，所述计算机程序包括程序指令，其特征在于，所述程序指令被处理器执行时实现如权利要求8所述的方法步骤。

Images