CN115810272A - 一种车辆安全监管方法及系统 - Google Patents

Abstract

本发明涉及车辆监管技术领域，具体为一种车辆安全监管方法及系统；本发明包括根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，根据车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库，采用FP‑树关联挖掘算法得出某道路段的发生超速以及车祸的信息，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管；本发明通过目的地预先对行驶路段发生的事故进行评估，给驾驶员进行风险提醒，增加驾驶员及车辆的安全性。

Description

一种车辆安全监管方法及系统

技术领域

本发明涉及车辆监管技术领域，具体为一种车辆安全监管方法及系统。

背景技术

现有运输车辆安全监控主要靠人为监控为主，即靠司机的自觉性，车辆一旦驶离客运站/检查站就不受控制中心的监控；现有的一些单一功能的监控设备并不能实时将司机车内实况传输到客运管理中心，往往是事后追究但又不能提供科学可靠的判断依据，给驾驶员和公司的安全和利益带来极大的隐患和威胁。

但是，目前各地区的管控措施较为单一，往往通过在高速公路或国道设卡，通过检查驾驶员手机行程码确定该车辆流经地，从而对该车辆采取管控措施。

基于上述问题，仍需对车辆行驶的安全性进行把控，增加安全性。

发明内容

针对上述现有技术的不足，本发明旨在提供一种车辆安全监管方法及系统，以解决目前车辆运行的安全性较低的问题。

为了解决上述问题，本发明采用了如下的技术方案：

一方面，本发明提供一种车辆安全监管方法，包括：

根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，上传至车辆端；

服务器端抽取车辆端储存的车辆预行驶轨迹，根据所述车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库；根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，并将所述某道路段的发生超速及超速的信息发送至车辆端与离线地图进行匹配，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒；

车辆端通过视频监控获取驾驶员驾驶时间情况，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，并将驾驶员驾驶时间匹配实际行驶轨迹进行存储；

设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管。

进一步，所述根据道路信息建立数据仓库，包括：

获取该道路信息涉及的报警信息、车辆企业信息、驾驶员信息和车辆信息，建立得到数据仓库；所述数据仓库包括：不同事件的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司以及超速程度和车祸程度。

进一步，所述根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，包括：

扫描所述数据仓库包括的事件，导出发生超速和车祸的事件集合，并计算发生超速和车祸的事件的事件集合的支持度；

支持度为发生超速和车祸的不同时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司对应的超速程度和车祸程度频繁项得出的样本数占总事件的比值；

将不同样本按支持度进行降序排列，形成频繁项表，构造FP-树；

创建FP-树的根结点，对总事件中的每件事件，选择每件事件的超速程度和车祸程度并按频繁项表的次序进行排列，得出元素表【p/P】，p为第一个元素，P为剩余元素，调用Insert_tree(【p/P】，T)，执行：如果T有子女N使得N.item−name=p.item-name，则N的计数加1，否则创建一个新的节点N，将其计数设置为1，链接到它的父节点T，并且通过节点链结构将其链接到具有相同item-name的节点；如果P非空，递归调用Insert_tree(P，N)；最后挖掘构造的FP-树，由长度为1的频繁模式开始，构造它的条件模式基，再构造它的条件FP-树，并递归地在该树上进行挖掘。模式增长通过后缀模式与由条件FP-树产生的频繁模式连接实现；

对频繁模式完全集中的每一项l，找出l的所有的非空子集，对于每一个非空子集s，计算S(l)/S(s)，其中S（X）表示X的支持度，如果S(l)/S(s)大于等于最小支持度，则产生规则s⇒（l-s)；形成基于不同超速程度和车祸程度的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司信息。

进一步，所述车辆行驶评分包括超速评分和驾驶时间评分；

所述超速评分为服务器获取车辆端车辆本次的实际行驶数据，将所述实际行驶数据与GPS数据的超速阈值进行比对，得出该车辆目前的超速次数，基于超速次数越多，超速评分越大计算超速评分；

所述驾驶时间评分为服务器获取车辆端通过视频监控获取的驾驶员驾驶时间情况，根据同一驾驶员连续驾驶的时间计算驾驶时间评分，同一驾驶员连续驾驶的时间越长，驾驶时间评分越大。

进一步，所述车辆行驶评分还包括疫情风险评分；所述疫情风险评分包括：

服务器获取车辆端记录的车辆实际行驶轨迹，通过车辆实际行驶轨迹得出车辆途经地点和停留时间，将车辆途经地点与疫情公开的高中低风险地点进行匹配得出车辆途经地点的分值，将车辆途经地点的分值与各途经地点对应的停留时间进行相乘累加得出该车辆目前行驶的疫情风险评分。

另一方面，本发明提供一种车辆安全监管系统，包括车辆预行驶轨迹形成模块、提醒模块、驾驶时间监控模块和评分监管模块；

所述车辆预行驶轨迹形成模块，用于根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，上传至车辆端；

所述提醒模块，用于服务器端抽取车辆端储存的车辆预行驶轨迹，根据所述车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库；根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，并将所述某道路段的发生超速及超速的信息发送至车辆端与离线地图进行匹配，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒；

所述驾驶时间监控模块，用于车辆端通过视频监控获取驾驶员驾驶时间情况，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，并将驾驶员驾驶时间匹配实际行驶轨迹进行存储；

所述评分监管模块，用于设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管。

进一步，所述提醒模块包括数据参考建立单元；所述数据参考建立单元用于根据道路信息建立数据仓库，包括：

获取该道路信息涉及的报警信息、车辆企业信息、驾驶员信息和车辆信息，建立得到数据仓库；所述数据仓库包括：不同事件的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司以及超速程度和车祸程度。

进一步，所述提醒模块包括超速及车祸信息挖掘单元；所述超速及车祸信息挖掘单元，用于根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，包括：

扫描所述数据仓库包括的事件，导出发生超速和车祸的事件集合，并计算发生超速和车祸的事件的事件集合的支持度；

支持度为发生超速和车祸的不同时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司对应的超速程度和车祸程度频繁项得出的样本数占总事件的比值；

将不同样本按支持度进行降序排列，形成频繁项表，构造FP-树；

创建FP-树的根结点，对总事件中的每件事件，选择每件事件的超速程度和车祸程度并按频繁项表的次序进行排列，得出元素表【p/P】，p为第一个元素，P为剩余元素，调用Insert_tree(【p/P】，T)，执行：如果T有子女N使得N.item−name=p.item-name，则N的计数加1，否则创建一个新的节点N，将其计数设置为1，链接到它的父节点T，并且通过节点链结构将其链接到具有相同item-name的节点；如果P非空，递归调用Insert_tree(P，N)；最后挖掘构造的FP-树，由长度为1的频繁模式开始，构造它的条件模式基，再构造它的条件FP-树，并递归地在该树上进行挖掘。模式增长通过后缀模式与由条件FP-树产生的频繁模式连接实现；

对频繁模式完全集中的每一项l，找出l的所有的非空子集，对于每一个非空子集s，计算S(l)/S(s)，其中S（X）表示X的支持度，如果S(l)/S(s)大于等于最小支持度，则产生规则s⇒（l-s)；形成基于不同超速程度和车祸程度的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司信息。

进一步，所述评分监管模块包括超速和驾驶时间评分单元；

所述超速和驾驶时间评分单元，用于服务器获取车辆端车辆本次的实际行驶数据，将所述实际行驶数据与GPS数据的超速阈值进行比对，得出该车辆目前的超速次数，基于超速次数越多，超速评分越大计算超速评分；

服务器获取车辆端通过视频监控获取的驾驶员驾驶时间情况，根据同一驾驶员连续驾驶的时间计算驾驶时间评分，同一驾驶员连续驾驶的时间越长，驾驶时间评分越大。

进一步，所述评分监管模块包括疫情风险评分单元；

所述疫情风险评分单元，用于服务器获取车辆端记录的车辆实际行驶轨迹，通过车辆实际行驶轨迹得出车辆途经地点和停留时间，将车辆途经地点与疫情公开的高中低风险地点进行匹配得出车辆途经地点的分值，将车辆途经地点的分值与各途经地点对应的停留时间进行相乘累加得出该车辆目前行驶的疫情风险评分。

本发明的有益效果在于：本发明采用一种车辆安全监管方法及系统，根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，根据车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管；本发明通过目的地预先对行驶路段发生的事故进行评估，给驾驶员进行风险提醒，增加驾驶员及车辆的安全性。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明实施例一种车辆安全监管方法流程示意图。

图2为本发明实施例一种车辆安全监管系统示意图。

具体实施方式

下面结合具体实施例对本发明作进一步的详细说明。

需要说明的是，这些实施例仅用于说明本发明，而不是对本发明的限制，在本发明的构思前提下本方法的简单改进，都属于本发明要求保护的范围。

参见图1，为一种车辆安全监管方法，包括：

S100、根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，上传至车辆端。

作为一种可实施方式，若车辆更换目的地或切换行驶轨迹，则重新生成车辆预行驶轨迹。

S200、服务器端抽取车辆端储存的车辆预行驶轨迹，根据所述车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库；根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，并将所述某道路段的发生超速及超速的信息发送至车辆端与离线地图进行匹配，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒。车辆比如是物流车辆、营运客车等都具有预先可知的目的地，根据目的地可以预先得出预行驶轨迹，可以根据预行驶轨迹生成该预行驶轨迹中与该车辆较为相符的某道路段的发生超速以及车祸的信息，供驾驶员参考。

作为一种可实施方式，S200中，所述根据道路信息建立数据仓库，包括：

获取该道路信息涉及的报警信息、车辆企业信息、驾驶员信息和车辆信息，建立得到数据仓库；所述数据仓库包括：不同事件的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司以及超速程度和车祸程度。

作为一种可实施方式，S200中，所述根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，包括：

扫描所述数据仓库包括的事件，导出发生超速和车祸的事件集合，并计算发生超速和车祸的事件的事件集合的支持度；

支持度为发生超速和车祸的不同时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司对应的超速程度和车祸程度频繁项得出的样本数占总事件的比值；

将不同样本按支持度进行降序排列，形成频繁项表，构造FP-树；

创建FP-树的根结点，对总事件中的每件事件，选择每件事件的超速程度和车祸程度并按频繁项表的次序进行排列，得出元素表【p/P】，p为第一个元素，P为剩余元素，调用Insert_tree(【p/P】，T)，执行：如果T有子女N使得N.item−name=p.item-name，则N的计数加1，否则创建一个新的节点N，将其计数设置为1，链接到它的父节点T，并且通过节点链结构将其链接到具有相同item-name的节点；如果P非空，递归调用Insert_tree(P，N)；最后挖掘构造的FP-树，由长度为1的频繁模式开始，构造它的条件模式基，再构造它的条件FP-树，并递归地在该树上进行挖掘。模式增长通过后缀模式与由条件FP-树产生的频繁模式连接实现；

对频繁模式完全集中的每一项l，找出l的所有的非空子集，对于每一个非空子集s，计算S(l)/S(s)，其中S（X）表示X的支持度，如果S(l)/S(s)大于等于最小支持度，则产生规则s⇒（l-s)；形成基于不同超速程度和车祸程度的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司信息。比如生成：11点-14点，某路段，存在25%出现严重超速，车型为小型货车；等等。

S300、车辆端通过视频监控获取驾驶员驾驶时间情况，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，并将驾驶员驾驶时间匹配实际行驶轨迹进行存储。

S400、设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管。电子围栏可以根据实际需要进行管控的路段，可以在地图上进行灵活的设置，可以为收费站、服务区等等。当该车辆的评分超过设定值，可以针对车辆或者驾驶员采取一定的处理手段。比如当超速评分大于预设值，则管理人员可以对驾驶员进行电话沟通，对驾驶员的超速行为进行强调，责令调整；等等。

作为一种可实施方式，所述车辆行驶评分包括超速评分和驾驶时间评分；

所述超速评分为服务器获取车辆端车辆本次的实际行驶数据，将所述实际行驶数据与GPS数据的超速阈值进行比对，得出该车辆目前的超速次数，基于超速次数越多，超速评分越大计算超速评分；

所述驾驶时间评分为服务器获取车辆端通过视频监控获取的驾驶员驾驶时间情况，根据同一驾驶员连续驾驶的时间计算驾驶时间评分，同一驾驶员连续驾驶的时间越长，驾驶时间评分越大。

作为一种可实施方式，所述车辆行驶评分还包括疫情风险评分；所述疫情风险评分包括：

服务器获取车辆端记录的车辆实际行驶轨迹，通过车辆实际行驶轨迹得出车辆途经地点和停留时间，将车辆途经地点与疫情公开的高中低风险地点进行匹配得出车辆途经地点的分值，将车辆途经地点的分值与各途经地点对应的停留时间进行相乘累加得出该车辆目前行驶的疫情风险评分。疫情公开的高中低风险地点风险越高，地点的分值越大，风险越低，地点的分值越小。

参见图2，为一种车辆安全监管系统，包括车辆预行驶轨迹形成模块100、提醒模块200、驾驶时间监控模块300和评分监管模块400；

所述车辆预行驶轨迹形成模块100，用于根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，上传至车辆端；

所述提醒模块200，用于服务器端抽取车辆端储存的车辆预行驶轨迹，根据所述车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库；根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，并将所述某道路段的发生超速及超速的信息发送至车辆端与离线地图进行匹配，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒；

所述驾驶时间监控模块300，用于车辆端通过视频监控获取驾驶员驾驶时间情况，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，并将驾驶员驾驶时间匹配实际行驶轨迹进行存储；

所述评分监管模块400，用于设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管。

作为一种可实施方式，所述提醒模块200包括数据参考建立单元；所述数据参考建立单元用于根据道路信息建立数据仓库，包括：

获取该道路信息涉及的报警信息、车辆企业信息、驾驶员信息和车辆信息，建立得到数据仓库；所述数据仓库包括：不同事件的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司以及超速程度和车祸程度。

作为一种可实施方式，所述提醒模块200包括超速及车祸信息挖掘单元；所述超速及车祸信息挖掘单元，用于根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，包括：

扫描所述数据仓库包括的事件，导出发生超速和车祸的事件集合，并计算发生超速和车祸的事件的事件集合的支持度；

支持度为发生超速和车祸的不同时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司对应的超速程度和车祸程度频繁项得出的样本数占总事件的比值；

将不同样本按支持度进行降序排列，形成频繁项表，构造FP-树；

创建FP-树的根结点，对总事件中的每件事件，选择每件事件的超速程度和车祸程度并按频繁项表的次序进行排列，得出元素表【p/P】，p为第一个元素，P为剩余元素，调用Insert_tree(【p/P】，T)，执行：如果T有子女N使得N.item−name=p.item-name，则N的计数加1，否则创建一个新的节点N，将其计数设置为1，链接到它的父节点T，并且通过节点链结构将其链接到具有相同item-name的节点；如果P非空，递归调用Insert_tree(P，N)；最后挖掘构造的FP-树，由长度为1的频繁模式开始，构造它的条件模式基，再构造它的条件FP-树，并递归地在该树上进行挖掘。模式增长通过后缀模式与由条件FP-树产生的频繁模式连接实现；

对频繁模式完全集中的每一项l，找出l的所有的非空子集，对于每一个非空子集s，计算S(l)/S(s)，其中S（X）表示X的支持度，如果S(l)/S(s)大于等于最小支持度，则产生规则s⇒（l-s)；形成基于不同超速程度和车祸程度的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司信息。

作为一种可实施方式，所述评分监管模块400包括超速和驾驶时间评分单元；

所述超速和驾驶时间评分单元，用于服务器获取车辆端车辆本次的实际行驶数据，将所述实际行驶数据与GPS数据的超速阈值进行比对，得出该车辆目前的超速次数，基于超速次数越多，超速评分越大计算超速评分；

服务器获取车辆端通过视频监控获取的驾驶员驾驶时间情况，根据同一驾驶员连续驾驶的时间计算驾驶时间评分，同一驾驶员连续驾驶的时间越长，驾驶时间评分越大。

作为一种可实施方式，所述评分监管模块400包括疫情风险评分单元；

所述疫情风险评分单元，用于服务器获取车辆端记录的车辆实际行驶轨迹，通过车辆实际行驶轨迹得出车辆途经地点和停留时间，将车辆途经地点与疫情公开的高中低风险地点进行匹配得出车辆途经地点的分值，将车辆途经地点的分值与各途经地点对应的停留时间进行相乘累加得出该车辆目前行驶的疫情风险评分。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (10)

1.一种车辆安全监管方法，其特征在于，包括：

根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，上传至车辆端；

服务器端抽取车辆端储存的车辆预行驶轨迹，根据所述车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库；根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，并将所述某道路段的发生超速及超速的信息发送至车辆端与离线地图进行匹配，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒；

车辆端通过视频监控获取驾驶员驾驶时间情况，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，并将驾驶员驾驶时间匹配实际行驶轨迹进行存储；

设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管。

2.根据权利要求1所述车辆安全监管方法，其特征在于，所述根据道路信息建立数据仓库，包括：

获取该道路信息涉及的报警信息、车辆企业信息、驾驶员信息和车辆信息，建立得到数据仓库；所述数据仓库包括：不同事件的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司以及超速程度和车祸程度。

3.根据权利要求2所述车辆安全监管方法，其特征在于，所述根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，包括：

扫描所述数据仓库包括的事件，导出发生超速和车祸的事件集合，并计算发生超速和车祸的事件的事件集合的支持度；

支持度为发生超速和车祸的不同时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司对应的超速程度和车祸程度频繁项得出的样本数占总事件的比值；

将不同样本按支持度进行降序排列，形成频繁项表，构造FP-树；

创建FP-树的根结点，对总事件中的每件事件，选择每件事件的超速程度和车祸程度并按频繁项表的次序进行排列，得出元素表【p/P】，p为第一个元素，P为剩余元素，调用Insert_tree(【p/P】，T)，执行：如果T有子女N使得N.item−name=p.item-name，则N的计数加1，否则创建一个新的节点N，将其计数设置为1，链接到它的父节点T，并且通过节点链结构将其链接到具有相同item-name的节点；如果P非空，递归调用Insert_tree(P，N)；最后挖掘构造的FP-树，由长度为1的频繁模式开始，构造它的条件模式基，再构造它的条件FP-树，并递归地在该树上进行挖掘，模式增长通过后缀模式与由条件FP-树产生的频繁模式连接实现；

对频繁模式完全集中的每一项l，找出l的所有的非空子集，对于每一个非空子集s，计算S(l)/S(s)，其中S（X）表示X的支持度，如果S(l)/S(s)大于等于最小支持度，则产生规则s⇒（l-s)；形成基于不同超速程度和车祸程度的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司信息。

4.根据权利要求1所述车辆安全监管方法，其特征在于，所述车辆行驶评分包括超速评分和驾驶时间评分；

所述超速评分为服务器获取车辆端车辆本次的实际行驶数据，将所述实际行驶数据与GPS数据的超速阈值进行比对，得出该车辆目前的超速次数，基于超速次数越多，超速评分越大计算超速评分；

所述驾驶时间评分为服务器获取车辆端通过视频监控获取的驾驶员驾驶时间情况，根据同一驾驶员连续驾驶的时间计算驾驶时间评分，同一驾驶员连续驾驶的时间越长，驾驶时间评分越大。

5.根据权利要求1所述车辆安全监管方法，其特征在于，所述车辆行驶评分还包括疫情风险评分；所述疫情风险评分包括：

服务器获取车辆端记录的车辆实际行驶轨迹，通过车辆实际行驶轨迹得出车辆途经地点和停留时间，将车辆途经地点与疫情公开的高中低风险地点进行匹配得出车辆途经地点的分值，将车辆途经地点的分值与各途经地点对应的停留时间进行相乘累加得出该车辆目前行驶的疫情风险评分。

6.一种车辆安全监管系统，其特征在于，包括车辆预行驶轨迹形成模块、提醒模块、驾驶时间监控模块和评分监管模块；

所述车辆预行驶轨迹形成模块，用于根据车辆的各目的地，将各目的地与GPS进行匹配，形成车辆预行驶轨迹，上传至车辆端；

所述提醒模块，用于服务器端抽取车辆端储存的车辆预行驶轨迹，根据所述车辆预行驶轨迹确定涉及的道路信息，根据道路信息建立数据仓库；根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，并将所述某道路段的发生超速及超速的信息发送至车辆端与离线地图进行匹配，当车辆运行至某道路段时，车辆端进行该路段容易出现超速或发生车祸的提醒；

所述驾驶时间监控模块，用于车辆端通过视频监控获取驾驶员驾驶时间情况，当同一驾驶员连续驾驶超过设定阈值时间时，车辆端则进行超时提醒，并将驾驶员驾驶时间匹配实际行驶轨迹进行存储；

所述评分监管模块，用于设置电子围栏，根据车辆经过电子围栏时计算车辆行驶评分对车辆进行安全监管。

7.根据权利要求6所述车辆安全监管系统，其特征在于，所述提醒模块包括数据参考建立单元；所述数据参考建立单元用于根据道路信息建立数据仓库，包括：

获取该道路信息涉及的报警信息、车辆企业信息、驾驶员信息和车辆信息，建立得到数据仓库；所述数据仓库包括：不同事件的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司以及超速程度和车祸程度。

8.根据权利要求7所述车辆安全监管系统，其特征在于，所述提醒模块包括超速及车祸信息挖掘单元；所述超速及车祸信息挖掘单元，用于根据所述数据仓库，采用FP-树关联挖掘算法得出某道路段的发生超速以及车祸的信息，包括：

扫描所述数据仓库包括的事件，导出发生超速和车祸的事件集合，并计算发生超速和车祸的事件的事件集合的支持度；

支持度为发生超速和车祸的不同时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司对应的超速程度和车祸程度频繁项得出的样本数占总事件的比值；

将不同样本按支持度进行降序排列，形成频繁项表，构造FP-树；

创建FP-树的根结点，对总事件中的每件事件，选择每件事件的超速程度和车祸程度并按频繁项表的次序进行排列，得出元素表【p/P】，p为第一个元素，P为剩余元素，调用Insert_tree(【p/P】，T)，执行：如果T有子女N使得N.item−name=p.item-name，则N的计数加1，否则创建一个新的节点N，将其计数设置为1，链接到它的父节点T，并且通过节点链结构将其链接到具有相同item-name的节点；如果P非空，递归调用Insert_tree(P，N)；最后挖掘构造的FP-树，由长度为1的频繁模式开始，构造它的条件模式基，再构造它的条件FP-树，并递归地在该树上进行挖掘，模式增长通过后缀模式与由条件FP-树产生的频繁模式连接实现；

对频繁模式完全集中的每一项l，找出l的所有的非空子集，对于每一个非空子集s，计算S(l)/S(s)，其中S（X）表示X的支持度，如果S(l)/S(s)大于等于最小支持度，则产生规则s⇒（l-s)；形成基于不同超速程度和车祸程度的时间段、道路段、驾驶员年龄段、驾龄、性别、文化程度、车型和/或公司信息。

9.根据权利要求6所述车辆安全监管系统，其特征在于，所述评分监管模块包括超速和驾驶时间评分单元；

所述超速和驾驶时间评分单元，用于服务器获取车辆端车辆本次的实际行驶数据，将所述实际行驶数据与GPS数据的超速阈值进行比对，得出该车辆目前的超速次数，基于超速次数越多，超速评分越大计算超速评分；

服务器获取车辆端通过视频监控获取的驾驶员驾驶时间情况，根据同一驾驶员连续驾驶的时间计算驾驶时间评分，同一驾驶员连续驾驶的时间越长，驾驶时间评分越大。

10.根据权利要求6所述车辆安全监管系统，其特征在于，所述评分监管模块包括疫情风险评分单元；

所述疫情风险评分单元，用于服务器获取车辆端记录的车辆实际行驶轨迹，通过车辆实际行驶轨迹得出车辆途经地点和停留时间，将车辆途经地点与疫情公开的高中低风险地点进行匹配得出车辆途经地点的分值，将车辆途经地点的分值与各途经地点对应的停留时间进行相乘累加得出该车辆目前行驶的疫情风险评分。

Images