CN115862189A - 预参保运营车辆风险识别方法、系统、设备及存储介质 - Google Patents

Abstract

本申请公开了一种预参保运营车辆风险识别方法、系统、设备及存储介质，其中，所述方法包括：获取车辆行驶报警数据以及驾驶员行为报警数据；基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数；通过本申请所述方案，能够基于车辆行驶报警数据和驾驶员行为报警数据，智能分析车辆或驾驶员的风险，提高了风险识别精度和效率。

Description

预参保运营车辆风险识别方法、系统、设备及存储介质

技术领域

本申请涉及车辆管控领域，尤其涉及一种预参保运营车辆风险识别方法、系统、设备及存储介质。

背景技术

一直以来对运营车辆的保险费率厘定模式属于“从车”模式，在识别预参保车辆风险方面更是空白，随着近10年大数据等新技术的出现，借助大数据，不仅“从车”还可以“从人”，目前运营车辆在某些地方被强制安装带有辅助安全驾驶功能的卫星定位车载智能终端，而此终端一般具备辅助安全驾驶功能。但是许多保险公司并未获取这些设备数据，或者即使获取这些数据也没有挖掘这些数据背后对预参保车辆风险识别提供数据支持。

因此，如何提高预参保的车辆的风险识别的效率和精准度是个亟待解决的技术问题。

发明内容

本申请的目的是提高预参保的车辆风险识别效率和精准度。

本申请的上述技术目的是通过以下技术方案得以实现的：

一种方法，其中，包括：

获取车辆行驶报警数据以及驾驶员行为报警数据；

基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；

基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；

基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数。

本申请上述方案，通过获取车辆行驶报警数据以及驾驶员行为报警数据，并进行任务拆分，基于子任务进行数据清洗，保证数据有效性，再对数据进行整合，便于归类分析，最后进行驾驶风险积分匹配，对应获取到驾驶风险积分，并基于一定的统计范围，进行积分归并计算，最终输出风险系数，结合大数据，进行数据清洗和计算，最终得到对应的风险系数，从而识别车辆或驾驶员的风险。

可选的，所述的预参保运营车辆风险识别方法，其中，获取车辆行驶报警数据以及驾驶员行为报警数据的步骤之后包括：

基于获取的车辆行驶报警数据以及驾驶员报警行驶数据，写入文本文件，并以时间戳命名后存储。

本申请上述方案，将获取的数据写入文本文件，能够便于调取，并且以时间戳明明后存储，能够便于后续的数据归类以及计算的调用，能够便于基于时间区间内的数据计算。

可选的，所述的预参保运营车辆风险识别方法，其中，基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据的步骤包括：逐条遍历子任务中的车辆行驶报警数据以及驾驶员行为报警数据，对每条数据的字段进行对应的阈值对比，当数据的字段与对应的阈值对比为异常数据，则对该条数据作丢弃处理。

本申请上述方案，通过对数据进行阈值对比，能够智能筛选明显不准确的数据，并且丢弃处理，一方面保证数据有效性的同时，减少内存的占用以及减少计算资源浪费。

可选的，所述的预参保运营车辆风险识别方法，其中，基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合的步骤包括：

基于子任务的有效数据，抽取数据的关键属性，将相同属性的数据存储到同一个链表里；对链表按数据按时间戳排序后存储在哈希表里。

本申请上述方案，通过抽取数据的关键属性，将相同属性的数据存储到同一个链表里并按照时间戳排序，进行归类的同时，便于后续的风险积分计算。

可选的，所述的预参保运营车辆风险识别方法，其中，遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分的步骤包括：

基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间；

获取对应的时间间隔内的车辆行驶报警数据和驾驶员行为报警数据，当在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，对应计数一次；

基于对应的时间间隔内，同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据的计数在对应的车辆行驶报警数据和驾驶员行为报警数据区间内，则对应获取风险驾驶积分。

本申请上述方案，通过获取不同的时间间隔关于车辆行驶报警数据和驾驶员行为报警数据不同的区间对应的风险驾驶积分，再结合获取到的对应的时间间隔内的辆行驶报警数据和驾驶员行为报警数据，进行积分计算，保证积分计算的准确性。

可选的，所述的预参保运营车辆风险识别方法，其中，基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间的步骤中，车辆行驶报警数据与驾驶员行为报警数据的不同组合对应有不同的风险驾驶积分。

本申请上述方案，车辆行驶报警数据与驾驶员行为报警数据的不同组合对应不同的风险驾驶积分，能够对不同的场景进行风险积分计算，保证了风险积分计算的准确性。

可选的，所述的预参保运营车辆风险识别方法，其中，遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分的步骤还包括：

对应的时间间隔内，未在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，则计数为0，不记入积分。

本申请上述方案，在对应的时间间隔内没有同时存在车辆行驶报警数据和驾驶员行为报警数据时，则对应不记入积分，能够减少误差，只有在车辆行驶报警数据和驾驶员行为报警数据关联时，才记入积分，提高了积分计算的准确性。

本申请另一方面，公开了一种预参保运营车辆风险识别系统，其中，包括：

数据获取模块，用于获取车辆行驶报警数据以及驾驶员行为报警数据；

任务拆分模块，用于基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；

数据清洗模块，用于基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

数据整合模块，用于基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

积分匹配模块，用于遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；

归并计算模块，用于分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；风险系数输出模块，用于基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数。

本申请上述方案，通过获取车辆行驶报警数据以及驾驶员行为报警数据，并进行任务拆分，基于子任务进行数据清洗，保证数据有效性，再对数据进行整合，便于归类分析，最后进行驾驶风险积分匹配，对应获取到驾驶风险积分，并基于一定的统计范围，进行积分归并计算，最终输出风险系数，结合大数据，进行数据清洗和计算，最终得到对应的风险系数，从而识别车辆或驾驶员的风险。

本申请另一方面，公开了一种预参保运营车辆风险识别设备，其中，包括存储器和处理器，所述存储器存储有能够被所述处理器执行如上所述的预参保运营车辆风险识别方法的计算机程序。

本申请另一方面，公开了一种计算机可读存储介质，其中，存储有能够被处理器加载并执行如上所述的预参保运营车辆风险识别方法的计算机程序。

综上所述，本申请具有至少以下一种有益效果：

1.通过获取车辆行驶报警数据以及驾驶员行为报警数据，并进行任务拆分，基于子任务进行数据清洗，保证数据有效性，再对数据进行整合，便于归类分析，最后进行驾驶风险积分匹配，对应获取到驾驶风险积分，并基于一定的统计范围，进行积分归并计算，最终输出风险系数，结合大数据，进行数据清洗和计算，最终得到对应的风险系数，从而识别车辆或驾驶员的风险。

2.将获取的数据写入文本文件，能够便于调取，并且以时间戳明明后存储，能够便于后续的数据归类以及计算的调用，能够便于基于时间区间内的数据计算。

3.通过对数据进行阈值对比，能够智能筛选明显不准确的数据，并且丢弃处理，一方面保证数据有效性的同时，减少内存的占用以及减少计算资源浪费。

附图说明

图1是本申请预参保运营车辆风险识别方法的步骤流程图。

图2是本申请预参保运营车辆风险识别系统的结构框图。

具体实施方式

以下结合附图对本申请作进一步详细说明。

本申请中，在具体实施过程中，运营车辆按规定安装遵循交通部满足JT/T 794技术要求的车载终端，并且这些终端需具备以下主动安全功能：ADAS(高级驾驶辅助系统)、DSM(驾驶员状态监测)、BSD(盲点监测)。车载终端将车辆行驶过程中的GPS信息(包括经纬度、速度、里程、高程)，ADAS报警，DSM报警，BSD报警上传到监控平台，监控平台将数据存储在分布式文件系统中。

基于上述场景，为了智能识别预参保运营车辆的风险，本申请实施例中，公开了一种预参保运营车辆风险识别方法，参阅图1，为所述方法的步骤流程图，其中，包括：

S1.获取车辆行驶报警数据以及驾驶员行为报警数据；

基于车载终端与交管部门的数据交互，能够得到车辆行驶数据以及驾驶员行为数据，交管部门会基于车辆行驶数据和驾驶员行为数据进行分析，判断是否存在异常驾驶，异常驾驶的评判包括车辆形势异常和驾驶员行为异常，但是两者并不是必然的关系，因此，需要啊建立关联关系，来提高风险识别精度。

车载终端和监控平台之间的通信协议和数据格式遵循JT/T 808的要求。车载终端和监控平台保持TCP长链接，按JT/T 794要求车载终端每隔一定时间，例如10-15秒上报一次数据，该数据包含以下信息：车辆当前经纬度坐标、速度、高程、方向，ADAS报警信息(包括前车碰撞报警、车道偏离报警、超速报警、超时报警)，DSM报警(包括疲劳驾驶报警、接打电话报警、抽烟报警)，BSD报警(包括左盲区报警、右盲区报警，前盲区报警)。

S2.基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；Hadoop任务调度系统根据计算任务规模的大小(取决于车辆数、数据规模)确定任务个数，然后为每个任务分配计算资源并启动任务。假设当前有3个任务，要处理2022.01.01～2022.09.31的数据，以任务1举例说明。任务1启动之后，调用hdfs文件读取接口读取20220101000000.txt～20220331235959.txt的文本文件，按行读取每行解析为一条数据。基于就近原则hadoop任务调度系统会尽量减少数据在网络间传输以提升任务执行效率，比如任务在A节点执行，则尽可能为其分配存储在A节点或从网络拓扑上靠近A节点的文本文件。

S3.基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

任务输入的数据是车载终端的原始数据，由于种种原因，原始数据可能存在异常，比如由于车载终端gps模块定位异常而导致的经纬度异常，或者速度数值异常，或者是adas、dsm、bsd误报，这些数据如果不清洗掉会影响最终的计算结果，导致统计偏差，所以会对数据进行清洗，从而得到有效数据，提高了数据准确性。

S4.基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

聚列散合：为了便于接下来计算环节的运行，在数据散列聚合环节将把清洗后的数据按车辆和驾驶员两个维度进行map(哈希)计算。哈希计算主要是为了将数据统一格式化，便于最后的积分计算。

S5.遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；

对有效数据进行遍历，并且进行驾驶风险的积分匹配，能够对应获得驾驶风险积分，例如在一定时间内，驾驶风险积分过高，则表示用户或者车辆高风险等等，便于进行最终的危险系数获取。

S6.分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；

对驾驶员和车辆进行归并计算，能够得到一定统计范围内的驾驶风险积分，比如说一个月内，或者是一百公里的驾驶里程内，车辆或用户的驾驶风险积分是多少，能够反应真实的驾驶风险系数。

S7.基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数。

通过最终的归并计算的风险积分，对应输出风险系数，能够对预参保的车辆进行风险识别，提高了风险识别的精度和效率。

本申请的一些可能的实施例中，所述的预参保运营车辆风险识别方法，其中，获取车辆行驶报警数据以及驾驶员行为报警数据的步骤之后包括：

基于获取的车辆行驶报警数据以及驾驶员报警行驶数据，写入文本文件，并以时间戳命名后存储。

由于连接监控平台的车载设备可能是几万到几十万，所以监控平台接收的数据是海量的，为了保证数据存储可靠更便于日后对数据进行计算，本方法将数据写入大小约为1G左右的文本文件，每一行是一条完整的数据，以换行符结束，文本文件按时间戳命名：20220926085712.txt、20220926085719.txt，表示文件存储的数据从这个时间点开始，写满1G为止。并存储在hdfs(Hadoop分布式文件系统，高可用、多副本、分片存储，特别适合分布式计算场景)上。

本申请的一些可能的实施例中，所述的预参保运营车辆风险识别方法，其中，基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据的步骤包括：

逐条遍历子任务中的车辆行驶报警数据以及驾驶员行为报警数据，对每条数据的字段进行对应的阈值对比，当数据的字段与对应的阈值对比为异常数据，则对该条数据作丢弃处理。

前述方案提到了，为了保证数据的有效性，需要对数据进行清洗，为了能清洗掉这些数据，子任务逐条便利所有数据，对每条数据的字段经纬度进行阈值判定，即<0度或>90度均视为异常数据，作丢弃处理；对车速<0km/h或>150km/h亦作丢弃处理，被丢弃的数据不进入散列聚合环节，避免计算资源浪费。

本申请的一些可能的实施例中，所述的预参保运营车辆风险识别方法，其中，基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合的步骤包括：

基于子任务的有效数据，抽取数据的关键属性，将相同属性的数据存储到同一个链表里；对链表按数据按时间戳排序后存储在哈希表里。

本申请实施例中，在数据散列聚合环节将把清洗后的数据按车辆和驾驶员两个维度进行map(哈希)计算，此环节有两个计算逻辑：1、抽取数据的关键属性vehivleId(车辆主键)和driverId(驾驶员主键)，将相同vehivleId或driverId的数据视为“同组”，同组数据存储到同一个链表里，2、对链表按数据按时间戳升序排序后存储在哈希表里，即<vehivleId,SortedList<Data>>和<driverId,SortedList<Data>>。能够便于进行数据归类，便于将同一车辆或同一驾驶员的数据进行归类，能够集中处理。

本申请的一些可能的实施例中，所述的预参保运营车辆风险识别方法，其中，遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分的步骤包括：

基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间；

获取对应的时间间隔内的车辆行驶报警数据和驾驶员行为报警数据，当在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，对应计数一次；

基于对应的时间间隔内，同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据的计数在对应的车辆行驶报警数据和驾驶员行为报警数据区间内，则对应获取风险驾驶积分。

本申请实施例中，首先需要确定不同的时间间隔的积分，以及不同的风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间对应的积分，相当于系统中设有一个积分对照表，在获取到对应的时间间隔内的车辆行驶报警数据和驾驶员行为报警数据，当在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，对应计数一次，基于计数的总数落在的区间，对应的，能够获取风险驾驶积分。

本申请的一些可能的实施例中，所述的预参保运营车辆风险识别方法，其中，基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间的步骤中，车辆行驶报警数据与驾驶员行为报警数据的不同组合对应有不同的风险驾驶积分。

本申请实施例中，车辆行驶报警数据中含有多种场景，驾驶员行为报警数据也包含多种场景，不同的组合，对应有不同的风险驾驶积分。对应的在对照表里均有对应的积分和区间。

本申请的一些可能的实施例中，所述的预参保运营车辆风险识别方法，其中，遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分的步骤还包括：

对应的时间间隔内，未在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，则计数为0，不记入积分。

本申请实施例中，例如设计五分钟、半小时、一小时、一天、一周、一月这六种时间窗口。窗口的执行步骤如下：开启窗口，初始化积分score＝0，设置窗口执行标识位＝open,从哈希(Map)读出某辆车的有序列表SortedList<Data>，按上表如出现关联报警则更新score数值(比如：本窗口时间内出现一次疲劳驾驶，一次车道偏离计数为1，而后在这5分钟内出现任意这二种报警之一则累计加1，也就是只有在两种报警同时出现才会计数加1，如果这二种报警在5分钟之内不同时出现则计数为0，不记分)。

从上一个环节散列聚合得到了按驾驶员和车辆聚合的按时间升序排序的有序数据，本环节是本方法的核心环节，将对数据进行关联性计算。基于车辆维度和驾驶员维度的计算从逻辑上讲是一致的只是依赖主体不同，所以本环节只从车辆维度对计算实现进行阐述。

车载终端通过采集车辆行驶图像和驾驶员驾驶图像进而对图像进行基于深度神经网络训练出来的AI算法识别为某种危险驾驶报警事件，这些报警事件本身是独立的，并无相关性，而本方法认为将报警相关性作为关键因子放进计算模型是提高智能识别高风险驾驶行为准确性的关键因素，例如在常识认知里超时驾驶、超速驾驶、疲劳驾驶易于导致安全驾驶事故，然而不是所有的超时驾驶、超速驾驶、疲劳驾驶都会导致安全驾驶事故的发生，车载终端采集的数据是几帧关于车辆或驾驶员的图像，是瞬时的也是割裂的。而本方法认为如果在一个计算周期(本方法定义为时间窗口)之内驾驶员出现DSM报警(疲劳驾驶、抽烟、接打电话)和ADAS报警(车道偏离报警、超速报警、牵扯碰撞报警)则足以表明此车当前处于驾驶风险之中。除了相关性，本方法计算模型采用积分量化驾驶风险，以数据说话(积分越高，风险愈大)。下列表格描述部分报警事件相关性和积分情况举例如下：

MapReduce的任务计算的核心机制叫“滚动时间窗口”(Tumbling Window)，即在时间轴上按固定时间间隔划分成不同窗口，窗口和窗口之间没有重叠。如上表所示本方法设计五分钟、半小时、一小时、一天、一周、一月这六种时间窗口。窗口的执行步骤如下：开启窗口，初始化积分score＝0，设置窗口执行标识位＝open,从哈希(Map)读出某辆车的有序列表SortedList<Data>，按上表如出现关联报警则更新score数值(比如：本窗口时间内出现一次疲劳驾驶，一次车道偏离计数为1，而后在这5分钟内出现任意这二种报警之一则累计加1，如果这二种报警在5分钟之内不同时出现则计数为0，不记分)，另外还需累积行驶里程mileage和累积行驶时长duration(里程和时长只要简单累加即可)，直到某条数据的时间为窗口结束时间，则终止此窗口执行，设置窗口执行标识位＝closed，并将结果下沉(sink)到存储介质(mysql)。输出结果包括如下字段：vehicleId,其实时间戳、行驶里程、行驶时长、结束时间戳、报警次数、积分。接着启动新的窗口，如此循环执行，直到遍历完SortedList<Data>，接着开始计算下一辆车数据，直到遍历完整个哈希表(Map)，任务执行结束。

上述实施例中，仅仅作为解释说明，不同的车辆行驶报警数据和驾驶员行为报警数据的组合，均对应有区间，在进行计数，得到最终的时间范围内的积分。

上一个计算环节主要计算了司机和车辆在不同统计时间窗口内的积分、行驶里程、驾驶时长，在这个环节会进一步基于之前的计算结果基于行驶里程和驾驶时长的归并。归并计算逻辑为：对每个统计时间窗口内的每辆车和司机的结果计算每百公里的积分(积分/百公里)，每行驶1小时的积分(积分/小时)。最后的归并结果输出如下所示(以月度统计为例)：

根据上表结果判断，粤BXXXXX在6.69积分/百公里，2.47积分/小时，是存在较高驾驶风险，可以推断每百公里至少有2次以上危险驾驶报警事件发生，每小时有1次以上危险驾驶报警事件发生，在参保评估时应列为高风险。

本申请另一实施例，公开了一种预参保运营车辆风险识别系统，参阅图2，为所述系统的结构框图，其中，包括：

数据获取模块100，用于获取车辆行驶报警数据以及驾驶员行为报警数据；

任务拆分模块200，用于基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；

数据清洗模块300，用于基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

数据整合模块400，用于基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

积分匹配模块500，用于遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；

归并计算模块600，用于分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；

风险系数输出模块700，用于基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数。

本申请上述各个模块的具体实施在方法步骤中已经对应详细描述，故不在此赘述。

本申请的一些可能的实施例，还公开了一种预参保运营车辆风险识别设备，其中，包括存储器和处理器，所述存储器存储有能够被所述处理器执行如下所述的预参保运营车辆风险识别方法的计算机程序：

获取车辆行驶报警数据以及驾驶员行为报警数据；

基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；

基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；

基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数；

基于获取的车辆行驶报警数据以及驾驶员报警行驶数据，写入文本文件，并以时间戳命名后存储；

逐条遍历子任务中的车辆行驶报警数据以及驾驶员行为报警数据，对每条数据的字段进行对应的阈值对比，当数据的字段与对应的阈值对比为异常数据，则对该条数据作丢弃处理；

基于子任务的有效数据，抽取数据的关键属性，将相同属性的数据存储到同一个链表里；对链表按数据按时间戳排序后存储在哈希表里；

基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间；

获取对应的时间间隔内的车辆行驶报警数据和驾驶员行为报警数据，当在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，对应计数一次；

基于对应的时间间隔内，同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据的计数在对应的车辆行驶报警数据和驾驶员行为报警数据区间内，则对应获取风险驾驶积分；

对应的时间间隔内，未在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，则计数为0，不记入积分。

本申请的一些可能的实施例，还公开了一种计算机可读存储介质，其中，存储有能够被处理器加载并执行如下所述的预参保运营车辆风险识别方法的计算机程序：

获取车辆行驶报警数据以及驾驶员行为报警数据；

基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；

基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；

基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数。

基于获取的车辆行驶报警数据以及驾驶员报警行驶数据，写入文本文件，并以时间戳命名后存储；

逐条遍历子任务中的车辆行驶报警数据以及驾驶员行为报警数据，对每条数据的字段进行对应的阈值对比，当数据的字段与对应的阈值对比为异常数据，则对该条数据作丢弃处理；

基于子任务的有效数据，抽取数据的关键属性，将相同属性的数据存储到同一个链表里；对链表按数据按时间戳排序后存储在哈希表里；

基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间；

获取对应的时间间隔内的车辆行驶报警数据和驾驶员行为报警数据，当在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，对应计数一次；

基于对应的时间间隔内，同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据的计数在对应的车辆行驶报警数据和驾驶员行为报警数据区间内，则对应获取风险驾驶积分；

对应的时间间隔内，未在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，则计数为0，不记入积分。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

本实施例提供一种计算机可读存储介质，由于其存储的计算机程序在处理器上运行之后，能实现前述实施例的各个步骤，因此能够达到与前述实施例相同的技术效果，原理分析可参照前述的相关步骤描述，此处不再赘述。

本具体实施方式的实施例均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种预参保运营车辆风险识别方法，其特征在于，包括：

获取车辆行驶报警数据以及驾驶员行为报警数据；

基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；

基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；

分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；

基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数。

2.根据权利要求1所述的预参保运营车辆风险识别方法，其特征在于，获取车辆行驶报警数据以及驾驶员行为报警数据的步骤之后包括：

基于获取的车辆行驶报警数据以及驾驶员报警行驶数据，写入文本文件，并以时间戳命名后存储。

3.根据权利要求2所述的预参保运营车辆风险识别方法，其特征在于，基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据的步骤包括：

逐条遍历子任务中的车辆行驶报警数据以及驾驶员行为报警数据，对每条数据的字段进行对应的阈值对比，当数据的字段与对应的阈值对比为异常数据，则对该条数据作丢弃处理。

4.根据权利要求2所述的预参保运营车辆风险识别方法，其特征在于，基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合的步骤包括：

基于子任务的有效数据，抽取数据的关键属性，将相同属性的数据存储到同一个链表里；

对链表按数据按时间戳排序后存储在哈希表里。

5.根据权利要求4所述的预参保运营车辆风险识别方法，其特征在于，遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分的步骤包括：

基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间；

获取对应的时间间隔内的车辆行驶报警数据和驾驶员行为报警数据，当在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，对应计数一次；

基于对应的时间间隔内，同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据的计数在对应的车辆行驶报警数据和驾驶员行为报警数据区间内，则对应获取风险驾驶积分。

6.根据权利要求5所述的预参保运营车辆风险识别方法，其特征在于，基于不同的时间间隔，获取风险驾驶积分以及对应的车辆行驶报警数据和驾驶员行为报警数据区间的步骤中，车辆行驶报警数据与驾驶员行为报警数据的不同组合对应有不同的风险驾驶积分。

7.根据权利要求5所述的预参保运营车辆风险识别方法，其特征在于，遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分的步骤还包括：

对应的时间间隔内，未在同一时刻同时存在车辆行驶报警数据和驾驶员行为报警数据时，则计数为0，不记入积分。

8.一种预参保运营车辆风险识别系统，其特征在于，包括：

数据获取模块，用于获取车辆行驶报警数据以及驾驶员行为报警数据；

任务拆分模块，用于基于车辆行驶报警数据以及驾驶员行为报警数据，进行任务拆分，得到子任务；

数据清洗模块，用于基于子任务，对子任务中的车辆行驶报警数据以及驾驶员行为报警数据进行数据清洗，得到有效数据；

数据整合模块，用于基于子任务的有效数据，基于车辆和驾驶员进行分类筛选，分别对相同车辆以及相同的驾驶员的有效数据进行整合；

积分匹配模块，用于遍历子任务中的所有整合后的有效数据，进行驾驶风险积分匹配，对应获取驾驶风险积分；

归并计算模块，用于分别进行驾驶员和车辆在预定统计范围内的驾驶风险积分进行归并计算；

风险系数输出模块，用于基于归并计算的风险积分，对应输出驾驶员或车辆的风险系数。

9.一种预参保运营车辆风险识别设备，其特征在于，包括存储器和处理器，所述存储器存储有能够被所述处理器执行如权利要求1-7任一所述的预参保运营车辆风险识别方法的计算机程序。

10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1-7任一所述的预参保运营车辆风险识别方法的计算机程序。

Images