CN116993156A - 驾驶行为安全等级识别方法、装置及电子设备 - Google Patents

驾驶行为安全等级识别方法、装置及电子设备 Download PDF

Info

Publication number
CN116993156A
CN116993156A CN202310896451.7A CN202310896451A CN116993156A CN 116993156 A CN116993156 A CN 116993156A CN 202310896451 A CN202310896451 A CN 202310896451A CN 116993156 A CN116993156 A CN 116993156A
Authority
CN
China
Prior art keywords
driving behavior
data
classification
behavior data
safety level
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
Application number
CN202310896451.7A
Other languages
English (en)
Inventor
罗智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Great Wall Motor Co Ltd
Original Assignee
Great Wall Motor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN202310896451.7A priority Critical patent/CN116993156A/zh
Publication of CN116993156A publication Critical patent/CN116993156A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种驾驶行为安全等级识别方法、装置及电子设备，该方法应用于驾驶行为安全判定领域，该方法包括：获取驾驶员的当前行程序列数据，当前行程序列数据包括多个第一驾驶行为数据；对每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，其中，分类结果用于表示驾驶员的驾驶行为的危险等级；基于多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据；基于多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级。该方法能够根据驾驶员的当前行程序列数据，客观的识别出驾驶员的驾驶行为安全等级，稳定性好，且识别准确度高。

Description

驾驶行为安全等级识别方法、装置及电子设备
技术领域
本申请涉及驾驶行为安全判定领域，并且更具体地，涉及驾驶行为安全判定领域中一种驾驶行为安全等级识别方法、装置及电子设备。
背景技术
随着人民生活水平的不断提高，越来越多的人选择使用汽车作为出行工具，马路车辆的快速增长意味着会带来更多的安全隐患，提高车辆行驶安全刻不容缓。其中，确定驾驶员的驾驶行为安全等级是重要的基础研究之一。
目前，在对驾驶员的驾驶行为进行安全评级时，主要依赖于主观评价，存在主观性强、稳定性差、且准确度低的问题。
发明内容
本申请提供了一种驾驶行为安全等级识别方法、装置及电子设备，能够解决现有驾驶行为安全等级识别过程中主观性强、稳定性差，且准确度低的问题。
第一方面，提供了一种驾驶行为安全等级识别方法，该方法包括：
获取驾驶员的当前行程序列数据，所述当前行程序列数据包括多个第一驾驶行为数据；
对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果，其中，所述分类结果用于表示驾驶员的驾驶行为的危险等级；
基于多个所述第一驾驶行为数据和多个所述第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据；
基于所述多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级。
上述技术方案中，通过获取驾驶员的当前行程序列数据，当前行程序列数据包括多个第一驾驶行为数据，并对当前行程序列数据的多个第一驾驶行为数据中的每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，再基于多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，得到多个第二驾驶行为数据，并基于多个第二驾驶行为数据，识别出驾驶员的驾驶行为安全等级，识别方法客观公正、稳定性好，且由于第二驾驶行为数据相比第一驾驶行为数据的数据维度更广，有效提高了驾驶员的驾驶行为安全等级识别的准确度，便于推广使用。
结合第一方面，在某些可能的实现方式中，所述对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果，包括：
对每个所述第一驾驶行为数据进行特征提取，得到每个所述第一驾驶行为数据的行为特征；
基于每个所述第一驾驶行为数据的行为特征，对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果。
上述技术方案中，将多个第一驾驶行为数据输入至分类模型中，通过分类模型对多个第一驾驶行为数据中的每个第一驾驶行为数据的行为特征进行提取，并根据第一驾驶行为数据的行为特征，对第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的危险等级的分类结果，获取第一驾驶行为数据的分类结果的方法简单快捷，便于提高驾驶行为安全等级的识别效率。
结合第一方面和上述实现方式，在某些可能的实现方式中，所述基于多个所述第一驾驶行为数据和多个所述第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据，包括：
将每个所述第一驾驶行为数据和与其对应的分类结果进行组合，得到多个第二驾驶行为数据。
上述技术方案中，通过对多个第一驾驶行为数据中每个第一驾驶行为数据和与其对应的分类结果进行组合，得到多个第二驾驶行为数据，第二驾驶行为数据相比第一驾驶行为数据的数据维度更广，使得安全等级识别模型在后续通过第二驾驶行为数据对驾驶员的驾驶行为安全等级进行识别时，识别准确度更高。
结合第一方面和上述实现方式，在某些可能的实现方式中，所述基于所述多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级，包括：
将所述多个第二驾驶行为数据输入至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；
根据每个所述分类子模型输出的安全等级结果，确定驾驶员的驾驶行为安全等级。
上述技术方案中，在将多个第二驾驶行为数据输入至不同的分类子模型的情况下，通过不同的分类子模型输出不同的安全等级结果，并根据不同分类子模型输出的不同安全等级结果，最终确定驾驶员的驾驶行为安全等级，实现驾驶员驾驶行为安全等级的识别，识别准确度高，且稳定性好。
综上，首先，通过分类模型对获取到的驾驶员的当前行程序列数据的多个第一驾驶行为数据中的每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，其次，根据多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，得到多个第二驾驶行为数据，以使原始特征数据与原始特征数据的分类结果一起组成新的特征数据，便于后续可以根据新的特征数据提取出更多新的特征；最后，通过至少两个不同的分类子模型根据多个第二驾驶行为数据，得到至少两个不同的分类子模型输出的安全等级结果，并根据至少两个不同的分类子模型输出的安全等级结果，最终确定出驾驶员的驾驶行为安全等级，实现驾驶员驾驶行为安全等级的识别，其中，通过不同分类子模型对多个第二驾驶行为数据的进行驾驶行为安全等级识别，输出不同分类子模型对应的安全等级结果，并对不同分类子模型的安全等级结果进行融合，并根据融合之后的安全等级结果确定驾驶员的驾驶行为安全等级，能够有效减少单一模型可能存在的偏差，进一步提高了驾驶行为安全等级的识别准确度。
第二方面，提供了一种安全等级识别模型的训练方法，该方法包括：
获取样本行程序列数据，所述样本行程序列数据包括多个第一样本数据；
对多个所述第一样本数据进行分类，得到多个所述第一样本数据的分类结果，其中，所述分类结果用于表示所述第一样本数据对应的驾驶行为的危险等级；
基于多个所述第一样本数据和多个所述第一样本数据的分类结果，确定多个第二样本数据；
基于所述多个第二样本数据，对安全等级识别模型进行训练，其中，所述安全等级识别模型用于基于驾驶员的驾驶行为数据识别驾驶员的驾驶行为安全等级。
上述技术方案中，首先，获取包括多个第一样本数据的样本行程序列数据，并对多个第一样本数据进行分类，得到多个第一样本数据的分类结果；其次，基于多个第一样本数据和多个第一样本数据的分类结果，确定多个第二样本数据；最后，基于多个第二样本数据，对安全等级识别模型进行训练，能够充分利用样本行程序列数据，提高安全等级识别模型的训练效果。
结合第二方面，在某些可能的实现方式中，所述基于多个所述第一样本数据和多个所述第一样本数据的分类结果，确定多个第二样本数据，包括：
对多个所述第一样本数据中的每个所述第一样本数据，将所述第一样本数据和所述第一样本数据的分类结果进行组合，得到多个第二样本数据。
上述技术方案中，将第一样本数据作为原始特征数据，第一样本数据的分类结果则为第一原始特征数据的分类结果，将原始特征数据与原始特征数据的分类结果一起组成新的特征数据，其中，新的特征数据即为第二样本数据，使得后续可以根据新的特征数据提取出更多新的特征，以便更好的对安全等级识别模型进行训练，提高安全等级识别模型的识别准确度。
结合第二方面和上述实现方式，在某些可能的实现方式中，所述安全等级识别模型包括至少两个分类子模型；
所述基于所述多个第二样本数据，对安全等级识别模型进行训练，包括：
将所述多个第二样本数据输入所述至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；
根据所述多个第二样本数据的标注分类结果和每个所述分类子模型输出的安全等级结果，构建第一损失函数；
根据所述第一损失函数，对所述至少两个分类子模型进行训练。
上述技术方案中，通过多个第二样本数据和第一损失函数对至少两个分类子模型分别进行训练，训练效果较好。
第三方面，提供了一种驾驶行为安全等级识别装置，该装置包括：
第一获取模块，用于获取驾驶员的当前行程序列数据，所述当前行程序列数据包括多个第一驾驶行为数据；
第一分类模块，用于对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果，其中，所述分类结果用于表示驾驶员的驾驶行为的危险等级；
第一确定模块，用于基于多个所述第一驾驶行为数据和多个所述第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据；
安全等级识别模块，用于基于所述多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级。
结合第三方面，在某些可能的实现方式中，所述第一分类模块，具体用于：
对每个所述第一驾驶行为数据进行特征提取，得到每个所述第一驾驶行为数据的行为特征；
基于每个所述第一驾驶行为数据的行为特征，对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果。
结合第三方面和上述实现方式，在某些可能的实现方式中，所述第一确定模块，具体用于：
将每个所述第一驾驶行为数据和与其对应的分类结果进行组合，得到多个第二驾驶行为数据。
结合第三方面和上述实现方式，在某些可能的实现方式中，所述安全等级识别模块，具体用于：
将所述多个第二驾驶行为数据输入至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；
根据每个所述分类子模型输出的安全等级结果，确定驾驶员的驾驶行为安全等级。
第四方面，提供了一种安全等级识别模型的训练装置，该装置包括：
第二获取模块，用于获取样本行程序列数据，所述样本行程序列数据包括多个第一样本数据；
第二分类模块，用于对多个所述第一样本数据进行分类，得到多个所述第一样本数据的分类结果，其中，所述分类结果用于表示所述第一样本数据对应的驾驶行为的危险等级；
第二确定模块，用于基于多个所述第一样本数据和多个所述第一样本数据的分类结果，确定多个第二样本数据；
训练模块，用于基于所述多个第二样本数据，对安全等级识别模型进行训练，其中，所述安全等级识别模型用于基于驾驶员的驾驶行为数据识别驾驶员的驾驶行为安全等级。
结合第四方面，在某些可能的实现方式中，所述第二确定模块，具体用于：
对多个所述第一样本数据中的每个所述第一样本数据，将所述第一样本数据和所述第一样本数据的分类结果进行组合，得到多个第二样本数据。
结合第四方面和上述实现方式，在某些可能的实现方式中，所述安全等级识别模型包括至少两个分类子模型；
所述训练模块，具体用于：
将所述多个第二样本数据输入所述至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；
根据所述多个第二样本数据的标注分类结果和每个所述分类子模型输出的安全等级结果，构建第一损失函数；
根据所述第一损失函数，对所述至少两个分类子模型进行训练。
第五方面，提供了一种电子设备，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该电子设备执行上述第一方面或第一方面任意一种可能的实现方式中的方法，或者，使得该电子设备执行上述第二方面或第二方面任意一种可能的实现方式中的方法。
第六方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法，或者，使得该计算机执行上述第二方面或第二方面任意一种可能的实现方式中的方法。
第七方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法，或者，使得该计算机执行上述第二方面或第二方面任意一种可能的实现方式中的方法。
附图说明
图1是本申请实施例提供的一种驾驶行为安全等级识别方法的实施环境示意图；
图2是本申请实施例提供的一种驾驶行为安全等级识别方法的示意性流程图；
图3是本申请实施例提供的一种安全等级识别模型的训练方法的示意性流程图；
图4是本申请实施例提供的一种驾驶行为安全等级识别装置的结构示意图；
图5是本申请实施例提供的一种安全等级识别模型的训练装置的结构示意图；
图6是本申请实施例提供的一种车辆的结构示意图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B：文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或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一个或者多个该特征。
归一化：将取值范围不同的数列映射到(0，1)区间上，便于数据的处理。在一些情况下，归一化后的数值可以直接被实现为概率。
下面，对本申请实施例提供的技术方案的实施环境进行介绍。图1是本申请实施例提供的一种驾驶行为安全等级识别方法的实施环境示意图，参见图1，该实施环境中可以包括车载终端110和服务器120。
车载终端110通过无线网络与服务器140相连，车载终端110包括多种类型的传感器，通过该多种类型的传感器能够获得驾驶员驾驶车载终端110所在车辆时的行程数据，相应地，车载终端110还包括处理器和存储器，存储器用存储传感器采集的信息，处理器用于对存储器中存储的信息进行处理。车载终端110安装和运行有支持获取驾驶员行程数据的应用程序。
服务器140是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在介绍完本申请实施例提供的实施环境之后，下面对本申请实施例的应用场景进行介绍。
本申请实施例提供的技术方案能够应用在各类应用驾驶员驾驶行为安全等级的场景中，比如，应用在能够提供驾驶行为安全等级识别的车载智能系统中，或者应用在根据驾驶行为安全等级对车辆保险进行定价的车辆保险定价系统中，或者应用在驾驶员培训系统中对驾驶员的驾驶技术进行安全等级识别，本申请实施例对此不作限定。
在本申请实施例提供的技术方案应用在提供驾驶行为安全等级识别的车载智能系统中为例，在使用车载智能系统提供的驾驶行为安全等级识别功能时，车载终端获取驾驶员的当前行程序列数据，当前行程序列数据包括驾驶员的多个第一驾驶行为数据，该车载终端为运行支持获取驾驶员行程数据的应用程序的车载终端；车载终端对多个第一驾驶行为数据中的每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，车载终端再根据多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，得到多个第二驾驶行为数据；在得到多个第二驾驶行为数据之后，车载终端再基于多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级，从而实现驾驶员驾驶行为安全等级的识别。
介绍完本申请实施例的实施环境和应用场景之后，下面对本申请实施例提供的技术方案进行说明。参见图2，以执行主体为车辆的车载终端为例，该驾驶行为安全等级识别方法包括下述步骤。
图2是本申请实施例提供的一种驾驶行为安全等级识别方法的示意性流程图。
示例性的，如图2所示，该方法200包括：
步骤201，车载终端获取驾驶员的当前行程序列数据，当前行程序列数据包括多个第一驾驶行为数据。
其中，当前行程序列数据是指车载终端在目标时间段内获取到的驾驶员的多个第一驾驶行为数据的序列集合，多个第一驾驶行为数据按照时间先后顺序排列组成当前行程序列数据。
需要说明的是，目标时间段的终止时刻为当前时刻，目标时间段的时长为预设时长，目标时间段的起始时刻为当前时刻之前，且与当前时刻之间的时间间隔为预设时长的时刻，预设时长可以由开发者自行设置，本实施例对此不做具体限定。例如，预设时长可以为5分钟。
例如，车载终端需要在2022年5月31日的10:05:00获取驾驶员的当前行程序列数据，则车载终端获取到的当前行程序列数据为2022年5月31日的10:00:00至2022年5月31日的10:05:00驾驶员的第一驾驶行为数据的序列集合。
其中，第一驾驶行为数据包括驾驶员在驾驶过程中的平均速度、急加速次数、急刹车次数、频繁变道次数和频繁转向次数中的至少一项。
其中，平均速度为驾驶员在第一时间段的平均车速，第一时间段为目标时间段的子时间段。
急加速次数为驾驶员在目标时间段内紧急加速的次数，其中，在车辆加速速度大于预设加速速度的情况下，认为驾驶员进行了一次急加速，预设加速速度可以由开发者自行设置，本实施例对此不做具体限定。例如，预设加速速度可以为30米/秒。
急刹车次数为驾驶员在目标时间段内紧急刹车的次数，其中，在车辆减速速度大于预设减速速度的情况下，认为驾驶员进行了一次急减速，预设减速速度可以由开发者自行设置，本实施例对此不做具体限定。例如，预设减速速度可以为20米/秒。
频繁变道次数为驾驶员在目标时间段内频繁变道的次数，其中，在车辆在1分钟内变更车道的次数大于第一预设值的情况下，则认为驾驶员进行一次频繁变道，第一预设值可以由开发者自行设置，本实施例对此不做具体限定。例如，第一预设值可以为3。
频繁转向次数为驾驶员在目标时间段内频繁转动方向盘的次数，其中，在驾驶员在1分钟内转动方向盘的次数大于第二预设值的情况下，则认为驾驶员进行了一次频繁转向，第二预设值可以由开发者自行设置，本实施例对此不做具体限定。例如，第二预设值可以为5。
在本申请实施例中，第一驾驶行为数据可以是通过车辆上各类传感器所采集的速度数据、加速度数据和方向盘转向数据中的一种或多种。这些传感器采集的数据能够反映出驾驶过程中车辆的形式状态，从而反映驾驶员的诸如急加速、急减速、频繁变道、频繁转向等驾驶决策。
一般来说，车载终端包括多种用于采集数据的传感器，例如，用于采集角速度的陀螺仪，用于采集纵向加速度、横向加速度或垂直加速度的加速度计，用于采集方向盘转动角度和转向传感器，这些传感器采集到的数据可以直接传输到车载终端的处理器中。
在本申请实施例中，第一驾驶行为数据包括驾驶员在驾驶过程中的平均速度、急加速次数、急刹车次数、频繁变道次数和频繁转向次数，通过多方面获取驾驶员的驾驶行为数据对驾驶员的驾驶行为安全等级进行识别，能够保证驾驶员驾驶行为安全等级的识别准确度。
步骤202，车载终端对每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，其中，分类结果用于表示驾驶员的驾驶行为的危险等级。
其中，第一驾驶行为数据的分类结果用于表示驾驶员产生第一驾驶行为数据时的驾驶行为的危险等级，第一驾驶行为数据的分类类别可以包括多个类别，本实施例对此不做具体限定。例如，分类类别可以包括低危险性(0)、中低危险性(1)、中危险性(2)、高危险性(3)。
在本申请实施例中，在步骤202之前，该方法200还包括：步骤2011，对多个第一驾驶行为数据进行数据处理，得到多个数据处理后的第一驾驶行为数据。
其中，对多个第一驾驶行为数据进行数据处理，具体包括：首先，对多个第一驾驶行为数据进行数据清洗；其次，对多个第一驾驶行为数据中的丢失值和异常值进行处理，确保所有数据的正确性和一致性；最后，为了使不同范围的第一驾驶行为数据在安全等级模型识别中具有相同的影响力，需要对第一驾驶行为数据进行归一化处理，使用Z-Score标准化，将第一驾驶行为数据的特征的分布调整为均值为0，标准差为1。
在本申请实施例中，通过对获取到的多个第一驾驶行为数据进行数据处理，能够有效提高第一驾驶行为数据的真实可信度，使数据处理起来更加便捷快速，同时，便于不同单位或量级的指标能够进行加权和比较，也便于更好的对驾驶员的驾驶行为安全等级进行识别。
进一步地，在步骤202中，车载终端对步骤2011中得到的多个数据处理后的第一驾驶行为数据中的每个数据处理后的第一驾驶行为数据进行分类，得到每个数据处理后的第一驾驶行为数据的分类结果。
例如，在数据处理后的第一驾驶行为数据为平均速度为40千米/时，车载终端对数据处理后的第一驾驶行为数据进行分类，确定数据处理后的第一驾驶行为数据的分类结果为低危险性。
例如，在数据处理后的第一驾驶行为数据为平均速度为130千米/时，车载终端对数据处理后的第一驾驶行为数据进行分类，确定数据处理后的第一驾驶行为数据的分类结果为高危险性。
步骤203，车载终端基于多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据。
其中，在车载终端得到多个数据处理后的第一驾驶行为数据的分类结果之后，车载终端对每个数据处理后的第一驾驶行为数据和该数据处理后的第一驾驶行为数据对应的分类结果进行组合，得到多个第二驾驶行为数据，第二驾驶行为数据与第一驾驶行为数据的数量相等且一一对应。
需要说明的是，第二驾驶行为数据的数据维度相比第一驾驶行为数据的数据维度更广，车载终端根据第二驾驶行为数据可以获得驾驶员更多的行为特征，进而能够有效提高安全等级识别模型的识别准确度。
步骤204，车载终端基于多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级。
其中，驾驶员的驾驶行为安全等级可以分为多个等级，本实施例对此不做具体限定。例如，驾驶行为安全等级可以分为四个等级，四个等级分别为优秀、良好、及格和不及格。
在本申请实施例中，该驾驶行为安全等级识别方法可以应用于车载智能系统中，使车载智能系统在车辆行驶过程中对驾驶员的驾驶行为进行实时分析和评级，在车载智能系统检测到驾驶员的驾驶行为存在安全风险的情况下，车载智能系统可以即时提供预警或建议，帮助司机改善驾驶习惯，提高行车安全，减少交通事故，有助于保护人们的生命财产安全。
在本申请实施例中，该驾驶行为安全等级识别方法还可以应用于保险公司的保险定价系统中，通过对驾驶员的驾驶行为进行评级，并根据评级结果决定驾驶员的汽车保险的定价，可以更公平地分配保险费用，同时，也可以激励驾驶员改善驾驶行为，降低交通事故发生的概率。
在本申请实施例中，该驾驶行为安全等级识别方法还可以应用于驾驶培训机构的培训系统中，通过对驾驶学员的驾驶行为进行评级，帮助驾驶学员理解自己的驾驶习惯和行为，找出存在的问题和改进的方向，也便于驾驶培训机构提供更加个性化、具有针对性的培训，帮助驾驶学员更有效地改善驾驶行为，提高驾驶安全，提升驾驶员培训的效果。
综上，本申请通过车载终端获取驾驶员的当前行程序列数据，当前行程序列数据包括多个第一驾驶行为数据，并对当前行程序列数据的多个第一驾驶行为数据中的每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，再基于多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，得到多个第二驾驶行为数据，并基于多个第二驾驶行为数据，识别出驾驶员的驾驶行为安全等级，识别方法客观公正、稳定性好，且由于第二驾驶行为数据相比第一驾驶行为数据的数据维度更广，有效提高了驾驶员的驾驶行为安全等级识别的准确度，便于推广使用。
在一种可能的实施方式中，步骤202，车载终端对每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，具体包括步骤2021和步骤2022。
步骤2021，车载终端对每个第一驾驶行为数据进行特征提取，得到每个第一驾驶行为数据的行为特征。
其中，车载终端包括分类模型，在执行步骤2021之前，车载终端将每个数据处理后的第一驾驶行为数据均输入至分类模型中，以使在步骤2021中，分类模型能够对每个数据处理后的第一驾驶行为数据进行特征提取，得到每个数据处理后的第一驾驶行为数据的时间特征、地点特征、环境特征等；时间特征用于表示数据处理后的第一驾驶行为数据的采集时间，地点特征用于表示数据处理后的第一驾驶行为数据采集时车辆所在位置，环境特征用于表示数据处理后的第一驾驶行为数据采集时车辆周围的环境。
需要说明的是，分类模型用于对数据处理后的第一驾驶行为数据的危险等级进行分类，得到数据处理后的第一驾驶行为数据的分类结果；分类模型为使用分类与回归树(Classification And Regression Tree，CART)算法构建的决策树模型。
在本申请实施例中，通过分类模型对每个数据处理后的第一驾驶行为数据进行特征提取，能够进一步得到数据处理后的第一驾驶行为数据的时间特征、地点特征、环境特征等行为特征，便于分类模型根据数据处理后的第一驾驶行为数据的行为特征，更准确的对数据处理后的第一驾驶行为数据的危险等级进行分类。
步骤2022，基于每个第一驾驶行为数据的行为特征，对每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果。
其中，车载终端通过分类模型中预先建立的危险等级映射表对每个数据处理后的第一驾驶行为数据的行为特征进行映射，得到每个第一驾驶行为数据的分类结果。
需要说明的是，危险等级映射表包括至少一个第一驾驶行为数据的行为特征以及至少第一驾驶行为数据的危险等级，用于指示第一驾驶行为数据与危险等级之间的关系。
示例性的，版本映射表可以如表1所示：
表1
在本申请实施例中，在建立危险等级映射表的情况下，根据预设的划分规则对多个危险等级进行划分，不同危险等级包括不同的行为特征范围，在分类模型通过危险等级映射表对第一驾驶行为数据的行为特征进行映射的情况下，分类模型可以根据第一驾驶行为数据的行为特征所属范围，确定第一驾驶行为数据的危险等级，进而确定第一驾驶行为数据的分类结果。
例如，在数据处理后的第一驾驶行为数据为平均速度为115千米/时的情况下，分类模型对数据处理后的第一驾驶行为数据进行特征提取，得到数据处理后的第一驾驶行为数据的时间特征为2022年12月26日凌晨2点，地点特征为xx高速公路，环境特征为车流量很小，则分类模型对数据处理后的第一驾驶行为数据的行为特征进行映射，得到数据处理后的第一驾驶行为数据的分类结果为中低危险性(1)。
又例如，在数据处理后的第一驾驶行为数据为平均速度为115千米/时的情况下，分类模型对数据处理后的第一驾驶行为数据进行特征提取，得到数据处理后的第一驾驶行为数据的时间特征为2022年12月26日早上9点，地点特征为xx城市的城市道路，环境特征为车流量很大，则分类模型对数据处理后的第一驾驶行为数据的行为特征进行映射，得到数据处理后的第一驾驶行为数据的分类结果为高危险性(3)。
在本申请实施例中，车载终端将多个数据处理后的第一驾驶行为数据输入至分类模型中，通过分类模型对多个数据处理后的第一驾驶行为数据中的每个数据处理后的第一驾驶行为数据的行为特征进行提取，并根据数据处理后的第一驾驶行为数据的行为特征和预先建立的映射表，确定处理后的第一驾驶行为数据的分类结果，获取分类结果的方法简单快捷，便于提高驾驶行为安全等级的识别效率。
在一种可能的实施方式中，步骤203，车载终端基于多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据，具体包括：车载终端将每个第一驾驶行为数据和与其对应的分类结果进行组合，得到多个第二驾驶行为数据。
在本申请实施例中，在车载终端得到多个数据处理后的第一驾驶行为数据和多个数据处理后的第一驾驶行为数据的分类结果的情况下，车载终端将每个数据处理后的第一驾驶行为数据和该数据处理后的第一驾驶行为数据的分类结果进行组合，即可得到该数据处理后的第一驾驶行为数据对应的第二驾驶行为数据，进而得到多个第二驾驶行为数据。
例如，在数据处理后的第一驾驶行为数据为130千米/时(1，1，1，1)，且该数据处理后的第一驾驶行为数据的分类结果为高危险性(3)的情况下，车载终端对该数据处理后的第一驾驶行为数据和该数据处理后的第一驾驶行为数据的分类结果进行组合，得到该数据处理后的第一驾驶行为数据对应的第二驾驶行为数据(1，1，1，1，3)。
在本申请实施例中，车载终端根据多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，得到多个第二驾驶行为数据，第二驾驶行为数据相比第一驾驶行为数据的数据维度更广，使得安全等级识别模型在后续通过第二驾驶行为数据对驾驶员的驾驶行为安全等级进行识别时，识别准确度更高。
在一种可能的实施方式中，步骤204，车载终端基于多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级，具体包括步骤2041和步骤2042。
步骤2041，将多个第二驾驶行为数据输入至少两个分类子模型中，得到至少两个分类子模型中每个分类子模型输出的安全等级结果。
其中，分类子模型的数量至少为两个，每个分类子模型输出的安全等级结果为安全等级序列和安全等级序列中每个安全等级的概率值。
需要说明的是，不同分类子模型输出的安全等级结果中的安全等级序列相同，但是，不同分类子模型输出的安全等级序列中同一安全等级的概率值可以相同，也可以不同。
在本申请实施例中，以分类子模型的数量为两个，且一个为第一分类子模型，另一个为第二分类子模型对本实施例进行说明。
在步骤2041中，将多个第二驾驶行为数据输入第一分类子模型中，得到第一分类子模型输出的第一安全等级序列和第一安全等级序列中每个安全等级的概率值；同时，将多个第二驾驶行为数据输入第二分类子模型中，得到第二分类子模型输出的第二安全等级序列和第二安全等级序列中每个安全等级的概率值。
进一步地，第一分类子模型为梯度提升框架(Light Gradient BoostingMachine，LightGBM)分类模型，第二分类子模型为朴素贝叶斯分类模型。
在本申请实施例中，第一安全等级序列和第二安全等级序列相同，通过第一分类子模型输出的第一安全等级序列和第二分类子模型输出的第二安全等级序列中同一安全等级的概率值可以相同，也可以不同。
例如，第一分类子模型输出的第一安全等级序列包括优秀、良好、及格和不及格四个等级，且第一安全等级序列中驾驶行为安全等级为优秀的概率值为70％，第一安全等级序列中驾驶行为安全等级为良好的概率值为28％，第一安全等级序列中驾驶行为安全等级为及格的概率值为1.8％，第一安全等级序列中驾驶行为安全等级为不及格的概率值为0.2％；第二分类子模型输出的第二安全等级序列也包括优秀、良好、及格和不及格四个等级，且第二安全等级序列中驾驶行为安全等级为优秀的概率值为60％，第二安全等级序列中驾驶行为安全等级为良好的概率值为35％，第二安全等级序列中驾驶行为安全等级为及格的概率值为4％，第二安全等级序列中驾驶行为安全等级为不及格的概率值为1％。
步骤2042，车载终端根据每个分类子模型输出的安全等级结果，确定驾驶员的驾驶行为安全等级。
其中，在得到每个分类子模型输出的安全等级结果之后，车载终端根据预设规则从每个分类子模型输出的安全等级结果中确定驾驶员的驾驶行为安全等级。
在一个实施例中，预设规则可以为：首先，确定每个分类子模型输出的安全等级结果中最大概率值对应的安全等级是否相同，在相同的情况下，将最大概率值对应的安全等级确定为驾驶员的驾驶行为安全等级；在不同的情况下，计算所有分类子模型输出的安全等级结果中同一安全等级的概率值之和，将概率值之和最大的安全等级确定为驾驶员的驾驶行为安全等级。
例如，在至少两个分类子模型包括第一分类子模型和第二分类子模型，且第一分类子模型输出的第一安全等级序列包括优秀、良好、及格和不及格四个等级，第一安全等级序列中驾驶行为安全等级为优秀的概率值为70％，第一安全等级序列中驾驶行为安全等级为良好的概率值为28％，第一安全等级序列中驾驶行为安全等级为及格的概率值为1.8％，第一安全等级序列中驾驶行为安全等级为不及格的概率值为0.2％；第二分类子模型输出的第二安全等级序列包括优秀、良好、及格和不及格四个等级，第二安全等级序列中驾驶行为安全等级为优秀的概率值为60％，第二安全等级序列中驾驶行为安全等级为良好的概率值为35％，第二安全等级序列中驾驶行为安全等级为及格的概率值为4％，第二安全等级序列中驾驶行为安全等级为不及格的概率值为1％的情况下，第一分类子模型输出的安全等级结果中最大概率值对应的安全等级为优秀等级，第二分类子模型输出的安全等级结果中最大概率值对应的安全等级也为优秀等级，因此，驾驶员的驾驶行为安全等级为优秀等级。
又例如，在至少两个分类子模型包括第一分类子模型和第二分类子模型，且第一分类子模型输出的第一安全等级序列包括优秀、良好、及格和不及格四个等级，第一安全等级序列中驾驶行为安全等级为优秀的概率值为60％，第一安全等级序列中驾驶行为安全等级为良好的概率值为38％，第一安全等级序列中驾驶行为安全等级为及格的概率值为1.8％，第一安全等级序列中驾驶行为安全等级为不及格的概率值为0.2％；第二分类子模型输出的第二安全等级序列包括优秀、良好、及格和不及格四个等级，第二安全等级序列中驾驶行为安全等级为优秀的概率值为40％，第二安全等级序列中驾驶行为安全等级为良好的概率值为46％，第二安全等级序列中驾驶行为安全等级为及格的概率值为13％，第二安全等级序列中驾驶行为安全等级为不及格的概率值为1％的情况下，第一分类子模型输出的安全等级结果中最大概率值对应的安全等级为优秀等级，第二分类子模型输出的安全等级结果中最大概率值对应的安全等级为良好等级，即第一分类子模型输出的安全等级结果中最大概率值对应的安全等级与第二分类子模型输出的安全等级结果中最大概率值对应的安全等级不同，则计算第一分类子模型输出的安全等级结果和第二分类子模型输出的安全等级结果中同一安全等级的概率值之和，其中，优秀等级的概率值之和为100％，良好等级的概率值之和为84％，及格等级的概率值之和为14.8，不及格等级的概率值之歌为1.2％，因此，驾驶员的驾驶行为安全等级为优秀等级。
在另一个实施例中，预设规则可以为：首先，根据每个分类子模型的置信度和准确率，确定每个分类子模型输出的安全等级序列中每个安全等级的加权参数；其次，计算所有分类子模型输出的安全等级结果中同一安全等级的加权概率之和，最后，将加权概率之最大的安全等级确定为驾驶员的驾驶行为安全等级。
需要说明的是，预设规则可以由开发者自行设定，本实施例对此不做具体限定。
在本申请实施例中，车载终端在将多个第二驾驶行为数据输入至不同的分类子模型的情况下，通过不同的分类子模型输出不同的安全等级结果，并根据不同分类子模型输出的不同安全等级结果，最终确定驾驶员的驾驶行为安全等级，实现驾驶员驾驶行为安全等级的识别，识别准确度高，且稳定性好。
通过本申请实施例提供的技术方案，车载终端首先通过分类模型，对获取到的驾驶员的当前行程序列数据的多个第一驾驶行为数据中的每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，其次，车载终端根据多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，得到多个第二驾驶行为数据，以使原始特征数据与原始特征数据的分类结果一起组成新的特征数据，便于车载终端后续可以根据新的特征数据提取出更多新的特征；最后，车载终端通过至少两个不同的分类子模型根据多个第二驾驶行为数据，得到至少两个不同的分类子模型输出的安全等级结果，并根据至少两个不同的分类子模型输出的安全等级结果，最终确定出驾驶员的驾驶行为安全等级，实现驾驶员驾驶行为安全等级的识别，其中，通过不同分类子模型对多个第二驾驶行为数据的进行驾驶行为安全等级识别，输出不同分类子模型对应的安全等级结果，并对不同分类子模型的安全等级结果进行融合，并根据融合之后的安全等级结果确定驾驶员的驾驶行为安全等级，能够有效减少单一模型可能存在的偏差，进一步提高了驾驶行为安全等级的识别准确度。
为了对本申请实施例提供的技术方案进行更加清楚地说明，下面对该安全等级识别模型的训练方法进行说明，以安全等级识别模型的训练方法的执行主体为服务器为例，参见图3，该方法300包括下述步骤301～步骤304，安全等级识别模型的训练包括多个迭代过程，下面以一个迭代过程为例进行说明，其它迭代过程属于同一发明构思。
步骤301，服务器获取样本行程序列数据，样本行程序列数据包括多个第一样本数据。
其中，样本行程序列数据是用于进行安全等级识别模型训练的数据，样本行程序列数据可以为驾驶员的历史行程数据。
其中，第一样本数据的类型与第一驾驶行为数据的类型相同。
步骤302，对多个第一样本数据进行分类，得到多个第一样本数据的分类结果，其中，分类结果用于表示第一样本数据对应的驾驶行为的危险等级。
其中，第一样本数据的分类结果的类别和规则均与第一驾驶行为数据的分类结果的类别和规则相同。
在本申请实施例中，在步骤302之前，该方法300还包括：步骤3011，对多个第一样本数据进行数据处理，得到多个数据处理后的第一样本数据。
其中，通过对多个第一样本数据进行数据处理，能够有效提高多个第一样本数据的真实可信度，便于更好的对安全等级识别模型进行训练。
在本申请实施例中，步骤302，服务器对多个第一样本数据进行分类，得到多个第一样本数据的分类结果，具体包括步骤3021～步骤3024。
步骤3021，服务器将多个第一样本数据输入分类模型，由分类模型对每个第一样本数据进行分类，得到第一样本数据的预测分类结果。
其中，服务器将多个数据处理后的第一样本数据输入分类模型，通过多个数据处理后的第一样本数据对分类模型进行训练。
步骤3022，服务器根据第一样本数据的预测分类结果和第一样本数据构建第一损失函数。
其中，服务器根据分类模型对数据处理后的第一样本数据的分类结果和数据处理后的第一样本数据，构建第二损失函数。
步骤3023，在第二损失函数收敛到预设损失函数值或分类模型的训练轮数达到预设训练轮数的情况下，完成分类模型的训练。
其中，预设损失函数值可以由开发者自行设置，本实施例对此不做具体限定，例如，预设损失函数值可以为0.9。
其中，预设训练轮数可以由开发者自行设置，本实施例对此不做具体限定，例如，预设训练轮数可以为25。
在本申请实施例中，可以在第二损失函数收敛到预设损失函数值的情况下，认为完成分类模型的训练，也可以在分类模型的训练轮数达到预设训练轮数的情况下，认为完成分类模型的训练，还可以在第二损失函数收敛到预设损失函数值且训练轮数达到预设训练轮数的情况下，认为完成分类模型的训练，本实施例对此不做具体限定。
步骤3024，由训练完成的分类模型对多个第一样本数据进行分类，得到多个第一样本数据的分类结果。
在本申请实施例中，服务器通过数据处理后的第一样本数据对分类模型进行训练，使得分类模型能够对驾驶员的原始驾驶行为数据的危险等级进行分类，得到驾驶员的原始驾驶行为数据的分类结果。
步骤303，服务器基于多个第一样本数据和多个第一样本数据的分类结果，确定多个第二样本数据。
在一种可能的实施方式中，步骤303，服务器基于多个第一样本数据和多个第一样本数据的分类结果，确定多个第二样本数据，具体包括：对多个第一样本数据中的每个第一样本数据，将第一样本数据和第一样本数据的分类结果进行组合，得到多个第二样本数据。
其中，服务器基于多个第一样本数据和多个第一样本数据的分类结果，确定多个第二样本数据的方式与上述步骤203所描述的方式属于同一发明构思，实现过程不再赘述。
在本申请实施例中，服务器将第一样本数据作为原始特征数据，并将原始特征数据与原始特征数据的分类结果一起组成新的特征数据，其中，新的特征数据即为第二样本数据，使得服务器后续可以根据新的特征数据提取出更多新的特征，以便服务器更好的对安全等级识别模型进行训练，提高安全等级识别模型的识别准确度。
步骤304，服务器基于多个第二样本数据，对安全等级识别模型进行训练，其中，安全等级识别模型用于基于驾驶员的驾驶行为数据识别驾驶员的驾驶行为安全等级。
在一种可能的实施方式中，安全等级识别模型包括至少两个分类子模型。
步骤304，服务器基于多个第二样本数据，对安全等级识别模型进行训练，具体包括步骤3041～步骤3043。
步骤3041，服务器将多个第二样本数据输入至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果。
其中，服务器通过多个第二样本数据对至少两个分类子模型分别进行训练，以使至少两个分类子模型均能够对驾驶员的驾驶行为安全等级进行初步识别。
步骤3042，服务器根据多个第二样本数据的标注分类结果和每个所述分类子模型输出的安全等级结果，构建第一损失函数。
其中，服务器根据多个第二样本数据的标注分类结果和每个所述分类子模型输出的安全等级结果，联合构建第一损失函数。
步骤3044，服务器根据第一损失函数，对至少两个分类子模型进行训练。
在本申请实施例中，服务器通过多个第二样本数据和第一损失函数对至少两个分类子模型分别进行训练，训练效果较好。
综上，首先，服务器获取样本对象的样本行程序列数据，样本行程序列数据包括多个第一样本数据；并对多个第一样本数据进行分类，得到多个第一样本数据的分类结果；其次，基于多个第一样本数据和多个第一样本数据的分类结果，确定多个第二样本数据；最后，基于多个第二样本数据，对该安全等级识别模型进行训练，能够充分利用样本行程序列数据，提高安全等级识别模型的训练效果。
图4是本申请实施例提供的一种驾驶行为安全等级识别装置的结构示意图，参见图4，该驾驶行为安全等级识别装置400包括：第一获取模块401、第一分类模块402、第一确定模块403以及安全等级识别模块404。
第一获取模块401，用于获取驾驶员的当前行程序列数据，当前行程序列数据包括多个第一驾驶行为数据；
第一分类模块402，用于对每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，其中，分类结果用于表示驾驶员的驾驶行为的危险等级；
第一确定模块403，用于基于多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据；
安全等级识别模块404，用于基于多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级。
在一种可能的实施方式中，第一分类模块402，具体用于：对每个第一驾驶行为数据进行特征提取，得到每个第一驾驶行为数据的行为特征；基于每个所述第一驾驶行为数据的行为特征，对每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果。
在一种可能的实施方式中，第一确定模块403，具体用于：将每个第一驾驶行为数据和与其对应的分类结果进行组合，得到多个第二驾驶行为数据。
在一种可能的实施方式中，安全等级识别模块404，具体用于：将所述多个第二驾驶行为数据输入至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；根据每个所述分类子模型输出的安全等级结果，确定驾驶员的驾驶行为安全等级。
需要说明的是：上述实施例提供的驾驶行为安全等级识别装置在驾驶行为安全等级识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的驾驶行为安全等级识别装置与驾驶行为安全等级识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
通过本申请实施例提供的技术方案，通过获取驾驶员的当前行程序列数据，当前行程序列数据包括多个第一驾驶行为数据，并对当前行程序列数据的多个第一驾驶行为数据中的每个第一驾驶行为数据进行分类，得到每个第一驾驶行为数据的分类结果，再基于多个第一驾驶行为数据和多个第一驾驶行为数据的分类结果，得到多个第二驾驶行为数据，并基于多个第二驾驶行为数据，识别出驾驶员的驾驶行为安全等级，识别结果客观公正、稳定性好，且由于第二驾驶行为数据相比第一驾驶行为数据的数据维度更广，有效提高了驾驶员的驾驶行为安全等级识别的准确度，便于推广使用。
图5是本申请实施例提供的一种安全等级识别模型的训练装置的结构示意图，参见图5，该安全等级识别模型的训练装置500包括：第二获取模块501、第二分类模块502、第二确定模块503以及训练模块504。
第二获取模块501，用于获取样本行程序列数据，样本行程序列数据包括多个第一样本数据；
第二分类模块502，用于对多个第一样本数据进行分类，得到多个第一样本数据的分类结果，其中，分类结果用于表示第一样本数据对应的驾驶行为的危险等级；
第二确定模块503，用于基于多个第一样本数据和多个第一样本数据的分类结果，确定多个第二样本数据；
训练模块504，用于基于多个第二样本数据，对安全等级识别模型进行训练，其中，安全等级识别模型用于基于驾驶员的驾驶行为数据识别驾驶员的驾驶行为安全等级。
在一种可能的实施方式中，第二确定模块503，具体用于：对多个第一样本数据中的每个第一样本数据，将第一样本数据和第一样本数据的分类结果进行组合，得到多个第二样本数据。
在一种可能的实施方式中，安全等级识别模型包括至少两个分类子模型；训练模块504，具体用于：将所述多个第二样本数据输入所述至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；根据所述多个第二样本数据的标注分类结果和每个所述分类子模型输出的安全等级结果，构建第一损失函数；根据所述第一损失函数，对所述至少两个分类子模型进行训练。
需要说明的是：上述实施例提供的安全等级识别模型的训练装置在训练安全等级识别模型时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的安全等级识别模型的训练装置与安全等级识别模型的训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
通过本申请实施例提供的技术方案，服务器能够通过获取包括多个第一样本数据的样本行程序列数据，并对多个第一样本数据进行分类，得到多个第一样本数据的分类结果；再基于多个第一样本数据和多个第一样本数据的分类结果，确定多个第二样本数据；最后，基于多个第二样本数据，对安全等级识别模型进行训练，能够充分利用样本行程序列数据，提高训练安全等级识别模型的效果。
图6是本申请实施例提供的一种车辆的结构示意图。
示例性的，如图6所示，该车辆600包括：存储器601和处理器602，其中，存储器601中存储有可执行程序代码6011，处理器602用于调用并执行该可执行程序代码6011执行一种本申请中方法实施例提供的驾驶行为安全等级识别方法。
此外，本申请实施例还保护一种驾驶行为安全等级识别装置，该驾驶行为安全等级识别装置可以包括存储器和处理器，其中，存储器中存储有可执行程序代码，处理器用于调用并执行该可执行程序代码执行本申请实施例提供的一种驾驶行为安全等级识别方法。
本实施例可以根据上述方法示例对该驾驶行为安全等级识别装置进行功能模块的划分，例如，可以对应各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中，上述集成的模块可以采用硬件的形式实现。需要说明的是，本实施例中对模块的划分是示意性的，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。
在采用对应各个功能划分各个功能模块的情况下，该驾驶行为安全等级识别还可以包括第一获取模块、第一分类模块、第一确定模块和安全等级识别模块等。需要说明的是，上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述，在此不再赘述。
应理解，本实施例提供的驾驶行为安全等级识别装置用于执行上述一种驾驶行为安全等级识别的方法，因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下，该驾驶行为安全等级识别装置可以包括处理模块、存储模块。其中，当该驾驶行为安全等级识别装置应用于车辆上时，处理模块可以用于对车辆的动作进行控制管理。存储模块可以用于支持车辆执行相互程序代码等。
其中，处理模块可以是处理器或控制器，其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，数字信号处理(digital signal processing，DSP)和微处理器的组合等等，存储模块可以是存储器。
另外，本申请的实施例提供的驾驶行为安全等级识别装置具体可以是芯片、组件或模块，该芯片可包括相连的处理器和存储器；其中，存储器用于存储指令，当处理器调用并执行指令时，可以使芯片执行上述实施例提供的一种驾驶行为安全等级识别方法。
本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述相关方法步骤实现上述实施例提供的一种驾驶行为安全等级识别方法或者一种安全等级识别模型的训练方法。
本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例提供的一种驾驶行为安全等级识别方法或者一种安全等级识别模型的训练方法。
其中，本实施例提供的驾驶行为安全等级识别装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中，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，模块或单元的划分，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装置，或一些特征可以忽略，或不执行。另一点，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，可以是电性，机械或其它的形式。
以上内容，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种驾驶行为安全等级识别方法，其特征在于，所述方法包括：
获取驾驶员的当前行程序列数据，所述当前行程序列数据包括多个第一驾驶行为数据；
对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果，其中，所述分类结果用于表示驾驶员的驾驶行为的危险等级；
基于多个所述第一驾驶行为数据和多个所述第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据；
基于所述多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级。
2.根据权利要求1所述的方法，其特征在于，所述对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果，包括：
对每个所述第一驾驶行为数据进行特征提取，得到每个所述第一驾驶行为数据的行为特征；
基于每个所述第一驾驶行为数据的行为特征，对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果。
3.根据权利要求1所述的方法，其特征在于，所述基于多个所述第一驾驶行为数据和多个所述第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据，包括：
将每个所述第一驾驶行为数据和与其对应的分类结果进行组合，得到多个第二驾驶行为数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级，包括：
将所述多个第二驾驶行为数据输入至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；
根据每个所述分类子模型输出的安全等级结果，确定驾驶员的驾驶行为安全等级。
5.一种安全等级识别模型的训练方法，其特征在于，所述方法包括：
获取样本行程序列数据，所述样本行程序列数据包括多个第一样本数据；
对多个所述第一样本数据进行分类，得到多个所述第一样本数据的分类结果，其中，所述分类结果用于表示所述第一样本数据对应的驾驶行为的危险等级；
基于多个所述第一样本数据和多个所述第一样本数据的分类结果，确定多个第二样本数据；
基于所述多个第二样本数据，对安全等级识别模型进行训练，其中，所述安全等级识别模型用于基于驾驶员的驾驶行为数据识别驾驶员的驾驶行为安全等级。
6.根据权利要求5所述的方法，其特征在于，所述基于多个所述第一样本数据和多个所述第一样本数据的分类结果，确定多个第二样本数据，包括：
对多个所述第一样本数据中的每个所述第一样本数据，将所述第一样本数据和所述第一样本数据的分类结果进行组合，得到多个第二样本数据。
7.根据权利要求5所述的方法，其特征在于，所述安全等级识别模型包括至少两个分类子模型；
所述基于所述多个第二样本数据，对安全等级识别模型进行训练，包括：
将所述多个第二样本数据输入所述至少两个分类子模型中，得到所述至少两个分类子模型中每个所述分类子模型输出的安全等级结果；
根据所述多个第二样本数据的标注分类结果和每个所述分类子模型输出的安全等级结果，构建第一损失函数；
根据所述第一损失函数，对所述至少两个分类子模型进行训练。
8.一种驾驶行为安全等级识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取驾驶员的当前行程序列数据，所述当前行程序列数据包括多个第一驾驶行为数据；
第一分类模块，用于对每个所述第一驾驶行为数据进行分类，得到每个所述第一驾驶行为数据的分类结果，其中，所述分类结果用于表示驾驶员的驾驶行为的危险等级；
第一确定模块，用于基于多个所述第一驾驶行为数据和多个所述第一驾驶行为数据的分类结果，确定多个第二驾驶行为数据；
安全等级识别模块，用于基于所述多个第二驾驶行为数据，确定驾驶员的驾驶行为安全等级。
9.一种安全等级识别模型的训练装置，其特征在于，所述装置包括：
第二获取模块，用于获取样本行程序列数据，所述样本行程序列数据包括多个第一样本数据；
第二分类模块，用于通过安全等级识别模型，对多个所述第一样本数据进行分类，得到多个所述第一样本数据的分类结果，其中，所述分类结果用于表示所述第一样本数据对应的驾驶行为的危险等级；
第二确定模块，用于基于多个所述第一样本数据和多个所述第一样本数据的分类结果，确定多个第二样本数据；
训练模块，用于基于所述多个第二样本数据，对安全等级识别模型进行训练，其中，所述安全等级识别模型用于基于驾驶员的驾驶行为数据识别驾驶员的驾驶行为安全等级。
10.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行程序代码；
处理器，用于从所述存储器中调用并运行所述可执行程序代码，使得所述电子设备执行如权利要求1至7中任意一项所述的方法。
CN202310896451.7A 2023-07-20 2023-07-20 驾驶行为安全等级识别方法、装置及电子设备 Pending CN116993156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310896451.7A CN116993156A (zh) 2023-07-20 2023-07-20 驾驶行为安全等级识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310896451.7A CN116993156A (zh) 2023-07-20 2023-07-20 驾驶行为安全等级识别方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN116993156A true CN116993156A (zh) 2023-11-03

Family

ID=88522519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310896451.7A Pending CN116993156A (zh) 2023-07-20 2023-07-20 驾驶行为安全等级识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116993156A (zh)

Similar Documents

Publication Publication Date Title
CN107784587B (zh) 一种驾驶行为评价系统
US11842404B2 (en) Enhancement using analytics based on vehicle kinematic data
CN110288096B (zh) 预测模型训练及预测方法、装置、电子设备、存储介质
Carfora et al. A “pay-how-you-drive” car insurance approach through cluster analysis
JP2020530578A (ja) 運転行為の採点方法及び装置
CN109670970B (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN110986938B (zh) 颠簸道路识别方法、装置、及电子设备
CN109635852B (zh) 一种基于多维属性的用户画像构建与聚类方法
CN111523932A (zh) 一种网约车服务的评分方法、装置、系统及存储介质
Martinelli et al. Cluster analysis for driver aggressiveness identification.
CN113423063B (zh) 基于车载t-box的车辆监控方法、装置、车辆及介质
CN111340355A (zh) 行程订单的匹配方法、装置、服务器和介质
CN114443303A (zh) 资源分配方法、装置、设备及介质
CN111291916A (zh) 驾驶行为安全性预测方法、装置、电子设备及存储介质
Wu et al. Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China
CN110533094B (zh) 一种用于驾驶员的评价方法和系统
CN116386316A (zh) 交通风险的预测方法和装置、电子设备及存储介质
CN113918718B (zh) 基于人工智能的车险用户分类方法、装置、设备及介质
CN112686294A (zh) 基于机器学习的驾驶风格辨识模型构建方法、装置、介质和设备
CN111047142A (zh) 一种基于层次分析法的汽车评分方法及系统
CN116993156A (zh) 驾驶行为安全等级识别方法、装置及电子设备
CN113191805B (zh) 车主置换评估方法、系统、电子设备及存储介质
CN116541786A (zh) 基于驾驶行为的网约车识别方法、装置及系统
CN114677254A (zh) 一种货车事故识别方法、装置、存储介质及程序产品
CN116091254B (zh) 商用车风险的分析方法

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