CN118254669A - 危险驾驶的预警方法、预警系统、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种危险驾驶的预警方法、危险驾驶的预警系统、电子设备及存储介质。危险驾驶的预警方法包括：在车辆行驶过程中，获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据，并对所获取到的所述用户行为数据、所述车辆部件数据以及所述环境数据进行处理；以及响应于所述用户行为数据、所述车辆部件数据以及所述环境数据中的至少一个属性与预设的多个预警规则中的至少之一匹配，向所述用户推送与所匹配的预警规则关联的预警内容。

Description

危险驾驶的预警方法、预警系统、电子设备及存储介质

技术领域

本申请实施方式涉及车辆技术领域，更具体的，涉及一种危险驾驶的预警方法、危险驾驶的预警系统、电子设备及计算机可读存储介质。

背景技术

随着社会经济的发展和人们生活水平的提高，机动车保有量日益增加，汽车成为人们日常出行的主要代步工具之一。与此同时，交通安全问题也日显突出，尤其在恶劣天气或危险路段，交通事故的发生率会更高。

为了降低交通事故率，常见的道路交通预警方法包括：通过采集特定路段的历史事故发生率，为当前行驶车辆提供危险驾驶的预警，例如提示某某路段为事故多发路段；通过收集当日的天气、灾害和路况数据，例如在浓雾天气提示今天能见度低，请小心驾驶等。但是，这些常见的道路交通预警方法仅仅是最基本的提醒，无法对行驶中的各车辆的性能状况以及用户驾驶状态进行综合考量，不能针对于特定车辆或特定用户的状况发出针对性地预警，其降低驾驶风险的效果非常有限。

发明内容

本申请的一个目的在于提供一种可至少部分解决现有技术中存在的上述问题以及其他技术问题的危险驾驶的预警方法、危险驾驶的预警系统、电子设备及存储介质。

根据本申请的第一方面，提供了一种危险驾驶的预警方法，所述方法包括：在车辆行驶过程中，获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据，并对所获取到的所述用户行为数据、所述车辆部件数据以及所述环境数据进行处理；以及响应于所述用户行为数据、所述车辆部件数据以及所述环境数据中的至少一个属性与预设的多个预警规则中的至少之一匹配，向所述用户推送与所匹配的预警规则关联的预警内容。

在一个实施方式中，在车辆行驶过程中，获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据，包括：在车辆行驶过程中，按照预设的时间间隔周期性地获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据。

在一个实施方式中，所述方法还包括：基于所述车辆的历史用户行为数据、历史车辆部件数据以及历史环境数据构建预警规则知识库；以及基于随机森林算法对所述预警规则知识库中的数据进行训练，得到实时预测模型；其中，对所获取到的所述用户行为数据、所述车辆部件数据以及所述环境数据进行处理包括：将所述用户行为数据、所述车辆部件数据以及所述环境数据输入至所述实时预测模型。

在一个实施方式中，所述方法还包括：响应于匹配到多个预警规则，对多个匹配成功的预警规则所关联的预警内容进行仲裁，根据权重评分高低判定所要输出的预警内容。

在一个实施方式中，所述用户行为数据包括驾驶行为数据、导航数据和疲劳数据中的至少之一。

在一个实施方式中，所述车辆部件数据包括发动机健康指数、刹车健康指数和转向健康指数中的至少之一。

在一个实施方式中，所述环境数据包括天气数据、路况数据和自然灾害数据中的至少之一。

根据本申请的第二方面，还提供了一种危险驾驶的预警系统，所述系统包括：数据收集模块，被配置为收集预定时间跨度内车辆的用户行为数据、车辆部件数据以及环境数据；预测模型生成模块，被配置成基于所述数据收集模块的数据构建用于危险驾驶预警的实时预测模型；以及预测模块，被配置为在调用所述实时预测模型的情况下，响应于实时的所述用户行为数据、所述车辆部件数据以及所述环境数据中的至少一个属性与所述实时预测模型的预警规则中的至少之一匹配，推送与所匹配的预警规则关联的预警内容。

根据本申请的第三方面，还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指令，所述指令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如本申请的第一方面所述的危险驾驶的预警方法。

根据本申请的第四方面，还提供了一种非瞬态计算机可读存储介质，其上存储有机器可执行指令，所述机器可执行指令在被执行时使机器执行本申请的第一方面所述的危险驾驶的预警方法。

本申请提供的危险驾驶的预警方法、危险驾驶的预警系统、电子设备及存储介质，实时获取车辆行驶过程中的用户行为数据、车辆部件数据以及环境数据，对车辆行驶中存在的危险情况作出预警，从而达到实现适应于特定车辆或特定用户的个性化危险驾驶提醒的目的，使发出的危险提示更具可信度和针对性，有利于降低交通事故发生率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。在附图中：

图1示出了根据本申请实施方式的危险驾驶的预警方法的示意性流程图；

图2示出了根据本申请实施方式的基于专家系统构建危险驾驶预警的规则知识库的示意性流程图；

图3示出了根据本申请实施方式的基于随机森林算法训练实时预测模型的示意性流程图；

图4示出了根据本申请实施方式的危险驾驶的预警方法的示意性流程图；

图5示出了根据本申请实施方式的一种危险驾驶的预警系统的结构框图；以及

图6示出了适于实现本申请示例性实施方式的电子设备的示意性框图。

具体实施方式

为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。

还应理解的是，用语“包括”、“包括有”、“具有”、“包含”和/或“包含有”，当在本说明书中使用时表示存在所陈述的特征、元件和/或部件，但不排除存在或附加有一个或多个其它特征、元件、部件和/或它们的组合。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，修饰整个所列特征，而不是修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。

除非另外限定，否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。另外，除非明确限定或与上下文相矛盾，否则本申请所记载的方法中包含的具体步骤不必限于所记载的顺序，而可以任意顺序执行或并行地执行。下面将参考附图并结合实施例来详细说明本申请。

图1示出了根据本申请实施方式的危险驾驶的预警方法1000的流程示意图。如图1所示，根据本申请实施方式的危险驾驶的预警方法1000可包括步骤S110和步骤S120。在步骤S110中，在车辆行驶过程中，获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据，并对所获取到的用户行为数据、车辆部件数据以及环境数据进行处理。在步骤S120中，响应于用户行为数据、车辆部件数据以及环境数据中的至少一个属性与预设的多个预警规则中的至少之一匹配，向用户推送与所匹配的预警规则关联的预警内容。

应当理解，方法1000可以包括未示出的附加步骤和/或可以省略所示出的步骤，本申请的范围在此方面不受限制。

在示例性实施方式中，用户行为数据可以包括用户的驾驶行为数据、疲劳数据以及导航数据中的至少之一。更具体地，驾驶行为数据可以包括车间距、加速踏板、油耗/电耗、转向、制动踏板、转向灯、方向盘等信息。当这些驾驶行为数据异常时，例如急加速、急转弯等，需要发出预警，提醒用户注意安全驾驶。示例性地，可以通过车辆上的各种传感器实时获取用户的驾驶行为数据。示例性地，可以通过设置在车辆内的摄像装置获取车辆内用户的图像，并基于图像识别用户的眼球、眼睑和头部动作信息以获取用户的疲劳信息。另外，导航数据也可以体现用户的驾驶里程，当用户连续驾驶足够长的里程后，需要发出停车休息提醒，防止疲劳驾驶。用户行为数据还可以包括行车接打电话、抽烟、不系安全带等不安全驾驶行为，对不全驾驶行为进行预警和提醒，及时消除安全隐患，从而有效防止事故发生。

在示例性实施方式中，环境数据可以包括天气数据、路况数据和自然灾害数据中的至少之一。示例性地，可以通过例如天气预报平台获取车辆所在位置处的天气数据和自然灾害数据，可以通过地图软件获取车辆所在位置处的路况数据，还可以通过车上的摄像装置实时获取车外图像，并基于图像识别判断车外的天气以及路况数据。

在示例性实施方式中，车辆部件数据是指车辆各零部件的健康指数，可以包括发动机健康指数、刹车健康指数、转向健康指数中的至少之一。示例性地，可以通过车辆上的各种传感器实时获取车辆部件数据，有利于提醒用户较早地干预车辆可能存在的问题。

在示例性实施方式中，在车辆行驶过程中，按照预设的时间间隔周期性地获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据。对所获取到的用户行为数据、车辆部件数据以及环境数据进行关联，以建立实时的“用户-车辆-环境信息图”，即每个车辆的用户行为数据与该车辆的车辆部件数据基于该车辆进行关联，同时根据该车辆的位置信息将对应的环境数据进行关联。

在示例性实施方式中，对所获取到的用户行为数据、车辆部件数据以及环境数据进行处理还包括：将用户行为数据、车辆部件数据以及环境数据输入至实时预测模型。示例性地，按照预设的时间间隔周期性(例如每隔5秒)将“用户-车辆-环境信息图”输入实时预测模型，实时预测模型是由不同的判断规则组合成的危险驾驶预警机制。随后，实时预测模型加载预设的预警规则，将“用户-车辆-环境信息图”中的属性与预警规则进行计算，判断此时的“用户-车辆-环境信息图”中是否存在与预警规则匹配的情况。“用户-车辆-环境信息图”中的属性是指用户行为数据、车辆部件数据以及环境数据中的具体数据，例如前文所述的天气、车速、刹车健康指数等。当预警规则匹配成功后，从规则配置中查询这条规则关联的推送内容。随后，调用消息推送服务，将规则关联的推送内容发送到车机端，提醒用户安全驾驶。

本申请通过专家系统构建危险驾驶预警的规则知识库，然后通过AI深度学习的方式来实现智能，训练出实时预测模型，示例性地，训练实时预测模型所采用的算法为随机森林算法。以下结合图2和图3介绍构建实时预测模型的步骤。

如图2所示，通过专家系统构建危险驾驶预警的规则知识库的步骤如下：在步骤S201中，收集历史的用户行为数据、车辆部件数据以及环境数据，在步骤S202中，通过逻辑运算(例如AND、OR、NOT)对用户行为数据、车辆部件数据以及环境数据进行组合，然后在步骤S203中，模拟人的逻辑思维过程，构建危险驾驶预警的规则知识库。

示例性地，可以通过人工标记计算规则1：天气下雪，但车辆部件数据正常时，则输出预警内容为“天气下雪，路面湿滑，注意安全”。

示例性地，可以通过人工标记计算规则2：天气下雪，同时车辆刹车健康指数较低，则输出预警内容为“经评估，您的刹车可能存在故障，前方路面湿滑，请注意安全”。

在人工标记了一定量的计算规则后，执行步骤S204：针对用户行为数据、车辆部件数据以及环境数据对驾驶的影响大小，构建危险驾驶预警的权重评分模型，模拟专家对危险驾驶预警的判断过程，根据各因素评分的高低选择相应的预警内容，进一步对规则知识库进行优化、完善。此外，还可以根据所设定的推送先后顺序、频率、次数以及时间段等优化危险驾驶预警的权重评分模型。

示例性地，实时获取的用户行为数据、车辆部件数据以及环境数5据可能与步骤S203中的多个预警规则匹配成功，要对多个预警规则分别关联的预警内容进行仲裁(即步骤S204)，将权重评分较高的判定为所要输出的预警内容，执行步骤S205，输出预警内容。

由于上述通过人工标记预警规则的专家系统还不能实现智能预测，因此还需训练出智能预警模型。

0如图3所示，基于随机森林算法构建智能预警模型的步骤包括：

首先执行步骤S300：获取专家系统所有预警记录；在步骤S301中，抽取专家系统所有预警记录的90％数据作为训练数据库；在步骤S302

中，通过随机森林算法来识别不同类型的危险驾驶的预警规则，构建

初步的智能预警模型；再通过步骤S303，将专家系统所有预警记录的5 5％数据作为验证数据集，输入智能预警模型优化模型参数，得到了判

断效果稳定的智能预测模型；最后，通过步骤S304将专家系统所有预警记录的5％数据作为测试数据集，测试智能预警模型的效果。至此，将训练好的智能预测模型作为危险驾驶的预警的实时预测模型。

图4示出了根据本申请实施方式的危险驾驶的预警方法2000的0流程示意图。如图4所示，在步骤S401中，在车辆行驶过程中，获取

与当前行驶对应的用户行为数据、车辆部件数据以及环境数据。在步骤S402中，对所获取到的用户行为数据、车辆部件数据以及环境数据进行处理，建立实时的“用户-车辆-环境信息图”，即每个车辆的用户

行为数据与该车辆的车辆部件数据基于该车辆进行关联，同时根据该5车辆的位置信息将对应的环境数据进行关联。然后在步骤S403中，将

实时的“用户-车辆-环境信息图”输入至实时预测模型，响应于用户行为数据、车辆部件数据以及环境数据中的至少一个属性与预设的多个预警规则中的至少之一匹配，执行步骤S404，向用户推送与所匹配的预警规则关联的预警内容。

0本申请提供的危险驾驶的预警方法，可以实时获取用户行为数据、车辆部件数据以及环境数据，并将用户行为数据、车辆部件数据以及环境数据输入至实时预测模型，对当前车辆行驶中存在的危险情况作出预警，从而达到实现适应于特定车辆或特定用户的个性化危险驾驶提醒的目的，使发出的危险提示更具可信度和针对性，有利于降低交通事故率。

本申请的实施例还提供一种危险驾驶的预警系统。本申请实施例可以根据上述方法示例性对本申请的危险驾驶的预警系统进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是，本申请实施例中对单元的划分是示意性的，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。

如图5所示，本申请实施例提供的一种导航系统500可以包括：数据收集模块501、预测模型生成模块502和预测模块503。数据收集模块501被配置为收集预定时间跨度内车辆的用户行为数据、车辆部件数据以及环境数据，示例性地，数据收集模块501可以包括车辆上的摄像装置以及各种传感器等。预测模型生成模块502被配置成基于数据收集模块501收集的数据构建用于危险驾驶预警的实时预测模型。预测模块503被配置为在调用实时预测模型的情况下，响应于实时的用户行为数据、车辆部件数据以及环境数据中的至少一个属性与实时预测模型的预警规则中的至少之一匹配，推送与所匹配的预警规则关联的预警内容。

由于在上文中描述危险驾驶的预警方法1000和2000时涉及的内容可完全或部分地适用于在这里描述的危险驾驶的预警系统500，因此与其相关或相似的内容不再赘述。

图6示意性示出了适于用来实现本申请上述方法的、示例性实施方式的电子设备700的框图。电子设备700可以是用于实现执行图1和图4所描述的各个方法的设备。如图6所示，电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机存取存储器(RAM)703中的计算机程序指令，来执行各种适当的步骤和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如按键、触控等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其它设备交换信息/数据。

处理器701可以是各种具有处理和计算能力的通用和/或专用处理部件。处理器701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701可以执行上文所描述的各个方法和处理，例如执行方法1000和方法2000。例如，在一些实施方式中，执行方法1000和方法2000可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元708。在一些实施方式中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由处理器701执行时，可以执行上文描述的执行方法1000和方法2000中的一个或多个步骤。可选地，在其他实施方式中，处理器701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法1000和方法2000中的一个或多个步骤。

需要进一步说明的是，本申请可以包括方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本申请的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。本文中所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文中所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。

本文中参照根据本申请示例性实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或时序图描述了本申请的各个方面。应当理解，流程图和/或时序图的每个步骤以及流程图和/或时序图中各步骤的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或时序图中的一个或多个步骤中规定的功能/步骤的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或时序图中的一个或多个步骤中规定的功能/步骤的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或时序图中的一个或多个步骤中规定的功能/步骤。

附图中的流程图和/或时序图显示了根据本申请的多个实施方式的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或时序图中的每个步骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实施方式中，步骤中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，时序图和/或流程图中的每个步骤、以及时序图和/或流程图中的步骤的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上描述仅为本申请的较佳实施方式以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的保护范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述技术构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种危险驾驶的预警方法，其特征在于，所述方法包括：

在车辆行驶过程中，获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据，并对所获取到的所述用户行为数据、所述车辆部件数据以及所述环境数据进行处理；以及

响应于所述用户行为数据、所述车辆部件数据以及所述环境数据中的至少一个属性与预设的多个预警规则中的至少之一匹配，向所述用户推送与所匹配的预警规则关联的预警内容。

2.根据权利要求1所述的方法，其中，在车辆行驶过程中，获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据，包括：

在车辆行驶过程中，按照预设的时间间隔周期性地获取与当前行驶对应的用户行为数据、车辆部件数据以及环境数据。

3.根据权利要求1所述的方法，其中，所述方法还包括：

基于所述车辆的历史用户行为数据、历史车辆部件数据以及历史环境数据构建预警规则知识库；以及

基于随机森林算法对所述预警规则知识库中的数据进行训练，得到实时预测模型；

其中，对所获取到的所述用户行为数据、所述车辆部件数据以及所述环境数据进行处理包括：

将所述用户行为数据、所述车辆部件数据以及所述环境数据输入至所述实时预测模型。

4.根据权利要求1所述的方法，其中，所述方法还包括：

响应于匹配到多个预警规则，对多个匹配成功的预警规则所关联的预警内容进行仲裁，根据权重评分高低判定所要输出的预警内容。

5.根据权利要求1至4任一项所述的方法，其中，所述用户行为数据包括驾驶行为数据、导航数据和疲劳数据中的至少之一。

6.根据权利要求1至4任一项所述的方法，其中，所述车辆部件数据包括发动机健康指数、刹车健康指数和转向健康指数中的至少之一。

7.根据权利要求1至4任一项所述的方法，其中，所述环境数据包括天气数据、路况数据和自然灾害数据中的至少之一。

8.一种危险驾驶的预警系统，其特征在于，包括：

数据收集模块，被配置为收集预定时间跨度内车辆的用户行为数据、车辆部件数据以及环境数据；

预测模型生成模块，被配置成基于所述数据收集模块的数据构建用于危险驾驶预警的实时预测模型；以及

预测模块，被配置为在调用所述实时预测模型的情况下，响应于实时的所述用户行为数据、所述车辆部件数据以及所述环境数据中的至少一个属性与所述实时预测模型的预警规则中的至少之一匹配，推送与所匹配的预警规则关联的预警内容。

9.一种电子设备，其特征在于，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指令，所述指令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至7中任一项所述的方法。

10.一种非瞬态计算机可读存储介质，其上存储有机器可执行指令，所述机器可执行指令在被执行时使机器执行权利要求1至7中任一项所述的方法。