JP2020530578A - Driving behavior scoring method and equipment - Google Patents
Driving behavior scoring method and equipment Download PDFInfo
- Publication number
- JP2020530578A JP2020530578A JP2019561133A JP2019561133A JP2020530578A JP 2020530578 A JP2020530578 A JP 2020530578A JP 2019561133 A JP2019561133 A JP 2019561133A JP 2019561133 A JP2019561133 A JP 2019561133A JP 2020530578 A JP2020530578 A JP 2020530578A
- Authority
- JP
- Japan
- Prior art keywords
- data
- feature
- driver
- driving
- sample
- 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
Links
- 238000013077 scoring method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 149
- 230000009471 action Effects 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
Abstract
本発明の実施例は運転行為の採点方法及び装置を開示する。当該方法は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップと、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップと、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得するステップと、を含む。本発明の実施例は、採点結果の正確率を向上させ、車両保険料設定の正確率を向上させることができる。An embodiment of the present invention discloses a scoring method and an apparatus for driving behavior. The method is a step of acquiring the driving behavior data, driving environment data and insurance policy data of the target driver, and a step of determining the target feature data based on the driving behavior data, driving environment data and insurance policy data of the target driver. And, including the step of inputting the target feature data into the driving behavior scoring model and acquiring the driving behavior score of the target driver. The embodiment of the present invention can improve the accuracy rate of the scoring result and improve the accuracy rate of vehicle insurance premium setting.
Description
本発明は、車両運転行為分析の技術分野に関し、特に運転行為の採点方法及び装置に関する。 The present invention relates to the technical field of vehicle driving behavior analysis, and more particularly to a driving behavior scoring method and device.
近年、自動車の数がますます増加するとともに、自動車のＩｏＴ技術が急速に発展するにつれて、自動車のＩｏＴ技術を活用して運転者の運転行為に基づいて保険料を設定する車両保険商品もますます多くなってきた。運転者の運転行為に対して採点を行うことによって、車両保険商品の保険料を正確に設定し、運転者の安全運転消費観念及び運転者の安全運転意識を強化して、社会全体の交通事故率を低減することができる。従来の運転行為の採点方法は、収集できるデータの種類が少なく、採点結果の正確度が低いため、車両保険商品の保険料を合理的に設定するために用いることができない。 In recent years, as the number of automobiles has increased and the IoT technology of automobiles has developed rapidly, more and more vehicle insurance products utilize the IoT technology of automobiles to set insurance premiums based on the driving behavior of the driver. It has increased. By scoring the driving behavior of the driver, the insurance premiums for vehicle insurance products are set accurately, the driver's idea of safe driving consumption and the driver's awareness of safe driving are strengthened, and traffic accidents in society as a whole The rate can be reduced. The conventional scoring method for driving behavior cannot be used to reasonably set the premium for vehicle insurance products because the types of data that can be collected are small and the accuracy of the scoring result is low.
上述の技術課題を解決するために、本発明の実施例は運転行為の採点方法及び装置を提供することによって、採点結果の正確率を向上させて、車両保険料設定の正確率を向上させることができる。
本発明の実施例の具体的な技術案は以下の通りである。
In order to solve the above-mentioned technical problems, an embodiment of the present invention provides a scoring method and an apparatus for driving behavior to improve the accuracy rate of scoring results and improve the accuracy rate of vehicle insurance premium setting. Can be done.
Specific technical proposals for the examples of the present invention are as follows.
第１の態様によると、本発明の実施例は運転行為の採点方法を提供する。当該方法は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップと、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップと、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得するステップと、を含む。 According to the first aspect, embodiments of the present invention provide a method of scoring driving behavior. The method is a step of acquiring the driving behavior data, driving environment data and insurance policy data of the target driver, and a step of determining the target feature data based on the driving behavior data, driving environment data and insurance policy data of the target driver. And, including the step of inputting the target feature data into the driving behavior scoring model and acquiring the driving behavior score of the target driver.
本発明の一部の実施例において、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップは、ソフトウェア開発キットモジュールによってターゲット運転者の運転行為データを取得するステップと、車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得するステップと、プリセットのインターフェースによってターゲット運転者の保険証券データを取得するステップと、を含む。 In some embodiments of the present invention, the steps of acquiring the driving behavior data, driving environment data, and insurance policy data of the target driver include the step of acquiring the driving behavior data of the target driver by the software development kit module and the vehicle-mounted vehicle. It includes a step of acquiring the driving environment data of the target driver by the TOF camera module and a step of acquiring the insurance policy data of the target driver by the preset interface.
本発明の一部の実施例において、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップは、ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出するステップと、ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出するステップと、ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出するステップと、第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定するステップと、を含む。ここで、第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。 In some embodiments of the present invention, the step of determining the target feature data based on the driving behavior data of the target driver, the driving environment data, and the insurance policy data is the first step from the driving behavior data of the target driver to the driving behavior data of the target driver. The step of extracting the feature 1 and the step of extracting the second feature of the target driver from the driving environment data of the target driver, and the third feature and the fourth of the target driver from the insurance policy data of the target driver. Includes a step of extracting the features of the above, and a step of merging the first feature, the second feature, the third feature, and the fourth feature to determine the target feature data. Here, the first feature includes at least one of the average mileage, the average running speed, the number of sudden accelerations, the number of sudden decelerations, the number of sudden steering wheels, and the presence or absence of fatigue driving, and the second feature is the driving road condition. And at least one of the number of lane changes, the third feature contains basic personal information, and the fourth feature contains at least one of insurance policy purchase history information and compensation history information.
本発明の一部の実施例において、第１の態様に係る方法は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップを更に含む。 In some embodiments of the invention, the method according to the first aspect further comprises the step of training a machine learning model with sample data to obtain a scoring model of driving behavior.
本発明の一部の実施例において、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含むサンプルデータを取得するステップと、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及びサンプル運転者の運転行為点数を確定するステップと、サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップと、を含む。 In some embodiments of the present invention, the step of training a machine learning model using sample data to obtain a driving behavior scoring model is to obtain the driving behavior data, driving environment data and insurance policy data of the sample driver. A step to acquire the sample data including, a step to determine the sample feature data and the sample driver's driving action score based on the sample driver's driving action data, the driving environment data and the insurance policy data, and the sample feature data and the sample driving. Includes steps to train a machine learning model based on a person's driving behavior score to obtain a driving behavior scoring model.
本発明の一部の実施例において、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及びサンプル運転者の運転行為点数を確定するステップは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定するステップと、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定するステップと、を含む。 In some embodiments of the present invention, the step of determining the sample feature data and the sample driver's driving behavior score based on the sample driver's driving behavior data, driving environment data, and insurance policy data is the driving of the sample driver. It includes a step of determining the sample feature data based on the behavior data, the driving environment data and the insurance policy data, and a step of determining the driving action score of the sample driver based on the sample driver's insurance policy data.
本発明の一部の実施例において、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定するステップは、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出するステップと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出するステップと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出するステップと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定するステップと、を含み、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップを含む。 In some embodiments of the present invention, the step of determining the sample feature data based on the sample driver's driving behavior data, driving environment data and insurance policy data is the first step from the sample driver's driving behavior data to the sample driver's driving behavior data. The step of extracting the feature 5 and the step of extracting the sixth feature of the sample driver from the driving environment data of the sample driver, and the seventh feature and the eighth feature of the sample driver from the insurance policy data of the sample driver. The insurance policy of the sample driver includes a step of extracting the characteristics of the sample driver and a step of merging the fifth feature, the sixth feature, the seventh feature, and the eighth feature to determine the sample feature data. The step of determining the driving action score of the sample driver based on the data includes a step of determining the driving action score of the sample driver based on the seventh feature and the eighth feature.
本発明の一部の実施例において、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の補償発生率を算出するステップと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定するステップと、を含む。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。 In some embodiments of the present invention, the step of determining the driving action score of the sample driver based on the seventh feature and the eighth feature is the sample driver based on the seventh feature and the eighth feature. Includes a step of calculating the compensation occurrence rate of the above and a step of determining the driving action score of the sample driver having a mapping relationship with the compensation occurrence rate based on the preset mapping relationship table. The higher the compensation occurrence rate, the lower the driving action score of the sample driver.
本発明の一部の実施例において、機械学習モデルはブースティング木モデル又はランダムフォレストモデルである。 In some embodiments of the invention, the machine learning model is a boosting tree model or a random forest model.
第２の態様によると、本発明の実施例は運転行為の採点装置を提供する。当該装置は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する取得モジュールと、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する確定モジュールと、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得する採点モジュールと、を備える。 According to a second aspect, embodiments of the present invention provide a driving behavior scoring device. The device determines the target feature data based on the acquisition module that acquires the driving behavior data, driving environment data, and insurance policy data of the target driver, and the driving behavior data, driving environment data, and insurance policy data of the target driver. It includes a confirmation module and a scoring module for inputting target feature data into a driving behavior scoring model and acquiring the driving behavior score of the target driver.
本発明の一部の実施例において、取得モジュールは、ソフトウェア開発キットモジュールによってターゲット運転者の運転行為データを取得することと、車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得することと、プリセットのインターフェースによってターゲット運転者の保険証券データを取得することと、を行う。 In some embodiments of the present invention, the acquisition module acquires the driving behavior data of the target driver by the software development kit module, acquires the driving environment data of the target driver by the in-vehicle TOF camera module, and the like. Obtaining and doing insurance policy data for the target driver through a preset interface.
本発明の一部の実施例において、確定モジュールは、ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出することと、ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出することと、ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出することと、第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定することと、を行う。ここで、第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。 In some embodiments of the present invention, the determination module extracts the first feature of the target driver from the driving behavior data of the target driver and the second characteristic of the target driver from the driving environment data of the target driver. The third feature and the fourth feature of the target driver are extracted from the insurance policy data of the target driver, and the first feature, the second feature, the third feature and The fourth feature is merged to determine the target feature data. Here, the first feature includes at least one of the average mileage, the average running speed, the number of sudden accelerations, the number of sudden decelerations, the number of sudden steering wheels, and the presence or absence of fatigue driving, and the second feature is the driving road condition. And at least one of the number of lane changes, the third feature contains basic personal information, and the fourth feature contains at least one of insurance policy purchase history information and compensation history information.
本発明の一部の実施例において、第２の態様に係る装置は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得する訓練モジュールを更に備える。 In some embodiments of the present invention, the apparatus according to the second aspect further comprises a training module that trains a machine learning model using sample data to acquire a scoring model of driving behavior.
本発明の一部の実施例において、訓練モジュールは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含むサンプルデータを取得することと、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及びサンプル運転者の運転行為点数を確定することと、サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得することと、を行う。 In some embodiments of the present invention, the training module acquires sample data including driving behavior data, driving environment data and insurance policy data of a sample driver, and driving behavior data and driving environment data of a sample driver. And, the sample feature data and the driving action score of the sample driver are determined based on the insurance policy data, and the machine learning model is trained based on the sample feature data and the driving action score of the sample driver to score the driving action. Get the model and do.
本発明の一部の実施例において、訓練モジュールは、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定することと、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定することと、を行う。 In some embodiments of the present invention, the training module determines sample feature data based on sample driver driving behavior data, driving environment data and insurance policy data, and is based on sample driver insurance policy data. The driving action score of the sample driver is determined and performed.
本発明の一部の実施例において、訓練モジュールは、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出することと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出することと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出することと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定することと、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定することと、を行う。 In some embodiments of the present invention, the training module extracts the fifth feature of the sample driver from the driving behavior data of the sample driver and the sixth of the sample driver from the driving environment data of the sample driver. The seventh feature and the eighth feature of the sample driver are extracted from the insurance policy data of the sample driver, and the fifth feature, the sixth feature, the seventh feature and The eighth feature is merged to determine the sample feature data, and the driving action score of the sample driver is determined based on the seventh feature and the eighth feature.
本発明の一部の実施例において、訓練モジュールは、第７の特徴及び第８の特徴に基づいてサンプル運転者の補償発生率を算出することと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定することと、を行う。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。 In some embodiments of the present invention, the training module calculates the compensation occurrence rate of the sample driver based on the seventh feature and the eighth feature, and compensates generation based on the preset mapping relationship table. To determine the driving action score of the sample driver who has a mapping relationship with the rate. The higher the compensation occurrence rate, the lower the driving action score of the sample driver.
本発明の一部の実施例において、機械学習モデルはブースティング木モデル又はランダムフォレストモデルである。 In some embodiments of the invention, the machine learning model is a boosting tree model or a random forest model.
第３の態様によると、本発明の実施例はコンピュータデバイスを提供する。当該コンピュータデバイスは、１つ又は複数のプロセッサと、１つ又は複数のプログラムを記憶するメモリと、を備える。なお、１つ又は複数のプログラムが１つ又は複数のプロセッサにより実行されると、１つ又は複数のプロセッサは第１の態様に記載の運転行為の採点方法を実現する。 According to a third aspect, embodiments of the present invention provide computer devices. The computer device comprises one or more processors and a memory for storing one or more programs. When one or more programs are executed by one or more processors, the one or more processors realize the driving action scoring method according to the first aspect.
第４の態様によると、本発明の実施例はコンピュータ読取可能な記憶媒体を提供する。当該記憶媒体にはコンピュータプログラムが記憶されており、プログラムは、プロセッサにより実行されると、第１の態様に記載の運転行為の採点方法を実現する。 According to a fourth aspect, embodiments of the present invention provide computer-readable storage media. A computer program is stored in the storage medium, and when the program is executed by the processor, the method of scoring the driving action according to the first aspect is realized.
本発明の実施例は運転行為の採点方法及び装置を提供し、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目して、ターゲット運転者のターゲット特徴データを抽出し、さらに運転行為の採点モデルを用いてターゲット運転者の運転行為点数を予測することによって、採点結果の正確率を向上させ、車両保険料設定の正確率を向上させることができる。 An embodiment of the present invention provides a driving behavior scoring method and device, and extracts target feature data of a target driver by focusing on a plurality of dimensions of the driving behavior data, driving environment data, and insurance policy data of the target driver. Further, by predicting the driving action score of the target driver using the driving action scoring model, the accuracy rate of the scoring result can be improved and the accuracy rate of the vehicle insurance premium setting can be improved.
本発明の実施例に係る技術案をより明確に説明するために、以下、実施例を説明するために必要となる図面について簡単に説明する。明らかに、ここで説明される図面は本発明の一部の実施例に過ぎず、当業者であれば、これらの図面に基づいて創造的な労働をせずに他の図面を取得することができる。
本発明の目的、技術案及び長所をより明確にするために、以下、本発明の実施例による図面を参照しながら、本発明の実施例に係る技術案に対して明確且つ完全に説明する。明らかに、説明される実施例は本発明の一部の実施例に過ぎず、すべての実施例ではない。当業者が本発明による実施例に基づいて創造的な労働をせずに得られる他の実施例は、すべて本発明の保護範囲に属する。 In order to further clarify the object, technical proposal and advantages of the present invention, the technical proposal according to the embodiment of the present invention will be clearly and completely described below with reference to the drawings according to the examples of the present invention. Obviously, the examples described are only some examples of the present invention, not all examples. All other embodiments obtained by those skilled in the art based on the embodiments of the present invention without creative labor fall within the scope of the invention.
現在、運転行為採点のモデリングは主に、車内センサー又は車載デバイスとの通信によってユーザ運転行為データを取得するとともに、運転行為モニタリング周期内におけるモニタリング対象車両の交通事故発生の有無、及びユーザが保険会社に対して補償を請求した事故状況データを取得したうえ、分類方法を用いてデータに対してモデリングを行って、補償対象事故の発生確率を予測した後、運転行為点数と補償対象事故の発生確率との写像関係を構築する。しかしながら、このような運転行為採点のモデリング方法には主に以下のいくつかの問題が存在する。１．収集されるデータのソースが限られているため、運転行為に関連する情報しか含まれておらず、採点結果が正確でない。２．車両の持ち主の不変性を保証できない。１台の車両には複数名のユーザが登録することができるため、１台の車両の走行記録が同一ユーザのものではない可能性があり、分析へ影響を与えてしまう。３．補償対象事故の発生確率のみに基づいて運転行為に対してラベリングを行っているため、リスク発生確率についての測定が足りなく、モデルの精密度が足りない。 Currently, the modeling of driving behavior scoring mainly acquires user driving behavior data by communicating with in-vehicle sensors or in-vehicle devices, whether or not a traffic accident has occurred in the monitored vehicle within the driving behavior monitoring cycle, and the user is an insurance company. After acquiring the accident situation data for which compensation was requested, the data is modeled using the classification method to predict the occurrence probability of the compensation target accident, and then the driving action score and the occurrence probability of the compensation target accident. Build a mapping relationship with. However, there are mainly the following problems in the modeling method of such driving behavior scoring. 1. 1. Due to the limited source of data collected, it contains only information related to driving behavior and the scoring results are inaccurate. 2. We cannot guarantee the immutability of the owner of the vehicle. Since a plurality of users can be registered in one vehicle, the traveling record of one vehicle may not belong to the same user, which affects the analysis. 3. 3. Since the driving behavior is labeled based only on the probability of accidents covered by compensation, the probability of risk occurrence is insufficiently measured, and the accuracy of the model is insufficient.
図１は、本発明の一実施例により提供される運転行為の採点方法の模式的フローチャートである。図１に示すように、当該方法は以下の内容を含む。 FIG. 1 is a schematic flowchart of a driving action scoring method provided by an embodiment of the present invention. As shown in FIG. 1, the method includes the following contents.
１１０：ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する。
具体的に、当該運転行為の採点の実行主体はサーバであってもよい。サーバは、１つのサーバであってもよく、複数のサーバからなるサーバグループであってもよい。さらに、当該サーバグループの中で、複数のサーバの間には通信接続が可能である。
110: Acquire driving behavior data, driving environment data, and insurance policy data of the target driver.
Specifically, the execution subject of the scoring of the driving act may be a server. The server may be one server or a server group including a plurality of servers. Further, communication connection is possible between a plurality of servers in the server group.
サーバは、ネットワークを介して車載システムと通信接続することができる。車載システムは、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得することができ、データをサーバに送信する。
運転行為データは、速度、加速度、方向変換などの情報を含んでもよく、運転環境データは、道路状況、車線検出などの情報を含んでもよく、保険証券データは、ターゲット運転者の基本情報、保険証券の購買情報、及び補償情報などを含んでもよい。
The server can communicate with the in-vehicle system via the network. The in-vehicle system can acquire driving behavior data, driving environment data, and insurance policy data of the target driver, and transmits the data to the server.
The driving behavior data may include information such as speed, acceleration, and direction change, the driving environment data may include information such as road conditions and lane detection, and the insurance policy data may include basic information of the target driver and insurance. It may include purchase information of securities, compensation information, and the like.
１２０：ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する。 120: The target feature data is determined based on the driving behavior data, driving environment data, and insurance policy data of the target driver.
具体的には、ターゲット特徴データを取得するために、運転行為データ、運転環境データ及び保険証券データのそれぞれから特徴を抽出して、特徴合併を行ってもよい。ターゲット特徴データはベクトルであってもよい。 Specifically, in order to acquire the target feature data, features may be extracted from each of the driving behavior data, the driving environment data, and the insurance policy data, and the feature merger may be performed. The target feature data may be a vector.
１３０：ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得する。
具体的に、運転行為の採点モデルは機械学習モデルに対する訓練によって得られるものであってもよい。本実施例においては、オフラインで記憶している運転行為の採点モデルを呼び出して、ターゲット特徴データを運転行為の採点モデルに入力してもよい。運転行為の採点モデルは、ターゲット運転者の運転行為点数を予測し、さらにターゲット運転者の運転行為点数を出力することができる。したがってサーバとインタラクションを行う他のデバイス（例えば、保険会社にあるサーバ）がそれを呼び出して使用することができる。
130: The target feature data is input to the driving action scoring model to obtain the driving action score of the target driver.
Specifically, the driving behavior scoring model may be obtained by training a machine learning model. In this embodiment, the driving behavior scoring model stored offline may be called and the target feature data may be input to the driving behavior scoring model. The driving action scoring model can predict the driving action score of the target driver and further output the driving action score of the target driver. Therefore, other devices that interact with the server (eg, a server at an insurance company) can call and use it.
本発明の実施例は運転行為の採点方法を提供し、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目することによって、ターゲット運転者のターゲット特徴データを抽出するとともに、運転行為の採点モデルを用いてターゲット運転者の運転行為点数を予測することによって、採点結果の正確率を向上させ、ひいては車両保険料設定の正確率を向上させることができる。 An embodiment of the present invention provides a method for scoring driving behavior, and extracts target feature data of a target driver by focusing on a plurality of dimensions of driving behavior data, driving environment data, and insurance policy data of the target driver. At the same time, by predicting the driving behavior score of the target driver using the driving behavior scoring model, the accuracy rate of the scoring result can be improved, and by extension, the accuracy rate of vehicle insurance premium setting can be improved.
図２は、本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。図２による実施例は図１による実施例をもとに拡張したものであるため、ここでは重複を避けるために相違点のみを重点として説明する。図２に示すように、図１における１１０は以下の内容を含む。 FIG. 2 is a schematic flowchart of a driving action scoring method provided by another embodiment of the present invention. Since the embodiment shown in FIG. 2 is an extension of the embodiment shown in FIG. 1, only the differences will be described here in order to avoid duplication. As shown in FIG. 2, 110 in FIG. 1 includes the following contents.
１１１：ソフトウェア開発キット（Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ，ＳＤＫ）モジュールによってターゲット運転者の運転行為データを取得する。 111: The driving behavior data of the target driver is acquired by the software development kit (SDK) module.
運転行為データは、ターゲット運転者の運転時間情報、走行距離情報、速度情報、方向変換情報、経緯度情報、海抜情報、携帯電話の通話状態情報、急加速情報、急減速情報、及び急ハンドル情報などを含んでもよい。 Driving behavior data includes driving time information, mileage information, speed information, direction change information, latitude and longitude information, sea level information, mobile phone call status information, sudden acceleration information, sudden deceleration information, and sudden steering wheel information of the target driver. Etc. may be included.
サーバは、ネットワークを介して、移動ＳＤＫモジュールを搭載している移動端末と通信接続することができる。 The server can communicate with a mobile terminal equipped with a mobile SDK module via a network.
具体的には、ターゲット運転者の移動端末に実装された移動ＳＤＫモジュールを用いて、ターゲット運転者の運転中にＧＰＳ、加速度計及びジャイロセンサーのデータを収集して、ターゲット運転者の運転行為データを取得し、さらにターゲット運転者の運転行為データをサーバにアップロードすることができる。サーバは、ターゲット運転者の運転行為データとターゲット運転者の身分標識とをバインディングして記憶する。 Specifically, using the mobile SDK module mounted on the mobile terminal of the target driver, the data of GPS, accelerometer and gyro sensor are collected while the target driver is driving, and the driving behavior data of the target driver is collected. And the driving behavior data of the target driver can be uploaded to the server. The server binds and stores the driving behavior data of the target driver and the identification sign of the target driver.
ＳＤＫモジュールは移動端末の内部にあってもよい。当該移動端末はターゲット運転者の移動端末、例えば携帯電話であってもよい。携帯電話の通話状態情報は、ターゲット運転者が走行中に通話しているか否かを表すことができる。運転者の走行中通話は安全運転を妨害する行為であるため、運転者の運転行為に対して採点を行うときに携帯電話の通話状態情報を考慮することによって、採点結果の正確率を向上させることができる。 The SDK module may be inside the mobile terminal. The mobile terminal may be the mobile terminal of the target driver, for example, a mobile phone. The call status information of the mobile phone can indicate whether or not the target driver is talking while driving. Since the driver's driving call is an act that interferes with safe driving, the accuracy rate of the scoring result is improved by considering the call status information of the mobile phone when scoring the driver's driving behavior. be able to.
本発明の実施例においては、ターゲット運転者の運転行為データがターゲット運転者本人の移動端末に実装されたＳＤＫモジュールによって収集したものであるため、１台の車両に複数名のユーザが登録することによりもたらされる１台の車両の走行記録が同一ユーザのものではないという状況を、ある程度防ぐことができる。よって、様々な運転者それぞれの運転行為点数を予測することができる。 In the embodiment of the present invention, since the driving behavior data of the target driver is collected by the SDK module mounted on the mobile terminal of the target driver himself, a plurality of users are registered in one vehicle. It is possible to prevent to some extent the situation in which the driving record of one vehicle brought about by the above is not for the same user. Therefore, it is possible to predict the driving action score of each of the various drivers.
１１２：車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得する。
運転環境関連データは、ターゲット検出情報、距離測定情報、道路状況情報及び車線検出情報を含んでもよい。
112: The driving environment data of the target driver is acquired by the in-vehicle TOF camera module.
The driving environment-related data may include target detection information, distance measurement information, road condition information, and lane detection information.
サーバはネットワークを介して車載ＴＯＦ（Ｔｉｍｅ ｏｆ Ｆｌｉｇｈｔ）カメラモジュールと通信接続することができる。移動ＳＤＫモジュールを搭載した移動端末は、車載ＴＯＦカメラモジュールと通信接続することができる。 The server can communicate with the vehicle-mounted TOF (Time of Flight) camera module via the network. A mobile terminal equipped with a mobile SDK module can be connected to an in-vehicle TOF camera module by communication.
具体的に、車載ＴＯＦカメラモジュールはターゲット運転者の車両に設置されていてもよい。運転中に車載ＴＯＦカメラモジュールを用いてターゲット検出、距離測定、道路状況及び車線検出を行うことによって、ターゲット運転者の運転環境関連データを収集し、さらに収集した運転環境関連データをサーバにアップロードすることができる。 Specifically, the in-vehicle TOF camera module may be installed in the vehicle of the target driver. By performing target detection, distance measurement, road condition and lane detection using the in-vehicle TOF camera module while driving, the driving environment-related data of the target driver is collected, and the collected driving environment-related data is uploaded to the server. be able to.
１１３：プリセットのインターフェースによってターゲット運転者の保険証券データを取得する。
ターゲット運転者の保険証券データは、ターゲット運転者の基本情報、保険証券の購買情報及び補償情報などを含む。その中、保険証券の購買情報は、加入した保険の種類、保険金額などの情報を含む。
113: Acquire insurance policy data of the target driver by the preset interface.
The insurance policy data of the target driver includes basic information of the target driver, purchase information of the insurance policy, compensation information, and the like. Among them, the purchase information of insurance policies includes information such as the type of insurance taken out and the amount of insurance.
具体的に、プリセットのインターフェースはアプリケーションプログラミングインターフェース（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ，ＡＰＩ）又は他の種類のインターフェースであってもよい。サーバは、プリセットのインターフェースを介して保険証券システムに接続し、ターゲット運転者の身分標識に基づいてターゲット運転者の身分標識に対応する保険証券データを保険証券システムから取得することができる。ここで、当該身分標識は、ターゲット運転者の携帯電話番号、ユーザ氏名又は運転者身分を一意に識別することができる他の情報であってもよい。 Specifically, the preset interface may be an Application Programming Interface (API) or other type of interface. The server can connect to the insurance policy system via a preset interface and obtain insurance policy data corresponding to the target driver's identification card from the insurance policy system based on the target driver's identification card. Here, the identification sign may be the mobile phone number, the user name, or other information that can uniquely identify the driver's identity of the target driver.
図３は、本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。図３による実施例は図１による実施例をもとに拡張したものであるため、ここでは重複を避けるために相違点のみを重点として説明する。図３に示すように、図１における１２０は以下の内容を含む。 FIG. 3 is a schematic flowchart of a driving action scoring method provided by another embodiment of the present invention. Since the embodiment shown in FIG. 3 is an extension of the embodiment shown in FIG. 1, only the differences will be described here in order to avoid duplication. As shown in FIG. 3, 120 in FIG. 1 includes the following contents.
１２１：ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出する。
第１の特徴は、平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含む。
121: The first feature of the target driver is extracted from the driving behavior data of the target driver.
The first feature includes at least one of an average mileage, an average traveling speed, a number of sudden accelerations, a number of sudden decelerations, a number of sudden steering wheels, and the presence or absence of fatigue driving.
具体的には、各ターゲット運転者に対して、当該ターゲット運転者の運転行為データに含まれている運転時間情報、走行距離情報、速度情報、方向変換情報、経緯度情報、海抜情報、携帯電話の通話状態情報、急加速情報、急減速情報、及び急ハンドル情報などから、プリセットの時間ウィンドウ及びプリセットの走行距離に基づいて、毎月又は毎日の平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを抽出する。 Specifically, for each target driver, driving time information, mileage information, speed information, direction change information, latitude and longitude information, sea level information, mobile phone included in the driving behavior data of the target driver. Based on the preset time window and preset mileage from the call status information, sudden acceleration information, sudden deceleration information, sudden steering wheel information, etc., monthly or daily average mileage, average running speed, number of sudden accelerations, sudden At least one of the number of decelerations, the number of sudden steering wheels, and the presence or absence of fatigue driving is extracted.
又は、毎回の運転期間に対応する運転行為データから第１の特徴を抽出してもよく、すなわち毎回の運転期間は１回の採点に対応する。 Alternatively, the first feature may be extracted from the driving behavior data corresponding to each driving period, that is, each driving period corresponds to one scoring.
１２２：ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出する。
第２の特徴は、走行道路状況と車線変更回数とのうちの少なくとも１つを含む。
具体的には、各ターゲット運転者に対して、当該ターゲット運転者の運転環境データに含まれているターゲット検出情報、距離測定情報、道路状況情報及び車線検出情報から、走行道路状況及び車線変更回数のうちの少なくとも１つを抽出する。
122: The second feature of the target driver is extracted from the driving environment data of the target driver.
The second feature includes at least one of the road condition and the number of lane changes.
Specifically, for each target driver, the driving road condition and the number of lane changes are obtained from the target detection information, distance measurement information, road condition information, and lane detection information included in the driving environment data of the target driver. At least one of them is extracted.
１２３：ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出する。
第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。個人基本情報は年齢、性別、健康情報などを含んでもよい。
１２４：第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定する。
123: The third feature and the fourth feature of the target driver are extracted from the insurance policy data of the target driver.
The third feature includes basic personal information, and the fourth feature includes at least one of insurance policy purchase history information and compensation history information. Basic personal information may include age, gender, health information and the like.
124: The target feature data is determined by merging the first feature, the second feature, the third feature, and the fourth feature.
具体的には、第１の特徴、第２の特徴、第３の特徴及び第４の特徴をターゲット運転者の身分標識に基づいて特徴合併を行って、ターゲット特徴データを取得することができる。当該ターゲット特徴データはターゲット運転者の運転行為をより全面的に表すことができるため、採点結果の正確率を向上させることができる。 Specifically, the target feature data can be obtained by merging the first feature, the second feature, the third feature, and the fourth feature based on the identification mark of the target driver. Since the target feature data can represent the driving behavior of the target driver more fully, the accuracy rate of the scoring result can be improved.
第１の特徴、第２の特徴、第３の特徴及び第４の特徴は、同一又は異なる次元を有する４つのベクトルであってもよい。また、特徴合併によって得られるターゲット特徴データもベクトルであってもよく、且つ当該ベクトルの次元は、特徴合併される前の４つのベクトルの次元の和であってもよい。 The first feature, the second feature, the third feature and the fourth feature may be four vectors having the same or different dimensions. Further, the target feature data obtained by the feature merger may also be a vector, and the dimension of the vector may be the sum of the dimensions of the four vectors before the feature merger.
選択的に、１２０の前、当該方法は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに対してデータ前処理を行うステップを更に含んでもよい。具体的には、後工程における特徴抽出に利便性を提供するために、データ洗浄、データ変換を含んでもよい。 Optionally, prior to 120, the method may further include the step of performing data preprocessing on the driving behavior data, driving environment data and insurance policy data of the target driver. Specifically, data cleaning and data conversion may be included in order to provide convenience for feature extraction in the subsequent process.
本発明の一実施例によると、図１の方法は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得するステップを更に含む。 According to an embodiment of the present invention, the method of FIG. 1 further comprises the step of training a machine learning model using sample data to obtain a scoring model of driving behavior.
図４は、本発明の他の実施例により提供される運転行為の採点方法の模式的フローチャートである。図４による実施例は図１による実施例をもとに拡張したものであるため、ここでは重複を避けるために、図１に記載の内容を省略して相違点のみを重点として説明する。図４に示すように、当該運転行為の採点方法は以下の内容を含む。 FIG. 4 is a schematic flowchart of a driving action scoring method provided by another embodiment of the present invention. Since the embodiment according to FIG. 4 is an extension of the embodiment according to FIG. 1, here, in order to avoid duplication, the contents described in FIG. 1 will be omitted and only the differences will be described. As shown in FIG. 4, the scoring method for the driving action includes the following contents.
１４０：サンプルデータを取得する。ここで、サンプルデータはサンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む。 140: Obtain sample data. Here, the sample data includes the driving behavior data, the driving environment data, and the insurance policy data of the sample driver.
移動ＳＤＫモジュールによってサンプル運転者の運転行為データを取得し、サンプル運転者の運転行為データをサーバにアップロードする。サーバは、サンプル運転者の運転行為データとサンプル運転者の身分標識とをバインディングして記憶する。サンプル運転者の運転行為データはサンプル運転者本人の移動端末に実装されたＳＤＫモジュールによって収集したものであるため、１台の車両に複数名のユーザが登録することによりもたらされる１台の車両の走行記録が同一ユーザのものではないという状況を、ある程度防ぐことができる。したがって、後工程における運転行為の採点モデルのモデリングプロセスにデータ干渉をもたらすことを防ぐことができる。 The driving behavior data of the sample driver is acquired by the mobile SDK module, and the driving behavior data of the sample driver is uploaded to the server. The server binds and stores the driving behavior data of the sample driver and the identification mark of the sample driver. Since the driving behavior data of the sample driver is collected by the SDK module mounted on the mobile terminal of the sample driver himself, the driving behavior data of one vehicle brought about by multiple users registering in one vehicle. It is possible to prevent the situation where the driving record does not belong to the same user to some extent. Therefore, it is possible to prevent data interference in the modeling process of the driving behavior scoring model in the subsequent process.
車載ＴＯＦカメラモジュールによってサンプル運転者の運転環境データを取得し、サンプル運転者の運転環境データをサーバにアップロードし、サーバによりサンプル運転者の運転環境関連データとサンプル運転者の身分標識とをバインディングして記憶する。 The driving environment data of the sample driver is acquired by the in-vehicle TOF camera module, the driving environment data of the sample driver is uploaded to the server, and the driving environment-related data of the sample driver and the identification mark of the sample driver are bound by the server. And remember.
プリセットのインターフェースによってサンプル運転者の保険証券データを取得する。
１４０の具体的な実施プロセス、並びに、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに含まれる具体的な情報については、上述の図１及び図２に記載の内容を参照すればよく、ここでは説明を省略する。
Get sample driver insurance policy data through a preset interface.
For the specific implementation process of 140 and the specific information contained in the driving behavior data, driving environment data and insurance policy data of the sample driver, refer to the contents described in FIGS. 1 and 2 above. Often, the description is omitted here.
１５０：サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて、サンプル特徴データ及びサンプル運転者の運転行為点数を確定する。 150: Based on the driving behavior data of the sample driver, the driving environment data, and the insurance policy data, the sample feature data and the driving behavior score of the sample driver are determined.
具体的には、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定し、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定する。 Specifically, the sample feature data is determined based on the sample driver's driving behavior data, driving environment data, and insurance policy data, and the sample driver's driving behavior score is determined based on the sample driver's insurance policy data. ..
一実施例において、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定するステップは、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出するステップと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出するステップと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出するステップと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定するステップと、を含む。また、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップを含む。 In one embodiment, the step of determining the sample feature data based on the sample driver's driving behavior data, driving environment data, and insurance policy data extracts the sample driver's fifth feature from the sample driver's driving behavior data. Steps to be performed, a step of extracting the sixth feature of the sample driver from the driving environment data of the sample driver, and a step of extracting the seventh feature and the eighth feature of the sample driver from the insurance policy data of the sample driver. The step includes a step of merging the fifth feature, the sixth feature, the seventh feature, and the eighth feature to determine the sample feature data. Further, the step of determining the driving action score of the sample driver based on the insurance policy data of the sample driver includes a step of determining the driving action score of the sample driver based on the seventh feature and the eighth feature. ..
具体的に、第５の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含んでもよい。第６の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含んでもよい。第７の特徴は個人基本情報を含んでもよい。第８の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含んでもよい。
サンプル運転者の身分標識に基づいて、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を特徴合併して、サンプル特徴データを取得する。ここで、サンプル運転者のサンプル特徴データをリスト形式で記憶してもよい。
Specifically, the fifth feature may include at least one of an average mileage, an average traveling speed, a number of sudden accelerations, a number of sudden decelerations, a number of sudden steering wheels, and the presence or absence of fatigue driving. The sixth feature may include at least one of the road condition and the number of lane changes. The seventh feature may include basic personal information. The eighth feature may include at least one of insurance policy purchase history information and compensation history information.
Based on the identification mark of the sample driver, the sample feature data is acquired by merging the fifth feature, the sixth feature, the seventh feature, and the eighth feature. Here, the sample feature data of the sample driver may be stored in a list format.
１５０の具体的な実施プロセスについては、上述の図１及び図３に記載の内容を参照すればよく、ここでは説明を省略する。 For the specific implementation process of 150, the contents described in FIGS. 1 and 3 described above may be referred to, and the description thereof will be omitted here.
本発明の実施例においては、サンプル運転者の運転行為データ、運転環境データ及び保険証券データのそれぞれから特徴を抽出し且つ特徴合併を行うことによってサンプル特徴データを取得するため、このように取得するサンプル特徴データは、サンプル運転者の運転行為をより全面的に表すことができる。したがって、後工程における訓練によって取得するモデルは、運転者の運転行為に対してより精密に評価を行うことができる。 In the embodiment of the present invention, the sample feature data is acquired by extracting the features from each of the driving behavior data, the driving environment data, and the insurance policy data of the sample driver and performing the feature merge, so that the sample feature data is acquired in this way. The sample feature data can more fully represent the driving behavior of the sample driver. Therefore, the model acquired by the training in the post-process can evaluate the driving behavior of the driver more precisely.
一実施例において、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定するステップは、第７の特徴及び第８の特徴に基づいてサンプル運転者の補償発生率を算出するステップと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定するステップと、を含む。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。 In one embodiment, the step of determining the driving action score of the sample driver based on the seventh feature and the eighth feature determines the compensation occurrence rate of the sample driver based on the seventh feature and the eighth feature. It includes a step of calculating and a step of determining a driving action score of a sample driver having a mapping relationship with a compensation occurrence rate based on a preset mapping relationship table. The higher the compensation occurrence rate, the lower the driving action score of the sample driver.
具体的に、保険証券データから抽出する特徴はサンプル運転者の補償履歴情報を含む。サンプル運転者の補償履歴情報に基づいて、サンプル運転者の補償発生率を算出することができる。
写像関係表において、補償発生率が高ければ高いほど、それに対応する運転行為点数が低くなる。一例として、点数範囲は０~１００であってもよい。写像から得られる運転行為点数は、サンプル運転者のラベル情報として用いられることができる。
Specifically, the features extracted from the insurance policy data include the compensation history information of the sample driver. The compensation occurrence rate of the sample driver can be calculated based on the compensation history information of the sample driver.
In the mapping relationship table, the higher the compensation occurrence rate, the lower the corresponding driving action score. As an example, the score range may be 0 to 100. The driving action score obtained from the map can be used as label information of the sample driver.
１６０：サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得する。 160: A machine learning model is trained based on sample feature data and a sample driver's driving behavior score to obtain a driving behavior scoring model.
訓練によって取得した運転行為の採点モデルを記憶し、サンプル運転者以外のターゲット運転者の運転行為に対して採点するときに当該モデルを用いることができる。１４０乃至１６０は、１３０の前に実行してもよい。 The driving behavior scoring model acquired through training can be stored and used when scoring the driving behavior of a target driver other than the sample driver. 140 to 160 may be executed before 130.
本発明の一実施例によると、機械学習モデルは木構造に基づく集積学習モデルＸＧＢｏｏｓｔ（ｅＸｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ）である。与えられたデータ集合Ｄ＝｛（ｘｉ，ｙｉ）｝に対して、ＸＧＢｏｏｓｔモデルの関数形式は以下の通りである。
According to one embodiment of the present invention, the machine learning model is an integrated learning model XGBost (eXtreme Grandient Boosting) based on a tree structure. For the given data set D = {(x i , y i )}, the function format of the XGBost model is as follows.
また、機械学習モデルはＸＧＢｏｏｓｔモデル以外の他のブースティング木モデル（ｂｏｏｓｔｉｎｇ ｔｒｅｅ）であってもよく、ランダムフォレストモデルなどの他の種類の機械学習モデルであってもよく、本発明はそれについて制限しない。 Further, the machine learning model may be a boosting tree model other than the XGBost model, or may be another type of machine learning model such as a random forest model, and the present invention limits it. do not do.
本発明の実施例により提供される運転行為の採点方法は、サンプル運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目することによってサンプル特徴データを抽出するとともに、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を取得し、さらにサンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得する。したがって、運転者の運転行為に対するモデリングを多次元且つ精密的に実現することができ、ひいては運転行為の採点モデルを用いて様々な運転者それぞれの運転行為点数を正確に予測することができる。 The driving behavior scoring method provided by the embodiment of the present invention extracts sample feature data by focusing on a plurality of dimensions of the driving behavior data, driving environment data, and insurance policy data of the sample driver, and samples driving. Obtain the driving behavior score of the sample driver based on the insurance policy data of the person, and further train the machine learning model based on the sample feature data and the driving behavior score of the sample driver to obtain the driving behavior scoring model. .. Therefore, modeling of the driver's driving behavior can be realized in multiple dimensions and precisely, and by extension, the driving behavior score of each of the various drivers can be accurately predicted by using the driving behavior scoring model.
図５は、本発明の一実施例により提供される運転行為の採点装置５００の構成模式図である。図５に示すように、当該装置５００は取得モジュール５１０、確定モジュール５２０及び採点モジュール５３０を備える。 FIG. 5 is a schematic configuration diagram of a driving action scoring device 500 provided by an embodiment of the present invention. As shown in FIG. 5, the device 500 includes an acquisition module 510, a confirmation module 520, and a scoring module 530.
取得モジュール５１０は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する。確定モジュール５２０は、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する。採点モジュール５３０は、ターゲット特徴データを運転行為の採点モデルに入力して、ターゲット運転者の運転行為点数を取得する。 The acquisition module 510 acquires driving behavior data, driving environment data, and insurance policy data of the target driver. The confirmation module 520 determines the target feature data based on the driving behavior data, the driving environment data, and the insurance policy data of the target driver. The scoring module 530 inputs the target feature data into the driving behavior scoring model to acquire the driving behavior score of the target driver.
本発明の実施例は運転行為の採点装置を提供し、ターゲット運転者の運転行為データ、運転環境データ及び保険証券データの複数の次元に着目することによってターゲット運転者のターゲット特徴データを抽出し、運転行為の採点モデルを用いてターゲット運転者の運転行為点数を予測することによって、採点結果の正確率を向上させ、ひいては車両保険料設定の正確率を向上させることができる。
本発明の一実施例によると、取得モジュール５１０は、ソフトウェア開発キットモジュールによってターゲット運転者の運転行為データを取得することと、車載ＴＯＦカメラモジュールによってターゲット運転者の運転環境データを取得することと、プリセットのインターフェースによってターゲット運転者の保険証券データを取得することと、を行う。
An embodiment of the present invention provides a driving behavior scoring device, extracts target characteristic data of a target driver by focusing on a plurality of dimensions of driving behavior data, driving environment data, and insurance policy data of the target driver. By predicting the driving behavior score of the target driver using the driving behavior scoring model, it is possible to improve the accuracy rate of the scoring result and, by extension, the accuracy rate of vehicle insurance premium setting.
According to one embodiment of the present invention, the acquisition module 510 acquires the driving behavior data of the target driver by the software development kit module, and acquires the driving environment data of the target driver by the in-vehicle TOF camera module. Obtaining and doing insurance policy data for the target driver through a preset interface.
本発明の一実施例によると、確定モジュール５２０は、ターゲット運転者の運転行為データからターゲット運転者の第１の特徴を抽出することと、ターゲット運転者の運転環境データからターゲット運転者の第２の特徴を抽出することと、ターゲット運転者の保険証券データからターゲット運転者の第３の特徴及び第４の特徴を抽出することと、第１の特徴、第２の特徴、第３の特徴及び第４の特徴を合併して、ターゲット特徴データを確定することと、を行う。ここで、第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、第３の特徴は個人基本情報を含み、第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む。 According to one embodiment of the present invention, the determination module 520 extracts the first feature of the target driver from the driving behavior data of the target driver and the second characteristic of the target driver from the driving environment data of the target driver. The third feature and the fourth feature of the target driver are extracted from the insurance policy data of the target driver, and the first feature, the second feature, the third feature and The fourth feature is merged to determine the target feature data. Here, the first feature includes at least one of the average mileage, the average running speed, the number of sudden accelerations, the number of sudden decelerations, the number of sudden steering wheels, and the presence or absence of fatigue driving, and the second feature is the driving road condition. And at least one of the number of lane changes, the third feature contains basic personal information, and the fourth feature contains at least one of insurance policy purchase history information and compensation history information.
本発明の一実施例によると、装置５００は、サンプルデータを用いて機械学習モデルを訓練して、運転行為の採点モデルを取得する訓練モジュール５４０を更に備える。 According to one embodiment of the present invention, the device 500 further comprises a training module 540 that trains a machine learning model using sample data to acquire a scoring model of driving behavior.
本発明の一実施例によると、訓練モジュール５４０は、サンプルデータを取得することと、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて、サンプル特徴データ及びサンプル運転者の運転行為点数を確定することと、サンプル特徴データ及びサンプル運転者の運転行為点数に基づいて機械学習モデルを訓練して、運転行為の採点モデルを取得することと、を行う。ここで、サンプルデータはサンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む。 According to one embodiment of the present invention, the training module 540 acquires sample data, and based on the sample driver's driving behavior data, driving environment data, and insurance policy data, the training module 540 performs sample feature data and sample driver's driving. The action score is determined, and the machine learning model is trained based on the sample feature data and the driving action score of the sample driver to acquire the driving action scoring model. Here, the sample data includes the driving behavior data, the driving environment data, and the insurance policy data of the sample driver.
本発明の一実施例によると、訓練モジュール５４０は、サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データを確定することと、サンプル運転者の保険証券データに基づいてサンプル運転者の運転行為点数を確定することと、を行う。 According to one embodiment of the present invention, the training module 540 determines the sample feature data based on the driving behavior data, the driving environment data and the insurance policy data of the sample driver, and is based on the insurance policy data of the sample driver. The driving action score of the sample driver is determined and performed.
本発明の一実施例によると、訓練モジュール５４０は、サンプル運転者の運転行為データからサンプル運転者の第５の特徴を抽出することと、サンプル運転者の運転環境データからサンプル運転者の第６の特徴を抽出することと、サンプル運転者の保険証券データからサンプル運転者の第７の特徴及び第８の特徴を抽出することと、第５の特徴、第６の特徴、第７の特徴及び第８の特徴を合併して、サンプル特徴データを確定することと、第７の特徴及び第８の特徴に基づいてサンプル運転者の運転行為点数を確定することと、を行う。 According to one embodiment of the present invention, the training module 540 extracts the fifth feature of the sample driver from the driving behavior data of the sample driver, and the sixth of the sample driver from the driving environment data of the sample driver. The 7th feature and the 8th feature of the sample driver are extracted from the insurance policy data of the sample driver, and the 5th feature, the 6th feature, the 7th feature and The eighth feature is merged to determine the sample feature data, and the driving action score of the sample driver is determined based on the seventh feature and the eighth feature.
本発明の一実施例によると、訓練モジュール５４０は、第７の特徴及び第８の特徴に基づいて、サンプル運転者の補償発生率を算出することと、プリセットの写像関係表に基づいて、補償発生率との写像関係を有するサンプル運転者の運転行為点数を確定することと、を行う。なお、補償発生率が高ければ高いほど、サンプル運転者の運転行為点数が低くなる。 According to one embodiment of the present invention, the training module 540 calculates the compensation occurrence rate of the sample driver based on the seventh feature and the eighth feature, and compensates based on the preset mapping relationship table. The driving action score of the sample driver having a mapping relationship with the occurrence rate is determined. The higher the compensation occurrence rate, the lower the driving action score of the sample driver.
本発明の一実施例によると、機械学習モデルはブースティング木モデル又はランダムフォレストモデルである。 According to one embodiment of the invention, the machine learning model is a boosting tree model or a random forest model.
本発明の実施例により提供される運転行為の採点装置は、本発明の実施例により提供される運転行為の採点方法と同一な発明思想に属し、本発明のいずれか一実施例に係る運転行為の採点方法を実行することができ、運転行為の採点方法を実行するための機能モジュール及び有益効果を有する。本実施例において詳しく説明されていない技術細部については、本発明の実施例に係る運転行為の採点方法を参照すればよく、ここでは説明を省略する。 The driving act scoring device provided by the embodiment of the present invention belongs to the same invention idea as the driving act scoring method provided by the embodiment of the present invention, and the driving act according to any one embodiment of the present invention. It is possible to carry out the scoring method of, and has a functional module and a beneficial effect for carrying out the scoring method of driving behavior. For technical details not explained in detail in the present embodiment, the driving act scoring method according to the embodiment of the present invention may be referred to, and the description thereof will be omitted here.
図６は、本発明の一実施例により提供されるコンピュータデバイス６０のダイアグラムである。当該コンピュータデバイス６０は、１つ又は複数のプロセッサ６１と、１つ又は複数のプログラムを記憶するメモリ６２と、を備える。１つ又は複数のプログラムが１つ又は複数のプロセッサ６１により実行されると、１つ又は複数のプロセッサ６１は上述の実施例に記載の運転行為の採点方法を実現する。 FIG. 6 is a diagram of the computer device 60 provided by an embodiment of the present invention. The computer device 60 includes one or more processors 61 and a memory 62 that stores one or more programs. When one or more programs are executed by one or more processors 61, the one or more processors 61 realizes the driving behavior scoring method described in the above embodiment.
さらに、本発明の実施例はコンピュータ読取可能な記憶媒体を提供する。当該記憶媒体にはコンピュータプログラムが記憶されており、当該プログラムはプロセッサにより実行されると、上述の実施例に記載の運転行為の採点方法を実現する。 Further, the embodiments of the present invention provide a computer-readable storage medium. A computer program is stored in the storage medium, and when the program is executed by the processor, the method of scoring the driving action described in the above-described embodiment is realized.
当業者が理解できる通り、本発明の実施例のうちの実施例は方法、システム、又はコンピュータプログラム製品として提供されることができる。そこで、本発明の実施例においては、完全なハードウェア実施例、完全なソフトウェア実施例、又はソフトウェアとハードウェアを結合した実施例の形を採用することができる。さらに、本発明の実施例においては、コンピュータ使用可能なプログラムコードを含んでいる１つ又は複数のコンピュータ使用可能な記憶媒体（磁気メモリ、ＣＤ−ＲＯＭ、光学メモリなどを含むがそれらに限られない）によって実行されるコンピュータプログラム製品の形を採用することもできる。 As will be appreciated by those skilled in the art, examples of the embodiments of the present invention may be provided as methods, systems, or computer program products. Therefore, in the embodiment of the present invention, a complete hardware embodiment, a complete software embodiment, or an embodiment in which software and hardware are combined can be adopted. Further, in the embodiments of the present invention, one or more computer-usable storage media (including, but not limited to, magnetic memory, CD-ROM, optical memory, etc.) containing computer-usable program code. ) Can also be adopted in the form of computer program products executed by.
本願においては、本願の実施例による方法、デバイス（システム）、コンピュータプログラム製品のフローチャート及び／又はダイアグラムなどを参照しながら実施例を説明した。フローチャート及び／又はダイアグラムにおける各ステップ及び／又はブロック、及び、フローチャート及び／又はダイアグラムにおけるステップ及び／又はブロックの組み合わせは、コンピュータプログラムの命令によって実現されることができることに留意されたい。一般コンピュータ、専用コンピュータ、埋め込みプロセッサ、又は他のプログラマブルデータ処理デバイスのプロセッサにこれらのコンピュータプログラムを実装すると、コンピュータ又は他のプログラマブルデータ処理データ処理デバイスのプロセッサが命令を実行することによって、フローチャートにおける１つ又は複数のステップ及び／又はダイアグラムにおける１つ又は複数のブロックにより指定される機能を実現することができる装置になる。 In the present application, examples have been described with reference to the methods according to the examples of the present application, devices (systems), flowcharts and / or diagrams of computer program products. Note that each step and / or block in the flowchart and / or diagram, and the combination of steps and / or block in the flowchart and / or diagram, can be implemented by instructions in a computer program. When these computer programs are implemented in a general computer, a dedicated computer, an embedded processor, or a processor of another programmable data processing device, the processor of the computer or other programmable data processing data processing device executes an instruction, thereby causing 1 in the flowchart. A device capable of implementing the function specified by one or more blocks in one or more steps and / or diagrams.
これらのコンピュータプログラム命令はコンピュータ読取可能なメモリに記憶されてもよい。当該コンピュータ読取可能なメモリは、コンピュータ又は他のプログラマブルデータ処理デバイスに特定の方式で作業させることができる。したがって、当該コンピュータ読取可能なメモリに記憶されている命令が実行されると、フローチャートにおける１つ又は複数のステップ及び／又はダイアグラムにおける１つ又は複数のブロックにより指定される機能を実現することができる装置を備えた製品が形成される。 These computer program instructions may be stored in computer-readable memory. The computer-readable memory can cause a computer or other programmable data processing device to work in a particular manner. Therefore, when an instruction stored in the computer-readable memory is executed, the function specified by one or more steps in the flowchart and / or one or more blocks in the diagram can be realized. A product with the device is formed.
これらのコンピュータプログラム命令はコンピュータ又は他のプログラマブルデータ処理デバイスに実装されてもよい。したがってコンピュータ又は他のプログラマブルデータ処理デバイスは一連の作業プロセスを実行してコンピュータによる処理を実現することによって、コンピュータ又は他のプログラマブルデータ処理デバイスにより実行される命令がフローチャートにおける１つ又は複数のステップ及び／又はダイアグラムにおける１つ又は複数のブロックにより指定される機能を実行するプロセスを提供する。 These computer program instructions may be implemented in a computer or other programmable data processing device. Thus, a computer or other programmable data processing device may perform a series of work processes to achieve processing by the computer so that the instructions executed by the computer or other programmable data processing device can be one or more steps in the flowchart. / Or provide the process of performing the function specified by one or more blocks in the diagram.
本明細書においては本願の実施例のうちの好ましい実施例のみを説明したが、当業者であれば、基本的な創造的概念を把握できた以上、これらの実施例に対して他の変更や変動を行うことができる。そこで、本願は、好ましい実施例及び本願の実施例の範囲に属するすべての変更や変動を、特許請求の範囲によって解釈する。 Although only preferred examples of the examples of the present application have been described herein, those skilled in the art will be able to understand the basic creative concepts and make other changes to these examples. Can make fluctuations. Therefore, the present application interprets all changes and variations belonging to the preferred embodiments and the scope of the embodiments of the present application according to the claims.
明らかに、当業者であれば、本発明の精神と範囲を逸脱せずに本発明に対して様々な変動や変形を実現することができる。このような変動や変形が本発明の特許請求の範囲又は同等な技術範囲に属する場合、それらの変動や変形は本発明の保護範囲に入るものになる。 Obviously, one of ordinary skill in the art can realize various variations and modifications to the present invention without departing from the spirit and scope of the present invention. If such variations or modifications belong to the claims or equivalent technical scope of the present invention, they fall within the scope of protection of the present invention.
Claims (20)
ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得するステップと、
前記ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定するステップと、
前記ターゲット特徴データを運転行為の採点モデルに入力して、前記ターゲット運転者の運転行為点数を取得するステップと、を含む
ことを特徴とする運転行為の採点方法。 It ’s a method of scoring driving behavior.
Steps to acquire driving behavior data, driving environment data and insurance policy data of the target driver,
The step of determining the target feature data based on the driving behavior data, driving environment data, and insurance policy data of the target driver, and
A driving behavior scoring method comprising the step of inputting the target feature data into a driving behavior scoring model and acquiring the driving behavior score of the target driver.
ソフトウェア開発キットモジュールによって前記ターゲット運転者の運転行為データを取得するステップと、
車載ＴＯＦカメラモジュールによって前記ターゲット運転者の運転環境データを取得するステップと、
プリセットのインターフェースによって前記ターゲット運転者の保険証券データを取得するステップと、を含む
ことを特徴とする請求項１に記載の方法。 The step of acquiring the driving behavior data, driving environment data and insurance policy data of the target driver is
The step of acquiring the driving behavior data of the target driver by the software development kit module,
The step of acquiring the driving environment data of the target driver by the in-vehicle TOF camera module, and
The method of claim 1, comprising the step of acquiring insurance policy data for the target driver through a preset interface.
前記ターゲット運転者の運転行為データから前記ターゲット運転者の第１の特徴を抽出するステップと、
前記ターゲット運転者の運転環境データから前記ターゲット運転者の第２の特徴を抽出するステップと、
前記ターゲット運転者の保険証券データから前記ターゲット運転者の第３の特徴及び第４の特徴を抽出するステップと、
前記第１の特徴、前記第２の特徴、前記第３の特徴及び前記第４の特徴を合併して、前記ターゲット特徴データを確定するステップと、を含み、
前記第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、前記第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、前記第３の特徴は個人基本情報を含み、前記第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む
ことを特徴とする請求項１又は２に記載の方法。 The step of determining the target feature data based on the driving behavior data, the driving environment data, and the insurance policy data of the target driver is
A step of extracting the first feature of the target driver from the driving behavior data of the target driver, and
A step of extracting the second feature of the target driver from the driving environment data of the target driver, and
A step of extracting the third feature and the fourth feature of the target driver from the insurance policy data of the target driver, and
Including the step of merging the first feature, the second feature, the third feature and the fourth feature to determine the target feature data.
The first feature includes at least one of average mileage, average running speed, number of sudden accelerations, number of sudden decelerations, number of sudden steering wheels, and presence / absence of fatigue driving, and the second feature is the driving road condition. The third feature includes at least one of the number of lane changes, the third feature includes personal basic information, and the fourth feature includes at least one of insurance policy purchase history information and compensation history information. The method according to claim 1 or 2, characterized in that.
ことを特徴とする請求項１乃至３のいずれか一項に記載の方法。 The method according to any one of claims 1 to 3, further comprising a step of training a machine learning model using sample data to obtain a scoring model of the driving behavior.
サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む前記サンプルデータを取得するステップと、
前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及び前記サンプル運転者の運転行為点数を確定するステップと、
前記サンプル特徴データ及び前記サンプル運転者の運転行為点数に基づいて前記機械学習モデルを訓練して、前記運転行為の採点モデルを取得するステップと、を含む
ことを特徴とする請求項４に記載の方法。 The step of training a machine learning model using sample data to obtain a scoring model of the driving behavior is
Steps to acquire the sample data including driving behavior data, driving environment data and insurance policy data of a sample driver, and
A step of determining the sample feature data and the driving behavior score of the sample driver based on the driving behavior data, the driving environment data, and the insurance policy data of the sample driver.
The fourth aspect of claim 4, wherein the machine learning model is trained based on the sample feature data and the driving action score of the sample driver to obtain a scoring model of the driving action. Method.
前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて前記サンプル特徴データを確定するステップと、
前記サンプル運転者の保険証券データに基づいて前記サンプル運転者の運転行為点数を確定するステップと、を含む
ことを特徴とする請求項５に記載の方法。 The step of determining the sample feature data and the driving behavior score of the sample driver based on the driving behavior data, the driving environment data, and the insurance policy data of the sample driver is
A step of determining the sample feature data based on the driving behavior data, driving environment data, and insurance policy data of the sample driver, and
The method according to claim 5, further comprising a step of determining the driving action score of the sample driver based on the insurance policy data of the sample driver.
前記サンプル運転者の運転行為データから前記サンプル運転者の第５の特徴を抽出するステップと、
前記サンプル運転者の運転環境データから前記サンプル運転者の第６の特徴を抽出するステップと、
前記サンプル運転者の保険証券データから前記サンプル運転者の第７の特徴及び第８の特徴を抽出するステップと、
前記第５の特徴、前記第６の特徴、前記第７の特徴及び前記第８の特徴を合併して、前記サンプル特徴データを確定するステップと、を含み、
前記サンプル運転者の保険証券データに基づいて前記サンプル運転者の運転行為点数を確定する前記ステップは、
前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の運転行為点数を確定するステップを含む
ことを特徴とする請求項６に記載の方法。 The step of determining the sample feature data based on the driving behavior data, driving environment data, and insurance policy data of the sample driver is
A step of extracting the fifth feature of the sample driver from the driving behavior data of the sample driver, and
A step of extracting the sixth feature of the sample driver from the driving environment data of the sample driver, and
A step of extracting the seventh feature and the eighth feature of the sample driver from the insurance policy data of the sample driver, and
Includes a step of merging the fifth feature, the sixth feature, the seventh feature and the eighth feature to determine the sample feature data.
The step of determining the driving action score of the sample driver based on the insurance policy data of the sample driver is
The method according to claim 6, further comprising a step of determining a driving action score of the sample driver based on the seventh feature and the eighth feature.
前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の補償発生率を算出するステップと、
プリセットの写像関係表に基づいて、前記補償発生率との写像関係を有する前記サンプル運転者の運転行為点数を確定するステップと、を含み、
前記補償発生率が高ければ高いほど、前記サンプル運転者の運転行為点数が低くなる
ことを特徴とする請求項７に記載の方法。 The step of determining the driving action score of the sample driver based on the seventh feature and the eighth feature is
A step of calculating the compensation occurrence rate of the sample driver based on the seventh feature and the eighth feature, and
Including a step of determining the driving action score of the sample driver having a mapping relationship with the compensation occurrence rate based on a preset mapping relationship table.
The method according to claim 7, wherein the higher the compensation occurrence rate, the lower the driving action score of the sample driver.
ことを特徴とする請求項４乃至８のいずれか一項に記載の方法。 The method according to any one of claims 4 to 8, wherein the machine learning model is a boosting tree model or a random forest model.
ターゲット運転者の運転行為データ、運転環境データ及び保険証券データを取得する取得モジュールと、
前記ターゲット運転者の運転行為データ、運転環境データ及び保険証券データに基づいてターゲット特徴データを確定する確定モジュールと、
前記ターゲット特徴データを運転行為の採点モデルに入力して、前記ターゲット運転者の運転行為点数を取得する採点モジュールと、を備える
ことを特徴とする運転行為の採点装置。 It is a scoring device for driving activities
An acquisition module that acquires driving behavior data, driving environment data, and insurance policy data of the target driver,
A confirmation module that determines the target feature data based on the driving behavior data, driving environment data, and insurance policy data of the target driver, and
A driving action scoring device including a scoring module for inputting the target feature data into a driving action scoring model and acquiring the driving action score of the target driver.
ソフトウェア開発キットモジュールによって前記ターゲット運転者の運転行為データを取得することと、
車載ＴＯＦカメラモジュールによって前記ターゲット運転者の運転環境データを取得することと、
プリセットのインターフェースによって前記ターゲット運転者の保険証券データを取得することと、を行う
ことを特徴とする請求項１０装置。 The acquisition module
Acquiring the driving behavior data of the target driver by the software development kit module,
Acquiring the driving environment data of the target driver by the in-vehicle TOF camera module,
10. The apparatus according to claim 10, wherein the insurance policy data of the target driver is acquired by a preset interface.
前記ターゲット運転者の運転行為データから前記ターゲット運転者の第１の特徴を抽出することと、
前記ターゲット運転者の運転環境データから前記ターゲット運転者の第２の特徴を抽出することと、
前記ターゲット運転者の保険証券データから前記ターゲット運転者の第３の特徴及び第４の特徴を抽出することと、
前記第１の特徴、前記第２の特徴、前記第３の特徴及び前記第４の特徴を合併して、前記ターゲット特徴データを確定することと、を行い、
前記第１の特徴は平均走行距離、平均走行速度、急加速回数、急減速回数、急ハンドル回数及び疲労運転の有無、のうちの少なくとも１つを含み、前記第２の特徴は走行道路状況と車線変更回数とのうちの少なくとも１つを含み、前記第３の特徴は個人基本情報を含み、前記第４の特徴は保険証券の購入履歴情報と補償履歴情報とのうちの少なくとも１つを含む
ことを特徴とする請求項１０又は１１に記載の装置。 The confirmation module is
Extracting the first feature of the target driver from the driving behavior data of the target driver, and
Extracting the second feature of the target driver from the driving environment data of the target driver, and
Extracting the third feature and the fourth feature of the target driver from the insurance policy data of the target driver, and
The target feature data is determined by merging the first feature, the second feature, the third feature, and the fourth feature.
The first feature includes at least one of average mileage, average running speed, number of sudden accelerations, number of sudden decelerations, number of sudden steering wheels, and presence / absence of fatigue driving, and the second feature is the driving road condition. The third feature includes at least one of the number of lane changes, the third feature includes personal basic information, and the fourth feature includes at least one of insurance policy purchase history information and compensation history information. The device according to claim 10 or 11.
ことを特徴とする請求項１０乃至１２のいずれか一項に記載の装置。 The apparatus according to any one of claims 10 to 12, further comprising a training module for training a machine learning model using sample data and acquiring a scoring model for the driving behavior.
サンプル運転者の運転行為データ、運転環境データ及び保険証券データを含む前記サンプルデータを取得することと、
前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいてサンプル特徴データ及び前記サンプル運転者の運転行為点数を確定することと、
前記サンプル特徴データ及び前記サンプル運転者の運転行為点数に基づいて前記機械学習モデルを訓練して、前記運転行為の採点モデルを取得することと、を行う
ことを特徴とする請求項１３に記載の装置。 The training module
Obtaining the sample data including the driving behavior data, driving environment data and insurance policy data of the sample driver, and
Determining the sample feature data and the driving behavior score of the sample driver based on the driving behavior data, the driving environment data, and the insurance policy data of the sample driver.
13. The thirteenth aspect of the present invention, wherein the machine learning model is trained based on the sample feature data and the driving action score of the sample driver to acquire the scoring model of the driving action. apparatus.
前記サンプル運転者の運転行為データ、運転環境データ及び保険証券データに基づいて前記サンプル特徴データを確定することと、
前記サンプル運転者の保険証券データに基づいて前記サンプル運転者の運転行為点数を確定することと、を行う
ことを特徴とする請求項１４に記載の装置。 The training module
To determine the sample feature data based on the driving behavior data, driving environment data, and insurance policy data of the sample driver.
The device according to claim 14, wherein the driving action score of the sample driver is determined based on the insurance policy data of the sample driver, and the driving is performed.
前記サンプル運転者の運転行為データから前記サンプル運転者の第５の特徴を抽出することと、
前記サンプル運転者の運転環境データから前記サンプル運転者の第６の特徴を抽出することと、
前記サンプル運転者の保険証券データから前記サンプル運転者の第７の特徴及び第８の特徴を抽出することと、
前記第５の特徴、前記第６の特徴、前記第７の特徴及び前記第８の特徴を合併して、前記サンプル特徴データを確定することと、
前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の運転行為点数を確定することと、を行う
ことを特徴とする請求項１５に記載の装置。 The training module
Extracting the fifth feature of the sample driver from the driving behavior data of the sample driver, and
Extracting the sixth feature of the sample driver from the driving environment data of the sample driver, and
Extracting the seventh feature and the eighth feature of the sample driver from the insurance policy data of the sample driver, and
To determine the sample feature data by merging the fifth feature, the sixth feature, the seventh feature, and the eighth feature.
The device according to claim 15, wherein the driving action score of the sample driver is determined based on the seventh feature and the eighth feature.
前記第７の特徴及び前記第８の特徴に基づいて前記サンプル運転者の補償発生率を算出することと、
プリセットの写像関係表に基づいて、前記補償発生率との写像関係を有する前記サンプル運転者の運転行為点数を確定することと、を行い、
前記補償発生率が高ければ高いほど、前記サンプル運転者の運転行為点数が低くなる
ことを特徴とする請求項１６に記載の装置。 The training module
To calculate the compensation occurrence rate of the sample driver based on the seventh feature and the eighth feature,
Based on the preset mapping relationship table, the driving action score of the sample driver having a mapping relationship with the compensation occurrence rate is determined.
The device according to claim 16, wherein the higher the compensation occurrence rate, the lower the driving action score of the sample driver.
ことを特徴とする請求項１３乃至１７のいずれか一項に記載の装置。 The device according to any one of claims 13 to 17, wherein the machine learning model is a boosting tree model or a random forest model.
１つ又は複数のプロセッサと、
１つ又は複数のプログラムを記憶するメモリと、を備え、
前記１つ又は複数のプログラムが前記１つ又は複数のプロセッサにより実行されると、前記１つ又は複数のプロセッサは請求項１乃至９のいずれか一項に記載の運転行為の採点方法を実現する
ことを特徴とするコンピュータデバイス。 It ’s a computer device,
With one or more processors
Equipped with a memory for storing one or more programs,
When the one or more programs are executed by the one or more processors, the one or more processors realize the driving action scoring method according to any one of claims 1 to 9. A computer device that features that.
コンピュータプログラムが記憶されており、
前記プログラムは、プロセッサにより実行されると、請求項１乃至９のいずれか一項に記載の運転行為の採点方法を実現する
ことを特徴とするコンピュータ読取可能な記憶媒体。 A computer-readable storage medium
The computer program is stored
A computer-readable storage medium, wherein the program, when executed by a processor, implements the driving behavior scoring method according to any one of claims 1-9.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810796046.7 | 2018-07-19 | ||
| CN201810796046.7A CN109118055B (en) | 2018-07-19 | 2018-07-19 | Driving behavior scoring method and device |
| PCT/CN2019/094500 WO2020015526A1 (en) | 2018-07-19 | 2019-07-03 | Driving behavior scoring method and device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020530578A true JP2020530578A (en) | 2020-10-22 |
Family
ID=64863029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019561133A Pending JP2020530578A (en) | 2018-07-19 | 2019-07-03 | Driving behavior scoring method and equipment |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP2020530578A (en) |
| CN (1) | CN109118055B (en) |
| SG (1) | SG11202002191SA (en) |
| WO (1) | WO2020015526A1 (en) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118055B (en) * | 2018-07-19 | 2021-12-21 | 众安信息技术服务有限公司 | Driving behavior scoring method and device |
| CN110329268B (en) * | 2019-03-22 | 2021-04-06 | 中国人民财产保险股份有限公司 | Driving behavior data processing method, device, storage medium and system |
| CN111833480B (en) * | 2019-04-12 | 2022-04-15 | 比亚迪股份有限公司 | Driving behavior detection method and device and vehicle |
| CN110956867B (en) * | 2019-05-15 | 2021-07-27 | 多伦科技股份有限公司 | Training system and training method based on big data driver behavior analysis |
| CN110390534A (en) * | 2019-06-04 | 2019-10-29 | 天津五八到家科技有限公司 | Net about vehicle driver safety authentication method, device, equipment and storage medium |
| CN110288096B (en) * | 2019-06-28 | 2021-06-08 | 满帮信息咨询有限公司 | Prediction model training method, prediction model training device, prediction model prediction method, prediction model prediction device, electronic equipment and storage medium |
| CN110386145B (en) * | 2019-06-28 | 2020-07-07 | 北京理工大学 | Real-time prediction system for driving behavior of target driver |
| CN110458214B (en) * | 2019-07-31 | 2023-07-07 | 上海远眸软件有限公司 | Driver replacement recognition method and device |
| CN110738574A (en) * | 2019-09-06 | 2020-01-31 | 中国平安财产保险股份有限公司 | Data prediction method, device, equipment and storage medium |
| CN115269569A (en) * | 2019-11-07 | 2022-11-01 | 深圳鼎然信息科技有限公司 | Vehicle driving evaluation method and device based on SDK combined with multi-dimensional data |
| CN111986489B (en) * | 2019-11-07 | 2021-08-03 | 深圳鼎然信息科技有限公司 | Intelligent safety early warning method, device and system for vehicle and storage medium |
| CN111860928A (en) * | 2020-01-21 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | Method and device for making driving plan, electronic equipment and storage medium |
| US11341525B1 (en) | 2020-01-24 | 2022-05-24 | BlueOwl, LLC | Systems and methods for telematics data marketplace |
| CN111815116A (en) * | 2020-06-09 | 2020-10-23 | 广州亚美信息科技有限公司 | Driver scoring method and device, computer equipment and storage medium |
| CN113936459A (en) * | 2020-06-11 | 2022-01-14 | 腾讯科技（深圳）有限公司 | Road condition information collection method, device, equipment and storage medium |
| CN111724597B (en) * | 2020-06-24 | 2022-07-08 | 天津大学 | Research method for evaluating cognitive performance of driver based on driving behavior |
| CN111814880A (en) * | 2020-07-10 | 2020-10-23 | 北京航空航天大学 | Fatigue prediction method based on Bayesian optimization XGboost algorithm |
| CN112232158B (en) * | 2020-09-30 | 2022-08-23 | 易显智能科技有限责任公司 | Training cheating verification system and method based on driving behavior characteristics |
| CN112329543A (en) * | 2020-10-12 | 2021-02-05 | 易显智能科技有限责任公司 | Method and related device for evaluating driving ability process |
| CN112319489B (en) * | 2020-11-18 | 2022-03-04 | 三一重型装备有限公司 | Driving behavior monitoring method, driving behavior monitoring system, server and storage medium |
| CN113283548B (en) * | 2021-07-22 | 2021-10-19 | 天津所托瑞安汽车科技有限公司 | Vehicle safety scoring method, device, equipment and storage medium |
| CN113635915B (en) * | 2021-08-24 | 2023-01-06 | 中国人民解放军陆军装甲兵学院 | Vehicle driving early warning method and device, electronic equipment and storage medium |
| CN114419950A (en) * | 2022-01-22 | 2022-04-29 | 易显智能科技有限责任公司 | Big data analysis-based driving training teaching optimization method and system |
| CN114999022A (en) * | 2022-05-19 | 2022-09-02 | 成都亿盟恒信科技有限公司 | Driving habit analysis method and system based on historical driving data |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009128486A (en) * | 2007-11-21 | 2009-06-11 | Hitachi Ltd | Safe driving diagnostic system and automobile insurance premium setting system |
| CN106127586A (en) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | Vehicle insurance rate aid decision-making system under big data age |
| KR20170004141A (en) * | 2015-07-01 | 2017-01-11 | 주식회사 케이티 | Apparatus and System for estimating insurance rate using LDWS and BSD and method thereof |
| JP2017049683A (en) * | 2015-08-31 | 2017-03-09 | ルネサスエレクトロニクス株式会社 | Driving recorder, system for determining driving characteristic, and method for outputting data to determine driving characteristic |
| JP2018026008A (en) * | 2016-08-10 | 2018-02-15 | パナソニックＩｐマネジメント株式会社 | Anonymity information collection system and anonymity information collection method |
| JP2018049477A (en) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | Driving support device and center device |
| WO2018116862A1 (en) * | 2016-12-22 | 2018-06-28 | ソニー株式会社 | Information processing device and method, and program |
| CN108256714A (en) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技（上海）有限公司 | A kind of wheelpath real-time risk assessment model based on car networking big data |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9081650B1 (en) * | 2012-12-19 | 2015-07-14 | Allstate Insurance Company | Traffic based driving analysis |
| CN105374211B (en) * | 2015-12-09 | 2018-01-05 | 敏驰信息科技（上海）有限公司 | The system and method for driving risk and aiding in vehicle insurance price is calculated based on multi-source data |
| CN105405306A (en) * | 2015-12-24 | 2016-03-16 | 小米科技有限责任公司 | Vehicle alarm method and device |
| CN105930771A (en) * | 2016-04-13 | 2016-09-07 | 乐视控股（北京）有限公司 | Driving behavior grading method and device |
| CN107665579A (en) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | A kind of user's driving behavior monitoring method and device |
| CN106585635B (en) * | 2016-11-25 | 2019-05-10 | 东软集团股份有限公司 | Driving behavior methods of marking and device |
| CN106803008A (en) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | A kind of real-time driving behavior methods of marking and system based on ADAS systems |
| CN107203945A (en) * | 2017-06-12 | 2017-09-26 | 清华大学苏州汽车研究院（吴江） | Vehicle insurance grading evaluation method and device |
| CN107909678A (en) * | 2017-11-29 | 2018-04-13 | 思建科技有限公司 | One kind driving risk evaluating method and system |
| CN109118055B (en) * | 2018-07-19 | 2021-12-21 | 众安信息技术服务有限公司 | Driving behavior scoring method and device |
-
2018
- 2018-07-19 CN CN201810796046.7A patent/CN109118055B/en active Active
-
2019
- 2019-07-03 WO PCT/CN2019/094500 patent/WO2020015526A1/en active Application Filing
- 2019-07-03 JP JP2019561133A patent/JP2020530578A/en active Pending
- 2019-07-03 SG SG11202002191SA patent/SG11202002191SA/en unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009128486A (en) * | 2007-11-21 | 2009-06-11 | Hitachi Ltd | Safe driving diagnostic system and automobile insurance premium setting system |
| KR20170004141A (en) * | 2015-07-01 | 2017-01-11 | 주식회사 케이티 | Apparatus and System for estimating insurance rate using LDWS and BSD and method thereof |
| JP2017049683A (en) * | 2015-08-31 | 2017-03-09 | ルネサスエレクトロニクス株式会社 | Driving recorder, system for determining driving characteristic, and method for outputting data to determine driving characteristic |
| CN106127586A (en) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | Vehicle insurance rate aid decision-making system under big data age |
| JP2018026008A (en) * | 2016-08-10 | 2018-02-15 | パナソニックＩｐマネジメント株式会社 | Anonymity information collection system and anonymity information collection method |
| JP2018049477A (en) * | 2016-09-21 | 2018-03-29 | 株式会社日立製作所 | Driving support device and center device |
| WO2018116862A1 (en) * | 2016-12-22 | 2018-06-28 | ソニー株式会社 | Information processing device and method, and program |
| CN108256714A (en) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技（上海）有限公司 | A kind of wheelpath real-time risk assessment model based on car networking big data |
Also Published As
| Publication number | Publication date |
|---|---|
| SG11202002191SA (en) | 2020-04-29 |
| WO2020015526A1 (en) | 2020-01-23 |
| CN109118055A (en) | 2019-01-01 |
| CN109118055B (en) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020530578A (en) | Driving behavior scoring method and equipment | |
| CN113642633B (en) | Method, device, equipment and medium for classifying driving scene data | |
| US10317240B1 (en) | Travel data collection and publication | |
| CN109670970B (en) | Driving behavior scoring method and device and computer readable storage medium | |
| US10341819B2 (en) | Verifying sensor data using embeddings | |
| Mantouka et al. | Smartphone sensing for understanding driving behavior: Current practice and challenges | |
| US10078099B2 (en) | Methods and systems for aligning a mobile device to a vehicle | |
| CN107784587A (en) | A kind of driving behavior evaluation system | |
| JP7398383B2 (en) | Vehicle classification based on telematics data | |
| JP2015501459A (en) | Computing platform for the development and deployment of sensor-driven vehicle telemetry applications and services | |
| US11756431B2 (en) | Systems and methods for utilizing models to identify a vehicle accident based on vehicle sensor data and video data captured by a vehicle device | |
| Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
| CN110263836B (en) | Bad driving state identification method based on multi-feature convolutional neural network | |
| US20190180382A1 (en) | Methods and systems for driver and/or itinerary identification | |
| CN112748453B (en) | Road side positioning method, device, equipment and storage medium | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| Muñoz-Organero et al. | Detecting different road infrastructural elements based on the stochastic characterization of speed patterns | |
| CN114166234A (en) | System, method, device, processor and computer storage medium for selecting navigation route and road damage identification early warning based on road damage measurement | |
| Milardo et al. | An unsupervised approach for driving behavior analysis of professional truck drivers | |
| US20210179114A1 (en) | System For Monitoring Driving Behaviour In GPS Denied Environment | |
| CN116993156A (en) | Driving behavior safety level identification method and device and electronic equipment | |
| Hosseinioun | Employing sensor and service fusion to assess driving performance | |
| CN114387777A (en) | Road data processing method, device, computer equipment and storage medium | |
| CN115524996A (en) | Edge scene supplement method and device of analog simulation scene library | |
| Garcıa et al. | Modeling the Driving Behavior of Electric Vehicles Using Smartphones and Neural Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191106 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210202 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210427 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210831 |