CN105139648A - 驾驶习惯数据生成方法及*** - Google Patents

Abstract

本发明提供一种驾驶习惯数据生成方法及***，所述驾驶习惯数据生成方法包括如下步骤：步骤S1，通过第一远程接口采集用户的驾驶行为数据，所述驾驶行为数据包括行车时速及行车加速度大小；步骤S2，统计至少一个用户的一段时间内的所述驾驶行为数据，依据该驾驶行为数据生成该用户的驾驶习惯数据；步骤S3，通过第二远程接口传输所述用户的驾驶习惯数据。本发明通过针对所述用户的驾驶行为数据进行统计和分析，并根据行驶里程、行车轨迹、行驶时间、行车时速、加速度大小以及加速度方向等因素分析出基于该用户驾驶行为的驾驶习惯数据，进而分析、预测并反馈所述驾驶习惯数据所对应的危险程度。

Description

驾驶习惯数据生成方法及***

技术领域

本发明涉及驾驶数据领域，具体而言，本发明涉及一种驾驶习惯数据生成方法，并涉及一种驾驶习惯数据生成***。

背景技术

随着居民收入增加，私家车已经越来越多的进入到家庭当中，据了解2014年底国内私家车有1.05亿辆，占小型载客汽车的90.16％，其中小型载客汽车有1.17亿辆，按最新人口普查结果，现在中国人口达到13.6亿，这就意味着1000个人中，有86个人有车，如果按一户家庭3个人算，那么每百户家庭拥有25辆私家车；如此庞大的汽车保有量，导致交通事故的发生越来越频繁，同时也引起大量的人员伤亡和财产损失；而保险公司也因大量的交通事故，支付大量的财产，目前保险公司会根据前一年的车辆保险理赔情况，在下一年度考虑对车险进行增加或者减少。

专利申请号为201410269315.6，专利名称为基于行车安全的远程监控方法及***的公开文件中，基于行车安全的驾驶习惯信息，比如变道不打灯；跟车太近，没有保持安全距离；压实线；闯黄灯；疲劳驾驶等等，并将这些信息统计上报至云端服务器，而云端服务器(比如车队管理中心等)可以对用户的危险驾驶行为进行监控和取证，进而对用户驾驶行为进行监控和管理，旨在提高驾驶安全性和提高车辆管理灵活性；该基于行车安全的远程监控方法，是基于监控驾驶习惯而分析危险驾驶行为，对于行车安全来说有一定的意义，但是这种数据，并不能直接和准确地反映出驾驶行为的安全。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一，特别是对汽车一侧的驾驶行为数据进行采集并了解用户的驾驶习惯，然后利用这些生成的驾驶习惯数值分析用户的危险程度，进而得到针对用户驾驶行为的预判结果和投保价值等。

本发明提供一种驾驶习惯数据生成方法，包括如下步骤：

步骤S1，通过第一远程接口采集用户的驾驶行为数据，所述驾驶行为数据包括行车时速及行车加速度大小；

步骤S2，统计至少一个用户的一段时间内的所述驾驶行为数据，依据该驾驶行为数据生成该用户的驾驶习惯数据；

步骤S3，通过第二远程接口传输所述用户的驾驶习惯数据。

本发明中，通过云端服务器一方面要收集各个用户的数据，另一方面则可以与保险公司服务器交换数据，通过对汽车一侧的驾驶行为数据进行采集并了解所述用户的驾驶习惯，然后利用这些生成的驾驶习惯数值分析用户的投保价值，最终能够给保险公司提供参考数据。

参考数据表中，每一个用户的每条记录中，都可以通过不同的阀值来进行归类分析，这些阀值可以根据用户的实际情况进行自定义设置；如当行车时速超过100Km/h时，定义为高速行驶；当加速度大小高于某个数值时，定义为急刹车；如果驾驶行为数据中存在超过60％的这种超过阀值的记录，那么，表示这个用户的驾驶习惯不好，驾驶习惯数据就可以生成以下形式体现：类型—习惯急刹；急刹概率—60％；危险度—60％；又如，如果多条数据显示该用户长期时速不低于120Km/h，那么，该用户的驾驶习惯数据就可以生成以下形式体现：类型—习惯高速驾驶；高速概率—60％；危险度—60％。

因为根据用户驾驶汽车的行驶里程、行驶时间和行车时速等数据，可以分析出用户驾驶的频繁程度、驾驶持续时长以及用户习惯的驾驶速度等影响驾驶安全的因素，甚至于，可以进一步判断出用户是否存在疲劳驾驶、疲劳驾驶的几率有多大、驾驶状态是否稳定以及驾驶过程中行车时速是否控制在正常范围内等因素，在此基础上，通过判断所述汽车在行驶过程中的加速度大小，还能够再进一步分析出用户驾驶行为中变速是否正常，进而反映出用户的驾驶习惯，能够较为全面地反映出基于用户驾驶行为的驾驶安全程度。

本发明提出的上述方案，通过针对所述汽车的驾驶行为数据进行统计和分析，并根据行驶里程、行驶时间、行车时速以及加速度大小等因素分析出基于驾驶行为数据的驾驶习惯。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

本发明的进一步改进在于，还包括步骤S4，所述步骤S4通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，比较所述事故数据的危险程度与所述驾驶习惯数据的危险程度之间的差值，并通过所述第一远程接口和/或第二远程接口发出包含该差值的告警信息。

本发明的进一步改进在于，所述驾驶习惯数据中的危险程度为通过对用户的所述驾驶行为数据进行分析，进而计算得到量化为数值的用于反映所述用户的驾驶习惯数据的预测危险程度。

本发明的进一步改进在于，所述事故数据的危险程度为通过对用户的事故数据进行分析，进而计算得到量化为数值的用于反映所述用户的事故数据的实际危险程度。

本发明中，所述驾驶习惯数据的危险程度指的是根据驾驶习惯数据与阀值的比较，进而得到超过阀值的预测的危险程度，也称预测危险程度；与所述用户驾驶行为的预测危险程度不同的是，所述事故数据的危险程度是根据前面统计分析的行驶里程、行驶时间、汽车时速以及加速度大小等因素与实际的事故次数进行分析出来而得到的用户驾驶行为与驾驶安全之间的关系，这个事故数据的危险程度也称实际危险程度；这个用户驾驶行为与驾驶安全之间的关系是很有针对性且具有唯一性的，这个针对性指的是该用户驾驶行为与驾驶安全之间的关系是针对每一辆汽车的用户而分析出来的，是除了通过计算得到的所述驾驶习惯数据的危险程度之外的另一个非常重要的指标，是真正的反映出产生车险理赔费用的标准。

本发明根据预测危险程度和实际危险程度之间的差值，判断用户的实际驾驶行为是否是危险的；例如某些过快的车速情况下，实际危险程度与预测危险程度之间的差值较小，如果某一汽车的用户从未发生碰撞，那么其实际危险程度的量化数值较小，此时，并不意味该用户的驾驶行为危险程度高；而对于某一些用户在比较慢的行车时速情况下，可能由于加速过猛或拐弯过猛等原因，即加速度大小或加速度异常等原因，实际产生可交通事故，这种情况下，所述预测危险程度和实际危险程度之间的差值可能会比较大等。

优选的，对所述驾驶习惯数据的危险程度和事故数据的危险程度都进行打分和/或评级，便于管理，形成***性的数据，这种***性的数据还可以反馈至第一远程接口和/或第二远程接口中，进而为后续的操作提供全面且准确实际的参考数据。

如根据所述汽车的驾驶行为数据对应的频繁程度、驾驶持续时长、行车时速和加速度大小等数据，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与该汽车的事故数据之间的关系，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与预测危险程度之间的关系，以及根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与实际危险程度之间的关系来进行有体系且全面的打分和/或评级，这样的数据统计、整合和分析，能够非常好的体现驾驶行为数据对应的危险程度，为用户驾驶行为预判和结果反馈提供非常全面且准确的数据基础。

甚至于，还可以针对上面所述的各种数据和分析，将其进一步分为疲劳驾驶分类、超速驾驶分类、紧急拐弯或转向分类以及其他不良驾驶行为分类等，将各种数据根据不良驾驶行为进行分类，便于同一分类以及不同分类之间的数据比对和筛选。

本发明根据预测危险程度和实际危险程度之间的差值，给予相应的信息反馈，便于分析出预测危险程度和实际危险程度之间的差值是多少，还能够进一步地分析出这个差值是在哪里产生，为什么会存在这一个差值，这样的话，就能够分析出某些情况下的驾驶行为与实际产生的交通事故之间的隐性关系。

本发明的进一步改进在于，还包括步骤S4’，所述步骤S4’通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，然后通过第三远程接口获取所述事故数据的危险程度与所述驾驶习惯数据的危险程度。即，本发明不一定设置差值比较，而是将事故数据及所述驾驶习惯数据均包括量化为数值的危险程度传输给第三远程接口，作为第三方参考数据。

本发明的进一步改进在于，还通过第一远程接口分析所述用户的驾驶行为数据，进而产生第一费用信息。

所述第一费用信息为保险公司分析所述汽车的驾驶行为数据，进而计算出来车险费用，所述第一费用信息的计算，可以结合所述汽车的价格、型号、以往的车险投保费用、以往的车险理赔费用以及分析所得的用户驾驶行为等因素进行综合测评，进而得到一个保险公司给出的车险费用；进一步地，所述第一远程接口会根据分析得到的用户驾驶行为，计算并反馈所述汽车的驾驶行为数据的预测危险程度，并给该预测危险程度进行打分和/或评级，便于管理，形成***性的数据，为其他汽车的用户驾驶行为预判和结果反馈提供参考数据。

本发明的进一步改进在于，还通过第二远程接口分析所述用户的事故数据，进而产生第二费用信息。

所述第二费用信息为根据驾驶行为数据，而实际产生的车险理赔费用，这个实际的驾驶结果是真正的产生车险理赔费用的标准，是一个非常重要的指标，通过第二远程接口统计固定时间段内所述汽车发生的碰撞次数进而产生第二费用信息，能够很好地反映出指定的固定时间段内，所述汽车发生的碰撞次数，结合前面所统计分析的行驶里程、行驶时间、汽车时速和加速度大小，完全可以分析出用户在固定时间段内的驾驶频繁程度、驾驶持续时长、行车时速和加速度大小与汽车发生的碰撞次数之间的关系，这个关系可以通过趋势图、数表图或散点图等各种形式反馈出来，对于保险公司和/或后台监控中心来说，这是一个非常具有实际意义的；对于用户来说，也能够让用户更加直观地看到自己的驾驶行为与汽车碰撞之间的关系，进而指导用户安全驾驶，具有非常重要的社会意义；这固定时间段的设置，可以根据实际需要进行自定义设置，比如，设置为一年、一个月或是某个频繁出车的时间段都可以。

本发明还可以包括设置触发报警的步骤，所述步骤S1可以从侧面反映出用户的身体信息，如根据用户驾驶行为的行驶里程、行驶时间和汽车时速等数据判断用户的警觉度是否合格以及用户是否已经进入疲劳驾驶的范畴，如果若警觉度低于合格标准或用户已经进入疲劳驾驶的范畴，则可以通过触发预警的步骤发送报警信息至汽车终端，进而尽量在意外事故发生之前，可以得到有效的预警提示，进而尽量避免意外事故的发生。

在此基础上，如果分析的加速度大小突然增大到某一个阀值，也代表着用户驾驶行为突然增加了其危险程度，这个时候，也可以通过触发预警的步骤发送报警信息至汽车终端，提醒用户注意行车安全；至于这一个加速度大小的阀值怎么设置以及设置在什么范围内，则可以根据用户的实际情况进行设置，也可以通过分析用户以往发生碰撞等意外的加速度数据，根据这种实际的意外数据作为参考数据来进行设置。

本发明的进一步改进在于，根据第一费用信息和第二费用信息计算所述第一费用信息和第二费用信息之间的费用差值。

本发明在计算所述第一费用信息和第二费用信息的基础上，能够进一步根据第一费用信息和第二费用信息进行计算费用差值，进而反馈实际的费用情况，以此作为一个动态的数据分析，能够给用户提供一个很好的预测费用参考；并且，随着数据量的不断增大和修正，所述第一费用信息和第二费用信息之间的费用差值将越来越小，使得第一费用信息的参考价值越来越大，并逐步趋向于实际产生的费用。

本发明的进一步改进在于，所述步骤S1中，所述驾驶行为数据还包括行车轨迹和加速度方向。

本发明的进一步改进在于，还包括步骤S5，所述步骤S5根据所述汽车发生事故所在时间区域的行车轨迹、行车时速、加速度大小和加速度方向，实时分析所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系。

本发明的进一步改进在于，将所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系返回至第一远程接口和/或第二远程接口，并以此作为分析所述驾驶习惯数据的一个修正参数。

本发明所述步骤S1中，还记录汽车的行驶轨迹和加速度方向。通过增加行驶轨迹的记录，能够从行驶轨迹中，分析出更多可以影响驾驶安全的指标；在此基础上，通过汽车时速和行驶轨迹判断所述汽车在行驶过程中的加速度大小和加速度方向。

本发明通过在时间轴上分解所述汽车的汽车时速和行驶轨迹，完全能够分析出判断所述汽车在行驶过程中的加速度大小和加速度方向，这两个数据，代表了汽车行驶过程中的瞬时速度和方向，是影响驾驶安全的基本因素，通过增加加速度大小和加速度方向与预测危险程度之间的关系，以及增加加速度大小和加速度方向与实际危险程度之间的关系，能够统计分析出很多潜在的与驾驶行为相关的交通安全问题。

本发明通过对驾驶行为数据进行数据统计和分析，如统计和分析用户驾驶行为所涉及的关于行驶里程、行驶时间、行车时速、加速度大小以及加速度方向等数据，除了能够分析用户在固定时间段内的驾驶频繁程度、驾驶持续时长、用户驾驶速度、用户驾驶疲劳程度、加速度大小、加速度方向以及汽车发生的碰撞次数等重要参数之外，还能够实时监测用户的急加速、急减速、急转弯、超速、离合器高负荷状态下启动、发动机闲置运行、发动机低温下转速过高以及长时间持续刹车等不良的用户驾驶行为，可以分析出这些不良的用户驾驶行为与汽车实际发生的碰撞次数之间的关系，进而实现关于用户驾驶行为的数据报表等，如对刹车使用习惯、离合器使用习惯、驾驶风格以及不良驾驶习惯等的分析并提供日志报表；进而在车辆出现故障，如车辆发生碰撞、用户超速驾驶、长时间连续驾驶、转速过高、急加速、急减速和停车未熄火等现象时，以触发报警步骤进行警示提示。

本发明还设置了修正参数，根据所述汽车发生碰撞所在时间区域的行驶里程、行驶时间、加速度大小和加速度方向，实时分析所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车发生碰撞之间的关系，进而作为用于计算预测危险程度的修正参数。

因为预测危险程度与实际危险程度之间必定存在差值，这个差值根据每一个用户的用户驾驶行为、汽车实际状况、驾驶路况以及用户的紧急事件处理能力等实际情况会各所不同，也就是说，所述预测危险程度与实际危险程度之间的差值会根据用户的不同而有所区别，不能一概而论，那么，如何能够使得每一个用户所对应的用户驾驶行为的预测危险程度与实际危险程度尽量吻合，无疑是一个分析的重点，但同时也是一个难点。

本发明通过实时分析所述汽车行驶里程、行驶时间、行车时速、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系，进而将所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系作为一个修正参数针对该汽车的驾驶行为数据的预测危险程度进行不断的修正，随着时间的推移和数据量的增大，能够使得预测危险程度与实际危险程度越来越吻合。

本发明还提供一种驾驶习惯数据生成***，包括如下模块：

驾驶行为数据采集模块，通过第一远程接口采集用户的驾驶行为数据，所述驾驶行为数据包括行车时速及行车加速度大小；

驾驶习惯数据生成模块，统计至少一个用户的一段时间内的所述驾驶行为数据，依据该驾驶行为数据生成该用户的驾驶习惯数据；

数据传输模块，通过第二远程接口传输所述用户的驾驶习惯数据。

本发明中，通过云端服务器一方面要收集各个用户的数据，另一方面则可以与保险公司服务器交换数据，通过对汽车一侧的驾驶行为数据进行采集并了解所述用户的驾驶习惯，然后利用这些生成的驾驶习惯数值分析用户的投保价值，最终能够给保险公司提供参考数据。

参考数据表中，每一个用户的每条记录中，都可以通过不同的阀值来进行归类分析，这些阀值可以根据用户的实际情况进行自定义设置；如当行车时速超过100Km/h时，定义为高速行驶；当加速度大小高于某个数值时，定义为急刹车；如果驾驶行为数据中存在超过60％的这种超过阀值的记录，那么，表示这个用户的驾驶习惯不好，驾驶习惯数据就可以生成以下形式体现：类型—习惯急刹；急刹概率—60％；危险度—60％；又如，如果多条数据显示该用户长期时速不低于120Km/h，那么，该用户的驾驶习惯数据就可以生成以下形式体现：类型—习惯高速驾驶；高速概率—60％；危险度—60％。

因为根据用户驾驶汽车的行驶里程、行驶时间和行车时速等数据，可以分析出用户驾驶的频繁程度、驾驶持续时长以及用户习惯的驾驶速度等影响驾驶安全的因素，甚至于，可以进一步判断出用户是否存在疲劳驾驶、疲劳驾驶的几率有多大、驾驶状态是否稳定以及驾驶过程中行车时速是否控制在正常范围内等因素，在此基础上，通过判断所述汽车在行驶过程中的加速度大小，还能够再进一步分析出用户驾驶行为中变速是否正常，进而反映出用户的驾驶习惯，能够较为全面地反映出基于用户驾驶行为的驾驶安全程度。

本发明提出的上述方案，通过针对所述汽车的驾驶行为数据进行统计和分析，并根据行驶里程、行驶时间、行车时速以及加速度大小等因素分析出基于驾驶行为数据的驾驶习惯。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

本发明的进一步改进在于，还包括第一数据量化反馈模块，所述第一数据量化反馈模块通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，比较所述事故数据的危险程度与所述驾驶习惯数据的危险程度之间的差值，并通过所述第一远程接口和/或第二远程接口发出包含该差值的告警信息。

本发明的进一步改进在于，所述驾驶习惯数据中的危险程度为通过对用户的所述驾驶行为数据进行分析，进而计算得到量化为数值的用于反映所述用户的驾驶习惯数据的预测危险程度。

本发明的进一步改进在于，所述事故数据的危险程度为通过对用户的事故数据进行分析，进而计算得到量化为数值的用于反映所述用户的事故数据的实际危险程度。

本发明中，所述驾驶习惯数据的危险程度指的是根据驾驶习惯数据与阀值的比较，进而得到超过阀值的预测的危险程度，也称预测危险程度；与所述用户驾驶行为的预测危险程度不同的是，所述事故数据的危险程度是根据前面统计分析的行驶里程、行驶时间、汽车时速以及加速度大小等因素与实际的事故次数进行分析出来而得到的用户驾驶行为与驾驶安全之间的关系，这个事故数据的危险程度也称实际危险程度；这个用户驾驶行为与驾驶安全之间的关系是很有针对性且具有唯一性的，这个针对性指的是该用户驾驶行为与驾驶安全之间的关系是针对每一辆汽车的用户而分析出来的，是除了通过计算得到的所述驾驶习惯数据的危险程度之外的另一个非常重要的指标，是真正的反映出产生车险理赔费用的标准。

本发明根据预测危险程度和实际危险程度之间的差值，判断用户的实际驾驶行为是否是危险的；例如某些过快的车速情况下，实际危险程度与预测危险程度之间的差值较小，如果某一汽车的用户从未发生碰撞，那么其实际危险程度的量化数值较小，此时，并不意味该用户的驾驶行为危险程度高；而对于某一些用户在比较慢的行车时速情况下，可能由于加速过猛或拐弯过猛等原因，即加速度大小或加速度异常等原因，实际产生可交通事故，这种情况下，所述预测危险程度和实际危险程度之间的差值可能会比较大等。

优选的，对所述驾驶习惯数据的危险程度和事故数据的危险程度都进行打分和/或评级，便于管理，形成***性的数据，这种***性的数据还可以反馈至第一远程接口和/或第二远程接口中，进而为后续的操作提供全面且准确实际的参考数据。

如根据所述汽车的驾驶行为数据对应的频繁程度、驾驶持续时长、行车时速和加速度大小等数据，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与该汽车的事故数据之间的关系，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与预测危险程度之间的关系，以及根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与实际危险程度之间的关系来进行有体系且全面的打分和/或评级，这样的数据统计、整合和分析，能够非常好的体现驾驶行为数据对应的危险程度，为用户驾驶行为预判和结果反馈提供非常全面且准确的数据基础。

甚至于，还可以针对上面所述的各种数据和分析，将其进一步分为疲劳驾驶分类、超速驾驶分类、紧急拐弯或转向分类以及其他不良驾驶行为分类等，将各种数据根据不良驾驶行为进行分类，便于同一分类以及不同分类之间的数据比对和筛选。

本发明根据预测危险程度和实际危险程度之间的差值，给予相应的信息反馈，便于分析出预测危险程度和实际危险程度之间的差值是多少，还能够进一步地分析出这个差值是在哪里产生，为什么会存在这一个差值，这样的话，就能够分析出某些情况下的驾驶行为与实际产生的交通事故之间的隐性关系。

本发明的进一步改进在于，还包括第二数据量化反馈模块，所述第二数据量化反馈模块通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，然后通过第三远程接口获取所述事故数据的危险程度与所述驾驶习惯数据的危险程度。即，本发明不一定设置差值比较，而是通过第二数据量化反馈模块将事故数据及所述驾驶习惯数据均包括量化为数值的危险程度传输给第三远程接口，作为第三方参考数据。

本发明的进一步改进在于，还通过第一远程接口分析所述用户的驾驶行为数据，进而产生第一费用信息。

所述第一费用信息为保险公司分析所述汽车的驾驶行为数据，进而计算出来车险费用，所述第一费用信息的计算，可以结合所述汽车的价格、型号、以往的车险投保费用、以往的车险理赔费用以及分析所得的用户驾驶行为等因素进行综合测评，进而得到一个保险公司给出的车险费用；进一步地，所述第一远程接口会根据分析得到的用户驾驶行为，计算并反馈所述汽车的驾驶行为数据的预测危险程度，并给该预测危险程度进行打分和/或评级，便于管理，形成***性的数据，为其他汽车的用户驾驶行为预判和结果反馈提供参考数据。

本发明的进一步改进在于，还通过第二远程接口分析所述用户的事故数据，进而产生第二费用信息。

所述第二费用信息为根据驾驶行为数据，而实际产生的车险理赔费用，这个实际的驾驶结果是真正的产生车险理赔费用的标准，是一个非常重要的指标，通过第二远程接口统计固定时间段内所述汽车发生的碰撞次数进而产生第二费用信息，能够很好地反映出指定的固定时间段内，所述汽车发生的碰撞次数，结合前面所统计分析的行驶里程、行驶时间、汽车时速和加速度大小，完全可以分析出用户在固定时间段内的驾驶频繁程度、驾驶持续时长、行车时速和加速度大小与汽车发生的碰撞次数之间的关系，这个关系可以通过趋势图、数表图或散点图等各种形式反馈出来，对于保险公司和/或后台监控中心来说，这是一个非常具有实际意义的；对于用户来说，也能够让用户更加直观地看到自己的驾驶行为与汽车碰撞之间的关系，进而指导用户安全驾驶，具有非常重要的社会意义；这固定时间段的设置，可以根据实际需要进行自定义设置，比如，设置为一年、一个月或是某个频繁出车的时间段都可以。

本发明还可以包括设置触发报警模块，所述驾驶行为数据采集模块可以从侧面反映出用户的身体信息，如根据用户驾驶行为的行驶里程、行驶时间和汽车时速等数据判断用户的警觉度是否合格以及用户是否已经进入疲劳驾驶的范畴，如果若警觉度低于合格标准或用户已经进入疲劳驾驶的范畴，则可以通过触发预警模块发送报警信息至汽车终端，进而尽量在意外事故发生之前，可以得到有效的预警提示，进而尽量避免意外事故的发生。

在此基础上，如果分析的加速度大小突然增大到某一个阀值，也代表着用户驾驶行为突然增加了其危险程度，这个时候，也可以通过触发预警模块发送报警信息至汽车终端，提醒用户注意行车安全；至于这一个加速度大小的阀值怎么设置以及设置在什么范围内，则可以根据用户的实际情况进行设置，也可以通过分析用户以往发生碰撞等意外的加速度数据，根据这种实际的意外数据作为参考数据来进行设置。

本发明的进一步改进在于，根据第一费用信息和第二费用信息计算所述第一费用信息和第二费用信息之间的费用差值。

本发明在计算所述第一费用信息和第二费用信息的基础上，能够进一步根据第一费用信息和第二费用信息进行计算费用差值，进而反馈实际的费用情况，以此作为一个动态的数据分析，能够给用户提供一个很好的预测费用参考；并且，随着数据量的不断增大和修正，所述第一费用信息和第二费用信息之间的费用差值将越来越小，使得第一费用信息的参考价值越来越大，并逐步趋向于实际产生的费用。

本发明的进一步改进在于，所述驾驶行为数据采集模块中，所述驾驶行为数据还包括行车轨迹和加速度方向。

本发明的进一步改进在于，还包括定性分析模块，所述定性分析模块根据所述汽车发生事故所在时间区域的行车轨迹、行车时速、加速度大小和加速度方向，实时分析所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系。

本发明的进一步改进在于，将所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系返回至第一远程接口和/或第二远程接口，并以此作为分析所述驾驶习惯数据的一个修正参数

本发明所述驾驶行为数据采集模块中，还记录汽车的行驶轨迹和加速度方向。通过增加行驶轨迹的记录，能够从行驶轨迹中，分析出更多可以影响驾驶安全的指标；在此基础上，通过汽车时速和行驶轨迹判断所述汽车在行驶过程中的加速度大小和加速度方向。

本发明通过在时间轴上分解所述汽车的汽车时速和行驶轨迹，完全能够分析出判断所述汽车在行驶过程中的加速度大小和加速度方向，这两个数据，代表了汽车行驶过程中的瞬时速度和方向，是影响驾驶安全的基本因素，通过增加加速度大小和加速度方向与预测危险程度之间的关系，以及增加加速度大小和加速度方向与实际危险程度之间的关系，能够统计分析出很多潜在的与驾驶行为相关的交通安全问题。

本发明通过对驾驶行为数据进行数据统计和分析，如统计和分析用户驾驶行为所涉及的关于行驶里程、行驶时间、行车时速、加速度大小以及加速度方向等数据，除了能够分析用户在固定时间段内的驾驶频繁程度、驾驶持续时长、用户驾驶速度、用户驾驶疲劳程度、加速度大小、加速度方向以及汽车发生的碰撞次数等重要参数之外，还能够实时监测用户的急加速、急减速、急转弯、超速、离合器高负荷状态下启动、发动机闲置运行、发动机低温下转速过高以及长时间持续刹车等不良的用户驾驶行为，可以分析出这些不良的用户驾驶行为与汽车实际发生的碰撞次数之间的关系，进而实现关于用户驾驶行为的数据报表等，如对刹车使用习惯、离合器使用习惯、驾驶风格以及不良驾驶习惯等的分析并提供日志报表；进而在车辆出现故障，如车辆发生碰撞、用户超速驾驶、长时间连续驾驶、转速过高、急加速、急减速和停车未熄火等现象时，以触发报警步骤进行警示提示。

本发明还设置了修正参数，根据所述汽车发生碰撞所在时间区域的行驶里程、行驶时间、加速度大小和加速度方向，实时分析所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车发生碰撞之间的关系，进而作为用于计算预测危险程度的修正参数。

因为预测危险程度与实际危险程度之间必定存在差值，这个差值根据每一个用户的用户驾驶行为、汽车实际状况、驾驶路况以及用户的紧急事件处理能力等实际情况会各所不同，也就是说，所述预测危险程度与实际危险程度之间的差值会根据用户的不同而有所区别，不能一概而论，那么，如何能够使得每一个用户所对应的用户驾驶行为的预测危险程度与实际危险程度尽量吻合，无疑是一个分析的重点，但同时也是一个难点。

本发明通过实时分析所述汽车行驶里程、行驶时间、行车时速、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系，进而将所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系作为一个修正参数针对该汽车的驾驶行为数据的预测危险程度进行不断的修正，随着时间的推移和数据量的增大，能够使得预测危险程度与实际危险程度越来越吻合。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例1的工作流程示意图；

图2为本发明实施例2的***结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

实施例1：

请参阅图1，本例提供一种驾驶习惯数据生成方法，包括如下步骤：

步骤S1，通过第一远程接口采集用户的驾驶行为数据，所述驾驶行为数据包括行车时速及行车加速度大小；

步骤S2，统计至少一个用户的一段时间内的所述驾驶行为数据，依据该驾驶行为数据生成该用户的驾驶习惯数据；

步骤S3，通过第二远程接口传输所述用户的驾驶习惯数据。

本例中，通过云端服务器一方面要收集各个用户的数据，另一方面则可以与保险公司服务器交换数据，通过对汽车一侧的驾驶行为数据进行采集并了解所述用户的驾驶习惯，然后利用这些生成的驾驶习惯数值分析用户的投保价值，最终能够给保险公司提供参考数据。

参考数据表中，每一个用户的每条记录中，都可以通过不同的阀值来进行归类分析，这些阀值可以根据用户的实际情况进行自定义设置；如当行车时速超过100Km/h时，定义为高速行驶；当加速度大小高于某个数值时，定义为急刹车；如果驾驶行为数据中存在超过60％的这种超过阀值的记录，那么，表示这个用户的驾驶习惯不好，驾驶习惯数据就可以生成以下形式体现：类型—习惯急刹；急刹概率—60％；危险度—60％；又如，如果多条数据显示该用户长期时速不低于120Km/h，那么，该用户的驾驶习惯数据就可以生成以下形式体现：类型—习惯高速驾驶；高速概率—60％；危险度—60％。

因为根据用户驾驶汽车的行驶里程、行驶时间和行车时速等数据，可以分析出用户驾驶的频繁程度、驾驶持续时长以及用户习惯的驾驶速度等影响驾驶安全的因素，甚至于，可以进一步判断出用户是否存在疲劳驾驶、疲劳驾驶的几率有多大、驾驶状态是否稳定以及驾驶过程中行车时速是否控制在正常范围内等因素，在此基础上，通过判断所述汽车在行驶过程中的加速度大小，还能够再进一步分析出用户驾驶行为中变速是否正常，进而反映出用户的驾驶习惯，能够较为全面地反映出基于用户驾驶行为的驾驶安全程度。

本例提出的上述方案，通过针对所述汽车的驾驶行为数据进行统计和分析，并根据行驶里程、行驶时间、行车时速以及加速度大小等因素分析出基于驾驶行为数据的驾驶习惯。

本例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本例的实践了解到。

请参阅图1，还包括步骤S4，所述步骤S4通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，比较所述事故数据的危险程度与所述驾驶习惯数据的危险程度之间的差值，并通过所述第一远程接口和/或第二远程接口发出包含该差值的告警信息。

本技术领域技术人员可以理解，所述驾驶习惯数据中的危险程度为通过对用户的所述驾驶行为数据进行分析，进而计算得到量化为数值的用于反映所述用户的驾驶习惯数据的预测危险程度。

本技术领域技术人员可以理解，所述事故数据的危险程度为通过对用户的事故数据进行分析，进而计算得到量化为数值的用于反映所述用户的事故数据的实际危险程度。

本例中，所述驾驶习惯数据的危险程度指的是根据驾驶习惯数据与阀值的比较，进而得到超过阀值的预测的危险程度，也称预测危险程度；与所述用户驾驶行为的预测危险程度不同的是，所述事故数据的危险程度是根据前面统计分析的行驶里程、行驶时间、汽车时速以及加速度大小等因素与实际的事故次数进行分析出来而得到的用户驾驶行为与驾驶安全之间的关系，这个事故数据的危险程度也称实际危险程度；这个用户驾驶行为与驾驶安全之间的关系是很有针对性且具有唯一性的，这个针对性指的是该用户驾驶行为与驾驶安全之间的关系是针对每一辆汽车的用户而分析出来的，是除了通过计算得到的所述驾驶习惯数据的危险程度之外的另一个非常重要的指标，是真正的反映出产生车险理赔费用的标准。

本技术领域技术人员可以理解，根据预测危险程度和实际危险程度之间的差值，判断用户的实际驾驶行为是否是危险的；例如某些过快的车速情况下，实际危险程度与预测危险程度之间的差值较小，如果某一汽车的用户从未发生碰撞，那么其实际危险程度的量化数值较小，此时，并不意味该用户的驾驶行为危险程度高；而对于某一些用户在比较慢的行车时速情况下，可能由于加速过猛或拐弯过猛等原因，即加速度大小或加速度异常等原因，实际产生可交通事故，这种情况下，所述预测危险程度和实际危险程度之间的差值可能会比较大等。

本技术领域技术人员可以理解，对所述驾驶习惯数据的危险程度和事故数据的危险程度都进行打分和/或评级，便于管理，形成***性的数据，这种***性的数据还可以反馈至第一远程接口和/或第二远程接口中，进而为后续的操作提供全面且准确实际的参考数据。

如根据所述汽车的驾驶行为数据对应的频繁程度、驾驶持续时长、行车时速和加速度大小等数据，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与该汽车的事故数据之间的关系，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与预测危险程度之间的关系，以及根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与实际危险程度之间的关系来进行有体系且全面的打分和/或评级，这样的数据统计、整合和分析，能够非常好的体现驾驶行为数据对应的危险程度，为用户驾驶行为预判和结果反馈提供非常全面且准确的数据基础。

甚至于，还可以针对上面所述的各种数据和分析，将其进一步分为疲劳驾驶分类、超速驾驶分类、紧急拐弯或转向分类以及其他不良驾驶行为分类等，将各种数据根据不良驾驶行为进行分类，便于同一分类以及不同分类之间的数据比对和筛选。

本例根据预测危险程度和实际危险程度之间的差值，给予相应的信息反馈，便于分析出预测危险程度和实际危险程度之间的差值是多少，还能够进一步地分析出这个差值是在哪里产生，为什么会存在这一个差值，这样的话，就能够分析出某些情况下的驾驶行为与实际产生的交通事故之间的隐性关系。

本技术领域技术人员可以理解，将步骤S4替换为步骤S4’，所述步骤S4’通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，然后通过第三远程接口获取所述事故数据的危险程度与所述驾驶习惯数据的危险程度。即，本例不一定设置差值比较，而是将事故数据及所述驾驶习惯数据均包括量化为数值的危险程度传输给第三远程接口，作为第三方参考数据。

本技术领域技术人员可以理解，通过第一远程接口分析所述用户的驾驶行为数据，进而产生第一费用信息。

所述第一费用信息为保险公司分析所述汽车的驾驶行为数据，进而计算出来车险费用，所述第一费用信息的计算，可以结合所述汽车的价格、型号、以往的车险投保费用、以往的车险理赔费用以及分析所得的用户驾驶行为等因素进行综合测评，进而得到一个保险公司给出的车险费用；进一步地，所述第一远程接口会根据分析得到的用户驾驶行为，计算并反馈所述汽车的驾驶行为数据的预测危险程度，并给该预测危险程度进行打分和/或评级，便于管理，形成***性的数据，为其他汽车的用户驾驶行为预判和结果反馈提供参考数据。

本技术领域技术人员可以理解，通过第二远程接口分析所述用户的事故数据，进而产生第二费用信息。

所述第二费用信息为根据驾驶行为数据，而实际产生的车险理赔费用，这个实际的驾驶结果是真正的产生车险理赔费用的标准，是一个非常重要的指标，通过第二远程接口统计固定时间段内所述汽车发生的碰撞次数进而产生第二费用信息，能够很好地反映出指定的固定时间段内，所述汽车发生的碰撞次数，结合前面所统计分析的行驶里程、行驶时间、汽车时速和加速度大小，完全可以分析出用户在固定时间段内的驾驶频繁程度、驾驶持续时长、行车时速和加速度大小与汽车发生的碰撞次数之间的关系，这个关系可以通过趋势图、数表图或散点图等各种形式反馈出来，对于保险公司和/或后台监控中心来说，这是一个非常具有实际意义的；对于用户来说，也能够让用户更加直观地看到自己的驾驶行为与汽车碰撞之间的关系，进而指导用户安全驾驶，具有非常重要的社会意义；这固定时间段的设置，可以根据实际需要进行自定义设置，比如，设置为一年、一个月或是某个频繁出车的时间段都可以。

本技术领域技术人员可以理解，本例还可以包括设置触发报警的步骤，所述步骤S1可以从侧面反映出用户的身体信息，如根据用户驾驶行为的行驶里程、行驶时间和汽车时速等数据判断用户的警觉度是否合格以及用户是否已经进入疲劳驾驶的范畴，如果若警觉度低于合格标准或用户已经进入疲劳驾驶的范畴，则可以通过触发预警的步骤发送报警信息至汽车终端，进而尽量在意外事故发生之前，可以得到有效的预警提示，进而尽量避免意外事故的发生。

在此基础上，如果分析的加速度大小突然增大到某一个阀值，也代表着用户驾驶行为突然增加了其危险程度，这个时候，也可以通过触发预警的步骤发送报警信息至汽车终端，提醒用户注意行车安全；至于这一个加速度大小的阀值怎么设置以及设置在什么范围内，则可以根据用户的实际情况进行设置，也可以通过分析用户以往发生碰撞等意外的加速度数据，根据这种实际的意外数据作为参考数据来进行设置。

本技术领域技术人员可以理解，根据第一费用信息和第二费用信息计算所述第一费用信息和第二费用信息之间的费用差值，进而反馈实际的费用情况，以此作为一个动态的数据分析，能够给用户提供一个很好的预测费用参考；并且，随着数据量的不断增大和修正，所述第一费用信息和第二费用信息之间的费用差值将越来越小，使得第一费用信息的参考价值越来越大，并逐步趋向于实际产生的费用。

本技术领域技术人员可以理解，所述步骤S1中，所述驾驶行为数据还包括行车轨迹和加速度方向。

请参阅图1，本例还包括步骤S5，所述步骤S5根据所述汽车发生事故所在时间区域的行车轨迹、行车时速、加速度大小和加速度方向，实时分析所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系。

本例将所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系返回至第一远程接口和/或第二远程接口，并以此作为分析所述驾驶习惯数据的一个修正参数。

本例所述步骤S1中，还记录汽车的行驶轨迹和加速度方向。通过增加行驶轨迹的记录，能够从行驶轨迹中，分析出更多可以影响驾驶安全的指标；在此基础上，通过汽车时速和行驶轨迹判断所述汽车在行驶过程中的加速度大小和加速度方向。

本例通过在时间轴上分解所述汽车的汽车时速和行驶轨迹，完全能够分析出判断所述汽车在行驶过程中的加速度大小和加速度方向，这两个数据，代表了汽车行驶过程中的瞬时速度和方向，是影响驾驶安全的基本因素，通过增加加速度大小和加速度方向与预测危险程度之间的关系，以及增加加速度大小和加速度方向与实际危险程度之间的关系，能够统计分析出很多潜在的与驾驶行为相关的交通安全问题。

本例通过对驾驶行为数据进行数据统计和分析，如统计和分析用户驾驶行为所涉及的关于行驶里程、行驶时间、行车时速、加速度大小以及加速度方向等数据，除了能够分析用户在固定时间段内的驾驶频繁程度、驾驶持续时长、用户驾驶速度、用户驾驶疲劳程度、加速度大小、加速度方向以及汽车发生的碰撞次数等重要参数之外，还能够实时监测用户的急加速、急减速、急转弯、超速、离合器高负荷状态下启动、发动机闲置运行、发动机低温下转速过高以及长时间持续刹车等不良的用户驾驶行为，可以分析出这些不良的用户驾驶行为与汽车实际发生的碰撞次数之间的关系，进而实现关于用户驾驶行为的数据报表等，如对刹车使用习惯、离合器使用习惯、驾驶风格以及不良驾驶习惯等的分析并提供日志报表；进而在车辆出现故障，如车辆发生碰撞、用户超速驾驶、长时间连续驾驶、转速过高、急加速、急减速和停车未熄火等现象时，以触发报警步骤进行警示提示。

本技术领域技术人员可以理解，本例还设置了修正参数，根据所述汽车发生碰撞所在时间区域的行驶里程、行驶时间、加速度大小和加速度方向，实时分析所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车发生碰撞之间的关系，进而作为用于计算预测危险程度的修正参数。

因为预测危险程度与实际危险程度之间必定存在差值，这个差值根据每一个用户的用户驾驶行为、汽车实际状况、驾驶路况以及用户的紧急事件处理能力等实际情况会各所不同，也就是说，所述预测危险程度与实际危险程度之间的差值会根据用户的不同而有所区别，不能一概而论，那么，如何能够使得每一个用户所对应的用户驾驶行为的预测危险程度与实际危险程度尽量吻合，无疑是一个分析的重点，但同时也是一个难点。

本例通过实时分析所述汽车行驶里程、行驶时间、行车时速、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系，进而将所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系作为一个修正参数针对该汽车的驾驶行为数据的预测危险程度进行不断的修正，随着时间的推移和数据量的增大，能够使得预测危险程度与实际危险程度越来越吻合。

实施例2：

请参阅图2，本例还提供一种驾驶习惯数据生成***，包括如下模块：

驾驶行为数据采集模块，通过第一远程接口采集用户的驾驶行为数据，所述驾驶行为数据包括行车时速及行车加速度大小；

驾驶习惯数据生成模块，统计至少一个用户的一段时间内的所述驾驶行为数据，依据该驾驶行为数据生成该用户的驾驶习惯数据；

数据传输模块，通过第二远程接口传输所述用户的驾驶习惯数据。

本例中，通过云端服务器一方面要收集各个用户的数据，另一方面则可以与保险公司服务器交换数据，通过对汽车一侧的驾驶行为数据进行采集并了解所述用户的驾驶习惯，然后利用这些生成的驾驶习惯数值分析用户的投保价值，最终能够给保险公司提供参考数据。

参考数据表中，每一个用户的每条记录中，都可以通过不同的阀值来进行归类分析，这些阀值可以根据用户的实际情况进行自定义设置；如当行车时速超过100Km/h时，定义为高速行驶；当加速度大小高于某个数值时，定义为急刹车；如果驾驶行为数据中存在超过60％的这种超过阀值的记录，那么，表示这个用户的驾驶习惯不好，驾驶习惯数据就可以生成以下形式体现：类型—习惯急刹；急刹概率—60％；危险度—60％；又如，如果多条数据显示该用户长期时速不低于120Km/h，那么，该用户的驾驶习惯数据就可以生成以下形式体现：类型—习惯高速驾驶；高速概率—60％；危险度—60％。

因为根据用户驾驶汽车的行驶里程、行驶时间和行车时速等数据，可以分析出用户驾驶的频繁程度、驾驶持续时长以及用户习惯的驾驶速度等影响驾驶安全的因素，甚至于，可以进一步判断出用户是否存在疲劳驾驶、疲劳驾驶的几率有多大、驾驶状态是否稳定以及驾驶过程中行车时速是否控制在正常范围内等因素，在此基础上，通过判断所述汽车在行驶过程中的加速度大小，还能够再进一步分析出用户驾驶行为中变速是否正常，进而反映出用户的驾驶习惯，能够较为全面地反映出基于用户驾驶行为的驾驶安全程度。

本例提出的上述方案，通过针对所述汽车的驾驶行为数据进行统计和分析，并根据行驶里程、行驶时间、行车时速以及加速度大小等因素分析出基于驾驶行为数据的驾驶习惯。

本例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本例的实践了解到。

请参阅图2，本例还包括第一数据量化反馈模块，所述第一数据量化反馈模块通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，比较所述事故数据的危险程度与所述驾驶习惯数据的危险程度之间的差值，并通过所述第一远程接口和/或第二远程接口发出包含该差值的告警信息。

本技术领域技术人员可以理解，所述驾驶习惯数据中的危险程度为通过对用户的所述驾驶行为数据进行分析，进而计算得到量化为数值的用于反映所述用户的驾驶习惯数据的预测危险程度。

本技术领域技术人员可以理解，所述事故数据的危险程度为通过对用户的事故数据进行分析，进而计算得到量化为数值的用于反映所述用户的事故数据的实际危险程度。

本例中，所述驾驶习惯数据的危险程度指的是根据驾驶习惯数据与阀值的比较，进而得到超过阀值的预测的危险程度，也称预测危险程度；与所述用户驾驶行为的预测危险程度不同的是，所述事故数据的危险程度是根据前面统计分析的行驶里程、行驶时间、汽车时速以及加速度大小等因素与实际的事故次数进行分析出来而得到的用户驾驶行为与驾驶安全之间的关系，这个事故数据的危险程度也称实际危险程度；这个用户驾驶行为与驾驶安全之间的关系是很有针对性且具有唯一性的，这个针对性指的是该用户驾驶行为与驾驶安全之间的关系是针对每一辆汽车的用户而分析出来的，是除了通过计算得到的所述驾驶习惯数据的危险程度之外的另一个非常重要的指标，是真正的反映出产生车险理赔费用的标准。

本技术领域技术人员可以理解，根据预测危险程度和实际危险程度之间的差值，判断用户的实际驾驶行为是否是危险的；例如某些过快的车速情况下，实际危险程度与预测危险程度之间的差值较小，如果某一汽车的用户从未发生碰撞，那么其实际危险程度的量化数值较小，此时，并不意味该用户的驾驶行为危险程度高；而对于某一些用户在比较慢的行车时速情况下，可能由于加速过猛或拐弯过猛等原因，即加速度大小或加速度异常等原因，实际产生可交通事故，这种情况下，所述预测危险程度和实际危险程度之间的差值可能会比较大等。

本技术领域技术人员可以理解，对所述驾驶习惯数据的危险程度和事故数据的危险程度都进行打分和/或评级，便于管理，形成***性的数据，这种***性的数据还可以反馈至第一远程接口和/或第二远程接口中，进而为后续的操作提供全面且准确实际的参考数据。

如根据所述汽车的驾驶行为数据对应的频繁程度、驾驶持续时长、行车时速和加速度大小等数据，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与该汽车的事故数据之间的关系，根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与预测危险程度之间的关系，以及根据所述汽车的用户驾驶行为对应的频繁程度、驾驶持续时长、行车时速、加速度大小等数据与实际危险程度之间的关系来进行有体系且全面的打分和/或评级，这样的数据统计、整合和分析，能够非常好的体现驾驶行为数据对应的危险程度，为用户驾驶行为预判和结果反馈提供非常全面且准确的数据基础。

甚至于，还可以针对上面所述的各种数据和分析，将其进一步分为疲劳驾驶分类、超速驾驶分类、紧急拐弯或转向分类以及其他不良驾驶行为分类等，将各种数据根据不良驾驶行为进行分类，便于同一分类以及不同分类之间的数据比对和筛选。

本例根据预测危险程度和实际危险程度之间的差值，给予相应的信息反馈，便于分析出预测危险程度和实际危险程度之间的差值是多少，还能够进一步地分析出这个差值是在哪里产生，为什么会存在这一个差值，这样的话，就能够分析出某些情况下的驾驶行为与实际产生的交通事故之间的隐性关系。

本技术领域技术人员可以理解，本例还可以通过第二数据量化反馈模块替换所述第一数据量化反馈模块，所述第二数据量化反馈模块通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，然后通过第三远程接口获取所述事故数据的危险程度与所述驾驶习惯数据的危险程度。即，本例不一定设置差值比较，而是通过第二数据量化反馈模块将事故数据及所述驾驶习惯数据均包括量化为数值的危险程度传输给第三远程接口，作为第三方参考数据。

本技术领域技术人员可以理解，通过第一远程接口分析所述用户的驾驶行为数据，进而产生第一费用信息。

所述第一费用信息为保险公司分析所述汽车的驾驶行为数据，进而计算出来车险费用，所述第一费用信息的计算，可以结合所述汽车的价格、型号、以往的车险投保费用、以往的车险理赔费用以及分析所得的用户驾驶行为等因素进行综合测评，进而得到一个保险公司给出的车险费用；进一步地，所述第一远程接口会根据分析得到的用户驾驶行为，计算并反馈所述汽车的驾驶行为数据的预测危险程度，并给该预测危险程度进行打分和/或评级，便于管理，形成***性的数据，为其他汽车的用户驾驶行为预判和结果反馈提供参考数据。

本技术领域技术人员可以理解，通过第二远程接口分析所述用户的事故数据，进而产生第二费用信息。

所述第二费用信息为根据驾驶行为数据，而实际产生的车险理赔费用，这个实际的驾驶结果是真正的产生车险理赔费用的标准，是一个非常重要的指标，通过第二远程接口统计固定时间段内所述汽车发生的碰撞次数进而产生第二费用信息，能够很好地反映出指定的固定时间段内，所述汽车发生的碰撞次数，结合前面所统计分析的行驶里程、行驶时间、汽车时速和加速度大小，完全可以分析出用户在固定时间段内的驾驶频繁程度、驾驶持续时长、行车时速和加速度大小与汽车发生的碰撞次数之间的关系，这个关系可以通过趋势图、数表图或散点图等各种形式反馈出来，对于保险公司和/或后台监控中心来说，这是一个非常具有实际意义的；对于用户来说，也能够让用户更加直观地看到自己的驾驶行为与汽车碰撞之间的关系，进而指导用户安全驾驶，具有非常重要的社会意义；这固定时间段的设置，可以根据实际需要进行自定义设置，比如，设置为一年、一个月或是某个频繁出车的时间段都可以。

本技术领域技术人员可以理解，本例还可以包括设置触发报警模块，所述驾驶行为数据采集模块可以从侧面反映出用户的身体信息，如根据用户驾驶行为的行驶里程、行驶时间和汽车时速等数据判断用户的警觉度是否合格以及用户是否已经进入疲劳驾驶的范畴，如果若警觉度低于合格标准或用户已经进入疲劳驾驶的范畴，则可以通过触发预警模块发送报警信息至汽车终端，进而尽量在意外事故发生之前，可以得到有效的预警提示，进而尽量避免意外事故的发生。

在此基础上，如果分析的加速度大小突然增大到某一个阀值，也代表着用户驾驶行为突然增加了其危险程度，这个时候，也可以通过触发预警模块发送报警信息至汽车终端，提醒用户注意行车安全；至于这一个加速度大小的阀值怎么设置以及设置在什么范围内，则可以根据用户的实际情况进行设置，也可以通过分析用户以往发生碰撞等意外的加速度数据，根据这种实际的意外数据作为参考数据来进行设置。

本技术领域技术人员可以理解，根据第一费用信息和第二费用信息计算所述第一费用信息和第二费用信息之间的费用差值，进而反馈实际的费用情况，以此作为一个动态的数据分析，能够给用户提供一个很好的预测费用参考；并且，随着数据量的不断增大和修正，所述第一费用信息和第二费用信息之间的费用差值将越来越小，使得第一费用信息的参考价值越来越大，并逐步趋向于实际产生的费用。

本例所述驾驶行为数据采集模块中，所述驾驶行为数据还包括行车轨迹和加速度方向。

请参阅图2，本例还包括定性分析模块，所述定性分析模块根据所述汽车发生事故所在时间区域的行车轨迹、行车时速、加速度大小和加速度方向，实时分析所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系。

本例将所述行车轨迹、行车时速、加速度大小以及加速度方向与所述用户的事故数据之间的关系返回至第一远程接口和/或第二远程接口，并以此作为分析所述驾驶习惯数据的一个修正参数

本例所述驾驶行为数据采集模块中，还记录汽车的行驶轨迹和加速度方向。通过增加行驶轨迹的记录，能够从行驶轨迹中，分析出更多可以影响驾驶安全的指标；在此基础上，通过汽车时速和行驶轨迹判断所述汽车在行驶过程中的加速度大小和加速度方向。

本例通过在时间轴上分解所述汽车的汽车时速和行驶轨迹，完全能够分析出判断所述汽车在行驶过程中的加速度大小和加速度方向，这两个数据，代表了汽车行驶过程中的瞬时速度和方向，是影响驾驶安全的基本因素，通过增加加速度大小和加速度方向与预测危险程度之间的关系，以及增加加速度大小和加速度方向与实际危险程度之间的关系，能够统计分析出很多潜在的与驾驶行为相关的交通安全问题。

本例通过对驾驶行为数据进行数据统计和分析，如统计和分析用户驾驶行为所涉及的关于行驶里程、行驶时间、行车时速、加速度大小以及加速度方向等数据，除了能够分析用户在固定时间段内的驾驶频繁程度、驾驶持续时长、用户驾驶速度、用户驾驶疲劳程度、加速度大小、加速度方向以及汽车发生的碰撞次数等重要参数之外，还能够实时监测用户的急加速、急减速、急转弯、超速、离合器高负荷状态下启动、发动机闲置运行、发动机低温下转速过高以及长时间持续刹车等不良的用户驾驶行为，可以分析出这些不良的用户驾驶行为与汽车实际发生的碰撞次数之间的关系，进而实现关于用户驾驶行为的数据报表等，如对刹车使用习惯、离合器使用习惯、驾驶风格以及不良驾驶习惯等的分析并提供日志报表；进而在车辆出现故障，如车辆发生碰撞、用户超速驾驶、长时间连续驾驶、转速过高、急加速、急减速和停车未熄火等现象时，以触发报警步骤进行警示提示。

本技术领域技术人员可以理解，本例还设置了修正参数，根据所述汽车发生碰撞所在时间区域的行驶里程、行驶时间、加速度大小和加速度方向，实时分析所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车发生碰撞之间的关系，进而作为用于计算预测危险程度的修正参数。

因为预测危险程度与实际危险程度之间必定存在差值，这个差值根据每一个用户的用户驾驶行为、汽车实际状况、驾驶路况以及用户的紧急事件处理能力等实际情况会各所不同，也就是说，所述预测危险程度与实际危险程度之间的差值会根据用户的不同而有所区别，不能一概而论，那么，如何能够使得每一个用户所对应的用户驾驶行为的预测危险程度与实际危险程度尽量吻合，无疑是一个分析的重点，但同时也是一个难点。

本例通过实时分析所述汽车行驶里程、行驶时间、行车时速、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系，进而将所述汽车行驶里程、行驶时间、加速度大小以及加速度方向与该汽车实际发生事故之间的之间关系作为一个修正参数针对该汽车的驾驶行为数据的预测危险程度进行不断的修正，随着时间的推移和数据量的增大，能够使得预测危险程度与实际危险程度越来越吻合。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种驾驶习惯数据生成方法，其特征在于，包括如下步骤：

步骤S1，通过第一远程接口采集用户的驾驶行为数据，所述驾驶行为数据包括行车时速及行车加速度大小；

步骤S2，统计至少一个用户的一段时间内的所述驾驶行为数据，依据该驾驶行为数据生成该用户的驾驶习惯数据；

步骤S3，通过第二远程接口传输所述用户的驾驶习惯数据。

2.根据权利要求1所述的驾驶习惯数据生成方法，其特征在于，还包括步骤S4，所述步骤S4通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，比较所述事故数据的危险程度与所述驾驶习惯数据的危险程度之间的差值，并通过所述第一远程接口和/或第二远程接口发出包含该差值的告警信息。

3.根据权利要求1所述的驾驶习惯数据生成方法，其特征在于，还包括步骤S4’，所述步骤S4’通过所述第二远程接口获取所述用户的事故数据，所述事故数据及所述驾驶习惯数据均包括量化为数值的危险程度，然后通过第三远程接口获取所述事故数据的危险程度与所述驾驶习惯数据的危险程度。

4.根据权利要求2或3所述的驾驶习惯数据生成方法，其特征在于，所述驾驶习惯数据中的危险程度为通过对用户的所述驾驶行为数据进行分析，进而计算得到量化为数值的用于反映所述用户的驾驶习惯数据的预测危险程度。

5.根据权利要求2或3所述的驾驶习惯数据生成方法，其特征在于，所述事故数据的危险程度为通过对用户的事故数据进行分析，进而计算得到量化为数值的用于反映所述用户的事故数据的实际危险程度。

6.根据权利要求1至3任意一项所述的驾驶习惯数据生成方法，其特征在于，还通过第一远程接口分析所述用户的驾驶行为数据，进而产生第一费用信息。

7.根据权利要求6所述的驾驶习惯数据生成方法，其特征在于，还通过第二远程接口分析所述用户的事故数据，进而产生第二费用信息。

8.根据权利要求7所述的驾驶习惯数据生成方法，其特征在于，根据第一费用信息和第二费用信息计算所述第一费用信息和第二费用信息之间的费用差值。

9.根据权利要求1至3任意一项所述的驾驶习惯数据生成方法，其特征在于，所述步骤S1中，所述驾驶行为数据还包括行车轨迹和加速度方向。

10.一种驾驶习惯数据生成***，其特征在于，包括如下模块：

驾驶行为数据采集模块，通过第一远程接口采集用户的驾驶行为数据，所述驾驶行为数据包括行车时速及行车加速度大小；

驾驶习惯数据生成模块，统计至少一个用户的一段时间内的所述驾驶行为数据，依据该驾驶行为数据生成该用户的驾驶习惯数据；

数据传输模块，通过第二远程接口传输所述用户的驾驶习惯数据。