CN105730450B - 基于车载数据的驾驶行为分析方法及评价*** - Google Patents
基于车载数据的驾驶行为分析方法及评价*** Download PDFInfo
- Publication number
- CN105730450B CN105730450B CN201610066136.1A CN201610066136A CN105730450B CN 105730450 B CN105730450 B CN 105730450B CN 201610066136 A CN201610066136 A CN 201610066136A CN 105730450 B CN105730450 B CN 105730450B
- Authority
- CN
- China
- Prior art keywords
- stroke
- scoring
- data
- duration
- speed
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车载数据的驾驶行为分析方法,包括:实时采集车辆的驾驶数据;根据位掩码删除无效的驾驶数据;针对异常数据进行删除或修改;对驾驶数据进行描述性统计,获得统计驾驶数据;通过群决策的层次分析法,获得评价指标的权重分布;通过专家打分的方法,获得行程时段评分;通过从众原则,获得行程的时长、行程的平均速度和行程的平顺性的评分;根据评价指标的权重分布和评分,得到驾驶数据的评分矩阵。本发明还公开了一种基于车载数据的驾驶行为评价***。所述基于车载数据的驾驶行为分析方法及评价***通过群决策的层次分析法获得驾驶数据的权重,通过从众原则获得驾驶数据的评分,能够对用户的驾驶行为进行准确的分析和评价。
Description
技术领域
本发明涉及车辆驾驶分析评价技术领域,特别是指一种基于车载数据的驾驶行为分析方法及评价***。
背景技术
随着移动互联网和物联网技术的不断发展,越来越多的车辆通过前装或后装的方式加入了车联网的阵营,并产生了大量的基于车辆位置、性能等信息的相关数据,通过观察并分析这些数据,我们能够对用户的驾驶行为作出具体的评价,这样,不仅能够对车辆使用、用户的驾驶提供合理的标准或建议,而且有利于相关产业的差异化管理。例如:汽车保险行业,这些车辆的相关数据给车险定价的不断改革带来了新的契机。具体为:将这些数据进行合理的分析,并研究其与出险信息的相关性,最终能够为车险定价给出合理的驾驶行为评定因子,从而更加合理的制定基于用户驾驶行为的车险的定价。
目前,国内的相关研究主要集中于基于车联网数据的不良驾驶行为的识别和预警,以及驾驶行为的经济性研究。例如:专利文献201220002851.6公开了一种驾驶员驾驶经济性评价***,该文献是通过获取的油耗值的信息,利用MAP图等计算出最经济的瞬时油耗值,并与实际瞬时油耗值进行比较得到驾驶行为的经济性等级,并且反算出表征最经济驾驶行为的建议信息。但是,目前缺乏针对驾驶行为本身的评价方法。
发明内容
有鉴于此,本发明的目的在于提出一种基于车载数据的驾驶行为分析方法及评价***,能够通过车辆的驾驶信息对用户的驾驶行为进行准确的分析和评价。
基于上述目的本发明提供的基于车载数据的驾驶行为分析方法,包括:
实时采集车辆的驾驶数据,同时,车辆内的OBD盒子会对每个驾驶数据采集时的工作状态生成一个位掩码;
根据OBD盒子生成的位掩码,判断采集的驾驶数据是否有效,并删除无效的驾驶数据;
查找并分析异常数据,根据异常数据出现的规律性,针对异常数据进行删除或修改;
对驾驶数据进行描述性统计,获得统计驾驶数据,其中,所述统计驾驶数据分为行程统计数据和用户统计数据,且行程统计数据包括:行程的时长、行程的时段、行程的平均速度、行程速度方差和行程加速度方差;用户统计数据包括:用户出行次数、用户平均行驶时长和用户平均行驶里程;
通过群决策的层次分析法,获得评价指标的权重分布,其中,所述评价指标分别为统计驾驶数据中的:行程的时段、行程的时长、行程的平均速度和行程的平顺性;
通过专家打分的方法,获得行程时段评分;通过从众原则,获得行程时长评分、行程的平均速度评分和行程的平顺性评分;
根据获得的行程时段评分、行程时长评分、行程的平均速度评分和行程的平顺性评分以及与之对应的评价指标的权重分布,计算得到驾驶数据的评分矩阵。
优选的,所述实时采集车辆的驾驶数据的步骤包括:
设定采集频率阈值,判断驾驶数据采集的频率是否超过所述采集频率阈值;
若是,则降低采集频率,直至低于所述采集频率阈值;
若否,则保持采集频率不变。
优选的,所述对驾驶数据进行描述性统计的步骤之后还包括:
根据用户统计数据,设定用户出行次数阈值和用户行驶时长阈值,判断车辆是否为自动启停的车辆;
若用户平均行驶时长小于用户行驶时长阈值,且用户出行次数大于用户出行次数阈值,则筛选出这些车辆的相关驾驶数据,并单独进行分析和计算;
否则,保留所有数据不变。
进一步,所述获得评价指标权重分布的步骤包括:
有m个决策者对所述4个评价指标的权重进行评价,其中,第k个决策者对4个评价指标重要性的评价向量为:
ωk=(ω1 k,ω2 k,ω3 k,ω4 k),(k=1,2…m)
又用dst来表示第s个决策者和第t个决策者的接近程度,且
由此,得到第k个决策者与剩余决策者的接近程度为dk,且
进一步,得到第k个决策者的决策权重σk,且
最终,得到所述4个评价指标的权重分布为ω,且
进一步,所述获得评价指标的评分的步骤包括:
采用专家打分的方法,获得行程时段的评分Pi,tf(i=1,2…n),其中,n为行程的数量;
将行程时长从0-120min划分为多个时长区间,行程时长超过120min的评分均为0;找到最大频数所在的时长区间,且设置评分为100分,其余时长区间的评分为Pi,time,且
Pi,time=fi,time/max(fi,time)×100,其中,Pi,time为行程时长在第i个时长区间内的评分,fi,time为行程时长在第i个时长区间内的频数;
将行程的平均速度从0-120km/h划分为多个速度区间,行程的平均速度超过120km/h的评分均为0;找到最大频数所在的速度区间,且设置评分为100分,其余速度区间的评分为Pi,speed,且
Pi,speed=fi,speed/max(fi,speed)×100,其中,Pi,speed为行程的平均速度在第i个速度区间内的评分,fi,speed为行程的平均速度在第i个速度区间内的频数;
以行程的加速度标准差为参考,将行程的加速度标准差设置为多个标准差区间,得到行程平顺性的评分Pi,smooth,且
其中,Pi,smooth为行程平顺性在第i个标准差区间内的评分,fi,smooth为标准差在第i个标准差区间内的频数。
本发明还提供了一种基于车载数据的驾驶行为评价***,包括:
数据采集模块,用于实时采集车辆的驾驶数据,并获得车辆内的OBD盒子对每个驾驶数据采集时的工作状态生成的位掩码;
数据清洗模块,用于根据OBD盒子生成的位掩码,判断采集的驾驶数据是否有效,并删除无效的驾驶数据;还用于查找并分析异常数据,根据异常数据出现的规律性,针对异常数据进行删除或修改;
数据统计模块,用于对驾驶数据进行描述性统计,获得统计驾驶数据,其中,所述统计驾驶数据分为行程统计数据和用户统计数据,其中,行程统计数据包括:行程的时长、行程的时段、行程的平均速度、行程速度方差和行程加速度方差;用户统计数据包括:用户出行次数、用户平均行驶时长和用户平均行驶里程;
权重评价模块,用于通过群决策的层次分析法,获得评价指标的权重分布,其中,评价指标为统计驾驶数据中:行程的时段、行程的时长、行程的平均速度和行程的平顺性;
数据评分模块,用于通过从众原则和专家打分的方法,获得评价指标的评分;
计算模块,用于根据评价指标的权重分布和评分,计算得到驾驶数据的评分矩阵。
优选的,所述数据采集模块还用于设定采集频率阈值,判断驾驶数据采集的频率是否超过所述采集频率阈值;
若是,则降低采集频率,直至低于所述采集频率阈值;
若否,则保持采集频率不变。
优选的,所述数据清洗模块还用于根据用户统计数据,设定用户出行次数阈值和用户行驶时长阈值,判断车辆是否为自动启停的车辆;
若用户平均行驶时长小于用户行驶时长阈值,且用户出行次数大于用户出行次数阈值,则筛选出这些车辆的相关驾驶数据,并进行单独分析和计算;
否则,保留所有数据不变。
进一步,所述群决策的层次分析法中有m个决策者对所述4个评价指标的权重进行评价,所述权重评价模块还用于通过计算第k个决策者对4个评价指标重要性的评价向量为:
ωk=(ω1 k,ω2 k,ω3 k,ω4 k),(k=1,2…m)
又用dst来表示第s个决策者和第t个决策者的接近程度,且
由此,得到第k个决策者与剩余决策者的接近程度为dk,且
进一步,得到第k个决策者的决策权重σk,且
最终,得到所述4个评价指标的权重为ω,且
进一步,所述数据评分模块还用于:
采用专家打分的方法,获得行程时段的评分Pi,tf(i=1,2…n),其中,n为行程的数量;
将行程时长从0-120min划分为多个时长区间,行程时长超过120min的评分均为0;找到最大频数所在的时长区间,且设置评分为100分,其余时长区间的评分为Pi,time,且
Pi,time=fi,time/max(fi,time)×100,其中,Pi,time为行程时长在第i个时长区间内的评分,fi,time为行程时长在第i个时长区间内的频数;
将行程的平均速度从0-120km/h划分为多个速度区间,行程的平均速度超过120km/h的评分均为0;找到最大频数所在的速度区间,且设置评分为100分,其余速度区间的评分为Pi,speed,且
Pi,speed=fi,speed/max(fi,speed)×100,其中,Pi,speed为行程的平均速度在第i个速度区间内的评分,fi,speed为行程的平均速度在第i个速度区间内的频数;
以行程的加速度标准差为参考,将行程的加速度标准差设置为多个标准差区间,得到行程平顺性的评分Pi,smooth,且
其中,Pi,smooth为行程平顺性在第i个标准差区间内的评分,fi,smooth为标准差在第i个标准差区间内的频数。
从上面所述可以看出,本发明提供的基于车载数据的驾驶行为分析方法及评价***通过对驾驶数据的清洗得到有效的驾驶数据,然后通过采用群决策的层次分析法获得驾驶数据的权重分布,并采用从众原则和专家打分的方法得到驾驶数据的评分,通过驾驶数据的权重分布和评分能够得到对驾驶行为的准确的分析和评价。
附图说明
图1为本发明提供的基于车载数据的驾驶行为分析方法的实施例的流程图;
图2为本发明提供的基于车载数据的驾驶行为评价***的实施例的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
参照图1所示,为本发明提供的基于车载数据的驾驶行为分析方法的实施例的流程图。所述基于车载数据的驾驶行为分析方法,包括:
步骤101,实时采集车辆的驾驶数据,同时,车辆内的OBD盒子会对每个驾驶数据采集时的工作状态生成一个位掩码。
其中,所述驾驶数据是通过汽车上的GPS数据、发动机相关数据和G-sensor数据等车辆中与行驶有关的数据采集得到的。所述驾驶数据包含行驶过程中涉及的各类数据,例如:每次行程的距离、行驶速度、加速度以及行程所处的时间等等。所述OBD盒子是指车载诊断***,它能够随时监控汽车发动机和汽车运行的工作状态,并收集存储相关的信息。OBD盒子采集每个驾驶数据时,均会对该数据当时的工作状态生成一个初步判断该数据是否有效的位掩码。
步骤102,根据OBD盒子生成的位掩码,判断采集的驾驶数据是否有效,并删除无效的驾驶数据。
针对每个驾驶数据,读取与该驾驶数据对应的位掩码,根据位掩码的判断原则,直接判断该驾驶数据是否为有效数据,若发现该驾驶数据无效,则删除该驾驶数据,若发现该驾驶数据有效,则保留该驾驶数据。
步骤103,查找并分析异常数据,根据异常数据出现的规律性,针对异常数据进行删除或修改。
其中,所述异常数据是指根据常理判断明显不符合实际情况的数据。例如:在一段采集到的行程数据中,发现速度为0的数据的数量超过了总数据的某一比例阈值,也即占有的比例达到了较高的程度,那么可以认为该数据不具有统计意义,应当删除。所述比例阈值可以根据不同数据的实际情况相应设定。又如:在采集到的另一行程GPS数据中,发现GPS数据是连续的,但是某个位置的速度突然为0,并迅速恢复到原有速度值,也即,该速度的变化速率超出了紧急加速和紧急减速的阈值,那么可以判定,该数据可能是由于硬件原因造成的干扰数据,这时,在该数据的跳变区域采用滑动均值滤波的方法使其平滑,这样,就能够使得异常数据转变为有效的驾驶数据。
步骤104,对驾驶数据进行描述性统计,获得统计驾驶数据,其中,所述统计驾驶数据分为行程统计数据和用户统计数据,其中,行程统计数据包括:行程的时长、行程的时段、行程的平均速度、行程速度方差和行程加速度方差;用户统计数据包括:用户出行次数、用户平均行驶时长和用户平均行驶里程。
其中,描述性统计是指将驾驶数据按照不同的分类方式分别归纳到相应的统计表中。所述行程统计数据是指对每段行程均分别统计相应的行程的时长、行程的时段、行程的平均速度、行程速度方差和行程加速度方差等数据。所述用户统计数据是基于行程统计数据的基础上,针对同一用户的驾驶行为,分别相应统计用户出行次数、用户平均行驶时长和用户平均行驶里程等数据。
步骤105,通过群决策的层次分析法,获得评价指标的权重分布,其中,所述评价指标分别为统计驾驶数据中的:行程的时段、行程的时长、行程的平均速度和行程的平顺性。
其中,所述群决策的层次分析法为一种通过多个决策者,采用不同的层次对某一目标进行评价的方法,该方法由于是通过多个决策者的综合评价,能够得到较为可靠、稳定的评价结果。具体的流程为每个决策者分别具有不同的权重,然后每个决策者均对所有目标,即行程的时段、行程的时长、行程的平均速度和行程的平顺性,分别进行评价,这样,每一个目标都能得到不同权重的决策者的不同评价,最后将评价结果累积,就能够得到相对可靠的评价,或者成为不同目标的权重。
步骤106,通过专家打分的方法,获得行程时段评分;通过从众原则,获得行程的时长评分、行程的平均速度评分和行程的平顺性的评分。
根据从众原则和专家打分的方法,通过统计驾驶数据的特征,分别给不同的评价指标进行打分,最后得到所有评价指标的评分。
步骤107,根据获得的行程时段评分、行程时长评分、行程的平均速度评分和行程的平顺性评分以及与之对应的评价指标的权重分布,计算得到驾驶数据的评分矩阵。
将评价指标的权重分布按照一定顺序列举出权重向量,然后将评价指标的评分也按照同样的顺序列举出评分向量,令权重向量与评分向量相乘,最后得到评价指标的评分矩阵,也即对驾驶数据中不同评价指标的具体的分析结果。
由上述实施例可知,基于车载数据的驾驶行为分析方法首先通过数据的筛选和处理,得到了准确有效的驾驶数据。选定驾驶数据的评价指标,然后分别获得评价指标的权重分布和评分,最后能够计算得到对用户驾驶行为的准确评价,且该评价为量化的具体数据,有利于对驾驶行为进行对比分析和记录。
进一步,所述基于车载数据的驾驶行为分析方法并不限于上述实施例的实施步骤,可以根据实际的需要进行相应的调整,例如:步骤105和步骤106的顺序可以任意调换。
在一些优选的实施例中,所述步骤101中实时采集车辆的驾驶数据的步骤包括:
针对不同车辆的各自特征,分别设定相应的采集频率阈值,当实时采集车辆的驾驶数据时,判断驾驶数据采集的频率是否超过所述采集频率阈值;
若是,则降低采集频率,直至低于所述采集频率阈值;
若否,则保持采集频率不变。
当车辆处于行驶过程中时,对车辆的驾驶数据的采集若是超过一定的频率可能将会对用户的正常驾驶造成一定的干扰,而这是绝对不允许的,必须首先保证用户的驾驶安全。因此,需要设定一个安全的采集频率阈值,使得驾驶数据的采集不会对用户的正常使用造成任何影响。这样,本发明正是通过设置一个限定的采集频率,也即采集频率阈值,能够将驾驶数据采集的频率限定在安全、可靠的范围内,保障了用户的正常驾驶。
作为本发明的一个较佳的实施例,所述对驾驶数据进行描述性统计的步骤之后还包括:
根据用户统计数据,设定用户出行次数阈值和用户行驶时长阈值,判断车辆是否为自动启停的车辆;
若用户平均行驶时长小于用户行驶时长阈值,且用户出行次数大于用户出行次数阈值,则筛选出这些车辆的相关驾驶数据,并进行单独分析和计算;
否则,保留所有数据不变。
由于很多高端车辆上采用了发动机自动启停的相关技术,而发动机的自动启停产生的驾驶数据与非自动启停的驾驶数据有较大的差别,因此,若将它们一起处理和分析将会产生较大的干扰和误差,使得分析结果不准确。因此,需要将这一类的车辆区分出来。采用发动机自动启停技术的车辆具有行程时长较短而且频次较多的特点,因此根据这一特点一级车辆的特性,分别设定用户出行次数阈值和用户行驶时长阈值。根据步骤104中获得的用户统计数据,将统计的用户平均行驶时长和用户出行次数与对应的阈值进行比较。若是用户平均行驶时长小于用户行驶时长阈值,且用户出行次数大于用户出行次数阈值,那么表示,该车辆采用了发动机自动启停技术,将这一类的车辆对应的驾驶数据区分出来并且单独分析和处理。这样,能够大大提高驾驶行为分析的准确性和可靠性。
进一步,所述通过群决策的层次分析法,获得评价指标的权重分布的步骤105包括:
假定,有m个决策者对所述4个评价指标的权重进行评价,其中,第k个决策者对4个评价指标重要性的评价向量为:
ωk=(ω1 k,ω2 k,ω3 k,ω4 k),(k=1,2…m),其中,ω1、ω2、ω3、ω4分别对应4个评价指标的权重数值。
又用dst来表示第s个决策者和第t个决策者的接近程度,且
由此,得到第k个决策者与剩余决策者的接近程度为dk,且
进一步,得到第k个决策者的决策权重σk,且
最终得到所述4个评价指标的权重分布为ω,且
这里,本发明在采用基于群决策的层次分析法时,通过计算不同决策之间的接近程度来相应设定决策者的权重,也即决策者自身的重要程度。具体为,第k个决策者与剩余决策者的接近程度dk的值越小,则表示该决策者的决策接近群体决策的程度越大,因此,在群体中获得的重要程度也越高,也即,该决策者的权重也越大。这样,能够通过群决策的分析方法得到更加准确的所有决策者对4个评价指标决策出的权重,也即得到评价指标的权重分布。
进一步,所述步骤106包括:
采用专家打分的方法,获得行程时段的评分Pi,tf(i=1,2…n),其中,n为行程的数量。
其中,专家打分的方法为现有的方法,能够通过已有数据的规律对相应的现有数据进行打分。
将行程时长从0-120min划分为多个时长区间,行程时长超过120min的评分均为0;找到最大频数所在的时长区间,且设置评分为100分,其余时长区间的评分为Pi,time,且
Pi,time=fi,time/max(fi,time)×100,其中,Pi,time为行程时长在第i个时长区间内的评分,fi,time为行程时长在第i个时长区间内的频数。
其中,根据交通法律的相关规定,单次驾驶的时间超过120min即为疲劳驾驶,因此,将行程时长超过120min的评分设定为0。所述频数是指将采集的驾驶行程时长划分不同时长区间后,在不同区间内,复核该时长区间的驾驶数据的数目,也即出现的次数。所述划分多个时长区间时,可以根据分析的需要进行相应的划分,也即,当需要精确分析时,可以使得时长区间较短,当精确要求较低时,可以相应使得时长区间变长,能够提高数据分析的速度。
将行程的平均速度从0-120km/h划分为多个速度区间,行程的平均速度超过120km/h的评分均为0;找到最大频数所在的速度区间,且设置评分为100分,其余速度区间的评分为Pi,speed,且
Pi,speed=fi,speed/max(fi,speed)×100,其中,Pi,speed为行程的平均速度在第i个速度区间内的评分,fi,speed为行程的平均速度在第i个速度区间内的频数。
与行程时长类似,当行驶速度超过120km/h时为超速,此时评分为0。
以行程的加速度标准差为参考,将行程的加速度标准差设置为多个标准差区间,得到行程平顺性的评分Pi,smooth,且
其中,Pi,smooth为行程平顺性在第i个标准差区间内的评分,fi,smooth为标准差在第i个标准差区间内的频数。
其中,所述行程的加速度标准差是根据统计数据中的行程速度方差和加速度方差计算获得的。所述行程平顺性是指汽车在行驶过程中运行状态的变化频率,也即行驶的稳定性。当汽车静止或是匀速行驶时,行程平顺性最好,相反,急加速、急减速和急转弯都会降低行程平顺性。
每个评价指标的最终评分既可以通过将所有区间的评分相加计算得到,也可以对其进行百分化,例如,行程时长的评价分为10个不同时长区间,那么行程时长总的满分应该是1000分,所以,最后计算得到的评分结果除以10,则将行程时长的总分转化为满分100,也即对评分进行百分化。这样,通过专家打分的方法实现了对形成时段的评分,通过从众原则分别计算得到行程的时长、行程的平均速度和行程的平顺性的评分。使得能够根据不同驾驶数据的特点,得到相应评价指标的准确评分。
优选的,在车险行业,获得评分矩阵后还包括:将评价结果与车辆的历史理赔数据进行对比和分析,根据历史理赔数据对评价方法进一步进行优化,最后得到更为符合实际理赔的评价方法,使得所述基于车载数据的驾驶行为分析方法更加准确。
参照图2所示,为本发明提供的基于车载数据的驾驶行为评价***的实施例的结构图。所示基于车载数据的驾驶行为评价***包括:
数据采集模块201,用于实时采集车辆的驾驶数据,并获得车辆内的OBD盒子对每个驾驶数据采集时的工作状态生成的位掩码。
数据清洗模块202,用于根据OBD盒子生成的位掩码,判断采集的驾驶数据是否有效,并删除无效的驾驶数据;还用于查找并分析异常数据,根据异常数据出现的规律性,针对异常数据进行删除或修改。
数据统计模块203,用于对驾驶数据进行描述性统计,获得统计驾驶数据,其中,所述统计驾驶数据分为行程统计数据和用户统计数据,其中,行程统计数据包括:行程的时长、行程的时段、行程的平均速度、行程速度方差和行程加速度方差;用户统计数据包括:用户出行次数、用户平均行驶时长和用户平均行驶里程。
权重评价模块204,用于通过群决策的层次分析法,获得评价指标的权重分布,其中,评价指标为统计驾驶数据中:行程的时段、行程的时长、行程的平均速度和行程的平顺性。
数据评分模块205,用于通过从众原则和专家打分的方法,获得评价指标的评分。
计算模块206,用于根据评价指标的权重分布和评分,计算得到驾驶数据的评分矩阵。
由上述实施例可知,所述基于车载数据的驾驶行为评价***通过所述数据采集模块201实现驾驶数据的采集,通过数据清洗模块202实现驾驶数据的筛选和清除,然后通过所述权重评价模块204和所述数据评分模块205分别获得驾驶数据的权重分布和评分,最后,通过所述计算模块206能够计算得到驾驶数据的评分矩阵。通过选定行程的时段、行程的时长、行程的平均速度和行程的平顺性作为驾驶数据的评价指标,以及相应的分析处理,使得能够对用户的驾驶行为进行准确的分析和评价,而且最终得到了量化的评价结果。
在一些优选的实施例中,所述数据采集模块201还用于设定采集频率阈值,判断驾驶数据采集的频率是否超过所述采集频率阈值;
若是,则降低采集频率,直至低于所述采集频率阈值;
若否,则保持采集频率不变。
所述数据采集模块201能够保证对驾驶数据的采集不会影响用户的正常驾驶,进而给驾驶带来安全隐患。这样,提高了所述基于车载数据的驾驶行为评价***的安全可靠性。
在本发明另一个优选的实施例中,所述数据清洗模块202还用于根据用户统计数据,设定用户出行次数阈值和用户行驶时长阈值,判断车辆是否为自动启停的车辆;
若用户平均行驶时长小于用户行驶时长阈值,且用户出行次数大于用户出行次数阈值,则筛选出这些车辆的相关驾驶数据,并进行单独分析和计算;
否则,保留所有数据不变。
这样,所述数据清洗模块202进一步将自动启停的车辆与非自动启停的车辆相互区分开来,使得对驾驶数据的评价更为准确。
进一步,所述权重评价模块204的评价步骤为:
有m个决策者对所述4个评价指标的权重进行评价,其中,第k个决策者对4个评价指标重要性的评价向量为:
ωk=(ω1 k,ω2 k,ω3 k,ω4 k),(k=1,2…m)
又用dst来表示第s个决策者和第t个决策者的接近程度,且
由此,得到第k个决策者与剩余决策者的接近程度为dk,且
进一步,得到第k个决策者的决策权重σk,且
最终得到所述4个评价指标的权重为ω,且
这样,通过判断不同决策者的接近程度来相应设定不同决策者的权重,能够极大提高群决策的准确性。当然,也可以将所有决策者的群众设置为相同。
进一步,所述数据评分模块205的评分步骤为:
采用专家打分的方法,获得行程时段的评分Pi,tf(i=1,2…n),其中,n为行程的数量;
将行程时长从0-120min划分为多个时长区间,行程时长超过120min的评分均为0;找到最大频数所在的时长区间,且设置评分为100分,其余时长区间的评分为Pi,time,且
Pi,time=fi,time/max(fi,time)×100,其中,Pi,time为行程时长在第i个时长区间内的评分,fi,time为行程时长在第i个时长区间内的频数;
将行程的平均速度从0-120km/h划分为多个速度区间,行程的平均速度超过120km/h的评分均为0;找到最大频数所在的速度区间,且设置评分为100分,其余速度区间的评分为Pi,speed,且
Pi,speed=fi,speed/max(fi,speed)×100,其中,Pi,speed为行程的平均速度在第i个速度区间内的评分,fi,speed为行程的平均速度在第i个速度区间内的频数;
以行程的加速度标准差为参考,将行程的加速度标准差设置为多个标准差区间,得到行程平顺性的评分Pi,smooth,且
其中,Pi,smooth为行程平顺性在第i个标准差区间内的评分,fi,smooth为标准差在第i个标准差区间内的频数。
根据不同评价指标的数据特点,通过从众原则分别对其进行评分,由于行程时段只与时间相关而与驾驶数据无关,因此,行程时段采用专家打分的方法进行评价,主要考虑不同时段对人体的生理因素和社会环境因素(例如交通环境等等)的影响。而其余评价指标均与驾驶数据有关,因此采用从众原则进行打分,且根据不同区间的不同频数来进行相应的评分计算。这样,使得基于车载数据的驾驶行为评价***能够得到更加准确的评分,最终提高了对用户驾驶行为评价的准确性。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于车载数据的驾驶行为分析方法,其特征在于,包括:
实时采集车辆的驾驶数据,同时,车辆内的OBD盒子会对每个驾驶数据采集时的工作状态生成一个位掩码;
根据OBD盒子生成的位掩码,判断采集的驾驶数据是否有效,并删除无效的驾驶数据;
查找并分析异常数据,根据异常数据出现的规律性,针对异常数据进行删除或修改;
对驾驶数据进行描述性统计,获得统计驾驶数据,其中,所述统计驾驶数据分为行程统计数据和用户统计数据,且行程统计数据包括:行程的时长、行程的时段、行程的平均速度、行程速度方差和行程加速度方差;用户统计数据包括:用户出行次数、用户平均行驶时长和用户平均行驶里程;
通过群决策的层次分析法,获得评价指标的权重分布,其中,所述评价指标分别为统计驾驶数据中的:行程的时段、行程的时长、行程的平均速度和行程的平顺性;
通过专家打分的方法,获得行程时段评分;通过从众原则,获得行程时长评分、行程的平均速度评分和行程的平顺性评分;
根据获得的行程时段评分、行程时长评分、行程的平均速度评分和行程的平顺性评分以及与之对应的评价指标的权重分布,计算得到驾驶数据的评分矩阵;
所述获得评价指标权重分布的步骤包括:
有m个决策者对所述4个评价指标的权重进行评价,其中,第k个决策者对4个评价指标重要性的评价向量为:
ωk=(ω1 k,ω2 k,ω3 k,ω4 k),(k=1,2L m)
又用dst来表示第s个决策者和第t个决策者的接近程度,且
由此,得到第k个决策者与剩余决策者的接近程度为dk,且
进一步,得到第k个决策者的决策权重σk,且
最终,得到所述4个评价指标的权重分布为ω,且
2.根据权利要求1所述的方法,其特征在于,所述实时采集车辆的驾驶数据的步骤包括:
设定采集频率阈值,判断驾驶数据采集的频率是否超过所述采集频率阈值;
若是,则降低采集频率,直至低于所述采集频率阈值;
若否,则保持采集频率不变。
3.根据权利要求1所述的方法,其特征在于,所述对驾驶数据进行描述性统计的步骤之后还包括:
根据用户统计数据,设定用户出行次数阈值和用户行驶时长阈值,判断车辆是否为自动启停的车辆;
若用户平均行驶时长小于用户行驶时长阈值,且用户出行次数大于用户出行次数阈值,则筛选出这些车辆的相关驾驶数据,并单独进行分析和计算;
否则,保留所有数据不变。
4.根据权利要求1所述的方法,其特征在于,所述获得评价指标的评分的步骤包括:
采用专家打分的方法,获得行程时段的评分Pi,tf(i=1,2…n),其中,n为行程的数量;
将行程时长从0-120min划分为多个时长区间,行程时长超过120min的评分均为0;找到最大频数所在的时长区间,且设置评分为100分,其余时长区间的评分为Pi,time,且
Pi,time=fi,time/max(fi,time)×100,其中,Pi,time为行程时长在第i个时长区间内的评分,fi,time为行程时长在第i个时长区间内的频数;
将行程的平均速度从0-120km/h划分为多个速度区间,行程的平均速度超过120km/h的评分均为0;找到最大频数所在的速度区间,且设置评分为100分,其余速度区间的评分为Pi,speed,且
Pi,speed=fi,speed/max(fi,speed)×100,其中,Pi,speed为行程的平均速度在第i个速度区间内的评分,fi,speed为行程的平均速度在第i个速度区间内的频数;
以行程的加速度标准差为参考,将行程的加速度标准差设置为多个标准差区间,得到行程平顺性的评分Pi,smooth,且
其中,Pi,smooth为行程平顺性在第i个标准差区间内的评分,fi,smooth为标准差在第i个标准差区间内的频数。
5.一种基于车载数据的驾驶行为评价***,其特征在于,包括:
数据采集模块,用于实时采集车辆的驾驶数据,并获得车辆内的OBD盒子对每个驾驶数据采集时的工作状态生成的位掩码;
数据清洗模块,用于根据OBD盒子生成的位掩码,判断采集的驾驶数据是否有效,并删除无效的驾驶数据;还用于查找并分析异常数据,根据异常数据出现的规律性,针对异常数据进行删除或修改;
数据统计模块,用于对驾驶数据进行描述性统计,获得统计驾驶数据,其中,所述统计驾驶数据分为行程统计数据和用户统计数据,其中,行程统计数据包括:行程的时长、行程的时段、行程的平均速度、行程速度方差和行程加速度方差;用户统计数据包括:用户出行次数、用户平均行驶时长和用户平均行驶里程;
权重评价模块,用于通过群决策的层次分析法,获得评价指标的权重分布,其中,评价指标为统计驾驶数据中:行程的时段、行程的时长、行程的平均速度和行程的平顺性;
数据评分模块,用于通过从众原则和专家打分的方法,获得评价指标的评分;
计算模块,用于根据评价指标的权重分布和评分,计算得到驾驶数据的评分矩阵;
所述群决策的层次分析法中有m个决策者对所述4个评价指标的权重进行评价,所述权重评价模块还用于通过计算第k个决策者对4个评价指标重要性的评价向量为:
ωk=(ω1 k,ω2 k,ω3 k,ω4 k),(k=1,2L m)
又用dst来表示第s个决策者和第t个决策者的接近程度,且
由此,得到第k个决策者与剩余决策者的接近程度为dk,且
进一步,得到第k个决策者的决策权重σk,且
最终,得到所述4个评价指标的权重为ω,且
6.根据权利要求5所述的***,其特征在于,所述数据采集模块还用于设定采集频率阈值,判断驾驶数据采集的频率是否超过所述采集频率阈值;
若是,则降低采集频率,直至低于所述采集频率阈值;
若否,则保持采集频率不变。
7.根据权利要求5所述的***,其特征在于,所述数据清洗模块还用于根据用户统计数据,设定用户出行次数阈值和用户行驶时长阈值,判断车辆是否为自动启停的车辆;
若用户平均行驶时长小于用户行驶时长阈值,且用户出行次数大于用户出行次数阈值,则筛选出这些车辆的相关驾驶数据,并进行单独分析和计算;
否则,保留所有数据不变。
8.根据权利要求5所述的***,其特征在于,所述数据评分模块还用于:
采用专家打分的方法,获得行程时段的评分Pi,tf(i=1,2…n),其中,n为行程的数量;
将行程时长从0-120min划分为多个时长区间,行程时长超过120min的评分均为0;找到最大频数所在的时长区间,且设置评分为100分,其余时长区间的评分为Pi,time,且
Pi,time=fi,time/max(fi,time)×100,其中,Pi,time为行程时长在第i个时长区间内的评分,fi,time为行程时长在第i个时长区间内的频数;
将行程的平均速度从0-120km/h划分为多个速度区间,行程的平均速度超过120km/h的评分均为0;找到最大频数所在的速度区间,且设置评分为100分,其余速度区间的评分为Pi,speed,且
Pi,speed=fi,speed/max(fi,speed)×100,其中,Pi,speed为行程的平均速度在第i个速度区间内的评分,fi,speed为行程的平均速度在第i个速度区间内的频数;
以行程的加速度标准差为参考,将行程的加速度标准差设置为多个标准差区间,得到行程平顺性的评分Pi,smooth,且
其中,Pi,smooth为行程平顺性在第i个标准差区间内的评分,fi,smooth为标准差在第i个标准差区间内的频数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066136.1A CN105730450B (zh) | 2016-01-29 | 2016-01-29 | 基于车载数据的驾驶行为分析方法及评价*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066136.1A CN105730450B (zh) | 2016-01-29 | 2016-01-29 | 基于车载数据的驾驶行为分析方法及评价*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105730450A CN105730450A (zh) | 2016-07-06 |
CN105730450B true CN105730450B (zh) | 2018-01-02 |
Family
ID=56248049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610066136.1A Active CN105730450B (zh) | 2016-01-29 | 2016-01-29 | 基于车载数据的驾驶行为分析方法及评价*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105730450B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106240571B (zh) * | 2016-08-03 | 2019-01-25 | 东软集团股份有限公司 | 驾驶行为分析方法和装置 |
CN106314438B (zh) * | 2016-08-15 | 2018-09-25 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN107066458A (zh) * | 2016-08-26 | 2017-08-18 | 北京车网互联科技有限公司 | 一种基于车联网数据的时空维度用户画像分析方法 |
US10049328B2 (en) * | 2016-10-13 | 2018-08-14 | Baidu Usa Llc | Group driving style learning framework for autonomous vehicles |
CN106564503B (zh) * | 2016-11-08 | 2019-03-08 | 交通运输部公路科学研究所 | 产生异常驾驶行为的行为信息确定方法及装置 |
CN106585635B (zh) * | 2016-11-25 | 2019-05-10 | 东软集团股份有限公司 | 驾驶行为评分方法和装置 |
CN108694486A (zh) * | 2017-04-07 | 2018-10-23 | 深圳市体数科科技有限公司 | 一种基于云模型的驾驶行为智能评价方法和装置 |
CN107123173A (zh) * | 2017-04-25 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 用于监测无人车的行驶状态的方法和装置 |
CN107341864A (zh) * | 2017-06-07 | 2017-11-10 | 华东师范大学 | 通过车辆总线记录设备分析驾驶员驾驶行为的评价*** |
CN107161153B (zh) * | 2017-06-16 | 2019-11-29 | 重庆途安信息科技有限公司 | 一种驾驶行为评分方法及装置 |
CN107992579A (zh) * | 2017-12-06 | 2018-05-04 | 上海评驾科技有限公司 | 一种车联网数据的过滤方法 |
CN110070245A (zh) * | 2018-01-23 | 2019-07-30 | 吉旗物联科技(上海)有限公司 | 一种基于驾驶数据的司机评分排名方法 |
CN108765627A (zh) * | 2018-04-12 | 2018-11-06 | 深圳市拓保软件有限公司 | 一种驾驶数据风险量化的方法 |
CN108876165B (zh) * | 2018-06-27 | 2021-08-27 | 上海天方夜谭网络科技有限公司 | 一种驾驶员安全监控学习*** |
CN109034589A (zh) * | 2018-07-18 | 2018-12-18 | 南斗六星***集成有限公司 | 一种基于大数据分析的驾驶行为评价方法及*** |
CN109229108B (zh) * | 2018-08-07 | 2020-05-05 | 武汉理工大学 | 一种基于驾驶指纹的驾驶行为安全评价方法 |
WO2020170409A1 (ja) * | 2019-02-22 | 2020-08-27 | 株式会社日本製鋼所 | 異常検知システム、及び異常検知方法 |
CN111461568B (zh) * | 2020-04-14 | 2023-05-02 | 西安热工研究院有限公司 | 一种露天矿卡车性能评价方法 |
CN111724599B (zh) * | 2020-06-30 | 2021-07-16 | 暨南大学 | 安全驾驶行为评价数据的获取方法、装置、设备和介质 |
CN111814904B (zh) * | 2020-07-22 | 2021-05-28 | 同济大学 | 一种自动驾驶道路测试驾驶模式辨别方法及*** |
CN112422656A (zh) * | 2020-11-06 | 2021-02-26 | 杭州图软科技有限公司 | 一种基于大数据的驾驶行为分析方法及其*** |
CN114842571B (zh) * | 2021-02-02 | 2024-06-18 | 深圳市易流科技股份有限公司 | 一种驾驶行为数据的确定方法及装置 |
CN112926142B (zh) * | 2021-04-09 | 2023-04-07 | 厦门金龙联合汽车工业有限公司 | 一种线控底盘整体性能评价方法、终端设备及存储介质 |
CN113470214A (zh) * | 2021-06-11 | 2021-10-01 | 深圳市前海链科信息技术有限公司 | 一种基于区块链的车载信息处理*** |
CN114627654B (zh) * | 2022-03-21 | 2023-10-20 | 吉林大学 | 一种基于时空特性的公交车载客量量化方法 |
CN115416689A (zh) * | 2022-09-15 | 2022-12-02 | 中汽创智科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8090598B2 (en) * | 1996-01-29 | 2012-01-03 | Progressive Casualty Insurance Company | Monitoring system for determining and communicating a cost of insurance |
JP4153798B2 (ja) * | 2003-01-29 | 2008-09-24 | 株式会社日立製作所 | 安全運転診断方法および安全運転診断装置 |
JP4469297B2 (ja) * | 2005-03-01 | 2010-05-26 | 日立オートモティブシステムズ株式会社 | 運転診断方法およびその装置 |
CN101870293B (zh) * | 2009-04-24 | 2013-06-05 | 南京理工大学 | 基于切道行为检测的车辆驾驶状态评价方法 |
WO2010134548A1 (ja) * | 2009-05-20 | 2010-11-25 | オプテックス株式会社 | 運転支援方法および装置 |
CN102044095A (zh) * | 2010-09-10 | 2011-05-04 | 深圳市航天星网通讯有限公司 | 一种个人驾驶行为分析管理控制*** |
CN104802737B (zh) * | 2015-03-25 | 2017-05-10 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
-
2016
- 2016-01-29 CN CN201610066136.1A patent/CN105730450B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105730450A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105730450B (zh) | 基于车载数据的驾驶行为分析方法及评价*** | |
WO2020244288A1 (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
JP6502148B2 (ja) | 運転診断方法および運転診断装置 | |
Ericsson | Independent driving pattern factors and their influence on fuel-use and exhaust emission factors | |
Sun et al. | A driver behavior-based lane-changing model for urban arterial streets | |
CN110796859A (zh) | 基于交通流的实时交通状态辨识及事故风险预警方法 | |
CN111210165B (zh) | 一种基于风险传导耦合的车辆运行风险评估*** | |
Castignani et al. | An evaluation study of driver profiling fuzzy algorithms using smartphones | |
Andrieu et al. | Using statistical models to characterize eco-driving style with an aggregated indicator | |
Abas et al. | Development of Malaysian urban drive cycle using vehicle and engine parameters | |
AU2020103488A4 (en) | Method and device for evaluating driving behaviour of truck based on gps trajectory data | |
CN106022846A (zh) | 车险定价及二手车定价方法和装置 | |
CN109034589A (zh) | 一种基于大数据分析的驾驶行为评价方法及*** | |
CN104807640A (zh) | 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法 | |
Zeng et al. | Identifying deficient pavement sections by means of an improved acceleration-based metric | |
CN102789690A (zh) | 违法车辆甄别方法及*** | |
CN109405962B (zh) | 一种道路交通噪声频谱计算方法 | |
CN117171921B (zh) | 柴油颗粒物尾气净化装置健康状态评估处理方法和装置 | |
Agnoor et al. | Analysis of driving behaviour through instrumented vehicles | |
Liu et al. | Construction of driving behavior scoring model based on obd terminal data analysis | |
Rozenshtein et al. | Models for estimating drivers following on two-lane rural highways | |
Cen et al. | A system design for driving behavior analysis and assessment | |
CN108694486A (zh) | 一种基于云模型的驾驶行为智能评价方法和装置 | |
Reddy | Driving behaviour classification: An eco-driving approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 1002-1, 10th floor, No.56, Beisihuan West Road, Haidian District, Beijing 100080 Patentee after: Ronglian Technology Group Co., Ltd Address before: 100080, Beijing, Haidian District, No. 56 West Fourth Ring Road, glorious Times Building, 10, 1002-1 Patentee before: UNITED ELECTRONICS Co.,Ltd. |
|
CP03 | Change of name, title or address |