CN106781454B - 驾驶行为的评估方法和装置 - Google Patents
驾驶行为的评估方法和装置 Download PDFInfo
- Publication number
- CN106781454B CN106781454B CN201611060709.6A CN201611060709A CN106781454B CN 106781454 B CN106781454 B CN 106781454B CN 201611060709 A CN201611060709 A CN 201611060709A CN 106781454 B CN106781454 B CN 106781454B
- Authority
- CN
- China
- Prior art keywords
- stroke
- assessed
- segment
- event
- time interval
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种驾驶行为的评估方法和装置,其中,该驾驶行为的评估方法,包括:获取待评估行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的报警数据;根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段;基于预设的评估模型,根据每个行程片段中包括的多个行驶指标项的报警数据确定相应行程片段的安全倾向性数值;根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果。本发明的实施例,使评估结果更精准,提高了评估的合理性和可参考性。
Description
技术领域
本发明涉及车辆驾驶行为分析技术领域,特别涉及一种驾驶行为的评估方法和装置。
背景技术
随着生活水平的日益提高,机动车辆的数量也越来越多。同时,交通事故的发生频率也不断增加。在驾驶车辆过程中,不安全的驾驶行为带来了很多安全隐患,造成了巨大的财产和人员的损失,因此,如何改善驾驶员的驾驶行为已经成为一个不可忽视的问题。
目前,相关技术中通常通过纵向加速度、横向加速度、垂直加速度三个参数进行阈值判断,以提供驾驶行为的总分数,或者,提供安全或者不安全的判断结果。然而,目前的评价方法,存在对驾驶行为的评估结果不精准、参考价值低的问题。
发明内容
本发明旨在至少在一定程度上解决上述技术问题。
为此,本发明的第一个目的在于提出一种驾驶行为的评估方法,使评估结果更精准,提高了评估的合理性和可参考性。
本发明的第二个目的在于提出一种驾驶行为的评估装置。
为达上述目的,根据本发明第一方面实施例提出了一种驾驶行为的评估方法,包括以下步骤:
获取待评估行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的报警数据;
根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段;
基于预设的评估模型,根据每个行程片段中包括的多个行驶指标项的报警数据确定相应行程片段的安全倾向性数值;
根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果。
在本发明的一个实施例中,所述根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段,包括:
根据所述车辆行驶数据判断所述待评估行程是否发生碰撞事件;
如果发生碰撞事件,则确定发生碰撞事件的时间点,并将所述行程中,以所述时间点为终点、长度为所述预设时间间隔的时间段,作为所述待评估行程对应的行程片段;或者
如果未发生碰撞事件,则按照所述预设时间间隔对所述待评估行程进行分割,得到多个行程片段。
在本发明的一个实施例中,在所述根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段之前,还包括:
根据所述预设的评估模型的输入参数的数量确定所述预设时间间隔的长度。
在本发明的一个实施例中,还包括:
获取多个样本行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的样本报警数据;
根据行程是否发生碰撞事件对所述多个行程进行划分,得到发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程;
对于每个第一类行程,确定所述第一类行程中发生碰撞事件的时间点,并将所述第一类行程中,以所述时间点为终点、长度为预设时间间隔的时间段,作为所述第一类行程对应的行程片段;
对于每个第二类行程,按照所述预设时间间隔对所述第二类行程进行分割,得到所述第二类行程的多个行程片段;
根据所述多个样本行程对应的行程片段包括的多个行驶指标项的样本报警数据进行模型训练,建立所述评估模型。
在本发明的一个实施例中,所述根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果,包括:
统计所述至少一个行程片段中,所述安全倾向性数值为第一数值的第一片段数量,并统计所述至少一个行程片段中,所述安全倾向性数值为第二数值的第二片段数量;
根据所述第一片段数量和所述第二片段数量计算所述待评估行程的评估得分。
本发明第二方面实施例提出了一种驾驶行为的评估装置,其特征在于,包括:
获取模块,用于获取待评估行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的报警数据;
分割模块,用于根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段;
第一确定模块,用于基于预设的评估模型,根据每个行程片段中包括的多个行驶指标项的报警数据确定相应行程片段的安全倾向性数值;
生成模块,用于根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果。
在本发明的一个实施例中,所述分割模块用于:
根据所述车辆行驶数据判断所述待评估行程是否发生碰撞事件;
如果发生碰撞事件,则确定发生碰撞事件的时间点,并将所述行程中,以所述时间点为终点、长度为所述预设时间间隔的时间段,作为所述待评估行程对应的行程片段;或者
如果未发生碰撞事件,则按照所述预设时间间隔对所述待评估行程进行分割,得到多个行程片段。
在本发明的一个实施例中,还包括:
第二确定模块,用于根据所述预设的评估模型的输入参数的数量确定所述预设时间间隔的长度。
在本发明的一个实施例中,还包括评估模型建立模块,用于:
获取多个样本行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的样本报警数据;
根据行程是否发生碰撞事件对所述多个行程进行划分,得到发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程;
对于每个第一类行程,确定所述第一类行程中发生碰撞事件的时间点,并将所述第一类行程中,以所述时间点为终点、长度为预设时间间隔的时间段,作为所述第一类行程对应的行程片段;
对于每个第二类行程,按照所述预设时间间隔对所述第二类行程进行分割,得到所述第二类行程的多个行程片段;
根据所述多个样本行程对应的行程片段包括的多个行驶指标项的样本报警数据进行模型训练,建立所述评估模型。
在本发明的一个实施例中,所述生成模块用于:
统计所述至少一个行程片段中,所述安全倾向性数值为第一数值的第一片段数量,并统计所述至少一个行程片段中,所述安全倾向性数值为第二数值的第二片段数量;
根据所述第一片段数量和所述第二片段数量计算所述待评估行程的评估得分。
本发明实施例的驾驶行为的评估方法和装置,通过获取待评估行程的车辆行驶数据,然后根据预设时间间隔将待评估行程分割为至少一个行程片段,并基于预设的评估模型确定每个行程片段的安全倾向性数值,根据待评估行程中的行程片段的安全倾向性数值生成所述待评估行程的评估结果,能够结合较多的指标项,使评估结果更精准,且通过对行程的行驶指标项的报警数据按时间分段切割分析,能够准确扑捉导致危险发生的原因及过程,实时对车辆行驶数据进行评估与提醒,提高了评估的合理性和可参考性,减少了交通事故的发生,提高驾驶安全性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的驾驶行为的评估方法的流程图;
图2为根据本发明另一个实施例的驾驶行为的评估方法的流程图;
图3为根据本发明另一个实施例的驾驶行为的评估方法的流程图;
图4为根据本发明一个实施例的驾驶行为的评估装置的结构示意图;
图5为根据本发明另一个实施例的驾驶行为的评估装置的结构示意图。
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,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“多个”指两个或两个以上;术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
下面参考附图描述根据本发明实施例的驾驶行为的评估方法和装置。
图1为根据本发明一个实施例的驾驶行为的评估方法的流程图。
如图1所示,根据本发明实施例的驾驶行为的评估方法,包括:
S101,获取待评估行程的车辆行驶数据。
具体的,本发明实施例提供的驾驶行为的评估方法,执行主体为本发明实施例提供的驾驶行为的评估装置,该装置可以被配置在任何机动车辆中,以实现对车辆行程的评分。
其中,车辆行驶数据可包括多个指标项的报警数据。
举例来说,多个指标项的报警数据可以包括碰撞报警、急转弯报警、急减速报警、急加速报警、急变道报警、超速报警、疲劳驾驶报警、长时间怠速报警、频繁变道报警、转速过高报警、水温过高报警、空挡滑行报警等信息。
进一步地,上述报警信息可通过车辆单次行程行驶里程、远光灯开关、近光灯开关、示宽灯开关、雾灯开关、左转向灯开关、右转向灯开关、危险灯开关、车门开关、车门锁开关、车窗开关、ECM(发动机控制单元)/ECU(发动机控制模块)、ABS(制动防抱死***)、SRS(电子安全气囊)、机油(压力、温度)报警、保养报警、车轮胎压报警、手刹状态、刹车踏板、刹车踏板相对位置、油门踏板、油门踏板相对位置、离合状态、安全带状态、ACC信号、钥匙状态、雨刷状态、空调开关档位、发动机进气温度、空调车内温度等车辆信息确定。
在本发明的一些实施例中,可以将各指标项发生报警时的数据记为1,未发生报警时的数据记为0。
具体实现时,可以通过移动设备、车载自动诊断***(On-Board Diagnostics,简称OBD),或者车辆前装设备,等等任何可以获取车辆行驶数据的设备,获取待评分行程的车辆行驶数据。
S102,根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段。
其中,预设时间间隔可以是10秒(s),15s,20s,等等。
具体地,可以根据OBD设备的类型,或者其它因素的变化进行设置。
或者,在本发明的一个实施例中,为了便于后续根据评估模型确定行程片段的安全倾向性数值时,还可将根据所述预设的评估模型的输入参数的数量确定所述预设时间间隔的长度。例如,如果评估模型的输入参数的数量为15,则上述预设时间间隔可以是15秒,从而,每秒下的多个指标项的报警数据可作为预设的评估模型的一个输入参数。
评估模型为预先根据大量样本行程的车辆驾驶数据建立的。具体建立过程可通过图3所示实施例的过程建立。其中,评估模型的输入参数的数量,是由对样本行程进行分割时所使用的预设时间间隔的长度确定的。
具体实现时,如图2所示,步骤102可以包括步骤S201-S203。
S201,根据所述车辆行驶数据判断所述待评估行程是否发生碰撞事件。
S202,如果发生碰撞事件,则确定发生碰撞事件的时间点,并将所述行程中,以所述时间点为终点、长度为所述预设时间间隔的时间段,作为所述待评估行程对应的行程片段。
也就是说,对于发生碰撞的行程,可将行程中发生碰撞前15s的数据作为该行程对应的行程片段。
举例来说,假设预设时间段为15s,在一个2min的待评估行程中,发生碰撞事件的时间点为第1分30秒,则可以将1分15秒到1分30秒之间的的时间段作为待评估行程对应的行程片段。
S203,如果未发生碰撞事件,则按照所述预设时间间隔对所述待评估行程进行分割,得到多个行程片段。
也就是说,对于未发生碰撞的行程,可将行程分割为长度为预设时间间隔长度的多个片段。
举例来说,假设预设时间段为15s,在一个2min的待评估行程中,以15s进行分割,得到8个行程片段。
在本发明的一个实施例中,为了便于进行数据保存及计算等目的,可基于预设规则,将分割后的各个行程片段的对应的报警数据存储为预设格式的数据表。
具体而言,该数据表包括M×N+1列,Q+2行,其中,M为预设时间间隔的时长,N为车辆行驶数据中包含的指标项的项数,Q为待评估行程对应的行程片段的个数。即,数据表中每行对应一个行程片段。
举例来说,假设一个1min的待评估行程的车辆行驶数据中的指标项包括“急加速”和“超速”2项,预设时间间隔为15s。那么,如果该待评估行程未发生碰撞事件,则其分割后可存储的数据表可如表1所示,包含60/15+2=6行,15×2+1=31列。如果该待评估行程发生了碰撞事件,则其分割后可存储的数据表可如表2所示,包含1+2=3行,15×2+1=31列。
表1
表2
S103,基于预设的评估模型,根据每个行程片段中包括的多个行驶指标项的报警数据确定相应行程片段的安全倾向性数值。
具体而言,对于每个行程片段,可将行程片段中每秒对应的各个行驶指标项的报警数据作为输入参数输入评估模型的输入参数,经过评估模型的计算后可输出该行程片段的安全倾向性数值。由此,可入得到待评估行程中各个行程片段的安全倾向性数值。
其中,安全倾向性数值可包括表示安全的第一数值(例如,可用0表示)和表示危险的第二数值(例如,可用1表示)。
S104,根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果。
具体而言,可根据待评估行程中各个行程片段的安全倾向性数值进行统计。得到其中安全倾向总得分和危险倾向总得分,进而,根据安全倾向总得分和危险倾向总得分计算整个待评估行程的评估得分。
在本发明的一个实施例中,对于上述表示安全的第一数值(例如,可用0表示)和表示危险的第二数值(例如,可用1表示),可统计所述至少一个行程片段中,所述安全倾向性数值为第一数值的第一片段数量,并统计所述至少一个行程片段中,所述安全倾向性数值为第二数值的第二片段数量;根据所述第一片段数量和所述第二片段数量计算所述待评估行程的评估得分。
举例来说,假设第一片段数量为S,第二片段数量为D,则,
待评估行程的评估得分=S/(S+D)×100。
由此,通过对行程进行分割,将对行程的评估转换为对行程中各个行程片段进行是否安全的分类问题,然后将各个行程片段的分类结果转换为整个行程的评分使得评分结果更加准确。
本发明实施例的驾驶行为的评估方法,通过获取待评估行程的车辆行驶数据,然后根据预设时间间隔将待评估行程分割为至少一个行程片段,并基于预设的评估模型确定每个行程片段的安全倾向性数值,根据待评估行程中的行程片段的安全倾向性数值生成所述待评估行程的评估结果,能够结合较多的指标项,使评估结果更精准,且通过对行程的行驶指标项的报警数据按时间分段切割分析,能够准确扑捉导致危险发生的原因及过程,实时对车辆行驶数据进行评估与提醒,提高了评估的合理性和可参考性,减少了交通事故的发生,提高驾驶安全性。
在本发发明的另一个实施例中,上述驾驶行为的评估方法还可包括如图3所示的建立上述评估模型的过程。具体而言,如图3所示,可包括以下步骤:
S301,获取多个样本行程的车辆行驶数据。
其中,所述车辆行驶数据包括多个行驶指标项的样本报警数据。
样本行程的车辆行驶数据可为车辆历史行驶过程中的海量数据。
S302,根据行程是否发生碰撞事件对所述多个行程进行划分,得到发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程。
为了使得训练出的评估模型更加准确,样本行程可包括发生碰撞时间的第一类行程和未发生碰撞事件的第二类行程。因此,在获取样本行程的车辆行驶数据之后,可首先根据行程中是否发生碰撞事件,将获取的样本行程划分为发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程。
S303,对于每个第一类行程,确定所述第一类行程中发生碰撞事件的时间点,并将所述第一类行程中,以所述时间点为终点、长度为预设时间间隔的时间段,作为所述第一类行程对应的行程片段。
其中,步骤S303中确定第一类行程对应的行程片段的具体实现方式可参照图2所述实施例中步骤S202的具体实现过程。
由此,通过将事故发生前报警数据(如碰撞前15秒的数据)精细切割分析,能够准确扑捉导致危险发生的原因及过程,由此训练得到的评估模型的评估准确性更高。
S304,对于每个第二类行程,按照所述预设时间间隔对所述第二类行程进行分割,得到所述第二类行程的多个行程片段。
其中,步骤S304中确定第二类行程对应的行程片段的具体实现方式可参照图1所述实施例中步骤S203的具体实现过程。
由此,通过将数据按时间分段切割,并用于训练评估模型,由此训练得到的评估模型可以实时对车辆行驶数据进行每隔一段时间的行为评估与提醒,能够及时避免事故发生。
进一步地,可根据图2所示实施例中存储行程片段的方式,将第一类行程和第二类行程对应的片段统一存储在一个数据表中。举例来说,可如表3所示。
表3
S305,根据所述多个样本行程对应的行程片段包括的多个行驶指标项的样本报警数据进行模型训练,建立所述评估模型。
在本发明的实施例中,可基于多种机器学习算法,根据上述数据包中的行驶指标项的样本报警数据训练评估模型。举例来说,以神经网络算法为例,可建立一个初始神经网络,其中,该初始神经网络中的输入层神经元数量为15×指标数,隐藏层神经元数量为输出层神经元数量为2。
然后,将表3中的数据按条输入神经网络,其中1至15秒中各指标数据作为自变量依次输入输入层神经元,表中“发生碰撞”列的指标数据作为因变量输入输出层神经元。
由此,通过获取的海量的样本行程的车辆驾驶数据对上述神经网络进行训练,最终得到用于评估的神经网络模型。
另外,可以理解的是,在一种可能的实现形式中,车辆行驶数据不是固定不变的,随着时间或其它因素的变化,车辆行驶数据也会产生变化。对应的,预设特征模型也会产生变化,因此,在本发明实施例中,在建立评估模型之后,还可以包括:
每隔预设周期采集所述样本行程的车辆行驶数据;
根据采集到的所述样本行程的车辆行驶数据更新所述评估模型。
其中,预设周期,可以是1小时,2小时,1天,2天,等等。通过对评估模型进行更新,可以使评估结果更准确。
确定评估模型之后,可在车辆驾驶过程中,根据该评估模型确定当前待评估行程中各个行程片段的安全倾向性数值。
需要说明的是,在实际应用中,可根据实际情况调整隐藏层数量与各层神经元数量。
由此训练得到的评估模型,过将事故发生前报警数据(如碰撞前15秒的数据)精细切割分析,能够准确扑捉导致危险发生的原因及过程,可以实时对车辆行驶数据进行每隔一段时间的行为评估与提醒,能够及时避免事故发生,评估准确性更高。
为了实现上述实施例,本发明还提出一种驾驶行为的评估装置。
图4为根据本发明一个实施例的驾驶行为的评估装置的结构示意图。
如图4所示,根据本发明实施例的驾驶行为的评估装置,包括:获取模块10、分割模块20、第一确定模块30和生成模块40。
具体地,获取模块10用于获取待评估行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的报警数据。
具体的,本发明实施例提供的驾驶行为的评估方法,执行主体为本发明实施例提供的驾驶行为的评估装置,该装置可以被配置在任何机动车辆中,以实现对车辆行程的评分。
其中,车辆行驶数据可包括多个指标项的报警数据。
举例来说,多个指标项的报警数据可以包括碰撞报警、急转弯报警、急减速报警、急加速报警、急变道报警、超速报警、疲劳驾驶报警、长时间怠速报警、频繁变道报警、转速过高报警、水温过高报警、空挡滑行报警等信息。
进一步地,上述报警信息可通过车辆单次行程行驶里程、远光灯开关、近光灯开关、示宽灯开关、雾灯开关、左转向灯开关、右转向灯开关、危险灯开关、车门开关、车门锁开关、车窗开关、ECM(发动机控制单元)/ECU(发动机控制模块)、ABS(制动防抱死***)、SRS(电子安全气囊)、机油(压力、温度)报警、保养报警、车轮胎压报警、手刹状态、刹车踏板、刹车踏板相对位置、油门踏板、油门踏板相对位置、离合状态、安全带状态、ACC信号、钥匙状态、雨刷状态、空调开关档位、发动机进气温度、空调车内温度等车辆信息确定。
在本发明的一些实施例中,可以将各指标项发生报警时的数据记为1,未发生报警时的数据记为0。
具体实现时,可以通过移动设备、车载自动诊断***(On-Board Diagnostics,简称OBD),或者车辆前装设备,等等任何可以获取车辆行驶数据的设备,获取待评分行程的车辆行驶数据。
分割模块20用于根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段。
其中,预设时间间隔可以是10秒(s),15s,20s,等等。
具体地,可以根据OBD设备的类型,或者其它因素的变化进行设置。
或者,在本发明的一个实施例中,为了便于后续根据评估模型确定行程片段的安全倾向性数值时,还可将根据所述预设的评估模型的输入参数的数量确定所述预设时间间隔的长度。例如,如果评估模型的输入参数的数量为15,则上述预设时间间隔可以是15秒,从而,每秒下的多个指标项的报警数据可作为预设的评估模型的一个输入参数。
在本发明的一个实施例中,分割模块20可用于:
根据所述车辆行驶数据判断所述待评估行程是否发生碰撞事件;
如果发生碰撞事件,则确定发生碰撞事件的时间点,并将所述行程中,以所述时间点为终点、长度为所述预设时间间隔的时间段,作为所述待评估行程对应的行程片段;
如果未发生碰撞事件,则按照所述预设时间间隔对所述待评估行程进行分割,得到多个行程片段。
也就是说,对于发生碰撞的行程,可将行程中发生碰撞前15s的数据作为该行程对应的行程片段。
举例来说,假设预设时间段为15s,在一个2min的待评估行程中,发生碰撞事件的时间点为第1分30秒,则可以将1分15秒到1分30秒之间的的时间段作为待评估行程对应的行程片段。
对于未发生碰撞的行程,可将行程分割为长度为预设时间间隔长度的多个片段。
举例来说,假设预设时间段为15s,在一个2min的待评估行程中,以15s进行分割,得到8个行程片段。
在本发明的一个实施例中,为了便于进行数据保存及计算等目的,可基于预设规则,将分割后的各个行程片段的对应的报警数据存储为预设格式的数据表。
具体而言,该数据表包括M×N+1列,Q+2行,其中,M为预设时间间隔的时长,N为车辆行驶数据中包含的指标项的项数,Q为待评估行程对应的行程片段的个数。即,数据表中每行对应一个行程片段。
举例来说,假设一个1min的待评估行程的车辆行驶数据中的指标项包括“急加速”和“超速”2项,预设时间间隔为15s。那么,如果该待评估行程未发生碰撞事件,则其分割后可存储的数据表可如表1所示,包含60/15+2=6行,15×2+1=31列。如果该待评估行程发生了碰撞事件,则其分割后可存储的数据表可如表2所示,包含1+2=3行,15×2+1=31列。
第一确定模块30用于基于预设的评估模型,根据每个行程片段中包括的多个行驶指标项的报警数据确定相应行程片段的安全倾向性数值。
具体而言,对于每个行程片段,第一确定模块30可将行程片段中每秒对应的各个行驶指标项的报警数据作为输入参数输入评估模型的输入参数,经过评估模型的计算后可输出该行程片段的安全倾向性数值。由此,可入得到待评估行程中各个行程片段的安全倾向性数值。
其中,安全倾向性数值可包括表示安全的第一数值(例如,可用0表示)和表示危险的第二数值(例如,可用1表示)。
生成模块40用于根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果。
具体而言,生成模块40可根据待评估行程中各个行程片段的安全倾向性数值进行统计。得到其中安全倾向总得分和危险倾向总得分,进而,根据安全倾向总得分和危险倾向总得分计算整个待评估行程的评估得分。
在本发明的一个实施例中,对于上述表示安全的第一数值(例如,可用0表示)和表示危险的第二数值(例如,可用1表示),生成模块40可用于:统计所述至少一个行程片段中,所述安全倾向性数值为第一数值的第一片段数量,并统计所述至少一个行程片段中,所述安全倾向性数值为第二数值的第二片段数量;根据所述第一片段数量和所述第二片段数量计算所述待评估行程的评估得分。
举例来说,假设第一片段数量为S,第二片段数量为D,则,
待评估行程的评估得分=S/(S+D)×100。
由此,通过对行程进行分割,将对行程的评估转换为对行程中各个行程片段进行是否安全的分类问题,然后将各个行程片段的分类结果转换为整个行程的评分使得评分结果更加准确。
本发明实施例的驾驶行为的评估装置,通过获取待评估行程的车辆行驶数据,然后根据预设时间间隔将待评估行程分割为至少一个行程片段,并基于预设的评估模型确定每个行程片段的安全倾向性数值,根据待评估行程中的行程片段的安全倾向性数值生成所述待评估行程的评估结果,能够结合较多的指标项,使评估结果更精准,且通过对行程的行驶指标项的报警数据按时间分段切割分析,能够准确扑捉导致危险发生的原因及过程,实时对车辆行驶数据进行评估与提醒,提高了评估的合理性和可参考性,减少了交通事故的发生,提高驾驶安全性。
图5为根据本发明另一个实施例的驾驶行为的评估装置的结构示意图。
如图5所示,根据本发明实施例的驾驶行为的评估装置,包括:获取模块10、分割模块20、第一确定模块30、生成模块40、第二确定模块50、评估模型建立模块60。
其中,获取模块10、分割模块20、第一确定模块30和生成模块40可参照图4所示实施例。
第二确定模块50用于根据所述预设的评估模型的输入参数的数量确定所述预设时间间隔的长度。
本发明实施例中的评估模型可为预先根据大量样本行程的车辆驾驶数据建立的。具体建立过程可通过评估模型建立模块60建立。其中,评估模型的输入参数的数量,是由对样本行程进行分割时所使用的预设时间间隔的长度确定的。
评估模型建立模块60用于:
获取多个样本行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的样本报警数据;根据行程是否发生碰撞事件对所述多个行程进行划分,得到发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程;对于每个第一类行程,确定所述第一类行程中发生碰撞事件的时间点,并将所述第一类行程中,以所述时间点为终点、长度为预设时间间隔的时间段,作为所述第一类行程对应的行程片段;对于每个第二类行程,按照所述预设时间间隔对所述第二类行程进行分割,得到所述第二类行程的多个行程片段;根据所述多个样本行程对应的行程片段包括的多个行驶指标项的样本报警数据进行模型训练,建立所述评估模型。
其中,所述车辆行驶数据包括多个行驶指标项的样本报警数据。
样本行程的车辆行驶数据可为车辆历史行驶过程中的海量数据。
为了使得训练出的评估模型更加准确,样本行程可包括发生碰撞时间的第一类行程和未发生碰撞事件的第二类行程。因此,在获取样本行程的车辆行驶数据之后,可首先根据行程中是否发生碰撞事件,将获取的样本行程划分为发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程。
在本发明的实施例中,可基于多种机器学习算法,根据上述数据包中的行驶指标项的样本报警数据训练评估模型。举例来说,以神经网络算法为例,可建立一个初始神经网络,其中,该初始神经网络中的输入层神经元数量为15×指标数,隐藏层神经元数量为输出层神经元数量为2。
然后,将表3中的数据按条输入神经网络,其中1至15秒中各指标数据作为自变量依次输入输入层神经元,表中“发生碰撞”列的指标数据作为因变量输入输出层神经元。
由此,通过获取的海量的样本行程的车辆驾驶数据对上述神经网络进行训练,最终得到用于评估的神经网络模型。
确定评估模型之后,可在车辆驾驶过程中,根据该评估模型确定当前待评估行程中各个行程片段的安全倾向性数值。
需要说明的是,在实际应用中,可根据实际情况调整隐藏层数量与各层神经元数量。
由此训练得到的评估模型,过将事故发生前报警数据(如碰撞前15秒的数据)精细切割分析,能够准确扑捉导致危险发生的原因及过程,可以实时对车辆行驶数据进行每隔一段时间的行为评估与提醒,能够及时避免事故发生,评估准确性更高。
另外,可以理解的是,在一种可能的实现形式中,车辆行驶数据不是固定不变的,随着时间或其它因素的变化,车辆行驶数据也会产生变化。对应的,预设特征模型也会产生变化,因此,在本发明实施例中,在建立评估模型之后,可每隔预设周期采集所述样本行程的车辆行驶数据,并根据采集到的所述样本行程的车辆行驶数据更新所述评估模型。
其中,预设周期,可以是1小时,2小时,1天,2天,等等。通过对评估模型进行更新,可以使评估结果更准确。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种驾驶行为的评估方法,其特征在于,包括以下步骤:
获取待评估行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的报警数据;
根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段;
基于预设的评估模型,根据每个行程片段中包括的多个行驶指标项的报警数据确定相应行程片段的安全倾向性数值;
根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果;
其中,所述根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段,包括:
根据所述车辆行驶数据判断所述待评估行程是否发生碰撞事件;
如果发生碰撞事件,则确定发生碰撞事件的时间点,并将所述待评估行程中,以所述时间点为终点、长度为所述预设时间间隔的时间段,作为所述待评估行程对应的行程片段;或者
如果未发生碰撞事件,则按照所述预设时间间隔对所述待评估行程进行分割,得到多个行程片段。
2.如权利要求1所述的方法,其特征在于,在所述根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段之前,还包括:
根据所述预设的评估模型的输入参数的数量确定所述预设时间间隔的长度。
3.如权利要求1所述的方法,其特征在于,还包括:
获取多个样本行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的样本报警数据;
根据行程是否发生碰撞事件对所述多个行程进行划分,得到发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程;
对于每个第一类行程,确定所述第一类行程中发生碰撞事件的时间点,并将所述第一类行程中,以所述时间点为终点、长度为预设时间间隔的时间段,作为所述第一类行程对应的行程片段;
对于每个第二类行程,按照所述预设时间间隔对所述第二类行程进行分割,得到所述第二类行程的多个行程片段;
根据所述多个样本行程对应的行程片段包括的多个行驶指标项的样本报警数据进行模型训练,建立所述评估模型。
4.如权利要求1-3任一项所述的方法,其特征在于,所述根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果,包括:
统计所述至少一个行程片段中,所述安全倾向性数值为第一数值的第一片段数量,并统计所述至少一个行程片段中,所述安全倾向性数值为第二数值的第二片段数量;
根据所述第一片段数量和所述第二片段数量计算所述待评估行程的评估得分。
5.一种驾驶行为的评估装置,其特征在于,包括:
获取模块,用于获取待评估行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的报警数据;
分割模块,用于根据预设时间间隔对所述待评估行程进行分割,得到所述待评估行程对应的至少一个行程片段;
第一确定模块,用于基于预设的评估模型,根据每个行程片段中包括的多个行驶指标项的报警数据确定相应行程片段的安全倾向性数值;
生成模块,用于根据所述至少一个行程片段的安全倾向性数值生成所述待评估行程的评估结果;
其中,所述分割模块用于:
根据所述车辆行驶数据判断所述待评估行程是否发生碰撞事件;
如果发生碰撞事件,则确定发生碰撞事件的时间点,并将所述待评估行程中,以所述时间点为终点、长度为所述预设时间间隔的时间段,作为所述待评估行程对应的行程片段;或者
如果未发生碰撞事件,则按照所述预设时间间隔对所述待评估行程进行分割,得到多个行程片段。
6.如权利要求5所述的装置,其特征在于,还包括:
第二确定模块,用于根据所述预设的评估模型的输入参数的数量确定所述预设时间间隔的长度。
7.如权利要求5所述的装置,其特征在于,还包括评估模型建立模块,用于:
获取多个样本行程的车辆行驶数据,其中,所述车辆行驶数据包括多个行驶指标项的样本报警数据;
根据行程是否发生碰撞事件对所述多个行程进行划分,得到发生碰撞事件的第一类行程和未发生碰撞事件的第二类行程;
对于每个第一类行程,确定所述第一类行程中发生碰撞事件的时间点,并将所述第一类行程中,以所述时间点为终点、长度为预设时间间隔的时间段,作为所述第一类行程对应的行程片段;
对于每个第二类行程,按照所述预设时间间隔对所述第二类行程进行分割,得到所述第二类行程的多个行程片段;
根据所述多个样本行程对应的行程片段包括的多个行驶指标项的样本报警数据进行模型训练,建立所述评估模型。
8.如权利要求5-7任一项所述的装置,其特征在于,所述生成模块用于:
统计所述至少一个行程片段中,所述安全倾向性数值为第一数值的第一片段数量,并统计所述至少一个行程片段中,所述安全倾向性数值为第二数值的第二片段数量;
根据所述第一片段数量和所述第二片段数量计算所述待评估行程的评估得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611060709.6A CN106781454B (zh) | 2016-11-25 | 2016-11-25 | 驾驶行为的评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611060709.6A CN106781454B (zh) | 2016-11-25 | 2016-11-25 | 驾驶行为的评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106781454A CN106781454A (zh) | 2017-05-31 |
CN106781454B true CN106781454B (zh) | 2019-07-19 |
Family
ID=58913224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611060709.6A Active CN106781454B (zh) | 2016-11-25 | 2016-11-25 | 驾驶行为的评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106781454B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730028A (zh) * | 2017-09-18 | 2018-02-23 | 广东翼卡车联网服务有限公司 | 一种车辆事故识别方法、车载终端及存储介质 |
CN107766876B (zh) * | 2017-09-19 | 2019-08-13 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN107704918B (zh) * | 2017-09-19 | 2019-07-12 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN108389072B (zh) * | 2018-01-23 | 2020-12-22 | 深圳市至尊汽车服务有限公司 | p2p车辆租用过程中费用管理方法 |
CN110210980A (zh) * | 2018-06-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种驾驶行为评估方法、装置和存储介质 |
CN111833480B (zh) * | 2019-04-12 | 2022-04-15 | 比亚迪股份有限公司 | 驾驶行为检测方法、装置和车辆 |
CN112734147B (zh) * | 2019-10-28 | 2024-07-19 | 北京京东乾石科技有限公司 | 设备评估管理的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198685A (zh) * | 2013-03-15 | 2013-07-10 | Tcl集团股份有限公司 | 一种实现驾驶安全预警的方法、*** |
WO2014076841A1 (ja) * | 2012-11-19 | 2014-05-22 | パイオニア株式会社 | 表示装置、制御方法、プログラム、及び記憶媒体 |
CN103871242A (zh) * | 2014-04-01 | 2014-06-18 | 北京工业大学 | 一种驾驶行为综合评价***与方法 |
CN105593095A (zh) * | 2013-10-02 | 2016-05-18 | 雅马哈发动机株式会社 | 驾驶技能评估方法、驾驶技能评估程序、驾驶技能评估装置和设有该驾驶技能评估装置的车辆 |
CN105761002A (zh) * | 2016-02-22 | 2016-07-13 | 上汽通用汽车有限公司 | 一种驾驶行为评价方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8698639B2 (en) * | 2011-02-18 | 2014-04-15 | Honda Motor Co., Ltd. | System and method for responding to driver behavior |
-
2016
- 2016-11-25 CN CN201611060709.6A patent/CN106781454B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014076841A1 (ja) * | 2012-11-19 | 2014-05-22 | パイオニア株式会社 | 表示装置、制御方法、プログラム、及び記憶媒体 |
CN103198685A (zh) * | 2013-03-15 | 2013-07-10 | Tcl集团股份有限公司 | 一种实现驾驶安全预警的方法、*** |
CN105593095A (zh) * | 2013-10-02 | 2016-05-18 | 雅马哈发动机株式会社 | 驾驶技能评估方法、驾驶技能评估程序、驾驶技能评估装置和设有该驾驶技能评估装置的车辆 |
CN103871242A (zh) * | 2014-04-01 | 2014-06-18 | 北京工业大学 | 一种驾驶行为综合评价***与方法 |
CN105761002A (zh) * | 2016-02-22 | 2016-07-13 | 上汽通用汽车有限公司 | 一种驾驶行为评价方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106781454A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781454B (zh) | 驾驶行为的评估方法和装置 | |
CN106585635B (zh) | 驾驶行为评分方法和装置 | |
CN106240571B (zh) | 驾驶行为分析方法和装置 | |
CN112781887B (zh) | 测试车辆性能的方法、装置和*** | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN107066787B (zh) | 车辆行程的评分方法及装置 | |
CN109242251A (zh) | 行车行为安全性检测方法、装置、设备及存储介质 | |
CN106777907A (zh) | 驾驶行为评分方法和装置 | |
CN106557663A (zh) | 驾驶行为评分方法和装置 | |
CN103531042A (zh) | 基于驾驶人类型的车辆追尾预警方法 | |
CN106570560B (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
CN106097709A (zh) | 基于智能车载终端的驾驶行为识别方法 | |
CN106777776A (zh) | 一种基于支持向量机模型的车辆换道决策方法 | |
Martinelli et al. | Cluster analysis for driver aggressiveness identification. | |
Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
CN108806018A (zh) | 一种数据处理方法、数据处理设备和智能汽车 | |
CN112270841B (zh) | 车路协同环境下基于多车运动特征的信息可信辨识方法 | |
CN106875677A (zh) | 用于分析驾驶行为的方法、分析平台和*** | |
CN109987090A (zh) | 驾驶辅助***和方法 | |
Yang et al. | Driver2vec: Driver identification from automotive data | |
CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及*** | |
CN105329239A (zh) | 攻击性驾驶行为的检测和处理 | |
Wei et al. | Dilemma Zone: A Comprehensive Study of Influential Factors and Behavior Analysis | |
CN115576224A (zh) | 一种自适应巡航控制***仿真测试和评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |