CN109754595B - 车辆风险的评估方法、装置及接口设备 - Google Patents
车辆风险的评估方法、装置及接口设备 Download PDFInfo
- Publication number
- CN109754595B CN109754595B CN201711059783.0A CN201711059783A CN109754595B CN 109754595 B CN109754595 B CN 109754595B CN 201711059783 A CN201711059783 A CN 201711059783A CN 109754595 B CN109754595 B CN 109754595B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- driving
- data
- path
- 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
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种车辆风险的评估方法、装置及接口设备。其中，该方法包括：获取车辆的至少一类车辆数据，根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度，基于至少一种驾车风险的风险度，确定车辆的风险评估值。本申请解决了现有技术对车辆风险的评估不准确的技术问题。
Description
技术领域
本申请涉及风险评估领域，具体而言，涉及一种车辆风险的评估方法、装置及接口设备。
背景技术
车辆驾驶风险的评估是交通部门所重点关心的问题，尤其是对于两客一危(指从事旅游的包车、三类以上班线客车和运输危险化学品、烟花爆竹、民用***物品的道路专用车辆)的车辆，一旦车辆发生事故，将产生不可估量的人身以及财产损失。因此，对车辆的驾驶风险进行有效的评估不仅可以确保驾驶人员的安全，还减少了经济上的损失。另外，对车辆的驾驶风险进行评估还有利于保险公司对产品定价，进而通过产品定价来鼓励驾驶人员要进行安全驾驶。
目前，两客一危的车辆上大多安装有具有行驶记录功能的定位装置，例如，GPS定位装置，现有技术主要是采用车辆GPS的数据来计算车辆的驾驶行为，例如，车辆的行驶速度、加速度等，以此来评估车辆的驾驶风险，以确保驾驶人员的驾驶安全。
然而，车辆的GPS数据与保险数据是相互孤立的，即在现有技术中，在对车辆的驾驶风险进行评估时，一般是仅根据车辆的GPS数据，或仅根据保险数据。另外，在对车辆的驾驶风险进行评估时，还需要加入风险因子，而风险因子的确定主要是通过专家的主观经验，并无实际的数据支撑，由此造成对车辆风险的评估可能存在不准确的问题。
针对上述现有技术对车辆风险的评估不准确的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆风险的评估方法、装置及接口设备，以至少解决现有技术对车辆风险的评估不准确的技术问题。
根据本申请实施例的一个方面，提供了一种车辆风险的评估方法，包括：获取车辆的至少一类车辆数据；根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；基于至少一种驾车风险的风险度，确定车辆的风险评估值。
根据本申请实施例的另一方面，还提供了一种接口设备，为车辆风险的评估方法提供API接口服务。
根据本申请实施例的一个方面，还提供了一种车辆风险的评估装置，包括：第一获取模块，用于获取车辆的至少一类车辆数据；第二获取模块，用于根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；确定模块，用于基于至少一种驾车风险的风险度，确定车辆的风险评估值。
根据本申请实施例的一个方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行车辆风险的评估方法。
根据本申请实施例的一个方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行车辆风险的评估方法。
根据本申请实施例的一个方面，还提供了一种终端，包括：数据采集单元，用于获取车辆的至少一类车辆的数据；处理器，处理器运行程序，其中，程序运行时对于从数据采集单元输出的数据执行车辆风险的评估方法。
根据本申请实施例的一个方面，还提供了一种终端，包括：数据采集单元，用于获取车辆的至少一类车辆的数据；存储介质，用于存储程序，其中，程序在运行时对于从数据采集单元输出的数据执行车辆风险的评估方法。
根据本申请实施例的一个方面，还提供了一种***，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取车辆的至少一类车辆数据；根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；基于至少一种驾车风险的风险度，确定车辆的风险评估值。
在本申请实施例中，采用多种车辆数据评估车辆风险的方式，通过获取车辆的至少一类车辆数据，并根据至少一类车辆数据获取驾驶车辆时存在的至少一种驾车风险的风险度，最后基于至少一种驾车风险的风险度，确定车辆的风险评估值，达到了准确对车辆风险进行评估的目的，从而实现了保证驾驶人员安全驾驶，减少交通事故发生的技术效果，进而解决了现有技术对车辆风险的评估不准确的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1(a)是根据本申请实施例的一种可选的车辆风险的评估***结构示意图；
图1(b)是根据本申请实施例的一种可选的基于车辆评估***的交互示意图；
图2是根据本申请实施例的一种车辆风险的评估方法的流程图；
图3是根据本申请实施例的一种可选的车辆风险的评估方法的流程图；
图4是根据本申请实施例的一种可选的车辆风险的评估方法的流程图；
图5是根据本申请实施例的一种车辆风险的评估装置的结构示意图；以及
图6是根据本申请实施例的一种计算机终端的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本申请实施例，提供了一种车辆风险的评估方法实施例，需要说明的是，本申请所提出的车辆风险的评估方法可以从多种数据渠道中获取到多种车辆数据，并从多个维度来对车辆风险进行评估，从而可以达到准确对车辆风险进行评估，进而确保驾驶人员安全驾驶。
此外，还需要说明的是，本申请所提供的车辆风险的评估方法可以广泛应用在风险评估领域，包括但不限于对车辆风险的评估。具体的，驾驶员在驾驶车辆的过程中，车辆的GPS定位模块实时上传车辆的GPS数据至车辆风险评估***的数据库中，同时，车辆风险评估***的数据库中还存储有车辆保险的数据、车辆的电子路单数据等数据，车辆风险评估***将数据库中的数据作为离线模型的输入，输出车辆风险的评分，进而根据车辆风险的评分来确定车辆的驾驶风险，并提醒驾驶车辆的驾驶人员安全驾驶。例如，根据评分确定驾驶人员的驾驶时长为疲劳驾驶的时长，则提醒驾驶人员注意休息以确保驾驶安全。
由上述内容可知，本申请将孤立的多种数据源融合到同一个数据库中，并根据数据库中的数据对车辆风险进行综合评估，从而达到了对车辆风险进行准确评估的目的。其中，图1(a)示出了一种可选的执行车辆风险的评估方法的车辆风险的评估***结构示意图，如图1(a)所示，评估***包括：离线数据库和离线模型。其中，离线数据库的数据来源主要包括如下三个：车辆GPS所采集到的车辆GPS轨迹数据、车辆保险数据、车辆电子路单数据。另外，车辆风险评估***中创建有离线模型，通过该离线模型可得到车辆风险的评估结果。其中，离线数据库中的数据即为该离线模式的输入数据，离线模型从驾驶行为风险和驾驶路线风险两个方面对车辆的风险进行评估。首先，离线模型根据离线数据库中的数据构建驾驶行为因子和驾驶路线因子，并分别抽取上述两种因子中的关键风险因子，然后，基于抽取到的关键风险因子分别计算驾驶人员的驾驶行为风险值和驾驶路线风险值，最后，根据驾驶行为风险值和驾驶路线风险值确定车辆风险的评估值，并将车辆风险的评估值存储至在线数据库中。在线数据库通过API服务接口与外部的服务器连接，服务器通过API接口即可获取到车辆的风险评估值，并根据风险评估值来提醒驾驶人员安全驾驶。
在一种可选的实施例中，图1(b)示出了一种可选的基于车辆评估***的交互示意图。在图1(b)中，至少一个外部数据库分别存储车辆GPS轨迹数据、车辆保险记录数据以及车辆电子路单数据。其中，外部数据库、风险评估***、在线数据库以及终端之间的交互过程如下：
步骤S21，至少一个外部数据库将采集到的车辆GPS轨迹数据、车辆保险记录数据以及车辆电子路单数据等车辆数据发送到风险评估***中的离线数据库中；
步骤S23，离线数据库存储车辆GPS轨迹数据、车辆保险记录数据以及车辆电子路单数据，风险评估***将上述三种数据作为离线模型的输入，并通过离线模型的处理得到风险评估值；
步骤S25，风险评估***将风险评估值存储至在线数据库中；
步骤S27，服务终端通过服API服务接口，获取在线数据库中的车辆的风险评估值，并提醒驾驶人员安全驾驶。
在上述运行环境下，本申请提供了如图2所示的车辆风险的评估方法。图2是根据本申请实施例一的车辆风险的评估方法的流程图。其中，车辆风险的评估方法具体包括如下步骤：
步骤S202，获取车辆的至少一类车辆数据。
需要说明的是，车辆的车辆数据包括如下至少之一：车辆在行车轨道上的定位打点数据和车辆的电子路单数据，其中，电子路单数据可以包括但不限于车辆行驶的起点、终点、车辆所运输货物的数量、重量、种类、体积等信息。
在一种可选的实施例中，车辆上安装有GPS定位模块，GPS定位模块每隔预设时间(例如，3-10秒)或车辆每行驶预设距离将GPS定位模块所采集到的数据上传至图1(a)所示的离线数据库中。其中，车辆在行车轨道上的定位打点数据即为GPS定位模块所采集到的数据，该数据包括但不限于采集数据时车辆的经度、纬度、方向角。此外，根据连续两个定位打点数据的经纬度以及时间差可计算得到车辆的行驶速度。
需要说明的是，由于车辆的电子路单数据并不是实时变化的，例如，车辆运输完一次获取车辆的电子路单数据才会更新一次。因此，将电子路单数据上传至离线数据库的时间间隔应大于车辆在行车轨道上的定位打点数据的上传时间间隔，例如，电子路单数据可每周上传一次。
在另一种可选的实施例中，外部数据库(即车辆风险的评估***之外的数据库)包括行车轨迹数据库、车辆保险记录数据库、电子路单数据库，其中，所有车辆的GPS定位模块每隔1秒将车辆在行车轨道上的定位打点数据上传至行车轨迹数据库中，而行车轨迹数据库每隔10秒将所有车辆的定位打点数据上传离线数据库中。同样，电子路单数据库存储有所有车辆的电子路单数据，车辆保险记录数据库存储有所有车辆的保险数据，电子路单数据库和车辆保险记录数据库每隔一周将数据批量导入到离线数据库中。
需要说明的是，通过步骤S202，车辆风险的评估***可获取多种车辆数据，对多种数据进行综合处理可以达到对车辆的风险进行准确评估的目的。
步骤S204，根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度。
需要说明的是，驾车风险至少包括：驾车行为风险和驾车路径风险，其中，用于表征驾车行为风险的驾车行为特征至少包括如下之一：基于速度的风险特征、基于加速度的风险特征、基于转弯的风险特征和基于疲劳驾驶的风险特征；用于表征驾车路径风险的路径特征至少包括：基于驾车时间的风险特征、基于车辆承载的风险特征、基于路径长度的风险特征和基于路径上发生的事故的风险特征。
在一种可选的实施例中，车辆风险的评估***分别计算出基于速度的风险特征的特征值、基于加速度的风险特征的特征值、基于转弯的风险特征的特征值以及基于疲劳驾驶的风险特征的特征值，然后对上述各个风险特征的特征值进行处理，得到基于驾车行为风险的风险度。同时，车辆风险的评估***分别计算出基于驾车时间的风险特征的特征值、基于车辆承载的风险特征的特征值、基于路径长度的风险特征的特征值和基于路径上发生的事故的风险特征的特征值，同样对上述各个风险特征的特征值进行处理，得到基于驾车路径风险的风险度。
需要说明的是，基于速度的风险特征可以包括但不限于车辆的平均速度、车辆的行驶速度以及速度超过80km/h的占比。其中，速度超过80km/h的占比越大，则基于速度的风险特征的风险度越大。
基于加速度的风险特征可以包括但不限于车辆行驶时的平均加速度、急加速次数以及急刹车次数，其中，如果加速度大于0.3m/s2，但小于1.5m/s2，则确定车辆正在加速行驶；如果加速度大于1.5m/s2，则确定车辆在进行急加速；如果车辆减速行驶的加速度大于0.3m/s2，但小于2m/s2，则确定车辆刹车；如果车辆减速行驶的加速度大于2m/s2，则确定车辆在进行急刹车。即根据车辆的加速度来确定车辆行驶过程中急加速和急刹车的次数。其中，急加速次数或急刹车次数越多，则基于加速度的风险特征的特征值越大。
此外，基于转弯的风险特征可以包括但不限于车辆转弯时的转弯速度、急转弯次数、转弯次数。具体的，可根据车辆转弯时的速度大小来确定车辆是否进行急转弯。其中，急转弯次数或转弯次数越多，则基于转弯的风险特征的特征值越大。
基于疲劳驾驶的风险特征可以包括但不限于连续驾驶时长以及连续驾驶里程，其中，根据车辆位置的改变可确定驾驶人员是否属于疲劳驾驶，例如，检测到在4小时内，车辆的位置一直发生变化，即在四小时内驾驶员一直在驾驶车辆，此时，确认驾驶人员属于疲劳驾驶。另外，可根据车辆在预设时间内(例如，5分钟内)的位置是否发生改变来确定车辆是否处于行驶状态，如果车辆在预设时间内的位置没有发生变化，则确认车辆处于静止状态，驾驶人员正在休息。其中，连续驾驶时长越长或连续驾驶里程越长，则基于疲劳驾驶的风险特征的特征值越大。
此外，还需要说明的是，驾车路径风险的路径特征可以从车辆的GPS定位模块所采集到的数据以及电子路单数据中得到。根据车辆的GPS定位模块可得到基于驾车时间的风险特征，其中，基于驾车时间的风险特征可以包括但不限于夜间行驶、白天行驶。而通过电子路单数据可得到基于车辆承载的风险特征、基于路径长度的风险特征和基于路径上发生的事故的风险特征。另外，基于车辆承载的风险特征包括但不限于车辆的载货量和超载情况。
另外，通过步骤S204可以得到每种驾车风险的特征值，其中，特征值即为风险因子。由上述内容可知，风险因子或特征值的获取具有大量数据的支撑，因此，通过步骤S204可以达到具有数据支撑的特征值，进而基于得到的特征值对车辆风险进行准确评估。
步骤S206，基于至少一种驾车风险的风险度，确定车辆的风险评估值。
具体的，根据驾车行为特征可得到驾车行为风险的风险度，根据驾车路径风险的路径特征可得到驾车路径风险的风险度，然后再对驾车行为风险的风险度以及驾车路径风险的风险度进行处理可得到车辆的风险评估值。在得到车辆的风险评估值之后，车辆风险的评估***将车辆的风险评估值存储至在线数据库，服务器通过API接口从在线数据库中获取到车辆的风险评估值，工作人员或驾驶人员可根据服务器所展示的车辆的风险评估值改善行车习惯，进而提高驾驶人员的安全驾驶意识。
基于上述步骤S202至步骤S206所限定的方案，可以获知，通过获取车辆的至少一类车辆数据，并根据至少一类车辆数据获取驾驶车辆时存在的至少一种驾车风险的风险度，最后基于至少一种驾车风险的风险度，确定车辆的风险评估值。
容易注意到的是，由于获取的是车辆的至少一类车辆数据，并且车辆数据包括车辆在行车轨道上的定位打点数据和车辆的电子路单数据，即本申请是根据多种车辆数据对车辆风险进行综合评估，从而可以准确的对车辆风险进行评估。此外，由于驾车风险的风险度是根据车辆数据得到的，即驾车风险的风险度具有大量的数据支撑，而并不是依据专家的主观经验，从而进一步确保了对车辆风险的准确评估。
由上述内容可知，本申请可以达到准确对车辆风险进行评估的目的，从而实现了保证驾驶人员安全驾驶，减少交通事故发生的技术效果，进而解决了现有技术对车辆风险的评估不准确的技术问题。
在一种可选的实施例中，根据驾车行为特征可以得到驾车行为风险的风险度，根据驾车路径风险的路径特征可以得到驾车路径风险的风险度，而在此之前，还需要对每个驾车行为特征和/或每个路径特征进行预处理，其中，预处理包括如下至少之一：归一化处理和过滤处理。
需要说明的是，上述过滤处理为基于机器学习算法对每个驾车行为特征和/或每个路径特征进行过滤处理，得到关键风险特征。其中，机器学习算法可以为但不限于决策树、随机森林、XGBoosting等算法。例如，通过决策树算法可以筛选出风险值大于预设阈值的风险特征作为关键风险特征。
另外，可通过如下公式计算得到归一化后的每个驾车行为特征和/或每个路径特征的特征值：
在上式中，
为归一化后的每个驾车行为特征或每个路径特征的特征值，x为风险特征的特征值，avg(x)为特征值的平均值，s(x)为特征值的标准差。
此外，还需要说明的是，对驾车行为特征和/或路径特征进行预处理时，可先进行归一化处理，再进行过滤处理，也可先进行过滤处理，再进行归一化处理。即归一化处理与过滤处理的顺序不限。
在一种可选的实施例中，在对每个驾车行为特征进行预处理之后，即可根据驾车行为特征可以得到驾车行为风险的风险度，其中，如图3所示，根据驾车行为特征得到驾车行为风险的风险度的方法包括如下步骤：
步骤S302，使用车辆在行车轨道上的定位打点数据，计算每个驾车行为特征的特征值；
步骤S304，基于至少一个驾车行为特征的特征值进行第一逻辑训练，生成车辆的驾车行为风险的风险度。
需要说明的是，上述第一逻辑训练为对驾车行为特征的特征值进行训练的模型。
具体的，根据速度超过80里程的占比来确定基于速度的风险特征的特征值，根据急加速次数和/或急刹车次数来确定基于加速度的风险特征的特征值，根据转弯次数和/或转弯速度来确定基于转弯的风险特征的特征值，根据连续驾驶时长和/或连续驾驶里程确定基于疲劳驾驶的风险特征的特征值。在得到上述各个风险特征的特征值之后，对特征值进行训练，即可得到车辆的驾车行为风险的风险度。
在另一种可选的实施例中，如图4所示，根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度的方法包括如下步骤：
步骤S402，使用车辆在行车轨道上的定位打点数据和电子路单数据，计算得到每个路径特征的特征值；
步骤S402，基于至少一个路径特征进行第二逻辑训练，生成车辆的驾车路径风险的风险度。
需要说明的是，上述第二逻辑训练为对驾车路径风险的路径特征值进行训练的模型。
具体的，根据驾车行驶的时间段来确定基于驾车时间的风险特征的特征值，例如，在凌晨6点至晚6点之间的特征值小于晚6点至次日凌晨6点的特征值；根据车辆的载货量的多少来确定基于车辆承载的风险特征的特征值，其中，在载货量越多，特征值越大；根据行驶里程来确定基于路径长度的风险特征的特征值；根据发生事故的频次来确定基于路径上发生的事故的风险特征的特征值。在得到上述各个风险特征的特征值之后，对特征值进行训练，即可得到车辆的驾车路径风险的风险度。
需要说明的是，在得到至少一种驾车风险的风险度之后，根据至少一种驾车风险的风险度可以确定车辆的风险评估值，其中，可对驾车风险的风险度进行求平均计算，得到车辆的风险评估值。具体如下式：
在上式中，
为车辆的风险评估值，S1为驾车行为风险的风险度，S2为驾车路径风险的风险度。
在另一种可选的实施例中，在车辆的车辆数据还包括车辆的保险数据的情况下，在根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度之前，车辆风险的评估方法还包括：获取保险次数超过预定次数的至少一个车辆，并对保险次数超过预定次数的车辆进行风险评估。
具体的，车辆风险的评估***将有过2次以及以上的保险的车辆作为正样本，而保险次数小于2次的车辆作为负样本，并对正样本的车辆进行风险评估。其中，车辆风险评估的方法具体包括分别获取驾车行为风险的风险度以及驾车路径风险的风险度。
在一种可选的实施例中，对至少一个驾车行为特征的特征值进行logisticsregression训练，经过logistics regression训练之后得到每辆车辆的理赔概率，并将每辆车辆的理赔概率进行正则化处理，将其正则化处理到0-100，进而得到驾车行为风险的风险度。
在一种可选的实施例中，对至少一个驾车路径风险的路径特征的特征值进行logistics regression训练，经过logistics regression训练之后得到每辆车辆的理赔概率，并将每辆车辆的理赔概率进行正则化处理，将其正则化处理到0-100，进而得到驾车路径风险的风险度。
需要说明的是，在得到驾车行为风险的风险度和驾车路径风险的风险度之后，同样可采用对驾车行为风险的风险度和驾车路径风险的风险度进行求平均计算的方法，得到车辆的风险评估值。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的车辆风险的评估方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例，还提供了一种接口设备，该为上述实施例1中的车辆风险的评估方法提供API接口服务，其中，API接口服务可以为但不限于图1(a)中所示的API服务。
实施例3
根据本申请实施例，还提供了一种用于实施上述车辆风险的评估方法的车辆风险的评估装置，如图5所示，该装置包括：第一获取模块501、第二获取模块503以及确定模块505。
其中，第一获取模块501，用于获取车辆的至少一类车辆数据；第二获取模块503，用于根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；确定模块505，用于基于至少一种驾车风险的风险度，确定车辆的风险评估值。
此处需要说明的是，上述第一获取模块501、第二获取模块503以及确定模块505对应于实施例1中的步骤S202至步骤S206，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。
需要说明的是，车辆的车辆数据包括如下至少之一：车辆在行车轨道上的定位打点数据和车辆的电子路单数据。
需要说明的是，驾车风险至少包括：驾车行为风险和驾车路径风险，其中，用于表征驾车行为风险的驾车行为特征至少包括如下之一：基于速度的风险特征、基于加速度的风险特征、基于转弯的风险特征和基于疲劳驾驶的风险特征；用于表征驾车路径风险的路径特征至少包括：基于驾车时间的风险特征、基于车辆承载的风险特征、基于路径长度的风险特征和基于路径上发生的事故的风险特征。
在一种可选的实施例中，第二获取模块包括：第一计算模块以及第一生成模块。其中，第一计算模块，用于使用车辆在行车轨道上的定位打点数据，计算每个驾车行为特征的特征值；第一生成模块，用于基于至少一个驾车行为特征的特征值进行第一逻辑训练，生成车辆的驾车行为风险的风险度。
此处需要说明的是，上述第一计算模块以及第一生成模块对应于实施例1中的步骤S302至步骤S304，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。
在一种可选的实施例中，第二获取模块包括：第二计算模块以及第二生成模块。其中，第二计算模块，用于使用车辆在行车轨道上的定位打点数据和电子路单数据，计算得到每个路径特征的特征值；第二生成模块，用于基于至少一个路径特征进行第二逻辑训练，生成车辆的驾车路径风险的风险度。
此处需要说明的是，上述第二计算模块以及第二生成模块对应于实施例1中的步骤S402至步骤S404，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。
在一种可选的实施例中，车辆风险的评估装置还包括：预处理模块。其中，预处理模块，用于对每个驾车行为特征和/或每个路径特征进行预处理，其中，预处理包括如下至少之一：归一化处理和过滤处理。
需要说明的是，过滤处理为基于机器学习算法对每个驾车行为特征和/或每个路径特征进行过滤处理，得到关键风险特征。
在一种可选的实施例中，车辆风险的评估装置还包括：第一评估模块。其中，第一评估模块，用于在车辆的车辆数据还包括车辆的保险数据的情况下，获取保险次数超过预定次数的至少一个车辆，并对保险次数超过预定次数的车辆进行风险评估。
在一种可选的实施例中，确定模块包括：第二评估模块。其中，第二评估模块，用于对驾车风险的风险度进行求平均计算，得到车辆的风险评估值。
实施例4
根据本申请实施例，还提供了一种用于实施上述车辆风险的评估方法的***，其中，该***包括处理器和存储器。
存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：
获取车辆的至少一类车辆数据；
根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；
基于至少一种驾车风险的风险度，确定车辆的风险评估值。
由上可知，通过获取车辆的至少一类车辆数据，并根据至少一类车辆数据获取驾驶车辆时存在的至少一种驾车风险的风险度，最后基于至少一种驾车风险的风险度，确定车辆的风险评估值。
容易注意到的是，由于获取的是车辆的至少一类车辆数据，并且车辆数据包括车辆在行车轨道上的定位打点数据和车辆的电子路单数据，即本申请是根据多种车辆数据对车辆风险进行综合评估，从而可以准确的对车辆风险进行评估。此外，由于驾车风险的风险度是根据车辆数据得到的，即驾车风险的风险度具有大量的数据支撑，而并不是依据专家的主观经验，从而进一步确保了对车辆风险的准确评估。
由上述内容可知，本申请可以达到准确对车辆风险进行评估的目的，从而实现了保证驾驶人员安全驾驶，减少交通事故发生的技术效果，进而解决了现有技术对车辆风险的评估不准确的技术问题。
实施例5
根据本申请实施例，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行实施例1中的车辆风险的评估方法。
实施例6
根据本申请实施例的一个方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的车辆风险的评估方法。
实施例7
根据本申请实施例的一个方面，还提供了一种终端，包括：数据采集单元，用于获取车辆的至少一类车辆的数据；处理器，处理器运行程序，其中，程序运行时对于从数据采集单元输出的数据执行实施例1中的车辆风险的评估方法。
实施例8
根据本申请实施例的一个方面，还提供了一种终端，包括：数据采集单元，用于获取车辆的至少一类车辆的数据；存储介质，用于存储程序，其中，程序在运行时对于从数据采集单元输出的数据执行实施例1中的车辆风险的评估方法。
实施例9
本申请的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
图6示出了一种计算机终端的硬件结构框图。如图6所示，计算机终端A可以包括一个或多个(图中采用162a、162b，……，162n来示出)处理器162(处理器162可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器164、以及用于通信功能的传输装置166。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图6所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。
应当注意到的是上述一个或多个处理器162和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端A中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
处理器162可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取车辆的至少一类车辆数据；根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；基于至少一种驾车风险的风险度，确定车辆的风险评估值。
存储器164可用于存储应用软件的软件程序以及模块，如本申请实施例中的车辆风险的评估方法对应的程序指令/数据存储装置，处理器162通过运行存储在存储器164内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的车辆风险的评估方法。存储器164可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器164可进一步包括相对于处理器162远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置166用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端A的通信供应商提供的无线网络。在一个实例中，传输装置166包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置166可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端A的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图6所示的计算机终端A可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图6仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机终端A中的部件的类型。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取车辆的至少一类车辆数据；根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；基于至少一种驾车风险的风险度，确定车辆的风险评估值。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：使用车辆在行车轨道上的定位打点数据，计算每个驾车行为特征的特征值；基于至少一个驾车行为特征的特征值进行第一逻辑训练，生成车辆的驾车行为风险的风险度。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：使用车辆在行车轨道上的定位打点数据和电子路单数据，计算得到每个路径特征的特征值；基于至少一个路径特征进行第二逻辑训练，生成车辆的驾车路径风险的风险度。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：对每个驾车行为特征和/或每个路径特征进行预处理，其中，预处理包括如下至少之一：归一化处理和过滤处理。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取保险次数超过预定次数的至少一个车辆，并对保险次数超过预定次数的车辆进行风险评估。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：对驾车风险的风险度进行求平均计算，得到车辆的风险评估值。
本领域普通技术人员可以理解，图6所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图6所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例10
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的车辆风险的评估方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取车辆的至少一类车辆数据；根据至少一类车辆数据，获取驾驶车辆时存在的至少一种驾车风险的风险度；基于至少一种驾车风险的风险度，确定车辆的风险评估值。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：使用车辆在行车轨道上的定位打点数据，计算每个驾车行为特征的特征值；基于至少一个驾车行为特征的特征值进行第一逻辑训练，生成车辆的驾车行为风险的风险度。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：使用车辆在行车轨道上的定位打点数据和电子路单数据，计算得到每个路径特征的特征值；基于至少一个路径特征进行第二逻辑训练，生成车辆的驾车路径风险的风险度。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对每个驾车行为特征和/或每个路径特征进行预处理，其中，预处理包括如下至少之一：归一化处理和过滤处理。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取保险次数超过预定次数的至少一个车辆，并对保险次数超过预定次数的车辆进行风险评估。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对驾车风险的风险度进行求平均计算，得到车辆的风险评估值。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种车辆风险的评估方法，其特征在于，包括：
获取车辆的至少一类车辆数据；
根据所述至少一类车辆数据，获取驾驶所述车辆时存在的至少一种驾车风险的风险度；
基于所述至少一种驾车风险的风险度，确定所述车辆的风险评估值；
所述车辆的车辆数据包括如下至少之一：车辆在行车轨道上的定位打点数据和所述车辆的电子路单数据；
根据所述至少一类车辆数据，获取驾驶所述车辆时存在的至少一种驾车风险的风险度，包括：使用所述车辆在行车轨道上的定位打点数据和所述电子路单数据，计算得到每个路径特征的特征值；基于至少一个路径特征进行第二逻辑训练，生成所述车辆的驾车路径风险的风险度；
在所述车辆的车辆数据还包括车辆的保险数据的情况下，在根据所述至少一类车辆数据，获取驾驶所述车辆时存在的至少一种驾车风险的风险度之前，所述方法还包括：获取保险次数超过预定次数的至少一个车辆，并对所述保险次数超过预定次数的车辆进行风险评估。
2.根据权利要求1所述的方法，其特征在于，所述驾车风险至少包括：驾车行为风险和驾车路径风险，其中，用于表征所述驾车行为风险的驾车行为特征至少包括如下之一：基于速度的风险特征、基于加速度的风险特征、基于转弯的风险特征和基于疲劳驾驶的风险特征；用于表征所述驾车路径风险的路径特征至少包括：基于驾车时间的风险特征、基于车辆承载的风险特征、基于路径长度的风险特征和基于路径上发生的事故的风险特征。
3.根据权利要求2所述的方法，其特征在于，根据所述至少一类车辆数据，获取驾驶所述车辆时存在的至少一种驾车风险的风险度，包括：
使用所述车辆在行车轨道上的定位打点数据，计算每个驾车行为特征的特征值；
基于至少一个驾车行为特征的特征值进行第一逻辑训练，生成所述车辆的驾车行为风险的风险度。
4.根据权利要求2至3中任意一项所述的方法，其特征在于，对每个所述驾车行为特征和/或每个所述路径特征进行预处理，其中，所述预处理包括如下至少之一：归一化处理和过滤处理。
5.根据权利要求4所述的方法，其特征在于，所述过滤处理为基于机器学习算法对每个所述驾车行为特征和/或每个所述路径特征进行所述过滤处理，得到关键风险特征。
6.根据权利要求1所述的方法，其特征在于，基于所述至少一种驾车风险的风险度，确定所述车辆的风险评估值，包括：对所述驾车风险的风险度进行求平均计算，得到所述车辆的风险评估值。
7.一种车辆风险的评估装置，其特征在于，包括：
第一获取模块，用于获取车辆的至少一类车辆数据；
第二获取模块，用于根据所述至少一类车辆数据，获取驾驶所述车辆时存在的至少一种驾车风险的风险度；
确定模块，用于基于所述至少一种驾车风险的风险度，确定所述车辆的风险评估值；
所述车辆的车辆数据包括如下至少之一：车辆在行车轨道上的定位打点数据和所述车辆的电子路单数据；
所述第二获取模块包括：第二计算模块，用于使用所述车辆在行车轨道上的定位打点数据和所述电子路单数据，计算得到每个路径特征的特征值；第二生成模块，用于基于至少一个路径特征进行第二逻辑训练，生成所述车辆的驾车路径风险的风险度；
第一评估模块，用于在所述车辆的车辆数据还包括车辆的保险数据的情况下，获取保险次数超过预定次数的至少一个车辆，并对所述保险次数超过预定次数的车辆进行风险评估。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的车辆风险的评估方法。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的车辆风险的评估方法。
10.一种终端，其特征在于，包括：
数据采集单元，用于获取车辆的至少一类车辆的数据；
处理器，所述处理器运行程序，其中，所述程序运行时对于从所述数据采集单元输出的数据执行权利要求1至6中任意一项所述的车辆风险的评估方法。
11.一种终端，其特征在于，包括：
数据采集单元，用于获取车辆的至少一类车辆的数据；
存储介质，用于存储程序，其中，所述程序在运行时对于从所述数据采集单元输出的数据执行权利要求1至6中任意一项所述的车辆风险的评估方法。
12.一种***，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
获取车辆的至少一类车辆数据；
根据所述至少一类车辆数据，获取驾驶所述车辆时存在的至少一种驾车风险的风险度；
基于所述至少一种驾车风险的风险度，确定所述车辆的风险评估值；
所述车辆的车辆数据包括如下至少之一：车辆在行车轨道上的定位打点数据和所述车辆的电子路单数据；
所述处理器还用于使用所述车辆在行车轨道上的定位打点数据和所述电子路单数据，计算得到每个路径特征的特征值；基于至少一个路径特征进行第二逻辑训练，生成所述车辆的驾车路径风险的风险度；
所述处理器还用于在所述车辆的车辆数据还包括车辆的保险数据的情况下，在根据所述至少一类车辆数据，获取驾驶所述车辆时存在的至少一种驾车风险的风险度之前，获取保险次数超过预定次数的至少一个车辆，并对所述保险次数超过预定次数的车辆进行风险评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059783.0A CN109754595B (zh) | 2017-11-01 | 2017-11-01 | 车辆风险的评估方法、装置及接口设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711059783.0A CN109754595B (zh) | 2017-11-01 | 2017-11-01 | 车辆风险的评估方法、装置及接口设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754595A CN109754595A (zh) | 2019-05-14 |
| CN109754595B true CN109754595B (zh) | 2022-02-01 |
Family
ID=66399285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711059783.0A Active CN109754595B (zh) | 2017-11-01 | 2017-11-01 | 车辆风险的评估方法、装置及接口设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754595B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110682875B (zh) * | 2019-09-19 | 2021-06-29 | 中国第一汽车股份有限公司 | 一种车辆安全风险评估方法、装置及车辆 |
| CN110737688B (zh) * | 2019-09-30 | 2023-04-07 | 上海商汤临港智能科技有限公司 | 驾驶数据分析方法、装置、电子设备和计算机存储介质 |
| CN111007726B (zh) * | 2019-12-24 | 2023-03-28 | 斑马网络技术有限公司 | 起动机烧蚀风险评估方法、装置及电子设备 |
| CN112258837B (zh) * | 2020-10-19 | 2024-04-12 | 腾讯科技（深圳）有限公司 | 一种车辆预警的方法、相关装置、设备以及存储介质 |
| CN112270114B (zh) * | 2020-11-24 | 2022-04-29 | 武汉理工大学 | 一种车辆个性化风险行为识别方法 |
| CN113469501A (zh) * | 2021-06-07 | 2021-10-01 | 杭州搜车数据科技有限公司 | 数据分析方法、装置、电子装置和计算机设备 |
| CN113657733B (zh) * | 2021-08-02 | 2023-10-24 | 东风柳州汽车有限公司 | 汽车新品问题点管理方法、装置、设备及存储介质 |
| CN114707915B (zh) * | 2022-06-06 | 2022-08-12 | 苏交科集团股份有限公司 | 一种车辆运输的风险评估***及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技（上海）有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的***及方法 |
| CN105512453A (zh) * | 2014-10-15 | 2016-04-20 | 厦门雅迅网络股份有限公司 | 一种基于历史里程的车辆风险判断方法和装置 |
| CN105574537A (zh) * | 2015-11-23 | 2016-05-11 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
| CN105574699A (zh) * | 2015-12-31 | 2016-05-11 | 郑州烽火台电子有限公司 | 危险品运输车辆综合管理*** |
| CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
| CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
| CN106156877A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 预测驾车风险的方法、装置及*** |
| CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
| CN106683395A (zh) * | 2016-12-29 | 2017-05-17 | 广州交通信息化建设投资营运有限公司 | 大型运动会专用车辆调度信息*** |
| CN106855965A (zh) * | 2016-08-16 | 2017-06-16 | 芮锶钶（上海）网络技术有限公司 | 一种基于机动车的驾驶行程数据评估其驾驶风险的方法 |
| CN106952002A (zh) * | 2017-04-05 | 2017-07-14 | 南京人人保网络技术有限公司 | 基于驾驶行为的驾驶风险评估方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2327210A1 (en) * | 2000-12-01 | 2002-06-01 | Accu-Star Systems, Inc. | System and method for facilitating shipment transaction, creation and monitoring |
-
2017
- 2017-11-01 CN CN201711059783.0A patent/CN109754595B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512453A (zh) * | 2014-10-15 | 2016-04-20 | 厦门雅迅网络股份有限公司 | 一种基于历史里程的车辆风险判断方法和装置 |
| CN106156877A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 预测驾车风险的方法、装置及*** |
| CN105574537A (zh) * | 2015-11-23 | 2016-05-11 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
| CN105374211A (zh) * | 2015-12-09 | 2016-03-02 | 敏驰信息科技（上海）有限公司 | 基于多源数据计算驾驶风险与辅助车险定价的***及方法 |
| CN105574699A (zh) * | 2015-12-31 | 2016-05-11 | 郑州烽火台电子有限公司 | 危险品运输车辆综合管理*** |
| CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
| CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
| CN106855965A (zh) * | 2016-08-16 | 2017-06-16 | 芮锶钶（上海）网络技术有限公司 | 一种基于机动车的驾驶行程数据评估其驾驶风险的方法 |
| CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
| CN106683395A (zh) * | 2016-12-29 | 2017-05-17 | 广州交通信息化建设投资营运有限公司 | 大型运动会专用车辆调度信息*** |
| CN106952002A (zh) * | 2017-04-05 | 2017-07-14 | 南京人人保网络技术有限公司 | 基于驾驶行为的驾驶风险评估方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 完善车辆GPS***应用功能提高交通管理智能水平;刘子英 等;《安全责任 重在落实——第四届吉林安全生产论坛论文集》;20110917;399-403 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754595A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754595B (zh) | 车辆风险的评估方法、装置及接口设备 | |
| US10068392B2 (en) | Safety score using video data but without video | |
| CN103209220B (zh) | 基于车联网的车辆抛锚智慧服务***的服务方法 | |
| CN105976074A (zh) | 一种车辆健康参数的生成、展现方法以及装置 | |
| CN104635721B (zh) | 基于车联网的车辆诊断*** | |
| CN104574565B (zh) | 基于车联网的驾驶行为分析*** | |
| US20160232565A1 (en) | Systems and methods for targeted advertising and vehicle identification via tire pressure monitoring system (tpms) signals | |
| CN104537727B (zh) | 基于车联网的车况记录*** | |
| CN104239669A (zh) | 用于监测加油站的***和方法 | |
| CN105976451A (zh) | 基于hud的驾驶行为检测方法、检测***及hud | |
| US9477989B2 (en) | Method and apparatus of determining relative driving characteristics using vehicular participative sensing systems | |
| CN104133469A (zh) | 车辆数据采集处理***及方法 | |
| CN106170826A (zh) | 出租车乘客人数的监控方法及*** | |
| CN106375398A (zh) | 一种服务推荐的方法、终端以及服务器 | |
| US10319230B2 (en) | Safe speed limit recommendation | |
| CN108369682B (zh) | 用于评价驾驶员的行程性能的方法和*** | |
| KR102090421B1 (ko) | 차량 안전운전 습관지수 산정 시스템 | |
| CN108475359B (zh) | 用于评价驾驶员的行程性能的方法和*** | |
| CN108431837B (zh) | 用于评价驾驶员的行程性能的方法和*** | |
| CN111340424A (zh) | 货物运输的预警方法和装置、存储介质及电子装置 | |
| CN108369683B (zh) | 用于评价驾驶员的行程性能的方法和*** | |
| CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
| CN108369681B (zh) | 用于评价驾驶员的行程性能的方法和*** | |
| CN114463985A (zh) | 辅助驾驶的方法、装置、设备及存储介质 | |
| JP2015179445A (ja) | 運転情報収集システム、車載器、サーバ、運転情報収集方法、およびプログラム |
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 |