预测模型训练及预测方法、装置、电子设备、存储介质
技术领域
本发明涉及大数据技术领域,尤其涉及一种预测模型训练及预测方法、装置、电子设备、存储介质。
背景技术
物流业作为国民经济基础产业,融合了道路运输业、仓储业和信息业等多个产业,涉及领域广。其中,涉及驾驶员生命的驾驶安全事故仍需特别关注。我国每年交通运输事故总量仍居高位,载重汽车导致交通事故死亡人数约占三分之一。近几年来,我国高速公路交通事故死亡人数占道路交通事故死亡总数的比例维持在10%左右。通常通过车载OBD(On-Board Diagnostic)设备或者智能手机等设备,由设备内的传感器能获得车辆行驶数据,从而能直观地对车辆行驶状态进行把控。对于互联网新兴的物流配货平台,如何能基于大数据区分驾驶安全的优质驾驶员及出险率高的非优质驾驶员,以及对驾驶员的风控安全把控也是急需解决的关键问题。CN 109636654 A公开了一种根据车主相关的数据而判断其理赔风险等级的***,运用机器学习技术,对车主的驾驶行为和汽车属性,投保状况进行风险分析,预测未来理赔比。CN 109767145 A公开一种驾驶员驾驶技能评分***,包含了完善的驾驶员驾驶技能评价和改善建议的功能,以提醒用户本次行程的不足和改善建议。
上述方案中,CN 109636654 A将车辆物理属性、历史承保理赔信息和交通违章信息作为自变量,通过随机森林算法模型,从而得到目标函数简单赔付率和出险频度。其缺点是只有历史静态数据,而缺乏与驾驶安全相关的车辆实时驾驶动态数据。CN 109767145 A主要是针对驾驶员的驾驶技能、是否环保、是否安全和是否省油的综合评分。其主要是在单次驾驶行程中对驾驶员进行评分和建议,而缺乏对驾驶员一种长期驾驶行为和安全风险的观察。
过去判断驾驶安全风险只能依靠一些车辆和驾驶员基本信息和过去理赔信息来简单判断,从而现有技术难以实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理。
发明内容
本发明为了克服上述相关技术存在的缺陷,提供一种预测模型训练及预测方法、装置、电子设备、存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本发明的一个方面,提供一种驾驶安全风险预测模型训练方法,包括:
对于M个车辆,获取各车辆的出险数据,并至少根据驾驶动态数据、车辆数据、驾驶员数据及环境数据得到每个车辆的多个特征,将每个车辆的该多个特征作为该车辆的特征向量,所述M个车辆的特征向量形成样本集,M为大于2的整数;
利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型;
利用所述样本集训练第一层第一预测模型和第一层第二预测模型时,第一层第一预测模型的输出和第一层第二预测模型的输出及对应的出险数据训练训练第二层预测模型。
可选地,所述利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型包括:
将所述样本集按预设比例划分为第一训练集X及第一测试集T;
将所述第一训练集划分为N个第一训练子集,N为大于1的整数;
基于该N个第一训练子集及对应的出险数据训练第一层第一预测模型,获得N个第一预测集A;
将所述第一测试集T输入经训练的所述第一层第一预测模型,获得N个第二预测集B;
基于该N个第一训练子集及对应的出险数据训练第一层第二预测模型,获得N个第三预测集C;
将所述第一测试集T输入经训练的所述第一层第二预测模型,获得N个第四预测集D。
可选地,所述利用所述样本集训练第一层第一预测模型和第一层第二预测模型时,第一层第一预测模型的输出和第一层第二预测模型的输出及对应的出险数据训练训练第二层预测模型包括:
将N个所述第一预测集A和N个所述第三预测集C组成第二训练集P;
将N个所述第二预测集B的均值及N个所述第四预测集D的均值组成第二测试集Q;
根据所述第二训练集P、所述第二测试集Q及对应的出险数据训练第二层预测模型。
可选地,所述基于该N个第一训练子集训练第一层第一预测模型,获得N个第一预测集A包括:
对于每一第一训练子集Xi:
利用第一训练子集X1,…Xi-1,Xi+1,…XN,训练第一层第一预测模型获得准第一层第一预测模型Mod1i;
将第一训练子集Xi输入准第一层第一预测模型Mod1i获得第一预测集Ai。
可选地,所述将所述第一测试集T输入经训练的所述第一层第一预测模型,获得N个第二预测集B包括:
将第一测试集T分别输入N个准第一层第一预测模型以获得N个第二预测集。
可选地,所述基于该N个第一训练子集训练第一层第二预测模型,获得N个第三预测集C包括:
对于每一第一训练子集Xi:
利用第一训练子集X1,…Xi-1,Xi+1,…XN,训练第一层第二预测模型获得准第一层第一预测模型Mod2i;
将第一训练子集Xi输入准第一层第二预测模型Mod2i获得第三预测集Ci。
可选地,所述将所述第一测试集T输入经训练的所述第一层第二预测模型,获得N个第四预测集D包括:
将第一测试集T分别输入N个准第一层第二预测模型以获得N个第四预测集。
可选地,所述驾驶动态数据包括:车辆位置、车辆速度、车辆加速度、车辆角速度中的一项或多项;
所述车辆数据包括:车辆尺寸、车辆型号、车辆类型、车辆性能中的一项或多项;
所述驾驶员数据包括:驾驶员性别、驾驶员年龄、驾驶员驾龄中的一项或多项;
所述环境数据包括:驾驶天气、道路信息中的一项或多项。
可选地,还根据业务数据得到每个车辆的多个特征,
所述业务数据包括订单信息和评价信息,所述订单信息包括订单开始与结束时间、订单的起点、终点地区中的一项或多项,所述评价信息包括驾驶员所获的评价。
可选地,所述第一层第一预测模型为极端梯度提升模型,所述第一层第二预测模型为神经网络模型,所述第二层预测模型为逻辑回归模型。
根据本发明的又一方面,还提供一种驾驶安全风险预测方法,采用如上所述的驾驶安全风险预测模型训练方法,所述驾驶安全风险预测方法包括:
至少根据待预测车辆的驾驶动态数据、车辆数据、驾驶员数据及环境数据得到待预测车辆的多个特征;
将待预测车辆的多个特征输入经训练的第一层第一预测模型,以获得第一预测值;
将待预测车辆的多个特征输入经训练的第一层第二预测模型,以获得第二预测值;
将所述第一预测值和所述第二预测值输入经训练的第二层预测模型,以获得待预测车辆的风险预测值。
根据本发明的又一方面,还提供一种驾驶安全风险预测模型训练装置,包括:
样本构建模块,用于对于M个车辆,获取各车辆的出险数据,并至少根据驾驶动态数据、车辆数据、驾驶员数据及环境数据得到每个车辆的多个特征,将每个车辆的该多个特征作为该车辆的特征向量,所述M个车辆的特征向量形成样本集,M为大于2的整数;
第一训练模块,利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型;
第二训练模块,利用所述样本集训练第一层第一预测模型和第一层第二预测模型时,第一层第一预测模型的输出和第一层第二预测模型的输出及对应的出险数据训练训练第二层预测模型。
根据本发明的又一方面,还提供一种驾驶安全风险预测装置,采用如上所述的驾驶安全风险预测模型训练装置,所述驾驶安全风险预测装置包括:
特征构建模块,用于至少根据待预测车辆的驾驶动态数据、车辆数据、驾驶员数据及环境数据得到待预测车辆的多个特征;
第一预测模块,用于将待预测车辆的多个特征输入经训练的第一层第一预测模型,以获得第一预测值;
第二预测模块,用于将待预测车辆的多个特征输入经训练的第一层第二预测模型,以获得第二预测值;
第三预测模块,将所述第一预测值和所述第二预测值输入经训练的第二层预测模型,以获得待预测车辆的风险预测值。
根据本发明的又一方面,还提供一种电子设备,所述电子设备包括:处理器;存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术,本发明的优势在于:
一方面,通过大数据获得的驾驶动态数据、车辆数据、驾驶员数据、环境数据及出险数据对预测模型及进行训练,以便该预测模型可以对驾驶风险进行预测,从而实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理;另一方面,通过提供两层预测模型,将第一层的两个预测模型的训练输出作为第二层预测模型的输入以训练第二层预测模型,由此,通过层级设置的预测模型(综合采用的多个预测模型的性能)相比单个预测模型的预测准确率更高;再一方面,通过训练集和测试集的划分、训练集的再次划分以多方位训练第一层两个预测模型,从而通过这样的训练方式增加第一层两个预测模型的预测准确率。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的驾驶安全风险预测模型训练方法的流程图。
图2示出了根据本发明实施例的训练第一层第一预测模型和第一次第二预测模型的流程图。
图3示出了根据本发明实施例的训练第二层预测模型的流程图。
图4至图6示出了根据本发明实施例的训练第一层第一预测模型的示意图。
图7示出了根据本发明实施例的驾驶安全风险预测模方法的流程图。
图8示出了根据本发明实施例的驾驶安全风险预测模型训练装置的模块图。
图9示出了根据本发明实施例的驾驶安全风险预测模装置的模块图。
图10示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图11示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此,实际执行的顺序有可能根据实际情况改变。
图1示出了根据本发明实施例的驾驶安全风险预测模型训练方法的流程图。驾驶安全风险预测模型训练方法包括如下步骤:
步骤S110:对于M个车辆,获取各车辆的出险数据,并至少根据驾驶动态数据、车辆数据、驾驶员数据及环境数据得到每个车辆的多个特征,将每个车辆的该多个特征作为该车辆的特征向量,所述M个车辆的特征向量形成样本集,M为大于2的整数。
具体而言,在本发明各个实施例中,M为非常大的整数,从而使得本发明可以通过大量的数据进行后续步骤中的模型训练。
具体而言,出险数据包含出险赔付信息,为特定时间范围内车辆是否申请保险理赔的数据。出险数据作为模型训练时的预测模型输出,车辆申请保险理赔(定义为1),车辆申请保险理赔(定义为0),由此,在实际预测时预测模型可以输出0-1之间的值,以表示车辆申请保险理赔的概率。
在本发明的各个实施例中,所述驾驶动态数据可以包括车辆位置、车辆速度、车辆加速度、车辆角速度等。具体而言,驾驶动态数据可以通过车载监控模块及监控云端平台来获取。具体地说,车载终端模块实时获取驾驶动态数据,监控云端平台用于储存车载终端模块获取的驾驶动态数据,由此,在步骤S110中,可以通过监控云端平台来获取M个车辆的驾驶动态数据。
所述车辆数据可以包括:车辆尺寸、车辆型号、车辆类型、车辆性能等。车辆数据为车辆基本静态信息。车辆数据可与车辆标识(车牌/分配的唯一标识)关联地储存在上述监控云端平台,或储存在独立的云端平台中。
所述驾驶员数据可以包括:驾驶员性别、驾驶员年龄、驾驶员驾龄等。驾驶员数据可与驾驶员标识(例如驾驶员账号)关联地储存在上述监控云端平台,或储存在独立的云端平台中。进一步地,在上述云端平台中,还可以储存有驾驶员标识与车辆标识之间的映射表。
所述环境数据可以包括驾驶天气、道路信息等。具体而言,天气信息包含单次行程中的天气状况,如晴天、阴天、雨天等,道路信息包含单次行程中道路状况,如山路、高速、城市道路等。
在本发明的一些实施例中,还可以根据业务数据得到每个车辆的多个特征。所述业务数据可以包括订单信息和评价信息。所述订单信息可以包括订单开始与结束时间、订单的起点、终点地区等。所述评价信息可以包括驾驶员所获的评价等。
由此,根据上述数据,可以得到车辆的多个特征,例如,时间段内的加速次数,行驶高速公里总时间、里程、驾驶员好评次数、雾天驾驶次数等。特征的设定并非以此为限制,本领域技术人员可以根据实际需求变更上述特征的设定。
进一步地,在获得上述特征后,还包括对特征进行预处理的步骤。对特征的预处理可以包括对缺失值进行插值补充,对于异常点进行去除等。
在一个具体实施例中,在对特征进行预处理后,还可以包括筛选特征的步骤。具体而言,可以通过如下方式进行筛选,对各个特征,根据以下公式计算两个特征间的相关性系数:
其中,S,T为所选的两个特征,cov(S,T)表示特征S和T的协方差,σS和σT表示其标准差。各个特征中,若一特征与其它所有特征之间的相关性系数低于阈值(例如0.001),则将该特征删除。由此,减少本发明的发明所需***的计算量,降低***能耗。
由此,通过筛选后保留的特征,即可组成样本集。样本集中可由一车辆及其特征来组成一个样本。在本实施例中,供获取M辆车的数据,从而样本集中包括M个样本。在一些变化例中,也可以按其它形式组成一个样本(例如一个行程及该行程相关车辆的特征为一个样本、一个驾驶员及该驾驶员相关的车辆的特征为一个样本等等),本发明并非以此为限制。
步骤S120:利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型。
步骤S130:利用所述样本集训练第一层第一预测模型和第一层第二预测模型时,第一层第一预测模型的输出和第一层第二预测模型的输出及对应的出险数据训练训练第二层预测模型。
在本发明提供的驾驶安全风险预测模型训练方法中,一方面,通过大数据获得的驾驶动态数据、车辆数据、驾驶员数据、环境数据及出险数据对预测模型及进行训练,以便该预测模型可以对驾驶风险进行预测,从而实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理;另一方面,通过提供两层预测模型,将第一层的两个预测模型的训练输出作为第二层预测模型的输入以训练第二层预测模型,由此,通过层级设置的预测模型(综合采用的多个预测模型的性能)相比单个预测模型的预测准确率更高;再一方面,通过训练集和测试集的划分、训练集的再次划分以多方位训练第一层两个预测模型,从而通过这样的训练方式增加第一层两个预测模型的预测准确率。
在本发明的一些实施例中,上述步骤S120的具体实现可以参见图2,图2示出了根据本发明实施例的训练第一层第一预测模型和第一次第二预测模型的流程图。图2共示出如下步骤:
步骤S121:将所述样本集按预设比例划分为第一训练集X及第一测试集T。
例如,将样本集随机选取L%的样本作为第一训练集X,(100-L)%的样本作为第一测试集T。L优选地大于50小于100。
步骤S122:将所述第一训练集划分为N个第一训练子集,N为大于1的整数。
以样本集包括M个样本为例,第一训练集X中的样本数为L%*M,则每个训练子集中的样本数为L%*M/N。步骤S122也可以采用随机采样的方式进行划分。
步骤S123:基于该N个第一训练子集及对应的出险数据训练第一层第一预测模型,获得N个第一预测集A。
具体而言,步骤S123包括如下步骤:对于每一第一训练子集Xi:利用第一训练子集X1,…Xi-1,Xi+1,…XN,训练第一层第一预测模型获得准第一层第一预测模型Mod1i;将第一训练子集Xi输入准第一层第一预测模型Mod1i获得第一预测集Ai。
步骤S124:将所述第一测试集T输入经训练的所述第一层第一预测模型,获得N个第二预测集B。
具体而言,上述步骤S124包括将第一测试集T分别输入N个准第一层第一预测模型以获得N个第二预测集。
上述步骤S123和步骤S124的实现可以参见图4至图6。以N等于3为例,共三个第一训练子集X1,X2,X3。
对于第一训练子集X1,利用第一训练子集X2,X3,训练第一层第一预测模型获得准第一层第一预测模型Mod11;将第一训练子集X1输入准第一层第一预测模型Mod11获得第一预测集A1。将所述第一测试集T输入经训练的所述准第一层第一预测模型Mod11,获得第二预测集B1。
对于第一训练子集X2,利用第一训练子集X1,X3,训练第一层第一预测模型获得准第一层第一预测模型Mod12;将第一训练子集X1输入准第一层第一预测模型Mod12获得第一预测集A2。将所述第一测试集T输入经训练的所述准第一层第一预测模型Mod12,获得第二预测集B2。
对于第一训练子集X3,利用第一训练子集X1,X2,训练第一层第一预测模型获得准第一层第一预测模型Mod13;将第一训练子集X1输入准第一层第一预测模型Mod13获得第一预测集A3。将所述第一测试集T输入经训练的所述准第一层第一预测模型Mod13,获得第二预测集B3。
以上仅仅是示意性地描述本发明提供的步骤S123和步骤S124的具体执行,本发明并非以此为限制。
步骤S125:基于该N个第一训练子集及对应的出险数据训练第一层第二预测模型,获得N个第三预测集C。
具体而言,所述步骤S125与步骤S123的训练方式类似。所述步骤S125包括:对于每一第一训练子集Xi:利用第一训练子集X1,…Xi-1,Xi+1,…XN,训练第一层第二预测模型获得准第一层第一预测模型Mod2i;将第一训练子集Xi输入准第一层第二预测模型Mod2i获得第三预测集Ci。
步骤S126:将所述第一测试集T输入经训练的所述第一层第二预测模型,获得N个第四预测集D。
具体而言,所述步骤S126可以包括:将第一测试集T分别输入N个准第一层第二预测模型以获得N个第四预测集。
在本发明的各个实施例中,所述第一层第一预测模型可以为极端梯度提升模型(XGBOOST),所述第一层第二预测模型可以为神经网络模型(NN)。极端梯度提升模型(XGBOOST)和神经网络模型(NN)是现有的机器学习模型。本发明的第一层第一预测模型和第一层第二预测模型并非以此为限制。
在本发明的一些实施例中,上述步骤S130的具体实现可以参见图3,图3示出了根据本发明实施例的训练第二层预测模型的流程图。图3共示出如下步骤:
步骤S131:将N个所述第一预测集A和N个所述第三预测集C组成第二训练集P。
步骤S132:将N个所述第二预测集B的均值及N个所述第四预测集D的均值组成第二测试集Q。
步骤S133:根据所述第二训练集P、所述第二测试集Q及对应的出险数据训练第二层预测模型。
具体而言,第二训练集P和对应的出险数据用于训练第二层预测模型中的模型参数,所述第二测试集Q用于测试经训练的第二层预测模型的准确度。
所述第二层预测模型可以是逻辑回归模型。利用损失函数最小化,以对逻辑回归模型进行训练。损失函数为:
其中,m为第二训练集P中样本数量,x(i)为第i个样本,y(i)为该样本对应的出险数据。
以上仅仅是示意性地描述本发明的第二层预测模型的训练方式,本发明并非以此为限制。
上仅仅是本发明提供的一个或多个具体实现方式,本发明并非以为限制。
根据本发明的又一方面,还提供一种驾驶安全风险预测方法,如图7所示,图7示出了根据本发明实施例的驾驶安全风险预测模方法的流程图。本发明提供的驾驶安全风险预测方法采用如上图1至图3所述的驾驶安全风险预测模型训练方法。图7共示出如下步骤:
步骤S210:至少根据待预测车辆的驾驶动态数据、车辆数据、驾驶员数据及环境数据得到待预测车辆的多个特征。
驾驶动态数据、车辆数据、驾驶员数据及环境数据,以及特征的预处理方式和步骤S110中的各数据的类型和采集方式类似,在此不予赘述。
步骤S220:将待预测车辆的多个特征输入经训练的第一层第一预测模型,以获得第一预测值。
步骤S230:将待预测车辆的多个特征输入经训练的第一层第二预测模型,以获得第二预测值。
步骤S240:将所述第一预测值和所述第二预测值输入经训练的第二层预测模型,以获得待预测车辆的风险预测值。
具体而言,风险预测值预测申请保险理赔的概率。根据该风险预测值可以将风险预测划分为安全风险高、安全风险中、安全风险低三类,以便于管理和显示,本发明并非以此为限制。
在本发明提供的驾驶安全风险预测方法中,一方面,通过大数据获得的驾驶动态数据、车辆数据、驾驶员数据、环境数据及出险数据对预测模型及进行训练,以便该预测模型可以对驾驶风险进行预测,从而实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理;另一方面,通过提供两层预测模型,将第一层的两个预测模型的训练输出作为第二层预测模型的输入以训练第二层预测模型,由此,通过层级设置的预测模型(综合采用的多个预测模型的性能)相比单个预测模型的预测准确率更高;再一方面,通过训练集和测试集的划分、训练集的再次划分以多方位训练第一层两个预测模型,从而通过这样的训练方式增加第一层两个预测模型的预测准确率。
根据本发明的又一方面,还提供一种驾驶安全风险预测模型训练装置,图8示出了根据本发明实施例的驾驶安全风险预测模型训练装置的模块图。驾驶安全风险预测模型训练装置300包括样本构建模块310、第一训练模块320及第二训练模块330。
样本构建模块310用于对于M个车辆,获取各车辆的出险数据,并至少根据驾驶动态数据、车辆数据、驾驶员数据及环境数据得到每个车辆的多个特征,将每个车辆的该多个特征作为该车辆的特征向量,所述M个车辆的特征向量形成样本集,M为大于2的整数。
第一训练模块320利用所述样本集及对应的出险数据训练第一层第一预测模型和第一层第二预测模型;
第二训练模块330利用所述样本集训练第一层第一预测模型和第一层第二预测模型时,第一层第一预测模型的输出和第一层第二预测模型的输出及对应的出险数据训练训练第二层预测模型。
在本发明提供的驾驶安全风险预测模型训练装置中,一方面,通过大数据获得的驾驶动态数据、车辆数据、驾驶员数据、环境数据及出险数据对预测模型及进行训练,以便该预测模型可以对驾驶风险进行预测,从而实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理;另一方面,通过提供两层预测模型,将第一层的两个预测模型的训练输出作为第二层预测模型的输入以训练第二层预测模型,由此,通过层级设置的预测模型(综合采用的多个预测模型的性能)相比单个预测模型的预测准确率更高;再一方面,通过训练集和测试集的划分、训练集的再次划分以多方位训练第一层两个预测模型,从而通过这样的训练方式增加第一层两个预测模型的预测准确率。
图8仅仅是示意性的示出本发明提供的驾驶安全风险预测模型训练装置300,在不违背本发明构思的前提下,模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的驾驶安全风险预测模型训练装置300可以由软件、硬件、固件、插件及他们之间的任意组合来实现,本发明并非以此为限。
根据本发明的又一方面,还提供一种驾驶安全风险预测装置,图9示出了根据本发明实施例的驾驶安全风险预测装置的模块图。驾驶安全风险预测装置400包括特征构建模块410、第一预测模块420、第二预测模块430及第三预测模块440。
特征构建模块410用于至少根据待预测车辆的驾驶动态数据、车辆数据、驾驶员数据及环境数据得到待预测车辆的多个特征;
第一预测模块420用于将待预测车辆的多个特征输入经训练的第一层第一预测模型,以获得第一预测值;
第二预测模块430用于将待预测车辆的多个特征输入经训练的第一层第二预测模型,以获得第二预测值;
第三预测模块440将所述第一预测值和所述第二预测值输入经训练的第二层预测模型,以获得待预测车辆的风险预测值。
在本发明提供的驾驶安全风险预测装置中,一方面,通过大数据获得的驾驶动态数据、车辆数据、驾驶员数据、环境数据及出险数据对预测模型及进行训练,以便该预测模型可以对驾驶风险进行预测,从而实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理;另一方面,通过提供两层预测模型,将第一层的两个预测模型的训练输出作为第二层预测模型的输入以训练第二层预测模型,由此,通过层级设置的预测模型(综合采用的多个预测模型的性能)相比单个预测模型的预测准确率更高;再一方面,通过训练集和测试集的划分、训练集的再次划分以多方位训练第一层两个预测模型,从而通过这样的训练方式增加第一层两个预测模型的预测准确率。
图9仅仅是示意性的示出本发明提供的驾驶安全风险预测装置400,在不违背本发明构思的前提下,模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的驾驶安全风险预测装置400可以由软件、硬件、固件、插件及他们之间的任意组合来实现,本发明并非以此为限。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被例如处理器执行时可以实现上述任意一个实施例中所述驾驶安全风险预测模型训练方法和/或驾驶安全风险预测方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述驾驶安全风险预测模型训练方法和/或驾驶安全风险预测方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到租户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本发明的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述驾驶安全风险预测模型训练方法和/或驾驶安全风险预测方法的步骤。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图11来描述根据本发明的这种实施方式的电子设备500。图11显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同***组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述驾驶安全风险预测模型训练方法和/或驾驶安全风险预测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1至图2所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得租户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述驾驶安全风险预测模型训练方法和/或驾驶安全风险预测方法。
相比现有技术,本发明的优势在于:
一方面,通过大数据获得的驾驶动态数据、车辆数据、驾驶员数据、环境数据及出险数据对预测模型及进行训练,以便该预测模型可以对驾驶风险进行预测,从而实现对驾驶员的风控安全把控及优质和非优质驾驶员的有效管理;另一方面,通过提供两层预测模型,将第一层的两个预测模型的训练输出作为第二层预测模型的输入以训练第二层预测模型,由此,通过层级设置的预测模型(综合采用的多个预测模型的性能)相比单个预测模型的预测准确率更高;再一方面,通过训练集和测试集的划分、训练集的再次划分以多方位训练第一层两个预测模型,从而通过这样的训练方式增加第一层两个预测模型的预测准确率。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由所附的权利要求指出。