CN112319489B - 驾驶行为监测方法、监测***、服务器和存储介质 - Google Patents

Abstract

本发明提出了一种驾驶行为监测方法、驾驶行为监测***、服务器和计算机可读存储介质。其中，驾驶行为监测方法包括：获取车辆历史行驶数据和历史驾驶工况；根据车辆历史行驶数据和历史驾驶工况，处理得到标签等级；根据标签等级对循环神经网络***进行训练，以生成数据模型；获取车辆当前行驶数据和当前驾驶工况；根据数据模型对车辆当前行驶数据和当前驾驶工况处理，输出当前驾驶标签等级。本发明可监控驾驶员的驾驶行为，进而提示司机对驾驶行为作为调整，同时给出优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

Description

驾驶行为监测方法、监测***、服务器和存储介质

技术领域

本发明涉及驾驶技术领域，具体而言，涉及一种驾驶行为监测方法、驾驶行为监测***、服务器和计算机可读存储介质。

背景技术

相关技术中，驾驶员在工作过程中，无法技术了解到自己的驾驶行为是否安全隐患，也无法及时了解到车辆的工作状况。对于矿用车辆这类工程车辆来说，存在极大的安全隐患。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一方面在于提出了一种驾驶行为监测方法。

本发明的第二方面在于提出了一种驾驶行为监测***。

本发明的第三方面在于提出了一种服务器。

本发明的第四方面在于提出了一种计算机可读存储介质。

有鉴于此，根据本发明的第一方面，提出了一种驾驶行为监测方法，包括：获取车辆历史行驶数据和历史驾驶工况；根据车辆历史行驶数据和历史驾驶工况，处理得到标签等级；根据标签等级对循环神经网络***进行训练，以生成数据模型；获取车辆当前行驶数据和当前驾驶工况；根据数据模型对车辆当前行驶数据和当前驾驶工况处理，输出当前驾驶标签等级。

本发明提出的驾驶行为监测方法，首先获取车辆历史行驶数据和历史驾驶工况，并对车辆历史行驶数据和历史驾驶工况进行处理，得到标签等级；而后，根据得到的标签等级对循环神经网络***进行训练，进而生成可用于监测驾驶行为的数据模型。在已经生成数据模型的情况下，获取车辆当前行驶数据和当前驾驶工况，并将车辆当前行驶数据和当前驾驶工况输入到数据模型中，使得数据模型对车辆当前行驶数据和当前驾驶工况处理，即可得到当前驾驶标签等级，以判断车辆的当前状况。

具体地，在应用驾驶行为监测方法对驾驶行为进行检测的过程中，获取车辆当前行驶数据和当前驾驶工况，将得到的车辆当前行驶数据和当前驾驶工况数据输入到数据模型内；由于数据模型本身就是基于车辆历史行驶数据和历史驾驶工况训练得到的，这使得数据模型在接收到车辆当前行驶数据和当前驾驶工况后，即可得到车辆的当前驾驶标签等级，使得司机通过当前驾驶标签等级及时了解车辆的当前状态，并根据车辆的当前状态对自己的驾驶行为做出调整，保证安全驾驶。也即，本发明提出的驾驶行为监测方法可为驾驶员提供优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

特别地，该驾驶行为监测方法可应用于矿区工程车辆，并且可利用矿区工程车辆的整车通信总线实施，对矿区驾驶员的驾驶行为进行实时检测，一方面保证了矿区的施工安全，另一方面提升了矿区的生产效率。并且，基于矿区工程车辆的整车通信总线实施，保证了相关信息的私密性，避免了信息泄漏的风险。

另外，根据本发明提供的上述技术方案中的驾驶行为监测方法，还可以具有如下附加技术特征：

在上述技术方案中，进一步地，根据车辆历史行驶数据和历史驾驶工况，处理得到标签等级，具体包括：基于历史驾驶工况，在规定时间内通过车辆历史行驶数据的实际驾驶里程和总油耗，计算产出比；根据产出比定义标签等级。

在该技术方案中，将得到的车辆历史行驶数据和历史驾驶工况进行处理，使历史行驶数据在相应的驾驶工况下，在规定的时间内计算产出比。具体地，可采用公式R＝L/N计算产出比。其中，R表示产出比，L表示驾驶里程、N表示总油耗。在规定时间内产出R越高，则表示在单位油耗内驾驶的里程越长。其中，规定的时间可以是一天或一天内的某个时间段，规定时间可以通过人为设定，具体为一天或一天中的某个时间段，在此不作限定。

特别地，不同驾驶工况下产出比R是不同的。本发明计算相同驾驶工况下的产出比R，进而在相同条件下以驾驶里程对司机驾驶行为进行标签等级区分，使建立的数据模型更加准确。

在上述技术方案中，进一步地，根据产出比定义标签等级，具体包括：根据产出比划分出多个等级区间，对等级区间定义标签等级。

在该技术方案中，在计算规定时间内实际驾驶里程和总油耗的过程中，可得到多个产出比。因此，本发明将产出比划分出多个等级区间，每一个等级区间内包括了一个或多个产出比的具体计算值。本发明对多个等级区间分别定义标签等级，使得在同一等级区间内的产出比具有相同的标签等级。如此设计，在实际应用过程中，可极大程度上降低驾驶行为监测方法的复杂程度，并对多个产出比进行分区处理，进而使得用户更加直观地获知当前驾驶状况。

在上述技术方案中，进一步地，基于历史驾驶工况，在规定时间内通过车辆历史行驶数据的实际驾驶里程和总油耗，计算产出比步骤之前，还包括：根据车辆历史行驶数据确定实际驾驶路径，根据实际驾驶路径确定驾驶工况。

在该技术方案中，在通过车辆历史行驶数据的实际驾驶里程和总油耗计算产出比之前，首先根据车辆历史行驶数据确定实际驾驶路径，并根据实际驾驶路径确定驾驶工况。特别地，不同的驾驶工况对产出比的影响较大。例如，车辆在马路行驶时的产出比要明显大于在山路行驶时的产出比。因为，本发明首先确定驾驶工况，而后结合驾驶工况来计算产出比，可有效提升产出比的计算精确性，进而对驾驶员的驾驶行为进行精准的检测。

在上述任一技术方案中，进一步地，根据标签等级对循环神经网络***进行训练，以生成数据模型步骤之前，还包括：对标签等级进行卷积处理。

在该技术方案中，在根据标签等级对循环神经网络***进行训练之前，对处理得到的标签等级进行卷积处理。也即，本发明是根据卷积处理后的标签等级对循环神经网络***进行训练，以生成数据模型。通过卷积计算，使非结构化的海量数据简单化，能够更好的训练循环神经网络***。

在上述任一技术方案中，进一步地，驾驶行为监测方法还包括：发送当前驾驶标签等级至终端，以用于提示驾驶员调整驾驶行为。

在该技术方案中，在已经得到当前驾驶标签等级后，将当前驾驶标签等级发送到发到终端，并使得驾驶员可通过终端获知车辆的当前驾驶标签，进而使得驾驶员及时了解到车辆的当前状态，并且了解到自己的加湿行为是否规范，同时可根据实际情况调整驾驶行为，保证驾驶安全。

在上述任一技术方案中，进一步地，驾驶行为包括以下至少一种：驾驶车速、发动机转速、档位、扭矩。

在该技术方案中，驾驶行为包括但不局限于以下几种：驾驶车速、发动机转速、档位、扭矩。上述驾驶行为均可对车辆的形式状态进行调整，特别是可调整车辆的当前驾驶标签等级。因此，当驾驶员通过终端获知当前驾驶标签等级后，可对上述任意一个或几个驾驶行为进行调整，起到规范驾驶行为的目的，保证安全驾驶

根据本发明的第二方面，提出了一种驾驶行为监测***，包括：数据采集装置，数据采集装置配置为采集数据；存储器，存储器储存有计算机程序；处理器，与存储器、数据采集装置连接，处理器执行计算机程序时执行第一方面提出的驾驶行为监测方法。

本发明提出的驾驶行为监测***，包括数据采集装置、存储器和处理器。其中，数据采集装置配置为采集数据，具体可采集车辆历史行驶数据和历史驾驶工况；存储器储存有计算机程序，处理器执行该计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法，进而监控司机的驾驶行为，使得司机及时了解自己车辆的当前状态，进而提示司机对自己的驾驶行为作为调整，同时给出优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

此外，由于处理器执行存储在存储器的计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法。因此，该驾驶行为监测***具有如上述驾驶行为监测方法的全部有益效果，在此不再一一论述。

根据本发明的第三方面，提出了一种服务器，其包括：通信组件，配置为接收摄像装置采集的图像；存储器，储存有计算机程序；处理器，与存储器、通信组件连接，处理器执行计算机程序时执行第一方面提出的驾驶行为监测方法。

本发明提出的服务器，包括通信组件、存储器和处理器。其中，存储器储存有计算机程序，处理器执行该计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法，进而监控司机的驾驶行为，使得司机及时了解自己车辆的当前状态，进而提示司机对自己的驾驶行为作为调整，同时给出优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

此外，由于处理器执行存储在存储器的计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法。因此，该驾驶行为监测***具有如上述驾驶行为监测方法的全部有益效果，在此不再一一论述。

根据本发明的第四方面，提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时执行第一方面提出的一种驾驶行为监测方法。

本发明提出的服务器，包括通信组件、存储器和处理器。其中，存储器储存有计算机程序，处理器执行该计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法，进而监控司机的驾驶行为，使得司机及时了解自己车辆的当前状态，进而提示司机对自己的驾驶行为作为调整，同时给出优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

此外，由于处理器执行存储在存储器的计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法。因此，该驾驶行为监测***具有如上述驾驶行为监测方法的全部有益效果，在此不再一一论述。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1示出了本发明一个实施例的驾驶行为监测方法流程示意图；

图2示出了本发明又一个实施例的驾驶行为监测方法流程示意图；

图3示出了本发明一个实施例的驾驶行为监测装置的结构框图；

图4示出了本发明一个具体实施例的驾驶行为监测方法流程示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。

下面参照图1至图4描述根据本发明一些实施例的驾驶行为监测方法、烹饪器具、驾驶行为监测***、服务器和计算即可读存储介质。

图1示出了本发明第一方面第一个实施例的驾驶行为监测方法，如图1所示，该驾驶行为监测方法包括：

步骤102，获取车辆历史行驶数据和历史驾驶工况；

步骤104，根据车辆历史行驶数据和历史驾驶工况，处理得到标签等级；

步骤106，根据标签等级对循环神经网络***进行训练，以生成数据模型；

步骤108，获取车辆当前行驶数据和当前驾驶工况；

步骤110，根据数据模型对车辆当前行驶数据和当前驾驶工况处理，输出当前驾驶标签等级。

本实施例提出的驾驶行为监测方法，首先获取车辆历史行驶数据和历史驾驶工况，并对车辆历史行驶数据和历史驾驶工况进行处理，得到标签等级；而后，根据得到的标签等级对循环神经网络***进行训练，进而生成可用于监测驾驶行为的数据模型。在已经生成数据模型的情况下，获取车辆当前行驶数据和当前驾驶工况，并将车辆当前行驶数据和当前驾驶工况输入到数据模型中，使得数据模型对车辆当前行驶数据和当前驾驶工况处理，即可得到当前驾驶标签等级，以判断车辆的当前状况。

具体地，在应用驾驶行为监测方法对司机的驾驶行为进行检测的过程中，获取车辆当前行驶数据和当前驾驶工况，将得到的车辆当前行驶数据和当前驾驶工况数据输入到数据模型内；由于数据模型本身就是基于车辆历史行驶数据和历史驾驶工况训练得到的，这使得数据模型在接收到车辆当前行驶数据和当前驾驶工况后，即可得到车辆的当前驾驶标签等级，使得司机通过当前驾驶标签等级及时了解车辆的当前状态，并根据车辆的当前状态对自己的驾驶行为做出调整，保证安全驾驶。也即，本发明提出的驾驶行为监测方法可为驾驶员提供优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

特别地，该驾驶行为监测方法可应用于矿区工程车辆，并且可利用矿区工程车辆的整车通信总线实施，对矿区驾驶员的驾驶行为进行实时检测，一方面保证了矿区的施工安全，另一方面提升了矿区的生产效率。并且，基于矿区工程车辆的整车通信总线实施，保证了相关信息的私密性，避免了信息泄漏的风险。

在上述实施例中，进一步地，根据车辆历史行驶数据和历史驾驶工况，处理得到标签等级，具体包括：基于历史驾驶工况，在规定时间内通过车辆历史行驶数据的实际驾驶里程和总油耗，计算产出比；根据产出比定义标签等级。

本实施例将得到的车辆历史行驶数据和历史驾驶工况进行处理，使历史行驶数据在相应的驾驶工况下，在规定的时间内计算产出比。具体地，可采用公式R＝L/N计算产出比。其中，R表示产出比，L表示驾驶里程、N表示总油耗。在规定时间内产出R越高，则表示在单位油耗内驾驶的里程越长。其中，规定的时间可以是一天或一天内的某个时间段，规定时间可以通过人为设定，具体为一天或一天中的某个时间段，在此不作限定通过车辆的实际驾驶里程和总油耗。

特别地，不同驾驶工况下产出比R是不同的。本发明计算相同驾驶工况下的产出比R，进而在相同条件下以驾驶里程对司机驾驶行为进行标签等级区分，使建立的数据模型更加准确。

在上述实施例中，进一步地，根据产出比定义标签等级，具体包括：根据产出比划分出多个等级区间，对等级区间定义标签等级。

本实施例在计算规定时间内实际驾驶里程和总油耗的过程中，可得到多个产出比。因此，本申请将产出比划分出多个等级区间，每一个等级区间内包括了一个或多个产出比的具体计算值。本申请对多个等级区间分别定义标签等级，使得在同一等级区间内的产出比具有相同的标签等级。如此设计，在实际应用过程中，可极大程度上降低驾驶行为监测方法的复杂程度，并对多个产出比进行分区处理，进而使得用户更加直观地获知当前驾驶状况。

在上述实施例中，进一步地，基于历史驾驶工况，在规定时间内通过车辆历史行驶数据的实际驾驶里程和总油耗，计算产出比步骤之前，还包括：根据车辆历史行驶数据确定实际驾驶路径，根据实际驾驶路径确定驾驶工况。

本实施例在通过车辆历史行驶数据的实际驾驶里程和总油耗计算产出比之前，首先根据车辆历史行驶数据确定实际驾驶路径，并根据实际驾驶路径确定驾驶工况。特别地，不同的驾驶工况对产出比的影响较大。例如，车辆在马路行驶时的产出比要明显大于在山路行驶时的产出比。因为，本发明首先确定驾驶工况，而后结合驾驶工况来计算产出比，可有效提升产出比的计算精确性，进而对驾驶员的驾驶行为进行精准的检测。

图2示出了本发明第一方面第二个实施例的驾驶行为监测方法，如图2所示，该驾驶行为监测方法包括：

步骤202，获取车辆历史行驶数据和历史驾驶工况；

步骤204，根据车辆历史行驶数据和历史驾驶工况，处理得到标签等级；

步骤206，对标签等级进行卷积处理；

步骤208，根据标签等级对循环神经网络***进行训练，以生成数据模型；

步骤210，获取车辆当前行驶数据和当前驾驶工况；

步骤212，根据数据模型对车辆当前行驶数据和当前驾驶工况处理，输出当前驾驶标签等级。

本实施例提出的驾驶行为监测方法，首先获取车辆历史行驶数据和历史驾驶工况，并对车辆历史行驶数据和历史驾驶工况进行处理，得到标签等级，并对对标签等级进行卷积处理；而后，根据卷积处理后的标签等级对循环神经网络***进行训练，进而生成可用于监测驾驶行为的数据模型。在已经生成数据模型的情况下，获取车辆当前行驶数据和当前驾驶工况，并将车辆当前行驶数据和当前驾驶工况输入到数据模型中，使得数据模型对车辆当前行驶数据和当前驾驶工况处理，即可得到当前驾驶标签等级，以判断车辆的当前驾驶标签等级。

特别地，与实施例一相比较，本实施例在根据标签等级对循环神经网络***进行训练之前，对处理得到的标签等级进行卷积处理。也即，本发明是根据卷积处理后的标签等级对循环神经网络***进行训练，以生成数据模型。通过卷积计算，使非结构化的海量数据简单化，能够更好的训练循环神经网络***。

此外，本实施例提出的驾驶行为监测方法，具有如实施例一的驾驶行为监测方法的全部有益效果，在此不再重复论述。

在实施例一和实施例二的基础上，进一步地，在根据数据模型对车辆当前行驶数据和当前驾驶工况处理，输出当前驾驶标签等级的步骤之后，驾驶行为监测方法还包括：发送当前驾驶标签等级至终端，以用于提示驾驶员调整驾驶行为。

也即，本实施例在已经得到当前驾驶标签等级后，将当前驾驶标签等级发送到发到终端，并使得驾驶员可通过终端获知车辆的当前驾驶标签，进而使得驾驶员及时了解到车辆的当前状态，并且了解到自己的加湿行为是否规范，同时可根据实际情况调整驾驶行为，保证驾驶安全。

具体地，驾驶行为包括但不局限于以下几种：驾驶车速、发动机转速、档位、扭矩。上述驾驶行为均可对车辆的形式状态进行调整，特别是可调整车辆的当前驾驶标签等级。因此，当驾驶员通过终端获知当前驾驶标签等级后，可对上述任意一个或几个驾驶行为进行调整，起到规范驾驶行为的目的，保证安全驾驶

图3示出了本发明第二方面的驾驶行为监测***300的结构框图，如图3所示，该驾驶行为监测***300包括：数据采集装置302、存储器304和处理器306。其中，数据采集装置302被配置为采集数据；存储器304储存有计算机程序；处理器306与存储器304、数据采集装置302连接，处理器306执行计算机程序时执行上述任一实施颗粒的驾驶行为监测方法。

本发明提出的驾驶行为监测***300，包括数据采集装置302、存储器304和处理器306。其中，数据采集装置302配置为采集数据，具体可采集车辆历史行驶数据和历史驾驶工况；存储器304储存有计算机程序，处理器306执行该计算机程序时，可执行如上述任一实施例的驾驶行为监测方法，进而监控司机的驾驶行为，使得司机及时了解自己车辆的当前状态，进而提示司机对自己的驾驶行为作为调整，同时给出优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

此外，由于处理器306执行存储在存储器304的计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法。因此，该驾驶行为监测***300具有如上述驾驶行为监测方法的全部有益效果，在此不再一一论述。

具体地，处理器306被配置为：基于历史驾驶工况，在规定时间内通过车辆历史行驶数据的实际驾驶里程和总油耗，计算产出比；根据产出比定义标签等级

具体地，处理器306被配置为：根据产出比划分出多个等级区间，对等级区间定义标签等级。

具体地，处理器306被配置为：根据车辆历史行驶数据确定实际驾驶路径，根据实际驾驶路径确定驾驶工况。

具体地，处理器306被配置为：对标签等级进行卷积处理。

具体地，处理器306被配置为：发送当前驾驶标签等级至终端，以用于提示驾驶员调整驾驶行为。

本发明第三方面提供了一种服务器的结构框图，包括：通信组件、存储器和处理器。其中，通信组件配置为接收摄像装置采集的图像；存储器，储存有计算机程序；处理器与存储器、通信组件连接，处理器执行计算机程序时执行上述任一实施例的驾驶行为监测方法。

本实施例提出的服务器，包括通信组件、存储器和处理器。其中，存储器储存有计算机程序，处理器执行该计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法，进而监控司机的驾驶行为，使得司机及时了解自己车辆的当前状态，进而提示司机对自己的驾驶行为作为调整，同时给出优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

此外，由于处理器执行存储在存储器的计算机程序时，可执行如上述任一实施例的驾驶行为监测方法。因此，该驾驶行为监测***具有如上述驾驶行为监测方法的全部有益效果，在此不再一一论述。

本发明的第四方面提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时执行第一方面提出的一种驾驶行为监测方法。

本实施例提出的服务器，包括通信组件、存储器和处理器。其中，存储器储存有计算机程序，处理器执行该计算机程序时，可执行如上述任一技术方案的驾驶行为监测方法，进而监控司机的驾驶行为，使得司机及时了解自己车辆的当前状态，进而提示司机对自己的驾驶行为作为调整，同时给出优劣建议，起到规范驾驶行为的目的，保证安全驾驶。

此外，由于处理器执行存储在存储器的计算机程序时，可执行如上述任一实施例的驾驶行为监测方法。因此，该驾驶行为监测***具有如上述驾驶行为监测方法的全部有益效果，在此不再一一论述。

图4示出了本发明一个具体实施例的驾驶行为监测方法，如图4所示，该驾驶行为监测方法包括：

步骤402，在规定时间内，用实际驾驶里程除以总油耗得到产出比，并将产出比定义为标签等级；

步骤404，根据标签等级对循环神经网络***进行训练；

步骤406，输出数据模型；

步骤408，数据模型的部署与应用；

步骤410，根据车辆当前行驶数据和当前驾驶工况，得到当前驾驶标签等级；

步骤412，根据当前驾驶标签等级判断当前驾驶模式是否良好，若判断结果为是，执行步骤414，否则执行步骤416；

步骤414，保持当前驾驶模式；

步骤416，调整驾驶模式。

本实施例提出的驾驶行为监测方法，首先在规定时间内，用实际驾驶里程除以总油耗得到产出比，并将产出比定义为标签等级。具体地，可用一天内实际驾驶总里程除以总油耗得到产出比，并将产出比作为标签等级；而后，根据标签等级对循环神经网络***进行训练，以输出数据模型；而后，部署和应用输出的数据模型；根据当前驾驶标签等级判断当前驾驶模式是否良好。具体地，可以根据一分钟内车辆行驶数据和驾驶工况预测当前驾驶模式，并判断当前驾驶模式是否良好；若当前驾驶模式良好，则不需要对驾驶模式进行调整，保证当前驾驶模式即可；若当前驾驶模式不佳，则需要对驾驶模式进行调整。具体地，可通过调整驾驶行为来调整驾驶模式，驾驶行为包括但不限于：驾驶车速、发动机转速、档位、扭矩等。

具体地，本发明提出的驾驶行为监测方法可应用于矿用车辆，并利用矿用车辆的整车CAN总线数据，识别不同的驾驶行为，根据驾驶行为来预测产出比。

具体地，以矿用车辆为例对本发明提出的驾驶行为监测方法进一步解释，但本发明提出的驾驶行为监测方法可应用于任何车辆。

在数据处理方面，利用物联网技术，采集矿用车辆的实时数据，通过云平台进行存储和计算；在模型训练方面，利用循环神经网络进行一维卷积数据训练，根据产出比定义标签等级；在产出比预测及数据展示方面，应用训练好的数据模型对驾驶员的驾驶行为进行预测，将预测结果通过车辆终端和手机终端实时显示，提示驾驶员及时纠正不良驾驶习惯。

具体地，云平台内有大量的车辆历史行驶数据，本申请可基于存储在云平台的车辆历史行驶数据获取到车辆的实际驾驶路径，并根据实际驾驶路径确定车辆的驾驶工况，找到规定时间内的实际驾驶里程和总油耗，进而计算出产出比并定义为标签等级。此外，根据产出比划分出多个等级区间，对等级区间定义标签等级。其中，可定义为11个等级区间，并将中间一个等级区间作为中位数，其余为5个正等级区间，5个负等级区间。本发明根据海量数据，自动对驾驶员行为进行分类，根据用户实际工作中遇到的痛点，定义多种工况的目标函数。并且，本发明可保证用户隐私不受侵犯。此外，本发明也可以应用基于K-means算法的机器学习聚类方法来实现。

在本说明书的描述中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性，除非另有明确的规定和限定；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”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一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种驾驶行为监测方法，其特征在于，包括：

获取车辆历史行驶数据和历史驾驶工况；

根据所述车辆历史行驶数据和所述历史驾驶工况，处理得到标签等级；

根据所述标签等级对循环神经网络***进行训练，以生成数据模型；

获取车辆当前行驶数据和当前驾驶工况；

根据所述数据模型对所述车辆当前行驶数据和所述当前驾驶工况处理，输出当前驾驶标签等级；

根据所述车辆历史行驶数据和所述历史驾驶工况，处理得到标签等级，具体包括：

基于历史驾驶工况，在规定时间内通过所述车辆历史行驶数据的实际驾驶里程和总油耗，计算产出比；

根据所述产出比定义标签等级；

所述根据所述标签等级对循环神经网络***进行训练，以生成数据模型步骤之前，还包括：

对所述标签等级进行卷积处理。

2.根据权利要求1所述的驾驶行为监测方法，其特征在于，所述根据所述产出比定义标签等级，具体包括：

根据所述产出比划分出多个等级区间，对所述等级区间定义标签等级。

3.根据权利要求1所述的驾驶行为监测方法，其特征在于，所述基于历史驾驶工况，在规定时间内通过所述车辆历史行驶数据的实际驾驶里程和总油耗，计算产出比步骤之前，还包括：

根据所述车辆历史行驶数据确定实际驾驶路径，根据所述实际驾驶路径确定所述驾驶工况。

4.根据权利要求1至3中任一项所述的驾驶行为监测方法，其特征在于，还包括：

发送所述当前驾驶标签等级至终端，以用于提示驾驶员调整驾驶行为。

5.根据权利要求4所述的驾驶行为监测方法，其特征在于，所述驾驶行为包括以下至少一种：驾驶车速、发动机转速、档位、扭矩。

6.一种驾驶行为监测***，其特征在于，包括：

数据采集装置，所述数据采集装置配置为采集数据；

存储器，所述存储器储存有计算机程序；

处理器，与所述存储器、所述数据采集装置连接，所述处理器执行所述计算机程序时执行如权利要求1至5中任一项所述的驾驶行为监测方法。

7.一种服务器，其特征在于，包括：

通信组件，所述通信组件配置为发送和接收数据；

存储器，所述存储器储存有计算机程序；

处理器，与所述存储器、所述通信组件连接，所述处理器执行所述计算机程序时执行如权利要求1至5中任一项所述的驾驶行为监测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1至5中任一项所述的驾驶行为监测方法。

Images