CN113157817B - 区分驾驶员的方法、装置和计算机设备 - Google Patents

区分驾驶员的方法、装置和计算机设备 Download PDF

Info

Publication number
CN113157817B
CN113157817B CN202110276146.9A CN202110276146A CN113157817B CN 113157817 B CN113157817 B CN 113157817B CN 202110276146 A CN202110276146 A CN 202110276146A CN 113157817 B CN113157817 B CN 113157817B
Authority
CN
China
Prior art keywords
data
track
historical driving
map
driving track
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
Application number
CN202110276146.9A
Other languages
English (en)
Other versions
CN113157817A (zh
Inventor
唐炳武
罗振珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110276146.9A priority Critical patent/CN113157817B/zh
Priority to PCT/CN2021/091711 priority patent/WO2022193416A1/zh
Publication of CN113157817A publication Critical patent/CN113157817A/zh
Application granted granted Critical
Publication of CN113157817B publication Critical patent/CN113157817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及人工智能领域，揭示了区分驾驶员的方法，包括：获取指定车辆对应的历史行驶轨迹数据；将历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；根据轨迹地图形成各历史行驶轨迹数据分别对应的特征数据数组；将各特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；根据分类权重和预设阈值，区分各历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。通过将历史行驶轨迹数据与地图网格进行叠加形成轨迹地图，并计算特征数据数组标注每条历史行驶轨迹数据，根据孪生神经网络模型计算每条历史行驶轨迹数据的特征数据数组之间的相似度，进行区分不同驾驶员的驾驶行为，实现对驾驶员的区分和分类。

Description

区分驾驶员的方法、装置和计算机设备
技术领域
本申请涉及人工智能领域，特别是涉及到区分驾驶员的方法、装置和计算机设备。
背景技术
指定驾驶员与不指定驾驶员的车险保费不同，出险理赔费用也不同。驾驶员对车辆熟悉程度直接影响驾驶行为，投保人是指定驾驶员的出险概率远低于其他临时驾驶员，保费折扣多。但车险保险中，车辆由投保人借给他人驾驶出险后，易发生投保人冒称是本人驾驶出险，而形成出险欺诈索赔的现象，如何有效地判断车险出险中是否为投保人，成为保险公司核赔难题。
发明内容
本申请的主要目的为提供区分驾驶员的方法，旨在解决不能根据行驶轨迹的特征进行驾驶员区分的技术问题。
本申请提出一种区分驾驶员的方法，包括：
获取指定车辆对应的历史行驶轨迹数据；
将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；
根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；
将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；
根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。
优选地，所述将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图的步骤，包括：
将地图根据预设划分方式，划分为地图网格；
获取指定历史行驶轨迹数据中的各轨迹点分别对应的经纬度信息，其中，所述指定历史行驶轨迹数据属于所有历史行驶轨迹数据中的任一条；
根据所述经纬度信息将所述指定历史行驶轨迹数据叠加到所述地图网格中；
根据所述指定历史行驶轨迹数据叠加到所述地图网格中方式，将所有所述历史行驶轨迹数据一一对应叠加至所述地图网格中，形成所述轨迹地图。
优选地，所述特征数据数组包括轨迹特征数据，所述根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：
获取所述指定历史行驶轨迹数据占据的各地图网格区间，以及各地图网格区间分别对应的限速标签；
根据各地图网格区间分别对应的限速标签，统计所述指定历史行驶轨迹数据对应的轨迹特征数据，其中，轨迹特征数据包括慢速驾驶区间比和超速驾驶区间比；
根据所述指定历史行驶轨迹数据对应的轨迹特征数据的统计方式，统计所有历史行驶轨迹数据分别对应的轨迹特征数据。
优选地，所述特征数据数组包括驾驶员驾驶特征数据，所述根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：
获取所述指定历史行驶轨迹数据对应的各轨迹点分别对应的时间数据；
根据所述时间数据计算所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据，其中，所述驾驶员驾驶特征数据包括预设时间区间驾驶数据、驾驶平滑度以及疲劳驾驶数据；
根据所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据的计算方式，计算所有历史行驶轨迹数据分别对应的驾驶员驾驶特征数据。
优选地，所述将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重的步骤之前，包括：
将训练样本输入孪生神经网络模型，通过指定函数映射至高维空间，得到各所述训练样本分别对应的空间向量，其中，所述指定函数为Gw(X)，w表示参数，X表示训练样本；
根据第一计算公式计算具有相同类别标签的第一样本和第二样本对应的第一空间向量距离，以及具有不相同类别标签的第三样本和第四样本对应的第二空间向量距离，其中，所述第一计算公式为Ew(X1,X2)＝||Gw(X1)-Gw(X2)||，X1,X2表示训练样本，Ew(X1,X2)表示空间向量距离；
调整所述指定函数的参数，使所述第一空间向量距离变小，同时所述第二空间向量距离变大；
判断所述第一空间向量距离最小时，所述第二空间向量距离是否同时最大；
若是，则确定所述指定函数的参数为固定参量。
优选地，所述根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤，包括：
将所述分类权重大于或等于所述预设阈值的历史行驶轨迹数据，区分为两个驾驶员分别对应的第一集合和第二集合，将所述分类权重小于所述预设阈值的历史行驶轨迹数据，归并为同一驾驶员对应的集合中；
将集合类型以及各集合类型分别对应的行驶轨迹数据量，分别关联在各地图网格中。
优选地，所述根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤之后，包括：
筛选指定地图网格中数据量最大的指定集合，其中所述指定地图网格为车险出险地点所在网格；
将所述指定集合作为投保人对应的行驶轨迹集合；
判断当前出险的行驶轨迹是否包含于所述投保人对应的行驶轨迹集合中；
若是，则判定为指定驾驶员的出险类型，否则不是。
本申请还提供了一种区分驾驶员的装置，包括：
第一获取模块，用于获取指定车辆对应的历史行驶轨迹数据；
第一形成模块，用于将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；
第二形成模块，用于根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；
第一计算模块，用于将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；
区分模块，用于根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。
本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请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，所述计算机程序被处理器执行时实现上述的方法的步骤。
本申请通过将历史行驶轨迹数据与地图网格进行叠加形成轨迹地图，并根据轨迹地图计算特征数据数组标注每条历史行驶轨迹数据，然后根据孪生神经网络模型计算每条历史行驶轨迹数据的特征数据数组之间的相似度，进行区分不同驾驶员的驾驶行为，实现对驾驶员的区分和分类，实现对行驶轨迹数据和驾驶员的一一对应关联。
附图说明
图1本申请一实施例的区分驾驶员的方法流程示意图；
图2本申请一实施例的区分驾驶员的***流程示意图；
图3本申请一实施例的计算机设备内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例的区分驾驶员的方法，包括：
S1：获取指定车辆对应的历史行驶轨迹数据；
S2：将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；
S3：根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；
S4：将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；
S5：根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。
本申请实施例中，指定车辆对应的历史行驶轨迹数据，通过指定车辆的车主注册的保险APP账号获取，保险APP通过设置奖励或设置保险条件的方式，收集各投保驾驶员的导航轨迹作为历史行驶轨迹数据。上述导航轨迹是以秒为单位的向量集群，包括：时间、经纬度、海拔、方向、速度等行驶数据。本申请的地图网格通过在现有开源的地图数据上通过施加划分算法得到，开源的地图数据包括道路经纬度，道路类型，道路限速等。上述划分算法包括以间隔指定距离划分地图网格的算法，比如间隔10公里或20公里的距离划分地图网格，形成10*10平方公里或20*20平方公里的地图网格；或者根据地图中各行政区域进行划分地图网格的划分算法，比如深圳福田区网格、深圳南山区网格等。通过将历史行驶轨迹数据与地图网格进行叠加，形成分析行驶轨迹特征的数据样本，用于计算历史行驶轨迹数据分别对应的特征数据数组，比如包括但不限于夜间行驶数据、高峰时段行驶数据、驾驶平滑度等。
本申请通过将两条历史行驶轨迹数据分别对应的特征数据数组，输入孪生神经网络模型中，通过孪生神经网络模型中包含的函数计算两条历史行驶轨迹数据的相似度，进而判断该两条历史行驶轨迹数据符合同一个驾驶员的驾驶特征的概率，进而确定指定车辆是否由保险注册的同一驾驶员驾驶。
本申请通过将历史行驶轨迹数据与地图网格进行叠加形成轨迹地图，并根据轨迹地图计算特征数据数组标注每条历史行驶轨迹数据，然后根据孪生神经网络模型计算每条历史行驶轨迹数据的特征数据数组之间的相似度，进行区分不同驾驶员的驾驶行为，实现对驾驶员的区分和分类，实现对行驶轨迹数据和驾驶员的一一对应关联。
进一步地，所述将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图的步骤S2，包括：
S21：将地图根据预设划分方式，划分为地图网格；
S22：获取指定历史行驶轨迹数据中的各轨迹点分别对应的经纬度信息，其中，所述指定历史行驶轨迹数据属于所有历史行驶轨迹数据中的任一条；
S23：根据所述经纬度信息将所述指定历史行驶轨迹数据叠加到所述地图网格中；
S24：根据所述指定历史行驶轨迹数据叠加到所述地图网格中方式，将所有所述历史行驶轨迹数据一一对应叠加至所述地图网格中，形成所述轨迹地图。
本申请实施例中，通过将指定历史行驶轨迹数据根据经纬度数据，叠加到对应网格中，形成历史行驶轨迹数据和地图网格一一对应的轨迹地图，上述轨迹地图展现为地图网格和各历史行驶轨迹数据分别对应的轨迹线的复合。轨迹地图的后台数据表现为历史行驶轨迹数据对应的数据表和地图网格对应的数据表的合并。
进一步地，所述特征数据数组包括轨迹特征数据，所述根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤S3，包括：
S31:获取所述指定历史行驶轨迹数据占据的各地图网格区间，以及各地图网格区间分别对应的限速标签；
S32：根据各地图网格区间分别对应的限速标签，统计所述指定历史行驶轨迹数据对应的轨迹特征数据，其中，轨迹特征数据包括慢速驾驶区间比和超速驾驶区间比；
S33：根据所述指定历史行驶轨迹数据对应的轨迹特征数据的统计方式，统计所有历史行驶轨迹数据分别对应的轨迹特征数据。
本申请实施例中，轨迹特征数据以每个地图网格为计算区间，区间值对应行驶轨迹在该区间内的行驶里程。上述轨迹特征数据包括慢速驾驶区间比和超速驾驶区间比，超速驾驶区间比又细分为超过最高限速区间比、道路类型限速区间比和极端超速驾驶区间比。上述慢速驾驶区间比和超速驾驶区间比等于低于60kph的驾驶记录区间数量占比整条行驶轨迹对应的总区间数量比例；上述最高限速区间比等于车速超过120kph的超速记录区间数量占总区间数量的比例；上述道路类型限速区间比等于车速超过道路类型限速的记录区间数量占总区间数量的比例；上述极端超速驾驶区间比等于极端超速驾驶的记录区间数量占总区间数量的比例，超过限速20％的定义极端超速。
进一步地，所述特征数据数组包括驾驶员驾驶特征数据，所述根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤S3，包括：
S301：获取所述指定历史行驶轨迹数据对应的各轨迹点分别对应的时间数据；
S302：根据所述时间数据计算所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据，其中，所述驾驶员驾驶特征数据包括预设时间区间驾驶数据、驾驶平滑度以及疲劳驾驶数据；
S303：根据所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据的计算方式，计算所有历史行驶轨迹数据分别对应的驾驶员驾驶特征数据。
本申请实施例中，为增加根据驾驶员对应的行驶数据特征区分不同驾驶员的精准性，特征数据数组中不仅包括轨迹特征数据，还包括驾驶员的驾驶特征数据，本申请中特征数据数组为一组8维数据。上述驾驶特征数据通过分析驾驶员的驾驶***滑度以及疲劳驾驶数据等。通过采集行驶轨迹数据的时间数据，获得上述驾驶特征数据。比如晚上11点至凌晨5点驾驶时间，记录标为1表示夜间,标记为0为非夜间，通过统计行驶轨迹中存在夜间驾驶的区间数量，占比当前行驶轨迹的总区间数量，作为夜间驾驶数据；通过统计存在高峰时段驾驶的区间数量，占比当前行驶轨迹的总区间数量，作为高峰期驾驶数据，记录标记为1表示存在高峰期驾驶，否则标记为0表示非高峰期驾驶，上述高峰时段包括工作日的早晚高峰时段；上述驾驶平滑度通过统计当前行驶轨迹中急加速和急减速的次数计算，速度变化超过100kph/10S，即为急加速或急减速事件；上述疲劳驾驶数据通过统计存在疲劳驾驶标记的区间数量，占比当前统计的行驶轨迹的总区间数量得到，连续驾驶2.5小时以上的行程标记为疲劳驾驶。
进一步地，所述将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重的步骤S4之前，包括：
S41：将训练样本输入孪生神经网络模型，通过指定函数映射至高维空间，得到各所述训练样本分别对应的空间向量，其中，所述指定函数为Gw(X)，w表示参数，X表示训练样本；
S42：根据第一计算公式计算具有相同类别标签的第一样本和第二样本对应的第一空间向量距离，以及具有不相同类别标签的第三样本和第四样本对应的第二空间向量距离，其中，所述第一计算公式为Ew(X1,X2)＝||Gw(X1)-Gw(X2)||，X1,X2表示训练样本，Ew(X1,X2)表示空间向量距离；
S43：调整所述指定函数的参数，使所述第一空间向量距离变小，同时所述第二空间向量距离变大；
S44：判断所述第一空间向量距离最小时，所述第二空间向量距离是否同时最大；
S45：若是，则确定所述指定函数的参数为固定参量。
本申请实施例中，通过统计保险APP中的不同驾驶员分别对应的各历史行驶轨迹为训练样本，通过各训练样本分别对应的特征数据数组作为输入数据，训练孪生神经网络中指定函数的参数。上述指定函数用于区分不同特征数据数组的类别，进而区分不同特征数据数组的类别对应的不同驾驶员。上述孪生神经网络包括两个输入以及两个并行设计的网络，根据这两个网络是否共享参数权重，可以分为真假孪生网络，本申请中两个并行设计的网络中的参数相同。孪生神经网络从输入数据中去学习一个相似性度量关系，然后用学习出来的相似性度量关系去比较和匹配新的未知类别的样本。
本申请实施例孪生神经网络中指定函数将输入数据映射到高维空间，形成各输入数据分别对应的空间向量，然后通过计算空间向量的距离，判断两个输入数据的相似度。本申请通过在训练样本上最小化来自相同类别的一对样本的损失函数值，最大化来自不同类别的一堆样本的损失函数值，来确定指定函数中的参数，然后在确定了指定函数中的参数后，通过接收未表述类别标签的输入数据的相似度，得到输入数据的分类信息。
进一步地，所述根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤S5，包括：
S51：将所述分类权重大于或等于所述预设阈值的历史行驶轨迹数据，区分为两个驾驶员分别对应的第一集合和第二集合，将所述分类权重小于所述预设阈值的历史行驶轨迹数据，归并为同一驾驶员对应的集合中；
S52：将集合类型以及各集合类型分别对应的行驶轨迹数据量，分别关联在各地图网格中。
本申请实施例中，通过分类将指定车辆对应的历史行驶轨迹数据进行分类，每一类同一存放于一个集合中，并在地图网格中关联对应的集合类型、集合类型数量以及各集合类型分别对应的行驶轨迹数量，并将含有最大行驶轨迹数量的集合类型对应为保险注册的指定驾驶员。上述孪生神经网络模型的输出值区间为[-1、1]之间的一个值，以输出值的绝对值作为分类权重，预设阈值为0.8，小于0.8认为是同一个驾驶员驾驶指定车辆，否则不是同一个驾驶员驾驶指定车辆的形式轨迹数据。分类权重在小于0.8的基础上，值越小推测为同一个驾驶员的准确概率越高。
本申请实施例中输入的特征数据数组为一组8维的向量，计算两个输入数据的相似度的公式为：其中，/>为相似度值，/>表示第一向量，/>表示第二向量，/>表示第一向量的第i维，/>表示第二向量的第i维。
进一步地，所述根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤S5之后，包括：
S501：筛选指定地图网格中数据量最大的指定集合，其中所述指定地图网格为车险出险地点所在网格；
S502：将所述指定集合作为投保人对应的行驶轨迹集合；
S503：判断当前出险的行驶轨迹是否包含于所述投保人对应的行驶轨迹集合中；
S504：若是，则判定为指定驾驶员的出险类型，否则不是。
本申请实施例中，将含有最大行驶轨迹数量的集合类型对应为保险注册的指定驾驶员，然后通过确定出险地点对应的指定地图网格，以及指定地图网格对应的指定集合作为判断标准，通过比较当前出险的行驶轨迹与指定集合中的特征数据数组的分类权重与预设阈值的关系，判断当前当前出险的行驶轨迹是否包含于所述投保人对应的行驶轨迹集合中，当前出险的行驶轨迹的特征数据数组与指定集合中的特征数据数组的分类权重小于预设阈值，则表明包含于所述投保人对应的行驶轨迹集合中，该当前出险的行驶轨迹为车险保险登记的指定驾驶员的驾驶行为，属于指定驾驶员的出险类型，否则不属于指定驾驶员的出险类型，为出险诈骗。
参照图2，本申请一实施例的区分驾驶员的装置，包括：
第一获取模块1，用于获取指定车辆对应的历史行驶轨迹数据；
第一形成模块2，用于将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；
第二形成模块3，用于根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；
第一计算模块4，用于将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；
区分模块5，用于根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。
本申请实施例的相关解释适用对应方法部分的解释，不赘述。
进一步地，第一形成模块2，包括：
划分单元，用于将地图根据预设划分方式，划分为地图网格；
第一获取单元，用于获取指定历史行驶轨迹数据中的各轨迹点分别对应的经纬度信息，其中，所述指定历史行驶轨迹数据属于所有历史行驶轨迹数据中的任一条；
第一叠加单元，用于根据所述经纬度信息将所述指定历史行驶轨迹数据叠加到所述地图网格中；
第二叠加单元，用于根据所述指定历史行驶轨迹数据叠加到所述地图网格中方式，将所有所述历史行驶轨迹数据一一对应叠加至所述地图网格中，形成所述轨迹地图。
进一步地，所述特征数据数组包括轨迹特征数据，第二形成模块3，包括：
第二获取单元，用于获取所述指定历史行驶轨迹数据占据的各地图网格区间，以及各地图网格区间分别对应的限速标签；
第一统计单元，用于根据各地图网格区间分别对应的限速标签，统计所述指定历史行驶轨迹数据对应的轨迹特征数据，其中，轨迹特征数据包括慢速驾驶区间比和超速驾驶区间比；
第二统计单元，用于根据所述指定历史行驶轨迹数据对应的轨迹特征数据的统计方式，统计所有历史行驶轨迹数据分别对应的轨迹特征数据。
进一步地，所述特征数据数组包括驾驶员驾驶特征数据，第二形成模块3，包括：
第三获取单元，用于获取所述指定历史行驶轨迹数据对应的各轨迹点分别对应的时间数据；
第一计算单元，用于根据所述时间数据计算所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据，其中，所述驾驶员驾驶特征数据包括预设时间区间驾驶数据、驾驶平滑度以及疲劳驾驶数据；
第二计算单元，用于根据所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据的计算方式，计算所有历史行驶轨迹数据分别对应的驾驶员驾驶特征数据。
进一步地，区分驾驶员的装置，包括：
输入模块，用于将训练样本输入孪生神经网络模型，通过指定函数映射至高维空间，得到各所述训练样本分别对应的空间向量，其中，所述指定函数为Gw(X)，w表示参数，X表示训练样本；
第二计算模块，用于根据第一计算公式计算具有相同类别标签的第一样本和第二样本对应的第一空间向量距离，以及具有不相同类别标签的第三样本和第四样本对应的第二空间向量距离，其中，所述第一计算公式为Ew(X1,X2)＝||Gw(X1)-Gw(X2)||，X1,X2表示训练样本，Ew(X1,X2)表示空间向量距离；
调整模块，用于调整所述指定函数的参数，使所述第一空间向量距离变小，同时所述第二空间向量距离变大；
第一判断模块，用于判断所述第一空间向量距离最小时，所述第二空间向量距离是否同时最大；
确定模块，用于若同时最大，则确定所述指定函数的参数为固定参量。
进一步地，区分模块5，包括：
区分单元，用于将所述分类权重大于或等于所述预设阈值的历史行驶轨迹数据，区分为两个驾驶员分别对应的第一集合和第二集合，将所述分类权重小于所述预设阈值的历史行驶轨迹数据，归并为同一驾驶员对应的集合中；
关联单元，用于将集合类型以及各集合类型分别对应的行驶轨迹数据量，分别关联在各地图网格中。
进一步地，区分驾驶员的装置，包括：
筛选模块，用于筛选指定地图网格中数据量最大的指定集合，其中所述指定地图网格为车险出险地点所在网格；
作为模块，用于将所述指定集合作为投保人对应的行驶轨迹集合；
第二判断模块，用于判断当前出险的行驶轨迹是否包含于所述投保人对应的行驶轨迹集合中；
判定模块，用于若包含于所述投保人对应的行驶轨迹集合中，则判定为指定驾驶员的出险类型，否则不是。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储区分驾驶员的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现区分驾驶员的方法。
上述处理器执行上述区分驾驶员的方法，包括：获取指定车辆对应的历史行驶轨迹数据；将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。
上述计算机设备，通过将历史行驶轨迹数据与地图网格进行叠加形成轨迹地图，并根据轨迹地图计算特征数据数组标注每条历史行驶轨迹数据，然后根据孪生神经网络模型计算每条历史行驶轨迹数据的特征数据数组之间的相似度，进行区分不同驾驶员的驾驶行为，实现对驾驶员的区分和分类，实现对行驶轨迹数据和驾驶员的一一对应关联。
在一个实施例中，上述处理器将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图的步骤，包括：将地图根据预设划分方式，划分为地图网格；获取指定历史行驶轨迹数据中的各轨迹点分别对应的经纬度信息，其中，所述指定历史行驶轨迹数据属于所有历史行驶轨迹数据中的任一条；根据所述经纬度信息将所述指定历史行驶轨迹数据叠加到所述地图网格中；根据所述指定历史行驶轨迹数据叠加到所述地图网格中方式，将所有所述历史行驶轨迹数据一一对应叠加至所述地图网格中，形成所述轨迹地图。
在一个实施例中，所述特征数据数组包括轨迹特征数据，上述处理器根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：获取所述指定历史行驶轨迹数据占据的各地图网格区间，以及各地图网格区间分别对应的限速标签；根据各地图网格区间分别对应的限速标签，统计所述指定历史行驶轨迹数据对应的轨迹特征数据，其中，轨迹特征数据包括慢速驾驶区间比和超速驾驶区间比；根据所述指定历史行驶轨迹数据对应的轨迹特征数据的统计方式，统计所有历史行驶轨迹数据分别对应的轨迹特征数据。
在一个实施例中，所述特征数据数组包括驾驶员驾驶特征数据，上述处理器根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：获取所述指定历史行驶轨迹数据对应的各轨迹点分别对应的时间数据；根据所述时间数据计算所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据，其中，所述驾驶员驾驶特征数据包括预设时间区间驾驶数据、驾驶平滑度以及疲劳驾驶数据；根据所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据的计算方式，计算所有历史行驶轨迹数据分别对应的驾驶员驾驶特征数据。
在一个实施例中，上述处理器将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重的步骤之前，包括：将训练样本输入孪生神经网络模型，通过指定函数映射至高维空间，得到各所述训练样本分别对应的空间向量，其中，所述指定函数为Gw(X)，w表示参数，X表示训练样本；根据第一计算公式计算具有相同类别标签的第一样本和第二样本对应的第一空间向量距离，以及具有不相同类别标签的第三样本和第四样本对应的第二空间向量距离，其中，所述第一计算公式为Ew(X1,X2)＝||Gw(X1)-Gw(X2)||，X1,X2表示训练样本，Ew(X1,X2)表示空间向量距离；调整所述指定函数的参数，使所述第一空间向量距离变小，同时所述第二空间向量距离变大；判断所述第一空间向量距离最小时，所述第二空间向量距离是否同时最大；若是，则确定所述指定函数的参数为固定参量。
在一个实施例中，上述处理器根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤，包括：将所述分类权重大于或等于所述预设阈值的历史行驶轨迹数据，区分为两个驾驶员分别对应的第一集合和第二集合，将所述分类权重小于所述预设阈值的历史行驶轨迹数据，归并为同一驾驶员对应的集合中；将集合类型以及各集合类型分别对应的行驶轨迹数据量，分别关联在各地图网格中。
在一个实施例中，上述处理器根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤之后，包括：筛选指定地图网格中数据量最大的指定集合，其中所述指定地图网格为车险出险地点所在网格；将所述指定集合作为投保人对应的行驶轨迹集合；判断当前出险的行驶轨迹是否包含于所述投保人对应的行驶轨迹集合中；若是，则判定为指定驾驶员的出险类型，否则不是。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供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实现区分驾驶员的方法，包括：获取指定车辆对应的历史行驶轨迹数据；将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。
上述计算机可读存储介质，通过将历史行驶轨迹数据与地图网格进行叠加形成轨迹地图，并根据轨迹地图计算特征数据数组标注每条历史行驶轨迹数据，然后根据孪生神经网络模型计算每条历史行驶轨迹数据的特征数据数组之间的相似度，进行区分不同驾驶员的驾驶行为，实现对驾驶员的区分和分类，实现对行驶轨迹数据和驾驶员的一一对应关联。
在一个实施例中，上述处理器将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图的步骤，包括：将地图根据预设划分方式，划分为地图网格；获取指定历史行驶轨迹数据中的各轨迹点分别对应的经纬度信息，其中，所述指定历史行驶轨迹数据属于所有历史行驶轨迹数据中的任一条；根据所述经纬度信息将所述指定历史行驶轨迹数据叠加到所述地图网格中；根据所述指定历史行驶轨迹数据叠加到所述地图网格中方式，将所有所述历史行驶轨迹数据一一对应叠加至所述地图网格中，形成所述轨迹地图。
在一个实施例中，所述特征数据数组包括轨迹特征数据，上述处理器根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：获取所述指定历史行驶轨迹数据占据的各地图网格区间，以及各地图网格区间分别对应的限速标签；根据各地图网格区间分别对应的限速标签，统计所述指定历史行驶轨迹数据对应的轨迹特征数据，其中，轨迹特征数据包括慢速驾驶区间比和超速驾驶区间比；根据所述指定历史行驶轨迹数据对应的轨迹特征数据的统计方式，统计所有历史行驶轨迹数据分别对应的轨迹特征数据。
在一个实施例中，所述特征数据数组包括驾驶员驾驶特征数据，上述处理器根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：获取所述指定历史行驶轨迹数据对应的各轨迹点分别对应的时间数据；根据所述时间数据计算所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据，其中，所述驾驶员驾驶特征数据包括预设时间区间驾驶数据、驾驶平滑度以及疲劳驾驶数据；根据所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据的计算方式，计算所有历史行驶轨迹数据分别对应的驾驶员驾驶特征数据。
在一个实施例中，上述处理器将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重的步骤之前，包括：将训练样本输入孪生神经网络模型，通过指定函数映射至高维空间，得到各所述训练样本分别对应的空间向量，其中，所述指定函数为Gw(X)，w表示参数，X表示训练样本；根据第一计算公式计算具有相同类别标签的第一样本和第二样本对应的第一空间向量距离，以及具有不相同类别标签的第三样本和第四样本对应的第二空间向量距离，其中，所述第一计算公式为Ew(X1,X2)＝||Gw(X1)-Gw(X2)||，X1,X2表示训练样本，Ew(X1,X2)表示空间向量距离；调整所述指定函数的参数，使所述第一空间向量距离变小，同时所述第二空间向量距离变大；判断所述第一空间向量距离最小时，所述第二空间向量距离是否同时最大；若是，则确定所述指定函数的参数为固定参量。
在一个实施例中，上述处理器根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤，包括：将所述分类权重大于或等于所述预设阈值的历史行驶轨迹数据，区分为两个驾驶员分别对应的第一集合和第二集合，将所述分类权重小于所述预设阈值的历史行驶轨迹数据，归并为同一驾驶员对应的集合中；将集合类型以及各集合类型分别对应的行驶轨迹数据量，分别关联在各地图网格中。
在一个实施例中，上述处理器根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤之后，包括：筛选指定地图网格中数据量最大的指定集合，其中所述指定地图网格为车险出险地点所在网格；将所述指定集合作为投保人对应的行驶轨迹集合；判断当前出险的行驶轨迹是否包含于所述投保人对应的行驶轨迹集合中；若是，则判定为指定驾驶员的出险类型，否则不是。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种区分驾驶员的方法，其特征在于，包括：
获取指定车辆对应的历史行驶轨迹数据；其中，所述指定车辆对应的历史行驶轨迹数据，通过指定车辆的车主注册的保险APP账号获取，保险APP通过设置奖励或设置保险条件的方式，收集各投保驾驶员的导航轨迹作为历史行驶轨迹数据；
将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；
根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；
将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；
根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹；
所述根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤之后，包括：
筛选指定地图网格中数据量最大的指定集合，其中所述指定地图网格为车险出险地点所在网格；
将所述指定集合作为投保人对应的行驶轨迹集合；
判断当前出险的行驶轨迹是否包含于所述投保人对应的行驶轨迹集合中；
若是，则判定为指定驾驶员的出险类型，否则不是；
其中，若当前出险的行驶轨迹的特征数据数组与指定集合中的特征数据数组的分类权重小于预设阈值，则表明包含于所述投保人对应的行驶轨迹集合中，该当前出险的行驶轨迹为车险保险登记的指定驾驶员的驾驶行为，属于指定驾驶员的出险类型，否则不属于指定驾驶员的出险类型，为出险诈骗；
所述将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图的步骤，包括：
将地图根据预设划分方式，划分为地图网格；
获取指定历史行驶轨迹数据中的各轨迹点分别对应的经纬度信息，其中，所述指定历史行驶轨迹数据属于所有历史行驶轨迹数据中的任一条；
根据所述经纬度信息将所述指定历史行驶轨迹数据叠加到所述地图网格中；
根据所述指定历史行驶轨迹数据叠加到所述地图网格中方式，将所有所述历史行驶轨迹数据一一对应叠加至所述地图网格中，形成所述轨迹地图；
所述根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹的步骤，包括：
将所述分类权重大于或等于所述预设阈值的历史行驶轨迹数据，区分为两个驾驶员分别对应的第一集合和第二集合，将所述分类权重小于所述预设阈值的历史行驶轨迹数据，归并为同一驾驶员对应的集合中；
将集合类型以及各集合类型分别对应的行驶轨迹数据量，分别关联在各地图网格中。
2.根据权利要求1所述的区分驾驶员的方法，其特征在于，所述特征数据数组包括轨迹特征数据，所述根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：
获取所述指定历史行驶轨迹数据占据的各地图网格区间，以及各地图网格区间分别对应的限速标签；
根据各地图网格区间分别对应的限速标签，统计所述指定历史行驶轨迹数据对应的轨迹特征数据，其中，轨迹特征数据包括慢速驾驶区间比和超速驾驶区间比；
根据所述指定历史行驶轨迹数据对应的轨迹特征数据的统计方式，统计所有历史行驶轨迹数据分别对应的轨迹特征数据。
3.根据权利要求1所述的区分驾驶员的方法，其特征在于，所述特征数据数组包括驾驶员驾驶特征数据，所述根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组的步骤，包括：
获取所述指定历史行驶轨迹数据对应的各轨迹点分别对应的时间数据；
根据所述时间数据计算所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据，其中，所述驾驶员驾驶特征数据包括预设时间区间驾驶数据、驾驶平滑度以及疲劳驾驶数据；
根据所述指定历史行驶轨迹数据对应的驾驶员驾驶特征数据的计算方式，计算所有历史行驶轨迹数据分别对应的驾驶员驾驶特征数据。
4.根据权利要求1所述的区分驾驶员的方法，其特征在于，所述将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重的步骤之前，包括：
将训练样本输入孪生神经网络模型，通过指定函数映射至高维空间，得到各所述训练样本分别对应的空间向量，其中，所述指定函数为Gw(X)，w表示参数，X表示训练样本；
根据第一计算公式计算具有相同类别标签的第一样本和第二样本对应的第一空间向量距离，以及具有不相同类别标签的第三样本和第四样本对应的第二空间向量距离，其中，所述第一计算公式为Ew(X1,X2)＝||Gw(X1)-Gw(X2)||，X1,X2表示训练样本，Ew(X1,X2)表示空间向量距离；
调整所述指定函数的参数，使所述第一空间向量距离变小，同时所述第二空间向量距离变大；
判断所述第一空间向量距离最小时，所述第二空间向量距离是否同时最大；
若是，则确定所述指定函数的参数为固定参量。
5.一种区分驾驶员的装置，所述区分驾驶员的装置用于执行根据权利要求1-4中任一项所述的区分驾驶员的方法，其特征在于，包括：
第一获取模块，用于获取指定车辆对应的历史行驶轨迹数据；
第一形成模块，用于将所述历史行驶轨迹数据匹配至地图网格中，形成轨迹地图；
第二形成模块，用于根据所述轨迹地图形成各所述历史行驶轨迹数据分别对应的特征数据数组；
第一计算模块，用于将各所述特征数据数组输入孪生神经网络模型，两两计算特征数据数组之间的分类权重；
区分模块，用于根据分类权重和预设阈值，区分各所述历史行驶轨迹数据中为同一驾驶员驾驶时对应的指定行驶轨迹。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一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实现权利要求1至4中任一项所述的方法的步骤。
CN202110276146.9A 2021-03-15 2021-03-15 区分驾驶员的方法、装置和计算机设备 Active CN113157817B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110276146.9A CN113157817B (zh) 2021-03-15 2021-03-15 区分驾驶员的方法、装置和计算机设备
PCT/CN2021/091711 WO2022193416A1 (zh) 2021-03-15 2021-04-30 区分驾驶员的方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110276146.9A CN113157817B (zh) 2021-03-15 2021-03-15 区分驾驶员的方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN113157817A CN113157817A (zh) 2021-07-23
CN113157817B true CN113157817B (zh) 2024-05-10

Family

ID=76887126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110276146.9A Active CN113157817B (zh) 2021-03-15 2021-03-15 区分驾驶员的方法、装置和计算机设备

Country Status (2)

Country Link
CN (1) CN113157817B (zh)
WO (1) WO2022193416A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421572A (zh) * 2023-10-30 2024-01-19 北京九栖科技有限责任公司 一种基于通信数据的网约车司机号码识别方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106314438A (zh) * 2016-08-15 2017-01-11 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***
CN110443185A (zh) * 2019-07-31 2019-11-12 京东城市(北京)数字科技有限公司 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质
CN110889444A (zh) * 2019-11-22 2020-03-17 南京邮电大学 一种基于卷积神经网络的驾驶轨迹特征分类方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9898759B2 (en) * 2014-03-28 2018-02-20 Joseph Khoury Methods and systems for collecting driving information and classifying drivers and self-driving systems
US11244254B2 (en) * 2014-12-31 2022-02-08 The City And County Of San Francisco Application-based commercial ground transportation clearinghouse system
DE102016210029A1 (de) * 2016-06-07 2017-12-07 Robert Bosch Gmbh Verfahren Vorrichtung und System zur Falschfahrererkennung
CN107784046B (zh) * 2016-11-14 2021-05-04 平安科技（深圳）有限公司 Poi信息处理方法和装置
US11106969B2 (en) * 2017-01-19 2021-08-31 International Business Machines Corporation Method and apparatus for driver identification leveraging telematics data
CN111247565B (zh) * 2017-09-06 2022-06-03 瑞士再保险有限公司 用于移动远程信息处理装置的电子日志记录和跟踪检测***及其对应方法
CN109145982A (zh) * 2018-08-17 2019-01-04 上海汽车集团股份有限公司 驾驶员的身份识别方法及装置、存储介质、终端
US11577734B2 (en) * 2018-12-20 2023-02-14 Nauto, Inc. System and method for analysis of driver behavior
US10820166B1 (en) * 2019-12-04 2020-10-27 Toyota Connected North America, Inc. Systems and methods for obtaining location intelligence
CN112417273B (zh) * 2020-11-17 2022-04-19 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106314438A (zh) * 2016-08-15 2017-01-11 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***
CN110443185A (zh) * 2019-07-31 2019-11-12 京东城市(北京)数字科技有限公司 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质
CN110889444A (zh) * 2019-11-22 2020-03-17 南京邮电大学 一种基于卷积神经网络的驾驶轨迹特征分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Driver Identification and Verification From Smartphone Accelerometers Using Deep Neural Networks;Sara Hernández Sánchez et al;《IEEE》;第97-108页 *
Galina Malykhina et al.Application of Siamese Neural Networks for the Type of Emergency Determination.《CSIS'2019: Proceedings of the XI International Scientific Conference Communicative Strategies of the Information Society》.2019,第1-5页. *

Also Published As

Publication number Publication date
WO2022193416A1 (zh) 2022-09-22
CN113157817A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
US20190308619A1 (en) Method and system for estimating an accident risk of an autonomous vehicle
CN110268454B (zh) 确定车辆的定制安全速度
Lee et al. Stochastic modeling for studies of real-world PHEV usage: Driving schedule and daily temporal distributions
CN104331953B (zh) 一种基于物联网技术的汽车行为数据识别与管理方法
Jiang et al. Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks
CN107784587A (zh) 一种驾驶行为评价***
CN107784251A (zh) 基于图像识别技术对驾驶行为评价的方法
CN108877213B (zh) 交通事故的识别方法及***
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
CN110490275A (zh) 一种基于迁移学习的驾驶行为预测方法
CN113157817B (zh) 区分驾驶员的方法、装置和计算机设备
Wang et al. Vehicle reidentification with self-adaptive time windows for real-time travel time estimation
EP3859459A1 (en) A computer implemented machine learning system and a method for operating the machine learning system for determining a time series
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
Jia et al. A microscopic model of vehicle co₂ emissions based on deep learning—A spatiotemporal analysis of taxicabs in Wuhan, China
CN108268678A (zh) 驾驶行为分析方法、装置及***
CN114407661B (zh) 基于数据驱动的电动车能耗预测方法、***、设备及介质
Zong et al. Understanding taxi drivers’ multi-day cruising patterns
Milardo et al. An unsupervised approach for driving behavior analysis of professional truck drivers
CN116665342B (zh) 新能源汽车驾驶行为分析方法、***及设备
CN116308763B (zh) 基于卷积自编码器的车贷贷后风险预测方法及***
CN113723529B (zh) 一种基于速度预测算法的交通信息可信辨识方法
CN114565049A (zh) 一种电动汽车瞬时耗能估计方法及装置
Shahrokhi Data-Driven Traffic Forecasting for Completed Vehicle Simulation:: A Case Study with Volvo Test Trucks
Seraj The Classification of Short and Long-term Driving Behavior for an Advanced Driver Assistance System by Analyzing Bidirectional Driving Features

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