CN114119256A - 一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法 - Google Patents
一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法 Download PDFInfo
- Publication number
- CN114119256A CN114119256A CN202111326613.0A CN202111326613A CN114119256A CN 114119256 A CN114119256 A CN 114119256A CN 202111326613 A CN202111326613 A CN 202111326613A CN 114119256 A CN114119256 A CN 114119256A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- drivers
- driver
- acceleration
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种UBI危险化学品车辆驾驶行为采集分析***及保费折扣方法。***包括设于危险化学品运输车辆上的车载终端和风险监测平台,车载终端包括车辆驾驶行为采集模块和驾驶员驾驶行为采集模块,风险监测平台包括数据存储模块,数据提取模块,数据可视化模块,数据分析模块;保费折扣方法根据驾驶员分类提供对应保费折扣。与现有技术相比,本发明通过分析车辆驾驶行为和驾驶员驾驶行为数据采用机器学***和提高危险化学品运输车辆交通安全性的目的。
Description
技术领域
本发明涉及汽车监控管理技术领域,尤其是涉及一种UBI危险化学品车辆驾驶行为采集分析***及保费折扣方法。
背景技术
UBI(Usage Based Insurance)车险是根据驾驶行为和驾驶里程确定的车险费用,相对传统车险,驾驶***合理,另一方面,UBI也鼓励驾驶人安全驾驶,有助于提高交通安全性,是未来的趋势。然而,现有UBI车险多关注私家车,或称轻型乘用车,对于危险化学品运输车辆的关注较少。
危险化学品运输车辆事故具有救援、救治难度大和后果严重的特点,且危险化学品事故在生产、经营、运输、储存、使用、废弃各个环节都有可能发生,其中,运输环节的事故最多,达到总事故数的41%,因此如何确保危险化学品运输车辆的行车安全性显得极其重要。
然而,传统UBI车险驾驶者分类***通常采用统计模型,基于固定的指标阈值相对静态地对驾驶者分类,分类周期也比较长,随着计算机算力的增长和数据分析技术的进步,需要一种数据驱动的,基于驾驶行为数据自适应地将驾驶者分类的UBI车险方案。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种UBI危险化学品车辆驾驶行为采集分析***及保费折扣方法。
本发明的目的可以通过以下技术方案来实现:
一种UBI危险化学品车辆驾驶行为采集分析***,包括设于危险化学品运输车辆上的车载终端和风险监测平台;
所述车载终端包括:
车辆驾驶行为采集模块,用于采集危险化学品运输车辆的驾驶行为,包括车辆位置、车速加速度车道偏离报警次数、前向及侧向与其他车辆间距报警次数;
驾驶员驾驶行为采集模块,用于采集危险化学品运输车辆的驾驶员的驾驶行为,包括驾驶员身份信息、疲劳报警次数、手持接打电话报警次数和抽烟报警次数;
所述风险监测平台包括:
数据存储模块,用于存储车载终端所采集的历史数据;
数据提取模块,用于提取数据存储模块所存储的数据;
数据可视化模块,用于展示提取的数据,并回放、核实驾驶员状态报警视频和可视化其他数据;
数据分析模块,用于对提取的数据进行预处理,识别不良驾驶行为,将驾驶员分类,根据分类输出相应的保费折扣,并将处理的保费结果在数据可视化模块中展示。
所述车辆驾驶行为采集模块包括用以获取车辆位置和车速的高频GPS定位仪,用以获取加速度的九轴加速度传感器,以及用以获取车道偏离报警次数和前向及侧向与其他车辆间距过近报警次数的辅助驾驶设备。
所述驾驶员驾驶行为采集模块包括驾驶员状态监控设备。
一种UBI危险化学品车辆的保费折扣方法,采用如上所述的UBI危险化学品车辆驾驶行为采集分析***,该方法包括如下步骤:
基于车载终端的车辆驾驶行为采集模块实时采集车辆位置、车速、加速度、车道偏离报警次数,以及前向及侧向与其他车辆间距过近报警次数数据,同时基于驾驶员驾驶行为采集模块实时采集驾驶员身份信息、疲劳报警次数、手持接打电话报警次数和抽烟报警次数数据;
将采集到的各项数据输出至风险监测平台的数据存储模块存储、记录;
风险监测平台的数据提取模块将数据存储模块中的数据进行提取,并输出至数据分析模块;
数据分析模块将接收到的数据进行预处理,识别不良驾驶行为,并将驾驶员采用中心聚类算法分为不同安全等级的驾驶员;根据分类结果输出保费折扣信息;
对每位驾驶员,保费折扣通过每百公里行驶里程更新一次。
进一步地,数据分析模块将接收到的数据进行预处理,识别不良驾驶行为,并将驾驶员采用中心聚类算法分为安全驾驶类驾驶员、较安全类驾驶员、风险较小类驾驶员和风险较大类驾驶员四类。
进一步地,对风险较大类驾驶员不生成折扣信息,对风险较小类驾驶员生成九五折折扣信息,对较安全类驾驶员生成九折折扣信息,对安全驾驶类驾驶员生成八五折折扣信息。
进一步地,高频GPS定位仪获取第一数据表,该第一数据表的表头从左到右依次为车辆编号、时间戳、经度和纬度;九轴加速度传感器获取第二数据表,该第二数据表的表头从左到右依次为车辆编号、时间戳、x向加速度、y向加速度、z向加速度、x向角速度、y向角速度、z向角速度、x向磁场强度、y向磁场强度和z向磁场强度;辅助驾驶设备获取第三数据表,该第三数据表的表头从左到右依次为车辆编号、时间戳、报警类别和备注;所述驾驶员状态监控设备获取第四数据表,表头从左到右依次为车辆编号、驾驶员编号、时间戳、报警类别和备注。
进一步地,所述数据存储模块保存所述第一数据表、第二数据表、第三数据表和第四数据表,所述数据提取模块将数据存储模块存储的数据提取出来,对于九轴加速度仪获取的第二数据表提取车辆编号、时间戳、x向加速度、y向加速度和z向加速度五列作为加速度数据表,对于第一数据表、加速度数据表、第三数据表和第四数据表,以车辆编号和时间戳为主键汇总到一个表中并传输至数据分析模块,以采样频率最低的数据表为准,舍弃多余数据。
进一步地,所述数据分析模块对车辆位置、速度和加速度数据进行预处理,并对预处理后的车辆位置、速度和加速度数据,识别超速次数、路线外行驶次数、急加速急减速次数和频繁变道次数;将得到的各次数数据和采集到的其他数据利用中心聚类算法聚成四类,即安全驾驶类驾驶员、较安全类驾驶员、风险较小类驾驶员和风险较大类驾驶员。
进一步地,将驾驶员编号、驾驶员累计行驶距离、路线外行驶次数、超速次数、急加速急减速次数、频繁变道次数、车道偏离报警次数、前向及侧向与其他车辆间距过近报警次数、疲劳报警次数、手持接打电话报警次数和抽烟报警次数形成一个新表,按每百公里分段送入中心聚类算法中心聚类算法聚成四类,即安全驾驶类驾驶员、较安全类驾驶员、风险较小类驾驶员和风险较大类驾驶员。
相较于现有技术,本发明至少包括如下有益效果:
1)本发明通过设置在危险化学品运输车辆上的车载终端采集危险化学品运输车辆驾驶行为和驾驶员驾驶行为数据;利用数据分析驾驶员驾驶模式,将驾驶员分类,根据驾驶员分类给予不同驾驶员不同保费折扣,实现保费合理公平和提高危险化学品运输车辆交通安全性的目的;
2)本发明在分类驾驶员时采用了机器学习中的中心聚类算法,相较于传统的统计方法计算时间短,且本发明基于驾驶行为数据自适应地将驾驶者分类,相较于固定的指标阈值相对静态地对驾驶者分类更符合实际驾驶运行情况,更为准确、合理;
3)本发明保费折扣方法,通过对驾驶行为进行分类,将驾驶员分为不同类型,有助有识别优质客户和劣质客户,对不同客户实现不同的保险管理;本发明根据分类结果生成折扣信息发送给驾驶员,在不同客户进行保险管理时,可以根据折扣信息给予优质驾驶员一定的优惠,鼓励优质驾驶员保持良好的驾驶行为,对于劣质客户则无优惠,从而规范劣质客户的驾驶行为,实现保险产品的相对公平与合理,降低优质驾驶员的车辆保险成本;此外,通过本发明方法还可以倡导驾驶员绿色出行、文明驾驶,从而降低出险事故率,提高行车的安全性。
附图说明
图1为实施例中UBI危险化学品车辆驾驶行为采集分析***的结构框图;
图2为实施例中UBI危险化学品车辆的保费折扣方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明涉及一种UBI危险化学品车辆驾驶行为采集分析***,该***包括车载终端和风险监测平台。车载终端和风险监测平台均设置在危险化学品运输车辆上。
车载终端包括车辆驾驶行为采集模块和驾驶员驾驶行为采集模块。
车辆驾驶行为采集模块包括高频GPS定位仪,九轴加速度传感器和驾驶辅助设备(ADAS);
车辆驾驶行为采集模块用于采集危险化学品运输车辆的驾驶行为,包括车辆位置(经纬度),车速,加速度,车道偏离报警次数,前向及侧向与其他车辆间距过近报警次数等,其中车辆位置,车速由高频GPS定位仪获得,加速度由九轴加速度传感器获得,车道偏离报警次数,前向及侧向与其他车辆间距过近报警次数由辅助驾驶设备获得。
驾驶员驾驶行为采集模块包括主要为驾驶员状态监控设备(DSM);
驾驶员驾驶行为采集模块用于采集危险化学品运输车辆驾驶员的驾驶行为,包括驾驶员身份信息,疲劳报警次数,手持接打电话报警次数,抽烟报警次数等。
风险监测平台包括数据存储模块,数据提取模块,数据可视化模块和数据分析模块。
数据存储模块与车载终端连接,用于存储该终端采集的历史数据;
数据提取模块与数据存储模块连接,用于提取数据存储模块所存储的数据;
数据可视化模块,与数据提取模块连接,用于展示提取的数据;也可在需要时可由数据可视化模块回放、核实驾驶员状态报警视频和可视化其他数据。
数据分析模块,与数据可视化模块连接,用于对提取的数据进行预处理,识别不良驾驶行为,将驾驶员分类,根据分类输出相应的保费折扣,并将处理的保费结果在数据可视化模块中展示。
为了达到上述目的,参见图2,本发明还提供了一种UBI危险化学品车辆的保费折扣方法,该方法采用上述UBI危险化学品车辆驾驶行为采集分析***,具体包括以下步骤:
S1:由危险化学品运输车辆的车载终端的车辆驾驶行为采集模块实时采集车辆位置、车速、加速度、车道偏离报警次数、前向及侧向与其他车辆间距过近报警次数数据,由驾驶员驾驶行为采集模块实时采集驾驶员身份信息、疲劳报警次数、手持接打电话报警次数和抽烟报警次数数据。
S2:将采集到的各项车辆驾驶行为数据以及驾驶员驾驶行为数据输出到风险监测平台的数据存储模块存储记录。
S3:分析时,由风险监测平台的数据提取模块将数据存储模块中的数据提取出来,输出给数据分析模块。
S4:数据分析模块将接收到的数据预处理,识别不良驾驶行为,并将驾驶员分类,根据分类输出保费折扣;具体步骤包括:
S41:对车辆位置、速度、加速度数据预处理,即将接收到的位置、速度、加速度数据剔除异常值,并进行插值、滤波;具体地:
S411、给定GPS和加速度两相邻点差值阈值,将差值大于阈值的视为异常值删除;
S412、按时间遍历GPS和加速度数据,找出缺失值的位置段,用缺失段的前一个值和后一个值线性插值补齐缺失值;
S413、将补缺值后的数据序列输入卡尔曼滤波得到预处理后的位置、速度和加速度数据;
S42:对预处理后的位置、速度和加速度数据,识别超速次数、路线外行驶次数、急加速急减速次数和频繁变道次数;
进一步地,本步骤中识别风险驾驶行为的具体过程为:给定基准距离,在规定路线外的行驶距离除以基准距离得到路线外行驶次数,不满基准距离的记为一次;超速,急加速急减速同理,给定基准距离,超出道路限速行驶距离除以基准距离得到超速次数,只是基准距离与路线外行驶不同;给定基准距离,加速度绝对值超出给定加速度阈值的行驶距离除以基准距离得到急加速急减速次数;频繁变道与上述不同,给定基准距离,在一次变道后未行驶满基准距离就进行变道记为一次频繁变道。
S43:将S43中得到的数据和采集到的其他数据用中心聚类算法聚成四类,即安全驾驶类驾驶员、较安全类驾驶员、风险较小类驾驶员和风险较大类驾驶员;
S44、对各类驾驶员输出对应保费折扣。
S5:对每位驾驶员,保费折扣每百公里行驶里程更新一次。
可选地,在需要时可由数据可视化模块回放、核实驾驶员状态报警视频和可视化其他数据。
为了更清楚地对本发明上述方法进行说明,以下结合具体实施例进一步说明:
步骤1:由高频GPS定位仪获取数据表,表头从左到右依次为车辆编号、时间戳、经度、纬度。由九轴加速度仪获取数据表,表头从左到右依次为车辆编号、时间戳、x向加速度、y向加速度、z向加速度、x向角速度、y向角速度、z向角速度、x向磁场强度、y向磁场强度、z向磁场强度。由辅助驾驶设备获取数据表,表头从左到右依次为车辆编号、时间戳、报警类别(车道偏离报警,前向及侧向与其他车辆间距过近报警)、备注。由驾驶员状态监控设备获取数据表,表头从左到右依次为车辆编号、驾驶员编号、时间戳、报警类别(疲劳报警,手持接打电话报警,抽烟报警)、备注。
步骤2:将步骤1采集到的数据传输给风险监测平台,由风险监测平台的数据存储模块保存原始数据。
步骤3:由风险监测平台的数据提取模块将步骤2存储的数据提取出来,其中九轴加速度仪的数据表只提取车辆编号、时间戳、x向加速度、y向加速度、z向加速度五列,将GPS数据表、加速度数据表、车辆报警数据表、驾驶员报警数据表以车辆编号和时间戳为主键(key)汇总到一个表中传输给数据分析模块,以采样频率最低的数据表为准,舍弃多余数据。
步骤4:接收由数据提取模块传输过来的数据汇总表,提取车辆编号、时间戳、经度、纬度四列数据,遍历数据计算两行之间距离,距离大于23米的点标记为“异常点”,对于一个真实异常点,会标出其自身,其前一个点和其后一个点,将连续点“异常点”除了首尾两个点的经度,纬度两列全赋空值;然后遍历找出空值,用空值段前一个点和后一个点线性插值获取空值的经度,纬度;然后用卡尔曼滤波算法将这四列数据滤波。
具体的滤波步骤为初始化卡尔曼滤波器,设置初始状态(初始误差协方差矩阵和协方差矩阵),目标位置预测(将初始状态和状态转移矩阵代入状态预测方程得到当前运动状态的预测值,将初始误差协方差矩阵,协方差矩阵,状态转移矩阵代入误差协方差的预测方程,得到误差协方差的预测值),目标位置匹配(在目标预测位置范围内)利用目标的位置特征来搜索目标。如果在搜索范围内只有一个目标,则该目标就是要跟踪的目标。如果在搜索范围内找到多个目标,则通过目标模板匹配距离的最小值来确定哪一个是要跟踪的目标),滤波器参数更新(利用卡尔曼增益方程求出卡尔曼增益),并将目标坐标作为观测值代入状态修正方程,得到修正后的状态向量,同时按照协方差修正方程来修正误差协方差矩阵。
重复上述步骤得到滤波后的车辆编号、时间戳、经度、纬度四列数据,再由经纬度得到驾驶员编号的累计行驶距离,路线外行驶距离和车速,将路线外行驶距离除以500米,向上取整获得路线外行驶次数,由车速获得超速行驶距离,将超速行驶距离除以500米获得超速次数;对三轴加速度数据,纵向加速度大于0.5g,小于-0.5g视为急加速急减速,将急加速急减速行驶距离除以5m向上取整获得急加速急减速次数;横向加速度变化幅值超过0.2g视为一次变道,50米内第二次变道记为一次频繁变道,第三次记为两次频繁变道,以此类推;
将驾驶员编号、驾驶员累计行驶距离、路线外行驶次数、超速次数、急加速急减速次数、频繁变道次数、车道偏离报警次数、前向及侧向与其他车辆间距过近报警次数、疲劳报警次数、手持接打电话报警次数、抽烟报警次数形成一个新表,按每百公里分段送入中心聚类算法,中心聚类算法将驾驶者聚成四类,记路线外行驶次数为x1、超速次数为x2、急加速急减速次数为x3、频繁变道次数为x4、车道偏离报警次数为x5、前向及侧向与其他车辆间距过近报警次数为x6、疲劳报警次数为x7、手持接打电话报警次数为x8、抽烟报警次数为x9,如数据示意表所示,对聚类得到的四类分别计算:
其中:表示类中驾驶员平均危险驾驶次数,xij表示类中的第i名驾驶员第j种危险驾驶行为次数,j表示第j种危险驾驶行为次数,i表示类中的第i名驾驶员,n表示该类中共有n名驾驶员,例如表1中的数据示意表中,聚出的四类n分别为3,2,2,3;
表1聚类计算数据示意表
本发明中,n可以由算法自动获取,也可以人为统计。测试的危险化学品车辆可以相同也可以不同,数据按驾驶员编号整理,同一辆车由不同驾驶员驾驶,数据会统计到不同驾驶员身上,不同驾驶员驾驶不同车辆也是统计到不同驾驶员身上,同一驾驶员驾驶不同车辆,只要安装了前述硬件设备,也会累计到这名驾驶员身上。
具体的中心聚类算法步骤为(1)首先随机选取四个聚类的初始中心,(2)对于每一个样本点,求它到这四个中心的欧式距离,将样本标记为其距离最近的中心的类别,标记结束后,将聚类中心更新为它所属类别样本点的均值,重复(2)(3),max_iter次。
以开源的编程语言python为例,聚类部分的代码可以为:
from sklearn.cluster import KMeans
km=KMeans(n_clusters=4,max_iter=300)
label=km.fit_predict(data)
其中,data为前述驾驶员编号与x1到x9按百公里形成的数据表,n_cluster为需要的类数,固定为4,max_iter为需要的迭代次数,可以设置为300,若需要更高的精度,可以填入更大的值,但是相应的计算时间也会增加,若计算时间过长,可以填入更小的值,具体的值根据需要的精度,算力和可以承受的计算时间综合确定。
根据分类后的风险情况生成保费折扣信息发送给危险品运输车辆的驾驶员。作为其中一种优选实施方式,保费可对风险较大类驾驶员无折扣,对风险较小类驾驶员九五折,对较安全类驾驶员九折,对安全驾驶类驾驶员八五折。
步骤5:每百公里更新一次保费折扣。
本发明通过设置在危险化学品运输车辆上的车载终端采集危险化学品运输车辆驾驶行为和驾驶员驾驶行为数据;利用数据分析驾驶员驾驶模式,将驾驶员分类,根据驾驶员分类给予不同驾驶员不同保费折扣,实现保费合理公平和提高危险化学品运输车辆交通安全性的目的。在分类驾驶员时采用了机器学习中的中心聚类算法,相较于传统的统计方法计算时间短,且本发明基于驾驶行为数据自适应地将驾驶者分类,相较于固定的指标阈值相对静态地对驾驶者分类更符合实际驾驶运行情况,更为准确、合理。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种UBI危险化学品车辆驾驶行为采集分析***,其特征在于,包括设于危险化学品运输车辆上的车载终端和风险监测平台;
所述车载终端包括:
车辆驾驶行为采集模块,用于采集危险化学品运输车辆的驾驶行为,包括车辆位置、车速加速度车道偏离报警次数、前向及侧向与其他车辆间距报警次数;
驾驶员驾驶行为采集模块,用于采集危险化学品运输车辆的驾驶员的驾驶行为,包括驾驶员身份信息、疲劳报警次数、手持接打电话报警次数和抽烟报警次数;
所述风险监测平台包括:
数据存储模块,用于存储车载终端所采集的历史数据;
数据提取模块,用于提取数据存储模块所存储的数据;
数据可视化模块,用于展示提取的数据,并回放、核实驾驶员状态报警视频和可视化其他数据;
数据分析模块,用于对提取的数据进行预处理,识别不良驾驶行为,将驾驶员分类,根据分类输出相应的保费折扣,并将处理的保费结果在数据可视化模块中展示。
2.根据权利要求1所述的UBI危险化学品车辆驾驶行为采集分析***,其特征在于,所述车辆驾驶行为采集模块包括用以获取车辆位置和车速的高频GPS定位仪,用以获取加速度的九轴加速度传感器,以及用以获取车道偏离报警次数和前向及侧向与其他车辆间距过近报警次数的辅助驾驶设备。
3.根据权利要求1所述的UBI危险化学品车辆驾驶行为采集分析***,其特征在于,所述驾驶员驾驶行为采集模块包括驾驶员状态监控设备。
4.一种UBI危险化学品车辆的保费折扣方法,采用如权利要求1至3任一项所述的UBI危险化学品车辆驾驶行为采集分析***,其特征在于,包括下列步骤:
基于车载终端的车辆驾驶行为采集模块实时采集车辆位置、车速、加速度、车道偏离报警次数,以及前向及侧向与其他车辆间距过近报警次数数据,同时基于驾驶员驾驶行为采集模块实时采集驾驶员身份信息、疲劳报警次数、手持接打电话报警次数和抽烟报警次数数据;
将采集到的各项数据输出至风险监测平台的数据存储模块存储、记录;
风险监测平台的数据提取模块将数据存储模块中的数据进行提取,并输出至数据分析模块;
数据分析模块将接收到的数据进行预处理,识别不良驾驶行为,并将驾驶员采用中心聚类算法分为不同安全等级的驾驶员;根据分类结果输出保费折扣信息;
对每位驾驶员,保费折扣通过每百公里行驶里程更新一次。
5.根据权利要求4所述的UBI危险化学品车辆的保费折扣方法,其特征在于,数据分析模块将接收到的数据进行预处理,识别不良驾驶行为,并将驾驶员采用中心聚类算法分为安全驾驶类驾驶员、较安全类驾驶员、风险较小类驾驶员和风险较大类驾驶员四类。
6.根据权利要求5所述的UBI危险化学品车辆的保费折扣方法,其特征在于,对风险较大类驾驶员不生成折扣信息,对风险较小类驾驶员生成九五折折扣信息,对较安全类驾驶员生成九折折扣信息,对安全驾驶类驾驶员生成八五折折扣信息。
7.根据权利要求4所述的UBI危险化学品车辆的保费折扣方法,其特征在于,高频GPS定位仪获取第一数据表,该第一数据表的表头从左到右依次为车辆编号、时间戳、经度和纬度;九轴加速度传感器获取第二数据表,该第二数据表的表头从左到右依次为车辆编号、时间戳、x向加速度、y向加速度、z向加速度、x向角速度、y向角速度、z向角速度、x向磁场强度、y向磁场强度和z向磁场强度;辅助驾驶设备获取第三数据表,该第三数据表的表头从左到右依次为车辆编号、时间戳、报警类别和备注;所述驾驶员状态监控设备获取第四数据表,表头从左到右依次为车辆编号、驾驶员编号、时间戳、报警类别和备注。
8.根据权利要求7所述的UBI危险化学品车辆的保费折扣方法,其特征在于,所述数据存储模块保存所述第一数据表、第二数据表、第三数据表和第四数据表,所述数据提取模块将数据存储模块存储的数据提取出来,对于九轴加速度仪获取的第二数据表提取车辆编号、时间戳、x向加速度、y向加速度和z向加速度五列作为加速度数据表,对于第一数据表、加速度数据表、第三数据表和第四数据表,以车辆编号和时间戳为主键汇总到一个表中并传输至数据分析模块,以采样频率最低的数据表为准,舍弃多余数据。
9.根据权利要求8所述的UBI危险化学品车辆的保费折扣方法,其特征在于,所述数据分析模块对车辆位置、速度和加速度数据进行预处理,并对预处理后的车辆位置、速度和加速度数据,识别超速次数、路线外行驶次数、急加速急减速次数和频繁变道次数;将得到的各次数数据和采集到的其他数据利用中心聚类算法聚成四类,即安全驾驶类驾驶员、较安全类驾驶员、风险较小类驾驶员和风险较大类驾驶员。
10.根据权利要求9所述的UBI危险化学品车辆的保费折扣方法,其特征在于,将驾驶员编号、驾驶员累计行驶距离、路线外行驶次数、超速次数、急加速急减速次数、频繁变道次数、车道偏离报警次数、前向及侧向与其他车辆间距过近报警次数、疲劳报警次数、手持接打电话报警次数和抽烟报警次数形成一个新表,按每百公里分段送入中心聚类算法中心聚类算法聚成四类,即安全驾驶类驾驶员、较安全类驾驶员、风险较小类驾驶员和风险较大类驾驶员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326613.0A CN114119256A (zh) | 2021-11-10 | 2021-11-10 | 一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326613.0A CN114119256A (zh) | 2021-11-10 | 2021-11-10 | 一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119256A true CN114119256A (zh) | 2022-03-01 |
Family
ID=80378076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111326613.0A Pending CN114119256A (zh) | 2021-11-10 | 2021-11-10 | 一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119256A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115297146A (zh) * | 2022-08-04 | 2022-11-04 | 上海移为通信技术股份有限公司 | 驾驶行为的监控装置、驾驶行为的评估和保费的确定方法 |
-
2021
- 2021-11-10 CN CN202111326613.0A patent/CN114119256A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115297146A (zh) * | 2022-08-04 | 2022-11-04 | 上海移为通信技术股份有限公司 | 驾驶行为的监控装置、驾驶行为的评估和保费的确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brombacher et al. | Driving event detection and driving style classification using artificial neural networks | |
EP3578433A1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
EP2710572B1 (en) | Vehicle data analysis method and vehicle data analysis system | |
KR20140031435A (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
CN111452799A (zh) | 驾驶行为评价方法及*** | |
CN110276954A (zh) | 基于北斗定位***的车辆行驶行为综合评分方法 | |
CN114999181B (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
Wu et al. | Abnormal driving behavior detection for bus based on the Bayesian classifier | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法 | |
CN115965235A (zh) | 一种公交城市公交事故风险因素分析方法 | |
CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
CN115205086A (zh) | 移动轨迹大数据驱动的异常轨迹检测方法、***和电子设备 | |
CN115688003A (zh) | 驾驶员识别方法、装置、计算机设备及可读存储介质 | |
CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
CN113505955A (zh) | 一种基于tsp***的用户驾驶行为评分方法 | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
CN111798091B (zh) | 一种基于变道持续时间的高速公路变道评分模型建立方法 | |
CN115527076A (zh) | 一种营运车辆异常驾驶行为识别模型的构建方法及*** | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及*** | |
Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data |
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 |