CN115743143A

CN115743143A - 基于车联网的车辆行驶情况分析方法及***

Info

Publication number: CN115743143A
Application number: CN202211460519.9A
Authority: CN
Inventors: 张育松; 张超英
Original assignee: Chery New Energy Automobile Co Ltd
Current assignee: Chery New Energy Automobile Co Ltd
Priority date: 2022-11-17
Filing date: 2022-11-17
Publication date: 2023-03-07

Abstract

本发明公开了基于车联网的车辆行驶情况分析方法，包括：响应于车辆行驶情况分析请求指令，获取待评估车辆历史行驶数据；根据待评估车辆历史行驶数据，计算出待评估车辆若干个指标的指标值；所述若干个指标，包括：平均车速、超速次数、超速百分比、急减速次数、急加速次数和怠速百分比；通过预先设置的权重，对待评估车辆若干个指标的指标值进行加权求和，输出驾驶行为分数，根据驾驶行为分数，输出车辆行驶情况分析结果。

Description

基于车联网的车辆行驶情况分析方法及***

技术领域

本发明涉及汽车数据分析技术领域，特别是涉及基于车联网的车辆行驶情况分析方法及***。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

实时监测和评估驾驶员的驾驶行为和驾驶状态，并及时提醒驾驶员改变驾驶习惯，避免交通事故的发生。对于车队管理、保险公司(UBI)来说，可以提高安全、节能、增效等效果。

现有的车辆行驶情况分析大都基于有经验工作人员的主观认定，评估过程浪费人力，而且评估的结果掺杂了工作人员的主观看法，缺乏客观的准确的评估手段。

发明内容

为了解决现有技术的不足，本发明提供了基于车联网的车辆行驶情况分析方法及***；

第一方面，本发明提供了基于车联网的车辆行驶情况分析方法；

基于车联网的车辆行驶情况分析方法，包括：

响应于车辆行驶情况分析请求指令，获取待评估车辆历史行驶数据；

根据待评估车辆历史行驶数据，计算出待评估车辆若干个指标的指标值；所述若干个指标，包括：平均车速、超速次数、超速百分比、急减速次数、急加速次数和怠速百分比；

通过预先设置的权重，对待评估车辆若干个指标的指标值进行加权求和，输出驾驶行为分数，根据驾驶行为分数，输出车辆行驶情况分析结果。

第二方面，本发明提供了基于车联网的车辆行驶情况分析***；

基于车联网的车辆行驶情况分析***，包括：

获取模块，其被配置为：响应于车辆行驶情况分析请求指令，获取待评估车辆历史行驶数据；

计算模块，其被配置为：根据待评估车辆历史行驶数据，计算出待评估车辆若干个指标的指标值；所述若干个指标，包括：平均车速、超速次数、超速百分比、急减速次数、急加速次数和怠速百分比；

输出模块，其被配置为：通过预先设置的权重，对待评估车辆若干个指标的指标值进行加权求和，输出驾驶行为分数，根据驾驶行为分数，输出车辆行驶情况分析结果。

第三方面，本发明还提供了一种电子设备，包括：

存储器，用于非暂时性存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，

其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。

第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。

第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。

与现有技术相比，本发明的有益效果是：

车联网采集的数据纬度和颗粒度比以往的分析技术会更加丰富，因为车联网采集的数据事先可以通过埋点和各种传感器进行采集，并实时同传；通过本***基于不同目的分析，可以细致的将各个驾驶行为以不同的权重计算出一个指数，用来衡量驾驶行为，或者为用户的驾驶行为打上各种标签；更加贴近客户，使得客户使用这些辅助驾驶行为的频次更多。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为实施例一的方法流程图；

图2为实施例一的车辆行驶速度的分布图；

图3为实施例一的第一个驾驶行程的汽车速度示意图；

图4为实施例一的平均车速与怠速时长(百分比)；

图5为实施例一的全部驾驶行程的超速次数；

图6为实施例一的第一个驾驶行程的加速度分布图；

图7为实施例一的第一个驾驶行程的急加速和急减速分布图；

图8为实施例一的怠速次数与急加速急减速次数关系分布图；

图9为实施例一的怠速次数与急加速急减速次数关系拟合分布图；

图10为实施例一的驾驶行为指标值统计表。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，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。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。

实施例一

本实施例提供了基于车联网的车辆行驶情况分析方法；

如图1所示，基于车联网的车辆行驶情况分析方法，包括：

S101：响应于车辆行驶情况分析请求指令，获取待评估车辆历史行驶数据；

S102：根据待评估车辆历史行驶数据，计算出待评估车辆若干个指标的指标值；所述若干个指标，包括：平均车速、超速次数、超速百分比、急减速次数、急加速次数和怠速百分比；

S103：通过预先设置的权重，对待评估车辆若干个指标的指标值进行加权求和，输出驾驶行为分数，根据驾驶行为分数，输出车辆行驶情况分析结果。

进一步地，所述待评估车辆历史行驶数据，具体包括：

通过车辆里程表获取车辆总里程数据，通过速度传感器采集车辆行驶过程中的速度数据，通过力传感器采集车辆行驶过程中的制动数据，通过计时器采集车辆驾驶总时长。

车联网车辆历史行驶数据：原始生产设备制造厂OEM和后装解决方案的数据采集信号，根据采集频率的不同，假设数据采集频率所有信号10秒采样1次，家用汽车平均每天使用2个小时(启动就开始采集数据)，一年采集365*2*360＝262800次。

进一步地，所述平均车速＝总里程/(总时间-停车时间)；

超速次数通过车辆速度和道路限速来判断，如果车辆速度超过道路限速的速度则认为是超速一次；

超速百分比＝[(实际速度-限速度)/限速度]*100％；

急减速次数，通过车联网记录车辆行驶数据，计算设定时间段内车辆平均加速度，设定阈值，如果平均加速度的值大于设定阈值，则统计一次急加速，得出车辆的急减速次数；

急加速次数，通过车联网记录车辆行驶数据，计算设定时间段内车辆平均加速度，设定阈值，如果平均加速度小于设定阈值，则统计一次急减速，得出车辆的急加速次数；

怠速的百分比＝怠速总时长/总驾驶时长*100％。

进一步地，所述超速百分比的计算公式为：

超速百分比＝(实际速度-规定时速)/规定时速×100％。

进一步地，所述急减速的定义为：以10公里/小时.秒作为判断急减速的阈值，低于-10为急减速。

进一步地，所述急加速的定义为：以10公里/小时.秒作为判断急加速的阈值，超过+10为急加速。

进一步地，所述根据驾驶行为分数，输出车辆行驶情况分析结果，包括：

基于不同的目的，将各个驾驶行为分量以加权的方式计算出一个分数，用来衡量用户的驾驶行为，或者给不同分数区间的驾驶行为打上各种标签。

不同的商业/研究目的，驾驶行为分数的计算公式都不一样。比如：保险公司设计UBI产品的时候，开车越平稳分数越高，开车次数/里程/时间越少，分数越高。

取第一个驾驶行程的数据来看，它有1854条记录，时间跨度2479秒，也就是41.3分钟。说明中间有些数据缺失。先看车速的分布图，如图2所示。

从图2中可以看出来车速分布的大概情况：车速中值达到63.63公里/小时，说明交通状况不错。最高速度在120公里/小时左右，说明该车主在此次行程中，没有超速(假设限速是120公里/小时)。按照时间顺序绘出汽车速度图，如图3所示。

如图3所示，横线标识120公里/小时，这是一般的高速公路限速值。有下面几个特点：在前面大约2/3的时间里，车子开开停停，平均车速较低；后面的交通状况变好了些，基本在60公里/小时的速度之上。从相邻两点之间的距离可以推断，距离越大加速度(包括加速和减速)越大，可能存在急加速，或急减速。相邻距离较大的点往往都是靠近车速为0的，也就是“怠速”前后。

如图4所示，计算每一个驾驶行程的平均车速与怠速的百分比(怠速总时长/总驾驶时长)。如图4所示，负相关的关系：怠速时长(百分比)越小，对应的平均车速越大。相关性不是特别严格，说明平均车速与更多的因素有关。特别注意的是，这里观察的是平均车速与怠速时长之间的相关性，二者之间不存在因果关系。真正的主因应该是交通状况、拥堵、天气等外因(如果没有车辆或者驾驶员自身的原因的话)。图3中显示可能有一次超速(实际不是)。对全部142次行程，计算每次行程的超速次数(>120公里/小时)，并且绘制图5，如图5所示。大多数行程下，该用户是没有超速的。

加速度计算公式：

a＝(Vt-Vo)/t{以Vo为正方向，a与Vo同向(加速)a>0；反向则a<0}

其中，v表示车速(米/秒2)，t表示时间(秒)。

加速度是单位时间里速度的变化量。这个单位时间就是1秒。

使用的数据就是秒级的，但是由于部分数据缺失，相邻两条记录的时间间隔有时大于1秒，相邻记录的就可以得到加速度(否则如果缺失数据较多，计算结果会有较大的偏差)。

车速的数据单位是公里/小时，这样计算的加速度单位是公里/小时.秒。两者之间只存在一个倍数关系。以第一个驾驶行程的数据为例，计算每个时间点的加速度，并绘制在图上，如图5所示。

如图6所示，数据点落在0的数轴上表明加速度为0；在正向和负向的数据点看起来似乎差不多。纵轴是加速度(公里/小时.秒)，把它换算成标准单位(米/秒2)，数字大小和日常生活中的直觉很难建立起直观的联系。以Tesla Model3为例，它的百公里加速号称只需要3.5秒，按照加速度单位公里/小时.秒来计算平均加速度(不考虑这个3.5秒内实际加速度是变化的)就是：100/3.5＝28.57公里/小时.秒。这是超跑的水平，主要秀在试车场、赛车场等，市场上大多数车子都达不到。对于普通家用轿车，百公里加速时间一般都在8秒开外。以8秒的百公里加速水平计算平均加速度：100/8＝12.5公里/小时.秒。

以10公里/小时.秒作为判断急加速/急减速的阈值，超过+10为急加速，低于-10为急减速。是以第一次驾驶行程为例，重新绘制图6，标识出急加速和急减速的阈值，得到图7。

从图7中可以清楚地看到，第一次驾驶行程中有两次急加速、两次急减速。

在分析图3的时候观察到急加速急减速与怠速次数可能有相关性。

回顾图3，在每一次怠速(车速＝0)前后，相邻两点的距离比较大，但是这个距离和上面定义的急加速/急减速还是有一些差距的，所以，这里有意放宽加速度阈值到5公里/小时.秒。统计每一个行程超过这一阈值的加速度个数，绘制图8。

从图8中可以看出，怠速次数与急加速急减速次数有较强的正相关性。

通过线性拟合，如果图9所示。修正R方(Adjusted R-Squared)为0.72，而且回归诊断显示模型比较合适，所以基本确定了二者的线性相关性。

综合上述分析，把每一项指标的统计值列在图10中。

把所有需要的驾驶行为KPI计算出来了之后，参考预先定义的计算公式，可以得出一个驾驶行为分数，然后就可以给这位用户(驾驶员)打上标签了。比如：新手司机，稳重老司机等等。

实施例二

本实施例提供了基于车联网的车辆行驶情况分析***；

基于车联网的车辆行驶情况分析***，包括：

此处需要说明的是，上述获取模块、计算模块和输出模块对应于实施例一中的步骤S101至S103，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。

上述实施例中对各个实施例的描述各有侧重，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。

所提出的***，可以通过其他的方式实现。例如以上所描述的***实施例仅仅是示意性的，例如上述模块的划分，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，例如多个模块可以结合或者可以集成到另外一个***，或一些特征可以忽略，或不执行。

实施例三

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。

以上所述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

1.基于车联网的车辆行驶情况分析方法，其特征是，包括：

2.如权利要求1所述的基于车联网的车辆行驶情况分析方法，其特征是，所述待评估车辆历史行驶数据，具体包括：

3.如权利要求1所述的基于车联网的车辆行驶情况分析方法，其特征是，所述平均车速＝总里程/(总时间-停车时间)；

超速次数，通过车辆速度和道路限速来判断，如果车辆速度超过道路限速的速度则认为是超速一次；

超速百分比＝[(实际速度-限速度)/限速度]*100％。

4.如权利要求1所述的基于车联网的车辆行驶情况分析方法，其特征是，急减速次数，通过车联网记录车辆行驶数据，计算设定时间段内车辆平均加速度，设定阈值，如果平均加速度的值大于设定阈值，则统计一次急加速，得出车辆的急减速次数。

5.如权利要求1所述的基于车联网的车辆行驶情况分析方法，其特征是，急加速次数，通过车联网记录车辆行驶数据，计算设定时间段内车辆平均加速度，设定阈值，如果平均加速度小于设定阈值，则统计一次急减速，得出车辆的急加速次数。

6.如权利要求1所述的基于车联网的车辆行驶情况分析方法，其特征是，怠速百分比＝怠速总时长/总驾驶时长*100％。

7.如权利要求1所述的基于车联网的车辆行驶情况分析方法，其特征是，所述根据驾驶行为分数，输出车辆行驶情况分析结果，包括：

8.基于车联网的车辆行驶情况分析***，其特征是，包括：

9.一种电子设备，其特征是，包括：

存储器，用于非暂时性存储计算机可读指令；以及

处理器，用于运行所述计算机可读指令，

其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。

10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。