CN117853305A - 基于大数据的汽车代驾服务质量监控方法及*** - Google Patents

Abstract

本发明公开了基于大数据的汽车代驾服务质量监控方法及***，具体涉及数据监控技术领域，包括数据采集模块、汽车代驾服务质量评估模块、风险评估模块和算法处理模块。本发明基于对目标区域中的汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息进行监测分析，评估目标区域中的汽车代驾服务的质量，当判断质量较低时，构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数，再构建回归模型，从而得到适用于汽车代驾服务质量的代驾费用建议，保障用户和代驾司机的利益，提供更加优质和具有市场竞争力的代驾服务。

Description

基于大数据的汽车代驾服务质量监控方法及***

技术领域

本发明涉及数据监控技术领域，更具体地说，本发明涉及基于大数据的汽车代驾服务质量监控方法及***。

背景技术

汽车代驾是当今社会畅饮聚餐后用户常用的交通方式，随着行业的进步和发展，代驾服务行业已经成为许多城市中不可或缺的一部分，由于网络和通讯基站的高速发展，现有的代驾服务行业主要通过线上平台进行用户下单，代驾司机接单的模式。

因此在汽车代驾服务普及的区域，通常依赖于网络平台进行汽车代驾服务的交易，但现有的汽车代驾服务平台对于汽车代驾服务质量方面的监控不足，导致作为新兴行业的汽车代驾服务仍然存在安全问题、服务质量不一和价格竞争等问题，如果任由这些问题不断产生，可能会导致汽车代驾服务发展受限，相关平台的名誉受损，无法合理的保护用户和代驾司机的合法权益。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供基于大数据的汽车代驾服务质量监控方法及***，基于对目标区域中的汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息进行监测分析，评估目标区域中的汽车代驾服务的质量，当判断质量较低时，构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数，再构建回归模型，从而得到适用于汽车代驾服务质量的代驾费用建议，保障用户和代驾司机的利益，提供更加优质和具有市场竞争力的代驾服务。

为实现上述目的，本发明提供如下技术方案：

基于大数据的汽车代驾服务质量监控方法，包括如下步骤：

步骤S1，对目标区域内汽车代驾服务进行监测，采集安全驾驶信息、服务响应信息和用户举报信息以及司机资质背景、规划路线重合程度、用户的车辆价值和代驾行程费用；

步骤S2，构建汽车代驾服务质量评估模型，对目标区域总体汽车代驾服务质量进行评估；

步骤S3，对于汽车代驾服务质量低的区域，结合司机资质信息、规划路线重合信息以及车辆价值信息构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数；

步骤S4，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为因素建立回归模型，并根据对回归模型的计算结果给出合理的汽车代驾行程费用建议。

具体的，在步骤S1中，汽车代驾服务平台中留存的用户注册表单和车主注册表单可以获取用户进行汽车代驾服务的相关信息，以汽车代驾服务相关信息构建回归模型，可通过Python中的Scikit-Learn库和MATLAB的Statistics and Machine Learning Toolbox中的ridge函数，实现对于汽车代驾服务的信息监测和分析的目的。在实际使用中，由于设备成本和实时监测的复杂性等因素，本发明建立在汽车代驾服务长时间正常运行且市场环境相对稳定的情况，持续监测汽车代驾服务数据的前提下进行的，从而可能会导致某一监测时刻风险性变更的现象。

在步骤S2中，构建汽车代驾服务质量评估模型，具体过程为采集目标区域范围一年内汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息，其中安全驾驶信息包括代驾事故系数，标定为，服务响应信息包括服务响应系数，标定为/>，用户举报信息包括用户举报系数，标定为/>；

代驾事故系数通过采集目标区域范围一年内汽车代驾服务中产生的事故总数，标定为/>，统计目标区域范围一年内产生的所有事故总数，标定为/>，则代驾事故系数;

服务响应系数通过采集目标区域范围一年内汽车代驾服务的用户与代驾司机成功匹配并建立完成订单的时间，标定为/>，x为用户与代驾司机成功匹配的订单序号，x=1、2、3、4、……、u，u为正整数，/>为代驾服务平台统计的代驾覆盖区域中用户与代驾司机成功匹配并建立完成订单的平均时间，则服务响应系数/>;

用户举报系数通过采集目标区域范围一年内汽车代驾服务的用户对司机的举报总次数，标定为/>，统计上一年同一目标区域范围内汽车代驾服务的用户对司机的举报总次数，标定为/>，则用户举报系数/>;

汽车代驾服务质量评估模型分别由目标区域范围一年内汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息三方面加权构建而成，生成汽车代驾服务质量评估指数，对应的系数分别为代驾事故系数/>、服务响应系数/>、用户举报系数/>，构成的公式为/>;

同时，均大于0，并根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映汽车代驾服务质量评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S2中，由汽车代驾服务质量评估模型中获得的汽车代驾服务质量评估指数用于体现目标区域汽车代驾服务的质量水平，它的值越大表示目标区域汽车代驾服务的质量越高，代驾事故发生率越低，用户与代驾司机成功匹配的响应速度越快以及用户举报次数越低。

在步骤S2中，当汽车代驾服务质量评估指数大于等于设定的质量阈值时，说明目标区域汽车代驾服务的质量水平较高，不需要进行汽车代驾服务质量监控，不进行后续步骤，直接输出评估结果；

当汽车代驾服务质量评估指数小于设定的质量阈值时，说明目标区域汽车代驾服务的质量水平过低，需要进行汽车代驾服务质量监控，发出低质量数据信号，并对汽车代驾服务质量监控进行后续评估。

在步骤S3中，在接收到低质量数据信号后，通过风险评估指数对用户需要承担的风险进行评估。

风险评估指数通过构建风险评估模型，具体过程为从汽车代驾平台采集司机资质信息、规划路线重合信息以及车辆价值信息，其中司机资质信息包括司机资质系数，标定为，规划路线重合信息包括规划路线重合系数，标定为/>，车辆价值信息包含车辆价值系数，标定为/>；

司机资质系数通过采集目标司机驾驶证扣分总数，标定为，统计目标司机车辆驾驶年数，标定为/>，则司机资质系数/>；

规划路线重合系数通过采集目标司机在代驾过程中按照***规划的路线行驶的重合度，标定为/>，y为代驾司机成功完成的订单序号，y=1、2、3、4、……、w，w为正整数，则规划路线重合系数/>；

车辆价值信息通过采集代驾司机需要驾驶的目标车辆销售价格，标定为/>，并统计预计驾驶时间，标定为/>，则车辆价值信息/>；

风险评估模型分别由从汽车代驾平台采集司机资质信息、规划路线重合信息以及车辆价值信息三方面加权构建而成，生成风险评估指数，对应的系数分别为司机资质系数/>、规划路线重合系数/>、车辆价值信息/>，构成的公式为;

同时，、/>、/>均大于0，并根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映汽车代驾服务风险评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S3中，由风险评估模型中获得的风险评估指数用于体现用户匹配到代驾后需要承担的风险水平，它的值越大表示用户需要承担的风险水平越低，司机的资质越高、行驶的路线越合理以及发生事故需要承担的车辆损失越小。

在步骤S4中，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为回归模型的构建因素，建立回归模型使得平台对目标区域不同的用户给出适合的汽车代驾服务费用调整。

进一步的，本发明回归模型的构建方法如下：

步骤S4.1，确定输入输出特征后，从历史服务数据中收集包括以上特征在内的数据集，对数据中的缺失值、异常值和标准化特征进行数据预处理，以确保数据的质量和一致性；

步骤S4.2，使用散点图绘制选择的变量组合，将服务质量评估指数和风险评估指数分别放在 x 轴和 y 轴上，用散点表示每次行程的费用，去除远离整体趋势的数据点，按照散点图中的整体趋势作为比例，得到汽车代驾服务质量评估指数、风险评估指数和行程费用之间的权重关系；

步骤S4.3，拆分数据集，将数据集划分为训练集和测试集，并对训练集使用Scikit-Learn中的Ridge类创建岭回归模型，相较于通常的回归模型，岭回归模型通过在损失函数中添加正则化项来防止过拟合，具体的公式表达为：，式中，N是数据点的数量，/>是实际的观测值，/>是模型的预测值，P是特征的数量，/>是正则化参数，/>是岭回归的系数，输出最小化平方损失项；

步骤S4.4，使用测试集对构建的岭回归模型进行评估，具体为计算均方误差（MSE），评估模型的平均预测误差的平方，MSE越小，模型性能越好，再通过交叉验证调整正则化参数以优化模型性能，输出行程费用作为参考价格。

基于大数据的汽车代驾服务质量监控***，用于上述基于大数据的汽车代驾服务质量监控方法，包括：

数据采集模块，对目标区域内汽车代驾服务进行监测，采集安全驾驶信息、服务响应信息和用户举报信息以及司机资质背景、规划路线重合程度、用户的车辆价值和代驾行程费用；

汽车代驾服务质量评估模块，构建汽车代驾服务质量评估模型，对目标区域总体汽车代驾服务质量进行评估；

风险评估模块，对于汽车代驾服务质量低的区域，结合司机资质信息、规划路线重合信息以及车辆价值信息构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数；

算法处理模块，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为因素建立回归模型，并根据对回归模型的计算结果给出合理的汽车代驾行程费用建议。

本发明的技术效果和优点：

本发明基于对目标区域中的汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息进行监测分析，评估目标区域中的汽车代驾服务的质量，当判断质量较低时，构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数，再构建回归模型，从而得到适用于汽车代驾服务质量的代驾费用建议，保障用户和代驾司机的利益，提供更加优质和具有市场竞争力的代驾服务。

附图说明

图1为本发明基于大数据的汽车代驾服务质量监控方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明为基于对目标区域中的汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息进行监测分析，评估目标区域中的汽车代驾服务的质量，当判断质量较低时，构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数，再构建回归模型，从而得到适用于汽车代驾服务质量的代驾费用建议，保障用户和代驾司机的利益，提供更加优质和具有市场竞争力的代驾服务。

实施例1

如图1所示，基于大数据的汽车代驾服务质量监控方法步骤如下：

步骤S1，对目标区域内汽车代驾服务进行监测，采集安全驾驶信息、服务响应信息和用户举报信息以及司机资质背景、规划路线重合程度、用户的车辆价值和代驾行程费用；

步骤S2，构建汽车代驾服务质量评估模型，对目标区域总体汽车代驾服务质量进行评估；

步骤S3，对于汽车代驾服务质量低的区域，结合司机资质信息、规划路线重合信息以及车辆价值信息构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数；

步骤S4，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为因素建立回归模型，并根据对回归模型的计算结果给出合理的汽车代驾行程费用建议。

具体的，在步骤S1中，汽车代驾服务平台中留存的用户注册表单和车主注册表单可以获取用户进行汽车代驾服务的相关信息，以汽车代驾服务相关信息构建回归模型，可通过Python中的Scikit-Learn库和MATLAB的Statistics and Machine Learning Toolbox中的ridge函数，实现对于汽车代驾服务的信息监测和分析的目的。在实际使用中，由于设备成本和实时监测的复杂性等因素，本发明建立在汽车代驾服务长时间正常运行且市场环境相对稳定的情况，持续监测汽车代驾服务数据的前提下进行的，从而可能会导致某一监测时刻风险性变更的现象。

在步骤S2中，构建汽车代驾服务质量评估模型，具体过程为采集目标区域范围一年内汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息，其中安全驾驶信息包括代驾事故系数，标定为，服务响应信息包括服务响应系数，标定为/>，用户举报信息包括用户举报系数，标定为/>；

代驾事故系数通过采集目标区域范围一年内汽车代驾服务中产生的事故总数，标定为/>，统计目标区域范围一年内产生的所有事故总数，标定为/>，则代驾事故系数;

服务响应系数通过采集目标区域范围一年内汽车代驾服务的用户与代驾司机成功匹配并建立完成订单的时间，标定为/>，x为用户与代驾司机成功匹配的订单序号，x=1、2、3、4、……、u，u为正整数，/>为代驾服务平台统计的代驾覆盖区域中用户与代驾司机成功匹配并建立完成订单的平均时间，则服务响应系数/>;

用户举报系数通过采集目标区域范围一年内汽车代驾服务的用户对司机的举报总次数，标定为/>，统计上一年同一目标区域范围内汽车代驾服务的用户对司机的举报总次数，标定为/>，则用户举报系数/>;

汽车代驾服务质量评估模型分别由目标区域范围一年内汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息三方面加权构建而成，生成汽车代驾服务质量评估指数，对应的系数分别为代驾事故系数/>、服务响应系数/>、用户举报系数/>，构成的公式为/>;

同时，均大于0，并根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映汽车代驾服务质量评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S2中，由汽车代驾服务质量评估模型中获得的汽车代驾服务质量评估指数用于体现目标区域汽车代驾服务的质量水平，它的值越大表示目标区域汽车代驾服务的质量越高，代驾事故发生率越低，用户与代驾司机成功匹配的响应速度越快以及用户举报次数越低。

在步骤S2中，当汽车代驾服务质量评估指数大于等于设定的质量阈值时，说明目标区域汽车代驾服务的质量水平较高，不需要进行汽车代驾服务质量监控，不进行后续步骤，直接输出评估结果；

当汽车代驾服务质量评估指数小于设定的质量阈值时，说明目标区域汽车代驾服务的质量水平过低，需要进行汽车代驾服务质量监控，发出低质量数据信号，并对汽车代驾服务质量监控进行后续评估。

在步骤S3中，在接收到低质量数据信号后，通过风险评估指数对用户需要承担的风险进行评估。

风险评估指数通过构建风险评估模型，具体过程为从汽车代驾平台采集司机资质信息、规划路线重合信息以及车辆价值信息，其中司机资质信息包括司机资质系数，标定为，规划路线重合信息包括规划路线重合系数，标定为/>，车辆价值信息包含车辆价值系数，标定为/>；

司机资质系数通过采集目标司机驾驶证扣分总数，标定为，统计目标司机车辆驾驶年数，标定为/>，则司机资质系数/>；

规划路线重合系数通过采集目标司机在代驾过程中按照***规划的路线行驶的重合度，标定为/>，y为代驾司机成功完成的订单序号，y=1、2、3、4、……、w，w为正整数，则规划路线重合系数/>；

车辆价值信息通过采集代驾司机需要驾驶的目标车辆销售价格，标定为/>，并统计预计驾驶时间，标定为/>，则车辆价值信息/>；

风险评估模型分别由从汽车代驾平台采集司机资质信息、规划路线重合信息以及车辆价值信息三方面加权构建而成，生成风险评估指数，对应的系数分别为司机资质系数/>、规划路线重合系数/>、车辆价值信息/>，构成的公式为;

同时，、/>、/>均大于0，并根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映汽车代驾服务风险评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S3中，由风险评估模型中获得的风险评估指数用于体现用户匹配到代驾后需要承担的风险水平，它的值越大表示用户需要承担的风险水平越低，司机的资质越高、行驶的路线越合理以及发生事故需要承担的车辆损失越小。

在步骤S4中，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为回归模型的构建因素，建立回归模型使得平台对目标区域不同的用户给出适合的汽车代驾服务费用调整。

进一步的，本发明回归模型的构建方法如下：

步骤S4.1，确定输入输出特征后，从历史服务数据中收集包括以上特征在内的数据集，对数据中的缺失值、异常值和标准化特征进行数据预处理，以确保数据的质量和一致性；

步骤S4.2，使用散点图绘制选择的变量组合，将服务质量评估指数和风险评估指数分别放在 x 轴和 y 轴上，用散点表示每次行程的费用，去除远离整体趋势的数据点，按照散点图中的整体趋势作为比例，得到汽车代驾服务质量评估指数、风险评估指数和行程费用之间的权重关系；

步骤S4.3，拆分数据集，将数据集划分为训练集和测试集，并对训练集使用Scikit-Learn中的Ridge类创建岭回归模型，相较于通常的回归模型，岭回归模型通过在损失函数中添加正则化项来防止过拟合，具体的公式表达为：，式中，N是数据点的数量，/>是实际的观测值，/>是模型的预测值，P是特征的数量，/>是正则化参数，/>是岭回归的系数，输出最小化平方损失项；

步骤S4.4，使用测试集对构建的岭回归模型进行评估，具体为计算均方误差（MSE），评估模型的平均预测误差的平方，MSE越小，模型性能越好，再通过交叉验证调整正则化参数以优化模型性能，输出行程费用作为参考价格。

实施例2，本实施例为实施例1的***实施例，用于实现实施例1中介绍的基于大数据的汽车代驾服务质量监控方法，具体包括：

数据采集模块，对目标区域内汽车代驾服务进行监测，采集安全驾驶信息、服务响应信息和用户举报信息以及司机资质背景、规划路线重合程度、用户的车辆价值和代驾行程费用；

汽车代驾服务质量评估模块，构建汽车代驾服务质量评估模型，对目标区域总体汽车代驾服务质量进行评估；

风险评估模块，对于汽车代驾服务质量低的区域，结合司机资质信息、规划路线重合信息以及车辆价值信息构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数；

算法处理模块，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为因素建立回归模型，并根据对回归模型的计算结果给出合理的汽车代驾行程费用建议。

上述公式均是去量纲取其数值计算，具体去量纲可采用标准化等多种手段，在此不进行赘述，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、ATA硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态ATA硬盘。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的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申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动ATA硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.基于大数据的汽车代驾服务质量监控方法，其特征在于，包括如下步骤：

步骤S1，对目标区域内汽车代驾服务进行监测，采集安全驾驶信息、服务响应信息和用户举报信息以及司机资质背景、规划路线重合程度、用户的车辆价值和代驾行程费用；

步骤S2，构建汽车代驾服务质量评估模型，对目标区域总体汽车代驾服务质量进行评估；

步骤S3，对于汽车代驾服务质量低的区域，结合司机资质信息、规划路线重合信息以及车辆价值信息构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数；

步骤S4，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为因素建立回归模型，并根据对回归模型的计算结果给出合理的汽车代驾行程费用建议。

2.根据权利要求1所述的基于大数据的汽车代驾服务质量监控方法，其特征在于：

构建汽车代驾服务质量评估模型，具体过程为采集目标区域范围一年内汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息，其中安全驾驶信息包括代驾事故系数，标定为，服务响应信息包括服务响应系数，标定为/>，用户举报信息包括用户举报系数，标定为/>；

代驾事故系数通过采集目标区域范围一年内汽车代驾服务中产生的事故总数，标定为/>，统计目标区域范围一年内产生的所有事故总数，标定为/>，则代驾事故系数;

服务响应系数通过采集目标区域范围一年内汽车代驾服务的用户与代驾司机成功匹配并建立完成订单的时间，标定为/>，x为用户与代驾司机成功匹配的订单序号，x=1、2、3、4、……、u，u为正整数，/>为代驾服务平台统计的代驾覆盖区域中用户与代驾司机成功匹配并建立完成订单的平均时间，则服务响应系数/>;

用户举报系数通过采集目标区域范围一年内汽车代驾服务的用户对司机的举报总次数，标定为/>，统计上一年同一目标区域范围内汽车代驾服务的用户对司机的举报总次数，标定为/>，则用户举报系数/>。

3.根据权利要求2所述的基于大数据的汽车代驾服务质量监控方法，其特征在于：

汽车代驾服务质量评估模型分别由目标区域范围一年内汽车代驾服务的安全驾驶信息、服务响应信息和用户举报信息三方面加权构建而成，生成汽车代驾服务质量评估指数，对应的系数分别为代驾事故系数/>、服务响应系数/>、用户举报系数/>，构成的公式为/>。

4.根据权利要求3所述的基于大数据的汽车代驾服务质量监控方法，其特征在于：

在步骤S2中，当汽车代驾服务质量评估指数大于等于设定的质量阈值时，不进行后续步骤，直接输出评估结果；

当汽车代驾服务质量评估指数小于设定的质量阈值时，发出低质量数据信号，并对汽车代驾服务质量监控进行后续评估。

5.根据权利要求1所述的基于大数据的汽车代驾服务质量监控方法，其特征在于：

风险评估指数通过构建风险评估模型，具体过程为从汽车代驾平台采集司机资质信息、规划路线重合信息以及车辆价值信息，其中司机资质信息包括司机资质系数，标定为，规划路线重合信息包括规划路线重合系数，标定为/>，车辆价值信息包含车辆价值系数，标定为/>；

司机资质系数通过采集目标司机驾驶证扣分总数，标定为，统计目标司机车辆驾驶年数，标定为/>，则司机资质系数/>；

规划路线重合系数通过采集目标司机在代驾过程中按照***规划的路线行驶的重合度，标定为/>，y为代驾司机成功完成的订单序号，y=1、2、3、4、……、w，w为正整数，则规划路线重合系数/>；

车辆价值信息通过采集代驾司机需要驾驶的目标车辆销售价格，标定为/>，并统计预计驾驶时间，标定为/>，则车辆价值信息/>。

6.根据权利要求5所述的基于大数据的汽车代驾服务质量监控方法，其特征在于：

风险评估模型分别由从汽车代驾平台采集司机资质信息、规划路线重合信息以及车辆价值信息三方面加权构建而成，生成风险评估指数，对应的系数分别为司机资质系数、规划路线重合系数/>、车辆价值信息/>，构成的公式为。

7.根据权利要求6所述的基于大数据的汽车代驾服务质量监控方法，其特征在于：

在步骤S4中，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为回归模型的构建因素，建立回归模型使得平台对目标区域不同的用户给出适合的汽车代驾服务费用调整；

进一步的，回归模型的构建方法如下：

步骤S4.1，确定输入输出特征为汽车代驾服务质量评估指数、风险评估指数后，从历史服务数据中收集包括以上特征在内的数据集，对数据中的缺失值、异常值和标准化特征进行数据预处理，以确保数据的质量和一致性；

步骤S4.2，使用散点图绘制选择的变量组合，按照散点图中的整体趋势作为比例，得到汽车代驾服务质量评估指数、风险评估指数和行程费用之间的权重关系；

步骤S4.3，拆分数据集，将数据集划分为训练集和测试集，并对训练集创建岭回归模型，输出最小化平方损失项；

步骤S4.4，使用测试集对构建的岭回归模型进行评估，计算均方误差评估模型的平均预测误差的平方，再通过交叉验证调整正则化参数以优化模型性能，输出行程费用作为参考价格。

8.基于大数据的汽车代驾服务质量监控***，用于实现权利要求1-7中任一项所述的基于大数据的汽车代驾服务质量监控方法，其特征在于，包括：

数据采集模块，对目标区域内汽车代驾服务进行监测，采集安全驾驶信息、服务响应信息和用户举报信息以及司机资质背景、规划路线重合程度、用户的车辆价值和代驾行程费用；

汽车代驾服务质量评估模块，构建汽车代驾服务质量评估模型，对目标区域总体汽车代驾服务质量进行评估；

风险评估模块，对于汽车代驾服务质量低的区域，结合司机资质信息、规划路线重合信息以及车辆价值信息构建风险评估模型，获取用户对匹配到的代驾服务需要承担的风险评估指数；

算法处理模块，以汽车代驾服务质量评估指数、风险评估指数和行程费用作为因素建立回归模型，并根据对回归模型的计算结果给出合理的汽车代驾行程费用建议。