CN118152844A - 驾驶行为评分方法、装置、服务器及存储介质 - Google Patents
驾驶行为评分方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN118152844A CN118152844A CN202311688738.7A CN202311688738A CN118152844A CN 118152844 A CN118152844 A CN 118152844A CN 202311688738 A CN202311688738 A CN 202311688738A CN 118152844 A CN118152844 A CN 118152844A
- Authority
- CN
- China
- Prior art keywords
- score
- energy consumption
- driving behavior
- data
- comfort
- 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
- 238000013077 scoring method Methods 0.000 title claims abstract description 26
- 238000005265 energy consumption Methods 0.000 claims abstract description 123
- 238000004458 analytical method Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000006399 behavior Effects 0.000 claims description 113
- 238000012549 training Methods 0.000 claims description 110
- 238000010801 machine learning Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000001133 acceleration Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101100112673 Rattus norvegicus Ccnd2 gene Proteins 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及驾驶行为评分技术领域，特别涉及一种驾驶行为评分方法、装置、服务器及存储介质，其中，方法包括：获取驾驶员的驾驶行为数据；识别驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量，将能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量分别输入预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，得到能耗评分、舒适性评分和安全性评分；基于能耗评分、舒适性评分和安全性评分计算驾驶员的驾驶行为评分。由此，解决了相关技术关于驾驶行为评分的评分方式不够准确，评估结果精度较低等问题。
Description
技术领域
本申请涉驾驶行为评分技术领域，特别涉及一种驾驶行为评分方法、装置、服务器及存储介质。
背景技术
近年来，随着机动车数量的增多，在驾驶车辆过程中，不安全的驾驶行为带来了很多安全隐患，造成了巨大的财产和人员的损失，因此，如何改善驾驶员的驾驶行为已经成为一个不可忽视的问题。驾驶行为分析或评价服务已逐渐成为车联网服务的主推功能之一。
目前相关技术中通常仅对各别驾驶行为进行评分，评分内容不全面，评分数据源不够全面，且对驾驶行为的评分方式不够准确，导致评分结果的精确度较低。
发明内容
本申请提供一种驾驶行为评分方法、装置、服务器及存储介质，以解决相关技术关于驾驶行为评分的评分方式不够准确，评估结果精度较低等问题。
本申请第一方面实施例提供一种驾驶行为评分方法，包括以下步骤：获取驾驶员的驾驶行为数据；识别所述驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量，将所述能耗影响特征变量、所述舒适性影响特征变量和所述安全驾驶影响特征变量分别输入预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，得到能耗评分、舒适性评分和安全性评分；基于所述能耗评分、所述舒适性评分和所述安全性评分计算所述驾驶员的驾驶行为评分。
可选地，所述能耗分析模型的训练过程包括：获取能耗影响特征变量的数据集；根据所述数据集构建样本集，将所述样本集随机切分成训练集和验证集；对所述训练集进行数据预处理，对预处理后的训练集中的特征变量构造评分卡自变量，并计算所述特征变量与能耗之间的相关性值；基于所述相关性值筛选所述训练集，基于所述评分卡自变量和所述筛选后的训练集对机器学习模型进行训练，并设置所述评分卡自变量与分值的转换关系，使得所述机器学习模型基于所述转换关系输出能耗得分，其中，能耗得分越高对应能耗越高；利用所述验证集对训练的机器学习模型验证通过后，得到所述能耗分析模型。
可选地，所述安全性分析模型的训练过程包括：获取安全驾驶影响特征变量的数据集；根据所述数据集构建样本集，将所述样本集随机切分成训练集和验证集；对所述训练集进行数据预处理，对预处理后的训练集中进行分布分析，获取每一项特征变量的百分位点，根据百分位点分析结果设置每一项特征变量的打分规则；根据所述打分规则和所述预处理后的训练集对机器学习模型进行训练，在训练过程中计算所述每一项特征变量的信息熵，使得所述机器学习模型基于信息熵确定的权重和每一项特征变量的分值加权求和得到安全性评分；利用所述验证集对训练的机器学习模型验证通过后，得到所述安全性分析模型。
可选地，所述舒适性分析模型的训练过程与所述安全性分析模型的训练过程相同。
可选地，所述根据所述数据集构建样本集，包括：从所述数据集中筛选预设时长内的数据；将筛选后的数据中第一区间的数据作为负样本，将筛选后的数据中第二区间的数据作为正样本，其中，所述第一区间和所述第二区间为不同的区间；根据所述负样本和所述正样本生成所述样本集
可选地，所述基于所述能耗评分、所述舒适性评分和所述安全性评分计算所述驾驶员的驾驶行为评分，包括：计算所述能耗评分、所述舒适性评分和所述安全性评分的评分和；对所述评分进行极差标准化得到驾驶行为标准化得分；根据所述驾驶行为标准化得分计算所述驾驶员的驾驶行为评分。
本申请第二方面实施例提供一种驾驶行为评分装置，包括：获取模块，用于获取驾驶员的驾驶行为数据；识别模块，用于识别所述驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量，将所述能耗影响特征变量、所述舒适性影响特征变量和所述安全驾驶影响特征变量分别输入预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，得到能耗评分、舒适性评分和安全性评分；计算模块，用于基于所述能耗评分、所述舒适性评分和所述安全性评分计算所述驾驶员的驾驶行为评分。
可选地，所述能耗分析模型的训练过程包括：获取能耗影响特征变量的数据集；根据所述数据集构建样本集，将所述样本集随机切分成训练集和验证集；对所述训练集进行数据预处理，对预处理后的训练集中的特征变量构造评分卡自变量，并计算所述特征变量与能耗之间的相关性值；基于所述相关性值筛选所述训练集，基于所述评分卡自变量和所述筛选后的训练集对机器学习模型进行训练，并设置所述评分卡自变量与分值的转换关系，使得所述机器学习模型基于所述转换关系输出能耗得分，其中，能耗得分越高对应能耗越高；利用所述验证集对训练的机器学习模型验证通过后，得到所述能耗分析模型。
可选地，所述安全性分析模型的训练过程包括：获取安全驾驶影响特征变量的数据集；根据所述数据集构建样本集，将所述样本集随机切分成训练集和验证集；对所述训练集进行数据预处理，对预处理后的训练集中进行分布分析，获取每一项特征变量的百分位点，根据百分位点分析结果设置每一项特征变量的打分规则；根据所述打分规则和所述预处理后的训练集对机器学习模型进行训练，在训练过程中计算所述每一项特征变量的信息熵，使得所述机器学习模型基于信息熵确定的权重和每一项特征变量的分值加权求和得到安全性评分；利用所述验证集对训练的机器学习模型验证通过后，得到所述安全性分析模型。
可选地，所述舒适性分析模型的训练过程与所述安全性分析模型的训练过程相同。
可选地，所述根据所述数据集构建样本集，包括：从所述数据集中筛选预设时长内的数据；将筛选后的数据中第一区间的数据作为负样本，将筛选后的数据中第二区间的数据作为正样本，其中，所述第一区间和所述第二区间为不同的区间；根据所述负样本和所述正样本生成所述样本集。
可选地，所述计算模块进一步用于：计算所述能耗评分、所述舒适性评分和所述安全性评分的评分和；对所述评分进行极差标准化得到驾驶行为标准化得分；根据所述驾驶行为标准化得分计算所述驾驶员的驾驶行为评分。
本申请第三方面实施例提供一种服务器，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的驾驶行为评分方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的驾驶行为评分方法。
由此，本申请至少具有如下有益效果：
本申请采用多个维度(能耗、安全性、舒适性)、多个特征变量对驾驶员的驾驶行为进行评分，提高了对驾驶行为评分的准确性，以更好的促进驾驶人员的安全驾驶、良好驾驶，规范驾驶行为，从而可以提升驾驶的安全性等有益效果。由此，解决了相关技术关于驾驶行为评分的评分方式不够准确，评估结果精度较低等技术问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的驾驶行为评分方法的流程图；
图2为根据本申请实施例提供的百分位点的划分区间的示意图；
图3为根据本申请实施例提供的驾驶行为评分的模型构建的示意图；
图4为根据本申请实施例提供的驾驶行为评分装置的示意图；
图5为根据本申请实施例提供的服务器的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的驾驶行为评分方法、装置、服务器及存储介质。针对上述背景技术中提到的目前通常仅对各别驾驶行为进行评分，评分内容不全面，评分数据源不够全面，且对驾驶行为的评分方式不够准确，导致评分结果的精确度较低的问题，本申请提供了一种驾驶行为评分方法，在该方法中，采用多维度、多数据源进行驾驶行为评分，提高评估的准确度。由此，解决了相关技术关于驾驶行为评分的评分方式不够准确，评估结果精度较低等问题。
具体而言，图1为本申请实施例所提供的一种驾驶行为评分方法的流程图。
如图1所示，该驾驶行为评分方法包括以下步骤：
在步骤S101中，获取驾驶员的驾驶行为数据。
其中，驾驶行为数据包括用户驾驶车辆中的能耗数据、舒适性数据、安全驾驶数据，能耗数据与用车强度、驾驶速度、低速驾驶、高速驾驶、超高速驾驶、平稳驾驶、能耗等有关，舒适性数据与急加速、急减速、平稳驾驶等有关，安全性数据与夜间驾驶、疲劳驾驶、急加速、急减速、平稳驾驶等有关。
在步骤S102中，识别驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量，将能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量分别输入预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，得到能耗评分、舒适性评分和安全性评分。
可以理解的是，本申请实施例可以将驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量分别输入对应的预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，可以得到能耗评分、舒适性评分和安全性评分，其中，影响能耗、舒适性和安全性的特征变量已在上述实施例中进行阐述，此处不再赘述。
在本申请实施例中，能耗分析模型的训练过程包括：获取能耗影响特征变量的数据集；根据数据集构建样本集，将样本集随机切分成训练集和验证集；对训练集进行数据预处理，对预处理后的训练集中的特征变量构造评分卡自变量，并计算特征变量与能耗之间的相关性值；基于相关性值筛选训练集，基于评分卡自变量和筛选后的训练集对机器学习模型进行训练，并设置评分卡自变量与分值的转换关系，使得机器学习模型基于转换关系输出能耗得分，其中，能耗得分越高对应能耗越高；利用验证集对训练的机器学习模型验证通过后，得到能耗分析模型。
其中，如表1所示，表1为能耗影响特征变量的数据集。
表1
可以理解的是，本申请可以根据能耗影响特征变量的数据集构建样本集，将样本集随机切分为训练集和验证集，对训练集的特征变量进行预处理，比如删除异常数据和极值数据，视数据量情况补全缺失数据或删除，然后对预处理后的特征变量构造评分卡自变量，计算各个特征变量的相关性值，比如相关性值可以为IV值，IV值越大代表与能耗相关性越大，进一步对相关性值进行排序，筛选训练集的特征变量，基于评分卡自变量和筛选后的训练集对机器学习模型进行训练，设置评分卡自变量与分值的转换关系，使得机器模型基于转换关系输出能耗得分，最后使用训练好的模型在验证集上验证通过后，得到能耗分析模型。
具体而言，本申请实施例能耗分析模型的训练过程如下：
1、构建样本集，分为训练集和验证集。
2、对训练集进行数据预处理，删除异常数据和极值数据，视数据量情况补全缺失数据或删除。
3、对特征变量通过变量分箱，WOE转换完成自变量构造。
4、计算各特征变量的IV值，IV值越大代表与能耗相关性越大，根据IV值排序，进行特征变量筛选，并在展示时优先展示主要因素能耗分数。
5、使用逻辑回归算法对训练集进行训练，得到训练后的模型。
6、使用训练好的模型在验证集上验证效果，可使用混淆矩阵或ROC曲线做评价标准。
7、根据模型效果，对建模的各步骤进行调整，添加特征，重新分箱等。
8、确定模型后，输出各变量参数。
9、根据评分卡转换方法，将各变量对应的分值输出，总分定为100分，分值越高，能耗越高。
score总＝100*sigmoid(A+B*woe)——逻辑回归概率计算公式，
sigmoid(x)＝1/(1+exp(-x))，
score总：能耗得分；
woe：各个变量计算得到的woe值。
10、将最后的得分使用极差标准化变成分值越高，能耗使用越好。
11、能耗得分＝min(一周所有的score)+floor((1-score/max(一周所有的score))*100)；
12、模型上线部署方式：对当前周前一周的数据进行模型训练，预测前一周的结果，然后打标签(标签是上一周的)。
在本申请实施例中，安全性分析模型的训练过程包括：获取安全驾驶影响特征变量的数据集；根据数据集构建样本集，将样本集随机切分成训练集和验证集；对训练集进行数据预处理，对预处理后的训练集中进行分布分析，获取每一项特征变量的百分位点，根据百分位点分析结果设置每一项特征变量的打分规则；根据打分规则和预处理后的训练集对机器学习模型进行训练，在训练过程中计算每一项特征变量的信息熵，使得机器学习模型基于信息熵确定的权重和每一项特征变量的分值加权求和得到安全性评分；利用验证集对训练的机器学习模型验证通过后，得到安全性分析模型。
其中，如表2所示，表2为安全驾驶影响特征变量的数据集。
表2
其中，疲劳驾驶可以定义为单次行程驾驶时长大于4小时，夜间驾驶可以为行程时间在一天内的时间点落在23点到5点之间，急加速可以为纵向加速度≥2.5m/s2，急减速可以为纵向加速度≤-4.5m/s2。
其中，信息熵的计算公式可以为：
通过信息熵计算每一项特征变量(指标)的权重的公式可以为：
其中，Ek为第k个指标的信息熵；pk为第k个指标对应的发生概率；Wk为第k个指标的权重。
可以理解的是，本申请实施例可以根据影响安全驾驶的特征变量的数据集构建样本集，将样本集随机切分为训练集和验证集，对训练集中的数据进行预处理，预处理的过程与上述能耗分析模型中的预处理过程相同，进一步对预处理后的训练集进行分布分析，获取每一项特征变量(即各安全性分析指标)的百分位点，根据百分位点分析结果为每一项特征变量的打分规则，根据打分规则和训练集对机器学习模型进行训练，计算每一项特征变量的信息熵，利用机器学习模型基于信息熵确定的权重和每一项特征变量的分值加权求和得到安全性评分，最后使用训练好的模型在验证集上验证通过后，得到安全性分析模型。
具体而言，本申请实施例的安全性分析模型的训练过程如下：
1、构建样本集，分为训练结和验证集，并对训练集的数据预处理，其中，预处理的方法与能耗分析模型中预处理方法相同。
2、样本集特征变量统计分析
对样本数据集进行分布分析，获取各安全性分析指标(每一项特征变量)的百分位点，根据百分位点分析结果，对分位数每10％区间赋值一定的分数，以制定每一项特征变量的打分规则。以百公里急加速次数为例，假设分段如图2所示，其表3为特征变量与分值的对应表。
表3
| 百公里急加速次数 | 分值 |
| 3次 | 95 |
| 7次 | 80 |
| 15次 | 69 |
采用熵权法计算各项指标权重。
3、确定各指标权重
根据信息熵的计算公式，计算出各个指标的信息熵为E1,E2,…,Ek，
其中，信息熵计算公式如下：
通过信息熵计算各指标的权重：
其中，Ek为第k个指标的信息熵；pk为第k个指标对应的发生概率；Wk为第k个指标的权重。
4、计算综合权重
总权重＝熵权法权重；
采用加权求和方式计算综合得分即安全性分析得分：
score＝k1*s1+k2*s2+…kn*sn，
其中，k1，k2，kn为各指标权重，s1，s2，sn为各指标对应的分数。
将分数进行转换，转换到适合的范围内(70～100分)：
score＝score*f，
其中，f为分数的映射函数。
模型上线部署方式：对当前周前一周的数据进行模型训练，预测前一周的结果，然后打标签(标签是上一周的)。
在本申请实施例中，舒适性分析模型的训练过程与安全性分析模型的训练过程相同。
可以理解的是，本申请实施例的舒适性分析模型的训练过程与安全性分析模型的训练过程相同。
其中，如表4所示，表4为舒适性影响特征变量的数据集。
表4
举例而言，本申请实施例的舒适性分析模型的训练过程如下：
1、对样本数据集进行分布分析，获取各舒适性分析指标百分位点，根据百分位点分析结果，制定每一项特征变量的打分规则。表5为特征变量的打分规则。
表5
| 百公里急加速次数 | 分值 |
| 3次 | 95 |
| 7次 | 80 |
| 15次 | 69 |
2、采用熵权法计算各项指标权重(参照安全性得分计算方法)。
3、采用加权求和方式计算综合得分即舒适性分析得分。
score＝k1*s1+k2*s2+…kn*sn，
其中，k1，k2，kn为各指标权重，s1，s2，sn为各指标对应的分数。
4、将分数进行转换，转换到适合的范围内，如70～100分。
score＝score*f，
其中，f为分数的映射函数。
模型上线部署方式：对当前周前一周的数据进行模型训练，预测前一周的结果，然后打标签(标签是上一周的)。
在本申请实施例中，根据数据集构建样本集，包括：从数据集中筛选预设时长内的数据；将筛选后的数据中第一区间的数据作为负样本，将筛选后的数据中第二区间的数据作为正样本，其中，第一区间和第二区间为不同的区间；根据负样本和正样本生成样本集。
其中，预设时长可以依据具体情况进行设定，对此不做具体限定，比如可以设定为一周或两周。
可以理解的是，本申请实施例可以从数据集中筛选预设时长内的数据值，将筛选后的数据中第一区间的数据作为负样本，筛选后的数据中的第二区间的数据作为正样本，比如为数据的前20％作为负样本，后20％作为正样本，根据负样本和正样本生成样本集。
举例而言，以构建能耗分析模型的样本集为例：筛选一段时间内(一周，可标定)，使用平均百公里能耗值能耗得到驾驶行为相关的能耗值，使用此能耗最高的前20％为负样本，能耗最低的前20％为正样本，以一个月数据为样本，可以视数据量进行过采样或欠采样，样本集示例如表6所示，其中，表6为样本集示例。
表6
| vin1 | 特征变量 | 1 |
| vin2 | 特征变量 | 1 |
| vin3 | 特征变量 | 0 |
在步骤S103中，基于能耗评分、舒适性评分和安全性评分计算驾驶员的驾驶行为评分。
在本申请实施例中，基于能耗评分、舒适性评分和安全性评分计算驾驶员的驾驶行为评分，包括：计算能耗评分、舒适性评分和安全性评分的评分和；对评分进行极差标准化得到驾驶行为标准化得分；根据驾驶行为标准化得分计算驾驶员的驾驶行为评分。
可以理解的是，本申请实施例可以将能耗评分、舒适性评分、安全性评分三者求和，对评分进行极差标准化得到驾驶行为标准化得分，进一步根据驾驶行为标准化得分计算驾驶员的驾驶行为评分，具体公式如下：
驾驶行为得分＝能耗得分+安全性得分+舒适性得分
驾驶行为评分＝70+30*驾驶行为标准化得分
需要说明的是，最终求得的驾驶行为评级结果为整数。除此之外，由于驾驶行为得分中，能耗得分权重较大，因此能耗部分得分的准确率决定了驾驶行为得分的效果，所以模型验证可以参照能耗得到，根据实际经验，如果能耗得分准确率大于80％，则整体模型效果较好。
总体驾驶行为评分的模型构建如图3所示，将多种影响模型的变量(字段)输入至模型中，不同车型模型输入字段如表7所示，表7为模型输入字段。
表7
模型的输出表有两张，分别为驾驶行为评分表和驾驶行为评分因子表，如下所示，表8为驾驶行为评分(Model_2)表的字段，表9为驾驶行为评分因子(Model_2_data)表的字段。
表8
| 字段名 | 中文名 |
| vin | vin |
| car_series | 车系 |
| time_interval | time_interval |
| type | 评分类型 |
| score | 分值 |
表9
| 字段名 | 中文名 |
| vin | vin |
| car_series | car_series |
| time_interval | time_interval |
| driver_score | 驾驶行为分数 |
| safe_score | 安全性得分 |
| comfort_score | 舒适性得分 |
| drain_use_score | 能耗评分 |
| instantaneous_speed_std | 加速度标准差 |
| speed_std | 速度标准差 |
| instantaneous_speed_abs_avg | 加速度绝对平均值 |
| high_speed_times | 百公里急加速次数 |
| low_speed_rapidly_accelerate_times | 百公里低速行驶急加速次数 |
| high_speed_sharp_slow_times | 百公里高速行驶急减速次数 |
| veh_speed_avg | 平均行驶速度 |
| night_drive_mileage | 百公里夜间驾驶里程 |
| tired_drive_mileage | 百公里疲劳驾驶里程 |
| tired_rapidly_accelerate_times | 百公里疲劳驾驶急加速次数 |
综上，本申请实施例的驾驶行为评分方法，通过构建三个分析模型，能耗分析模型，舒适性分析模型，安全性分析模型，从能耗、驾驶习惯、安全性、等三个维度进行驾驶行为评分评级，得到最终的驾驶行为评分，模型所用响应变量为车辆的可控制因素，从而促进驾驶人员的安全驾驶、良好驾驶，提出改进建议。
根据本申请实施例提出的驾驶行为评分方法，采用多个维度(能耗、安全性、舒适性)、多个特征变量对驾驶员的驾驶行为进行评分，提高了对驾驶行为评分的准确性，以更好的促进驾驶人员的安全驾驶、良好驾驶，规范驾驶行为，从而可以提升驾驶的安全性。
其次参照附图描述根据本申请实施例提出的驾驶行为评分装置。
图4是本申请实施例的驾驶行为评分装置的方框示意图。
如图4所示，该驾驶行为评分装置10包括：获取模块100、识别模块200和计算模块300。
其中，获取模块100用于获取驾驶员的驾驶行为数据；识别模块200用于识别驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量，将能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量分别输入预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，得到能耗评分、舒适性评分和安全性评分；计算模块300用于基于能耗评分、舒适性评分和安全性评分计算驾驶员的驾驶行为评。
在本申请实施例中，能耗分析模型的训练过程包括：获取能耗影响特征变量的数据集；根据数据集构建样本集，将样本集随机切分成训练集和验证集；对训练集进行数据预处理，对预处理后的训练集中的特征变量构造评分卡自变量，并计算特征变量与能耗之间的相关性值；基于相关性值筛选训练集，基于评分卡自变量和筛选后的训练集对机器学习模型进行训练，并设置评分卡自变量与分值的转换关系，使得机器学习模型基于转换关系输出能耗得分，其中，能耗得分越高对应能耗越高；利用验证集对训练的机器学习模型验证通过后，得到能耗分析模型。
在本申请实施例中，安全性分析模型的训练过程包括：获取安全驾驶影响特征变量的数据集；根据数据集构建样本集，将样本集随机切分成训练集和验证集；对训练集进行数据预处理，对预处理后的训练集中进行分布分析，获取每一项特征变量的百分位点，根据百分位点分析结果设置每一项特征变量的打分规则；根据打分规则和预处理后的训练集对机器学习模型进行训练，在训练过程中计算每一项特征变量的信息熵，使得机器学习模型基于信息熵确定的权重和每一项特征变量的分值加权求和得到安全性评分；利用验证集对训练的机器学习模型验证通过后，得到安全性分析模型。
在本申请实施例中，舒适性分析模型的训练过程与安全性分析模型的训练过程相同。
在本申请实施例中，根据数据集构建样本集，包括：从数据集中筛选预设时长内的数据；将筛选后的数据中第一区间的数据作为负样本，将筛选后的数据中第二区间的数据作为正样本，其中，第一区间和第二区间为不同的区间；根据负样本和正样本生成样本集。
在本申请实施例中，计算模块300进一步用于：计算能耗评分、舒适性评分和安全性评分的评分和；对评分进行极差标准化得到驾驶行为标准化得分；根据驾驶行为标准化得分计算驾驶员的驾驶行为评分。
需要说明的是，前述对驾驶行为评分方法实施例的解释说明也适用于该实施例的驾驶行为评分装置，此处不再赘述。
根据本申请实施例提出的驾驶行为评分装置，采用多个维度(能耗、安全性、舒适性)、多个特征变量对驾驶员的驾驶行为进行评分，提高了对驾驶行为评分的准确性，以更好的促进驾驶人员的安全驾驶、良好驾驶，规范驾驶行为，从而可以提升驾驶的安全性。
图5为本申请实施例提供的服务器的结构示意图。该服务器可以包括：
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的驾驶行为评分方法。
进一步地，服务器还包括：
通信接口503，用于存储器501和处理器502之间的通信。
存储器501，用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请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，该程序被处理器执行时实现如上的驾驶行为评分方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请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是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种驾驶行为评分方法，其特征在于，包括以下步骤：
获取驾驶员的驾驶行为数据；
识别所述驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量，将所述能耗影响特征变量、所述舒适性影响特征变量和所述安全驾驶影响特征变量分别输入预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，得到能耗评分、舒适性评分和安全性评分；
基于所述能耗评分、所述舒适性评分和所述安全性评分计算所述驾驶员的驾驶行为评分。
2.根据权利要求1所述的驾驶行为评分方法，其特征在于，所述能耗分析模型的训练过程包括：
获取能耗影响特征变量的数据集；
根据所述数据集构建样本集，将所述样本集随机切分成训练集和验证集；
对所述训练集进行数据预处理，对预处理后的训练集中的特征变量构造评分卡自变量，并计算所述特征变量与能耗之间的相关性值；
基于所述相关性值筛选所述训练集，基于所述评分卡自变量和所述筛选后的训练集对机器学习模型进行训练，并设置所述评分卡自变量与分值的转换关系，使得所述机器学习模型基于所述转换关系输出能耗得分，其中，能耗得分越高对应能耗越高；
利用所述验证集对训练的机器学习模型验证通过后，得到所述能耗分析模型。
3.根据权利要求1所述的驾驶行为评分方法，其特征在于，所述安全性分析模型的训练过程包括：
获取安全驾驶影响特征变量的数据集；
根据所述数据集构建样本集，将所述样本集随机切分成训练集和验证集；
对所述训练集进行数据预处理，对预处理后的训练集中进行分布分析，获取每一项特征变量的百分位点，根据百分位点分析结果设置每一项特征变量的打分规则；
根据所述打分规则和所述预处理后的训练集对机器学习模型进行训练，在训练过程中计算所述每一项特征变量的信息熵，使得所述机器学习模型基于信息熵确定的权重和每一项特征变量的分值加权求和得到安全性评分；
利用所述验证集对训练的机器学习模型验证通过后，得到所述安全性分析模型。
4.根据权利要求3所述的驾驶行为评分方法，其特征在于，所述舒适性分析模型的训练过程与所述安全性分析模型的训练过程相同。
5.根据权利要求2或3所述的驾驶行为评分方法，其特征在于，所述根据所述数据集构建样本集，包括：
从所述数据集中筛选预设时长内的数据；
将筛选后的数据中第一区间的数据作为负样本，将筛选后的数据中第二区间的数据作为正样本，其中，所述第一区间和所述第二区间为不同的区间；
根据所述负样本和所述正样本生成所述样本集。
6.根据权利要求1所述的驾驶行为评分方法，其特征在于，所述基于所述能耗评分、所述舒适性评分和所述安全性评分计算所述驾驶员的驾驶行为评分，包括：
计算所述能耗评分、所述舒适性评分和所述安全性评分的评分和；
对所述评分进行极差标准化得到驾驶行为标准化得分；
根据所述驾驶行为标准化得分计算所述驾驶员的驾驶行为评分。
7.一种驾驶行为评分装置，其特征在于，包括：
获取模块，用于获取驾驶员的驾驶行为数据；
识别模块，用于识别所述驾驶行为数据中的能耗影响特征变量、舒适性影响特征变量和安全驾驶影响特征变量，将所述能耗影响特征变量、所述舒适性影响特征变量和所述安全驾驶影响特征变量分别输入预先建立的能耗分析模型、舒适性分析模型和安全性分析模型，得到能耗评分、舒适性评分和安全性评分；
计算模块，用于基于所述能耗评分、所述舒适性评分和所述安全性评分计算所述驾驶员的驾驶行为评分。
8.根据权利要求7所述的驾驶行为评分装置，其特征在于，所述能耗分析模型的训练过程包括：
获取能耗影响特征变量的数据集；
根据所述数据集构建样本集，将所述样本集随机切分成训练集和验证集；
对所述训练集进行数据预处理，对预处理后的训练集中的特征变量构造评分卡自变量，并计算所述特征变量与能耗之间的相关性值；
基于所述相关性值筛选所述训练集，基于所述评分卡自变量和所述筛选后的训练集对机器学习模型进行训练，并设置所述评分卡自变量与分值的转换关系，使得所述机器学习模型基于所述转换关系输出能耗得分，其中，能耗得分越高对应能耗越高；
利用所述验证集对训练的机器学习模型验证通过后，得到所述能耗分析模型。
9.一种服务器，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的驾驶行为评分方法。
10.一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，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的驾驶行为评分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311688738.7A CN118152844A (zh) | 2023-12-08 | 2023-12-08 | 驾驶行为评分方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311688738.7A CN118152844A (zh) | 2023-12-08 | 2023-12-08 | 驾驶行为评分方法、装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118152844A true CN118152844A (zh) | 2024-06-07 |
Family
ID=91284095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311688738.7A Pending CN118152844A (zh) | 2023-12-08 | 2023-12-08 | 驾驶行为评分方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118152844A (zh) |
-
2023
- 2023-12-08 CN CN202311688738.7A patent/CN118152844A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023024407A1 (zh) | 基于相邻卷积的模型剪枝方法、装置及存储介质 | |
| CN109635830B (zh) | 用于估算汽车质量的有效数据的筛选方法 | |
| CN111552926A (zh) | 基于车联网的驾驶行为评价方法、***及存储介质 | |
| WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 | |
| CN109002981B (zh) | 驾驶行为评分方法、***、装置及计算机可读存储介质 | |
| CN112766578A (zh) | 一种基于车辆网的车辆用途识别方法、***及存储介质 | |
| So et al. | Cost-sensitive multi-class AdaBoost for understanding driving behavior with telematics | |
| CN113379318A (zh) | 公共交通***运营服务质量评价方法、装置和计算机设备 | |
| US10807602B2 (en) | Evaluating apparatus | |
| CN113486202A (zh) | 小样本图像分类的方法 | |
| CN111047142B (zh) | 一种基于层次分析法的汽车评分方法及*** | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN118152844A (zh) | 驾驶行为评分方法、装置、服务器及存储介质 | |
| CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
| CN115841712A (zh) | 一种基于v2x技术的驾驶数据处理方法、装置及设备 | |
| CN115438731A (zh) | 一种基于混合采样的公平感知集成模型训练方法 | |
| CN111860661B (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
| CN115423600A (zh) | 数据筛选方法、装置、介质及电子设备 | |
| CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
| CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN114093055A (zh) | 一种路谱生成的方法、装置、电子设备及介质 | |
| CN113837865A (zh) | 多维度风险特征策略的提取方法 | |
| CN113656586A (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
| CN112257869A (zh) | 基于随机森林的***分析方法、***及计算机介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |