预测驾车风险的方法、装置及系统与流程

本申请涉及数据分析处理技术领域，尤其是涉及一种预测驾车风险的方法、装置及系统。

背景技术：

统计表明，机动车驾驶员(以下简称驾驶员)违法或不当驾驶行为是引起交通事故的主要原因。因此，有必要深入研究驾驶员的驾驶行为与交通事故之间的关系，从而根据这种关系找出相应的应对方案，以提高交通安全，保障生命和财产安全。

一般的，驾驶行为是由驾驶员所产生的生理状况和心里活动所决定，并同时产生相应的车辆行驶行为。然而，本申请的发明人发现，要直接观测和定量描述驾驶员的驾驶行为是较为困难，因此，目前没有可定量预判驾驶员驾驶风险并进行相应预警的技术方案。

技术实现要素：

本申请实施例的目的在于提供一种预测驾车风险的方法、装置及系统，以实现可可定量预判驾驶员驾驶风险并进行相应预警。

为达到上述目的，本申请实施例提供了一种预测驾车风险的方法，包括以下步骤：

获取客户端对应用户的影响驾车安全的非驾驶因素的特征向量；

根据预设模型以及所述特征向量生成该用户的驾车风险值，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系；

依据所述驾车风险值生成对应的预警信息；

向所述客户端发送包含所述预警信息的预警消息。

另一方面，本申请实施例提供了另一种预测驾车风险的方法，包括以下步骤：

接收服务器端发送的包含预警信息的预警消息，所述预警信息由所述服务器端依据所述驾车风险值生成，所述驾车风险值由所述服务器端根据预设模型以及客户端对 应用户的特征向量生成，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系；

将所述预警消息输出，以对所述客户端对应用户预警。

再一方面，本申请实施例还提供了另一种预测驾车风险的方法，包括以下步骤：服务器端获取客户端对应用户的影响驾车安全的非驾驶因素的特征向量；

所述服务器端根据预设模型以及所述特征向量生成该用户的驾车风险值，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系；

所述服务器端依据所述驾车风险值生成对应的预警信息；

所述服务器端向所述客户端发送包含所述预警信息的预警消息；

所述客户端接收所述预警消息；

所述客户端将所述预警消息输出，以对所述客户端对应用户预警。

再一方面，本申请实施例提供了一种预测驾车风险的装置，包括：

特征向量获取模块，用于获取客户端对应用户的影响驾车安全的非驾驶因素的特征向量；

驾车风险生成模块，用于根据预设模型以及所述特征向量生成该用户的驾车风险值，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系；

预警信息生成模块，用于依据所述驾车风险值生成对应的预警信息；

预警消息发送模块，用于向所述客户端发送包含所述预警信息的预警消息。

再一方面，本申请实施例提供了另一种预测驾车风险的装置，包括：

预警消息接收模块，用于接收服务器端发送的包含预警信息的预警消息，所述预警信息由所述服务器端依据所述驾车风险值生成，所述驾车风险值由所述服务器端根据预设模型以及客户端对应用户的特征向量生成，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系；

预警消息输出模块，用于将所述预警消息输出，以对所述客户端对应用户预警。

为达到上述目的，本申请实施例还提供了一种预测驾车风险的系统，包括以上的预测驾车风险的装置。

本申请实施例首先获取客户端对应用户的影响驾车安全的非驾驶因素的特征向量，其次，根据预设模型以及特征向量生成该用户的驾车风险值，其中，预设模型反 映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系，然后，依据所述驾车风险值生成对应的预警信息，向所述客户端发送包含所述预警信息的预警消息，从而实现了定量预判驾驶员驾驶风险并进行相应预警，因而有利于降低驾车风险。

附图说明

此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请实施例的一部分，并不构成对本申请实施例的限定。在附图中：

图1为本申请一实施例的预测驾车风险的方法流程图；

图2为本申请一实施例的预测驾车风险的方法流程图；

图3为本申请一实施例的预测驾车风险的方法流程图；

图4为本申请一实施例的预测驾车风险的装置的结构框图；

图5为本申请一实施例的预测驾车风险的装置的结构框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本申请实施例做进一步详细说明。在此，本申请实施例的示意性实施例及其说明用于解释本申请实施例，但并不作为对本申请实施例的限定。

下面结合附图，对本申请实施例的具体实施方式作进一步的详细说明。

参考图1所示，本申请一实施例的预测驾车风险的方法包括以下步骤：

S11，获取客户端对应用户的影响驾车安全的非驾驶因素的特征向量。在本申请的实施例中，本申请发明人发现影响驾车安全的非驾驶因素有很多，例如可以是：

(1)，驾驶环境：例如客户端对应用户当前所处区域位置的交通路况、天气情况等。

(2)，健康状况：即客户端对应用户设定时间范围的健康状况，该健康状况可分为精神健康状况和生理健康状况。

(3)，安全意识素养：比如是否按期保养汽车，是否购买并使用了安全用品，行车安全知识的掌握程度等等。

(4)，性格特征：比如冒险型，保守型，中庸型。性格可能影响人谨慎驾驶程度。

在本申请的实施例中，有些影响驾车安全的非驾驶因素可以是从客户端获取，例 如健康状态、安全意识素养和性格特征可采人机交互模式得到(比如交互式问答测试)。有些影响驾车安全的非驾驶因素可以从其他设备或系统获取(比如驾驶环境中的位置区域可通过卫星定位获得)。

以上每个影响驾车安全的非驾驶因素作为一个维度，从而组成多维度的矩阵，从而求出该矩阵的特征向量。

由于影响影响驾车安全的非驾驶因素较多，难以穷举，因此，本申请实施例仅列举中以上几个作为示例并不构成对本申请的限制，在另一些实施例中影响驾车安全的非驾驶因素可以根据实际情况增删。

S12，根据预设模型以及所述特征向量生成该用户的驾车风险值。其中，所述预设模型基于历史驾车风险数据建立的广义线性模型(generalized linear model,GLM)，该广义线性模型可反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的函数关系。其中，历史驾车风险数据为设定时间范围内群体样本的由影响驾车安全的非驾驶因素所致的历史驾车风险记录。具体来说，本申请实施例的广义线性模型是基于统计建模的思想得到的，首先要收集过去若干年内某区域内由影响驾车安全的非驾驶因素所致的历史驾车风险记录；然后借助统计分析软件系统建立GLM模型，即求解出每个特征变量的权重，从而得到驾车风险值与特征变量之间的计算公式。假设本申请实施例的广义线性模型为f(y)＝a₀+a₁x_1j+a₂x_2j+…+a_ix_ij+b_j,其中，y为驾车风险值，x_ij为影响驾车安全的非驾驶因素，a₀为常数，b_j为随机误差，a_i即为每个特征变量的权重。而建立模型的过程就是求解a₀,a₁,…,a_i以及b_j的过程。本申请实施例中，建立GLM模型所用的统计分析软件系统可以是SAS(Statistics Analysis System，统计分析系统)、R(The R Programming Language)、EMBLEM等。一般的，通过上述方法建立好的广义线性模型保存于服务器端。此外，本申请实施例中，GLM模型可以是两项分布、泊松分布、伽马分布、Tweedie分布等。

本申请实施例中，驾车风险值包括可是客户端对应用户的总驾车风险值，也可以是各驾驶因素的分驾车风险值及权重，或者还可以是客户端对应用户的总驾车风险值和各驾驶因素的分驾车风险值及权重。

S13，依据所述驾车风险值生成对应的预警信息。其中，可以预先设置若干不同的驾车风险等级(即驾车风险值范围)，并针对每个驾车风险等级设定对应的预警信息，驾车风险值属于何种等级就调用该等级所对应的预警信息。当然，本申请实施例 中，在向所述客户端发送包含所述预警信息的预警消息之前，还可以判断当前生成的预警信息是否超出预设阈值；如果超出，则向所述客户端发送包含所述预警信息的预警消息，否则，可以丢弃该驾车风险值。也就说对于低于预设阈值的则认为是安全的，无需发预警，这样不仅降低处理的复杂度，节约资源，同时也避免过多的打扰客户端对应用户的驾驶。

S14，向所述客户端发送包含所述预警信息的预警消息。本申请实施例中预警消息可是语音消息、图文消息等，但语音是较优选择，因为在驾车过程中，方便客户端客户获知。

参考图2所示，本申请一实施例的预测驾车风险的方法包括以下步骤：

S21，接收服务器端发送的包含预警信息的预警消息。所述预警信息由所述服务器端依据所述驾车风险值生成，所述驾车风险值由所述服务器端根据预设模型以及客户端对应用户的特征向量生成，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系。其中，所述预警信息的生成，所述驾车风险值的生成可参见图1及上一实施例，在此不再赘述。

S22，将所述预警消息输出，以对所述客户端对应用户预警。有时客户端对应用户可能因为各种原因在某些时候不能正确预见或认识自己的驾驶处境，而发出的预警则像一个安全提醒小秘书一样及时给予提醒，从而有利于降低驾车风险。

参考图3所示本申请一实施例的预测驾车风险的方法包括以下步骤：

S31，服务器端获取客户端对应用户的影响驾车安全的非驾驶因素的特征向量。在本申请的实施例中，影响驾车安全的非驾驶因素例如可以是：

(1)，驾驶环境：例如客户端对应用户当前所处区域位置的交通路况、天气情况等。

(2)，健康状况：即客户端对应用户设定时间范围的健康状况，该健康状况可分为精神健康状况和生理健康状况。

(3)，安全意识素养：比如是否按期保养汽车，是否购买并使用了安全用品，行车安全知识的掌握程度等等。

(4)，性格特征：比如冒险型，保守型，中庸型。性格可能影响人谨慎驾驶程度，在本申请的实施例中，有些影响驾车安全的非驾驶因素可以是从客户端获取，例如健康状态、安全意识素养和性格特征可采人机交互模式得到(比如交互式问答测试)。 有些影响驾车安全的非驾驶因素可以从其他设备或系统获取(比如驾驶环境中的位置区域可通过卫星定位获得)。

以上每个影响驾车安全的非驾驶因素作为一个维度，从而组成多维度的矩阵，从而求出该矩阵的特征向量。

由于影响影响驾车安全的非驾驶因素较多，难以穷举，因此，本申请实施例仅列举中以上几个作为示例并不构成对本申请的限制，在另一些实施例中影响驾车安全的非驾驶因素可以根据实际情况增删。

S32，所述服务器端根据预设模型以及所述特征向量生成该用户的驾车风险值，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系。所述预设模型基于历史驾车风险数据建立的GLM模型，该GLM模型可反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的函数关系。其中，历史驾车风险数据为设定时间范围内群体样本的由影响驾车安全的非驾驶因素所致的历史驾车风险记录。具体来说，本申请实施例的广义线性模型是基于统计建模的思想得到的，首先要收集过去若干年内某区域内由影响驾车安全的非驾驶因素所致的历史驾车风险记录；然后借助统计分析软件系统建立GLM模型，即求解出每个特征变量的权重，从而得到驾车风险值与特征变量之间的计算公式。假设本申请实施例的广义线性模型为f(y)＝a₀+a₁x_1j+a₂x_2j+…+a_ix_ij+b_j,其中，y为驾车风险值，x_ij为影响驾车安全的非驾驶因素，a₀为常数，b_j为随机误差，a_i即为每个特征变量的权重。而建立模型的过程就是求解a₀,a₁,…,a_i以及b_j的过程。本申请实施例中，建立GLM模型所用的统计分析软件系统可以是SAS软件系统、R、EMBLEM等。一般的，通过上述方法建立好的广义线性模型保存于服务器端。此外，本申请实施例中，GLM模型可以是两项分布、泊松分布、伽马分布、Tweedie分布等。

S33，所述服务器端依据所述驾车风险值生成对应的预警信息。其中，可以预先设置若干不同的驾车风险等级(即驾车风险值范围)，并针对每个驾车风险等级设定对应的预警信息，驾车风险值属于何种等级就调用该等级所对应的预警信息。当然，本申请实施例中，在向所述客户端发送包含所述预警信息的预警消息之前，还可以判断当前生成的预警信息是否超出预设阈值；如果超出，则向所述客户端发送包含所述预警信息的预警消息，否则，可以丢弃该驾车风险值。也就说对于低于预设阈值的则认为是安全的，无需发预警，这样不仅降低处理的复杂度，节约资源，同时也避免过 多的打扰客户端对应用户的驾驶。

S34，所述服务器端向所述客户端发送包含所述预警信息的预警消息。本申请实施例中预警消息可是语音消息、图文消息等，但语音是较优选择，因为在驾车过程中，方便客户端客户获知。

S35，所述客户端接收所述预警消息。

S36，所述客户端将所述预警消息输出，以对所述客户端对应用户预警。有时客户端对应用户可能因为各种原因在某些时候不能正确预见或认识自己的驾驶处境，而发出的预警则像一个安全提醒小秘书一样及时给予提醒，从而有利于降低驾车风险。

虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

本申请一实施例的预测驾车风险的系统包括服务器端和至少一个客户端，通过服务器端和客户端的交互实现定量预判驾驶员驾驶风险并进行相应预警，其中，该客户端可以为APP客户端。

结合图4所示，服务器端包括：

特征向量获取模块41，用于获取客户端对应用户的影响驾车安全的非驾驶因素的特征向量。在本申请的实施例中，影响驾车安全的非驾驶因素例如可以是：

(1)，驾驶环境：例如客户端对应用户当前所处区域位置的交通路况、天气情况等。

(2)，健康状况：即客户端对应用户设定时间范围的健康状况，该健康状况可分为精神健康状况和生理健康状况。

(3)，安全意识素养：比如是否按期保养汽车，是否购买并使用了安全用品，行车安全知识的掌握程度等等。

(4)，性格特征：比如冒险型，保守型，中庸型。性格可能影响人谨慎驾驶程度，在本申请的实施例中，有些影响驾车安全的非驾驶因素可以是从客户端获取，例如健康状态、安全意识素养和性格特征可采人机交互模式得到(比如交互式问答测试)。有些影响驾车安全的非驾驶因素可以从其他设备或系统获取(比如驾驶环境中的位置区域可通过卫星定位获得)。

以上每个影响驾车安全的非驾驶因素作为一个维度，从而组成多维度的矩阵，从 而求出该矩阵的特征向量。

由于影响影响驾车安全的非驾驶因素较多，难以穷举，因此，本申请实施例仅列举中以上几个作为示例并不构成对本申请的限制，在另一些实施例中影响驾车安全的非驾驶因素可以根据实际情况增删。

驾车风险生成模块42，用于根据预设模型以及所述特征向量生成该用户的驾车风险值，所述预设模型基于历史驾车风险数据建立的GLM模型，该GLM模型可反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的函数关系。其中，历史驾车风险数据为设定时间范围内群体样本的由影响驾车安全的非驾驶因素所致的历史驾车风险记录。具体来说，本申请实施例的广义线性模型是基于统计建模的思想得到的，首先要收集过去若干年内某区域内由影响驾车安全的非驾驶因素所致的历史驾车风险记录；然后借助统计分析软件系统建立GLM模型，即求解出每个特征变量的权重，从而得到驾车风险值与特征变量之间的计算公式。假设本申请实施例的广义线性模型为f(y)＝a₀+a₁x_1j+a₂x_2j+…+a_ix_ij+b_j,其中，y为驾车风险值，x_ij为影响驾车安全的非驾驶因素，a₀为常数，b_j为随机误差，a_i即为每个特征变量的权重。而建立模型的过程就是求解a₀,a₁,…,a_i以及b_j的过程。本申请实施例中，建立GLM模型所用的统计分析软件系统可以是SAS软件系统、R、EMBLEM等。一般的，通过上述方法建立好的广义线性模型保存于服务器端。此外，本申请实施例中，GLM模型可以是两项分布、泊松分布、伽马分布、Tweedie分布等。

预警信息生成模块43，用于依据所述驾车风险值生成对应的预警信息。其中，可以预先设置若干不同的驾车风险等级(即驾车风险值范围)，并针对每个驾车风险等级设定对应的预警信息，驾车风险值属于何种等级就调用该等级所对应的预警信息。当然，本申请实施例中，在向所述客户端发送包含所述预警信息的预警消息之前，还可以判断当前生成的预警信息是否超出预设阈值；如果超出，则向所述客户端发送包含所述预警信息的预警消息，否则，可以丢弃该驾车风险值。也就说对于低于预设阈值的则认为是安全的，无需发预警，这样不仅降低处理的复杂度，节约资源，同时也避免过多的打扰客户端对应用户的驾驶。

预警消息发送模块44，用于向所述客户端发送包含所述预警信息的预警消息。本申请实施例中预警消息可是语音消息、图文消息等，但语音是较优选择，因为在驾车过程中，方便客户端客户获知。

结合图5所示，其中，客户端包括：

预警消息接收模块51，用于接收服务器端发送的包含预警信息的预警消息，所述预警信息由所述服务器端依据所述驾车风险值生成，所述驾车风险值由所述服务器端根据预设模型以及客户端对应用户的特征向量生成，所述预设模型反映驾车风险值与影响驾车安全的非驾驶因素的特征向量之间的关系；

预警消息输出模块52，用于将所述预警消息输出，以对所述客户端对应用户预警。有时客户端对应用户可能因为各种原因在某些时候不能正确预见或认识自己的驾驶处境，而发出的预警则像一个安全提醒小秘书一样及时给予提醒，从而有利于降低驾车风险。

本领域技术人员还可以了解到上述实施例列出的各种说明性逻辑块、单元和步骤可以通过硬件、软件或两者的结合来实现。至于是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本申请实施例保护的范围。

本申请实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本申请实施例所描述的上述功能可以在硬件、软 件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请实施例的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。