汽车驾驶行为检测方法及装置、汽车与流程

本发明涉及汽车控制技术领域，尤其涉及一种汽车驾驶行为检测方法及装置、汽车。

背景技术：

目前，随着社会经济的快速发展，汽车已经成为人们出行常用的代步工具。但是随着汽车保有量的迅速上升，交通事故导致的发生率也不断上升。据世界卫生组织统计，道路交通事故导致全球每年有120万人死亡和大约5000万人受伤，因此减少道路交通事故已经成为普遍关注的社会问题。在对交通事故的研究中，人们发现驾车者的心理因素与生理因素对交通安全具有同等重要的影响。心理因素方面既包括驾车者本身的性能、气质等要素，也包括驾车者因为诸如道路拥挤、违规驾驶、堵车和停车困难等外部事件而诱发的不良情绪要素。在行车过程中，情绪失控的驾车者往往会作出一些与平常的驾驶习惯严重不符合的异常驾驶行为，例如恶意超车、会车和频繁变道等。异常驾驶行为会给道路交通带来一系列的安全隐患，并会给自己和他人带来危险，因此，需要一种检测机制，可以对出驾驶员的行为进行检测，提高行车安全。

技术实现要素：

有鉴于此，本发明要解决的一个技术问题是提供一种汽车驾驶行为检测方法及装置、汽车。

根据本发明实施例的一个方面，提供一种汽车驾驶行为检测方法，包括：根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；采集驾驶行为数据，基于所述汽车运行预测模型获取与所述驾驶行为数据相对应的第一运行特征参数的预测值；根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测。

可选地，所述多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

可选地，基于所述汽车运行预测模型获取与所述驾驶行为数据相对应的第一运行特征参数的预测值包括：确定与所述驾驶行为数据对应的所述第一运行特征参数；其中，所述第一运行特征参数的数量为一个或多个；获取除了第一运行特征参数、所述多个运行特征参数中其余运行特征参数的数值，并输入所述汽车运行预测模型获取所述第一运行特征参数的预测值；其中，所述第一运行特征参数的预测值为数值和/或设定的时间段内的预测特征曲线。

可选地，根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测包括：预设驾驶行为检测规则，其中，所述驾驶行为检测规则包括预测差值规则；判断所述第一运行特征参数的预测值与所述驾驶行为数据的差异是否在所述预测差值规则设定的阈值范围内，如果否，则判断驾驶员具有异常驾驶行为。

可选地，所述驾驶行为数据为加速踏板控制数据，所述第一运行特征参数的预测值为加速踏板位置的预测值；当判断所述加速踏板位置的预测值与所述加速踏板控制数据的差异大于所述预测差值规则设定的阈值时，则确定驾驶员加速或减速操作异常；或所述驾驶行为数据为转向控制数据，所述第一运行特征参数的预测值为转向角度的预测值；当判断所述转向角度的预测值与所述转向控制数据的差异大于所述预测差值规则设定的阈值时，则确定驾驶员转向操作异常。

可选地，根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测包括：获取设定时段内的驾驶行为数据并生成驾驶行为特征曲线；基于所述汽车运行预测模型获取第一运行特征参数在此设定时段内的预测值并生成预测特征曲线；将所述驾驶行为特征曲线与所述预测特征曲线进行比对，用以确定驾驶员身份和/或驾驶员具有异常驾驶行为。

可选地，所述根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型包括：将所述多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，所述神经网络模型为所述汽车运行模型，在所述汽车运行模型中设置有所述输入量与所述输出量的映射关系。

可选地，所述汽车运行模型包括输入层、输出层和隐含层；所述输入层包括输入端，接收采集的所述多个运行特征参数的数值；所述输出层包括输出端，输出一个或多个所述运行特征参数的预测值；所述隐含层包括多个处理单元，所述多个处理单元用于实现所述映射关系，分别与输入端、输出端连接。

根据本发明实施例的另一方面，提供一种汽车驾驶行为检测装置，包括：模型建立模块，用于根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；模型训练模块，用于采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；驾驶行为检测模块，用于采集驾驶行为数据，基于所述汽车运行预测模型获取与所述驾驶行为数据相对应的第一运行特征参数的预测值；根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测。

根据本发明实施例的又一方面，提供一种汽车，包括：如上任一项所述的汽车驾驶行为检测装置。

本发明实施例的汽车驾驶行为检测方法及装置、汽车，基于神经网络建立汽车运行模型，通过机器学习对汽车运行模型进行训练获取汽车运行预测模型，判断通过汽车运行预测模型获得的运行特征参数的预测值是否与驾驶员的驾驶行为数据相匹配，确定驾驶员是否出现异常驾驶的情况，提高了驾驶员的行车安全，减少汽车事故的发生。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图：

图1为根据本发明的汽车驾驶行为检测方法的一个实施例的流程图；

图2为汽车驾驶行为检测装置在汽车内部网络中的部署示意图；

图3为汽车运行预测模型的一个实施例的结构示意图；

图4为基于汽车运行预测模型对速度的预测曲线示意图和汽车实际运行的速度曲线示意图；

图5为根据本发明的汽车驾驶行为检测装置的一个实施例的模块示意图；

图6为根据本发明的汽车驾驶行为检测装置的一个实施例的模型训练模块的模块示意图；

图7为根据本发明的汽车驾驶行为检测装置的一个实施例的驾驶行为检测模块的模块示意图

具体实施方式

下面详细描述本发明的实施例，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，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

本技术领域技术人员可以理解，这里所使用的远端网络设备，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。本发明的实施例中，远端网络设备、终端设备与WNS服务器之间可通过任何通信方式实现通信，包括但不限于，基于3GPP、LTE、WIMAX的移动通信、基于TCP/IP、UDP协议的计算机网络通信以及基于蓝牙、红外传输标准的近距无线传输方式。

本领域技术人员应当理解，本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念，是业内技术人员所公知的相同概念，是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定，这种命名本身不受编程语言种类、级别，也不受其赖以运行的操作系统或平台所限制。理所当然地，此类概念也不受任何形式的终端所限制。

下文中的“第一”、“第二”等为描述上相区别，并没有其它特殊的含义。

图1为根据本发明的汽车驾驶行为检测方法的一个实施例的流程图，如图1所示：

步骤101，根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型。

步骤102，采集多个运行特征参数的数值对汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值。

步骤103，采集驾驶行为数据，基于汽车运行预测模型获取与驾驶行为数据相对应的第一运行特征参数的预测值。

步骤104，根据驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测。

上述实施例的汽车驾驶行为检测方法，基于神经网络建立汽车运行模型，通过深度学习对汽车运行模型进行训练获取汽车运行预测模型，通过汽车运行预测模型获得的预测值以及驾驶行为数据进行驾驶行为检测。

图2为汽车驾驶行为检测装置在汽车内部网络中的部署示意图。汽车的内部网络总线有多种，例如CAN总线、以太网总线等。汽车的多个子系统，例如发动机管理系统、刹车控制系统、变速器控制系统、ECU稳定控制系统、巡航控制系统、多媒体网关等、汽车驾驶行为检测装置连接在CAN总线上。多媒体网关通过蓝牙、4G、WIFI等模块与外部的网络连接。

汽车驾驶行为检测装置可以对多媒体网关或蓝牙、4G、WIFI等模块进行控制，在确定驾驶员发生异常操作后，汽车驾驶行为检测装置可以向用户发送警报，包括声音、文字告警、短信等。

在一个实施例中，选取多个运行特征参数以及多个参数之间的关系建立神经网络模型。多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等。

运行特征参数之间有关联，当一个运行特征参数变化，其它的参数也会发生相应的变化。例如，当司机踩下油门踏板，传感器发送信号给电子控制单元ECU，ECU发送信号到电机控制节气门的开度增大，节气门位置传感器采集的数值也会发生相应的变化。当油门开度变化，发动机进气歧管压力也会发生变化，从而对进气压力和进气流量会改变，当进气和燃料量增加时发动机的转速也相应增加等。

可以建立一个模型，能够反映出多个运行特征参数之间改变的关系。在一个实施例中，将多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，神经网络模型为汽车运行模型，在汽车运行模型中设置有输入量与输出量的映射关系。

采用深度学习(深层结构的学习、分层学习或深度机器学习)方式处理建立的神经网络模型，即汽车运行模型。神经网络模型可以为卷积神经网络。递归神经网络等。汽车运行模型包括输入层、输出层和隐含层。输入层包括输入端，接收采集的多个运行特征参数的数值。输出层包括输出端，输出一个或多个运行特征参数的预测值。隐含层包括多个处理单元，多个处理单元用于实现映射关系，分别与输入端、输出端连接。

在汽车运行模型建立后，采集多个运行特征参数的数值对汽车运行模型进行训练、获得汽车运行预测模型。在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本，例如，通过设置在各个部件或系统中的传感器，采集2个小时内的速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等数值，并将采集的数值作为学习样本。使用学习样本对汽车运行模型进行训练，得到汽车运行模型的模型参数以及输入端到处理单元的第一权值，处理单元到输出端的第二权值，获得汽车运行预测模型，即为训练好的汽车运行预测模型。

例如，将汽车速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力作为输入量，发动机的速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力中的一个或多个作为输出量，构建适应输入输出地集成神经网络系统模型，即为汽车运行模型。汽车运行模型对训练样本进行拟合。可以选用具有多节点的输入层、多节点的隐层、单节点的输出层结构的三层BP神经网络用于建模。

通过设置在各个部件或系统中的传感器，采集获取80分钟内速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等参数值作为学习样本，对学习数据进行归一化处理，将归一化后的数据分别采用BP算法等训练神经网络得到个体网络的最优模型参数及其权值，获得汽车运行预测模型。

如图3所示，汽车运行预测模型包括输入层、隐含层和输出层。输入层多个输入端，输入采集的速度、发送机转速等运行特征参数的数据值，多个处理单元h1,h2,……等与输入端通过第一权限连接，与输出端通过第二权值相连，输出端输出速度、转向角度等预测值。输入端输入的运行特征参数的个数和内容可以根据具体需求进行设置，输出端输出的运行特征参数的预测值的个数和内容也可以根据具体的需求进行设置。

图4是通过汽车运行预测模型，即为训练好的汽车运行预测模型获取的速度的预测值曲线，其与实际的速度曲线基本重合，其中，1－速度的预测值曲线，2－实际的速度曲线。

驾驶员具有不同的驾驶习惯，获取在一段时间内的汽车速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等数据，对汽车运行模型进行训练后获取针对此驾驶员的汽车运行预测模型。在驾驶员驾车时，实时获取驾驶行为数据，当判断驾驶行为数据与预测值相差过大时，则可以确定此驾驶员的出现与习惯不同的异常操作，可能出现饮酒、情绪不稳等情况，此时需要提醒驾驶员，避免发生事故。

在一个实施例中，在采集驾驶行为数据后，确定与驾驶行为数据对应的第一运行特征参数。驾驶行为数据可以为一个或多个，第一运行特征参数的数量相应地可以为一个或多个。通过检测传感器采集驾驶行为数据，检测传感器设置的位置包括：方向盘、油门踏板等。

驾驶行为数据包括反映驾驶员对车辆加速、转向和变道等进行控制的数据。在驾驶中，重要的驾驶行为数据包括加减速控制数据、转向控制数据等，当加减速与转向同时进行时，驾驶行为数据也包括侧向加速度数据，即同时包括加减速控制数据和转向控制数据。

在一个实施例中，当驾驶员加减速时，通过踩压加速踏板进行控制，采集的驾驶行为数据为加速踏板控制数据，即加速踏板的行程或位置。通过传感器采集当前车辆的速度、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力等的数值，可以不采集加速踏板位置的数值，也可以获取当前的加速踏板位置作为预测的基数，用于计算加速踏板位置的变化量，也可以查询存储装置获取上述的数值。将上述的数值输入汽车运行预测模型获取加速踏板位置的预测值，汽车运行预测模型可以输出汽车在几个时间点的加速踏板位置的预测值，也可以输出在之后的时间段(5秒)内的加速踏板位置的预测曲线。

预设驾驶行为检测规则，驾驶行为检测规则包括预测差值规则。判断第一运行特征参数的预测值与驾驶行为数据的差异是否在预测差值规则设定的阈值范围内，如果否，则判断驾驶员具有异常驾驶行为。

例如，驾驶行为数据为加速踏板控制数据，第一运行特征参数的预测值为加速踏板位置的预测值。通过汽车运行预测模型获取在下一秒加速踏板位置的预测值为A1，而加速踏板控制数据中加速踏板位置为A2。加速踏板的位置与速度有直接的联系，驾驶员对加速踏板的控制可以保持速度或加速。当A1与A2的差值超过了预测差值规则设定的阈值范围时，说明汽车在异常提速或减速，与平时的驾驶行为操作不相符，驾驶员可能出现情绪异常或饮酒等异常情况，则确定驾驶员加速或减速操作异常。

驾驶行为数据为转向控制数据，第一运行特征参数的预测值为转向角度的预测值。通过汽车运行预测模型获取在下一秒的转向角度的预测值为5度，而驾驶行为数据的转向角度为30度。转向角度在一定的速度下不能过大，如果过大则有翻车的危险。5度与30度的差值超过了预测差值规则设定的阈值范围，说明汽车不可能以如此大的角度转向，驾驶员可能出现情绪异常或饮酒等异常情况，则确定驾驶员转向操作异常。

例如，获取10分钟内驾驶员的加速踏板控制数据和转向控制数据等驾驶行为数据，以加速踏板控制数据和转向控制数据为例，生成加速踏板控制特征曲线和转向控制特征曲线。基于已训练好汽车运行预测模型获取加速踏板位置和转向角度在相同的10分钟内的预测值，并生成加速踏板位置预测特征曲线和转向角度预测特征曲线。

分别将加速踏板控制特征曲线和转向控制特征曲线与加速踏板位置预测特征曲线和转向角度预测特征曲线进行比对，可以根据曲线拟合判断标准确定驾驶员身份，是否为本人驾车，或者通过比较曲线的差异，根据判定规则确定驾驶员是否具有异常驾驶行为，例如，加速踏板控制特征曲线具有尖峰突起，并且间隔很近，则异常驾驶行为是异常加减速，转向控制特征曲线具有尖峰突起，并且间隔很近，则异常驾驶行为是异常变换车道等。

当确定驾驶员具有异常驾驶行为时，则可以发送提示通知，帮助驾驶员意识到自己出现了异常驾驶问题，或者控制车内的多媒体播放轻松的音乐或语调温柔的话语，用以舒缓驾车者的情绪等。

上述实施例的汽车驾驶行为检测方法，基于神经网络建立汽车运行模型，通过深度学习对汽车运行模型进行训练获取汽车运行预测模型，判断通过汽车运行预测模型获得的运行特征参数的预测值是否与驾驶员的驾驶行为数据相匹配，确定驾驶员是否出现异常驾驶的情况，并且能够对其进行及时提醒。

如图5所示，本发明提供一种汽车驾驶行为检测装置50，包括：模型建立模块51、模型训练模块52和驾驶行为检测模块53。模型建立模块51根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型。多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

模型训练模块52采集多个运行特征参数的数值对汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值。驾驶行为检测模块53采集驾驶行为数据，基于汽车运行预测模型获取与驾驶行为数据相对应的第一运行特征参数的预测值，根据驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测。

如图7所示，驾驶行为检测模块53，包括：驾驶数据采集单元531、预测值获取单元532、规则设置单元533和行为判断单元534。驾驶数据采集单元531采集驾驶行为数据。预测值获取单元532确定与驾驶行为数据对应的第一运行特征参数；其中，第一运行特征参数的数量为一个或多个。预测值获取单元532获取除了第一运行特征参数、多个运行特征参数中其余运行特征参数的数值，并输入汽车运行预测模型获取第一运行特征参数的预测值；其中，第一运行特征参数的预测值为数值和/或设定的时间段内的预测特征曲线。

规则设置单元533预设驾驶行为检测规则，其中，驾驶行为检测规则包括预测差值规则。行为判断单元534判断第一运行特征参数的预测值与驾驶行为数据的差异是否在预测差值规则设定的阈值范围内，如果否，则判断驾驶员具有异常驾驶行为。

驾驶行为数据为加速踏板控制数据，第一运行特征参数的预测值为加速踏板位置的预测值，行为判断单元534当判断加速踏板位置的预测值与加速踏板控制数据的差异大于预测差值规则设定的阈值时，则确定驾驶员加速或减速操作异常。或驾驶行为数据为转向控制数据，第一运行特征参数的预测值为转向角度的预测值，行为判断单元534当判断转向角度的预测值与转向控制数据的差异大于预测差值规则设定的阈值时，则确定驾驶员转向操作异常。

驾驶数据采集单元531具体用于通过检测传感器采集驾驶行为数据，检测传感器设置的位置包括：方向盘、油门踏板。驾驶数据采集单元531获取设定时段内的驾驶行为数据并生成驾驶行为特征曲线。预测值获取单元532基于汽车运行预测模型获取第一运行特征参数在此设定时段内的预测值并生成预测特征曲线。行为判断单元534将驾驶行为特征曲线与预测特征曲线进行比对，用以确定驾驶员身份和/或驾驶员具有异常驾驶行为。

模型建立模块51具体用于将多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，神经网络模型为汽车运行模型，在汽车运行模型中设置有输入量与输出量的映射关系。

如图6所示，模型训练模块52包括：样本采集单元521和参数获取单元522。样本采集单元521在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本。参数获取单元522使用学习样本对汽车运行模型进行训练，得到汽车运行模型的模型参数以及输入端到处理单元的第一权值，处理单元到输出端的第二权值，获得汽车运行预测模型。

在一个实施例中，提供一种汽车，包括：如上任一项的汽车驾驶行为检测装置。

上述实施例提供的汽车驾驶行为检测方法及装置、汽车，基于神经网络建立汽车运行模型，通过深度学习对汽车运行模型进行训练获取汽车运行预测模型，判断通过汽车运行预测模型获得的运行特征参数的预测值是否与驾驶员的驾驶行为数据相匹配，确定驾驶员是否出现异常驾驶的情况，并且能够对驾驶员进行及时提醒，提高了驾驶员的行车安全，减少汽车事故的发生，有效保护驾驶员的生命财产安全。

本发明的实施例公开了：

A1、一种汽车驾驶行为检测方法，包括：

根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；

采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；

采集驾驶行为数据，基于所述汽车运行预测模型获取与所述驾驶行为数据相对应的第一运行特征参数的预测值；

根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测。

A2、如A1所述的方法，

所述多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

A3、如A2所述的方法，基于所述汽车运行预测模型获取与所述驾驶行为数据相对应的第一运行特征参数的预测值包括：

确定与所述驾驶行为数据对应的所述第一运行特征参数；其中，所述第一运行特征参数的数量为一个或多个；

获取除了第一运行特征参数、所述多个运行特征参数中其余运行特征参数的数值，并输入所述汽车运行预测模型获取所述第一运行特征参数的预测值；

其中，所述第一运行特征参数的预测值为数值和/或设定的时间段内的预测特征曲线。

A4、如A3所述的方法，根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测包括：

预设驾驶行为检测规则，其中，所述驾驶行为检测规则包括预测差值规则；

判断所述第一运行特征参数的预测值与所述驾驶行为数据的差异是否在所述预测差值规则设定的阈值范围内，如果否，则判断驾驶员具有异常驾驶行为。

A5、如A4所述的方法，包括：

所述驾驶行为数据为加速踏板控制数据，所述第一运行特征参数的预测值为加速踏板位置的预测值；

当判断所述加速踏板位置的预测值与所述加速踏板控制数据的差异大于所述预测差值规则设定的阈值时，则确定驾驶员加速或减速操作异常；或

所述驾驶行为数据为转向控制数据，所述第一运行特征参数的预测值为转向角度的预测值；

当判断所述转向角度的预测值与所述转向控制数据的差异大于所述预测差值规则设定的阈值时，则确定驾驶员转向操作异常。

A6、如A4所述的方法，根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测包括：

获取设定时段内的驾驶行为数据并生成驾驶行为特征曲线；

基于所述汽车运行预测模型获取第一运行特征参数在此设定时段内的预测值并生成预测特征曲线；

将所述驾驶行为特征曲线与所述预测特征曲线进行比对，用以确定驾驶员身份和/或驾驶员具有异常驾驶行为。

A7、如A2所述的方法，所述根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型包括：

将所述多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，所述神经网络模型为所述汽车运行模型，在所述汽车运行模型中设置有所述输入量与所述输出量的映射关系。

A8、如A7所述的方法，所述汽车运行模型包括输入层、输出层和隐含层；

所述输入层包括输入端，接收采集的所述多个运行特征参数的数值；所述输出层包括输出端，输出一个或多个所述运行特征参数的预测值；所述隐含层包括多个处理单元，所述多个处理单元用于实现所述映射关系，分别与输入端、输出端连接。

A9、如A8所述的方法，采集所述多个运行特征参数的数值对所述汽车运行模型进行训练、获得汽车运行预测模型包括：

在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本；

使用所述学习样本对所述汽车运行模型进行训练，得到所述汽车运行模型的模型参数以及所述输入端到所述处理单元的第一权值，所述处理单元到所述输出端的第二权值，获得所述汽车运行预测模型。

A10.如A1至9任一项所述的方法，通过检测传感器采集驾驶行为数据；其中，所述检测传感器设置的位置包括：方向盘、油门踏板。

B11、一种汽车驾驶行为检测装置，包括：

模型建立模块，用于根据汽车的多个运行特征参数之间的关联关系建立汽车运行模型；

模型训练模块，用于采集所述多个运行特征参数的数值对所述汽车运行模型进行训练，获得汽车运行预测模型，用以获取运行特征参数的预测值；

驾驶行为检测模块，用于采集驾驶行为数据，基于所述汽车运行预测模型获取与所述驾驶行为数据相对应的第一运行特征参数的预测值；根据所述驾驶行为数据和第一运行特征参数的预测值进行驾驶行为检测。

B12、如B11所述的装置，所述多个运行特征参数包括：速度、加速踏板位置、节气门位置、传动齿轮比、发动机转速、转向角度、档位、发动机进气歧管压力。

B13、如B12所述的装置，所述驾驶行为检测模块，包括：

驾驶数据采集单元，用于采集驾驶行为数据；

预测值获取单元，用于确定与所述驾驶行为数据对应的所述第一运行特征参数；其中，所述第一运行特征参数的数量为一个或多个；获取除了第一运行特征参数、所述多个运行特征参数中其余运行特征参数的数值，并输入所述汽车运行预测模型获取所述第一运行特征参数的预测值；

其中，所述第一运行特征参数的预测值为数值和/或设定的时间段内的预测特征曲线。

B14、如B13所述的装置，所述驾驶行为检测模块，包括：

规则设置单元，用于预设驾驶行为检测规则，其中，所述驾驶行为检测规则包括预测差值规则；

行为判断单元，用于判断所述第一运行特征参数的预测值与所述驾驶行为数据的差异是否在所述预测差值规则设定的阈值范围内，如果否，则判断驾驶员具有异常驾驶行为。

B15、如B14所述的装置，在所述驾驶行为数据为加速踏板控制数据、所述第一运行特征参数的预测值为加速踏板位置的预测值的情况下，所述行为判断单元，还用于当判断所述加速踏板位置的预测值与所述加速踏板控制数据的差异大于所述预测差值规则设定的阈值时，则确定驾驶员加速或减速操作异常；或

在所述驾驶行为数据为转向控制数据、所述第一运行特征参数的预测值为转向角度的预测值的情况下，所述行为判断单元，还用于当判断所述转向角度的预测值与所述转向控制数据的差异大于所述预测差值规则设定的阈值时，则确定驾驶员转向操作异常。

B16、如B14所述的装置，所述驾驶数据采集单元，还用于获取设定时段内的驾驶行为数据并生成驾驶行为特征曲线；

所述预测值获取单元，还用于基于所述汽车运行预测模型获取第一运行特征参数在此设定时段内的预测值并生成预测特征曲线；

所述行为判断单元，还用于将所述驾驶行为特征曲线与所述预测特征曲线进行比对，用以确定驾驶员身份和/或驾驶员具有异常驾驶行为。

B17.如B13所述的装置，所述驾驶数据采集单元具体用于通过检测传感器采集驾驶行为数据；其中，所述检测传感器设置的位置包括：方向盘、油门踏板。

B18、如B12所述的装置，所述模型建立模块具体用于将所述多个运行特征参数作为输入量、并将一个或多个运行特征参数的预测值作为输出量构建神经网络模型，其中，所述神经网络模型为所述汽车运行模型，在所述汽车运行模型中设置有所述输入量与所述输出量的映射关系。

B19、如B18所述的装置，所述汽车运行模型包括输入层、输出层和隐含层；

所述输入层包括输入端，接收采集的所述多个运行特征参数的数值；所述输出层包括输出端，输出一个或多个所述运行特征参数的预测值；所述隐含层包括多个处理单元，所述多个处理单元用于实现所述映射关系，分别与输入端、输出端连接。

B20、如B19所述的装置，所述模型训练模块包括：

样本采集单元，用于在训练的过程中，采集在预设时段内的多个运行特征参数的数值作为学习样本；

参数获取单元，用于使用所述学习样本对所述汽车运行模型进行训练，得到所述汽车运行模型的模型参数以及所述输入端到所述处理单元的第一权值，所述处理单元到所述输出端的第二权值，获得所述汽车运行预测模型。

C21、一种汽车，包括：

如B11至20任一项所述的汽车驾驶行为检测装置。

以上仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。