一种基于机动车的驾驶行程数据评估其驾驶风险的方法与流程

本发明涉及一种评估方法，具体是一种基于机动车的驾驶行程数据评估其驾驶员(本发明所述驾驶员可以是驾驶机器人或自动/半自动的驾驶机构)驾驶机动车驾驶风险的方法。

背景技术：

目前，汽车保险市场上传统的保险产品，在计算保险费用时，只考虑了部分“从车”因素，如汽车型号、排量等这些静态指标。有些西方国家的保险产品，在计算保险费用时，除考虑了部分“从车”因素外，还考虑了部分“从人”因素，如年龄、性别、职业这些静态指标。在某些地区，如中国，实际上顾及这类静态的“从人”因素毫无意义，因为实际开车的人，会经常变化。

同时，基于UBI(Usage Based Insurance/User Behavior Insurance)的创新保险产品已经出现，这些产品主要是基于车主的机动车的驾驶里程数来计算其保险费用。这些产品在计算保费时，只考虑了部分“从行”的因素。

技术实现要素：

本发明的目的在于提供一种基于机动车的驾驶行程数据评估其驾驶员(本发明所述驾驶员可以是驾驶机器人或自动/半自动的驾驶机构)驾驶风险的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于机动车的驾驶行程数据评估其驾驶员(本发明所述驾驶员可以是驾驶机器人或自动/半自动的驾驶机构)驾驶该机动车的驾驶风险的方法，通过部署在机动车里的作为传感器的一个或多个车载智能硬件来获取驾驶员的驾驶行程数据，它包括机动车的位置，以及对应位置处综合顾及从人/从行/从车/从环境因素的驾车行为表现，如方向、速度、加速度、行驶车道等。通过如此获得的驾驶行程数据并融合电子地图信息获取所述的驾驶风险因素相关的特征信息。

作为本发明进一步的方案：机动车的行程可以是一段时间内的一段连续的行程，也可以是一段时间内的多个不同的行程的集合。

作为本发明再进一步的方案：以驾驶行程数据以及其相关的特征信息作为输入，并融合电子地图信息，计算该行程各单项驾驶风险因素评分，然后对各单项风险因素进行综合分析获得整个行程的综合风险评分。

作为本发明进一步的方案：基于所述行程数据及各自风险因素相关的特征信息，计算出对应单项驾驶风险因素评分，然后对各单项风险因素进行加权平均获得整个行程的综合风险评分。

作为本发明进一步的方案：基于所述行程数据并综合多个其它风险因素特征信息，计算出对应单项驾驶风险因素评分，然后对各单项风险因素进行加权平均获得整个行程的综合风险评分。

与现有技术相比，本发明的有益效果是：本发明直接用驾驶员驾驶行程数据提取风险因素相关的特征信息，并基于本发明提出的驾驶风险评估方法，将可能造成事故的因素或因子以驾驶员风险评分的形式呈现出来，驾驶员和保险公司可以直观的根据风险评分分析和判断驾驶风险，从而达到优化驾驶习惯、提倡经济驾驶、文明出行、降低事故率的目的。

此外，本发明的方法通过驾驶行程数据提取风险因素相关的特征信息，顾及从人/从行/从车/从环境的因素的综合影响进行风险评估，包括顾及非车主驾驶其机动车时的场景！

附图说明

图1为基于机动车的驾驶行程数据评估其驾驶员驾驶该机动车的驾驶风险的方法的流程图。

图2为基于机动车的驾驶行程数据评估其驾驶员驾驶该机动车的驾驶风险的方法中第一实施例的流程图；

图3为基于机动车的驾驶行程数据评估其驾驶员驾驶该机动车的驾驶风险的方法中第二实施例的流程图。

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。

请参阅图1～3，本发明实施例中，一种基于机动车的驾驶行程数据评估其驾驶员驾驶该机动车驾驶风险的方法，通过部署在机动车里的作为传感器的一个或多个车载智能硬件来获取驾驶员的驾驶行程数据，它包括机动车的位置，以及对应位置处综合顾及从人/从行/从车/从环境因素的驾车行为表现，如方向、速度、加速度、行驶车道等。通过如此获得的驾驶行程数据并融合电子地图信息获取所述的驾驶风险因素相关的特征信息；机动车的行程可以是一段时间内的一段连续的行程，也可以是一段时间内的多个不同的行程的集合；以驾驶行程数据以及其相关的特征信息作为输入，并融合电子地图信息，计算该行程各单项驾驶风险因素评分，然后对各单项风险因素进行综合分析获得整个行程的综合风险评分。

本发明的工作原理是：本发明基于机动车的驾驶行程数据评估其驾驶员驾驶该机动车的驾驶风险的方法，通过部署在机动车里的作为传感器的一个或多个车载智能硬件来获取驾驶员的驾驶行程数据，它包括机动车的位置，以及对应位置处综合顾及从人/从行/从车/从环境因素的驾车行为表现，如方向、速度、加速度、行驶车道等。通过如此获得的驾驶行程数据并融合电子地图信息获取所述的驾驶风险因素相关的特征信息；机动车的行程可以是一段时间内的一段连续的行程，也可以是一段时间内的多个不同的行程的集合；以驾驶行程数据以及其相关的特征信息作为输入，并融合电子地图信息，计算该行程各单项驾驶风险因素评分，然后对各单项风险因素进行综合分析获得整个行程的综合风险评分。

风险因素相关的特征信息的计算公式：

Fi＝gi(Qi,T,M)

其中，Fi为第i个风险因素相关的特征信息；g i是该特征信息对应的映射函数；Qi是对应的参数向量，通过实验或者通过样本学习来获取；T是对应的行程数据集合；M是地图数据集合。

单项驾驶风险因素评分的计算公式：

Si＝fi(Pi,F,M)

其中，Si为第i个单项驾驶风险因素评分；f i是该单项对应的映射函数；Pi是对应的参数向量，通过实验或者通过样本学习来获取；F驾驶风险因素相关的特征信息向量；M是地图数据集合。

整个行程的综合风险评分的计算公式：

ST＝ft(S，W)

其中，ST整个行程的综合风险评分，ft是对应的映射函数；S为各单项驾驶风险因素评分向量；W为对应的参数向量，通过实验或者通过样本学习来获取。

下面通过几个实施例来对本发明进行说明

实施例1：从驾驶员的驾驶行程数据提取的特征信息包括但不限于：

超速行为；急转弯、急加速行为；急减速行为；夜间行驶特征；区域环境特征；行驶时长特征；行驶里程特征。基于上述行程数据及各自风险因素相关的特征信息，计算出下述对应单项驾驶风险因素评分：

a)速度评分Ss，其对应的权重为Ws；

b)急加速评分Sa,其对应的权重为Wa；

c)急减速评分Sd,其对应的权重为Wd；

d)急转弯评分Su,其对应的权重为Wu；

e)夜间行驶评分Sn,其对应的权重为Wn；

f)区域环境评分Sr,其对应的权重为Wr；

g)行驶时长评分St,其对应的权重为Wt；

h)行驶里程评分Sm,其对应的权重为Wm；

所有权重满足：

∑Wi＝1

然后对各单项风险因素进行加权平均获得整个行程的综合风险评分。

实施例2：从驾驶员的驾驶行程数据提取的特征信息包括但不限于：超速行为；急转弯、急加速行为；急减速行为；夜间行驶特征；区域环境特征；行驶时长特征；行驶里程特征。基于上述行程数据并综合多个其它风险因素特征信息，计算出下述各单项驾驶风险因素评分：

a)速度评分Ss，如可考虑风险因素特征信息e),f),g),h)中的一个或多个来综合计算；其对应的权重为Ws；

b)急加速评分Sa,如可考虑风险因素特征信息e),f),g),h)中的一个或多个来综合计算；其对应的权重为Wa；

c)急减速评分Sd,如可考虑风险因素特征信息e),f),g),h)中的一个或多个来综合计算；其对应的权重为Wd；

d)急转弯评分Su,如可考虑风险因素特征信息e),f),g),h)中的一个或多个来综合计算；其对应的权重为Wu；

e)夜间行驶评分Sn,如可考虑风险因素特征信息a),b),c),d)中的一个或多个来综合计算；其对应的权重为Wn；

f)区域环境评分Sr,如可考虑风险因素特征信息a),b),c),d)中的一个或多个来综合计算；其对应的权重为Wr；

g)行驶时长评分St,如可考虑风险因素特征信息a),b),c),d)中的一个或多个来综合计算；其对应的权重为Wt；

h)行驶里程评分Sm,如可考虑风险因素特征信息a),b),c),d)中的一个或多个来综合计算；其对应的权重为Wm；

所有权重满足：

∑Wi＝1

然后对各单项风险因素进行加权平均获得整个行程的综合风险评分。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。