驾驶行为评分方法和装置与流程

本发明涉及汽车安全驾驶技术领域，尤其涉及一种驾驶行为评分方法和装置。

背景技术：

随着生活水平的日益提高，机动车辆的数量也越来越多，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。

目前，相关技术中通常通过纵向加速度、横向加速度、垂直加速度三个参数进行阈值判断，而阈值提取过程中使用的样本有限，最终提供驾驶行为的总分数，或者，提供安全或者不安全的判断结果，然而，评价的指标参数较少，不能提供车辆行驶中的各个指标对危险发生的影响程度，评价结果的准确性也没有很好地得到验证，并且，仅给出驾驶行为的总分数或者判断结果不利于驾驶员了解弱项驾驶行为，不能有效帮助用户纠正自己的不良驾驶行为。

技术实现要素：

本发明的目的旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种驾驶行为评分方法。该方法在计算待评分行程的总评分的过程中，结合各个指标的评分和权重计算总评分，提高了总评分的计算准确度，并且，提供总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。

本发明的第二个目的在于提出一种驾驶行为评分装置。

为达上述目的，本发明第一方面实施例的驾驶行为评分方法，包括：获取待评分行程的车辆行驶数据，其中，所述车辆行驶数据包括多个指标项的报警数据；根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重；根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率；根据每个指标项的安全倾向性概率分别确定每个指标项的评分；根据每个指标项的评分和权重计算所述待评分行程的总评分；提供所述待评分行程的总评分和每个指标项的评分。

根据本发明实施例的驾驶行为评分方法，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，并根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重，以及根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率，并根据每个指标项的安全倾向性概率分别确定每个指标项的评分，然后，根据每个指标项的评分和权重计算所述待评分行程的总评分，并提供所述待评分行程的总评分和每个指标项的评分。由此，在计算待评分行程的总评分的过程中，结合各个指标的评分和权重计算总评分，提高了总评分的计算准确度，并且，提供总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。

为达上述目的，本发明第二方面实施例的驾驶行为评分装置，包括：获取模块，用于获取待评分行程的车辆行驶数据，其中，所述车辆行驶数据包括多个指标项的报警数据；第一确定模块，用于根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重；第二确定模块，用于根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率；第三确定模块，用于根据每个指标项的安全倾向性概率分别确定每个指标项的评分；第一计算模块，用于根据每个指标项的评分和权重计算所述待评分行程的总评分；提供模块，用于提供所述待评分行程的总评分和每个指标项的评分。

根据本发明实施例的驾驶行为评分装置，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，并根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重，以及根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率，并根据每个指标项的安全倾向性概率分别确定每个指标项的评分，然后，根据每个指标项的评分和权重计算所述待评分行程的总评分，并提供所述待评分行程的总评分和每个指标项的评分。由此，在计算待评分行程的总评分的过程中，结合各个指标的评分和权重计算总评分，提高了总评分的计算准确度，并且，提供总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。

本发明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，或通过本发明的实践了解到。

附图说明

本发明上述的和/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是根据本发明一个实施例的驾驶行为评分方法的流程图；

图2是根据本发明一个实施例的建立预设特征模型的流程图；

图3是根据本发明一个实施例的驾驶行为评分装置的结构框图；

图4是根据本发明另一个实施例的驾驶行为评分装置的结构框图；

图5是根据本发明一个实施例的建立模块的结构框图；

图6是根据本发明再一个实施例的驾驶行为评分装置的结构框图。

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，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的驾驶行为评分方法和装置。

图1是根据本发明一个实施例的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可以包括以下步骤：

S101，获取待评分行程的车辆行驶数据。

其中，车辆行驶数据包括多个指标项的报警数据。

其中，多个指标项的报警数据可以包括急转弯报警、急减速报警、急加速报警、急变道报警、超速报警、疲劳驾驶报警、长时间怠速报警、频繁变道报警、转速过高报警、水温过高报警、空挡滑行报警等信息，

其中，需要理解的是，车辆行驶数据还包括远光灯开关、近光灯开关、示宽灯开关、雾灯开关、左转向灯开关、右转向灯开关、危险灯开关、车门开关、车门锁开关、车窗开关、ECM(发动机控制单元)/ECU(发动机控制模块)、ABS(制动防抱死系统)、SRS(电子安全气囊)、机油(压力、温度)报警、保养报警、车轮胎压报警、手刹状态、刹车踏板、刹车踏板相对位置、油门踏板、油门踏板相对位置、离合状态、安全带状态、ACC信号、钥匙状态、雨刷状态、空调开关等车辆信息。

S102，根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重。

其中，预设特征模型是根据大量车辆样本行驶数据预先建立的。

其中，车辆样本行驶数据是从车辆行驶过程中收集的，其中，可通过多种方式收集车辆样本行驶数据。例如，可通过移动设备、OBD(On-Board Diagnostic，车载诊断系统)设备或者车辆前装设备等收集车辆行驶中的车辆行驶数据。

其中，需要说明的是，建立预设特征模型的过程将在后续实施中描述。

S103，根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率。

在本发明的一个实施例中，在确定每个指标项的危险驾驶概率、安全驾驶概率和权重后，可根据每个指标项的报警参数值、预设特征模型中的第一标准差和第一平均值计算每个指标项的安全驾驶概率，并根据每个指标项的报警参数值、预设特征模型中的第二标准差和第二平均值计算计算每个指标项的危险驾驶概率。

具体地，在获取每个指标项的危险驾驶概率和安全驾驶概率后，针对每个指标项可通过下述公式计算每个指标项的安全倾向性概率：

其中，ei表示第i个指标项。

S104，根据每个指标项的安全倾向性概率分别确定每个指标项的评分。

举例而言，如果以百分制表示每个指标项的评分，则可通过下述公式计算待评分行程中第i个指标项的评分F(ei)为：

F(ei)＝100*安全倾向性概率(ei)

S105，根据每个指标项的评分和权重计算待评分行程的总评分。

也就是说，在获取每个指标项的评分和权重之后，对每个指标项进行加权求和，所得的求和结果即为待评分行程的总评分。

S106，提供待评分行程的总评分和每个指标项的评分。

根据本发明实施例的驾驶行为评分方法，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，并根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重，以及根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率，并根据每个指标项的安全倾向性概率分别确定每个指标项的评分，然后，根据每个指标项的评分和权重计算待评分行程的总评分，并提供待评分行程的总评分和每个指标项的评分。由此，在计算待评分行程的总评分过程中，结合各个指标的评分和权重计算总评分，提高了总评分的计算准确度，并且，提供总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。

其中，需要理解的是，在获取待评分行程的车辆行驶数据之前，可根据大量的车辆样本行驶数据预先建立预设特征模型。其中，预先建立预设特征模型的过程，如图2所示，可以包括以下步骤：

S201，根据是否发生碰撞对车辆样本行驶数据进行划分，以得到发生碰撞事件的发生碰撞报警数据集和未发生碰撞事件的未发生碰撞报警数据集。

其中，车辆样本行驶数据包括真实碰撞信息和多个样本指标项的样本指标报警数据。

其中，是否发生碰撞与车辆样本行驶数据中的真实碰撞信息有关。如果车辆样本行驶数据中记录车辆发生过碰撞，则将该车辆样本行驶数据加入发生碰撞报警数据集，如果车辆样本行驶数据中记录车辆未碰撞，则将该车辆样本行驶数据加入非发生碰撞报警数据集。

在本发明的一个实施例中，在获取大量车辆的针对每条车辆样本行驶数据，针对每条车辆样本行驶数据可进行如下处理：

用车辆单次行程中除碰撞报警外的其他各项报警发生次数除以该行程里程数(以米为单位)，求得该行程中平均每米发生的各类报警次数，并记录是否发生碰撞。

举例而言，用于存储处理后数据的表结构，如表1。

表1数据表结构

对车辆样本行驶数据按照产生碰撞事件与否进行划分，以得到未发生碰撞事件的未发生碰撞报警数据集，以及发生碰撞事件的发生碰撞报警数据集。

S202，针对发生碰撞事件，根据发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第一平均值和第一标准差。

S203，针对未发生碰撞事件，根据未发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第二标准差和第二平均值。

S204，对根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立预设特征模型。

在本发明的一个实施例中，在获取每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值后，可根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值确定每个样本指标项的危险驾驶概率和安全驾驶概率，以及根据每个样本指标项的危险驾驶概率与安全驾驶概率确定每个样本指标项的碰撞预测结果，然后，根据真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度，最后，根据每个样本指标项的碰撞预测准确度分别计算每个样本指标的权重。

在本发明的一个实施例中，根据真实碰撞信息和每个样本指标项的碰撞预测结果确定每个样本指标项的碰撞预测准确度可以包括：

根据每个样本指标项的碰撞预测结果和真实碰撞信息生成每个样本指标项的混淆矩阵，根据每个样本指标项的混淆矩阵分别确定每个样本指标项的碰撞预测准确度。

为了方便理解本领域的技术人员理解本发明，下面对计算每个样本指标项的碰撞预测准确度和权重的过程进行描述。

假设AVG_S(Ei)表示未发生碰撞报警数据集中第i个指标的平均值，AVG_S(Ei)表示发生碰撞报警数据集中第i个指标的平均值，STD_S(Ei)表示未发生碰撞报警数据集中第i个指标的标准差，STD_D(Ei)表示发生碰撞报警数据集中第i个指标的标准差。

在获取每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值后可通过下述两项概率密度函数公式，以求得每条行程中每个样本指标项的安全驾驶概率与危险驾驶概率。为了方便理解，该实施例以表1中的样本指标项E1为例描述计算安全驾驶概率与危险驾驶概率的公式：

其中，其中e1代表待评分行程数据在E1指标下的具体数值,如表1中E1指标下的3.12，exp为自然对数函数的底数，约等于2.71828182845。

在计算出每个样本指标项的危险驾驶概率与安全驾驶概率，针对每个样本指标项，可比较当前样本指标项的危险驾驶概率与安全驾驶概率，如果判断当前样本指标项的危险驾驶概率大于安全驾驶概率，则确定当前样本指标项的碰撞预测结果为危险。如果判断当前样本指标项的安全驾驶概率大于危险驾驶概率，则确定当前样本指标项的碰撞预测结果为安全。

举例而言，假设对表1中的各个指标项进行预测，所获得的预测结果，如表2所示。

表2指标项的预测结果表

在依次完成列中每个指标数据的计算后，将该指标的各行预测结果与原始碰撞信息组成混淆矩阵以计算该项指标的预测正确率。以表2中列名称为“E1预测结果”的列为例，混淆矩阵组成如下，

则根据准确度计算公式:

准确度＝(RsPs+RdPd)/(RsPs+RsPd+dPs+RdPd)

样本指标项E1的碰撞预测准确度＝(2+2)/(2+1+0+2)＝0.8。

依此方法计算全部样本指标样的碰撞预测准确度后以下列公式计算每个样本指标项的权重,其中，Wi代表样本指标项i的权重。

Wi＝Ei/(E1+E2+…+Ei+EN)

其中，N为样本指标项的总数。

也就是说，每个样本指标项的权重为每个样本指标项的碰撞预测准确度在所有样本指标项的碰撞预测准确度的占比。

其中，需要理解的是，为了可以提供准确的预设特征模型，可每隔预设时间段采集车辆样本行驶数据，并根据车辆样本行驶数据更新预设特征模型。也就是说，该实施例的预设特征模型将根据使用的车辆行驶大数据的差异而动态变化。

其中，预设时间段是根据应用场景需先设定的。

与上述几种实施例提供的驾驶行为评分方法相对应，本发明的一种实施例还提供一种驾驶行为评分装置，由于本发明实施例提供的驾驶行为评分装置与上述几种实施例提供的驾驶行为评分方法相对应，因此在前述驾驶行为评分方法的实施方式也适用于本实施例提供的驾驶行为评分装置，在本实施例中不再详细描述。

图3是根据本发明一个实施例的驾驶行为评分装置的结构框图。

如图3所示，该驾驶行为评分装置可以包括获取模块111、第一确定模块112、第二确定模块113、第三确定模块114、第一计算模块115和提供模块116，其中：

获取模块111用于获取待评分行程的车辆行驶数据。

其中，车辆行驶数据包括多个指标项的报警数据。

其中，多个指标项的报警数据可以包括急转弯报警、急减速报警、急加速报警、急变道报警、超速报警、疲劳驾驶报警、长时间怠速报警、频繁变道报警、转速过高报警、水温过高报警、空挡滑行报警等信息，

其中，需要理解的是，车辆行驶数据还包括远光灯开关、近光灯开关、示宽灯开关、雾灯开关、左转向灯开关、右转向灯开关、危险灯开关、车门开关、车门锁开关、车窗开关、ECM(发动机控制单元)/ECU(发动机控制模块)、ABS(制动防抱死系统)、SRS(电子安全气囊)、机油(压力、温度)报警、保养报警、车轮胎压报警、手刹状态、刹车踏板、刹车踏板相对位置、油门踏板、油门踏板相对位置、离合状态、安全带状态、ACC信号、钥匙状态、雨刷状态、空调开关等车辆信息。

第一确定模块112用于根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重。

其中，预设特征模型是根据大量车辆样本行驶数据预先建立的。

其中，车辆样本行驶数据是从车辆行驶过程中收集的，其中，可通过多种方式收集车辆样本行驶数据。例如，可通过移动设备、OBD(On-Board Diagnostic，车载诊断系统)设备或者车辆前装设备等收集车辆行驶中的车辆行驶数据。

第二确定模块113用于根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率。

第三确定模块114用于根据每个指标项的安全倾向性概率分别确定每个指标项的评分。

第一计算模块115用于根据每个指标项的评分和权重计算待评分行程的总评分。

提供模块116用于提供待评分行程的总评分和每个指标项的评分。

根据本发明实施例的驾驶行为评分装置，在为驾驶行为评分的过程中，获取待评分行程的车辆行驶数据，并根据预设特征模型和每个指标项的报警数据，确定每个指标项的危险驾驶概率、安全驾驶概率和权重，以及根据每个指标项的危险驾驶概率和安全驾驶概率分别确定每个指标项的安全倾向性概率，并根据每个指标项的安全倾向性概率分别确定每个指标项的评分，然后，根据每个指标项的评分和权重计算待评分行程的总评分，并提供待评分行程的总评分和每个指标项的评分。由此，在计算待评分行程的总评分的过程中，结合各个指标的评分和权重计算总评分，提高了总评分的计算准确度，并且，提供总评分和每个指标项的评分，便于分析驾驶员弱项驾驶行为，有利于直观了解各个指标项对危险发生的影响程度。

基于上述实施例的基础上，在图3所示的基础上，如图4所示，该装置还可以包括划分模块117、第二计算模块118、第三计算模块119和建立模块120，其中：

划分模块117用于根据是否发生碰撞对车辆样本行驶数据进行划分，以得到发生碰撞事件的发生碰撞报警数据集和未发生碰撞事件的未发生碰撞报警数据集。

其中，车辆样本行驶数据包括真实碰撞信息和多个样本指标项的样本指标报警数据。

第二计算模块118针对发生碰撞事件，根据发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第一平均值和第一标准差。

第三计算模块119针对未发生碰撞事件，根据未发生碰撞报警数据集中的车辆样本行驶数据计算每个样本指标项的第二标准差和第二平均值。

建立模块120用于根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值和真实碰撞信息，建立预设特征模型。

在本发明的一个实施例中，如图5所示，该建立模块120可以包括第一确定单元1201、第二确定单元1202、第三确定单元1203和计算单元1204，其中：

第一确定单元1201用于根据车辆样本行驶数据中每个样本指标项的第一标准差、第一平均值、第二标准差和第二平均值确定每个样本指标项的危险驾驶概率和安全驾驶概率。

第二确定单元1202用于根据每个样本指标项的危险驾驶概率与安全驾驶概率确定每个样本指标项的碰撞预测结果。

第三确定单元1203用于根据真实碰撞信息和每个样本指标项的碰撞预测结果，确定每个样本指标项的碰撞预测准确度。

计算单元1204用于根据每个样本指标项的碰撞预测准确度分别计算每个样本指标的权重。

在本发明的一个实施例中，计算单元1204具体用于：根据每个样本指标项的碰撞预测结果和真实碰撞信息生成每个样本指标项的混淆矩阵；根据每个样本指标项的混淆矩阵分别确定每个样本指标项的碰撞预测准确度。

在本发明的一个实施例中，在图4所示的基础上，如图6所示，该装置还可以包括采集模块121和更新模块122，其中：

采集模块121用于每间隔预设时间段采集车辆样本行驶数据。

更新模块122用于根据车辆样本行驶数据更新预设特征模型。

在本发明的一个实施例中，所述第一确定模块120具体用于：根据每个指标项的报警数据、所述预设特征模型中的所述第一标准差和所述第一平均值计算每个指标项的安全驾驶概率，根据每个指标项的报警数据、所述预设特征模型中的所述第二标准差和所述第二平均值计算计算每个指标项的危险驾驶概率。在本发明的描述中，需要理解的是，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。在本发明的描述中，“多个”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。

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发明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多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。

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，表示包括一个或更多个用于实现特定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，并且本发明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，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明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，多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系统执行的软件或固件来实现。例如，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(PGA)，现场可编程门阵列(FPGA)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。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。