本发明涉及智能交通技术领域,特别涉及一种基于云模型的驾驶行为智能评价方法和装置。
背景技术:
我国汽车保有量逐渐增大,不仅汽车市场在迅速发展,许多与汽车密切相关的行业也随之繁荣。但这同时也给交通管理部门以至整个社会带来了许多新问题。在对于安全性要求很高的行业,比如运钞车,夜间出行的出租车,运送重要物资或危险化学品的货车等等,面临着所辖车辆机动性强,数量众多,难以管理的棘手问题。首先,管理方希望能够掌握货车的实时运行状态信息,如行车路线、当前位置和速度等信息,同时也能根据这些信息对货车及司机进行规范。其次,对于货车的驾驶人员来说,也需要根据行车信息对自己的驾驶行为进行改进,以提高驾驶水平和服务质量。另外,客户在选择运输货物的物流公司时,希望提前了解所用货车的运行水平以及公司的服务情况。而现有的驾驶行为评价方法使用的评价参数大多比较主观,并且评价参数是固定的,没有体现出数据的不确定性和波动性,在行车数据量比较大时,或者有一定趋势变化时(例如驾驶整体水平上升或下降),弱化了评价的模糊性、随机性、统计性。因此,建立一套适应行车数据、针对驾驶运行情况的评测系统对驾驶行为进行评级和管理,实现安全出行、安全运输是十分必要的。
技术实现要素:
为了解决现有技术的问题,本发明实施例提供了一种基于云模型的驾驶行为智能评价方法和装置。所述技术方案如下:
一方面,本发明实施例提供了一种基于云模型的驾驶行为智能评价方法,所述方法包括:
采集多个驾驶员在多个驾驶任务中的行车数据;
识别特定驾驶行为,并从采集到的行车数据提取评价因素所需的指标,所述评价因素用于评价驾驶员驾驶过程中不同的驾驶行为;
设置评价因素对应的评价内容,所述评价内容用于反映驾驶行为的价值;
根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩阵;
根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价;
根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数,所述第二云模型的参数用于生成第二评价矩阵;
根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价。
在本发明实施例上述的基于云模型的驾驶行为智能评价方法中,所述根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩阵,包括:
将获取到的给定驾驶员的单次行车任务评价因素所需的指标,通过以平均值为基准进行标准化;
确定评价等级以及各个级别对应的评价因素指标范围;
将标准化后的评价因素所需的指标,利用逆向云发生器,计算出评价因素对应的第一云模型的参数,并生成第一云模型;
计算获取的评价因素指标所属各个等级的隶属度;
确定各个评价因素指标对应的评价因素的权重,并形成第一评价矩阵。
在本发明实施例上述的基于云模型的驾驶行为智能评价方法中,所述根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价,包括:
根据最大隶属度原则,通过第一评价矩阵,得出给定驾驶员的单次行车任务的评价结果。
在本发明实施例上述的基于云模型的驾驶行为智能评价方法中,所述根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数,包括:
将获取到的给定驾驶员或给定车辆的多次历史行车任务评价因素所需的指标,通过以平均值为基准进行标准化;
将标准化后的各个评价因素所需的指标,利用逆向云发生器,计算出每个评价因素对应的第二云模型的参数。
在本发明实施例上述的基于云模型的驾驶行为智能评价方法中,所述根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价,包括:
通过计算出的多个第二云模型的参数,得到综合评价矩阵;
确定各个评价因素的权重,并利用云计算得到第二评价矩阵;
通过第二评价矩阵,得出给定驾驶员或给定车辆的历史行车任务的评价结果。
另一方面,本发明实施例提供了一种基于云模型的驾驶行为智能评价装置,所述装置包括:
采集模块,用于采集多个驾驶员在多个驾驶任务中的行车数据;
识别提取模块,用于识别特定驾驶行为,并从采集到的行车数据提取评价因素所需的指标,所述评价因素用于评价驾驶员驾驶过程中不同的驾驶行为;
设置模块,用于设置评价因素对应的评价内容,所述评价内容用于反映驾驶行为的价值;
第一计算模块,用于根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩阵;
第一处理模块,用于根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价;
第二计算模块,用于根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数,所述第二云模型的参数用于生成第二评价矩阵;
第二处理模块,用于根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价。
在本发明实施例上述的基于云模型的驾驶行为智能评价装置中,所述第一计算模块包括:
第一标准化单元,用于将获取到的给定驾驶员的单次行车任务评价因素所需的指标,通过以平均值为基准进行标准化;
确定单元,用于确定评价等级以及各个级别对应的评价因素指标范围;
第一计算单元,用于将标准化后的评价因素所需的指标,利用逆向云发生器,计算出评价因素对应的第一云模型的参数,并生成第一云模型;
所述第一计算单元,还用于计算获取的评价因素指标所属各个等级的隶属度;
第一生成单元,用于确定各个评价因素指标对应的评价因素的权重,并形成第一评价矩阵。
在本发明实施例上述的基于云模型的驾驶行为智能评价装置中,所述第一处理模块,包括:
第一处理单元,用于根据最大隶属度原则,通过第一评价矩阵,得出给定驾驶员的单次行车任务的评价结果。
在本发明实施例上述的基于云模型的驾驶行为智能评价装置中,所述第二计算模块,包括:
第二标准化单元,用于将获取到的给定驾驶员或给定车辆的多次历史行车任务评价因素所需的指标,通过以平均值为基准进行标准化;
第二计算单元,用于将标准化后的各个评价因素所需的指标,利用逆向云发生器,计算出每个评价因素对应的第二云模型的参数。
在本发明实施例上述的基于云模型的驾驶行为智能评价装置中,所述第二处理模块,包括:
第二生成单元,用于通过计算出的多个第二云模型的参数,得到综合评价矩阵;
所述第二生成单元,还用于确定各个评价因素的权重,并利用云计算得到第二评价矩阵;
第二处理单元,用于通过第二评价矩阵,得出给定驾驶员或给定车辆的历史行车任务的评价结果。
本发明实施例提供的技术方案带来的有益效果是:
通过采集多个驾驶员在多个驾驶任务中的行车数据;然后识别特定驾驶行为,并从采集到的行车数据提取评价因素所需的指标;设置评价因素对应的评价内容;根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩阵;根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价;根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数;根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价。这样该基于云模型的驾驶行为智能评价方法不仅可以对给定驾驶员的单次行车任务进行有效评价,还可以对给定驾驶员或给定车辆的历史行车任务进行综合评价,在进行智能评价过程中,利用云模型进行相关处理,可以有效体现数据的不确定性和波动性,使得评价结果更加符合实际情况,有效提高了评价结果的参考价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于云模型的驾驶行为智能评价方法流程图;
图2是本发明实施例二提供的一种基于云模型的驾驶行为智能评价装置结构示意图;
图3是本发明实施例二提供的一种基于云模型的驾驶行为智能评价装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本发明实施例提供了一种基于云模型的驾驶行为智能评价方法,参见图1,该方法可以包括:
步骤S11,采集多个驾驶员在多个驾驶任务中的行车数据。
在本实施例中,可以通过车载诊断系统(On-Board Diagnostic,简称“OBD”)接口、或者其他车载传感器来获取所需的原始数据,这些原始数据可以包括:行车轨迹、发动机转速、行车速度、行车加速度、横向加速度、油耗、刹车信息、油门信息、离合信息、行车制动器信息、转向信息和用户评分等。
随着车联网等先进信息技术的发展,人们在驾驶行为中产生的数据越来越多,越来越难以处理。使用大数据技术不仅能够充分利用系统采集到的机动车行驶等方面的庞大数据,更能够通过一些专业化的处理,为驾驶行为评价方法提供了有力的技术支持。
步骤S12,识别特定驾驶行为,并从采集到的行车数据提取评价因素所需的指标,评价因素用于评价驾驶员驾驶过程中不同的驾驶行为。
在本实施例中,识别特定驾驶行为可以包括:涉及时序和动作顺序,对驾驶行为动作进行匹配与判断,进而从驾驶数据中提取出特定的驾驶行为如超车、越级挂档等。获取评价因素所需指标可以包括:对数据进行初步处理以提取计算出所需指标如最大速度,平均油耗等。
步骤S13,设置评价因素对应的评价内容,评价内容用于反映驾驶行为的价值。
在本实施例中,根据步骤S12获得的评价因素,对不同的评价指标(即评价因素对应的指标)设置对应的评价内容。结合数据采集和初步处理系统的可行性,在实际应用中,可以分别设置安全性、经济性和品质性三个方面的评价指标,结合工程实际和相关从业人员的经验选取如下评价因素:
根据上表可知,对应的评价因素的集合可以分别表示为CI,CII和CIII。记N表示评价因素集合中元素的个数,则可以得到NI=3,NII(安全)=10,NII(经济)=8,NII(品质)=3。利用分层评价的方法,可以使用表格中的III级评价因素对驾驶员驾驶行为的安全性、经济型和品质性分别做出评价,也可以在此基础之上以II级指标作为评价因素给出I级指标下的驾驶行为评价结果。
步骤S14,根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩,该参数可以包括:期望、熵、超熵。
具体地,上述步骤S14可以通过如下方式实现:
S141,将获取到的给定驾驶员的单次行车任务评价因素所需的指标,通过以平均值为基准进行标准化。
在本实施例中,为使各指标之间具有可评价性,需要先将不同的评价因子变换到同一尺度下,通过以平均值为基准进行标准化,得到评价参数。具体方法如下:
对于评价因素Cq,通过大数据获取大量驾驶员的与该评价因素对应的驾驶数据之后,求该因素的普遍平均值
驾驶员关于此因素的一组数据(即评价因素所需的指标)为xqi,i=(1,2,…);则以为基准进行标准化之后为:
S142,确定评价等级以及各个级别对应的评价因素指标范围。
在本实施例中,设对驾驶任务的评价等级分成P个级别,综合大数据采用聚类分析方法确定数据(即采集到的指标)分组,采用聚类分析方法将驾驶数据分为P个聚类,在每个聚类中的数据具有相似的特征,具体方法如下:
(1)设有n个对象,每个对象含有q个特征,分析使用的数据形式可以采用矩阵来表示,如下式所示:
(2)确定每一类的中心点bj=(bj1bj2…bjq),j=1,2…p,其中p为样本中心点个数。
(3)确定目标函数其中||xj-bj||2为以bj为中心点中元素xj距离中心点距离,以欧式距离定义为
(4)调整xj所属组别,使得目标函数E(b1,…bk)最小,得到最终聚类分组。
S143,将标准化后的评价因素所需的指标,利用逆向云发生器,计算出评价因素对应的第一云模型的参数,并生成第一云模型。
在本实施例中,云模型的概念是,在评价等级论域中,模糊集合中的任意元素x的隶属度的分布称为(隶属)云。通过云的定义可知,和传统模糊隶属度不同的是,论域上某一点的隶属度并不是固定的,而是以一定的概率在细微变化,云模型就建立了模糊集合中元素和隶属度之间的映射关系。
云的数字特征(即云模型的参数)可以用期望Ex,熵En和超熵He三个数值来表征,结合了模糊性和随机性构成了定性和定量相互间的映射。在已经确定了评价因素及其分级标准的基础上,可以根据以下方法确定云模型的3个数字特征,具体算法如下:
设评价因素Cq所对应的统计样本为xl,l=1,2,…;
期望Ex:根据xl求样本期望为
熵En:反映定性概念的不确定性。通常,熵越大,模糊性和随机性也越大。熵的算法如下:
超熵He:是熵的不确定度量,反映了在样本点不确定度的凝聚性。He的大小和云滴的离散度,即隶属度的随机性相关联。超熵的计算方法为:
其中,样本方差
根据已确定的云模型参数Ex、En和He,运用正向正态云发生器分别对评价因素的指标生成相对应的综合云模型。
根据隶属云发生器的数学模型,令σx2=He,实现算法如下:
令产生期望值x0=Ex,带宽的正态随机数x;
x=N(x0,b2)
计算期望值x0,带宽b的正态隶属云的期望曲线在x处的隶属度
计算点处的方差σx;
分别计算按降半正态规律变化的左带宽bl、右带宽br。
其中
计算点处的方差σx
产生期望值是方差是σx的正态随机数μ;
μ=N(x0,b2)
因而得到云滴ε(x,μ)。
S144,计算获取的评价因素指标所属各个等级的隶属度。
在本实施例中,对于评价因素Xi,对于评价因素Xi,根据确定的云滴ε(x,μ),由具体的待评数据输入到云滴中,可以产生该数据对各个级别的隶属度。循环此操作可以得到全部数据对P个级别的隶属度。整理成如下形式的综合评价矩阵:
S145,确定各个评价因素指标对应的评价因素的权重,并形成第一评价矩阵。
在本实施例中,采用主成分分析法得到各评价因素的权重,具体方法如下:
求每两个因素的相关系数,计算变量间两两相关的相关系数
其中x,y分别表示n个评价因子中的任意2个,分别表示两变量数据的平均值。将所得的Xxy组成相关矩阵:
X={Xxy}n×n
求取矩阵X的特征根、特征向量和方差贡献率:
|λjEj-R|=0,j=1,2,…,n
其中λj表示特征值,Ej表示j阶单位矩阵,wj表式方差贡献率即权重。
最终得到如下形式的权重矩阵:
A=[w1 w2 … wn]
进而,第一评价矩阵B的公式如下:
步骤S15,根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价。
在本实施例中,上述步骤S15可以通过如下方式实现:根据最大隶属度原则,通过第一评价矩阵,得出给定驾驶员的单次行车任务的评价结果。
在本实施例中,根据最大隶属度原则,选择第一评价矩阵B中最大值所对应的那个评价等级作为最终的评价结果。
需要说明的是,通过对给定驾驶员的单次行车任务进行评价,可以实时对各个驾驶员的行车情况进行有效监督。
步骤S16,根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数,第二云模型的参数用于生成第二评价矩阵。
在本实施例中,上述步骤S16可以通过如下方式实现:
S161,将获取到的给定驾驶员或给定车辆的多次历史行车任务评价因素所需的指标,通过以平均值为基准进行标准化。
需要说明的是这里的标准化过程与步骤S14中的标准化过程一致,这里不在赘述。
S162,将标准化后的各个评价因素所需的指标,利用逆向云发生器,计算出每个评价因素对应的第二云模型的参数。
在本实施例中,将得到的各个评价因素的指标,利用逆向云发生器模型得出第二云模型的参数(Ex,En,He)。先求其中一个因素的评价矩阵,其它因素方法类似。逆向云发生器的具体算法如下:
设标准化之后的统计样本为xl,l=1,2,…根据xl求样本期望:
求样本的一阶绝对中心中心距:
求样本方差:
求期望:
求熵:
求超熵:
步骤S17,根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价。
上述步骤S17可以通过如下方式实现:
S171,通过计算出的多个第二云模型的参数,得到综合评价矩阵。
具体地,所有因素的综合评价矩阵R为:
S172,确定各个评价因素的权重,并利用云计算得到第二评价矩阵。
具体地,权重系数矩阵A为:
第二评价矩阵B=A*R,结合如下云计算:
得到:
最终得到,B=[Ex(B),En(B),He(B)]T
如果是对k个驾驶员进行对比评价则:
由上式得出每个评价单元的模糊综合评价成绩,进而可以分析选定的驾驶员在多次驾驶任务中的行为评价结果。
S173,通过第二评价矩阵,得出给定驾驶员或给定车辆的历史行车任务的评价结果。
本发明实施例通过采集多个驾驶员在多个驾驶任务中的行车数据;然后识别特定驾驶行为,并从采集到的行车数据提取评价因素所需的指标;设置评价因素对应的评价内容;根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩阵;根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价;根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数;根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价。这样该基于云模型的驾驶行为智能评价方法不仅可以对给定驾驶员的单次行车任务进行有效评价,还可以对给定驾驶员或给定车辆的历史行车任务进行综合评价,在进行智能评价过程中,利用云模型进行相关处理,可以有效体现数据的不确定性和波动性,使得评价结果更加符合实际情况,有效提高了评价结果的参考价值。
实施例二
本发明实施例提供了一种基于云模型的驾驶行为智能评价装置,实现了实施例一所述的基于云模型的驾驶行为智能评价方法,参见图2,该装置可以包括:采集模块100、识别提取模块200、设置模块300、第一计算模块400、第一处理模块500、第二计算模块600、第二处理模块700。
采集模块100,用于采集多个驾驶员在多个驾驶任务中的行车数据。
在本实施例中,可以通过车载OBD接口、或者其他车载传感器来获取所需的原始数据,这些原始数据可以包括:行车轨迹、发动机转速、行车速度、行车加速度、横向加速度、油耗、刹车信息、油门信息、离合信息、行车制动器信息、转向信息和用户评分等。
随着车联网等先进信息技术的发展,人们在驾驶行为中产生的数据越来越多,越来越难以处理。使用大数据技术不仅能够充分利用系统采集到的机动车行驶等方面的庞大数据,更能够通过一些专业化的处理,为驾驶行为评价方法提供了有力的技术支持。
识别提取模块200,用于识别特定驾驶行为,并从采集到的行车数据提取评价因素所需的指标,评价因素用于评价驾驶员驾驶过程中不同的驾驶行为。
在本实施例中,识别特定驾驶行为可以包括:涉及时序和动作顺序,对驾驶行为动作进行匹配与判断,进而从驾驶数据中提取出特定的驾驶行为如超车、越级挂档等。获取评价因素所需指标可以包括:对数据进行初步处理以提取计算出所需指标如最大速度,平均油耗等。
设置模块300,用于设置评价因素对应的评价内容,评价内容用于反映驾驶行为的价值。
在本实施例中,可以根据设置模块300获得的评价因素,对不同的评价指标(即评价因素对应的指标)设置对应的评价内容。
第一计算模块400,用于根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩,该参数可以包括:期望、熵、超熵。
第一处理模块500,用于根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价。
在本实施例中,通过对给定驾驶员的单次行车任务进行评价,可以实时对各个驾驶员的行车情况进行有效监督。
第二计算模块600,用于根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数,第二云模型的参数用于生成第二评价矩阵。
第二处理模块700,用于根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价。
在本实施例中,对给定驾驶员或给定车辆的多次历史行车任务进行评价,可以对整个驾驶情况有良好的整体监控。
具体地,参见图3,第一计算模块400可以包括:
第一标准化单元401,用于将获取到的给定驾驶员的单次行车任务评价因素所需的指标,通过以平均值为基准进行标准化。
在本实施例中,为使各指标之间具有可评价性,需要先将不同的评价因子变换到同一尺度下,通过以平均值为基准进行标准化,得到评价参数。具体方法实施例一已经描述。
确定单元402,用于确定评价等级以及各个级别对应的评价因素指标范围。
在本实施例中,设对驾驶任务的评价等级分成P个级别,综合大数据采用聚类分析方法确定数据(即采集到的指标)分组,采用聚类分析方法将驾驶数据分为P个聚类,在每个聚类中的数据具有相似的特征,具体方法实施例一已经描述。
第一计算单元403,用于将标准化后的评价因素所需的指标,利用逆向云发生器,计算出评价因素对应的第一云模型的参数,并生成第一云模型。
在本实施例中,云模型的概念是,在评价等级论域中,模糊集合中的任意元素x的隶属度的分布称为(隶属)云。通过云的定义可知,和传统模糊隶属度不同的是,论域上某一点的隶属度并不是固定的,而是以一定的概率在细微变化,云模型就建立了模糊集合中元素和隶属度之间的映射关系。
云的数字特征(即云模型的参数)可以用期望Ex,熵En和超熵He三个数值来表征,结合了模糊性和随机性构成了定性和定量相互间的映射。在已经确定了评价因素及其分级标准的基础上,可以根据以下方法确定云模型的3个数字特征,具体方法实施例一已经描述。
第一计算单元403,还用于计算获取的评价因素指标所属各个等级的隶属度。
在本实施例中,对于评价因素Xi,对于评价因素Xi,根据确定的云滴ε(x,μ),由具体的待评数据输入到云滴中,可以产生该数据对各个级别的隶属度。循环此操作可以得到全部数据对P个级别的隶属度。
第一生成单元404,用于确定各个评价因素指标对应的评价因素的权重,并形成第一评价矩阵。
在本实施例中,采用主成分分析法得到各评价因素的权重,具体方法实施例一中已描述。
进一步,参见图3,第一处理模块500可以包括:
第一处理单元501,用于根据最大隶属度原则,通过第一评价矩阵,得出给定驾驶员的单次行车任务的评价结果。
在本实施例中,根据最大隶属度原则,选择第一评价矩阵B中最大值所对应的那个评价等级作为最终的评价结果。
具体地,参见图3,第二计算模块600可以包括:
第二标准化单元601,用于将获取到的给定驾驶员或给定车辆的多次历史行车任务评价因素所需的指标,通过以平均值为基准进行标准化。具体方法实施例一中已描述。
第二计算单元602,用于将标准化后的各个评价因素所需的指标,利用逆向云发生器,计算出每个评价因素对应的第二云模型的参数。
在本实施例中,将得到的各个评价因素的指标,利用逆向云发生器模型得出第二云模型的参数(Ex,En,He)。先求其中一个因素的评价矩阵,其它因素方法类似。具体方法实施例一中已描述。
进一步,参见图3,第二处理模块700可以包括:
第二生成单元701,用于通过计算出的多个第二云模型的参数,得到综合评价矩阵。
第二生成单元701,用于确定各个评价因素的权重,并利用云计算得到第二评价矩阵。
第二处理单元702,用于通过第二评价矩阵,得出给定驾驶员或给定车辆的历史行车任务的评价结果。
上述各个单元的处理过程在实施例一中已经描述。
本发明实施例通过采集多个驾驶员在多个驾驶任务中的行车数据;然后识别特定驾驶行为,并从采集到的行车数据提取评价因素所需的指标;设置评价因素对应的评价内容;根据提取到的给定驾驶员的单次行车任务评价因素,计算第一云模型的参数,并生成第一评价矩阵;根据第一评价矩阵,对给定驾驶员的单次行车任务进行评价;根据采集到的给定驾驶员或给定车辆的多次历史行车任务评价因素,计算第二云模型的参数;根据第二评价矩阵,利用云计算,对给定驾驶员或给定车辆的历史行车任务进行评价。这样该基于云模型的驾驶行为智能评价方法不仅可以对给定驾驶员的单次行车任务进行有效评价,还可以对给定驾驶员或给定车辆的历史行车任务进行综合评价,在进行智能评价过程中,利用云模型进行相关处理,可以有效体现数据的不确定性和波动性,使得评价结果更加符合实际情况,有效提高了评价结果的参考价值。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是:上述实施例提供的基于云模型的驾驶行为智能评价装置在实现基于云模型的驾驶行为智能评价方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于云模型的驾驶行为智能评价装置与基于云模型的驾驶行为智能评价方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也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,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。