驾驶行为评估方法、装置、存储介质和计算机设备与流程

【
技术领域：
】本发明涉及物流管理领域，尤其涉及一种驾驶行为评估方法、装置、存储介质和计算机设备。
背景技术：
：随着物流领域信息化的不断推进，物流公司之间的竞争也愈演愈烈，如何在保持高水平服务的前提下，有效降低油耗成本与车辆养护费用，减少违章支出，提高司机安全驾驶意识，已成为各家物流公司争相角逐的方面。目前针对司机绩效管理需求，通常的做法是由物流公司车管员对司机行驶里程，出车数量，行程油耗，安全行驶，车辆维护等数据进行汇总，然后提交至考核部门依据公司绩效管理方案，对相关行驶数据进行手工分析与计算，并输出绩效结果。基于目前的司机绩效管理流程，要经常应对如下事件：1、司机驾驶行为数据的记录与汇总主要(或部分)依靠手工来完成，数据来源的真实性，以及准确性无法得到保证。例如，通过抄表获取行驶里程，通过加油量估计行程油耗。2、车辆违章与维保数据的收集往往会滞后于行程数据的手机，这往往会导致真实绩效状态的延期反馈，并提高司机绩效管理的难度。3、司机行驶数据颗粒度未细化，导致现有绩效评分无法准确体现司机实际的驾驶行为状态。例如，在出车行驶过程中，司机并未收到任何交通罚单，但却不能有效证明司机的实际驾驶行为符合道路安全驾驶的相关规定与要求。为了应对上述事件，需要投入大量人力与精力，但仍然在成本控制，时效性，真实性与准确性方面收效甚微。技术实现要素：有鉴于此，本发明实施例提供了一种驾驶行为评估方法、装置、存储介质和计算机设备，能够解决现有技术中司机绩效管理流程中需要投入大量人力与精力，但仍然在成本控制，时效性，真实性与准确性方面收效甚微的问题。第一方面，本发明实施例提供了一种驾驶行为评估方法，所述方法包括：获取司机的实时驾驶行为数据；根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标；根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的第一分数；根据每个所述第一分数和预先生成的权重值计算出所述司机的驾驶行为评分。可选地，所述获取司机的实时驾驶行为数据之前，还包括：获取历史驾驶行为数据；根据所述历史驾驶行为数据计算出所述历史驾驶行为数据对应的至少一个历史驾驶行为指标；通过logistic回归算法对至少一个所述历史驾驶行为指标进行计算，生成每个所述历史驾驶行为指标对应的所述权重值。可选地，所述通过logistic回归算法对至少一个所述历史驾驶行为指标进行计算，生成每个所述历史驾驶行为指标对应的所述权重值，具体包括：构建logistic回归模型：其中，y为驾驶行为，xj为所述历史驾驶行为指标，p为所述历史驾驶行为指标的个数，βj为每个所述历史驾驶行为指标对应的回归系数，e为常量；对所述历史驾驶行为指标进行数据预处理生成训练数据，并将所述训练数据划分为训练集和测试集；根据所述测试集和所述训练集，按照logistic回归算法训练所述logistic回归模型，得到每个所述历史驾驶行为指标对应的所述回归系数；根据权重计算公式：计算出每个所述历史驾驶行为指标对应的所述权重值，其中为∈j每个所述历史驾驶行为指标对应的所述权重值。可选地，所述根据所述第一分数和预先生成的权重值计算出所述司机的驾驶行为评分，包括：将每个所述实时驾驶行为指标的所述第一分数乘以对应的所述权重值得到第二分数；将每个所述实时驾驶行为指标的所述第二分数相加得到所述驾驶行为评分。可选地，所述根据所述分数和预先生成的权重值计算出所述司机的驾驶行为评分之后，还包括：根据预设的驾驶行为评分与驾驶行为等级的对应关系，查询所述驾驶行为评分对应的驾驶行为等级；判断所述驾驶行为评分是否小于第一阈值或者大于第二阈值；若判断出所述驾驶行为评分小于所述第一阈值或者大于所述第二阈值，调整所述实时驾驶行为指标和第一分数的对应关系，继续执行所述获取司机的实时驾驶行为数据的步骤；其中，所述第二阈值大于所述第一阈值。可选地，若判断出所述驾驶行为评分大于或者等于所述第一阈值且小于或者等于所述第二阈值，将所述驾驶行为评分取整后乘以月绩效工资基点得到月绩效工资；将所述月绩效工资与月固定工资相加得到所述司机的月总工资；根据所述实时驾驶行为指标以及所述权重值、所述第一分数、所述驾驶行为评分和所述驾驶行为等级生成驾驶行为报告；将所述驾驶行为报告、所述月绩效工资和所述月总工资发送至客户端。可选地，所述实时驾驶行为指标包括：超速时间百分比、匀速行驶时间百分比、平均百公里油耗、急加速次数、疲劳驾驶时间百分比、急转弯次数、怠速时间百分比、超转速时间百分比、速转不匹配时间百分比、急刹车次数和行驶里程中的至少一个。另一方面，本发明实施例提供了一种驾驶行为评估装置，所述装置包括：第二获取模块，用于获取司机的实时驾驶行为数据；第二计算模块，用于根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标；第一查询模块，用于根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的所述第一分数；第三计算模块，用于根据每个所述第一分数和预先生成的权重值计算出所述司机的驾驶行为评分。另一方面，本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述驾驶行为评估方法。另一方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现上述驾驶行为评估方法的步骤。本发明实施例提供的驾驶行为评估方法、装置、存储介质和计算机设备的技术方案中，获取司机的实时驾驶行为数据，根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标，根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的第一分数，根据每个所述第一分数和预先生成的权重值计算出所述司机的驾驶行为评分，能够减少现有司机绩效管理流程中的人力成本，提高驾驶行为评估的时效性、真实性与准确性。【附图说明】为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。图1为本发明一实施例提供的一种驾驶行为评估方法的流程图；图2为本发明又一实施例提供的一种驾驶行为评估方法的流程图；图3为本发明一实施例提供的一种驾驶行为评估装置的结构示意图；图4为本发明实施例提供的一种计算机设备的示意图。【具体实施方式】为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。图1为本发明一实施例提供的一种驾驶行为评估方法的流程图，如图1所示，该方法包括：步骤101、获取司机的实时驾驶行为数据。步骤102、根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标。步骤103、根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的第一分数。步骤104、根据每个所述第一分数和预先生成的的权重值计算出所述司机的驾驶行为评分。本实施例提供的一种驾驶行为评估方法的技术方案中，获取司机的实时驾驶行为数据，根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标，根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的第一分数，根据每个所述第一分数和预先生成的权重值计算出所述司机的驾驶行为评分，能够减少现有司机绩效管理流程中的人力成本，提高驾驶行为评估的时效性、真实性与准确性。图2为本发明又一实施例提供的一种驾驶行为评估方法的流程图，如图2所示，该方法包括：步骤201、获取历史驾驶行为数据。本实施例中，历史驾驶行为数据包括司机行驶过程中的位置数据和车机状态数据。其中，位置数据至少包括行驶里程，经纬度和行驶速度其中之一，车机状态数据至少包括发动机转速，发动机运行状态，发动机运行时间，发动机怠速时间，刹车报警，急转弯报警和平均百公里油耗其中之一。步骤202、根据所述历史驾驶行为数据计算出所述历史驾驶行为数据对应的至少一个历史驾驶行为指标。本实施例中，历史驾驶行为指标包括：超速时间百分比、匀速行驶时间百分比、平均百公里油耗、急加速次数、疲劳驾驶时间百分比、急转弯次数、怠速时间百分比、超转速时间百分比、速转不匹配时间百分比、急刹车次数和行驶里程中的至少一个。实际应用中，历史驾驶行为指标不仅限于以上几种，可以根据实际需要进行选择。其中，上述历史驾驶行为指标的计算方法如表1所示：表1历史驾驶行为指标的计算方法历史驾驶行为指标计算方法超速时间百分比超速行驶时长占总行驶时长百分比匀速行驶时间百分比匀速行驶时长占总行驶时长百分比平均百公里油耗平均百公里油耗(l)疲劳驾驶时间百分比疲劳行驶时长占总行驶时长百分比急加速次数平均百公里急加速次数急转弯次数平均百公里急转弯次数超转速时间百分比超转速行驶时长占总行驶时长百分比怠速时间百分比怠速时长占总行驶时长百分比急刹车次数平均百公里急刹车次数速转不匹配时间百分比转速与速度不匹配时长占总行驶时长百分比行驶里程行驶里程本实施例中，将历史驾驶行为数据中的发动机运行时间设置为总行驶时长，通过预先设置超速阈值，当行驶速度超过超速阈值时为超速行驶，将超速行驶时长除以总行驶时长乘以百分之一百得到超速时间百分比；当行驶速度为匀速时计算匀速行驶时长，将匀速行驶时长除以总行驶时长乘以百分之一百得到超速时间百分比；将历史驾驶行为数据中的平均百公里油耗设置为历史驾驶行为指标中的平均百公里油耗；通过预先设置疲劳行驶时长阈值，当发动机运行时间超过疲劳行驶时长阈值时为疲劳驾驶，计算疲劳驾驶时长，将疲劳驾驶除以总行驶时长乘以百分之一百得到疲劳行驶时间百分比；行驶速度在预定时间内提高超过急加速阈值时为急加速，先计算每一百公里急加速的次数然后求平均值得到急加速次数；计算每一百公里急转弯报警的次数然后求平均值得到急转弯次数；发动机转速超过转速阈值时为超转速，计算每超转速时长，将超转速时长除以总行驶时长乘以百分之一百得到超转速时间百分比；将发动机怠速时长除以总行驶时长乘以百分之一百得到怠速时间百分比；计算每一百公里刹车报警的次数然后求平均值得到急刹车次数；计算发动机转速和行驶速度不匹配时长，将其除以总行驶时长乘以百分之一百得到速转不匹配时间百分比；将历史驾驶行为数据中的行驶里程设置为历史驾驶行为指标中的行驶里程。步骤203、通过logistic回归算法对至少一个所述历史驾驶行为指标进行计算，生成每个所述历史驾驶行为指标对应的所述权重值。本实施例中，步骤203具体包括：步骤2031、构建logistic回归模型：其中，y为驾驶行为，xj为所述历史驾驶行为指标，p为所述历史驾驶行为指标的个数，βj为每个所述历史驾驶行为指标对应的回归系数，e为常量。步骤2032、对所述历史驾驶行为指标进行数据预处理生成训练数据，并将所述训练数据划分为训练集和测试集。本实施例中，对历史驾驶行为指标进行数据预处理包括数据清洗，用于剔除不可用数据，例如，司机在停车休息时，汽车并没被启动，此时采集的历史驾驶行为数据对应的历史驾驶行为指标为不可用数据。本实施例中，对历史驾驶行为指标进行数据预处理包括数据清洗，还用于剔除异常数据，例如，当行驶速度不为0时，行驶里程却没有变化，此时采集的历史驾驶行为数据对应的历史驾驶行为指标为异常数据。本实施例中，将训练数据划分为训练集和测试集具体包括：将训练数据按一定比例划分为训练集和测试集。例如，训练集与测试集的比例为2：1。步骤2033、根据所述测试集和所述训练集，按照logistic回归算法训练所述logistic回归模型，得到每个所述历史驾驶行为指标对应的所述回归系数。步骤2034、根据权重计算公式：计算出每个所述历史驾驶行为指标对应的所述权重值，其中为∈j每个所述历史驾驶行为指标对应的所述权重值。本实施例中，可以通过最大似然估计、标准误差等分析方法对训练数据进行分析，以获取与驾驶行为具备强关联的历史驾驶行为指标，并通过梯度递减估计出logistic回归模型中的回归系数，最终通过回归系数得到每个历史驾驶行为指标的权重值。本实施例中，基于某物流企业几十万车辆的历史驾驶行为数据，通过logistic回归算法计算出每个历史驾驶行为指标对应的权重值，如表2所示。表2历史驾驶行为指标的权重值历史驾驶行为指标权重值(％)超速时间百分比14.9匀速行驶时间百分比12.7平均百公里油耗12.1疲劳驾驶时间百分比10.2急加速次数9.6急转弯次数9.4超转速时间百分比8.1怠速时间百分比7.7急刹车次数6.2速转不匹配时间百分6.8行驶里程2.3根据表2各历史驾驶行为指标对应的权重值，可以得出超速时间百分比对驾驶行为的影响最大，占14.9％；匀速行驶时间百分比次之，占12.7％；平均百公里油耗和疲劳驾驶时间百分比分别占12.1％和10.2％；其他驾驶行为指标的影响依次减小。而且各驾驶行为指标对应的权重值之和为100％。由于历史驾驶行为数据量有限且该物流公司对于驾驶行为安全性的要求较高，所以超速时间百分比、疲劳驾驶时间百分比、急加速次数和急转弯次数的权重值均较高。步骤204、获取司机的实时驾驶行为数据。本实施例中，从实时数据库中获取司机行驶过程中的实时位置数据和车机状态数据。其中，实时位置数据至少包括行驶里程、经纬度和行驶速度其中之一，车机状态数据至少包括发动机转速，发动机运行状态，发动机运行时间，发动机怠速时间，刹车报警，急转弯报警和平均百公里油耗其中之一。本实施例中，可以根据实际需要周期性从实时数据库中获取司机行驶过程中的实时位置数据和车机状态数据。步骤205、根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标。本实施例中，实时驾驶行为指标包括：超速时间百分比、匀速行驶时间百分比、平均百公里油耗、急加速次数、疲劳驾驶时间百分比、急转弯次数、怠速时间百分比、超转速时间百分比、速转不匹配时间百分比、急刹车次数和行驶里程中的至少一个。实际应用中，实时驾驶行为指标不仅限于以上几种，可以根据实际需要进行选择。其中，上述实时驾驶行为指标的计算方法和上述历史驾驶行为指标的计算方法相同，在此不多赘述。步骤206、根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的第一分数。本实施例中，每个实时驾驶行为指标和第一分数之间具备对应关系，其中，每个实时驾驶行为指标和第一分数的对应关系根据不同的实时驾驶行为指标进行不同的设置。例如，超速时间百分比越大，表明超速现象越严重，对应的第一分数越低；匀速行驶时间百分比越大，表明司机开车越平稳，对应的第一分数越高。例如，设司机的超速时间百分比为m，当0％≤m＜2％时，对应的第一分数为5分；当2％≤m＜5％时，对应的第一分数为4分；当5％≤m＜10％时，对应的第一分数为3分；当10％≤m＜20％时，对应的第一分数为2分；当20％≤m＜30％时，对应的第一分数为1分；当m≥30％时，对应的第一分数为0分。步骤207、根据每个所述第一分数和所述权重值计算出所述司机的驾驶行为评分。本实施例中，步骤207具体包括：步骤2071、将每个所述实时驾驶行为指标的所述第一分数乘以对应的所述权重值得到第二分数。步骤2072、将每个所述实时驾驶行为指标的所述第二分数相加得到所述驾驶行为评分。步骤208、根据预设的驾驶行为评分与驾驶行为等级的对应关系，查询所述驾驶行为评分对应的驾驶行为等级。本实施例中，驾驶行为评分与驾驶行为等级的对应关系可以根据实际情况进行设置。例如，设预设的驾驶行为评分为n，当n＝5时，对应的驾驶行为等级为a；当5＞n≥4时，对应的驾驶行为等级为b；当4＞n≥3时，对应的驾驶行为等级为c；当3＞n≥2时，对应的驾驶行为等级为d；当2＞n≥1时，对应的驾驶行为等级为e；当1＞n≥0时，对应的驾驶行为等级为f。步骤209、判断所述驾驶行为评分是否小于第一阈值或者大于第二阈值，若是，执行步骤210，若否，执行步骤211。本实施例中，第二阈值大于第一阈值，当判断出驾驶行为评分小于第一阈值或者大于第二阈值时，表明驾驶行为评分不合理；当判断出驾驶行为评分大于或者等于第一阈值且小于或者等于第二阈值时，表明驾驶行为评分合理。本实施例中，物流公司中所有司机的驾驶行为评分应该符合正态分布，根据物流公司中所有司机的驾驶行为评分对应的正态分布选取第一阈值和第二阈值。步骤210、调整所述实时驾驶行为指标和第一分数的对应关系，继续执行步骤204。例如，司机的超速时间百分比为m，当0％≤m＜2％时，对应的第一分数为5分，可以调整为当0％≤m＜5％时，对应的第一分数为5分。步骤211、将所述驾驶行为评分取整后乘以月绩效工资基点得到月绩效工资。步骤212、将所述月绩效工资与月固定工资相加得到所述司机的月总工资。例如，如表3所示，表3为司机的月工资明细，司机1的驾驶行为评分为4.08，对应的驾驶行为等级为b，将司机1的驾驶行为评分4.08取整后与月绩效工资基点1200相乘得到月绩效工资为4800元，将月绩效工资为4800元与月固定工资3000元相加得到司机1的月总工资为7800元。司机2的驾驶行为评分为3.92，对应的驾驶行为等级为c，将司机2的驾驶行为评分3.92取整后与月绩效工资基点1200相乘得到月绩效工资为3600元，将月绩效工资为3600元与月固定工资3000元相加得到司机2的月总工资为6600元。表3司机的月工资明细步骤213、根据所述实时驾驶行为指标以及所述权重值、所述第一分数、所述驾驶行为评分和所述驾驶行为等级生成驾驶行为报告。本实施例中，驾驶行为报告中包含的内容不限于实时驾驶行为指标、权重值、第一分数、驾驶行为评分和驾驶行为等级，也可以包含其他内容，可以根据实际需要进行选择。例如，如表4所示，表4为司机的驾驶行为报告，驾驶行为报告包括实时驾驶行为指标、权重值、第一分数、驾驶行为评分和驾驶行为等级。表4司机的驾驶行为报告步骤214、将所述驾驶行为报告、所述月绩效工资和所述月总工资发送至客户端。本实施例中，在将驾驶行为报告、月绩效工资和月总工资发送至客户端的同时，还可以将驾驶行为改进方案发送至客户端。其中，驾驶行为改进方案是针对司机的驾驶行为提出的建议。例如，司机的实时驾驶行为指标中，若超速时间百分比的第一分数较低，表明该司机在驾驶过程中经常有超速行为，因此对该司机提出的驾驶行为改进方案为：降低驾驶速度，避免超速。本实施例提供的一种驾驶行为评估方法的技术方案中，获取司机的实时驾驶行为数据，根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标，根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的第一分数，根据每个所述第一分数和预先生成的权重值计算出所述司机的驾驶行为评分，能够减少现有司机绩效管理流程中的人力成本，提高驾驶行为评估的时效性、真实性与准确性。图3为本发明一实施例提供的一种驾驶行为评估装置的结构示意图，如图4所示，所述装置包括：第一获取模块1、第一计算模块2、第一生成模块3、第二获取模块4、第二计算模块5、第一查询模块6、第三计算模块7、第二查询模块8、判断模块9、调整模块10、第四计算模块11、第五计算模块12、第二生成模块13、发送模块14。第一获取模块1，用于获取历史驾驶行为数据。第一计算模块2，用于根据历史驾驶行为数据计算出历史驾驶行为数据对应的至少一个历史驾驶行为指标。本实施例中，历史驾驶行为指标包括：超速时间百分比、匀速行驶时间百分比、平均百公里油耗、急加速次数、疲劳驾驶时间百分比、急转弯次数、怠速时间百分比、超转速时间百分比、速转不匹配时间百分比、急刹车次数和行驶里程中的至少一个。实际应用中，历史驾驶行为指标不仅限于以上几种，可以根据实际需要进行选择。第一生成模块3，用于通过logistic回归算法对至少一个历史驾驶行为指标进行计算，生成每个历史驾驶行为指标对应的权重值。本实施例中，第一生成模块3具体包括：构建子模块31、划分子模块32、训练子模块33和第一计算子模块34。构建子模块31，用于构建logistic回归模型：其中，y为驾驶行为，xj为历史驾驶行为指标，p为历史驾驶行为指标的个数，βj为每个历史驾驶行为指标对应的回归系数，e为常量。划分子模块32，用于对历史驾驶行为指标进行数据预处理生成训练数据，并将训练数据划分为训练集和测试集。训练子模块33，用于根据所述测试集和所述训练集，按照logistic回归算法训练logistic回归模型，得到每个历史驾驶行为指标对应的回归系数。第一计算子模块34，用于根据权重计算公式：计算出每个所述历史驾驶行为指标对应的所述权重值，其中为∈j每个所述历史驾驶行为指标对应的所述权重值。第二计算模块5，用于根据实时驾驶行为数据计算出至少一个实时驾驶行为指标。第一查询模块6，用于根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个实时驾驶行为指标对应的第一分数。第三计算模块7，用于根据每个第一分数和权重值计算出司机的驾驶行为评分。本实施例中，第三计算模块7具体包括：第二子计算模块71和第三子计算模块72。第二子计算模块71，用于将每个实时驾驶行为指标的第一分数乘以对应的权重值得到第二分数。第三子计算模块72，用于将每个实时驾驶行为指标的第二分数相加得到驾驶行为评分。第二查询模块8，用于根据预设的驾驶行为评分与驾驶行为等级的对应关系，查询驾驶行为评分对应的驾驶行为等级。判断模块9，用于判断驾驶行为评分是否小于第一阈值或者大于第二阈值。本实施例中，第二阈值大于第一阈值。调整模块10，用于若判断模块9若判断出驾驶行为评分小于第一阈值或者大于第二阈值，调整实时驾驶行为指标和第一分数的对应关系，并继续执行获取司机的实时驾驶行为数据的操作。第四计算模块11，用于若判断模块9若判断出驾驶行为评分大于或者等于第一阈值且小于或者等于第二阈值，将驾驶行为评分取整后乘以月绩效工资基点得到月绩效工资。第五计算模块12，用于将月绩效工资与月固定工资相加得到司机的月总工资。第二生成模块13，用于根据实时驾驶行为指标以及权重值、第一分数、驾驶行为评分和驾驶行为等级生成驾驶行为报告。发送模块14，用于将驾驶行为报告、月绩效工资和月总工资发送至客户端。本实施例提供的驾驶行为评估装置可用于实现上述图1至图2中的驾驶行为评估方法，具体描述可参见上述驾驶行为评估方法的实施例，此处不再重复描述。本发明实施例提供的一种驾驶行为评估装置的技术方案中，获取司机的实时驾驶行为数据，根据所述实时驾驶行为数据计算出至少一个实时驾驶行为指标，根据预设的实时驾驶行为指标和第一分数的对应关系，查询每个所述实时驾驶行为指标对应的第一分数，根据每个所述第一分数和预先生成的权重值计算出所述司机的驾驶行为评分，能够减少现有司机绩效管理流程中的人力成本，提高驾驶行为评估的时效性、真实性与准确性。图4为本发明实施例提供的一种计算机设备的示意图。如图4所示，该实施例的计算机设备20包括：处理器21、存储器22以及存储在存储22中并可在处理器21上运行的计算机程序23，该计算机程序23被处理器21执行时实现实施例中的应用于驾驶行为评估方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器21执行时实现实施例中应用于驾驶行为评分装置中各模型/单元的功能，为避免重复，此处不一一赘述。计算机设备20包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，5仅仅是计算机设备20的示例，并不构成对计算机设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。所称处理器21可以是中央处理单元(centralprocessingunit，简称cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器22可以是计算机设备20的内部存储单元，例如计算机设备20的硬盘或内存。存储器22也可以是计算机设备20的外部存储设备，例如计算机设备20上配备的插接式硬盘，智能存储卡(smartmediacard,简称smc)，安全数字(securedigital,简称sd)卡，闪存卡(flashcard)等。进一步地，存储器22还可以既包括计算机设备20的内部存储单元也包括外部存储设备。存储器22用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器22还可以用于暂时地存储已经输出或者将要输出的数据。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。当前第1页12