一种基于手机车联网数据的驾驶行为风险指数判定方法与流程

1.本发明属于车联网、自动驾驶、车险预测、车险定价等领域，更具体地，涉及一种基于手机车联网数据的驾驶行为风险指数判定方法。


背景技术：

2.根据自动驾驶领域的发展现状，全球统一使用的标准是美国国家公路交通安全管理局nhtsa制定的5个级别，l0
‑
l4级。目前许多企业都已经研发出l4级别的自动驾驶技术，但用于实践时，却故障频发，例如十字路口不会变道、阴雨天气事故率高等情况。2021年上市新车普遍配置了l2级别的自动驾驶技术，可以实现自适应巡航控制系统、自动紧急制动等功能，来辅助驾驶者完成驾驶行为。依据现状来看，实现l4级别，完全智能化驾驶的道路依旧很长。因此，在现阶段，在车辆行驶过程中，如何更好的对驾驶者进行辅助，为驾驶者提供更安全、更舒适的行车过程，是目前热门的研究方向。驾驶行为风险指数判定方法可以根据驾驶行为数据判断驾驶者的驾驶风险，进而帮助自动驾驶行业完善优化辅助驾驶系统，对实现更高等级的自动驾驶技术具有一定的推动意义。
[0003]“手机车联网”是近年兴起的新型技术，指的是通过智能手机自身的通讯模块、而不依赖于其他任何硬件设备进而实现的车联网技术。其原理是通过手机自身的gps和陀螺仪模块，记录驾驶过程中的信息数据，监测用户驾驶行为，并基于监测数据做精准算法，通过算法分析判断用户的行为状态，区分出驾驶行为和非驾驶行为，并对驾驶者的行为数据进行数据存储，包括地理位置(经纬度和海拔)、行驶路径、驾驶时间、加速减速行为、电话状态等等。随着近年来gps精度的提高以及智能手机自身软硬件的发展，使得利用手机车联网数据进行驾驶行为风险判断成为可能。相较于车载诊断系统(on
‑
board diagnostic，obd)，手机车联网解决了车载诊断系统在安全性、稳定性和数据精准度上的难题，并利用智能手机自身的计算能力和存储能力，大大降低了此类方法推广难度和推广成本。因此如何利用手机车联网数据进行驾驶行为风险指数判定，实现低成本、高效率的驾驶行为风险判定尤为重要。


技术实现要素：

[0004]
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于手机车联网数据的驾驶行为风险指数判定方法，能够高效判断驾驶人的驾驶行为风险，为完善优化辅助驾驶系统，实现更高等级的自动驾驶技术具有一定的推动意义。
[0005]
为实现上述目的，按照本发明的一个方面，提供了一种基于手机车联网数据的驾驶行为风险指数判定方法，包括：
[0006]
(1)基于手机终端车联网数据构建驾驶行为直观特征体系；
[0007]
(2)在驾驶行为直观特征体系的基础上，从安全驾驶角度构建危险驾驶行为特征体系；
[0008]
(3)建立驾驶行为风险指数与危险驾驶行为特征之间的线性关系，以构建驾驶行
为风险指数预测模型，利用危险驾驶行为特征体系，预测驾驶员的驾驶行为风险指数。
[0009]
在一些可选的实施方案中，所述手机终端车联网数据包括用户行程标志、用户行程目前所处的时刻、用户行程目前所在经度、用户行程目前所在纬度、用户行程目前对应方向或角度、用户行程目前所处的海拔高度及用户行程目前的通话状态。
[0010]
在一些可选的实施方案中，步骤(1)包括：
[0011]
(1.1)由用户行程所在经度和用户行程所在纬度得到车辆速度，由相邻时刻的车辆速度，得到各时刻的速度差；
[0012]
(1.2)利用行程开始时间和行程结束时间推算每段行程的驾驶时间，若每段行程的驾驶时间大于等于预设时间，则表示该段行程为疲劳驾驶，以此确定所有行程中疲劳驾驶的次数；
[0013]
(1.3)确定所有行程中累计夜间驾驶时长；
[0014]
(1.4)由相邻时刻的用户行程对应方向或角度，得到所有时刻的角度差；
[0015]
(1.5)由相邻时刻的用户行程所处的海拔高度，得到所有时刻的高度差，由所有时刻的高度差得到高度标准差；
[0016]
(1.6)根据用户行程中的电话状态处于呼出和呼入的次数来计算用户的打电话次数。
[0017]
在一些可选的实施方案中，由得到车辆在t+1时刻的速度v，其中，将车辆在t时刻所在的经纬度转换成平面坐标系下的坐标(x1,y1)，将车辆在t+1时刻所在的经纬度转换成平面坐标系下的坐标(x2,y2)。
[0018]
在一些可选的实施方案中，所述危险驾驶行为特征体系包括：速度频率、速度差频率、疲劳驾驶频率、夜间驾驶频率、角度差频率、高度差频率、高度标准差频率及打电话次数频率，其中，速度频率表示速度大于预设速度阈值的频率，速度差频率表示速度差大于预设速度差阈值的频率，疲劳驾驶频率表示疲劳驾驶次数大于预设疲劳驾驶阈值的频率，夜间驾驶频率表示夜间驾驶时长大于预设夜间驾驶时长阈值的频率，角度差频率表示角度差大于预设角度差阈值的频率，高度差频率表示高度差大于预设高度差阈值的频率，高度标准差频率表示高度标准差大于预设高度标准差阈值的频率，打电话次数频率表示打电话次数大于预设打电话次数阈值的频率。
[0019]
在一些可选的实施方案中，步骤(2)包括：
[0020]
(2.1)将所有用户的所有时刻的速度按照从小到大的顺序进行排序，找出第一预设分位数作为预设速度阈值，则某一用户的速度频率为速度大于预设速度阈值的频率；
[0021]
(2.2)将所有用户的所有时刻的速度差按照从小到大的顺序进行排序，找出第二预设分位数作为预设速度差阈值，则某一用户的速度差频率为速度差大于预设速度差阈值的频率；
[0022]
(2.3)将所有用户的疲劳驾驶次数按照从小到大的顺序进行排序，找出第三预设分位数作为预设疲劳驾驶阈值，则某一用户的疲劳驾驶频率为疲劳驾驶次数大于预设疲劳驾驶阈值的频率；
[0023]
(2.4)将所有用户的夜间驾驶时长按照从小到大的顺序进行排序，找出第四预设分位数作为预设夜间驾驶时长阈值，则某一用户的夜间驾驶频率为夜间驾驶时长大于预设
夜间驾驶时长阈值的频率；
[0024]
(2.5)将所有用户的所有时刻的角度差按照从小到大的顺序进行排序，找出第五预设分位数作为预设角度差阈值，则某一用户的角度差频率为角度差大于预设角度差阈值的频率；
[0025]
(2.6)将所有用户的所有时刻的高度差按照从小到大的顺序进行排序，找出第六预设分位数作为预设高度差阈值，则某一用户的高度差频率为高度差大于预设高度差阈值的频率；
[0026]
(2.7)将所有用户的所有时刻的高度标准差按照从小到大的顺序进行排序，找出第七预设分位数作为预设高度标准差阈值，则某一用户的高度标准差频率为高度标准差大于预设高度标准差阈值的频率；
[0027]
(2.8)将所有用户的打电话次数按照从小到大的顺序进行排序，找出第八预设分位数作为预设打电话次数阈值，则某一用户的打电话次数频率为打电话次数大于预设打电话次数阈值的频率。
[0028]
在一些可选的实施方案中，步骤(3)包括：
[0029]
(3.1)计算训练集和测试集中所有驾驶员的八个危险驾驶行为特征：速度频率、速度差频率、疲劳驾驶频率、夜间驾驶频率、角度差频率、高度差频率、高度标准差频率及打电话次数频率；
[0030]
(3.2)将各驾驶员的八个危险驾驶行为特征归一化处理；
[0031]
(3.3)利用机器学习算法多元线性回归拟合驾驶员的驾驶行为风险指数与八个危险驾驶行为特征之间的线性函数关系得到驾驶行为风险指数预测模型，进而由驾驶行为风险指数预测模型预测当前驾驶员的驾驶行为风险指数。
[0032]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0033]
本发明提供了一种基于手机车联网数据的驾驶行为风险指数判定方法，首先基于手机终端采集到的车辆行驶数据，构建了驾驶行为直观特征体系；其次在驾驶行为直观特征体系基础上，从安全驾驶角度构建了危险驾驶行为特征体系；最后利用机器学习算法多元线性回归建立驾驶行为风险指数与危险驾驶行为特征之间的线性函数模型，构建驾驶行为风险指数预测模型，该模型可以利用危险驾驶行为特征体系，预测驾驶员的驾驶行为风险指数。此方法所用数据方便易取，危险驾驶行为特征直观明确，计算科学有效，为判断驾驶者的驾驶风险，进而完善优化辅助驾驶系统，实现更高等级的自动驾驶技术具有一定的推动意义。
附图说明
[0034]
图1是本发明实施例提供的一种基于手机车联网数据的驾驶行为风险指数判定方法的流程示意图；
[0035]
图2是本发明实施例提供的一种驾驶行为风险指数预测的构建方法示意图；
[0036]
图3是本发明实施例提供的一种速度、速度差、角度差、高度差的80％分位数的示意图。
具体实施方式
[0037]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0038]
在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定的顺序或先后次序。
[0039]
实施例一
[0040]
如图1所示是本发明实施例提供的一种基于手机车联网数据的驾驶行为风险指数判定方法的流程示意图，在图1所示的方法中包括以下步骤：
[0041]
s1：基于手机终端车联网数据构建驾驶行为直观特征体系；
[0042]
s2：在驾驶行为直观特征体系的基础上，从安全驾驶角度构建危险驾驶行为特征体系；
[0043]
s3：建立驾驶行为风险指数与危险驾驶行为特征之间的线性关系，以构建驾驶行为风险指数预测模型，利用危险驾驶行为特征体系，预测驾驶员的驾驶行为风险指数。
[0044]
在本实施例中，在步骤s1中，基于手机车联网数据构建驾驶行为直观特征体系，包括车辆的速度v、速度差δv、疲劳驾驶(连续驾驶时间大于等于预设时间)的次数f、夜间驾驶时长t'、角度差δw、高度差δh、高度标准差h
σ
、打电话次数c等八个特征。
[0045]
在本实施例中，在步骤s2中，在步骤s1的基础上，从安全驾驶角度构建危险驾驶行为特征体系，分别是速度频率v
p
即速度>预设速度阈值v0的频率、速度差频率δv'
p
即速度差>预设速度差阈值δv'的频率、疲劳驾驶频率f
p
即疲劳驾驶(连续驾驶时间大于等于预设时间)次数>预设疲劳驾驶阈值f0的频率、夜间驾驶频率t
p
即夜间驾驶时长>预设夜间驾驶时长阈值t0'的频率、角度差频率δw
p
即角度差>预设角度差阈值δw0的频率、高度差频率δh
p
即高度差>预设高度差阈值δh0的频率、高度标准差频率h'
σp
即高度标准差>预设高度标准差阈值h'
σ
的频率、打电话次数频率c
p
即打电话次数>预设打电话次数阈值c0的频率，其中，v0,δv',f0,t0',δw0,δh0,h'
σ
,c0等阈值均为v,δv,f,t',δw,δh,h
σ
,c等指标的分位数。
[0046]
其中，预设时间大小用于判断是否疲劳驾驶，其可以根据实际情况确定，本实施例不做唯一性限定。
[0047]
实施例二
[0048]
如图2所示是本发明实施例提供的一种驾驶行为风险指数预测的构建方法示意图，包括：
[0049]
s1：基于手机车联网数据构建驾驶行为直观特征体系；
[0050]
s2：在步骤s1的基础上，从安全驾驶角度构建危险驾驶行为特征体系；
[0051]
s3：构建驾驶行为风险指数预测模型，利用危险驾驶行为特征体系，预测驾驶员的驾驶行为风险指数d。
[0052]
在本实施例中，在步骤s1中，手机车联网数据包括行程id，时刻、经度、维度、方向(角度)、海拔、电话状态等七个指标；其中各指标的含义如下表1所示：
[0053]
表1手机车联网数据含义
[0054][0055]
在本实施例中，在步骤s1中，驾驶行为直观特征体系包括车辆的速度v、速度差δv、疲劳驾驶(连续驾驶时间大于等于预设时间)的次数f、夜间驾驶时长t'、角度差δw、高度差δh、高度标准差h
σ
、打电话次数c等八个特征；其中各个特征的含义以及计算方法可以通过以下方式实现：
[0056]
s1.1：计算车辆的速度v，车辆的速度指的是车辆在某一时刻的瞬时车速，已知车辆在t时刻所在的经纬度为(x1,y1)，在t+1时刻所在的经纬度为(x2,y2)，经纬度均为wgs
‑
84坐标系的坐标，首先将其转换成平面坐标系(x1,y1)和(x2,y2)，则车辆在t+1时刻的速度以此类推即可计算出所有时刻的速度v；
[0057]
s1.2：计算车辆的速度差δv，根据步骤s1.1计算出来的时刻速度v，如果车辆在t时刻的速度为v1，在t+1时刻的速度为v2，则车辆在t+1时刻的速度差为δv＝v2‑
v1，以此类推即可计算出所有时刻的速度差δv；
[0058]
s1.3：计算疲劳驾驶(连续驾驶时间大于等于预设时间)的次数f，利用行程开始和结束的时间推算每段行程的驾驶时间t，如t≥预设时间，则次数增加一次，最终f为一个用户所有行程中连续驾驶时间超过预设时间的次数；
[0059]
s1.4：计算夜间驾驶时长t'；
[0060]
在本实施例中，可以将夜间时间定义为21:00
‑
5:00的时间，t'为一个用户所有行程中在时间段21:00
‑
5:00中所积累的时间总长，还可以定义其它时间为夜间时间段，本实施例不做唯一性限定。
[0061]
s1.5：计算角度差δw，已知车辆在t时刻的方向(角度)为w1，在t+1时刻的方向(角度)为w2，则车辆在t+1时刻的角度差为δw＝w2‑
w1，以此类推即可计算出所有时刻的角度差δw；
[0062]
s1.6：计算高度差δh，已知车辆在t时刻的海拔为h1，在t+1时刻的海拔为h2，则车辆在t+1时刻的高度差为δh＝h2‑
h1，以此类推即可计算出所有时刻的高度差δh；
[0063]
s1.7：计算高度标准差h
σ
，根据步骤s1.6计算所得的所有时刻的高度差δh，利用标准差公式其中，δh
i
为第i时刻的高度差，n为时刻总数，为所有时刻高度差的平均值，以此便可计算出高度标准差h
σ
；
[0064]
s1.8：计算打电话次数c，根据用户行程中的电话状态处于呼出和呼入的次数来计
算用户的打电话次数c。
[0065]
在本实施例中，在步骤s2中，从安全驾驶角度构建危险驾驶行为特征体系包括速度频率v
p
即速度>预设速度阈值v0的频率、速度差频率δv'
p
即速度差>预设速度差阈值δv'的频率、疲劳驾驶频率f
p
即疲劳驾驶(连续驾驶时间大于等于预设时间)次数>预设疲劳驾驶阈值f0的频率、夜间驾驶频率t
p
'即夜间驾驶时长>预设夜间驾驶时长阈值t0'的频率、角度差频率δw
p
即角度差>预设角度差阈值δw0的频率、高度差频率δh
p
即高度差>预设高度差阈值δh0的频率、高度标准差频率h'
σp
即高度标准差>预设高度标准差阈值h'
σ
的频率、打电话次数频率c
p
即打电话次数>预设打电话次数阈值c0的频率，其中v0,δv',f0,t'0,δw0,δh0,h'
σ
,c0等阈值均为v,δv,f,t',δw,δh,h
σ
,c等指标的分位数；如图3所示，其中各个特征的含义以及计算方法可以通过以下方式实现：
[0066]
s2.1：计算预设速度阈值v0和速度频数v
p
，将所有用户的所有时刻的速度按照从小到大的顺序进行排序，找出第一预设分位数作为预设速度阈值v0，则某一用户的速度频率v
p
为速度>v0的频率；
[0067]
例如得到的预设速度阈值v0为50，某一用户行程中速度大于50的频数为20，则该用户的速度频率v
p
为20/50。
[0068]
其中，第一预设分位数表示将所有用户的所有时刻的速度按照从小到大的顺序进行排序后，从序列中找出的第一预设分位数对应的数值，比如找出第80％分位数作为预设速度阈值v0。
[0069]
s2.2：计算预设速度差阈值δv'和速度差频率δv'
p
，将所有用户的所有时刻的速度差按照从小到大的顺序进行排序，找出第二预设分位数作为预设速度差阈值δv'，则某一用户的速度差频率δv'
p
为速度差>δv'的频率；
[0070]
其中，第二预设分位数表示将所有用户的所有时刻的速度差按照从小到大的顺序进行排序后，从序列中找出的第二预设分位数对应的数值，比如找出第80％分位数作为预设速度差阈值δv'。
[0071]
s2.3：计算预设疲劳驾驶阈值f0和疲劳驾驶频率f
p
，将所有用户的疲劳驾驶次数按照从小到大的顺序进行排序，找出第三预设分位数作为预设疲劳驾驶阈值f0，则某一用户的疲劳驾驶频率f
p
为疲劳驾驶次数>f0的频率；
[0072]
其中，第三预设分位数表示将所有用户的疲劳驾驶次数按照从小到大的顺序进行排序后，从序列中找出的第三预设分位数对应的数值，比如找出第80％分位数作为预设疲劳驾驶阈值f0。
[0073]
s2.4：计算预设夜间驾驶时长阈值t'0和夜间驾驶频率t'
p
，将所有用户的夜间驾驶时长按照从小到大的顺序进行排序，找出第四预设分位数作为预设夜间驾驶时长阈值t'0，则某一用户的夜间驾驶频率t'
p
为夜间驾驶时长>t'0的频率；
[0074]
其中，第四预设分位数表示将所有用户的夜间驾驶时长按照从小到大的顺序进行排序后，从序列中找出的第四预设分位数对应的数值，比如找出第80％分位数作为预设夜间驾驶时长阈值t'0。
[0075]
s2.5：计算预设角度差阈值δw0和角度差频率δw
p
，将所有用户的所有时刻的角度差按照从小到大的顺序进行排序，找出第五预设分位数作为预设角度差阈值δw0，则某一用户的角度差频率δw
p
为角度差>δw0的频率；
[0076]
其中，第五预设分位数表示将所有用户的所有时刻的角度差按照从小到大的顺序进行排序后，从序列中找出的第五预设分位数对应的数值，比如找出第80％分位数作为预设角度差阈值δw0。
[0077]
s2.6：计算预设高度差阈值δh0和高度差频率δh
p
，将所有用户的所有时刻的高度差按照从小到大的顺序进行排序，找出第六预设分位数作为预设高度差阈值δh0，则某一用户的高度差频率δh
p
为高度差>δh0的频率；
[0078]
其中，第六预设分位数表示将所有用户的所有时刻的高度差按照从小到大的顺序进行排序后，从序列中找出的第六预设分位数对应的数值，比如找出第80％分位数作为预设高度差阈值δh0。
[0079]
s2.7：计算预设高度标准差阈值h'
σ
和高度差标准频率h'
σp
，将所有用户的所有时刻的高度标准差按照从小到大的顺序进行排序，找出第七预设分位数作为预设高度标准差阈值h'
σ
，则某一用户的高度标准差频率h'
σp
为高度标准差>h'
σ
的频率；
[0080]
其中，第七预设分位数表示将所有用户的所有时刻的高度标准差按照从小到大的顺序进行排序后，从序列中找出的第七预设分位数对应的数值，比如找出第80％分位数作为预设高度标准差阈值h'
σ
。
[0081]
s2.8：计算预设打电话次数阈值c0和打电话次数频率c
p
，将所有用户的打电话次数按照从小到大的顺序进行排序，找出第八预设分位数作为预设打电话次数阈值c0，则某一用户的打电话次数频率c
p
为电话次数>c0的频率。
[0082]
其中，第八预设分位数表示将所有用户的打电话次数按照从小到大的顺序进行排序后，从序列中找出的第八预设分位数对应的数值，比如找出第80％分位数作为预设打电话次数阈值c0。
[0083]
在本实施例中，在步骤s3中，构建驾驶行为风险指数预测模型，利用危险驾驶行为特征体系，预测驾驶员的驾驶行为风险指数d的具体步骤如下：
[0084]
s3.1：计算训练集和测试集中所有驾驶员的八个危险驾驶行为特征，分别是速度频率v
p
、速度差频率δv'
p
、疲劳驾驶频率f
p
、夜间驾驶频率t
p
、角度差频率δw
p
、高度差频率δh
p
、高度标准差频率h'
σp
、打电话次数频率c
p
；
[0085]
s3.2：将八个危险驾驶行为特征归一化处理；
[0086]
s3.3：利用机器学习算法多元线性回归拟合驾驶员的驾驶行为风险指数d与八个危险驾驶行为特征之间的线性函数关系得到驾驶行为风险指数预测模型，进而由驾驶行为风险指数预测模型预测当前驾驶员的驾驶行为风险指数。
[0087]
在本实施例中，风险指数预测模型为：
[0088]
d＝av
p
+bδv'
p
+cf
p
+dt
p
+eδw
p
+fδh
p
+gh'
σp
+hc
p
，a、b、c、d、e、f、g、h均为拟合所得的各参数的系数。
[0089]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0090]
本领域的技术人员容易理解，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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。