一种基于大数据的驾驶风险评估方法与流程

本发明涉及驾驶安全技术领域，尤其涉及一种基于大数据的驾驶风险评估方法。

背景技术：

随着车辆保有量持续提高，交通事故频发，利用大数据准确预测驾驶风险非常必要。然而，现有的驾驶风险预警技术还有以下缺陷：

1)未考虑或不能准确判断天气状况因素；

2)未考虑或不能准确判断道路状况因素；

3)对缺少路侧单元RSU的路段无法进行大数据风险分析，而现实中大量高风险路段都未安装路侧单元RSU；

4)对于驾驶员拿驾照时间长但实际开车经验不足的情况不能有效判断；

5)无法区别驾驶员所用车辆是否是常开车辆；

6)无法对目标驾驶员以及周边车辆驾驶员的行为进行预判。

鉴于现有技术的上述缺陷，现有的驾驶风险预警技术还不能准确预测驾驶风险。

技术实现要素：

鉴于现有技术中存在的上述缺陷，本发明所要解决的技术问题是，提供一种基于大数据的驾驶风险评估方法，以解决现有技术不能准确预测驾驶风险的缺陷。本发明是通过如下技术方案来实现的：

一种基于大数据的驾驶风险评估方法，包括：

步骤A：累积预设数量的车辆在预设时长内的驾驶风险评估数据，所述驾驶风险评估数据包括若干风险评估因子，所述若干风险评估因子包括：

车辆的车况数据、车辆驾驶员的驾驶行为数据、车辆所处地点的天气状况数据、车辆所处道路的路况数据、车辆的出险数据；

步骤B：对采集的所有车辆在预设时长内的驾驶风险评估数据进行大数据风险分析，得出各风险评估因子与驾驶风险的关系；

步骤C：根据各风险评估因子与驾驶风险的关系生成驾驶风险评估模型；

步骤D：实时采集目标车辆的驾驶风险评估数据，并将目标车辆的驾驶风险评估数据输入所述驾驶风险评估模型；

步骤E：利用所述驾驶风险评估模型对所述目标车辆的驾驶风险评估数据进行评估，得出目标车辆实时的驾驶风险数据。

进一步地，所述步骤B包括：

步骤B1：对采集的各车辆在所述预设时长的车况数据进行大数据风险分析，得出车况与驾驶风险的关系；

步骤B2：对采集的各车辆驾驶员在所述预设时长的驾驶行为数据进行大数据风险分析，得出驾驶行为与驾驶风险的关系；

步骤B3：根据采集的各车辆驾驶员在所述预设时长的驾驶行为数据、各车辆驾驶员的驾驶证获得时长和各车辆驾驶员的驾驶证对应的出险记录评估各车辆驾驶员的驾驶经验数据，并对各车辆驾驶员的驾驶经验数据进行大数据风险分析，得出驾驶经验与驾驶风险的关系；

步骤B4：对采集的在所述预设时长内各车辆所处地点的天气状况数据进行大数据风险分析，得出天气状况数据与驾驶风险的关系；

步骤B5：对采集的在所述预设时长内各车辆所处道路的路况数据进行大数据风险分析，得出路况数据与驾驶风险的关系。

进一步地，车辆所处道路的路况数据的采集方法包括：

对车辆进行定位；

根据对所述车辆的定位从含有路况信息的地图中提取所述车辆所处道路的路况数据。

进一步地，车辆所处地点的天气状况数据的采集方法包括：

根据从气象部门获取的所述车辆所处地点的天气信息和正在所述地点行驶的各车辆对与所述天气信息相关的功能的使用情况判断所述车辆所处地点的天气状况数据。

进一步地，所述步骤B还包括：

对采集的在所述预设时长内各车辆所处地点的天气状况数据和各车辆所处道路的路况数据进行大数据分析，得出天气状况对道路的路况的影响关系。

进一步地，所述若干风险评估因子还包括各车辆及其周围车辆的行驶状态数据；所述步骤B还包括：

对采集的在所述预设时长内各车辆及其周围车辆的行驶状态数据进行大数据分析，得出各车辆的行驶状态与其周围车辆的行驶状态间的相互影响关系。

进一步地，所述步骤B还包括：

对采集的在所述预设时长内各车辆所处地点的天气状况数据以及各车辆的行驶状态数据进行大数据分析，得出车辆所处地点的天气状况对车辆行驶状态的影响关系。

进一步地，所述步骤B还包括：

对采集的在所述预设时长内各车辆所处道路的路况数据以及各车辆的行驶状态数据进行大数据分析，得出车辆所处道路的路况对车辆行驶状态的影响关系。

与现有技术相比，本发明提供的基于大数据的驾驶风险评估方法通过长期积累足够数量车辆的包括车辆的车况数据、车辆驾驶员的驾驶行为数据、车辆所处地点的天气状况数据、车辆所处道路的路况数据、车辆的出险数据等风险评估因子在内的驾驶风险评估数据，并对各风险评估因子进行大数据风险分析，得出各风险评估因子与驾驶风险的关系，最后根据各风险评估因子与驾驶风险的关系生成驾驶风险评估模型。最后利用驾驶风险评估模型对目标车辆的实时驾驶风险评估数据进行风险评估，得到目标车辆实时的驾驶风险。由于本发明技术方案考虑到驾驶员驾驶行为、天气等因素，相比现有技术能够更准确地预测驾驶风险。

附图说明

图1：本发明实施例提供的基于大数据的驾驶风险评估方法流程示意图；

图2：本发明实施例提供的基于大数据的驾驶风险评估方法的原理示意图；

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

如图1所示，本发明提供的基于大数据的驾驶风险评估方法，包括：

步骤A：累积预设数量的车辆在预设时长内的驾驶风险评估数据，驾驶风险评估数据包括若干风险评估因子，若干风险评估因子包括：

车辆的车况数据、车辆驾驶员的驾驶行为数据、车辆所处地点的天气状况数据、车辆所处道路的路况数据、车辆的出险数据。

步骤B：对采集的所有车辆在预设时长内的驾驶风险评估数据进行大数据风险分析，得出各风险评估因子与驾驶风险的关系。

步骤C：根据各风险评估因子与驾驶风险的关系生成驾驶风险评估模型。

步骤D：实时采集目标车辆的驾驶风险评估数据，并将目标车辆的驾驶风险评估数据输入驾驶风险评估模型。

步骤E：利用驾驶风险评估模型对目标车辆的驾驶风险评估数据进行评估，得出目标车辆实时的驾驶风险数据。

在建模过程中需要累计足够数量的车辆在足够时长内的驾驶风险评估数据，并以此为基础进行大数据风险分析，从而得出不同的风险评估因子与驾驶风险的关系，最后根据各风险评估因子与驾驶风险的关系生成驾驶风险评估模型。可在足够数量的车辆上安装车载设备，通过车载设备采集各车辆的车况数据、车辆驾驶员的驾驶行为数据等。还可通过车载设备或其他设备累积在预设时长内车辆所处地点的天气状况数据、车辆所处道路的路况数据、车辆的出险数据等。如图2所示，所有这些获取到的风险评估因子均通过互联网上传到大数据云平台。同时大数据云平台还可接收含有路况信息的地图和各道路的交通规则数据等。大数据云平台通过累积的各种数据并结合地图、交通规则等数据进行大数据分析，得出各风险评估因子与驾驶风险的关系，最后根据各风险评估因子与驾驶风险的关系生成驾驶风险评估模型。

在上述步骤中，步骤B包括：

步骤B1：对采集的各车辆在预设时长的车况数据进行大数据风险分析，得出车况与驾驶风险的关系。车况数据具体可包括车辆的品牌、车型、状况等。通过大数据分析得出正常情况下，不同品牌、车型的车辆车况数据与驾驶风险的关系系数。

步骤B2：对采集的各车辆驾驶员在预设时长的驾驶行为数据进行大数据风险分析，得出驾驶行为与驾驶风险的关系。驾驶行为具体包括但不限于急加速、急减速、急转弯、急变道、疲劳驾驶、灯光使用、跟车距离、违章、发生碰撞等行为，通过长期积累驾驶员的驾驶行为并对其进行大数据风险分析，可得出驾驶行为与驾驶风险的关系。

步骤B3：根据采集的各车辆驾驶员在预设时长的驾驶行为数据、各车辆驾驶员的驾驶证获得时长和各车辆驾驶员的驾驶证对应的出险记录评估各车辆驾驶员的驾驶经验数据，并对各车辆驾驶员的驾驶经验数据进行大数据风险分析，得出驾驶经验与驾驶风险的关系。通过长期积累驾驶员的驾驶行为、驾驶员驾驶证的获得时长以及驾驶员驾驶证对应的出险记录可评估驾驶员的驾驶经验，然后根据对驾驶员驾驶经验的大数据风险分析可得到驾驶经验与驾驶风险的关系。

步骤B4：对采集的在预设时长内各车辆所处地点的天气状况数据进行大数据风险分析，得出天气状况数据与驾驶风险的关系。对天气状况数据的大数据分析主要为对天气状况对驾驶行为的影响以及由此引发的风险因素出现比例的变化的分析。

步骤B5：对采集的在预设时长内各车辆所处道路的路况数据进行大数据风险分析，得出路况数据与驾驶风险的关系。对路况数据进行大数据分析主要为对路况对驾驶行为的影响以及由此引发的风险因素出现比例的变化的分析。

在步骤B4中，车辆所处地点的天气状况数据的采集方法包括：

根据从气象部门获取的车辆所处地点的天气信息和正在地点行驶的各车辆对与天气信息相关的功能的使用情况判断车辆所处地点的天气状况数据。

在步骤B5中，车辆所处道路的路况数据的采集方法包括：

1、对车辆进行定位。具体可通过安装在车辆上的车载设备对车辆进行卫星定位或基站定位或基于卫星与基站的联合定位等。

2、根据对车辆的定位从含有路况信息的地图中提取车辆所处道路的路况数据。地图中实时更新各道路的路况数据，一旦对车辆完成定位，即可通过地图提取到车辆所处道路的路况数据。可从交通部门实时接收车辆所处道路的当前路况信息，并结合正在该道路行驶的车辆所表现出的行驶特征判断该道路的路况。

步骤B还可包括：

对采集的在预设时长内各车辆所处地点的天气状况数据和各车辆所处道路的路况数据进行大数据分析，得出天气状况对道路的路况的影响关系。

若干风险评估因子还可包括各车辆及其周围车辆的行驶状态数据。本文中的周围车辆是指以目标车辆为中心，周边及其行进道路前后设定范围内的车辆以及即将进入上述范围内的车辆。此时，步骤B还可包括：

对采集的在预设时长内各车辆及其周围车辆的行驶状态数据进行大数据分析，得出各车辆的行驶状态与其周围车辆的行驶状态间的相互影响关系。这种相互影响关系主要包括：

目标车辆的行驶状态对周围车辆产生的影响；

周围车辆的行驶状态对目标车辆产生的影响；

目标车辆受到周围车辆影响后可能出现的行驶状态变化；

周围车辆受到其他车辆影响后可能出现的行驶状态变化。

步骤B还可包括：

对采集的在预设时长内各车辆所处地点的天气状况数据以及各车辆的行驶状态数据进行大数据分析，得出车辆所处地点的天气状况对车辆行驶状态的影响关系。车辆所处地点的天气状况是指以目标车辆为中心，周边及其行进道路前后设定范围区域内的天气，以及预测目标车辆即将进入区域的天气。天气状况对车辆行驶状态的影响主要包括：

天气状况对目标车辆驾驶行为特征及行驶状态的影响；

天气状况对周围车辆驾驶行为特征及行驶状态的影响；

在不同天气状况下，受到周围车辆影响后目标车辆可能出现的行驶状态变化；

在不同天气状况下，以周围车辆为目标车辆分析其受到其他车辆影响后可能出现的行驶状态变化。

步骤B还可包括：

对采集的在预设时长内各车辆所处道路的路况数据以及各车辆的行驶状态数据进行大数据分析，得出车辆所处道路的路况对车辆行驶状态的影响关系。车辆所处道路的路况是指以目标车辆为中心，周边及其行进道路前后设定范围区域内的路况，以及预测目标车辆即将进入区域的路况。车辆所处道路的路况对车辆行驶状态的影响主要包括：

路况对目标车辆驾驶行为特征及行驶状态的影响；

路况对周围车辆驾驶行为特征及行驶状态的影响；

在不同路况下，受到周围车辆影响后可能出现的行驶状态变化；

在不同路况下，以周围车辆为目标车辆分析其受到其他车辆影响后可能出现的行驶状态变化。

同时还可增加对目标车辆当前驾驶员对目标车辆的熟悉度的评估。可根据目标车辆车载设备收集的行驶数据，并通过大数据分析出该目标车辆当前驾驶员的驾驶行为特征，判断目标车辆当前驾驶员的驾驶行为特征是否符合该目标车辆的实际驾驶行为特征，并根据手机定位判断目标车辆的日常驾驶员使用的手机是否在目标车辆上，从而综合分析判断出目标车辆当前驾驶员是否为目标车辆的日常驾驶员，然后比对目标车辆的当前驾驶员与日常驾驶员的驾驶行为特征，得出当前驾驶员对目标车辆的熟悉度及该熟悉度对应的风险值。

根据上述方法得出各风险评估因子与驾驶风险的关系后，再根据各风险评估因子与驾驶风险的关系得出驾驶风险评估模型。利用驾驶风险评估模型可以对实时采集的目标车辆的驾驶风险评估数据进行评估，得出该目标车辆实时的驾驶风险数据。然后可以直接输出驾驶风险数据以提醒驾驶员当前的驾驶风险高低，或者根据目标车辆实时的驾驶风险数据输出与当前驾驶风险数据对应的提示信息，以提醒驾驶员当前的驾驶风险高低。

实时采集的目标车辆的驾驶风险评估数据包括目标车辆的车况数据、目标车辆驾驶员的驾驶行为数据、目标车辆所处地点的天气状况数据、目标车辆所处道路的路况数据、目标车辆的出险数据、目标车辆及其周围车辆的行驶状态数据。同时还要对目标车辆驾驶员驾驶经验进行评估。对目标车辆的车况数据、目标车辆所处地点的天气状况数据、目标车辆所处道路的路况数据的风险评估是基于实时得到的数据进行评估的，对目标车辆驾驶员的驾驶行为数据和目标车辆驾驶员驾驶经验的风险评估是基于不断积累的目标车辆驾驶员的驾驶行为数据、驾驶员驾驶证获得时长、出险记录等进行的实时动态评估，驾驶时间越长评估越准确。

最后应说明的是：上述各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。