本发明涉及车联网技术领域，尤其涉及一种驾驶行为分析方法、装置及系统。
背景技术：
随着社会发展，汽车已经成为人们在日常交通中必不可少的交通工具。目前，在多种情境下均会用到车辆的驾驶行为分析。例如，保险公司根据车辆的驾驶行为进行分析，并根据驾驶行为分析结果确定车辆保费。又如，一些企业在招聘司机时，根据司机的驾驶行为来确定司机的驾驶经验。
然而，现有的驾驶行为分析方法得到的驾驶行为分析结果的精确性较低。
技术实现要素：
本发明解决的技术问题是如何提高驾驶行为分析的准确性及行车安全。
为解决上述技术问题，本发明实施例提供一种驾驶行为分析方法包括：获取车辆在预设第一时长内的驾驶行为数据以及所述第一时长内所述车辆的驾驶里程；对所述第一时长内的驾驶行为数据进行处理，得到各驾驶行为在预设里程内发生的次数；将得到的所述各驾驶行为在预设里程内发生的次数输入至已训练的驾驶行为分析模型，采用所述驾驶行为分析模型计算所述车辆的碰撞发生概率并输出，其中，所述驾驶行为分析模型的输入参数包括驾驶行为，所述驾驶行为与所述车辆的碰撞发生概率之间具有第一映射关系，通过训练得到所述驾驶行为分析模型中各驾驶行为在所述第一映射关系中对应的权重。
可选地，在计算所述车辆的碰撞发生概率之后，还包括：根据所述车辆的碰撞发生概率，结合所述第一时长内的驾驶行为数据，采用所述驾驶行为分析模型，分析各驾驶行为对所述车辆的碰撞发生概率的影响；针对各驾驶行为对车辆碰撞发生概率的影响，生成驾驶行为改善建议并输出。
可选地，所述驾驶行为包括：急加速、急减速、怠速、疲劳驾驶及超速。
可选地，按照时间区间对所述第一时长内的驾驶行为数据分别进行处理，得到相应时间区间内各驾驶行为在预设里程内发生的次数；将得到的相应时间区间内所述各驾驶行为在预设里程内发生的次数输入至已训练的驾驶行为分析模型；采用所述驾驶行为分析模型，计算所述车辆的碰撞发生概率并输出，所述驾驶行为分析模型的输入参数在不同时间区间具有相应的权重。
可选地，所述驾驶行为分析模型的输入参数还包括碰撞事件关联因素，所述车辆的碰撞发生概率与所述驾驶行为及碰撞事件关联因素具有第二映射关系，通过训练分别得到所述驾驶行为分析模型中各驾驶行为及碰撞事件关联因素在所述第二映射关系中对应的权重。
可选地，所述方法还包括：获取所述第一时长内所述车辆对应的碰撞事件关联因素数据；对所述第一时长内的碰撞事件关联因素数据进行处理；将处理后的碰撞事件关联因素数据输入至已训练的驾驶行为分析模型。
可选地，所述碰撞事件关联因素包括以下至少一种：急转弯、事故多发地、路况、气候、驾龄、性格、区域及违章记录。
可选地，采用如下方式训练所述驾驶行为分析模型：获取训练样本，所述训练样本中包括驾驶行为数据、碰撞事件关联因素数据及发生碰撞的程度值；将碰撞的程度值大于或等于预设阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本；采用逻辑回归算法，根据所述驾驶行为数据及碰撞事件关联因素数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型。
可选地，采用如下方式训练所述驾驶行为分析模型：获取训练样本，所述训练样本中包括驾驶行为数据及发生碰撞的程度值；将碰撞的程度值大于或等于阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本；采用逻辑回归算法，根据所述驾驶行为数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型。
可选地，在对所述驾驶行为分析模型训练时，包括：从所述训练样本中随机选出预设数目的训练样本作为测试样本；采用所述测试样本验证对所述驾驶行为分析模型进行准确度验证。
可选地，所述采用所述测试样本验证对所述驾驶行为分析模型进行准确度验证，包括：将所述测试样本随机分为N组测试子样本，N为自然数，且N≥3；采用其中任意N-1组测试子样本对所述N-1组之外的一组测试子样本进行准确度验证，直至所述N组测试子样本均被验证。
可选地，所述计算所述车辆的碰撞发生概率，包括：获取阈值调整系数；根据所述阈值调整系数，从所述已训练的驾驶行为分析模型中获取各驾驶行为在所述第一映射关系中分别所对应的权重，其中，在所述驾驶行为分析模型中，不同的阈值调整系数下，各驾驶行为分别对应不同的权重；根据获取到的所述各驾驶行为分别在所述第一映射关系中所对应的权重，计算所述车辆的碰撞发生概率。
可选地，所述方法还包括：在监测到预设的模型更新触发事件时，获取所述车辆的驾驶行为数据作为更新样本，采用所述更新样本对所述驾驶行为分析模型进行更新训练，并将更新训练得到的驾驶行为分析模型作为已训练的驾驶行为分析模型。
可选地，所述第一时长为以当前时刻为终点时刻的时间段。
本发明实施例还提供一种驾驶行为分析装置包括：获取单元、处理单元、输入单元、驾驶行为分析模型、计算单元及第一输出单元，其中：所述获取单元，适于获取车辆预设第一时长内的驾驶行为数据以及所述第一时长内所述车辆的驾驶里程；所述处理单元，适于对所述第一时长内的驾驶行为数据进行处理，得到各驾驶行为在预设里程内发生的次数；所述输入单元，适于将得到的所述各驾驶行为在预设里程内发生的次数输入至已训练的所述驾驶行为分析模型；所述驾驶行为分析模型的输入参数包括驾驶行为，所述驾驶行为与车辆的碰撞发生概率之间具有第一映射关系，通过训练得到所述驾驶行为分析模型中各驾驶行为在所述第一映射关系中对应的权重；所述计算单元，适于采用所述驾驶行为分析模型，计算所述车辆的碰撞发生概率；所述第一输出单元，适于输出所述计算单元计算的所述车辆的碰撞发生概率。
可选地，所述装置还包括：分析单元及第二输出单元，其中：所述分析单元，适于在计算所述车辆的碰撞发生概率之后，根据所述车辆的碰撞发生概率，结合所述第一时长内所有驾驶行为分别对应的数据，采用所述驾驶行为分析模型，分析各驾驶行为对所述车辆的碰撞发生概率的影响，针对各驾驶行为对车辆碰撞发生概率的影响，生成驾驶行为改善建议；所述第二输出单元，适于输出所述分析单元生成的驾驶行为改善建议。
可选地，所述处理单元，适于按照时间区间对所述第一时长内的驾驶行为数据分别进行处理，得到相应时间区间内各驾驶行为在预设里程内发生的次数；所述输入单元，适于将得到的相应时间区间内所述各驾驶行为在预设里程内发生的次数输入至已训练的驾驶行为分析模型；所述计算单元，适于采用所述驾驶行为分析模型，计算所述车辆的碰撞发生概率，所述驾驶行为分析模型的输入参数在不同时间区间具有相应的权重。
可选地，所述驾驶行为分析模型的输入参数还包括碰撞事件关联因素，所述车辆的碰撞发生概率与所述驾驶行为及碰撞事件关联因素具有第二映射关系，通过训练分别得到所述驾驶行为分析模型中各驾驶行为及碰撞事件关联因素在所述第二映射关系中对应的权重。
可选地，所述获取单元，还适于获取所述第一时长内所述车辆对应的碰撞事件关联因素；所述处理单元，还适于对所述第一时长内的碰撞事件关联因素数据进行处理；所述输入单元，还适于将处理后的碰撞事件关联因素数据输入至已训练的驾驶行为分析模型。
可选地，所述装置还包括：第一训练单元，适于采用如下方式训练所述驾驶行为分析模型：获取训练样本，所述训练样本中包括驾驶行为数据、碰撞事件关联因素数据及发生碰撞的程度值；将碰撞的程度值大于或等于预设阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本；采用逻辑回归算法，根据所述驾驶行为数据及碰撞事件关联因素数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型。
可选地，所述装置还包括：第二训练单元，适于采用如下方式训练所述驾驶行为分析模型：获取训练样本，所述训练样本中包括驾驶行为数据及发生碰撞的程度值；将碰撞的程度值大于或等于阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本；采用逻辑回归算法，根据所述驾驶行为数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型。
可选地，所述装置还包括测试单元，适于从所述训练样本中随机选出预设数目的训练样本作为测试样本；采用所述测试样本验证对所述驾驶行为分析模型进行准确度验证。
可选地，所述测试单元，适于将所述测试样本随机分为N组测试子样本，N为自然数，且N≥3；采用其中任意N-1组测试子样本对所述N-1组之外的一组测试子样本进行准确度验证，直至所述N组测试子样本均被验证。
可选地，所述计算单元，适于获取阈值调整系数；根据所述阈值调整系数，从所述已训练的驾驶行为分析模型中获取各驾驶行为分别所对应的权重，其中，在所述驾驶行为分析模型中，不同的阈值调整系数下，各驾驶行为分别在所述第一映射关系中对应不同的权重；根据获取到的所述各驾驶行为分别在所述第一映射关系中所对应的权重，计算所述车辆的碰撞发生概率。
可选地，所述装置还包括：更新单元，适于在监测到预设的模型更新触发事件时，获取所述车辆的驾驶行为数据作为更新样本，采用所述更新样本对所述驾驶行为分析模型进行更新训练，并将更新训练得到的驾驶行为分析模型作为已训练的驾驶行为分析模型。
本发明实施例还提供一种驾驶行为分析系统，包括：数据采集装置及以上任一驾驶行为分析装置，其中：所述数据采集装置，适于获取车辆在预设第一时长内的驾驶行为数据以及所述第一时长内所述车辆的驾驶里程。
可选地，所述数据采集装置，适于通过所述车辆上安装的行车状态传感器采集所述车辆在预设第一时长内的驾驶行为数据，或者从车辆存储器中获取所述车辆在预设第一时长内的驾驶行为数据。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
采用已训练的驾驶行为分析模型，以各驾驶行为在预设里程内发生的次数为输入参数，根据所述驾驶行为分析模型中各驾驶行为在第一映射关系中对应的权重，计算所述车辆的碰撞发生概率。将所述第一时长内各驾驶行为发生的次数平均至预设里程内，从而可以减小单次驾驶行为对计算得到的碰撞概率的影响，从而可以提高驾驶行为分析的准确性，提高行车安全。
进一步地，通过所述车辆的碰撞发生概率，结合所述第一时长内的驾驶行为数据，分析各驾驶行为对所述车辆的碰撞发生概率的影响，得到不良驾驶行为，并给出驾驶行为改善建议，可以有助于提醒并改善用户的不良驾驶行为，降低车辆的碰撞发生概率，提高行车安全。
进一步地，按照时间区间对所述第一时长内的驾驶行为数据分别进行处理，得到相应时间区间内各驾驶行为在预设里程内发生的次数，从而可以顾及到各驾驶行为在不同时间区间对发生碰撞的影响程度不同，更进一步提高驾驶行为分析的准确性。
进一步地，所述驾驶行为分析模型中的输入参数还可以包括第一时长内所述车辆对应的碰撞事件关联因素数据，再计算车辆的碰撞概率时，综合碰撞事件关联因素可以进一步提高驾驶行为分析的准确度。
进一步地，通过选取阈值调整系数，来选定所述驾驶行为分析模型中的各驾驶行为分别对应的权重，从而可以满足不同用户在不同应用场景下对精度的需求。
进一步地，在监测到预设的模型更新触发事件时，获取所述车辆的驾驶行为数据作为更新样本，对所述驾驶行为分析模型进行更新训练，并将更新后的驾驶行为分析模型作为已训练的驾驶行为分析模型，定时对所述驾驶行为分析模型进行更新，可以使得所述驾驶行为分析模型与所述车辆的匹配度更高，从而可以进一步提高驾驶行为分析的准确度。
附图说明
图1是本发明实施例中一种驾驶行为分析方法的流程图；
图2是本发明实施例中一种驾驶行为分析装置的结构示意图；
图3是本发明实施例中另一种驾驶行为分析装置的结构示意图。
具体实施方式
现有的驾驶行为分析方法通常实时采集车辆数据，并根据实时采集到的车辆数据，对用户的驾驶行为进行分析，由于在不同的场景下，用户的驾驶行为的影响因素不同，得到的驾驶行为不能反应用户的实际驾驶情况，精确度较低。
为解决上述问题，在本发明实施例中，采用已训练的驾驶行为分析模型，以各驾驶行为在预设里程内发生的次数为输入参数，根据所述驾驶行为分析模型中各驾驶行为在第一映射关系中对应的权重，计算所述车辆的碰撞发生概率。将所述第一时长内各驾驶行为发生的次数平均至预设里程内，从而可以减小单次驾驶行为对计算得到的碰撞概率的影响，从而可以提高驾驶行为分析的准确性，提高行车安全。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图1，给出了本发明实施例中一种驾驶行为分析方法的流程图，下面结合具体步骤进行详细说明。
步骤11，获取车辆在预设第一时长内的驾驶行为数据以及所述第一时长内所述车辆的驾驶里程。
在具体实施中，可以通过车辆的车辆诊断系统(On-Board Diagnostic，OBD)获取车辆在所述第一时长内的驾驶行为数据以及驾驶里程，也可以通过车载TBOX与车辆中的相应控制器进行通信，获取所述车辆在所述第一时长内的驾驶行为数据及驾驶里程，还可以通过车辆上安装的各种传感器实时获取驾驶行为数据，并存储。可以理解的是，也可以通过车辆上安装的其他智能硬件来获取车辆在所述第一时长内的驾驶行为数据及驾驶里程。
在本发明一实施例中，所述驾驶行为可以包括：急加速、急减速、怠速、疲劳驾驶、超速等。在本发明另一实施例中，所述驾驶行为包括：空挡滑行、发动机预热时间过长、长时间停车不熄火、磨合期行驶速度过快或停车时保持D档踩制动等。在具体实施中，可以根据大数据统计各种驾驶行为对车辆的碰撞发生概率的影响，并将关联度较高的驾驶行为作为驾驶行为分析过程中所采用的驾驶行为分析模型的输入参数，而并不限于以上所列举的驾驶行为。
在具体实施中，所述第一时长可以为自然周、自然月、自然季度，也可以根据需要设置具体时长。例如，45天，52天等，在本发明实施例中对所述第一时长的具体取值不做限定。
在具体实施中，所述第一时长的起点和终点也可以根据实际需要进行设定。当需要查看某一时间段内的驾驶行为时，可以根据待查看的时间段设定所述第一时长的起点和终点。在本发明一实施例中，所述第一时长为以当前时刻为终点时刻的时间段。例如，第一时长为一个月，当前时刻为2016年12月22日11:25:36，那么所述第一时长即为从2016年11月23日11:25:00～2016年12月22日11:24:59。
步骤12，对所述第一时长内的驾驶行为数据进行处理，得到各驾驶行为在预设里程内发生的次数。
在具体实施中，可以对获取到的所述第一时长内的驾驶行为数据进行处理，计算在第一时长内各驾驶行为发生的总次数，然后根据所述第一时长内的驾驶里程，计算各驾驶行为在预设里程内发生的次数。
例如，在一个自然月内发生急加速m次，急减速n次，在一个自然月内的驾驶里程为P公里，那么在预设里程Q公里内发生急加速次，发生急减速次，其中，m、n、P、Q均为正整数，且P≥Q。
步骤13，将计算得到的所述各驾驶行为在预设里程内发生的次数输入至已训练的驾驶行为分析模型，采用所述驾驶行为分析模型计算所述车辆的碰撞发生概率并输出。
在具体实施中，所述驾驶行为分析模型的输入参数可以包括驾驶行为，所述驾驶行为与所述车辆的碰撞发生概率之间具有第一映射关系。通过训练可以得到所述驾驶行为分析模型中各驾驶行为在所述第一映射关系中对应的权重，所述权重用于表征各驾驶行为与车辆的碰撞发生概率之间的相关度。
将得到的所述各驾驶行为在预设里程内发生的次数作为输入参数，输入至已训练的驾驶行为分析模型中，根据驾驶行为分析模型中各驾驶行为在所述第一映射关系中对应的权重，计算所述车辆的碰撞发生概率。当计算得到所述车辆的碰撞发生概率后，将计算结果输出。
由上述内容可知，采用已训练的驾驶行为分析模型，以各驾驶行为在预设里程内发生的次数为输入参数，根据所述驾驶行为分析模型中各驾驶行为在第一映射关系中对应的权重，计算所述车辆的碰撞发生概率。将所述第一时长内各驾驶行为发生的次数平均至预设里程内，从而可以减小单次驾驶行为对计算得到的碰撞概率的影响，从而可以提高驾驶行为分析的准确性，提高行车安全。
在具体实施中，为了更直观的向用户显示驾驶行为的分析结果，在本方发明一实施例中，可以设置车辆发生碰撞概率与驾驶行为评估值之间的对应关系。在计算得到车辆的碰撞发生概率之后，可以根据预设的对应关系将车辆的碰撞发生概率转换成对应的评估值。
在本发明一实施例中，驾驶行为评估值可以采用0～100的数值进行表示，驾驶行为评估值与车辆的碰撞发生概率成反相关。驾驶行为评估值越大，表明驾驶行为越好，所述车辆的碰撞发生概率越小，反之，驾驶行为评估值越小，表明不良驾驶行为越多，所述车辆的碰撞发生概率越大。
在具体实施中，为了改善用户的不良驾驶行为，降低车辆的碰撞发生概率并提高行车安全，在本发明一实施例中，在得到所述车辆的碰撞发生概率之后，还可以根据所述车辆的碰撞发生概率，结合所述第一时长内的驾驶行为数据，采用所述驾驶行为分析模型，分析各驾驶行为对所述车辆的碰撞发生概率的影响，针对各驾驶行为对车辆碰撞发生概率的影响，生成驾驶行为改善建议并输出。
例如，在第一时长内的驾驶行为数据中显示，急减速的次数为20次，在所述车辆的碰撞发生概率中，急减速对发生碰撞的概率影响较大，故可以给出驾驶行为改善建议：尽量减小急减速的次数。在具体实施中，可以通过关联的车载娱乐装置输出驾驶行为改善建议，也可以通过手机等移动终端输出驾驶行为改善建议，还可以通过其他终端设备输出，或者通过音频装置以音频方式输出驾驶行为改善建议。
在实际应用中，由于在不同的时间段内，相同的驾驶行为对车辆的碰撞发生概率所产生的影响不同。例如，在夜间时疲劳驾驶对车辆的碰撞发生概率的影响大于白天疲劳驾驶。又如，在上班高峰期时发生的急加速对车辆的碰撞发生概率大于夜间时发生的急加速。因此，若在计算车辆的碰撞发生概率时，不管处于任何时间内，同一驾驶行为对应的权重均相同，可能会影响计算得到的车辆的碰撞发生概率的精确度，也即影响对所述车辆的驾驶行为分析的精确度。
为了提高得到的车辆发生碰撞概率的精确度，以及提高对车辆的驾驶行为分析的精确度。在本发明一实施例中，按照时间区间对所述第一时长内的驾驶行为数据分别进行处理，得到相应时间区间内各驾驶行为在预设里程内发生的次数，将得到的相应时间区间内所述各驾驶行为在预设里程内发生的次数输入至已训练的驾驶行为分析模型；采用所述驾驶行为分析模型，计算所述车辆的碰撞发生概率并输出。所述驾驶行为分析模型的输入参数在不同时间区间具有相应的权重。
在具体实施中，可以按照预设的时间划分方式，将设定时长进行划分，得到不同的时间区间，将各驾驶行为分别细分至各时间区间内所发生的次数。根据各驾驶行为在各时间区间内所发生的次数，以及所述车辆在所述第一时长内的驾驶里程，得到在相应的时间区间内各驾驶行为在预设里程内发生的次数。在对所述驾驶行为分析模型进行训练的过程中，同一驾驶行为在不同时间区间内对应的权重可能会不同。
例如，将每个自然日在时间维度上划分为上午、下午及晚上。其中，上午对应的时间区间为05:00:00～11:59:59，下午对应的时间区间为12:00:00～18:59:59，晚上对应的时间区间为17:00:00～24:00:00以及00:00:00～04:59:59。疲劳驾驶在上午的权重、下午的权重以及晚上的权重可以各不相同，且在晚上的权重分别大于在上午的权重及下午的权重。在各驾驶行为数据中包括各驾驶行为发生的时间数据，根据各驾驶行为发生的时间数据，可以得到各驾驶行为对应的时间区间内发生的次数。
在具体实施中，由于在车辆行驶过程中的环境较为复杂，车辆的碰撞发生概率不仅仅受到驾驶行为的影响，还可以受到其他各种因素的影响。为使得对驾驶行为的分析更加精确，得到的车辆的发生碰撞概率更加精确。在本发明一实施例中，所述驾驶行为分析模型的输入参数还可以包括碰撞事件关联因素，所述车辆的碰撞发生概率与所述驾驶行为及碰撞事件关联因素具有第二映射关系，通过训练分别得到所述驾驶行为分析模型中各驾驶行为及碰撞事件关联因素在所述第二映射关系中对应的权重。
在具体实施中，可以获取所述第一时长内所述车辆对应的碰撞事件关联因素数据，对所述第一时长内的碰撞事件关联因素数据进行处理；将处理后的碰撞事件关联因素数据输入至已训练的驾驶行为分析模型。
在具体实施中，可以获取所述车辆在所述第一时长内的碰撞事件关联因素数据。可以通过大数据统计分析来确定各碰撞事件关联因素与车辆的碰撞发生概率之间的关系，也可以采用相关性分析方法，来确定各碰撞事件关联因素与车辆的碰撞发生概率之间的关系，并确定哪些因素可能会对车辆的碰撞发生概率产生影响，还可以确定各碰撞时间关联因素对车辆的碰撞发生概率的影响程度。
在具体实施中，所述碰撞事件关联因素可以包括急转弯、事故多发地、路况、气候、驾龄、性格、区域以及违章记录中的一种或多种。例如，路况是否拥堵，以及路况是否平整，驾驶人员时新司机还是具有一定驾驶经验的司机，驾驶人员是北方人还是南方人，受性格影响，南方人开车比北方人更加谨慎，以及闯红灯、逆行等违章记录等。
在具体实施中，可以采用大量的训练样本对驾驶行为分析模型进行训练，得到各驾驶行为以及各碰撞事件关联因素在所述第二映射关系中所对应的权重。
在具体实施中，可以采用多种方式对所述驾驶行为分析模型进行训练。
在本发明一实施例中，获取训练样本，所述训练样本中包括驾驶行为数据、碰撞事件关联因素数据及发生碰撞的程度值。将碰撞的程度值大于或等于预设阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本。采用逻辑回归算法，根据所述驾驶行为数据及碰撞事件关联因素数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型。
在具体实施中，碰撞的程度值可采用0～100的数值形式表示，也可以采用0～1的数值形式表示，可以理解的是，碰撞的程度值还可以有其他的表示形式，具体可以根据需要进行设定，此处不做限定。预设阈值可以根据碰撞的程度值的表示形式进行设定。例如，碰撞的程度值可采用0～100的数值形式表示时，预设阈值可以取为26。可以理解的是，预设阈值的具体取值可以根据实际应用场景及需要进行设定，也可以为30，40等其他值，此处对具体取值不做限定。
在本发明另一实施例中，获取训练样本，所述训练样本中包括驾驶行为数据及发生碰撞的程度值，将碰撞的程度值大于或等于阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本。采用逻辑回归算法，根据所述驾驶行为数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型。
在本发明一实施例中，采用如下逻辑回归公式(1)训练得到所述驾驶行为分析模型。
其中，g(X)表示车辆的碰撞发生概率；xi为输入参数；θi为输入参数xi对应的权重；θ0为常数；1≤i≤n，i及n均为正整数。
在具体实施中，在驾驶行为分析模型训练过程中，为了提高逻辑回归类型的精确度，以提高驾驶行为分析的精确度，在本发明一实施例中，在驾驶行为分析模型训练过程中，可以从所述训练样本中随机选出预设数目的训练样本作为测试样本，采用所述测试样本验证对所述驾驶行为分析模型进行准确度验证。
在具体实施中可以从所述训练样本中，选取一定比例的训练样本作为测试样本。例如，从训练样本中选取20％作为测试样本。
在具体实施中，可以采用如下方式对所述驾驶行为分析模型进行准确度验证。将所述测试样本随机分为N组测试子样本，N为自然数，且N≥3。采用其中任意N-1组测试子样本对所述N-1组之外的一组测试子样本进行准确度验证，直至所述N组测试子样本均被验证。
在本发明一实施例中，将所述测试样本随机分为三组测试子样本，采用两组测试子样本对另外一组测试子样本进行准确度验证，直至所述三组测试子样本均被验证。
例如，将所述测试样本分为A、B和C三组，采用A、B两组对C组进行验证，检验采用所述驾驶行为分析模型对C组中的测试样本估算的碰撞概率与C组的实际碰撞概率相比是否符合准确度要求。同样，采用A、C两组对B组进行验证，采用B、C两组对A组进行验证。
在具体实施中，不同的应用场景、不同的用户对驾驶行为分析的精确度要求也不同，为了满足多种场景的精度要求，在本发明一实施例中，在计算所述车辆的碰撞发生概率时，可以获取阈值调整系数，根据所述阈值调整系数，从所述已训练的驾驶行为分析模型中获取各驾驶行为分别在所述第一映射关系中所对应的权重，其中，在所述驾驶行为分析模型中，不同的阈值调整系数下，驾驶行为分别对应不同的权重。根据获取到的所述各驾驶行为分别在所述第一映射关系中所对应的权重，计算所述车辆的碰撞发生概率。
在具体实施中，在不同的阈值调整系数下，各驾驶行为在所述第一映射关系中对应的权重也不相同。同一驾驶行为在不同的阈值调整系数中，所对应的权重可以相同也可以不同。采用不同的阈值调整系数计算得到的碰撞发生概率的精确度不同。
例如，阈值调整系数为Z1、Z2及Z3，且Z1≠Z2≠Z3，阈值调整系数为Z1时，急加速对应的权重为a1，急减速对应的权重为b1；阈值调整系数为Z2时，急加速对应的权重为a2，急减速对应的权重为b2；阈值调整系数为Z3时，急加速对应的权重为a3，急减速对应的权重为b3。在具体实施中，a1、a2及a3可以均不相同，b1、b2及b3也可以均不相同。或者a1、a2及a3中其中任意两个可以相同，b1、b2及b3可以均不相同。或者b1、b2及b3中其中任意两个可以相同，a1、a2及a3可以均不相同。或者a1、a2及a3中三个均可以相同，b1、b2及b3可以均不相同。
在实际应用中，还可以存在其他情况，只需在不同的阈值调整系数下，各驾驶行为分别对应的权重不完全相同即可。
在具体实施中，在监测到预设的模型更新触发事件时，获取所述车辆的驾驶行为数据作为更新样本，采用所述更新样本对所述驾驶行为分析模型进行更新训练，并将更新训练得到的驾驶行为分析模型作为已训练的驾驶行为分析模型。通过定时对所述驾驶行为分析模型进行更新，可以使得所述驾驶行为分析模型与所述车辆的匹配度更高，从而可以进一步提高驾驶行为分析的准确度。
在具体实施中，预设的模型更新触发事件可以为预设第二时长，每当达到第二时长时，自动对所述驾驶行为分析模型进行更新。所述第二时长可以为两个月，也可以为一个季度，还可以为一年。所述第二时长具体取值的设定可以根据所述第一时长的取值，或者根据实际的应用场景进行设定。
预设的模型更新触发条件也可以为车辆所处区域的变化情况，例如，用户之前生活在南方，后来定居到东北，由于东北的环境和南方的差异较大，可以根据检测到的车辆主要的活动区域对驾驶行为分析模型进行更新。预设的模型更新触发条件也可以为用户根据自身情况，自主进行更新。
为使得本领域技术人员更好的理解和实现本发明，本法发明实施例还提供了一种驾驶行为分析装置。
参照图2，给出了本发明实施例中一种驾驶行为分析装置的结构示意图。所述驾驶行为分析装置20可以包括：获取单元21、处理单元22、输入单元23、驾驶行为分析模型24、计算单元25及第一输出单元26，其中：
所述获取单元21，适于获取车辆预设第一时长内的驾驶行为数据以及所述第一时长内所述车辆的驾驶里程；
所述处理单元22，适于对所述第一时长内的驾驶行为数据进行处理，得到各驾驶行为在预设里程内发生的次数；
所述输入单元23，适于将得到的所述各驾驶行为在预设里程内发生的次数输入至已训练的所述驾驶行为分析模型；
所述驾驶行为分析模型24的输入参数包括驾驶行为，所述驾驶行为与车辆的碰撞发生概率之间具有第一映射关系，通过训练得到所述驾驶行为分析模型24中各驾驶行为在所述第一映射关系中对应的权重；
所述计算单元25，适于采用所述驾驶行为分析模型24，计算所述车辆的碰撞发生概率；
所述第一输出单元26，适于输出所述计算单元25计算的所述车辆的碰撞发生概率。
在具体实施中，所述驾驶行为可以包括：急加速、急减速、怠速、疲劳驾驶及超速。
由上可知，采用已训练的驾驶行为分析模型，以各驾驶行为在预设里程内发生的次数为输入参数，根据所述驾驶行为分析模型中各驾驶行为在第一映射关系中对应的权重，计算所述车辆的碰撞发生概率。将所述第一时长内各驾驶行为发生的次数平均至预设里程内，从而可以减小单次驾驶行为对计算得到的碰撞概率的影响，从而可以提高驾驶行为分析的准确性，提高行车安全。
参照图3给出的本发明实施例中另一驾驶行为分析装置的结构示意图。在具体实施中，所述驾驶行为分析装置20在图2的基础上还可以包括：分析单元31及第二输出单元32，其中：
所述分析单元31，适于在计算所述车辆的碰撞发生概率之后，根据所述车辆的碰撞发生概率，结合所述第一时长内所有驾驶行为分别对应的数据，采用所述驾驶行为分析模型24，分析各驾驶行为对所述车辆的碰撞发生概率的影响，针对各驾驶行为对车辆碰撞发生概率的影响，生成驾驶行为改善建议；
所述第二输出单元32，适于输出所述分析单元生成的驾驶行为改善建议。
在具体实施中，所述处理单元22，适于按照时间区间对所述第一时长内的驾驶行为数据分别进行处理，得到相应时间区间内各驾驶行为在预设里程内发生的次数；
所述输入单元23，适于将得到的相应时间区间内所述各驾驶行为在预设里程内发生的次数输入至已训练的驾驶行为分析模型24；
所述计算单元25，适于采用所述驾驶行为分析模型24，计算所述车辆的碰撞发生概率，所述驾驶行为分析模型24的输入参数在不同时间区间具有相应的权重。
在具体实施中，所述驾驶行为分析模型24的输入参数可以包括碰撞事件关联因素，所述车辆的碰撞发生概率与所述驾驶行为及碰撞事件关联因素具有第二映射关系，通过训练分别得到所述驾驶行为分析模型24中各驾驶行为及碰撞事件关联因素在所述第二映射关系中对应的权重。
在具体实施中，所述获取单元21，还适于获取所述第一时长内所述车辆对应的碰撞事件关联因素；
所述输入单元23，还适于将处理后的碰撞事件关联因素数据输入至已训练的驾驶行为分析模型24，所述驾驶行为分析模型的输入参数包括碰撞事件关联因素；所述处理单元22，还适于对所述第一时长内的碰撞事件关联因素数据进行处理；所述输入单元23，还适于将处理后的碰撞事件关联因素数据输入至已训练的驾驶行为分析模型24。
在具体实施中，所述碰撞事件关联因素可以包括急转弯、事故多发地、路况、气候、驾龄、性格、区域及违章记录中的一种或多种。
在具体实施中，所述驾驶行为分析装置20，还可以包括第一训练单元33。所述第一训练单元33，适于采用如下方式训练所述驾驶行为分析模型24：获取训练样本，所述训练样本中包括驾驶行为数据、碰撞事件关联因素数据及发生碰撞的程度值；将碰撞的程度值大于或等于预设阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本；采用逻辑回归算法，根据所述驾驶行为数据及碰撞事件关联因素数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型24。
在本发明一实施例中，可以采用本发明上述实施例中提供的逻辑回归公式(1)训练得到所述驾驶行为分析模型24。
在具体实施中，所述驾驶行为分析装置20，还可以包括第二训练单元34。所述第二训练单元34，适于采用如下方式训练所述驾驶行为分析模型24：获取训练样本，所述训练样本中包括驾驶行为数据及发生碰撞的程度值；将碰撞的程度值大于或等于阈值的训练样本标记正样本，将碰撞的程度值小于所述阈值的训练样本标记为负样本；采用所述逻辑回归算法，根据所述驾驶行为数据，对所述正样本及所述负样本进行逻辑回归训练，得到所述驾驶行为分析模型24。
在具体实施中，所述驾驶行为分析装置20，还可以包括测试单元35，适于从所述训练样本中随机选出预设数目的训练样本作为测试样本；采用所述测试样本验证对所述驾驶行为分析模型24进行准确度验证。
在具体实施中，所述测试单元35，适于将所述测试样本随机分为N组测试子样本，N为自然数，且N≥3；采用其中任意N-1组测试子样本对所述N-1组之外的一组测试子样本进行准确度验证，直至所述N组测试子样本均被验证。
在具体实施中，所述计算单元25，适于获取阈值调整系数；根据所述阈值调整系数，从所述已训练的驾驶行为分析模型24中获取各驾驶行为分别所对应的权重，其中，在所述驾驶行为分析模型24中，不同的阈值调整系数下，各驾驶行为分别在所述第一映射关系中对应不同的权重；根据获取到的所述各驾驶行为分别在所述第一映射关系中所对应的权重，计算所述车辆的碰撞发生概率。
在具体实施中，所述驾驶行为分析装置20，还可以包括更新单元36，适于在监测到预设的模型更新触发事件时，获取所述车辆的驾驶行为数据作为更新样本，采用所述更新样本对所述驾驶行为分析模型24进行更新训练，并将更新训练得到的驾驶行为分析模型作为已训练的驾驶行为分析模型24。
在具体实施中，所述驾驶行为分析装置20可以为一个独立的硬件装置，也可以为服务器，还可以为应用软件或者客户端，安装在相应的设备上。可以理解的是，所述驾驶行为分析装置20还可以存在其他的形式。
在具体实施中，所述驾驶行为分析装置20的具体工作原理及工作流程可以参见本发明上述实施例中提供的驾驶行为分析方法中的描述，此处不再赘述。
本发明实施例还提供一种驾驶行为分析系统，所述驾驶行为分析系统可以包括：数据采集装置及如本发明上述实施例中所述的任一驾驶行为分析装置。
在具体实施中，所述数据采集装置可以获取车辆在预设第一时长内的驾驶行为数据以及所述第一时长内所述车辆的驾驶里程。
在具体实施中，所述数据采集装置，可以通过所述车辆上安装的行车状态传感器采集所述车辆在预设第一时长内的驾驶行为数据，也可以从车辆存储器中获取所述车辆在预设第一时长内的驾驶行为数据。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。