驾驶员更换识别方法和装置制造方法及图纸

本发明专利技术涉及一种驾驶员更换识别方法和装置，所述方法包括步骤：驾驶数据获取步骤，通过OBD设备采集车辆的历史行驶数据；特征构建步骤，构建数据集和驾驶习惯特征；模型的学习和训练步骤，根据所述数据集和驾驶习惯特征构造和训练机器学习模型；模型的更新和部署步骤。本发明专利技术能够结合车辆的历史行驶记录和当前行驶的外部环境，准确地分析出当前驾驶员的驾驶行为习惯，看是否与历史驾驶习惯相匹配，从而识别是否更换驾驶员。

Driver replacement identification method and device

The invention relates to a driver change recognition method and device, the method comprises the following steps: driving data acquisition step, collecting historical driving data of vehicle through OBD equipment; feature construction step, building data set and driving habit feature; model learning and training step, building and training machine learning model according to the data set and driving habit feature; model change New and deployment steps. The invention can accurately analyze the driving behavior habits of current drivers, see whether they match with the historical driving habits, and identify whether to replace the drivers by combining the historical driving records of vehicles and the external environment of current driving.

【技术实现步骤摘要】
驾驶员更换识别方法和装置
本专利技术涉及车联网及人工智能
，特别涉及一种驾驶员更换识别方法和装置。
技术介绍
随着社会经济的发展，我国机动车数量不断增加，车辆的增加便利了人们的出行，但同时也带来了交通安全问题。因此，对于机动车行驶风险的监测提出了更高的要求。其中，驾驶员更换风险是较为常见且具有较高监测难度的一种风险。目前，驾驶员更换识别技术主要分为两种，一种是直接在车上安装摄像头，使用人脸识别技术来识别驾驶员；另一种是在车上安装OBD(OnBoardDiagnostics，车载自动诊断系统)设备，采集驾驶员行驶数据，传到服务器，依赖于专家建立的规则引擎和统计模型进行分析。第一种方式涉及到用户的隐私，除了对于有车队规模的客户如物流车队等可以获得许可，对于普通客户来说是很难接受的。第二种方式使用人工构建驾驶习惯特征，这种做法比较依赖专家的经验，工作量大，而且特征库更新比较繁琐，识别精度得不到保障。
技术实现思路
基于此，有必要提供一种驾驶员更换识别方法和装置，能够结合车辆的历史行驶记录和当前行驶的外部环境，准确地分析出当前驾驶员的驾驶行为习惯，看是否与历史驾驶习惯相匹配，从而识别是否更换驾驶员。为实现上述专利技术目的，本专利技术采用以下技术方案。本专利技术提供一种驾驶员更换识别方法，包括以下步骤：驾驶数据获取步骤，通过OBD设备采集车辆的历史行驶数据；特征构建步骤，构建数据集和驾驶习惯特征；模型的学习和训练步骤，根据所述数据集和驾驶习惯特征构造和训练机器学习模型；模型的更新和部署步骤。上述驾驶员更换识别方法中，所述特征构建步骤进一步包括：数据预处理，对驾驶数据获取步骤中所采集到的历史行驶数据进行解码、清洗、分类和存储，以剔除异常值和空值数据；数据集构建，采用伪标签法构建样本和数据集；和驾驶习惯特征构建，基于行程特征、三急特征和GPS数据构建驾驶员的驾驶习惯特征，所述行程特征包括行程开始时间、行程结束时间、驾驶时长、里程数、平均速度和超速次数；所述三急特征包括每次行程的急加速、急减速和急转弯次数和时间点。上述驾驶员更换识别方法中，所述采用伪标签法构建样本和数据集的步骤具体包括：假设当前车辆驾驶员没有更换，在使用当前车辆的历史行驶数据构建样本时，将其作为负样本，并将标签置为0；在随机从其它车辆抽取历史行驶数据构建样本时，将其作为正样本，并将标签置为1；将所有负样本和正样本归集后，形成所述数据集。上述驾驶员更换识别方法中，所述驾驶习惯特征构建的步骤具体包括：采用截取和填充的方式将所述历史行驶数据中的变长序列数据转换为定长序列数据，即采用分段采样法将每次行程中的GPS数据平均分成三部分，从每个部分分别截取K个GPS点，组成长度为3K的GPS序列数据；若行程时间较短，或K取值较大导致数据存在交叉，则使用已有值的均值对交叉部分的空值进行填充。上述驾驶员更换识别方法中，所述模型的学习和训练步骤具体包括：基于所述数据集和驾驶习惯特征构建机器学习模型，并采用以下方式对模型进行学习和训练：先将所述数据集和驾驶习惯特征输入一GBDT模型中，取出所述GBDT模型生成的树索引；再使用one-hot的方式输入到一LR模型中，由所述LR模型输出识别结果。上述驾驶员更换识别方法中，所述模型的更新和部署步骤具体包括：在线上构建docker镜像，将所述模型和预测代码拷贝至所述docker中，当接收到车辆的历史行驶数据时将所述车辆的历史行驶数据输入所述docker，由所述docker处理，实时输出判别结果并保存。本专利技术还提供一种驾驶员更换识别装置，包括：驾驶数据获取模块，用于通过OBD设备采集车辆的历史行驶数据；特征构建模块，用于构建数据集和驾驶习惯特征；模型的学习和训练模块，用于根据所述数据集和驾驶习惯特征构造和训练机器学习模型；模型的更新和部署模块，用于对所述机器学习模型进行更新和部署。上述驾驶员更换识别装置中，所述特征构建模块进一步包括：数据预处理单元，用于对驾驶数据获取步骤中所采集到的历史行驶数据进行解码、清洗、分类和存储，以剔除异常值和空值数据；数据集构建单元，用于采用伪标签法构建样本和数据集；和驾驶习惯特征构建单元，用于基于行程特征、三急特征和GPS数据构建驾驶员的驾驶习惯特征，所述行程特征包括行程开始时间、行程结束时间、驾驶时长、里程数、平均速度和超速次数；所述三急特征包括每次行程的急加速、急减速和急转弯次数和时间点。上述驾驶员更换识别装置中，所述数据集构建单元具体用于：假设当前车辆驾驶员没有更换，在使用当前车辆的历史行驶数据构建样本时，将其作为负样本，并将标签置为0；在随机从其它车辆抽取历史行驶数据构建样本时，将其作为正样本，并将标签置为1；将所有负样本和正样本归集后，形成所述数据集。上述驾驶员更换识别装置中，驾驶习惯特征构建单元具体用于，采用截取和填充的方式将所述历史行驶数据中的变长序列数据转换为定长序列数据，即采用分段采样法将每次行程中的GPS数据平均分成三部分，从每个部分分别截取K个GPS点，组成长度为3K的GPS序列数据；若行程时间较短，或K取值较大导致数据存在交叉，则使用已有值的均值对交叉部分的空值进行填充。相比于传统的驾驶员更换识别方法，本专利技术通过获取驾驶数据、构建数据集和驾驶习惯特征，以及构造机器学习模型，无需安装摄像头，不仅可以保护用户的隐私，还能够结合车辆历史行驶记录和当前行驶的外部环境，准确地分析出当前驾驶员的驾驶行为习惯，看是否与历史驾驶习惯相匹配，从而识别是否更换驾驶员。并通过使用GBDT+LR模型融合的方式，有效地提高模型识别的稳定性和精度。附图说明图1为本实施例中驾驶员更换识别方法的流程示意图；图2为本实施例中驾驶员更换识别装置的结构示意图。具体实施方式下面结合附图及具体实施例做进一步说明。如图1所示，本实施例提供一种驾驶员更换识别方法，包括以下步骤：S1：驾驶数据获取步骤，通过OBD设备采集车辆的历史行驶数据；S2：特征构建步骤，构建数据集和驾驶习惯特征；S3：模型的学习和训练步骤，根据所述数据集和驾驶习惯特征构造和训练机器学习模型；S4：模型的更新和部署步骤。在采集车辆数据时，最简单有效的方法是通过OBD接口与汽车连接，而OBD设备是目前最为常见的OBD诊断和数据读写设备。上述OBD设备可采集到车辆行驶的大量有关数据，如行驶速度，行驶时间，行驶路程，三急数据(急转弯，急减速，急加速)，行驶点的经纬度信息等，本文将其统称为历史行驶数据。本实施例基于上述历史行驶数据进行特征构建，所述特征构建步骤S1进一步包括：S21：数据预处理，对驾驶数据获取步骤中所采集到的历史行驶数据进行解码、清洗、分类和存储本文档来自技高网...

【技术保护点】
1.一种驾驶员更换识别方法，其特征在于，包括以下步骤：/n驾驶数据获取步骤，通过OBD设备采集车辆的历史行驶数据；/n特征构建步骤，构建数据集和驾驶习惯特征；/n模型的学习和训练步骤，根据所述数据集和驾驶习惯特征构造和训练机器学习模型；/n模型的更新和部署步骤。/n

【技术特征摘要】
1.一种驾驶员更换识别方法，其特征在于，包括以下步骤：
驾驶数据获取步骤，通过OBD设备采集车辆的历史行驶数据；
特征构建步骤，构建数据集和驾驶习惯特征；
模型的学习和训练步骤，根据所述数据集和驾驶习惯特征构造和训练机器学习模型；
模型的更新和部署步骤。


2.如权利要求1所述的驾驶员更换识别方法，其特征在于，所述特征构建步骤进一步包括：
数据预处理，对驾驶数据获取步骤中所采集到的历史行驶数据进行解码、清洗、分类和存储，以剔除异常值和空值数据；
数据集构建，采用伪标签法构建样本和数据集；和
驾驶习惯特征构建，基于行程特征、三急特征和GPS数据构建驾驶员的驾驶习惯特征，所述行程特征包括行程开始时间、行程结束时间、驾驶时长、里程数、平均速度和超速次数；所述三急特征包括每次行程的急加速、急减速和急转弯次数和时间点。


3.如权利要求2所述的驾驶员更换识别方法，其特征在于，所述采用伪标签法构建样本和数据集的步骤具体包括：
假设当前车辆驾驶员没有更换，在使用当前车辆的历史行驶数据构建样本时，将其作为负样本，并将标签置为0；在随机从其它车辆抽取历史行驶数据构建样本时，将其作为正样本，并将标签置为1；
将所有负样本和正样本归集后，形成所述数据集。


4.如权利要求2所述的驾驶员更换识别方法，其特征在于，所述驾驶习惯特征构建的步骤具体包括：
采用截取和填充的方式将所述历史行驶数据中的变长序列数据转换为定长序列数据，即采用分段采样法将每次行程中的GPS数据平均分成三部分，从每个部分分别截取K个GPS点，组成长度为3K的GPS序列数据；
若行程时间较短，或K取值较大导致数据存在交叉，则使用已有值的均值对交叉部分的空值进行填充。


5.如权利要求1所述的驾驶员更换识别方法，其特征在于，所述模型的学习和训练步骤具体包括：
基于所述数据集和驾驶习惯特征构建机器学习模型，并采用以下方式对模型进行学习和训练：
先将所述数据集和驾驶习惯特征输入一GBDT模型中，取出所述GBDT模型生成的树索引；
再使用one-hot的方式输入到一LR模型中，由所述LR模型输出识别结果。<...

【专利技术属性】
技术研发人员：肖延国，戴杰，周忠球，
申请(专利权)人：上海远眸软件有限公司，
类型：发明
国别省市：上海;31