【技术实现步骤摘要】
驾驶行为评价方法、装置、计算设备和存储介质
本申请涉及智能分析
特别涉及一种驾驶行为评价方法、装置、计算设备和存储介质。
技术介绍
随着人们对出行安全意识的增强，人们对驾驶员在驾驶过程中的驾驶行为越来越关注，驾驶员的驾驶行为直接影响到人们的出行安全。因此，对驾驶员的驾驶行为进行合理评价显得尤为重要。评价驾驶员的驾驶行为，不仅有助于驾驶员所在公司对驾驶员进行业绩考核，也有助于规范驾驶员的驾驶行为，保证行车安全。相关技术中主要是通过驾驶行为的最终评分对驾驶员的驾驶行为进行评价。驾驶行为的最终评分越高，驾驶员的驾驶行为越规范。其中，在确定驾驶行为的最终评分之前，设定多个指定驾驶行为，例如，抽烟、打电话和未系安全带等，并设定每个指定驾驶行为的发生频次和评分之间的对应关系。相应的，确定驾驶行为的最终评分的过程可以为：根据目标驾驶员的驾驶行为数据，确定目标驾驶员的驾驶行为中的每个指定驾驶行为的发生频次；根据每个指定驾驶行为的发生频次，从发生频次和评分的对应关系中确定该目标驾驶员对应的每个指定驾驶行为的评分，将该目标驾驶员对应的每个指定驾驶行为的评分的平均值作为该目标驾驶员的最终评分。但相关技术的基于平均值的驾驶行为评价方法，存在少数极端值容易影响整体评价的情况，导致驾驶行为评价的准确率低。
技术实现思路
本申请实施例提供了一种驾驶行为评价方法、装置、计算设备和存储介质,能够解决驾驶行为评价准确率低的问题。所述技术方案如下：一方面，提供了一种一种驾驶行为评价方法，所述方法...
【技术保护点】
1.一种驾驶行为评价方法，其特征在于，所述方法包括：/n获取目标驾驶员在第一历史时间内的每个指定驾驶行为发生的最大频次，以及在当前评价时间范围内的每个指定驾驶行为发生的第一频次；/n基于所述每个指定驾驶行为发生的最大频次和第一频次，确定所述每个指定驾驶行为的第一权重和第一综合评分；/n基于第一指定驾驶行为相对于第二指定驾驶行为的重要程度，确定第一数量个指定驾驶行为中每个指定驾驶行为的第二权重，所述第一数量为指定驾驶行为的数量，所述第一指定驾驶行为和所述第二指定驾驶行为是所述第一数量个指定驾驶行为中任意两个不同的指定驾驶行为；/n基于所述每个指定驾驶行为的第一权重、第一综合评分和第二权重，确定所述目标驾驶员的驾驶行为的第二综合评分。/n
【技术特征摘要】
1.一种驾驶行为评价方法，其特征在于，所述方法包括：
获取目标驾驶员在第一历史时间内的每个指定驾驶行为发生的最大频次，以及在当前评价时间范围内的每个指定驾驶行为发生的第一频次；
基于所述每个指定驾驶行为发生的最大频次和第一频次，确定所述每个指定驾驶行为的第一权重和第一综合评分；
基于第一指定驾驶行为相对于第二指定驾驶行为的重要程度，确定第一数量个指定驾驶行为中每个指定驾驶行为的第二权重，所述第一数量为指定驾驶行为的数量，所述第一指定驾驶行为和所述第二指定驾驶行为是所述第一数量个指定驾驶行为中任意两个不同的指定驾驶行为；
基于所述每个指定驾驶行为的第一权重、第一综合评分和第二权重，确定所述目标驾驶员的驾驶行为的第二综合评分。
2.根据权利要求1所述的方法，其特征在于，所述基于所述每个指定驾驶行为发生的最大频次和第一频次，确定所述每个指定驾驶行为的第一权重和第一综合评分，包括：
基于所述每个指定驾驶行为发生的最大频次和第一频次，确定所述每个指定驾驶行为在所述当前评价时间范围内的多个评价周期的第一评分；
基于所述每个指定驾驶行为在每个评价周期的第一评分和第二数量，确定所述每个指定驾驶行为的第一权重，所述第二数量为所述多个评价周期的数量；
基于所述每个指定驾驶行为在所述每个评价周期的第一评分，确定所述每个指定驾驶行为的第一综合评分。
3.根据权利要求2所述的方法，其特征在于，所述基于所述每个指定驾驶行为发生的最大频次和第一频次，确定所述每个指定驾驶行为在所述当前评价时间范围内的多个评价周期的第一评分，包括：
对于每个指定驾驶行为在每个评价周期，确定所述指定驾驶行为发生的第一频次与最大频次之间的比值；
根据所述比值，确定所述指定驾驶行为在所述评价周期内被扣除的第二评分；
根据所述评价周期对应的总评分和所述第二评分，确定所述指定驾驶行为在所述评价周期内的第一评分。
4.根据权利要求2所述的方法，其特征在于，所述基于所述每个指定驾驶行为在每个评价周期的第一评分和第二数量，确定所述每个指定驾驶行为的第一权重，包括：
基于所述每个指定驾驶行为在所述每个评价周期的第一评分和所述第二数量，确定所述每个指定驾驶行为的第一熵值；
基于所述每个指定驾驶行为的第一熵值和所述第一数量，确定所述每个指定驾驶行为的第一权重。
5.根据权利要求4所述的方法，其特征在于，所述基于所述每个指定驾驶行为在所述每个评价周期的第一评分和所述第二数量，确定所述每个指定驾驶行为的第一熵值，包括：
基于所述每个指定驾驶行为在所述每个评价周期的第一评分进行归一化处理，得到所述每个指定驾驶行为在所述每个评价周期的第一分值；
基于所述每个指定驾驶行为在所述每个评价周期的第一分值和所述第二数量，通过以下公式一，确定所述每个指定驾驶行为的第一熵值；
公式一：
其中，i为指定驾驶行为的编号，j为评价周期的编号，Hi为第i个指定驾驶行为的第一熵值，s为所述第二数量，bij为第i个指定驾驶行为在第j个评价周期的第一分值。
6.根据权利要求4所述的方法，其特征在于，所述基于所述每个指定驾驶行为的第一熵值和所述第一数量，确定所述每个指定驾驶行为的第一权重，包括：
基于所述每个指定驾驶行为的第一熵值和所述第一数量，通过以下公式二，确定权重矩阵，所述权重矩阵包括所述每个指定驾驶行为的第一权重；
公式二：W＝(ω′i)1×t
其中，W为所述权重矩阵，ω′i为第i个指定驾驶行为的第一权重，Hi为第i个指定驾驶行为的第一熵值，且t为所述第一数量；
从所述权重矩阵中确定所述每个指定驾驶行为的第一权重。
7.根据权利要求1所述的方法，其特征在于，所述基于第一指定驾驶行为相对于第二指定驾驶行为的重要程度，确定第一数量个指定驾驶行为中每个指定驾驶行为的第二权重，包括：
基于所述第一指定驾驶行为相对于所述第二指定驾驶行为的重要程度，构造第一判断矩阵；
基于所述第一判断矩阵，确定所述第一判断矩阵的矩阵阶数和最大特征值；
基于所述矩阵阶数，从矩阵阶数和随机一致性指标的对应关系中，确定所述第一判断矩阵的随机一致性指标；
基于所述第一判断矩阵的矩阵阶数、所述最大特征值和所述随机一致性指标，确定所述第一数量个指定驾驶行为中每个指定驾驶行为的第二权重。
8.根据权利要求7所述的方法，其特征在于，所述基于所述第一判断矩阵的矩阵阶数、所述最大特征值和所述随机一致性指标，确定所述第一数量个指定驾驶行为中每个指定驾驶行为的第二权重，包括：
基于所述第一判断矩阵的矩阵阶数、所述最大特征值和所述随机一致性指标，确定所述第一判断矩阵的一致性比例；
当所述一致性比例小于比例阈值时，确定所述最大特征值对应的所述第一数量个第一特征向量；
对所述第一数量个第一特征向量进行归一化处理，得到所述第一数量个第二特征向量；
将所述第一数量个第二特征向量的数值确定为所述第一数量个指定驾驶行为的第二权重。
9.根据权利要求1所述的方法，其特征在于，所述基于所述每个指定驾驶行为的第一权重、第一综合评分和第二权重，确定所述目标驾驶员的驾驶行为的第二综合评分，包括：
基于所述每个指定驾驶行为的第一权重和第二权重，确定所述每个指定驾驶行为的综合权重；
基于所述每个指定驾驶行为的综合权重和第一综合评分，确定第三数量个指定驾驶特征中每个指定驾驶特征的第三评分，所述第三数量为指定驾驶特征的数量，所述每个指定驾驶特征对应多个指定驾驶行为；
基于第一指定驾驶特征相对于第二指定驾驶特征的重要程度，确定所述每个指定驾驶特征的第三权重，所述第一指定驾驶特征和所述第二指定驾驶特征是所述第三数量个指定驾驶特征中任意两个不同的指定驾驶特征；
基于所述每个指定驾驶特征的第三评分和第三权重，确定所述第二综合评分。
10.根据权利要求9所述的方法，其特征在于，所述基于所述每个指定驾驶行为的第一权重和第二权重，确定所述每个指定驾驶行为的综合权重，包括：
对于每个指定驾驶行为，确定所述指定驾驶行为的第一权重和所述第二权重的乘积，得到第一数值；
将所述每个指定驾驶行为的第一数值进行求和，得到第二数值；
确定所述第一数值与所述第二数值的比值，得到所述指定驾驶行为的综合权重。
11.根据权利要求9所述的方法，其特征在于，所述基于所述每个指定驾驶特征的第三评分和第三权重，确定所述第二综合评分，包括：
将所述每个指定驾驶特征的第三评分和第三权重进行加权求和，得到所述第二综合评分；或者，
将所述每个指定驾驶特征的第三评分和第三权重进行加权求和，得到第三综合评分，将所述第三综合评分与第二历史时间内的所述目标驾驶员的驾驶行为的多个第四综合评分进行融合，得到所述第二综合评分。
12.根据权利要求11所述的方法，其特征在于，所述将所述第三综合评分与第二历史时间内的所述目标驾驶员的驾驶行为的多个第四综合评分进行融合，得到所述第二综合评分，包括：
通过目标高斯混合模型，确定所述第三综合评分对应的第一概率和所述多个第四综合评分对应的多个第二概率；
对所述第一概率和所述多个第二概率进行归一化处理，分别得到所述第三综合评分对应的第四权重和所述多个第四综合评分对应的多个第五权重，一个第四综合评分对应一个第五权重；
将所述第三综合评分、所述第四权重、所述多个第四综合评分和所述多个第五权重进行加权求和，得到所述第二综合评分。
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
对初始高斯混合模型的多个第一模型参数进行初始化，得到多个第二模型参数；
确定所述初始高斯混合模型中分模型的个数，设定收敛阈值和最大迭代次数；
基于所述多个第二模型参数，确定第一分模型对所述第三综合评分和所述多个第四综合评分的第一响应度；
基于所述第一响应度、所述第三综合评分和所述多个第四综合评分，确定多个第三模型参数；
当所述多个第三模型参数满足所述收敛阈值或达到所述最大迭代次数时，输出所述多个第三模型参数，得到所述目标高斯混合模型；
当所述多个第三模型参数不满足所述收敛阈值或未达到所述最大迭代次数时，基于所述多个第三模型参数、所述第三综合评分和所述多个第四综合评分，确定多个第四模型参数，直到多个模型参数满足所述收敛阈值或达到所述最大迭代次数，输出满足所述收敛阈值或达到所述最大迭代次数时对应的多个模型参数，得到所述目标高斯混合模型。
14.根据权利要求12所述的方法，其特征在于，所述通过目标高斯混合模型，确定所述第三综合评分对应的第一概率和所述多个第四综合评分对应的多个第二概率，包括：
通过所述目标高斯混合模型和以下公式三，确...
【专利技术属性】
技术研发人员：申子豪，燕丽敬，陈永祥，郝勇刚，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。