一种驾驶行为风险预测方法及系统技术方案

本发明专利技术涉及一种驾驶行为风险预测方法及系统。该方法包括获取历史的行程数据；对所述历史的行程数据进行数据清洗；对清洗后的行程数据进行标签定义，得到标签参数；根据所述标签参数，采用斐波那契算法，确定训练好的风险预测模型；获取当前的行程数据；根据所述当前的行程数据确定当前的标签参数，再利用所述训练好的风险预测模型进行风险预测。本发明专利技术能够动态地、及时地判断风险，保证风险评价预警的实时性。

【技术实现步骤摘要】
一种驾驶行为风险预测方法及系统
本专利技术涉及驾驶行为风险预测领域，特别是涉及一种驾驶行为风险预测方法及系统。
技术介绍
自2010年车联网技术进入社会视野以来，车联网经历了从萌发到成长的漫长过程。广义的车联网(InternetofVehicles)是由车辆位置、速度和路线等信息构成的巨大交互网络。通过GPS、RFID、传感器、摄像头图像处理等装置，车辆可以完成自身环境和状态信息的采集；通过互联网技术，所有的车辆可以将自身的各种信息传输汇聚到中央处理器；通过计算机技术，这些大量车辆的信息可以被分析和处理，从而计算出不同车辆的最佳路线、及时汇报路况和安排信号灯周期。通过车与车、车与路、车与人、车与传感设备等交互，实现车辆与公众网络通信的动态移动通信系统。它可以通过车与车、车与人、车与路互联互通实现信息共享，收集车辆、道路和环境的信息，并在信息网络平台上对多源采集的信息进行加工、计算、共享和安全发布，根据不同的功能需求对车辆进行有效的引导与监管，以及提供专业的多媒体与移动互联网应用服务。车联网系统利用先进传感技术、网络技术、计算技术、控制技术、智能技术，对道路和交通进行全面感知，实现多个系统间大范围、大容量数据的交互，对每一辆汽车进行交通全程控制，对每一条道路进行交通全时空控制，以提供交通效率和交通安全为主的网络与应用。车联网系统中驾驶行为数据的采集处理对于系统的准确性至关重要，当前已有通过采集、清洗数据建立驾驶行为评分模型的风险判定技术，通过评分高低来对驾驶员的风险进行评价，得分越高驾驶行为越好，反之，驾驶行为越差。一般参与评价的维度主要有行驶里程、行驶时长、平均速度、最高速度、急加速次数、急减速次数、急转弯次数、夜间行车次数、疲劳驾驶次数等，基于这些数据维度通过各自的驾驶行为模型进行评分。现有评分方法及技术只能对单个行程结束后的驾驶行为进行打分以及判断风险，无法动态的进行评分，无法及时地对本次行程可能发生的事故进行风险预警，对于事故风险的判断具有滞后性。
技术实现思路
本专利技术的目的是提供一种驾驶行为风险预测方法及系统，能够动态地、及时地判断风险，保证风险评价预警的实时性。为实现上述目的，本专利技术提供了如下方案：一种驾驶行为风险预测方法，包括：获取历史的行程数据；所述行程数据包括：驾驶行为数据、车辆自身数据、车辆理赔数据、道路状况数据以及天气数据；所述驾驶行为数据包括：设备标识、瞬时速度、平均速度、横向加速度、纵向加速度、行驶里程、行驶时间、里程段数、急加速次数/发生时间、急刹车次数/发生时间以及急转弯次数/发生时间；所述车辆自身数据包括：车牌号信息、车架号、车龄、驾驶员性别、驾驶员年龄、驾驶员驾龄以及车辆价值；所述车辆理赔数据包括：历史出险次数、历史出险金额、违章次数、违章类型、上年出险次数、上年出险金额以及是否连续3年未出险；对所述历史的行程数据进行数据清洗；对清洗后的行程数据进行标签定义，得到标签参数；所述标签参数为驾驶行为参数、车辆参数、理赔参数、地图参数以及天气参数以车牌号为唯一标识的一条数据；根据所述标签参数，采用斐波那契算法，确定训练好的风险预测模型；所述风险预测模型以所述标签参数为输入，以风险评分为输出；获取当前的行程数据；根据所述当前的行程数据确定当前的标签参数，再利用所述训练好的风险预测模型进行风险预测。可选的，所述获取历史的行程数据，具体包括：利用车联网硬件终端采集所述驾驶行为数据；所述车联网硬件终端包括：车载电脑、手机端、车载T-BOX以及车载自动诊断系统OBD；根据所述车架号以及车牌号信息获取所述车辆自身数据以及所述车辆理赔数据；利用地图或网络爬虫获取地图数据和天气数据。可选的，所述对清洗后的行程数据进行标签定义，得到标签参数，具体包括：对所述清洗后的行程数据进行标签定义，得到所述驾驶行为参数、所述车辆参数、所述理赔参数、所述地图参数以及所述天气参数；将所述驾驶行为参数、所述车辆参数、所述理赔参数以及所述地图参数以车牌号为唯一标识进行一次拼接；将一次拼接后的参数与所述天气参数按照时间进行二次拼接，得到标签参数。可选的，所述根据所述标签参数，采用斐波那契算法，确定训练好的风险预测模型，具体包括：获取所述风险预测模型；根据所述标签参数，利用Python软件，采用斐波那契算法对所述风险预测模型进行训练，确定所述训练好的风险预测模型。一种驾驶行为风险预测系统，包括：历史的行程数据获取模块，用于获取历史的行程数据；所述行程数据包括：驾驶行为数据、车辆自身数据、车辆理赔数据、道路状况数据以及天气数据；所述驾驶行为数据包括：设备标识、瞬时速度、平均速度、横向加速度、纵向加速度、行驶里程、行驶时间、里程段数、急加速次数/发生时间、急刹车次数/发生时间以及急转弯次数/发生时间；所述车辆自身数据包括：车牌号信息、车架号、车龄、驾驶员性别、驾驶员年龄、驾驶员驾龄以及车辆价值；所述车辆理赔数据包括：历史出险次数、历史出险金额、违章次数、违章类型、上年出险次数、上年出险金额以及是否连续3年未出险；数据清洗模块，用于对所述历史的行程数据进行数据清洗；标签参数确定模块，用于对清洗后的行程数据进行标签定义，得到标签参数；所述标签参数为驾驶行为参数、车辆参数、理赔参数、地图参数以及天气参数以车牌号为唯一标识的一条数据；训练好的风险预测模型确定模块，用于根据所述标签参数，采用斐波那契算法，确定训练好的风险预测模型；所述风险预测模型以所述标签参数为输入，以风险评分为输出；当前的行程数据获取模块，用于获取当前的行程数据；风险预测模块，用于根据所述当前的行程数据确定当前的标签参数，再利用所述训练好的风险预测模型进行风险预测。可选的，所述历史的行程数据获取模块具体包括：驾驶行为数据采集单元，用于利用车联网硬件终端采集所述驾驶行为数据；所述车联网硬件终端包括：车载电脑、手机端、车载T-BOX以及车载自动诊断系统OBD；车辆自身数据以及车辆理赔数据获取单元，用于根据所述车架号以及车牌号信息获取所述车辆自身数据以及所述车辆理赔数据；地图数据和天气数据获取单元，用于利用地图或网络爬虫获取地图数据和天气数据。可选的，所述标签参数确定模块具体包括：标签定义单元，用于对所述清洗后的行程数据进行标签定义，得到所述驾驶行为参数、所述车辆参数、所述理赔参数、所述地图参数以及所述天气参数；一次拼接单元，用于将所述驾驶行为参数、所述车辆参数、所述理赔参数以及所述地图参数以车牌号为唯一标识进行一次拼接；二次拼接单元，用于将一次拼接后的参数与所述天气参数按照时间进行二次拼接，得到标签参数。可选的，所述训练好的风险预测模型确定模块具体包括：风险预测模型获取单元，用于获取所述风险预测模型；训练好的风险预测模型确定单元，用于根据所述标签参数，利用Python软件，采用斐波那本文档来自技高网...

【技术保护点】
1.一种驾驶行为风险预测方法，其特征在于，包括：/n获取历史的行程数据；所述行程数据包括：驾驶行为数据、车辆自身数据、车辆理赔数据、道路状况数据以及天气数据；所述驾驶行为数据包括：设备标识、瞬时速度、平均速度、横向加速度、纵向加速度、行驶里程、行驶时间、里程段数、急加速次数/发生时间、急刹车次数/发生时间以及急转弯次数/发生时间；所述车辆自身数据包括：车牌号信息、车架号、车龄、驾驶员性别、驾驶员年龄、驾驶员驾龄以及车辆价值；所述车辆理赔数据包括：历史出险次数、历史出险金额、违章次数、违章类型、上年出险次数、上年出险金额以及是否连续3年未出险；/n对所述历史的行程数据进行数据清洗；/n对清洗后的行程数据进行标签定义，得到标签参数；所述标签参数为驾驶行为参数、车辆参数、理赔参数、地图参数以及天气参数以车牌号为唯一标识的一条数据；/n根据所述标签参数，采用斐波那契算法，确定训练好的风险预测模型；所述风险预测模型以所述标签参数为输入，以风险评分为输出；/n获取当前的行程数据；/n根据所述当前的行程数据确定当前的标签参数，再利用所述训练好的风险预测模型进行风险预测。/n

【技术特征摘要】
1.一种驾驶行为风险预测方法，其特征在于，包括：
获取历史的行程数据；所述行程数据包括：驾驶行为数据、车辆自身数据、车辆理赔数据、道路状况数据以及天气数据；所述驾驶行为数据包括：设备标识、瞬时速度、平均速度、横向加速度、纵向加速度、行驶里程、行驶时间、里程段数、急加速次数/发生时间、急刹车次数/发生时间以及急转弯次数/发生时间；所述车辆自身数据包括：车牌号信息、车架号、车龄、驾驶员性别、驾驶员年龄、驾驶员驾龄以及车辆价值；所述车辆理赔数据包括：历史出险次数、历史出险金额、违章次数、违章类型、上年出险次数、上年出险金额以及是否连续3年未出险；
对所述历史的行程数据进行数据清洗；
对清洗后的行程数据进行标签定义，得到标签参数；所述标签参数为驾驶行为参数、车辆参数、理赔参数、地图参数以及天气参数以车牌号为唯一标识的一条数据；
根据所述标签参数，采用斐波那契算法，确定训练好的风险预测模型；所述风险预测模型以所述标签参数为输入，以风险评分为输出；
获取当前的行程数据；
根据所述当前的行程数据确定当前的标签参数，再利用所述训练好的风险预测模型进行风险预测。


2.根据权利要求1所述的一种驾驶行为风险预测方法，其特征在于，所述获取历史的行程数据，具体包括：
利用车联网硬件终端采集所述驾驶行为数据；所述车联网硬件终端包括：车载电脑、手机端、车载T-BOX以及车载自动诊断系统OBD；
根据所述车架号以及车牌号信息获取所述车辆自身数据以及所述车辆理赔数据；
利用地图或网络爬虫获取地图数据和天气数据。


3.根据权利要求1所述的一种驾驶行为风险预测方法，其特征在于，所述对清洗后的行程数据进行标签定义，得到标签参数，具体包括：
对所述清洗后的行程数据进行标签定义，得到所述驾驶行为参数、所述车辆参数、所述理赔参数、所述地图参数以及所述天气参数；
将所述驾驶行为参数、所述车辆参数、所述理赔参数以及所述地图参数以车牌号为唯一标识进行一次拼接；
将一次拼接后的参数与所述天气参数按照时间进行二次拼接，得到标签参数。


4.根据权利要求1所述的一种驾驶行为风险预测方法，其特征在于，所述根据所述标签参数，采用斐波那契算法，确定训练好的风险预测模型，具体包括：
获取所述风险预测模型；
根据所述标签参数，利用Python软件，采用斐波那契算法对所述风险预测模型进行训练，确定所述训练好的风险预测模型。


5.一种驾驶行为风险预测系统，其特征在于，包括：
历史的行程数据获取模块，用于获取历史的行程数据；所述行程数据包括：驾驶行为数据、车...

【专利技术属性】
技术研发人员：李朋超，周娜娜，弭如坤，周逢军，王坤，魏斌，许媛，魏国亮，刘露，
申请(专利权)人：北京理工大学前沿技术研究院，
类型：发明
国别省市：山东;37