基于GPS行程数据评估驾驶路线熟悉度的方法及设备技术

本发明专利技术实施例公开了一种基于GPS行程数据评估驾驶路线熟悉度的方法，包括：S1：收集车辆历史行程的GPS点数据，对所述GPS点数据进行过滤、行程切分处理，得到每一车辆的所有行程；S2：针对每一车辆的所有行程，采用DTW算法计算任意两条行程之间的距离；S3：采用聚类算法对所述距离进行聚类，得到聚类结果；S4：根据所述聚类结果，采用高斯模型对任意一条新的行程T进行驾驶路线熟悉度评估。实施本发明专利技术实施例，可针对每一条行程的驾驶路线熟悉度进行评估，可为基于驾驶行为数据搭建的预测车辆出险、年度赔付金额模型提供重要特征，从而更加精准的刻画驾驶员的驾驶风险、习惯和风险。习惯和风险。习惯和风险。

【技术实现步骤摘要】
基于GPS行程数据评估驾驶路线熟悉度的方法及设备


[0001]本专利技术涉及车辆信息处理
，具体涉及一种基于GPS行程数据评估驾驶路线熟悉度的方法、电子设备及介质。

技术介绍

[0002]《车联网数据驾驶行为因子与车险风险相关性研究报告》中指出驾驶路线熟悉度和车辆出险概率高度相关。因此，准确评估驾驶员对驾驶路线的熟悉程度是非常必要的。
[0003]申请公布号为CN111460076A的中国专利技术专利公开了一种驾驶路线熟悉度确定方法，包括：S201，获取车辆的多个驾驶行程对应的行程坐标数据序列；S202，基于所述行程坐标数据序列，得到所述多个驾驶行程之间的行程相似度；S203，基于所述行程相似度对所述多个驾驶行程进行聚类，将同一类的驾驶行程对应同一驾驶路线；S204，根据各驾驶路线对应的驾驶行程数以及所述多个驾驶行程对应的驾驶行程总数，得到驾驶路线熟悉度。其中的驾驶路线熟悉度的计算采用如下方式：
[0004][0005]上式中，f表示驾驶路线熟悉度，l表示驾驶行程所属驾驶路线的编号，取值范围为{1,2，
…
，C}，C表示不同驾驶路线的个数，n
l
表示编号为l的驾驶路线对应的驾驶行程的数量。由此可见，该驾驶路线熟悉度f的含义为：驾驶行程数大于等于2次的驾驶路线对应的驾驶行程数之和占全部驾驶行程数之和(即驾驶行程总数)的比例。该驾驶路线熟悉度指标f的取值范围为[0,1]，取值越大表明驾驶员对驾驶路线越熟悉，该驾驶路线熟悉度指标f能准确反映驾驶员在一定时期内对所驾驶路线的熟悉程度。
[0006]该驾驶路线熟悉度计算方法存在如下缺点：
[0007]1、该计算方法仅仅可以衡量一段时间内所有的行程的总熟悉度，每次新增行程都需要重新跑完整个驾驶路线熟悉度确定方法流程，才可以计算出驾驶路线熟悉度。需要这样的操作的原因在于：需要多所有的行程进行聚类，得到新增的行程属于哪一类，甚至有可能改变聚类中心的数量，然后才可以使用上述公式计算熟悉度。
[0008]2、该计算方法不能计算单条行程的熟悉度，其原因在于：从上述计算公式可以看出，其计算的是所有历史行程的整体熟悉度，因此无法对细粒度行程数据进行区分。
[0009]3、该计算方法使用动态时间规划(Derivative dynamic time warping，DTW)计算行程之间的差异，没有考虑到行程1(从A点到B点)和行程2(从B点到A点)之间的实际情况，走过行程1，对于行程2也有一定的熟悉度，如果直接使用DTW进行计算，差异会很大，不符合实际情况。
[0010]4、例如，昨天走的一条道路和一个月前走的一条道路的熟悉程度显然有高低之分，但该计算方法中，所有的行程的重要性没有在时间维度上进行区分。

技术实现思路

[0011]针对
技术介绍
中所提及的技术缺陷，本专利技术实施例的目的在于提供一种基于GPS行程数据评估驾驶路线熟悉度的方法、电子设备及存储介质。
[0012]为实现上述目的，第一方面，本专利技术实施例提供了一种基于GPS行程数据评估驾驶路线熟悉度的方法，包括：
[0013]步骤S1：收集车辆历史行程的GPS点数据，对所述GPS点数据进行过滤、行程切分处理，得到每一车辆的所有行程；
[0014]步骤S2：针对每一车辆的所有行程，采用DTW算法计算任意两条行程之间的距离；
[0015]步骤S3：采用聚类算法对所述距离进行聚类，得到聚类结果；
[0016]步骤S4：根据所述聚类结果，采用高斯模型对任意一条新的行程T进行驾驶路线熟悉度评估。
[0017]作为本申请的一种具体实现方式，步骤S1中对GPS点数据进行过滤处理具体为：
[0018]将经纬度重复且速度为0的GPS点数据进行滤除，仅保留一个点数据；
[0019]将时间戳相同的点数据进行滤除，仅保留一个点数据。
[0020]进一步地，步骤S1中，利用车载设备上传的车辆状态、车辆速度以及时间进行行程切分，具体为：
[0021]去除停车状态下的所有GPS点数据，仅保留行车状态下的行程数据；所述车辆状态包括停车状态和行车状态；
[0022]利用停车标识，将车辆预设时间段内收集的所有GPS点数据切分为多条行程；
[0023]针对所述行程，利用GPS点数据的时间进行切分。
[0024]作为本申请的一种具体实现方式，步骤S2具体为：
[0025]采用公式D＝(d1+d2+。。。+d
n
)/N计算任意两条行程之间的距离；
[0026]其中，d1，d2，d
n
为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。
[0027]优选地，作为本申请的一种优选实现方式，步骤S2具体为：
[0028]采用公式D＝(d1+d2+。。。+d
n
)/N计算行程A和行程B之间的第一距离；
[0029]将行程A或行程B的GPS序列反转，采用公式D＝(d1+d2+。。。+d
n
)/N计算行程A和行程B之间的距离，将该距离乘以一个大于1的系数得到第二距离；
[0030]取第一距离和第二距离中的较小者作为行程A和行程B之间的距离；
[0031]其中，d1，d2，d
n
为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。
[0032]作为本申请的一种具体实现方式，采用CFDP算法或AP算法对所述距离进行聚类，得到聚类结果；所述聚类结构包括每个聚类中心以及每个行程的类别。
[0033]作为本申请的一种具体实现方式，步骤S4具体为：
[0034]采用公式确定高斯模型所需的参数：均值μ；
[0035]采用公式确定高斯模型所需的参数：标准差σ；
[0036]将参数均值μ和标准差σ带入高斯模型中，计算驾驶路线熟悉度F：
[0037][0038]其中，C为聚类中心，Trip
i
为该类中的行程。
[0039]进一步地，作为本申请的一种优选实现方式，该方法还包括：
[0040]步骤S5：重复步骤S2
‑
S4，完成对每一车辆的建模；
[0041]步骤S6：保存步骤S3得到的聚类结果和步骤S4中的所有高斯模型。
[0042]第二方面，本专利技术实施例还提供了另一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上述第一方面所述的方法步骤。
[0043]第三方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如上述第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GPS行程数据评估驾驶路线熟悉度的方法，其特征在于，包括：步骤S1：收集车辆历史行程的GPS点数据，对所述GPS点数据进行过滤、行程切分处理，得到每一车辆的所有行程；步骤S2：针对每一车辆的所有行程，采用DTW算法计算任意两条行程之间的距离；步骤S3：采用聚类算法对所述距离进行聚类，得到聚类结果；步骤S4：根据所述聚类结果，采用高斯模型对任意一条新的行程T进行驾驶路线熟悉度评估。2.如权利要求1所述的方法，其特征在于，步骤S1中对GPS点数据进行过滤处理具体为：将经纬度重复且速度为0的GPS点数据进行滤除，仅保留一个点数据；将时间戳相同的点数据进行滤除，仅保留一个点数据。3.如权利要求1所述的方法，其特征在于，步骤S1中，利用车载设备上传的车辆状态、车辆速度以及时间进行行程切分，具体为：去除停车状态下的所有GPS点数据，仅保留行车状态下的行程数据；所述车辆状态包括停车状态和行车状态；利用停车标识，将车辆预设时间段内收集的所有GPS点数据切分为多条行程；针对所述行程，利用GPS点数据的时间进行切分。4.如权利要求1所述的方法，其特征在于，步骤S2具体为：采用公式D＝(d1+d2+
…
+d
n
)/N计算任意两条行程之间的距离；其中，d1，d2，d
n
为行程A和行程B中距离最近的两个GPS点之间的距离，将行程A和行程B中距离最近的点相连形成线段，N为线段的条数。5.如权利要求1所述的方法，其特征在于，步骤S2具体为：采用公式D＝(d1+d2+
…
+d
n
)/N计算行程A和行程B之间的第一距离；将行程A或行程B的GPS序列反转，采用公式D＝(...

【专利技术属性】
技术研发人员：鲁鑫，
申请(专利权)人：北京宏瓴科技发展有限公司，
类型：发明
国别省市：