驾驶员安全驾驶行为的监测、评价和预警方法及系统技术方案

本发明专利技术提供了一种驾驶员安全驾驶行为的监测、评价和预警方法及系统，涉及网约车技术领域，包括：步骤S1：采集驾驶数据，并对所述驾驶数据进行处理；步骤S2：建立模型，包括驾驶行为评分和驾驶结果评分，二者结合后得到驾驶人综合驾驶评级；步骤S3：根据所述驾驶人综合驾驶评级，对驾驶人采取不同的安全辅助和提示。本发明专利技术能够有效识别出具有潜在驾驶风险的人员，实施针对性的安全提示和教育，从而降低交通事故的发生。通事故的发生。通事故的发生。

【技术实现步骤摘要】
驾驶员安全驾驶行为的监测、评价和预警方法及系统


[0001]本专利技术涉及网约车
，具体地，涉及一种基于网约车驾驶员安全驾驶行为的监测、评价和预警的方法，尤其涉及一种驾驶员安全驾驶行为的监测、评价和预警方法及系统。

技术介绍

[0002]网约车，即网络预约出租汽车经营服务的简称，是指以互联网技术为依托构建服务平台，接入符合条件的车辆和驾驶员，通过整合供需信息，提供非巡游的预约出租汽车服务的经营活动。
[0003]公开号为CN113395394A的专利技术专利，公开了一种检测网约车行程安全的预警方法，包括(1)计算结束订单地点与预约下车地点间的直线距离，判断直线距离是否大于第一阈值；(2)回传行程录音；(3)询问是否产生安全问题，若选择正常结束本次操作，若选择订单异常跳转至在线客服对话页面，若选择异常结束并110报警进入步骤(4)，若选择异常结束并通知紧急联系人进入步骤(5)；(4)询问是否拨打110，若否则订单回归正常状态并结束本次操作；若是进入报警界面，报警完成后订单回归正常状态并结束本次操作；(5)判断乘客是否设置了紧急联络人，若否则让用户输入紧急联系人手机号，并将异常信息短信发送给该手机号；反之进入拨号界面让乘客与紧急联络人通话。
[0004]上述专利的核心是通过网约车用户行为与订单本身判断单个行程的安全性。但是，上述专利仅通过单个行程去做安全预警，无法判断网约车司机在时间段内的驾驶行为与安全意识，导致评价的准确性、连续性受限，进而影响评价效果。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术提供一种驾驶员安全驾驶行为的监测、评价和预警方法及系统。
[0006]根据本专利技术提供的一种驾驶员安全驾驶行为的监测、评价和预警方法及系统，所述方案如下：
[0007]第一方面，提供了一种驾驶员安全驾驶行为的监测、评价和预警方法，所述方法包括：
[0008]步骤S1：采集驾驶数据，并对所述驾驶数据进行处理；
[0009]步骤S2：建立模型，包括驾驶行为评分和驾驶结果评分，二者结合后得到驾驶人综合驾驶评级；
[0010]步骤S3：根据所述驾驶人综合驾驶评级，对驾驶人采取不同的安全辅助和提示。
[0011]优选地，所述驾驶数据包括：驾驶过程中实时车辆数据，包括OBD高频打点位置基本信息和报警信息；驾驶结果数据包括观察期内违章情况和保险理赔数据。
[0012]优选地，所述对驾驶数据进行处理包括：由OBD设备每秒对司机驾驶情况进行边缘计算，将处理后的报警结果回传给云端。
[0013]优选地，所述驾驶行为评分包括：利用监督学习算法，对OBD采集的大量网约车辆行程数据进行线性回归训练，结合行程关键特征，构建单车每10万公里发生事故概览的模型，刻画每个司机的驾驶行为与出行风险概率。
[0014]优选地，所述驾驶结果评分包括：由百公里急加速、百公里急减速、百公里急转弯、百公里超速、疲劳驾驶时长占比、日均行驶里程最终判定，公式为：
[0015]R＝a*p
[0016]p＝s1
x1
*2
x2
*3
x3
*4
x4
*5
x5
*6logx6
[0017]其中，R表示某台车的驾驶行为评分；p表示每10万公里可能发生事故的概率；a表示基于该发生事故的概率映射评分的出系数；针对概率p，s1、s2、s3、s4、s5、s6表示基于历史车辆运行及出险情况拟合的系数；x1表示百公里超速次数；x2表示百公里急加速次数；x3表示百公里急减速次数；x4表示百公里急转弯次数；x5表示疲劳驾驶时长占比；x6表示日均行驶里程。
[0018]优选地，所述驾驶人综合驾驶评级的统计周期为评估所需时间段，结合网约车司机驾驶出险、违章情况标注，通过半监督学习对司机驾驶行为进行贝叶斯网络分类，得到高风险、中风险、低风险和正常车辆。
[0019]第二方面，提供了一种驾驶员安全驾驶行为的监测、评价和预警系统，所述系统包括：
[0020]模块M1：采集驾驶数据，并对所述驾驶数据进行处理；
[0021]模块M2：建立模型，包括驾驶行为评分和驾驶结果评分，二者结合后得到驾驶人综合驾驶评级；
[0022]模块M3：根据所述驾驶人综合驾驶评级，对驾驶人采取不同的安全辅助和提示。
[0023]优选地，所述驾驶数据包括：驾驶过程中实时车辆数据，包括OBD高频打点位置基本信息和报警信息；驾驶结果数据包括观察期内违章情况和保险理赔数据。
[0024]优选地，所述对驾驶数据进行处理包括：由OBD设备每秒对司机驾驶情况进行边缘计算，将处理后的报警结果回传给云端。
[0025]优选地，所述驾驶行为评分包括：利用监督学习算法，对OBD采集的大量网约车辆行程数据进行线性回归训练，结合行程关键特征，构建单车每10万公里发生事故概览的模型，刻画每个司机的驾驶行为与出行风险概率；
[0026]所述驾驶结果评分包括：由百公里急加速、百公里急减速、百公里急转弯、百公里超速、疲劳驾驶时长占比、日均行驶里程最终判定，公式为：
[0027]R＝a*p
[0028]p＝s1
x1
*2
x2
*3
x3
*4
x4
*5
x5
*6logx6
[0029]其中，R表示某台车的驾驶行为评分；p表示每10万公里可能发生事故的概率；a表示基于该发生事故的概率映射评分的出系数；针对概率p，s1、s2、s3、s4、s5、s6表示基于历史车辆运行及出险情况拟合的系数；x1表示百公里超速次数；x2表示百公里急加速次数；x3表示百公里急减速次数；x4表示百公里急转弯次数；x5表示疲劳驾驶时长占比；x6表示日均行驶里程。
[0030]所述驾驶人综合驾驶评级的统计周期为评估所需时间段，结合网约车司机驾驶出险、违章情况标注，通过半监督学习对司机驾驶行为进行贝叶斯网络分类，得到高风险、中
风险、低风险和正常车辆。
[0031]与现有技术相比，本专利技术具有如下的有益效果：
[0032]本专利技术基于用户数据采集的基础上，分析评价各类驾驶人的安全驾驶水平，有效识别出具有潜在驾驶风险的人员，实施针对性的安全提示和教育，从而降低交通事故的发生。
[0033]本专利技术的其他有益效果，将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述，本领域技术人员通过这些技术特征和技术方案的介绍，应能理解所述技术特征和技术方案带来的有益技术效果。
附图说明
[0034]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0035]图1为本专利技术流程结构图。
具体实施方式
[0036]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶员安全驾驶行为的监测、评价和预警方法，其特征在于，包括：步骤S1：采集驾驶数据，并对所述驾驶数据进行处理；步骤S2：建立模型，包括驾驶行为评分和驾驶结果评分，二者结合后得到驾驶人综合驾驶评级；步骤S3：根据所述驾驶人综合驾驶评级，对驾驶人采取不同的安全辅助和提示。2.根据权利要求1所述的驾驶员安全驾驶行为的监测、评价和预警方法，其特征在于，所述驾驶数据包括：驾驶过程中实时车辆数据，包括OBD高频打点位置基本信息和报警信息；驾驶结果数据包括观察期内违章情况和保险理赔数据。3.根据权利要求1所述的驾驶员安全驾驶行为的监测、评价和预警方法，其特征在于，所述对驾驶数据进行处理包括：由OBD设备每秒对司机驾驶情况进行边缘计算，将处理后的报警结果回传给云端。4.根据权利要求1所述的驾驶员安全驾驶行为的监测、评价和预警方法，其特征在于，所述驾驶行为评分包括：利用监督学习算法，对OBD采集的大量网约车辆行程数据进行线性回归训练，结合行程关键特征，构建单车每10万公里发生事故概览的模型，刻画每个司机的驾驶行为与出行风险概率。5.根据权利要求1所述的驾驶员安全驾驶行为的监测、评价和预警方法，其特征在于，所述驾驶结果评分包括：由百公里急加速、百公里急减速、百公里急转弯、百公里超速、疲劳驾驶时长占比、日均行驶里程最终判定，公式为：R＝a*pp＝s1
x1
*s2
x2
*s3
x3
*s4
x4
*s5
x5
*s
6 log x6其中，R表示某台车的驾驶行为评分；p表示每10万公里可能发生事故的概率；a表示基于该发生事故的概率映射评分的出系数；针对概率p，s1、s2、s3、s4、s5、s6表示基于历史车辆运行及出险情况拟合的系数；x1表示百公里超速次数；x2表示百公里急加速次数；x3表示百公里急减速次数；x4表示百公里急转弯次数；x5表示疲劳驾驶时长占比；x6表示日均行驶里程。6.根据权利要求1所述的驾驶员安全驾驶行为的监测、评价和预警方法，其特征在于，所述驾驶人综合驾驶评级的统计周期为评估所需时间段，结合网约车司机驾驶出险、违章情况标注，通过半监督学习对司机驾...

【专利技术属性】
技术研发人员：李雨禅，李景全，金勇，
申请(专利权)人：环球车享汽车租赁有限公司，
类型：发明
国别省市：