本发明专利技术提供一种基于驾驶行为的行程打分方法,包括构建行程打分模型和打分两个步骤;构建行程打分模型步骤对每段行程中每秒发生急加速、急减速、超速和急转弯的次数进行统计分析,当行程数趋近于无限大时,急加速、急减速、超速和急转弯的次数均呈正态分布;打分步骤对于用户的一段行程,统计其每秒急加速、急减速、超速、急转弯的次数,并对该行程的急加速、急减速、超速、急转弯分别进行打分并转换为百分制。本发明专利技术基于大量驾驶行为数据,通过对驾驶行为数据的清洗以及预加工,发现用户驾驶行为的一些特征,根据这些特征构造了一套行程打分模型,能够有效的对用户的驾驶行为进行评分和指导。
【技术实现步骤摘要】
一种基于驾驶行为的行程打分方法
本专利技术涉及汽车安全驾驶
,更具体地,涉及一种基于驾驶行为的行程打分方法。
技术介绍
现在市场上的车联网产品没有合理的基于驾驶行为的行程评分系统。传统的车联网公司仅仅对用户的驾驶行为进行简要统计,而没有进一步的进行分析。并且传统公司未使用大数据的思维来进行数据的分析以及建模。因此不能有效的对用户的驾驶行为进行评分和指导。
技术实现思路
本专利技术为克服上述现有技术所述的至少一种缺陷,提供一种基于驾驶行为的行程打分方法,能够有效的对用户的驾驶行为进行评分和指导。为解决上述技术问题,本专利技术的技术方案如下:一种基于驾驶行为的行程打分方法,包括构建行程打分模型和打分两个步骤;构建行程打分模型步骤具体包括:S1:对用户的每段行程的急加速、急减速、超速、急转弯数据进行统计,并且基于总体行程时间来计算每秒发生急加速、急减速、超速和急转弯的次数;S2:对每段行程中每秒发生急加速、急减速、超速和急转弯的次数进行统计分析,当行程数趋近于无限大时,急加速、急减速、超速和急转弯的次数均呈正态分布,即:其中,f(x1)每秒发生x1次急加速的概率,μ1表示每秒发生急加速次数的期望,σ1表示每秒发生急加速次数的标准差;f(x2)每秒发生x2次急减速的概率,μ2表示每秒发生急减速次数的期望,σ2表示每秒发生急减速次数的标准差;f(x3)每秒发生x3次超速的概率,μ3表示每秒发生超速次数的期望,σ3表示每秒发生超速次数的标准差;f(x4)每秒发生x4次急转弯的概率,μ4表示每秒发生急转弯次数的期望,σ4表示每秒发生急转弯次数的标准差;打分步骤具体包括:S3:对于用户的一段行程,统计其每秒急加速、急减速、超速、急转弯的次数,分别记为X1、X2、X3和X4;S4:对该行程的急加速、急减速、超速、急转弯分别进行打分,得分分别记为Φ(X1)、Φ(X2)、Φ(X3)和Φ(X4):S5:将急加速、急减速、超速、急转弯的得分转换为百分制,即最终得分分别为Φ(X1)×100、Φ(X2)×100、Φ(X3)×100和Φ(X4)×100。优选地,上述公式中,参数的取值分别为:μ1=0.000230,σ1=0.001068,μ2=0.000086,σ2=0.000662;μ3=0.000385,σ3=0.000892。优选地,所述方法还包括:S6:计算用户行程的综合得分,即:Φ(X1)×25+Φ(X2)×25+Φ(X3)×25+Φ(X4)×25。与现有技术相比,本专利技术技术方案的有益效果是:本专利技术提供一种基于驾驶行为的行程打分方法,包括构建行程打分模型和打分两个步骤;构建行程打分模型步骤对每段行程中每秒发生急加速、急减速、超速和急转弯的次数进行统计分析,当行程数趋近于无限大时,急加速、急减速、超速和急转弯的次数均呈正态分布;打分步骤对于用户的一段行程,统计其每秒急加速、急减速、超速、急转弯的次数,并对该行程的急加速、急减速、超速、急转弯分别进行打分并转换为百分制。本专利技术基于大量驾驶行为数据,通过对驾驶行为数据的清洗以及预加工,发现用户驾驶行为的一些特征,根据这些特征构造了一套行程打分模型,能够有效的对用户的驾驶行为进行评分和指导。附图说明图1为本专利技术基于驾驶行为的行程打分方法的流程图。图2为5000000条行程中每秒发生急加速次数的统计图。图3为5000000条行程中每秒发生急减速次数的统计图。图4为5000000条行程中每秒发生超速次数的统计图。图5为二项分布和正态分布的对比图。具体实施方式附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例1一种基于驾驶行为的行程打分方法,包括构建行程打分模型和打分两个步骤;构建行程打分模型步骤具体包括:S1:选取用户的5000000条行程的急加速、急减速、超速、急转弯数据进行统计,并且基于总体行程时间来计算每秒发生急加速、急减速、超速和急转弯的次数;本实施例抽取了5000000条行程数据并绘制了急加速、急减速、超速的散点图,图2为5000000条行程中,每秒发生急加速次数的统计图,横坐标表示数据的编号,单位为千条,纵坐标表示次数,单位为次。图3为5000000条行程中,每秒发生急减速次数的统计图,横坐标表示数据的编号,单位为千条,纵坐标表示次数,单位为次。图4为5000000条行程中,每秒发生超速次数的统计图,横坐标表示数据的编号,单位为千条,纵坐标表示次数,单位为次。S2:对每段行程中每秒发生急加速、急减速、超速和急转弯的次数进行统计分析,当行程数趋近于无限大时,急加速、急减速、超速和急转弯的次数均呈正态分布,即:其中,f(x1)每秒发生x1次急加速的概率,μ1表示每秒发生急加速次数的期望,σ1表示每秒发生急加速次数的标准差;f(x2)每秒发生x2次急减速的概率,μ2表示每秒发生急减速次数的期望,σ2表示每秒发生急减速次数的标准差;f(x3)每秒发生x3次超速的概率,μ3表示每秒发生超速次数的期望,σ3表示每秒发生超速次数的标准差;f(x4)每秒发生x4次急转弯的概率,μ4表示每秒发生急转弯次数的期望,σ4表示每秒发生急转弯次数的标准差;根据图2-4可以发现,大部分用户的行为比较集中,再通过对整体数据分+二项分布图的对比,发现数据整体符合二项分布较偏左。将二项分布中行程数n参数取无限大,近似为正态分布。图5为二项分布和正态分布的对比图。基于正态分布的曲线图分析,总结得出,近似80%以上的行程都是比较集中,而15%的数据相对偏离中心值,5%的数据基本原理中心值。观察出每个维度数据的平均值、标准差、中位数、众数、最大值、最小值,分布情况比较类似。假设三急一超四个维度的数据之间相似性比较低,那么通过对四个维度数据进行皮尔逊相关系数求解得到,四个维度之间的相关系数都在-0.5至0.5之间,这就证明,四个维度的数据不存在强线性相关,那么我们可以把行程分为四个部分进行评分,分别是急加速、急减速、超速、急转弯。各正态分布的相关参数分别为:急加速:(每段行程急加速次数/时间戳差值)的期望值0.000230(每段行程急加速次数/时间戳差值)的标准差0.001068(每段行程急加速次数/时间戳差值)的最小值0.000000(每段行程急加速次数/时间戳差值)的最大值0.025000急减速:(每段行程急减速次数/时间戳差值)的期望值0.000086(每段行程急减速次数/时间戳差值)的标准差0.000662(每段行程急减速次数/时间戳差值)的最小值0.000000(每段行程急减速次数/时间戳差值)的最大值0.020732超速:(每段行程超速次数/时间戳差值)的期望值0.000385(每段行程超速次数/时间戳差值)的标准差0.000892(每段行程超速次数/时间戳差值)的最小值0.000000(每段行程超速次数/时间戳差值)的最大值0.013158打分步骤具体包括:S3:对于用户的一段行程,统计其每秒急加速、急减速、超速、急转弯的次数,分别记为X1、X2、X3和X4;S4:对该行程的急加速、急减速、本文档来自技高网...
【技术保护点】
1.一种基于驾驶行为的行程打分方法,其特征在于,包括构建行程打分模型和打分两个步骤;构建行程打分模型步骤具体包括:S1:对用户的每段行程的急加速、急减速、超速、急转弯数据进行统计,并且基于总体行程时间来计算每秒发生急加速、急减速、超速和急转弯的次数;S2:对每段行程中每秒发生急加速、急减速、超速和急转弯的次数进行统计分析,当行程数趋近于无限大时,急加速、急减速、超速和急转弯的次数均呈正态分布,即:
【技术特征摘要】
1.一种基于驾驶行为的行程打分方法,其特征在于,包括构建行程打分模型和打分两个步骤;构建行程打分模型步骤具体包括:S1:对用户的每段行程的急加速、急减速、超速、急转弯数据进行统计,并且基于总体行程时间来计算每秒发生急加速、急减速、超速和急转弯的次数;S2:对每段行程中每秒发生急加速、急减速、超速和急转弯的次数进行统计分析,当行程数趋近于无限大时,急加速、急减速、超速和急转弯的次数均呈正态分布,即:其中,f(x1)每秒发生x1次急加速的概率,μ1表示每秒发生急加速次数的期望,σ1表示每秒发生急加速次数的标准差;f(x2)每秒发生x2次急减速的概率,μ2表示每秒发生急减速次数的期望,σ2表示每秒发生急减速次数的标准差;f(x3)每秒发生x3次超速的概率,μ3表示每秒发生超速次数的期望,σ3表示每秒发生超速次数的标准差;f(x4)每秒发生x4次急转弯的概率,μ4表示每秒发生急转弯次数的期望,σ4表示每秒发生急转弯...
【专利技术属性】
技术研发人员:殷建红,黄道旭,李宏,林少媚,
申请(专利权)人:广东翼卡车联网服务有限公司,
类型:发明
国别省市:广东,44
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。