本發(fā)明涉及一種智能數(shù)據(jù)分析的方法，具體涉及一種利用智能手機基于ADAS技術(shù)及回歸模型的用戶駕駛行為評分方法。

背景技術(shù)：

現(xiàn)有的用戶駕駛行為評分方法主要使用OBD(On-Board Diagnostic)或智能手機收集的用戶“三急”類數(shù)據(jù)，即用戶駕駛過程中的急加速、急剎車、急轉(zhuǎn)彎數(shù)據(jù)，通過分別計算每種駕駛行為的得分及賦予各種駕駛行為一定的權(quán)重，得到用戶駕駛行為最終得分；現(xiàn)有方法存在兩個方面的局限性：一是使用的數(shù)據(jù)主要是車輛自身運動數(shù)據(jù)，沒有考慮與外部環(huán)境之間的相關(guān)數(shù)據(jù)，使用的用戶駕駛行為數(shù)據(jù)維度略顯不足，難以全面反映用戶駕駛行為；二是對于不是通過智能手機收集數(shù)據(jù)的方式，需要開發(fā)額外的硬件設(shè)備，成本較高且推廣難度較大。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有的用戶駕駛行為評分方法使用的數(shù)據(jù)維度不足、以及部分方法需要額外開發(fā)硬件導(dǎo)致成本較高且推廣難度較大的問題，利用智能手機的攝像頭及其他傳感器采集與事故直接相關(guān)的各類ADAS預(yù)警數(shù)據(jù)，結(jié)合“三急”類數(shù)據(jù)及其他駕駛行為數(shù)據(jù)，實現(xiàn)一種基于智能手機的更精準、更輕便的用戶駕駛行為評分方法。

本發(fā)明是通過下述技術(shù)方案得以實現(xiàn)的：

一種使用手機實現(xiàn)基于ADAS的用戶駕駛行為評分方法，其特征在于包括步驟如下：

步驟1、在智能手機上安裝APP軟件

其中的APP軟件是指能夠通過智能手機的攝像頭及其他傳感器完成各類ADAS預(yù)警數(shù)據(jù)、“三急”類數(shù)據(jù)及其他駕駛行為數(shù)據(jù)收集工作的軟件；需要在用戶的智能手機上安裝相應(yīng)的APP；智能手機APP軟件對于實現(xiàn)上述功能，可以通過技術(shù)人員的軟件開發(fā)予以實現(xiàn)；

步驟2、在車輛上固定智能手機

將安裝有APP軟件的智能手機放置于車輛上；利用智能手機的攝像頭及其他傳感器來收集各類ADAS預(yù)警數(shù)據(jù)，需要在行車之前將用戶的智能手機固定在車輛上，比如固定在車輛的前檔玻璃上。

步驟3、通過智能手機收集用戶駕駛行為樣本數(shù)據(jù)

將用戶在一定期間內(nèi)的駕駛行為數(shù)據(jù)通過智能手機進行采集，包括：ADAS預(yù)警數(shù)據(jù)、車輛自身運動數(shù)據(jù)、駕駛時環(huán)境數(shù)據(jù)；隨著模型的建立，對于數(shù)據(jù)種類的需求也會相應(yīng)發(fā)生變化，但這些都是需要通過傳感器等進行采集；

其中，ADAS預(yù)警數(shù)據(jù)包括：前碰撞預(yù)警百公里頻次、車道偏離預(yù)警百公里頻次、騎線行駛報警百公里頻次、疲勞駕駛預(yù)警百公里頻次、駕車時操作手機時間占比、超速行駛百公里頻次、交通違章百公里頻次；

車輛自身運動數(shù)據(jù)包括：急加速百公里頻次、急剎車百公里頻次、急轉(zhuǎn)彎百公里頻次、年化行駛里程數(shù)；

駕駛時環(huán)境數(shù)據(jù)包括：城市道路里程占比、熟悉路段里程占比、高危時段駕車時間占比、惡劣天氣駕車時間占比；

步驟4、收集用戶車輛出險樣本數(shù)據(jù)

收集用戶一定期間發(fā)生車險事故數(shù)據(jù)，如用戶發(fā)生車險事故，且用戶為負有責任，則認定該用戶在這期間內(nèi)“發(fā)生事故”，否則為“未出險”；用戶發(fā)生車險事故，可以根據(jù)交通事故責任認定用戶負有責任，通過技術(shù)判定也可以。

步驟5、上傳樣本數(shù)據(jù)到服務(wù)器

將采集的樣本用戶的駕駛行為數(shù)據(jù)及車輛出險數(shù)據(jù)上傳至服務(wù)器；由于智能手機的處理能力有限，為了本技術(shù)方案的正常實現(xiàn)，所以將所采集到的數(shù)據(jù)傳輸?shù)椒?wù)器，由處理能力強大的服務(wù)器進行處理；

步驟6、建立樣本數(shù)據(jù)回歸模型

由步驟5上傳至服務(wù)器的樣本數(shù)據(jù)，建立樣本數(shù)據(jù)的回歸模型，

步驟3中收集的用戶駕駛行為數(shù)據(jù)有k種，即用戶駕駛行為用k個解釋變量x₁,x₂,…,x_k描述；步驟3樣本中用戶數(shù)量為n，對于第i個用戶，其對應(yīng)的解釋變量為x_1i,x_2i,…,x_ki；回歸模型中k個解釋變量對應(yīng)的系數(shù)分別為β₁,β₂,…,β_k，另外模型的截距項為β₀；模型的因變量記為y，對于第i個用戶，步驟4中該用戶在一年度內(nèi)“發(fā)生事故”，y_i記為1，“未出險”y_i則記為0；利用貝努利分布假設(shè)下的logistic回歸模型為：

其中g(shù)()為logistic回歸模型的連接函數(shù)，

π_i為第i個用戶的出險概率

為第i個用戶的解釋向量，

β為logistic回歸模型的回歸系數(shù)向量，β＝[β₀,β₁,β₂,...,β_k]^T

根據(jù)樣本的因變量y，采用迭代加權(quán)最小二乘估計或直接用R語言中的gamlss函數(shù)確定以上logistic回歸模型的回歸系數(shù)向量β，從而可得第i個用戶的出險概率為：

步驟7、收集待評價用戶駕駛行為數(shù)據(jù)

對于任意一個待評價用戶，執(zhí)行步驟1至步驟3收集其一段時間內(nèi)的駕駛行為數(shù)據(jù)，并按1個年度期間進行標準化，得到解釋向量[1,x₁,x₂,…,x_k]；

步驟8、預(yù)計待評價用戶出險概率

根據(jù)步驟6確定的logistic回歸模型的回歸系數(shù)向量[β₀,β₁,β₂,...,β_k]，及步驟7獲得的待評價用戶的解釋向量[1,x₁,x₂,…,x_k]，可得到該用戶1個年度內(nèi)的出險概率估計值：

步驟9、待評價用戶駕駛行為評分

根據(jù)步驟8獲得的該用戶1個年度內(nèi)的出險概率估計值確定其駕駛行為評分S為：

由上式確定的用戶駕駛行為評分S和用戶出險概率π之間存在一一對應(yīng)關(guān)系，如得分為0的客戶在一個年度內(nèi)的出險概率預(yù)計值為100％；得分為60的客戶在一個年度內(nèi)的出險概率預(yù)計值為40％；得分為80的客戶在一個年度內(nèi)的出險概率預(yù)計值為20％；得分為100的客戶在一個年度內(nèi)的出險概率預(yù)計值為0％。

作為優(yōu)選，上述的一種用戶駕駛行為評分方法，其中步驟3、步驟4中的一定期間為不少于半年，樣本數(shù)據(jù)的采集量不少于5000。

有益效果：

本發(fā)明實現(xiàn)的是一種基于智能手機的用戶駕駛行為評分方法，利用智能手機的攝像頭及其他傳感器采集與事故直接相關(guān)的各類ADAS預(yù)警數(shù)據(jù)，結(jié)合“三急”類數(shù)據(jù)及其他駕駛行為數(shù)據(jù)，并基于logistic回歸模型對用戶駕駛行為進行評分，可實現(xiàn)更精準、更輕便的用戶駕駛風險識別，而且設(shè)備成本也較低廉，利于本技術(shù)的推廣應(yīng)用。

附圖說明

圖1本發(fā)明的流程示意圖

具體實施方式

下面對本發(fā)明的實施作具體說明：

實施例1

一種使用手機實現(xiàn)基于ADAS的用戶駕駛行為評分方法，其特征在于包括步驟如下：

步驟1、在智能手機上安裝APP軟件

其中的APP軟件是指能夠通過智能手機的攝像頭及其他傳感器完成各類ADAS預(yù)警數(shù)據(jù)、“三急”類數(shù)據(jù)及其他駕駛行為數(shù)據(jù)收集工作的軟件；需要在用戶的智能手機上安裝相應(yīng)的APP；

步驟2、在車輛上固定智能手機

將安裝有APP軟件的智能手機放置于車輛上；利用智能手機的攝像頭及其他傳感器來收集各類ADAS預(yù)警數(shù)據(jù)，需要在行車之前將用戶的智能手機固定在車輛的前檔玻璃上。

步驟3、通過智能手機收集用戶駕駛行為樣本數(shù)據(jù)

將用戶在一定期間內(nèi)的駕駛行為數(shù)據(jù)通過智能手機進行采集，包括：ADAS預(yù)警數(shù)據(jù)、車輛自身運動數(shù)據(jù)、駕駛時環(huán)境數(shù)據(jù)；隨著模型的建立，對于數(shù)據(jù)種類的需求也會相應(yīng)發(fā)生變化，但這些都是需要通過傳感器等進行采集；

其中，ADAS預(yù)警數(shù)據(jù)包括：前碰撞預(yù)警百公里頻次、車道偏離預(yù)警百公里頻次、騎線行駛報警百公里頻次、疲勞駕駛預(yù)警百公里頻次、駕車時操作手機時間占比、超速行駛百公里頻次、交通違章百公里頻次；

車輛自身運動數(shù)據(jù)包括：急加速百公里頻次、急剎車百公里頻次、急轉(zhuǎn)彎百公里頻次、年化行駛里程數(shù)；

駕駛時環(huán)境數(shù)據(jù)包括：城市道路里程占比、熟悉路段里程占比、高危時段駕車時間占比、惡劣天氣駕車時間占比；

步驟4、收集用戶車輛出險樣本數(shù)據(jù)

收集用戶在一年期間發(fā)生車險事故數(shù)據(jù)，如用戶發(fā)生車險事故，且用戶為負有責任，則認定該用戶在這期間內(nèi)“發(fā)生事故”，否則為“未出險”；用戶發(fā)生車險事故，可以根據(jù)交通事故責任認定用戶負有責任，通過技術(shù)判定也可以。

步驟5、上傳樣本數(shù)據(jù)到服務(wù)器

將采集的樣本用戶的駕駛行為數(shù)據(jù)及車輛出險數(shù)據(jù)上傳至服務(wù)器；由于智能手機的處理能力有限，為了本技術(shù)方案的正常實現(xiàn)，所以將所采集到的數(shù)據(jù)傳輸?shù)椒?wù)器，由處理能力強大的服務(wù)器進行處理；

步驟6、建立樣本數(shù)據(jù)回歸模型

由步驟5上傳至服務(wù)器的樣本數(shù)據(jù)，建立樣本數(shù)據(jù)的回歸模型，

步驟3中收集的用戶駕駛行為數(shù)據(jù)有k種，即用戶駕駛行為用k個解釋變量x₁,x₂,…,x_k描述；步驟3樣本中用戶數(shù)量為n，對于第i個用戶，其對應(yīng)的解釋變量為x_1i,x_2i,…,x_ki；回歸模型中k個解釋變量對應(yīng)的系數(shù)分別為β₁,β₂,…,β_k，另外模型的截距項為β₀；模型的因變量記為y，對于第i個用戶，步驟4中該用戶在一年度內(nèi)“發(fā)生事故”，y_i記為1，“未出險”y_i則記為0；利用貝努利分布假設(shè)下的logistic回歸模型為：

其中g(shù)()為logistic回歸模型的連接函數(shù)，

π_i為第i個用戶的出險概率

為第i個用戶的解釋向量，

β為logistic回歸模型的回歸系數(shù)向量，β＝[β₀,β₁,β₂,...,β_k]^T

根據(jù)樣本的因變量y，采用迭代加權(quán)最小二乘估計或直接用R語言中的gamlss函數(shù)確定以上logistic回歸模型的回歸系數(shù)向量β，從而可得第i個用戶的出險概率為：

步驟7、收集待評價用戶駕駛行為數(shù)據(jù)

對于任意一個待評價用戶，執(zhí)行步驟1至步驟3收集其一年時間內(nèi)的駕駛行為數(shù)據(jù)，并按1個年度期間進行標準化，得到解釋向量[1,x₁,x₂,…,x_k]；

步驟8、預(yù)計待評價用戶出險概率

根據(jù)步驟6確定的logistic回歸模型的回歸系數(shù)向量[β₀,β₁,β₂,...,β_k]，及步驟7獲得的待評價用戶的解釋向量[1,x₁,x₂,…,x_k]，可得到該用戶1個年度內(nèi)的出險概率估計值：

步驟9、待評價用戶駕駛行為評分

根據(jù)步驟8獲得的該用戶1個年度內(nèi)的出險概率估計值確定其駕駛行為評分S為：

由上式確定的用戶駕駛行為評分S和用戶出險概率π之間存在一一對應(yīng)關(guān)系，如得分為0的客戶在一個年度內(nèi)的出險概率預(yù)計值為100％；得分為60的客戶在一個年度內(nèi)的出險概率預(yù)計值為40％；得分為80的客戶在一個年度內(nèi)的出險概率預(yù)計值為20％；得分為100的客戶在一個年度內(nèi)的出險概率預(yù)計值為0％。

本發(fā)明利用智能手機的攝像頭及其他傳感器采集與事故直接相關(guān)的各類ADAS預(yù)警數(shù)據(jù)，豐富了用戶駕駛行為數(shù)據(jù)維度，實現(xiàn)了一種基于智能手機的更精準、更輕便的用戶駕駛行為評分方法。