一种使用手机实现基于ADAS的用户驾驶行为评分方法

摘要

本发明涉及一种智能数据分析的方法，具体公开了一种利用智能手机基于ADAS技术及回归模型的用户驾驶行为评分方法。本发明通过在智能手机上安装APP软件，并将智能手机安装于车辆上，利用智能手机的摄像头及其他传感器采集与事故直接相关的各类ADAS预警数据，结合“三急”类数据及其他驾驶行为数据，并基于logistic回归模型对用户驾驶行为进行评分。本发明的优点是可实现更精准、更轻便的用户驾驶风险识别，而且设备成本也较低廉，利于本技术的推广应用。

说明书

技术领域

本发明涉及一种智能数据分析的方法，具体涉及一种利用智能手机基于ADAS技术及回归模型的用户驾驶行为评分方法。

背景技术

现有的用户驾驶行为评分方法主要使用OBD(On-Board Diagnostic)或智能手机收集的用户“三急”类数据，即用户驾驶过程中的急加速、急刹车、急转弯数据，通过分别计算每种驾驶行为的得分及赋予各种驾驶行为一定的权重，得到用户驾驶行为最终得分；现有方法存在两个方面的局限性：一是使用的数据主要是车辆自身运动数据，没有考虑与外部环境之间的相关数据，使用的用户驾驶行为数据维度略显不足，难以全面反映用户驾驶行为；二是对于不是通过智能手机收集数据的方式，需要开发额外的硬件设备，成本较高且推广难度较大。

发明内容

本发明的目的是为了解决现有的用户驾驶行为评分方法使用的数据维度不足、以及部分方法需要额外开发硬件导致成本较高且推广难度较大的问题，利用智能手机的摄像头及其他传感器采集与事故直接相关的各类ADAS预警数据，结合“三急”类数据及其他驾驶行为数据，实现一种基于智能手机的更精准、更轻便的用户驾驶行为评分方法。

本发明是通过下述技术方案得以实现的：

一种使用手机实现基于ADAS的用户驾驶行为评分方法，其特征在于包括步骤如下：

步骤1、在智能手机上安装APP软件

其中的APP软件是指能够通过智能手机的摄像头及其他传感器完成各类ADAS预警数据、“三急”类数据及其他驾驶行为数据收集工作的软件；需要在用户的智能手机上安装相应的APP；智能手机APP软件对于实现上述功能，可以通过技术人员的软件开发予以实现；

步骤2、在车辆上固定智能手机

将安装有APP软件的智能手机放置于车辆上；利用智能手机的摄像头及其他传感器来收集各类ADAS预警数据，需要在行车之前将用户的智能手机固定在车辆上，比如固定在车辆的前档玻璃上。

步骤3、通过智能手机收集用户驾驶行为样本数据

将用户在一定期间内的驾驶行为数据通过智能手机进行采集，包括：ADAS预警数据、车辆自身运动数据、驾驶时环境数据；随着模型的建立，对于数据种类的需求也会相应发生变化，但这些都是需要通过传感器等进行采集；

其中，ADAS预警数据包括：前碰撞预警百公里频次、车道偏离预警百公里频次、骑线行驶报警百公里频次、疲劳驾驶预警百公里频次、驾车时操作手机时间占比、超速行驶百公里频次、交通违章百公里频次；

车辆自身运动数据包括：急加速百公里频次、急刹车百公里频次、急转弯百公里频次、年化行驶里程数；

驾驶时环境数据包括：城市道路里程占比、熟悉路段里程占比、高危时段驾车时间占比、恶劣天气驾车时间占比；

步骤4、收集用户车辆出险样本数据

收集用户一定期间发生车险事故数据，如用户发生车险事故，且用户为负有责任，则认定该用户在这期间内“发生事故”，否则为“未出险”；用户发生车险事故，可以根据交通事故责任认定用户负有责任，通过技术判定也可以。

步骤5、上传样本数据到服务器

将采集的样本用户的驾驶行为数据及车辆出险数据上传至服务器；由于智能手机的处理能力有限，为了本技术方案的正常实现，所以将所采集到的数据传输到服务器，由处理能力强大的服务器进行处理；

步骤6、建立样本数据回归模型

由步骤5上传至服务器的样本数据，建立样本数据的回归模型，

步骤3中收集的用户驾驶行为数据有k种，即用户驾驶行为用k个解释变量x₁,x₂,…,x_k描述；步骤3样本中用户数量为n，对于第i个用户，其对应的解释变量为x_1i,x_2i,…,x_ki；回归模型中k个解释变量对应的系数分别为β₁,β₂,…,β_k，另外模型的截距项为β₀；模型的因变量记为y，对于第i个用户，步骤4中该用户在一年度内“发生事故”，y_i记为1，“未出险”y_i则记为0；利用贝努利分布假设下的logistic回归模型为：

其中g()为logistic回归模型的连接函数，

π_i为第i个用户的出险概率

为第i个用户的解释向量，

β为logistic回归模型的回归系数向量，β＝[β₀,β₁,β₂,...,β_k]^T

根据样本的因变量y，采用迭代加权最小二乘估计或直接用R语言中的gamlss函数确定以上logistic回归模型的回归系数向量β，从而可得第i个用户的出险概率为：

步骤7、收集待评价用户驾驶行为数据

对于任意一个待评价用户，执行步骤1至步骤3收集其一段时间内的驾驶行为数据，并按1个年度期间进行标准化，得到解释向量[1,x₁,x₂,…,x_k]；

步骤8、预计待评价用户出险概率

根据步骤6确定的logistic回归模型的回归系数向量[β₀,β₁,β₂,...,β_k]，及步骤7获得的待评价用户的解释向量[1,x₁,x₂,…,x_k]，可得到该用户1个年度内的出险概率估计值：

步骤9、待评价用户驾驶行为评分

根据步骤8获得的该用户1个年度内的出险概率估计值确定其驾驶行为评分S为：

由上式确定的用户驾驶行为评分S和用户出险概率π之间存在一一对应关系，如得分为0的客户在一个年度内的出险概率预计值为100％；得分为60的客户在一个年度内的出险概率预计值为40％；得分为80的客户在一个年度内的出险概率预计值为20％；得分为100的客户在一个年度内的出险概率预计值为0％。

作为优选，上述的一种用户驾驶行为评分方法，其中步骤3、步骤4中的一定期间为不少于半年，样本数据的采集量不少于5000。

有益效果：

本发明实现的是一种基于智能手机的用户驾驶行为评分方法，利用智能手机的摄像头及其他传感器采集与事故直接相关的各类ADAS预警数据，结合“三急”类数据及其他驾驶行为数据，并基于logistic回归模型对用户驾驶行为进行评分，可实现更精准、更轻便的用户驾驶风险识别，而且设备成本也较低廉，利于本技术的推广应用。

附图说明

图1本发明的流程示意图

具体实施方式

下面对本发明的实施作具体说明：

实施例1

一种使用手机实现基于ADAS的用户驾驶行为评分方法，其特征在于包括步骤如下：

步骤1、在智能手机上安装APP软件

其中的APP软件是指能够通过智能手机的摄像头及其他传感器完成各类ADAS预警数据、“三急”类数据及其他驾驶行为数据收集工作的软件；需要在用户的智能手机上安装相应的APP；

步骤2、在车辆上固定智能手机

将安装有APP软件的智能手机放置于车辆上；利用智能手机的摄像头及其他传感器来收集各类ADAS预警数据，需要在行车之前将用户的智能手机固定在车辆的前档玻璃上。

步骤3、通过智能手机收集用户驾驶行为样本数据

将用户在一定期间内的驾驶行为数据通过智能手机进行采集，包括：ADAS预警数据、车辆自身运动数据、驾驶时环境数据；随着模型的建立，对于数据种类的需求也会相应发生变化，但这些都是需要通过传感器等进行采集；

其中，ADAS预警数据包括：前碰撞预警百公里频次、车道偏离预警百公里频次、骑线行驶报警百公里频次、疲劳驾驶预警百公里频次、驾车时操作手机时间占比、超速行驶百公里频次、交通违章百公里频次；

车辆自身运动数据包括：急加速百公里频次、急刹车百公里频次、急转弯百公里频次、年化行驶里程数；

驾驶时环境数据包括：城市道路里程占比、熟悉路段里程占比、高危时段驾车时间占比、恶劣天气驾车时间占比；

步骤4、收集用户车辆出险样本数据

收集用户在一年期间发生车险事故数据，如用户发生车险事故，且用户为负有责任，则认定该用户在这期间内“发生事故”，否则为“未出险”；用户发生车险事故，可以根据交通事故责任认定用户负有责任，通过技术判定也可以。

步骤5、上传样本数据到服务器

将采集的样本用户的驾驶行为数据及车辆出险数据上传至服务器；由于智能手机的处理能力有限，为了本技术方案的正常实现，所以将所采集到的数据传输到服务器，由处理能力强大的服务器进行处理；

步骤6、建立样本数据回归模型

由步骤5上传至服务器的样本数据，建立样本数据的回归模型，

步骤3中收集的用户驾驶行为数据有k种，即用户驾驶行为用k个解释变量x₁,x₂,…,x_k描述；步骤3样本中用户数量为n，对于第i个用户，其对应的解释变量为x_1i,x_2i,…,x_ki；回归模型中k个解释变量对应的系数分别为β₁,β₂,…,β_k，另外模型的截距项为β₀；模型的因变量记为y，对于第i个用户，步骤4中该用户在一年度内“发生事故”，y_i记为1，“未出险”y_i则记为0；利用贝努利分布假设下的logistic回归模型为：

其中g()为logistic回归模型的连接函数，

π_i为第i个用户的出险概率

为第i个用户的解释向量，

β为logistic回归模型的回归系数向量，β＝[β₀,β₁,β₂,...,β_k]^T

根据样本的因变量y，采用迭代加权最小二乘估计或直接用R语言中的gamlss函数确定以上logistic回归模型的回归系数向量β，从而可得第i个用户的出险概率为：

步骤7、收集待评价用户驾驶行为数据

对于任意一个待评价用户，执行步骤1至步骤3收集其一年时间内的驾驶行为数据，并按1个年度期间进行标准化，得到解释向量[1,x₁,x₂,…,x_k]；

步骤8、预计待评价用户出险概率

根据步骤6确定的logistic回归模型的回归系数向量[β₀,β₁,β₂,...,β_k]，及步骤7获得的待评价用户的解释向量[1,x₁,x₂,…,x_k]，可得到该用户1个年度内的出险概率估计值：

步骤9、待评价用户驾驶行为评分

根据步骤8获得的该用户1个年度内的出险概率估计值确定其驾驶行为评分S为：

由上式确定的用户驾驶行为评分S和用户出险概率π之间存在一一对应关系，如得分为0的客户在一个年度内的出险概率预计值为100％；得分为60的客户在一个年度内的出险概率预计值为40％；得分为80的客户在一个年度内的出险概率预计值为20％；得分为100的客户在一个年度内的出险概率预计值为0％。

本发明利用智能手机的摄像头及其他传感器采集与事故直接相关的各类ADAS预警数据，丰富了用户驾驶行为数据维度，实现了一种基于智能手机的更精准、更轻便的用户驾驶行为评分方法。