[发明专利]一种基于定位数据评估驾驶行为风险的方法及系统

权利要求书

1.一种基于定位数据评估驾驶行为风险的方法，其特征在于，所述方法包括：

对预先采集的车辆驾驶数据进行数据清洗和行程划分，获得车辆行程数据；

提取所述车辆行程数据中的特征字段；

将添加特征字段的车辆行程数据聚合后输入预先构建的决策树模型进行模型训练；

利用训练好的决策树模型预测待测车辆的驾驶行为风险，评估待测车辆驾驶行为的风险指数。

2.根据权利要求1所述的方法，其特征在于，所述对预先采集的车辆驾驶数据进行数据清洗和行程划分，获得车辆行程数据包括：

采集车辆在驾驶过程中的相关数据，包括多个定位点数据，每个定位点数据包括经度、纬度、速度、方向、高度、采集时间和车辆状态；

将多个定位点数据按照所述采集时间进行排序，确定相邻的两个定位点之间的时间间隔；根据各定位点对应的所述时间间隔和速度，将所述定位点数据划分为不同行程区间的车辆行程数据。

3.根据权利要求1所述的方法，其特征在于，提取所述车辆行程数据中的特征字段包括驾驶行为特征和道路特征的相关字段；

其中，所述驾驶行为特征字段包括：里程数、驾驶时长、早晚高峰驾驶时间占比和平均驾驶速度；

所述道路特征字段包括：道路平均限速、三急一超次数和转弯次数。

4.根据权利要求3所述的方法，其特征在于，所述将添加特征字段的车辆行程数据聚合后输入预先建立的决策树模型进行模型训练包括：为所述车辆行程数据添加驾驶行为特征字段和道路特征字段，并以所述特征字段为索引，将车辆行程数据聚合为符合模型训练数据格式的训练数据构成的训练数据集；

将训练数据集中的训练数据输入预先建立的决策树模型进行模型训练，直到模型收敛；

将收敛后的模型保存，用于预测车辆驾驶行为风险；

其中，所述模型训练数据格式是以日、周、月的时间区间生成的日报、周报和月报。

5.根据权利要求3所述的方法，其特征在于，所述决策树模型的预先构建包括：获取训练数据集中各车辆行程数据的驾驶行为特征和道路特征，计算其对应的信息增益；

采用随机森林方法，基于每一车辆行程数据所对应的信息增益，构建根节点和叶子节点，生成多颗决策树，以构成决策树模型；

所述决策树模型为利用多棵决策树对训练数据进行训练并评估的一种分类器，通过在训练阶段建立决策树并输出所有决策树的平均值，作为车辆驾驶行为风险的评估结果。

6.根据权利要求1所述的方法，其特征在于，所述评估待测车辆驾驶行为的风险指数包括；采集待测车辆定位点数据，基于所述定位点数据获得待测车辆的车辆行程数据；将单位时间内的车辆行程数据及相关特征字段经过聚合后输入训练好的决策树模型，利用训练好的决策树模型预测待测车辆的驾驶行为风险，输出待测车辆驾驶行为的风险指数。

7.一种基于定位数据评估驾驶行为风险的系统，其特征在于，所述系统包括：

预处理模块，用于对预先采集的车辆驾驶数据进行数据清洗和行程划分，获得车辆行程数据；

特征提取模块，用于提取所述车辆行程数据中的特征字段；

训练模块，用于将添加特征字段的车辆行程数据聚合后输入预先构建的决策树模型进行模型训练；

风险预测模块，用于利用训练好的决策树模型预测待测车辆的驾驶行为风险，评估待测车辆驾驶行为的风险指数。

8.根据权利要求7所述的系统，其特征在于，所述预处理模块包括：

采集单元，用于采集车辆在驾驶过程中的相关数据，包括多个定位点数据，每个定位点数据包括经度、纬度、速度、方向、高度、采集时间和车辆状态；

清洗单元，用于将多个定位点数据按照所述采集时间进行排序，确定相邻的两个定位点之间的时间间隔；根据各定位点对应的所述时间间隔和速度，将所述定位点数据划分为不同行程区间的车辆行程数据。