CN109032144A - 一种基于大数据的驾驶人个性化驾驶特性学习系统 - Google Patents

Abstract

本发明公开了一种基于大数据的驾驶人个性化驾驶特性学习系统，该系统包括：信息采集模块，包括大数据采集模块和个性化信息采集模块；信息处理模块，包括大数据处理模块和个性化信息分析模块；数据挖掘模块，基于上述信息采集与处理模块得到的结果，综合不同天气状况对应的交通流状态和驾驶人个人情况分析结果，进行融合匹配，得到在不同天气下的符合驾驶人情况的驾驶特性。本发明充分利用了大数据处理方法、数据挖掘、机器学习技术，通过分析驾驶人的行车条件和个人情况，获得并学习驾驶人个性化的驾驶特性，为智能车的车主提供个性化服务。

Description

一种基于大数据的驾驶人个性化驾驶特性学习系统

技术领域

本发明涉及智能驾驶技术，尤其涉及一种基于大数据的驾驶人个性化驾驶特性学习系统。

背景技术

根据国家统计局的统计数据可知，2015年我国的私人汽车拥有量己达到14099.10万辆。汽车由10年前的奢侈消费品变成了今天人们出行时选择最为普遍的常用交通工具之一。但交通事故量也随着汽车数量的增加而增加，仅仅在2015年我国就发生汽车交通事故129155起，汽车交通事故导致的死亡人数为42388人，造成的直接经济损失为89518万元。国内第三军医大学邱俊，就对我国交通事故情况进行过统计分析并指出:“在中国影响道路交通事故的仍以人的因素为主，因驾驶人自身原因直接导致的交通事故占总事故的比例从1996年的83.20％一直增加到2008年的94.90％”。

自动驾驶技术的发展可以弥补人为因素造成交通事故的缺陷，但是目前的自动驾驶更多地按照“风险平衡理论”考虑驾驶人的风险偏好，并没有考虑到驾驶人的其它需求，比如驾驶舒适感、驾驶乐趣、追求更短的驾驶时间等。与“风险平衡理论”较为相似的是芬兰赫尔辛基大学Naatanen,R于1974年提出的“边界模型”。该模型认为，在实际驾驶过程中，驾驶人并非总是追求驾驶安全的最大化，而是在保证一定危险程度的同时，使其他的驾驶需求、动机得到满足。

大数据的概念成为当前诸多领域的研究热点，利用大数据处理、数据挖掘、机器学习等前沿技术，通过分析驾驶人的行车条件和个人情况，获得并学习驾驶人个性化的驾驶特性，可以为智能车的驾驶人提供个性化服务，在保障安全的基础上更好地服务于驾驶人的其他需求。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于大数据的驾驶人个性化驾驶特性学习系统。

本发明解决其技术问题所采用的技术方案是：一种基于大数据的驾驶人个性化驾驶特性学习系统，该系统包括：

信息采集模块、信息处理模块、数据挖掘模块；

信息采集模块，包括大数据采集模块和个性化信息采集模块；其中，大数据采集模块用于采集驾驶人当地天气数据、出行频率较高路段的每天或是每月的交通流数据；个性化信息采集模块用于采集驾驶人日常上下班时间、每次驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限信息；

信息处理模块，包括大数据处理模块和个性化信息分析模块；其中，大数据处理模块用于统计分析驾驶人当地的天气状况数据及相对应的每天或每月的交通流状态数据，剔除异常值，得到不同天气状况下对应的平均交通流状态；个性化信息分析模块基于驾驶人日常上下班时间、每次驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限信息与驾驶人信息标准库进行对比分析，得到符合驾驶人个人情况的驾驶特性；

数据挖掘模块，基于上述信息采集与处理模块得到的结果，综合不同天气状况对应的交通流状态和驾驶人个人情况分析结果，进行融合匹配，得到在不同天气下的符合驾驶人情况的驾驶特性。

按上述方案，所述信息采集模块中出行频率较高路段为月出行大于3次的路段。

按上述方案，所述驾驶人信息标准库为预设驾驶人信息标准数据库。

本发明产生的有益效果是：本发明充分利用了大数据处理方法、数据挖掘、机器学习技术，通过分析驾驶人的行车条件和个人情况，获得并学习驾驶人个性化的驾驶特性，为智能车的车主提供个性化服务。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的总体流程图；

图2是本发明实施例的大数据处理图；

图3是本发明实施例的个人分析图；

图4是本发明实施例的融合匹配图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种基于大数据的驾驶人个性化驾驶特性学习系统，该系统包括：

信息采集模块、信息处理模块、数据挖掘模块。

信息采集模块，包括大数据采集模块和个性化信息采集模块；其中，大数据采集模块用于采集驾驶人当地天气数据、出行频率较高路段的每天或是每月的交通流数据；个性化信息采集模块用于采集驾驶人日常上下班时间、每次驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限信息；

信息处理模块，包括大数据处理模块和个性化信息分析模块；其中，大数据处理模块用于统计分析驾驶人当地的天气状况数据及相对应的每天或每月的交通流状态数据，剔除异常值，得到不同天气状况下对应的平均交通流状态；个性化信息分析模块基于驾驶人日常上下班时间、每次驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限信息与驾驶人信息标准库进行对比分析，得到符合驾驶人个人情况的驾驶特性，如图3；

数据挖掘模块，基于上述信息采集与处理模块得到的结果，综合不同天气状况对应的交通流状态和驾驶人个人情况分析结果，进行融合匹配，得到在不同天气下的符合驾驶人情况的驾驶特性。

如图1所示，本系统通过采集驾驶人当地天气数据、出行频率较高路段的每天或是每月的交通流数据，以及驾驶人日常上班时间、驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限等信息，统计分析驾驶人当地的天气状况数据及相对应的每天或每月的交通流状态数据，剔除异常值，经过预处理得到不同天气状况下对应的平均交通流状态(如图2)，基于驾驶人日常上班时间、驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限等信息进行分析，与相应个人信息匹配驾驶特性的标准库对比，得到符合驾驶人个人情况的驾驶特性。

最后基于信息采集模块获取的驾驶人当地天气状况、交通流的大数据和驾驶人个人相关信息，以及信息处理模块所得到的分析结果，综合进行融合匹配，得到在不同天气下的符合驾驶人情况的驾驶特性，并进行学习，流程如图4。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (3)

1.一种基于大数据的驾驶人个性化驾驶特性学习系统，其特征在于，该系统包括：

信息采集模块、信息处理模块、数据挖掘模块；

信息采集模块，包括大数据采集模块和个性化信息采集模块；其中，大数据采集模块用于采集驾驶人当地天气数据、出行频率较高路段的每天或是每月的交通流数据；个性化信息采集模块用于采集驾驶人日常上下班时间、每次驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限信息；

信息处理模块，包括大数据处理模块和个性化信息分析模块；其中，大数据处理模块用于统计分析驾驶人当地的天气状况数据及相对应的每天或每月的交通流状态数据，剔除异常值，得到不同天气状况下对应的平均交通流状态；个性化信息分析模块基于驾驶人日常上下班时间、每次驾驶距离、身体状况、上车时间、驾龄、车辆类型及年限信息与驾驶人信息标准库进行对比分析，得到符合驾驶人个人情况的驾驶特性；

数据挖掘模块，基于上述信息采集模块与信息处理模块得到的结果，综合不同天气状况对应的交通流状态和驾驶人个人情况分析结果，进行融合匹配，得到在不同天气下的符合驾驶人情况的驾驶特性。

2.根据权利要求1所述的基于大数据的驾驶人个性化驾驶特性学习系统，其特征在于，所述信息采集模块中出行频率较高路段为月出行大于3次的路段。

3.根据权利要求1所述的基于大数据的驾驶人个性化驾驶特性学习系统，其特征在于，所述驾驶人信息标准库为预设驾驶人信息标准数据库。