本技術(shù)涉及駕駛行為數(shù)據(jù)處理，尤其涉及一種重型貨車駕駛行為數(shù)據(jù)的處理方法、裝置、設(shè)備與介質(zhì)。

背景技術(shù)：

1、重型貨車的排放量日益受到關(guān)注，除了車輛本身的配置因素外，司機(jī)的駕駛行為也是造成高油耗的重要原因。有效監(jiān)管司機(jī)的駕駛行為有助于提高車輛的經(jīng)濟(jì)性。然而，相關(guān)技術(shù)中，重型貨車司機(jī)駕駛行為評價的準(zhǔn)確性仍存在提升空間。

2、因此，亟需提出一種新的重型貨車駕駛行為數(shù)據(jù)處理方法。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供一種重型貨車駕駛行為數(shù)據(jù)的處理方法、裝置、設(shè)備與介質(zhì)，其解決了重型貨車司機(jī)駕駛行為評價的準(zhǔn)確性有待提升的技術(shù)問題，達(dá)到了對重型貨車司機(jī)駕駛行為評價更加準(zhǔn)確的技術(shù)效果。

2、為了達(dá)到上述目的，本技術(shù)采用的主要技術(shù)方案包括：

3、第一方面，本技術(shù)實施例提供一種重型貨車駕駛行為數(shù)據(jù)的處理方法，所述方法包括：

4、獲取待評估對象駕駛重型貨車過程對應(yīng)的駕駛行為向量；

5、將所述駕駛行為向量輸入至駕駛風(fēng)格識別模型中，所述駕駛風(fēng)格識別模型包括多層級的級聯(lián)模型；所述級聯(lián)模型包括多個子模型；

6、利用第一層級上的多個子模型分別對所述駕駛行為向量進(jìn)行初級特征映射，得到第一概率集合；其中，所述第一概率集合包括第一層級上的每個子模型在多種預(yù)設(shè)駕駛風(fēng)格下的預(yù)測概率；

7、將所述駕駛行為向量和所述第一概率集合共同輸入與所述第一層級相連的第二層級，利用所述第二層級上的多個子模型進(jìn)行高級特征融合，得到第二概率集合；其中，所述第二概率集合包括第二層級上的每個子模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的預(yù)測概率；

8、基于所述第二概率集合確定所述待評估對象的目標(biāo)駕駛風(fēng)格，并根據(jù)所述目標(biāo)駕駛風(fēng)格對應(yīng)的安全表現(xiàn)數(shù)據(jù)和經(jīng)濟(jì)表現(xiàn)數(shù)據(jù)生成所述待評估對象的績效考核數(shù)據(jù)。

9、可選地，所述獲取待評估對象駕駛重型貨車過程對應(yīng)的駕駛行為向量，包括：

10、獲取待評估對象駕駛重型貨車過程中產(chǎn)生的當(dāng)前駕駛行為數(shù)據(jù)；

11、基于所述當(dāng)前駕駛行為數(shù)據(jù)構(gòu)建駕駛行為向量。

12、可選地，所述駕駛風(fēng)格識別模型包括多層級的級聯(lián)森林，所述第一層級的級聯(lián)森林包括多個第一森林模型和多個第二森林模型；

13、所述利用第一層級上的多個子模型分別對所述駕駛行為向量進(jìn)行初級特征映射，得到第一概率集合，包括：

14、利用所述第一層級上的多個第一森林模型和多個第二森林模型分別對所述駕駛行為向量進(jìn)行初級特征映射，得到所述第一概率集合；其中，所述第一概率集合包括每個第一森林模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的第一預(yù)測概率，以及每個第二森林模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的第二預(yù)測概率。

15、可選地，所述駕駛風(fēng)格識別模型包括多層級的級聯(lián)森林，所述第二層級上具有多個第三森林模型和多個第四森林模型；

16、所述利用所述第二層級上的多個子模型進(jìn)行高級特征融合，得到第二概率集合，包括：

17、利用所述第二層級上的多個第三森林模型和多個第四森林模型進(jìn)行高級特征融合，得到所述第二概率集合；其中，所述第二概率集合包括每個第三森林模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的第三預(yù)測概率，以及每個第四森林模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的第四預(yù)測概率。

18、可選地，所述駕駛風(fēng)格識別模型的最后一層級記為第n層級；所述第n層級上具有多個第五森林模型和多個第六森林模型；

19、所述基于所述第二概率集合確定所述待評估對象的目標(biāo)駕駛風(fēng)格，包括：

20、在所述第n層級上，根據(jù)所述第二概率集合和所述駕駛行為向量進(jìn)行駕駛風(fēng)格預(yù)測，得到每個第五森林模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的第五預(yù)測概率，以及每個第六森林模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的第六預(yù)測概率；

21、針對每個預(yù)設(shè)駕駛風(fēng)格，根據(jù)多個所述第五預(yù)測概率和多個所述第六預(yù)測概率進(jìn)行平均計算，得到所述每個預(yù)設(shè)駕駛風(fēng)格對應(yīng)的預(yù)測概率；

22、在所述每個預(yù)設(shè)駕駛風(fēng)格對應(yīng)的預(yù)測概率中確定最大概率，將所述最大概率對應(yīng)的預(yù)設(shè)駕駛風(fēng)格作為所述目標(biāo)駕駛風(fēng)格。

23、可選地，通過以下方式確定所述多種預(yù)設(shè)駕駛風(fēng)格：

24、獲取多個歷史駕駛行為數(shù)據(jù)各自對應(yīng)的歷史駕駛行為向量；

25、確定所述歷史駕駛行為向量對應(yīng)的多個向量簇；

26、響應(yīng)于對所述多個向量簇的標(biāo)注操作，得到所述多種預(yù)設(shè)駕駛風(fēng)格。

27、可選地，所述確定所述歷史駕駛行為向量對應(yīng)的多個向量簇，包括：

28、基于所述歷史駕駛行為向量進(jìn)行相關(guān)性劃分，得到目標(biāo)簇數(shù)；

29、根據(jù)所述目標(biāo)簇數(shù)對所述歷史駕駛行為向量進(jìn)行聚類，得到多個向量簇。

30、第二方面，本技術(shù)實施例提供一種重型貨車駕駛行為數(shù)據(jù)的處理裝置，所述裝置包括：

31、向量獲取模塊，用于獲取待評估對象駕駛重型貨車過程對應(yīng)的駕駛行為向量；

32、向量輸入模塊，用于將所述駕駛行為向量輸入至駕駛風(fēng)格識別模型中，所述駕駛風(fēng)格識別模型包括多層級的級聯(lián)模型；所述級聯(lián)模型包括多個子模型；

33、特征映射模塊，用于利用第一層級上的多個子模型分別對所述駕駛行為向量進(jìn)行初級特征映射，得到第一概率集合；其中，所述第一概率集合包括第一層級上的每個子模型在多種預(yù)設(shè)駕駛風(fēng)格下的預(yù)測概率；

34、特征融合模塊，用于將所述駕駛行為向量和所述第一概率集合共同輸入與所述第一層級相連的第二層級，利用所述第二層級上的多個子模型進(jìn)行高級特征融合，得到第二概率集合；其中，所述第二概率集合包括第二層級上的每個子模型在所述多種預(yù)設(shè)駕駛風(fēng)格下的預(yù)測概率；

35、駕駛風(fēng)格確定模塊，用于基于所述第二概率集合確定所述待評估對象的目標(biāo)駕駛風(fēng)格，并根據(jù)所述目標(biāo)駕駛風(fēng)格對應(yīng)的安全表現(xiàn)數(shù)據(jù)和經(jīng)濟(jì)表現(xiàn)數(shù)據(jù)生成所述待評估對象的績效考核數(shù)據(jù)。

36、第三方面，本技術(shù)實施例提供一種計算機(jī)設(shè)備，包括：

37、存儲器和處理器，所述存儲器和所述處理器之間互相通信連接，所述存儲器中存儲有計算機(jī)指令，所述處理器通過執(zhí)行所述計算機(jī)指令，從而執(zhí)行上述任一實施例中所述的方法。

38、第四方面，本技術(shù)實施例提供一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)指令，所述計算機(jī)指令用于使計算機(jī)執(zhí)行上述任一實施例中所述的方法。

39、本技術(shù)實施例中，首先獲取待評估對象駕駛重型貨車過程對應(yīng)的駕駛行為向量；然后將駕駛行為向量輸入至駕駛風(fēng)格識別模型中，駕駛風(fēng)格識別模型包括多層級的級聯(lián)模型；級聯(lián)模型包括多個子模型；接著利用第一層級上的多個子模型分別對駕駛行為向量進(jìn)行初級特征映射，得到第一概率集合；再接著將駕駛行為向量和第一概率集合共同輸入與第一層級相連的第二層級，利用第二層級上的多個子模型進(jìn)行高級特征融合，得到第二概率集合，最后基于第二概率集合確定待評估對象的目標(biāo)駕駛風(fēng)格，并根據(jù)目標(biāo)駕駛風(fēng)格對應(yīng)的安全表現(xiàn)數(shù)據(jù)和經(jīng)濟(jì)表現(xiàn)數(shù)據(jù)生成待評估對象的績效考核數(shù)據(jù)。通過多個層級的級聯(lián)結(jié)構(gòu)，逐步優(yōu)化和增強(qiáng)駕駛行為特征，從而提升待評估對象績效考核數(shù)據(jù)的準(zhǔn)確度。