运营车辆的风险预警方法、装置、存储介质及计算机设备

技术领域

本发明涉及人工智能及大数据处理技术领域，尤其是涉及一种运营车辆的风险预警方法、装置、存储介质及计算机设备。

背景技术

随着我国汽车工业的迅猛发展以及国民生活水平的不断提高，汽车逐渐成为居民生活中一项非常重要的交通工具。在此背景下，汽车租赁服务也因为迎合了部分用户临时用车的需求而越来越受到市场的欢迎。但是，租赁车辆(也称运营车辆)在运行的过程中可能会出现一些风险问题，如丢失、改装和损坏等等，为了避免此类问题，出租方通常会在运营车辆上安装上GPS装置，然后通过GPS装置对运营车辆进行实时监控，以及时发现运营车辆在运营过程中出现的各类风险。

在现有技术中，运营车辆的风险预警系统主要是针对运营车辆的行驶轨迹、车辆位置和行驶速度等信息进行实时监测，然后根据实时监测的结果发出车辆的风险预警信息，但是，此类风险预警信息中掺杂了大量的噪音，系统无法分辨出哪些风险预警信息是有效的，哪些是无效的，这极大的降低了运营车辆风险预警的准确度，增加了后端处理风险预警信息人员的工作量，提高了运营车辆风险预警的人工成本和处理时间。

发明内容

有鉴于此，本申请提供了一种运营车辆的风险预警方法、装置、存储介质及计算机设备，主要目的在于解决运营车辆的风险预警结果准确性差且人工处理成本高的技术问题。

根据本发明的第一个方面，提供了一种运营车辆的风险预警方法，该方法包括：

获取待监测车辆的位置数据和速度数据；

根据预设的规则引擎，对所述待监测车辆的位置数据和速度数据进行预警识别，得到待监测车辆的初始预警信息；

根据所述初始预警信息在预设时段内的发生次数，对所述待监测车辆的初始预警信息进行过滤处理，得到过滤后的预警信息；

通过预训练的风险预警模型，对所述过滤后的预警信息进行风险预测，得到待监测车辆的风险预警信息。

根据本发明的第二个方面，提供了一种运营车辆的风险预警装置，该装置包括：

数据获取模块，用于获取待监测车辆的位置数据和速度数据；

预警识别模块，用于根据预设的规则引擎，对所述待监测车辆的位置数据和速度数据进行预警识别，得到待监测车辆的初始预警信息；

预警过滤模块，用于根据所述初始预警信息在预设时段内的发生次数，对所述待监测车辆的初始预警信息进行过滤处理，得到过滤后的预警信息；

风险预测模块，用于通过预训练的风险预警模型，对所述过滤后的预警信息进行风险预测，得到待监测车辆的风险预警信息。

根据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述运营车辆的风险预警方法。

根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述运营车辆的风险预警方法。

本发明提供的一种运营车辆的风险预警方法、装置、存储介质及计算机设备，首先获取了待监测车辆的位置数据和速度数据，然后利用规则引擎对采集到的各类数据进行预警识别，得到初始预警信息，进而根据初始预警信息在预设时段内的发生次数对初始预警信息进行过滤，最后通过预训练的风险预警模型对过滤后的预警信息进行风险预测，得到待监测车辆的风险预警信息。上述方法通过初始预警信息在预设时段内的发生次数对初始预警信息进行过滤，可以有效的减少硬件设备损坏和信号丢失等硬件原因导致的错误预警，通过预先训练的风险预测模型对过滤后的预警信息进行过滤，可以进一步减少无明显预警特征的错误预警，基于此，上述方法可以对运营车辆发出预警信息进行准确降噪，从而有效的提高风险预警的准确度以及人工处理预警信息的效率，并降低人工处理预警信息的成本。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了本发明实施例提供的一种运营车辆的风险预警方法的流程示意图；

图2示出了本发明实施例提供的一种运营车辆的风险预警装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在一个实施例中，如图1所示，提供了一种运营车辆的风险预警方法，以该方法应用于服务器等计算机设备为例进行说明，可以包括以下步骤：

101、获取待监测车辆的位置数据和速度数据。

其中，待监测车辆指的是需要进行风险监测的运营车辆，运营车辆指的是由车辆运营方或由车辆出租方以出租、经租、自营等方式提供给车辆承租方或提供给个体司机的车辆。在本实施例中，计算机设备可以通过安装在待监测车辆上的GPS装置实时采集待监测车辆的位置数据(即待监测车辆在各个时刻下的经纬度坐标值)和速度数据(即待监测车辆在各个时刻下的当前车速)，然后，计算机设备可以将采集到的位置数据和速度数据存储在数据库中，以便于随时进行调取。可以理解的是，待监测车辆的数量可以为一台或多台，待监测车辆的位置数据和速度数据可以随着时间的推移而不断变化。

102、根据预设的规则引擎，对待监测车辆的位置数据和速度数据进行预警识别，得到待监测车辆的初始预警信息。

其中，规则引擎指的是预先设定的产生初始预警信息的规则和条件。通常来说，规则引擎可以包括各种预警类型的触发条件和报警阈值，其中，预警类型可以包括围栏预警、设备分离预警、超长驻停预警、信号丢失预警和设备拆除预警等；报警阈值可以包括时间阈值和/或空间阈值等。

具体的，计算机设备可以将实时采集到的位置数据和速度数据与规则引擎中的各种预警类型的触发条件和报警阈值进行比较，当待监测车辆的位置数据和速度数据满足某一种预警类型的触发条件和报警阈值时，即生成对应预警类型的初始预警信息。例如，以围栏预警中的驶出围栏预警的规则来说，其触发条件是运营车辆的定位点在地图上画好的闭合区域之外，报警阈值为在围栏外两公里(空间阈值)且持续2个小时(时间阈值)，那么，当待监测车辆的位置数据和速度数据匹配到规则引擎中的这两个条件时，就会生成围栏预警的初始预警信息，其它预警类型也类似，这里，为了便于说明各个预警类型的具体含义，下面提供几个预警类型的定义可供参考。

在本实施例中，围栏预警指的是运营车辆驶出预先规定的运营围栏2公里且时长超过60分钟时触发的预警；设备分离预警指的是无源设备信号上报时与同一辆车上安装的其它有源设备之间的最大距离超过8公里时触发的报警；超长驻停预警指的是运营车辆的速度小于3公里/小时或位置偏移量小于200米且时长超120小时触发的预警；信号丢失预警指的是车辆处于离线状态时，无源设备定位时间超过72小时或有源设备定位时间超过24小时触发的报警；设备拆除预警指的是无源设备发出光敏报警持续1小时或有源设备发出断电报警持续24小时，或有源设备去掉EHS3、B30EV、E111时触发的报警。需要说明的是，上述各个预警类型的定义仅作为一种举例，且各种预警类型的定义均可以根据实际情况进行调整，此外，除上述几种预警类型之外，还可以包括其他的预警类型，本实施例在此不再一一赘述。

103、根据初始预警信息在预设时段内的发生次数，对待监测车辆的初始预警信息进行过滤处理，得到过滤后的预警信息。

具体的，在得到待监测车辆的初始预警信息之后，计算机设备可以统计待监测车辆在预设时间段内(例如15天内)发生同类型的初始预警信息的次数是否偏离正常范围，如果发现同类型的初始预警信息在预设时段内的发生次数明显偏离正常范围，则可认为是车辆的硬件设备本身出现问题，此时，可以对该初始预警信息进行过滤处理，而只保留下过滤后的预警信息。在本实施例中，判断初始预警信息在预设时段内的发生次数是否偏离正常范围的方法可以有多种，例如，可以预先设定一个预警次数阈值，当初始预警信息在预设时段内的发生次数超过该阈值时，可以认为初始预警信息的发生次数偏离正常范围；或者也可以将过去一段时间内各预警类型的预警信息的发生次数绘制为各预警类型对应的正态分布图，当初始预警信息在预设时段内的发生次数超过对应预警类型的预警发生次数的均值3倍标准差时，可以认为初始预警信息的发生次数偏离正常范围。

本实施例中，设备安装、道路条件和信号环境等各种因素均会导致频繁、周期性的预警产生。例如，当设备安装接触不良或道路条件较为颠簸时，可能会出现频繁的设备拆除预警，当车联驶入地下停车场、隧道或者网络信号不佳的场所时，可能会出现频繁的信号丢失预警，但是这类预警并不构成真正的风险，因此，一旦待监测车辆频繁或周期性的出现与设备相关的某类预警时，就可以对相应类型的预警进行过滤，从而排除掉一些客观因素导致的误预警。本步骤通过基于历史数据统计结果对这类初始预警信息进行过滤处理，可以较为有效的对设备因素导致的无效预警进行剔除。

104、通过预训练的风险预警模型，对过滤后的预警信息进行风险预测，得到待监测车辆的风险预警信息。

具体的，在对初始预警信息进行过滤之后，计算机设备可以将过滤后的预警信息输入到预先训练好的风险预警模型中，其中，风险预警模型可以基于历史预警信息以及历史预警信息的风险识别结果训练得到，此外，风险预警模块所采用的模型框架可以是各类机器学习模型和深度学习模型，如神经网络模型或决策树模型等等，本实施例在此不做具体限定。进一步的，在将预警信息输入到风险预警模型之后，可以得到预警信息的判断结果，其中，预警信息的判断结果可以为二分类结果，如“有风险”和“无风险”，也可以是概率结果，如“风险概率为80％”等等，进一步的，当预警信息的判断结果为“有风险”或“风险概率80％”等超过预先设定的风险阈值的结果时，认为输入的预警信息存在风险，此时，可以对此类预警信息进行输出，从而得到待监测车辆的风险预警信息。本步骤通过风险预警模型对预警信息进行风险预测，可以将符合无风险特征信息的预警信息滤除出去，进一步减少了误预警和无效预警的数量，提高了预警的准确度。

本实施例提供的运营车辆的风险预警方法，首先获取了待监测车辆的位置数据和速度数据，然后利用规则引擎对采集到的各类数据进行预警识别，得到初始预警信息，进而根据初始预警信息在预设时段内的发生次数对初始预警信息进行过滤，最后通过预训练的风险预警模型对过滤后的预警信息进行风险预测，得到待监测车辆的风险预警信息。上述方法通过初始预警信息在预设时段内的发生次数对初始预警信息进行过滤，可以有效的减少硬件设备损坏和信号丢失等硬件原因导致的错误预警，通过预先训练的风险预测模型对过滤后的预警信息进行过滤，可以进一步减少无明显预警特征的错误预警，基于此，上述方法可以对运营车辆发出预警信息进行准确降噪，从而有效的提高风险预警的准确度以及人工处理预警信息的效率，并降低人工处理预警信息的成本。

在一个实施例中，步骤101可以通过以下方式实现：首先通过安装在待监测车辆上的GPS装置，实时采集待监测车辆的位置数据(即待监测车辆在各个时刻下的经纬度坐标值)，然后根据实时采集的待监测车辆的位置数据，生成待监测车辆的速度数据(即待监测车辆在各个时刻下的当前车速)。其中，GPS装置指的是汽车租赁方安装在车辆上进行位置监控的设备，一般分为有源和无源两种GPS，有源GPS需要连接车辆电瓶，无源则不需要。在本实施例中，计算机设备可以根据实时采集的位置数据换算出车辆的速度数据，然后将实时的位置数据和速度数据存储在数据库中，以便于计算机随时调取。

在一个实施例中，步骤102可以通过以下方式实现：实时或者周期性的判断待监测车辆的位置数据和/或速度数据是否满足规则引擎中各个预警类型对应的触发条件和报警阈值，当待监测车辆的位置数据和/或速度数据满足规则引擎中任一项预警类型对应的触发条件和报警阈值时，可以生成与该预警类型对应的初始预警信息。其中，初始预警信息的预警类型可以包括围栏预警、设备分离预警、超长驻停预警、信号丢失预警和设备拆除预警中的一种或多种；报警阈值可以包括时间阈值和/或空间阈值等。在本实施例中，只要待监测车辆的位置数据和/或速度数据满足规则引擎中的任一项预警类型对应的触发条件和报警阈值，即可生成相应预警类型的初始预警信息。其中，初始预警信息的数量可以为一个或多个，多个初始预警信息的类型可以相同或者不同。本实施例通过将待监测车辆的位置数据和/或速度数据与规则引擎中的各个预警类型对应的触发条件和报警阈值进行比对，可以及时的发现位置数据和速度数据中蕴藏的预警信息，从而有效的提高发现预警信息的及时性。

在一个实施例中，在步骤103之前，上述运营车辆的风险预警方法还可以包括以下步骤：首先在预设的地理范围(如一个城市范围内)和时间范围内(如15天内)，对每种预警类型的风险预警信息进行统计分析，得到各个地理范围内每种预警类型的预警次数均值及标准差，然后根据各个地理范围内(各个城市范围内)的每种预警类型的预警次数均值及标准差，生成各个地理范围内每种预警类型的预警次数阈值，如将每种预警类型的预警次数阈值设定为每种预警类型的预警次数均值的3倍标准差，最后将各个地理范围内的每种预警类型的预警次数阈值存储在数据库中，以备查询。本实施例通过根据各个地理范围内的每种预警类型的预警次数均值及标准差生成预警次数阈值，可以利用数据统计规律中的正态分布规律将预警发生次数明显偏离正常范围的预警过滤出去，从而提高预警信息过滤的准确性。

在一个实施例中，步骤103可以通过以下方式实现：首先获取初始预警信息的预警类型和待监测车辆所在的地理范围，然后根据初始预警信息的预警类型和待监测车辆所在的地理范围，在数据库中获取相应预警类型和地理范围所对应的预警次数阈值，当初始预警信息在预设时段内的发生次数大于该预警次数阈值时，可以对该初始预警信息进行过滤处理，从而得到过滤后的预警信息。本实施例通过历史数据统计结果对频繁或周期性出现的初始预警信息进行过滤处理，可以有效的排除掉一些由于客观因素导致的误预警，从而减少后续步骤的数据处理量，并提高预警的准确性。

在一个实施例中，步骤104中的风险预警模型可以通过如下方式进行训练：首先获取多个运营车辆的多个历史风险预警信息，其中，每个历史风险预警信息对应一个风险识别结果(有风险、无风险或风险出现的概率)，然后从每个运营车辆的每个历史风险预警信息中分别提取出多个特征信息，包括预警发生时间、预警持续时间、预警地理位置、预警车辆所在公司、预警车辆车型和预警GPS设备类型等等，最后根据历史风险预警信息的特征信息和风险识别结果，构建一个二分类决策树，并对该二分类决策树进行迭代训练，得到风险预警模型。本实施例通过历史风险预警信息中的多种特征信息以及标注好的风险识别结果对决策树进行训练，并通过训练好的决策树对预警信息进行预测，可以便捷的将不符合有风险特征信息的预警信息滤除出去，从而进一步减少误预警和无效预警的数量，提高预警的准确度。这里，为了说明历史风险预警信息中各项特征信息的具体含义，下面提供几个特征信息的定义和示例可供参考。

其中，预警发生时间可以取预警发生时的整点时间，例如15：30的预警，可以取15作为预警发生时间；预警持续时间可以取预警发生时间与当前时间的小时差，例如今天早上8点发生的预警，如果15点触发预警，则将小时差为7作为预警持续时间；预警地理位置可以取预警发生时的经纬度信息；预警车辆所在公司可以取运营车辆所在公司的ID标识；预警车辆车型可以取运营车辆的车型对应的ID序号；预警GPS设备类型可以取有源设备或无源设备对应的ID标识。需要说明的是，上述各种特征信息仅作为一种举例，各种特征信息的提取方式可以根据实际情况进行调整，本实施例在此不做具体限定。

在一个实施例中，在步骤104之后，上述种运营车辆的风险预警方法还可以包括以下步骤：首先，通过即时通讯软件、邮件或消息等方式将待监测车辆的风险预警信息发送至维护人员处，以使维护人员对筛选出的风险预警信息进行处理，然后获取维护人员发送的针对风险预警信息的预警处理信息，并从预警处理信息中提取出风险预警信息的风险识别结果，并根据提取出的风险识别结果对风险预警信息进行标记，最后接收用户发送的数据查询请求，并根据数据查询请求，查询出待监测车辆的风险预警信息及其风险识别结果并进行展示。本实施例通过将筛选出的风险预警信息发送至维修人员，并接收维修人员发送的预警处理信息的方式，可以通过“人在回路”的方式进一步提高预警信息的准确性和处理及时性。

进一步的，作为图1所示方法的具体实现，本实施例提供了一种运营车辆的风险预警装置，如图2所示，该装置包括：数据获取模块21、预警识别模块22、预警过滤模块23和风险预测模块24，其中：

数据获取模块21，可用于获取待监测车辆的位置数据和速度数据；

预警识别模块22，可用于根据预设的规则引擎，对待监测车辆的位置数据和速度数据进行预警识别，得到待监测车辆的初始预警信息；

预警过滤模块23，可用于根据初始预警信息在预设时段内的发生次数，对待监测车辆的初始预警信息进行过滤处理，得到过滤后的预警信息；

风险预测模块24，可用于通过预训练的风险预警模型，对过滤后的预警信息进行风险预测，得到待监测车辆的风险预警信息。

在具体的应用场景中，数据获取模块21，具体可用于通过安装在待监测车辆上的GPS装置，实时采集待监测车辆的位置数据；根据实时采集的待监测车辆的位置数据，实时生成待监测车辆的速度数据。

在具体的应用场景中，预警识别模块22，具体可用于判断待监测车辆的位置数据和/或速度数据是否满足规则引擎中各个预警类型对应的触发条件和报警阈值；若待监测车辆的位置数据和/或速度数据满足规则引擎中任一项预警类型对应的触发条件和报警阈值，则生成待监测车辆的初始预警信息。

在具体的应用场景中，本装置还包括阈值生成模块25，阈值生成模块25具体可用于在预设的地理范围和时间范围内，对每种预警类型的风险预警信息进行统计分析，得到各个地理范围内每种预警类型的预警次数均值及标准差；根据各个地理范围内每种预警类型的预警次数均值及标准差，生成各个地理范围内每种预警类型的预警次数阈值；将各个地理范围内每种预警类型的预警次数阈值存储在数据库中。

在具体的应用场景中，预警过滤模块23，具体可用于获取初始预警信息的预警类型和待监测车辆所在的地理范围；根据初始预警信息的预警类型和待监测车辆所在的地理范围，在数据库中获取初始预警信息对应的预警次数阈值；当初始预警信息在预设时段内的发生次数大于预警次数阈值时，对初始预警信息进行过滤处理，得到过滤后的预警信息。

在具体的应用场景中，本装置还包括模型训练模块26，模型训练模块26，具体可用于获取多个运营车辆的多个历史风险预警信息，其中，每个历史风险预警信息对应一个风险识别结果；从每个运营车辆的每个历史风险预警信息中分别提取出多个特征信息，其中，特征信息包括预警发生时间、预警持续时间、预警地理位置、预警车辆所在公司、预警车辆车型和预警GPS设备类型中的至少一种信息；根据历史风险预警信息的特征信息和风险识别结果，构建二分类决策树，并对二分类决策树进行迭代训练，得到风险预警模型。

在具体的应用场景中，本装置还包括信息输出模块27，信息输出模块27，具体可用于将待监测车辆的风险预警信息发送至维护人员处；获取维护人员发送的针对风险预警信息的预警处理信息，并根据预警处理信息标记风险预警信息的风险识别结果；接收用户发送的数据查询请求，并根据数据查询请求，查询出待监测车辆的风险预警信息及其风险识别结果并进行展示。

需要说明的是，本实施例提供的一种运营车辆的风险预警装置所涉及各功能单元的其它相应描述，可以参考图1中的对应描述，在此不再赘述。

基于上述如图1所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1所示的运营车辆的风险预警方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1所示的方法，以及图2所示的运营车辆的风险预警装置实施例，为了实现上述目的，本实施例还提供了一种运营车辆的风险预警的实体设备，具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1所示的方法。

可选的，该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种运营车辆的风险预警的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序，支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，首先获取待监测车辆的位置数据和速度数据，然后利用规则引擎对采集到的各类数据进行预警识别，得到初始预警信息，进而根据初始预警信息在预设时段内的发生次数对初始预警信息进行过滤，最后通过预训练的风险预警模型对过滤后的预警信息进行风险预测，得到待监测车辆的风险预警信息。与现有技术相比，上述方法可以有效的减少硬件设备损坏和信号丢失等硬件原因导致的错误预警，以及可以减少无明显预警特征的错误预警。因此，上述方法可以对运营车辆发出预警信息进行准确降噪，从而有效的提高风险预警的准确度以及人工处理预警信息的效率，并降低人工处理预警信息的成本。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。