车辆运输稽核评分方法与系统

技术领域

本发明有关于一种评分方法与系统，尤其是一种车辆运输稽核评分方法与系统。

背景技术

近年来汽车运输业的车辆，例如公车、客运、游览车等，由于驾驶行为的问题，导致许多交通事故的发生，例如路口转弯时，司机若不停下观察是否没有其余行人或车辆再通过，则容易导致车祸的发生。

虽现行车辆上大多安装有行车记录仪，但行车记录仪仅能拍摄车辆的驾驶行为，并无法记录汽车运输业车辆司机本身的驾驶行为，故难以对司机本身的驾驶行为进行评估。此外，虽有部分汽车运输业者具有回报机制，例如请乘客填回复问卷，对司机的驾驶行为进行评分。但单以人为评分的结果评断司机的驾驶行为过于主观，且后续以人工稽核的方式耗工费时。故目前对于司机的驾驶行为缺乏有效的稽核评分机制。因此，现有的稽核司机驾驶行为的评分机制仍需进一步的改良。

发明内容

有鉴于上述问题，本发明提供一种车辆运输稽核评分方法与系统，以协助汽车运输业者或智能驾驶开发业者，发展一套自动化稽核评分系统。

车辆运输稽核评分方法由云端服务器所执行，且包含有以下步骤：执行路口分析，以产生路口过弯不停比例、路口过弯不停次数及平均最低过弯速度；执行速度分析，以产生急减速时长、急加速时长、超速时长、超速比例及平均最高超速速度；执行平顺分析，以产生油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数；根据路口过弯不停比例、路口过弯不停次数、平均最低过弯速度、急减速时长、急加速时长、超速时长、超速比例、平均最高超速速度、油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数，执行监督式学习评分程序，以产生稽核评分。

此外，车辆运输稽核评分系统包含有一云端服务器，用以执行路口分析、速度分析及平顺分析。路口分析用以产生路口过弯不停比例、路口过弯不停次数及平均最低过弯速度。速度分析用以产生急减速时长、急加速时长、超速时长、超速比例及平均最高超速速度。平顺分析则用以产生油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数。且云端服务器根据路口过弯不停比例、路口过弯不停次数、平均最低过弯速度、急减速时长、急加速时长、超速时长、超速比例、平均最高超速速度、油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数，执行监督式学习评分程序，以产生稽核评分。

本发明由云端服务器从车载设备取得车辆的车身信息、惯性感测器信息及定位信息等数据，并将各项数据进行统计与分析，如此一来，便可即时针对司机的驾驶行为自动产生评价，且可进一步将此评价反馈给司机，以提醒司机改善其驾驶行为。另外，更可将统计与分析的结果存储，提供汽车运输业者用以管理司机或提供开发业者改进智能驾驶行为的评分参考。

由于本发明由车载设备直接取得的信息，再由云端服务器进行稽核评分，如此一来，便可避免人为的主观评断，以客观且有效率地的方式对司机的驾驶行为进行稽核与评估。

附图说明

图1是本发明车辆运输稽核评分方法第一实施例的流程示意图。

图2是本发明车辆运输稽核评分系统的方块示意图。

图3是本发明车辆运输稽核评分方法的路口分析的流程示意图。

图4是本发明车辆运输稽核评分方法的速度分析的流程示意图。

图5是本发明车辆运输稽核评分方法的平顺分析的流程示意图。

图6是本发明车辆运输稽核评分方法的监督式学习评分程序第一实施例的流程示意图。

图7是本发明车辆运输稽核评分方法第二实施例的流程示意图。

图8是本发明车辆运输稽核评分方法的过站分析的流程示意图。

图9是本发明车辆运输稽核评分方法的监督式学习评分程序第二实施例的流程示意图。

具体实施方式

请参阅图1及图2，本发明的分散式数据传输容错系统的动态资源调整方法由一云端服务器10所执行，且分散式数据传输容错系统包含有云端服务器10及车载装置20。车载装置20供装设于车辆上，并可感测车辆的状态而产生各种信息。在本实施例中，车载装置20包含有定位单元21、车辆信息撷取单元22、惯性量测单元23及无线收发单元24。

定位单元21根据车辆的定位状态，产生车辆位置信息，举例来说，定位单元21是全球定位系统(GPS)单元。车辆信息撷取单元22测量车辆的车辆状态，以产生速度信息、煞车信息、车辆油门及车门信息，举例来说，车辆信息撷取单元22是车上诊断系统(On-BoardDiagnostics)，用于感测车辆的当前速度、油门深度大小、煞车程度大小、车门状态，并对应产生相关信息。惯性量测单元(Inertial measurement unit)23则是测量车辆的惯性状态，以产生惯性测量信息，举例来说，惯性测量信息包含有角速度信息与加速度信息。无线收发单元24是连接定位单元21、车辆信息撷取单元22及惯性量测单元23，以接收并对外发送车辆位置信息、速度信息、煞车信息、车辆油门、车门信息及惯性测量信息至该云端服务器10。

车辆运输稽核评分方法的第一实施例包含有以下步骤：

步骤S101：由云端服务器10执行路口分析，以产生路口过弯不停比例、路口过弯不停次数及平均最低过弯速度。

请一并参阅图3所示，云端服务器10执行路口分析时，由云端服务器10通讯连接车载装置20的无线收发单元24，如步骤S301所示，且云端服务器10通过无线收发单元24取得车辆位置信息、速度信息及煞车信息。如步骤S302所示，云端服务器10自行驶信息数据库30取得号志位置信息。如步骤S303所示，云端服务器10根据车辆位置信息及号志位置信息，判断车辆位置与至少一号志位置之间的至少一第一距离是否小于路口门槛距离。如步骤S304所示，当第一距离小于路口门槛距离时，云端服务器10产生路口过弯次数，且根据速度信息产生最低过弯速度，并如步骤S305所示，云端服务器10根据煞车信息判断是否停等超过停等门槛时长。当未停等超过停等门槛时长时，如步骤S306所示，云端服务器10产生路口未停等次数，并如步骤S307所示，云端服务器10判断是否满足稽核条件。且当满足稽核条件时，如步骤S308所示，云端服务器10根据路口过弯次数及路口未停等次数，计算于稽核时长内的路口过弯不停比例及路口过弯不停次数，并根据该最低过弯速度，计算于稽核时长内的平均最低过弯速度。而当不满足步骤S307中的稽核条件时，云端服务器10重新通过无线收发单元24取得车辆位置信息、速度信息及煞车信息。

举例来说，云端服务器10借由接收车载装置20发送的车辆位置信息确认目前车辆的所在位置，且与行驶信息数据库30中取得的号志位置信息比对，当车辆位置与号志位置之间的距离小于第一距离时，代表车辆目前的位置已足够接近号志的位置。一般而言，号志均设置于路口处，因此当车辆位置与号志位置足够接近时，代表车辆目前位在路口位置。由于当车辆经过路口时，皆需放慢速度以保持行车安全。若是云端服务器10根据煞车信息判断车辆在路口位置时未减速或是未停等，则代表司机的驾驶行为不佳，故云端服务器10是以路口未停等次数作为稽核依据之一。

此外，当车辆位在路口位置时，即第一距离小于路口门槛距离时，可进一步根据车辆位置信息确认车辆是否转弯，若有转弯，则计入路口过弯次数，若未转弯，则不计入。且云端服务器10还进一步根据车速信息记录车辆转弯时的最低过弯车速。

而当满足稽核条件时，例如完成一次出车行程，即从起点到达终点，云端服务器10可根据车辆从起点到终点间，总共转过几个弯，且转弯时是否有停等，以及每次转弯的最低过弯速度计算路口过弯不停等比例、路口过弯不停等次数及平均最低过弯速度。例如路口过弯不停等比例为过弯时不停等的次数除以路口过弯次数，平均最低过弯次数为从起点到终点间每次过弯的最低过弯速度的平均值。

路口分析利用车辆位置信息、速度信息以及煞车信息判定路口转弯时是否有先停再过，以避免交通意外的发生。

步骤S102：由云端服务器10执行速度分析，以产生急减速时长、急加速时长、超速时长、超速比例及平均最高超速速度。

请一并参阅图4所示，云端服务器10执行速度分析时，由云端服务器10通讯连接车载装置20的无线收发单元24，且如步骤S401所示，云端服务器10通过无线收发单元24取得车辆位置信息及速度信息。如步骤S402所示，云端服务器10自行驶信息数据库30取得路线限速信息。如步骤S403所示，云端服务器10根据车辆位置信息及路线限速信息，产生地点限速信息。如步骤S404所示，云端服务器10进一步根据速度信息及地点限速信息，判断车速是否大于地点限速。当车速大于地点限速时，如步骤S405所示，云端服务器10计算超速时长，且根据速度信息产生最高超速速度，并如步骤S406所示，云端服务器10判断是否满足稽核条件。且如步骤S407所示，云端服务器10还根据速度信息，判断该车速于加速时间内的最大值与最小值的第一差值是否大于第一门槛值。当第一差值大于第一门槛值时，如步骤S408所示，云端服务器10产生急加速时长，并判断是否满足稽核条件。此外，如步骤S409所示，云端服务器10更进一步根据速度信息，判断车速于减速时间内的最大值与最小值的第二差值是否大于第二门槛值。当第二差值大于第二门槛值时，如步骤S410所示，云端服务器10产生急减速时长，并判断是否满足稽核条件。而当满足稽核条件时，如步骤S411所示，云端服务器10根据超速时长，计算于稽核时长内的超速比例，且根据该最高超速速度，计算于该稽核时长内的该平均最高超速速度。但是当不满足稽核条件时，云端服务器10重新通过无线收发单元24取得车辆位置信息及速度信息。

举例来说，云端服务器10借由接收车载装置20发送的车辆位置信息确认目前车辆的所在位置，且借由速度信息确认车辆目前的车速。云端服务器10还从行驶信息数据库30中取得的路线限速信息。由于不同的行驶路线会有不同的限速，因此云端服务器10先根据车辆位置信息确认车辆的目前位置，并根据车辆的目前位置确认当地的限速状况，例如车辆位置若是在市区内，限速为50公里/小时，但若是车辆位置在高速公路上，则限速则为100公里/小时。当云端服务器10确认地点限速信息后，云端服务器10即可根据速度信息及地点限速信息确认车辆是否有超速。当车速大于地点限速时，云端服务器10即判断车辆已超速，因此云端服务器10进一步计算车辆超速的时间长短作为超速时长。且当车辆超速后，云端服务器10还记录车辆超速时的最高超速速度。

而当满足稽核条件时，例如从起点到达终点，云端服务器10可根据车辆从起点到终点间，总共超速过几次，以及每次超速时的最高超速速度，计算平均最高超速速度。此外，稽核时长例如为车辆出车后，从起点到终点所经过的时间长度，云端服务器10则根据超速时长除以稽核时长计算超速比例。且平均最高超速速度为每次超速时的最高超速速度的总和除以超速过几次。

此外，云端服务器10在接收到车辆位置信息及速度信息后，更根据速度信息判断车辆是否有突然加速或减速的状况。若是在加速时间内，车速最大值与最小值的第一差值大于第一门槛值，即代表车辆有突然加速的情况，因此云端服务器10根据第一差值对应的时间差产生急加速时长。当满足稽核条件时，云端服务器10会累计在稽核时长内的所有急加速时长。

同理，当第二差值大于第二门槛值时，代表车辆有突然减速的情况，因此云端服务器10同样对应产生急减速时长，并于满足稽核条件时，累计在稽核时长内的所有急减速时长。

速度分析根据车辆位置信息以及速度信息衍生出其超速、急加速、急减速的状况以及事件发生位置。

步骤S103：由云端服务器10执行平顺分析，以产生油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数。

请一并参阅图5所示，云端服务器10执行平顺分析时，由云端服务器10通讯连接车载装置20的无线收发单元24，且如步骤S501所示，云端服务器10通过无线收发单元24取得惯性测量信息及车辆油门信息。如步骤S502所示，云端服务器10根据车辆油门信息，判断油门深度是否大于门槛深度。如步骤S503所示，当油门深度大于门槛深度时，云端服务器10产生油门过重时长，并如步骤S504所示，云端服务器10判断是否满足稽核条件。此外，如步骤S505所示，当云端服务器10取得惯性测量信息及车辆油门信息时，云端服务器10更进一步根据该惯性测量信息，判断第一轴向加速度的第一绝对值是否大于第一门槛加速度，且如步骤S506所示，云端服务器10根据该惯性测量信息，判断第二轴向加速度的第二绝对值是否大于第二门槛加速度，并如步骤S507所示，云端服务器10还根据该惯性测量信息，判断第三轴向加速度的第三绝对值是否大于一第三门槛加速度。

当第一绝对值大于第一门槛加速度时，如步骤S508所示，且当第一轴向加速度为正数时，云端服务器10产生车体后倾次数，而当第一轴向加速度为负数时，云端服务器10产生车体前倾次数，再如步骤S504所示，云端服务器判断是否满足稽核条件。

当第二绝对值大于第二门槛加速度时，如步骤S509所示，云端服务器产生车体侧倾次数，并如步骤S504所示，云端服务器10判断是否满足稽核条件。

当第三绝对值大于第三门槛加速度时，如步骤S510所示，云端服务器产生车体震动次数，并如步骤S504所示，云端服务器10判断是否满足该稽核条件。

如步骤S511所示，当满足该稽核条件时，云端服务器10根据油门过重时长，计算于稽核时长内的油门过重比例，且根据最高超速速度，计算于稽核时长内的平均最高超速速度。但是当不满足稽核条件时，云端服务器10重新通过无线收发单元24取得惯性测量信息及车辆油门信息。

举例来说，云端服务器10借由接收车载装置20发送的车辆油门信息确认目前司机控制车辆油门的油门深度。若是油门深度大于门槛深度时，代表司机控制车辆油门过重，云端服务器10即据以产生油门过重时长，以记录司机控制车辆油门过重的时间。当满足稽核条件时，云端服务器10即可根据油门过重时长记录在稽核时间内司机控制车辆油门过重的总时间，并可根据油门过重时长除以稽核时长计算油门过重比例。

此外，云端服务器10还借由接收车载装置20发送的惯性测量信息，并根据惯性测量信息的加速度判断车辆行驶的平顺程度。例如第一轴向即车辆的前行方向，第二轴向则为车辆的侧边方向，第三轴向为车辆的垂直方向。当第一轴向加速度的第一绝对值大于第一门槛加速度时，代表车辆正在激烈的前进或后退，将造成车体的前倾或后倾。且云端服务器10进一步根据第一轴向加速度的正负值确认车体是前倾还是后倾，例如当第一轴向加速度为正数时，代表车辆正在急速前进，则会造成车体后倾，反之，则会造成车体前倾。当第二轴向加速度的第二绝对值大于第二门槛值加速度时，代表车辆正在激烈的左转或右转，造成车体侧倾。当第三轴向加速度的第三绝对值大于第三门槛值加速度时，代表车辆正在剧烈的上下震动。

因此，每当第一绝对值大于第一门槛加速度时，云端服务器10便会根据第一轴加速度的正负值确认车体前倾或车体后倾，并累计车体前倾次数及车体后倾次数。同理，每当第二绝对值大于第二门槛值加速度时，云端服务器10则累次车体侧倾次数，且每当第三绝对值大于第三门槛加速度时，云端服务器10累计车体震动次数。

当满足稽核条件时，云端服务器10累计出在稽核时长内的车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数。

在本实施例中，第一门槛加速度是第一轴向加速度的平方乘以一动态调整参数，第二门槛加速度是第二轴向加速度的平方乘以动态调整参数，第三门槛加速度是第三轴向加速度的平方乘以动态调整参数。当中的动态调整参数与车辆的种类有关，例如大客车对应的动态调整参数与小客车对应的动态调整参数就不相同。

进一步而言，在其他实施例中，稽核时长可为一固定时间长度，例如24小时，且云端服务器10还判断执行路口分析的第一分析时长、执行速度分析的第二分析时长或执行平顺分析的第三分析时长中的任一时长是否超过稽核时长。当第一分析时长、第二分析时长或第三分析时长之中的任一时长超过稽核时长时，云端服务器10判断满足该稽核条件。举例来说，从第一天的中午12点到第二天的下午13点，云端服务器10执行路口分析、速度分析或平顺分析之中的任一种分析已长达25小时，超过稽核时长的24小时，云端服务器10即判断满足稽核条件。

平顺分析是以车辆油门信息判定司机踩踏油门的习惯，是否时常重踩油门，并以惯性测量信息分辨车体的后倾、前倾、侧倾、震动，分析乘车感受是否良好。

步骤S104：云端服务器10根据路口过弯不停比例、路口过弯不停次数、平均最低过弯速度、急减速时长、急加速时长、超速时长、超速比例、平均最高超速速度、油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数，执行一监督式学习评分程序，以产生一稽核评分。

请一并参阅图6，如步骤S601所示，监督式学习评分程序的第一实施例是由云端服务器10根据路口过弯不停比例、路口过弯不停次数及平均最低过弯速度，以一路口机器学习模型产生一路口分析评分。且如步骤S602所示，由云端服务器10根据急减速时长、急加速时长、超速时长、超速比例及平均最高超速速度，以一速度机器学习模型产生一速度分析评分。并如步骤S603所示，由云端服务器10根据油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数及车体震动次数，以平顺机器学习模型产生平顺分析评分后。再如步骤S604所示，由云端服务器10根据路口分析评分、速度分析评分及平顺分析评分，进行权重加总，以产生稽核评分。

举例来说，路口分析机器学习模型、超速分析机器学习模型以及平顺机器学习模型系是利用监督式学习的类神经网路模型或利用监督式学习的多元回归。且本发明以路口过弯不停比例、路口过弯不停次数、平均最低过弯速度作为路口分析机器学习模型的关键特征，以急减速时长、急加速时长、超速时长、超速比例、平均最高超速速度作为超速分析机器学习模型的关键特征，以油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数、车体震动次数作为平顺机器学习模型的关键特征，且进行训练以产生路口分析评分、速度分析评分及平顺分析评分。

而稽核评分的计算方式如下：

稽核评分＝aw

当中a、b、c分别代表路口分析评分、速度分析评分及平顺分析评分，w

进一步而言，请参阅图1及图7所示，车辆运输稽核评分方法的第二实施例的步骤S701、S702及S703与第一实施例的步骤S101、S102及S103相同，在此不赘述。车辆运输稽核评分方法的第二实施例与第一实施例的差异在于第二实施例进一步包含以下步骤：

步骤S704：云端服务器10执行过站分析，以产生过站不停比例、过站不停次数及平均最低过站速度。

请一并参阅图8所示，云端服务器10执行过站分析时，由云端服务器10通讯连接车载装置20的无线收发单元24，如步骤S801所示，且云端服务器10通过无线收发单元24取得车辆位置信息、速度信息、煞车信息及车门信息。如步骤S802所示，云端服务器10自行驶信息数据库30取得站点位置信息。如步骤S803所示，云端服务器10根据车辆位置信息及站点位置信息，判断车辆位置与至少一站点位置之间的至少一第二距离是否小于一站点门槛距离。如步骤S804所示，当第二距离小于站点门槛距离时，云端服务器10产生过站次数，且根据速度信息产生最低过站速度，并如步骤S805所示，云端服务器10根据煞车信息及车门信息判断是否停等且开门。当未停等且开门时，如步骤S806所示，云端服务器10产生过站未开门次数，并如步骤S807所示，云端服务器10判断是否满足稽核条件。且当满足稽核条件时，如步骤S808所示，云端服务器10根据过站次数及过站未开门次数，计算于稽核时长内的过站不停比例及过站不停次数，并根据该最低过站速度，计算于稽核时长内的平均最低过站速度。而当不满足稽核条件时，云端服务器10重新通过无线收发单元取得车辆位置信息、速度信息、煞车信息及车门信息。

举例来说，云端服务器10借由接收车载装置20发送的车辆位置信息确认目前车辆的所在位置，且跟从行驶信息数据库30中取得的站点位置信息比对，当车辆位置与站点位置之间的距离小于第二距离时，代表车辆目前的位置已足够接近站点的位置。一般而言，当车辆位置与站点位置足够接近时，代表车辆即将进入站点。由于当车辆经过站点时，皆需放慢速度，且需在站点停等以便乘客上下车。若是云端服务器10根据煞车信息及车门信息判断车辆在站点位置时未停等且开门时，则代表司机的驾驶行为不佳，故云端服务器10还以过站不停次数作为稽核依据之一。

当满足稽核条件时，云端服务器10可根据车辆在稽核时间内，总共经过几个站点，且在各站点是否有停等且开门，计算过站不停比例、过站不停次数及平均最低过站速度。例如过站不停比例为过站不停次数除以在稽核时间内经过的总站点数，平均最低过站次数为在稽核时间内每次过站的最低过站速度的平均值。

过站分析利用车辆位置信息以及站点位置信息进行分析，当客运行驶至车站站点时是否有过站不停的状况发生。

步骤S705：当云端服务器10执行监督式学习评分程序时，云端服务器10根据路口过弯不停比例、路口过弯不停次数、平均最低过弯速度、急减速时长、急加速时长、超速时长、超速比例、平均最高超速速度、油门过重比例、车体前倾次数、车体后倾次数、车体侧倾次数、车体震动次数、过站不停比例、过站不停次数及平均最低过站速度，产生稽核评分。

请一并参阅图6及图9，监督式学习评分程序的第二实施例的步骤S901、S902及S903与第一实施例的步骤S601、S602及S603相同，在此不赘述。监督式学习评分程序的第二实施例与第一实施例的差异在于以下步骤：

步骤S904：由云端服务器10根据过站不停比例、过站不停次数及平均最低过站速度，以过站机器学习模型产生过站分析评分。

步骤S905：由云端服务器根据路口分析评分、速度分析评分、平顺分析评分及过站分析评分，进行权重加总，以产生该稽核评分。

在本实施例中，进一步增加了过站分析，且过站分析机器学习利用监督式学习的类神经网路模型或利用监督式学习的多元回归。类似地，本发明以过站不停比例、过站不停次数及平均最低过站速度作为过站分析机器学习模型的关键技术，进行训练以产生过站评分。

而稽核评分的计算方式如下：

稽核评分＝aw

当中d代表过站分析评分，w

总上所述，本发明提供了一种对于驾驶行为的自动化评价方式，除了能将结果传送给客运业者进行稽核，让客运业者对车辆司机进行稽核，也能将结果以设置于车辆上的抬头显示器显示当前的评分与平价给车辆司机参考，用于提醒车辆司机，让司机自行确认其驾驶行为是否良好。

此外，本发明建立了四种分析，主要针对客运在套路上的行驶行为是否存在危险性与乘客感受度上给予适当的分析，且四种分析的结果分别进行分类方法的判定，以决定各项分析的评分，再进行权重加总后，给出最终的评分与评价，让客运业者能以客观且有效率的方式对司机的驾驶行为进行稽核与评估。

以上所述仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。