一种基于驾驶行为的安全教育推荐方法及装置与流程

本发明属于车载信息系统与数据处理，具体涉及一种基于驾驶行为的安全教育推荐方法及装置。

背景技术：

1、随着车载终端智能化和驾驶数据采集能力的提升，基于车辆运行数据进行驾驶行为识别已成为本领域的常见技术路径。现有系统通常能够采集车速、加速度、转向、跟车距离、灯光或转向灯状态等车辆运行数据，并通过规则阈值识别急刹车、急加速、超速、跟车过近等不良驾驶行为，随后执行语音或界面提醒。另一方面，车载安全教育内容（如图文、视频）虽然已广泛存在，但多为静态知识库展示或固定栏目推送的形式。

2、目前，与本发明最接近的技术方案是“行为告警 + 通用教育内容推送”模式。该模式的典型步骤包括：采集驾驶数据；按照预设规则识别风险行为；触发实时告警；并在行程结束后推送若干通用的安全内容。该方案在装置结构上通常包括串联执行的数据采集模块、行为识别模块、告警输出模块以及内容展示模块。

3、然而，这种传统的通用推送模式由于内容推荐环节未深度关联驾驶员个体的风险弱项，缺少个性化策略与反馈闭环，在实际落地中通常暴露出以下几点具体不足：

4、第一，内容相关性不足。由于推荐机制以固定栏目或通用热点为主，未能将用户的个体高频风险行为有效映射到安全教育的内容标签上，导致用户接收到的教育内容与其真实的驾驶薄弱点不一致，学习后对行为的纠偏作用十分有限。

5、第二，难度匹配度不足。现有的内容推荐流程未融合驾驶员的驾驶等级与风险分层信息，这往往导致新手驾驶员可能接收到理解难度过高的专业内容，而熟练驾驶员则接收到过浅的通用内容，从而导致整体学习效率大幅下降。

6、第三，缺少推荐闭环优化机制。系统在执行内容推荐后，未能持续跟踪驾驶员后续的学习行为以及针对不良驾驶行为的改善趋势，这导致系统无法自适应地调整和迭代其推荐策略，使得长期的行为纠偏效果不稳定。

7、第四，多源信息融合程度不足。系统中的行为告警、历史驾驶记录、场景标签以及内容标签未能形成统一的建模与联合排序，使得最终推送内容的准确率、时效性以及系统整体的可扩展性受到限制。

8、综上所述，现有的车辆驾驶安全教育推送机制由于缺乏深入的行为统计特征映射、缺乏精细化的难度分层以及缺乏有效的学习反馈机制，无法实现精准的内容按需推荐与长效的行为纠偏。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种基于驾驶行为的安全教育推荐方法及装置。本发明不采用传统的通用化静态推送，而是基于驾驶员单次行程与周报周期的多粒度统计特征提取有序风险标签，结合驾驶等级执行内容的按需召回与多维综合评分排序，并通过采集用户学习后的反馈指标来动态调整召回、排序及素材数量分配策略，最终在车载环境下构建起“监测—推荐—反馈—更新”的自适应技术闭环，从而切实保障并提升安全教育推荐的准确度以及驾驶行为的纠偏效率。

2、为实现上述目的，本发明第一方面提提供一种基于驾驶行为的安全教育推荐方法，由车载终端内的计算机执行，所述方法包括以下步骤：

3、步骤一、采集当前车辆的行驶数据；

4、步骤二、对采集得到的所述行驶数据执行不良驾驶行为检测处理，基于预设规则引擎识别风险行为事件，得到不良驾驶行为事件集合；

5、步骤三、对所述不良驾驶行为事件集合按单次行程统计粒度与周报统计粒度执行统计处理，得到各行为类型的出现次数及严重度信息，并据此构建行为特征向量；

6、步骤四、根据所述行为特征向量，从驾驶报告数据中抽取推荐用风险特征，得到有序风险标签集合；所述抽取处理包括：对所述单次行程统计粒度下的各行为类型按出现次数降序排列，选取排名前3位的行为类型，映射生成最近一次行程风险标签组，记为top3标签组；对所述周报统计粒度下的各行为类型按出现次数降序排列，选取排名前5位的行为类型，映射生成周报风险标签组，记为top5标签组；将所述top3标签组与所述top5标签组合并去重，并按预设优先级规则排序，得到有序风险标签集合，其中所述top3标签组中各标签的优先级高于所述top5标签组中的标签，且同一行为类型同时出现在两组时，在所述有序风险标签集合中保留所述top3标签组对应的排位；

7、步骤五、根据所述有序风险标签集合，从预设安全教育内容库中按标签顺序依次执行候选内容召回处理，得到候选安全教育内容集合，其中各安全教育内容与所述有序风险标签集合中的对应风险标签相匹配，且内容难度与存储的驾驶等级信息相匹配，与所述top3标签组对应召回的内容在候选集合中标记为高优先级内容；

8、步骤六、对所述候选安全教育内容集合中的各条内容分别计算综合分值，并按综合分值由高至低排序，得到排序后的推荐内容列表；其中，对于来源于所述top3标签组的高优先级内容，在综合分值计算中叠加来源优先级加分项；

9、步骤七、根据所述有序风险标签集合内各风险标签对应的危险驾驶行为严重度及出现次数，确定各风险标签对应的推荐素材数量权重，并据此从所述排序后的推荐内容列表中选取推荐素材，生成待展示推荐列表；

10、步骤八、将所述待展示推荐列表中的安全教育内容，在用户终端的“为您推荐”展示区域按所述有序风险标签集合的先后顺序排列显示，使与所述top3标签组对应的内容排列在前；并在车辆处于低干扰状态时完成推送或更新展示；

11、步骤九、采集用户学习所述待展示推荐列表中的安全教育内容后的学习反馈指标，得到学习反馈指标集合；

12、步骤十、根据所述学习反馈指标集合，并结合下一统计周期内更新得到的最近一次行程统计结果及周报统计结果，对推荐策略参数进行动态调整，以更新后续周期的推荐策略，并返回步骤一继续执行。

13、进一步的，所述行驶数据至少包括车速、纵向加速度、横向加速度、方向盘转角变化率、跟车距离、转向灯状态以及挡位状态。

14、进一步的，所述风险行为事件至少包括急刹车、急加速、急打方向、超速、跟车过近、未打转向灯、连续变道、错误挡位以及需减速区域未减速中的一种或多种。

15、进一步的，步骤六中所述综合分值的计算公式为：综合分＝风险匹配度×w1＋难度匹配度×w2＋内容新鲜度×w3＋纠偏增益×w4＋来源优先级×w5，其中w1、w2、w3、w4、w5为权重参数。

16、进一步的，步骤七中所述确定各风险标签对应的推荐素材数量权重，并据此从所述排序后的推荐内容列表中选取推荐素材，生成待展示推荐列表，包括：其中严重度及出现次数越高，对应风险标签分配的推荐素材数量权重越大；所述推荐素材数量权重与具体展示条数的映射关系为可配置策略参数。

17、进一步的，从所述排序后的推荐内容列表中选取推荐素材，生成待展示推荐列表的配置策略包括以下方式中的一种或多种：

18、方式一、设第i个风险标签的推荐素材数量权重qi＝α×si＋β×ci，其中si为该标签对应行为的严重度分值，ci为出现次数，α、β为配置系数；按qi占全部标签权重之和的比例分配总推荐条数n，得到各标签下展示条数 ni；

19、方式二、将所述推荐素材数量权重划分为高、中、低三档，高档分配较多推荐条数，中档分配中等推荐条数，低档分配较少推荐条数；其中，各档对应条数阈值由运营策略预设；

20、方式三、对所述top3标签组中每个标签至少分配1条推荐素材，剩余条数在所述top5标签组的其余标签中分配。

21、进一步的，所述低干扰状态包括停车状态或行程结束状态，所述安全教育内容的形式包括图文或视频。

22、进一步的，所述驾驶报告数据在用户界面呈现时包括“最近”行程视图与“周报”视图；所述“最近”视图展示单次行程统计粒度下的危险驾驶行为统计结果及所述top3标签组，所述“周报”视图展示周报统计粒度下的危险驾驶行为统计结果及所述top5标签组；

23、所述用户终端的“为您推荐”展示区域用于呈现步骤八输出的所述待展示推荐列表。

24、进一步的，步骤十中所述对推荐策略参数进行动态调整，包括：对步骤六中的权重参数w1至w5、步骤七中的推荐素材数量权重映射关系以及步骤五中的召回策略进行动态调整。

25、本发明第二方面提供一种基于驾驶行为的安全教育推荐装置，部署于车载终端内的计算机中，所述装置包括：

26、采集模块，配置为执行步骤一，用于采集当前车辆的行驶数据；

27、检测模块，配置为执行步骤二，用于对采集得到的所述行驶数据执行不良驾驶行为检测处理，基于预设规则引擎识别风险行为事件，得到不良驾驶行为事件集合；

28、画像模块，配置为执行步骤三至步骤四，用于构建行为特征向量并从驾驶报告数据中抽取推荐用风险特征，得到有序风险标签集合；

29、召回模块，配置为执行步骤五，用于根据所述有序风险标签集合从预设安全教育内容库中依次执行候选内容召回处理；

30、排序模块，配置为执行步骤六，用于对所述候选安全教育内容集合中的各条内容计算综合分值并排序，得到排序后的推荐内容列表；

31、分配模块，配置为执行步骤七，用于确定各风险标签对应的推荐素材数量权重并选取推荐素材，生成待展示推荐列表；

32、推送模块，配置为执行步骤八，用于将所述待展示推荐列表中的安全教育内容在“为您推荐”展示区域排列显示并在车辆处于低干扰状态时完成推送；

33、反馈模块，配置为执行步骤九，用于采集用户学习后的学习反馈指标，得到学习反馈指标集合；

34、更新模块，配置为执行步骤十，用于根据所述学习反馈指标集合并结合下一统计周期数据，对所述召回模块、排序模块及分配模块中的策略参数进行动态更新调整；

35、其中，上述各模块全部部署在车载终端，或者采用车载终端与云端服务器协同部署的方式。

36、与现有技术相比，本发明具有以下显著的有益效果：

37、第一，提高了所选安全教育内容与驾驶员个体近期真实驾驶弱项的关联性与匹配精度。本发明将反映驾驶员最近一次行程中高频不良行为的单次特征（top3标签组）与反映长期行为趋势的周报特征（top5标签组）相结合，并在集合去重合并时，赋予单次行程特征更高的选择优先级。这使得最终呈现在终端的教育内容不再是通用的静态知识，而是精准对应于驾驶员在近期行程中暴露出的紧迫性风险，从而在后续驾驶中能够更有效地引导不良行为的纠正，提升了行为改进效率。

38、第二，通过融合多种属性特征进行联合排序，提升了内容推荐的合理性与信息分发质量。系统在生成推荐列表时，综合计算了风险匹配度、难度匹配度、内容新鲜度、纠偏增益以及来源优先级等多维度的综合分值，并依据危险驾驶行为的严重度和出现次数动态调配素材数量。这不仅避免了同类安全内容的过度重复堆叠，保证了内容的时效性与多样性，还确保了所分发的内容在数量和种类上均能与驾驶员的真实需求相契合。

39、第三，实现了安全教育内容难度与驾驶员个体技术熟熟练度的自适应匹配。通过在内容选择阶段引入存储的驾驶等级信息作为约束条件，确保召回的内容难度与驾驶员的个体经验相适应，有效避免了新手驾驶员因接收到过于复杂的专业内容而难以理解，或者熟练驾驶员因接收到过于浅显的通用内容而产生疲劳的问题，进而显著提升了用户的学习完成率与知识吸收效率。

40、第四，通过引入用户反馈与后续行为趋势的参数联动更新，确保了系统策略调整的长期稳定性。本发明通过采集用户学习后的反馈指标，并在进入下一统计周期时，将这些反馈与更新后的驾驶行为统计结果相结合，动态反向作用于召回、排序及数量调配的各级参数。这种基于执行结果反向调整输入策略的机制，改变了传统单向一次性推送方案无法根据使用效果进行自我调整的弊端，实现了参数的周期性迭代，保证了长期应用过程中的行为改善效果。