大数据环境下商用网联车驾驶行为评价系统的设计与实现
车联网中基于大数据分析的驾驶行为评估研究
车联网中基于大数据分析的驾驶行为评估研究随着科技的不断发展和智能化的高速发展，车联网技术正逐渐在汽车行业中扮演着越来越重要的角色。
车联网技术的应用不仅提升了汽车的智能化水平，也为驾驶行为评估提供了更加准确和全面的数据支持。
本文将探讨车联网中基于大数据分析的驾驶行为评估研究。
一、车联网对驾驶行为评估的重要性驾驶行为评估是指对驾驶员在驾驶过程中的行为进行定量、客观的评估。
通过评估驾驶行为，可以及时发现驾驶员驾驶技术的问题和不足，提供有针对性的改进建议，从而减少交通事故的发生率，提高驾驶安全性。
而车联网技术的发展使驾驶行为评估变得更加准确、全面、及时。
二、车联网中的大数据分析车联网技术通过内置传感器和通信设备实时获取车辆的各种信息，包括车速、加速度、刹车数据等。
这些数据被传输到云端服务器，通过大数据分析算法进行处理，从而得到准确的、有关驾驶行为的数据。
大数据分析是指通过对大规模、高维度的数据进行挖掘、分析和处理，发现隐藏在数据中的模式、关联和趋势，并提供有价值的信息和决策支持。
在车联网技术中，通过大数据分析可以对驾驶行为进行全面细致地评估，进一步提高驾驶行为评估的准确性和可信度。
三、基于大数据分析的驾驶行为评估方法基于大数据分析的驾驶行为评估方法主要包括数据收集、数据预处理、特征提取和评估模型构建等步骤。
下面将对这些步骤进行介绍。
1. 数据收集在车联网技术中，通过车辆内置的传感器和通信设备，可以实时获取到驾驶过程中的各种数据，如车速、转向角度、加速度、刹车数据等。
同时，还可以通过GPS定位技术获取行车轨迹等信息。
2. 数据预处理在数据收集之后，需要对原始数据进行清洗、去噪等预处理操作，以确保数据的准确性和可靠性。
同时，还可以通过数据标注和分类等手段，对数据进行进一步的处理和分析。
3. 特征提取在数据预处理之后，需要从原始数据中提取出能够反映驾驶行为的特征。
特征提取是基于驾驶行为的知识和经验，通过算法或模型将原始数据转换成能够描述驾驶行为的特征向量。
基于大数据驾驶行为分析系统设计
基于大数据驾驶行为分析系统设计作者：曹曦文孔尧储晓祥王心浩郎博勋宋雪桦来源：《电脑知识与技术》2018年第23期摘要：随着国民生活水平的不断提高，人们对驾驶行为安全性的关注度也越来越高。
通过采集行车数据，论文提出基于大数据分析方法，针对驾驶行为安全方面，设计并实现一套驾驶行为分析系统。
测试表明该系统能有效实现对驾驶行为的分析和预警功能。
关键词：大数据；驾驶行为；分析系统中图分类号：TP312 文献标识码：A 文章编号：1009-3044（2018）23-0003-02目前，美国、日本、欧洲等国家已经陆续开展了一系列针对驾驶行为数据库的开发研究。
美国关于驾驶人数据库的研究开始的较早，通过建立的年轻驾驶人行为数据库，美国相继制定了多项法律法规以限制年轻人的危险驾驶行为。
此外，美国多家研究机构相继开展了针对老年驾驶人的驾驶人行为数据库研究，以改进车辆的设计和提高行驶安全性。
日本汽车研究所建立了针对老年驾驶人的驾驶行为数据库，该研究的目标是构建一个可以对老年驾驶人的驾驶行为进行定量化分析并开展最优驾驶策略研究的驾驶人行为数据库。
此外，以色列GreenRoad公司开发出一种驾驶行为监测系统，能够识别驾驶人的多种驾驶行为，并将相关信息存储到驾驶人行为数据库。
相对国外来说，国内关于驾驶人行为数据库的研究相对较少。
我国清华大学通过实际道路实验获取了驾驶人在自然状态下的驾驶数据，采集数据包括驾驶人图像、前车距离、车辆加速度、GPS信息等，并建立了驾驶人行为数据库，研究成果已用于驾驶辅助系统的开发。
西南交通大学建立了针对老年人驾驶反应能力的样本数据库，用于对老年人驾驶行为的研究。
安全行车是每一位驾驶人员关注焦点，一个实时有效的驾驶行为分析系统可以监控驾驶人员驾驶行为的行车安全性[1]。
从而对有安全隐患的驾驶人员的驾驶行为进行预警。
所以，本文采用C#编程语言作为开发语言[2]，基于HBase的分布式数据库开发了一个驾驶行为分析系统[3]，可以有效地对驾驶人员的驾驶行为的安全性进行分析，并对危险驾驶行为进行预警。
基于深度学习的车辆行为识别与驾驶风格评估系统设计
基于深度学习的车辆行为识别与驾驶风格评估系统设计车辆行为识别与驾驶风格评估在汽车领域具有重要的实际意义。
面对日益复杂的交通环境和不断增长的车辆数量，开发一套基于深度学习的车辆行为识别与驾驶风格评估系统，能够提高驾驶安全性、优化能源利用和强化驾驶者行为规范化，具有巨大潜力。
首先，基于深度学习的车辆行为识别是实现该系统的关键技术。
深度学习是一种基于神经网络的机器学习方法，其在图像、语音等领域取得了显著成果。
在车辆行为识别中，我们可以利用深度学习算法对车辆行驶的加速度、刹车、转弯等动作进行识别和分类。
通过实时监测车辆的行为，系统可以判断驾驶者是否违规或者存在危险行为，为驾驶者提供及时的警示和建议。
其次，驾驶风格评估是指对驾驶者在行驶过程中的驾驶习惯、驾驶方式进行评估和分析。
通过基于深度学习的车辆行为识别，我们可以获得驾驶者的行为数据。
利用这些数据，我们可以建立驾驶风格评估模型，通过分析驾驶者的加速度变化、频率分布等指标，评估驾驶者的驾驶风格，并给出相应的评价和建议。
这样的评估系统可以帮助驾驶者提高驾驶技术水平，培养良好的驾驶习惯，提升行车安全性。
在设计基于深度学习的车辆行为识别与驾驶风格评估系统时，需要考虑以下几个方面。
首先，需要收集大量的车辆行驶数据，包括车辆传感器数据、行车记录仪数据等。
这些数据将作为训练集和测试集，用于训练和验证深度学习模型。
其次，需要设计并训练合适的深度学习模型，以便准确地识别和分类车辆行为。
相比传统的机器学习方法，深度学习模型具有更高的准确率和更好的泛化能力。
然后，需要建立驾驶风格评估模型，通过分析驾驶者的行为数据，评估驾驶风格并给出相应的建议。
最后，需要将识别与评估结果以可视化的方式呈现给驾驶者，帮助他们更好地理解和改进自身的驾驶行为。
这样的基于深度学习的车辆行为识别与驾驶风格评估系统具有多重优势。
首先，通过实时监测和评估车辆行为，可以提供及时的警示和建议，降低事故和违规的发生率，提高驾驶安全性。
大数据背景下的智能交通系统设计
大数据背景下的智能交通系统设计随着科技的不断进步，智能交通系统逐渐成为了城市交通管理的重要手段之一。
而大数据作为支撑智能交通系统的重要技术手段，也正在为智能交通系统的设计和实现带来新的机遇和挑战。
一、大数据在智能交通系统中的应用随着智能交通系统的不断升级，交通场景中不断涌现的数据也不断增多，这些数据包括车辆、道路、人员等各种信息。
而大数据技术作为支撑智能交通系统的技术手段，也可以为交通管理者提供更加全面、准确、实时的交通信息，从而更好地指导交通管理工作。
具体而言：1. 建立交通实时信息监测系统通过引入先进的传感技术和互联网技术，可以建立起一套完整的交通实时信息监测系统，不断获取交通数据，并对数据进行整理、分类、分析，提供给交通管理者参考。
2. 建立交通数据高效传输架构为了保证交通数据的及时性和准确性，需要建立起高效、稳定的数据传输架构，保证交通数据的传输速度和可靠性。
这对于交通管理者来说非常重要，可以帮助他们更好地理解和掌握交通状况。
3. 开发交通数据分析应用通过建立一套交通数据分析应用，可以自动化地从数据中提取出有用的信息，包括交通流量、拥堵情况、道路通行时间等。
通过对这些数据的分析，交通管理者就可以及时发现交通瓶颈和问题，并制定有效的解决方案。
二、大数据在智能交通系统设计中的意义在智能交通系统设计过程中，大数据技术也具有重要意义，主要可以从以下几个方面来说明。
1. 驾驶行为识别和分析通过监测车辆行驶轨迹，可以对车辆的驾驶行为进行监测和分析。
通过建立驾驶行为分析模型，可以自动化地分析驾驶员驾驶习惯和行为特点，从而减少交通事故发生的可能性。
2. 路况预测和优化通过对历史交通数据的分析，可以进行路况预测，预测何时会出现拥堵情况，从而为交通管理者提供相关建议。
同时，通过对路况状况进行优化，可以在线路分配和路网规划等方面得到有效地改善。
3. 交通管理决策支持在日常的交通管理工作中，大数据技术可以为交通管理者提供更加全面、准确的交通信息，从而支持他们做出更加明确、有效的交通决策。
车联网行业如何利用大数据进行驾驶行为分析
车联网行业如何利用大数据进行驾驶行为分析随着科技的快速发展，车联网行业逐渐崭露头角，成为汽车行业的一大趋势。
车联网技术通过连接车辆与互联网，实现了车辆之间的通信和数据交换，为驾驶者和行业提供了更多的便利和安全保障。
而利用大数据进行驾驶行为分析，不仅可以为车主提供个性化驾驶服务，还能够帮助行业更好地理解和应对驾驶行为问题，实现智能驾驶的目标。
一、数据采集和存储要进行驾驶行为分析，首先需要进行数据的采集和存储。
车联网系统通过车载传感器、摄像头、GPS等设备，不断地收集车辆和驾驶者的各种数据，如驾驶行为数据、行驶路线数据、车辆状态数据等。
这些数据将被传输到云端数据库进行存储，形成海量的原始数据集。
二、数据预处理和清洗由于数据的采集来源多样，而且可能存在噪声和不完整的情况，因此在进行驾驶行为分析之前，需要对数据进行预处理和清洗，以确保数据的准确性和一致性。
预处理包括数据规范化、去除异常值等操作，清洗则是对数据进行去重、去噪声、填补缺失值等处理，以提高数据的质量和可用性。
三、数据特征提取和建模在驾驶行为分析中，通过对采集的数据进行特征提取和建模，可以帮助我们更好地理解驾驶者的行为习惯和驾驶风格。
特征提取是将原始数据转化为可供机器学习算法处理的特征向量，常用的特征包括驾驶速度、加减速度、转向行为等。
建模则是基于提取出的特征，使用机器学习算法构建模型，以预测和分析不同驾驶行为。
四、驾驶行为分析与优化通过对驾驶行为进行分析，可以为驾驶者提供个性化的驾驶建议和服务。
比如，根据驾驶者的驾驶习惯，系统可以提供节油驾驶的指导，优化行车路线，提供实时道路拥堵信息等。
同时，行业可以根据驾驶行为数据，开展相关的市场分析和产品改进，提高整体的驾驶安全性和舒适性。
五、隐私保护与数据安全在利用大数据进行驾驶行为分析的过程中，隐私保护和数据安全是非常重要的问题。
车联网企业应当严格遵守相关的法律法规，保护用户的隐私，合理使用和处理用户的数据。
基于大数据分析的智能车联网系统设计与实现
基于大数据分析的智能车联网系统设计与实现智能车联网系统是一种基于大数据分析的创新技术，它通过车载传感器、无线通信技术和云计算等技术手段，将汽车与智能交通基础设施、移动终端和互联网相连接，实现车辆之间、车辆与周围环境之间的信息传递与共享。
本文将围绕任务名称为“基于大数据分析的智能车联网系统设计与实现”，详细介绍智能车联网系统的设计和实现。
智能车联网系统由以下几个核心组件构成：车载终端、车辆感知与识别、无线通信、云计算平台和应用程序。
首先，车载终端是智能车联网系统的重要组成部分，它负责收集车辆内部和外部环境的数据。
车载终端通过各类传感器，如加速度传感器、摄像头、GPS等，实时感知和采集车辆的各项数据，如车速、油耗、车辆位置、行驶状态等。
同时，车载终端还可以将驾驶者的行为数据进行采集，如刹车、加速、转向等，从而为智能车联网系统提供丰富的数据基础。
其次，车辆感知与识别是智能车联网系统中的关键技术之一。
通过车载终端收集的数据，结合计算机视觉和模式识别等技术，对道路、交通标志、行人和其他车辆进行感知和识别。
例如，通过分析摄像头获取的图像数据，可以识别交通标志，提醒驾驶者注意车速限制或道路条件。
通过感知和识别算法，智能车联网系统可以准确地获取车辆周围环境信息，并做出相应的决策。
第三，无线通信是实现车辆之间和车辆与基础设施之间实时数据传输的重要手段。
智能车联网系统通过车辆间通信和车辆与基础设施通信，实现实时数据的传递和共享。
车辆间通信可以使车辆之间进行信息交流，如交通拥堵信息、事故报警信息等。
车辆与基础设施通信可以使车辆与交通管理中心、停车场、充电桩等设施进行连接，实现信息共享和协同控制。
无线通信技术，如车载通信网络、车辆自组网和蜂窝网络，可以为智能车联网系统提供稳定可靠的数据传输通道。
第四，云计算平台是智能车联网系统中的核心组件之一。
通过云计算平台，智能车联网系统可以将海量的数据进行存储、处理和分析。
云计算平台可以提供强大的计算和存储能力，基于大数据分析技术，对收集的车载数据进行实时处理和分析。
一种基于大数据分析的驾驶行为评价方法及系统[发明专利]
![一种基于大数据分析的驾驶行为评价方法及系统[发明专利]](https://img.taocdn.com/s3/m/b03031e951e2524de518964bcf84b9d528ea2c33.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810790172.1(22)申请日 2018.07.18(71)申请人 南斗六星系统集成有限公司地址 430056 湖北省武汉市经济技术开发区206M地块华中电子商务产业园B3/B5栋1-6层B3/B5-1室(72)发明人 陆林 周继波 张宇 李晓聪 纪湘湘 (74)专利代理机构 北京一格知识产权代理事务所(普通合伙) 11316代理人 赵永伟(51)Int.Cl.G06Q 10/06(2012.01)G06F 17/30(2006.01)B60W 40/09(2012.01)(54)发明名称一种基于大数据分析的驾驶行为评价方法及系统(57)摘要本发明涉及一种基于大数据分析的驾驶行为评价方法，包括以下步骤，S1，利用大数据分析方法对每段驾驶行程内的驾驶行程数据进行分析，并基于事件判定规则识别出每段驾驶行程内发生过的驾驶行为事件；S2，基于预先设立的三级从属评价指标结构模型，根据所述驾驶行为事件计算得出每段驾驶行程内的评价指标；S3，根据评价指标，计算出任一段驾驶行程的评价结果。
本发明的方法使用大数据处理技术，能够快速对驾驶员的驾驶行为做出评价，及时反馈评价结果，其计算效率高；同时，综合考虑车辆的驾驶行程数据，可以准确、客观、全面的识别驾驶员的驾驶行为。
权利要求书2页 说明书6页 附图2页CN 109034589 A 2018.12.18C N 109034589A1.一种基于大数据分析的驾驶行为评价方法，其特征在于：包括以下步骤，S1，利用大数据分析方法对每段驾驶行程内的驾驶行程数据进行分析，并基于事件判定规则识别出每段驾驶行程内发生过的驾驶行为事件；S2，基于预先设立的三级从属评价指标结构模型，根据所述驾驶行为事件计算得出每段驾驶行程内的评价指标；S3，根据评价指标，计算出任一段驾驶行程的评价结果。
《2024年基于场景的智能网联汽车模拟仿真测试评估方法与实践》范文
《基于场景的智能网联汽车模拟仿真测试评估方法与实践》篇一一、引言随着科技的不断进步，智能网联汽车逐渐成为汽车行业发展的主流趋势。
智能网联汽车具备高度的智能化和互联化特点，为人们的出行带来了极大的便利。
然而，智能网联汽车的研发和测试过程中，如何准确评估其性能和安全性成为了一个重要的问题。
本文将介绍一种基于场景的智能网联汽车模拟仿真测试评估方法与实践，以期为智能网联汽车的研发和测试提供参考。
二、场景构建与模拟仿真基于场景的智能网联汽车模拟仿真测试评估方法的核心在于场景的构建与模拟仿真。
首先，根据实际道路交通环境、车辆行驶状态、交通规则等因素，构建出各种典型的驾驶场景。
这些场景包括但不限于城市道路、高速公路、乡村道路等不同路况，以及拥堵、雨雾等特殊天气条件下的驾驶场景。
在构建好场景后，利用模拟仿真软件对智能网联汽车进行仿真测试。
通过设定仿真参数，模拟车辆在不同场景下的行驶过程，以及与其他车辆、行人、交通设施等的交互过程。
这样可以实现对智能网联汽车性能和安全性的全面评估。
三、测试评估指标在基于场景的智能网联汽车模拟仿真测试中，需要设定一系列的测试评估指标。
这些指标包括但不限于以下几个方面：1. 车辆行驶稳定性：评估车辆在不同场景下的行驶稳定性，包括车速、转向、加速等指标。
2. 安全性：评估车辆在各种场景下的安全性，如碰撞避免能力、紧急制动等指标。
3. 智能化水平：评估车辆的智能化水平，如自动驾驶、车联网等功能的实现程度和性能。
4. 能源消耗：评估车辆在不同场景下的能源消耗情况，如燃油消耗、电池续航等指标。
四、实践应用基于场景的智能网联汽车模拟仿真测试评估方法在实践中得到了广泛的应用。
通过模拟不同场景下的车辆行驶过程，可以实现对智能网联汽车的全面评估，及时发现潜在的问题和风险。
同时，这种方法具有高效、低成本、可重复性等优点，为智能网联汽车的研发和测试提供了极大的便利。
在实践应用中，可以根据具体的研发需求和测试目标，设定不同的场景和参数，以实现对智能网联汽车的定制化评估。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据环境下商用网联车驾驶行为评价系统的设计与实现
随着物流行业的迅速发展，商用车联网系统越来越受到国内外研究机构和学者的关注，驾驶人的驾驶行为习惯得到了越来越多关注。
文章提出了一种大数据环境下，基于OBD技术的驾驶行为评价系统。
利用行车过程中的行驶数据对驾驶行为进行量化评价。
文章的数据源于由陕汽天行健集团提供的车载OBD设备读取的车辆信息。
文章提出了数据清洗，数据转换的标准，并在此基础上开发了一系列驾驶行为识别算法。
最后我们开发了Web端和App端的驾驶行为评价系统软件。
标签：OBD；大数据；驾驶行为
Abstract：With the rapid development of logistics industry，more and more domestic and foreign research institutions and scholars pay attention to the commercial vehicle networking system，and more and more attention has been paid to the driving behavior habits of drivers. This paper presents a driving behavior evaluation system based on OBD technology in the big data environment. The driving behavior is evaluated by driving data. The data of the article is derived from the vehicle information read by the vehicle OBD equipment provided by Shaanxi Auto Tianxingjian Group. In this paper，the standard of data cleaning and data conversion is put forward，and a series of driving behavior recognition algorithms are developed. Finally，we developed the driving behavior evaluation system software of Web and App.
Keywords：OBD；big data；driving behavior
引言
随着智能交通系统在全球范围内的高速发展，商用车联网系统越来越受到国内外研究机构和学者的关注。
例如福田戴姆勒开发的“iFOTON”超级车队管理系统，实现的功能包括车辆监控、油耗管理、驾驶员行为分析、金融服务、行车服务、售后服务、车货匹配，远程控制等一系列功能。
这些帮助物流车队提高运营效率，真正实现超级车队，智能管理。
国内车联网企业陕汽集团开发的天行健车联网系统，其相关功能：有位置服务、油耗/气耗管理、驾驶行为分析、远程故障诊断、偏线报警、重卡专用导航等功能。
以上的这些系统在车辆监控跟踪等方面有着卓越的表现，但随着商用网联车的普及，随之带来的驾驶数据量的骤增，物流企业对司机驾驶行为的关注，上面的平台无法满足要求。
因此本文提出并建立了一种大数据环境下商用网联车驾驶行为评价系统，实现了对行车数据的存储，驾驶行为的识别，驾驶行为的评价等功能。
1 系统结构与原理
驾驶行为评价系统整体架构，分为三个模块，包括驾驶数据存储层，驾驶行为识别系统，驾驶行为评价系统。
驾驶数据存储系统，实现在大数据环境下，对行车过程中产生的结构化数据与非结构化数据，实现可靠高效的存储。
驾驶行为识别系统，利用分布式计算平台Spark对原始的行车数据进行清洗，分析，转换。
并采用驾驶行为识别算法，实现对急加速，急减速，疲劳驾驶等异常驾驶行为的识别。
驾驶行为评价系统，利用之前处理得到的行车数据，以及异常驾驶行为数据，利用聚类和层次分析法对司机的驾驶行为做出客观，定量的评价。
2 网联车驾驶行为评价系统设计实现
2.1 驾驶行为数据存储系统
隨着商用车数据采集的升级，行车数据不仅包含定位信息、车辆信息，车辆行驶状态信息等结构化数据，还包括音频、视频、图片等具有异构性与非结构化性特点的多媒体信息。
因此本文设计实现了基于Hadoop和MySQL的混合异构数据存储系统。
（1）结构化数据存储集群方案。
基于MySQL的结构化数据库主要用来存储车辆信息、用户信息、经过驾驶行为识别系统处理过司机异常驾驶行为数据以及司机驾驶行为评价数据。
本文所用的MySQL数据库，采用一个主服务器和两个从属服务器的方式，同时将数据的读取与写入操作分散到不同的服务器上。
采用LVS+Keepalived软件策略方式实现MySQL数据库的集群。
（2）非结构化数据存储集群方案。
在大规模商用网联车背景下，对非结构化数据如车载监控视频数据，道路数据等进行高效存储考虑到的因素比较多。
主要包括：
a.为了保证数据库中数据的实时性以及用户定位目标视频的精准性，需要对监控摄像头录制的视频按照需求进行分割。
这会产生相当多数量的小文件。
b.网联商用车云服务平台采集的车辆状态数据、车辆位置数据、道路数据一旦存入数据库中就不会再修改了，只会进行查询与删除数据。
针对这些需求，本论文设计实现了一种基于Hadoop平台的Hbase数据库的非结构化数据存储平台系统。
HBase依赖的分布式文件系统HDFS在小文件处理方面有非常优秀的性能，而且，在HDFS中文件是按块存储的，典型的块大小是
64MB，分割成的每个视频文件的大小跟此在一个级别上，因此，存储视频文件相当方便简单，也能很容易快捷的实现视频文件的查询与读取。
商用网联车云服务平台采集的车辆状态数据、车辆位置数据、道路数据一旦存入数据库中就不会再修改了，只会进行查询与删除数据，而在HBase中，多数HDFS对文件操作只需要一次写入，之后就不会再进行修改了，这决定了用户不需要考虑在进行高吞吐量数据访问时可能会产生的数据一致性問题，因此本文选用HBase数据库来存放上述信息中。
其中有一台服务器是Master，即主数据库，另外三台是Slaver，即从属数据库。
这四台机器彼此间通过路由器实现通信连接，能够相互之间传递数据与其他控制信息。
它们都可以通过路由器访问网络、与其他系统服务器相连。
HBase需要运行在Hadoop环境上，因此在HBase集群部署之前，要先在每台机器上分别部署Hadoop，同样也是一个Master主节点与三个Slaver从属节点。
2.2 驾驶行为识别系统
原始的驾驶行为数据以CSV的格式存储在驾驶行为数据存储系统，数据内容为车载终端设备上传的车辆OBD数据以及车辆位置数据。
在原始驾驶数据的基础上，我们制定了驾驶行为数据转换标准，来获取高阶的驾驶数据，以此作为驾驶行为评价的数据来源。
以下是规定的数据转换标准：
行驶距离转换标准。
当日行驶数据中当日的最大行驶总路程最大值与最小值之差。
刹车次数转换标准。
统计当日Switch.csv 中，刹车状态的变化点（01）转换点。
换挡次数转换标准：统计当日Switch.csv 中，离合状态的变化点（01）转换点。
油耗转换标准：Fule.csv当日发动机喷油量累计值最大值和最小值之差。
驾驶行为识别算法库的设计：车载终端对车辆的行驶状态数据进行采集，并将相关数据回传至后端服务器。
后端服务器根据内置的异常驾驶行为识别算法库对于疲劳驾驶、急加速、急减速、超速以及不按规定路线行驶多种异常驾驶行为的进行识别，并将识别结果存储到数据库之中，为司机的驾驶行为评价提供数据支撑。
2.3 驾驶行为评价系统
驾驶行为评价模型使用AHP层次分析法建模。
其步骤包括：构造层次分析结构；构造判断矩阵；对判断矩阵进行一致性检验；层次单排序；层次总排序；做出决策。
构造层次分析结构一般分为三类层次：目标层、准则层、方案层。
将5个维度作为AHP层次分析模型的准则层。
按照经过处理的车辆驾驶行为数据分类，将数据归纳为16个种类，作为模型的方案层，包括：急加速、急刹车、加速踏板相对位置变化率、最大行驶速度、最大行驶距离、总行驶距离、总超速时长、平均速度、发动机水温控制、发动机转送控制、总油耗、平均油耗、疲劳驾驶时间、电池电压控制、故障行驶、保养逾期时间等。
通过对车辆从业人员和驾驶人用户进行调研，对每一项方案进行定义。
3 试验验证
在得到上述数据的基础上，本文开发了安卓客户端App以及Web版的管理软件。
4 结束语
本文提出了一种大数据环境下商用车驾驶行为评价系统，能较好的解决商用车司机驾驶行为监管问题。
为物流公司以及商用车使用企业在司机驾驶行为监管方面给出了定量的评价标准。
下一步的研究目的是结合更多的传感器数据实现司机驾驶行为的准确识别，以及构建更加科学的司机驾驶行为评价体系。
参考文献：
[1]李宁.基于汽车OBD车联网的设计与实现[J].电子测量技术，2016，8.
[2]滕凯凯.基于OBD的车辆信息采集系统的设计与研究[D].长安大学，2016.
[3]孙小红.车联网的关键技术及应用研究[J].通信技术，2013，46（04）：47-50.。