CN113762755A - 驾驶员分析报告推送方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种驾驶员分析报告推送方法、装置、计算机设备和存储介质。所述方法包括：基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。采用本方法能够将车辆的管理落实到驾驶员上，使得驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高车辆运营的安全性。

Description

驾驶员分析报告推送方法、装置、计算机设备和存储介质

技术领域

本申请涉及车联网技术领域，特别是涉及一种驾驶员分析报告推送方法、装置、计算机设备和存储介质。

背景技术

移动互联网技术正在改变着生活、商业模式及全球经济。随着车联网技术向商用车车研发、生产、销售及服务等方面的渗透，商用车车联网数据价值亟待开发和利用。目前来看，各个整车厂已经重视车辆数据价值，都开始收集车辆数据，并存储在自己的车联网系统中，并不断开发数据应用模式。

目前来说，针对车辆及驾驶员的道路运输的安全管理，均采用通过车载终端随机抽查、事后取证的方式，在投入大量人力、物力的前提下，仍难以改善企业道路运输安全水平。因此，亟需提供一种给驾驶员推送自身驾驶习惯对应的分析报告的方法，将车辆的管理落实到驾驶员上，使得驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高车辆运营的安全性。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高车辆运营安全性的驾驶员分析报告推送方法、装置、计算机设备和存储介质。

一种驾驶员分析报告推送方法，该方法包括：

基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

在其中一个实施例中，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

根据驾驶员在历史时间段内每一历史时刻的历史行车数据，确定历史时间段内出现过不良驾驶行为的总次数；

基于驾驶员在历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。

在其中一个实施例中，历史行车数据包括加速度；相应地，不良驾驶行为为以下多种行为中的任意一种，以下多种行为包括急加速及急减速；或者，

历史行车数据包括向心加速度；相应地，不良驾驶行为为急转弯；或者，

历史行车数据包括车速；相应地，不良驾驶行为为超速；或者，

历史行车数据包括车速及发动机转速，相应地，不良驾驶行为为停车轰油门。

在其中一个实施例中，历史行车数据包括驾驶员的风险驾驶行为数据；相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；

基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型。

在其中一个实施例中，历史行车数据包括累计油耗及整车重量；相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

计算累计油耗与整车重量之间的比值；

基于比值所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型。

在其中一个实施例中，历史行车数据包括车辆定位数据；相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；

基于地点数量，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

在其中一个实施例中，标签包括驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签；历史行车数据还包括驾驶员风险驾驶行为数据、累计油耗、整车重量及车辆定位数据，相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

根据驾驶员在历史时间段内每一历史时刻的加速度，确定历史时间段内出现过急加速及急减速的总次数；

根据驾驶员在历史时间段内每一历史时刻的向心加速度，确定历史时间段内出现过急转弯的总次数；

根据驾驶员在历史时间段内每一历史时刻的车速，确定历史时间段内出现过超速的总次数；

根据驾驶员在历史时间段内每一历史时刻的车速及发动机转速，确定历史时间段内出现过停车轰油门的总次数；

对历史时间段内出现过急加速及急减速的总次数、急转弯的总次数、超速的总次数及停车轰油门的总次数进行求和，并基于求和结果所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶稳重程度标签；其中，驾驶稳重程度标为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型；

对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；

基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶风险程度标签；其中，驾驶风险程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型；

计算累计油耗与车辆重量之间的比值；

基于比值所落入的取值，获取用于表征驾驶员驾驶习惯的驾驶耗油程度标签；其中，驾驶耗油程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型；

基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；

基于地点数量，获取用于表征驾驶员驾驶习惯的驾驶履历标签；其中，驾驶履历标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

一种驾驶员分析报告推送装置，该装置包括：

获取模块，用于基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

确定模块，用于根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

上述驾驶员分析报告推送方法、装置、计算机设备和存储介质，通过基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签；根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端，将车辆的管理落实到驾驶员上，使得驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高车辆运营的安全性。

附图说明

图1为一个实施例中驾驶员分析报告推送方法的流程示意图；

图2为一个实施例中分析报告的示意图；

图3为一个实施例中驾驶员分析报告推送系统的结构框图；

图4为另一个实施例中驾驶员分析报告推送装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

移动互联网技术正在改变着生活、商业模式及全球经济。随着车联网技术向商用车车研发、生产、销售及服务等方面的渗透，商用车车联网数据价值亟待开发和利用。目前来看，各个整车厂已经重视车辆数据价值，都开始收集车辆数据，并存储在自己的车联网系统中，并不断开发数据应用模式。

目前来说，针对车辆及驾驶员的道路运输的安全管理，均采用通过车载终端随机抽查、事后取证的方式，在投入大量人力、物力的前提下，仍难以改善企业道路运输安全水平。因此，亟需提供一种给驾驶员推送自身驾驶习惯对应的分析报告的方法，将车辆的管理落实到驾驶员上，使得驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高车辆运营的安全性。

在对本发明实施例的具体实施方式进行说明之前，先对本发明实施例的主要应用场景进行说明。本发明实施例中的驾驶员分析报告推送方法主要应用于商用车整车厂对车队进行管理的应用场景，其中，商用车是在设计和技术特征上是用于运送人员和货物的汽车，若商用车的驾驶员的驾驶习惯不好，则商用车发生交通事故的可能性将会增高，从而造成商用车整车厂的重大经济损失。因此，商用车整车厂提供用于给商用车的驾驶员推送自身驾驶习惯的分析报告的方法显得尤为重要。驾驶员分析报告推送方法主要是通过基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，根据该标签，确定该驾驶员的分析报告，并将分析报告推送给驾驶员，使得商用车的驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高商用车整车厂商用车运营的安全性。

针对上述相关技术中存在的问题，本发明实施例提供了一种驾驶员分析报告推送方法，该方法可以应用于服务器中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。需要说明的是，本申请各实施例中提及的“多个”等的数量均指代“至少两个”的数量，比如，“多个”指“至少两个”。

结合上述实施例的内容，在一个实施例中，如图1所示，提供了一种驾驶员分析报告推送方法，以该方法应用于服务器，且执行主体为服务器为例进行说明，该方法包括如下步骤：

101、基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

102、根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

在上述步骤101中，历史行车数据可以主要是驾驶员从购买车辆直至目前对应地时间段内的行车数据，也可以是驾驶员从购买车辆直至目前对应地时间段中的任意一个子时间段内的行车数据，本发明实施例对此不作具体限定。具体的，在实际应用中，驾驶员在获取到分析报告之后，会根据分析报告对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，因此，为了保证驾驶员的分析报告与驾驶员的真实驾驶习惯越接近，在确定分析报告时所使用的历史行车数据可以是从驾驶员上一次获取到分析报告直至目前对应地时间段内的行车数据。

另外，本发明实施例不对基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签的方式作具体限定，包括但不限于：根据驾驶员在历史时间段内每一历史时刻的历史行车数据，获取每一历史时刻的车辆运转数据；根据每一历史时刻的车辆运转数据，确定历史时间段内出现过不良驾驶行为的总次数；基于驾驶员在历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。

例如，历史行车数据包括车速，相应地，根据驾驶员在历史时间段内每一历史时刻的车速，获取每一历史时刻的加速度，根据每一历史时刻的加速度，确定历史时间段内出现过不良驾驶行为的总次数，其中，不良驾驶行为为以下多种行为中的任意一种，以下多种行为包括急加速及急减速，基于驾驶员在历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。例如，历史行车数据包括方向角，相应地，根据驾驶员在历史时间段内每一历史时刻的方向角，获取每一历史时刻的向心加速度，根据每一历史时刻的向心加速度，确定历史时间段内出现过不良驾驶行为的总次数，其中，不良驾驶行为为急转弯，基于驾驶员在历史时间段内急转弯这一不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。需要说明的是，也可基于历史时间段内急加速、急减速及急转弯的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。

另外，历史行车数据包括驾驶员个人信息数据，驾驶员个人信息数据可以包括驾驶员的驾龄，相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：基于驾驶员的驾龄，获取用于表征驾驶员驾驶习惯的标签；其中，标签为驾驶员的驾龄。另外，历史行车数据包括总里程，相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：基于总里程，获取用于表征驾驶员驾驶习惯的标签；其中，标签为总里程。

另外，在上述步骤101中，标签可以为以下几种类型的标签中的多种，以下几种类型的标签分别为：驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签等，本发明实施例对此不作具体限定。需要说明的是，标签所包含的类型越多，最终根据标签确定的驾驶员的分析报告与驾驶员的真实驾驶习惯越接近，也即所获取的分析报告越精确。需要说明的是，上述驾龄及总里程均属于驾驶履历标签。例如，标签包括驾驶履历标签，历史行车数据包括车辆定位数据、驾龄及总里程，相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；基于地点数量、驾龄及总里程，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

在上述步骤102中，分析报告的表现形式可以为画像、表格及文字等，本发明实施例对此不作具体限定，若分析报告的表现形式为画像，可以如图2所示。另外，在上述步骤102中，第一用户终端可以为手机，也可以为车载终端，本发明实施例对此不作具体限定。

本发明实施例提供的方法，通过基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签；根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端，将车辆的管理落实到驾驶员上，使得驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高车辆运营的安全性。

结合上述实施例，在一个实施例中，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

根据驾驶员在历史时间段内每一历史时刻的历史行车数据，确定历史时间段内出现过不良驾驶行为的总次数；

基于驾驶员在历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。

例如，历史行车数据包括发动机转速，相应地，不良驾驶行为为疲劳驾驶。其中，疲劳驾驶的判定条件可以为发动机转速连续4小时不小0即判定为疲劳驾驶。

结合上述实施例，在一个实施例中，历史行车数据包括加速度；相应地，不良驾驶行为为以下多种行为中的任意一种，以下多种行为包括急加速及急减速；或者，

历史行车数据包括向心加速度；相应地，不良驾驶行为为急转弯；或者，

历史行车数据包括车速；相应地，不良驾驶行为为超速；或者，

历史行车数据包括车速及发动机转速，相应地，不良驾驶行为为停车轰油门。

其中，加速度对应的不良驾驶行为可以基于下述过程确定：根据每一历史时刻的加速度的取值所落入的预设区间，确定每一历史时刻的加速度对应的不良驾驶行为，加速度预先划分有多个预设区间且与以下多种行为一一对应。例如，以下多种行为包括急加速及急减速，相应地，预设区间的确定过程可以如下：采用正态分布法统计与驾驶员驾驶车辆同类型车辆的加速度频次占比，也即统计后的加速度是按取值的大小进行排序的，确定后15％为急减速，前15％为急加速，相应地，确定预设区间。

其中，向心加速度对应的不良驾驶行为可以基于下述过程确定：根据每一历史时刻的向心加速度的取值所落入的预设区间，确定每一历史时刻的加速度对应的不良驾驶行为。需要说明的是，预设区间的确定过程可以如下：采用正态分布法统计与驾驶员驾驶车辆同类型车辆的向心加速度频次占比，也即统计后的向心加速度是按取值的大小进行排序的，确定前15％为急转弯，相应地，确定预设区间。

其中，超速的判定条件可以为车速连续30s大于100km/h即判定为超速。

其中，停车轰油门的判定条件可以为车速为0，发动机转速大于600rpm即判定为停车轰油门。

结合上述实施例，在一个实施例中，历史行车数据包括驾驶员的风险驾驶行为数据；相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；

基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型。

本发明实施例提供的方法，通过对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型。使得驾驶员对自身的风险驾驶行为有个清晰认知，从而避免风险驾驶行为的发生，进而提高车辆运营的安全性。

结合上述实施例，在一个实施例中，历史行车数据包括累计油耗及整车重量；相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

计算累计油耗与整车重量之间的比值；

基于比值所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型。

本发明实施例提供的方法，通过计算累计油耗与整车重量之间的比值，基于比值所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型。驾驶员的油耗情况，从一定程度上可以反映驾驶员的驾驶习惯，油耗量较多的驾驶员相对来说开车较激进。驾驶员通过此标签，对自身的驾驶习惯进行改进，也即减少油耗，一方面从而实现节约资源，保护环境；另一方面实现改变的驾驶风格，从而由激进型向平稳型转变，进而提高车辆运营的安全性。

结合上述实施例，在一个实施例中，历史行车数据包括车辆定位数据；相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；

基于地点数量，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

本发明实施例提供的方法，通过基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；基于地点数量，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。驾驶员通过此标签，对自身的驾驶履历有清晰的认知，新手型及进阶型均努力向丰富型转变，通过提升经验从而提升自身驾驶技术，进而提高车辆运营的安全性。

结合上述实施例，在一个实施例中，标签包括驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签；历史行车数据还包括驾驶员风险驾驶行为数据、累计油耗、整车重量及车辆定位数据，相应地，基于驾驶员的历史行车数据，获取用于表征驾驶员驾驶习惯的标签，包括：

根据驾驶员在历史时间段内每一历史时刻的加速度，确定历史时间段内出现过急加速及急减速的总次数；

根据驾驶员在历史时间段内每一历史时刻的向心加速度，确定历史时间段内出现过急转弯的总次数；

根据驾驶员在历史时间段内每一历史时刻的车速，确定历史时间段内出现过超速的总次数；

根据驾驶员在历史时间段内每一历史时刻的车速及发动机转速，确定历史时间段内出现过停车轰油门的总次数；

对历史时间段内出现过急加速及急减速的总次数、急转弯的总次数、超速的总次数及停车轰油门的总次数进行求和，并基于求和结果所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶稳重程度标签；其中，驾驶稳重程度标为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型；

对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；

基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶风险程度标签；其中，驾驶风险程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型；

计算累计油耗与车辆重量之间的比值；

基于比值所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶耗油程度标签；其中，驾驶耗油程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型；

基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；

基于地点数量，获取用于表征驾驶员驾驶习惯的驾驶履历标签；其中，驾驶履历标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

本发明实施例提供的方法，基于驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签，确定驾驶员的分析报告。通过从多方面确定驾驶员的分析报告，所确定驾驶员的分析报告与驾驶员的真实驾驶行为更加接近，基于此，从而使得驾驶员通过分析报告对自身的驾驶习惯有全面的认知，并对自身驾驶技术进行改进，进而提高车辆运营的安全性。

结合上述实施例的内容，在一个实施例中，如图3所示，提供了一种驾驶员分析报告推送系统，该系统包括：

用户终端，用于采集静态数据，并将静态数据传输至大数据分析平台，其中，静态数据可以包括：驾驶员性别、年龄、驾龄、常驻地区、车辆识别码及车辆车牌号等；

车载终端，用于采集动态数据，动态数据可以包括：车辆定位数据、方向角、累计里程、累计油耗、车速、发动机转速、辆重量及车辆识别码等，根据动态数据，获取急加速、急减速、超速、急转弯、疲劳驾驶及停车轰油门等不良驾驶行为数据，并将动态数据及不良驾驶行为数据传输至大数据分析平台；

大数据分析平台，用于接收静态数据、动态数据及不良驾驶行为数据，并对静态数据、动态数据及不良驾驶行为数据进行清洗；

车联网平台，用于根据静态数据、动态数据及不良驾驶行为数据，获取用于表征驾驶员驾驶习惯的标签，根据标签，确定驾驶员的分析报告，并将分析报告推送用户终端。

具体地，第一用户终端可以为手机，利用手机上的APP采集静态数据。需要说明的是，采集静态数据的前提是用户注册了APP，也即需在用户同意的条件下方可采集静态数据。

具体地，车载终端通过CAN总线采集车辆的动态数据，从而提高采集数据的速度，且提高数据的抗干扰能力。车载终端采集信号的频率最小为1HZ，避免采集的频率过大造成资源浪费，频率过小无法分析驾驶员的驾驶习惯。

具体地，大数据分析平台所执行的步骤也可由车辆网平台来执行，但是为了降低车辆网平台的工作负担，将部分步骤分配给大数据平台来执行。

具体地，车辆网平台根据静态数据、动态数据及不良驾驶行为数据，获取用于表征驾驶员驾驶习惯的标签的具体步骤，以及确定驾驶员分析报告的步骤与上述驾驶员分析报告推送方法中获取标签的步骤及确定分析报告的步骤均相同，因此，在此不再累述。

本发明实施例提供的系统，通过车辆网平台，根据标签，确定驾驶员的分析报告，并将分析报告推送用户终端。将车辆的管理落实到驾驶员上，使得驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高车辆运营的安全性。

应该理解的是，虽然图1的流程图中的各种步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

结合上述实施例的内容，在一个实施例中，如图4所示，提供了一种驾驶员分析报告推送装置，该装置包括：

获取模块401，用于基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

确定模块402，用于根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

在一个实施例中，获取模块401，包括：

确定单元，用于根据驾驶员在历史时间段内每一历史时刻的历史行车数据，确定历史时间段内出现过不良驾驶行为的总次数；

获取单元，用于基于驾驶员在历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。

在一个实施例中，历史行车数据包括加速度；相应地，不良驾驶行为为以下多种行为中的任意一种，以下多种行为包括急加速及急减速；或者，

历史行车数据包括向心加速度；相应地，不良驾驶行为为急转弯；或者，

历史行车数据包括车速；相应地，不良驾驶行为为超速；或者，

历史行车数据包括车速及发动机转速，相应地，不良驾驶行为为停车轰油门。

在一个实施例中，历史行车数据包括驾驶员的风险驾驶行为数据；相应地，获取模块401，包括：

确定单元，用于对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；

获取单元，用于基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型。

在一个实施例中，历史行车数据包括累计油耗及整车重量；相应地，获取模块401，包括：

计算单元，用于计算累计油耗与整车重量之间的比值；

获取单元，用于基于比值所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型。

在一个实施例中，历史行车数据包括车辆定位数据；相应地，获取模块401，包括：

确定单元，用于基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；

获取单元，用于基于地点数量，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

在一个实施例中，标签包括驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签；历史行车数据还包括驾驶员风险驾驶行为数据、累计油耗、整车重量及车辆定位数据，相应地，获取模块401，包括：

第一确定单元，用于根据驾驶员在历史时间段内每一历史时刻的加速度，确定历史时间段内出现过急加速及急减速的总次数；根据驾驶员在历史时间段内每一历史时刻的向心加速度，确定历史时间段内出现过急转弯的总次数；根据驾驶员在历史时间段内每一历史时刻的车速，确定历史时间段内出现过超速的总次数；根据驾驶员在历史时间段内每一历史时刻的车速及发动机转速，确定历史时间段内出现过停车轰油门的总次数；

第一获取单元，用于对历史时间段内出现过急加速及急减速的总次数、急转弯的总次数、超速的总次数及停车轰油门的总次数进行求和，并基于求和结果所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶稳重程度标签；其中，驾驶稳重程度标为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型；

第二确定单元，用于对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；

第二获取单元，用于基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶风险程度标签；其中，驾驶风险程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型；

计算单元，用于计算累计油耗与车辆重量之间的比值；

第三获取单元，用于基于比值所落入的取值，获取用于表征驾驶员驾驶习惯的驾驶耗油程度标签；其中，驾驶耗油程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型；

第三确定单元，用于基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；

第四获取单元，用于基于地点数量，获取用于表征驾驶员驾驶习惯的驾驶履历标签；其中，驾驶履历标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

本发明实施例提供的装置，通过获取模块401，用于基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签；确定模块402，用于根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端，将车辆的管理落实到驾驶员上，使得驾驶员根据分析报告能对自己的驾驶习惯有清晰认知，从而去提高或者完善驾驶技术，进而提高车辆运营的安全性。

关于驾驶员分析报告推送装置的具体限定可以参见上文中对于驾驶员分析报告推送方法的限定，在此不再赘述。上述驾驶员分析报告推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史行车数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种驾驶员分析报告推送方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体地计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据驾驶员在历史时间段内每一历史时刻的历史行车数据，确定历史时间段内出现过不良驾驶行为的总次数；基于驾驶员在历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。

在一个实施例中，处理器在执行计算机程序时，历史行车数据包括加速度；相应地，不良驾驶行为为以下多种行为中的任意一种，以下多种行为包括急加速及急减速；或者，历史行车数据包括向心加速度；相应地，不良驾驶行为为急转弯；或者，历史行车数据包括车速；相应地，不良驾驶行为为超速；或者，历史行车数据包括车速及发动机转速，相应地，不良驾驶行为为停车轰油门。

在一个实施例中，历史行车数据包括驾驶员的风险驾驶行为数据，相应地，处理器执行计算机程序时还实现以下步骤：对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型。

在一个实施例中，历史行车数据包括累计油耗及整车重量，相应地，处理器执行计算机程序时还实现以下步骤：计算累计油耗与整车重量之间的比值；基于比值所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型。

在一个实施例中，历史行车数据包括车辆定位数据，相应地，处理器执行计算机程序时还实现以下步骤：基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；基于地点数量，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

在一个实施例中，标签包括驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签；历史行车数据还包括驾驶员风险驾驶行为数据、累计油耗、整车重量及车辆定位数据，相应地，处理器执行计算机程序时还实现以下步骤：

根据驾驶员在历史时间段内每一历史时刻的加速度，确定历史时间段内出现过急加速及急减速的总次数；根据驾驶员在历史时间段内每一历史时刻的向心加速度，确定历史时间段内出现过急转弯的总次数；根据驾驶员在历史时间段内每一历史时刻的车速，确定历史时间段内出现过超速的总次数；根据驾驶员在历史时间段内每一历史时刻的车速及发动机转速，确定历史时间段内出现过停车轰油门的总次数；对历史时间段内出现过急加速及急减速的总次数、急转弯的总次数、超速的总次数及停车轰油门的总次数进行求和，并基于求和结果所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶稳重程度标签；其中，驾驶稳重程度标为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型；

对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶风险程度标签；其中，驾驶风险程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型；

计算累计油耗与车辆重量之间的比值；基于比值所落入的取值，获取用于表征驾驶员驾驶习惯的驾驶耗油程度标签；其中，驾驶耗油程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型；

基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；基于地点数量，获取用于表征驾驶员驾驶习惯的驾驶履历标签；其中，驾驶履历标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，历史行车数据包含驾驶员的不良驾驶行为数据；

根据标签，确定驾驶员的分析报告，并将分析报告推送第一用户终端。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据驾驶员在历史时间段内每一历史时刻的历史行车数据，确定历史时间段内出现过不良驾驶行为的总次数；基于驾驶员在历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型。

在一个实施例中，计算机程序被处理器执行时，历史行车数据包括加速度；相应地，不良驾驶行为为以下多种行为中的任意一种，以下多种行为包括急加速及急减速；或者，历史行车数据包括向心加速度；相应地，不良驾驶行为为急转弯；或者，历史行车数据包括车速；相应地，不良驾驶行为为超速；或者，历史行车数据包括车速及发动机转速，相应地，不良驾驶行为为停车轰油门。

在一个实施例中，历史行车数据包括驾驶员的风险驾驶行为数据，相应地，计算机程序被处理器执行时还实现以下步骤：对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型。

在一个实施例中，历史行车数据包括累计油耗及整车重量，相应地，计算机程序被处理器执行时还实现以下步骤：计算累计油耗与整车重量之间的比值；基于比值所落入的取值区间，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型。

在一个实施例中，历史行车数据包括车辆定位数据，相应地，计算机程序被处理器执行时还实现以下步骤：基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；基于地点数量，获取用于表征驾驶员驾驶习惯的标签；其中，标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

在一个实施例中，标签包括驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签；历史行车数据还包括驾驶员风险驾驶行为数据、累计油耗、整车重量及车辆定位数据，相应地，计算机程序被处理器执行时还实现以下步骤：

根据驾驶员在历史时间段内每一历史时刻的加速度，确定历史时间段内出现过急加速及急减速的总次数；根据驾驶员在历史时间段内每一历史时刻的向心加速度，确定历史时间段内出现过急转弯的总次数；根据驾驶员在历史时间段内每一历史时刻的车速，确定历史时间段内出现过超速的总次数；根据驾驶员在历史时间段内每一历史时刻的车速及发动机转速，确定历史时间段内出现过停车轰油门的总次数；对历史时间段内出现过急加速及急减速的总次数、急转弯的总次数、超速的总次数及停车轰油门的总次数进行求和，并基于求和结果所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶稳重程度标签；其中，驾驶稳重程度标为以下三种类型标签中的任意一种，以下三种类型标签分别为激进型、平稳型及沉稳型；

对驾驶员在历史时间段内的车内行为进行识别，确定历史时间段内风险驾驶行为的总次数，风险驾驶行为为以下多种行为中的任意一种，以下多种行为包括吸烟及接打电话；基于驾驶员在历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征驾驶员驾驶习惯的驾驶风险程度标签；其中，驾驶风险程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为危险型、预警型及安全型；

计算累计油耗与车辆重量之间的比值；基于比值所落入的取值，获取用于表征驾驶员驾驶习惯的驾驶耗油程度标签；其中，驾驶耗油程度标签为以下三种类型标签中的任意一种，以下三种类型标签分别为耗油型、油耗一般型及节油型；

基于车辆定位数据，确定驾驶员在历史时间段内所经过的地点数量；基于地点数量，获取用于表征驾驶员驾驶习惯的驾驶履历标签；其中，驾驶履历标签为以下三种类型标签中的任意一种，以下三种类型标签分别为丰富型、进阶型及新手型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种驾驶员分析报告推送方法，其特征在于，所述方法包括：

基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，所述历史行车数据包含所述驾驶员的不良驾驶行为数据；

根据所述标签，确定所述驾驶员的分析报告，并将所述分析报告推送第一用户终端。

2.根据权利要求1所述的方法，其特征在于，所述基于驾驶员的历史行车数据，获取用于表征所述驾驶员驾驶习惯的标签，包括：

根据所述驾驶员在历史时间段内每一历史时刻的历史行车数据，确定所述历史时间段内出现过不良驾驶行为的总次数；

基于所述驾驶员在所述历史时间段内不良驾驶行为的总次数所落入的取值区间，获取用于表征所述驾驶员驾驶习惯的标签；其中，所述标签为以下三种类型标签中的任意一种，所述以下三种类型标签分别为激进型、平稳型及沉稳型。

3.根据权利要求2所述的方法，其特征在于，所述历史行车数据包括加速度；相应地，不良驾驶行为为以下多种行为中的任意一种，所述以下多种行为包括急加速及急减速；或者，

所述历史行车数据包括向心加速度；相应地，不良驾驶行为为急转弯；或者，

所述历史行车数据包括车速；相应地，不良驾驶行为为超速；或者，

所述历史行车数据包括车速及发动机转速，相应地，不良驾驶行为为停车轰油门。

4.根据权利要求1所述的方法，其特征在于，所述历史行车数据包括所述驾驶员的风险驾驶行为数据；相应地，所述基于驾驶员的历史行车数据，获取用于表征所述驾驶员驾驶习惯的标签，包括：

对所述驾驶员在所述历史时间段内的车内行为进行识别，确定所述历史时间段内风险驾驶行为的总次数，所述风险驾驶行为为以下多种行为中的任意一种，所述以下多种行为包括吸烟及接打电话；

基于所述驾驶员在所述历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征所述驾驶员驾驶习惯的标签；其中，所述标签为以下三种类型标签中的任意一种，所述以下三种类型标签分别为危险型、预警型及安全型。

5.根据权利要求1所述的方法，其特征在于，所述历史行车数据包括累计油耗及整车重量；相应地，所述基于驾驶员的历史行车数据，获取用于表征所述驾驶员驾驶习惯的标签，包括：

计算所述累计油耗与所述整车重量之间的比值；

基于所述比值所落入的取值区间，获取用于表征所述驾驶员驾驶习惯的标签；其中，所述标签为以下三种类型标签中的任意一种，所述以下三种类型标签分别为耗油型、油耗一般型及节油型。

6.根据权利要求1所述的方法，其特征在于，所述历史行车数据包括车辆定位数据；相应地，所述基于驾驶员的历史行车数据，获取用于表征所述驾驶员驾驶习惯的标签，包括：

基于所述车辆定位数据，确定所述驾驶员在所述历史时间段内所经过的地点数量；

基于所述地点数量，获取用于表征所述驾驶员驾驶习惯的标签；其中，所述标签为以下三种类型标签中的任意一种，所述以下三种类型标签分别为丰富型、进阶型及新手型。

7.根据权利要求1所述的方法，其特征在于，所述标签包括驾驶稳重程度标签、驾驶风险程度标签、驾驶耗油程度标签及驾驶履历标签；所述历史行车数据还包括所述驾驶员风险驾驶行为数据、累计油耗、整车重量及车辆定位数据，相应地，所述基于驾驶员的历史行车数据，获取用于表征所述驾驶员驾驶习惯的标签，包括：

根据所述驾驶员在历史时间段内每一历史时刻的加速度，确定所述历史时间段内出现过急加速及急减速的总次数；

根据所述驾驶员在历史时间段内每一历史时刻的向心加速度，确定所述历史时间段内出现过急转弯的总次数；

根据所述驾驶员在历史时间段内每一历史时刻的车速，确定所述历史时间段内出现过超速的总次数；

根据所述驾驶员在历史时间段内每一历史时刻的车速及发动机转速，确定所述历史时间段内出现过停车轰油门的总次数；

对所述历史时间段内出现过急加速及急减速的总次数、急转弯的总次数、超速的总次数及停车轰油门的总次数进行求和，并基于求和结果所落入的取值区间，获取用于表征所述驾驶员驾驶习惯的驾驶稳重程度标签；其中，所述驾驶稳重程度标为以下三种类型标签中的任意一种，所述以下三种类型标签分别为激进型、平稳型及沉稳型；

对所述驾驶员在所述历史时间段内的车内行为进行识别，确定所述历史时间段内风险驾驶行为的总次数，所述风险驾驶行为为以下多种行为中的任意一种，所述以下多种行为包括吸烟及接打电话；

基于所述驾驶员在所述历史时间段内风险驾驶行为的总次数所落入的取值区间，获取用于表征所述驾驶员驾驶习惯的驾驶风险程度标签；其中，所述驾驶风险程度标签为以下三种类型标签中的任意一种，所述以下三种类型标签分别为危险型、预警型及安全型；

计算所述累计油耗与所述车辆重量之间的比值；

基于所述比值所落入的取值，获取用于表征所述驾驶员驾驶习惯的驾驶耗油程度标签；其中，所述驾驶耗油程度标签为以下三种类型标签中的任意一种，所述以下三种类型标签分别为耗油型、油耗一般型及节油型；

基于所述车辆定位数据，确定所述驾驶员在所述历史时间段内所经过的地点数量；

基于所述地点数量，获取用于表征所述驾驶员驾驶习惯的驾驶履历标签；其中，所述驾驶履历标签为以下三种类型标签中的任意一种，所述以下三种类型标签分别为丰富型、进阶型及新手型。

8.一种驾驶员分析报告推送装置，其特征在于，所述装置包括：

获取模块，用于基于历史行车数据，获取用于表征驾驶员驾驶习惯的标签，所述历史行车数据包含所述驾驶员的不良驾驶行为数据；

确定模块，用于根据所述标签，确定所述驾驶员的分析报告，并将所述分析报告推送第一用户终端。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images