3.2 驾驶行为特征因子计算 考虑到私家车车险的承保理赔数据是以单个车辆、车年为基本单位的，因此驾驶行为 特征因子的计算应该是基于单个车辆所有行程的数据。在计算驾驶行为特征因子的时候， 考虑了诸如里程、平均速度、驾驶时长、驾驶时间段分布、驾驶节假日分布、驾驶地区差 异和路线熟悉度等因素，下面详细说明各个特征因子的计算方法及代表的现实意义。 3.2.1 里程与时长相关因子 与车辆时长相关的因子主要有：观测天数、行驶天数、行驶总时长、行程时长的频数分布、 行程时长的标准差。与车辆行驶里程相关的因子主要有：车辆总里程、行程里程的区间频 数分布、行程里程的标准差，表 13 中详细说明了各因子的计算方法和说明。 表 13：里程与时长相关因子 因子类别 因子指标 计算说明 驾驶时长 观测天数 设备安装日期与取数截止日期之间的天数，用于统一车辆的保险理赔数据 的计算口径 行驶天数 有驾驶行为发生的天数 行驶总时长 所有行程驾驶时长的总和，单位：分钟 时长频数分布 按照 0~30 分钟，30~60 分钟，60~120 分钟 120~240 分钟和 240 分钟以上的 时长区间统计每辆车所有行程时长的频数分布情况，用于计算长时间疲劳 驾驶等相关因子关的变量 时长的标准差 用于衡量驾驶时长差异的大小，如果行车路线相对固定，则时长的标准差 相对较小 驾驶里程 总里程 所有行程里程的总和，单位：千米 里程频数分布 按照 0~2 千米，2~5 千米，5~10 千米，10~50 千米，50~100 千米和 100 千 米以上的里程区间统计每辆车所有行程里程的频数分布情况，用于短途和 长途行程的划分 里程的标准差 用于衡量行驶里程差异的大小，如果行车路线相对固定，则里程的标准差 相对较小 3.2.2 速度相关因子 由于本次汇总的数据没有采用原始数据的速度相关信息，所以用行程的里程除以时间 得到每段行程的平均速度。这种计算方式抹掉了行程中速度的动态变化情况，也无法判断 整个驾驶过程中发生的诸如急加速、急减速、急转弯等事件。针对车辆的平均速度，计算 了平均速度的标准差和平均速度的频数分布等因子，具体介绍见表 14。

基于新能源高频大数据的驾驶行为与能耗分析.pdf

ANNI 集成抽取出的驾驶行为规则实验

两客一危危险驾驶行为检测系统

危险驾驶行为检测解决方案

滴滴驾驶行为开放数据集由滴滴出行提供。 dididataset.txt

本文研究具有潜在危险性的不良驾驶行为，利用分层结构的驾驶行为模型建立不良驾驶行为的识别和评价算法。本文提出的识别算法将复杂的多因子、多形式的模式识别问题转化为利用少量因子对不良驾驶行为进行识别的简单问题。并进一步提出等效加速度估计风险指数的驾驶人行为评价算法。算法通过驾驶模拟仪实验数据进行了验证，结果表明算法可以达到实际交通环境下的应用要求

深度学习在无人驾驶领域主要用于图像处理，也就是摄像头上面。当然也可以用于雷达的数据处理，但是基于图像极大丰富的信息以及难以手工建模的特性，深度学习能最大限度的发挥其优势。

驾驶行为仿真实验平台仿真技术介绍是一个实验平台吗，讲述的是基本原理及实现。

车联网数据驾驶行为因子与车险风险相关性研究报告-印刷最终版 官方权威版本