具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请提供了一种货运车辆的风险识别方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过大数据离线计算风险因子，以及通过计算各风险因子的上四分位数确定基准值来综合判断存在的高风险车辆，从而可以智能识别高风险车辆来提供车辆在行驶中全方位的实时监控预警，可以有效保障货运司机的安全及车辆的运输安全，下面采用示例性的实施例进行详细说明。

下面将结合附图1-2，对本申请实施例提供的货运车辆的风险识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的货运车辆的风险识别装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的货运车辆的风险识别装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、5G网络或未来演进网络中的终端设备等。

请参见图1，为本申请实施例提供了一种货运车辆的风险识别方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：

S101，从预先划分的多组货运车辆中确定一组待识别的货运车辆；

其中，预先划分的多组货运车辆是按照车辆归属省份的不同进行划分出的多个省份的货运车辆。

在本申请实施例中，在进行划分时，首先获取当前运行的多个货运车辆，然后获取多个货运车辆中每个货运车辆的归属省份名称，并将归属省份名称相同的货运车辆划分为一组，得到多组货运车辆，最后将多组货运车辆确定为预先划分的多组货运车辆。

具体的，在进行划分时，首先获取全国货运车辆中每个货运车辆，然后获取每个货运车辆的户籍地所在省，最后将相同省份的车辆进行归类，从而得到多个省份各自的货运车辆，并将每个省份的货运车辆看成一组。

进一步地，将每个省份的货运车辆看成一组后可得到多组货运车辆，从多组货运车辆中确定一组待识别的货运车辆。

在一种可能的实现方式中，在得到多个省份各自的货运车辆后，首先确定需要风险识别的某个省份，然后将风险识别的某个省份的全部货运车辆确定为一组待识别的货运车辆。

S102，在预设周期内获取一组待识别的货运车辆中多个货运车辆各自的历史运行数据；

其中，预设周期是用户自行设定的需要分析的历史时间周期，该历史时间周期可以是过去一周，也可以是过去一个月，具体时间周期可根据实际应用场景进行自行设定。

在本申请实施例中，首先确定预设周期，然后连接大数据中心，再根据预设周期与每一辆货运车辆的标识创建每一个货运车辆的历史运行数据的查询规则，最后根据每一个货运车辆的历史运行数据的查询规则遍历查询史运行数据，最后得到每一个货运车辆的历史运行数据。

优选的，由于一个组的货运车辆数量非常大，常规的逐条遍历查询方式非常耗时，大大降低了数据加载速度，使得高风险车辆的识别效率大大降低，鉴于此，本申请在遍历查询时，首先通过GPRS和/或CDMA通信的方式将采集的货运车辆的历史运行数据传输至数据识别组件内，数据识别组件对采集的货运车辆的历史运行数据的字节数进行计算，当计算出的字节数到达分布式传输的阈值后，对货运车辆的历史运行数据进行拆分，拆分成多路数据信息后经过PCIE线分为多个通道将货运车辆的历史运行数据进行传输到Redis缓存中。

在一种可能的实现方式中，根据步骤S101在确定出一组待识别的货运车辆后，需要从大数据中心内获取该组待识别的货运车辆中每个货运车辆在预设时间周期内的历史运行数据。

S103，根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子；

在本申请实施例中，首先从多个货运车辆各自的历史运行数据中确定出第一个货运车辆的历史运行数据，然后加载风险因子计算规则表，再从第一个货运车辆的历史运行数据中逐一识别风险因子计算规则表中每个风险因子计算规则的所需参数值，其次基于每个风险因子计算规则的所需参数值逐一计算风险因子，生成第一个货运车辆的风险因子，最后根据多个货运车辆各自的历史运行数据按照上述步骤进行处理，生成每个货运车辆的多个风险因子。

例如表1所示，表1是本申请提供的一种风险因子计算规则表，该表中每一项风险因子都对应了具体的计算规则。

表1

当需要计算第一个货运车辆的日均行驶里程时，可知对应的规则为“月总行驶里程/月运营天数”，可从第一个货运车辆的历史运行数据中获取第一个货运车辆的“月总行驶里程/月运营天数”，从而计算后可得到第一个货运车辆的日均行驶里程。

S104，计算每个货运车辆的多个风险因子中各风险因子的上四分位数，生成每个货运车辆的多个风险因子各自的基准值；

其中，四分位数(Quartile)也称四分位点，是指在统计学中把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值。

在一种可能的实现方式中，在计算出每个货运车辆的多个风险因子后，可以对多个风险因子的每个风险因子求基准值，从而得到每个货运车辆的多个风险因子各自的基准值。

S105，根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆。

在一种可能的实现方式中，在判定一组待识别的货运车辆中存在的高风险车辆时，首先判断每个货运车辆的多个风险因子各自的基准值是否小于与其对应的风险因子，得到每个货运车辆的多个判断结果，然后从每个货运车辆的多个判断结果中获取数值为1的判断结果，再将数值为1的判断结果做和，生成多个车辆各自的判定值，其次将多个车辆各自的判定值进行降序排列，生成排列后的多个判定值，最后根据排列后的多个判定值判定一组待识别的货运车辆中存在的高风险车辆。

具体的，根据排列后的多个判定值判定一组待识别的货运车辆中存在的高风险车辆时，首先从排列后的多个判定值的起始位置处作为起始点截取预设百分比的判定值，生成截取后的多个判断值，然后从一组待识别的货运车辆中识别截取后的多个判断值对应的货运车辆，最后将识别的多个判断值对应的货运车辆确定为高风险车辆。

进一步地，在确定出高风险车辆后，还需要风险预警以及可视化分析，首先订阅高风险车辆的位置，生成位置订阅信息，然后将位置订阅信息推送至消息队列，并通知高风险车辆的车载终端上报位置，再接收来自车载终端上报的高风险车辆经纬度，其次根据高风险车辆经纬度实时计算，生成高风险车辆的行驶速度与行驶时长，最后根据高风险车辆的行驶速度与行驶时长进行风险预警，并根据高风险车辆的行驶速度与行驶时长进行可视化分析。

具体的，在根据高风险车辆的行驶速度与行驶时长进行风险预警时，首先当高风险车辆的行驶速度与行驶时长大于预设值时，生成第一预警信息和第二预警信息，然后将第一预警信息发送至高风险车辆的车载终端进行报警提醒；以及将第二预警信息推送至客服系统的高风险车辆池。

例如，对于识别的高风险车辆如产生危险行为实时推送至客服系统高风险车辆池，客服人员通过实时车辆定位跟踪，拨打电话进行人工干预提醒，减少危险事故的发生。对离线分析识别出高风险车辆以车辆所属企业统计分析，计算高风险车辆占比，取其中占比前50名车队数据，以开放API的方式对外提供输出，机构安全人员通过线下安全回访进行线下教育，提高车队安全意识。

在本申请实施例中，货运车辆的风险识别装置首先从预先划分的多组货运车辆中确定一组待识别的货运车辆，然后在预设周期内获取一组待识别的货运车辆中多个货运车辆各自的历史运行数据，再根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子，其次计算每个货运车辆的多个风险因子中各风险因子的上四分位数，生成每个货运车辆的多个风险因子各自的基准值，最后根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆。由于本申请通过大数据离线计算风险因子，以及通过计算各风险因子的上四分位数确定基准值来综合判断存在的高风险车辆，从而可以智能识别高风险车辆来提供车辆在行驶中全方位的实时监控预警，可以有效保障货运司机的安全及车辆的运输安全。

请参见图2，为本申请实施例提供了一种货运车辆的风险识别系统示意图。如图2所示，该系统由动态高风险识别模块、实时风险预警处理模块以及数据评价应用模块三个模块组成。

动态高风险识别模块主要借助大数据离线分析，对影响车辆行驶风险的8项风险因子分析，识别出高风险车辆。

实时风险预警处理模块，对高风险车辆进行实时计算车载终端上报位置，对驾驶过程中发生超速、疲劳等高危行为报警数据推送预警消息，同时推送至高危车辆池进行人工干预处理。

数据评价应用模块主要对企业车队高风险车辆分析统计。

在本申请实施例中，货运车辆的风险识别装置首先从预先划分的多组货运车辆中确定一组待识别的货运车辆，然后在预设周期内获取一组待识别的货运车辆中多个货运车辆各自的历史运行数据，再根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子，其次计算每个货运车辆的多个风险因子中各风险因子的上四分位数，生成每个货运车辆的多个风险因子各自的基准值，最后根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆。由于本申请通过大数据离线计算风险因子，以及通过计算各风险因子的上四分位数确定基准值来综合判断存在的高风险车辆，从而可以智能识别高风险车辆来提供车辆在行驶中全方位的实时监控预警，可以有效保障货运司机的安全及车辆的运输安全。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

请参见图3，其示出了本发明一个示例性实施例提供的货运车辆的风险识别装置的结构示意图。该货运车辆的风险识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括货运车辆确定模块10、历史运行数据获取模块20、风险因子计算模块30、基准值计算模块40、高风险车辆识别模块50。

货运车辆确定模块10，用于从预先划分的多组货运车辆中确定一组待识别的货运车辆；

历史运行数据获取模块20，用于在预设周期内获取一组待识别的货运车辆中多个货运车辆各自的历史运行数据；

风险因子计算模块30，用于根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子；

基准值计算模块40，用于计算每个货运车辆的多个风险因子中各风险因子的上四分位数，生成每个货运车辆的多个风险因子各自的基准值；

高风险车辆识别模块50，用于根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆。

需要说明的是，上述实施例提供的货运车辆的风险识别装置在执行货运车辆的风险识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的货运车辆的风险识别装置与货运车辆的风险识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请实施例中，货运车辆的风险识别装置首先从预先划分的多组货运车辆中确定一组待识别的货运车辆，然后在预设周期内获取一组待识别的货运车辆中多个货运车辆各自的历史运行数据，再根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子，其次计算每个货运车辆的多个风险因子中各风险因子的上四分位数，生成每个货运车辆的多个风险因子各自的基准值，最后根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆。由于本申请通过大数据离线计算风险因子，以及通过计算各风险因子的上四分位数确定基准值来综合判断存在的高风险车辆，从而可以智能识别高风险车辆来提供车辆在行驶中全方位的实时监控预警，可以有效保障货运司机的安全及车辆的运输安全。

本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的货运车辆的风险识别方法。本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的货运车辆的风险识别方法。

请参见图4，为本申请实施例提供了一种终端的结构示意图。如图4所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及货运车辆的风险识别应用程序。

在图4所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的货运车辆的风险识别应用程序，并具体执行以下操作：

从预先划分的多组货运车辆中确定一组待识别的货运车辆；

在预设周期内获取一组待识别的货运车辆中多个货运车辆各自的历史运行数据；

根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子；

计算每个货运车辆的多个风险因子中各风险因子的上四分位数，生成每个货运车辆的多个风险因子各自的基准值；

根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆。

在一个实施例中，处理器1001在执行从预先划分的多组货运车辆中确定一组待识别的货运车辆之前时，还执行以下操作：

获取当前运行的多个货运车辆；

获取多个货运车辆中每个货运车辆的归属省份名称，并将归属省份名称相同的货运车辆划分为一组，得到多组货运车辆；

将多组货运车辆确定为预先划分的多组货运车辆。

在一个实施例中，处理器1001在执行根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆时，具体执行以下操作：

判断每个货运车辆的多个风险因子各自的基准值是否小于与其对应的风险因子，得到每个货运车辆的多个判断结果；

从每个货运车辆的多个判断结果中获取数值为1的判断结果；

将数值为1的判断结果做和，生成多个车辆各自的判定值；

将多个车辆各自的判定值进行降序排列，生成排列后的多个判定值；

根据排列后的多个判定值判定一组待识别的货运车辆中存在的高风险车辆。

在一个实施例中，处理器1001在执行根据排列后的多个判定值判定一组待识别的货运车辆中存在的高风险车辆时，具体执行以下操作：

从排列后的多个判定值的起始位置处作为起始点截取预设百分比的判定值，生成截取后的多个判断值；

从一组待识别的货运车辆中识别截取后的多个判断值对应的货运车辆；

将识别的多个判断值对应的货运车辆确定为高风险车辆。

在一个实施例中，处理器1001还执行以下操作：

订阅高风险车辆的位置，生成位置订阅信息；

将位置订阅信息推送至消息队列，并通知高风险车辆的车载终端上报位置；

接收来自车载终端上报的高风险车辆经纬度；

根据高风险车辆经纬度实时计算，生成高风险车辆的行驶速度与行驶时长；

根据高风险车辆的行驶速度与行驶时长进行风险预警；

或者，

根据高风险车辆的行驶速度与行驶时长进行可视化分析。

在一个实施例中，处理器1001在执行根据高风险车辆的行驶速度与行驶时长进行风险预警时，具体执行以下操作：

当高风险车辆的行驶速度与行驶时长大于预设值时，生成第一预警信息和第二预警信息；

将第一预警信息发送至高风险车辆的车载终端进行报警提醒；

以及，

将第二预警信息推送至客服系统的高风险车辆池。

在一个实施例中，处理器1001在执行根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子时，具体执行以下操作：

从多个货运车辆各自的历史运行数据中确定出第一个货运车辆的历史运行数据；

加载风险因子计算规则表；

从第一个货运车辆的历史运行数据中逐一识别风险因子计算规则表中每个风险因子计算规则的所需参数值；

基于每个风险因子计算规则的所需参数值逐一计算风险因子，生成第一个货运车辆的风险因子；

根据多个货运车辆各自的历史运行数据按照上述步骤进行处理，生成每个货运车辆的多个风险因子。

在本申请实施例中，货运车辆的风险识别装置首先从预先划分的多组货运车辆中确定一组待识别的货运车辆，然后在预设周期内获取一组待识别的货运车辆中多个货运车辆各自的历史运行数据，再根据多个货运车辆各自的历史运行数据进行大数据离线计算，生成每个货运车辆的多个风险因子，其次计算每个货运车辆的多个风险因子中各风险因子的上四分位数，生成每个货运车辆的多个风险因子各自的基准值，最后根据每个货运车辆的多个风险因子各自的基准值判定一组待识别的货运车辆中存在的高风险车辆。由于本申请通过大数据离线计算风险因子，以及通过计算各风险因子的上四分位数确定基准值来综合判断存在的高风险车辆，从而可以智能识别高风险车辆来提供车辆在行驶中全方位的实时监控预警，可以有效保障货运司机的安全及车辆的运输安全。

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，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。