1.一種個體駕駛行為特征識別方法，其特征在于，包括步驟：
接收終端檢測的當前駕駛者的車輛定位數(shù)據(jù)；
從所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；
從所述車輛定位數(shù)據(jù)中提取多個梅爾頻率倒譜系數(shù)MFCC特征指標；
將所述傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本，采用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型。
2.如權(quán)利要求1所述的個體駕駛行為特征識別方法，其特征在于，所述將傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本，采用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型的步驟之后還包括：
接收終端檢測的測試者的車輛定位數(shù)據(jù)；
從所述測試者的車輛定位數(shù)據(jù)中提取所述測試者的多個傳統(tǒng)駕駛特征指標和多個MFCC特征指標；
加載當前駕駛者的駕駛行為特征識別模型；
將所述測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為測試樣本，采用當前駕駛者的駕駛行為特征識別模型對所述測試樣本進行預測分類，獲得預測分類結(jié)果；
根據(jù)預測分類結(jié)果確定所述測試者是否為當前駕駛者。
3.如權(quán)利要求1或2所述的個體駕駛行為特征識別方法，其特征在于，所述從車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標的步驟包括：
將連續(xù)的多個采樣點中每n個采樣點劃分為一個采樣段，獲得多個采樣段，其中n為預設幀長包括的采樣點個數(shù)；
從每一個采樣段的所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；
所述將傳統(tǒng)駕駛特征指標作為訓練樣本的步驟包括：
將每一個采樣段對應的多個所述傳統(tǒng)駕駛特征指標作為一組訓練樣本集。
4.如權(quán)利要求1或2所述的個體駕駛行為特征識別方法，其特征在于，所述從車輛定位數(shù)據(jù)中提取多個梅爾頻率倒譜系數(shù)MFCC特征指標的步驟包括：
在連續(xù)的多個采樣點中，當一個采樣點的行駛速度小于速度閾值時，將所述采樣點的行駛速度置零；
將行駛速度不為零的連續(xù)多個采樣點劃分為一個采樣段，獲得多個采樣段；
將每一個采樣段的所述車輛定位數(shù)據(jù)進行快速傅立葉變換，獲得每一個采樣段的頻譜參數(shù)，并根據(jù)所述頻譜參數(shù)獲得每一個采樣段對應的幅度譜；
將每一個采樣段對應的幅度譜經(jīng)梅爾濾波器組處理，獲得每一個采樣段對應的多個梅爾濾波輸出值；
對每一個采樣段對應的多個梅爾濾波輸出值取對數(shù)值，并對所述對數(shù)值做離散余弦變換，獲得每一個采樣段對應的多個MFCC特征指標；
所述將MFCC特征指標作為訓練樣本的步驟包括：
將每一個采樣段對應的多個MFCC特征指標作為一組訓練樣本集。
5.如權(quán)利要求1或2所述的個體駕駛行為特征識別方法，其特征在于，所述車輛定位數(shù)據(jù)包括多個采樣點對應的采樣時間、車輛所在位置三維坐標、行駛速度、行駛方向中的一個或多個數(shù)據(jù)；所述傳統(tǒng)駕駛特征指標包括多個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置中的一個或多個指標。
6.一種個體駕駛行為特征識別裝置，其特征在于，包括：
定位模塊，用于接收終端檢測的當前駕駛者的車輛定位數(shù)據(jù)；
特征提取模塊，用于從所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；從所述車輛定位數(shù)據(jù)中提取多個梅爾頻率倒譜系數(shù)MFCC特征指標；
建模模塊，用于將所述傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本，采用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型。
7.如權(quán)利要求6所述的個體駕駛行為特征識別裝置，其特征在于，還包 括模型加載模塊和預測模塊；
所述定位模塊還用于，接收終端檢測的測試者的車輛定位數(shù)據(jù)；
所述特征提取模塊還用于，從所述測試者的車輛定位數(shù)據(jù)中提取所述測試者的多個傳統(tǒng)駕駛特征指標和多個MFCC特征指標；
所述模型加載模塊用于，加載當前駕駛者的駕駛行為特征識別模型；
所述預測模塊用于，將所述測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為測試樣本，采用當前駕駛者的駕駛行為特征識別模型對所述測試樣本進行預測分類，獲得預測分類結(jié)果；根據(jù)預測分類結(jié)果確定所述測試者是否為當前駕駛者。
8.如權(quán)利要求6或7所述的個體駕駛行為特征識別裝置，其特征在于，所述特征提取模塊還用于，將連續(xù)的多個采樣點中每n個采樣點劃分為一個采樣段，獲得多個采樣段，其中n為預設幀長包括的采樣點個數(shù)；從每一個采樣段的所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；
所述建模模塊還用于，將每一個采樣段對應的多個所述傳統(tǒng)駕駛特征指標作為一組訓練樣本集。
9.如權(quán)利要求6或7所述的個體駕駛行為特征識別裝置，其特征在于，所述特征提取模塊還用于：
在連續(xù)的多個采樣點中，當一個采樣點的行駛速度小于速度閾值時，將所述采樣點的行駛速度置零；
將行駛速度不為零的連續(xù)多個采樣點劃分為一個采樣段，獲得多個采樣段；
將每一個采樣段的所述車輛定位數(shù)據(jù)進行快速傅立葉變換，獲得每一個采樣段的頻譜參數(shù)，并根據(jù)所述頻譜參數(shù)獲得每一個采樣段對應的幅度譜；
將每一個采樣段對應的幅度譜經(jīng)梅爾濾波器組處理，獲得每一個采樣段對應的多個梅爾濾波輸出值；
對每一個采樣段對應的多個梅爾濾波輸出值取對數(shù)值，并對所述對數(shù)值做離散余弦變換，獲得每一個采樣段對應的多個MFCC特征指標；
所述建模模塊還用于，將每一個采樣段對應的多個MFCC特征指標作為 一組訓練樣本集。
10.如權(quán)利要求6或7所述的個體駕駛行為特征識別裝置，其特征在于，所述車輛定位數(shù)據(jù)包括多個采樣點對應的采樣時間、車輛所在位置三維坐標、行駛速度、行駛方向中的一個或多個數(shù)據(jù)；所述傳統(tǒng)駕駛特征指標包括多個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置中的一個或多個指標。