本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種駕駛員識別方法和裝置。

背景技術(shù)：

隨著通信、移動互聯(lián)網(wǎng)技術(shù)的普及，以及智能移動終端的高度覆蓋，聯(lián)網(wǎng)車機市場蓬勃發(fā)展，出現(xiàn)了許多個性化、定制化的車載服務。以地圖導航為例，除了提供道路規(guī)劃、航線、常用地址管理、實時交通狀況等服務，還提供線路收藏、基于用戶檢索歷史的消息推薦等服務。

然而，上述各種服務的提供，依賴于OBD終端等采集的車輛數(shù)據(jù)或駕駛數(shù)據(jù)等，基于這些數(shù)據(jù)進行分析，只能針對車輛提供服務。而駕駛車輛的駕駛員可以有多個，OBD終端等難以分辨當前駕駛車輛的駕駛員身份，因此，難以提供針對駕駛員的個性化服務，例如，針對特定駕駛員的疲勞監(jiān)控或駕駛提醒等。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種駕駛員識別方法和裝置，用于解決現(xiàn)有技術(shù)中難以提供針對駕駛員的個性化服務的問題。

本發(fā)明的第一個方面是提供一種駕駛員識別方法，包括：

獲取當前車輛的駕駛數(shù)據(jù)，所述駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及所述當前車輛的行駛路段數(shù)據(jù)；

對所述當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；

將所述預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員；

若當前車輛的駕駛員為預設駕駛員，則基于所述駕駛數(shù)據(jù)以及所述預設駕駛員對應的駕駛習慣數(shù)據(jù)為所述預設駕駛員提供服務。

進一步的，所述將所述預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中之前，還包括：

獲取駕駛當前車輛的各個駕駛員的第一樣本駕駛數(shù)據(jù)以及所述第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值；

對所述第一樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的第一樣本駕駛數(shù)據(jù)；

將所述預設形式的第一樣本駕駛數(shù)據(jù)輸出至初始回歸分類模型中，根據(jù)初始回歸分類模型的輸出結(jié)果以及所述第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到所述回歸分類模型。

進一步的，所述將所述預設形式的第一樣本駕駛數(shù)據(jù)輸出至初始回歸分類模型中，根據(jù)初始回歸分類模型的輸出結(jié)果以及所述第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到所述回歸分類模型之后，還包括：

獲取駕駛當前車輛的各個駕駛員的檢測樣本駕駛數(shù)據(jù)以及所述檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值；

對所述檢測樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的檢測樣本駕駛數(shù)據(jù)；

將所述預設形式的檢測樣本駕駛數(shù)據(jù)輸出至所述回歸分類模型中，判斷所述回歸分類模型的輸出結(jié)果與所述檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值是否匹配；

若對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率大于等于預設比率，則不對所述回歸分類模型的回歸系數(shù)進行調(diào)整。

進一步的，所述將所述預設形式的第一樣本駕駛數(shù)據(jù)輸出至初始回歸分類模型中，根據(jù)初始回歸分類模型的輸出結(jié)果以及所述第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到所述回歸分類模型之后，還包括：

若對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率小于預設比率，則獲取駕駛當前車輛的各個駕駛員的第二樣本駕駛數(shù)據(jù)以及所述第二樣本駕駛數(shù)據(jù)對應的模型理論輸出值，基于所述第二樣本駕駛數(shù)據(jù)以及所述第二樣本駕駛數(shù)據(jù)對應的模型理論輸出值對所述回歸分類模型的回歸系數(shù)進行調(diào)整，直至對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率大于等于預設比率為止。

進一步的，所述回歸分類模型的公式為，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)為回歸分類模型的輸出結(jié)果，HB、ST、SB、RC、SD、RL、FD、AS和FKM為預設形式的駕駛數(shù)據(jù)中的各個參數(shù)。

進一步的，所述車輛行車數(shù)據(jù)包括：加速度、速度、方向盤轉(zhuǎn)角、平均時速和油耗；

駕駛員狀態(tài)數(shù)據(jù)包括：安全帶佩戴狀態(tài)和疲勞狀態(tài)；

行駛路段數(shù)據(jù)包括：限速數(shù)據(jù)和紅綠燈數(shù)據(jù)。

本發(fā)明中，提供一種駕駛員識別方法，通過獲取當前車輛的駕駛數(shù)據(jù)，駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及當前車輛的行駛路段數(shù)據(jù)；對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員，在當前車輛的駕駛員為預設駕駛員時，基于駕駛數(shù)據(jù)以及預設駕駛員對應的駕駛習慣數(shù)據(jù)為預設駕駛員提供個性化的服務。

本發(fā)明的第二個方面是提供一種駕駛員識別裝置，包括：

第一獲取模塊，用于獲取當前車輛的駕駛數(shù)據(jù)，所述駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及所述當前車輛的行駛路段數(shù)據(jù)；

第一處理模塊，用于對所述當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；

輸入模塊，用于將所述預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員；

提供模塊，用于在當前車輛的駕駛員為預設駕駛員時，基于所述駕駛數(shù)據(jù)以及所述預設駕駛員對應的駕駛習慣數(shù)據(jù)為所述預設駕駛員提供服務。

進一步的，所述的裝置還包括：

第二獲取模塊，用于在所述輸入模塊將所述預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中之前，獲取駕駛當前車輛的各個駕駛員的第一樣本駕駛數(shù)據(jù)以及所述第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值；

第二處理模塊，用于對所述第一樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的第一樣本駕駛數(shù)據(jù)；

調(diào)整模塊，用于將所述預設形式的第一樣本駕駛數(shù)據(jù)輸出至初始回歸分類模型中，根據(jù)初始回歸分類模型的輸出結(jié)果以及所述第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到所述回歸分類模型。

進一步的，所述的裝置還包括：

第三獲取模塊，用于在所述調(diào)整模塊根據(jù)初始回歸分類模型的輸出結(jié)果以及所述第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到所述回歸分類模型之后，獲取駕駛當前車輛的各個駕駛員的檢測樣本駕駛數(shù)據(jù)以及所述檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值；

第三處理模塊，用于對所述檢測樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的檢測樣本駕駛數(shù)據(jù)；

判斷模塊，用于將所述預設形式的檢測樣本駕駛數(shù)據(jù)輸出至所述回歸分類模型中，判斷所述回歸分類模型的輸出結(jié)果與所述檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值是否匹配；

操作模塊，用于在對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率大于等于預設比率時，不對所述回歸分類模型的回歸系數(shù)進行調(diào)整。

進一步的，所述回歸分類模型的公式為，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)為回歸分類模型的輸出結(jié)果，HB、ST、SB、RC、SD、RL、FD、AS和FKM為預設形式的駕駛數(shù)據(jù)中的各個參數(shù)。

本發(fā)明中，提供一種駕駛員識別裝置，通過獲取當前車輛的駕駛數(shù)據(jù)，駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及當前車輛的行駛路段數(shù)據(jù)；對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員，在當前車輛的駕駛員為預設駕駛員時，基于駕駛數(shù)據(jù)以及預設駕駛員對應的駕駛習慣數(shù)據(jù)為預設駕駛員提供個性化的服務。

附圖說明

圖1為本發(fā)明提供的駕駛員識別方法一個實施例的流程圖；

圖2為本發(fā)明提供的駕駛員識別方法又一個實施例的流程圖；

圖3為本發(fā)明提供的駕駛員識別裝置一個實施例的結(jié)構(gòu)示意圖；

圖4為本發(fā)明提供的駕駛員識別裝置又一個實施例的結(jié)構(gòu)示意圖；

圖5為本發(fā)明提供的駕駛員識別裝置又一個實施例的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

圖1為本發(fā)明提供的駕駛員識別方法一個實施例的流程圖，如圖1所示，包括：

101、獲取當前車輛的駕駛數(shù)據(jù)，駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及當前車輛的行駛路段數(shù)據(jù)。

本發(fā)明提供的駕駛員識別方法的執(zhí)行主體為駕駛員識別裝置，駕駛員識別裝置具體可以為車載終端或者與車載終端連接的車載服務器等，駕駛員識別裝置還可以為安裝在車載終端或者車載服務器上的軟件等。

其中，獲取當前車輛的駕駛數(shù)據(jù)的方式至少可以有三種：車載智能終端OBD、駕駛員的移動終端上安裝的車載應用或者車載操作系統(tǒng)。車輛行車數(shù)據(jù)具體可以為加速度、速度、方向盤轉(zhuǎn)角、平均時速和油耗等；駕駛員狀態(tài)數(shù)據(jù)可以包括：安全帶佩戴狀態(tài)和疲勞狀態(tài)等；行駛路段數(shù)據(jù)可以包括：限速數(shù)據(jù)和紅綠燈數(shù)據(jù)等。

進一步的，車輛行車數(shù)據(jù)還可以包括：車道線信號、方向燈信號、油門信號、離合器信號、擋位信號和陀螺儀數(shù)據(jù)等。以上這些參數(shù)中的任意一個或者相互結(jié)合可以體現(xiàn)駕駛員的以下駕駛行為：急剎車、急轉(zhuǎn)彎、安全帶佩戴狀態(tài)、是否飛速搶燈、是否超速行駛、是否壓車道行駛、是否疲勞駕駛、平均時速以及百公里油耗等。

102、對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)。

具體的，對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到的預設形式的駕駛數(shù)據(jù)具體可以為：百公里急剎車數(shù)、百公里急轉(zhuǎn)彎數(shù)、安全帶佩戴情況、飛速搶燈頻率、百公里超速行駛率、百公里壓車道線行駛數(shù)、百公里疲勞駕駛數(shù)、百公里平均時速和百公里油耗等。

103、將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員。

其中，回歸分類模型的公式可以為，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)為回歸分類模型的輸出結(jié)果，HB、ST、SB、RC、SD、RL、FD、AS和FKM為預設形式的駕駛數(shù)據(jù)中的各個參數(shù)。

對應的，HB為百公里急剎車數(shù)；ST為百公里急轉(zhuǎn)彎數(shù)；SB為安全帶佩戴情況；RC為飛速搶燈頻率；SD為百公里超速行駛率；RL為百公里壓車道線行駛數(shù)；FD為百公里疲勞駕駛數(shù)；AS為百公里平均時速；FKM為百公里油耗。W0、W1、W2、W3、W4、W5、W6、W7、W8依次為百公里急剎車數(shù)、百公里急轉(zhuǎn)彎數(shù)、安全帶佩戴情況、飛速搶燈頻率、百公里超速行駛率、百公里壓車道線行駛數(shù)、百公里疲勞駕駛數(shù)、百公里平均時速和百公里油耗的回歸系數(shù)。

具體的，將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中之后，可以得到一個范圍在0-1之間的輸出值，當輸出值大于等于0.5時，表示當前車輛的駕駛員為車主；當輸出值小于0.5時，表示當前車輛的駕駛員為非車主。

104、若當前車輛的駕駛員為預設駕駛員，則基于駕駛數(shù)據(jù)以及預設駕駛員對應的駕駛習慣數(shù)據(jù)為預設駕駛員提供服務。

其中，預設駕駛員可以為車主或者非車主。

本實施例中，提供一種駕駛員識別方法，通過獲取當前車輛的駕駛數(shù)據(jù)，駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及當前車輛的行駛路段數(shù)據(jù)；對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員，在當前車輛的駕駛員為預設駕駛員時，基于駕駛數(shù)據(jù)以及預設駕駛員對應的駕駛習慣數(shù)據(jù)為預設駕駛員提供個性化的服務。

圖2為本發(fā)明提供的駕駛員識別方法有一個實施例的流程圖，如圖2所示，在圖1所示實施例的基礎上，步驟103之前，還可以包括：

105、獲取駕駛當前車輛的各個駕駛員的第一樣本駕駛數(shù)據(jù)以及第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值。

其中，第一樣本駕駛數(shù)據(jù)具體可以為當前時間之前一段時間內(nèi)駕駛當前車輛各個駕駛員的歷史駕駛數(shù)據(jù)。該段時間的長度可以根據(jù)需要進行設定。

106、對第一樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的第一樣本駕駛數(shù)據(jù)。

其中，此處對第一樣本駕駛數(shù)據(jù)的量化處理可以參考對當前車輛的駕駛數(shù)據(jù)的處理方式，此處不再進行詳細說明。

107、將預設形式的第一樣本駕駛數(shù)據(jù)輸出至初始回歸分類模型中，根據(jù)初始回歸分類模型的輸出結(jié)果以及第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到回歸分類模型。

進一步的，步驟107之后，還可以包括：獲取駕駛當前車輛的各個駕駛員的檢測樣本駕駛數(shù)據(jù)以及檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值；對檢測樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的檢測樣本駕駛數(shù)據(jù)；將預設形式的檢測樣本駕駛數(shù)據(jù)輸出至回歸分類模型中，判斷回歸分類模型的輸出結(jié)果與檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值是否匹配；若對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率大于等于預設比率，則不對回歸分類模型的回歸系數(shù)進行調(diào)整。

另外，需要進行說明的是，若對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率小于預設比率，則獲取駕駛當前車輛的各個駕駛員的第二樣本駕駛數(shù)據(jù)以及第二樣本駕駛數(shù)據(jù)對應的模型理論輸出值，基于第二樣本駕駛數(shù)據(jù)以及第二樣本駕駛數(shù)據(jù)對應的模型理論輸出值對回歸分類模型的回歸系數(shù)進行調(diào)整，直至對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率大于等于預設比率為止。

本實施例中，提供一種駕駛員識別方法，通過獲取當前車輛的駕駛數(shù)據(jù)，駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及當前車輛的行駛路段數(shù)據(jù)；對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；獲取駕駛當前車輛的各個駕駛員的第一樣本駕駛數(shù)據(jù)以及第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值；基于當前車輛的各個駕駛員的第一樣本駕駛數(shù)據(jù)以及第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型中的各個回歸系數(shù)進行調(diào)整，得到回歸分類模型；將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員，在當前車輛的駕駛員為預設駕駛員時，基于駕駛數(shù)據(jù)以及預設駕駛員對應的駕駛習慣數(shù)據(jù)為預設駕駛員提供個性化的服務。

本領(lǐng)域普通技術(shù)人員可以理解：實現(xiàn)上述各方法實施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成。前述的程序可以存儲于一計算機可讀取存儲介質(zhì)中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實施例的步驟；而前述的存儲介質(zhì)包括：ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

圖3為本發(fā)明提供的駕駛員識別裝置一個實施例的結(jié)構(gòu)示意圖，如圖3所示，包括：

第一獲取模塊31，用于獲取當前車輛的駕駛數(shù)據(jù)，駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及當前車輛的行駛路段數(shù)據(jù)；

第一處理模塊32，用于對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；

輸入模塊33，用于將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員；

提供模塊34，用于在當前車輛的駕駛員為預設駕駛員時，基于駕駛數(shù)據(jù)以及預設駕駛員對應的駕駛習慣數(shù)據(jù)為預設駕駛員提供服務。

本發(fā)明提供的駕駛員識別裝置具體可以為車載終端或者與車載終端連接的車載服務器等，駕駛員識別裝置還可以為安裝在車載終端或者車載服務器上的軟件等。

其中，獲取當前車輛的駕駛數(shù)據(jù)的方式至少可以有三種：車載智能終端OBD、駕駛員的移動終端上安裝的車載應用或者車載操作系統(tǒng)。車輛行車數(shù)據(jù)具體可以為加速度、速度、方向盤轉(zhuǎn)角、平均時速和油耗等；駕駛員狀態(tài)數(shù)據(jù)可以包括：安全帶佩戴狀態(tài)和疲勞狀態(tài)等；行駛路段數(shù)據(jù)可以包括：限速數(shù)據(jù)和紅綠燈數(shù)據(jù)等。

進一步的，車輛行車數(shù)據(jù)還可以包括：車道線信號、方向燈信號、油門信號、離合器信號、擋位信號和陀螺儀數(shù)據(jù)等。以上這些參數(shù)中的任意一個或者相互結(jié)合可以體現(xiàn)駕駛員的以下駕駛行為：急剎車、急轉(zhuǎn)彎、安全帶佩戴狀態(tài)、是否飛速搶燈、是否超速行駛、是否壓車道行駛、是否疲勞駕駛、平均時速以及百公里油耗等。

具體的，對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到的預設形式的駕駛數(shù)據(jù)具體可以為：百公里急剎車數(shù)、百公里急轉(zhuǎn)彎數(shù)、安全帶佩戴情況、飛速搶燈頻率、百公里超速行駛率、百公里壓車道線行駛數(shù)、百公里疲勞駕駛數(shù)、百公里平均時速和百公里油耗等。

進一步的，回歸分類模型的公式可以為，

$\mathrm{\σ}\left(z\right)=\frac{1}{1+e^{-z}}$

其中，z＝w₀HB+w₁ST+w₂SB+w₃RC+w₄SD+w₅RL+w₆FD+w₇AS+w₈FKM；

其中，σ(z)為回歸分類模型的輸出結(jié)果，HB、ST、SB、RC、SD、RL、FD、AS和FKM為預設形式的駕駛數(shù)據(jù)中的各個參數(shù)。

對應的，HB為百公里急剎車數(shù)；ST為百公里急轉(zhuǎn)彎數(shù)；SB為安全帶佩戴情況；RC為飛速搶燈頻率；SD為百公里超速行駛率；RL為百公里壓車道線行駛數(shù)；FD為百公里疲勞駕駛數(shù)；AS為百公里平均時速；FKM為百公里油耗。W0、W1、W2、W3、W4、W5、W6、W7、W8依次為百公里急剎車數(shù)、百公里急轉(zhuǎn)彎數(shù)、安全帶佩戴情況、飛速搶燈頻率、百公里超速行駛率、百公里壓車道線行駛數(shù)、百公里疲勞駕駛數(shù)、百公里平均時速和百公里油耗的回歸系數(shù)。

具體的，將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中之后，可以得到一個范圍在0-1之間的輸出值，當輸出值大于等于0.5時，表示當前車輛的駕駛員為車主；當輸出值小于0.5時，表示當前車輛的駕駛員為非車主。

進一步的，圖4為本發(fā)明提供的駕駛員識別裝置又一個實施例的結(jié)構(gòu)示意圖，如圖4所示，在圖3所示實施例的基礎上，所述的駕駛員識別裝置還包括：

第二獲取模塊35，用于在輸入模塊將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中之前，獲取駕駛當前車輛的各個駕駛員的第一樣本駕駛數(shù)據(jù)以及第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值；

第二處理模塊36，用于對第一樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的第一樣本駕駛數(shù)據(jù)；

調(diào)整模塊37，用于將預設形式的第一樣本駕駛數(shù)據(jù)輸出至初始回歸分類模型中，根據(jù)初始回歸分類模型的輸出結(jié)果以及第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到回歸分類模型。

進一步的，圖5為本發(fā)明提供的駕駛員識別裝置又一個實施例的結(jié)構(gòu)示意圖，如圖5所示，在圖4所示實施例的基礎上，所述的駕駛員識別裝置還包括：

第三獲取模塊38，用于在調(diào)整模塊根據(jù)初始回歸分類模型的輸出結(jié)果以及第一樣本駕駛數(shù)據(jù)對應的模型理論輸出值對初始回歸分類模型的回歸系數(shù)進行調(diào)整，得到回歸分類模型之后，獲取駕駛當前車輛的各個駕駛員的檢測樣本駕駛數(shù)據(jù)以及檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值；

第三處理模塊39，用于對檢測樣本駕駛數(shù)據(jù)進行量化處理，得到預設形式的檢測樣本駕駛數(shù)據(jù)；

判斷模塊40，用于將預設形式的檢測樣本駕駛數(shù)據(jù)輸出至回歸分類模型中，判斷回歸分類模型的輸出結(jié)果與檢測樣本駕駛數(shù)據(jù)對應的模型理論輸出值是否匹配；

操作模塊41，用于在對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率大于等于預設比率時，不對回歸分類模型的回歸系數(shù)進行調(diào)整。

另外，需要進行說明的是，若對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率小于預設比率，則獲取駕駛當前車輛的各個駕駛員的第二樣本駕駛數(shù)據(jù)以及第二樣本駕駛數(shù)據(jù)對應的模型理論輸出值，基于第二樣本駕駛數(shù)據(jù)以及第二樣本駕駛數(shù)據(jù)對應的模型理論輸出值對回歸分類模型的回歸系數(shù)進行調(diào)整，直至對應的輸出結(jié)果與對應的模型理論輸出值匹配的檢測樣本駕駛數(shù)據(jù)的比率大于等于預設比率為止。

本實施例中，提供一種駕駛員識別裝置，通過獲取當前車輛的駕駛數(shù)據(jù)，駕駛數(shù)據(jù)包括：車輛行車數(shù)據(jù)、駕駛員狀態(tài)數(shù)據(jù)以及當前車輛的行駛路段數(shù)據(jù)；對當前車輛的駕駛數(shù)據(jù)進行量化處理，得到預設形式的駕駛數(shù)據(jù)；將預設形式的駕駛數(shù)據(jù)輸入至預先創(chuàng)建的回歸分類模型中，根據(jù)回歸分類模型的輸出結(jié)果判斷當前車輛的駕駛員是否為預設駕駛員，在當前車輛的駕駛員為預設駕駛員時，基于駕駛數(shù)據(jù)以及預設駕駛員對應的駕駛習慣數(shù)據(jù)為預設駕駛員提供個性化的服務。

最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍。