本申请涉及驾驶行为分析，尤其涉及一种驾驶行为评分方法、电子设备及车辆。
背景技术：
1、在汽车行业中，用户的驾驶行为评分是一种重要的评价指标，它可以应用于很多业务场景，包括用户购车、保险定价、驾驶行为改进等等。为了对驾驶行为评分进行客观解释，通常采用多维驾驶行为数据对驾驶行为评分进行量化分析。但是，驾驶行为数据维度多且复杂，对驾驶行为评分进行量化分析后可解释性较差，用户仍然无法直观了解对于驾驶行为评分的解释分析结果，影响了驾驶行为评分在业务场景中的指导作用。
技术实现思路
1、有鉴于此，本申请的目的在于提出一种驾驶行为评分方法、电子设备及车辆，以解决驾驶行为评分可解释性差的问题。
2、本申请的第一方面提供了一种驾驶行为评分方法，包括：
3、获取用户的驾驶行为数据；
4、将所述驾驶行为数据输入至经过训练的预测评分模型中，通过所述预测评分模型输出所述驾驶行为数据对应的预测驾驶评分；
5、采用多个预设初始指标对所述预测驾驶评分进行解释分析，得到每个初始指标对应的初始评分；
6、对所述多个初始指标进行聚类，得到多个目标指标；
7、基于所述初始评分，计算得到每个目标指标对应的目标评分。
8、可选的，所述基于所述初始评分，计算得到每个目标指标对应的目标评分，包括：将所述目标指标对应的全部初始指标的初始评分的和值，作为所述目标评分。
9、可选的，所述方法还包括：可视化显示所述目标评分。
10、可选的，在将所述驾驶行为数据输入至经过训练的预测评分模型之前，包括：对所述驾驶行为数据进行预处理，所述预处理至少包括以下其中之一：缺失值处理、离群值处理和归一化处理。
11、可选的，所述预测评分模型的训练过程，包括：
12、获取初始样本数据；
13、采用无监督学习算法确定所述初始样本数据对应的初始样本评分；
14、将所述初始样本数据和所述初始样本评分合并作为训练样本数据；
15、基于所述训练样本数据，采用有监督学习算法对所述预测评分模型进行训练。
16、可选的，所述采用无监督学习算法确定所述初始样本数据对应的初始样本评分，包括：
17、对所述初始样本数据进行特征提取，得到对应多个评价指标的多个样本特征；
18、基于多个样本特征，采用熵权法计算得到每个评价指标的特征权重；
19、基于所述特征权重，采用秩和比算法确定所述初始样本评分。
20、可选的，在基于所述特征权重，采用秩和比算法确定所述初始样本评分之前，包括：基于预设修正规则对所述特征权重进行修正。
21、可选的，基于所述训练样本数据，采用有监督学习算法对所述预测评分模型进行训练，包括：
22、将所述训练样本数据划分为训练集、验证集和测试集；
23、初始化所述预测评分模型的模型参数；
24、通过所述训练集对所述预测评分模型进行初始训练，以对所述模型参数进行初始调节；
25、通过所述验证集对经过初始训练的预测评分模型进行验证，以对所述模型参数进行微调；
26、通过所述测试集对经过验证的预测评分模型进行测试，得到测试结果；
27、响应于所述测试结果满足预设截止条件，得到训练完成的预测评分模型。
28、本申请的第二方面还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如第一方面所述的方法。
29、本申请的第三方面还提供了一种车辆，包括如第二方面所述的电子设备。
30、从上面所述可以看出，本申请提供的驾驶行为评分方法、电子设备及车辆，所述方法包括：获取用户的驾驶行为数据；将所述驾驶行为数据输入至经过训练的预测评分模型中，通过所述预测评分模型输出所述驾驶行为数据对应的预测驾驶评分。通过经过训练的预测评分模型能够输出较为准确的预测驾驶评分，为后续对于预测驾驶评分的解释分析提供数据基础。采用多个预设初始指标对所述预测驾驶评分进行解释分析，得到每个初始指标对应的初始评分。对所述多个初始指标进行聚类，得到多个目标指标，目标指标是可解释性较强且影响力较大的指标。基于所述初始评分，计算得到每个目标指标对应的目标评分。用户通过目标评分可以直观了解对于预测驾驶评分的解释分析结果，从而提升预测驾驶评分在不同应用场景下的指导作用。
1.一种驾驶行为评分方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始评分，计算得到每个目标指标对应的目标评分，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，在将所述驾驶行为数据输入至经过训练的预测评分模型之前，包括：
5.根据权利要求1所述的方法，其特征在于，所述预测评分模型的训练过程，包括：
6.根据权利要求5所述的方法，其特征在于，所述采用无监督学习算法确定所述初始样本数据对应的初始样本评分，包括：
7.根据权利要求6所述的方法，其特征在于，在基于所述特征权重，采用秩和比算法确定所述初始样本评分之前，包括：
8.根据权利要求5所述的方法，其特征在于，基于所述训练样本数据，采用有监督学习算法对所述预测评分模型进行训练，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
10.一种车辆，其特征在于，包括如权利要求9所述的电子设备。
