CN107730028A - 一种车辆事故识别方法、车载终端及存储介质 - Google Patents
一种车辆事故识别方法、车载终端及存储介质 Download PDFInfo
- Publication number
- CN107730028A CN107730028A CN201710839648.1A CN201710839648A CN107730028A CN 107730028 A CN107730028 A CN 107730028A CN 201710839648 A CN201710839648 A CN 201710839648A CN 107730028 A CN107730028 A CN 107730028A
- Authority
- CN
- China
- Prior art keywords
- data
- type data
- car
- vehicle
- accident
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013499 data model Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000002407 reforming Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 8
- 206010039203 Road traffic accident Diseases 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆事故识别方法、车载终端及存储介质,方法包括:实时采集车辆在行驶过程中的全量数据,并进行清洗并分离成数值型数据与非数值型数据;获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理;将数值型数据以及由非数值型数据经过处理之后转换成的数值型数据套入预先建立数据模型,经数据模型运算处理,得出事故发生的概率;当事故发生的概率大于第一概率阈值时,则控制发出用于警告的预警信息;当事故发生的概率大于第二概率阈值时,则控制向后台服务器上报车辆的事故信息。本发明能够准确得到事故发生的概率,从而准确识别出车辆事故,提高车辆事故识别的准确度,给用户带来方便。
Description
技术领域
本发明涉及智能车联网技术领域,具体涉及一种车辆事故识别方法、车载终端及存储介质。
背景技术
随着社会经济的不断发展,人们的物质生活越来越丰富,汽车几乎成为各家各户出行必备的工具之一,加之随着电子技术的不断发展,智能电子设备的普及,物联网、大数据、车联网等概念深入人心,智能车载行业表现出一片欣欣向荣的情景,带给车主们更加人性化的体验与服务。
但是频发的交通事故让我们防不胜防,当前的车辆事故识别主要基于车速、加速度、方向等数据来判断车辆是否发生事故,由于数据噪声比较大,这种方法会把很多急减速、急转弯事件误判为碰撞事故,同时对于车速不高情况下的轻微擦碰又无法识别,并且现有技术都是通过固定公式来判断事故是否发生,仅仅只考虑了某些特定的因素,往往事故的发生不仅仅是由一个或者两个因素而导致的,而是受特别多因素的影响,因此容易忽略很多有用数据,因而事故判断的准确性非常低,不利于准确判断及救援工作开展。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种车辆事故识别方法、车载终端及存储介质,旨在解决现有技术中车辆事故识别准确度低,导致不能及时开展救援行动的问题。
本发明解决技术问题所采用的技术方案如下:
一种车辆事故识别方法,其中,所述方法包括:
实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据;
获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理;
将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型,经数据模型运算处理,得出事故发生的概率;
当事故发生的概率大于预设的第一概率阈值时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于预设的第二概率阈值时,则控制车载终端向后台服务器上报所述车辆的事故信息。
所述的车辆事故识别方法,其中,所述全量数据包括数值型数据及非数值型数据;
所述数值型数据具体包括:所述车辆的速度、加速度值;
所述非数值型数据具体包括:GPS数据、所述车辆的左右前后位置是否有其他车辆以及所述车辆用户的驾驶状态。
所述的车辆事故识别方法,其中,所述实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据之前还包括:
预先采集大量车辆的全量数据进行模型训练,并建立一数据模型;所述数据模型为基于时间序列数据处理的神经网络数据模型;
所述数据模型用于当实时采集到所述车辆的全量数据时,直接套入所述数据模型,经数据模型运算,得出所述车辆发生事故的概率。
所述的车辆事故识别方法,其中,所述实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据具体包括:
当车辆启动后,在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据;
对获取到的全量数据进行去噪、滤波、空值和/或重复值处理,清除无效数据,并将全量数据分离成数值型数据与非数值型数据。
所述的车辆事故识别方法,其中,所述当车辆启动后,在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据具体包括:
通过所述车辆上的预装的传感器、GPS以及监控摄像头定时采集所述车辆的全量数据;所述传感器包括重力传感器、加速度传感器、陀螺仪传感器以及距离传感器;
所述GPS用于获取当前车辆的周围其他车辆的车速;
所述监控摄像头用于收集所述车辆的用户的驾驶状态。
所述的车辆事故识别方法,其中,所述获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理具体包括:
获取所述全量数据中的非数值型数据;
对所述非数值型数据进行特征工程改造处理,使所述非数值型数据转换成数值型数据;
对处理后的数据进行相关性分析,并将相关性强的数据合并。
所述的车辆事故识别方法,其中,所述将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型,经数据模型运算处理,得出事故发生的概率具体包括:
根据预先设置好的数据模型,套入全量数据中的数值型数据以及经处理后的非数值型数据;
所述数据模型中预设的函数关系自动进行运算,得出所述车辆事故发生的概率。
所述的车辆事故识别方法,其中,所述当事故发生的概率大于预设的第一概率阈值时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于预设的第二概率阈值时,则控制车载终端向后台服务器上报所述车辆的事故信息具体包括:
预先设置一用于触发所述车载终端发出预警信息的第一概率阈值,所述第一概率阈值为0.5;
预先设置一用于触发所述车载终端向后台服务器上报车辆的事故信息的第二概率阈值,所述第二概率阈值为0.9;
当事故发生的概率大于0.5时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于0.9时,则判断所述车辆已经发生了交通事故,控制车载终端向后台服务器上报所述车辆的事故信息。
一种车载终端,其中,包括:处理器、与处理器通信连接的存储设备,所述存储设备适于存储多条指令;所述处理器适于调用所述存储设备中的指令,以执行实现上述任一项所述的车辆事故识别方法。
一种存储介质,其上存储有多条指令,其中,所述指令适于由处理器加载并执行,以实现上述任一项所述的车辆事故识别方法。
本发明的有益效果:本发明通过对车辆行驶过程中的全量数据进行分析,能够准确得到事故发生的概率,从而准确识别出车辆事故,提高车辆事故识别的准确度,以便及时进行相应救援处理,给用户带来方便。
附图说明
图1是本发明的车辆事故识别方法的较佳实施例的流程图。
图2是本发明的车载终端的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明的车辆事故识别方法的较佳实施例的流程图。所述车辆事故识别方法包括以下步骤:
步骤S100、实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据。
较佳地,所述步骤S100具体包括:
步骤S101、当车辆启动后,在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据;
步骤S102、对获取到的全量数据进行去噪、滤波、空值和/或重复值处理,清除无效数据,并将全量数据分离成数值型数据与非数值型数据。
具体实施时,由于车辆事故的发生不仅仅是由一个或者两个因素而导致的,而是受特别多因素的影响,因此,为了更加准确的识别出事故的发生,本发明采用的收集车辆的全量数据进行分析。具体地,所述全量数据包括:数值型数据及非数值型数据;所述数值型数据具体包括:所述车辆的速度、加速度值;所述非数值型数据具体包括:GPS数据、所述车辆的左右前后位置是否有其他车辆以及所述车辆用户的驾驶状态。
进一步地,本发明需要预先建立一数据模型,该数据模型可用于当实时采集到车辆的全量数据之后,直接套入数据模型,金数据模型进行运算,便可得出车辆发生事故的概率,便于更加准确的识别事故的发生。所述数据模型是通过预先采集大量车辆的全量数据进行模型训练得到的。较佳地,在对全量数据进行模型训练之前,首先需要对全量数据进行处理。将全量数据中的非数值型数据进行特征工程改造处理,使非数值型数据转换成数值型数据,从而更好的进行模型训练。例如,采集到的GPS数据以及用户行车的状态信息为非数值型数据,而通过特征工程改造处理之后,这些非数值型数据就会转换为数值型数据。在进行建模的过程中,本发明所采用的是利用神经网络的模型进行数据建模,由于神经网络模型本身具有较强的抗噪性,因此可消除收集到的全量数据的噪音影响,从而建立一更加稳定的数据模型。较佳地,本发明根据神经网络建立的数据模型是一个基于时间序列数据处理的神经网络模型,也就说该数据模型具备记忆功能,当对当前的全量数据进行分析处理时,可基于历史数据作出更加全面的分析。
较佳地,本发明所建立的数据模型中具有一函数关系,所述函数用于将获取到的数据通过自动计算得出事故发生的概率。具体地,所述函数采用,z为输入到所述数据模型中的各种数据。由于本发明中考虑的是车辆的全量数据,因此数据比较多,并且每个数据对于车辆发生事故的影响程度也并不一样,因此,需要对每种数据进行权重的分配。这样才能更加准确的分析出事故发生的概率。
当数据模型建立好之后,本发明便可通过所述数据模型实时分析车辆事故发生的概率。具体实施时,当车辆启动后,在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据。比如预先设定每个10分钟进行全量数据的采集,这个时间可以根据用户的需求进行自主设定。为了更加方便有效的收集所述车辆在行驶过程中的全量数据,本发明通过在所述车辆上预先安装传感器、GPS以及监控摄像头定时采集所述车辆的全量数据。所述传感器包括:重力传感器、加速度传感器、陀螺仪传感器以及距离传感器。通过这些传感器来获取当前车辆的速度、加速度以及前后左右四周是否还有其他车辆。所述监控摄像头用于收集所述车辆的用户当前的驾驶状态。所述GPS可用于获取当前车辆周围其他车辆的车速。当然,本发明也可采集用户的个人信息、包括:性格、个人信用以及家庭状况等信息数据,从这些隐含因素中得到用户的驾驶情况,帮助更加准确的分析车辆发生事故的概率。并且,本发明的监控摄像头会实时监控用户的驾驶情况,当用户的驾驶行为不规范时,还会控制车载终端对用户发出语音提示信息,给用户的驾驶提供了安全保障。
当获取到上述全量数据时,需要对数据进行过滤,比如震动引起的加速度或者速度的突变,这个数据就需要从采集的数据中过滤掉;比如传感器的物理特性可能会在震动、摇摆中产生一个瞬间的突变,这个突变数据就是无效的;这样做的目的是提高所采集的数据质量,尽可能保证之后车辆事故是被的正确率。举个例子,车辆正常行驶的速度为50km/h时,而当某个瞬时速度可能会有所增加或者有所减少,可以预先设置一允许波动的范围(±5km/h),当速度的波动范围小于这个范围时,则认为这是正常情况,不是发生事故,因此,该数据是无效的。当收集到的全量数据进行清洗处理之后,将全量数据进行分离成数值型数据与非数值型数据。
步骤S200、获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理。
较佳地,所述步骤S200具体包括:
步骤S201、获取所述全量数据中的非数值型数据;
步骤S202、对所述非数值型数据进行特征工程改造处理,使所述非数值型数据转换成数值型数据;
步骤S203、对处理后的数据进行相关性分析,并将相关性强的数据合并。
具体实施时,由于采集到的全量数据中的非数值型数据是无法直接套入预先建立好的数据模型的。因此需要对所述非数值型数据进行特征工程改造处理。此处的特征工程改造处理与前面提到的数据建模时是一样的,都是将非数值型数据转换成数值型数据。并且为了提高数据分析的准确度,本发明还对处理后的数据进行相关性分析,将相关性强的数据进行合并,具体是使用PCA降维的方法,以降低数据的复杂度,从而更加有助于更加准确的得到事故发生的概率。
步骤S300、将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型,经数据模型运算处理,得出事故发生的概率。
较佳地,所述步骤S300具体包括:
步骤S301、根据预先设置好的数据模型,套入全量数据中的数值型数据以及经处理后的非数值型数据;
步骤S302、所述数据模型中预设的函数关系自动进行运算,得出所述车辆事故发生的概率。
具体实施时,根据预先设置好的数据模型,套入采集到的全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据。所述数据模型中函数关系会根据预设的各个数据所占的权重自动计算出所述车辆事故发生的概率。
步骤S400、当事故发生的概率大于预设的第一概率阈值时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于预设的第二概率阈值时,则控制车载终端向后台服务器上报车辆的事故信息。
较佳地,所述步骤S400具体包括:
步骤S401、预先设置一用于触发所述车载终端发出预警信息的第一概率阈值,所述第一概率阈值为0.5;
步骤S402、预先设置一用于触发所述车载终端向后台服务器上报车辆的事故信息的第二概率阈值,所述第二概率阈值为0.9;
步骤S403、当事故发生的概率大于0.5时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于0.9时,则判断所述车辆已经发生了交通事故,控制车载终端向后台服务器上报车辆的事故信息。
具体实施时,本发明预先设置用于触发车载终端发出预警信息的第一概率阈值,所述第一概率阈值为0.5,设置一用于触发所述车载终端向后台服务器上报车辆的事故信息的第二概率阈值,所述第二概率阈值为0.9。本发明设置两个概率阈值,第一概率阈值起到的是预警作用。具体地,当通过数据模型分析出所述车辆发生事故的概率大于0.5时,则判断当前车辆具有一定的危险性,发生事故的概率比较大,则控制车载终端发出预警信息以警告用户谨慎驾驶,较佳地,控制车载终端发出语音预警。而当通过数据模型分析出所述车辆发生事故的概率大于0.9时,则判断所述车辆已经发生了交通事故,则控制车载终端向后台服务器上报事故信息,以使救援人员根据事故信息及时赶往事故现场,及时救援。
较佳地,本发明还可根据逻辑运算建立数据模型,使得当将采集到的全量数据输入到所述数据模型后,输出的是0或者1的逻辑语言指令。具体地,0代表所述车辆没有发生交通事故,1代表所述车辆已经发生交通事故。同样地,当输出1的逻辑指令时,则控制车载终端向后台服务器上报事故信息。
基于上述实施例,本发明还公开了一种车载终端。如图2示,包括:处理器(processor)10、与处理器连接的存储设备(memory)20;其中,所述处理器10用于调用所述存储设备20中的程序指令,以执行上述实施例所提供的方法,例如执行:
实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据;
获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理;
将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型,经数据模型运算处理,得出事故发生的概率;
当事故发生的概率大于预设的第一概率阈值时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于预设的第二概率阈值时,则控制车载终端向后台服务器上报所述车辆的事故信息。
本发明实施例还提供一种存储介质,所述存储介质上存储计算机指令,所述计算机指令使计算机执行上述各实施例所提供的方法。
综上所述,本发明提供的一种车辆事故识别方法、车载终端及存储介质,所述方法包括:实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据;获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理;将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型,经数据模型运算处理,得出事故发生的概率;当事故发生的概率大于预设的第一概率阈值时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于预设的第二概率阈值时,则控制车载终端向后台服务器上报所述车辆的事故信息。本发明通过对车辆行驶过程中的全量数据进行分析,能够准确得到事故发生的概率,从而准确识别出车辆事故,提高车辆事故识别的准确度,以便及时进行相应救援处理,给用户带来方便。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种车辆事故识别方法,其特征在于,所述方法包括:
实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据;
获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理;
将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型,经数据模型运算处理,得出事故发生的概率;
当事故发生的概率大于预设的第一概率阈值时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于预设的第二概率阈值时,则控制车载终端向后台服务器上报所述车辆的事故信息。
2.根据权利要求1所述的车辆事故识别方法,其特征在于,所述全量数据包括数值型数据及非数值型数据;
所述数值型数据具体包括:所述车辆的速度、加速度值;
所述非数值型数据具体包括:GPS数据、所述车辆的左右前后位置是否有其他车辆以及所述车辆用户的驾驶状态。
3.根据权利要求1所述的车辆事故识别方法,其特征在于,所述实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据之前还包括:
预先采集大量车辆的全量数据进行模型训练,并建立一数据模型;
所述数据模型为基于时间序列数据处理的神经网络数据模型;
所述数据模型用于当实时采集到所述车辆的全量数据时,直接套入所述数据模型,经数据模型运算,得出所述车辆发生事故的概率。
4.根据权利要求1所述的车辆事故识别方法,其特征在于,所述实时采集车辆在行驶过程中的全量数据,并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据具体包括:
当车辆启动后,在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据;
对获取到的全量数据进行去噪、滤波、空值和/或重复值处理,清除无效数据,并将全量数据分离成数值型数据与非数值型数据。
5.根据权利要求4所述的车辆事故识别方法,其特征在于,所述当车辆启动后,在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据具体包括:
通过所述车辆上的预装的传感器、GPS以及监控摄像头定时采集所述车辆的全量数据;所述传感器包括重力传感器、加速度传感器、陀螺仪传感器以及距离传感器;
所述GPS用于获取当前车辆的周围其他车辆的车速;
所述监控摄像头用于收集所述车辆的用户的驾驶状态。
6.根据权利要求1所述的车辆事故识别方法,其特征在于,所述获取非数值型数据,并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理具体包括:
获取所述全量数据中的非数值型数据;
对所述非数值型数据进行特征工程改造处理,使所述非数值型数据转换成数值型数据;
对处理后的数据进行相关性分析,并将相关性强的数据合并。
7.根据权利要求1所述的车辆事故识别方法,其特征在于,所述将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型,经数据模型运算处理,得出事故发生的概率具体包括:
根据预先设置好的数据模型,套入全量数据中的数值型数据以及经处理后的非数值型数据;
所述数据模型中预设的函数关系自动进行运算,得出所述车辆事故发生的概率。
8.根据权利要求1所述的车辆事故识别方法,其特征在于,所述当事故发生的概率大于预设的第一概率阈值时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于预设的第二概率阈值时,则控制车载终端向后台服务器上报所述车辆的事故信息具体包括:
预先设置一用于触发所述车载终端发出预警信息的第一概率阈值,所述第一概率阈值为0.5;
预先设置一用于触发所述车载终端向后台服务器上报车辆的事故信息的第二概率阈值,所述第二概率阈值为0.9;
当事故发生的概率大于0.5时,则控制车载终端发出用于警告的预警信息;当事故发生的概率大于0.9时,则判断所述车辆已经发生了交通事故,控制车载终端向后台服务器上报所述车辆的事故信息。
9.一种车载终端,其特征在于,包括:处理器、与处理器通信连接的存储设备,所述存储设备适于存储多条指令;所述处理器适于调用所述存储设备中的指令,以执行实现上述权利要求1-8任一项所述的车辆事故识别方法。
10.一种存储介质,其上存储有多条指令,其特征在于,所述指令适于由处理器加载并执行,以实现上述权利要求1-8任一项所述的车辆事故识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710839648.1A CN107730028A (zh) | 2017-09-18 | 2017-09-18 | 一种车辆事故识别方法、车载终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710839648.1A CN107730028A (zh) | 2017-09-18 | 2017-09-18 | 一种车辆事故识别方法、车载终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107730028A true CN107730028A (zh) | 2018-02-23 |
Family
ID=61207560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710839648.1A Pending CN107730028A (zh) | 2017-09-18 | 2017-09-18 | 一种车辆事故识别方法、车载终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730028A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110497905A (zh) * | 2019-08-29 | 2019-11-26 | 三星电子(中国)研发中心 | 用于控制车辆的方法和装置 |
CN111027859A (zh) * | 2019-12-11 | 2020-04-17 | 公安部交通管理科学研究所 | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 |
CN111047861A (zh) * | 2019-12-04 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN111144485A (zh) * | 2019-12-26 | 2020-05-12 | 北京中交兴路车联网科技有限公司 | 基于xgboost分类算法的车辆事故判断方法和系统 |
CN111179587A (zh) * | 2018-11-09 | 2020-05-19 | 丰田自动车北美公司 | 实时车辆事故预测、警告和预防 |
CN111259935A (zh) * | 2020-01-09 | 2020-06-09 | 斑马网络技术有限公司 | 车辆事故的识别方法、装置、设备以及存储介质 |
CN112328970A (zh) * | 2020-11-05 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 基于车辆性能参数的事故预测方法和系统 |
CN112863244A (zh) * | 2019-11-28 | 2021-05-28 | 大众汽车股份公司 | 用于促进车辆的安全行驶的方法和装置 |
CN113160549A (zh) * | 2020-12-03 | 2021-07-23 | 湖南湘江智能科技创新中心有限公司 | 一种自动识别车辆事故系统以及识别方法 |
CN113658426A (zh) * | 2021-07-29 | 2021-11-16 | 中寰卫星导航通信有限公司 | 一种车辆事故识别方法及装置 |
CN115830800A (zh) * | 2022-11-28 | 2023-03-21 | 广州城建职业学院 | 车祸预警方法、系统、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443830A (zh) * | 2006-05-12 | 2009-05-27 | 丰田自动车株式会社 | 车辆用警报系统和警报方法 |
CN104134371A (zh) * | 2014-07-09 | 2014-11-05 | 奇瑞汽车股份有限公司 | 一种车辆碰撞预警的方法和装置 |
CN104764956A (zh) * | 2015-03-24 | 2015-07-08 | 深圳供电局有限公司 | 一种电缆介质绝缘水平检测优化的方法及系统 |
CN105320966A (zh) * | 2015-10-30 | 2016-02-10 | 东软集团股份有限公司 | 一种车辆行驶状态识别方法及装置 |
CN205344684U (zh) * | 2016-01-29 | 2016-06-29 | 孙建利 | 一种车载汽车驾驶疲劳预警设备 |
CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
CN106781454A (zh) * | 2016-11-25 | 2017-05-31 | 东软集团股份有限公司 | 驾驶行为的评估方法和装置 |
CN106952361A (zh) * | 2017-03-15 | 2017-07-14 | 深圳汇通智能化科技有限公司 | 一种高效的车辆行驶状态识别系统 |
-
2017
- 2017-09-18 CN CN201710839648.1A patent/CN107730028A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443830A (zh) * | 2006-05-12 | 2009-05-27 | 丰田自动车株式会社 | 车辆用警报系统和警报方法 |
CN104134371A (zh) * | 2014-07-09 | 2014-11-05 | 奇瑞汽车股份有限公司 | 一种车辆碰撞预警的方法和装置 |
CN104764956A (zh) * | 2015-03-24 | 2015-07-08 | 深圳供电局有限公司 | 一种电缆介质绝缘水平检测优化的方法及系统 |
CN105320966A (zh) * | 2015-10-30 | 2016-02-10 | 东软集团股份有限公司 | 一种车辆行驶状态识别方法及装置 |
CN205344684U (zh) * | 2016-01-29 | 2016-06-29 | 孙建利 | 一种车载汽车驾驶疲劳预警设备 |
CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
CN106781454A (zh) * | 2016-11-25 | 2017-05-31 | 东软集团股份有限公司 | 驾驶行为的评估方法和装置 |
CN106952361A (zh) * | 2017-03-15 | 2017-07-14 | 深圳汇通智能化科技有限公司 | 一种高效的车辆行驶状态识别系统 |
Non-Patent Citations (1)
Title |
---|
褚宝增 等: "《现代数学地质》", 31 August 2014, 中国科学技术出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179587A (zh) * | 2018-11-09 | 2020-05-19 | 丰田自动车北美公司 | 实时车辆事故预测、警告和预防 |
CN110497905A (zh) * | 2019-08-29 | 2019-11-26 | 三星电子(中国)研发中心 | 用于控制车辆的方法和装置 |
CN112863244A (zh) * | 2019-11-28 | 2021-05-28 | 大众汽车股份公司 | 用于促进车辆的安全行驶的方法和装置 |
CN112863244B (zh) * | 2019-11-28 | 2023-03-14 | 大众汽车股份公司 | 用于促进车辆的安全行驶的方法和装置 |
CN111047861A (zh) * | 2019-12-04 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN111027859B (zh) * | 2019-12-11 | 2021-11-30 | 公安部交通管理科学研究所 | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 |
CN111027859A (zh) * | 2019-12-11 | 2020-04-17 | 公安部交通管理科学研究所 | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 |
CN111144485A (zh) * | 2019-12-26 | 2020-05-12 | 北京中交兴路车联网科技有限公司 | 基于xgboost分类算法的车辆事故判断方法和系统 |
CN111259935A (zh) * | 2020-01-09 | 2020-06-09 | 斑马网络技术有限公司 | 车辆事故的识别方法、装置、设备以及存储介质 |
CN112328970A (zh) * | 2020-11-05 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 基于车辆性能参数的事故预测方法和系统 |
CN113160549B (zh) * | 2020-12-03 | 2022-04-15 | 湖南湘江智能科技创新中心有限公司 | 一种自动识别车辆事故系统以及识别方法 |
CN113160549A (zh) * | 2020-12-03 | 2021-07-23 | 湖南湘江智能科技创新中心有限公司 | 一种自动识别车辆事故系统以及识别方法 |
CN113658426A (zh) * | 2021-07-29 | 2021-11-16 | 中寰卫星导航通信有限公司 | 一种车辆事故识别方法及装置 |
CN113658426B (zh) * | 2021-07-29 | 2023-10-03 | 中寰卫星导航通信有限公司 | 一种车辆事故识别方法及装置 |
CN115830800A (zh) * | 2022-11-28 | 2023-03-21 | 广州城建职业学院 | 车祸预警方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730028A (zh) | 一种车辆事故识别方法、车载终端及存储介质 | |
CN106934876B (zh) | 一种车辆异常驾驶事件的识别方法及系统 | |
US10198772B2 (en) | Driver assessment and recommendation system in a vehicle | |
CN107895410B (zh) | 一种车辆事故上报处理方法、存储设备及车载终端 | |
CN105069976B (zh) | 一种疲劳检测和行驶记录综合系统及疲劳检测方法 | |
EP2863282B1 (en) | System and method for detecting anomaly associated with driving a vehicle | |
CN107742430A (zh) | 一种驾驶行为监控方法、存储介质及车载终端 | |
CN105966404A (zh) | 一种驾驶行为评测方法及装置 | |
CN112428952A (zh) | 一种基于物联网的车辆安全预警系统 | |
CN108791303B (zh) | 驾驶行为检测方法、装置、电子设备和计算机可读介质 | |
CN106157695A (zh) | 危险驾驶行为的提醒方法和装置 | |
WO2006131926A2 (en) | System and method for displaying a driving profile | |
JP7156268B2 (ja) | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム | |
CN109670970A (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN111383362B (zh) | 一种安全监测方法及装置 | |
WO2023274071A1 (zh) | 驾驶行为监控方法、装置、电子设备及存储介质 | |
CN105313900B (zh) | 驾驶控制系统及控制方法 | |
CN106228756A (zh) | 车辆的智能驾驶安全辅助系统 | |
CN103824427A (zh) | 一种便携式远程救助终端 | |
CN107867295A (zh) | 基于车辆出险概率的事故预警方法、存储设备及车载终端 | |
CN109710984A (zh) | 事故识别与救援方法及装置 | |
CN109466509A (zh) | 一种针对车辆被整体拖动事件的远程监控方法 | |
CN108898795B (zh) | 一种基于移动设备的行人状态实时分析方法及系统 | |
CN111862386A (zh) | 一种车辆的事故记录方法、装置、介质及服务器 | |
CN107677460A (zh) | 一种监控自行车刹车性能的装置和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |