CN107867295A - 基于车辆出险概率的事故预警方法、存储设备及车载终端 - Google Patents
基于车辆出险概率的事故预警方法、存储设备及车载终端 Download PDFInfo
- Publication number
- CN107867295A CN107867295A CN201711092903.7A CN201711092903A CN107867295A CN 107867295 A CN107867295 A CN 107867295A CN 201711092903 A CN201711092903 A CN 201711092903A CN 107867295 A CN107867295 A CN 107867295A
- Authority
- CN
- China
- Prior art keywords
- probability
- vehicle
- danger
- early warning
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000013499 data model Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000000586 desensitisation Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 15
- 230000007935 neutral effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims description 3
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims description 3
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于车辆出险概率的事故预警方法、存储设备及车载终端,方法包括:实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据;车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率;当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息。本发明通过调用预设的数据模型计算出车辆出险的概率,方法简单且计算结果更加精确,能够在事故发生之前及时对事故进行预警,并向驾驶人员发送预警信息,以便培养安全的驾驶行为。
Description
技术领域
本发明涉及车联网技术领域,具体涉及基于车辆出险概率的事故预警方法、存储设备及车载终端。
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,频发的车辆交通事故让我们防不胜防,从近些年的车辆事故数据统计发现,大多数造成事故的原因都是由于驾驶人员的驾驶行为不当所导致的,而现有技术中不但没有在驾驶行为不当的时候进行车辆出险概率的计算,并且也没有向驾驶人员进行事故预警的提示,因此,驾驶人员并不知晓自己正处于危险当中,无法进行补救措施,从而导致交通事故的频发。
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,提供基于车辆出险概率的事故预警方法、存储设备及车载终端,旨在解决现有技术中不会在驾驶行为不当的时候进行车辆出险概率的计算,并且也没有向驾驶人员进行事故预警的提示的问题。
本发明解决技术问题所采用的技术方案如下:
一种基于车辆出险概率的事故预警方法,其中,所述方法包括:
实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据;
车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率;
当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息。
所述的基于车辆出险概率的事故预警方法,其中,所述原始数据包括:GPS数据、车辆行驶数据、车辆设备状态数据以及驾驶人员的驾驶状态数据。
所述的基于车辆出险概率的事故预警方法,其中,所述对收集到的原始数据进行脱敏处理,转换为特征数据具体包括:
采用自编码神经网络对原始数据进行降维处理,并对降维后的原始数据进行分析;
从降维后的原始数据提取中间层数据,所述中间层数据就为特征数据。
所述的基于车辆出险概率的事故预警方法,其中,所述实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据之前还包括:
预先通过车辆上预装的设备收集大量的原始数据,并对原始数据进行脱敏处理,转化为特征数据;
采用logistics回归机器学习模型对特征数据进行学习与数据训练;
利用logistics回归的二分类性质将数据训练的结果与特征数据建立关系,从而建立一用于根据输入的特征数据输出车辆出险概率的概率型非线性回归数据模型。
所述的基于车辆出险概率的事故预警方法,其中,所述车辆上预装的设备包括:行车记录仪、GPS北斗定位装置、重力传感器以及ADAS装置。
所述的基于车辆出险概率的事故预警方法,其中,所述车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率具体包括:
当车载终端接收到特征数据时,调用所述概率型非线性回归数据模型;
将特征数据输入至所述概率型非线性回归数据模型进行运算处理与分析;
输出所述车辆当前的出险概率。
所述的基于车辆出险概率的事故预警方法,其中,所述当车辆的出险概率大于或者等于预设的概率阈值时,则启动事故预警功能,并向预设的移动终端发送事故预警信息之前还包括:
预先设置一概率阈值,所述概率阈值用于当车辆出险概率大于或者等于概率阈值时,触发事故预警装置。
所述的基于车辆出险概率的事故预警方法,其中,所述当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息具体包括:
获取输出的车辆当前的出险概率,并与概率阈值进行比较;
当出险概率大于或者等于预设的概率阈值时,则自动启动车载终端上的事故预警功能,并语音向驾驶人员进行提示;
向预设的车载终端发送预警信息;所述预警信息包括:出险概率、事故预警时间、事故预警地点以及驾驶人员的违规明细。
一种存储设备,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基于车辆出险概率的事故预警方法。
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基于车辆出险概率的事故预警方法。
本发明的有益效果:本发明通过调用预设的数据模型计算出车辆出险的概率,方法简单且计算结果更加精确,能够在事故发生之前及时对事故进行预警,并向驾驶人员发送预警信息,以便培养安全的驾驶行为。
附图说明
图1是本发明的基于车辆出险概率的事故预警方法的第一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是本发明的基于车辆出险概率的事故预警方法的第一较佳实施例的流程图。所述基于车辆出险概率的事故预警方法包括以下步骤:
步骤S100、实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据。
具体实施时,由于本发明是对车辆在行驶过程中的各个维度的数据进行采集并就经过大数据分析,得出车辆出险的概率,从而对事故进行预警。因此,本发明需要在车辆中上预先安装各种设备,以便采集所需要的数据。预先安装的设备包括:行车记录仪、GPS北斗定位装置、重力传感器以及ADAS装置。
进一步地,当车辆在行驶过程中,所述预先安装的设备就会自动进行数据的采集,所收集到的数据包括:GPS数据、车辆行驶数据、车辆设备状态数据以及驾驶人员的驾驶状态数据。较佳地,本发明还可对车辆上预装的设备采集数据的时间与频次进行自主控制。例如,控制设备每隔10分钟进行数据的采集,或者每隔一定的行程距离进行数据的采集。所述车辆行驶数据还具体包括:加急速、急减速、急刹车速度、急转弯速度等。这些数据为原始数据。为了便于数据分析,本发明需要对原始数据进行数据加工,以将原始数据转换为可用的特征数据。
具体地,本发明对原始数据进行脱敏处理,由于原始数据中包含了各个维度的数据,为了方便对数据进行运算分析,以及得出更加精确的出险概率,本发明需要对原始数据进行降维处理,以消除不同维度之间数据的影响。采用autoencoder(自编码神经网络)的方式对原始数据进行降维处理,并对降维后的原始数据进行分析。利用自编码神经网络学习一个的函数。也就是说,使它逼近一个恒等函数,从而使接近于输入的原始数据x。恒等函数虽然看上去不太有学习的意义,但是当我们为自编码神经网络加入某些限制,比如限定隐藏神经元的数量,我们就可以从输入的原始数据中数据中提取所需要的中间层数据。所述中间层数据就为特征数据。采用自编码神经网络,不仅降低了原始数据的维度,而且提取了原始数据中的核心部分(中间层数据)。
较佳地,本发明还需要预先建立一数据模型,该数据模型可用于根据特征数据进行数据运算处理,分析出车辆出险的概率,便于准确算出车辆出险的概率,及时对驾驶人员进行事故预警。具体地,本发明预先采集大量的原始数据,并对原始数据进行脱敏处理。所述脱敏处理的方式同样采用autoencoder(自编码神经网络)的方式,提取中间层数据,即特征数据。接下来,采用logistics回归机器学习模型对特征数据进行学习与数据训练;Logistic回归为概率型非线性回归模型, 是研究二值型输出分类的一种多变量分析方法。logistic回归的因变量可以是二分类的,也可以是多分类的,但是二分类的更为常用,在此,本发明采用logistics回归的二分类性质将数据训练的结果与特征数据建立关系。也就是将二分类的观察结果与一些影响因素建立关系,从而对某些影响因素条件下某个结果的发生的概率进行估计。影响因素就是本发明的特征数据,而结果的发生,在本发明中就是指车辆出险的发生。由此,建立起一用于根据输入的特征数据输出车辆出险概率的概率型非线性回归数据模型。本发明的数据模型的核心函数是Sigmoid函数,计算公式为:,通过Sigmoid函数做二分类,并利用梯度下降算法来对参数进行求解与更新。当所述数据模型训练完成后,则该数据模型就可以直接进行使用,以便后续只要将特征数据输入本发明的概率型非线性回归数据模型,所述数据模型输出的结果为0-1,则就可以得到车辆出险的概率。
当然本发明的数据模型还可用其他模型进行替换,例如可使用卷积神经网络(CNN)模型来代替本发明的数据模型,同样可以实现车辆出险概率的输出。本发明所使用的数据模型只是本发明的一种实施例,其他可实现概率输出的数据模型也应属于本发明的保护范围。
步骤S200、车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率。
较佳地,所述步骤S200具体包括:
步骤S201、当车载终端接收到特征数据时,调用所述概率型非线性回归数据模型;
步骤S202、将特征数据输入至所述概率型非线性回归数据模型进行运算处理与分析;
步骤S203、输出所述车辆当前的出险概率。
具体实施时,当车辆上预装的设备收集到原始数据后,并经过脱敏处理转换为特征数据之后,车载终端接收所述特征数据,并调用预先建立好的数据模型,对特征数据进行运算处理与分析。从而通过概率型非线性回归数据模型可直接输出车辆出险的概率。例如,当车辆上预装的设备收集到车辆的速度突然从50km/h增加到80km/h,说明此时车辆的速度发生了突变,并且80km/h已超过城市道路的限定速度。此外还获取到当前车辆的制动功能发生了故障,以及驾驶人员此时为单手操作方向盘,则车载终端就会将这些数据进行整合以及脱敏降维预处理,并调用预设的数据模型进行运算以及分析,从而分析出一个具体的概率值,例如输出的概率值为0.6。由此可见,本发明能够对各个维度的数据进行分析,以得出准确的出险概率,便于在事故出险之间进行预警处理。
步骤S300、当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息。
较佳地,所述步骤S300具体包括:
步骤S301、获取输出的车辆当前的出险概率,并与概率阈值进行比较;
步骤S302、当出险概率大于或者等于预设的概率阈值时,则自动启动车载终端上的事故预警功能,并语音向驾驶人员进行提示;
步骤S303、向预设的车载终端发送预警信息;所述预警信息包括:出险概率、事故预警时间、事故预警地点以及驾驶人员的违规明细。
具体实施时,本发明预先设置一概率阈值,所述概率阈值用于当车辆出险概率大于或者等于概率阈值时,触发事故预警装置。所述概率阈值可以根据需求进行自主设置,例如设置为0.6。当经过数据模型输出的出险概率与预设的概率阈值进行比较后,出险概率大于或者等于概率阈值时,则认为此时驾驶人员处于危险的状态。例如上述例子中输出的出险概率恰好为0.6,则说明当前车辆发生事故的概率很大,因此所述车载终端立即启动事故预警功能,并语音向驾驶人员进行提示,以让驾驶人员及时采取补救措施以及正确规范自己的驾驶行为。此外,所述车载终端还会向驾驶人员的移动终端发送预警信息,移动终端与车载终端通过3G/4G通讯网络、蓝牙或者WIFI连接。所述预警信息包括:事故预警时间、事故预警地点以及驾驶人员的违规明细。以便让驾驶人员知晓自己的违规操作,并吸取教训,养成良好的驾驶习惯。
更进一步地,本发明中的预警消息还会自动保存在后台服务器,以便需要的时候进行调用。现金驾驶人员基本都会为自身或者车辆上各种保险,本发明也可将预警消息发送给预先与车载终端进行通讯连接的保险公司的服务器,由于预警信息这种包含了驾驶人员的出险概率,因此保险公司可以筛选出优质的客户并且根据出险概率以及驾驶人员的驾驶行为驾驶人员提供定制的保险服务,从而提高驾驶人员与保险公司的粘度。
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10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:
步骤S100、实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据;
步骤S200、车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率;
步骤S300、当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息。
本发明实施例还提供一种存储设备,所述存储设备上存储计算机指令,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,本发明提供的基于车辆出险概率的事故预警方法、存储设备及车载终端,方法包括:实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据;车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率;当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息。本发明通过调用预设的数据模型计算出车辆出险的概率,方法简单且计算结果更加精确,能够在事故发生之前及时对事故进行预警,并向驾驶人员发送预警信息,以便培养安全的驾驶行为。
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)
1.一种基于车辆出险概率的事故预警方法,其特征在于,所述方法包括:
实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据;
车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率;
当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息。
2.根据权利要求1中所述的基于车辆出险概率的事故预警方法,其特征在于,所述原始数据包括:GPS数据、车辆行驶数据、车辆设备状态数据以及驾驶人员的驾驶状态数据。
3.根据权利要求1中所述的基于车辆出险概率的事故预警方法,其特征在于,所述对收集到的原始数据进行脱敏处理,转换为特征数据具体包括:
采用自编码神经网络对原始数据进行降维处理,并对降维后的原始数据进行分析;
从降维后的原始数据提取中间层数据,所述中间层数据就为特征数据。
4.根据权利要求1中所述的基于车辆出险概率的事故预警方法,其特征在于,所述实时收集车辆行驶过程中的原始数据;并对收集到的原始数据进行脱敏处理,转换为特征数据之前还包括:
预先通过车辆上预装的设备收集大量的原始数据,并对原始数据进行脱敏处理,转化为特征数据;
采用logistics回归机器学习模型对特征数据进行学习与数据训练;
利用logistics回归的二分类性质将数据训练的结果与特征数据建立关系,从而建立一用于根据输入的特征数据输出车辆出险概率的概率型非线性回归数据模型。
5.根据权利要求4中所述的基于车辆出险概率的事故预警方法,其特征在于,所述车辆上预装的设备包括:行车记录仪、GPS北斗定位装置、重力传感器以及ADAS装置。
6.根据权利要求1中所述的基于车辆出险概率的事故预警方法,其特征在于,所述车载终端调用预先建立好的概率型非线性回归数据模型,对特征数据进行运算处理与分析,并输出车辆的出险概率具体包括:
当车载终端接收到特征数据时,调用所述概率型非线性回归数据模型;
将特征数据输入至所述概率型非线性回归数据模型进行运算处理与分析;
输出所述车辆当前的出险概率。
7.根据权利要求1中所述的基于车辆出险概率的事故预警方法,其特征在于,所述当车辆的出险概率大于或者等于预设的概率阈值时,则启动事故预警功能,并向预设的移动终端发送事故预警信息之前还包括:
预先设置一概率阈值,所述概率阈值用于当车辆出险概率大于或者等于概率阈值时,触发事故预警装置。
8.根据权利要求1中所述的基于车辆出险概率的事故预警方法,其特征在于,所述当车辆的出险概率大于或者等于预设的概率阈值时,则启动车载终端上的事故预警功能,并向预设的移动终端发送事故预警信息具体包括:
获取输出的车辆当前的出险概率,并与概率阈值进行比较;
当出险概率大于或者等于预设的概率阈值时,则自动启动车载终端上的事故预警功能,并语音向驾驶人员进行提示;
向预设的车载终端发送预警信息;所述预警信息包括:出险概率、事故预警时间、事故预警地点以及驾驶人员的违规明细。
9.一种存储设备,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任一项所述的基于车辆出险概率的事故预警方法。
10.一种车载终端,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任一项所述的基于车辆出险概率的事故预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711092903.7A CN107867295B (zh) | 2017-11-08 | 2017-11-08 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711092903.7A CN107867295B (zh) | 2017-11-08 | 2017-11-08 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107867295A true CN107867295A (zh) | 2018-04-03 |
CN107867295B CN107867295B (zh) | 2019-12-31 |
Family
ID=61752615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711092903.7A Active CN107867295B (zh) | 2017-11-08 | 2017-11-08 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107867295B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108749596A (zh) * | 2018-04-11 | 2018-11-06 | 蔚来汽车有限公司 | 车机端启动方法、系统及装置 |
CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN111784873A (zh) * | 2020-07-01 | 2020-10-16 | 上海城市交通设计院有限公司 | 基于机器学习原理的高速路安全车载智能系统及工作流程 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677286A (zh) * | 2004-03-31 | 2005-10-05 | 丰田自动车株式会社 | 用于移动体的控制系统 |
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 |
CN104325978A (zh) * | 2014-10-21 | 2015-02-04 | 中国科学技术大学苏州研究院 | 一种基于车联网的安全防碰撞预警方法 |
CN104915386A (zh) * | 2015-05-25 | 2015-09-16 | 中国科学院自动化研究所 | 一种基于深度语义特征学习的短文本聚类方法 |
CN106428002A (zh) * | 2016-11-04 | 2017-02-22 | 辽宁工业大学 | 一种基于车辆主动安全的防撞预警装置及方法 |
-
2017
- 2017-11-08 CN CN201711092903.7A patent/CN107867295B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1677286A (zh) * | 2004-03-31 | 2005-10-05 | 丰田自动车株式会社 | 用于移动体的控制系统 |
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 |
CN104325978A (zh) * | 2014-10-21 | 2015-02-04 | 中国科学技术大学苏州研究院 | 一种基于车联网的安全防碰撞预警方法 |
CN104915386A (zh) * | 2015-05-25 | 2015-09-16 | 中国科学院自动化研究所 | 一种基于深度语义特征学习的短文本聚类方法 |
CN106428002A (zh) * | 2016-11-04 | 2017-02-22 | 辽宁工业大学 | 一种基于车辆主动安全的防撞预警装置及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108749596A (zh) * | 2018-04-11 | 2018-11-06 | 蔚来汽车有限公司 | 车机端启动方法、系统及装置 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN110675267B (zh) * | 2018-07-03 | 2023-05-12 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
CN109801491B (zh) * | 2019-01-18 | 2022-09-13 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
CN111784873A (zh) * | 2020-07-01 | 2020-10-16 | 上海城市交通设计院有限公司 | 基于机器学习原理的高速路安全车载智能系统及工作流程 |
Also Published As
Publication number | Publication date |
---|---|
CN107867295B (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135653A1 (zh) | 一种识别车辆的异常停留的方法和系统 | |
CN107886436B (zh) | 一种车辆保险自动理赔的方法、存储介质及车载终端 | |
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 | |
CN107895410B (zh) | 一种车辆事故上报处理方法、存储设备及车载终端 | |
JP6918137B2 (ja) | 運転行為評価方法、装置及びコンピュータが読み取り可能な記憶媒体 | |
CN107862614B (zh) | 一种防止车险骗保的方法、存储设备及车载终端 | |
CN107742430A (zh) | 一种驾驶行为监控方法、存储介质及车载终端 | |
WO2020015526A1 (zh) | 驾驶行为评分方法及装置 | |
EP3525438A1 (en) | Artificial intelligence based service implementation | |
CN107730028A (zh) | 一种车辆事故识别方法、车载终端及存储介质 | |
CN107690659A (zh) | 一种图像识别系统及图像识别方法 | |
CN111259737B (zh) | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 | |
CN111523932A (zh) | 一种网约车服务的评分方法、装置、系统及存储介质 | |
CN108491859A (zh) | 基于自动编码机的驾驶行为异质性特征的识别方法 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
CN111368879A (zh) | 一种基于深半监督神经网络的轨迹数据挖掘方法 | |
CN108734303A (zh) | 车辆驾驶数据预测方法、设备及计算机可读存储介质 | |
CN114443303A (zh) | 资源分配方法、装置、设备及介质 | |
CN107463941A (zh) | 一种车主身份识别方法及装置 | |
CN115049151A (zh) | 导航路线推荐方法、装置、设备及存储介质 | |
CN114005297B (zh) | 一种基于车联网的车队协调行驶方法 | |
CN111696347A (zh) | 一种自动化分析交通事件信息的方法和装置 | |
Zhao et al. | Deep learning-based prediction of traffic accident risk in vehicular networks | |
Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Accident warning method, storage device, and onboard terminal based on vehicle accident probability Granted publication date: 20191231 Pledgee: Societe Generale Bank Limited by Share Ltd. Foshan branch Pledgor: GUANGDONG ECAR TELEMATICS SERVICE Co.,Ltd. Registration number: Y2024980033728 |