CN107967819A - 行驶风险警示方法和装置 - Google Patents

Abstract

本发明提供一种行驶风险警示方法和装置，属于辅助驾驶技术领域，其可至少部分解决现有技术无法为高风险路段发出提醒的问题。本发明的行驶风险警示方法包括：获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；依据所述车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段；向所述车辆发出警示信息，以控制所述车辆在行驶至高风险路段时发出警示。

Description

行驶风险警示方法和装置

技术领域

本发明属于辅助驾驶技术领域，具体涉及一种行驶风险警示方法和装置。

背景技术

在车辆行驶过程中，由于不同路段的路况、天气等不同，故发生交通事故的可能性也不同，即有些路段的风险高，有些路段的风险低。在高风险路段，特别需要驾驶员集中注意力，以降低事故发生的概率。例如，在驾驶过程中收听车载音频系统播放的音乐是许多驾驶员的习惯，它可缓解疲劳、增加乐趣，但若在高风险路段上继续收听音乐，则会分散驾驶员的注意力，增加发生事故的可能。

可见，现有技术中无法在高风险路段提醒驾驶员集中注意力，会影响驾驶的安全性。

发明内容

本发明至少部分解决现有技术无法为高风险路段发出提醒的问题，提供一种可在车辆行驶至高风险路段时发出警示的行驶风险警示方法和装置。

解决本发明技术问题所采用的技术方案是一种行驶风险警示方法，其包括：

获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；

依据所述车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段；

向所述车辆发出警示信息，以控制所述车辆在行驶至高风险路段时发出警示。

优选的是，所述车辆状况、道路状况、交通状况、天气状况中的每一个包括一个或多个特征向量x，每个特征向量代表一种特征的状态。

进一步优选的是，0≤x≤1，所述x的值由特征的状态根据预先设定的对应关系得出，其越小表示相应特征状态造成的风险越小。

进一步优选的是，所述车辆状况、道路状况、交通状况、天气状况中特征向量的总数为m个，所述BP网络包括m个输入层节点，n个隐含层节点h、2个输出层节点y，且2<n<m；其中，

第i个输入层节点的值等于第i个特征向量x_i，第i个输入层节点与第j个隐含层节点间的连接权值为w_ij，第j个隐含层节点的阈值为α_j，第j个隐含层节点与第k个输出层节点间的连接权值为u_jk，第k个输出层节点的阈值为β_k；

第j个隐含层节点h_j的输出第k个输出层节点y_k的输出f为Sigmoid函数；

所述第1个输出层节点表示高风险的分类，第2个输出层节点表示低风险的分类，若(foy)₁>(foy)₂则表示对应路段为高风险路段，(foy)₁≤(foy)₂则表示对应路段为低风险路段。

进一步优选的是，所述特征向量对应的特征包括行驶速度、行驶加速度、限速、急弯、陡坡、临崖、临水、窄路、窄桥、冰雪、泥泞、山区、乡道、全网交通指数、施工、交通管制、交通事故、雾、霾、雨、雪、沙尘、冰雹共23项；

m＝23，n＝6。

进一步优选的是，所述BP网络通过以下步骤预先建立：

将多组模拟数据输入BP网络，使BP网络按照Widrow-Hoff学习规则的梯度下降策略，以目标误差函数的负梯度方向对其中的各参数进行调整，得到各w_ij、α_j、u_jk、β_k；

其中，每组模拟数据包括各特征向量，以及人为设定的基于当前各特征向量时(foy)₁和(foy)₂的设定值，(foy)₁和(foy)₂的设定值中必然是有一个为1，而另一个为0。

优选的是，所述警示信息用于控制车辆在行驶至高风险路段时停止车载音频系统的播放作为警示。

解决本发明技术问题所采用的技术方案是一种行驶风险警示装置，其包括：

获取单元，用于获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；

分析单元，用于依据所述车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段；

警示单元，用于向所述车辆发出警示信息，以控制所述车辆在行驶至高风险路段时发出警示。

优选的是，所述行驶风险警示装置为服务器；

所述获取单元包括第一无线通讯模块，所述第一无线通讯模块用于通过无线方式获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；

所述警示单元包括第二无线通讯模块，所述第二无线通讯模块用于通过无线方式向车辆发出警示信息。

优选的是，所述车辆状况、道路状况、交通状况、天气状况中的每一个包括一个或多个特征向量x，每个特征向量代表一种特征的状态；

0≤x≤1，所述x的值由特征的状态根据预先设定的对应关系得出，其越小表示相应特征状态造成的风险越小；

所述车辆状况、道路状况、交通状况、天气状况中特征向量的总数为m个，所述BP网络包括m个输入层节点，n个隐含层节点h、2个输出层节点y，且2<n<m；其中，

第i个输入层节点的值等于第i个特征向量x_i，第i个输入层节点与第j个隐含层节点间的连接权值为w_ij，第j个隐含层节点的阈值为α_j，第j个隐含层节点与第k个输出层节点间的连接权值为u_jk，第k个输出层节点的阈值为β_k；

第j个隐含层节点h_j的输出第k个输出层节点y_k的输出f为Sigmoid函数；

所述第1个输出层节点表示高风险的分类，第2个输出层节点表示低风险的分类，若(foy)₁>(foy)₂则表示对应路段为高风险路段，(foy)₁≤(foy)₂则表示对应路段为低风险路段。

本发明的行驶风险警示方法中，可根据车辆状况、道路状况、交通状况、天气状况等计算出车辆行驶在不同路段上所面临的风险大小，并在车辆行驶到高风险路段时发出警示，提醒驾驶员注意，从而降低发生事故的可能，提高行驶安全性。

附图说明

图1为本发明的实施例的一种行驶风险警示方法的流程示意图；

图2为本发明的实施例的另一种行驶风险警示方法的流程示意图；

图3为本发明的实施例的另一种行驶风险警示方法中使用的BP网络的结构示意图；

图4为本发明的实施例的一种行驶风险警示装置的组成框图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

实施例1：

本实施例提供一种行驶风险警示方法，其包括：

S101、获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况。

S102、依据车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段。

S103、向车辆发出警示信息，以控制车辆在行驶至高风险路段时发出警示。

本实施例的行驶风险警示方法中，可根据车辆状况、道路状况、交通状况、天气状况等计算出车辆行驶在不同路段上所面临的风险大小，并在车辆行驶到高风险路段时发出警示，提醒驾驶员注意，从而降低发生事故的可能，提高行驶安全性。

实施例2：

如图1至图3所示，本实施例提供一种行驶风险警示方法，其用于在车辆行驶至有比较危险的路段时发出警示，提醒驾驶员注意，从而降低事故发生的可能性。

具体的，该行驶风险警示方法包括以下步骤：

S201、获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况。

也就是说，通过各种手段获取车辆当前的车辆状况、车辆位置、预定路径，以及在车辆预计要形式的路径上一定范围内(如车辆位置前方L米内)的路段的道路状况、交通状况、天气状况，以用它们判断行驶风险。

其中，车辆状况包括车辆当前的行驶速度、行驶加速度等，其可从车辆中控系统得出；而车辆位置和预定路径可通过车辆导航系统得出。当然，车辆状况、车辆位置、预定路径等应当是与具体车辆对应的，故这些信息应与车辆标识建立对应关系，例如，可用车载终端发送这些信息，并以车载终端的国际移动用户识别码(IMSI，International MobileSubscriber Identity)作为车辆的标识，使车辆状况、车辆位置、预定路径均与国际移动用户识别码对应。

道路状况是指道路上的具体路况，如限速，急转弯等，其可根据导航软件中的地图信息(可为车辆导航系统中的地图，或公共服务器中的地图)得出。

交通状况是道路的具体交通情况，如交通指数、交通管制等，其可从交通管理部门获得(如从交通管理部门的公共信息发布平台获得)。

天气状况是指道路的具体天气情况，如降雨、降雪等，其可从天气预报部门获得(如从天气预报部门的公共信息发布平台获得)。

其中，若以上方法是由云端的服务器进行的，则该服务器可通过无线方式从车辆获得车辆状况、车辆位置、预定路径、道路状况等，并通过无线方式从不同公共信息发布平台获得交通状况、天气状况等。

显然，所有路段都有各自的道路状况、交通状况、天气状况等，故本步骤可还需要从大量的道路状况、交通状况、天气状况中筛选出对应车辆的预定路径上的路段的信息。

例如，以上道路状况、交通状况、天气状况等可根据时间和经纬度分为多条，每条表示在一定时间、一定经纬度的路段上的道路状况、交通状况、天气状况；而通过车辆位置(如经纬度)和预定路径可找出车辆将要行驶的路段的经纬度，再结合当前时间，即可筛选出与的预定路径上的路段相对应的道路状况、交通状况、天气状况，再通过车辆标识，即可确定这些道路状况、交通状况、天气状况是对应哪个车辆的。

优选的，车辆状况、道路状况、交通状况、天气状况中的每一个包括一个或多个特征向量x，每个特征向量代表一种特征的状态。

显然，以上车辆状况、道路状况、交通状况、天气状况等实际是由多项特征(如r)表示的，如车辆的行驶速度、行驶加速度，道路的限速、急转弯、交通指数、交通管制、降雨、降雪等，而这些特征的每一项均可由一个特征向量(如x)表示，从而每种状况实际就成了特征向量的集合。

S202、由特征的状态根据预先设定的对应关系得出各特征向量x的值，0≤x≤1，其越小表示相应特征状态造成的风险越小。

显然，以上不同特征r代表的意义不同，表示其状态的方式也不同，如“行驶速度”的状态为具体速度值，而“雨”的状态为大雨、小雨、无雨等；故若直接以特征r的状况作为特征向量，则这些特征向量在计算过程中难以处理。

因此，特征向量优选要经过归一化处理，即要预先设定对应关系表，再将各特征r的具体状态对应出一个0至1间的数值(即特征向量)，且其中特征状态带来的风险越低，则相应的x的数值越小。例如，可以行驶速度低于15公理/小时对应的x为0.1，15～30公理/小时对应的x为0.3，30～50公理/小时对应的x为0.5，50～70公理/小时对应的x为0.7，高于70公理/小时对应的x为1等；再如，可以无雨对应的x为0，小雨对应的x为0.2，中雨对应的x为0.4，大雨对应的x为0.6，暴雨对应的x为0.8，特大暴雨对应的x为1等。其中，每种特征的状态与数值的具体对应关系均可根据经验设定，在此不再逐一列举。

在经过归一化处理后，以上车辆状况、道路状况、交通状况、天气状况实际均变为了由一组取值在0至1间的特征向量x表示，或者说每种状况均变为了多个特征向量x的集合(各集合可以车辆标识、时间、经纬度等进行区分)。

S203、依据车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段。

也就是说，对每个路段，可将与其对应的车辆状况、道路状况、交通状况、天气状况的特征向量输入至Back Propagation神经网络(BP网络)中，用BP网络对其进行分类，从而根据分类结果确定该路段是否有风险。

优选的，车辆状况、道路状况、交通状况、天气状况中特征向量的总数为m个，BP网络包括m个输入层节点，n个隐含层节点h、2个输出层节点y，且2<n<m。

也就是说，BP网络的结构优选如图3所示，包括输入层、隐含层、输出层共三层，每层中有一定量的节点，其中第i个输入层节点的值即等于第i个特征向量x_i；而每个输入层节点均为所有隐含层节点的输入，以算出各隐含层节点的输出；而每个隐含层节点的输出均作为每个输出层节点的输入，以算出各输出层节点的输出。

其中，更优选的，特征向量对应的特征包括行驶速度、行驶加速度、限速、急弯、陡坡、临崖、临水、窄路、窄桥、冰雪、泥泞、山区、乡道、全网交通指数、施工、交通管制、交通事故、雾、霾、雨、雪、沙尘、冰雹共23项；从而m＝23，n＝6。

也就是说，车辆状况、道路状况、交通状况、天气状况所对应的特征优选为以上23项。由此，相应的特征向量为23维的特征向量的集合，即{x₁，x₂，x₃......，x₂₃}，而BP网络的输入层节点的个数也为23个；在此情况下，经过实践发现与对应的隐含层节点的数量优选为6个，这样可获得最准确的分类结果。

当然，以上列出的具体特征只是示例性的，根据具体需要，也可设置代表其它特征的特征向量(如代表车辆使用年限、驾驶员驾驶水平等的特征向量)，或者也可从中取消部分特征向量等，在此不再详细描述。

具体的，第j个隐含层节点h_j的输出(foh)_j通过以下公式计算：其中，w_ij为第i个输入层节点与第j个隐含层节点间的连接权值，α_j为第j个隐含层节点的阈值，它们均是预先设定好的参数；而f为Sigmoid函数，即f(A)＝1/(1+e^-A)。

在得到各隐含层节点h的输出(foh)后，则第k个隐含层节点y_k的输出(foy)_k通过以下公式计算：其中，u_jk为第j个隐含层节点与第k个输出层节点间的连接权值，β_k为第k个输出层节点的阈值，它们也均是预先设定的参数；而f同样代表Sigmoid函数。

其中，输出层节点有两个，相应的输出分别为(foy)₁和(foy)₂。本实施例中，以第1个输出层节点表示高风险的分类，第2个输出层节点表示低风险的分类，并通过比较(foy)₁和(foy)₂的大小确定路段所属的分类，即若(foy)₁>(foy)₂则表示对应路段为高风险路段，(foy)₁≤(foy)₂则表示对应路段为低风险路段。

优选的，BP网络通过以下步骤预先建立：将多组模拟数据输入BP网络，使BP网络按照Widrow-Hoff学习规则的梯度下降策略，以目标误差函数的负梯度方向对其中的各参数进行调整，得到各w_ij、α_j、u_jk、β_k；其中，每组模拟数据包括各特征向量，以及人为设定的基于当前各特征向量时(foy)₁和(foy)₂的设定值，(foy)₁和(foy)₂的设定值中必然是有一个为1，而另一个为0。

也就是说，可预先通过学习方式建立BP网络，即确定其中各参数的值。学习方式具体包括先设定多组不同的特征向量(如随机设定，或从实际状况中选取)，并人工判断对应每组特征向量的路段是否为高风险，若是，则设定(foy)₁的值为1，(foy)₂的值为0，若否，则设定(foy)₁的值为0，(foy)₂的值为1；之后，逐一将多组特征向量和与其相应的(foy)₁、(foy)₂输入BP网络，让BP网络按照Widrow-Hoff学习规则的梯度下降策略，以目标误差函数的负梯度方向对其中的各参数进行调整，即通过迭代方式调整其中的各参数，而最终用经过调整的参数建立BP网络。例如，对于以上m＝23，n＝6的BP网络，其输入层节点与隐含层节点间的连接权值共23*6＝138个，隐含层节点与输出层节点间的连接权值共6*2＝12个，另有6个隐含层节点的阈值，2个输出层节点的阈值，从而共有158个参数，换言之，只要通过学习确定了这158个参数的值，也就相当于确定了BP网络。

S204、向车辆发出警示信息，以控制车辆在行驶至高风险路段时发出警示。

也就是说，当确定车辆将要行驶的路段为高风险路段时(即(foy)₁>(foy)₂时)，则向车辆发出警示信息(如通过无线方式发送)，以控制车辆在行驶至高风险路段时发出警示。

优选的，警示信息用于控制车辆在行驶至高风险路段时停止车载音频系统的播放作为警示。

也就是说，在驾驶过程中，车载音频系统通常是在播放音乐、广播等声音的，而当要达到高风险路段时，则可向车辆中控系统发出警示信息(如socket音频播放控制消息)，让车辆中控系统对车载音频系统进行控制，使其停止发出声音，从而让驾驶员集中注意力进行驾驶，避免出现事故。

当然，警示信息也可控制车辆以其它方式发出警示，如控制车载音频系统发出报警声或提示音，控制车载显示系统显示提示信息等，在此不再详细描述。

可见，根据以上方法，可在车辆行驶到高风险路段时发出警示，提醒驾驶员注意，从而降低发生事故的可能，提高行驶安全性。

实施例3：

如图4所示，本实施例提供一种行驶风险警示装置，其包括：

获取单元，用于获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；

分析单元，用于依据车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段；

警示单元，用于向车辆发出警示信息，以控制车辆在行驶至高风险路段时发出警示。

本实施例的行驶风险警示装置可执行以上的方法，从而可在车辆行驶到高风险路段时发出警示，提醒驾驶员注意，从而降低发生事故的可能，提高行驶安全性。

优选的，行驶风险警示装置为服务器；获取单元包括第一无线通讯模块，第一无线通讯模块用于通过无线方式获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；警示单元包括第二无线通讯模块，第二无线通讯模块用于通过无线方式向车辆发出警示信息。

由于以上行驶风险警示方法所需进行的运算量很大，需要使用的数据很多，故车载设备可能无法承担以上计算，故行驶风险警示装置优选为设于云端的服务器，由此，该服务器需要通过无线方式从车辆、交通管理部门、天气预报部门等获得相应状况，并通过无线方式将警示信息发给车辆(如发给车辆的中控系统，车辆中也要有相应的无线通讯模块)。

优选的，车辆状况、道路状况、交通状况、天气状况中的每一个包括一个或多个特征向量x，每个特征向量代表一种特征的状态；

0≤x≤1，x的值由特征的状态根据预先设定的对应关系得出，其越小表示相应特征状态造成的风险越小；

车辆状况、道路状况、交通状况、天气状况中特征向量的总数为m个，BP网络包括m个输入层节点，n个隐含层节点h、2个输出层节点y，且2<n<m；其中，

第i个输入层节点的值等于第i个特征向量x_i，第i个输入层节点与第j个隐含层节点间的连接权值为w_ij，第j个隐含层节点的阈值为α_j，第j个隐含层节点与第k个输出层节点间的连接权值为u_jk，第k个输出层节点的阈值为β_k；

第j个隐含层节点h_j的输出第k个输出层节点y_k的输出f为Sigmoid函数；

第1个输出层节点表示高风险的分类，第2个输出层节点表示低风险的分类，若(foy)₁>(foy)₂则表示对应路段为高风险路段，(foy)₁≤(foy)₂则表示对应路段为低风险路段。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种行驶风险警示方法，其特征在于，包括：

获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；

依据所述车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段；

向所述车辆发出警示信息，以控制所述车辆在行驶至高风险路段时发出警示。

2.根据权利要求1所述的行驶风险警示方法，其特征在于，

所述车辆状况、道路状况、交通状况、天气状况中的每一个包括一个或多个特征向量x，每个特征向量代表一种特征的状态。

3.根据权利要求2所述的行驶风险警示方法，其特征在于，

0≤x≤1，所述x的值由特征的状态根据预先设定的对应关系得出，其越小表示相应特征状态造成的风险越小。

4.根据权利要求3所述的行驶风险警示方法，其特征在于，所述车辆状况、道路状况、交通状况、天气状况中特征向量的总数为m个，所述BP网络包括m个输入层节点，n个隐含层节点h、2个输出层节点y，且2<n<m；其中，

第i个输入层节点的值等于第i个特征向量x_i，第i个输入层节点与第j个隐含层节点间的连接权值为w_ij，第j个隐含层节点的阈值为α_j，第j个隐含层节点与第k个输出层节点间的连接权值为u_jk，第k个输出层节点的阈值为β_k；

第j个隐含层节点h_j的输出第k个输出层节点y_k的输出f为Sigmoid函数；

所述第1个输出层节点表示高风险的分类，第2个输出层节点表示低风险的分类，若(foy)₁>(foy)₂则表示对应路段为高风险路段，(foy)₁≤(foy)₂则表示对应路段为低风险路段。

5.根据权利要求4所述的行驶风险警示方法，其特征在于，

所述特征向量对应的特征包括行驶速度、行驶加速度、限速、急弯、陡坡、临崖、临水、窄路、窄桥、冰雪、泥泞、山区、乡道、全网交通指数、施工、交通管制、交通事故、雾、霾、雨、雪、沙尘、冰雹共23项；

m＝23，n＝6。

6.根据权利要求4所述的行驶风险警示方法，其特征在于，所述BP网络通过以下步骤预先建立：

将多组模拟数据输入BP网络，使BP网络按照Widrow-Hoff学习规则的梯度下降策略，以目标误差函数的负梯度方向对其中的各参数进行调整，得到各w_ij、α_j、u_jk、β_k；

其中，每组模拟数据包括各特征向量，以及人为设定的基于当前各特征向量时(foy)₁和(foy)₂的设定值，(foy)₁和(foy)₂的设定值中必然是有一个为1，而另一个为0。

7.根据权利要求1所述的行驶风险警示方法，其特征在于，

所述警示信息用于控制车辆在行驶至高风险路段时停止车载音频系统的播放作为警示。

8.一种行驶风险警示装置，其特征在于，包括：

获取单元，用于获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；

分析单元，用于依据所述车辆状况、道路状况、交通状况、天气状况，用预先建立的BP网络将相应路段分类为高风险路段或低风险路段；

警示单元，用于向所述车辆发出警示信息，以控制所述车辆在行驶至高风险路段时发出警示。

9.根据权利要求8所述的行驶风险警示装置，其特征在于，

所述行驶风险警示装置为服务器；

所述获取单元包括第一无线通讯模块，所述第一无线通讯模块用于通过无线方式获得车辆的车辆状况、车辆位置、预定路径，以及预定路径上路段的道路状况、交通状况、天气状况；

所述警示单元包括第二无线通讯模块，所述第二无线通讯模块用于通过无线方式向车辆发出警示信息。

10.根据权利要求8所述的行驶风险警示装置，其特征在于，

所述车辆状况、道路状况、交通状况、天气状况中的每一个包括一个或多个特征向量x，每个特征向量代表一种特征的状态；

0≤x≤1，所述x的值由特征的状态根据预先设定的对应关系得出，其越小表示相应特征状态造成的风险越小；

所述车辆状况、道路状况、交通状况、天气状况中特征向量的总数为m个，所述BP网络包括m个输入层节点，n个隐含层节点h、2个输出层节点y，且2<n<m；其中，

第i个输入层节点的值等于第i个特征向量x_i，第i个输入层节点与第j个隐含层节点间的连接权值为w_ij，第j个隐含层节点的阈值为α_j，第j个隐含层节点与第k个输出层节点间的连接权值为u_jk，第k个输出层节点的阈值为β_k；

第j个隐含层节点h_j的输出第k个输出层节点y_k的输出f为Sigmoid函数；

所述第1个输出层节点表示高风险的分类，第2个输出层节点表示低风险的分类，若(foy)₁>(foy)₂则表示对应路段为高风险路段，(foy)₁≤(foy)₂则表示对应路段为低风险路段。