CN108346317B - 道路风险预警方法和装置 - Google Patents
道路风险预警方法和装置 Download PDFInfo
- Publication number
- CN108346317B CN108346317B CN201810319518.XA CN201810319518A CN108346317B CN 108346317 B CN108346317 B CN 108346317B CN 201810319518 A CN201810319518 A CN 201810319518A CN 108346317 B CN108346317 B CN 108346317B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- accident
- type
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012216 screening Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种道路风险预警方法和装置。其中,道路的模型所需维度对应的数据是从包含多种数据源的样本数据中筛选的,其中的数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据,数据源非常丰富,基于此,建立的道路的模型的信息也更加完善。基于建立的道路模型,先对各条道路通过聚类分类,使得最相似的道路分为一类,如此,也就可以将安全等级最相似的分为一类,据此确定每类道路的风险预警等级,预警结果更加准确。
Description
技术领域
本申请涉及道路风险预警技术领域,尤其涉及一种道路风险预警方法和装置。
背景技术
随着道路车辆的增多,道路上的交通事故频繁发生。为保证道路上运输过程中的人身财产安全,可以对道路风险进行预警,目前的道路风险预警模型的数据来源单一,预警效果不佳。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种道路风险预警方法和装置。
根据本申请实施例的第一方面,提供一种道路风险预警方法,包括:
获取样本数据;所述样本数据中包含多种数据源,每种所述数据源中至少包含一个维度的数据;所述多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
确定道路模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,建立道路模型;
基于建立的所述道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
确定每类道路的风险预警等级。
较佳地,所述确定每类道路的风险预警等级,包括:
对每类道路执行如下步骤:根据筛选的所述所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
较佳地,所述确定每类道路的风险预警等级,包括:
对每类道路执行如下步骤:为所述所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
较佳地,所述方法还包括:
实时更新所述样本数据。
较佳地,所述地图数据包含道路数据;所述道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
所述交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
所述天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
所述车企数据包含车企公司销售的各种车辆的数据;
所述驾驶员数据包含驾驶员的年龄,性别,驾龄;
所述事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
根据本申请实施例的第二方面,提供一种道路风险预警装置,包括:
样本获取模块,用于获取样本数据;所述样本数据中包含多种数据源,每种所述数据源中至少包含一个维度的数据;所述多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
维度确定模块,用于确定道路模型所需维度;
模型建立模块,用于从所述样本数据中筛选所述所需维度对应的数据,建立道路模型;
道路聚类模块,用于基于建立的所述道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
等级确定模块,用于确定每类道路的风险预警等级。
较佳地,所述等级确定模块,具体用于:
对每类道路执行如下步骤:根据筛选的所述所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
较佳地,所述等级确定模块,具体用于:
对每类道路执行如下步骤:为所述所需维度中的每个维度对应的数据赋予权重,计算每类道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
较佳地,所述装置还包括样本更新模块;所述样本更新模块,用于实时更新所述样本数据。
较佳地,所述地图数据包含道路数据;所述道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
所述交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
所述天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
所述车企数据包含车企公司销售的各种车辆的数据;
所述驾驶员数据包含驾驶员的年龄,性别,驾龄;
所述事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
根据本申请实施例的第三方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种道路风险预警方法,所述方法包括:
获取样本数据;所述样本数据中包含多种数据源,每种所述数据源中至少包含一个维度的数据;所述多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
确定道路模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,建立道路模型;
基于建立的所述道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
确定每类道路的风险预警等级。
较佳地,所述确定每类道路的风险预警等级,包括:
对每类道路执行如下步骤:根据筛选的所述所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
较佳地,所述确定每类道路的风险预警等级,包括:
对每类道路执行如下步骤:为所述所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
较佳地,所述方法还包括:
实时更新所述样本数据。
较佳地,所述地图数据包含道路数据;所述道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
所述交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
所述天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
所述车企数据包含车企公司销售的各种车辆的数据;
所述驾驶员数据包含驾驶员的年龄,性别,驾龄;
所述事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
根据本申请实施例的第四方面,提供一种道路风险预警装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:
获取样本数据;所述样本数据中包含多种数据源,每种所述数据源中至少包含一个维度的数据;所述多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
确定道路模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,建立道路模型;
基于建立的所述道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
确定每类道路的风险预警等级。
较佳地,所述确定每类道路的风险预警等级时,所述处理器具体被配置为:
对每类道路执行如下步骤:根据筛选的所述所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
较佳地,所述确定每类道路的风险预警等级时,所述处理器具体被配置为:
对每类道路执行如下步骤:为所述所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
较佳地,所述处理器还被配置为:
实时更新所述样本数据。
较佳地,所述地图数据包含道路数据;所述道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
所述交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
所述天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
所述车企数据包含车企公司销售的各种车辆的数据;
所述驾驶员数据包含驾驶员的年龄,性别,驾龄;
所述事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
本申请的实施例提供的技术方案可以包括以下有益效果:
本实施例中,道路的模型所需维度对应的数据是从包含多种数据源的样本数据中筛选的,其中的数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据,数据源非常丰富,基于此,建立的道路的模型的信息也更加完善。基于建立的道路模型,先对各条道路通过聚类分类,使得最相似的道路分为一类,如此,也就可以将安全等级最相似的分为一类,据此确定每类道路的风险预警等级,预警结果更加准确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种道路风险预警方法的流程示意图。
图2是本申请一个实施例提供的一种道路风险预警装置的结构示意图。
图3是本申请另一个实施例提供的一种道路风险预警装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例提供的道路风险预警方法的流程图。参见图1,本实施例的方法可以包括:
步骤11、获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
步骤12、确定道路模型所需维度;
步骤13、从样本数据中筛选所需维度对应的数据,建立道路模型;
步骤14、基于建立的道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
步骤15、确定每类道路的风险预警等级。
本实施例中,道路的模型所需维度对应的数据是从包含多种数据源的样本数据中筛选的,其中的数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据,数据源非常丰富,基于此,建立的道路的模型的信息也更加完善。基于建立的道路模型,先对各条道路通过聚类分类,使得最相似的道路分为一类,如此,也就可以将安全等级最相似的分为一类,据此确定每类道路的风险预警等级,预警结果更加准确。
本实施例的对道路的风险预警方案的应用场景很多,例如可以在运输保险方面,提供有效的风险控制,一方面帮助保险公司精确控制运输险,另一方面对于事故高发道路,提出安全预警,辅助驾驶员安全驾驶,减少交通事故发生概率。
实施时,可以采用大数据技术,比如hadoop集群处理海量数据,实现数据的挖掘、汇总、爬虫等数据处理过程。
其中,地图数据包含各个地点的各个区域的道路数据;道路数据包含各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型,等等。
交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量,等等。
天气数据包含各个地点的各个区域的历史天气数据和实时天气数据,等等。
车企数据包含车企公司销售的各种车辆数据;其中,车辆数据包含车型,产商,车辆识别码,年龄,等等。
驾驶员数据包含驾驶员的年龄,性别,驾龄,等等。
事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。其中,事故地点包含事故的地点名,所在区域,道路数据等。其中,事故等级包含轻微、一般、重大、特大。其中,事故原因包含道路,天气,驾驶员行为,车辆因素等。其中,事故时间包含事故的具体时间,星期分布等。
相应的,上述道路的模型所需维度可以包含道路数据,驾驶员数据,天气数据,交通数据,事故数据等等。具体实施例时,可以根据需要考虑的因素选择不同的维度。
上述步骤15的具体实现方式有多种。下面列举其中两种。
上述步骤15中,确定每类道路的风险预警等级,第一种具体实现方式可以是:
对每类道路执行如下步骤:根据筛选的所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
假设,经过聚类之后,得到三类道路a、b、c;对于a类道路中的每条道路都计算交通安全事故概率,然后可以将每条道路的交通安全事故概率求和或者求平均值,得到a类道路的交通安全事故概率Pa;如此,再得到b类道路的交通安全事故概率Pb,c类道路的交通安全事故概率Pc。对Pa,Pb,Pc进行排序,假设概率值越大,风险越高,假设从大到小的排序结果是Pa,Pb,Pc,则a,b,c类道路的风险预警等级分别为三级、二级、一级。
其中,采用概率-数理统计模型和方法得到交通安全事故概率。其中,常用的统计模型包括泊松分布和负二项分布模型两种,采用极大似然法估计参数值。
基于年平均日交通流量和道路几何特征等信息可以来预测某一个路段的交通安全事故概率。而对某一个特定的路段而言,其自身的历史故事数据也可以用来估计它的安全性能,但历史事故数据不能直接用来做安全估计,因为存在各种各样的统计问题,需要一个较长时间的观测,因此,以上将交通事故记录结合到年平均日交通流量和道路几何特征等信息中,是非常必要的。
上述步骤15中,确定每类道路的风险预警等级,第二种具体实现方式可以是:
对每类道路执行如下步骤:为所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
假设,经过聚类之后,得到三类道路a、b、c;对于a类道路中的每条道路的每个维度对应的数据赋予权重,计算每条道路的评分,然后可以将每条道路的评分求和或者求平均值,得到a类道路的评分Sa;如此,再得到b类道路的评分Sb,c类道路的评分Sc。对Sa,Sb,Sc进行排序,假设评分值越大,风险越高,假设从大到小的排序结果是Sa,Sb,Sc,则a,b,c类道路的风险预警等级分别为三级、二级、一级。
其中,计算道路的评分时,可以是将每个维度对应的数据转换成相应的数值,然后将每个数值乘以对应的权重,将得到的乘积求和。
为保证风险预警的准确性,较佳地,本实施例的方法还包括:实时更新上述样本数据。如此,道路的模型所需维度的数据都是根据实际情况实时更新的数据,实现了实时预测,预测结果更加准确。
图2是本申请另一个实施例提供的道路风险预警装置的结构示意图。参见图2,本实施例的装置包括样本获取模块201、维度确定模块202、模型建立模块203、道路聚类模块204、等级确定模块205。其中:
样本获取模块201,用于获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
维度确定模块202,用于确定道路模型所需维度;
模型建立模块203,用于从样本数据中筛选所需维度对应的数据,建立道路模型;
道路聚类模块204,基于建立的道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
等级确定模块205,用于确定每类道路的风险预警等级。
本实施例中,道路的模型所需维度对应的数据是从包含多种数据源的样本数据中筛选的,其中的数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据,数据源非常丰富,基于此,建立的道路的模型的信息也更加完善。基于建立的道路模型,先对各条道路通过聚类分类,使得最相似的道路分为一类,如此,也就可以将安全等级最相似的分为一类,据此确定每类道路的风险预警等级,预警结果更加准确。
较佳地,等级确定模块205,具体用于:
对每类道路执行如下步骤:根据筛选的所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
较佳地,等级确定模块205,具体用于:
对每类道路执行如下步骤:为所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
较佳地,本实施例的装置还包括样本更新模块;样本更新模块,用于:实时更新样本数据。
较佳地,地图数据包含道路数据;道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
车企数据包含车企公司销售的各种车辆的数据;
驾驶员数据包含驾驶员的年龄,性别,驾龄;
事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
本申请另一个实施例还提供一种非临时性计算机可读存储介质,当存储介质中的指令由终端的处理器执行时,使得终端能够执行一种道路风险预警方法,该方法包括:
获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
确定道路模型所需维度;
从样本数据中筛选所需维度对应的数据,建立道路模型;
基于建立的道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
确定每类道路的风险预警等级。
较佳地,确定每类道路的风险预警等级,包括:
对每类道路执行如下步骤:根据筛选的所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
较佳地,确定每类道路的风险预警等级,包括:
对每类道路执行如下步骤:为所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
较佳地,本实施例的方法还包括:
实时更新样本数据。
较佳地,地图数据包含道路数据;道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
车企数据包含车企公司销售的各种车辆的数据;
驾驶员数据包含驾驶员的年龄,性别,驾龄;
事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
图3是本申请一个实施例提供的一种道路风险预警装置。参见图3,本实施例提供的道路风险预警装置,包括:处理器301;用于存储处理器可执行指令的存储器302;其中,处理器301被配置为:
获取样本数据;样本数据中包含多种数据源,每种数据源中至少包含一个维度的数据;多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
确定道路模型所需维度;
从样本数据中筛选所需维度对应的数据,建立道路模型;
基于建立的道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
确定每类道路的风险预警等级。
较佳地,确定每类道路的风险预警等级时,处理器具体被配置为:
对每类道路执行如下步骤:根据筛选的所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,确定本类道路的交通安全事故概率;
根据每类道路的交通安全事故概率,确定每类道路的风险预警等级。
较佳地,确定每类道路的风险预警等级时,处理器具体被配置为:
对每类道路执行如下步骤:为所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,确定本类道路的评分;
根据每类道路的评分,确定每类道路的风险预警等级。
较佳地,处理器还被配置为:
实时更新样本数据。
较佳地,地图数据包含道路数据;道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
车企数据包含车企公司销售的各种车辆的数据;
驾驶员数据包含驾驶员的年龄,性别,驾龄;
事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种道路风险预警方法,其特征在于,包括:
获取样本数据;所述样本数据中包含多种数据源,每种所述数据源中至少包含一个维度的数据;所述多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
确定道路模型所需维度;
从所述样本数据中筛选所述所需维度对应的数据,建立道路模型;
基于建立的所述道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
确定每类道路的风险预警等级,具体包括:
对每类道路执行如下步骤:根据筛选的所述所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,将每条道路的交通安全事故概率求和或者求平均值,确定本类道路的交通安全事故概率;根据每类道路的交通安全事故概率,确定每类道路的风险预警等级;
或者,对每类道路执行如下步骤:为所述所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,将每条道路的评分求和或者求平均值,确定本类道路的评分;根据每类道路的评分,确定每类道路的风险预警等级;其中,计算道路的评分时,将每个维度对应的数据转换成相应的数值,然后将每个数值乘以对应的权重,将得到的乘积求和。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
实时更新所述样本数据。
3.根据权利要求1或2所述的方法,其特征在于,所述地图数据包含道路数据;所述道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
所述交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
所述天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
所述车企数据包含车企公司销售的各种车辆的数据;
所述驾驶员数据包含驾驶员的年龄,性别,驾龄;
所述事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
4.一种道路风险预警装置,其特征在于,包括:
样本获取模块,用于获取样本数据;所述样本数据中包含多种数据源,每种所述数据源中至少包含一个维度的数据;所述多种数据源包括地图数据,交通数据,天气数据,车企数据,驾驶员数据和事故数据;
维度确定模块,用于确定道路模型所需维度;
模型建立模块,用于从所述样本数据中筛选所述所需维度对应的数据,建立道路模型;
道路聚类模块,用于基于建立的所述道路模型,对多条道路进行聚类,使得最相似的道路分为一类;
等级确定模块,用于确定每类道路的风险预警等级,具体的:
对每类道路执行如下步骤:根据筛选的所述所需维度对应的数据,计算每条道路的交通安全事故概率;以及根据计算的各条道路的交通安全事故概率,将每条道路的交通安全事故概率求和或者求平均值,确定本类道路的交通安全事故概率;根据每类道路的交通安全事故概率,确定每类道路的风险预警等级;
或者,对每类道路执行如下步骤:为所述所需维度中的每个维度对应的数据赋予权重,计算每条道路的评分;以及根据计算的各条道路的评分,将每条道路的评分求和或者求平均值,确定本类道路的评分;根据每类道路的评分,确定每类道路的风险预警等级;其中,计算道路的评分时,将每个维度对应的数据转换成相应的数值,然后将每个数值乘以对应的权重,将得到的乘积求和。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括样本更新模块;所述样本更新模块,用于实时更新所述样本数据。
6.根据权利要求4或5所述的装置,其特征在于,所述地图数据包含道路数据;所述道路数据包含各个地点的各个区域的各条道路的类型,区域ID,起始位置,道路朝向,交叉路口,交叉路口ID,地理位置,交叉口交通控制类型;
所述交通数据包含主要道路车流量,次要道路车流量,各条道路的日均车流量、年均车流量;
所述天气数据包含各个地点的各个区域的历史天气数据和实时天气数据;
所述车企数据包含车企公司销售的各种车辆的数据;
所述驾驶员数据包含驾驶员的年龄,性别,驾龄;
所述事故数据包含事故地点,驾驶员数据,车辆数据,事故时间,事故等级,事故原因,事故天气。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319518.XA CN108346317B (zh) | 2018-04-11 | 2018-04-11 | 道路风险预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810319518.XA CN108346317B (zh) | 2018-04-11 | 2018-04-11 | 道路风险预警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108346317A CN108346317A (zh) | 2018-07-31 |
CN108346317B true CN108346317B (zh) | 2020-07-14 |
Family
ID=62957916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810319518.XA Active CN108346317B (zh) | 2018-04-11 | 2018-04-11 | 道路风险预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108346317B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110858334A (zh) * | 2018-08-13 | 2020-03-03 | 北京中科蓝图科技有限公司 | 道路安全评估方法、装置及道路安全预警系统 |
CN109726942A (zh) * | 2019-03-01 | 2019-05-07 | 北京汽车研究总院有限公司 | 一种驾驶环境风险评估方法及系统 |
CN111383454B (zh) * | 2020-03-02 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 车辆驾驶风险的预警方法、装置、介质及电子设备 |
CN111241720B (zh) * | 2020-04-27 | 2020-07-17 | 北京英视睿达科技有限公司 | 一种道路扬尘模型的建模方法和装置 |
CN111815986B (zh) * | 2020-09-02 | 2021-01-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
CN113781781A (zh) * | 2021-09-13 | 2021-12-10 | 北京文安智能技术股份有限公司 | 道路交通风险指数的计算方法和道路交通风险预警方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8892356B1 (en) * | 2003-06-19 | 2014-11-18 | Here Global B.V. | Method and system for representing traffic signals in a road network database |
CN103366551A (zh) * | 2012-04-05 | 2013-10-23 | 郭海锋 | 一种道路交通安全评价方法 |
CN104732075B (zh) * | 2015-03-06 | 2017-07-07 | 中山大学 | 一种城市道路交通事故风险实时预测方法 |
US10444020B2 (en) * | 2015-06-03 | 2019-10-15 | Here Global B.V. | Method and apparatus for defining road geometry from probe data |
CN106448149B (zh) * | 2016-05-16 | 2019-08-09 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
US20170344855A1 (en) * | 2016-05-24 | 2017-11-30 | Agt International Gmbh | Method of predicting traffic collisions and system thereof |
CN107273340A (zh) * | 2017-06-01 | 2017-10-20 | 南京邮电大学 | 一种基于Logistic模型的道路交通事故因子分析方法 |
CN107590766A (zh) * | 2017-09-28 | 2018-01-16 | 东南大学 | 一种与道路交通事故风险相关的用地组合形态的判别方法 |
CN107808518B (zh) * | 2017-10-26 | 2020-02-18 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
-
2018
- 2018-04-11 CN CN201810319518.XA patent/CN108346317B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108346317A (zh) | 2018-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346317B (zh) | 道路风险预警方法和装置 | |
US11954651B2 (en) | Sensor-based digital twin system for vehicular analysis | |
US10417509B2 (en) | Variable speed sign value prediction and confidence modeling | |
US8134478B2 (en) | Data mining in a digital map database to identify community reported driving hazards along roads and enabling precautionary actions in a vehicle | |
US20210343149A1 (en) | Driving early warning method and apparatus, electronic device, and computer storage medium | |
US10540895B2 (en) | Management of mobile objects | |
US11315428B2 (en) | Management of mobile objects | |
US10745010B2 (en) | Detecting anomalous vehicle behavior through automatic voting | |
US20220153279A1 (en) | Systems and methods for evaluation of vehicle technologies | |
CN112700201A (zh) | 货源推荐方法、电子设备和存储介质 | |
US9725092B2 (en) | Method, host vehicle and following space management unit for managing following space | |
JP2019114094A (ja) | 道路交通管制装置、および、自動運転車両制御方法 | |
CN113640014A (zh) | 自动驾驶车辆测试场景的构建方法、装置及可读存储介质 | |
CN115294544A (zh) | 驾驶场景分类方法、装置、设备及存储介质 | |
CN111161587A (zh) | 车辆的控制方法 | |
JP2021146792A (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN114722931A (zh) | 车载数据处理方法、装置、数据采集设备和存储介质 | |
CN117730289A (zh) | 测试方法及装置 | |
CN115346288A (zh) | 仿真行车记录采集方法、系统、电子设备及存储介质 | |
CN110827152A (zh) | 一种保险评估方法、系统及服务器 | |
US20240037022A1 (en) | Method and system for the analysis of test procedures | |
US20230339517A1 (en) | Autonomous driving evaluation system | |
EP4242590A1 (en) | Map verification method and related apparatus | |
US11958499B2 (en) | Systems and methods to classify a road based on a level of suppport offered by the road for autonomous driving operations |
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 |