CN108647743A - 驾驶人安全画像系统 - Google Patents
驾驶人安全画像系统 Download PDFInfo
- Publication number
- CN108647743A CN108647743A CN201810673984.8A CN201810673984A CN108647743A CN 108647743 A CN108647743 A CN 108647743A CN 201810673984 A CN201810673984 A CN 201810673984A CN 108647743 A CN108647743 A CN 108647743A
- Authority
- CN
- China
- Prior art keywords
- subelement
- unit
- driver
- data
- danger level
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种驾驶人安全画像系统,以驾驶人为目标对象,通过AI决策手段识别重点关注驾驶人,预测驾驶人风险,内置AI模型处理器、可视化引擎,对个体驾驶人的危险性评价和出行安全特征进行描述,根据个体危险度进行群体的划分和特征提取,具体包括数据池单元、AI模型处理器、个体预测单元、个体分析单元、群体划分单元、群体特征分析单元和可视化引擎;克服传统驾驶人分析局限于群体特征简单数据统计的缺陷,满足日常交通安全治理和主动防控工作中对目标群体锁定以及危险个体识别等方面的需求。
Description
技术领域
本发明涉及一种驾驶人安全画像系统。
背景技术
随着城镇化与机动化进程的加快,城市道路交通安全问题日益严峻,已成为道路交通事故新的增长源。有数据表明,过去十年,城市道路交通事故平均每年导致2万人死亡,14万人受伤。人、车、路、环境四大要素与道路交通事故的发生密切相关,任何一个因素的不协调均有可能引发交通事故。鉴于交通安全问题产生的复杂性,传统的“小数据”、“片面化”的分析方法,不足以真实揭露交通安全问题的可控性或严重性;维护交通安全与秩序的应用手段限于人力为主的交通治理以及事中与事后的流程化管理,缺乏主动式的交通安全预警与防控手段。
尤其在“人”这一因素中,由于受到数据采集以及分析手段的限制,对驾驶员的分析和研判通常被忽略,但人为因素在交通安全中占据了重要的位置,交通违法、交通事故均是由驾驶人驱动的行为,其特征与交通事故的发生存在一定的必然联系,有效捕捉其中的关联性将对主动式的交通安全维护起到关键性作用。
然而现有的交通管理或数据分析系统大多局限于事故数据或违法数据的简单统计,亦或是针对群体的特征分析,缺乏对驾驶员个体行为的精细分析与特征研判,从而难以实现真正意义上的交通事故主动干预。
发明内容
针对以上问题,本发明从交通违法与交通事故的关联性出发,提出一种基于多源交通大数据与人工智能AI决策的驾驶人安全画像系统,量化评判驾驶员个体的危险度,识别潜在的安全风险驾驶者,进一步提取危险群体特征,辅助针对性的交通安全预控;本发明的目的是解决当前缺乏微观层面对驾驶人个体的安全量化分析手段的问题,提升安全特征分析的数据颗粒度,在个体安全画像基础上提取群体特征,以满足主动式交通安全治理中对于驾驶人行为特征的分析需求。
本发明的技术解决方案是:
一种驾驶人安全画像系统,包括数据池单元、AI模型处理器、个体预测单元、个体分析单元、群体划分单元、群体特征分析单元和可视化引擎,
数据池单元:接入包括交通违法数据、交通事故数据、道路地理信息数据在内的基础分析数据,存储系统其他单元的处理数据;
AI模型处理器:从数据池单元中读取样本数据,基于机器学习算法,构建驾驶人危险度估计模型;
个体预测单元:从交通数据池单元中读取目标对象在分析时段内的交通行为数据,调用AI模型处理器,输出对应时段内的驾驶人危险度指数和模型运算过程中的参数;其中,交通行为数据包括交通违法数据、交通事故数据;
个体分析单元:从数据池单元中提取目标对象的危险度指数,进行时间维度的趋势分析;对于缺失数据的分析时段,进行危险度估计或预测;另一方面,从数据池单元中提取个体危险度关联特征属性,进行纵向与横向的总结分析;
群体划分单元:由个体预测单元的驾驶人危险度指数,读取配置单元的分级区间划定阈值,确定个体危险等级,将同等级驾驶人样本进行聚合,对应数据写入相应数据池中;
群体特征分析单元:以危险等级群体为分析对象,提取群体内的驾驶人特征参数值,
可视化引擎:通过数据可视化方式表示个体预测单元、个体分析单元、群体划分单元、群体特征分析单元输出的分析决策信息。
进一步地,AI模型处理器包括变量筛选子单元、标签定义子单元、模型训练子单元、模型描述子单元;
变量筛选子单元:对样本数据进行降维处理,提取影响危险度估计结果的关键属性参数;
标签定义子单元:规定分类规则;
模型训练子单元:进行抽样、训练、测试以及拟合模型;
模型描述子单元:对模型的性能参数进行分析,包括精准度、命中率、覆盖率。
进一步地,个体预测单元包括决策过程管理子单元与预测结果管理子单元,
决策过程管理子单元:通过从数据池单元中调取目标对象的样本数据以及AI模型处理器的模型,获取目标对象危险度决策路径和过程中各节点的参数、结论;
预测结果管理子单元:基于决策过程管理子单元获取目标对象的危险度估计结果,将该结果写入数据池单元。
进一步地,个体分析单元包括危险度趋势分析子单元、危险度预测子单元、驾驶偏好分析子单元、相似人员分析子单元;
危险度趋势分析子单元:基于个体预测单元输出的目标对象危险度指数时间序列,分析驾驶人的危险度变化趋势;
危险度预测子单元:在数据池中未读取到目标对象在对应时段内的驾驶行为数据,则通过内置的危险度估计模型进行相应时段的危险度估计或预测;
驾驶偏好分析子单元,对个体预测单元的AI决策中的参数值做进一步降维处理,提取驾驶模式,分析目标驾驶人的行为偏好;
相似人员分析子单元,根据个体预测单元中对目标对象的危险度量化结果,从数据池中提取具有相同危险度的其他驾驶员进行关联。
进一步地,群体特征分析单元包括基础属性分析子单元、行为属性分析子单元、关联因素特征分析子单元;
基础属性分析子单元:提取群体危险度与驾驶人基础特征的关联,包括年龄、性别、籍贯、职业;
行为属性分析子单元:提取群体危险度与驾驶人违法行为特征、事故特征的关联;
关联因素特征分析子单元:将人员属性与车辆特征、环境特征进行关联,其中车辆特征包括类型、车辆品牌、车型,环境特征包括路段、路口类型、天气;对各级别下的驾驶员车辆特征、环境特征参数进行降维处理,提取关键参数,构建驾驶人危险度与车辆属性、环境属性的对应关系。
进一步地,还包括配置单元和通讯单元,
配置单元:对包含危险度分级阈值、分析时间单位的安全画像基础参数进行设置管理;
通讯单元:进行系统内各单元间以及系统内外的数据传输。
进一步地,还包括交互单元,交互单元:进行系统与用户之间的数据交换与互动。
进一步地,交互单元包括人员概览子单元、AI决策子单元、个体安全档案子单元、潜在危险人员识别子单元、群体画像子单元、自定义分析子单元,
人员概览子单元:基于群体划分单元与群体特征分析单元、可视化引擎,展示各等级驾驶人的群体安全画像;
AI决策子单元:基于AI模型处理器以及可视化引擎,对危险度预测模型的参数进行展示;
个体安全档案功能:基于个体预测单元、个体分析单元、AI模型处理器以及可视化引擎实现,对驾驶人个体的详细交通安全信息进行分析;
潜在危险人员识别子单元:基于个体预测单元、个体分析单元、可视化引擎,根据个体危险度趋势、危险度预测结果,展示潜在危险人员危险度排名;
自定义分析子单元:由用户自定义属性特征,查看对应属性下的代表性驾驶人群体的详细画像。
进一步地,交通违法数据包含驾驶人信息、违法类型、违法地点、处罚信息、违法时段、车牌号码、车辆,交通事故数据包含驾驶人信息、车辆信息、事故发生时间与地点、事故类型、事故原因、事故责任;道路地理信息包括电子地图、路段名称及类型、路口名称及类型。
本发明的有益效果是:
一、该种驾驶人安全画像系统,通过AI决策手段构建驾驶人的个体安全画像,识别重点关注驾驶人,预测驾驶人风险。以个体危险度为核心展开多个维度的研判与特征分析、对比,满足日常交通安全治理工作中对目标群体锁定以及危险个体识别等需求。
二、本发明系统具有实用性和可行性,在接入交通事故、交通违法等支撑数据后,自动进行一系列数据分析处理工作,提供直观性的驾驶人安全特征指标分析、研判、决策结果,无需过多的人工参与,降低应用中所需投入的人力成本。
三、本发明所内嵌的AI决策模型能够基于多源数据量化驾驶人出行危险度,识别出潜在的危险人员,同时系统能够提供明确的决策过程,辅助用户进行准确性和可靠性的评估检测。系统出具的各类电子图表、决策报告等都为日常交通安全治理以及更高层级的管理规划决策提供了支撑,是智能交通管理领域可靠的数据分析与管理服务工具。
附图说明
图1是本发明实施例驾驶人安全画像系统的结构示意图。
图2是实施例中驾驶偏好分析的说明示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
本发明提出一种驾驶人安全画像系统,以驾驶人为目标对象,通过人工智能AI决策手段识别重点关注驾驶人,预测驾驶人风险,系统内置人工智能AI模型处理器、可视化引擎,对个体驾驶人的危险性评价和出行安全特征进行全方位描述,根据个体危险度进行群体的划分和特征提取,克服传统驾驶人分析局限于群体特征简单数据统计的缺陷,满足日常交通安全治理和主动防控工作中对目标群体锁定以及危险个体识别等方面的需求。
一种驾驶人安全画像系统,以交通违法数据为主要数据支撑,对驾驶人群体、个人以及模糊类别三个层级的交通安全属性精细智能化决策分析,如图1,系统包括数据池单元、AI模型处理器、个体预测单元、个体分析单元、群体划分单元、群体特征分析单元、可视化引擎。
(1)数据池单元,接入包括交通违法数据、交通事故数据、道路地理信息数据在内的基础分析数据;存储其他单元的处理数据。
其中交通违法数据包含驾驶人信息、违法类型、违法地点、处罚信息、违法时段、车牌号码、车辆,交通事故数据包含驾驶人信息、车辆信息、事故发生时间与地点、事故类型、事故原因、事故责任;道路地理信息包括电子地图、路段名称及类型、路口名称及类型。
(2)AI模型处理器,从数据池中读取样本数据,基于机器学习算法,构建驾驶人危险度估计模型;AI模型处理器包括变量筛选子单元、标签定义子单元、模型训练子单元、模型描述子单元。
其中变量筛选子单元对样本数据进行降维处理,提取影响危险度估计结果的关键属性参数;标签定义子单元规定分类规则;模型训练子单元进行抽样、训练、测试以及拟合模型;模型描述子单元对模型的性能参数进行分析,包括精准度、命中率、覆盖率。
(3)个体预测单元,从交通数据池中读取目标对象在分析时段内的交通行为数据,调用AI模型处理器,输出对应时段内的驾驶人危险度指数和模型运算过程中的主要参数;其中,交通行为数据包括交通违法数据、交通事故数据;个体预测单元包括决策过程管理子单元与预测结果管理子单元。
其中,决策过程管理子单元通过从数据池单元中调取目标对象的样本数据以及AI模型处理器的模型,获取目标对象危险度决策路径和过程中各节点的参数、结论;预测结果管理子单元基于决策过程管理子单元获取目标对象的危险度估计结果,将该结果写入数据池单元。
(4)个体分析单元,从数据池单元中提取目标对象的危险度指数,进行时间维度的趋势分析;对于缺失数据的分析时段,进行危险度估计或预测;另一方面,从数据池单元中提取个体危险度关联特征属性,进行纵向与横向的总结分析;个体分析单元包括危险度趋势分析子单元、危险度预测子单元、驾驶偏好分析子单元、相似人员分析子单元。
其中,危险度趋势分析子单元:基于个体预测单元输出的目标对象危险度指数时间序列,分析驾驶人的危险度变化趋势;危险度预测子单元:在数据池中未读取到目标对象在对应时段内的驾驶行为数据,则通过内置的危险度估计模型进行相应时段的危险度估计或预测;危险度的估计或预测方法可通过机器学习、回归分析等手段实现,不限于此;驾驶偏好分析子单元,对个体预测单元的AI决策中的主要参数值做进一步降维处理,提取驾驶模式,分析目标驾驶人的行为偏好,包括由出行时间分析平峰驾驶、高峰驾驶或夜间驾驶,由违法类型分析保守驾驶、激进驾驶,不限于此;相似人员分析子单元,根据个体预测单元中对目标对象的危险度量化结果,从数据池中提取具有相同危险度的其他驾驶员进行关联。
(5)群体划分单元,读取配置单元的分级区间划定阈值,由个体预测单元的驾驶人危险度指数确定个体危险等级,将同等级驾驶人样本进行聚合,对应数据写入相应数据池中。
(6)群体特征分析单元,以危险等级群体为分析对象,提取群体内的驾驶人主要特征参数值,包括基础属性分析子单元,行为属性分析子单元、关联因素特征分析子单元;其中关联因素特征分析子单元,将人员属性与车辆、环境因素进行关联,其中车辆特征包括类型、车辆品牌、车型,环境特征包括路段、路口类型、天气;对各级别下的驾驶员车辆特征、环境特征参数进行降维处理,提取关键参数,构建驾驶人危险度与车辆属性、环境属性的对应关系。
另外,基础属性分析子单元提取群体危险度与驾驶人基础特征的关联,包括年龄、性别、籍贯、职业;行为属性分析子单元提取群体危险度与驾驶人违法行为特征、事故特征的关联。
(7)可视化引擎:通过词云、平衡坐标图、电子地图、统计图表、电子表格、数据报表、分析报告等数据可视化方式表示个体预测单元、个体分析单元、群体划分单元、群体特征分析单元输出的分析决策信息。
(8)系统还包括配置单元、交互单元、通讯单元,其中配置单元对包含危险度分级阈值、分析时间单位的安全画像基础参数进行设置管理;交互单元进行系统与用户之间的数据交换与互动;通讯单元进行各单元间以及系统内外的数据传输。
实施例的驾驶人安全画像系统,在上述的各功能模块的支撑下,采用B/S架构,分为数据对接、数据处理和功能应用三个层级,各层级间由通讯单元的通讯网络保障数据传输,如图1所示。
在数据对接层,从外部数据库中接入交通违法数据、交通事故数据,道路地理信息数据由地图软件开放的API接口对接获取。
由数据处理层的数据池单元对采集数据进行存储;从外部接入的数据包括交通违法数据、交通事故数据、道路地理信息数据在内的基础分析数据;其中交通违法数据包含驾驶人信息、违法类型、违法地点、处罚信息、违法时段、车牌号码、车辆,交通事故数据包含驾驶人信息、车辆信息、事故发生时间与地点、事故类型、事故原因、事故责任;道路地理信息包括电子地图、路段名称及类型、路口名称及类型。数据池单元还对其他功能单元处理的数据、指标进行存储,以支持历史数据、指标的调用与分析处理。
AI模型处理器,从数据池单元中读取样本数据,基于机器学习算法,构建驾驶人危险度估计模型。AI模型处理器包括①变量筛选子单元,②标签定义子单元,③模型训练子单元,④模型描述子单元;其中①变量筛选子单元的功能是对样本数据进行降维处理,提取影响危险度估计结果的关键属性参数;②标签定义子单元规定分类规则;③模型训练子单元进行抽样、训练、测试以及拟合模型;④模型描述子单元对模型的性能参数进行分析,包括精准度、命中率、覆盖率。本实施例中,采用随机森林算法构建驾驶人危险度估计模型,定义不同安全度的驾驶人标签,抽取训练集与测试集的样本,通过训练集实施模型训练,拟合危险度估计模型。
个体预测单元,从交通数据池中读取目标对象在分析时段内的交通行为数据,调用AI模型处理器,输出对应时段内的驾驶人危险度指数和模型运算过程中的主要参数。该单元包括①决策过程管理子单元,②预测结果管理子单元。其中①决策过程管理子单元通过从数据池单元中调取目标对象的样本数据以及AI模型处理器的模型,获取目标对象危险度决策路径和过程中各节点的参数、结论;②预测结果管理子单元基于决策过程管理子单元获取目标对象的危险度估计结果,将该结果写入数据池单元。本实施例中,系统默认的个体危险度预测频率为1月,即根据目标对象在数据池中每月违法、事故数据的更新情况,对其对应月份的危险度进行预测或评估。
个体分析单元,从数据池单元中提取目标对象的危险度指数,进行时间维度的趋势分析;对于缺失数据的分析时段,进行危险度估计或预测;另一方面,从数据池单元中提取个体危险度关联特征属性,进行纵向与横向的总结分析;个体分析单元包括①危险度趋势分析子单元,②危险度预测子单元,③驾驶偏好分析子单元,④相似人员分析子单元。
其中①危险度趋势分析子单元,基于个体预测单元输出的目标对象危险度指数时间序列,分析驾驶人的危险度变化趋势;
②危险度预测子单元:在数据池中未读取到目标对象在对应时段内的驾驶行为数据,则通过内置的危险度估计模型进行相应时段的危险度估计或预测;危险度的估计或预测方法可通过机器学习、回归分析等手段实现,不限于此;
③驾驶偏好分析子单元,对个体预测单元的AI决策中的主要参数值做进一步降维处理,提取驾驶模式,分析目标驾驶人的行为偏好,如图2,包括由出行时间分析平峰驾驶、高峰驾驶或夜间驾驶,由违法类型分析保守驾驶、激进驾驶,不限于此;
④相似人员分析子单元,根据个体预测单元中对目标对象的危险度量化结果,从数据池中提取具有相同危险度的其他驾驶员进行关联。
群体划分单元,读取配置单元的分级区间划定阈值,由个体预测单元的驾驶人危险度指数确定个体危险等级,将同等级驾驶人样本进行聚合,对应数据写入相应数据池中。本实施例中,将群体分为三级,分级的危险度区间可在系统的配置单元中调整。实施例中,将危险度估计模型构建过程中筛选的特征变量作为群体特征分析的主要特征参数,包括年龄、平均罚款金额、累计罚款金额、性别、违法时段、违法类型、累计违法种类、累计违法次数等,对连续变量做离散化处理。
群体特征分析单元,以危险等级群体为分析对象,提取群体内的驾驶人主要特征参数值,包括基础属性分析子单元,行为属性分析子单元、关联因素特征分析子单元。
①基础属性分析子单元提取群体危险度与驾驶人基础特征的关联,包括年龄、性别、籍贯、职业;
②行为属性分析子单元提取群体危险度与驾驶人违法行为特征、事故特征的关联;
③关联因素特征分析子单元,将人员属性与车辆、环境因素进行关联,其中车辆特征包括类型、车辆品牌、车型,环境特征包括路段、路口类型、天气;对各级别下的驾驶员车辆特征、环境特征参数进行降维处理,提取关键参数,构建驾驶人危险度与车辆属性、环境属性的对应关系。
各类属性分析可根据分析时段、区域的设定进行统计与对比。
可视化引擎:通过词云、平衡坐标图、电子地图、统计图表、电子表格、数据报表、分析报告等数据可视化方式表示个体预测单元、个体分析单元、群体划分单元、群体特征分析单元输出的分析决策信息。
系统的配置单元对包含危险度分级阈值、分析时间单位的安全画像基础参数进行设置管理。
交互单元进行系统与用户之间的数据交换与互动,在本实施例中,用户通过系统的交互界面可实现功能应用层级的以下功能,包括人员概览子单元、AI决策子单元、个体安全档案子单元、潜在危险人员识别子单元、群体画像子单元、自定义分析子单元等。
人员概览子单元基于群体划分单元与群体特征分析单元、可视化引擎,展示各等级驾驶人的群体安全画像。
AI决策子单元基于AI模型处理器以及可视化引擎,对危险度预测模型的必要参数进行展示,包括模型构成时间、模型预测时段、命中率、覆盖率、精确度、关键变量、样本数据范围、标签定义、样本估计结果等。由群体分析单元、可视化引擎对全体样本的危险度分布情况进行直观展示。
个体安全档案子单元,基于个体预测单元、个体分析单元、AI模型处理器以及可视化引擎实现,对驾驶人个体的详细交通安全信息进行分析,包括个人基础信息、当前危险度、危险度趋势、历史事故统计、历史违法统计、驾驶行为偏好、活动热点分析;在危险度趋势分析中,可查看危险度预测过程中的决策树详情,对数据池中缺失数据的月份,可查看对应时段内的危险度估计或预测值;可查看驾驶人历史的全部违法记录、事故记录详细信息。
潜在危险人员识别子单元,基于个体预测单元、个体分析单元、可视化引擎,根据个体危险度趋势、危险度预测结果,展示潜在危险人员危险度排名。
自定义分析子单元,由用户自定义属性特征,如驾驶人性别、车辆类型、活动区域等,查看对应属性下的代表性驾驶人群体的详细画像,包括属性词云图、平衡坐标图等可视化分析手段。
Claims (9)
1.一种驾驶人安全画像系统,其特征在于:以驾驶人为目标对象,通过AI决策手段识别重点关注驾驶人,预测驾驶人风险,内置AI模型处理器、可视化引擎,对个体驾驶人的危险性评价和出行安全特征进行描述,根据个体危险度进行群体的划分和特征提取,具体包括数据池单元、AI模型处理器、个体预测单元、个体分析单元、群体划分单元、群体特征分析单元和可视化引擎,
数据池单元:接入包括交通违法数据、交通事故数据、道路地理信息数据在内的基础分析数据,存储系统其他单元的处理数据;
AI模型处理器:从数据池单元中读取样本数据,基于机器学习算法,构建驾驶人危险度估计模型;
个体预测单元:从交通数据池单元中读取目标对象在分析时段内的交通行为数据,调用AI模型处理器,输出对应时段内的驾驶人危险度指数和模型运算过程中的参数;其中,交通行为数据包括交通违法数据、交通事故数据;个体分析单元:从数据池单元中提取目标对象的危险度指数,进行时间维度的趋势分析;对于缺失数据的分析时段,进行危险度估计或预测;另一方面,从数据池单元中提取个体危险度关联特征属性,进行纵向与横向的总结分析;
群体划分单元:读取配置单元的分级区间划定阈值,由个体预测单元的驾驶人危险度指数确定个体危险等级,将同等级驾驶人样本进行聚合,对应数据写入相应数据池中;
群体特征分析单元:以危险等级群体为分析对象,提取群体内的驾驶人特征参数值;
可视化引擎:通过数据可视化方式表示个体预测单元、个体分析单元、群体划分单元、群体特征分析单元输出的分析决策信息。
2.如权利要求1所述的驾驶人安全画像系统,其特征在于:AI模型处理器包括变量筛选子单元、标签定义子单元、模型训练子单元、模型描述子单元;
变量筛选子单元:对样本数据进行降维处理,提取影响危险度估计结果的关键属性参数;
标签定义子单元:规定分类规则;
模型训练子单元:进行抽样、训练、测试以及拟合模型;
模型描述子单元:对模型的性能参数进行分析,包括精准度、命中率、覆盖率。
3.如权利要求1所述的驾驶人安全画像系统,其特征在于:个体预测单元包括决策过程管理子单元与预测结果管理子单元,
决策过程管理子单元:通过从数据池单元中调取目标对象的样本数据以及AI模型处理器的模型,获取目标对象危险度决策路径和过程中各节点的参数、结论;
预测结果管理子单元:基于决策过程管理子单元获取目标对象的危险度估计结果,将该结果写入数据池单元。
4.如权利要求1所述的驾驶人安全画像系统,其特征在于:个体分析单元包括危险度趋势分析子单元、危险度预测子单元、驾驶偏好分析子单元、相似人员分析子单元;
危险度趋势分析子单元:基于个体预测单元输出的目标对象危险度指数时间序列,分析驾驶人的危险度变化趋势;
危险度预测子单元:在数据池中未读取到目标对象在对应时段内的驾驶行为数据,则通过内置的危险度估计模型进行相应时段的危险度估计或预测;
驾驶偏好分析子单元,对个体预测单元的AI决策中的参数值做进一步降维处理,提取驾驶模式,分析目标驾驶人的行为偏好;
相似人员分析子单元,根据个体预测单元中对目标对象的危险度量化结果,从数据池中提取具有相同危险度的其他驾驶员进行关联。
5.如权利要求1-4任一项所述的驾驶人安全画像系统,其特征在于:群体特征分析单元包括基础属性分析子单元、行为属性分析子单元、关联因素特征分析子单元;
基础属性分析子单元:提取群体危险度与驾驶人基础特征的关联,包括年龄、性别、籍贯、职业;
行为属性分析子单元:提取群体危险度与驾驶人违法行为特征、事故特征的关联;
关联因素特征分析子单元:将人员属性与车辆特征、环境特征进行关联,其中车辆特征包括类型、车辆品牌、车型,环境特征包括路段、路口类型、天气;对各级别下的驾驶员车辆特征、环境特征参数进行降维处理,提取关键参数,构建驾驶人危险度与车辆属性、环境属性的对应关系。
6.如权利要求1-4任一项所述的驾驶人安全画像系统,其特征在于:还包括配置单元和通讯单元,
配置单元:对包含危险度分级阈值、分析时间单位的安全画像基础参数进行设置管理;
通讯单元:进行系统内各单元间以及系统内外的数据传输。
7.如权利要求6所述的驾驶人安全画像系统,其特征在于:还包括交互单元,交互单元:进行系统与用户之间的数据交换与互动。
8.如权利要求7所述的驾驶人安全画像系统,其特征在于:交互单元包括人员概览子单元、AI决策子单元、个体安全档案子单元、潜在危险人员识别子单元、群体画像子单元、自定义分析子单元,
人员概览子单元:基于群体划分单元与群体特征分析单元、可视化引擎,展示各等级驾驶人的群体安全画像;
AI决策子单元:基于AI模型处理器以及可视化引擎,对危险度预测模型的参数进行展示;
个体安全档案功能:基于个体预测单元、个体分析单元、AI模型处理器以及可视化引擎实现,对驾驶人个体的详细交通安全信息进行分析;
潜在危险人员识别子单元:基于个体预测单元、个体分析单元、可视化引擎,根据个体危险度趋势、危险度预测结果,展示潜在危险人员危险度排名;
自定义分析子单元:由用户自定义属性特征,查看对应属性下的代表性驾驶人群体的详细画像。
9.如权利要求1-4任一项所述的驾驶人安全画像系统,其特征在于:交通违法数据包含驾驶人信息、违法类型、违法地点、处罚信息、违法时段、车牌号码、车辆,交通事故数据包含驾驶人信息、车辆信息、事故发生时间与地点、事故类型、事故原因、事故责任;道路地理信息包括电子地图、路段名称及类型、路口名称及类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673984.8A CN108647743B (zh) | 2018-06-25 | 2018-06-25 | 驾驶人安全画像系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810673984.8A CN108647743B (zh) | 2018-06-25 | 2018-06-25 | 驾驶人安全画像系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647743A true CN108647743A (zh) | 2018-10-12 |
CN108647743B CN108647743B (zh) | 2021-08-10 |
Family
ID=63753532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810673984.8A Active CN108647743B (zh) | 2018-06-25 | 2018-06-25 | 驾驶人安全画像系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647743B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636235A (zh) * | 2018-12-26 | 2019-04-16 | 北京汽车研究总院有限公司 | 驾驶员行为画像模型的确定方法及处理系统 |
CN110428091A (zh) * | 2019-07-10 | 2019-11-08 | 平安科技(深圳)有限公司 | 基于数据分析的风险识别方法及相关设备 |
CN110689230A (zh) * | 2019-09-02 | 2020-01-14 | 平安科技(深圳)有限公司 | 一种区域的贫困程度确定方法、电子装置及存储介质 |
CN111145542A (zh) * | 2019-12-23 | 2020-05-12 | 北京高诚科技发展有限公司 | 一种基于车辆行为的营运性质监测系统及方法 |
CN111159763A (zh) * | 2019-12-26 | 2020-05-15 | 银江股份有限公司 | 一种涉法人员群体画像分析系统及方法 |
CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN111984853A (zh) * | 2019-05-22 | 2020-11-24 | 北京车和家信息技术有限公司 | 试驾报告生成方法和云端服务器 |
CN115001856A (zh) * | 2022-07-18 | 2022-09-02 | 国网浙江省电力有限公司杭州供电公司 | 基于数据处理的网络安全画像及攻击预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913195A (zh) * | 2016-04-29 | 2016-08-31 | 浙江汇信科技有限公司 | 基于全行业数据的企业金融风险评分方法 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106933991A (zh) * | 2017-02-24 | 2017-07-07 | 陈晶 | 一种面向智能终端的深度分析与用户画像系统及方法 |
CN107220732A (zh) * | 2017-05-31 | 2017-09-29 | 福州大学 | 一种基于梯度提升树的停电投诉风险预测方法 |
-
2018
- 2018-06-25 CN CN201810673984.8A patent/CN108647743B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913195A (zh) * | 2016-04-29 | 2016-08-31 | 浙江汇信科技有限公司 | 基于全行业数据的企业金融风险评分方法 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106933991A (zh) * | 2017-02-24 | 2017-07-07 | 陈晶 | 一种面向智能终端的深度分析与用户画像系统及方法 |
CN107220732A (zh) * | 2017-05-31 | 2017-09-29 | 福州大学 | 一种基于梯度提升树的停电投诉风险预测方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636235A (zh) * | 2018-12-26 | 2019-04-16 | 北京汽车研究总院有限公司 | 驾驶员行为画像模型的确定方法及处理系统 |
CN111984853A (zh) * | 2019-05-22 | 2020-11-24 | 北京车和家信息技术有限公司 | 试驾报告生成方法和云端服务器 |
CN111984853B (zh) * | 2019-05-22 | 2024-03-22 | 北京车和家信息技术有限公司 | 试驾报告生成方法和云端服务器 |
CN110428091B (zh) * | 2019-07-10 | 2022-12-27 | 平安科技(深圳)有限公司 | 基于数据分析的风险识别方法及相关设备 |
WO2021004344A1 (zh) * | 2019-07-10 | 2021-01-14 | 平安科技(深圳)有限公司 | 基于数据分析的风险识别方法及相关设备 |
CN110428091A (zh) * | 2019-07-10 | 2019-11-08 | 平安科技(深圳)有限公司 | 基于数据分析的风险识别方法及相关设备 |
CN110689230A (zh) * | 2019-09-02 | 2020-01-14 | 平安科技(深圳)有限公司 | 一种区域的贫困程度确定方法、电子装置及存储介质 |
CN110689230B (zh) * | 2019-09-02 | 2024-01-09 | 平安科技(深圳)有限公司 | 一种区域的贫困程度确定方法、电子装置及存储介质 |
CN111145542A (zh) * | 2019-12-23 | 2020-05-12 | 北京高诚科技发展有限公司 | 一种基于车辆行为的营运性质监测系统及方法 |
CN111159763A (zh) * | 2019-12-26 | 2020-05-15 | 银江股份有限公司 | 一种涉法人员群体画像分析系统及方法 |
CN111210088A (zh) * | 2020-01-16 | 2020-05-29 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN111210088B (zh) * | 2020-01-16 | 2023-06-02 | 上海理工大学 | 一种基于时空因素的交通状态指数预测方法 |
CN115001856A (zh) * | 2022-07-18 | 2022-09-02 | 国网浙江省电力有限公司杭州供电公司 | 基于数据处理的网络安全画像及攻击预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647743B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647743A (zh) | 驾驶人安全画像系统 | |
CN103530704B (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
Caplan et al. | Risk terrain modeling: Brokering criminological theory and GIS methods for crime forecasting | |
CN107730905A (zh) | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 | |
CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
CN107292517A (zh) | 基于大数据分析的民航安保信息服务系统 | |
CN114067560A (zh) | 高速公路疫情防控无感式人员检测及车辆轨迹追踪系统 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN113988476A (zh) | 一种针对道路运输安全风险的动态评估预测方法 | |
Borges et al. | Feature engineering for crime hotspot detection | |
Chen | Analysis and forecast of traffic accident big data | |
CN117829787B (zh) | 一种基于bim和ai大模型的工程安全智能管理方法及系统 | |
CN110009224A (zh) | 嫌疑人违规概率预测方法、装置、计算机设备及存储介质 | |
CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
Yao et al. | Prediction of crime hotspots based on spatial factors of random forest | |
CN110443408A (zh) | 出行预测方法和装置 | |
Liao et al. | Hierarchical quantitative analysis to evaluate unsafe driving behaviour from massive trajectory data | |
Gong et al. | CARESim: An integrated agent-based simulation environment for crime analysis and risk evaluation (CARE) | |
Niu et al. | The mechanism of crowd stampede based on case statistics through SNA method | |
CN116128197A (zh) | 一种智慧机场管理系统和方法 | |
Ghosh et al. | Vulnerability assessment of urban intersections apropos of incident impact on road network and identification of critical intersections | |
Li et al. | Collective Risk Ranking of Highway Segments on the Basis of Severity‐Weighted Crash Rates | |
Xu et al. | Metro train operation plan analysis based on station travel time reliability | |
Schoeman | Strategies to reduce traffic accident rates in developing countries: Lessons learned for assessment and management | |
Zhou et al. | An aggregation framework for time series-based MCDA |
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 | ||
CB02 | Change of applicant information |
Address after: 211100 No. 19 Suyuan Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |