CN108665084A - 一种对驾驶风险的预测方法及系统 - Google Patents
一种对驾驶风险的预测方法及系统 Download PDFInfo
- Publication number
- CN108665084A CN108665084A CN201710206325.9A CN201710206325A CN108665084A CN 108665084 A CN108665084 A CN 108665084A CN 201710206325 A CN201710206325 A CN 201710206325A CN 108665084 A CN108665084 A CN 108665084A
- Authority
- CN
- China
- Prior art keywords
- point
- traveling
- driving
- value
- pending
- 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
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明公开了一种对驾驶风险的预测方法,包括:获取用于表征待预测对象第一行驶点轨迹的第一目标数据;获取用于表征待预测对象第一行驶点环境的第二目标数据;获取用于表征待预测对象身份的第三目标数据;根据第一目标数据确定待预测对象的行驶轨迹;将所述行驶轨迹与第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为;当检测到满足第三目标数据且在预设时间段内关联的所有行驶轨迹时,对所述各个驾驶情境下的驾驶行为进行统计,获得第一驾驶行为特征数据;根据所述第一驾驶行为特征数据和待预测对象所属群体的第二驾驶行为特征数据,对待预测对象的驾驶风险进行预测。本发明还同时公开了一种对驾驶风险的预测系统。
Description
技术领域
本发明涉及车联网领域,尤其涉及一种对驾驶风险的预测方法及系统。
背景技术
车联网是当前汽车及交通运输行业的一个核心技术发展趋势。通过无线通信技术、卫星导航系统、网络通信技术和车载电脑的有机整合,车联网允许实时获取运行中车辆的位置和状态数据,然后对其进行分析优化,并且通过车联网,能够实时与车辆、驾驶员、乘客和管理人员进行联系和沟通。
基于以上优点,车联网能够支持范围非常广阔的业务场景:当行驶中的汽车出现故障时,通过无线通信连接服务中心,可以进行车辆远程诊断;内置在发动机上的计算机能记录汽车主要部件的状态,并随时为维修人员提供准确的故障位置和原因;司机通过终端机可以接收信息,并查看交通地图、路况介绍、交通信息、安全与治安服务以及娱乐信息服务等内容;通过车联网提供的服务,乘客/司机可以确认当前的位置,从而实时掌握交通信息,并了解临近停车场的车位状况;通过统计分析车辆数据,可以详细准确的了解自己以及家人的驾驶行为和油耗情况;通过掌握车辆及司机位置状况,可以优化司机和车辆的调度,提高运营效率降低运营成本。另外,车联网大数据也可以为车险行业发展提供更多的可能性;依据“互联网+”的思考,将车联网与保险结合,可以实现按照使用计费的保险费计算模式(UBI,Usage Based Insurance)。
现有技术中,对驾驶风险进行预测,需要融合路网数据等信息来量化出驾驶员的驾驶行为风险。采用现有技术,能够识别驾驶员驾驶的高风险行为,但是该方法仅仅只关注路网数据这一个影响驾驶员驾驶风险的因素,因此,导致驾驶风险预测的结果精确性不足。
发明内容
为解决现有技术存在的问题,本发明实施例期望提供一种对驾驶风险的预测方法及系统,能够提高对驾驶员驾驶风险的预测准确性。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供了一种对驾驶风险的预测方法,所述方法包括:
获取用于表征待预测对象第一行驶点轨迹的第一目标数据;获取用于表征待预测对象第一行驶点环境的第二目标数据;获取用于表征待预测对象身份的第三目标数据;
根据所述第一目标数据确定所述待预测对象的行驶轨迹;
将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为;
当检测到满足所述第三目标数据且在预设时间段内关联的所有行驶轨迹时,对所述各个驾驶情境下的驾驶行为进行统计,获得第一驾驶行为特征数据;
根据所述第一驾驶行为特征数据和预先统计的待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测。
上述方案中,所述根据所述第一目标数据确定所述待预测对象的行驶轨迹之后,所述方法还包括:
将所述行驶轨迹与所述第二目标数据中路网数据进行地图匹配,以对所述行驶轨迹中第一行驶点进行去噪处理。
上述方案中,所述根据所述第一目标数据确定所述待预测对象的行驶轨迹包括:
根据所述第一目标数据,计算相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值;
根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除;
根据剔除噪音点后得到的第一目标数据,对所述待预测对象的行驶轨迹进行识别。
上述方案中,所述根据所述相邻两个第一行驶点之间的速度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除包括:
将首个第一行驶点标记为标准点;
判断第一速度值是否大于第一预设值以及第二速度值是否大于所述第一预设值;所述第一速度值为待处理行驶点与对应的前一第一行驶点之间的速度值,所述第二速度值为所述待处理行驶点与对应的后一第一行驶点之间的速度值;所述待处理行驶点为与所述标准点对应的后一第一行驶点;
若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
上述方案中,所述根据所述相邻两个第一行驶点之间的加速度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除包括:
将首个第一行驶点标记为标准点;
判断第一加速度值是否小于第二预设值以及第二加速度值是否大于第三预设值;所述第一加速度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的加速度值,所述第二加速度值为所述待处理行驶点与对应的前一第一行驶点之间的加速度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
上述方案中,所述根据所述相邻两个第一行驶点之间的行进方向角度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除包括:
将首个第一行驶点标记为标准点;
判断第一行进方向角度值与第二行进方向角度值的差值绝对值是否大于第四预设值;所述第一行进方向角度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的行进方向角度值,所述第二行进方向角度值为所述待处理行驶点与对应的前一第一行驶点之间的行进方向角度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
上述方案中,所述将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为包括:
根据所述行驶轨迹中第二行驶点对应的第一目标数据,识别所述行驶轨迹中的驾驶行为,所述第二行驶点为所述第一行驶点去噪后得到的行驶点;
根据所述行驶轨迹中的驾驶行为和所述第二目标数据,对所述行驶轨迹进行切分,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为。
上述方案中,所述根据所述第一驾驶行为特征数据和预先统计的所述待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测包括:
将所述第一驾驶行为特征数据和所述第二驾驶行为特征数据进行比对,以计算所述待预测对象在每一驾驶情境下驾驶行为的驾驶风险值;
对所述驾驶风险值和对应的驾驶情境风险值进行加权处理,获得所述待预测对象的驾驶风险。
本发明实施例还提供了一种对驾驶风险的预测系统,所述系统包括:获取模块、确定模块、关联模块、统计模块和预测模块;其中,
所述获取模块,用于获取用于表征待预测对象第一行驶点轨迹的第一目标数据;获取用于表征待预测对象第一行驶点环境的第二目标数据;获取用于表征待预测对象身份的第三目标数据;
所述确定模块,用于根据所述第一目标数据确定所述待预测对象的行驶轨迹;
所述关联模块,用于将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为;
所述统计模块,用于当检测到满足所述第三目标数据且在预设时间段内关联的所有行驶轨迹时,对所述各个驾驶情境下的驾驶行为进行统计,获得第一驾驶行为特征数据;
所述预测模块,用于根据所述第一驾驶行为特征数据和预先统计的所述待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测。
上述方案中,所述系统还包括:
地图匹配模块,用于将所述行驶轨迹与所述第二目标数据中路网数据进行地图匹配,以对所述行驶轨迹中第一行驶点进行去噪处理。
上述方案中,所述确定模块包括:计算单元、确定单元和第一识别单元;其中,
所述计算单元,用于根据所述第一目标数据,计算相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值;
所述确定单元,用于根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除;
所述第一识别单元,用于根据剔除噪音点后得到的第一目标数据,对所述待预测对象的行驶轨迹进行识别。
上述方案中,所述确定单元包括:第一标记子单元、第一判断子单元和第一处理子单元;其中,
所述第一标记子单元,用于将首个第一行驶点标记为标准点;
所述第一判断子单元,用于判断第一速度值是否大于第一预设值以及第二速度值是否大于所述第一预设值;所述第一速度值为待处理行驶点与对应的前一第一行驶点之间的速度值,所述第二速度值为所述待处理行驶点与对应的后一第一行驶点之间的速度值;所述待处理行驶点为与所述标准点对应的后一第一行驶点;
所述第一处理子单元,用于当所述第一速度值大于所述第一预设值以及所述第二速度值大于所述第一预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一速度值不大于所述第一预设值或者所述第二速度值不大于所述第一预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
上述方案中,所述确定单元包括:第二标记子单元、第二判断子单元和第二处理子单元;其中,
所述第二标记子单元,用于将首个第一行驶点标记为标准点;
所述第二判断子单元,用于判断第一加速度值是否小于第二预设值以及第二加速度值是否大于第三预设值;所述第一加速度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的加速度值,所述第二加速度值为所述待处理行驶点与对应的前一第一行驶点之间的加速度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
所述第二处理子单元,用于当所述第一加速度值小于所述第二预设值以及所述第二加速度值大于所述第三预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一加速度值不小于所述第二预设值或者所述第二加速度值不大于所述第三预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
上述方案中,所述确定单元包括:第三标记子单元、第三判断子单元和第三处理子单元;其中,
所述第三标记子单元,用于将首个第一行驶点标记为标准点;
所述第三判断子单元,用于判断第一行进方向角度值与第二行进方向角度值的差值绝对值是否大于第四预设值;所述第一行进方向角度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的行进方向角度值,所述第二行进方向角度值为所述待处理行驶点与对应的前一第一行驶点之间的行进方向角度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
所述第三处理子单元,用于当所述第一行进方向角度值与所述第二行进方向角度值的差值绝对值大于所述第四预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一行进方向角度值与所述第二行进方向角度值的差值绝对值不大于所述第四预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
上述方案中,所述关联模块包括:第二识别单元和切分单元;其中,
所述第二识别单元,用于根据所述行驶轨迹中第二行驶点对应的第一目标数据,识别所述行驶轨迹中的驾驶行为,所述第二行驶点为所述第一行驶点去噪后得到的行驶点;
所述切分单元,用于根据所述行驶轨迹中的驾驶行为和所述第二目标数据,对所述行驶轨迹进行切分,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为。
上述方案中,所述预测模块包括:比对单元和加权处理单元;其中,
所述比对单元,用于将所述第一驾驶行为特征数据和所述第二驾驶行为特征数据进行比对,以计算所述待预测对象在每一驾驶情境下驾驶行为的驾驶风险值;
所述加权处理单元,用于对所述驾驶风险值和对应的驾驶情境风险值进行加权处理,获得所述待预测对象的驾驶风险。
可见,本发明实施例首先通过对待预测对象在行驶过程中的轨迹数据、环境数据和所述待预测对象的身份数据进行分析和挖掘,获得所述待预测对象的与环境上下文和所述待预测对象的身份所关联的各个驾驶情境下的驾驶行为;然后,统计所述待预测对象在预设时间段内的所有行驶轨迹中各个驾驶情境的驾驶行为,从而获得所述待预测对象的驾驶行为特征数据即驾驶员画像模型;最后,根据所述驾驶员画像模型和预先统计的所述待预测对象所属群体的驾驶行为特征数据即基准评估模型,对所述待预测对象的驾驶风险进行预测。
相对于现有技术,本发明实施例在识别待预测对象各个驾驶情境下的驾驶行为时,不仅考虑了行驶过程中的轨迹数据,而且还考虑了行驶过程中的环境数据和所述待预测对象的身份数据,使分析和挖掘的影响待预测对象的驾驶风险的因素更加丰富和全面,从而能够形成合理真实的驾驶员画像模型,提高对驾驶员驾驶风险的预测准确性;并且,更加符合驾驶员的实际使用场景和需求。
附图说明
图1为本发明对驾驶风险的预测方法实施例一的实现流程示意图;
图2为图1所示实现流程中根据所述第一目标数据确定所述待预测对象的行驶轨迹的细化流程示意图;
图3为图1所示实现流程中将所述行驶轨迹与所述第二目标数据进行关联的细化流程示意图;
图4为图1所述实现流程中对所述待预测对象的驾驶风险进行预测的细化流程示意图;
图5为根据所述相邻两个第一行驶点之间的速度值确定噪音点的示意图;
图6为根据所述相邻两个第一行驶点之间的加速度值确定噪音点的示意图;
图7为根据所述相邻两个第一行驶点之间的行进方向确定噪音点的示意图;
图8为本发明对驾驶风险的预测方法实施例三的应用场景示意图;
图9为本发明对驾驶风险的预测系统实施例一的组成结构示意图;
图10为图9所示系统中确定模块的细化组成结构示意图;
图11为图9所示系统中关联模块的细化组成结构示意图;
图12为图9所示系统中预测模块的细化组成结构示意图;
图13为图10所示确定单元的细化组成结构示意图之一;
图14为图10所示确定单元的细化组成结构示意图之二;
图15为图10所示确定单元的细化组成结构示意图之三。
具体实施方式
本发明实施例提供的对驾驶风险的预测方法,应用于车联网系统中,在识别待预测对象各个驾驶情境下的驾驶行为时,不仅考虑了行驶过程中的轨迹数据,而且还考虑了行驶过程中的环境数据和所述待预测对象的身份数据,使分析和挖掘的影响待预测对象的驾驶风险的因素更加丰富和全面,从而能够形成合理真实的驾驶员画像模型,提高对驾驶员驾驶风险的预测准确性。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。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。
图1为本发明对驾驶风险的预测方法实施例一的实现流程示意图,参照图1所示,本实施例的对驾驶风险的预测方法包括以下步骤:
步骤101,获取用于表征待预测对象第一行驶点轨迹的第一目标数据;获取用于表征待预测对象第一行驶点环境的第二目标数据;获取用于表征待预测对象身份的第三目标数据;
本实施例中的对驾驶风险的预测方法主要应用在对驾驶风险的预测系统中,用于预测所述待预测对象的驾驶风险。
所述对驾驶风险的预测系统主要依托大数据分析平台(Hadoop)分析所述第一目标数据、第二目标数据和第三目标数据,并采用物联网(IOT,Internet of Things)网关和数据接入模块获取数据;获取数据的方式主要采用以下三种:第一种为通过移动终端将第一目标数据即轨迹数据上报至IOT网关,所述上报的方式可以采用实时上报的方式,也可以采用批量上报的方式,还可以采用定时上报的方式,本实施例中,将以采用实时上报的方式为例进行详细说明;第二种为通过数据接入模块中网络爬虫单元从互联网上爬取第二目标数据即环境数据;第三种为通过数据接入模块收集车联网业务中第三目标数据即待预测对象的身份数据。
应当说明的是,所述移动终端将轨迹数据上报至IOT网关后,所述IOT网关根据报文内容,对所述报文内容进行协议解析,获得所述轨迹数据,并将所述轨迹数据发送给数据接入模块;所述数据接入模块收集所述轨迹数据、环境数据和所述待预测对象的身份数据,会将收集的数据存入至Hadoop中。
这里,所述轨迹数据可以仅包括时间数据、全球导航卫星系统(GNSS,GlobalNavigation Satellite System)坐标数据和速度数据,也可以除了包括时间数据、GNSS坐标数据和速度数据之外,还包括加速度数据和角速度数据中至少一种;本实施例中,所述轨迹数据将以仅包括时间数据、GNSS坐标数据和速度数据为例进行详细说明,并且所述GNSS坐标数据为全球定位系统(GPS,Global Positioning System)坐标数据。
这里,所述环境数据可以包括时间数据、天气数据、路网数据和动态交通数据。所述时间数据可以确定所述待预测对象的行驶时段,例如行驶时段为:白天、或晚上、或早高峰、抑或是晚高峰;所述天气数据可以包括天气状态,例如天气状态为:雪天、或雨天、或晴天、抑或是大风天;所述路网数据可以包括道路地址信息、道路类型、道路路段信息和兴趣点(POI,Point of Interest)信息,例如所述道路地址信息为:重庆、或北京、抑或是长沙,所述道路类型为:市区道路、或高速道路、抑或是城乡道路,所述道路路段信息为:中关村南北大街、或西三环南段、抑或是大红门路,所述POI信息为:办公楼、或住宅区、抑或是商业区;所述动态交通数据可以包括交通状态,例如交通状态为:严重拥堵、或轻度拥堵、抑或是道路畅通。
这里,所述待预测对象的身份数据可以包括待预测对象的车型信息和驾驶人信息,所述车型信息可以包括车型和车龄,例如车型为:路虎、或宝马、抑或是奥迪,车龄为:1年、5年、抑或是10年;驾驶人信息可以包括驾驶人驾龄、驾驶人年龄和驾驶人性别。
应当说明的是,可以根据时间数据将所述待预测对象的轨迹数据和环境数据进行关联,并基于行驶时间先后顺序,获得所述待预测对象行驶过程中第一行驶点的轨迹数据和环境数据;另外,可以根据所述待预测对象的身份数据将所述待预测对象与所述待预测对象行驶的轨迹行程进行关联。
步骤102,根据所述第一目标数据确定所述待预测对象的行驶轨迹;
这里,可以直接根据所述第一行驶点的轨迹数据确定的驾驶员轨迹,识别出待预测对象的行驶轨迹即轨迹行程,也可以对所述第一行驶点的轨迹数据进行预处理后,根据预处理后的轨迹数据确定的驾驶员轨迹,识别出待预测对象行驶的轨迹行程;由于天气、环境、遮挡、车速等问题会引起GPS噪音点,并且GPS噪音点不会只是一个点的偶发现象,也就是说,GPS产生噪音时,往往会出现多点同时噪音的现象。因此,本实施例中,首先对所述第一行驶点的轨迹数据进行预处理,然后,将预处理后的轨迹数据确定的驾驶员轨迹序列划分为多个轨迹段,从而识别出待预测对象行驶的轨迹行程,例如在从重庆到北京的轨迹行程中,由于该轨迹行程较远,此时可以将驾驶员轨迹序列划分为多个轨迹段来识别所述轨迹行程。
应当说明的是,可以根据速度数据和GPS坐标数据,判断所述驾驶员轨迹序列是否为一个轨迹行程,例如当所述GPS坐标数据在漂移时,而速度数据几乎为零,此时可以判定所述驾驶员轨迹序列不是一个轨迹行程;并且当速度数据长时间几乎为零时,才可以断定一个轨迹行程的结束,例如当遇到紧急情况刹车或者等待红绿灯停车时,此时不算做一个轨迹行程的结束。
具体地,图2为图1所示实现流程中根据第一目标数据确定所述待预测对象的行驶轨迹的细化流程示意图,参照图2所示,步骤102具体包括以下步骤:
步骤1021,根据所述第一目标数据,计算相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值;
这里,首先可以根据第一行驶点的GPS坐标数据,计算相邻两个第一行驶点之间的直线距离;然后,根据第一行驶点的时间数据,计算相邻两个第一行驶点之间的时间差;最后,根据所述直线距离和时间差,计算相邻两个第一行驶点之间的速度值和加速度值。进一步地,通过相邻两个GPS坐标数据,可以确定该相邻两个点的路段行进方向。
步骤1022,根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除;
这里,首先根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,生成所述第一行驶点的噪音指数,所述噪音指数包括速度指数、加速度变化率指数和角速度变化率指数;然后,根据所述噪音指数确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除。进一步地,对于如何生成噪音指数、以及如何根据所述噪音指数确定所述第一行驶点中的噪音点,以下实施例会对此进行详细说明。
步骤1023,根据剔除噪音点后得到的第一行驶点的第一目标数据,对所述待预测对象的行驶轨迹进行识别。
这里,可以根据剔除噪音点后得到的第一行驶点的第一目标数据确定的驾驶员轨迹,识别出待预测对象行驶的轨迹行程。
由于工况的原因,所述待预测对象的轨迹行程中每个离散采样的轨迹数据都包含噪音,使识别的轨迹行程偏离了实际位置;为了更加准确的识别所述待预测对象行驶的轨迹行程,在根据所述第一行驶点的轨迹数据,确定所述待预测对象行驶的轨迹行程之后,还需要将所述行驶轨迹与所述第二目标数据中路网数据进行地图匹配,以对所述行驶轨迹中第一行驶点进行去噪处理。具体地,地图匹配结合地图道路网络结构,依据信号之间的关联关系,并基于划分好轨迹行程的轨迹数据,推断所述待预测对象最可能的真实位置;依据所述真实位置,对轨迹行程中偏离所述真实位置的第一行驶点进行剔除,并补充相应的道路路段信息和POI信息。
步骤103,将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为;
图3为图1所示实现流程中将所述行驶轨迹与所述第二目标数据进行关联的细化流程示意图,参照图3所示,步骤103具体包括以下步骤:
步骤1031,根据所述行驶轨迹中第二行驶点对应的第一目标数据,识别所述行驶轨迹中的驾驶行为,所述第二行驶点为所述第一行驶点去噪后得到的行驶点;
这里,将确定所述轨迹行程中的第一行驶点设定为第二行驶点,该第二行驶点不包括所述第一行驶点中的噪音点;所述驾驶行为可以根据实际需要进行设置,具体设置需要参照驾驶风险预测的应用,例如单纯只对驾驶人的驾驶风险进行提醒,驾驶人只关心急加速、急减速、急刹车和超速等基本的不良驾驶行为,而应用在保险定价上,保险公司需要多方面评估保险人的驾驶行为,准确预测投保人的驾驶风险,以计算投保人需投保的费用,因此保险公司还会深度分析和挖掘驾驶人的转弯前加速、转弯后减速和疲劳驾驶等不良驾驶行为;本实施例中,将以所述驾驶行为包括急加速、急减速、急刹车、超速、转弯前加速、转弯后减速和疲劳驾驶为例进行详细说明,并以事件的形式进行输出。
步骤1032,根据所述行驶轨迹中的驾驶行为和所述第二目标数据,对所述行驶轨迹进行切分,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为。
这里,所述驾驶情境可以根据实际需要进行设置,本实施例中,根据行驶时段、天气状态、道路类型和交通状态这四个因素来区分各个驾驶情境,例如所述驾驶情境为:早高峰、雨天、市区道路和严重拥堵。进一步地,根据所述驾驶行为和驾驶情境,将所述轨迹行程再次切分为多个行程段,以识别所述轨迹行程中各个驾驶情境下的驾驶行为。
步骤104,当检测到满足所述第三目标数据且在预设时间段内关联的所有行驶轨迹时,对所述各个驾驶情境下的驾驶行为进行统计,获得所述待预测对象的第一驾驶行为特征数据;
这里,所述预设时间段可以根据实际需要进行设置,从原理上来说,为了使统计的第一驾驶行为特征数据即驾驶员个人画像模型更加符合所述待预测对象的驾驶行为特征,所述预设时间段越长越好,本实施例中,所述预设时间段可以为一个月,例如当检测到满足待预测对象身份且在二零一七年二月内关联的所有轨迹行程时,对关联的轨迹行程中各个驾驶情境下的驾驶行为进行统计。
这里,所述第一驾驶行为特征数据可以包括所述待预测对象的各个驾驶行为在各个场景下发生的次数、每一驾驶情境下各个驾驶行为发生的平均次数和标准方差,例如所述待预测对象的急加速驾驶行为在早高峰、雨天、市区道路和严重拥堵的驾驶情境下发生的次数为10次,在早高峰、雨天、市区道路和严重拥堵的驾驶情境下各个驾驶行为发生的平均次数为5次,标准方差为1。
步骤105,根据所述第一驾驶行为特征数据和预先统计的所述待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测。
这里,可以预先统计所述待预测对象所属群体在指定时间段内的所有轨迹行程,并对所有轨迹行程中行程分段进行聚合,从而可以生成在指定时间段内该群体中个人的轨迹行程特点,例如行程数、平均行程里程/持续时间,以及各个驾驶情境下的驾驶行为特点,例如平均驾驶行为次数/里程/持续时间。
这里,所述第二驾驶行为特征数据可以包括所述待预测对象所属群体的各个驾驶行为在各个场景下发生的次数、每一驾驶情境下各个驾驶行为发生的平均次数和标准方差。
应当说明的是,可以通过对所述第一驾驶行为特征数据和预先统计的所述待预测对象所属群体的第二驾驶行为特征数据进行比对,来预测所述待预测对象的驾驶风险,例如所述待预测对象的各个驾驶行为在各个驾驶情境下的平均次数为10次,而所述待预测对象所属群体的各个驾驶行为在各个驾驶情境下的平均次数为5次,则说明所述待预测对象的驾驶风险高;也可以通过分析所述第一驾驶行为特征数据在所述第二驾驶行为特征数据中的概率分布,来预测所述待预测对象的驾驶风险,以下对此进行详细说明。
图4为图1所述实现流程中对所述待预测对象的驾驶风险进行预测的细化流程示意图,参照图4所示,步骤105具体包括以下步骤:
步骤1051,将所述第一驾驶行为特征数据和所述第二驾驶行为特征数据进行比对,以计算所述待预测对象在每一驾驶情境下驾驶行为的驾驶风险值;
这里,所述第一驾驶行为特征数据包括第一平均数据,所述第二驾驶行为特征数据包括第二平均数据和第一标准方差数据;所述第一平均数据包括所述待预测对象在每一驾驶情境下各个驾驶行为发生的平均次数,所述第二平均数据包括所述待预测对象所属群体在每一驾驶情境下各个驾驶行为发生的平均次数,所述第一标准方差数据包括所述待预测对象所属群体在每一驾驶情境下各个驾驶行为的标准方差。
具体地,首先计算每一所述第一平均数据在对应的预设正态分布下的概率值,所述预设正态分布是以与每一所述第一平均数据对应的第二平均数据为期望值,并以对应的第一标准方差数据为标准方差建立的正态分布;
然后,对所述概率值进行百分制处理,获得所述待预测对象在每一驾驶情境下驾驶行为的驾驶风险值;例如假设所述概率值为p,对所述概率值进行百分制处理后,获得驾驶风险值为100*(1-p),如果所述驾驶风险值得分越高,则说明所述待预测对象在该驾驶情境下的驾驶行为越好。
步骤1052,对所述驾驶风险值和对应的驾驶情境风险值进行加权处理,获得所述待预测对象的驾驶风险。
这里,由于驾驶情境不同,驾驶情境风险值也不同,例如早高峰、雨天、市区道路和严重拥堵、与白天、晴天、市区道路和道路畅通的驾驶情境风险值不同;因此,可以将所有驾驶情境的总驾驶情境风险值设置为1,通过对所述驾驶风险值和各个驾驶情境的驾驶情境风险值进行加权处理,就可以获得所述待预测对象的驾驶风险。
可以理解的是,通过分析待预测对象行驶过程中的环境数据和所述待预测对象的身份数据、对所述待预测对象的驾驶风险的影响,就能够提高对待预测对象驾驶风险的预测准确性,是因为:待预测对象行驶过程中,环境数据如行驶时段、天气状态、道路类型和交通状态以及待预测对象的身份数据如车龄和驾龄,对所述待预测对象的驾驶风险存在很大影响,例如所述待预测对象在雪天的急加速驾驶行为与在晴天的急加速驾驶行为的驾驶风险存在很大不同,所述待预测对象的车龄为10年与车龄为1年的驾驶风险也存在很大不同;因此,通过分析和挖掘所述待预测对象行驶过程中的环境数据和所述待预测对象的身份数据,使考虑的影响所述待预测对象驾驶风险的因素更加全面,从而能够提高对待预测对象驾驶风险的预测准确性。
为了进一步地提高对待预测对象驾驶风险的预测准确性,在本发明对驾驶风险的预测方法实施例二中,将详细介绍根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除的具体过程。
首先,介绍根据所述相邻两个第一行驶点之间的速度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除的具体过程。
将首个第一行驶点标记为标准点;判断第一速度值是否大于第一预设值以及第二速度值是否大于所述第一预设值;所述第一速度值为待处理行驶点与对应的前一第一行驶点之间的速度值,所述第二速度值为所述待处理行驶点与对应的后一第一行驶点之间的速度值;所述待处理行驶点为与所述标准点对应的后一第一行驶点;若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
这里,所述第一预设值可以根据实际需要进行设置,本实施例中,将以第一预设值为150km/h为例进行详细说明,也就是说,当相邻两个第一行驶点之间的速度值大于150km/h时,与该速度值关联的相邻两个第一行驶点都有可能是噪音点。
例如,图5为根据所述相邻两个第一行驶点之间的速度值确定噪音点的示意图,参照图5所示,A、B、C和D为四个连续的第一行驶点,首先将A点标记为标准点,与A点对应的后一第一行驶点B点为待处理行驶点,当计算出B点与A点之间的速度值v1大于第一预设值,并且B点与C点之间的速度值v2大于第一预设值时,由于与B点关联的速度值v1和速度值v2都大于第一预设值,则将B点确定为噪音点进行剔除,并将C点更新为标准点,重新确定D点为待处理行驶点。
然后,介绍根据所述相邻两个第一行驶点之间的加速度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除的具体过程。
将首个第一行驶点标记为标准点;判断第一加速度值是否小于第二预设值以及第二加速度值是否大于第三预设值;所述第一加速度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的加速度值,所述第二加速度值为所述待处理行驶点与对应的前一第一行驶点之间的加速度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
这里,所述第二预设值可以根据实际需要进行设置,本实施例中,所述第二预设值将以40km/h为例进行详细说明;所述第三预设值可以根据实际需要进行设置,本实施例中,所述第三预设值将以80km/h为例进行详细说明。
例如,图6为根据所述相邻两个第一行驶点之间的加速度值确定噪音点的示意图,参照图6所示,A、B、C和D为四个连续的第一行驶点,首先将A点标记为标准点,与A点对应的后二第一行驶点C点为待处理行驶点,当计算出C点的前一第一行驶点B点与C点的前二第一行驶点A点之间的加速度值a1小于第二预设值,并且C点与C点的前一第一行驶点B点之间的加速度值a2大于第三预设值时,将C点确定为噪音点进行剔除,并将D点更新为标准点,重新确定待处理行驶点。
最后,介绍根据所述相邻两个第一行驶点之间的行进方向角度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除的具体过程。
将首个第一行驶点标记为标准点;判断第一行进方向角度值与第二行进方向角度值的差值绝对值是否大于第四预设值;所述第一行进方向角度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的行进方向角度值,所述第二行进方向角度值为所述待处理行驶点与对应的前一第一行驶点之间的行进方向角度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
这里,所述第四预设值可以根据实际需要进行设置,本实施例中,所述第四预设值将以90度为例进行详细说明。
例如,图7为根据所述相邻两个第一行驶点之间的行进方向确定噪音点的示意图,参照图7所示,A、B、C和D点为三个连续的第一行驶点,定义A点与B点之间的行进方向角度值为0度,并计算B点与C点之间的行进方向角度值与A点与B点之间的行进方向角度值的变化率;当所述变化率大于第四预设值时,将C点确定为噪音点进行剔除,并将D点更新为标准点,重新确定待处理行驶点。
进一步地,图8为本发明对驾驶风险的预测方法实施例三的应用场景示意图,参照图8所示,该应用场景包括数据源、对驾驶风险的预测系统和该对驾驶风险的预测系统的服务应用。
具体地,对驾驶风险的预测系统中IOT网关接收移动终端的轨迹数据,进行协议解析后发送给数据接入模块;
数据接入模块收集轨迹数据、天气数据、路网数据和用户数据,并将收集到的数据存入Hadoop,以进行驾驶行为分析;
轨迹数据预处理模块对轨迹数据进行去噪和清洗,去除部分异常值;
行程关联模块将驾驶员的轨迹序列切分为多个轨迹段,从而识别出驾驶员的轨迹行程;
地图匹配模块结合路网数据,将轨迹数据映射到具体的路段,进一步去除噪音点;
轨迹模式分析模块对轨迹行程进行轨迹模式分析,并根据路网数据以及POI信息分析驾驶员的可能行为;
驾驶环境拟合模块拟合轨迹数据、天气数据、路网数据和用户数据,使所述轨迹数据、天气数据、路网数据和用户数据在格式、形式和时间上统一;
驾驶行为分析模块结合拟合后的多维数据,按照所处的不同驾驶情境进行分段,并在各个驾驶情境下识别出驾驶行为;
在预设时间段内对驾驶员的轨迹行程中各个驾驶情境下的驾驶行为进行统计,通过训练和学习,生成个人画像模型,并分析驾驶员的驾驶行为特点;
统计群体的轨迹行程中各个驾驶情境下的驾驶行为,并通过训练和学习,生成基准评估模型;
将个人画像模型与基准评估模型进行对比分析,预测驾驶员的驾驶风险;
联机分析处理模型(OLAP,On Line Analytical Processing)包含报表输出和个性化分析,并提供输出接口,以供用户查询;
该对驾驶风险的预测系统可以应用在多个方面,例如应用于客户互动、索赔服务和保险定价。
进一步地,本发明提供了一种对驾驶风险的预测系统,用于实现上述对驾驶风险的预测方法的具体细节,达到相同的效果。
图9为本发明对驾驶风险的预测系统实施例一的组成结构示意图,参照图9所示,本实施例的对驾驶风险的预测系统包括:获取模块21、确定模块22、关联模块23、统计模块24和预测模块25;其中,
所述获取模块21,用于获取用于表征待预测对象第一行驶点轨迹的第一目标数据;获取用于表征待预测对象第一行驶点环境的第二目标数据;获取用于表征待预测对象身份的第三目标数据;
所述确定模块22,用于根据所述第一目标数据确定所述待预测对象的行驶轨迹;
所述关联模块23,用于将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为;
所述统计模块24,用于当检测到满足所述第三目标数据且在预设时间段内关联的所有行驶轨迹时,对所述各个驾驶情境下的驾驶行为进行统计,获得第一驾驶行为特征数据;
所述预测模块25,用于根据所述第一驾驶行为特征数据和预先统计的所述待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测。
可选地,所述系统还包括:
地图匹配模块26,用于将所述行驶轨迹与所述第二目标数据中路网数据进行地图匹配,以对所述行驶轨迹中第一行驶点进行去噪处理。
图10为图9所示系统中确定模块的细化组成结构示意图,参照图10所示,所述确定模块22包括:计算单元221、确定单元222和第一识别单元223;其中,
所述计算单元221,用于根据所述第一目标数据,计算相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值;
所述确定单元222,用于根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除;
所述第一识别单元223,用于根据剔除噪音点后得到的第一目标数据,对所述待预测对象的行驶轨迹进行识别。
图11为图9所示系统中关联模块的细化组成结构示意图,参照图11所示,所述关联模块23包括:第二识别单元231和切分单元232;其中,
所述第二识别单元231,用于根据所述行驶轨迹中第二行驶点对应的第一目标数据,识别所述行驶轨迹中的驾驶行为,所述第二行驶点为所述第一行驶点去噪后得到的行驶点;
所述切分单元232,用于根据所述行驶轨迹中的驾驶行为和所述第二目标数据,对所述行驶轨迹进行切分,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为。
图12为图9所示系统中预测模块的细化组成结构示意图,参照图12所示,所述预测模块25包括:比对单元251和加权处理单元252;其中,
所述比对单元251,用于将所述第一驾驶行为特征数据和所述第二驾驶行为特征数据进行比对,以计算所述待预测对象在每一驾驶情境下驾驶行为的驾驶风险值;
所述加权处理单元252,用于对所述驾驶风险值和对应的驾驶情境风险值进行加权处理,获得所述待预测对象的驾驶风险。
进一步地,图13为图10所示确定单元的细化组成结构示意图之一,参照图13所示,包括:第一标记子单元2221、第一判断子单元2222和第一处理子单元2223;其中,
所述第一标记子单元2221,用于将首个第一行驶点标记为标准点;
所述第一判断子单元2222,用于判断第一速度值是否大于第一预设值以及第二速度值是否大于所述第一预设值;所述第一速度值为待处理行驶点与对应的前一第一行驶点之间的速度值,所述第二速度值为所述待处理行驶点与对应的后一第一行驶点之间的速度值;所述待处理行驶点为与所述标准点对应的后一第一行驶点;
所述第一处理子单元2223,用于当所述第一速度值大于所述第一预设值以及所述第二速度值大于所述第一预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一速度值不大于所述第一预设值或者所述第二速度值不大于所述第一预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
图14为图10所示确定单元的细化组成结构示意图之二,参照图14所示,包括:第二标记子单元2224、第二判断子单元2225和第二处理子单元2226;其中,
所述第二标记子单元2224,用于将首个第一行驶点标记为标准点;
所述第二判断子单元2225,用于判断第一加速度值是否小于第二预设值以及第二加速度值是否大于第三预设值;所述第一加速度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的加速度值,所述第二加速度值为所述待处理行驶点与对应的前一第一行驶点之间的加速度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
所述第二处理子单元2226,用于当所述第一加速度值小于所述第二预设值以及所述第二加速度值大于所述第三预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一加速度值不小于所述第二预设值或者所述第二加速度值不大于所述第三预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
图15为图10所示确定单元的细化组成结构示意图之三,参照图15所示,包括:第三标记子单元2227、第三判断子单元2228和第三处理子单元2229;其中,
所述第三标记子单元2227,用于将首个第一行驶点标记为标准点;
所述第三判断子单元2228,用于判断第一行进方向角度值与第二行进方向角度值的差值绝对值是否大于第四预设值;所述第一行进方向角度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的行进方向角度值,所述第二行进方向角度值为所述待处理行驶点与对应的前一第一行驶点之间的行进方向角度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
所述第三处理子单元2229,用于当所述第一行进方向角度值与所述第二行进方向角度值的差值绝对值大于所述第四预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一行进方向角度值与所述第二行进方向角度值的差值绝对值不大于所述第四预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
在实际应用中,获取模块21、确定模块22、关联模块23、统计模块24、预测模块25、地图匹配模块26、计算单元221、确定单元222、第一识别单元223、第二识别单元231、切分单元232、比对单元251、加权处理单元252、以及第一标记子单元2221、第一判断子单元2222、第一处理子单元2223、第二标记子单元2224、第二判断子单元2225、第二处理子单元2226、第三标记子单元2227、第三判断子单元2228和第三处理子单元2229均可由位于移动终端中的中央处理器(CPU,Central Processing Unit)、微处理器(MPU,Micro Processor Unit)、数字信号处理器(DSP,Digital Signal Processor)、或现场可编程门阵列(FPGA,FieldProgrammable Gate Array)等实现。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (16)
1.一种对驾驶风险的预测方法,其特征在于,所述方法包括:
获取用于表征待预测对象第一行驶点轨迹的第一目标数据;获取用于表征待预测对象第一行驶点环境的第二目标数据;获取用于表征待预测对象身份的第三目标数据;
根据所述第一目标数据确定所述待预测对象的行驶轨迹;
将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为;
当检测到满足所述第三目标数据且在预设时间段内关联的所有行驶轨迹时,对所述各个驾驶情境下的驾驶行为进行统计,获得第一驾驶行为特征数据;
根据所述第一驾驶行为特征数据和预先统计的待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一目标数据确定所述待预测对象的行驶轨迹之后,所述方法还包括:
将所述行驶轨迹与所述第二目标数据中路网数据进行地图匹配,以对所述行驶轨迹中第一行驶点进行去噪处理。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一目标数据确定所述待预测对象的行驶轨迹包括:
根据所述第一目标数据,计算相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值;
根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除;
根据剔除噪音点后得到的第一目标数据,对所述待预测对象的行驶轨迹进行识别。
4.根据权利要求3所述的方法,其特征在于,所述根据所述相邻两个第一行驶点之间的速度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除包括:
将首个第一行驶点标记为标准点;
判断第一速度值是否大于第一预设值以及第二速度值是否大于所述第一预设值;所述第一速度值为待处理行驶点与对应的前一第一行驶点之间的速度值,所述第二速度值为所述待处理行驶点与对应的后一第一行驶点之间的速度值;所述待处理行驶点为与所述标准点对应的后一第一行驶点;
若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
5.根据权利要求3所述的方法,其特征在于,所述根据所述相邻两个第一行驶点之间的加速度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除包括:
将首个第一行驶点标记为标准点;
判断第一加速度值是否小于第二预设值以及第二加速度值是否大于第三预设值;所述第一加速度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的加速度值,所述第二加速度值为所述待处理行驶点与对应的前一第一行驶点之间的加速度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
6.根据权利要求3所述的方法,其特征在于,所述根据所述相邻两个第一行驶点之间的行进方向角度值,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除包括:
将首个第一行驶点标记为标准点;
判断第一行进方向角度值与第二行进方向角度值的差值绝对值是否大于第四预设值;所述第一行进方向角度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的行进方向角度值,所述第二行进方向角度值为所述待处理行驶点与对应的前一第一行驶点之间的行进方向角度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
若是,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;若否,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
7.根据权利要求2或3所述的方法,其特征在于,所述将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为包括:
根据所述行驶轨迹中第二行驶点对应的第一目标数据,识别所述行驶轨迹中的驾驶行为,所述第二行驶点为所述第一行驶点去噪后得到的行驶点;
根据所述行驶轨迹中的驾驶行为和所述第二目标数据,对所述行驶轨迹进行切分,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为。
8.根据权利要求1所述的方法,其特征在于,所述根据所述第一驾驶行为特征数据和预先统计的所述待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测包括:
将所述第一驾驶行为特征数据和所述第二驾驶行为特征数据进行比对,以计算所述待预测对象在每一驾驶情境下驾驶行为的驾驶风险值;
对所述驾驶风险值和对应的驾驶情境风险值进行加权处理,获得所述待预测对象的驾驶风险。
9.一种对驾驶风险的预测系统,其特征在于,所述系统包括:获取模块、确定模块、关联模块、统计模块和预测模块;其中,
所述获取模块,用于获取用于表征待预测对象第一行驶点轨迹的第一目标数据;获取用于表征待预测对象第一行驶点环境的第二目标数据;获取用于表征待预测对象身份的第三目标数据;
所述确定模块,用于根据所述第一目标数据确定所述待预测对象的行驶轨迹;
所述关联模块,用于将所述行驶轨迹与所述第二目标数据进行关联,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为;
所述统计模块,用于当检测到满足所述第三目标数据且在预设时间段内关联的所有行驶轨迹时,对所述各个驾驶情境下的驾驶行为进行统计,获得第一驾驶行为特征数据;
所述预测模块,用于根据所述第一驾驶行为特征数据和预先统计的所述待预测对象所属群体的第二驾驶行为特征数据,对所述待预测对象的驾驶风险进行预测。
10.根据权利要求9所述的系统,其特征在于,所述系统还包括:
地图匹配模块,用于将所述行驶轨迹与所述第二目标数据中路网数据进行地图匹配,以对所述行驶轨迹中第一行驶点进行去噪处理。
11.根据权利要求9所述的系统,其特征在于,所述确定模块包括:计算单元、确定单元和第一识别单元;其中,
所述计算单元,用于根据所述第一目标数据,计算相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值;
所述确定单元,用于根据所述相邻两个第一行驶点之间的速度值、加速度值和行进方向角度值中的至少一项,确定所述第一行驶点中的噪音点,并对所述噪音点进行剔除;
所述第一识别单元,用于根据剔除噪音点后得到的第一目标数据,对所述待预测对象的行驶轨迹进行识别。
12.根据权利要求11所述的系统,其特征在于,所述确定单元包括:第一标记子单元、第一判断子单元和第一处理子单元;其中,
所述第一标记子单元,用于将首个第一行驶点标记为标准点;
所述第一判断子单元,用于判断第一速度值是否大于第一预设值以及第二速度值是否大于所述第一预设值;所述第一速度值为待处理行驶点与对应的前一第一行驶点之间的速度值,所述第二速度值为所述待处理行驶点与对应的后一第一行驶点之间的速度值;所述待处理行驶点为与所述标准点对应的后一第一行驶点;
所述第一处理子单元,用于当所述第一速度值大于所述第一预设值以及所述第二速度值大于所述第一预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一速度值不大于所述第一预设值或者所述第二速度值不大于所述第一预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
13.根据权利要求11所述的系统,其特征在于,所述确定单元包括:第二标记子单元、第二判断子单元和第二处理子单元;其中,
所述第二标记子单元,用于将首个第一行驶点标记为标准点;
所述第二判断子单元,用于判断第一加速度值是否小于第二预设值以及第二加速度值是否大于第三预设值;所述第一加速度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的加速度值,所述第二加速度值为所述待处理行驶点与对应的前一第一行驶点之间的加速度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
所述第二处理子单元,用于当所述第一加速度值小于所述第二预设值以及所述第二加速度值大于所述第三预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一加速度值不小于所述第二预设值或者所述第二加速度值不大于所述第三预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
14.根据权利要求11所述的系统,其特征在于,所述确定单元包括:第三标记子单元、第三判断子单元和第三处理子单元;其中,
所述第三标记子单元,用于将首个第一行驶点标记为标准点;
所述第三判断子单元,用于判断第一行进方向角度值与第二行进方向角度值的差值绝对值是否大于第四预设值;所述第一行进方向角度值为待处理行驶点对应的前一第一行驶点与对应的前二第一行驶点之间的行进方向角度值,所述第二行进方向角度值为所述待处理行驶点与对应的前一第一行驶点之间的行进方向角度值;所述待处理行驶点为与所述标准点对应的后二第一行驶点;
所述第三处理子单元,用于当所述第一行进方向角度值与所述第二行进方向角度值的差值绝对值大于所述第四预设值时,将所述待处理行驶点作为噪音点进行剔除,并重新确定待处理行驶点;当所述第一行进方向角度值与所述第二行进方向角度值的差值绝对值不大于所述第四预设值时,将与所述待处理行驶点对应的后一第一行驶点更新为所述标准点并标记,并重新确定待处理行驶点。
15.根据权利要求10或11所述的系统,其特征在于,所述关联模块包括:第二识别单元和切分单元;其中,
所述第二识别单元,用于根据所述行驶轨迹中第二行驶点对应的第一目标数据,识别所述行驶轨迹中的驾驶行为,所述第二行驶点为所述第一行驶点去噪后得到的行驶点;
所述切分单元,用于根据所述行驶轨迹中的驾驶行为和所述第二目标数据,对所述行驶轨迹进行切分,以识别出所述行驶轨迹中各个驾驶情境下的驾驶行为。
16.根据权利要求9所述的系统,其特征在于,所述预测模块包括:比对单元和加权处理单元;其中,
所述比对单元,用于将所述第一驾驶行为特征数据和所述第二驾驶行为特征数据进行比对,以计算所述待预测对象在每一驾驶情境下驾驶行为的驾驶风险值;
所述加权处理单元,用于对所述驾驶风险值和对应的驾驶情境风险值进行加权处理,获得所述待预测对象的驾驶风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710206325.9A CN108665084B (zh) | 2017-03-31 | 2017-03-31 | 一种对驾驶风险的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710206325.9A CN108665084B (zh) | 2017-03-31 | 2017-03-31 | 一种对驾驶风险的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108665084A true CN108665084A (zh) | 2018-10-16 |
CN108665084B CN108665084B (zh) | 2021-12-10 |
Family
ID=63786791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710206325.9A Active CN108665084B (zh) | 2017-03-31 | 2017-03-31 | 一种对驾驶风险的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665084B (zh) |
Cited By (4)
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 |
CN109711260A (zh) * | 2018-11-28 | 2019-05-03 | 易念科技(深圳)有限公司 | 疲劳状态的检测方法、终端设备及介质 |
CN111081020A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于云边结合的车载交通事故预警装置 |
CN113792298A (zh) * | 2019-06-10 | 2021-12-14 | 百度在线网络技术(北京)有限公司 | 车辆安全风险检测的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7121372B2 (en) * | 2002-03-29 | 2006-10-17 | Manitou Bf | Lift truck with variable range with at least three wheels |
CN102163368A (zh) * | 2010-05-10 | 2011-08-24 | 陈勃生 | 不安全驾驶行为的识别与监控系统及方法 |
CN105575115A (zh) * | 2015-12-17 | 2016-05-11 | 福建星海通信科技有限公司 | 一种基于车载监控管理平台的驾驶行为分析方法 |
CN105844913A (zh) * | 2016-04-15 | 2016-08-10 | 苏州爱诺信信息科技有限公司 | 基于车联网的车、路状况与驾驶安全大数据相关性分析法 |
-
2017
- 2017-03-31 CN CN201710206325.9A patent/CN108665084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7121372B2 (en) * | 2002-03-29 | 2006-10-17 | Manitou Bf | Lift truck with variable range with at least three wheels |
CN102163368A (zh) * | 2010-05-10 | 2011-08-24 | 陈勃生 | 不安全驾驶行为的识别与监控系统及方法 |
CN105575115A (zh) * | 2015-12-17 | 2016-05-11 | 福建星海通信科技有限公司 | 一种基于车载监控管理平台的驾驶行为分析方法 |
CN105844913A (zh) * | 2016-04-15 | 2016-08-10 | 苏州爱诺信信息科技有限公司 | 基于车联网的车、路状况与驾驶安全大数据相关性分析法 |
Non-Patent Citations (2)
Title |
---|
王建强等: "基于人-车-路协同的行车风险场概念、原理及建模", 《中国公路学报》 * |
陈涛等: "驾驶人行为模型的研究综述", 《长安大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711260A (zh) * | 2018-11-28 | 2019-05-03 | 易念科技(深圳)有限公司 | 疲劳状态的检测方法、终端设备及介质 |
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 |
CN113792298A (zh) * | 2019-06-10 | 2021-12-14 | 百度在线网络技术(北京)有限公司 | 车辆安全风险检测的方法及装置 |
CN113792298B (zh) * | 2019-06-10 | 2023-12-26 | 百度在线网络技术(北京)有限公司 | 车辆安全风险检测的方法及装置 |
CN111081020A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于云边结合的车载交通事故预警装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108665084B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Intelligent transportation systems for smart cities: a progress review | |
CN103632540B (zh) | 基于浮动车数据的城市主干道交通运行信息处理方法 | |
CN108665084A (zh) | 一种对驾驶风险的预测方法及系统 | |
CN103236166A (zh) | 一种使用卫星定位技术进行车辆违章行为辨识的方法 | |
CN100589143C (zh) | 判断浮动车行驶状态的方法及装置 | |
CN107240264B (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
CN106846806A (zh) | 基于Isolation Forest的城市道路交通异常检测方法 | |
Kumar et al. | A model based approach to predict stream travel time using public transit as probes | |
CN105810006A (zh) | 路边停车位的识别方法及系统 | |
CN108039046A (zh) | 一种基于c-v2x的城市交叉路口行人检测识别系统 | |
CN106227859A (zh) | 从gps数据中识别交通工具的方法 | |
Tong et al. | Development of bus driving cycles using a cost effective data collection approach | |
Shang et al. | Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data | |
CN112767686B (zh) | 一种基于多源数据融合的公路网汽车排放估算方法 | |
Scora et al. | Real-time roadway emissions estimation using visual traffic measurements | |
Tiedong et al. | Applying floating car data in traffic monitoring | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
Wang et al. | Verification and Analysis of Traffic Evaluation Indicators in Urban Transportation System Planning Based on Multi-Source Data–A Case Study of Qingdao City, China | |
Wang et al. | Bicycle Safety Analysis: Crowdsourcing Bicycle Travel Data to Estimate Risk Exposure and Create Safety Performance Functions | |
Fei et al. | Spatiotemporal clustering in urban transportation: a bus route case study in Washington DC | |
CN115186870A (zh) | 一种基于大数据的居民点出行碳排放的核算方法 | |
Jungblut et al. | Fuel-saving opportunities for automated vehicles: A driving cycle analysis | |
Chakrapani et al. | Sustainable Smart Energy Systems and Energy Preservation Strategies in Intelligent Transportation Sectors | |
TIGLAO et al. | ‘Public Transport Innovations in the Time of Covid-19’: Crowdsourcing and Bus Telematics for Promoting Fuel Efficiency and Eco-Driving Practices on the EDSA Busway |
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 |