CN108860157B - 一种违章风险评估方法、系统、设备及存储介质 - Google Patents
一种违章风险评估方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN108860157B CN108860157B CN201810778239.XA CN201810778239A CN108860157B CN 108860157 B CN108860157 B CN 108860157B CN 201810778239 A CN201810778239 A CN 201810778239A CN 108860157 B CN108860157 B CN 108860157B
- Authority
- CN
- China
- Prior art keywords
- information
- violation
- risk assessment
- target vehicle
- psychological
- 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
Images
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
- B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
- B60W2040/0836—Inactivity or incapacity of driver due to alcohol
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0872—Driver physiology
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/22—Psychological state; Stress level or workload
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种违章风险评估方法、系统、设备及存储介质,其中该方法包括:获取目标车辆的车辆信息;获取目标车辆行驶的道路信息;获取目标车辆的驾驶人的生理信息及心理信息;根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。本申请公开的一种违章风险评估方法,综合考虑车辆信息、道路信息、驾驶人的生理信息及心理信息来评估目标车辆是否违章驾驶,与现有技术中仅仅通过驾驶人的生理数据来评估是否违章驾驶相比,本申请评估目标车辆是否违章驾驶的考虑因素较为全面,可以在一定程度上提高判断违章驾驶的判断准确率。本申请公开的一种违章风险评估系统、设备及存储介质也解决了相应技术问题。
Description
技术领域
本申请涉及智能汽车技术领域,更具体地说,涉及一种违章风险评估方法、系统、设备及存储介质。
背景技术
在汽车的应用中,由于驾驶人的不良驾驶操作,以及驾驶人疲劳驾驶、酒驾等行为,进而导致出现汽车违章现象。为了避免汽车违章,现有的一种方法是通过光感、红外、视觉识别等渠道来获取驾驶人的生理数据来监控驾驶人的身体状态,防止疲劳驾驶或酒驾的发生。
然而,单纯的视觉捕捉和识别已经难以对驾驶人行为形成正确的判定,使得判断汽车是否会出现违章的准确性较低。
综上所述,如何提供一种判断准确性较高的违章风险评估方法是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种违章风险评估方法,其能在一定程度上解决如何提供一种判断准确性较高的违章风险评估方法的技术问题。本申请还提供了一种违章风险评估系统、设备及计算机可读存储介质。
为了实现上述目的,本申请提供如下技术方案:
一种违章风险评估方法,包括:
获取目标车辆的车辆信息;
获取所述目标车辆行驶的道路信息;
获取所述目标车辆的驾驶人的生理信息及心理信息;
根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,得到评估结果。
优选的,所述获取所述目标车辆的驾驶人的生理信息及心理信息之后,还包括:
输入所述车辆信息、所述道路信息、所述生理信息及所述心理信息至预先训练好的驾驶违章风险评估模型;
获取所述驾驶违章风险评估模型输出的违章风险等级;
其中,所述驾驶违章风险评估模型的各个个体神经网络分别代表所述车辆信息、所述道路信息、所述生理信息及所述心理信息。
优选的,所述驾驶违章风险评估模型的风险评估算法包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示所述违章风险等级;β为常数;Xi表示第i个所述个体神经网络代表的信息;Wi表示第i个所述个体神经网络占所述驾驶违章风险评估模型的权重;αi表示第i个所述个体神经网络代表的信息占所述个体神经网络的权重。
优选的,所述获取所述驾驶违章风险评估模型输出的违章风险等级之后,还包括:
按照与所述违章风险等级对应的提醒力度发出提示信息。
优选的,所述根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,包括:
将所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据;
对所述违章评估大数据进行分析,评估所述目标车辆是否违章驾驶。
优选的,所述将所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据,包括:
将所述车辆信息、所述道路信息、所述生理信息及所述心理信息的数据形式均转化为半结构化数据形式;
将半结构化数据形式的所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据。
优选的,所述根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,得到评估结果之后,还包括:
建立并保存所述车辆信息、所述道路信息、所述生理信息及所述心理信息与所述评估结果间的对应关系。
一种违章风险评估系统,包括:
第一获取模块,用于获取目标车辆的车辆信息;
第二获取模块,用于获取所述目标车辆行驶的道路信息;
第三获取模块,用于获取所述目标车辆的驾驶人的生理信息及心理信息;
评估模块,用于根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,得到评估结果。
优选的,还包括:
输入模块,用于在所述第三获取模块获取所述目标车辆的驾驶人的生理信息及心理信息之后,输入所述车辆信息、所述道路信息、所述生理信息及所述心理信息至预先训练好的驾驶违章风险评估模型;
第四获取模块,用于获取所述驾驶违章风险评估模型输出的违章风险等级;
其中,所述驾驶违章风险评估模型的各个个体神经网络分别代表所述车辆信息、所述道路信息、所述生理信息及所述心理信息。
优选的,所述驾驶违章风险评估模型的风险评估算法包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示所述违章风险等级;β为常数;Xi表示第i个所述个体神经网络代表的信息;Wi表示第i个所述个体神经网络占所述驾驶违章风险评估模型的权重;αi表示第i个所述个体神经网络代表的信息占所述个体神经网络的权重。
优选的,还包括:
提醒模块,用于在所述第四获取模块获取所述驾驶违章风险评估模型输出的违章风险等级之后,按照与所述违章风险等级对应的提醒力度发出提示信息。
优选的,所述评估模块包括:
整合单元,用于将所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据;
评估单元,用于对所述违章评估大数据进行分析,评估所述目标车辆是否违章驾驶。
优选的,所述整合单元包括:
转换子单元,用于将所述车辆信息、所述道路信息、所述生理信息及所述心理信息的数据形式均转化为半结构化数据形式;
整合子单元,用于将半结构化数据形式的所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据。
优选的,还包括:
存储模块,用于在所述评估模块根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,得到评估结果之后,建立并保存所述车辆信息、所述道路信息、所述生理信息及所述心理信息与所述评估结果间的对应关系。
一种违章风险评估设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一所述的违章风险评估方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上任一所述的违章风险评估方法的步骤。
本申请提供的一种违章风险评估方法,获取目标车辆的车辆信息;获取目标车辆行驶的道路信息;获取目标车辆的驾驶人的生理信息及心理信息;根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。本申请提供的一种违章风险评估方法,综合考虑车辆信息、道路信息、驾驶人的生理信息及心理信息来评估目标车辆是否违章驾驶,与现有技术中仅仅通过驾驶人的生理数据来评估是否违章驾驶相比,本申请评估目标车辆是否违章驾驶的考虑因素较为全面,可以在一定程度上提高判断违章驾驶的判断准确率。本申请提供的一种违章风险评估系统、设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种违章风险评估方法的第一流程图;
图2为本申请实施例提供的一种违章风险评估方法的第二流程图;
图3为本申请实施例提供的一种违章风险评估方法的第三流程图;
图4为本申请实施例提供的一种违章风险评估系统的结构示意图;
图5为本申请实施例提供的一种违章风险评估设备的结构示意图;
图6为本申请实施例提供的一种违章风险评估设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了避免汽车违章,现有的一种方法是通过光感、红外、视觉识别等渠道来获取驾驶人的生理数据来监控驾驶人的身体状态,防止疲劳驾驶或酒驾的发生。然而,单纯的视觉捕捉和识别已经难以对驾驶人行为形成正确的判定,使得判断汽车是否会出现违章的准确性较低。而本申请实施例提供的一种违章风险评估方法则可以在一定程度上提高违章判断的准确性。
请参阅图1,图1为本申请实施例提供的一种违章风险评估方法的第一流程图。
本申请实施例提供的一种违章风险评估方法,可以包括如下步骤:
步骤S101:获取目标车辆的车辆信息。
实际应用中,可以借助目标车辆上的车载智能系统获取目标车辆的车辆信息,本申请所述的车辆信息包括但不局限于车辆的长度、宽度、高度、横向加速次数、行驶里程,平均出行的时长、平均出行距离、平均每天出行次数、平均每天出行时间、平均一天驾驶距离、平均一周驾驶距离、周一到周五平均驾驶次数、周末驾驶次数、平均速度、急加速/百公里、急刹车/百公里、安全带状态、安全气囊状态、灯/雨刷状态、车辆维修状态等,其具体内容可以根据实际需要灵活确定。
步骤S102:获取目标车辆行驶的道路信息。
实际应用中,可以预先将道路信息存储在目标车辆上,此种情况下,只需实时在存储的道路信息中查询目标车辆行驶的道路信息即可;当然,也可将目标车辆的位置发送至云端等,接收云端返回的与目标车辆的位置相关的道路信息。道路信息的具体内容可以根据实际需要灵活确定,包括但不局限于:路型、各地形的行驶里程、各地形的驾驶时间、各地形的停车时间、弯道数量、变道次数、限速信息、出行半径、交叉路口数量、转弯信号灯、出行间隔、拥堵指数、目标车辆周边的环境信息等。
步骤S103:获取目标车辆的驾驶人的生理信息及心理信息。
实际应用中,可以借助智能后视镜或者智能穿戴设备来获取驾驶人的生理信息及心理信息,智能穿戴设备包括但不局限于智能手环、手表、服饰、头盔等。驾驶人的生理信息包括但不局限于:心率、酒精浓度、血氧浓度、心跳频次、声音大小、生理周期、睡眠质量、眨眼次数、眼睛张开角度、面部皮肤状态等。驾驶人的心理信息可以借助驾驶人的面部表情等来确定。
步骤S104:根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。
实际应用中,根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶的过程可以根据具体的违章判断标准来进行,比如根据目标车辆的车前身距道路限定线的距离来判断目标车辆是否压线等。为了快速对车辆信息、道路信息、生理信息及心理信息进行处理,也为了提高判断目标车辆是否违章驾驶的判断准确率,可以借助大数据来评估目标车辆是否违章驾驶,具体过程可以为:先将车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据,然后采用大数据分析算法对违章评估大数据进行分析,评估目标车辆是否违章驾驶,在此过程中,可以先采用云对象存储技术将车辆信息、道路信息、生理信息及心理信息的数据形式均转化为半结构化数据形式,然后将半结构化数据形式的车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据。具体应用场景中,可以借助视频来获取车辆信息及道路信息,此时,可以对包含车辆信息及道路信息的视频进行背景建模、背景更新、差分处理、二值化、形态学滤波、阴影去除等操作后识别出视频中的目标车辆及道路信息,进而确定出目标车辆的行驶轨迹,最后根据目标车辆的行驶轨迹及道路信息判断目标车辆是否已违章,或者预测目标车辆是否会出现违章等。
本申请提供的一种违章风险评估方法,获取目标车辆的车辆信息;获取目标车辆行驶的道路信息;获取目标车辆的驾驶人的生理信息及心理信息;根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。本申请提供的一种违章风险评估方法,综合考虑车辆信息、道路信息、驾驶人的生理信息及心理信息来评估目标车辆是否违章驾驶,与现有技术中仅仅通过驾驶人的生理数据来评估是否违章驾驶相比,本申请评估目标车辆是否违章驾驶的考虑因素较为全面,可以在一定程度上提高判断违章驾驶的判断准确率。
请参阅图2,图2为本申请实施例提供的一种违章风险评估方法的第二流程图。
实际应用中,为了提示驾驶人是否违章,本申请实施例提供的一种违章风险评估方法,具体可以包括:
步骤S201:获取目标车辆的车辆信息。
步骤S202:获取目标车辆行驶的道路信息。
步骤S203:获取目标车辆的驾驶人的生理信息及心理信息。
步骤S204:根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。
步骤S205:输入车辆信息、道路信息、生理信息及心理信息至预先训练好的驾驶违章风险评估模型。
步骤S206:获取驾驶违章风险评估模型输出的违章风险等级;
其中,驾驶违章风险评估模型的网络架构为DNNIA(Dynamic Neural Network-Based Integrated Learning Algorithm,基于动态神经网络的集成学习算法)网络架构,驾驶违章风险评估模型的各个个体神经网络分别代表车辆信息、道路信息、生理信息及心理信息。
实际应用中,驾驶违章风险评估模型的风险评估算法可以包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示违章风险等级;β为常数;Xi表示第i个个体神经网络代表的信息;Wi表示第i个个体神经网络占驾驶违章风险评估模型的权重;αi表示第i个个体神经网络代表的信息占个体神经网络的权重。对于单个个体神经网络而言,单个个体神经网络通过对获取的数据进行计算得到相应的权值,以道路限速80,目标车辆的当前速度为70,且处于持续加速状态为例,该单个个体神经网络输出的违章风险等级为:X1=折算系数*当前速度加速至80需要的时间*(S1-S2)/S1,S表示与速度相关的变量。具体应用场景中,在获取驾驶违章风险评估模型输出的违章风险等级之后,还可以按照与违章风险等级对应的提醒力度发出提示信息,比如当违章风险等级为1级时,采取轻微提醒力度发出提示信息,违章风险等级为2级时,采取中度提醒力度发出提醒信息等。具体的违章类型及提醒方式可以根据实际需要确定,比如对于超速、压线的违章,可以采用语音提醒和HUD(Head Up Display,平视显示器)红色示意图警示和液晶仪表显示的方式提醒;对于碰撞的违章,可以采用手环震动和语音提示和HUD、液晶仪表显示的方式提醒;对于闯红灯的违章,可以采用语音提醒和液晶显示的方式提醒;对于违停的违章,可以采用手环震动和语音提醒和车载智能终端中控的方式提醒;对于不按规定车道行驶的违章,可以采用手环震动和语音提醒和HUD警示的方式提醒等。
请参阅图3,图3为本申请实施例提供的一种违章风险评估方法的第三流程图。
实际应用中,为了在一定程度上提高本申请实施例提供的一种违章风险评估方法的评估效率,本申请实施例提供的一种违章风险评估方法,具体可以为:
步骤S301:获取目标车辆的车辆信息。
步骤S302:获取目标车辆行驶的道路信息。
步骤S303:获取目标车辆的驾驶人的生理信息及心理信息。
步骤S304:根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。
步骤S305:建立并保存车辆信息、道路信息、生理信息及心理信息与评估结果间的对应关系。
由于建立并保存了车辆信息、道路信息、生理信息及心理信息与评估结果间的对应关系,之后便可以根据该对应关系确定下一次违章评估时,车辆信息、道路信息、生理信息及心理信息所对应的评估结果,也即根据该对应关系即可快速得到评估结果,可以在一定程度上提高评估效率。具体应用场景中,可以通过HIVE和HDinsight来建立并保存该对应关系。这里所述的HIVE和HDinsight是在Windows Azure上快速扩展Apache hadoop技术堆栈的云实现工具,结合HIVE,HDInsight能够处理来自网络点击流、社交媒体、服务器日志、设备和传感器等来源的非结构化或半结构化数据。
本申请还提供了一种违章风险评估系统,其具有本申请实施例提供的一种违章风险评估方法具有的对应效果。请参阅图4,图4为本申请实施例提供的一种违章风险评估系统的结构示意图。
本申请实施例提供的一种违章评估系统,可以包括:
第一获取模块101,用于获取目标车辆的车辆信息;
第二获取模块102,用于获取目标车辆行驶的道路信息;
第三获取模块103,用于获取目标车辆的驾驶人的生理信息及心理信息;
评估模块104,用于根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。
本申请实施例提供的一种违章风险评估系统中,还可以包括:
输入模块,用于在第三获取模块获取目标车辆的驾驶人的生理信息及心理信息之后,输入车辆信息、道路信息、生理信息及心理信息至预先训练好的驾驶违章风险评估模型;
第四获取模块,用于获取驾驶违章风险评估模型输出的违章风险等级;
其中,驾驶违章风险评估模型的网络架构为DNNIA网络架构,驾驶违章风险评估模型的各个个体神经网络分别代表车辆信息、道路信息、生理信息及心理信息。
本申请实施例提供的一种违章风险评估系统中,驾驶违章风险评估模型的风险评估算法可以包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示违章风险等级;β为常数;Xi表示第i个个体神经网络代表的信息;Wi表示第i个个体神经网络占驾驶违章风险评估模型的权重;αi表示第i个个体神经网络代表的信息占个体神经网络的权重。
本申请实施例提供的一种违章风险评估系统中,还可以包括:
提醒模块,用于在第四获取模块获取驾驶违章风险评估模型输出的违章风险等级之后,按照与违章风险等级对应的提醒力度发出提示信息。
本申请实施例提供的一种违章风险评估系统中,评估模块可以包括:
整合单元,用于将车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据;
评估单元,用于采用大数据分析算法对违章评估大数据进行分析,评估目标车辆是否违章驾驶。
本申请实施例提供的一种违章风险评估系统中,整合单元可以包括:
转换子单元,用于采用云对象存储技术将车辆信息、道路信息、生理信息及心理信息的数据形式均转化为半结构化数据形式;
整合子单元,用于将半结构化数据形式的车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据。
本申请实施例提供的一种违章风险评估系统中,还可以包括:
存储模块,用于在评估模块根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果之后,建立并保存车辆信息、道路信息、生理信息及心理信息与评估结果间的对应关系。
本申请还提供了一种违章风险评估设备及计算机可读存储介质,其均具有本申请实施例提供的一种违章风险评估方法具有的对应效果。请参阅图5,图5为本申请实施例提供的一种违章风险评估设备的结构示意图。
本申请实施例提供的一种违章风险评估设备,包括:存储器201及处理器202,存储器201中存储有计算机程序,处理器202执行存储器201中存储的计算机程序时实现如下步骤:
获取目标车辆的车辆信息;
获取目标车辆行驶的道路信息;
获取目标车辆的驾驶人的生理信息及心理信息;
根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。
本申请实施例提供的一种违章风险评估设备,包括:存储器201及处理器202,存储器201中存储有计算机子程序,处理器202执行存储器201中存储的计算机子程序时具体实现:获取目标车辆的驾驶人的生理信息及心理信息之后,输入车辆信息、道路信息、生理信息及心理信息至预先训练好的驾驶违章风险评估模型;获取驾驶违章风险评估模型输出的违章风险等级;
其中,驾驶违章风险评估模型的网络架构为DNNIA网络架构,驾驶违章风险评估模型的各个个体神经网络分别代表车辆信息、道路信息、生理信息及心理信息。
本申请实施例提供的一种违章风险评估设备,包括:存储器201及处理器202,存储器201中存储有计算机子程序,处理器202执行存储器201中存储的计算机子程序时具体实现:驾驶违章风险评估模型的风险评估算法包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示违章风险等级;β为常数;Xi表示第i个个体神经网络代表的信息;Wi表示第i个个体神经网络占驾驶违章风险评估模型的权重;αi表示第i个个体神经网络代表的信息占个体神经网络的权重。
本申请实施例提供的一种违章风险评估设备,包括:存储器201及处理器202,存储器201中存储有计算机子程序,处理器202执行存储器201中存储的计算机子程序时具体实现:获取驾驶违章风险评估模型输出的违章风险等级之后,按照与违章风险等级对应的提醒力度发出提示信息。
本申请实施例提供的一种违章风险评估设备,包括:存储器201及处理器202,存储器201中存储有计算机子程序,处理器202执行存储器201中存储的计算机子程序时具体实现:将车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据;采用大数据分析算法对违章评估大数据进行分析,评估目标车辆是否违章驾驶。
本申请实施例提供的一种违章风险评估设备,包括:存储器201及处理器202,存储器201中存储有计算机子程序,处理器202执行存储器201中存储的计算机子程序时具体实现:采用云对象存储技术将车辆信息、道路信息、生理信息及心理信息的数据形式均转化为半结构化数据形式;将半结构化数据形式的车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据。
本申请实施例提供的一种违章风险评估设备,包括:存储器201及处理器202,存储器201中存储有计算机子程序,处理器202执行存储器201中存储的计算机子程序时具体实现:根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果之后,建立并保存车辆信息、道路信息、生理信息及心理信息与评估结果间的对应关系。
请参阅图6,本申请实施例提供的另一种违章风险评估设备中还可以包括:与处理器202连接的输入端口203,用于传输外界输入的命令至处理器202;与处理器202连接的显示单元204,用于显示处理器202的处理结果至外界;与处理器202连接的通信模块205,用于实现违章风险评估设备与外界的通信。显示单元202可以为显示面板、激光扫描使显示器等;通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接:无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如下步骤:
获取目标车辆的车辆信息;
获取目标车辆行驶的道路信息;
获取目标车辆的驾驶人的生理信息及心理信息;
根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机子程序,计算机子程序被处理器执行时具体实现:获取目标车辆的驾驶人的生理信息及心理信息之后,输入车辆信息、道路信息、生理信息及心理信息至预先训练好的驾驶违章风险评估模型;获取驾驶违章风险评估模型输出的违章风险等级;
其中,驾驶违章风险评估模型的网络架构为DNNIA网络架构,驾驶违章风险评估模型的各个个体神经网络分别代表车辆信息、道路信息、生理信息及心理信息。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机子程序,计算机子程序被处理器执行时具体实现:驾驶违章风险评估模型的风险评估算法包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示违章风险等级;β为常数;Xi表示第i个个体神经网络代表的信息;Wi表示第i个个体神经网络占驾驶违章风险评估模型的权重;αi表示第i个个体神经网络代表的信息占个体神经网络的权重。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机子程序,计算机子程序被处理器执行时具体实现:获取驾驶违章风险评估模型输出的违章风险等级之后,按照与违章风险等级对应的提醒力度发出提示信息。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机子程序,计算机子程序被处理器执行时具体实现:将车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据;采用大数据分析算法对违章评估大数据进行分析,评估目标车辆是否违章驾驶。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机子程序,计算机子程序被处理器执行时具体实现:采用云对象存储技术将车辆信息、道路信息、生理信息及心理信息的数据形式均转化为半结构化数据形式;将半结构化数据形式的车辆信息、道路信息、生理信息及心理信息整合成违章评估大数据。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机子程序,计算机子程序被处理器执行时具体实现:根据车辆信息、道路信息、生理信息及心理信息评估目标车辆是否违章驾驶,得到评估结果之后,建立并保存车辆信息、道路信息、生理信息及心理信息与评估结果间的对应关系。
本申请实施例所说的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的一种违章评估系统、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的一种违章风险评估方法中对应部分的详细说明,在此不再赘述。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种违章风险评估方法,其特征在于,包括:
获取目标车辆的车辆信息;
获取所述目标车辆行驶的道路信息;
获取所述目标车辆的驾驶人的生理信息及心理信息;
根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,得到评估结果;
输入所述车辆信息、所述道路信息、所述生理信息及所述心理信息至预先训练好的驾驶违章风险评估模型;
获取所述驾驶违章风险评估模型输出的违章风险等级;
其中,所述驾驶违章风险评估模型的各个个体神经网络分别代表所述车辆信息、所述道路信息、所述生理信息及所述心理信息;
所述驾驶违章风险评估模型的风险评估算法包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示所述违章风险等级;β为常数;Xi表示第i个所述个体神经网络代表的信息;Wi表示第i个所述个体神经网络占所述驾驶违章风险评估模型的权重;αi表示第i个所述个体神经网络代表的信息占所述个体神经网络的权重。
2.根据权利要求1所述的方法,其特征在于,所述获取所述驾驶违章风险评估模型输出的违章风险等级之后,还包括:
按照与所述违章风险等级对应的提醒力度发出提示信息。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,包括:
将所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据;
对所述违章评估大数据进行分析,评估所述目标车辆是否违章驾驶。
4.根据权利要求3所述的方法,其特征在于,所述将所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据,包括:
将所述车辆信息、所述道路信息、所述生理信息及所述心理信息的数据形式均转化为半结构化数据形式;
将半结构化数据形式的所述车辆信息、所述道路信息、所述生理信息及所述心理信息整合成违章评估大数据。
5.根据权利要求3所述的方法,其特征在于,所述根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,得到评估结果之后,还包括:
建立并保存所述车辆信息、所述道路信息、所述生理信息及所述心理信息与所述评估结果间的对应关系。
6.一种违章风险评估系统,其特征在于,包括:
第一获取模块,用于获取目标车辆的车辆信息;
第二获取模块,用于获取所述目标车辆行驶的道路信息;
第三获取模块,用于获取所述目标车辆的驾驶人的生理信息及心理信息;
评估模块,用于根据所述车辆信息、所述道路信息、所述生理信息及所述心理信息评估所述目标车辆是否违章驾驶,得到评估结果;
输入模块,用于输入所述车辆信息、所述道路信息、所述生理信息及所述心理信息至预先训练好的驾驶违章风险评估模型;
第四获取模块,用于获取所述驾驶违章风险评估模型输出的违章风险等级;
其中,所述驾驶违章风险评估模型的各个个体神经网络分别代表所述车辆信息、所述道路信息、所述生理信息及所述心理信息;所述驾驶违章风险评估模型的风险评估算法包括:
P=β∑(Wi·αi·Xi·100)/∑(αi·Xi·100);
其中,p表示所述违章风险等级;β为常数;Xi表示第i个所述个体神经网络代表的信息;Wi表示第i个所述个体神经网络占所述驾驶违章风险评估模型的权重;αi表示第i个所述个体神经网络代表的信息占所述个体神经网络的权重。
7.一种违章风险评估设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的违章风险评估方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的违章风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810778239.XA CN108860157B (zh) | 2018-07-16 | 2018-07-16 | 一种违章风险评估方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810778239.XA CN108860157B (zh) | 2018-07-16 | 2018-07-16 | 一种违章风险评估方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108860157A CN108860157A (zh) | 2018-11-23 |
CN108860157B true CN108860157B (zh) | 2020-10-30 |
Family
ID=64302451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810778239.XA Active CN108860157B (zh) | 2018-07-16 | 2018-07-16 | 一种违章风险评估方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108860157B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7173702B2 (ja) * | 2019-02-27 | 2022-11-16 | トヨタ自動車株式会社 | 評価装置 |
CN110782114B (zh) * | 2019-08-16 | 2024-05-24 | 腾讯科技(深圳)有限公司 | 驾驶行为挖掘方法、装置、电子设备及存储介质 |
CN110648075A (zh) * | 2019-09-27 | 2020-01-03 | 重庆大学 | 驾驶安全评估方法及装置 |
TWI733293B (zh) * | 2019-12-30 | 2021-07-11 | 關貿網路股份有限公司 | 駕駛職能評測系統及評測裝置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003048448A (ja) * | 2001-08-03 | 2003-02-18 | Toyota Motor Corp | 運転心理判定方法及び運転心理判定装置、並びに運転支援方法及び運転支援装置 |
CN101236695A (zh) * | 2008-03-05 | 2008-08-06 | 中科院嘉兴中心微系统所分中心 | 基于车载传感器网络的驾驶员状态评估系统 |
CN102490701A (zh) * | 2011-12-02 | 2012-06-13 | 哈尔滨工业大学 | 一种可监控驾驶者身体和心理状态的安全驾驶监控装置 |
CN103606247B (zh) * | 2013-12-04 | 2015-07-22 | 中国科学院深圳先进技术研究院 | 利用车况和驾驶员生理参数进行交通预警的方法及系统 |
CN104331953B (zh) * | 2014-10-29 | 2016-09-07 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
CN105405306A (zh) * | 2015-12-24 | 2016-03-16 | 小米科技有限责任公司 | 车辆告警方法及装置 |
CN108237976A (zh) * | 2016-12-27 | 2018-07-03 | 广州市联奥信息科技有限公司 | 具备情绪表达能力的交互行车系统及方法 |
CN107622637A (zh) * | 2017-07-18 | 2018-01-23 | 成都华科威电子科技有限公司 | 一种安全驾驶方法 |
-
2018
- 2018-07-16 CN CN201810778239.XA patent/CN108860157B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108860157A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108860157B (zh) | 一种违章风险评估方法、系统、设备及存储介质 | |
US11249544B2 (en) | Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness | |
Lyu et al. | A field operational test in China: Exploring the effect of an advanced driver assistance system on driving performance and braking behavior | |
Carsten et al. | Vehicle-based studies of driving in the real world: The hard truth? | |
Lee et al. | Collision warning timing, driver distraction, and driver response to imminent rear-end collisions in a high-fidelity driving simulator | |
US10525984B2 (en) | Systems and methods for using an attention buffer to improve resource allocation management | |
CN101278324B (zh) | 自适应驾驶员工作负荷估计器 | |
US11814054B2 (en) | Exhaustive driving analytical systems and modelers | |
Amditis et al. | Driver–Vehicle–Environment monitoring for on-board driver support systems: Lessons learned from design and implementation | |
US20170132521A1 (en) | Driving behavior evaluating method and device | |
CN111402925B (zh) | 语音调节的方法、装置、电子设备、车载系统和可读介质 | |
JP2022512114A (ja) | 運転手の疲労を検出し、動的に緩和するためのシステムおよび方法 | |
CN110660194A (zh) | 一种驾驶监控预警方法及系统 | |
Tavakoli et al. | HARMONY: A human-centered multimodal driving study in the wild | |
CN111231972B (zh) | 基于驾驶行为习惯的告警方法、车辆及存储介质 | |
US20190325752A1 (en) | Cognitively filtered and recipient-actualized vehicle horn activation | |
Xu et al. | Modeling commercial vehicle drivers' acceptance of advanced driving assistance system (ADAS) | |
EP4042322A1 (en) | Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness | |
Kutila et al. | Driver cognitive distraction detection: Feature estimation and implementation | |
Terzi et al. | Big data perspective for driver/driving behavior | |
EP4230493A2 (en) | Coachable driver risk groups | |
Kim et al. | Driver reaction acceptance and evaluation to abnormal driving situations | |
Amditis et al. | System architecture of a driver's monitoring and hypovigilance warning system | |
US12032730B2 (en) | Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness | |
Barosan | CarESP: an emotion vehicle with stress, personality and embodiment of emotions |
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 |