CN108877213A - 交通事故的识别方法及系统 - Google Patents
交通事故的识别方法及系统 Download PDFInfo
- Publication number
- CN108877213A CN108877213A CN201810450028.3A CN201810450028A CN108877213A CN 108877213 A CN108877213 A CN 108877213A CN 201810450028 A CN201810450028 A CN 201810450028A CN 108877213 A CN108877213 A CN 108877213A
- Authority
- CN
- China
- Prior art keywords
- speed
- traffic accident
- model
- threshold value
- corner
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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"
Abstract
本发明公开了一种交通事故的识别方法及系统，所述识别方法包括：获取一时间段的行车数据的第一时间序列，并输入行车参数预测模型；所述行车参数预测模型根据所述第一时间序列预测行车参数；根据所述行车参数判断是否发生交通事故和/或交通事故类型。本发明依据行车记录仪和各类传感器采集的行车数据实现了对交通事故的判断识别。较现有技术，本发明利用大量数据和机器学习方法提高了判断识别的效率和准确度，且更易于实时计算。
Description
技术领域
本发明涉及车联网技术领域，特别涉及一种交通事故的识别方法及系统。
背景技术
在车辆发生交通事故的时候，不同的交通事故类型需要不同的保险服务，如何避免保险欺诈行为也是一个长期讨论的课题。解决上述两种问题的关键在于及时准确识别交通事故的发生以及交通事故类型的识别。
现有技术中，常用的交通事故识别方法为：GPS(全球定位系统)数据分析方法和图像识别方法。
GPS数据分析方法，利用GPS数据分析车辆行驶速度和方向，通过识别数据异常点判断交通事故的发生。此方法的局限性在于利用移动终端采集GPS数据的精度和完整性无法保障。另外大量交通事故发生在低速甚至超低速行驶状态，仅依靠速度很难将异常事件从正常事件中区分开。
图像识别方法，利用车载摄像头拍摄的图片，基于图像识别技术判断事故发生与否。此方法的局限点在于由于交通事故的多样性，以及图像识别算法本身计算的复杂性，要达到全方位覆盖同时及时识别事故发生事件，计算和通讯成本很高，准确度也有待考量。
另外，现有技术中无论采用何种方案，都需要大量实际事故发生的数据或者人工标注的异常事件数据点(需要实车测试)。由于获取此数据的成本较高，现有技术都是基于小样本有监督学习，应用范围的适配性存疑。
发明内容
本发明要解决的技术问题是为了克服现有技术中交通事故识别方法存在识别精度不高且计算复杂的缺陷，提供一种交通事故的识别方法及系统。
本发明是通过下述技术方案来解决上述技术问题：
一种交通事故的识别方法，所述识别方法包括：
获取一时间段的行车数据的第一时间序列，并输入行车参数预测模型；
所述行车参数预测模型根据所述第一时间序列预测行车参数；
根据所述行车参数判断是否发生交通事故和/或交通事故类型。
较佳地，所述行车数据包括以下参数：
车速、方向盘转角、加速踏板开合度、刹车踏板开合度和发动机转速；
所述行车参数包括：车速和方向盘转角。
较佳地，所述行车参数预测模型包括ARIMA模型(自回归积分滑动平均模型)和RNN模型(循环神经网络模型)；
所述行车参数预测模型根据所述第一时间序列预测行车参数，具体包括：
将所述第一时间序列中行程结束点之前的序列输入所述ARIMA模型和RNN模型；
所述ARIMA模型预测行程结束点的第一车速，所述RNN模型预测行程结束点的第二车速；
所述行程结束点为所述第一时间序列中的最后一个数据点的时间戳；
根据所述行车参数判断是否发生交通事故和/或交通事故类型，具体包括：
计算所述第一时间序列中行程结束点的车速与所述第一车速和所述第二车速的速度偏差；
将所述速度偏差与速度阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
较佳地，计算行程结束点的车速与所述第一车速和所述第二车速的速度偏差，具体包括：
分别将所述第一车速和所述第二车速与行程结束点的车速进行比较，得到两个速度差；
对两个速度差进行加权平均，得到速度偏差。
较佳地，所述行车参数预测模型根据所述第一时间序列预测行车参数，还包括：
所述ARIMA模型预测行程结束点的第一方向盘转角，所述RNN模型预测行程结束点的第二方向盘转角；
根据所述行车参数判断是否发生交通事故和/或交通事故类型，还包括：
计算所述第一时间序列中行程结束点的方向盘转角与所述第一方向盘转角和所述第二方向盘转角的转角偏差；
将所述转角偏差与转角阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
较佳地，计算行程结束点的方向盘转角与所述第一方向盘转角和所述第二方向盘转角的转角偏差，具体包括：
分别将所述第一方向盘转角和所述第二方向盘转角与行程结束点的方向盘转角进行比较，得到两个转角差；
对两个转角差进行加权平均，得到转角偏差。
较佳地，所述识别方法还包括获取阈值的步骤，所述阈值包括：所述速度阈值和转角阈值；
获取阈值的步骤，具体包括：
获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
预设阈值；
将所述第二时间序列依次输入ARIMA模型和RNN模型，并计算每条第二时间序列的偏差；
统计偏差大于当前的阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调节阈值并返回将所述第二时间序列依次输入ARIMA模型和RNN模型的步骤；
若判断为是，则将当前的阈值确定为最终的阈值；
所述偏差包括速度偏差和转角偏差。
较佳地，加权平均的权值采用待定系数法获得。
较佳地，所述行车参数预测模型包括小波变换模型；
所述行车参数预测模型根据所述第一时间序列预测行车参数，具体包括：
将所述第一时间序列输入所述小波变换模型，得到小波变换序列；
根据所述行车参数判断是否发生交通事故和/或交通事故类型，具体包括：
将所述小波变换序列与序列阈值进行比较，根据比较结果判断是否发生交通事故和/或交通事故类型。
较佳地，所述识别方法还包括获取序列阈值的步骤，具体包括：
获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
预设序列阈值；
依次对所述第二时间序列做小波变换，得到的测试序列；
计算测试序列与序列均值的差值；
统计差值大于当前的序列阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调节序列阈值并返回依次对将所述第二时间序列做小波变换的步骤；
若判断为是，则将当前的阈值确定为最终的阈值。
一种交通事故的识别系统，所述识别系统包括：数据获取模块、行车参数预测模型和判断模块；
所述数据获取模块用于获取一时间段的行车数据的第一时间序列，并输入行车参数预测模型；
所述行车参数预测模型用于根据所述第一时间序列预测行车参数；
所述判断模块用于根据所述行车参数判断是否发生交通事故和/或交通事故类型。
较佳地，所述行车数据包括以下参数：
车速、方向盘转角、加速踏板开合度、刹车踏板开合度和发动机转速；
所述行车参数包括：车速和方向盘转角。
较佳地，所述行车参数预测模型包括ARIMA模型和RNN模型；
所述ARIMA模型用于根据所述第一时间序列中行程结束点之前的序列预测行程结束点的第一车速；
所述RNN模型用于根据所述第一时间序列中行程结束点之前的序列预测行程结束点的第二车速；
所述行程结束点为所述第一时间序列中的最后一个数据点的时间戳；
所述判断模块具体包括：
第一计算单元，用于计算所述第一时间序列中行程结束点的车速与所述第一车速和所述第二车速的速度偏差；
第一判断单元，用于将所述速度偏差与速度阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
较佳地，所述第一计算单元具体用于分别将所述第一车速和所述第二车速与行程结束点的车速进行比较，得到两个速度差，并对两个速度差进行加权平均，得到速度偏差。
较佳地，所述ARIMA模型还用于预测行程结束点的第一方向盘转角；
所述RNN模型还用于预测行程结束点的第二方向盘转角；
所述第一计算单元还用于计算所述第一时间序列中行程结束点的方向盘转角与所述第一方向盘转角和所述第二方向盘转角的转角偏差；
所述第一判断单元还用于将所述转角偏差与转角阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
较佳地，所述第一计算单元具体用于分别将所述第一方向盘转角和所述第二方向盘转角与行程结束点的方向盘转角进行比较，得到两个转角差，并对两个转角差进行加权平均，得到转角偏差。
较佳地，所述识别系统还包括：阈值获取模块；
所述阈值包括：所述速度阈值和转角阈值；
所述第一阈值获取模块具体包括：
数据获取单元，用于获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
时间序列获取单元，用于获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
阈值设置单元，用于预设阈值；
第二计算单元，用于将所述第二时间序列依次输入ARIMA模型和RNN模型，并计算每条第二时间序列的偏差；
第二判断单元，用于统计偏差大于当前的阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调用所述阈值设置单元调节阈值后，调用所述第二计算单元；
若判断为是，则调用控制单元；
所述控制单元用于将当前的阈值确定为最终的阈值；
所述偏差包括速度偏差和转角偏差。
较佳地，所述第一计算单元采用待定系数法确定加权平均的权值。
较佳地，所述行车参数预测模型包括小波变换模型；
所述小波变换模型用于将所述第一时间序列转换为小波变换序列；
所述判断模块具体用于将所述小波变换序列与序列阈值进行比较，并根据比较结果判断是否发生交通事故和/或交通事故类型。
较佳地，所述识别系统还包括：阈值获取模块；
所述阈值获取模块具体包括：
数据获取单元，用于获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
时间序列获取单元，获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
阈值设置单元，用于预设序列阈值；
变换单元，用于依次对所述第二时间序列做小波变换，得到的测试序列；
第二计算单元，用于计算测试序列与序列均值的差值；
第二判断单元，用于统计差值大于当前的序列阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调用所述阈值设置单元调节序列阈值后，调用所述第二计算单元；
若判断为是，则调用控制单元；
所述控制单元用于将当前的阈值确定为最终的阈值。
本发明的积极进步效果在于：本发明依据行车记录仪和各类传感器采集的行车数据实现了对交通事故的判断识别。较现有技术，本发明利用大量数据和机器学习方法提高了判断识别的效率和准确度，且更易于实时计算。
附图说明
图1为本发明实施例1的交通事故的识别方法识别高速运行状态的交通事故的流程图。
图2为获取图1中的速度阈值的流程图。
图3为本发明实施例1的交通事故识别方法识别低速运行状态的交通事故的流程图。
图4为获取图3中的序列阈值的流程图。
图5为本发明实施例2的交通事故的识别方法的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例的交通事故的识别方法，依据行车记录仪和各类传感器采集的行车数据，并采用多个模型(包括ARIMA模型、RNN模型和小波变换模型)组合的方式对车辆在高速运行状态以及低速运行状态下引发的事故进行识别，二者结合的结果给出了对于一段行程是否发生不同类型事故的判断，准确度大大提高，本实施例的识别方法包括以下步骤：
获取一时间段的行车数据的第一时间序列，并输入行车参数预测模型；
所述行车参数预测模型根据所述第一时间序列预测行车参数；
根据所述行车参数判断是否发生交通事故和/或交通事故类型。
参见图1，以下具体介绍对于高速运行状态的交通事故识别的过程：
步骤101、获取一时间段的行车数据的第一时间序列。
其中，行车数据包括车辆行驶的车速、加速度、方向盘转角、加速踏板开合度、发动机转速和刹车踏板开合度等参数。上述数据的采集可借助于行车记录仪和各类传感器。将行车记录仪和各类传感器采集的带有时间戳的数据进行处理，得到多维时间序列。关于时间段，可利用大数据平台的行程划分程序，其将车辆整个行程的行程数据中两个数据点的时间戳差异大于5分钟的时间序列拆分为两个行程(两个时间序列)，其中5分钟即是时间段的时长。需要说明的是，时间段的时长可根据实际需求自行设置。
步骤102、将第一时间序列中行程结束点之前的序列输入ARIMA模型和RNN模型，得到ARIMA模型预测的行程结束点的第一车速和第一方向盘转角，以及RNN模型预测的行程结束点的第二车速和第二方向盘转角。
其中，行程结束点为一时间序列中的最后一个数据点的时间戳。以时间段的时长为1800s为例，若行车记录仪和各类传感器按秒采集的行驶数据，则得到的1800条数据分别为p1，p2，…，p1750，p1751，…，p1800。行程结束点也即第1800s，对应的第1800条数据表示为p1800，其中包括车速(V1800)和方向盘转角(R1800)。
本实施例中，ARIMA模型主要用来捕捉时间序列变量间的线性关系，在此场景下的RNN模型是个比较简单的模型，其用来捕捉非线性关系。当然，也可采用一个复杂的RNN模型代替两个模型的组合。
步骤102也即将前1799条数据(具体为p1，p2，p3，…，p1799)输入ARIMA模型和RNN模型。ARIMA模型输出第一车速(Varima)和第一方向盘转角(Rarima)，RNN模型输出第二车速(Vrnn)和第二方向盘转角(Rrnn)。
步骤103、分别将第一车速和第二车速与行程结束点的车速进行比较，得到两个速度差；以及分别将第一方向盘转角和第二方向盘转角与行程结束点的方向盘转角进行比较，得到两个转角差。
两个速度差的计算公式如下：
V1＝abs(V1800-Varima)；
V2＝abs(V1800-Vrnn)；
两个转角差的计算公式如下：
R1＝abs(R1800-Rarima)；
R2＝abs(R1800-Rrnn)。
步骤104、分别对两个速度差和两个转角差进行加权平均，得到速度偏差和转角偏差。
本实施例中，加权平均的权值确定采用待定系数法。通过尝试不同的权值组合，得到不同组合情况下预测的事故发生的准确率，以此选出最优的权重组合。经过计算，得到两个模型的权值分别为0.6和0.4较适宜。从而，速度偏差和转角偏差的计算公式如下：
V＝0.6×V 1+0.4×V 2；
R＝0.6×R 1+0.4×R 2。
步骤105、将速度偏差与速度阈值进行比较，将转角偏差与转角阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
若速度阈值设为10，当计算得到的速度偏差大于10时，则判断为该时间段的车辆行程发生了交通事故，且事故类型为高速追尾。若角度阈值设为13，当计算得到的角度偏差大于13时，则判断为该时间段的车辆行程发生了交通事故，且事故类型为高速变道。
本实施例中，速度阈值和转角阈值通过对模型进行训练得到。参见图2，下面介绍阈值获得的具体过程，以速度阈值为例：
步骤201、获取车主理赔数据并确定事故发生的时间点。
其中，车主理赔数据包括事故发生的时间点、地点、车辆信息和事故情况描述等参数。以下示出一条理赔数据：2017-10-24 19:00：00，浙江省丽水市青田县，标的车：浙K24K85前方受损，撞到行人，碰三者人伤。事故描述(辅以GPS地理信息描绘的轨迹)提供了具体事故发生的类型(追尾，停车造成的擦碰，变道引起的事故等)。大量的理赔数据保证了模型在更广泛数据集的适配性，优于现有技术的小样本训练结果。需要说明的是，计算前，可对车主理赔数据进行数据脱敏处理。
事故发生时间点的确定，具体可在公开地图API(空中位置指示器)中描绘出事故车辆的行驶轨迹以及每个点的速度。根据轨迹中的速度为0的点来判断事故发生的精确时间点。
步骤202、获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列。
具体的，从历史所有的事故车辆的行车数据中，查询事故发生时间点附近的行程，在根据这个行程附带的GPS信息点判断是否与事故发生的地点吻合。如果吻合则说明此时间序列是有效的，可以用于模型训练。从上述有效的行车数据中取出所有高速追尾事故发生对应的行程数据，假设有N条，每个行程视为一个第二时间序列，此部分作为测试集。从所有未出事故的行程中，随机取可以但不限于4*N条数据，每个行程视为一个时间序列，此部分作为训练集。
步骤203、使用训练集训练初始ARIMA模型和RNN模型。
a)训练ARIMA模型：假设初始arima模型Vt＝at-1Vt-1+at-2Vt-2+…+at-k Vt-k+bt-1Vt-1+bt-2Rt-2+bt-mRt-m+…+γt-1∈t-1+…+γt-j∈t-j，其中，at-1、at-2、…、at-k、bt-2、bt-m、γt-1和γt-j均表征模型参数，V为车速，R为方向盘转角，∈表征模型中含有的偏差时间序列项(预测期望值与实际值偏差)。应当理解模型中还包括未示出的发动机转速、加速踏板开合度和刹车踏板开合度等参数指标。模型训练即是找出最优的ARIMA模型。
b)训练RNN模型：假设Vt＝f(Vt-1,Vt-2,…,Vt-k,Rt-1,…,Rt-m)，表示的是一个非线性函数。RNN模型训练的就是寻找最优的f函数的形式。
步骤204、预设速度阈值。
步骤205、将第二时间序列依次输入训练好的ARIMA模型和RNN模型，并计算第二时间序列的速度偏差。
速度偏差的具体计算过程参见步骤103和步骤104，此处不再赘述。
步骤206、统计速度偏差大于当前的速度阈值的第二时间序列的数量。
步骤207、判断数量是否在预设数量范围内。
在判断为否时，执行步骤208。在判断为是时，执行步骤209。
步骤208、调节速度阈值并返回步骤206。
步骤209、将当前的速度阈值确定为最终的速度阈值。
本实施例中，统计速度偏差大于速度阈值的第二时间序列的条数可采用计数器实现，如果速度偏差大于速度阈值，计数器c＝c+1，步骤207也可通过判断次数比例值实现，次数比例值＝c/测试集中第二时间序列的数量，此时若次数比例值大于设定的目标范围(比如0.2～0.25)，则增加阈值，并返回步骤206。如果次数比例值小于设定的目标范围，则减小阈值，并返回步骤206。如果在设定范围内，则将当前的速度阈值确定为最终的速度阈值。
其中，角度阈值的确定过程与速度阈值类似，此处不再赘述。
参见图3，以下具体介绍对于低速运行状态的交通事故识别的过程：
步骤301、获取一时间段的行车数据的第一时间序列。
步骤302、将第一时间序列输入小波变换模型，得到小波变换序列。
步骤303、将小波变换序列与序列阈值进行比较，根据比较结果判断是否发生交通事故和/或交通事故类型。
本实施例中，序列均值根据车主理赔数据对模型进行训练得到。参见图4，下面介绍序列阈值获得的具体过程：
步骤401、获取车主理赔数据并确定事故发生的时间点。
从上述有效的行车数据中取出所有低速变道事故发生对应的行程数据，假设有N条，每个行程视为一个第二时间序列，此部分作为测试集。从所有未出事故的行程中，随机取可以但不限于4*N条数据，每个行程视为一个时间序列，此部分作为训练集。
步骤402、对训练集的时间序列做小波变换，并计算小波变换序列的每个维度的序列均值。
以下举例说明计算过程：
若训练集中每个时间序列有1800条数据(p1，p2，…，p1750，p1751，…，p1800)，经过小波变换转换成64维向量(v1,v2,v3,…,v64)。对每个行程生成的64维向量(m1，m2，…，m64)，分别计算每个维度的均值。以整段行车行程包括两段行程为例，第一段行程生成向量(v1,1，v1,2，v1,3，…,v1,64)，第二段行程生成(v2,1，v2,2，v2,3，…，v2,64)，则得到的序列均值(m1，m2，…，m64)＝1/2×(v2,1+v1,1，v2,2+v1,2，v2,3+v1,3，…，v2,64+v1,64)。
步骤403、预设序列阈值。
步骤404、依次对将测试集中的第二时间序列做小波变换，得到的测试序列。
步骤405、计算测试序列与序列均值的差值。
差值p计算公式如下：
其中，w1,i表征测试序列。
步骤406、统计差值大于当前的序列阈值的测试集的数量。
步骤407、判断数量是否在预设数量范围内。
在判断为否时，执行步骤408。在判断为是时，执行步骤409。
步骤408、调节序列阈值并返回步骤406。
步骤409、将当前的序列阈值确定为最终的序列阈值。
本实施例中，统计差值大于当前的序列阈值的测试集的条数可采用计数器实现，如果差值大于序列阈值，计数器c＝c+1，步骤407也可通过判断次数比例值实现，次数比例值＝c/测试集中第二时间序列的数量，此时若次数比例值大于设定的目标范围(比如0.2～0.25)，则增加阈值，并返回步骤406。如果次数比例值小于设定的目标范围，则减小阈值，并返回步骤406。如果在设定范围内，则将当前的序列阈值确定为最终的序列阈值。
实施例2
如图5所示，本实施例的交通事故的识别系统包括：数据获取模块1、行车参数预测模型2和判断模块3。数据获取模块用于获取一时间段的行车数据的第一时间序列，并输入行车参数预测模型。行车参数预测模型用于根据第一时间序列预测行车参数。判断模块用于根据行车参数判断是否发生交通事故和/或交通事故类型。
其中，行车数据包括以下参数：车速、方向盘转角、加速踏板开合度、刹车踏板开合度和发动机转速；行车参数包括：车速和方向盘转角。
本实施例中，行车参数预测模型包括ARIMA模型和RNN模型；
ARIMA模型用于根据第一时间序列中行程结束点之前的序列预测行程结束点的第一车速；
RNN模型用于根据第一时间序列中行程结束点之前的序列预测行程结束点的第二车速；
行程结束点为第一时间序列中的最后一个数据点的时间戳；
判断模块具体包括：
第一计算单元，用于计算第一时间序列中行程结束点的车速与第一车速和第二车速的速度偏差；
第一判断单元，用于将速度偏差与速度阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
本实施例中，第一计算单元具体用于分别将第一车速和第二车速与行程结束点的车速进行比较，得到两个速度差，并对两个速度差进行加权平均，得到速度偏差。
本实施例中，ARIMA模型还用于预测行程结束点的第一方向盘转角；
RNN模型还用于预测行程结束点的第二方向盘转角；
第一计算单元还用于计算第一时间序列中行程结束点的方向盘转角与第一方向盘转角和第二方向盘转角的转角偏差；
第一判断单元还用于将转角偏差与转角阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
本实施例中，第一计算单元具体用于分别将第一方向盘转角和第二方向盘转角与行程结束点的方向盘转角进行比较，得到两个转角差，并对两个转角差进行加权平均，得到转角偏差。
本实施例中，识别系统还包括：阈值获取模块；
阈值包括：速度阈值和转角阈值；
第一阈值获取模块具体包括：
数据获取单元，用于获取车主理赔数据；车主理赔数据包括事故发生的时间点；
时间序列获取单元，用于获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
阈值设置单元，用于预设阈值；
第二计算单元，用于将第二时间序列依次输入ARIMA模型和RNN模型，并计算每条第二时间序列的偏差；
第二判断单元，用于统计偏差大于当前的阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调用阈值设置单元调节阈值后，调用第二计算单元；
若判断为是，则调用控制单元；
控制单元用于将当前的阈值确定为最终的阈值；
偏差包括速度偏差和转角偏差。
本实施例中，第一计算单元采用待定系数法确定加权平均的权值。
本实施例中，行车参数预测模型包括小波变换模型；
小波变换模型用于将第一时间序列转换为小波变换序列；
判断模块具体用于将小波变换序列与序列阈值进行比较，并根据比较结果判断是否发生交通事故和/或交通事故类型。
本实施例中，识别系统还包括：阈值获取模块；
阈值获取模块具体包括：
数据获取单元，用于获取车主理赔数据；车主理赔数据包括事故发生的时间点；
时间序列获取单元，获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
阈值设置单元，用于预设序列阈值；
变换单元，用于依次对第二时间序列做小波变换，得到的测试序列；
第二计算单元，用于计算测试序列与序列均值的差值；
第二判断单元，用于统计差值大于当前的序列阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调用阈值设置单元调节序列阈值后，调用第二计算单元；
若判断为是，则调用控制单元；
控制单元用于将当前的阈值确定为最终的阈值。
应当理解，本发明具体实施方式中的第一、第二类似的表述仅起到区分的作用，其并不具有实质含义。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (20)
1.一种交通事故的识别方法，其特征在于，所述识别方法包括：
获取一时间段的行车数据的第一时间序列，并输入行车参数预测模型；
所述行车参数预测模型根据所述第一时间序列预测行车参数；
根据所述行车参数判断是否发生交通事故和/或交通事故类型。
2.如权利要求1所述的交通事故的识别方法，其特征在于，所述行车数据包括以下参数：
车速、方向盘转角、加速踏板开合度、刹车踏板开合度和发动机转速；
所述行车参数包括：车速和方向盘转角。
3.如权利要求2所述的交通事故的识别方法，其特征在于，所述行车参数预测模型包括ARIMA模型和RNN模型；
所述行车参数预测模型根据所述第一时间序列预测行车参数，具体包括：
将所述第一时间序列中行程结束点之前的序列输入所述ARIMA模型和RNN模型；
所述ARIMA模型预测行程结束点的第一车速，所述RNN模型预测行程结束点的第二车速；
所述行程结束点为所述第一时间序列中的最后一个数据点的时间戳；
根据所述行车参数判断是否发生交通事故和/或交通事故类型，具体包括：
计算所述第一时间序列中行程结束点的车速与所述第一车速和所述第二车速的速度偏差；
将所述速度偏差与速度阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
4.如权利要求3所述的交通事故的识别方法，其特征在于，计算行程结束点的车速与所述第一车速和所述第二车速的速度偏差，具体包括：
分别将所述第一车速和所述第二车速与行程结束点的车速进行比较，得到两个速度差；
对两个速度差进行加权平均，得到速度偏差。
5.如权利要求3所述的交通事故的识别方法，其特征在于，所述行车参数预测模型根据所述第一时间序列预测行车参数，还包括：
所述ARIMA模型预测行程结束点的第一方向盘转角，所述RNN模型预测行程结束点的第二方向盘转角；
根据所述行车参数判断是否发生交通事故和/或交通事故类型，还包括：
计算所述第一时间序列中行程结束点的方向盘转角与所述第一方向盘转角和所述第二方向盘转角的转角偏差；
将所述转角偏差与转角阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
6.如权利要求5所述的交通事故的识别方法，其特征在于，计算行程结束点的方向盘转角与所述第一方向盘转角和所述第二方向盘转角的转角偏差，具体包括：
分别将所述第一方向盘转角和所述第二方向盘转角与行程结束点的方向盘转角进行比较，得到两个转角差；
对两个转角差进行加权平均，得到转角偏差。
7.如权利要求5所述的交通事故的识别方法，其特征在于，所述识别方法还包括获取阈值的步骤，所述阈值包括：所述速度阈值和转角阈值；
获取阈值的步骤，具体包括：
获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
预设阈值；
将所述第二时间序列依次输入ARIMA模型和RNN模型，并计算每条第二时间序列的偏差；
统计偏差大于当前的阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调节阈值并返回将所述第二时间序列依次输入ARIMA模型和RNN模型的步骤；
若判断为是，则将当前的阈值确定为最终的阈值；
所述偏差包括速度偏差和转角偏差。
8.如权利要求4或6所述的交通事故的识别方法，其特征在于，加权平均的权值采用待定系数法获得。
9.如权利要求2所述的交通事故的识别方法，其特征在于，所述行车参数预测模型包括小波变换模型；
所述行车参数预测模型根据所述第一时间序列预测行车参数，具体包括：
将所述第一时间序列输入所述小波变换模型，得到小波变换序列；
根据所述行车参数判断是否发生交通事故和/或交通事故类型，具体包括：
将所述小波变换序列与序列阈值进行比较，根据比较结果判断是否发生交通事故和/或交通事故类型。
10.如权利要求9所述的交通事故的识别方法，其特征在于，所述识别方法还包括获取序列阈值的步骤，具体包括：
获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
预设序列阈值；
依次对所述第二时间序列做小波变换，得到的测试序列；
计算测试序列与序列均值的差值；
统计差值大于当前的序列阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调节序列阈值并返回依次对将所述第二时间序列做小波变换的步骤；
若判断为是，则将当前的阈值确定为最终的阈值。
11.一种交通事故的识别系统，其特征在于，所述识别系统包括：数据获取模块、行车参数预测模型和判断模块；
所述数据获取模块用于获取一时间段的行车数据的第一时间序列，并输入行车参数预测模型；
所述行车参数预测模型用于根据所述第一时间序列预测行车参数；
所述判断模块用于根据所述行车参数判断是否发生交通事故和/或交通事故类型。
12.如权利要求11所述的交通事故的识别系统，其特征在于，所述行车数据包括以下参数：
车速、方向盘转角、加速踏板开合度、刹车踏板开合度和发动机转速；
所述行车参数包括：车速和方向盘转角。
13.如权利要求12所述的交通事故的识别系统，其特征在于，所述行车参数预测模型包括ARIMA模型和RNN模型；
所述ARIMA模型用于根据所述第一时间序列中行程结束点之前的序列预测行程结束点的第一车速；
所述RNN模型用于根据所述第一时间序列中行程结束点之前的序列预测行程结束点的第二车速；
所述行程结束点为所述第一时间序列中的最后一个数据点的时间戳；
所述判断模块具体包括：
第一计算单元，用于计算所述第一时间序列中行程结束点的车速与所述第一车速和所述第二车速的速度偏差；
第一判断单元，用于将所述速度偏差与速度阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
14.如权利要求13所述的交通事故的识别系统，其特征在于，所述第一计算单元具体用于分别将所述第一车速和所述第二车速与行程结束点的车速进行比较，得到两个速度差，并对两个速度差进行加权平均，得到速度偏差。
15.如权利要求13所述的交通事故的识别系统，其特征在于，所述ARIMA模型还用于预测行程结束点的第一方向盘转角；
所述RNN模型还用于预测行程结束点的第二方向盘转角；
所述第一计算单元还用于计算所述第一时间序列中行程结束点的方向盘转角与所述第一方向盘转角和所述第二方向盘转角的转角偏差；
所述第一判断单元还用于将所述转角偏差与转角阈值进行比较，根据比较结果判断是否发生交通事故和/或事故类型。
16.如权利要求15所述的交通事故的识别系统，其特征在于，所述第一计算单元具体用于分别将所述第一方向盘转角和所述第二方向盘转角与行程结束点的方向盘转角进行比较，得到两个转角差，并对两个转角差进行加权平均，得到转角偏差。
17.如权利要求15所述的交通事故的识别系统，其特征在于，所述识别系统还包括：阈值获取模块；
所述阈值包括：所述速度阈值和转角阈值；
所述第一阈值获取模块具体包括：
数据获取单元，用于获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
时间序列获取单元，用于获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
阈值设置单元，用于预设阈值；
第二计算单元，用于将所述第二时间序列依次输入ARIMA模型和RNN模型，并计算每条第二时间序列的偏差；
第二判断单元，用于统计偏差大于当前的阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调用所述阈值设置单元调节阈值后，调用所述第二计算单元；
若判断为是，则调用控制单元；
所述控制单元用于将当前的阈值确定为最终的阈值；
所述偏差包括速度偏差和转角偏差。
18.如权利要求14或16所述的交通事故的识别系统，其特征在于，所述第一计算单元采用待定系数法确定加权平均的权值。
19.如权利要求12所述的交通事故的识别系统，其特征在于，所述行车参数预测模型包括小波变换模型；
所述小波变换模型用于将所述第一时间序列转换为小波变换序列；
所述判断模块具体用于将所述小波变换序列与序列阈值进行比较，并根据比较结果判断是否发生交通事故和/或交通事故类型。
20.如权利要求19所述的交通事故的识别系统，其特征在于，所述识别系统还包括：阈值获取模块；
所述阈值获取模块具体包括：
数据获取单元，用于获取车主理赔数据；所述车主理赔数据包括事故发生的时间点；
时间序列获取单元，获取事故发生的时间点以前一时间段的事故车辆的行驶数据的第二时间序列；
阈值设置单元，用于预设序列阈值；
变换单元，用于依次对所述第二时间序列做小波变换，得到的测试序列；
第二计算单元，用于计算测试序列与序列均值的差值；
第二判断单元，用于统计差值大于当前的序列阈值的第二时间序列的数量，并判断是否在预设数量范围内；
若判断为否，则调用所述阈值设置单元调节序列阈值后，调用所述第二计算单元；
若判断为是，则调用控制单元；
所述控制单元用于将当前的阈值确定为最终的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810450028.3A CN108877213B (zh) | 2018-05-11 | 2018-05-11 | 交通事故的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810450028.3A CN108877213B (zh) | 2018-05-11 | 2018-05-11 | 交通事故的识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108877213A true CN108877213A (zh) | 2018-11-23 |
| CN108877213B CN108877213B (zh) | 2021-09-10 |
Family
ID=64333386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810450028.3A Active CN108877213B (zh) | 2018-05-11 | 2018-05-11 | 交通事故的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108877213B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710984A (zh) * | 2018-12-04 | 2019-05-03 | 斑马网络技术有限公司 | 事故识别与救援方法及装置 |
| CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
| CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
| CN110395205A (zh) * | 2019-08-13 | 2019-11-01 | 江苏满运软件科技有限公司 | 车辆事故告警方法、装置、电子设备、存储介质 |
| CN111144485A (zh) * | 2019-12-26 | 2020-05-12 | 北京中交兴路车联网科技有限公司 | 基于xgboost分类算法的车辆事故判断方法和系统 |
| CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
| CN111538953A (zh) * | 2020-04-17 | 2020-08-14 | 上海华兴数字科技有限公司 | 物料识别方法、装置、设备及存储介质 |
| CN113033713A (zh) * | 2021-05-24 | 2021-06-25 | 天津所托瑞安汽车科技有限公司 | 事故片段的识别方法、装置、设备及可读存储介质 |
| CN116343484A (zh) * | 2023-05-12 | 2023-06-27 | 天津所托瑞安汽车科技有限公司 | 交通事故识别方法、终端及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005122272A (ja) * | 2003-10-14 | 2005-05-12 | Toyota Motor Corp | 車輌の走行経路予測制御装置 |
| CN104021601A (zh) * | 2014-05-30 | 2014-09-03 | 爱培科科技开发（深圳）有限公司 | 基于三轴加速度传感器的汽车碰撞检测方法和装置 |
| CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
| CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
-
2018
- 2018-05-11 CN CN201810450028.3A patent/CN108877213B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005122272A (ja) * | 2003-10-14 | 2005-05-12 | Toyota Motor Corp | 車輌の走行経路予測制御装置 |
| CN104021601A (zh) * | 2014-05-30 | 2014-09-03 | 爱培科科技开发（深圳）有限公司 | 基于三轴加速度传感器的汽车碰撞检测方法和装置 |
| CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
| CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐韬: "基于小波- ARIMA的浮动车运行车速动态预测模型", 《江西建材》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902832B (zh) * | 2018-11-28 | 2023-11-17 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
| CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
| CN109710984A (zh) * | 2018-12-04 | 2019-05-03 | 斑马网络技术有限公司 | 事故识别与救援方法及装置 |
| CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
| CN110395205A (zh) * | 2019-08-13 | 2019-11-01 | 江苏满运软件科技有限公司 | 车辆事故告警方法、装置、电子设备、存储介质 |
| CN111144485A (zh) * | 2019-12-26 | 2020-05-12 | 北京中交兴路车联网科技有限公司 | 基于xgboost分类算法的车辆事故判断方法和系统 |
| CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
| CN111538953A (zh) * | 2020-04-17 | 2020-08-14 | 上海华兴数字科技有限公司 | 物料识别方法、装置、设备及存储介质 |
| CN111538953B (zh) * | 2020-04-17 | 2023-06-16 | 上海华兴数字科技有限公司 | 物料识别方法、装置、设备及存储介质 |
| CN113033713B (zh) * | 2021-05-24 | 2021-07-23 | 天津所托瑞安汽车科技有限公司 | 事故片段的识别方法、装置、设备及可读存储介质 |
| CN113033713A (zh) * | 2021-05-24 | 2021-06-25 | 天津所托瑞安汽车科技有限公司 | 事故片段的识别方法、装置、设备及可读存储介质 |
| CN116343484A (zh) * | 2023-05-12 | 2023-06-27 | 天津所托瑞安汽车科技有限公司 | 交通事故识别方法、终端及存储介质 |
| CN116343484B (zh) * | 2023-05-12 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 交通事故识别方法、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108877213B (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108877213A (zh) | 交通事故的识别方法及系统 | |
| CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
| CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
| US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
| CN105892471A (zh) | 汽车自动驾驶方法和装置 | |
| CN109840612A (zh) | 用户驾驶行为分析方法及系统 | |
| CN111539087B (zh) | 自动驾驶系统仿真测试平台和自动驾驶系统评价方法 | |
| CN114446049B (zh) | 基于社会价值取向的交通流预测方法、系统、终端及介质 | |
| CN109637137A (zh) | 基于车路协同的交通管理系统 | |
| CN106133805A (zh) | 用于碰撞回避的驾驶辅助方法和系统 | |
| CN112863245B (zh) | 基于深度神经网络的车辆换道轨迹实时预测方法 | |
| CN112465868B (zh) | 一种目标检测跟踪方法、装置、存储介质及电子装置 | |
| CN107111938A (zh) | 用于确定拥堵末端位置的服务器、系统和方法 | |
| CN110009903A (zh) | 一种交通事故现场还原方法 | |
| CN105590087B (zh) | 一种道路识别方法及装置 | |
| CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及系统 | |
| CN111824169A (zh) | 用于降低具有内燃机的车辆的驱动系统的废气排放的方法 | |
| Yang et al. | Driver distraction detection for vehicular monitoring | |
| CN112319505B (zh) | 自动驾驶换道判断方法、装置、设备及存储介质 | |
| Scora et al. | Real-time roadway emissions estimation using visual traffic measurements | |
| CN109720353A (zh) | 一种基于智能手机的驾驶行为检测方法 | |
| CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
| CN114730494A (zh) | 用于对交通场景的空间的覆盖进行估计的方法 | |
| CN112990563B (zh) | 一种高速公路追尾事故风险实时预测方法 | |
| CN114495519B (zh) | 一种高速公路智慧可视化展示系统 |
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 |