CN109670085B - 一种车辆碰撞事故等级的判别方法 - Google Patents
一种车辆碰撞事故等级的判别方法 Download PDFInfo
- Publication number
- CN109670085B CN109670085B CN201811540607.3A CN201811540607A CN109670085B CN 109670085 B CN109670085 B CN 109670085B CN 201811540607 A CN201811540607 A CN 201811540607A CN 109670085 B CN109670085 B CN 109670085B
- Authority
- CN
- China
- Prior art keywords
- data
- acceleration
- vector
- segment
- segments
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆碰撞事故等级的判别方法,涉及汽车安全、碰撞检测领域,所述方法包括以下步骤:获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包,从数据包中提取运动数据、位置数据;对运动数据进行分段,以段为单位对数据段进行数据处理以反映各类运动参数数据段的数据特征;对运动数据运动参数的每一类数据根据数据处理结果判断得到变化最显著的数据段;对显著数据段进行分级判断得到判定结果;根据位置数据分级判断规则对道路场景进行分级判断得到级别;根据多个级别判定结果,计算处理得到综合的碰撞严重程度等级G。本发明通过大量的数据论证,将碰撞分为多个等级,对车辆状态的准确判定可以有效提高车联网中行车安全,提高车联网的安全性,促进现有车联网系统的完善和发展。
Description
技术领域
本发明涉及汽车安全、碰撞检测领域,尤其是一种车辆碰撞事故等级的判别方法。
背景技术
随着经济的发展,汽车成了人们生活中必不可少的工具,使得大众的生活更加的便捷。随着越来越多的汽车投入使用,用户在汽车上的花费的时间越来越多,其交通管制和交通安全成了一个重要的问题。由此,继互联网、物联网之后,车联网是未来智能城市另一标志。
在车联网的环境下,用车安全是人们非常关注的一个问题。车辆自身环境和状态信息是影响汽车安全的非常重要的因素,是车联网环境下不可缺少的一项应用。汽车碰撞是行车过程中的造成车辆异常的尤其重要原因,因此碰撞检测是在车联网中是非常重要的一环。目前,市面上基于车载设备的碰撞检测技术分为三类,分别是:基于OBD接口的车载设备的碰撞检测技术、基于视频图像的车载设备的碰撞检测技术以及基于普通的GPS+g-sensor设备的碰撞检测技术。所有的技术在碰撞检测的性能上,都忽视了一个重要的方向,就是对碰撞严重程度进行分级的研究。目前,业内还不能够对汽车碰撞严重程度做出客观的准确的检测,更没有技术手段能读对碰撞严重程度进行有效的分级。
发明内容
本发明的发明目的在于:针对上述现有技术中存在的问题,提供提出一种在车联网平台下,车辆碰撞严重程度的分级方法。该方法通过大量的数据论证,得出碰撞严重程度的客观指标,并能够使用车载设备生产的数据,通过技术手段对碰撞的严重程度进行有效的分级。以填补从客观指标到技术实现的空白。
本发明采用的技术方案如下:
一种车辆碰撞事故等级的判别方法,所述方法包括以下步骤:
S1:获取疑似碰撞时间点前T1时间段和后T2时间段的数据包,依次从获取的数据包中分别提取速度、加速度、角速度,得到速度向量V、加速度向量A、角速度向量R,从获取数据包中提取位置数据;所述位置数据为疑似碰撞时间点的位置经纬度数据;
S2:分别对速度向量V,加速度向量A,角速度向量R的数据进行预处理;
S3:对速度向量V、加速度向量A、角速度向量R分别根据时间进行分段,得到N1个速度向量V数据段、N2个加速度向量A数据段、N3个角速度向量R数据段,对分段后的速度向量V数据段、加速度向量A数据段、角速度向量R数据段以段为单位分别进行数据处理以反映各数据段的数据特征;
S4:根据速度向量V的N1个数据段的数据处理结果判断速度变化最显著的数据段N1i;根据加速度向量A的N2个数据段的数据处理结果判断加速度变化最显著的数据段N2j;根据角速度向量R的N3个数据段的数据处理结果判断加速度变化最显著的数据段N3k;
S5:按照预设速度数据分级判断规则对数据段N1i进行分级判断,得到速度级别Gv;按照预设加速度数据分级判断规则对数据段N2j进行分级判断,得到加速度级别Ga;按照预设角速度数据分级判断规则对数据段N3k进行分级判断,得到角速度级别Gr;
S6:根据所述位置数据处理得到道路场景,按照预设道路场景分级判断规则,对道路场景进行分级判断,判断得到位置级别Gd;
上述步骤S6与步骤S2不分先后;
S7:由判定级别Gv、Ga、Gr、Gd计算处理得到综合的碰撞严重程度等级G。
所述步骤S2中预处理包括对速度向量V,加速度向量A,角速度向量R中数据缺失值分别进行填充;对速度向量V,加速度向量A,角速度向量R分别设定数据值域范围,对超出值域范围的数据值分别进行数据替换。
所述数据缺失值进行填充的方法具体为:使用缺失值对应时间点前后相邻时间点数值的均值填充;所述超出值域范围的数据值分别进行数据替换的方法具体为:使用异常数据值对应时间点前后相邻时间点数值的均值替换。
所述步骤S3中,对速度向量V根据时间进行分段,对分段后的速度向量V数据段以段为单位进行数据处理的具体步骤为:将速度向量V根据时间划分成N1段,以段为单位分别计算速度向量V的N1个数据段的每一段的速度均值、速度标准差、每两个相邻时间点速度值的差值。
所述步骤S3中,对加速度向量A根据时间进行分段,对分段后的加速度向量A数据段以段为单位进行数据处理的具体步骤为:将加速度向量A根据时间划分成N2段,以段为单位分别计算加速度向量A的N2个数据段的每一段的加速度标准差、加速度最大值、加速度极值差。
所述步骤S3中,对角速度向量R根据时间进行分段,对分段后的角速度向量数据段以段为单位进行数据处理的具体步骤为:将角速度向量R根据时间划分成N3段,以段为单位分别计算角速度向量R的N3个数据段的每一段内的每两个相邻时间点角速度值的差值。
所述步骤S4中,所述根据速度向量V的N1个数据段的数据处理结果,判断速度变化最显著的数据段N1i的过程具体为:查找速度向量V的N1个数据段中速度均值、速度标准差、两个相邻时间点速度值的差值都为最大的数据段,若查找结果不为零个数据段,则确定时间顺序靠后的一个数据段为N1i;若查找结果为零个数据段,则首先查找两个相邻时间点速度值的差值为最大的数据段得到查找结果R1,然后在R1中查找速度标准差为最大的数据段得到查找结果R2,最后在R2中查找速度均值为最大的数据段得到查找结果R3,确定R3中时间顺序靠后的一个数据段为N1i。
所述根据加速度向量A的N2个数据段的数据处理结果,判断加速度变化最显著的数据段N2j的过程具体为:查找加速度向量A的N2个数据段中加速度标准差、加速度最大值、加速度极值差都为最大的数据段,若查找结果不为零个数据段,则确定时间顺序靠后的一个数据段为N2j;若查找结果为零个数据段,则首先查找加速度极值差为最大的数据段得到查找结果R4,然后在R4中查找各数据段中加速度最大值为最大的数据段得到查找结果R5,最后在R5中查找加速度标准差为最大的数据段得到查找结果R6,确定R6中时间顺序靠后的一个数据段为N2j。
所述根据角速度向量R的N3个数据段的数据处理结果,判断加速度变化最显著的数据段N3k的过程具体为:查找角速度向量R的N3个数据段中角速度值的差值为最大的数据段,确定时间顺序靠后的一个数据段为N3k。
所述步骤S5中数据段N1i分级判断具体为:根据线下已有速度数据进行处理得到速度分级判定标准,将数据段N1i根据速度分级判定标准对其进行分级判定,得到速度级别Gv;数据段N2j进行分级判断具体为:根据线下已有加速度数据进行处理得到速度分级判定标准,将数据段N2j根据速度分级判定标准对其进行分级判定,得到加速度级别Ga;数据段N3k进行分级判断具体为:根据线下已有角速度数据进行处理得到速度分级判定标准,将数据段N3k根据速度分级判定标准对其进行分级判定,得到角速度级别Gr。
所述步骤S6中道路场景分级判断具体为对道路场景的危险程度分级。
所述根据所述位置数据处理得到道路场景,按照预设道路场景分级判断规则对所述道路场景进行分级判断的方法具体为:根据位置数据处理得到道路场景的关键字,根据道路场景关键字并按照预设道路场景分级判断规则对道路场景进行分级判断。
所述步骤S7中计算处理的具体参照公式为:
G=ωv Gv+ωa Ga+ωr Gr+ωd Gd
其中ωv、ωa、ωr、ωd依次分别为速度级别权重系数、加速度级别权重系数、角速度级别权重系数、位置级别权重系数。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明提供的一种车辆碰撞严重程度的分级方法,通过多维度的深度分析车载设备上传的数据中的运动参数以及位置参数,对碰撞时车辆的状态进行客观的准确的判定,将碰撞事件划分多个等级。
2.本发明提供的一种车辆碰撞严重程度的分级方法,通过大量的数据论证,将碰撞分为多个等级,对车辆状态的准确判定可以有效提高车联网中行车安全,提高车联网的安全性,促进现有车联网系统的完善和发展。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是碰撞检测流程图。
具体实施方式
为了使本领域的人员更好地理解本发明的技术方案,下面结合本发明的附图,对本发明的技术方案进行清楚、完整的描述,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的前提下所获得的其它类同实施例,都应当属于本申请保护的范围。
实施例1
一种车辆碰撞事故等级的判别方法,所述方法包括以下步骤:
S1:获取疑似碰撞时间点前T1时间段和后T2时间段的数据包,依次从获取的数据包中分别提取速度、加速度、角速度,得到速度向量V、加速度向量A、角速度向量R,从获取数据包中提取位置数据;所述位置数据为疑似碰撞时间点的位置经纬度数据;
S2:分别对速度向量V,加速度向量A,角速度向量R的数据进行预处理;
S3:对速度向量V、加速度向量A、角速度向量R分别根据时间进行分段,得到N1个速度向量V数据段、N2个加速度向量A数据段、N3个角速度向量R数据段,对分段后的速度向量V数据段、加速度向量A数据段、角速度向量R数据段以段为单位分别进行数据处理以反映各数据段的数据特征;
S4:根据速度向量V的N1个数据段的数据处理结果判断速度变化最显著的数据段N1i;根据加速度向量A的N2个数据段的数据处理结果判断加速度变化最显著的数据段N2j;根据角速度向量R的N3个数据段的数据处理结果判断加速度变化最显著的数据段N3k;
S5:按照预设速度数据分级判断规则对数据段N1i进行分级判断,得到速度级别Gv;按照预设加速度数据分级判断规则对数据段N2j进行分级判断,得到加速度级别Ga;按照预设角速度数据分级判断规则对数据段N3k进行分级判断,得到角速度级别Gr;
上述步骤S6与步骤S2不分先后;
S6:根据所述位置数据处理得到描述道路场景,根据道路场景并按照预设道路场景分级判断规则对道路场景进行分级判断,判断得到位置级别Gd;
S7:由判定级别Gv、Ga、Gr、Gd计算处理得到综合的碰撞严重程度等级G。
所述数据包数据为按时间依次顺序存储,由数据包获取的速度向量V、加速度向量A、角速度向量中数据也分别是由按时间依次顺序排列的数据组成的一维向量。
所述步骤S2中预处理包括对速度向量V,加速度向量A,角速度向量R中数据缺失值分别进行填充;对速度向量V,加速度向量A,角速度向量R分别设定数据值域范围,对超出值域范围的数据值分别进行数据替换。
所述数据缺失值进行填充的方法具体为:使用缺失值对应时间点前后相邻时间点数值的均值填充;所述超出值域范围的数据值替换方法具体为:使用异常数据值对应时间点前后相邻时间点数值的均值替换。
具体为速度向量V中数据在具体时间点出现了缺失,则使用对应具体时间点前后相邻时间点的速度向量值的均值填充;加速度向量A中数据在具体时间点出现了缺失,则使用对应具体时间点前后相邻时间点的加速度向量值的均值填充;,角速度向量R中数据在具体时间点出现了缺失,则使用对应具体时间点前后相邻时间点的角速度向量值的均值填充。
速度向量V中数据在具体时间点出现了异常数据值,则使用对应具体时间点前后相邻时间点的速度值的均值替换;加速度向量A中数据在具体时间点出现了异常数据值,则使用对应具体时间点前后相邻时间点的加速度值的均值替换;角速度向量R中数据在具体时间点出现了异常数据值,则使用对应具体时间点前后相邻时间点的角速度值的均值替换。
所述步骤S3对速度向量V进行分段及数据处理的具体步骤为:将速度向量V根据时间划分成N1段,以段为单位分别计算速度向量V的N1个数据段的每一段的速度均值、速度标准差、每两个相邻时间点速度值的差值(绝对值)。所述差值具体为时间点在后的速度值减去时间点在前的速度值。
所述对加速度向量A数据进行分段及数据处理的具体步骤为:将加速度向量A数据根据时间划分成N2段,以段为单位分别计算加速度向量A数据的N2个数据段的每一段的加速度标准差、加速度最大值、加速度极值差。所述极值差为最大值与最小值之差。
所述对角速度向量R数据进行分段及数据处理的具体步骤为:将角速度向量R数据根据时间划分成N3段,以段为单位分别计算角速度向量R数据的N3个数据段的每一段内的每两个相邻时间点角速度值的差值(绝对值)。所述差值具体为时间点在后的角速度值减去时间点在前的角速度值。
所述步骤S4中所述得到速度向量V数据段N1i过程具体为:查找速度向量V的N1个数据段中速度均值、速度标准差、两个相邻时间点速度值的差值都为最大的数据段,若查找结果不为零个数据段,则确定时间顺序靠后的一个数据段为N1i;若查找结果为零个数据段,则首先查找两个相邻时间点速度值的差值为最大的数段得到查找结果R1,然后在R1中查找速度标准差为最大的数据段得到查找结果R2,最后在R2中查找速度均值为最大的数据段得到查找结果R3,确定R3中时间顺序靠后的一个数据段为N1i。
所述得到加速度向量A数据段N2j过程具体为:查找加速度向量A的N2个数据段中加速度标准差、加速度最大值、加速度极值差都为最大的数据段,若查找结果不为零个数据段,则确定时间顺序靠后的一个数据段为N2j;若查找结果为零个数据段,则首先查找加速度极值差为最大的数据段得到查找结果R4,然后在R4中查找各数据段中加速度最大值为最大的数据段得到查找结果R5,最后在R5中查找加速度标准差为最大的数据段得到查找结果R6,确定R6中时间顺序靠后的一个数据段为N2j。
所述得到角速度向量R数据段N3k过程具体为:查找角速度向量R的N3个数据段中角速度差值为最大的数据段,确定时间顺序靠后的一个数据段为N3k。
所述步骤S5中数据段N1i分级判断具体为:根据线下已有速度数据进行处理得到速度分级判定标准,将数据段N1i根据速度分级判定标准对其进行分级判定,得到速度级别Gv;数据段N2j进行分级判断具体为:根据线下已有加速度数据进行处理得到速度分级判定标准,将数据段N2j根据速度分级判定标准对其进行分级判定,得到加速度级别Ga;数据段N3k进行分级判断具体为:根据线下已有角速度数据进行处理得到速度分级判定标准,将数据段N3k根据速度分级判定标准,对其进行分级判定,得到角速度级别Gr。
所述线下已有速度数据、线下已有加速度数据、线下已有角速度数据分别为大量的历史速度数据、历史加速度数据、历史角速度数据。
所述步骤S6中道路场景分级判断具体为对道路场景的危险程度分级。
所述道路分级判断方法具体为根据位置数据处理得到道路场景的关键字,根据道路场景关键字并按照预设道路场景分级判断规则对道路场景进行分级判断。
所述步骤S7中计算处理的具体参照公式为:
G=ωv Gv+ωa Ga+ωr Gr+ωd Gd
其中ωv、ωa、ωr、ωd依次分别为速度级别权重系数、加速度级别权重系数、角速度级别权重系数、位置级别权重系数。
实施例2
本发明的碰撞检测总流程如图1所示,下面详细介绍总流程的每个步骤:
S001:获取疑似碰撞时间点前T1时间间隔和后T2时间间隔的数据包,其中数据包为一连续时间段数据包提取速度、加速度、角速度组成速度向量V,加速度向量A,角速度向量R,以及疑似碰撞时间点的经纬度。转至S002。
S002:分为如下四个子步骤,同时并行计算,计算完成后转至S003。
S201:进行速度向量V的数据预处理,其中数据包中速度向量缺失值使用前后项的均值填充;超出速度值域范围的异常值使用前后项的均值填充;对于漂移产生的速度,进行漂移速度修正。并根据时间将速度向量V数据划分成S个段。
S202:进行加速度向量A的数据预处理,其中数据包中加速度缺失值使用前后项的均值填充;超出加速度值域范围的异常值使用前后项的均值填充。并根据时间将加速度向量A数据划分成S个段。
S203:进行角速度向量R的数据预处理,其中缺失值使用前后项的均值填充;超出角速度值域范围的异常值使用前后项的均值填充。并根据时间将角速度向量R数据划分成S个段。
S204:通过第三方平台的接口,将经纬度转化成街道地址,并从街道地址中提取描述道路场景的关键字。
S003:分为如下四个子步骤,同时并行计算,计算完成后转至S004。
S301:计算S个分段中,每个分段的速度的均值,标准差,相邻两个速度的差值,其中差值由后时间后的速度减去时间点在前的速度。
S302:计算S个分段中,每个分段的加速度的标准差,最大值,最大值与最小值之差极值差。
S303:计算S个分段中,每个分段的角速度值的差插值,其中差值由后时间后的角速度减去时间点在前的角速度。
S304:关键字搜索,找到街道地址的道路类型标签。重要关键字为高速、高速隧道、快速通道、涵洞、桥梁、环线、立交桥、红绿灯路口、T字路口、交叉路口、小区、厂区、大楼、停车场、减速带、加油站、服务区、城市主干道、国道、省道、马路,乡村马路、其它。其中将【高速、高速隧道、快速通道、环线、立交桥】标记为【超高危路段】;将【城市主干道、国道、省道、马路,乡村马路】标记为【高危路段】;将【涵洞、桥梁、红绿灯路口、T字路口、交叉路口、】标记为【中危路段】;将【小区、厂区、大楼、停车场、减速带、加油站、服务区、其它】标记为【低危路段】。
S004:查找速度均值、标准差、梯度都为最大的速度段位Vs,查找加速度标准差、最大值、极值差最大的加速度段位As;查找最大角速度差值的段位Rs。转至S005。
S005:分为如下四个子步骤,同时并行计算,计算完成后转至S006。
S501:计算速度变化程度等级Gv,公式:取Vs的模|Vs|,
|Vs|>Vg4,Gv=4;
|Vs|>Vg3,Gv=3;
|Vs|>Vg2,Gv=2;
|Vs|>Vg1,Gv=1;其中,Vg4、Vg3、Vg2、Vg1分别是线下已有速度数据采用k-means聚类后,所得到的的4个类别(对应于取4类)中,每一个类别的最小值。
S502:计算加速度变化程度等级Ga,公式:取As的模|As|,
|Vs|>Ag4,Ga=4;
|Vs|>Ag3,Ga=3;
|Vs|>Ag2,Ga=2;
|Vs|>Ag1,Ga=1;其中,Ag4、Ag3、Ag2、Ag1分别是线下已有加速度数据采用k-means聚类后,所得到的4个类别中,每一个类别的最小值。
S503:计算角速度变化程度等级Gr,公式:取Rs的模|Rs|,
|Vs|>Rg4,Gr=4;
|Vs|>Rg3,Gr=3;
|Vs|>Rg2,Gr=2;
|Vs|>Rg1,Gr=1;其中,Rg4、Rg3、Rg2、Rg1分别是线下已有角速度数据采用k-means聚类后,所得到的的4个类别中,每一个类别的最小值。
S504:计算道路类型程度等级Gd,公式:
4=【超高危路段】
3=【高危路段】
2=【中危路段】
1=【低危路段】
S006:计算综合的碰撞严重程度等级G,并输出。公式:
G=ωv Gv+ωa Ga+ωr Gr+ωd Gd
其中ωv、ωa、ωr、ωd依次分别为速度级别权重系数、加速度级别权重系数、角速度级别权重系数、位置级别权重系数。得到G值四舍五入取整数。
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (8)
1.一种车辆碰撞事故等级的判别方法,其特征在于,所述方法包括以下步骤:
S1:获取疑似碰撞时间点前T1时间段和后T2时间段的数据包,依次从获取的数据包中分别提取速度、加速度、角速度,得到速度向量V、加速度向量A、角速度向量R,从获取到的数据包中提取位置数据;所述位置数据为疑似碰撞时间点的位置经纬度数据;
S2:分别对速度向量V、加速度向量A、角速度向量R的数据进行预处理;
S3:对速度向量V、加速度向量A、角速度向量R分别根据时间进行分段,得到N1个速度向量V数据段、N2个加速度向量A数据段、N3个角速度向量R数据段,对分段后的速度向量V数据段、加速度向量A数据段、角速度向量R数据段以段为单位,分别进行数据处理以反映各数据段的数据特征;
S4:根据速度向量V的N1个数据段的数据处理结果,判断速度变化最显著的数据段N1i;根据加速度向量A的N2个数据段的数据处理结果,判断加速度变化最显著的数据段N2j;根据角速度向量R的N3个数据段的数据处理结果,判断加速度变化最显著的数据段N3k;
S5:按照预设速度数据分级判断规则,对数据段N1i进行分级判断,得到速度级别Gv;按照预设加速度数据分级判断规则,对数据段N2j进行分级判断,得到加速度级别Ga;按照预设角速度数据分级判断规则,对数据段N3k进行分级判断,得到角速度级别Gr;
S6:根据所述位置数据处理得到道路场景,按照预设道路场景分级判断规则对所述道路场景进行分级判断,判断得到位置级别Gd;
上述步骤S6与步骤S2不分先后;
S7:由判定级别Gv、Ga、Gr、Gd计算处理得到综合的碰撞严重程度等级G;
计算处理的具体参照公式为:
2.如权利要求1所述的一种车辆碰撞事故等级的判别方法,其特征在于,所述步骤S2中预处理包括对速度向量V,加速度向量A,角速度向量R中数据缺失值分别进行填充;对速度向量V,加速度向量A,角速度向量R分别设定数据值域范围,对超出值域范围的数据值分别进行数据替换。
3.如权利要求2所述的一种车辆碰撞事故等级的判别方法,其特征在于,所述数据缺失值进行填充的方法具体为:使用缺失值对应时间点前后相邻时间点数值的均值填充;所述对超出值域范围的数据值分别进行数据替换的方法具体为:使用异常数据值对应时间点前后相邻时间点数值的均值替换。
4.如权利要求1所述的一种车辆碰撞事故等级的判别方法,其特征在于,所述步骤S3中,对速度向量V根据时间进行分段,对分段后的速度向量V数据段以段为单位进行数据处理的具体步骤为:将速度向量V根据时间划分成N1段,以段为单位分别计算速度向量V的N1个数据段的每一段的速度均值、速度标准差、每两个相邻时间点速度值的差值;
所述步骤S3中,对加速度向量A根据时间进行分段,对分段后的加速度向量A数据段以段为单位进行数据处理的具体步骤为:将加速度向量A根据时间划分成N2段,以段为单位分别计算加速度向量A的N2个数据段的每一段的加速度标准差、加速度最大值、加速度极值差;
所述步骤S3中,对角速度向量R根据时间进行分段,对分段后的角速度向量数据段以段为单位进行数据处理的具体步骤为:将角速度向量R根据时间划分成N3段,以段为单位分别计算角速度向量R的N3个数据段的每一段内的每两个相邻时间点角速度值的差值。
5.如权利要求4所述的一种车辆碰撞事故等级的判别方法,其特征在于,
所述步骤S4中,所述根据速度向量V的N1个数据段的数据处理结果,判断速度变化最显著的数据段N1i的过程具体为:查找速度向量V的N1个数据段中速度均值、速度标准差、两个相邻时间点速度值的差值都为最大的数据段,若查找结果不为零个数据段,则确定时间顺序靠后的一个数据段为N1i;若查找结果为零个数据段,则首先查找两个相邻时间点速度值的差值为最大的数据段得到查找结果R1,然后在R1中查找速度标准差为最大的数据段得到查找结果R2,最后在R2中查找速度均值为最大的数据段得到查找结果R3,确定R3中时间顺序靠后的一个数据段为N1i;
所述根据加速度向量A的N2个数据段的数据处理结果,判断加速度变化最显著的数据段N2j的过程具体为:查找加速度向量A的N2个数据段中加速度标准差、加速度最大值、加速度极值差都为最大的数据段,若查找结果不为零个数据段,则确定时间顺序靠后的一个数据段为N2j;若查找结果为零个数据段,则首先查找加速度极值差为最大的数据段得到查找结果R4,然后在R4中查找各数据段中加速度最大值为最大的数据段得到查找结果R5,最后在R5中查找加速度标准差为最大的数据段得到查找结果R6,确定R6中时间顺序靠后的一个数据段为N2j;
所述根据角速度向量R的N3个数据段的数据处理结果,判断加速度变化最显著的数据段N3k的过程具体为:查找角速度向量R的N3个数据段中,角速度值的差值为最大的数据段,确定时间顺序靠后的一个数据段为N3k。
6.如权利要求1所述的一种车辆碰撞事故等级的判别方法,其特征在于,所述步骤S5中数据段N1i分级判断具体为:根据线下已有速度数据进行处理得到速度分级判定标准,将数据段N1i根据速度分级判定标准对其进行分级判定,得到速度级别Gv;数据段N2j进行分级判断具体为:根据线下已有加速度数据进行处理得到速度分级判定标准,将数据段N2j根据速度分级判定标准对其进行分级判定,得到加速度级别Ga;数据段N3k进行分级判断具体为:根据线下已有角速度数据进行处理得到速度分级判定标准,将数据段N3k根据速度分级判定标准对其进行分级判定,得到角速度级别Gr。
7.如权利要求1所述的一种车辆碰撞事故等级的判别方法,其特征在于,所述步骤S6中道路场景分级判断具体为对道路场景的危险程度分级。
8.如权利要求1所述的一种车辆碰撞事故等级的判别方法,其特征在于,所述根据所述位置数据处理得到道路场景,按照预设道路场景分级判断规则对所述道路场景进行分级判断的方法具体为:根据位置数据处理得到道路场景的关键字,根据道路场景关键字并按照预设道路场景分级判断规则对道路场景进行分级判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540607.3A CN109670085B (zh) | 2018-12-17 | 2018-12-17 | 一种车辆碰撞事故等级的判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540607.3A CN109670085B (zh) | 2018-12-17 | 2018-12-17 | 一种车辆碰撞事故等级的判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670085A CN109670085A (zh) | 2019-04-23 |
CN109670085B true CN109670085B (zh) | 2020-10-27 |
Family
ID=66144439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811540607.3A Active CN109670085B (zh) | 2018-12-17 | 2018-12-17 | 一种车辆碰撞事故等级的判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670085B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132995A (zh) * | 2020-10-20 | 2020-12-25 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、系统、车载设备及服务器 |
CN113098084B (zh) * | 2021-03-30 | 2022-09-16 | 清华大学 | 电池物联网系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2930697A1 (en) * | 2014-04-09 | 2015-10-14 | Johnson Controls Automotive Electronics SAS | Method and device for processing vehicle condition data |
CN105488258B (zh) * | 2015-11-24 | 2020-03-27 | 大连楼兰科技股份有限公司 | 基于cae技术的车辆碰撞自动化定损方法 |
CN105976449A (zh) * | 2016-05-27 | 2016-09-28 | 大连楼兰科技股份有限公司 | 车辆远程自动定损碰撞检测方法及系统 |
CN106891890B (zh) * | 2017-04-12 | 2021-03-23 | 吉林大学 | 一种汽车主动防撞系统 |
CN107933568B (zh) * | 2017-11-15 | 2019-12-03 | 中国联合网络通信集团有限公司 | 防碰撞控制方法、装置及系统 |
CN108417019A (zh) * | 2018-02-23 | 2018-08-17 | 盐城师范学院 | 一种汽车碰撞分级无线自动报警系统及报警方法 |
-
2018
- 2018-12-17 CN CN201811540607.3A patent/CN109670085B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109670085A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
US10838423B2 (en) | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits | |
CN107273520B (zh) | 一种基于货车监控数据的装卸货地点识别方法 | |
US9068848B2 (en) | Providing cost information associated with intersections | |
CN109166317B (zh) | 基于状态特征的城市交通路径通过时间确定方法 | |
CN114435138A (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN109712401B (zh) | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 | |
CN109670085B (zh) | 一种车辆碰撞事故等级的判别方法 | |
CN113950611B (zh) | 用于预测道路属性的方法和数据处理系统 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN109887279B (zh) | 一种交通拥堵预测方法及系统 | |
CN105279963B (zh) | 一种获取路况信息的方法及装置 | |
CN105788255B (zh) | 道路拥堵状态判断自动校正方法 | |
CN110675646B (zh) | 公交站点位置获取方法及装置 | |
CN114926984A (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
CN110211380B (zh) | 一种多源交通数据融合的高速公路拥堵区间探测方法 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN115204755A (zh) | 服务区入区率测算方法、装置、电子设备及可读存储介质 | |
CN113591670B (zh) | 一种基于卷积神经网络的车道线检测方法 | |
CN112308171A (zh) | 一种基于模拟驾驶器的车辆位置预测建模方法 | |
CN112927497A (zh) | 一种浮动车识别方法、相关方法和装置 | |
CN115188205B (zh) | 一种基于道路信息的汽车行驶工况修正方法 | |
Nieto et al. | Using Hidden Markov Models for Profiling Driver Behavior Patterns. | |
CN114328594B (zh) | 一种车辆的行驶路径判定方法、装置、存储介质及终端 | |
CN114446050B (zh) | 一种分布式的车道级引导线构建方法及装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for judging the grade of vehicle collision accident Effective date of registration: 20211012 Granted publication date: 20201027 Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd. Pledgor: CHENGDU LUXINGTONG INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2021510000249 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |