CN109726942A - 一种驾驶环境风险评估方法及系统 - Google Patents
一种驾驶环境风险评估方法及系统 Download PDFInfo
- Publication number
- CN109726942A CN109726942A CN201910156741.1A CN201910156741A CN109726942A CN 109726942 A CN109726942 A CN 109726942A CN 201910156741 A CN201910156741 A CN 201910156741A CN 109726942 A CN109726942 A CN 109726942A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- driving environment
- sample data
- sample
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种驾驶环境风险评估方法,包括:获取待评价驾驶环境的当前数据,根据当前数据,基于待评价驾驶环境对应的风险评估模型,得到待评价驾驶环境的当前风险等级。由于获取的待评价驾驶环境的当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据,数据维度来源更广,将上述数据结合对驾驶环境的风险进行评估,预警效果更加精确。
Description
技术领域
本申请涉及驾驶环境风险评估领域,尤其涉及一种驾驶环境风险评估方法及系统。
背景技术
驾驶环境是指驾驶员行驶中途径路线的环境。
随着人们经济水平的提高和消费水平的增长,车辆呈现逐年上涨的趋势,交通事故也更加频繁。为保证驾驶过程中的人身财产安全,对驾驶环境的风险进行评估变得越来越有价值。
对驾驶环境进行风险评估需要预先获取驾驶环境的历史数据,但是现有技术中数据来源单一,一般情况下只能获取驾驶环境的路况数据,或事故数据等,导致预警效果不佳。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种驾驶环境风险评估方法及系统。
本申请的方案如下:
根据本申请实施例的第一方面,提供一种驾驶环境风险评估方法,包括:
获取待评价驾驶环境的当前数据,所述当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据;
根据所述当前数据,基于所述待评价驾驶环境对应的风险评估模型,得到所述待评价驾驶环境的当前风险等级。
优选的,在本申请一种可实现的方式中,还包括:
获取所述待评价驾驶环境的历史数据作为样本数据;
对所述样本数据进行训练,得到所述风险评估模型,所述风险评估模型用于表征数据与风险等级之间的关系。
优选的,在本申请一种可实现的方式中,所述对所述样本数据进行训练,得到所述风险评估模型,包括:
从所述样本数据中筛选出所述待评价驾驶环境所需维度的样本数据;
通过聚类方法对所述筛选出的样本数据进行聚类,得到不同类别的样本数据;
确定各个类别的样本数据的风险等级,并根据所述各个类别的样本数据的风险等级,得到与所述样本数据对应的风险等级,以根据不同的样本数据及对应的风险等级,建立所述风险评估模型。
优选的,在本申请一种可实现的方式中,所述确定各个类别的样本数据的风险等级,包括:
对应各个类别的样本数据,通过预先建立的概率论与数理统计模型,估算相应类别的样本数据中每种维度下的事故概率,以及,将每种维度下的事故概率之和或事故概率的平均值,作为相应类别的样本数据的风险值;
根据各个类别的样本数据的风险值的大小对各个类别的样本数据排序;
根据排序结果和预设规则,确定各个类别的样本数据的风险等级,其中,所述预设规则表明排序顺序与设定的风险等级之间的关系。
优选的,在本申请一种可实现的方式中,所述确定各个类别的样本数据的风险等级,包括:
对应各个类别的样本数据,获取相应类别的样本数据中每种维度下的预设的评分值,以及,将每种维度下的评分值之和或评分值的平均值,作为相应类别的样本数据的风险值;
根据各个类别的样本数据的风险值的大小对各个类别的样本数据排序;
根据排序结果和预设规则,确定各个类别的样本数据的风险等级,其中,所述预设规则表明排序顺序与设定的风险等级之间的关系。
优选的,在本申请一种可实现的方式中,所述不同类别的样本数据中包括的数据的维度相同。
优选的,在本申请一种可实现的方式中,所述预先建立的概率论与数理统计模型为泊松分布模型或负二项分布模型。
优选的,在本申请一种可实现的方式中,所述估算相应类别的样本数据中每种维度下的事故概率包括:通过极大似然法估算相应类别的样本数据中每种维度下的事故概率。
优选的,在本申请一种可实现的方式中,还包括:根据所述待评价驾驶环境的风险等级,进行安全预警。
根据本申请实施例的第二方面,提供一种驾驶环境风险评估系统,包括:
获取模块,用于获取待评价驾驶环境的当前数据,所述当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据;
处理模块,用于根据所述当前数据,基于所述待评价驾驶环境对应的风险评估模型,得到所述待评价驾驶环境的当前风险等级。
本申请提供的技术方案可以包括以下有益效果:
本申请中,获取的待评价驾驶环境的当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据,因为数据维度来源更广,将上述数据结合对驾驶环境的风险进行评估,预警效果更加精确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种驾驶环境风险评估方法的流程图;
图2是本申请一个实施例提供的一种驾驶环境风险评估方法中得到风险评估模型的流程图;
图3是本申请另一个实施例提供的一种驾驶环境风险评估方法中得到风险评估模型的具体流程图;
图4是本申请一个实施例提供的一种驾驶环境风险评估系统的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是本申请一个实施例提供的发热体的结构示意图。
一种驾驶环境风险评估方法,包括:
S11:获取待评价驾驶环境的当前数据,当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据;
S12:根据当前数据,基于待评价驾驶环境对应的风险评估模型,得到待评价驾驶环境的当前风险等级。
地图数据包括:待评价驾驶环境所在区域的区域ID,待评价驾驶环境的的环境类型、自然灾害类型、自然灾害危险水平、自然灾害周期特征和气候环境特征,待评价驾驶环境的道路等级、交叉路口数量、交叉路口类型等。
交通数据包括:道路构造,道路宽窄,路面质量(水泥铺装还是柏油铺装),车行道和人行道路是否分离,道路中心是否有分离带,道路平曲线和纵曲线特征,路侧是否有建筑物和其他工作物,道路车流量等。
车企数据包括:驾驶员所驾驶车辆的性能数据。
驾驶员数据包括:驾驶员的驾龄,性别,年龄,驾照级别,是否出过驾驶事故等。
天气数据包括:待评价驾驶环境的当前天气情况。
事故数据包含:待评价驾驶环境中至今为止发生过的事故地点、发生事故的驾驶员数据、车辆数据、事故时间、事故等级、事故原因、事故天气。
每个驾驶环境都具有对应的风险评估模型,风险评估模型是预先建立的。
向风险评估模型中输入待评价驾驶环境的当前数据,风险评估模型输出待评价驾驶环境的当前风险等级。
本申请中,获取的待评价驾驶环境的当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据,因为数据维度来源更广,将上述数据结合对驾驶环境的风险进行评估,预警效果更加精确。
一些实施例中的驾驶环境风险评估方法,还包括:
S21:获取待评价驾驶环境的历史数据作为样本数据;
可以根据时间段将待评价驾驶环境的历史数据分为多个样本数据。比如将待评价驾驶环境每一年内的历史数据作为一个样本数据。
S22:对样本数据进行训练,得到风险评估模型,风险评估模型用于表征数据与风险等级之间的关系。
每个驾驶环境都有对应的风险评估模型,风险评估模型是将驾驶环境的历史数据作为样本数据,对样本数据进行训练得到的。
进一步的,S22对样本数据进行训练,得到风险评估模型,包括:
S221:从样本数据中筛选出待评价驾驶环境所需维度的样本数据;
一般待评价驾驶环境所需维度为地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据中可以获取的全部维度,若其中一个维度的数据无法获取,则建立风险评估模型时,不考虑此维度的数据。
S222:通过聚类方法对筛选出的样本数据进行聚类,得到不同类别的样本数据;
聚类方法又称聚类分析,群分析,它是研究分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。
聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
本实施例中采用的聚类方法为现有技术中的常规技术手段,此处对聚类方法如何实现不做赘述。
本实施例中通过聚类方法对筛选出的样本数据进行聚类时,可以根据需要风险等级个数确定需要聚类的类别个数,比如需要将样本数据分为五种风险等级,则通过聚类方法将筛选出的样本数据聚类为五种类别。
S223:确定各个类别的样本数据的风险等级,并根据各个类别的样本数据的风险等级,得到与样本数据对应的风险等级,以根据不同的样本数据及对应的风险等级,建立风险评估模型。
确定各个类别的样本数据的风险等级,包括多种方案,下面通过一些实施例提供其中两种可实行的方案。
1)对应各个类别的样本数据,通过预先建立的概率论与数理统计模型,估算相应类别的样本数据中每种维度下的事故概率,以及,将每种维度下的事故概率之和或事故概率的平均值,作为相应类别的样本数据的风险值;
估算相应类别的样本数据中每种维度下的事故概率,对其作出如下具体说明:
1.根据地图数据可以得到待评价驾驶环境所在区域的区域ID,待评价驾驶环境的的环境类型、自然灾害类型、自然灾害危险水平、自然灾害周期特征和气候环境特征,待评价驾驶环境的道路等级、交叉路口数量、交叉路口类型等数据,根据上述地图数据估算样本数据在该地图数据下的事故概率;
2.根据交通数据可以得到待评价驾驶环境的道路构造,道路宽窄,路面质量(水泥铺装还是柏油铺装),车行道和人行道路是否分离,道路中心是否有分离带,道路平曲线和纵曲线特征,路侧是否有建筑物和其他工作物,道路车流量等数据,根据上述交通数据,结合事故数据,得出每种交通数据下发生事故的频率,进而估算样本数据在该交通数据下的事故概率;
3.根据车企数据可以得到样本数据中驾驶员所驾驶车辆的性能数据,根据车辆的性能数据估算样本数据在该车企数据下的事故概率;
4.根据驾驶员数据可以得到样本数据中驾驶员的驾龄,性别,年龄,驾照级别,是否出过驾驶事故等,根据驾驶员数据估算该驾驶员数据下的事故概率;
5.根据天气数据可以得到样本数据中天气的数据,结合事故数据,得出每种天气下发生事故的频率,进而估算每种天气下的事故概率;
6.根据事故数据可以得到样本数据中驾驶环境发生过的事故次数,根据发生事故的频率来估算该驾驶环境发生事故的概率。
优选的,预先建立的概率论与数理统计模型为泊松分布模型或负二项分布模型。
泊松分布模型适合于描述单位时间(或空间)内随机事件发生的次数。
负二项分布是统计学上一种离散概率分布。满足以下条件的称为负二项分布:实验包含一系列独立的实验,每个实验都有成功、失败两种结果,成功的概率是恒定的,实验持续到r次成功,r为正整数。
泊松分布模型或负二项分布模型均为现有技术手段,此处不做赘述。
优选的,通过极大似然法估算相应类别的样本数据中每种维度下的事故概率。
极大似然法就是在参数θ的可能取值范围内,选取使L(θ)达到最大的参数值θ,作为参数θ的估计值。比如一个随机试验如有若干个可能的结果A,B,C,…。若在一次试验中,结果A出现,则一般认为试验条件对A出现有利,也即A出现的概率很大。
极大似然法为现有技术手段,此处不做赘述。
根据各个类别的样本数据的风险值的大小对各个类别的样本数据排序;
在一种可实现的方式中,可以根据各个类别的样本数据的风险值由大到小的顺序或者由小到大的顺序对各个类别的样本数据排序。
如将样本数据分为五类,五类样本数据的风险值分别为P1,P2,P3,P4,P5,按照由大到小的顺序为P5>P4>P3>P2>P1。
根据排序结果和预设规则,确定各个类别的样本数据的风险等级,其中,预设规则表明排序顺序与设定的风险等级之间的关系。
在一种可实现的方式中,预设规则可以为:将样本数据分为5类,风险等级可以设定为1,2,3,4,5五级,以5级为最高时,则取风险值排序中最高风险值的样本数据的类别为5级风险等级,风险值排序中次之高风险指的样本数据的类别为4级风险等级,以此类推。即风险值P5对应5级风险等级。
预设规则的实现方式具有多种,并不局限于上述的预设规则。
2)对应各个类别的样本数据,获取相应类别的样本数据中每种维度下的预设的评分值,以及,将每种维度下的评分值之和或评分值的平均值,作为相应类别的样本数据的风险值;
对样本数据中每种维度分别赋予计算其评分值的规则,对其作出如下具体说明:
1.天气数据中,根据天气的优良程度对天气数据进行评分,若为良好天气则给予高分值,若为恶劣天气则给予低分值。
2.地图数据中,根据驾驶环境的样本数据中的环境类型、自然灾害类型、自然灾害危险水平、自然灾害周期特征和气候环境特征,待评价驾驶环境的道路等级、交叉路口数量、交叉路口类型等数据综合进行评分。
如根据自然灾害类型对地图数据进行评分,若自然灾害类型为频繁型自然灾害则给予低分值,若自然灾害类型为不频繁型自然灾害则给予高分值。
根据自然灾害危险水平对地图数据进行评分,若自然灾害危险水平高则给予低分值,若自然灾害危险水平低则给予高分值。
根据自然灾害周期对地图数据进行评分,自然灾害周期长则给予高分值,自然灾害周期短则给予低分值。气候环境良好则给予高分值,气候环境恶劣则给予低分值。
根据道路等级对地图数据进行评分,分值从快速路、主干路、次干路、支路四级依次降低。
根据交叉路口数量对地图数据进行评分,若交叉路口数量多则给予低分值,若交叉路口数量少则给予高分值。
根据交叉路口类型对地图数据进行评分,若交叉路口窄则给予低分值,若交叉路口宽阔则给予高分值。
3.交通数据中,根据道路构造对交通数据进行评分,若道路构造合理则给予高分值,若道路构造不合理则给予低分值。
根据道路宽窄对交通数据进行评分,若道路较宽则给予高分值,若道路窄则给予低分值。
根据路面质量对交通数据进行评分,若路面质量较优则给予高分值,若路面质量较差则给予低分值。路面质量评分时同时考量路面的磨损程度以及路面的铺装材料。
根据车行道和人行道路是否分离对交通数据进行评分,若车行道和人行道路分离则给予高分值,若车行道和人行道路未分离则给予低分值。
根据道路中心是否有分离带对交通数据进行评分,若道路中心有分离带则给予高分值,若道路中心没有分离带则给予低分值。
根据道路平曲线和纵曲线特征对交通数据进行评分,若道路具有平曲线和纵曲线则给予高分值,若道路没有平曲线和纵曲线则给予低分值。
根据路侧是否有建筑物和其他工作物对交通数据进行评分,若路侧有建筑物和其他工作物则给予低分值,若路侧没有建筑物和其他工作物则给予高分值。
根据道路车流量对交通数据进行评分,若道路车流量少则给予高分值,若道路车流量多则给予低分值。
4.车企数据中,根据驾驶员所驾驶车辆的性能数据对车企数据进行评分,若车辆的性能优良则给予高分值,若车辆的性能较差则给予低分值。
5.驾驶员数据中,根据驾驶员的驾龄,性别,年龄,驾照级别,是否出过驾驶事故等来平价驾驶员的综合评分,若驾驶员为优秀驾驶员则给与高分值,若驾驶员为新手驾驶员则给予低分值。若驾驶员为未出过驾驶事故则给与高分值,若驾驶员出过驾驶事故则给予低分值。
6.事故数据中根据发生的事故的多少进行评分,若发生事故多则给予低分值,若发生事故少则给予高分值。
根据各个类别的样本数据的风险值的大小对各个类别的样本数据排序;
根据排序结果和预设规则,确定各个类别的样本数据的风险等级的过程参照上述实施例,此处不再赘述。
一些实施例中的驾驶环境风险评估方法,不同类别的样本数据中包括的数据的维度相同。
因为需要保证不同类别的样本数据进行对比时的风险值的准确性,若不同类别的样本数据中包括的数据的维度不相同,其最终计算出的风险值会出现偏差,所以需要使不同类别的样本数据中包括的数据的维度相同。
一些实施例中的驾驶环境风险评估方法,还包括:根据待评价驾驶环境的风险等级,进行安全预警。根据当前数据,基于待评价驾驶环境对应的风险评估模型,得到待评价驾驶环境的当前风险等级后,向驾驶员进行安全预警。
安全预警方式可以为向驾驶员发送语音提示,发送短信提示,发送警报提示等。
优选的,安全预警可以根据风险等级级别设定对应的等级级别。
如安全预警方式采用向驾驶员发送语音提示的方式,可以对不同的安全预警级别预先设定不同的语音,在得到待评价驾驶环境的当前风险等级后,进行对应级别的安全预警语音提示。
根据本申请实施例的第二方面,提供一种驾驶环境风险评估系统,包括:
获取模块31,用于获取待评价驾驶环境的当前数据,当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据;
处理模块32,用于根据当前数据,基于待评价驾驶环境对应的风险评估模型,得到待评价驾驶环境的当前风险等级。
本实施例中的驾驶环境风险评估系统的一种应用场景下,驾驶员向驾驶环境风险评估系统中输入当前驾驶环境的名称,驾驶环境风险评估系统解析当前驾驶环境的名称对应的驾驶环境,并确定为待评价驾驶环境。
通过获取模块和处理模块执行后续操作。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种驾驶环境风险评估方法,其特征在于,包括:
获取待评价驾驶环境的当前数据,所述当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据;
根据所述当前数据,基于所述待评价驾驶环境对应的风险评估模型,得到所述待评价驾驶环境的当前风险等级。
2.根据权利要求1所述的驾驶环境风险评估方法,其特征在于,还包括:
获取所述待评价驾驶环境的历史数据作为样本数据;
对所述样本数据进行训练,得到所述风险评估模型,所述风险评估模型用于表征数据与风险等级之间的关系。
3.根据权利要求2所述的驾驶环境风险评估方法,其特征在于,所述对所述样本数据进行训练,得到所述风险评估模型,包括:
从所述样本数据中筛选出所述待评价驾驶环境所需维度的样本数据;
通过聚类方法对所述筛选出的样本数据进行聚类,得到不同类别的样本数据;
确定各个类别的样本数据的风险等级,并根据所述各个类别的样本数据的风险等级,得到与所述样本数据对应的风险等级,以根据不同的样本数据及对应的风险等级,建立所述风险评估模型。
4.根据权利要求3所述的驾驶环境风险评估方法,其特征在于,所述确定各个类别的样本数据的风险等级,包括:
对应各个类别的样本数据,通过预先建立的概率论与数理统计模型,估算相应类别的样本数据中每种维度下的事故概率,以及,将每种维度下的事故概率之和或事故概率的平均值,作为相应类别的样本数据的风险值;
根据各个类别的样本数据的风险值的大小对各个类别的样本数据排序;
根据排序结果和预设规则,确定各个类别的样本数据的风险等级,其中,所述预设规则表明排序顺序与设定的风险等级之间的关系。
5.根据权利要求3所述的驾驶环境风险评估方法,其特征在于,所述确定各个类别的样本数据的风险等级,包括:
对应各个类别的样本数据,获取相应类别的样本数据中每种维度下的预设的评分值,以及,将每种维度下的评分值之和或评分值的平均值,作为相应类别的样本数据的风险值;
根据各个类别的样本数据的风险值的大小对各个类别的样本数据排序;
根据排序结果和预设规则,确定各个类别的样本数据的风险等级,其中,所述预设规则表明排序顺序与设定的风险等级之间的关系。
6.根据权利要求3所述的驾驶环境风险评估方法,其特征在于,所述不同类别的样本数据中包括的数据的维度相同。
7.根据权利要求4所述的驾驶环境风险评估方法,其特征在于,所述预先建立的概率论与数理统计模型为泊松分布模型或负二项分布模型。
8.根据权利要求4所述的驾驶环境风险评估方法,其特征在于,所述估算相应类别的样本数据中每种维度下的事故概率包括:通过极大似然法估算相应类别的样本数据中每种维度下的事故概率。
9.根据权利要求1所述的驾驶环境风险评估方法,其特征在于,还包括:根据所述待评价驾驶环境的风险等级,进行安全预警。
10.一种驾驶环境风险评估系统,其特征在于,包括:
获取模块,用于获取待评价驾驶环境的当前数据,所述当前数据包括如下维度中的一种或多种维度:地图数据,交通数据,车企数据,驾驶员数据,天气数据和事故数据;
处理模块,用于根据所述当前数据,基于所述待评价驾驶环境对应的风险评估模型,得到所述待评价驾驶环境的当前风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156741.1A CN109726942A (zh) | 2019-03-01 | 2019-03-01 | 一种驾驶环境风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156741.1A CN109726942A (zh) | 2019-03-01 | 2019-03-01 | 一种驾驶环境风险评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726942A true CN109726942A (zh) | 2019-05-07 |
Family
ID=66300878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910156741.1A Pending CN109726942A (zh) | 2019-03-01 | 2019-03-01 | 一种驾驶环境风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726942A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570655A (zh) * | 2019-09-19 | 2019-12-13 | 安徽百诚慧通科技有限公司 | 基于层次聚类和决策树的车辆特征评估方法 |
CN110992518A (zh) * | 2019-12-02 | 2020-04-10 | 深圳市智信达风险管理科技股份有限公司 | 驾驶员风险评价系统及方法 |
CN111123948A (zh) * | 2019-12-31 | 2020-05-08 | 北京新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111178452A (zh) * | 2020-01-02 | 2020-05-19 | 平安科技(深圳)有限公司 | 驾驶风险识别方法、电子装置及可读存储介质 |
CN111739340A (zh) * | 2019-02-27 | 2020-10-02 | 丰田自动车株式会社 | 评价装置 |
CN111898878A (zh) * | 2020-07-14 | 2020-11-06 | 扬州大学 | 基于预警大数据的车辆风险时空分布分析方法 |
CN112541647A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 炼油动设备风险预警方法及预警系统 |
CN112749721A (zh) * | 2019-10-31 | 2021-05-04 | 彩虹无线(北京)新技术有限公司 | 驾驶风险评价模型训练方法及装置 |
CN112885145A (zh) * | 2021-01-21 | 2021-06-01 | 北京嘀嘀无限科技发展有限公司 | 路口风险预警的方法和装置 |
CN112907096A (zh) * | 2021-03-08 | 2021-06-04 | 江苏维诗环境科技有限公司 | 一种重金属污染风险评估系统 |
CN113160593A (zh) * | 2021-01-18 | 2021-07-23 | 重庆交通大学 | 一种基于边云协同的山区公路行车安全预警方法 |
CN113358131A (zh) * | 2021-06-11 | 2021-09-07 | 北京嘀嘀无限科技发展有限公司 | 一种导航方法、装置、电子设备及其存储介质 |
CN115099515A (zh) * | 2022-07-07 | 2022-09-23 | 星软集团有限公司 | 一种车辆风险智能处理的优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732075A (zh) * | 2015-03-06 | 2015-06-24 | 中山大学 | 一种城市道路交通事故风险实时预测方法 |
CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
CN108346317A (zh) * | 2018-04-11 | 2018-07-31 | 北京汽车研究总院有限公司 | 道路风险预警方法和装置 |
CN108765627A (zh) * | 2018-04-12 | 2018-11-06 | 深圳市拓保软件有限公司 | 一种驾驶数据风险量化的方法 |
CN109145954A (zh) * | 2018-07-24 | 2019-01-04 | 同济大学 | 一种基于多源时空数据的网约车出行安全评价方法及系统 |
-
2019
- 2019-03-01 CN CN201910156741.1A patent/CN109726942A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732075A (zh) * | 2015-03-06 | 2015-06-24 | 中山大学 | 一种城市道路交通事故风险实时预测方法 |
CN106651162A (zh) * | 2016-12-09 | 2017-05-10 | 思建科技有限公司 | 一种基于大数据的驾驶风险评估方法 |
CN108346317A (zh) * | 2018-04-11 | 2018-07-31 | 北京汽车研究总院有限公司 | 道路风险预警方法和装置 |
CN108765627A (zh) * | 2018-04-12 | 2018-11-06 | 深圳市拓保软件有限公司 | 一种驾驶数据风险量化的方法 |
CN109145954A (zh) * | 2018-07-24 | 2019-01-04 | 同济大学 | 一种基于多源时空数据的网约车出行安全评价方法及系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739340A (zh) * | 2019-02-27 | 2020-10-02 | 丰田自动车株式会社 | 评价装置 |
CN110570655A (zh) * | 2019-09-19 | 2019-12-13 | 安徽百诚慧通科技有限公司 | 基于层次聚类和决策树的车辆特征评估方法 |
CN112541647A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 炼油动设备风险预警方法及预警系统 |
CN112749721A (zh) * | 2019-10-31 | 2021-05-04 | 彩虹无线(北京)新技术有限公司 | 驾驶风险评价模型训练方法及装置 |
CN110992518B (zh) * | 2019-12-02 | 2023-01-31 | 深圳市智信达风险管理科技股份有限公司 | 驾驶员风险评价系统及方法 |
CN110992518A (zh) * | 2019-12-02 | 2020-04-10 | 深圳市智信达风险管理科技股份有限公司 | 驾驶员风险评价系统及方法 |
CN111123948A (zh) * | 2019-12-31 | 2020-05-08 | 北京新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111123948B (zh) * | 2019-12-31 | 2023-04-28 | 北京国家新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111178452A (zh) * | 2020-01-02 | 2020-05-19 | 平安科技(深圳)有限公司 | 驾驶风险识别方法、电子装置及可读存储介质 |
CN111898878A (zh) * | 2020-07-14 | 2020-11-06 | 扬州大学 | 基于预警大数据的车辆风险时空分布分析方法 |
CN113160593A (zh) * | 2021-01-18 | 2021-07-23 | 重庆交通大学 | 一种基于边云协同的山区公路行车安全预警方法 |
CN112885145A (zh) * | 2021-01-21 | 2021-06-01 | 北京嘀嘀无限科技发展有限公司 | 路口风险预警的方法和装置 |
CN112907096A (zh) * | 2021-03-08 | 2021-06-04 | 江苏维诗环境科技有限公司 | 一种重金属污染风险评估系统 |
CN113358131A (zh) * | 2021-06-11 | 2021-09-07 | 北京嘀嘀无限科技发展有限公司 | 一种导航方法、装置、电子设备及其存储介质 |
CN115099515A (zh) * | 2022-07-07 | 2022-09-23 | 星软集团有限公司 | 一种车辆风险智能处理的优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726942A (zh) | 一种驾驶环境风险评估方法及系统 | |
Sun et al. | Pedestrian crash analysis with latent class clustering method | |
Zhao et al. | Motor vehicle drivers’ injuries in train–motor vehicle crashes | |
Li et al. | Day-of-the-week variations and temporal instability of factors influencing pedestrian injury severity in pedestrian-vehicle crashes: A random parameters logit approach with heterogeneity in means and variances | |
CN108717786B (zh) | 一种基于普适性元规则的交通事故致因挖掘方法 | |
Mokhtarimousavi | A time of day analysis of pedestrian-involved crashes in California: Investigation of injury severity, a logistic regression and machine learning approach using HSIS data | |
Kang et al. | Cluster-based approach to analyzing crash injury severity at highway–rail grade crossings | |
Patil et al. | Road accident analysis using machine learning | |
Weng et al. | Ensemble tree approach to estimating work zone capacity | |
CN109408557A (zh) | 一种基于多重对应和K-means聚类的交通事故成因分析方法 | |
Kitali et al. | Evaluating aging pedestrian crash severity with Bayesian complementary log–log model for improved prediction accuracy | |
Farah et al. | Association of risk proneness in overtaking maneuvers with impaired decision making | |
Fang et al. | Driver risk assessment using traffic violation and accident data by machine learning approaches | |
Ma et al. | Analysis of the logistic model for accident severity on urban road environment | |
Khuzan et al. | Analysis of rural road traffic crashes in Al-Diwaniyah province using artificial neural network | |
Sun et al. | Analysis of factors affecting injury severity in motorcycle involved crashes | |
Hezaveh et al. | Pedestrian crashes in Tennessee: A data mining approach | |
Chen et al. | Risk factor analysis of traffic accident for different age group based on adaptive boosting | |
Parra et al. | Evaluating the performance of explainable machine learning models in traffic accidents prediction in california | |
Babu et al. | Generating road accident prediction set with road accident data analysis using enhanced expectation-maximization clustering algorithm and improved association rule mining | |
Alruwaished | Characteristics of drivers who cause run-off-road-crashes on Ohio roadways | |
Çeven et al. | Traffic accident severity prediction with ensemble learning methods | |
Nowakowska | Logistic models in crash severity classification based on road characteristics | |
CN113095713A (zh) | 一种基于公交历史报警数据的驾驶员空间风险预警方法 | |
Rab et al. | Comparison of contributing factors to pedestrian crossing crash severity at locations with different controls in Illinois |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |