CN109977451B - 一种多源不确定信息下车人碰撞事故再现系统及方法 - Google Patents

Abstract

本发明公开了一种多源不确定信息下车人碰撞事故再现系统及方法，用于解决多源不确定性情况下对车人碰撞事故的高可信再现。本发明系统通过读入痕迹信息后，选择合适的车人碰撞事故再现模型，通过痕迹不确定性分析技术获得不同模型所得不确定模型结果，再采用聚类分析方法判断不确定模型结果的可靠性并删除不可信的结果，最后采用决策理论将留下的可信结果进行融合。这种方法能够有效、准确、全方位的提高再现结果的可信性。

Description

一种多源不确定信息下车人碰撞事故再现系统及方法

技术领域

本发明涉及车人碰撞分析领域，更具体地，涉及一种多源不确定信息下车人碰撞事故再现系统及方法。

背景技术

事故再现的基础是遗留在事故现场的各类痕迹，因受过往车辆、行人等外界因素影响，这些痕迹测不准甚至测不到，故而导致痕迹不确定性问题的产生。因为痕迹的缺失，人们开始研究并提出很多基于单一或部分痕迹的事故再现模型，如基于人体抛距、车辆制动距离、人体损伤、车体变形及视频监控录像、汽车黑匣子等的模型。相关研究成果丰富了事故再现模型，但同时带入了模型的不确定性问题。此处所指模型的不确定性，指同一事故再现过程中可选的模型很多，而诸多模型所得结果又有差异。针对单一的不确定性问题，人们提出了很多解决方案。如痕迹不确定问题，人们提出了上下界、差分、响应曲面、蒙特卡洛等诸多方法去将痕迹所包含的不确定性信息引入最终再现结果中去；而针对模型的不确定问题，人们在依托新技术寻找更高精度事故再现模型的同时，开始借助决策理论提出基于一些成熟算子的事故再现结果融合的方法。但当模型、痕迹多源不确定性综合作用于事故时，相关的研究尚不多。多源不确定性作用下，事故再现过程更复杂，结果间关系隐藏的更深，不确定性之间相互影响会产生更大的不确定性，导致难以获得更加客观、可信的结果。

发明内容

本发明为克服上述现有技术所述的只基于事故再现中的某个方面的问题开展研究并提出解决方案，而不能系统地解决事故再现实践中实实在在存在的多源不确定性问题的缺陷，提供一种多源不确定信息下车人碰撞事故再现系统及方法。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的目的是设计一个系统，既能将痕迹不确定性信息反映到再现结果中去，又能融合不同模型所得各类不确定结果，且还能在融合结果之前对结果的可信性进行判断并删除错误信息，最终获得一个客观、可靠的包含多源不确定信息的事故再现结果。

为解决上述技术问题，本发明的技术方案如下：一种多源不确定信息下车人碰撞事故再现方法，包括以下步骤：

S1：由输入模块输入车人碰撞事故痕迹信息、经验参数以及模型；

S2：在模型选择模块根据用户输入的痕迹信息选择对应的模型，判断输入经验参数的正确性并将正确性结果反馈给用户；

S3：在痕迹不确定性分析模块选择不确定性分析方法并计算不同模型对应的不确定结果；

S4：调用结果可靠性判断模块判断不确定结果是否可靠；

S5：获得可靠的不确定结果后，调用不确定结果融合模块对这些可靠的不确定结果进行融合处理；

S6：将各个模型所得的结果，删除的结果，不可信的痕迹及融合后的最终结果输入到输出模块进行输出。

本发明通过读入痕迹信息后，选择合适的车人碰撞事故再现模型，通过痕迹不确定性分析技术获得不同模型所得不确定模型结果，再采用聚类分析方法判断不确定模型结果的可靠性并删除不可信结果，最后采用决策理论将留下的可信结果进行融合。

优选地，S1中的痕迹信息包括：人体损伤，人体抛距，车体变形，车辆制动距离；经验参数包括人车、人路、车路之间的碰撞恢复系数及摩擦系数。

优选地，步骤S3在痕迹不确定性分析模块计算不同模型对应的不确定结果的具体步骤为：

若有模型：

其中y为事故再现结果，在事故再现中主要指车速或碰撞位置，x为模型所需要的痕迹信息，包括确定痕迹、不确定区间或概率痕迹；

将x所包含的痕迹信息反映到y中，根据x所服从分布情况在其区间内生成样本量为n的随机数，调用模型计算n次后获得n个结果，对所有获得的结果进行统计处理后形成模型f所得的不确定结果；经过此模块后，k个模型则可以获得k个不确定结果。

优选地，痕迹不确定性分析模块提供三种不确定性分析方法，包括证据理论方法、蒙特卡洛方法及上下界法。

优选地，n的值为10⁷。

优选地，步骤S4调用结果可靠性判断模块判断不确定结果是否可靠的具体步骤为：

S41：若R1是模型1所得的不确定结果，将其分成j份，j为用户指定值，j的默认值为50，此步骤结束后将会获得kj=k×j个子区间；

S42：计算所得kj个子区间之间的Hausdorff距离（豪斯多夫距离），依据聚类分析理论将不满足要求的子区间去除；

S43：通过反推算法，找出导致异样结果的输入痕迹或输入痕迹的一部分，返回用户界面提醒用户检查输入痕迹或输入痕迹的一部分的可靠性；

S44：重复步骤S41到S43，直到结果不再发生改变，则算法停止。

优选地，所述的反推算法的实现过程为：

如果某个模型的某一子区间结果为不满足可靠性要求的区间，则返回痕迹不确定性分析模块，如果是单一痕迹模型，则直接认定与该子区间对应的部分痕迹的可靠性值得怀疑进而预警用户；如果是若干个痕迹的组合模型，则依赖其他模型判断后再预警用户。

优选地，所述的反推算法的具体实现过程为：

若有M1，M2及M3这3个模型，其中前两者分别是基于痕迹T1和T2的单一痕迹模型，而M3是基于痕迹T1与T2的组合模型，若通过步骤S42发现模型M3所得结果R3存在某一部分不可靠，导致这一部分产生的痕迹是T1-1和T2-3两部分，则进一步通过模型M1检验痕迹T1-1的可靠性、通过模型M2检验痕迹T2-3的可靠性。

优选地，步骤S5获得可靠的不确定结果后，调用不确定结果融合模块对这些可靠的不确定结果进行融合处理的具体步骤包括：

S51：若R1是模型1所得可靠的不确定结果，将其分成j份子区间，并根据R1的统计信息，给每一份赋予一个概率值，其j份子区间的概率值之和为1；

S52：获得离散化的不确定结果的子区间后，将所有子区间的上下界提取出来并进行排序，然后依据排序结果组合成一个最终输出结果的子区间集合；

S53：获得输出结果的子区间集合后，再依据步骤S51中子区间的概率信息，统计落在每个最终输出结果子区间的概率；

S54：若步骤S53统计概率过程中出现步骤S51和步骤S52中所得到的最终结果子区间相互交叉的情形或者包含关系，则转到步骤S51进行重新统计。

一种实现多源不确定信息下车人碰撞事故再现方法的系统，包括输入模块、模型选择模块、痕迹不确定性分析模块、结果可靠性判断模块、不确定结果融合模块以及输出模块；

输入模块用于输入车人碰撞事故的痕迹信息及其所含不确定性信息、经验参数和模型；

模型选择模块用于根据用户输入的痕迹信息及模型选择与痕迹信息对应的模型，判断输入的经验参数的正确性并反馈给用户信息；

痕迹不确定性分析模块用于获取与模型对应的不确定结果；

结果可靠性判断模块用于判断结果的可靠性；

不确定结果融合模块用于对可靠的结果进行融合处理；

输出模块用于将模型选择模块、痕迹不确定性分析模块、结果可靠性判断模块以及不确定结果融合模块的计算结果进行输出。

与现有技术相比，本发明技术方案的有益效果是：本发明提出了一个能解决事故再现中存在多源不确定性的问题的系统，这个系统包括痕迹不确定性计算、痕迹及模型结果相互验证及最终结果融合等方面，能够有效、准确、全方位的提高再现结果的可信性。

附图说明

图1为本发明的流程图。

图2为本发明的系统框图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

图2为本发明的系统框图，包括输入模块、模型选择模块、痕迹不确定性分析模块、结果可靠性判断模块、不确定结果融合模块以及输出模块；其中输入模块用于输入车人碰撞事故的痕迹信息及其所含不确定性信息、经验参数和模型；模型选择模块用于根据用户输入的痕迹信息及模型选择与痕迹信息对应的模型，判断输入的经验参数的正确性并反馈给用户信息；痕迹不确定性分析模块用于获取与模型对应的不确定结果；结果可靠性判断模块用于判断结果的可靠性；不确定结果融合模块用于对可靠的结果进行融合处理；输出模块用于将模型选择模块、痕迹不确定性分析模块、结果可靠性判断模块以及不确定结果融合模块的计算结果进行输出。

图1为本发明流程图，包括以下步骤：

S1：由输入模块输入车人碰撞事故痕迹信息、经验参数以及模型；其中痕迹信息包括：人体损伤，人体抛距，车体变形，车辆制动距离；经验参数包括人车、人路、车路之间的碰撞恢复系数及摩擦系数。

S2：在模型选择模块根据用户输入的痕迹信息选择对应的模型，在模型选择过程中，既要选择基于单一痕迹的模型，也要将可以获得输入的多痕迹模型选取，尽可能地将可以选择的多个模型均选取出来；判断输入经验参数的正确性并将正确性结果反馈给用户；经过模型选择模块后可以得到k（默认k需大于3，否则提醒用户输入太少）个具有显式表达式的模型。

S3：在痕迹不确定性分析模块选择不确定性分析方法并计算与模型对应的不确定结果；其中若有模型：

其中y为事故再现结果，在事故再现中主要指车速或碰撞位置，x为模型所需要的痕迹信息，包括确定痕迹、不确定区间或概率痕迹；

痕迹不确定性分析模块提供三种方法获得不确定结果，包括证据理论方法、蒙特卡洛方法及上下界法。默认为蒙特卡洛方法：将x所包含的痕迹信息反映到y中，根据x所服从分布情况在其区间内生成样本量为n（n的值为10⁷）的随机数，调用模型计算n次后获得n个结果，对所有获得的结果进行统计处理后形成模型f所得不确定结果；经过此模块后，k个模型可获得k个不确定结果。

S4：调用结果可靠性判断模块判断不确定结果是否可靠；

S41：若R1是模型1所得的不确定结果，将其分成j份，j为用户指定值，j的默认值为50，此步骤结束后将会获得kj=k×j个子区间；

S42：计算所得kj个子区间之间的Hausdorff距离，依据聚类分析理论将不满足要求的子区间去除；

S43：通过反推算法，找出导致异样结果的输入痕迹或输入痕迹的一部分，返回用户界面提醒用户检查输入痕迹或输入痕迹的一部分的可靠性；如果某个模型的某一子区间结果为不满足可靠性要求的区间，则返回痕迹不确定性分析模块，如果是单一痕迹模型，则直接认定与该子区间对应的某一部分痕迹的可靠性值得怀疑进而预警用户；如果是若干个痕迹的组合模型，则依赖其他模型判断后再预警用户。

在具体的实施例中，假如有M1，M2及M3这3个模型，其中前两者分别是基于痕迹T1和T2的单一痕迹模型，而M3是基于痕迹T1与T2的组合模型，若通过步骤S42发现模型M3所得结果R3存在某一部分不可靠，导致这一部分产生的痕迹是T1-1和T2-3两部分，则进一步通过模型M1检验痕迹T1-1的可靠性、通过模型M2检验痕迹T2-3的可靠性。

S44：重复步骤S41到S43，直到结果不再发生改变，则算法停止。

S5：获得可靠的不确定结果后，调用不确定结果融合模块对这些可靠的不确定结果进行融合处理；

S51：若R1是模型1所得可靠的不确定结果，将其分成j（默认值为20）份子区间，并根据R1的统计信息，给每一份赋予一个概率值，其j份子区间的概率值之和为1；

S52：获得离散化的不确定结果的子区间后，将所有子区间的上下界提取出来并进行排序，然后依据排序结果组合成一个最终输出结果的子区间集合；

在具体的实施例中，如有三个离散化的不确定子区间，分别为[1 ，4]、[2， 3]、[4，6]，它们的上下界排序向量应该为{1 2 3 4 6}，故最终输出结果的子区间集合为{[1，2]，[2，3]， [3，4]，[4，6]}。

S53：获得输出结果的子区间集合后，再依据步骤S51中子区间的概率信息，统计落在每个最终输出结果子区间的概率；将该概率连同S52中的子区间集合输出为最终的输出结果，形式如下{[1,2]P1, [2, 3]P2, [3,4]P3,[4,6]P4}，其中P为相应子区间的概率。

S54：若步骤S53统计概率过程中出现步骤S51和步骤S52中所得到的最终结果子区间相互交叉的情形或者包含关系，则转到步骤S51进行重新统计。

在具体的实施例中，如S52中子区间[1, 4]与子区间集合中的[1, 2]相互交叉，此处甚至是包含关系。在此种情况下，需返回S51，将区间[1, 4]分成[1,2]+[2, 3]+[3,4]后，重新统计则可。

S6：将各个模型所得的结果，删除的结果，不可信的痕迹及融合后的最终结果输入到输出模块进行输出。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种多源不确定信息下车人碰撞事故再现方法，其特征在于，包括以下步骤：

S1：由输入模块输入车人碰撞事故痕迹信息、经验参数以及模型；S1中的痕迹信息包括：人体损伤，人体抛距，车体变形，车辆制动距离；经验参数包括人车、人路、车路之间的碰撞恢复系数及摩擦系数；

S2：在模型选择模块根据用户输入的痕迹信息选择对应的模型，判断输入经验参数的正确性并将判断结果反馈给用户；

S3：在痕迹不确定性分析模块选择不确定性分析方法并计算不同模型对应的不确定结果；步骤S3在痕迹不确定性分析模块计算不同模型对应的不确定结果的具体步骤为：

若有模型：y＝f(x)

其中y为事故再现结果，在事故再现中主要指车速或碰撞位置，x为模型所需要的痕迹信息，包括确定痕迹、不确定区间或概率痕迹；将x所包含的痕迹信息反映到y中，根据x所服从分布情况在其区间内生成样本量为n的随机数，调用模型计算n次后获得n个结果，对所有获得的结果进行统计处理后形成模型f所得的不确定结果；经过此模块后，k个模型则可以获得k个不确定结果；

S4：调用结果可靠性判断模块判断不确定结果是否可靠；

S5：获得可靠的不确定结果后，调用不确定结果融合模块对这些可靠的不确定结果进行融合处理；

S6：将各个模块所得的结果，删除的结果，不可靠的痕迹及融合后的最终结果输入到输出模块进行输出；

步骤S4调用结果可靠性判断模块判断不确定结果是否可靠的具体步骤为：

S41：若R1是模型1所得的不确定结果，将其分成j份，j为用户指定值，j的默认值为50，此步骤结束后将会获得kj＝k×j个子区间；

S42：计算所得kj个子区间之间的Hausdorff距离，依据聚类分析理论将不满足要求的子区间去除；

S43：通过反推算法，找出导致异样结果的输入痕迹或输入痕迹的一部分，返回用户界面提醒用户检查输入痕迹或输入痕迹的一部分的可靠性；

S44：重复步骤S41到S43，直到结果不再发生改变，则算法停止。

2.根据权利要求1所述的一种多源不确定信息下车人碰撞事故再现方法，其特征在于，痕迹不确定性分析模块提供三种不确定性分析方法，包括证据理论方法、蒙特卡洛方法及上下界法。

3.根据权利要求2所述的一种多源不确定信息下车人碰撞事故再现方法，其特征在于，n的值为107。

4.根据权利要求3所述的一种多源不确定信息下车人碰撞事故再现方法，其特征在于，所述的反推算法的实现过程为：

如果某个模型的某一子区间结果为不满足可靠性要求的区间，则返回痕迹不确定性分析模块，如果是单一痕迹模型，则直接认定与该子区间对应的部分痕迹的可靠性值得怀疑进而预警用户；如果是若干个痕迹的组合模型，则依赖其他模型判断后再预警用户。

5.根据权利要求4所述的一种多源不确定信息下车人碰撞事故再现方法，其特征在于，所述的反推算法的具体实现过程为：

若有M1，M2及M3这3个模型，其中前两者分别是基于痕迹T1和T2的单一痕迹模型，而M3是基于痕迹T1与T2的组合模型，若通过步骤S42发现模型M3所得结果R3存在某一部分不可靠，导致这一部分产生的痕迹是T1-1和T2-3两部分，则进一步通过模型M1检验痕迹T1-1的可靠性、通过模型M2检验痕迹T2-3的可靠性。

6.根据权利要求5所述的一种多源不确定信息下车人碰撞事故再现方法，其特征在于，步骤S5获得可靠的不确定结果后，调用不确定结果融合模块对这些可靠的不确定结果进行融合处理的具体步骤包括：

S51：若R1是模型1所得可靠的不确定结果，将其分成j份子区间，并根据R1的统计信息，给每一份赋予一个概率值，其j份子区间的概率值之和为1；

S52：获得离散化的不确定结果的子区间后，将所有子区间的上下界提取出来并进行排序，然后依据排序结果组合成一个最终输出结果的子区间集合；

S53：获得输出结果的子区间集合后，再依据步骤S51中子区间的概率信息，统计落在每个最终输出结果子区间的概率；

S54：若步骤S53统计概率过程中出现步骤S51和步骤S52中所得到的最终结果子区间相互交叉的情形或者包含关系，则转到步骤S51进行重新统计。

7.一种多源不确定信息下车人碰撞事故再现系统，其特征在于，包括输入模块、模型选择模块、痕迹不确定性分析模块、结果可靠性判断模块、不确定结果融合模块以及输出模块；

输入模块用于输入车人碰撞事故的痕迹信息及其所含不确定性信息、经验参数和模型；痕迹信息包括：人体损伤，人体抛距，车体变形，车辆制动距离；经验参数包括人车、人路、车路之间的碰撞恢复系数及摩擦系数；

模型选择模块用于根据用户输入的痕迹信息及模型选择与痕迹信息对应的模型，判断输入的经验参数的正确性并反馈给用户信息；

痕迹不确定性分析模块用于获取与模型对应的不确定结果；在痕迹不确定性分析模块计算不同模型对应的不确定结果的具体步骤为：

若有模型：y＝f(x)

其中y为事故再现结果，在事故再现中主要指车速或碰撞位置，x为模型所需要的痕迹信息，包括确定痕迹、不确定区间或概率痕迹；将x所包含的痕迹信息反映到y中，根据x所服从分布情况在其区间内生成样本量为n的随机数，调用模型计算n次后获得n个结果，对所有获得的结果进行统计处理后形成模型f所得的不确定结果；经过此模块后，k个模型则可以获得k个不确定结果；

结果可靠性判断模块用于判断结果的可靠性；判断结果的可靠性的具体步骤为：

S41：若R1是模型1所得的不确定结果，将其分成j份，j为用户指定值，j的默认值为50，此步骤结束后将会获得kj＝k×j个子区间；

S42：计算所得kj个子区间之间的Hausdorff距离，依据聚类分析理论将不满足要求的子区间去除；

S43：通过反推算法，找出导致异样结果的输入痕迹或输入痕迹的一部分，返回用户界面提醒用户检查输入痕迹或输入痕迹的一部分的可靠性；

S44：重复步骤S41到S43，直到结果不再发生改变，则算法停止；

不确定结果融合模块用于对可靠的结果进行融合处理；

输出模块用于将模型选择模块、痕迹不确定性分析模块、结果可靠性判断模块以及不确定结果融合模块的计算结果进行输出。

Images