CN110706517B - 交通工具的智能安全预警方法、装置、系统及存储介质 - Google Patents
交通工具的智能安全预警方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110706517B CN110706517B CN201911084257.9A CN201911084257A CN110706517B CN 110706517 B CN110706517 B CN 110706517B CN 201911084257 A CN201911084257 A CN 201911084257A CN 110706517 B CN110706517 B CN 110706517B
- Authority
- CN
- China
- Prior art keywords
- data
- variables
- vehicle
- variable
- information
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通技术领域,公开了一种交通工具的智能安全预警方法、装置、系统及存储介质。该方法包括:行前预警步骤,基于交通工具在待行驶路径的环境信息及环境实时交通路况信息,建立第一数据模型,发送第一预警信息;行中预警步骤,基于交通工具实时位置信息和所在环境信息、交通工具状况信息,建立第二数据模型预测风险,发送第二预警信息。本发明的交通工具的智能安全预警方法、装置、系统及存储介质具有可以客观反映驾驶水平,并结合实时的路况信息和天气情况以及车辆实时数据进行安全风险预警,减少了交通事故的发生率。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种交通工具的智能安全预警方法、装置、系统及存储介质。
背景技术
随着汽车工业的飞速发展和汽车保有量的大幅提高,仅我国每年由于交通事故造成的人员伤亡和财产损失也在随之大幅度增加。汽车的安全性能受到越来越广泛的关注。公路交通事故已成为全球范围内日益严重的公共安全问题。统计资料表明,其中驾驶员的人为因素导致的公路交通事故率最高。无论是事故数量。还是伤亡人数均分别高达各自总数的90%左右。并且在导致这些公路交通事故的驾驶员的人为因素中,疲劳和精神分散驾驶是重要原因之一。驾驶员在3s时间内的注意力不集中,造成了其中80%的交通事故,主要表现为车道偏离和追尾事故。若在公路交通事故发生前的1.5s给驾驶员发出预警,则可避免90%的这类事故。因此,通过在汽车上已有的大数据,利用技术手段分析车道、周围车辆的状况等驾驶环境信息,一旦当驾驶员发生疲劳及精神分散、汽车出现无意识的车道偏离及汽车间车距过近,存在追尾可能时,及时给予驾驶主动预警,是减少公路交通事故行之有效的技术措施。
最近智能交通行业兴起和智能网联技术尤其是物联网、5G通信技术的发展,对交通工具的智能化日益受到重视,且通过交通工具的智能化,可以及早预警,有效地减少安全事故。然而现在的安全预警方法还是存在预警准确性和及时性不够的问题。
有鉴于此,有必要提出一种交通工具的智能安全预警解决方案,去解决现有技术中存在的上述技术问题。
发明内容
本发明的主要目的在于提出一种交通工具的智能安全预警方法、装置、系统及存储介质,用以解决现有技术中预警不及时,不能客观反映驾驶水平的技术问题。
作为本发明的第一方面,本发明实施例提供一种交通工具的智能安全预警方法,其中,所述方法包括:
行前预警步骤,基于交通工具在待行驶路径的环境信息及环境实时交通路况信息,建立第一数据模型,发送第一预警信息;
行中预警步骤,基于交通工具实时位置信息和所在环境信息、交通工具状况信息,建立第二数据模型预测风险,发送第二预警信息。
优选地,所述行前预警步骤中建立第一数据模型包括:
整合包括环境信息和环境实时交通路况信息在内的数据源数据;
将数据源数据分区,分别分入训练集、验证集和测试集中;
分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第一预设条件待输入候选预测模型的特征变量;
在各候选预测模型中按照训练、验证、测试数据顺序依次运行各自的特征变量获得各候选模型下的准确率和预测结果;
从各所述候选预测模型中选取最优预测模型,作为所述第一数据模型。
优选地,所述行前预警步骤中建立第一数据模型在所述将数据源数据分区,分别分入训练集、验证集和测试集中之前还包括:
探索数据源数据的基本信息情况,包括数据缺失、数据异常、数据变量的分布情况、各数据变量的相关性中的一种或多种。
优选地,所述分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第一预设条件待输入候选预测模型的特征变量包括:
变量转换,分别从训练集、验证集、测试集中选取指定的数据变量转换为候选预测模型可识别的数据类型的数据变量;
变量聚类,分别从训练集、验证集、测试集中的特征表象相似的数据变量按照特征类似性进行聚合,减少数据源中数据维度;
数据合并,将变量转换后获得的变量与变量聚类聚合后的变量进行合并,生成多个特征变量;
选取符合所述第一预设条件的特征变量。
优选地,所述行中预测步骤中建立第二数据模型预测风险包括:
整合包括位置信息和所在环境信息、交通工具状况信息在内的数据源数据;
将数据源数据分区,分别分入训练集、验证集和测试集中;
分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量;
在各候选预测模型中按照训练、验证、测试数据顺序依次运行各自的特征变量获得各候选模型下的准确率和预测结果;
从各所述候选预测模型中选取最优预测模型,作为所述第二数据模型。
优选地,所述分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量包括:
变量转换,分别从训练集、验证集、测试集中选取指定的数据变量转换为候选预测模型可识别的数据类型的数据变量;
变量聚类,分别从训练集、验证集、测试集中的特征表象相似的数据变量按照特征类似性进行聚合,减少数据源中数据维度;
数据合并,将变量转换后获得的变量与变量聚类聚合后的变量进行合并,生成多个特征变量;
选取符合所述第二预设条件的特征变量。
优选地,所述变量转换包括:从交通工具实时位置信息和所在环境信息、交通工具状况信息中选取至少两个参数进行关联通过指定的复合算法生成行中复合变量。
优选地,所述从交通工具实时位置信息和所在环境信息、交通工具状况信息中选取至少两个参数进行关联通过指定的复合算法生成行中复合变量,进一步包括以下至少一种:
1)行驶里程与时间的复合变量MTHour_i算法:
变量MTHour_i代表不同时间内的行驶总里程,i∈{1,2,…,24};i取1时表示第1小时内的行驶总里程,i取2时表示第2小时内的行驶总里程,i取24时表示第24小时内的行驶总里程;
2)行驶速度与行驶时间的复合变量St_i算法:
变量St_i代表特定速度范围内的行驶总时长,i∈{1,2,3,4,5};i取1时表示低速行驶阶段的总时长;i取2时表示中速行驶阶段的总时长;i取3时表示中速行驶阶段的总时长;i取4时表示中高速行驶阶段的总时长;i取5时表示高速行驶阶段的总时长;
3)驾驶危险事件的标准化算法:
4)行驶里程与气象的复合算法:
定义变量Mw_i表特定气象内的行驶总里程;其中i∈{1,2,3,4},i=1代表正常气象;i=2代表一般恶劣气象;i=3代表中等恶劣气象;i=4代表特别恶劣气象;
5)行驶里程与温度的复合算法:
定义变量Mt_i代表特定温度内的行驶总里程;其中i∈{1,2,3,4},i=1代表超低温阶段;i=2代表低温阶段;i=3代表正常温度阶段;i=4代表高温阶段;则
6)行驶里程与风力的复合算法:
定义变量Mwind_i代表特定风力区间内的行驶总里程;其中i∈{1,2,3,4,5},i=1代表和风阶段;i=2代表强风阶段;i=3代表大风阶段;i=4代表狂风阶段;i=5代表台风或飓风阶段;
优选地,所述第一预警信息包括:风险预警类信息、车况故障类信息以及行驶辅助类信息;所述第二预警信息包括:驾驶行为类信息、风险预警类信息、车况故障类信息以及行驶辅助类信息。
优选地,所述候选预测模型包括:决策树模型、神经网络模型以及回归模型中的一种或多种。
作为本发明的第二方面,本发明实施例提供一种交通工具的智能安全预警装置,其中,所述装置包括:
行前预警装置,用于基于交通工具在待行驶路径的环境信息及环境实时交通路况信息,建立第一数据模型,发送第一预警信息;
行中预警装置,用于基于交通工具实时位置信息和所在环境信息、交通工具状况信息,建立第二数据模型预测风险,发送第二预警信息。
作为本发明的第三方面,本发明实施例提供一种交通工具的智能安全预警系统,其中,所述系统包括:
至少一车载终端电子设备,每一所述车载终端电子设备包括:第一处理器,与所述第一处理器通信连接的第一存储器;
服务器,所述服务器包括:至少一个第二处理器,与所述第二处理器通信连接的第二存储器;
其中,所述第一存储器存储有可被所述第一处理器执行的指令,所述指令被所述第一处理器执行,以实现前述任一项所述的方法;或者
所述第二存储器存储有可被所述第二处理器执行的指令,所述指令被所述第二处理器执行,以实现前述任一项所述的方法。
作为本发明的第四方面,本发明实施例还提供一种计算机可读存储介质,其中,所述存储介质存储有一段计算机程序指令,当所述计算机程序指令被处理器执行时实现如前面任一项所述的方法。
综上所述,本发明实施例提供的交通工具的智能安全预警方法、装置、系统及存储介质具有可以客观反映驾驶水平,并结合实时的路况信息和天气情况以及车辆实时数据进行安全风险预警,减少了交通事故的发生率。
附图说明
图1为本发明实施例中提供一种交通工具的智能安全预警方法的流程示意图。
图2为本发明实施例中提供的决策树算法获得的智能安全预警评价结果示意图。
图3为本发明实施例中提供的逻辑回归算法获得的智能安全预警评价结果示意图。
图4为本发明实施例中提供的神经网络算法获得的智能安全预警评价结果示意图。
图5a为本发明实施例中提供的模型的ROC曲线检验的示意图。
图5b为本发明实施例中提供的LIFT累计提升度的示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例1
请参见图1至图5b,本发明实施例1提供一种交通工具的智能安全预警方法,主要是实现多维度、多空间的交通工具数据和环境数据以及结合大数据方法实现交通工具驾驶时的安全预警。这里的交通工具可以是车辆(无人驾驶汽车、电动汽车等等各种类型的陆地车辆),也可是其它类型的交通工具,如水陆两用的交通工具或空陆两用的交通工具等。这里以车辆为例,该方法通过在分析车辆实时数据和当前车辆的外部环境数据并使用大数据方法结合该车及该车型的历史行车数据和与之匹配的环境数据、事故特征的其它车型历史行车数据。通过驾驶行为分布情况,里程、行程情况、激烈驾驶情况、天气、路况等多维数据,利用驾驶评测精算模型,对驾驶员的驾驶情况进行综合评估,客观反映其驾驶水平,并结合实时的路况信息和天气情况以及车辆实时数据进行安全风险预警。本发明实施例1中的交通工具的智能安全预警方法主要包括以下步骤:
S1、行前预警步骤,基于交通工具在待行驶路径的环境信息及环境实时交通路况信息,建立第一数据模型,发送第一预警信息;
S2、行中预警步骤,基于交通工具实时位置信息和所在环境信息、交通工具状况信息,建立第二数据模型预测风险,发送第二预警信息。
优选地,步骤S1的所述行前预警步骤中建立第一数据模型包括:
整合包括环境信息和环境实时交通路况信息在内的数据源数据;
将数据源数据分区,分别分入训练集、验证集和测试集中;
分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第一预设条件待输入候选预测模型的特征变量;
在各候选预测模型中按照训练、验证、测试数据顺序依次运行各自的特征变量获得各候选模型下的准确率和预测结果;
从各所述候选预测模型中选取最优预测模型,作为所述第一数据模型。
优选地,所述行前预警步骤中建立第一数据模型在所述将数据源数据分区,分别分入训练集、验证集和测试集中之前还包括:
探索数据源数据的基本信息情况,包括数据缺失、数据异常、数据变量的分布情况、各数据变量的相关性中的一种或多种。
优选地,所述分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第一预设条件待输入候选预测模型的特征变量包括:
变量转换,分别从训练集、验证集、测试集中选取指定的数据变量转换为候选预测模型可识别的数据类型的数据变量;
变量聚类,分别从训练集、验证集、测试集中的特征表象相似的数据变量按照特征类似性进行聚合,减少数据源中数据维度;
数据合并,将变量转换后获得的变量与变量聚类聚合后的变量进行合并,生成多个特征变量;
选取符合所述第一预设条件的特征变量。
优选地,所述行中预测步骤中建立第二数据模型预测风险包括:
整合包括位置信息和所在环境信息、交通工具状况信息在内的数据源数据;
将数据源数据分区,分别分入训练集、验证集和测试集中;
分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量;
在各候选预测模型中按照训练、验证、测试数据顺序依次运行各自的特征变量获得各候选模型下的准确率和预测结果;
从各所述候选预测模型中选取最优预测模型,作为所述第二数据模型。
优选地,所述分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量包括:
变量转换,分别从训练集、验证集、测试集中选取指定的数据变量转换为候选预测模型可识别的数据类型的数据变量;
变量聚类,分别从训练集、验证集、测试集中的特征表象相似的数据变量按照特征类似性进行聚合,减少数据源中数据维度;
数据合并,将变量转换后获得的变量与变量聚类聚合后的变量进行合并,生成多个特征变量;
选取符合所述第二预设条件的特征变量。优选地,本发明实施例中的变量转换包括以下中的至少一种:
1)行驶里程与时间(小时)的复合变量MTHour_i算法;
变量MTHour_i代表不同季度内的行驶总里程,i∈{1,2,…,24};i取1时表示第1小时内的行驶总里程,i取2时表示第2小时内的行驶总里程,i取24时表示第24小时内的行驶总里程;
2)行驶速度与行驶时间的复合变量St_i算法;
变量St_i代表特定速度范围内的行驶总时长,i∈{1,2,3,4,5};i取1时表示低速行驶阶段的总时长;i取2时表示中速行驶阶段的总时长;i取3时表示中速行驶阶段的总时长;i取4时表示中高速行驶阶段的总时长;i取5时表示高速行驶阶段的总时长;
3)驾驶危险事件的标准化算法;
定义变量Em_i代表特定时间内获取的车辆驾驶危险事件总次数;其中i∈{1,2,3,4,5,6}分别表示6类危险事件;定义变量Mt_i是与变量Em_i同一时间内获取的行驶总里程;则标准化后的变量通过数据标准化处理,获得的标准化危险事件次数变量,与采用非标准化的驾驶危险事件次数相比,能够很好剔除因为驾驶里程或观测时间差异带来的偏差,更好的反映出真实的驾驶风险暴露。
4)行驶里程与气象的复合算法;
定义变量Mw_i表特定气象内的行驶总里程;其中i∈{1,2,3,4},i=1代表正常气象;i=2代表一般恶劣气象;i=3代表中等恶劣气象;i=4代表特别恶劣气象;
5)行驶里程与温度的复合算法;
定义变量Mt_i代表特定温度内的行驶总里程;其中i∈{1,2,3,4},i=1代表超低温阶段;i=2代表低温阶段;i=3代表正常温度阶段;i=4代表高温阶段;则
6)行驶里程与风力的复合算法;
定义变量Mwind_i代表特定风力区间内的行驶总里程;其中i∈{1,2,3,4,5},i=1代表和风阶段;i=2代表强风阶段;i=3代表大风阶段;i=4代表狂风阶段;i=5代表台风或飓风阶段;
对于数据处理转换算法,不限于上面所展示表述的算法,以及进行变量转换后在进行复合的算法。
优选地,所述第一预警信息包括:风险预警类信息、车况故障类信息以及行驶辅助类信息;所述第二预警信息包括:驾驶行为类信息、风险预警类信息、车况故障类信息以及行驶辅助类信息。
由于现有数据处理延迟且没有使用大数据方案所有很难精确的进行预警。由于采用了大数据技术架构并通过决策树、逻辑回归、神经网络三种模型分别进行预测,同时选择测试效果最佳的模型作为最优模型。
1、数据源数据整合,如里程、行程情况、激烈驾驶情况、天气、路况等多维数据。
2、数据探索。探索了解数据的基本情况,如数据缺失、数据异常、变量的分布情况、各变量的相关性等。
3、数据分区。将60%的数据作为训练集、30%的数据作为验证集、10%作为测试集。
4、变量转换,将数据转换为模型支持的数据类型。如数据离散化,数据标准化、数据正则化等。
5、变量聚类。由于数据源维度很多,有些维度上的数据在特征表象上可能是相似的,对模型的影响不大,故而需要将这些类似的特征聚合,也就是对数据进行降维,例如PCA主成分分析方法降维等。
6、数据合并。将变量转换和聚类的数据合并,作为特征变量待进入模型。
7、特征变量选择。利用R方、卡方等方法对特征进行筛选,选取我们想要的前n个特征。
8、各个模型按照训练、验证、测试数据依次运行获得模型的准确率、预测等结果。
最优模型选择。通过模型的准确率、模型的学习曲线等方法选择表现最佳模型。
系统采用流处理技术可实现信息秒级处理,从而使得基于实时车况和路况的预警信息从“车辆——网络侧第一次处理——系统二次处理——输出风险预警”的整体流程的秒级实现。
基于实时车况和路况的预警信息分为“车况故障类、驾驶行为类、风险预警类、其他辅助类”等4个大维度的预警体系。
以下以驾驶行为类为示例说明风险预警整个流程:训练数据、验证数据和预测数据均包含车速、驾驶时长、天气、气象、温度、道路类型、是否偏离道路、是否变道、是否超速、车距等数据;
1、预测数据则是驾驶过程中的实时产生的数据,故模型可以通过实时的数据预测当前是否存在安全风险或者是风险程度。
3)模型检验
1、模型训练。训练数据包含特征有里程,速度,时间,地点,驾驶时长,道路类型,超速情况,路况,气象、温度、风力等天气,是否节假日,疲劳驾驶,变道,进入高速路口速度等。
2、模型校验。通过模型训练后,使用交叉验证法(如KFold)进行模型评估,并得到评估结果。
3、可视化模型训练、验证、评估过程的准确性、模型拟合数据是否过拟合、欠拟合。
A、用ROC曲线检验,检验模型的预测准确性。ROC曲线越靠近左上角,试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好阈值,其假阳性和假阴性的总数最少。AUC值为ROC曲线所覆盖的区域面积,AUC越大,分类器分类效果越好。
B、LIFT累计提升度图,能直观地去比较不同模型或策略给我们带来的区分能力增益程度。
C、学习曲线。通过学习曲线观察模型处于什么样的状态,是否欠拟合,过拟合。从而决定对模型进行如何的操作。
模型的ROC曲线检验和LIFT累计提升度:
实施例2
本发明对应于上述实施例1的方法还相应提供一种交通工具的智能安全预警系统,该系统主要包括:
至少一车载终端电子设备,每一所述车载终端电子设备包括:第一处理器,与所述第一处理器通信连接的第一存储器;
服务器,所述服务器包括:至少一个第二处理器,与所述第二处理器通信连接的第二存储器;
其中,所述第一存储器存储有可被所述第一处理器执行的指令,所述指令被所述第一处理器执行,以实现前面实施例1中所述的方法;或者
所述第二存储器存储有可被所述第二处理器执行的指令,所述指令被所述第二处理器执行,以实现实施例1中所述的方法。
有关该系统的详细描述请参见实施例1,在此不再赘述。
实施例3
另外,结合上述实施例中的打印数据处理方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述各个实施例中的任意一种交通工具的智能安全预警方法。
以上是对本发明提供的一种交通工具的智能安全预警方法、装置、系统及存储介质的详细说明。需要说明的是,在本文中,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、物品或者交通工具的智能安全预警所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种交通工具的智能安全预警方法,其特征在于,所述方法包括:
行前预警步骤,基于交通工具在待行驶路径的环境信息及环境实时交通路况信息,建立第一数据模型,发送第一预警信息;
行中预警步骤,基于交通工具实时位置信息和所在环境信息、交通工具状况信息,建立第二数据模型预测风险,发送第二预警信息;
所述行中预测步骤中建立第二数据模型预测风险包括:
整合包括位置信息和所在环境信息、交通工具状况信息在内的数据源数据;
将数据源数据分区,分别分入训练集、验证集和测试集中;
分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量;
所述分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量包括:
变量转换,分别从训练集、验证集、测试集中选取指定的数据变量转换为候选预测模型可识别的数据类型的数据变量;
所述变量转换还包括:从交通工具实时位置信息和所在环境信息、交通工具状况信息中选取至少两个参数进行关联通过指定的复合算法生成行中复合变量;
所述从交通工具实时位置信息和所在环境信息、交通工具状况信息中选取至少两个参数进行关联通过指定的复合算法生成行中复合变量,进一步包括以下至少一种:
1)行驶里程与时间的复合变量MTHour_i算法:
变量MTHour_i代表不同时间内的行驶总里程,i∈{1,2,…,24};i取1时表示第1小时内的行驶总里程,i取2时表示第2小时内的行驶总里程,i取24时表示第24小时内的行驶总里程;
2)行驶速度与行驶时间的复合变量St_i算法:
变量St_i代表特定速度范围内的行驶总时长,i∈{1,2,3,4,5};i取1时表示低速行驶阶段的总时长;i取2时表示中速行驶阶段的总时长;i取3时表示中速行驶阶段的总时长;i取4时表示中高速行驶阶段的总时长;i取5时表示高速行驶阶段的总时长;
3)驾驶危险事件的标准化算法:
4)行驶里程与气象的复合算法:
定义变量Mw_i表特定气象内的行驶总里程;其中i∈{1,2,3,4},i=1代表正常气象;i=2代表一般恶劣气象;i=3代表中等恶劣气象;i=4代表特别恶劣气象;
5)行驶里程与温度的复合算法:
定义变量Mt_i代表特定温度内的行驶总里程;其中i∈{1,2,3,4},i=1代表超低温阶段;i=2代表低温阶段;i=3代表正常温度阶段;i=4代表高温阶段;则
6)行驶里程与风力的复合算法:
定义变量Mwind_i代表特定风力区间内的行驶总里程;其中i∈{1,2,3,4,5},i=1代表和风阶段;i=2代表强风阶段;i=3代表大风阶段;i=4代表狂风阶段;i=5代表台风或飓风阶段;
变量聚类,分别从训练集、验证集、测试集中的特征表象相似的数据变量按照特征类似性进行聚合,减少数据源中数据维度;
数据合并,将衍生变量和原始变量一起输入预设的预测模型中,生成多个特征变量;
选取符合所述第二预设条件的特征变量;
在各候选预测模型中按照训练、验证、测试数据顺序依次运行各自的特征变量获得各候选模型下的准确率和预测结果;
从各所述候选预测模型中选取最优预测模型,作为所述第二数据模型。
2.根据权利要求1所述的交通工具的智能安全预警方法,其特征在于,所述行前预警步骤中建立第一数据模型包括:
整合包括环境信息和环境实时交通路况信息在内的数据源数据;
将数据源数据分区,分别分入训练集、验证集和测试集中;
分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第一预设条件待输入候选预测模型的特征变量;
在各候选预测模型中按照训练、验证、测试数据顺序依次运行各自的特征变量获得各候选模型下的准确率和预测结果;
从各所述候选预测模型中选取最优预测模型,作为所述第一数据模型。
3.根据权利要求2所述的交通工具的智能安全预警方法,其特征在于,所述行前预警步骤中建立第一数据模型将所述将数据源数据分区,分别分入训练集、验证集和测试集中之前还包括:
探索数据源数据的基本信息情况,包括数据缺失、数据异常、数据变量的分布情况、各数据变量的相关性中的一种或多种。
4.根据权利要求2所述的交通工具的智能安全预警方法,其特征在于,所述分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第一预设条件待输入候选预测模型的特征变量包括:
变量转换,分别从训练集、验证集、测试集中选取指定的数据变量转换为候选预测模型可识别的数据类型的数据变量;
数据合并,将所述数据变量的衍生变量和原始变量一起输入预设的预测模型中,生成多个特征变量;
选取符合所述第一预设条件的特征变量。
5.根据权利要求2至4任一项所述的交通工具的智能安全预警方法,其特征在于,所述候选预测模型包括:决策树模型、神经网络模型以及回归模型中的一种或多种。
6.根据权利要求1所述的交通工具的智能安全预警方法,其特征在于,所述第一预警信息包括:风险预警类信息、车况故障类信息以及行驶辅助类信息;所述第二预警信息包括:驾驶行为类信息、风险预警类信息、车况故障类信息以及行驶辅助类信息。
7.一种交通工具的智能安全预警装置,其特征在于,所述装置包括:
行前预警装置,用于基于交通工具在待行驶路径的环境信息及环境实时交通路况信息,建立第一数据模型,发送第一预警信息;
行中预警装置,用于基于交通工具实时位置信息和所在环境信息、交通工具状况信息,建立第二数据模型预测风险,发送第二预警信息;
所述行中预警装置,还用于整合包括位置信息和所在环境信息、交通工具状况信息在内的数据源数据;
将数据源数据分区,分别分入训练集、验证集和测试集中;
分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量;
所述分别对训练集、验证集、测试集中的数据变量进行处理,生成符合第二预设条件待输入候选预测模型的特征变量包括:
变量转换,分别从训练集、验证集、测试集中选取指定的数据变量转换为候选预测模型可识别的数据类型的数据变量;
所述行中预警装置,还用于从交通工具实时位置信息和所在环境信息、交通工具状况信息中选取至少两个参数进行关联通过指定的复合算法生成行中复合变量;
所述行中预警装置,还用于进一步执行以下至少一种算法:
1)行驶里程与时间的复合变量MTHour_i算法:
变量MTHour_i代表不同时间内的行驶总里程,i∈{1,2,…,24};i取1时表示第1小时内的行驶总里程,i取2时表示第2小时内的行驶总里程,i取24时表示第24小时内的行驶总里程;
2)行驶速度与行驶时间的复合变量St_i算法:
变量St_i代表特定速度范围内的行驶总时长,i∈{1,2,3,4,5};i取1时表示低速行驶阶段的总时长;i取2时表示中速行驶阶段的总时长;i取3时表示中速行驶阶段的总时长;i取4时表示中高速行驶阶段的总时长;i取5时表示高速行驶阶段的总时长;
3)驾驶危险事件的标准化算法:
4)行驶里程与气象的复合算法:
定义变量Mw_i表特定气象内的行驶总里程;其中i∈{1,2,3,4},i=1代表正常气象;i=2代表一般恶劣气象;i=3代表中等恶劣气象;i=4代表特别恶劣气象;
5)行驶里程与温度的复合算法:
定义变量Mt_i代表特定温度内的行驶总里程;其中i∈{1,2,3,4},i=1代表超低温阶段;i=2代表低温阶段;i=3代表正常温度阶段;i=4代表高温阶段;则
6)行驶里程与风力的复合算法:
定义变量Mwind_i代表特定风力区间内的行驶总里程;其中i∈{1,2,3,4,5},i=1代表和风阶段;i=2代表强风阶段;i=3代表大风阶段;i=4代表狂风阶段;i=5代表台风或飓风阶段;
变量聚类,分别从训练集、验证集、测试集中的特征表象相似的数据变量按照特征类似性进行聚合,减少数据源中数据维度;
数据合并,将衍生变量和原始变量一起输入预设的预测模型中,生成多个特征变量;
选取符合所述第二预设条件的特征变量;
在各候选预测模型中按照训练、验证、测试数据顺序依次运行各自的特征变量获得各候选模型下的准确率和预测结果;
从各所述候选预测模型中选取最优预测模型,作为所述第二数据模型。
8.一种交通工具的智能安全预警系统,其特征在于,所述系统包括:
至少一车载终端电子设备,每一所述车载终端电子设备包括:第一处理器,与所述第一处理器通信连接的第一存储器;
服务器,所述服务器包括:至少一个第二处理器,与所述第二处理器通信连接的第二存储器;
其中,所述第一存储器存储有可被所述第一处理器执行的指令,所述指令被所述第一处理器执行,以实现权利要求1-6任一项所述的方法;或者
所述第二存储器存储有可被所述第二处理器执行的指令,所述指令被所述第二处理器执行,以实现权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有一段计算机程序指令,当所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084257.9A CN110706517B (zh) | 2019-11-07 | 2019-11-07 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
CN202010963387.6A CN111986489B (zh) | 2019-11-07 | 2019-11-07 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084257.9A CN110706517B (zh) | 2019-11-07 | 2019-11-07 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010963387.6A Division CN111986489B (zh) | 2019-11-07 | 2019-11-07 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110706517A CN110706517A (zh) | 2020-01-17 |
CN110706517B true CN110706517B (zh) | 2020-08-28 |
Family
ID=69204659
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084257.9A Active CN110706517B (zh) | 2019-11-07 | 2019-11-07 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
CN202010963387.6A Active CN111986489B (zh) | 2019-11-07 | 2019-11-07 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010963387.6A Active CN111986489B (zh) | 2019-11-07 | 2019-11-07 | 交通工具的智能安全预警方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110706517B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111231971B (zh) * | 2020-03-02 | 2021-04-30 | 中汽数据(天津)有限公司 | 基于大数据的汽车安全性能分析评价方法及系统 |
CN111477005B (zh) * | 2020-04-20 | 2020-12-08 | 北京中交华安科技有限公司 | 一种基于车辆状态及行车环境的智能感知预警方法及系统 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3930309B2 (ja) * | 2001-12-11 | 2007-06-13 | 富士重工業株式会社 | 車両用運転支援装置 |
US8188887B2 (en) * | 2009-02-13 | 2012-05-29 | Inthinc Technology Solutions, Inc. | System and method for alerting drivers to road conditions |
CN103810904B (zh) * | 2014-03-12 | 2015-10-07 | 哈尔滨工业大学 | 基于vanet的高速公路行车安全预警系统的预警方法 |
JP2016091039A (ja) * | 2014-10-29 | 2016-05-23 | 株式会社デンソー | 危険予測装置、運転支援システム |
CN105206053A (zh) * | 2015-09-21 | 2015-12-30 | 河海大学常州校区 | 一种基于车联网技术的道路综合信息处理系统及其方法 |
CN105574537B (zh) * | 2015-11-23 | 2018-12-28 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
CN105575115A (zh) * | 2015-12-17 | 2016-05-11 | 福建星海通信科技有限公司 | 一种基于车载监控管理平台的驾驶行为分析方法 |
CN106448149B (zh) * | 2016-05-16 | 2019-08-09 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106408681A (zh) * | 2016-08-31 | 2017-02-15 | 苏州统购信息科技有限公司 | 一种智能行车监控方法 |
CN108256714A (zh) * | 2016-12-29 | 2018-07-06 | 得道车联网络科技(上海)有限公司 | 一种基于车联网大数据的行车轨迹实时风险评估模型 |
CN107878450A (zh) * | 2017-10-20 | 2018-04-06 | 江苏大学 | 一种基于深度学习的车况智能监测方法 |
CN108388947B (zh) * | 2018-02-06 | 2021-11-02 | 大唐高鸿信息通信(义乌)有限公司 | 适用于车载短距离通信网安全预警的改进机器学习方法 |
CN110264741B (zh) * | 2018-03-12 | 2021-09-17 | 深圳鼎然信息科技有限公司 | 基于运动传感器的路况检测方法、装置、设备及介质 |
CN108550279B (zh) * | 2018-04-03 | 2019-10-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
CN109118055B (zh) * | 2018-07-19 | 2021-12-21 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法及装置 |
CN108961790B (zh) * | 2018-07-24 | 2020-12-04 | 河北德冠隆电子科技有限公司 | 基于四维实景交通仿真的恶劣天气预警管理系统及方法 |
CN109308467A (zh) * | 2018-09-18 | 2019-02-05 | 陕西科技大学 | 基于机器学习的交通事故预警装置及预警方法 |
CN109166314A (zh) * | 2018-09-29 | 2019-01-08 | 河北德冠隆电子科技有限公司 | 基于全方位跟踪检测雷达的路况感知设备及车路协同系统 |
CN109740840A (zh) * | 2018-11-23 | 2019-05-10 | 深圳市大东车慧科技股份有限公司 | 一种基于人、车、路和环境的多元分析驾驶风险评估系统 |
CN109598936B (zh) * | 2018-12-18 | 2020-01-10 | 中国科学院地理科学与资源研究所 | 一种基于动态stknn模型的短时交通预测方法 |
CN110414374B (zh) * | 2019-07-08 | 2021-12-17 | 深兰科技(上海)有限公司 | 一种障碍物位姿的确定方法、装置、设备及介质 |
-
2019
- 2019-11-07 CN CN201911084257.9A patent/CN110706517B/zh active Active
- 2019-11-07 CN CN202010963387.6A patent/CN111986489B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111986489B (zh) | 2021-08-03 |
CN110706517A (zh) | 2020-01-17 |
CN111986489A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moujahid et al. | Machine learning techniques in ADAS: A review | |
Xue et al. | Rapid driving style recognition in car-following using machine learning and vehicle trajectory data | |
US10678250B2 (en) | Method and system for risk modeling in autonomous vehicles | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
Delen et al. | Identifying significant predictors of injury severity in traffic accidents using a series of artificial neural networks | |
Shang et al. | A hybrid method for traffic incident duration prediction using BOA‐optimized random Forest combined with neighborhood components analysis | |
Peng et al. | Uncertainty evaluation of object detection algorithms for autonomous vehicles | |
CN110706517B (zh) | 交通工具的智能安全预警方法、装置、系统及存储介质 | |
Balan et al. | An improved deep learning-based technique for driver detection and driver assistance in electric vehicles with better performance | |
Saunier et al. | Mining microscopic data of vehicle conflicts and collisions to investigate collision factors | |
Biggi et al. | Artificial intelligence in self-driving cars research and innovation: A scientometric and bibliometric analysis | |
Ijaz et al. | Automatic steering angle and direction prediction for autonomous driving using deep learning | |
Zhang et al. | Dynamic driving intention recognition of vehicles with different driving styles of surrounding vehicles | |
Shangguan et al. | An empirical investigation of driver car-following risk evolution using naturistic driving data and random parameters multinomial logit model with heterogeneity in means and variances | |
Chandrasiri et al. | Driving skill analysis using machine learning the full curve and curve segmented cases | |
CN116226787B (zh) | 商用车出险概率预测方法、设备和介质 | |
Miao et al. | Driver behavior extraction from videos in naturalistic driving datasets with 3D ConvNets | |
CN115774942A (zh) | 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法 | |
Bhalerao et al. | Proposed design on driver behavioral analysis | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
Sun et al. | Driving risk classification methodology for intelligent drive in real traffic event | |
Kushwaha et al. | Intelligent model for avoiding road accidents using artificial neural network | |
Alagarsamy et al. | A Novel Machine Learning Technique for Predicting Road Accidents | |
Saunier et al. | Investigating collison factors by mining microscopic data of vehicle conflicts and collisions | |
Wang et al. | Driver modeling based on vehicular sensing data |
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 |