CN110782115B - 处理车联网系统风险方法、装置、电子设备及存储介质 - Google Patents
处理车联网系统风险方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110782115B CN110782115B CN201910764760.2A CN201910764760A CN110782115B CN 110782115 B CN110782115 B CN 110782115B CN 201910764760 A CN201910764760 A CN 201910764760A CN 110782115 B CN110782115 B CN 110782115B
- Authority
- CN
- China
- Prior art keywords
- risk
- internet
- vehicles
- scale
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 title abstract description 44
- 230000006855 networking Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种处理车联网系统风险方法、装置、电子设备及存储介质,该方法中,获取车联网的初始系统规模;获取车联网在当前抗风险操作时的实时风险部件规模;获取车联网在当前抗风险操作时的实时规模传导系数,其中,实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值;计算当前抗风险操作后车联网的目标系统风险率,目标系统风险率为实时风险部件规模与实时系统规模的比值,实时系统规模为等效绝对安全部件的规模与初始系统规模的和值;获取设定的系统风险率条件;按照系统风险率条件及目标系统风险率,确定当前抗风险操作时引入的实时抗风险资源量。提高了抗风险资源的利用率。
Description
技术领域
本申请涉及车联网技术领域,更具体地说,涉及一种处理车联网系统风险方法、装置、电子设备及存储介质。
背景技术
当前,随着制造业的发展,汽车已成为日常生活中一个被用户所熟知的产品,用户也越来越多的应用汽车进行出行。随着用户应用汽车的力度不断加大,汽车的数量不断增多,由此引发了行驶安全问题、行驶规范问题等一系列问题,为了统筹行驶安全等一系列问题,现有的一种方法是通过车联网系统对汽车进行管理。车联网即车辆物联网,是以行驶中的车辆为信息感知对象,借助新一代信息通信技术,实现车与车、人、路、服务平台等之间的网络连接,提升车辆整体的智能驾驶水平,为用户提供安全、舒适、智能、高效的驾驶感受与交通服务,同时提高交通运行效率,提升社会交通服务的智能化水平。
但是,在车联网系统的应用下,汽车仍然会出现危险行为,也即车联网系统中仍存在风险,为了降低车联网系统风险,现有的一种方法是:获取当前条件下的抗风险资源总量,获取抗风险操作总次数,将抗风险资源总量平均分配于每次的抗风险操作中。
然而,现有的降低车联网系统风险的方法中,抗风险资源的平均分配方案脱离了车联网系统的实际风险情况,未考虑各次车联网系统风险之间的差异性,使得分配的抗风险资源无法与车联网系统风险相匹配,无法有效提高抗风险资源的利用率。
发明内容
有鉴于此,本申请的目的在于提供一种处理车联网系统风险方法、装置、电子设备及存储介质,以使得在应用抗风险资源降低车联网系统风险时,能够提高抗风险资源的利用率。其具体方案如下:
为了实现上述目的,一方面,本申请提供一种处理车联网系统风险方法,包括:
获取车联网的初始系统规模,所述初始系统规模为初始的所述车联网中所有部件的总体规模;
获取所述车联网在当前抗风险操作时的实时风险部件规模;
获取所述车联网在当前抗风险操作时的实时规模传导系数,其中,所述实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值;
计算当前抗风险操作后所述车联网的目标系统风险率,所述目标系统风险率为所述实时风险部件规模与实时系统规模的比值,所述实时系统规模为所述等效绝对安全部件的规模与所述初始系统规模的和值;
获取设定的系统风险率条件;
按照所述系统风险率条件及所述目标系统风险率,确定当前抗风险操作时引入的所述实时抗风险资源量。
优选的,所述获取设定的系统风险率条件,包括:
获取在预设的抗风险资源总量下,对所述车联网执行预设抗风险操作次数后的最终系统风险率条件;
所述按照所述系统风险率条件及所述目标系统风险率,确定当前抗风险操作时引入的所述实时抗风险资源量,包括:
获取设定的抗风险操作总次数;
获取设定的抗风险资源总量值;
将每次抗风险操作时引入的所述实时抗风险资源量作为未知变量,计算对所述车联网执行所述抗风险操作总次数的抗风险操作后,所述车联网最终的所述目标系统风险率;
将所述抗风险资源总量值作为对所述车联网进行抗风险操作时的资源量约束条件,计算使得最终的所述目标系统风险率满足所述最终系统风险率条件的所述实时抗风险资源量。
优选的,所述获取在预设的抗风险资源总量下,对所述车联网执行预设抗风险操作次数后的最终系统风险率条件,包括:
获取在预设的所述抗风险资源总量下,对所述车联网执行所述预设抗风险操作次数后的所述最终系统风险率条件,所述最终系统风险率条件为最终系统风险率值最小。
优选的,所述获取设定的抗风险资源总量值之后,还包括:
将所述抗风险资源总量值作为对所述车联网进行抗风险操作时的资源量约束条件,计算最终系统风险率的最小值。
优选的,所述获取设定的系统风险率条件,包括:
获取设定的当前抗风险操作后的系统风险率目标值;
所述按照所述系统风险率条件及所述目标系统风险率,确定当前抗风险操作时引入的所述实时抗风险资源量,包括:
计算使得所述目标系统风险率的值与所述系统风险率目标值吻合的所述实时抗风险资源量。
优选的,所述获取所述车联网在当前抗风险操作时的实时风险部件规模,包括:
获取所述车联网在上次抗风险操作后的所述目标系统风险率;
将所述目标系统风险率与所述初始系统规模相乘,得到当前抗风险操作时的所述实时风险部件规模;
其中,第一次抗风险操作时的上次抗风险操作后的所述目标系统风险率为所述车联网的初始系统风险率,所述初始系统风险率为初始的所述车联网中的风险部件规模与所述初始系统规模的比值。
优选的,所述获取所述车联网在当前抗风险操作时的实时规模传导系数,包括:
获取所述车联网在当前抗风险操作时的实时车程;
基于车程与规模传导系数间的对应关系,确定所述车联网在当前抗风险操作时的所述实时规模传导系数。
又一方面,本申请还提供了一种处理车联网系统风险装置,包括:
系统规模获取模块,用于获取车联网的初始系统规模,所述初始系统规模为初始的所述车联网中所有部件的总体规模;
风险部件获取模块,用于获取所述车联网在当前抗风险操作时的实时风险部件规模;
传导系数获取模块,用于获取所述车联网在当前抗风险操作时的实时规模传导系数,其中,所述实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值;
风险率计算模块,用于计算当前抗风险操作后所述车联网的目标系统风险率,所述目标系统风险率为所述实时风险部件规模与实时系统规模的比值,所述实时系统规模为所述等效绝对安全部件的规模与所述初始系统规模的和值;
条件获取模块,用于获取设定的系统风险率条件;
资源量确定模块,用于按照所述系统风险率条件及所述目标系统风险率,确定当前抗风险操作时引入的所述实时抗风险资源量。
又一方面,本申请还提供了一种电子设备,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现前述的处理车联网系统风险方法。
又一方面,本申请还提供了一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现前述的处理车联网系统风险方法。
本申请在处理车联网系统风险的过程中,引入了规模传导系数这一因素,由于规模传导系数为抗风险操作时引入的等效绝对安全部件的规模与引入的抗风险资源量的比值,所以本申请考虑了引入的抗风险资源量中存在的风险部件对车联网系统的影响,降低了抗风险资源量中风险部件对车联网系统风险的影响;此外,本申请在根据获取的初始系统规模、实时风险部件规模、实时规模传导系数计算目标系统风险率之后,还需获取设定的系统风险率条件,并按照系统风险率条件及目标系统风险率,确定当前抗风险操作时引入的实时抗风险资源量,使得当前抗风险操作时引入的实时抗风险资源量能够满足设定的系统风险率条件,使得当前引入的实时抗风险资源量能够与车联网系统的风险情况相匹配,提高了抗风险资源量的利用率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种处理车联网系统风险设备组成架构示意图;
图2为本申请实施例提供的一种处理车联网系统风险方法的流程图;
图3为本申请实施例提供的一种处理车联网系统风险方法的流程图;
图4为本申请实施例提供的一种处理车联网系统风险方法的流程图;
图5为车辆道路行驶图;
图6为驾驶风险观测值的矩阵表示形式;
图7为本申请实施例提供的一种处理车联网系统风险装置;
图8为本申请实施例提供的一种服务器的结构示意图;
图9为本申请实施例提供的一种终端的结构示意图;
图10为本申请实施例的处理车联网系统风险方法所适用的硬件组成框架示意图。
具体实施方式
当前,随着制造业的发展,汽车已成为日常生活中一个被用户所熟知的产品,用户也越来越多的应用汽车进行出行。随着用户应用汽车的力度不断加大,汽车的数量不断增多,由此引发了行驶安全问题、行驶规范问题等一系列问题,为了统筹行驶安全等一系列问题,现有的一种方法是通过车联网系统对汽车进行管理。车联网即车辆物联网,是以行驶中的车辆为信息感知对象,借助新一代信息通信技术,实现车与车、人、路、服务平台等之间的网络连接,提升车辆整体的智能驾驶水平,为用户提供安全、舒适、智能、高效的驾驶感受与交通服务,同时提高交通运行效率,提升社会交通服务的智能化水平。但是,在车联网系统的应用下,汽车仍然会出现危险行为,也即车联网系统中仍存在风险,为了降低车联网系统风险,现有的一种方法是:获取当前条件下的抗风险资源总量,获取抗风险操作总次数,将抗风险资源总量平均分配于每次的抗风险操作中。
然而,现有的降低车联网系统风险的方法中,抗风险资源的平均分配方案脱离了车联网系统的实际风险情况,未考虑各次车联网系统风险之间的差异性,使得分配的抗风险资源无法与车联网系统风险相匹配,无法有效提高抗风险资源的利用率。比如将抗风险资源平均分配后,可能使得每次抗风险操作时,车联网系统的风险值均达不到预设要求,使得抗风险资源的利用率较差。
鉴于目前所存在的上述问题,本申请提出了处理车联网系统风险的技术方案,通过该技术方案,能够提高抗风险资源的利用率。
为了便于理解,下面对本申请的技术方案所适用的系统架构进行介绍。参见图1,图1示出了本申请的一种处理车联网系统风险设备的一种架构。
如图1所示,本申请的处理车联网系统风险设备的一种组成架构可以包括测试方终端11、服务器12、车联网系统13。
其中,测试方终端11可以通过自身预先安装的客户端,在用户交互界面上为测试方提供信息输入接口和信息发送触发单元。其中,测试方终端11通过信息输入接口获取测试方输入的车联网系统风险处理指令。当信息发送触发单元被外界触发后,测试方终端11可以利用第一通讯网络,将通过信息输入接口获取到的信息发送至服务器12。可以理解的是,本申请中的测试方终端11包括但不限于安装了上述客户端的智能手机、平板电脑、穿戴式设备和台式计算机等。
本申请中,服务器12具体可以是指用于实现单一业务的专用服务器,不同的服务器12分别用于实现不同的业务。服务器12通过第一通讯网络与测试方终端11建立通讯连接。服务器12获取到测试方终端11发送的车联网系统风险处理后,便可以执行车联网系统风险指令以对车联网系统13完成相应的风险处理任务。本申请中,服务器12内部预先集成了监测程序,用于对执行车联网系统风险处理指令的行为进行监测,一旦监测到某车联网系统风险处理指令被执行了,则可以对该车联网系统风险处理指令进行收集,并收集该车联网系统风险处理指令对应的风险处理结果,后续可以将当前实时收集或历史上收集的车联网系统风险处理指令、风险处理结果与测试方的身份标识进行绑定,然后将绑定信息进行存储,以便后续测试方进行查看,或者直接将绑定信息发送给测试方终端11,以使测试方通过测试方终端11进行查看。
需要说明的是,本申请的上述第一通讯网络可以根据实际应用过程中的网络状况和应用需求来确定,既可以是无线通讯网络,如移动通讯网络或WIFI网络等,也可以是有线通讯网络;既可以是广域网,在情况允许时也可以采用局域网。车联网系统13中的车联网设备130的类型可以根据应用场景确定,比如车联网设备130可以为车载设备、车辆管理服务器等。
图2为本申请实施例提供的一种处理车联网系统风险方法的流程图。参见图2所示,该处理车联网系统风险方法可以包括以下步骤:
S101:获取车联网的初始系统规模,初始系统规模为初始的车联网中所有部件的总体规模。
本实施例中,获取的车联网的初始系统规模为初始的车联网中所有部件的总体规模,也即需获取初始的车联网中所有部件的总体规模,使得可以借助初始系统规模来确定车联网的初始系统风险率等因素。应当指出,可以按照构成车辆的部件、连接车辆的部件、采集信息的部件、系统决策部件等部件分类方式来确定车联网中的所有部件,以此加快车联网中部件的确定效率。
在一种实现方式中,获取的车联网的初始系统规模可以为历史记录的车联网的初始系统规模;也可以为获取车联网的标识信息,根据车联网的标识信息经数据库查询后得到车联网的初始系统规模等,在此过程中,需在数据库中对应保存车联网的标识信息及车联网的初始系统规模,为了便于查询车联网的初始系统规模,可以按照车联网的标识信息、连接符、车联网的初始系统规模的格式对应保存车联网的标识信息及初始系统规模。
在另一种实现方式中,车联网中各部件的类型不同,由此使得各部件对应的规模的确定方式不同,使得确定车联网的初始系统规模的过程较为复杂,效率较低,为了提高车联网的初始系统规模的确定效率,可以按照预设转换方式来确定各部件的规模,比如在预设转换方式为规模与价值间的转换方式时,可以先确定初始的车联网中所有部件的总价值,再按照价值与规模间的转换方式,将总价值转换为初始系统规模;当然,还可以将初始的车联网中各个部件的价值转换为相应的规模,再将所有的规模相加得到车联网的初始系统规模。
S102:获取车联网在当前抗风险操作时的实时风险部件规模。
本实施例中,因为车联网的变化性以及抗风险操作对车联网的影响,使得车联网在不同时刻下的风险部件规模不同,所以需获取车联网在当前抗风险操作时的实时风险部件规模,实时风险部件规模指的是当前抗风险操作时,车联网中存在的风险部件的总体规模。
在一种实现方式中,可以在当前对车联网执行抗风险操作时,实时统计车联网中风险部件的规模,得到实时风险部件规模值,应当指出,在此过程中,可以按照初始系统规模的获取方式来获取实时风险部件规模,比如先确定出车联网中的风险部件,再计算风险部件的总价值,按照价值与规模间的转换关系,将总价值转换为实时风险部件规模等;也可以根据历史保存的风险率数据及风险率定义来确定实时风险部件规模,比如风险率为风险部件规模与车联网总规模的比值,则可以获取历史记录的距当前时刻最近的车联网总规模及风险率,将获取的车联网总规模与风险率相乘,得到实时风险部件规模等。
S103:获取车联网在当前抗风险操作时的实时规模传导系数,其中,实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值。
本实施例中,在对车联网进行抗风险操作时,会在车联网中引入抗风险资源量,然而,引入的抗风险资源量中仍存在给车联网带来风险的部件,这些部件会影响车联网的风险率,为了保证确定的车联网风险率的准确性,可以获取车联网在当前抗风险操作时的实时规模传导系数,借助实时规模传导系数来确定抗风险操作时引入的抗风险资源量对车联网风险率的影响。在此过程中,抗风险操作时引入的抗风险资源中既存在降低车联网风险率的资源,又存在增强车联网风险率的资源,为了快速确定抗风险资源对车联网风险率的影响,可以将规模传导系数定义为抗风险操作时引入的等效绝对安全部件的规模与引入的抗风险资源量的比值,其中,等效绝对安全部件指的是不会给车联网带来风险的零部件,具体的,规模传导系数可以按照公式η=(α-β)/γ计算得到,其中,η表示规模传导系数,α为引入的抗风险资源中不会给车联网带来安全隐患的总价值,β为引入的抗风险资源中会给车联网带来安全隐患的零部件的总价值,γ表示引入的抗风险资源的总价值。以引入的抗风险资源的总价值为5000,引入的抗风险资源中会给车联网带来风险的零部件的价值为500,则该抗风险资源的规模传导系数为(4500-500)/5000=0.8。
在一种实现方式中,由于车联网的规模传导系数与车联网的车程间存在联系,一般而言,车程越多,规模传导系数的值越小,所以在获取车联网在当前抗风险操作时的实时规模传导系数时,可以获取车联网在当前抗风险操作时的实时车程;基于车程与规模传导系数间的对应关系,确定车联网在当前抗风险操作时的实时规模传导系数。
在另一种实现方式中,车程与规模传导系数间的关系难以准确确定,此时,可以借助神经网络模型来自动确定实时规模传导系数,在此过程中,需要采集已知的车程及对应的规模传导系数,并应用已知的车程及对应的规模传导系数对神经网络模型进行训练,以得到满足要求的神经网络模型,之后,只需将车程输入给该神经网络模型,便可以获取神经网络模型生成的与该车程对应的实时规模传导系数。
S104:计算当前抗风险操作后车联网的目标系统风险率,目标系统风险率为实时风险部件规模与实时系统规模的比值,实时系统规模为等效绝对安全部件的规模与初始系统规模的和值。
本实施例中,当前抗风险操作后车联网的目标系统风险率为实时风险部件规模与实时系统规模的比值,而实时系统规模为等效绝对安全部件的规模与初始系统规模的和值,实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值,所以可以将当前抗风险操作时引入的抗风险资源量作为未知变量,将当前抗风险操作时引入的抗风险资源量与实时规模传导系数相乘,得到等效绝对安全部件的规模,再将等效绝对安全部件的规模与初始系统规模相加,得到实时系统规模,最后将实时风险部件规模与实时系统规模相除,得到当前抗风险操作后车联网的目标系统风险率。
在一种实现方式中,可以用公式表示目标系统风险率的计算过程,比如目标系统风险率的计算公式可以为:
其中,c表示目标系统风险率,x表示实时风险部件规模,a表示初始系统规模,L表示实时规模传导系数,E表示引入的抗风险资源量。
S105:获取设定的系统风险率条件。
本实施例中,在对不同车联网进行风险处理或者在对同一车联网进行不同次的风险处理时,对车联网的风险率要求各不相应,因此,为了使得本申请确定的目标系统风险率满足相应的风险率要求,可以获取设定的系统风险率条件,借助系统风险率条件来约束目标系统风险率,进而确定当前抗风险操作时引入的实时抗风险资源量。
在一种实现方式中,获取的系统风险率条件可以为外界设定的系统风险率条件,也可以为本申请提供的处理车联网系统风险的执行主体自动根据车联网的情况确定的条件等。
S106:按照系统风险率条件及目标系统风险率,确定当前抗风险操作时引入的实时抗风险资源量。
本实施例中,由于当前抗风险操作时引入的实时抗风险资源量为未知变量,而系统风险率条件为对目标系统风险率的约束条件,所以可以按照目标系统风险率的定义,计算得到使得目标系统风险率满足系统风险率条件的实时抗风险资源量,使得当前抗风险操作时引入的实时抗风险资源量能够满足车联网的风险率要求,提高抗风险资源的利用率。
在一种实现方式中,在获取车联网在当前抗风险操作时的实时风险部件规模时,为了便于获取实时风险部件规模,可以获取车联网在上次抗风险操作后的目标系统风险率;将目标系统风险率与初始系统规模相乘,得到当前抗风险操作时的实时风险部件规模;其中,第一次抗风险操作时的上次抗风险操作后的目标系统风险率为车联网的初始系统风险率,初始系统风险率为初始的车联网中的风险部件规模与初始系统规模的比值。
本申请在处理车联网系统风险的过程中,引入了规模传导系数这一因素,由于规模传导系数为抗风险操作时引入的等效绝对安全部件的规模与引入的抗风险资源量的比值,所以本申请考虑了引入的抗风险资源量中存在的风险部件对车联网系统的影响,降低了抗风险资源量中风险部件对车联网系统风险的影响;此外,本申请在根据获取的初始系统规模、实时风险部件规模、实时规模传导系数计算目标系统风险率之后,还需获取设定的系统风险率条件,并按照系统风险率条件及目标系统风险率,确定当前抗风险操作时引入的实时抗风险资源量,使得当前抗风险操作时引入的实时抗风险资源量能够满足设定的系统风险率条件,使得当前引入的实时抗风险资源量能够与车联网系统的风险情况相匹配,提高了抗风险资源量的利用率。
图3为本申请实施例提供的一种处理车联网系统风险的流程图。参见图3所示,该处理车联网系统风险方法可以包括以下步骤:
S201:获取车联网的初始系统规模,初始系统规模为初始的车联网中所有部件的总体规模。
S202:获取车联网在当前抗风险操作时的实时风险部件规模。
S203:获取车联网在当前抗风险操作时的实时规模传导系数,其中,实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值。
S204:计算当前抗风险操作后车联网的目标系统风险率,目标系统风险率为实时风险部件规模与实时系统规模的比值,实时系统规模为等效绝对安全部件的规模与初始系统规模的和值。
S205:获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件。
本实施例中,在对车联网进行风险处理的过程中,可能存在外界指定对车联网进行风险处理所能消耗的抗风险资源总量,也即只能合理将设定的抗风险资源总量分配给各次抗风险操作,使得车联网的风险率满足设定条件,比如对于公司而言,该公司处于资金考虑,设定对公司的车联网进行抗风险处理的资源总量为某一定值,并且要求可以对公司的车联网进行多次抗风险操作,则该公司的车联网负责人便需将抗风险资源总量合理分配给各次抗风险操作使用,因此本申请获取设定的系统风险率条件时,可以获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件。最终系统风险率条件的具体内容可以根据实际应用场景确定,比如最终系统风险率条件可以为最终系统风险率的值小于等于预设值等,也即使得在对车联网执行预设次抗风险操作次数的抗风险操作后,车联网的风险率小于等于预设值。
S206:获取设定的抗风险操作总次数,获取设定的抗风险资源总量值。
本实施例中,由于抗风险操作总次数及抗风险资源总量值均会影响车联网的最终系统风险率,所以需获取设定的抗风险操作总次数及抗风险资源总量值。
在一种可能的实现方式中,可以接收外界设备传输的抗风险操作总次数及抗风险资源总量值,在此过程中,为了保证车联网的安全性,可以对外界设备进行验证,在外界设备通过验证后,才确定接收的抗风险操作总次数及抗风险资源总量值的有效性。对外界设备的验证方式可以根据实际需要灵活选择,比如可以接收外界设备传输的登录名与登录密码,验证登录名与登录密码是否相匹配,若是,则外界设备通过验证等。
S207:将每次抗风险操作时引入的实时抗风险资源量作为未知变量,计算对车联网执行抗风险操作总次数的抗风险操作后,车联网最终的目标系统风险率。
S208:将抗风险资源总量值作为对车联网进行抗风险操作时的资源量约束条件,计算使得最终的目标系统风险率满足最终系统风险率条件的实时抗风险资源量。
本实施例中,在获取抗风险操作总次数及抗风险资源总量值之后,便可以将每次抗风险操作时引入的实时抗风险资源量作为未知变量,计算对车联网执行抗风险操作总次数的抗风险操作后,车联网最终的目标系统风险率;将抗风险资源总量值作为对车联网进行抗风险操作时的资源量约束条件,计算使得最终的目标系统风险率满足最终系统风险率条件的实时抗风险资源量。
在一种实现方式中,为了尽可能高的提高抗风险资源的利用率,外界设定的最终系统风险率条件可能为最终系统风险率值最小,则获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件时,可以获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件,最终系统风险率条件为最终系统风险率值最小。在此过程中,为了便于外界获知车联网所能达到的最小风险率值,在获取设定的抗风险资源总量值之后,还可以将抗风险资源总量值作为对车联网进行抗风险操作时的资源量约束条件,计算最终系统风险率的最小值。
在获取车联网在上次抗风险操作后的目标系统风险率,将目标系统风险率与初始系统规模相乘,得到当前抗风险操作时的实时风险部件规模的实施例中,可以借助公式来表示车联网的最终系统风险率,比如可以通过下述公式表示车联网的最终系统风险率:
其中,cn表示车联网的最终系统风险率;n表示设定的抗风险操作总次数;Li表示第i次抗风险操作时的实时规模传导系数;Ei表示第i次抗风险操作时引入的实时抗风险资源量;c0表示初始系统风险率;E表示设定的抗风险资源总量值;
相应的,可以按照下述公式表示车联网的最终系统风险率的最小值:
相应的,可以按照下述公式确定当前引入的实时抗风险资源量:
其中,Lk为便于计算引入的变量值,1≤k≤n,k应在计算Ei之前确定,且在计算过程中保持不变;
相应的,最终系统风险率的最小值的计算公式可以变形为:
相应的,抗风险操作次数非常多时,可以按照下述公式确定车联网的最终系统风险率:
图4为本申请实施例提供的一种处理车联网系统风险方法的流程图。参见图4所示,该处理车联网系统风险方法可以包括以下步骤:
S301:获取车联网的初始系统规模,初始系统规模为初始的车联网中所有部件的总体规模。
S302:获取车联网在当前抗风险操作时的实时风险部件规模。
S303:获取车联网在当前抗风险操作时的实时规模传导系数,其中,实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值。
S304:计算当前抗风险操作后车联网的目标系统风险率,目标系统风险率为实时风险部件规模与实时系统规模的比值,实时系统规模为等效绝对安全部件的规模与初始系统规模的和值。
S305:获取设定的当前抗风险操作后的系统风险率目标值。
本实施例中,在对车联网进行抗风险处理的过程中,可能更多的关注当前抗风险操作后车联网的风险性能,所以在获取设定的系统风险率条件时,可以获取设定的当前抗风险操作后的系统风险率目标值。
S306:计算使得目标系统风险率的值与系统风险率目标值吻合的实时抗风险资源量。
本实施例中,在系统风险率条件为设定当前抗风险操作后的系统风险率目标值时,按照系统风险率条件及目标系统风险率,确定当前抗风险操作时引入的实时抗风险资源量的过程,可以具体为:计算使得目标系统风险率的值与系统风险率目标值吻合的实时抗风险资源量。
本申请提供的处理车联网系统风险方法可以应用于安全辅助驾驶、车联网、车路协同、自动驾驶等应用场景中,为了便于理解,请参考图5和图6,结合本方案的一种应用场景进行介绍。该过程可以包括以下步骤:
搭建开发平台,本实施例的开发平台可以是在联想ThinkPad系列笔记本上搭建的平台,联想ThinkPad系列笔记本的处理器为Intel(R)Core(TM)i5-5200U CPU@2.20GHz,内存为8.00G,系统为64位;配置开发环境,比如用python开发环境;安装辅助库和包,如math、numpy、time、requests;
从云端或其他地方获取包含图5车辆类型、车辆数量、车辆位置、车辆速度、车辆加速度、车辆方向、车辆驾驶员性别、年龄、驾龄、驾驶员类型、健康状况、精神状态、反应能力、单位所属行业等信息;
获取车联网的初始系统规模和初始系统风险率;获取设定的抗风险资源总量值;
获取设定的抗风险操作总次数;确定等效绝对安全部件的规模传导系数;
计算经过抗风险操作总次数的抗风险操作后,车联网的最终系统风险率;
根据最终系统风险率,计算使得最终系统风险率的值最小的当前抗风险操作时引入的实时抗风险资源量。
本实施例中,在此过程中,为了便于表示及查看车联网风险,可以借助车辆与车辆间的碰撞概率来表示车联网的风险,比如图6中矩阵的第i行第j列元素表示车辆j碰撞到车辆i的概率,以第一行的元素0.08为例,该元素表示车辆2碰撞到车辆1的概率是0.08。
图7为本申请实施例提供的一种处理车联网系统风险装置,可以包括:
系统规模获取模块21,用于获取车联网的初始系统规模,初始系统规模为初始的车联网中所有部件的总体规模;
风险部件获取模块22,用于获取车联网在当前抗风险操作时的实时风险部件规模;
传导系数获取模块23,用于获取车联网在当前抗风险操作时的实时规模传导系数,其中,实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值;
风险率计算模块24,用于计算当前抗风险操作后车联网的目标系统风险率,目标系统风险率为实时风险部件规模与实时系统规模的比值,实时系统规模为等效绝对安全部件的规模与初始系统规模的和值;
条件获取模块25,用于获取设定的系统风险率条件;
资源量确定模块26,用于按照系统风险率条件及目标系统风险率,确定当前抗风险操作时引入的实时抗风险资源量。
在一种可能实现方式中,条件获取模块25,具体可以包括:
最终风险率获取子模块,用于获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件;
资源量确定模块26,具体可以包括:
操作总次数获取单元,用于获取设定的抗风险操作总次数;
资源总量获取单元,用于获取设定的抗风险资源总量值;
最终风险率计算单元,用于将每次抗风险操作时引入的实时抗风险资源量作为未知变量,计算对车联网执行抗风险操作总次数的抗风险操作后,车联网最终的目标系统风险率;
资源量计算单元,用于将抗风险资源总量值作为对车联网进行抗风险操作时的资源量约束条件,计算使得最终的目标系统风险率满足最终系统风险率条件的实时抗风险资源量。
在一种可能实现方式中,最终风险率获取子模块,具体可以包括:
最终风险率获取单元,用于获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件,最终系统风险率条件为最终系统风险率值最小。
在一种可能实现方式中,还可以包括:
最小值计算模块,用于资源总量获取单元获取设定的抗风险资源总量值之后,将抗风险资源总量值作为对车联网进行抗风险操作时的资源量约束条件,计算最终系统风险率的最小值。
在一种可能实现方式中,条件获取模块25,具体可以包括:
当前风险率获取单元,用于获取设定的当前抗风险操作后的系统风险率目标值;
资源量确定模块26,具体可以包括:
风险资源计算单元,用于计算使得目标系统风险率的值与系统风险率目标值吻合的实时抗风险资源量。
在一种可能实现方式中,风险部件获取模块22,具体可以包括:
风险率获取单元,用于获取车联网在上次抗风险操作后的目标系统风险率;
部件规模获取单元,用于将目标系统风险率与初始系统规模相乘,得到当前抗风险操作时的实时风险部件规模;
其中,第一次抗风险操作时的上次抗风险操作后的目标系统风险率为车联网的初始系统风险率,初始系统风险率为初始的车联网中的风险部件规模与初始系统规模的比值。
在一种可能实现方式中,传导系数获取模块23,具体可以包括:
车程获取单元,用于获取车联网在当前抗风险操作时的实时车程;
传导系数获取单元,用于基于车程与规模传导系数间的对应关系,确定车联网在当前抗风险操作时的实时规模传导系数。
进一步的,本申请实施例还提供了一种电子设备。其中,上述电子设备既可以是如图8所示的服务器30,也可以是如图9所示的终端40;当电子设备为服务器时,本申请处理车联网系统风险方法的执行主体便可以为服务器,而当电子设备为终端时,本申请处理车联网系统风险方法的执行主体便可以为终端。图8和图9均是根据一示例性实施例示出的电子设备结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图8为本申请实施例提供的一种服务器的结构示意图。该服务器30,具体可以包括:至少一个处理器31、至少一个存储器32、电源33、通信接口34、输入输出接口35和通信总线36。其中,所述存储器32用于存储计算机程序,所述计算机程序由所述处理器31加载并执行,以实现前述任一实施例公开的处理车联网系统风险方法中的相关步骤。
本实施例中,电源33用于为服务器30上的各硬件设备提供工作电压;通信接口34能够为服务器30创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口35,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器32作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统321、计算机程序322以及数据323等,存储方式可以是短暂存储或者永久存储。
其中,操作系统321用于管理与控制服务器30上的各硬件设备以及计算机程序322,以实现处理器31对存储器32中海量数据323的运算与处理,其可以是Windows Server、Netware、Unix、Linux等。计算机程序322除了包括能够用于完成上述任一实施例公开的处理车联网系统风险方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据323除了可以包括服务器收集到的抗风险操作总次数、抗风险资源总量值和车联网系统风险处理指令等数据外,还可以包括数据模型、车程与规模传导系数间的对应关系等数据。
图9为本申请实施例提供的一种终端的结构示意图,该终端40具体可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
通常,本实施例中的终端40包括有:处理器41和存储器42。
其中,处理器41可以包括一个或者多个处理核心,比如4核心处理器、8核心处理器等。处理器41可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器41也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器41可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器41还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器42可以包括一个或者多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器42还可以包括高速随机存取存储器,以及非易失性存储器,比如一个或者多个磁盘存储设备、闪存存储设备。本实施例中,存储器42至少用于存储以下计算机程序421,其中,该计算机程序被处理器41加载并执行之后,能够实现前述任一实施例所公开的处理车联网系统风险方法中的相关步骤。另外,存储器42所存储的资源还可以包括操作系统422和数据423等,存储方式可以是短暂存储或者永久存储。其中,操作系统422可以包括Windows、Unix、Linux等。数据423包括但不限于配置信息、数据模型、性能分析结果等。
在一些实施例中,终端40还可以包括有显示屏43、输入输出接口44、通信接口45、传感器46、电源47以及通信总线48。
本领域技术人员可以理解,图9中示出的结构并不构成对终端40的限定,可以包括比图示更多或者更少的组件。
可以理解的是,本申请实施例中并不对电子设备的数量进行限定,其可以是多个电子设备共同协作完成车联网系统风险的处理功能。在一种可能的情况中,请参阅图10。由图10可知,该硬件组成框架可以包括第一电子设备51和第二电子设备52,第一电子设备51与第二电子设备52之间通过网络53实现通信连接。
在本申请实施例中,第一电子设备51与第二电子设备52的硬件结构可以参考图8中的服务器、图9中的终端,可以理解为本实施例中具有两个电子设备,两者进行数据交互,实现驾驶行为挖掘功能。进一步,本申请实施例中并不对网络的形式进行限定,比如,网络53可以是无线网络(如WIFI、蓝牙等),也可以是有线网络。
其中,第一电子设备51和第二电子设备52可以是同一种电子设备,比如第一电子设备51和第二电子设备52均为服务器30或者均为终端40;也可以是不同类型的电子设备,比如,第一电子设备51可以是终端40,第二电子设备52可以是服务器30。在有一种可能的情况中,可以利用计算能力强的服务器30作为第二电子设备52来提高数据处理效率及可靠性,进而提高客户端漏洞挖掘效率。同时利用成本低、应用范围广的终端40作为第一电子设备51,用于实现第二电子设备52与用户之间的交互。
进一步,为了便于用户获取当前抗风险操作时引入的实时抗风险资源量,第一电子设备51还可以在接收到当前抗风险操作时引入实时抗风险资源量后,将该实时抗风险资源量输出。本申请实施例并不限定第一电子设备51输出形式,如可以利用不同颜色的字体输出不同的实时抗风险资源量、采用语音输出实时抗风险资源量等。
举例说明,终端在获取到车联网系统风险处理指令后,将车联网系统风险处理指令发送给服务器。服务器在接收到车联网系统风险处理指令后,根据实时规模传导系数、实时风险部件规模、初始系统规模、设定的系统风险率条件对当前抗风险操作时引入的实时抗风险资源量进行计算,并得到相应的实时抗风险资源量结果。服务器在得到实时抗风险资源量结果后可以将实时抗风险资源量结果通过网络发送给终端。终端输出实时抗风险资源量结果。
进一步的,本申请实施例还公开了一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现前述任一实施例公开的处理车联网系统风险方法步骤。
需要指出的是,上述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种处理车联网系统风险方法,其特征在于,包括:
获取车联网的初始系统规模,所述初始系统规模为初始的所述车联网中所有部件的总体规模;
获取所述车联网在当前抗风险操作时的实时风险部件规模;
获取所述车联网在当前抗风险操作时的实时规模传导系数,其中,所述实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值;
计算当前抗风险操作后所述车联网的目标系统风险率,所述目标系统风险率为所述实时风险部件规模与实时系统规模的比值,所述实时系统规模为所述等效绝对安全部件的规模与所述初始系统规模的和值;
获取在预设的抗风险资源总量下,对所述车联网执行预设抗风险操作次数后的最终系统风险率条件;
获取设定的抗风险操作总次数;
获取设定的抗风险资源总量值;
将每次抗风险操作时引入的所述实时抗风险资源量作为未知变量,计算对所述车联网执行所述抗风险操作总次数的抗风险操作后,所述车联网最终的所述目标系统风险率;
将所述抗风险资源总量值作为对所述车联网进行抗风险操作时的资源量约束条件,计算使得最终的所述目标系统风险率满足所述最终系统风险率条件的所述实时抗风险资源量。
2.根据权利要求1所述的方法,其特征在于,所述获取在预设的抗风险资源总量下,对所述车联网执行预设抗风险操作次数后的最终系统风险率条件,包括:
获取在预设的所述抗风险资源总量下,对所述车联网执行所述预设抗风险操作次数后的所述最终系统风险率条件,所述最终系统风险率条件为最终系统风险率值最小。
3.根据权利要求2所述的方法,其特征在于,所述获取设定的抗风险资源总量值之后,还包括:
将所述抗风险资源总量值作为对所述车联网进行抗风险操作时的资源量约束条件,计算最终系统风险率的最小值。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述获取所述车联网在当前抗风险操作时的实时风险部件规模,包括:
获取所述车联网在上次抗风险操作后的所述目标系统风险率;
将所述目标系统风险率与所述初始系统规模相乘,得到当前抗风险操作时的所述实时风险部件规模;
其中,第一次抗风险操作时的上次抗风险操作后的所述目标系统风险率为所述车联网的初始系统风险率,所述初始系统风险率为初始的所述车联网中的风险部件规模与所述初始系统规模的比值。
5.根据权利要求4所述的方法,其特征在于,所述获取所述车联网在当前抗风险操作时的实时规模传导系数,包括:
获取所述车联网在当前抗风险操作时的实时车程;
基于车程与规模传导系数间的对应关系,确定所述车联网在当前抗风险操作时的所述实时规模传导系数。
6.一种处理车联网系统风险装置,其特征在于,包括:
系统规模获取模块,用于获取车联网的初始系统规模,所述初始系统规模为初始的所述车联网中所有部件的总体规模;
风险部件获取模块,用于获取所述车联网在当前抗风险操作时的实时风险部件规模;
传导系数获取模块,用于获取所述车联网在当前抗风险操作时的实时规模传导系数,其中,所述实时规模传导系数为当前抗风险操作时引入的等效绝对安全部件的规模与引入的实时抗风险资源量的比值;
风险率计算模块,用于计算当前抗风险操作后所述车联网的目标系统风险率,所述目标系统风险率为所述实时风险部件规模与实时系统规模的比值,所述实时系统规模为所述等效绝对安全部件的规模与所述初始系统规模的和值;
条件获取模块,用于获取设定的系统风险率条件;
资源量确定模块,用于按照所述系统风险率条件及所述目标系统风险率,确定当前抗风险操作时引入的所述实时抗风险资源量;
所述条件获取模块,具体包括:
最终风险率获取子模块,用于获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件;
所述资源量确定模块,具体包括:
操作总次数获取单元,用于获取设定的抗风险操作总次数;
资源总量获取单元,用于获取设定的抗风险资源总量值;
最终风险率计算单元,用于将每次抗风险操作时引入的实时抗风险资源量作为未知变量,计算对车联网执行抗风险操作总次数的抗风险操作后,车联网最终的目标系统风险率;
资源量计算单元,用于将抗风险资源总量值作为对车联网进行抗风险操作时的资源量约束条件,计算使得最终的目标系统风险率满足最终系统风险率条件的实时抗风险资源量。
7.根据权利要求6所述的装置,其特征在于,所述最终风险率获取子模块,具体包括:
最终风险率获取单元,用于获取在预设的抗风险资源总量下,对车联网执行预设抗风险操作次数后的最终系统风险率条件,最终系统风险率条件为最终系统风险率值最小。
8.根据权利要求7所述的装置,其特征在于,还包括:
最小值计算模块,用于资源总量获取单元获取设定的抗风险资源总量值之后,将抗风险资源总量值作为对车联网进行抗风险操作时的资源量约束条件,计算最终系统风险率的最小值。
9.根据权利要求6至8任一项所述的装置,所述风险部件获取模块,具体包括:
风险率获取单元,用于获取车联网在上次抗风险操作后的目标系统风险率;
部件规模获取单元,用于将目标系统风险率与初始系统规模相乘,得到当前抗风险操作时的实时风险部件规模;
其中,第一次抗风险操作时的上次抗风险操作后的目标系统风险率为车联网的初始系统风险率,初始系统风险率为初始的车联网中的风险部件规模与初始系统规模的比值。
10.根据权利要求9所述的装置,其特征在于,所述传导系数获取模块,具体包括:
车程获取单元,用于获取车联网在当前抗风险操作时的实时车程;
传导系数获取单元,用于基于车程与规模传导系数间的对应关系,确定车联网在当前抗风险操作时的实时规模传导系数。
11.一种电子设备,其特征在于,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至5任一项所述的处理车联网系统风险方法。
12.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至5任一项所述的处理车联网系统风险方法。
13.一种计算机程序产品,其特征在于,所述计算机程序产品包括指令,当所述指令在计算机设备上运行时,使得所述计算机设备执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764760.2A CN110782115B (zh) | 2019-08-19 | 2019-08-19 | 处理车联网系统风险方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764760.2A CN110782115B (zh) | 2019-08-19 | 2019-08-19 | 处理车联网系统风险方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782115A CN110782115A (zh) | 2020-02-11 |
CN110782115B true CN110782115B (zh) | 2024-04-26 |
Family
ID=69383311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764760.2A Active CN110782115B (zh) | 2019-08-19 | 2019-08-19 | 处理车联网系统风险方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782115B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150675A (zh) * | 2013-01-30 | 2013-06-12 | 郁佳敏 | 汽车保险的风险监测系统 |
CN109740865A (zh) * | 2018-12-13 | 2019-05-10 | 平安科技(深圳)有限公司 | 风险评估方法、系统、设备及存储介质 |
-
2019
- 2019-08-19 CN CN201910764760.2A patent/CN110782115B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150675A (zh) * | 2013-01-30 | 2013-06-12 | 郁佳敏 | 汽车保险的风险监测系统 |
CN109740865A (zh) * | 2018-12-13 | 2019-05-10 | 平安科技(深圳)有限公司 | 风险评估方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110782115A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN107862339B (zh) | 用于输出信息的方法和装置 | |
CN111105120B (zh) | 一种工单处理方法及装置 | |
CN110132293B (zh) | 一种路线推荐方法及装置 | |
CN111582815A (zh) | 一种核电站的工程管理方法、装置、终端设备及存储介质 | |
CN113766487A (zh) | 云手机信息获取方法、装置、设备和介质 | |
CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
CN113911872B (zh) | 故障处理方法、系统及预警救援系统 | |
CN112991735B (zh) | 交通流量监测系统的测试方法、装置及设备 | |
CN110782115B (zh) | 处理车联网系统风险方法、装置、电子设备及存储介质 | |
CN109286689B (zh) | 一种信息发送方法、装置及车载人车交互终端 | |
US20200180644A1 (en) | Implementing cognitive state recognition within a telematics system | |
CN109343958B (zh) | 计算资源分配方法、装置、电子设备、存储介质 | |
CN110784420A (zh) | 车联网系统的资源管理方法、装置 | |
CN110782114B (zh) | 驾驶行为挖掘方法、装置、电子设备及存储介质 | |
US11604907B2 (en) | System and method for designing car systems | |
US11693752B2 (en) | Measuring driving model coverage by microscope driving model knowledge | |
CN114172686B (zh) | 车载can总线报文入侵检测方法、相关设备及计算机存储介质 | |
CN113838273B (zh) | 基于车辆的提醒方法、装置、电子设备和存储介质 | |
US11798412B2 (en) | Method and device for generating driving suggestion, and computer-readable storage medium | |
CN113032543B (zh) | 基于栈结构的对话诊断方法、装置、设备及介质 | |
CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN114120651B (zh) | 用于测试感知目标数的方法、装置、设备、介质和产品 | |
CN111260427B (zh) | 服务订单处理方法、装置、电子设备及存储介质 | |
CN117433811A (zh) | 用于对车辆进行性能测试的方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40022044 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |