CN110807930B - 危险车辆预警方法及装置 - Google Patents
危险车辆预警方法及装置 Download PDFInfo
- Publication number
- CN110807930B CN110807930B CN201911083622.4A CN201911083622A CN110807930B CN 110807930 B CN110807930 B CN 110807930B CN 201911083622 A CN201911083622 A CN 201911083622A CN 110807930 B CN110807930 B CN 110807930B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- data
- early warning
- training data
- 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 38
- 238000012549 training Methods 0.000 claims description 72
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 231100001261 hazardous Toxicity 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G08G1/0125—Traffic data processing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种危险车辆预警方法及装置,所述方法包括:采集本车的车辆行驶数据,并从服务器获取本车的车辆基础数据和驾驶员数据;根据所述车辆行驶数据、所述车辆基础数据、所述驾驶员数据、车辆危险指数模型和第一阈值预测本车是否会发生事故,所述车辆危险指数模型是从所述服务器获取的;若预测出本车会发生事故,则将本车会发生事故的预测结果发送至所述服务器;获取本车预设范围内的车辆的信息,并将所述车辆的信息发送至所述服务器,以供所述服务器向所述车辆发送预警信息。本申请通过车载终端预测出会发生事故的车辆,通过服务器通知预测会发生事故的车辆的周边车辆注意避让,降低危险事件发生的概率,有效地提升了车辆出行的安全。
Description
技术领域
本申请属于数据处理技术领域,具体涉及一种危险车辆预警方法及装置。
背景技术
现阶段电子导航工具只提供了实时路况、事故高发区域等信息的展示,并未给正在行驶的车辆展示周边车辆潜在风险,人们对周围实时的汽车环境一无所知。
发明内容
本申请针对阶段还没有针对周边车辆潜在风险做出提醒的方法的问题,提供一种危险车辆预警方法及装置。
本申请提供一种危险车辆预警方法,包括:
采集本车的车辆行驶数据,并从服务器获取本车的车辆基础数据和驾驶员数据;
根据所述车辆行驶数据、所述车辆基础数据、所述驾驶员数据、车辆危险指数模型和第一阈值预测本车是否会发生事故,所述车辆危险指数模型是从所述服务器获取的;
若预测出本车会发生事故,则将本车会发生事故的预测结果发送至所述服务器;
获取本车预设范围内的车辆的信息,并将所述车辆的信息发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
优选地,根据所述车辆行驶数据、所述车辆基础数据、所述驾驶员数据、车辆危险指数模型和预设阈值预测本车是否会发生事故,包括:
将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入所述车辆危险指数模型,以计算所述车辆的车辆危险指数;
判断所述车辆危险指数是否大于第一阈值;
若所述车辆危险指数大于第一阈值,则预测出所述车辆会发生事故。
优选地,所述方法还包括:
若预测出本车会发生事故,将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入预设的事故原因预测模型,以预测本车发生事故的原因;
将所述本车发生事故的原因发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
本申请提供一种危险车辆预警方法,包括:
当车辆危险指数模型更新时,将所述车辆危险指数模型发送至车载终端;
接收所述车载终端发送的车辆会发生事故的预测结果和车辆的信息;
向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆会发生事故的预测结果。
优选地,建立所述车辆危险指数模型的步骤包括:
根据预先采集的多个车辆对应的车辆事故数据,分别确定所述车辆事故数据中各个事故发生前设定时间段内的第一训练数据,以及与所述车辆事故数据中各个事故的驾驶员特征和事故车辆特征相对应的第二训练数据,所述第一训练数据包括车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据;所述第二训练数据包括:车辆基础数据、驾驶员数据、车辆行驶数据;
根据预设的分类模型分别确定所述第一训练数据和所述第二训练数据的权重;
根据所述第一训练数据、所述第二训练数据、所述第一训练数据的权重和所述第二训练数据的权重,生成车辆危险指数模型。
优选地,所述方法还包括:
当事故原因预测模型更新时,将所述事故原因预测模型发送至所述车载终端;
接收所述车载终端发送的车载终端对应的车辆发生事故的原因;
向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆发生事故的原因。
优选地,建立所述事故原因预测模型的步骤包括:
根据聚类算法将车辆事故数据划分为至少两个类;
分别确定每个类中各个事故的事故特征,针对每个事故特征分别确定每个类中具有相同事故特征的事故数量,并确定所述事故数量的最大值;
分别计算每个类中所述事故数量的最大值与该类中车辆事故总数量的比值;
确定所述比值大于第二阈值的类,并将所述比值对应的事故特征作为该类的事故原因;
根据聚类算法将所述比值小于或等于所述第二阈值的类中的车辆事故数据重新划分为至少两个类,并确定各类的事故原因;
根据确定出的类和各类对应的事故原因建立所述事故原因预测模型。
本申请提供一种危险车辆预警装置,包括:
采集模块,用于采集本车的车辆行驶数据;
第一获取模块,用于从服务器获取本车的车辆基础数据和驾驶员数据;
预测模块,用于根据所述车辆行驶数据、所述车辆基础数据、所述驾驶员数据、车辆危险指数模型和第一阈值预测本车是否会发生事故,所述车辆危险指数模型是从所述服务器获取的;
发送模块,用于若预测出本车会发生事故,则将本车会发生事故的预测结果发送至所述服务器;
第二获取模块,用于获取本车预设范围内的车辆的信息;
所述发送模块还用于将所述车辆的信息发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
优选地,预测模块,包括:
计算子模块,用于将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入所述车辆危险指数模型,以计算所述车辆的车辆危险指数;
判断子模块,用于判断所述车辆危险指数是否大于第一阈值;
预测子模块,用于若所述车辆危险指数大于第一阈值,则预测出所述车辆会发生事故。
优选地,所述装置还包括:
计算模块,用于若预测出本车会发生事故,将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入预设的事故原因预测模型,以预测本车发生事故的原因;
发送模块,用于将所述本车发生事故的原因发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
本申请还提供一种危险车辆预警装置,包括:
发送模块,用于当车辆危险指数模型更新时,将所述车辆危险指数模型发送至车载终端;
接收模块,用于接收所述车载终端发送的车辆会发生事故的预测结果和车辆的信息;
所述发送模块还用于向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆会发生事故的预测结果。
优选地,所述装置还包括:
数据筛选模块,用于根据预先采集的多个车辆对应的车辆事故数据,分别确定所述车辆事故数据中各个事故发生前设定时间段内的第一训练数据,以及与所述车辆事故数据中各个事故的驾驶员特征和事故车辆特征相对应的第二训练数据,所述第一训练数据包括车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据;所述第二训练数据包括:车辆基础数据、驾驶员数据、车辆行驶数据;
第一确定模块,用于根据预设的分类模型分别确定所述第一训练数据和所述第二训练数据的权重;
生成模块,用于根据所述第一训练数据、所述第二训练数据、所述第一训练数据的权重和所述第二训练数据的权重,生成车辆危险指数模型。
优选地,所述装置还包括:
所述发送模块还用于当事故原因预测模型更新时,将所述事故原因预测模型发送至所述车载终端;
所述接收模块还用于接收所述车载终端发送的车载终端对应的车辆发生事故的原因;
所述发送模块还用于向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆发生事故的原因。
优选地,所述装置还包括:
划分模块,用于根据聚类算法将车辆事故数据划分为至少两个类;
第二确定模块,用于分别确定每个类中各个事故的事故特征,针对每个事故特征分别确定每个类中具有相同事故特征的事故数量,并确定所述事故数量的最大值;
计算模块,用于分别计算每个类中所述事故数量的最大值与该类中车辆事故总数量的比值;
第三确定模块,用于确定所述比值大于第二阈值的类,并将所述比值对应的事故特征作为该类的事故原因;
第四确定模块,用于根据聚类算法将所述比值小于或等于所述第二阈值的类中的车辆事故数据重新划分为至少两个类,并确定各类的事故原因;
模型建立模块,用于根据确定出的类和各类对应的事故原因建立所述事故原因预测模型。
本申请提供的危险车辆预警方法,车载终端通过车辆行驶数据、车辆基础数据、驾驶员数据、车辆危险指数模型和第一阈值预测本车是否会发生事故,预测出本车会发生事故,则将本车会发生事故的预测结果发送至所述服务器。获取本车预设范围内的车辆的信息,并将车辆的信息发送至服务器,以供服务器向所述车辆发送预警信息,该预警信息中包含预测会发生事故的车辆的信息。本申请通过车载终端预测出会发生事故的车辆,通过服务器通知预测会发生事故的车辆的周边车辆注意避让,降低危险事件发生的概率,有效地提升了车辆出行的安全。
附图说明
图1为本申请第一实施例提供的一种危险车辆预警方法的流程图;
图2为本申请第一实施例提供的图1中步骤S2的一种可选实施方式;
图3为本申请第二实施例提供的一种危险车辆预警方法的流程图;
图4为本申请第二实施例提供的一种危险车辆预警方法的另一流程图;
图5为本申请第三实施例提供的一种危险车辆预警装置的结构示意图;
图6为本申请第三实施例提供的一种危险车辆预警装置的另一结构示意图;
图7为本申请第四实施例提供的一种危险车辆预警装置的结构示意图;
图8为本申请第四实施例提供的一种危险车辆预警装置的另一结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
本申请提供一种危险车辆预警方法、装置。以下分别结合本申请提供的实施例的附图逐一进行详细说明。
本申请第一实施例提供的一种危险车辆预警方法如下:
如图1所示,其示出了本申请实施例提供的一种危险车辆预警方法,本申请实施例的执行主体为车载终端,包括以下步骤。
步骤S101,采集本车的车辆行驶数据,并从服务器获取本车的车辆基础数据和驾驶员数据。
在该步骤中,在本申请的初始阶段,通过车管所、汽车运营企业等相关部门获取车辆基础数据和驾驶员数据,将车辆基础数据和驾驶员数据存储到后台的服务器上,车载终端从服务器获取本车的车辆基础数据和驾驶员数据。车辆基础数据,主要包括车辆ID、车辆类型(公务车、警用车、危化品车、校车、货运车、家用轿车等)、车辆品牌、车辆型号、车辆所属运输企业等。驾驶员数据,主要包括驾驶员ID、年龄、性别、学历、驾龄、历史事故数据等。
进一步地,车载终端还需要采集车辆行驶数据,包含事故车辆和非事故车辆在内的全量车辆行驶数据,主要通过车载终端、传感器、行车记录仪、GPS、监控摄像头、互联网等各种途径获取车辆实时数据。其中车辆的车辆行驶数据采集频次与速度成正相关,即速度越大、采集频次越高,系数可根据实际情况自主设定或调整。将采集到的数据暂存在本地边缘计算单元存储器中,等累积到一定数据量后,在传送到后台数据库服务器进行存储。
车辆行驶数据,主要包括车牌ID、驾驶员ID、车辆行驶时间、车辆实时速度、行驶方向、行驶路段、天气、车辆是否超速(前1分钟内平均速度是否>规定速度)、车辆是否频繁换道(前1分钟换道次数>N,如N=3)、车辆是否占用非机动车车道、车辆是否进入违禁地区、驾驶员是否系安全带、驾驶员是否疲劳驾驶、驾驶员是否醉酒驾驶、驾驶员是否长期打手机、驾驶员是否单手驾驶等。
此外,还需要采集车辆事故数据,通过监控摄像头、传感器、交警记录等途径进行车辆事故数据的收集和上传至服务器进行存储。车辆事故数据,主要包括车牌ID、驾驶员ID、事故发生时间、事故发生路段、事故发生原因等。
需要说明的是,上述车辆事故数据、车辆行驶数据、车辆基础数据和驾驶员数据可能会有重复的数据,并不是独立分离的数据集合。
步骤S102,根据所述车辆行驶数据、所述车辆基础数据、所述驾驶员数据、车辆危险指数模型和第一阈值预测本车是否会发生事故。
在该步骤中,所述车辆危险指数模型是在服务器预先建立的,并从服务器获取的,服务器定时向每个车载终端的边缘计算单元发送车辆危险指数模型和数据处理脚本。具体预测本车是否会发生事故的步骤在下文中结合图2再详细论述。
步骤S103,若预测出本车会发生事故,则将本车会发生事故的预测结果发送至所述服务器。
在该步骤中,车载终端通过边缘计算单元的通信模块将本车的信息(车牌号、车辆颜色、车辆品牌等)发送到后台的服务器。需要说明的是,如果预测出本车不会发生事故,则将本车不会发生事故的预测结果发送至所述服务器。
步骤S104,获取本车预设范围内的车辆的信息,并将所述车辆的信息发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
在该步骤中,车载终端定位该车辆经纬度及危险区即本车预设范围内的车辆的信息(如以本车为中心,100米为半径范围内)。将本车预设范围内的车辆的信息发送至服务器,以供服务器向本车预设范围内的车辆发送预警信息,该预警信息中包括本车即危险车辆的信息。
优选地,如图2所示,所述步骤S102,根据所述车辆行驶数据、所述车辆基础数据、所述驾驶员数据、车辆危险指数模型和预设阈值预测本车是否会发生事故,包括:
步骤S102-1,将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入所述车辆危险指数模型,以计算所述车辆的车辆危险指数。
步骤S102-2,判断所述车辆危险指数是否大于第一阈值,若是,则执行步骤S102-3;若否,则执行步骤S102-4。
步骤S102-3,预测出所述车辆会发生事故。
步骤S102-4,预测出所述车辆不会发生事故。
在上述步骤中,车载终端将采集的最新的车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入预先存储的车辆危险指数模型,车辆危险指数模型输出车辆危险指数。此处需要说明的是,输入车辆危险指数模型的数据都需要进行预处理。例如进行剔除异常值(有些特征值明显不合乎常理,则剔除)、补齐缺失值(有些字段存在缺失值,参考相似数据进行补充)、特征值离散化(如年龄,可按照5岁一个区间,重新定义,0-5岁记为1,6-10岁记为2…)等处理。判断输出的车辆危险指数是否大于第一阈值,若大于,则说明该车辆发生事故的危险较大,预测该车辆会发生事故;若小于或等于,则说明该车辆发生事故的危险不大,预测该车辆不会发生事故。例如输出的车辆危险指数为0.85,我们这里设定第一阈值为0.65,当P>0.65则预测该车辆会发生事故,否则,预测该车辆不会发生事故。
优选地,所述方法还包括:
步骤a,若预测出本车会发生事故,将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入预设的事故原因预测模型,以预测本车发生事故的原因。
在该步骤中,所述事故原因预测模型是在服务器预先建立的,并从服务器获取的,服务器定时向每个车载终端的边缘计算单元发送事故原因预测模型和数据处理脚本。车载终端将采集的最新的车辆行驶数据、车辆基础数据和所述驾驶员数据输入预先存储的事故原因预测模型,事故原因预测模型输出本车发生事故的原因。此处需要说明的是,输入事故原因预测模型的数据都需要进行预处理。例如进行剔除异常值(有些特征值明显不合乎常理,则剔除)、补齐缺失值(有些字段存在缺失值,参考相似数据进行补充)、特征值离散化(如年龄,可按照5岁一个区间,重新定义,0-5岁记为1,6-10岁记为2…)等处理。
步骤b,将所述本车发生事故的原因发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
在该步骤中,车载终端将本车发生事故的原因发送至服务器,以供服务器向本车预设范围内的车辆发送预警信息,该预警信息中包括本车发生事故的原因。
本申请提供的一种危险车辆预警方法,车载终端对实时车辆行驶数据进行采集,并接收服务器发送的车辆基础数据、驾驶员数据,将车辆行驶数据、车辆基础数据、驾驶员数据代入车辆危险指数模型,生成每个车辆的危险指数,当其大于第一阈值时,则预测出本车会发生事故。并获取本车预设范围内的车辆的信息,将车辆的信息发送至服务器,以供服务器向车辆发送预警信息。本申请通过车载终端预测出会发生事故的车辆,通过服务器通知预测会发生事故的车辆的周边车辆注意避让,降低危险事件发生的概率,有效地提升了车辆出行的安全。
本申请第二实施例提供的一种危险车辆预警方法如下:
如图3所示,其示出了本申请实施例提供的一种危险车辆预警方法,包括以下步骤。
步骤S201,当车辆危险指数模型更新时,将所述车辆危险指数模型发送至车载终端。
在该步骤中,由于车辆不断产生新的数据,车辆危险指数模型会定期(如1天)进行重新训练生成,因此服务器会定期下发更新后的车辆危险指数模型至每辆车载终端的边缘计算单元。
步骤S202,接收所述车载终端发送的车辆会发生事故的预测结果和车辆的信息。
在该步骤中,车辆的信息是指危险车辆附近的预设范围内的车辆的信息。
步骤S203,向所述车辆的信息对应的车辆发送预警信息。
在该步骤中,所述预警信息包括所述车载终端对应的车辆会发生事故的预测结果。服务器向所述车辆的信息对应的车辆发送预警信息或解除预警信息。依据后台的服务器获取到的所述车辆的信息对应的车辆集合,向集合内每个车辆发送危险车辆的位置、车牌号、车辆颜色等信息,以提醒所述车辆的信息对应的车辆注意避让。当监测到车载终端发送的车辆不会发生事故的预测结果或者周边车辆已经离开危险区,则解除预警。
需要说明的是,服务器还向交警终端进行预警或解除预警。将地图划分为大小相等的网格,通过预测到的会发生事故的车辆信息计算每个网格的危险指数,当危险指数大于一定阈值时,后台的服务器向管辖该网格的交警终端杆进行实时预警,反之则解除预警,以便交管部门和网格交警进行统筹管控。其中网格危险指数由网格内每个危险车辆的危险指数加和后做归一化处理得到的。
优选地,如图4所示,建立所述车辆危险指数模型的步骤包括:
步骤S204,根据预先采集的多个车辆对应的车辆事故数据,分别确定所述车辆事故数据中各个事故发生前设定时间段内的第一训练数据,以及与所述车辆事故数据中各个事故的驾驶员特征和事故车辆特征相对应的第二训练数据。
在该步骤中,待数据采集一段时间(如1年)后,在服务器开始对数据进行分析处理建模。将车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据等四张表数据进行关联,筛选出车辆事故数据中各个事故发生前设定时间段内的第一训练数据,例如事故发生前1分钟的数据。第一训练数据包括车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据。即车辆事故数据并不能涵盖所有的事故数据,通过关联,将四张表数据中的设定时间段内的第一训练数据筛选出来。将每个事故的多条数据合并为一条,相关字段进行处理(如行驶方向在1分钟内可能发生改变,故保留最新一条数据的行驶方向;速度一直在变化,故可通过计算生产新的特征值,例如,事故前1分钟平均速度、最高速度等)。此外,从车辆基础数据、驾驶员数据、车辆行驶数据中筛选出与车辆事故数据中各个事故的驾驶员特征和事故车辆特征相对应的第二训练数据,数据做合并处理。第一训练数据和第二训练数据组成训练集,第一训练数据和第二训练数据二者的比例可根据实际情况进行设定和调整。
步骤S205,根据预设的分类模型分别确定所述第一训练数据和所述第二训练数据的权重。
步骤S206,根据所述第一训练数据、所述第二训练数据、所述第一训练数据的权重和所述第二训练数据的权重,生成车辆危险指数模型。
在步骤S205和步骤S206中,采用随机森林、KNeighbors、SVM等多种分类模型,对数据进行训练、交叉验证和测试,得到多个模型的准确率、召回率、F1-score,取效果最好也就是F1-score最大的模型,确定所述第一训练数据和所述第二训练数据的权重,得到车辆危险指数模型。假设这里采用随机森林模型,最后得到模型参数δ,也就是每个特征的系数组成的向量,即是车辆危险指数模型。
优选地,所述方法还包括:
步骤c,当事故原因预测模型更新时,将所述事故原因预测模型发送至所述车载终端。
在该步骤中,由于车辆不断产生新的数据,事故原因预测模型会定期(如1天)进行重新训练生成,因此服务器会定期下发更新后的事故原因预测模型至每辆车载终端的边缘计算单元。
步骤d,接收所述车载终端发送的车载终端对应的车辆发生事故的原因。
在该步骤中,只有当车载终端通过车辆危险指数模型预测出车辆会发生事故,才会进一步通过事故原因预测模型预测发生事故的原因。在此情况下,车载终端将预测出的发生事故的原因发送至服务器。
步骤e,向所述车辆的信息对应的车辆发送预警信息。
在该步骤中,所述预警信息包括所述车载终端对应的车辆发生事故的原因。
优选地,建立所述事故原因预测模型的步骤包括:
步骤f,根据聚类算法将车辆事故数据划分为至少两个类;
步骤g,分别确定每个类中各个事故的事故特征,针对每个事故特征分别确定每个类中具有相同事故特征的事故数量,并确定所述事故数量的最大值;
步骤h,分别计算每个类中所述事故数量的最大值与该类中车辆事故总数量的比值;
步骤i,确定所述比值大于第二阈值的类,并将所述比值对应的事故特征作为该类的事故原因;
步骤m,根据聚类算法将所述比值小于或等于所述第二阈值的类中的车辆事故数据重新划分为至少两个类,并确定各类的事故原因;
步骤n,根据确定出的类和各类对应的事故原因建立所述事故原因预测模型。
在上述步骤中,选取W个目标样本点,采用聚类算法(如K-means)将车辆事故数据进行聚类,划分为至少两个类。聚类后,尽量让事故群有重复率高的事故特征。分别确定每个类中各个事故的事故特征,针对每个事故特征分别确定每个类中具有相同事故特征的事故数量,并确定所述事故数量的最大值。分别计算每个类中事故数量的最大值与该类中车辆事故总数量的比值,确定比值大于第二阈值的类,并将所述比值对应的事故特征作为该类的事故原因(所述比值即重复率)。如一个类即一个事故群中有1000个事故,具有相同事故特征的事故数量最大的为事故特征为频繁换道的事故有800个,则可判断该事故群的事故原因是频繁换道。
在一种优选的实施方式中,一个类确定出的事故原因不限于一个,可以是多个。即判断出比值大于第二阈值的事故特征有多个,不再计算事故数量的最大值,直接输出多个比值大于第二阈值的事故特征作为该类的事故原因。
此外,对于没有高重复率的事故特征的类,则采用其他的聚类算法,进行重新聚类,重新划分为至少两个类,直到类中存在重复率高的事故特征,并确定各类的事故原因。
具体的,在将预测会发生事故的车辆对应的车辆行驶数据、车辆基础数据和驾驶员数据输入该事故原因预测模型时,需要找到与该车辆行驶数据、车辆基础数据和驾驶员数据的各个特征的特征值相似的特征值对应的类,该类对应的事故原因即是最终输出预测会发生事故的车辆的事故原因。并不是每个类都能明确的输出事故原因,也并不是每一个预测会发生事故的车辆对应的车辆行驶数据、车辆基础数据和驾驶员数据输入该事故原因预测模型都能找到对应的事故原因,因此,事故原因预测模型需要实时更新。
需要说明的是,在确定事故特征时,需要综合考虑预先存储的车辆行驶数据、车辆基础数据、驾驶员数据,并不限于车辆事故数据本身。
本申请提供的一种危险车辆预警方法,服务器通过对车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据进行筛选,确定训练数据,预设的分类模型对训练数据进行分析建模,形成车辆危险指数模型,当车辆危险指数模型更新时,将车辆危险指数模型发送至车载终端。接收车载终端发送的车辆会发生事故的预测结果和车辆的信息(预测会发生事故的车辆预设范围内的车辆的信息),向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆会发生事故的预测结果。本申请通过车载终端预测出会发生事故的车辆,通过服务器通知周边车辆注意避让,降低危险事件发生的概率,有效地提升了车辆出行的安全。
本申请第三实施例提供的一种危险车辆预警装置如下:
如图5所示,其示出了本申请实施例提供的一种危险车辆预警装置,包括:
采集模块11,用于采集本车的车辆行驶数据;
第一获取模块12,用于从服务器获取本车的车辆基础数据和驾驶员数据;
预测模块13,用于根据所述车辆行驶数据、所述车辆基础数据、所述驾驶员数据、车辆危险指数模型和第一阈值预测本车是否会发生事故,所述车辆危险指数模型是从所述服务器获取的;
发送模块14,用于若预测出本车会发生事故,则将本车会发生事故的预测结果发送至所述服务器;
第二获取模块15,用于获取本车预设范围内的车辆的信息;
所述发送模块14还用于将所述车辆的信息发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
优选地,如图6所示,预测模块13,包括:
计算子模块131,用于将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入所述车辆危险指数模型,以计算所述车辆的车辆危险指数;
判断子模块132,用于判断所述车辆危险指数是否大于第一阈值;
预测子模块133,用于若所述车辆危险指数大于第一阈值,则预测出所述车辆会发生事故。
优选地,所述装置还包括:
计算模块,用于若预测出本车会发生事故,将所述车辆行驶数据、所述车辆基础数据和所述驾驶员数据输入预设的事故原因预测模型,以预测本车发生事故的原因;
发送模块,用于将所述本车发生事故的原因发送至所述服务器,以供所述服务器向所述车辆发送预警信息。
本申请第四实施例提供的一种危险车辆预警装置如下:
如图7所示,其示出了本申请实施例提供的一种危险车辆预警装置,包括:
发送模块21,用于当车辆危险指数模型更新时,将所述车辆危险指数模型发送至车载终端;
接收模块22,用于接收所述车载终端发送的车辆会发生事故的预测结果和车辆的信息;
所述发送模块21还用于向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆会发生事故的预测结果。
优选地,如图8所示,所述装置还包括:
数据筛选模块23,用于根据预先采集的多个车辆对应的车辆事故数据,分别确定所述车辆事故数据中各个事故发生前设定时间段内的第一训练数据,以及与所述车辆事故数据中各个事故的驾驶员特征和事故车辆特征相对应的第二训练数据,所述第一训练数据包括车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据;所述第二训练数据包括:车辆基础数据、驾驶员数据、车辆行驶数据;
第一确定模块24,用于根据预设的分类模型分别确定所述第一训练数据和所述第二训练数据的权重;
生成模块25,用于根据所述第一训练数据、所述第二训练数据、所述第一训练数据的权重和所述第二训练数据的权重,生成车辆危险指数模型。
优选地,所述装置还包括:
所述发送模块21还用于当事故原因预测模型更新时,将所述事故原因预测模型发送至所述车载终端;
所述接收模块22还用于接收所述车载终端发送的车载终端对应的车辆发生事故的原因;
所述发送模块21还用于向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆发生事故的原因。
优选地,所述装置还包括:
划分模块,用于根据聚类算法将车辆事故数据划分为至少两个类;
第二确定模块,用于分别确定每个类中各个事故的事故特征,针对每个事故特征分别确定每个类中具有相同事故特征的事故数量,并确定所述事故数量的最大值;
计算模块,用于分别计算每个类中所述事故数量的最大值与该类中车辆事故总数量的比值;
第三确定模块,用于确定所述比值大于第二阈值的类,并将所述比值对应的事故特征作为该类的事故原因;
第四确定模块,用于根据聚类算法将所述比值小于或等于所述第二阈值的类中的车辆事故数据重新划分为至少两个类,并确定各类的事故原因;
模型建立模块,用于根据确定出的类和各类对应的事故原因建立所述事故原因预测模型。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (4)
1.一种危险车辆预警方法,其特征在于,包括:
当车辆危险指数模型更新时,将所述车辆危险指数模型发送至车载终端;
接收所述车载终端发送的车辆会发生事故的预测结果和车辆的信息;
向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆会发生事故的预测结果;
当事故原因预测模型更新时,将所述事故原因预测模型发送至所述车载终端;
接收所述车载终端发送的车载终端对应的车辆发生事故的原因;
向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆发生事故的原因;
建立所述事故原因预测模型的步骤包括:
根据聚类算法将车辆事故数据划分为至少两个类;
分别确定每个类中各个事故的事故特征,针对每个事故特征分别确定每个类中具有相同事故特征的事故数量,并确定所述事故数量的最大值;
分别计算每个类中所述事故数量的最大值与该类中车辆事故总数量的比值;
确定所述比值大于第二阈值的类,并将所述比值对应的事故特征作为该类的事故原因;
根据聚类算法将所述比值小于或等于所述第二阈值的类中的车辆事故数据重新划分为至少两个类,并确定各类的事故原因;
根据确定出的类和各类对应的事故原因建立所述事故原因预测模型。
2.根据权利要求1所述的危险车辆预警方法,其特征在于,建立所述车辆危险指数模型的步骤包括:
根据预先采集的多个车辆对应的车辆事故数据,分别确定所述车辆事故数据中各个事故发生前设定时间段内的第一训练数据,以及与所述车辆事故数据中各个事故的驾驶员特征和事故车辆特征相对应的第二训练数据,所述第一训练数据包括车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据;所述第二训练数据包括:车辆基础数据、驾驶员数据、车辆行驶数据;
根据预设的分类模型分别确定所述第一训练数据和所述第二训练数据的权重;
根据所述第一训练数据、所述第二训练数据、所述第一训练数据的权重和所述第二训练数据的权重,生成车辆危险指数模型。
3.一种危险车辆预警装置,其特征在于,包括:
发送模块,用于当车辆危险指数模型更新时,将所述车辆危险指数模型发送至车载终端;
接收模块,用于接收所述车载终端发送的车辆会发生事故的预测结果和车辆的信息;
所述发送模块还用于向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆会发生事故的预测结果;
所述发送模块还用于当事故原因预测模型更新时,将所述事故原因预测模型发送至所述车载终端;
所述接收模块还用于接收所述车载终端发送的车载终端对应的车辆发生事故的原因;
所述发送模块还用于向所述车辆的信息对应的车辆发送预警信息,所述预警信息包括所述车载终端对应的车辆发生事故的原因;
划分模块,用于根据聚类算法将车辆事故数据划分为至少两个类;
第二确定模块,用于分别确定每个类中各个事故的事故特征,针对每个事故特征分别确定每个类中具有相同事故特征的事故数量,并确定所述事故数量的最大值;
计算模块,用于分别计算每个类中所述事故数量的最大值与该类中车辆事故总数量的比值;
第三确定模块,用于确定所述比值大于第二阈值的类,并将所述比值对应的事故特征作为该类的事故原因;
第四确定模块,用于根据聚类算法将所述比值小于或等于所述第二阈值的类中的车辆事故数据重新划分为至少两个类,并确定各类的事故原因;
模型建立模块,用于根据确定出的类和各类对应的事故原因建立所述事故原因预测模型。
4.根据权利要求3所述的危险车辆预警装置,其特征在于,所述装置还包括:
数据筛选模块,用于根据预先采集的多个车辆对应的车辆事故数据,分别确定所述车辆事故数据中各个事故发生前设定时间段内的第一训练数据,以及与所述车辆事故数据中各个事故的驾驶员特征和事故车辆特征相对应的第二训练数据,所述第一训练数据包括车辆基础数据、驾驶员数据、车辆行驶数据和车辆事故数据;所述第二训练数据包括:车辆基础数据、驾驶员数据、车辆行驶数据;
第一确定模块,用于根据预设的分类模型分别确定所述第一训练数据和所述第二训练数据的权重;
生成模块,用于根据所述第一训练数据、所述第二训练数据、所述第一训练数据的权重和所述第二训练数据的权重,生成车辆危险指数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083622.4A CN110807930B (zh) | 2019-11-07 | 2019-11-07 | 危险车辆预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911083622.4A CN110807930B (zh) | 2019-11-07 | 2019-11-07 | 危险车辆预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807930A CN110807930A (zh) | 2020-02-18 |
CN110807930B true CN110807930B (zh) | 2021-08-17 |
Family
ID=69502098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911083622.4A Active CN110807930B (zh) | 2019-11-07 | 2019-11-07 | 危险车辆预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807930B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582635A (zh) * | 2020-03-27 | 2020-08-25 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于v2x的多目标处理方法 |
CN111833598B (zh) * | 2020-05-14 | 2022-07-05 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN112328970A (zh) * | 2020-11-05 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 基于车辆性能参数的事故预测方法和系统 |
CN112419723A (zh) * | 2020-11-19 | 2021-02-26 | 重庆同枥信息技术有限公司 | 基于交通预测的危化品运输车辆的安全监管方法和设备 |
CN112489425A (zh) * | 2020-11-25 | 2021-03-12 | 平安科技(深圳)有限公司 | 车辆防撞预警方法、装置、车载终端设备和存储介质 |
CN112884220A (zh) * | 2021-02-08 | 2021-06-01 | 深圳广联赛讯股份有限公司 | 基于关联规则的碰撞预测方法、装置、设备及存储介质 |
CN112991685A (zh) * | 2021-02-10 | 2021-06-18 | 武汉理工大学 | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 |
CN113096405B (zh) * | 2021-06-10 | 2021-09-03 | 天津所托瑞安汽车科技有限公司 | 预测模型的构建方法、车辆事故预测方法及装置 |
CN114299633A (zh) * | 2021-12-28 | 2022-04-08 | 中国电信股份有限公司 | 汽车驾驶事故预测方法、装置、电子设备及存储介质 |
CN116704747A (zh) * | 2022-12-29 | 2023-09-05 | 摩斯智联科技有限公司 | 一种基于边缘计算判定车辆事故并风控的系统 |
CN117389256B (zh) * | 2023-12-11 | 2024-03-08 | 青岛盈智科技有限公司 | 一种运输过程中货车车辆状态的预警方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112014017228A2 (pt) * | 2012-01-13 | 2017-08-22 | Pulse Function F6 Ltd | Sistema de telemática com sensores 3d inerciais |
CN106156877A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 预测驾车风险的方法、装置及系统 |
CN106297340A (zh) * | 2016-08-17 | 2017-01-04 | 上海电机学院 | 一种行驶车辆安全监测预警系统与方法 |
CN107784251A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于图像识别技术对驾驶行为评价的方法 |
CN107742193B (zh) * | 2017-11-28 | 2019-08-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN108230752B (zh) * | 2018-01-26 | 2019-10-25 | 山东省交通规划设计院 | 智能交通安全预警方法、云服务器、随车终端及系统 |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN108665093B (zh) * | 2018-04-19 | 2021-07-27 | 东南大学 | 基于深度学习的高速公路交通事故严重度预测方法 |
CN110134963A (zh) * | 2019-05-20 | 2019-08-16 | 中南大学 | 一种文本挖掘应用于道路交通事故数据处理的方法 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
-
2019
- 2019-11-07 CN CN201911083622.4A patent/CN110807930B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110807930A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807930B (zh) | 危险车辆预警方法及装置 | |
US20220058701A1 (en) | System and Method for Estimation of Vehicle Accident Damage and Repair | |
US11836802B2 (en) | Vehicle operation analytics, feedback, and enhancement | |
CN109416873B (zh) | 具有自动化风险控制系统的自主或部分自主机动车辆及其相应方法 | |
JP2021503678A (ja) | 衝突の評価 | |
US20190170531A1 (en) | Distributed data processing systems for processing remotely captured sensor data | |
US8924240B2 (en) | System for monitoring vehicle and operator behavior | |
US10776735B2 (en) | Risk information processing method and server device | |
US20210375128A1 (en) | System and method for detection and quantification of irregular traffic congestion | |
KR101617349B1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
EP1898380B1 (en) | System and method for collecting and distributing traffic information | |
CN108074396A (zh) | 安全行驶评价方法及系统 | |
US20210110480A1 (en) | Intelligent machine sensing and machine learning-based commercial vehicle insurance risk scoring system | |
US20180114377A1 (en) | Method for digital processing of automotive data and a system for implementing the same | |
WO2014207558A2 (en) | Onboard vehicle accident detection and damage estimation system and method of use | |
US11170639B2 (en) | Transportation threat detection system | |
WO2015160900A1 (en) | Assessing asynchronous authenticated data sources for use in driver risk management | |
CN113256993B (zh) | 一种模型训练、分析车辆行驶风险的方法 | |
US20210024058A1 (en) | Evaluating the safety performance of vehicles | |
Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
WO2019197345A1 (en) | Vehicular motion assessment method | |
Oh et al. | Hazardous driving event detection and analysis system in vehicular networks: Methodology and field implementation | |
JP2005293032A (ja) | 車輌運転状況監視システム及びこのシステム用の車輌運転状況監視プログラム。 | |
US20240232963A1 (en) | System and Method for Estimation of Vehicle Accident Damage and Repair | |
Hayashi et al. | Prioritization of Lane-Specific Traffic Jam Detection for Automotive Navigation Framework Utilizing Suddenness Index and Automatic Threshold Determination |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |