CN111081020A - 一种基于云边结合的车载交通事故预警装置 - Google Patents

一种基于云边结合的车载交通事故预警装置 Download PDF

Info

Publication number
CN111081020A
CN111081020A CN201911367884.3A CN201911367884A CN111081020A CN 111081020 A CN111081020 A CN 111081020A CN 201911367884 A CN201911367884 A CN 201911367884A CN 111081020 A CN111081020 A CN 111081020A
Authority
CN
China
Prior art keywords
vehicle
accident
early warning
time
module
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.)
Granted
Application number
CN201911367884.3A
Other languages
English (en)
Other versions
CN111081020B (zh
Inventor
刘俊
吴晓
李大庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Chuifik Technology Co Ltd
Original Assignee
Anhui Chuifik Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Chuifik Technology Co Ltd filed Critical Anhui Chuifik Technology Co Ltd
Priority to CN201911367884.3A priority Critical patent/CN111081020B/zh
Publication of CN111081020A publication Critical patent/CN111081020A/zh
Application granted granted Critical
Publication of CN111081020B publication Critical patent/CN111081020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于云边结合的车载交通事故预警装置，用于解决在道路交通事故发生前提供基于历史事故信息、当前车速及道路环境信息提供智能预警的问题；包括事故数据采集模块、云平台、事故模型预测模块、车载终端、GPS定位模块、触发预警模块和天气预警模块；事故数据采集模块包括事故数据采集单元和非事故数据采集单元；事故数据采集单元用于采集事故数据并将事故数据发送至云平台内；本发明通过策树、神经网络、支持向量机及多元回归模型进行加权模型训练，采用集中多个模型优势，实现预测结果联合最优化以及准确度；通过车载终端对预报信息进行显示和语音播报；通过对驾驶的车辆和人以及环境进行触发分析，实现智能预警。

Description

一种基于云边结合的车载交通事故预警装置
技术领域
本发明涉及领域，具体为一种基于云边结合的车载交通事故预警装置。
背景技术
发明内容
本发明的目的就在于提出一种基于云边结合的车载交通事故预警装置，本发明通过策树、神经网络、支持向量机及多元回归模型进行加权模型训练，采用集中多个模型优势，实现预测结果联合最优化以及准确度；通过车载终端对预报信息进行显示和语音播报；通过对驾驶的车辆和人以及环境进行触发分析，实现智能预警。
本发明所要解决的技术问题是：
1、如何通过云平台与车载终端边缘计算实体相结合的方式，实现智能预警，解决了在道路交通事故发生前提供基于历史事故信息、当前车速及道路环境信息提供智能预警的问题；
本发明的目的可以通过以下技术方案实现：一种基于云边结合的车载交通事故预警装置，包括事故数据采集模块、云平台、事故模型预测模块、车载终端、GPS定位模块、触发预警模块和天气预警模块；
所述事故数据采集模块包括事故数据采集单元和非事故数据采集单元；所述事故数据采集单元用于采集事故数据并将事故数据发送至云平台内；所述非事故数据采集单元用于通过高清卡口采集事故发生时前一段时间内的非事故车辆运行信息；所述事故数据采集模块将采集的事故数据和非事故车辆运行信息发送至云平台；云平台内包括事故数据库和非事故数据库；所述事故数据库用于存储事故数据；非事故数据库用于存储非事故车辆运行信息；
所述事故模型预测模块用于通过云平台内的事故数据进行处理实现集中预警具体处理步骤如下：
步骤一：将事故数据进行数据ETL处理；然后进行变量定义，包括定义自变量因子集和因变量，自变量因子集包括：驾龄、天气、能见度、路面状况、车龄、路面隔离设置、驾驶人年龄；因变量为事故等级；
步骤二：设定数据的时间分辨率、训练样本的时间起止范围；
步骤三：以决策树、神经网络、支持向量机及多元回归模型进行加权模型训练，得到训练模型，具体为：
S1：训练模型为
Figure BDA0002338923910000021
其中，T为组合的模型数量；wi为模型权重，满足wi>＝0且
Figure BDA0002338923910000022
hi为训练的事故预测模型；H表示为预测概率；取值为0-1；
S2：模型权重计算公式为
Figure BDA0002338923910000023
其中T为组合的模型数量；prej为模型j的预测准确度；
S3：利用公式
Figure BDA0002338923910000024
获取得到预测准确度prej；其中，n为样本数；fi模型预测样本i的事故发生等级；yi为实测样本i的事故发生等级；
步骤四：输出训练模型；
所述车载终端用于向云平台实时发送至车速、车牌和行驶时长；所述天气预报模块用于通过互联网获取天气状况和能见度值并将其发送至向云平台；所述GPS定位模块用于获取车载终端当前的位置；所述触发预报模块用于获取车载终端实时发送的车速以及当前位置和天气状况和能见度并进行触发分析计算，生成预警指令至云平台；云平台接收到预警指令后通过训练模型获取得到预测概率并向车载终端发送预报信息至车载终端，通过车载终端对预报信息进行显示和语音播报。
进一步的，所述事故数据包括驾驶人信息、驾驶车辆信息、行驶道路信息、事故车辆环境信息和事故等级；驾驶人信息包括驾龄、年龄、文化程度和性别；驾驶车辆信息包括车龄、车速；事故车辆环境信息包括天气状况和能见度；天气状况包括阴天、晴天、下雨天、下雪天和下雾天；行驶道路信息包括路面状况、路表情况和路面结构；路面状况包括路侧防护类型和道路线型；路侧防护类型包括植物防护和工程防护；工程防护包括框格防护、封面、护面墙、干砌片石护坡、浆砌片石护坡、浆砌预制块护坡、锚杆钢丝网喷浆和射混凝土护坡；路表情况包括干燥、潮湿、积水、漫水、冰雪和泥泞；所述非事故车辆运行信息包括车牌、车牌对应的驾驶车辆信息以及驾驶人信息。
进一步的，所述触发预报模块的触发分析计算具体步骤如下：
步骤一：通过车载终端的实时位置获取得到车辆所行驶的路段及路段对应的限速值并记为VX；通过车载终端相邻时间间隔的实时位置获取得到车辆行驶的方向；
步骤二：通过车辆行驶的方向和实时位置获取得到车辆与交通路口的位置以及车辆与事故点的位置；设定车辆的实时车速记为VS；
步骤三：通过车辆与交通路口的位置计算得到路口距离差并标记为D1；通过车辆与事故点的位置计算得到事故点距离差并标记为D2；
步骤四：对触发进行判断；
SS1：当VS≥VX或D1小于等于设定距离阈值或D2小于等于设定距离阈值，则直接生成预警指令；
SS2：当VS<VX且D1大于设定距离阈值且D2大于设定距离阈值；则进行触发值计算；
SS3：通过车牌获取得到该车牌对应车辆驾驶人的驾龄和年龄，分别标记为E1和E2；
SS4：设定行驶时长记为E3；设定天气状况对应的预设积分值记为Ma；a＝1、2、……、5；M1、M2、M3、M4、M5依次表示晴天、阴天、下雨天、下雪天和下雾天对应的预设积分值；且M1<M2<M3<M4<M5；
SS5：通过车辆当前位置获取得到该位置的天气状况以及能见度值，将该位置的天气状况与预设积分值进行匹配，得到对应的预设积分值Ma；设定能见度值记为N1；
SS6：利用公式
Figure BDA0002338923910000041
获取得到该车辆的触发值Y；其中g1、g2、g3、g4、g5、g6和g7均为预设比例系数；μ为修正系数，取值为0.3554485；
SS7：当触发值大于设定阈值，则触发预报模块生成预警指令；
步骤五：触发预报模块将预警指令发送至云平台内。
进一步的，所述行驶时长通过安装在车辆上的速度传感器进行计算，具体计算步骤如下：
步骤一：当速度传感器检测的车辆速度大于零，则开始计时并将其标记为初始时刻，用符号Q1表示；当车辆行驶的速度等于零，则停止计时并标记为初次停车时刻用符号R1；当车辆速度再次大于零时，计算该时刻与停止计时时刻的时间差；
步骤二：当时间差小于设定阈值，则将再次大于零的时刻标记为再次开始时刻记为Q2，再次车速等于零的时刻记为R2；当时间差大于设定阈值，则该再次大于零的时刻标记为初始时刻,依次类推；
步骤三：利用公式
Figure BDA0002338923910000051
获取得到行驶时长E3；c为正整数；UD为系统当前时间；Rb-1表示为第c-1次车辆的车速等于零的停车时刻；Qb-1表示为第c-1次车辆的初始时刻；Qb表示为第c次车辆的初始时刻。
进一步的，所述云平台内还存储有道路路线地图及道路路线每个位置对应的限速值；预报信息包括预测概率以及预报文本，预报文本包括距离D2的历史事故点为事故多发路段请注意减速慢行、距离D1的交通路口为事故多发路口请注意减速慢行和路段限速为VS请注意减速慢行。
与现有技术相比，本发明的有益效果是：
1、本发明事故模型预测模块通过云平台内的事故数据进行处理实现集中预警具体处理，将事故数据进行数据ETL处理；然后进行变量定义，设定数据的时间分辨率、训练样本的时间起止范围；以决策树、神经网络、支持向量机及多元回归模型进行加权模型训练，得到训练模型，通过策树、神经网络、支持向量机及多元回归模型进行加权模型训练，采用集中多个模型优势，实现预测结果联合最优化以及准确度；
2、本发明触发预报模块的触发分析及判断；当VS≥VX或D1小于等于设定距离阈值或D2小于等于设定距离阈值，则直接生成预警指令；当VS<VX且D1大于设定距离阈值且D2大于设定距离阈值；则进行触发值计算；利用公式获取得到该车辆的触发值；触发预报模块将预警指令发送至云平台内；云平台接收到预警指令后通过训练模型获取得到预测概率并向车载终端发送预报信息至车载终端，通过车载终端对预报信息进行显示和语音播报；通过对驾驶的车辆和人以及环境进行触发分析，实现智能预警。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明一种基于云边结合的车载交通事故预警装置的原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，一种基于云边结合的车载交通事故预警装置，包括事故数据采集模块、云平台、事故模型预测模块、车载终端、GPS定位模块、触发预警模块和天气预警模块；
事故数据采集模块包括事故数据采集单元和非事故数据采集单元；事故数据采集单元用于采集事故数据并将事故数据发送至云平台内；非事故数据采集单元用于通过高清卡口采集事故发生时前一段时间内的非事故车辆运行信息；事故数据包括驾驶人信息、驾驶车辆信息、行驶道路信息、事故车辆环境信息和事故等级；驾驶人信息包括驾龄、年龄、文化程度和性别；驾驶车辆信息包括车龄、车速；事故车辆环境信息包括天气状况和能见度；天气状况包括阴天、晴天、下雨天、下雪天和下雾天；行驶道路信息包括路面状况、路表情况和路面结构；路面状况包括路侧防护类型和道路线型；路侧防护类型包括植物防护和工程防护；工程防护包括框格防护、封面、护面墙、干砌片石护坡、浆砌片石护坡、浆砌预制块护坡、锚杆钢丝网喷浆和射混凝土护坡；路表情况包括干燥、潮湿、积水、漫水、冰雪和泥泞；非事故车辆运行信息包括车牌、车牌对应的驾驶车辆信息以及驾驶人信息；事故数据采集模块将采集的事故数据和非事故车辆运行信息发送至云平台；云平台内包括事故数据库和非事故数据库；事故数据库用于存储事故数据；非事故数据库用于存储非事故车辆运行信息；
事故模型预测模块用于通过云平台内的事故数据进行处理实现集中预警具体处理步骤如下：
步骤一：将事故数据进行数据ETL处理；然后进行变量定义，包括定义自变量因子集和因变量，自变量因子集包括：驾龄、天气、能见度、路面状况、车龄、路面隔离设置、驾驶人年龄；因变量为事故等级；
步骤二：设定数据的时间分辨率、训练样本的时间起止范围；
步骤三：以决策树、神经网络、支持向量机及多元回归模型进行加权模型训练，得到训练模型，具体为：
S1：训练模型为
Figure BDA0002338923910000071
其中，T为组合的模型数量；wi为模型权重，满足wi>＝0且
Figure BDA0002338923910000072
hi为训练的事故预测模型；H表示为预测概率；取值为0-1；
S2：模型权重计算公式为
Figure BDA0002338923910000073
其中T为组合的模型数量；prej为模型j的预测准确度；
S3：利用公式
Figure BDA0002338923910000074
获取得到预测准确度prej；其中，n为样本数；fi模型预测样本i的事故发生等级；yi为实测样本i的事故发生等级；
步骤四：输出训练模型；
车载终端用于向云平台实时发送至车速、车牌和行驶时长；天气预报模块用于通过互联网获取天气状况和能见度值并将其发送至向云平台；GPS定位模块用于获取车载终端当前的位置；触发预报模块用于获取车载终端实时发送的车速以及当前位置和天气状况和能见度并进行触发分析计算，生成预警指令至云平台；触发预报模块的触发分析计算具体步骤如下：
步骤一：通过车载终端的实时位置获取得到车辆所行驶的路段及路段对应的限速值并记为VX；通过车载终端相邻时间间隔的实时位置获取得到车辆行驶的方向；
步骤二：通过车辆行驶的方向和实时位置获取得到车辆与交通路口的位置以及车辆与事故点的位置；设定车辆的实时车速记为VS；
步骤三：通过车辆与交通路口的位置计算得到路口距离差并标记为D1；通过车辆与事故点的位置计算得到事故点距离差并标记为D2；
步骤四：对触发进行判断；
SS1：当VS≥VX或D1小于等于设定距离阈值或D2小于等于设定距离阈值，则直接生成预警指令；
SS2：当VS<VX且D1大于设定距离阈值且D2大于设定距离阈值；则进行触发值计算；
SS3：通过车牌获取得到该车牌对应车辆驾驶人的驾龄和年龄，分别标记为E1和E2；
SS4：设定行驶时长记为E3；设定天气状况对应的预设积分值记为Ma；a＝1、2、……、5；M1、M2、M3、M4、M5依次表示晴天、阴天、下雨天、下雪天和下雾天对应的预设积分值；且M1<M2<M3<M4<M5；
SS5：通过车辆当前位置获取得到该位置的天气状况以及能见度值，将该位置的天气状况与预设积分值进行匹配，得到对应的预设积分值Ma；设定能见度值记为N1；
SS6：利用公式
Figure BDA0002338923910000091
获取得到该车辆的触发值Y；其中g1、g2、g3、g4、g5、g6和g7均为预设比例系数；μ为修正系数，取值为0.3554485；通过公式可得，天气状况对应的预设积分值越大，触发值越大，表示触发预警的几率越大；能见度越小，触发值越大；距离历史事故点以及路口越近，触发值越大；驾龄越小，触发值越大；行驶时长越长，触发值越大；
SS7：当触发值大于设定阈值，则触发预报模块生成预警指令；
步骤五：触发预报模块将预警指令发送至云平台内。
行驶时长通过安装在车辆上的速度传感器进行计算，具体计算步骤如下：
步骤一：当速度传感器检测的车辆速度大于零，则开始计时并将其标记为初始时刻，用符号Q1表示；当车辆行驶的速度等于零，则停止计时并标记为初次停车时刻用符号R1；当车辆速度再次大于零时，计算该时刻与停止计时时刻的时间差；
步骤二：当时间差小于设定阈值，则将再次大于零的时刻标记为再次开始时刻记为Q2，再次车速等于零的时刻记为R2；当时间差大于设定阈值，则该再次大于零的时刻标记为初始时刻,依次类推；
步骤三：利用公式
Figure BDA0002338923910000092
获取得到行驶时长E3；c为正整数；UD为系统当前时间；Rb-1表示为第c-1次车辆的车速等于零的停车时刻；Qb-1表示为第c-1次车辆的初始时刻；Qb表示为第c次车辆的初始时刻；
云平台接收到预警指令后通过训练模型获取得到预测概率并向车载终端发送预报信息至车载终端，预报信息包括预测概率以及预报文本，预报文本包括距离D2的历史事故点为事故多发路段请注意减速慢行、距离D1的交通路口为事故多发路口请注意减速慢行和路段限速为VS请注意减速慢行；通过车载终端对预报信息进行显示和语音播报；
云平台内还存储有道路路线地图及道路路线每个位置对应的限速值。
本发明工作原理：事故模型预测模块通过云平台内的事故数据进行处理实现集中预警具体处理，将事故数据进行数据ETL处理；然后进行变量定义，设定数据的时间分辨率、训练样本的时间起止范围；以决策树、神经网络、支持向量机及多元回归模型进行加权模型训练，得到训练模型，通过策树、神经网络、支持向量机及多元回归模型进行加权模型训练，采用集中多个模型优势，实现预测结果联合最优化以及准确度；触发预报模块的触发分析计算，通过车载终端的实时位置获取得到车辆所行驶的路段及路段对应的限速值，通过车辆行驶的方向和实时位置获取得到车辆与交通路口的位置以及车辆与事故点的位置，通过车辆与交通路口的位置计算得到路口距离差，通过车辆与事故点的位置计算得到事故点距离差，对触发进行判断；当VS≥VX或D1小于等于设定距离阈值或D2小于等于设定距离阈值，则直接生成预警指令；当VS<VX且D1大于设定距离阈值且D2大于设定距离阈值；则进行触发值计算；利用公式
Figure BDA0002338923910000101
获取得到该车辆的触发值Y；天气状况对应的预设积分值越大，触发值越大，表示触发预警的几率越大；能见度越小，触发值越大；距离历史事故点以及路口越近，触发值越大；驾龄越小，触发值越大；行驶时长越长，触发值越大；当触发值大于设定阈值，则触发预报模块生成预警指令；触发预报模块将预警指令发送至云平台内；云平台接收到预警指令后通过训练模型获取得到预测概率并向车载终端发送预报信息至车载终端，通过车载终端对预报信息进行显示和语音播报；通过对驾驶的车辆和人以及环境进行触发分析，实现智能预警。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种基于云边结合的车载交通事故预警装置，其特征在于，包括事故数据采集模块、云平台、事故模型预测模块、车载终端、GPS定位模块、触发预警模块和天气预警模块；
所述事故数据采集模块包括事故数据采集单元和非事故数据采集单元；所述事故数据采集单元用于采集事故数据并将事故数据发送至云平台内；所述非事故数据采集单元用于通过高清卡口采集事故发生时前一段时间内的非事故车辆运行信息；所述事故数据采集模块将采集的事故数据和非事故车辆运行信息发送至云平台；云平台内包括事故数据库和非事故数据库；所述事故数据库用于存储事故数据；非事故数据库用于存储非事故车辆运行信息；
所述事故模型预测模块用于通过云平台内的事故数据进行处理实现集中预警具体处理步骤如下：
步骤一：将事故数据进行数据ETL处理；然后进行变量定义，包括定义自变量因子集和因变量，自变量因子集包括：驾龄、天气、能见度、路面状况、车龄、路面隔离设置、驾驶人年龄；因变量为事故等级；
步骤二：设定数据的时间分辨率、训练样本的时间起止范围；
步骤三：以决策树、神经网络、支持向量机及多元回归模型进行加权模型训练，得到训练模型，具体为：
S1：训练模型为
Figure FDA0002338923900000011
其中，T为组合的模型数量；wi为模型权重，满足wi>＝0且
Figure FDA0002338923900000012
hi为训练的事故预测模型；H表示为预测概率；取值为0-1；
S2：模型权重计算公式为
Figure FDA0002338923900000013
其中T为组合的模型数量；prej为模型j的预测准确度；
S3：利用公式
Figure FDA0002338923900000021
获取得到预测准确度prej；其中，n为样本数；fi模型预测样本i的事故发生等级；yi为实测样本i的事故发生等级；
步骤四：输出训练模型；
所述车载终端用于向云平台实时发送至车速、车牌和行驶时长；所述天气预报模块用于通过互联网获取天气状况和能见度值并将其发送至向云平台；所述GPS定位模块用于获取车载终端当前的位置；所述触发预报模块用于获取车载终端实时发送的车速以及当前位置和天气状况和能见度并进行触发分析计算，生成预警指令至云平台；云平台接收到预警指令后通过训练模型获取得到预测概率并向车载终端发送预报信息至车载终端，通过车载终端对预报信息进行显示和语音播报。
2.根据权利要求1所述的一种基于云边结合的车载交通事故预警装置，其特征在于，所述事故数据包括驾驶人信息、驾驶车辆信息、行驶道路信息、事故车辆环境信息和事故等级；驾驶人信息包括驾龄、年龄、文化程度和性别；驾驶车辆信息包括车龄、车速；事故车辆环境信息包括天气状况和能见度；天气状况包括阴天、晴天、下雨天、下雪天和下雾天；行驶道路信息包括路面状况、路表情况和路面结构；路面状况包括路侧防护类型和道路线型；路侧防护类型包括植物防护和工程防护；工程防护包括框格防护、封面、护面墙、干砌片石护坡、浆砌片石护坡、浆砌预制块护坡、锚杆钢丝网喷浆和射混凝土护坡；路表情况包括干燥、潮湿、积水、漫水、冰雪和泥泞；所述非事故车辆运行信息包括车牌、车牌对应的驾驶车辆信息以及驾驶人信息。
3.根据权利要求1所述的一种基于云边结合的车载交通事故预警装置，其特征在于，所述触发预报模块的触发分析计算具体步骤如下：
步骤一：通过车载终端的实时位置获取得到车辆所行驶的路段及路段对应的限速值并记为VX；通过车载终端相邻时间间隔的实时位置获取得到车辆行驶的方向；
步骤二：通过车辆行驶的方向和实时位置获取得到车辆与交通路口的位置以及车辆与事故点的位置；设定车辆的实时车速记为VS；
步骤三：通过车辆与交通路口的位置计算得到路口距离差并标记为D1；通过车辆与事故点的位置计算得到事故点距离差并标记为D2；
步骤四：对触发进行判断；
SS1：当VS≥VX或D1小于等于设定距离阈值或D2小于等于设定距离阈值，则直接生成预警指令；
SS2：当VS<VX且D1大于设定距离阈值且D2大于设定距离阈值；则进行触发值计算；
SS3：通过车牌获取得到该车牌对应车辆驾驶人的驾龄和年龄，分别标记为E1和E2；
SS4：设定行驶时长记为E3；设定天气状况对应的预设积分值记为Ma；a＝1、2、……、5；M1、M2、M3、M4、M5依次表示晴天、阴天、下雨天、下雪天和下雾天对应的预设积分值；且M1<M2<M3<M4<M5；
SS5：通过车辆当前位置获取得到该位置的天气状况以及能见度值，将该位置的天气状况与预设积分值进行匹配，得到对应的预设积分值Ma；设定能见度值记为N1；
SS6：利用公式
Figure FDA0002338923900000031
获取得到该车辆的触发值Y；其中g1、g2、g3、g4、g5、g6和g7均为预设比例系数；μ为修正系数，取值为0.3554485；
SS7：当触发值大于设定阈值，则触发预报模块生成预警指令；
步骤五：触发预报模块将预警指令发送至云平台内。
4.根据权利要求3所述的一种基于云边结合的车载交通事故预警装置，其特征在于，所述行驶时长通过安装在车辆上的速度传感器进行计算，具体计算步骤如下：
步骤一：当速度传感器检测的车辆速度大于零，则开始计时并将其标记为初始时刻，用符号Q1表示；当车辆行驶的速度等于零，则停止计时并标记为初次停车时刻用符号R1；当车辆速度再次大于零时，计算该时刻与停止计时时刻的时间差；
步骤二：当时间差小于设定阈值，则将再次大于零的时刻标记为再次开始时刻记为Q2，再次车速等于零的时刻记为R2；当时间差大于设定阈值，则该再次大于零的时刻标记为初始时刻,依次类推；
步骤三：利用公式
Figure FDA0002338923900000041
获取得到行驶时长E3；c为正整数；UD为系统当前时间；Rb-1表示为第c-1次车辆的车速等于零的停车时刻；Qb-1表示为第c-1次车辆的初始时刻；Qb表示为第c次车辆的初始时刻。
5.根据权利要求1所述的一种基于云边结合的车载交通事故预警装置，其特征在于，所述云平台内还存储有道路路线地图及道路路线每个位置对应的限速值；预报信息包括预测概率以及预报文本，预报文本包括距离D2的历史事故点为事故多发路段请注意减速慢行、距离D1的交通路口为事故多发路口请注意减速慢行和路段限速为VS请注意减速慢行。
CN201911367884.3A 2019-12-26 2019-12-26 一种基于云边结合的车载交通事故预警装置 Active CN111081020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911367884.3A CN111081020B (zh) 2019-12-26 2019-12-26 一种基于云边结合的车载交通事故预警装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911367884.3A CN111081020B (zh) 2019-12-26 2019-12-26 一种基于云边结合的车载交通事故预警装置

Publications (2)

Publication Number Publication Date
CN111081020A true CN111081020A (zh) 2020-04-28
CN111081020B CN111081020B (zh) 2020-11-10

Family

ID=70318360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911367884.3A Active CN111081020B (zh) 2019-12-26 2019-12-26 一种基于云边结合的车载交通事故预警装置

Country Status (1)

Country Link
CN (1) CN111081020B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784873A (zh) * 2020-07-01 2020-10-16 上海城市交通设计院有限公司 基于机器学习原理的高速路安全车载智能系统及工作流程
CN111798662A (zh) * 2020-07-31 2020-10-20 公安部交通管理科学研究所 一种基于时空网格化数据的城市交通事故预警方法
CN113256969A (zh) * 2021-04-30 2021-08-13 济南金宇公路产业发展有限公司 一种高速公路的交通事故预警方法、设备及介质
CN113888866A (zh) * 2021-09-30 2022-01-04 苏州百宁通智能科技有限公司 一种具有多级预警功能的道路车辆管理系统
CN114863680A (zh) * 2022-04-27 2022-08-05 腾讯科技（深圳）有限公司 预测处理方法、装置、计算机设备及存储介质
CN115938128A (zh) * 2023-03-15 2023-04-07 天津所托瑞安汽车科技有限公司 交通事故预测方法、装置、终端及存储介质
US11631322B2 (en) 2021-02-03 2023-04-18 Aeon Motor Co., Ltd. Collaborative control system for a vehicle
CN116740840A (zh) * 2023-04-03 2023-09-12 深圳益国电子科技有限公司 一种行车记录仪用视频预警系统
CN117238139A (zh) * 2023-10-11 2023-12-15 安徽省交通控股集团有限公司 一种基于气象数据的路况实时预警系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101454547B1 (ko) * 2013-06-21 2014-10-27 이화여자대학교 산학협력단 기상 정보에 따라 교통사고 손상경고를 제공하는 방법
CN106022560A (zh) * 2016-05-05 2016-10-12 四川铁安达科技有限公司 基于物联网和云计算的地铁盾构管片姿态监测管理系统
CN106327002A (zh) * 2015-06-30 2017-01-11 松下电器（美国）知识产权公司 需求预测方法和需求预测装置
CN107948307A (zh) * 2017-12-12 2018-04-20 华东交通大学 一种基于车联网的智能车载装置及其安全通信方法
CN108021849A (zh) * 2016-11-03 2018-05-11 杭州海康威视数字技术股份有限公司 一种行人预警方法及装置
CN108369659A (zh) * 2015-09-30 2018-08-03 扎斯特有限公司 用于识别具有目标性质的实体的系统和方法
CN108574701A (zh) * 2017-03-08 2018-09-25 理查德.A.罗思柴尔德 用于确定用户状态的系统和方法
CN108665084A (zh) * 2017-03-31 2018-10-16 中移物联网有限公司 一种对驾驶风险的预测方法及系统
CN109242223A (zh) * 2018-11-26 2019-01-18 武汉理工光科股份有限公司 城市公共建筑火灾风险的量子支持向量机评估与预测方法
CN109726503A (zh) * 2019-01-12 2019-05-07 国电联合动力技术有限公司 缺失数据填补方法及装置
CN110491154A (zh) * 2019-07-23 2019-11-22 同济大学 基于安全风险和距离的建议车速制定方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101454547B1 (ko) * 2013-06-21 2014-10-27 이화여자대학교 산학협력단 기상 정보에 따라 교통사고 손상경고를 제공하는 방법
CN106327002A (zh) * 2015-06-30 2017-01-11 松下电器（美国）知识产权公司 需求预测方法和需求预测装置
CN108369659A (zh) * 2015-09-30 2018-08-03 扎斯特有限公司 用于识别具有目标性质的实体的系统和方法
CN106022560A (zh) * 2016-05-05 2016-10-12 四川铁安达科技有限公司 基于物联网和云计算的地铁盾构管片姿态监测管理系统
CN108021849A (zh) * 2016-11-03 2018-05-11 杭州海康威视数字技术股份有限公司 一种行人预警方法及装置
CN108574701A (zh) * 2017-03-08 2018-09-25 理查德.A.罗思柴尔德 用于确定用户状态的系统和方法
CN108665084A (zh) * 2017-03-31 2018-10-16 中移物联网有限公司 一种对驾驶风险的预测方法及系统
CN107948307A (zh) * 2017-12-12 2018-04-20 华东交通大学 一种基于车联网的智能车载装置及其安全通信方法
CN109242223A (zh) * 2018-11-26 2019-01-18 武汉理工光科股份有限公司 城市公共建筑火灾风险的量子支持向量机评估与预测方法
CN109726503A (zh) * 2019-01-12 2019-05-07 国电联合动力技术有限公司 缺失数据填补方法及装置
CN110491154A (zh) * 2019-07-23 2019-11-22 同济大学 基于安全风险和距离的建议车速制定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张志豪等: "基于LSTM神经网络模型的交通事故预测", 《计算机工程与应用》 *
赵玲等: "基于最优加权组合模型的道路交通事故预测", 《计算机工程与应用》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784873A (zh) * 2020-07-01 2020-10-16 上海城市交通设计院有限公司 基于机器学习原理的高速路安全车载智能系统及工作流程
CN111798662A (zh) * 2020-07-31 2020-10-20 公安部交通管理科学研究所 一种基于时空网格化数据的城市交通事故预警方法
US11631322B2 (en) 2021-02-03 2023-04-18 Aeon Motor Co., Ltd. Collaborative control system for a vehicle
CN113256969A (zh) * 2021-04-30 2021-08-13 济南金宇公路产业发展有限公司 一种高速公路的交通事故预警方法、设备及介质
CN113888866A (zh) * 2021-09-30 2022-01-04 苏州百宁通智能科技有限公司 一种具有多级预警功能的道路车辆管理系统
CN114863680A (zh) * 2022-04-27 2022-08-05 腾讯科技（深圳）有限公司 预测处理方法、装置、计算机设备及存储介质
CN114863680B (zh) * 2022-04-27 2023-04-18 腾讯科技（深圳）有限公司 预测处理方法、装置、计算机设备及存储介质
CN115938128A (zh) * 2023-03-15 2023-04-07 天津所托瑞安汽车科技有限公司 交通事故预测方法、装置、终端及存储介质
CN115938128B (zh) * 2023-03-15 2023-10-03 天津所托瑞安汽车科技有限公司 交通事故预测方法、装置、终端及存储介质
CN116740840A (zh) * 2023-04-03 2023-09-12 深圳益国电子科技有限公司 一种行车记录仪用视频预警系统
CN117238139A (zh) * 2023-10-11 2023-12-15 安徽省交通控股集团有限公司 一种基于气象数据的路况实时预警系统
CN117238139B (zh) * 2023-10-11 2024-05-14 安徽省交通控股集团有限公司 一种基于气象数据的路况实时预警系统

Also Published As

Publication number Publication date
CN111081020B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111081020B (zh) 一种基于云边结合的车载交通事故预警装置
CN109448367B (zh) 一种基于大数据图像采集的智能道路交通追踪管理系统
CN109035761B (zh) 基于辅助监督学习的行程时间估计方法
US20190266891A1 (en) A method to quantitatively analyze the effects of urban built environment on road travel time
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN111833598B (zh) 一种高速公路无人机交通事件自动监测方法及系统
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
CN111027430A (zh) 一种面向无人车智能评估的交通场景复杂度计算方法
CN111275971A (zh) 一种高速公路交通流量预测方法
WO2021115320A1 (zh) 交通评估方法和系统
CN110738855A (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN106097717A (zh) 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法
CN114819305B (zh) 一种基于碳排放度量尺度下的路径规划方法
CN111121849A (zh) 传感器的方位参数的自动校准方法、边缘计算单元和路侧传感系统
Zhao et al. Modeling the impact of inclement weather on freeway traffic speed at macroscopic and microscopic levels
CN111009140B (zh) 一种基于开源路况信息的智能交通信号控制方法
CN115985104A (zh) 一种交通流量预测装置、预测方法及预测模型构建方法
Nagle et al. A method to estimate the macroscopic fundamental diagram using limited mobile probe data
CN116912551A (zh) 基于车联网的高速公路设备监测系统
CN115188204A (zh) 一种异常天气条件下高速公路车道级可变限速控制方法
CN117238139B (zh) 一种基于气象数据的路况实时预警系统
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
CN116312008B (zh) 一种基于气候信息的高速道路状况预警方法及系统
US9047495B2 (en) Identifying impact of a traffic incident on a road network

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