CN111291916B - 驾驶行为安全性预测方法、装置、电子设备及存储介质 - Google Patents
驾驶行为安全性预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111291916B CN111291916B CN201811505014.3A CN201811505014A CN111291916B CN 111291916 B CN111291916 B CN 111291916B CN 201811505014 A CN201811505014 A CN 201811505014A CN 111291916 B CN111291916 B CN 111291916B
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- dangerous driving
- information
- historical
- driver
- 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
- 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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种驾驶行为安全性预测方法、装置、电子设备及存储介质,涉及智能交通技术领域。方法包括获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,危险驾驶行为信息包括至少一个危险驾驶行为以及对应的路段信息;根据危险驾驶行为信息构建待测特征信息;根据待测特征信息利用安全预测模型进行安全性预测,获得待测司机在未来预设时间段内的安全性指标。装置用于执行上述方法。本发明实施例通过获取待测司机在过去一段时间内的危险驾驶行为信息,并利用安全预测模型进行安全性预测,获得待测司机在未来预设时间段内的安全性指标,从而能够在事故未发生时通过安全性指标给待测司机进行安全提示,防止交通事故的发生。
Description
技术领域
本发明涉及智能交通技术领域,具体而言,涉及一种驾驶行为安全性预测方法、装置、电子设备及存储介质。
背景技术
目前,道路交通安全是一个社会问题,与居民的日常生活息息相关,如何保障道路交通安全一直是国内外工业界与学术界的关注重点。数据表明,在各种影响交通事故的因素中,与人有关的原因约占93%,与道路有关的原因约占35%。
现有技术中,通常是根据司机当前的驾驶情况进行分析,给出对司机驾驶行为的安全性的评估,可能出现分析结果还没出来司机就发生了交通事故的情况,从而无法对司机驾驶的安全性进行提前预测。
发明内容
有鉴于此,本发明实施例的目的在于提供一种驾驶行为安全性预测方法、装置、电子设备及存储介质,能够通过获取待测司机在最近预设时间段内的危险驾驶行为以及危险驾驶行为发生时对应的路段信息进行预测,获得该待测司机在未来预设时间段内可能发生交通事故的概率,从而达到能够及时的预测出未来可能发生交通事故的概率的效果。
根据本发明的一个方面,提供一种电子设备,可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,以执行一个或多个以下操作:
获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,所述危险驾驶行为信息包括至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息;
根据所述至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息构建待测特征信息;
根据所述待测特征信息利用安全预测模型进行安全性预测,获得所述待测司机在未来预设时间段内的安全性指标。
本发明实施例通过获取待测司机在过去一段时间内的危险驾驶行为信息,并利用安全预测模型进行安全性预测,获得待测司机在未来预设时间段内的安全性指标,从而能够在事故未发生时通过安全性指标给待测司机进行安全提示,防止交通事故的发生。
在一些实施例中,所述获取待测司机在最近预设时间段内的危险驾驶行为信息,包括:
获取所述待测区域的路网信息,所述路网信息包括多个路段信息;
获取各危险驾驶行为对应的位置信息;
将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,所述危险驾驶行为信息包括所述待测司机的危险驾驶行为和所述危险驾驶行为对应的路段信息。
本发明实施例通过将危险驾驶行为的位置信息与路网信息进行匹配,获得对应的路段信息,将路段信息也作为影响驾驶安全性的一个重要因素,能够大大提高预测的准确性。
在一些实施例中,所述获取各危险驾驶行为对应的位置信息,包括:
若一危险驾驶行为为暂时行为,则获取发生所述危险驾驶行为时的位置信息。
在一些实施例中,所述获取各危险驾驶行为对应的位置信息,包括:
若一危险驾驶行为为持续行为,则利用时间打点法对获取所述危险驾驶行为对应的多个位置信息。
本发明实施例中当危险驾驶行为为暂时行为时,可以直接获取危险驾驶行为发生时的路段信息,如果是持续行为,则可以采用时间打点法进行获得多个位置信息,能够获得准确的危险驾驶行为所经过的路段信息。
在一些实施例中,所述利用时间打点法对获取所述危险驾驶行为对应的多个位置信息,包括:
在危险驾驶行为发生过程中,每隔预设时间段获取一次位置信息,获得所述危险驾驶行为对应的多个位置信息。
本发明实施例对于持续的危险驾驶行为,通过每隔预设时间获取一次位置信息,能够准确地获取到该危险驾驶行为所经过的位置信息。
在一些实施例中,所述根据所述危险驾驶行为信息构建特征信息,包括:
根据危险驾驶行为和路段信息对所述危险驾驶行为信息进行分类,获得多个分类特征,并获取每一分类特征对应的统计量;
根据所有的分类特征及每一分类特征对应的统计量构建所述特征信息。
本发明实施例通过计算统计量的方法构建结特征信息,能够准确地对待测司机在未来预设时间段内的驾驶安全性进行预测。
在一些实施例中,所述根据所述危险驾驶行为信息构建特征信息,包括:
对所述路网信息进行聚类分析,获得多个路网分类,每一路网分类包括多个路段信息;
根据每一危险驾驶行为对应经过的路段信息构建对应的特征向量,其中,所述特征向量包括所述危险驾驶行为经过各路网分类中路段的数量信息;
根据所述危险驾驶行为和对应的特征向量构建所述特征信息。
本发明实施例通过无监督的机器学习方法对危险驾驶行为信息进行特征提取,获得的特征信息能够大大提高对驾驶安全性预测的准确率。
在一些实施例中,所述方法,还包括:
获取待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;
根据每个司机的历史危险驾驶行为信息构建对应的历史特征信息;
获取所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况,所述驾驶情况包括发生交通事故和未发生交通事故;
根据各司机的所述驾驶情况对对应司机的历史特征信息进行标注,获得训练样本;
利用所述训练样本进行模型训练,获得所述安全预测模型。
本发明实施例通过获取多个司机的历史危险驾驶行为信息,并利用历史危险驾驶行为以及历史危险驾驶行为发生时对应的路段信息进行模型训练,获得的安全预测模型能够准确的预测出待测司机在未来一段时间内发生交通事故的概率。
在一些实施例中,在获得所述待测司机在未来预设时间段内的安全性指标之后,所述方法,还包括:
若所述安全性指标超出安全阈值,则发出告警提示。
本发明实施例通过对安全性指标超出安全阈值的司机发送告警提示,能够在其发生交通事故之前进行告警,减少交通事故的发生。
另一方面,本发明实施例提供一种驾驶行为安全性预测装置,包括:
第一获取模块,用于获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,所述危险驾驶行为信息包括至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息;
第二特征构建模块,用于根据所述危险驾驶行为信息构建待测特征信息;
预测模块,用于根据所述待测特征信息利用安全预测模型进行安全性预测,获得所述待测司机在未来预设时间段内的安全性指标。
在一些实施例中,所述获取模块,具体用于:
获取所述待测区域的路网信息,所述路网信息包括多个路段信息;
获取各危险驾驶行为对应的位置信息;
将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,所述危险驾驶行为信息包括所述待测司机的危险驾驶行为和所述危险驾驶行为对应的路段信息。
在一些实施例中,所述获取模块,具体用于:
若一危险驾驶行为为暂时行为,则获取发生所述危险驾驶行为时的位置信息。
在一些实施例中,所述获取模块,具体用于:
若一危险驾驶行为为持续行为,则利用时间打点法对获取所述危险驾驶行为对应的多个位置信息。
在一些实施例中,所述获取模块,具体用于:
在危险驾驶行为发生过程中,每隔预设时间段获取一次位置信息,获得所述危险驾驶行为对应的多个位置信息。
在一些实施例中,所述获取模块,还具体用于:
根据危险驾驶行为和路段信息对所述危险驾驶行为信息进行分类,获得多个分类特征,并获取每一分类特征对应的统计量;
根据所有的分类特征及每一分类特征对应的统计量构建所述特征信息。
在一些实施例中,所述特征构建模块,具体用于:
对所述路网信息进行聚类分析,获得多个路网分类,每一路网分类包括多个路段信息;
根据每一危险驾驶行为对应经过的路段信息构建对应的特征向量,其中,所述特征向量包括所述危险驾驶行为经过各路网分类中路段的数量信息;
根据所述危险驾驶行为和对应的特征向量构建所述特征信息。
在一些实施例中,所述装置,还包括:
第二获取模块,用于获取待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;
第二特征构建模块,用于根据每个司机的历史危险驾驶行为信息构建对应的历史特征信息;
第三获取模块,用于获取所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况,所述驾驶情况包括发生交通事故和未发生交通事故;
标注模块,用于根据各司机的所述驾驶情况对对应司机的历史特征信息进行标注,获得训练样本;
训练模块,用于利用所述训练样本进行模型训练,获得所述安全预测模型。
在一些实施例中,所述装置,还包括:
告警模块,用于若所述安全性指标超出安全阈值,则发出告警提示。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的车载终端与预测装置进行交互的示意图;
图2为本发明实施例提供的电子设备的示例性硬件和软件组件的示意图;
图3为本发明实施例提供的一种驾驶行为安全性预测方法流程示意图;
图4为本发明实施例提供的安全预测模型训练方法流程示意图;
图5为本发明实施例提供的驾驶行为安全性预测装置的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,本发明实施例中附图仅起到说明和描述的目的,并不用于限定本发明实施例的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本发明实施例中使用的流程图示出了根据本发明的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本发明内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的车载终端与预测装置进行交互的示意图,所述预测装置102通过网络103与一个或多个车载终端101进行通信连接,以进行数据通信或交互。所述预测装置102可以是网络服务器、数据库服务器等。所述车载终端101可以是个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant,PDA)、可穿戴设备等终端。
图2为本发明实施例提供的电子设备的示例性硬件和软件组件的示意图。电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本发明的驾驶行为安全性预测方法。本发明实施例尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本发明描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本发明的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器。然而,应当注意,本发明中的电子设备200还可以包括多个处理器,因此本发明中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备200的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
由于在交通事故中,大多数都是因为驾驶员的危险驾驶行为导致,其中,危险驾驶行为包括急刹车、急加速、急转弯、急变道、打电话、玩手机、疲劳驾驶和超速等等。为了能够预先对驾驶员的驾驶安全性进行预测,从而能够提前对容易发生交通事故的驾驶员进行管控和教育,提出本发明实施例的一种驾驶行为安全性预测方法,具体如下:
图3为本发明实施例提供的一种驾驶行为安全性预测方法流程示意图,如图3所示,该方法包括:
步骤301:获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,所述危险驾驶行为信息包括至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息;
在具体的实施过程中,当需要通过预测装置对某个待测司机在未来一段时间内发生交通事故的可能性进行预测时,首先预测装置需要获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,其中,危险驾驶行为信息包括至少一个危险驾驶行为以及各危险驾驶行为发生时车辆所在位置的路段信息。由于在预设时间段内,待测司机在驾驶车辆过程中可能出现多次危险驾驶行为,因此,危险驾驶行为信息中包括有至少一个危险驾驶行为。
应当说明的是,危险驾驶行为是司机在驾驶过程中发生的某些特定行为,这些行为一般被先验知识判断为不利于安全驾驶。其中,危险驾驶行为可以通过行车记录仪、摄像头、移动终端或调取违章记录等方式进行获取。待测区域包括多条道路,每条道路有多个路段组成。路段信息可以包括道路名称、道路状况、限速状况、道路数值特点和特殊状况。道路名称包括城市公路、国道、隧道、高架桥、山路和风景线路等。道路状况包括正在施工、尚未铺设和尚未开发等。限速状况包括限速值大小和限速来源等。道路数值特点包括道路长度、道路宽度、道路等级和双向车道数等。特殊状况包括禁止通行、禁止超车和禁止转弯等。
步骤302:根据所述至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息构建待测特征信息;
在具体的实施过程中,从获取到的待测司机在历史时间段内的所有的危险驾驶行为以及每一危险驾驶行为发生时该待测司机所在的路段信息中构建待测特征信息。可以通过计算统计量或非监督机器学习的方法进行特征的构建。例如:司机在最近预设时间段内平均在高架桥上急刹车的次数,或司机最多在禁止转弯的路段上急转弯的次数等。
步骤303:根据所述待测特征信息利用安全预测模型进行安全性预测,获得所述待测司机在未来预设时间段内的安全性指标。
在具体的实施过程中,当预测装置获得了待测司机对应的待测特征信息后,将待测特征信息输入到安全预测模型中进行安全性预测,安全模型通过对待测特征信息的分析获得待测司机在未来预设时间段内的安全性指标。其中,未来预设时间段可以根据实际情况进行设定。安全性指标可以用于表示待测司机在未来预设时间段内发生交通事故的概率。
本发明实施例通过获取待测司机在过去一段时间内的所有的危险驾驶行为以及每一危险驾驶行为发生时,待测司机所在的路段信息,并利用安全预测模型进行安全性预测,获得待测司机在未来预设时间段内的安全性指标,从而能够在事故未发生时通过安全性指标给待测司机进行安全提示,防止交通事故的发生。
在上述实施例的基础上,所述获取待测司机在最近预设时间段内的危险驾驶行为信息,包括:
获取所述待测区域的路网信息,所述路网信息包括多个路段信息;
获取各危险驾驶行为对应的位置信息;
将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,所述危险驾驶行为信息包括所述待测司机的危险驾驶行为和所述危险驾驶行为对应的路段信息。
在具体的实施过程中,若要获得待测司机在驾驶车辆过程中发生危险驾驶行为时所在的位置与道路之间的对应关系,首先需要获取到待测区域内的路网信息,路网信息包括多个路段信息。然后获取危险驾驶行为发生时对应的位置信息,该位置信息可以是通过车辆自带的定位系统,也可以是移动终端获得的,定位系统或移动终端将获得的位置信息发送至预测装置。在预测装置接收到该位置信息后,将位置信息与路网信息进行匹配,即将位置信息映射在路网信息中,获得匹配成功的路段信息,该匹配成功的路段信息即危险驾驶行为发生时车辆所在的路段信息。从而可以获得到危险驾驶行为与路段信息的对应关系。
本发明实施例通过将危险驾驶行为的位置信息与路网信息进行匹配,获得对应的路段信息,将路段信息也作为影响驾驶安全性的一个重要因素,能够提高预测的准确性。
在上述实施例的基础上,所述获取各危险驾驶行为对应的位置信息,包括:
若一危险驾驶行为为暂时行为,则获取发生所述危险驾驶行为时的位置信息;若一危险驾驶行为为持续行为,则利用时间打点法对获取所述危险驾驶行为对应的多个位置信息。
在具体的实施过程中,危险驾驶行为可以分为暂时行为和持续行为,其中,暂时行为可以包括急刹车、急加速、急转弯和急变道,例如:八月十日十八点十分司机突然在驾驶中加速。暂时行为可以看作是一瞬间的行为,可以定位在一个时间点上,在该时间点时,车辆所在的位置即危险驾驶行为发生时的位置信息。
持续行为可以包括打电话、玩手机、疲劳驾驶和超速,例如:司机在八月一日七点十分到七点十三分的驾驶中打了持续三分钟的电话。由于持续行为可能会持续几分钟,在这几分钟的时间内,车辆可能会行驶过多个路段,因此,可以采用时间打点法获取这几分钟内的多个时刻,并将每一时刻车辆所在的位置作为危险驾驶行为对应的位置信息。
其中,时间打点法具体可以为在危险驾驶行为发生过程中,每个预设时间段获取一次位置信息,从而能够获取到在危险驾驶行为发生的时间段内的多个位置信息。
本发明实施例中当危险驾驶行为为暂时行为时,可以直接获取危险驾驶行为发生时的路段信息,如果是持续行为,则可以采用时间打点法进行获得多个位置信息,能够获得准确的危险驾驶行为所经过的路段信息。
在上述任一实施例的基础上,所述根据所述危险驾驶行为信息构建特征信息,包括:
根据危险驾驶行为和路段信息对所述危险驾驶行为信息进行分类,获得多个分类特征,并获取每一分类特征对应的统计量;
根据所有的分类特征及每一分类特征对应的统计量构建所述特征信息。
在具体的实施过程中,在对危险驾驶行为信息构建特征信息时,可以使用计算统计量的方法进行特征的提取。其中统计量包括平均值、最大值、最小值和标准差等。因此,可以统计待测司机在最近预设时间段内的所有的危险驾驶行为信息,并根据危险驾驶行为和路段信息对危险驾驶行为信息进行分类,获得多个分类特征,并获取每一个分类特征对应的统计量。然后根据所有的分类特征以及每一分类特征对应的统计量构建特征信息。
以网约车司机为例:计算过去一段时间内每订单的危险驾驶行为的统计值,例如“司机每订单平均在高架桥上急刹车的次数”、“司机每订单最多在禁止转弯的路段上急转弯的次数”以及“司机每订单在限速路段上速度的标准差”等。用订单数做平均消除了订单数多的司机与订单数少的司机的差异性。
对于持续危险驾驶行为,本发明实施例将持续时间段分成行为开始前、行为开始后、行为中、行为结束前、行为结束后等五个时间点,使用类似于短暂危险驾驶行为特征构造的方式,计算统计值,例如“司机每订单平均在打电话开始前行驶在隧道中的次数”、“司机每订单在超速开始之后进入限速路段次数的最大值”等。持续危险驾驶行为开始前后和结束前后的时间具体定义通过数据统计人为给定,例如若90%的开车打电话行为持续时间在1-2分钟之间,则可以取开始打电话的前12秒为危险驾驶行为开始前,开始打电话的后12秒为危险驾驶行为开始后。
本发明实施例通过计算统计量的方法构建的特征信息,能够准确地对待测司机在未来预设时间段内的驾驶安全性进行预测。
在上述任一实施例的基础上,所述根据所述危险驾驶行为信息构建特征信息,包括:
对所述路网信息进行聚类分析,获得多个路网分类,每一路网分类包括多个路段信息;
根据每一危险驾驶行为对应经过的路段信息构建对应的特征向量,其中,所述特征向量包括所述危险驾驶行为经过各路网分类中路段的数量信息;
根据所述危险驾驶行为和对应的特征向量构建所述特征信息。
在具体的实施过程中,在进行特征提取时,还可以采用非监督机器学习的方法。
首先对待测区域对应的路网信息进行聚类分析,获取路网信息中的N个中心点,即把所有的路段信息分成了N个路网分类,其中,每一路网分类包括多个路段信息。随后使用聚类结果对待测司机在最近预设时间段内的任意持续危险驾驶行为的路段信息进行特征提取。即将某持续的危险驾驶行为利用上述时间打点法获得对应经过的多个路段信息,并根据这些路段信息构建对应的特征向量,然后根据危险驾驶行为和对应的特征向量构建对应的特征信息。应当说明的是,特征向量中包括的是危险驾驶行为经过各路网分类中路段的数量信息,其中,数量信息可以为经过路段的个数,还可以为经过路段的个数占总路网分类的比重。
例如:某持续危险驾驶行为共覆盖10个路网信息点,而无监督的分类结果有3个中心,这10个路网信息点中有3个点离第1个中心较近,剩余7个点离第3个中心较近,那么此持续危险驾驶行为的特征向量就可以用(3,0,7)来表示。待测司机若在特定时间段内有多个持续危险驾驶行为,则使用上述计算统计量方法分别对特征向量的每个维度进行特征提取,获得最后的特征。
应当说明的是,除了这两种方法,还可以保留路段点序列的时间顺序关系,使用循环神经网络(Recurrent Neural Networks)作为输入量的处理模型,最大程度挖掘时间序列的信息。
本发明实施例通过无监督的机器学习方法对危险驾驶行为信息进行特征提取,获得的特征信息能够大大提高对驾驶安全性预测的准确率。
在上述任一实施例的基础上,图4为本发明实施例提供的安全预测模型训练方法流程示意图,如图4所示,该训练方法,包括:
步骤401:获取待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;
在具体的实施过程中,在进行模型训练之前,首先需要获取待测区域中的多个司机在预设历史时间段内的历史危险驾驶行为信息,其中,历史危险驾驶行为信息中也包括至少一个历史危险驾驶行为,以及各个历史危险驾驶行为对应的路段信息。应当说明的是,作为训练样本的司机的历史危险驾驶行为信息也可以通过行车记录仪、移动终端等获取。由上述实施例可知,路网信息包括多个路段信息,选取合适的时间段,使得路网信息在此时间内保持相对不变。否则,在模型训练结束到进行预测的时间内,若路网信息发生显著变化,预测集与训练集中特征与标签的关系将产生变化,将影响模型预测效果。
步骤402:根据每个司机的历史危险驾驶行为信息构建对应的历史特征信息;
在具体的实施过程中,在获取到多个司机的历史危险驾驶行为信息后,对每个司机的历史危险驾驶行为信息进行特征提取,获得对应的历史特征信息。应当说明的是,特征提取的方法与上述实施例一致,此处不再赘述。
步骤403:获取所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况,所述驾驶情况包括发生交通事故和未发生交通事故;
在具体的实施过程中,为了对多个司机的历史危险驾驶行为信息进行标注,可以获取多个司机相对于预设历史时间段的未来一段时间的各司机的驾驶情况,例如:现在是2018年11月1日,可以获取2018年9月1日到9月30日的多个司机的历史危险驾驶行为信息,获取2018年10月1日到10月31日的多个司机驾驶情况,通过获取2018年10月1日到10月31日的每一个司机的驾驶情况对对应的司机进行过标注。
步骤404:根据各司机的所述驾驶情况对对应司机的历史特征信息进行标注,获得训练样本;
在具体的实施过程中,在未来一段时间发生交通事故的司机标注为1,而未来一段时间未发生交通事故的司机标记为0。这里的交通事故指驾驶司机负全部责任的事故。时间段的取值根据样本数的实际情况进行选择,例如选择“未来一个月”或者“未来一周”。
步骤405:利用所述训练样本进行模型训练,获得所述安全预测模型。
在具体的实施过程中,在给定司机特征和标签标定之后,对司机驾驶行为安全性的评估问题可转换为监督机器学习中的分类问题。分类问题的输入提取出来的特征(固定维数的向量),输出是司机未来一段时间发生交通事故概率值(越接近于1表示该司机驾驶越不安全)。训练模型选择常见的分类器,如逻辑回归(Logistic Regression),决策树(Decision Tree),随机森林(Random Forest),梯度提升决策树(Gradient BoostingDecision Tree)和深度神经网络来建模。
应当说明的是,在实际应用中,如果对模型输出的交通事故概率没有要求,只关心司机安全性的相对高低,也可以将其当作机器学习排序(Learning to Rank)问题来解决。
由于正样本的稀疏性,为了尽可能使得模型学习到正样本的特征,需要使用降采样技术对训练数据集进行预处理,即减少部分负样本,使得正负样本比等于一个合理的值(例如正负样本比1:100)。
训练时为了防止过拟合,使用正则化方法对安全预测模型的复杂程度进行约束,提升模型的泛化能力。
本发明实施例通过获取多个司机的历史危险驾驶行为信息,并利用历史危险驾驶行为信息进行模型训练,获得的安全预测模型能够准确的预测出待测司机在未来一段时间内发生交通事故的概率。
在上述任一实施例的基础上,在获得所述待测司机在未来预设时间段内的安全性指标之后,所述方法,还包括:
若所述安全性指标超出安全阈值,则发出告警提示。
在具体的实施过程中,可以预先设定安全阈值,如果待测司机对应的安全性指标超出安全阈值,则说明该待测司机在未来一段时间内发生交通事故的概率较高,可以向该司机对应的车载终端或移动终端发送告警提示。
例如:在网约车平台上,可以使用安全驾驶模型对司机的驾驶行为进行评估,在事故未发生之前对驾驶行为高危险的司机进行警告、教育,或采取强制手段限制其继续接单。也可以使用本模型作为司机驾驶行为安全性评分的手段,为客户展示所选司机的驾驶行为安全性,同时激励司机安全驾驶,减少交通事故的发生。
此外,本发明实施例的安全预测模型结合了路网信息,可以辅助道路管理部门对危险道路增加警告或进行修缮。例如,若训练模型表明“平均每订单在限速80千米/小时隧道里超速的次数”较高的司机更容易发生交通事故,则道路管理部门可考虑加大隧道的限速力度。
还应当说明的是,本发明实施例假设司机的长期驾驶行为模式是一个相对稳定的模式,不会在短时间内发生剧烈变化。司机“未来一段的驾驶危险发生概率”可以理解为,如果司机以现有的、比较稳定的驾驶行为持续驾驶他/她发生交通事故的风险是多少,我们以此风险对司机的安全质量进行评级排序,对“高危”司机进行教育、管控等手段减少降低交通事故的隐患。
图5为本发明实施例提供的驾驶行为安全性预测装置的框图,该驾驶行为安全性预测装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本发明功能的组件,如图所示,驾驶行为安全性预测装置可以包括第一获取模块501、第二特征构建模块502和预测模块503,其中:
第一获取模块501用于获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,所述危险驾驶行为信息包括至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息;第二特征构建模块502用于根据所述至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息构建待测特征信息;预测模块503用于根据所述待测特征信息利用安全预测模型进行安全性预测,获得所述待测司机在未来预设时间段内的安全性指标。
在上述实施例的基础上,所述获取模块,具体用于:
获取所述待测区域的路网信息,所述路网信息包括多个路段信息;
获取各危险驾驶行为对应的位置信息;
将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,所述危险驾驶行为信息包括所述待测司机的危险驾驶行为和所述危险驾驶行为对应的路段信息。
在上述实施例的基础上,所述获取模块,具体用于:
若一危险驾驶行为为暂时行为,则获取发生所述危险驾驶行为时的位置信息。
在上述实施例的基础上,所述获取模块,具体用于:
若一危险驾驶行为为持续行为,则利用时间打点法对获取所述危险驾驶行为对应的多个位置信息。
在上述实施例的基础上,所述获取模块,具体用于:
在危险驾驶行为发生过程中,每隔预设时间段获取一次位置信息,获得所述危险驾驶行为对应的多个位置信息。
在上述实施例的基础上,所述获取模块,还具体用于:
根据危险驾驶行为和路段信息对所述危险驾驶行为信息进行分类,获得多个分类特征,并获取每一分类特征对应的统计量;
根据所有的分类特征及每一分类特征对应的统计量构建所述特征信息。
在上述实施例的基础上,所述特征构建模块,具体用于:
对所述路网信息进行聚类分析,获得多个路网分类,每一路网分类包括多个路段信息;
根据每一危险驾驶行为对应经过的路段信息构建对应的特征向量,其中,所述特征向量包括所述危险驾驶行为经过各路网分类中路段的数量信息;
根据所述危险驾驶行为和对应的特征向量构建所述特征信息。
在上述实施例的基础上,所述装置,还包括:
第二获取模块,用于获取待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;
第二特征构建模块,用于根据每个司机的历史危险驾驶行为信息构建对应的历史特征信息;
第三获取模块,用于获取所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况,所述驾驶情况包括发生交通事故和未发生交通事故;
标注模块,用于根据各司机的所述驾驶情况对对应司机的历史特征信息进行标注,获得训练样本;
训练模块,用于利用所述训练样本进行模型训练,获得所述安全预测模型。
在上述实施例的基础上,所述装置,还包括:
告警模块,用于若所述安全性指标超出安全阈值,则发出告警提示。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本发明中不再赘述。在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种驾驶行为安全性预测方法,其特征在于,包括:
获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,所述危险驾驶行为信息包括至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息;
根据所述至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息构建待测特征信息;
根据所述待测特征信息利用安全预测模型进行安全性预测,获得所述待测司机在未来预设时间段内的安全性指标;所述安全预测模型以待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息为样本,以所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况为标签训练得到,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;所述驾驶情况包括发生交通事故和未发生交通事故;所述安全性指标用于表示待测司机在未来预设时间段内发生交通事故的概率;
所述获取待测司机在最近预设时间段内的危险驾驶行为信息,包括:
获取所述待测区域的路网信息,所述路网信息包括多个路段信息;
获取各危险驾驶行为对应的位置信息;
将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,所述危险驾驶行为信息包括所述待测司机的危险驾驶行为和所述危险驾驶行为对应的路段信息;
所述将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,包括:
将所述位置信息映射在所述路网信息中,获得匹配成功的路段信息;
所述根据所述危险驾驶行为信息构建待测特征信息,包括:
根据危险驾驶行为和路段信息对所述危险驾驶行为信息进行分类,获得多个分类特征,并获取每一分类特征对应的统计量;
根据所有的分类特征及每一分类特征对应的统计量构建所述待测特征信息。
2.根据权利要求1所述的方法,其特征在于,所述获取各危险驾驶行为对应的位置信息,包括:
若一危险驾驶行为为暂时行为,则获取发生所述危险驾驶行为时的位置信息。
3.根据权利要求1所述的方法,其特征在于,所述获取各危险驾驶行为对应的位置信息,包括:
若一危险驾驶行为为持续行为,则利用时间打点法对获取所述危险驾驶行为对应的多个位置信息。
4.根据权利要求3所述的方法,其特征在于,所述利用时间打点法对获取所述危险驾驶行为对应的多个位置信息,包括:
在危险驾驶行为发生过程中,每隔预设时间段获取一次位置信息,获得所述危险驾驶行为对应的多个位置信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述危险驾驶行为信息构建特征信息,包括:
对所述路网信息进行聚类分析,获得多个路网分类,每一路网分类包括多个路段信息;
根据每一危险驾驶行为对应经过的路段信息构建对应的特征向量,其中,所述特征向量包括所述危险驾驶行为经过各路网分类中路段的数量信息;
根据所述危险驾驶行为和对应的特征向量构建所述特征信息。
6.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
获取待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;
根据每个司机的历史危险驾驶行为信息构建对应的历史特征信息;
获取所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况,所述驾驶情况包括发生交通事故和未发生交通事故;
根据各司机的所述驾驶情况对对应司机的历史特征信息进行标注,获得训练样本;
利用所述训练样本进行模型训练,获得所述安全预测模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,在获得所述待测司机在未来预设时间段内的安全性指标之后,所述方法,还包括:
若所述安全性指标超出安全阈值,则发出告警提示。
8.一种驾驶行为安全性预测装置,其特征在于,包括:
第一获取模块,用于获取待测司机在待测区域内最近预设时间段的危险驾驶行为信息,所述危险驾驶行为信息包括至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息;
第二特征构建模块,用于根据所述至少一个危险驾驶行为以及各危险驾驶行为发生时对应的路段信息构建待测特征信息;
预测模块,用于根据所述待测特征信息利用安全预测模型进行安全性预测,获得所述待测司机在未来预设时间段内的安全性指标;所述安全预测模型以待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息为样本,以所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况为标签训练得到,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;所述驾驶情况包括发生交通事故和未发生交通事故;所述安全性指标用于表示待测司机在未来预设时间段内发生交通事故的概率;
所述获取模块,具体用于:
获取所述待测区域的路网信息,所述路网信息包括多个路段信息;
获取各危险驾驶行为对应的位置信息;
将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,所述危险驾驶行为信息包括所述待测司机的危险驾驶行为和所述危险驾驶行为对应的路段信息;
所述将所述位置信息与所述路网信息进行匹配,获得匹配成功的路段信息,包括:
将所述位置信息映射在所述路网信息中,获得匹配成功的路段信息;
所述获取模块,还具体用于:
根据危险驾驶行为和路段信息对所述危险驾驶行为信息进行分类,获得多个分类特征,并获取每一分类特征对应的统计量;
根据所有的分类特征及每一分类特征对应的统计量构建所述特征信息。
9.根据权利要求8所述的装置,其特征在于,所述获取模块,具体用于:
若一危险驾驶行为为暂时行为,则获取发生所述危险驾驶行为时的位置信息。
10.根据权利要求8所述的装置,其特征在于,所述获取模块,具体用于:
若一危险驾驶行为为持续行为,则利用时间打点法对获取所述危险驾驶行为对应的多个位置信息。
11.根据权利要求10所述的装置,其特征在于,所述获取模块,具体用于:
在危险驾驶行为发生过程中,每隔预设时间段获取一次位置信息,获得所述危险驾驶行为对应的多个位置信息。
12.根据权利要求8所述的装置,其特征在于,所述特征构建模块,具体用于:
对所述路网信息进行聚类分析,获得多个路网分类,每一路网分类包括多个路段信息;
根据每一危险驾驶行为对应经过的路段信息构建对应的特征向量,其中,所述特征向量包括所述危险驾驶行为经过各路网分类中路段的数量信息;
根据所述危险驾驶行为和对应的特征向量构建所述特征信息。
13.根据权利要求8所述的装置,其特征在于,所述装置,还包括:
第二获取模块,用于获取待测区域中多个司机在预设历史时间段内的历史危险驾驶行为信息,所述历史危险驾驶行为信息包括至少一个历史危险驾驶行为以及每一历史危险驾驶行为对应的路段信息;
第二特征构建模块,用于根据每个司机的历史危险驾驶行为信息构建对应的历史特征信息;
第三获取模块,用于获取所述多个司机在所述预设历史时间段之后预设时间段内的各司机的驾驶情况,所述驾驶情况包括发生交通事故和未发生交通事故;
标注模块,用于根据各司机的所述驾驶情况对对应司机的历史特征信息进行标注,获得训练样本;
训练模块,用于利用所述训练样本进行模型训练,获得所述安全预测模型。
14.根据权利要求8-13任一项所述的装置,其特征在于,所述装置,还包括:
告警模块,用于若所述安全性指标超出安全阈值,则发出告警提示。
15.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至7任一所述的驾驶行为安全性预测的方法的步骤。
16.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的驾驶行为安全性预测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811505014.3A CN111291916B (zh) | 2018-12-10 | 2018-12-10 | 驾驶行为安全性预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811505014.3A CN111291916B (zh) | 2018-12-10 | 2018-12-10 | 驾驶行为安全性预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291916A CN111291916A (zh) | 2020-06-16 |
CN111291916B true CN111291916B (zh) | 2023-05-23 |
Family
ID=71025157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811505014.3A Active CN111291916B (zh) | 2018-12-10 | 2018-12-10 | 驾驶行为安全性预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291916B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951550B (zh) * | 2020-08-06 | 2021-10-29 | 华南理工大学 | 交通安全风险监控方法、装置、存储介质及计算机设备 |
CN112561175A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 交通事故影响因子预测方法、装置、设备及存储介质 |
CN115512511A (zh) * | 2021-06-07 | 2022-12-23 | 中移物联网有限公司 | 一种预警方法、装置、移动终端及可读存储介质 |
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 |
CN115331449B (zh) * | 2022-10-17 | 2023-02-07 | 四川省公路规划勘察设计研究院有限公司 | 长大连续纵坡路段事故易发区辨识方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104205186A (zh) * | 2012-03-16 | 2014-12-10 | 日产自动车株式会社 | 意外情况预测灵敏度判断装置 |
CN105788311A (zh) * | 2014-12-26 | 2016-07-20 | 比亚迪股份有限公司 | 车辆安全预警方法、装置和车辆 |
TW201719541A (zh) * | 2015-11-26 | 2017-06-01 | Chunghwa Telecom Co Ltd | 利用駕駛行為分析預測高風險路段的方法及系統 |
CN107665520A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种基于车辆行驶数据的行车监控方法及装置 |
CN108320553A (zh) * | 2018-04-04 | 2018-07-24 | 大陆汽车投资(上海)有限公司 | 基于道路驾驶事件的路况预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4416020B2 (ja) * | 2007-08-03 | 2010-02-17 | トヨタ自動車株式会社 | 走行計画生成装置 |
US20130338914A1 (en) * | 2012-06-14 | 2013-12-19 | Wavemarket Inc. | System and method for notifying vehicle driver of localized driving conditions |
US9429946B2 (en) * | 2014-12-25 | 2016-08-30 | Automotive Research & Testing Center | Driving control system and dynamic decision control method thereof |
-
2018
- 2018-12-10 CN CN201811505014.3A patent/CN111291916B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104205186A (zh) * | 2012-03-16 | 2014-12-10 | 日产自动车株式会社 | 意外情况预测灵敏度判断装置 |
CN105788311A (zh) * | 2014-12-26 | 2016-07-20 | 比亚迪股份有限公司 | 车辆安全预警方法、装置和车辆 |
TW201719541A (zh) * | 2015-11-26 | 2017-06-01 | Chunghwa Telecom Co Ltd | 利用駕駛行為分析預測高風險路段的方法及系統 |
CN107665520A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种基于车辆行驶数据的行车监控方法及装置 |
CN108320553A (zh) * | 2018-04-04 | 2018-07-24 | 大陆汽车投资(上海)有限公司 | 基于道路驾驶事件的路况预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291916A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291916B (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
WO2020169052A1 (en) | Systems and methods for driving condition identification | |
CN107784587A (zh) | 一种驾驶行为评价系统 | |
CN107784251A (zh) | 基于图像识别技术对驾驶行为评价的方法 | |
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
CN111325437B (zh) | 异常行驶行为的识别方法、装置以及电子设备 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及系统 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN112101670A (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN113609016A (zh) | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN114443303A (zh) | 资源分配方法、装置、设备及介质 | |
WO2019197345A1 (en) | Vehicular motion assessment method | |
CN116682264B (zh) | 一种港口车辆主动安全防控系统 | |
CN113997940B (zh) | 一种驾驶行为监测方法及装置 | |
CN116596307A (zh) | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN113936469B (zh) | 基于高速公路车道感知设备的交通信息交互系统及方法 | |
Feraud et al. | A fuzzy logic model to estimate safe driving behavior based on traffic violation | |
CN111341106B (zh) | 交通预警方法、装置和设备 | |
CN112308434A (zh) | 一种交通安全风险评估方法及系统 | |
CN111275227A (zh) | 危险性预测方法、装置、电子设备及计算机可读存储介质 | |
CN115375978B (zh) | 行为信息的确定方法、装置、存储介质及电子装置 | |
CN116343484B (zh) | 交通事故识别方法、终端及存储介质 | |
CN116091254B (zh) | 商用车风险的分析方法 |
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 |