CN111832947A - 风险评估方法、装置、计算机设备以及介质 - Google Patents
风险评估方法、装置、计算机设备以及介质 Download PDFInfo
- Publication number
- CN111832947A CN111832947A CN202010686328.9A CN202010686328A CN111832947A CN 111832947 A CN111832947 A CN 111832947A CN 202010686328 A CN202010686328 A CN 202010686328A CN 111832947 A CN111832947 A CN 111832947A
- Authority
- CN
- China
- Prior art keywords
- risk
- traffic
- vehicle
- target
- location
- 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
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 87
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 206010039203 Road traffic accident Diseases 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 21
- 238000009795 derivation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 46
- 238000005516 engineering process Methods 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06Q10/06—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种风险评估方法、装置、计算机设备及介质,其中方法包括:获取道路中的第一交通工具的第一属性,以及与第一交通工具相邻的第二交通工具的第二属性;根据第一属性和第二属性,获取针对目标区域的交通风险算法,目标区域是指所述第一交通工具和所述第二交通工具之间的区域;采用交通风险算法计算目标区域中的目标地点的交通风险值,并根据目标地点的交通风险值对目标区域进行风险评估。本申请实施例可有效提升交通风险值的准确性,从而更准确的对目标区域进行风险评估。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种风险评估方法、一种风险评估装置、一种计算机设备及一种计算机存储介质。
背景技术
车路协同技术是通过交通工具与交通工具、交通工具与道路之间的实时信息动态交互,开展的交通工具的安全控制和道路协同管理,实现人、交通工具、道路之间的高效协同。在车辆协同技术中,如何对道路中两两相邻的交通工具之间的区域进行风险评估是一个重要研究课题。
现有技术中,通常是根据两两相邻的交通工具之间的距离来实现风险评估的;在两两相邻的交通工具之间的距离小于或者等于安全驾驶距离时,则直接确定两个交通工具之间的区域是风险区域。可见,现有的风险评估方法较为简单,容易导致风险评估结果的准确性较低。因此,如何准确的对两两相邻的交通工具之间的区域进行风险评估是目前亟需解决的问题。
发明内容
本申请实施例提供了一种风险评估方法、装置、计算机设备及介质,可有效提升交通风险值的准确性,从而更准确的对目标区域进行风险评估。
一方面,本申请实施例提供了一种风险评估方法,该风险评估方法包括:
获取道路中的第一交通工具的第一属性,以及与所述第一交通工具相邻的第二交通工具的第二属性;
根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
另一方面,本申请实施例提供了一种风险评估装置,该风险评估装置包括:
获取单元,用于获取道路中的第一交通工具的第一属性以及与所述第一交通工具相邻的第二交通工具的第二属性;
所述获取单元,还用于根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
处理单元,用于采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
再一方面,本申请实施例提供了一种计算机设备,该计算机设备包括输入接口、输出接口,该计算机设备还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如下步骤:
获取道路中的第一交通工具的第一属性,以及与所述第一交通工具相邻的第二交通工具的第二属性;
根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
再一方面,本申请实施例提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如下步骤:
获取道路中的第一交通工具的第一属性,以及与所述第一交通工具相邻的第二交通工具的第二属性;
根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
本申请实施例在获取道路中的第一交通工具的第一属性以及与第一交通工具相邻的第二交通工具的第二属性后,可以根据该相邻的两个交通工具的第一属性和第二属性确定与第一交通工具和第二交通工具之间的区域相关联的交通风险算法。然后,根据这个交通风险算法计算该区域中的目标地点的交通风险值,并根据该交通风险值对该区域进行风险评估。可见,本申请实施例提出的风险评估方案可根据不同的两两相邻交通工具得到不同的交通风险算法,并根据该交通风险算法来评估两两相邻交通工具之间的区域,可以提高风险评估结果的准确性。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1a是本申请实施例提供的一种风险评估系统的系统架构示意图;
图1b是本申请实施例提供的另一种风险评估系统的系统架构示意图;
图2是本申请实施例提供的一种风险评估方法的流程示意图;
图3是本申请实施例提供的一种风险评估算法的构思原理的流程示意图;
图4a是本申请实施例提供的一种圆柱体区域的俯视图;
图4b是本申请实施例提供的一种圆柱体区域的侧视图;
图5是本申请实施例提供的另一种风险评估方法的流程示意图;
图6a是本申请实施例提供的一种获取触发事件的示意图;
图6b是本申请实施例提供的一种标注目标区域的示意图;
图7是本申请实施例提供的一种风险评估装置的结构示意图;
图8是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、安全辅助驾驶、智慧出行、智慧公路、无人机、机器人、智能医疗、智能客服等。相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。基于此,本申请实施例在人工智能技术所涉及的无人驾驶、自动驾驶、安全辅助驾驶等相关领域中,提出了一种风险评估系统以及相应的风险评估方案;以更好地对道路中两两相邻的交通工具之间的区域进行风险评估,从而使得欲行驶至该区域的任一交通工具,可根据该区域的风险评估结果进行安全驾驶,进而保障交通工具的行驶安全。
其中,该风险评估系统可至少包括:多个交通工具11和计算机设备12。多个交通工具11可包括任意用于用户代步或运输的工具,如汽车、摩托车以及自行车等;如图1a或图1b中所示的由111、111、112等数字标记的交通工具,本申请实施例对此不做限制。计算机设备12是指具有数据计算功能的任一设备;例如该计算机设备12可以是具有计算功能的服务器,此处的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器;在此情况下,可将该计算机设备12部署在云平台中,如图1a所示。又如,该计算机设备12可以是车载设备(如车载电脑)或者终端设备(如智能手机、平板、可穿戴设备等)。在此情况下,可将计算机设备12部署在各交通工具上;如图1b所示,可将计算机设备12(如终端设备)部署在交通工具111上。
可以理解的是,本申请实施例描述的系统架构示意图是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。例如,图1a中的交通工具支持自动驾驶技术,云平台中可包括交通工具的服务器,交通部门的后台服务器,该后台服务器内可存储多个不同区域或地点的历史交通事故率。又如,图1b中的计算机设备为一个,但在实际应用中,若计算机设备为车载电脑,则计算机设备的数量与交通工具的数量相同等等;再如,还可在图1b所示的风险评估系统中部署交通部门的后台服务器等。
在具体实现中,基于该风险评估系统所提出的风险评估方案的大致原理如下:计算机设备在对道路中任意相邻的两个交通工具之间的区域进行风险评估时,可以根据该相邻的两个交通工具的属性确定与该区域相关联的交通风险算法。然后,根据这个交通风险算法对该区域进行风险评估。可见,本申请实施例提出的风险评估方案可根据不同的两两相邻交通工具得到不同的交通风险算法,并根据该交通风险算法来评估两两相邻交通工具之间的区域,可以提高风险评估结果的准确性。
基于上述的描述,本申请实施例提出的一种风险评估方法;该风险评估方法可以由上述所提及的计算机设备执行。参见图2所示,该风险评估方法可包括以下步骤S201-S203:
S201,获取道路中的第一交通工具的第一属性,以及与第一交通工具相邻的第二交通工具的第二属性。
其中,第一交通工具可以是道路中的任一交通工具。第一交通工具的第一属性可以包括第一交通工具的尺寸值,例如第一交通工具的长度、第一交通工具的宽度、第一交通工具的高度等。第二交通工具可以是道路中除第一交通工具以外的,且与第一交通工具相邻的交通工具。第二交通工具的第二属性可以包括第二交通工具的尺寸值,例如第二交通工具的长度、第二交通工具宽度、第二交通工具的高度等。
其中,第一交通工具与第二交通工具相邻是指:第一交通工具和第二交通工具之间不存在其他交通工具。例如,假设第一交通工具为如图1a所示的交通工具111,则由于图1a中的交通工具112(或交通工具113)与第一交通工具之间不存在其他交通工具,因此可认为交通工具112(或交通工具113)与第一交通工具111相邻,即交通工具112(或交通工具113)可为第二交通工具。由于图1a中的交通工具114与第一交通工具之间隔了一个交通工具112,因此可认为交通工具114与第一交通工具不相邻。
在一个可行的实施方式中,计算机设备可通过道路旁安装的摄像头或者其他携带有摄像头的设备获取第一属性以及第二属性。具体的,可以通过道路旁的摄像头对第一交通工具进行拍摄,得到第一交通工具的第一图像。然后对第一图像进行图像识别,得到第一交通工具的第一属性。同样的,也可以通过道路旁的摄像头对第二交通工具进行拍摄,得到第二交通工具的第二图像。然后对第二图像进行图像识别,得到第二交通工具的第二属性。
在另一个可行的实施方式中,第一交通工具和第二交通工具可具有存储空间。第一交通工具内的存储空间中存储有第一交通工具的第一属性,第二交通工具内的存储空间中存储有第二交通工具的第二属性;那么,计算机设备可从第一交通工具的存储空间中获取第一属性以及从第二交通工具的存储空间中获取第二属性。由前述可知,计算机设备可以是部署在云平台中的服务器,也可以是安装在第一交通工具或第二交通工具上的车载设备或终端设备;那么在具体实现中,若计算机设备为服务器,则计算机设备可采用数据上报的方式,从第一交通工具的存储空间中读取第一属性以及从第二交通工具的存储空间中读取第二属性。
若计算机设备为安装在第一交通工具上的车载设备或终端设备,则可直接从第一交通工具的存储空间中读取第一属性,并通过车联网通信的方式从第二交通工具的存储空间中获取第二属性。其中,车联网通信是指利用交通工具内的传感设备,通过车联网、移动通信技术、车辆导航系统、智能终端设备与信息网络平台,使交通工具与交通工具之间建立通信连接。
应理解的是,计算机设备还可以为安装在第二交通工具上的车载设备或终端设备;此情况下的计算机设备获取第一属性和第二属性的具体实施方式,与计算机设备为安装在第一交通工具上的车载设备或终端设备时所采用的具体实施方式类似,在此不再赘述。
S202,根据第一属性和第二属性,获取针对目标区域的交通风险算法。
在具体实现中,计算机设备可先确定目标区域;其中,目标区域是指第一交通工具和第二交通工具之间的区域。例如,在图1b中,若交通工具112为第一交通工具,交通工具113为第二交通工具,那么图1b中指示的空间区域13即为第一交通工具和第二交通工具之间的区域。其中,确定目标区域的具体实施方式可至少包括以下两种:在一个可行的实施方式中,计算机设备可通过摄像头拍摄包含第一交通工具和第二交通工具的第三图像,然后对第三图像进行图像识别,得到目标区域。在另一个可行的实施方式中,计算机设备可通过全球定位系统(Global Positioning System,GPS)或者中国北斗卫星导航系统(BeiDouNavigation Satellite System,BDS)获取第一交通工具的地理坐标以及第二交通工具的地理位置。然后,根据第一交通工具的地理坐标和第二交通工具的地理位置确定目标区域。
在确定了目标区域之后,可根据获取的第一属性和第二属性获取针对目标区域的交通风险算法。此处的交通风险算法包括基于第一属性的第一风险函数,以及基于第二属性的第二风险函数。其中,第一风险函数可包括以下函数因子:第一属性以及第一风险密度;此处的第一风险密度可根据第一属性和距离参数确定的,该第一风险密度可用于表征目标区域中与第一交通工具之间的距离等于该距离参数的取值的地点,在单位属性(如单位高度)下与该第一交通工具发生交通事故的概率。例如,当距离参数的取值为3米时,则第一风险密度用于表征目标区域中与第一交通工具相距3米的地点在单位属性(如单位高度)下,与第一交通工具发生交通事故的概率。
同理,第二风险函数可包括以下函数因子:第二属性以及第二风险密度;此处的第二风险密度是根据第二属性和距离参数确定,该第二风险密度可用于表征目标区域中与第一交通工具之间的距离等于该距离参数的取值的地点,在单位属性(如单位高度)下与该第二交通工具发生交通事故的概率。进一步的,该第二风险密度具体可根据第二属性、第一交通工具和第二交通工具之间的目标距离以及距离参数确定;即该第二风险密度可用于表征目标区域中与第二交通工具之间的距离,和目标距离与该距离参数的取值之间的差值相等的地点,在单位属性(如单位高度)下与该第二交通工具发生交通事故的概率。例如,当目标距离为5米,且距离参数的取值为3米时,则第二风险密度用于表征目标区域中与第二交通工具相距2米的地点在单位属性(如单位高度)下,与第二交通工具发生交通事故的概率。
需要说明的是,本申请实施例所提及的距离参数的取值是指:目标区域中的地点与第一交通工具在水平面上的投影距离;同理,第一交通工具和第二交通工具之间的目标距离是指:第一交通工具的中心点与第二交通工具之间的中心点在水平面上的投影距离。
S203,采用该交通风险算法计算目标区域中的目标地点的交通风险值,并根据目标地点的交通风险值对目标区域进行风险评估。
其中,该目标区域中的目标地点可为目标区域中交通风险值最小的地点,或者为目标区域中多个地点。随着目标地点的选取情况不同,使得根据目标地点的交通风险值对目标区域进行风险评估的具体实施方式也随之不同。具体的,在一个可行的实施方式中,目标地点为目标区域中交通风险值最小的地点;那么计算机设备可以获取交通风险阈值,然后将目标地点的交通风险值与交通风险阈值进行比较;若目标地点的交通风险值大于交通风险阈值,则计算机设备可确定目标区域为风险区域。在另一个可行的实施方式中,目标地点为目标区域中的多个地点;那么计算机设备可检测目标区域的多个地点中是否存在预设数量的地点的交通风险值大于交通风险阈值;若目标区域的多个地点中存在预设数量的地点的交通风险值大于交通风险阈值,则计算机设备可确定目标区域为风险区域。可选的,计算机设备也可检测多个地点中的各个地点的交通风险值是否均大于交通风险阈值;若是,则确定目标区域为风险区域。
需要说明的是,上述所提及的交通风险阈值可以由计算机设备从交通部门的后台服务器处获取到。在一种实施方式中,交通风险阈值可以是目标区域的历史交通事故率,或者目标区域所在的城市的历史交通事故率。再一种实施方式中,该交通风险阈值可以是根据经验值或者业务需求设置的。
本申请实施例在对第一交通工具和第二交通工具之间的目标区域进行风险评估时,可先根据第一交通工具的第一属性以及第二交通工具的第二属性,针对性地获取关于目标区域的交通风险算法。由于交通风险算法中包括第一属性和第二属性,因此可知计算机设备在根据该交通风险算法计算目标区域中目标地点的交通风险值时,考虑了交通工具的属性给交通事故风险所带来的影响,这样可有效提升交通风险值的准确性。从而使得在根据较为准确的交通风险值对目标区域进行风险评估时,可有效提升风险评估的准确性。
基于上述图2所示的风险评估方法实施例的相关描述,下面将结合图3对图2所示的方法实施例中所涉及的风险评估算法的构思原理进行阐述。具体的,该构思原理可至少包括以下步骤S301-S303:
S301,根据交通事故风险源的波及特征,建模得到交通事故风险源的波及规律。
在本申请实施例中,交通事故风险源可以是任一交通工具。经研究表明,交通事故风险源通常具有如下波及特征:一方面,若存在一个交通工具A位于交通事故风险源所处的位置,则该交通工具A一定与交通事故风险源相撞;另一方面,如果该交通工具A距离交通事故风险源越近(远),那么该交通工具A与交通事故风险源相撞的概率就越大(小)。基于此,可建模得到交通事故风险源的波及规律如下:当某交通工具A位于交通事故风险源所处的位置时,该交通工具与该交通事故风险源发生交通事故的概率为1;当某交通工具A没有位于交通事故风险源所处的位置时,该交通工具A与该交通事故风险源发生交通事故的概率可以是1/Rk。其中,R的取值用于表示交通工具A与该交通事故风险源之间的距离。k为正数,且k的具体取值可与路况成正相关;路况越恶劣,则k的取值越小。在一些可行的实施方式中,也可通过考虑万有引力定律来设置k的取值;例如在万有引力定律中,万有引力的大小与距离的平方成反比,因此可根据万有引力定律将常数k设置为2。
S302,根据交通事故风险源的波及规律,确定交通事故风险源的风险密度。
由于在实际行驶过程中,交通事故风险源(即任一交通工具)通常是在地平面上行驶的;因此可确定交通事故风险源的波及范围通常不会超过该交通事故风险源(即任一交通工具)的高度。基于此,本申请实施例可将交通事故风险源的波及范围近似看作以交通事故风险源为中心,以任意取值(如R的某个取值)为半径,且以交通事故风险源的高度为高的圆柱体区域。具体的,该圆柱体区域的俯视图可以如图4a所示,其相应的侧视图可如图4b所示。
基于该交通事故风险源的波及规律和波及范围,可确定交通事故风险源的风险密度。在一种实施方式中,可根据交通事故风险源的波及规律和波及范围的高度(用h表示),确定交通事故风险源的风险密度;在此实施方式下,交通事故风险源的风险密度可表示为:1/(hRk)。再一种实施方式中,可根据交通事故风险源的波及规律、波及范围的高度(用h表示)以及和交通事故风险源的长度(用l表示),确定交通事故风险源的风险密度;在此实施方式下,交通事故风险源的风险密度可表示为:1/(hlRk)。再一种实施方式中,可根据交通事故风险源的波及规律、波及范围的高度(用h表示)以及和交通事故风险源的宽度(用w表示),确定交通事故风险源的风险密度;在此实施方式下,交通事故风险源的风险密度可表示为:1/(hwRk)。为便于阐述,后续均以交通事故风险源的风险密度为1/(hRk)为例进行说明。
S303,根据交通事故风险源的风险密度,确定第一交通工具和第二交通工具之间的目标区域的交通风险算法。
首先,可根据交通事故风险源的风险密度确定与第一交通工具相关的第一风险密度,以及与第二交通工具相关的第二风险密度。由前述可知,交通事故风险源的风险密度为1/(hRk);那么可得到第一风险密度为1/(h1rk),第二风险密度为1/(h2(s-r)k)。其中,h1表示第一交通工具的高度;r表示距离参数,r的具体取值表示目标区域中的某个地点与第一交通工具之间的距离。h2表示第二交通工具的高度;s表示第一交通工具与第二交通工具之间的目标距离。
其次,可根据第一风险密度和第一属性确定第一风险函数,以及根据第二风险密度和第二属性确定第二风险函数。由于根据第一风险密度和第一属性确定第一风险函数的实施原理与根据第二风险密度和第二属性确定第二风险函数的实施原理类似,因此下面将以如何确定第一风险函数为例进行说明。具体的,可假设目标区域中的任意地点处存在一个参考交通工具,且该参考交通工具的属性可称为参考属性。由前述可知,第一属性可以包括第一交通工具的长度、第一交通工具的宽度、第一交通工具的高度等;相应的,参考属性可包括:该参考交通工具的长度、参考交通工具的宽度、参考交通工具的高度等。为便于阐述,本申请实施例以第一属性包括第一交通工具的高度,且参考属性包括参考交通工具的高度(用hhost表示)为例进行说明。那么,由于两个交通工具相撞时的接触面的高是hhost和h1中的较小值;因此基于前述的描述可知,该参考交通工具受到第一车辆引入的交通事故风险是min(hhost,h1)/(h1rk);基于此,可得到第一风险函数为:min(hhost,h1)/(h1rk)。其中,min(hhost,h1)表示从hhost和h1中选取最小值。同理,可根据第二风险密度和第二属性,得到第二风险函数为:min(hhost,h2)/[h2(s-r)k];其中,min(hhost,h2)表示从hhost和h2中选取最小值。
然后,根据第一风险函数和第二风险函数,得到目标区域的交通风险算法。具体的,可整合第一风险函数和第二风险函数,得到交通风险算法如下:min(hhost,h1)/(h1rk)+min(hhost,h2)/[h2(s-r)k]。
基于上述图2所示的实施例以及图3所示的交通风险算法,本申请实施例还提出了一种风险评估方法;参见图5所示,该风险评估方法可包括以下步骤S501-S506:
S501,获取道路中的第一交通工具的第一属性,以及与第一交通工具相邻的第二交通工具的第二属性。
S502,根据第一属性和第二属性,获取针对目标区域的交通风险算法。
S503,采用交通风险算法计算目标地点的交通风险值。
由前述可知,目标地点可以是目标区域中交通风险值最小的地点,或者为目标区域中多个地点。那么相应的,当目标地点为目标区域中的多个地点时,步骤S503的具体实施方式可以如下:在一个可行的实施方式中,计算机设备选取目标区域中的M个候选地点,采用交通风险算法计算M个候选地点的交通风险值。然后,将交通风险值较小的N个候选地点确定为目标地点,并得到目标地点的交通风险值;其中,M≥N,M和N均为大于1的正整数。在另一个可行的实施方式中,计算机设备选取目标区域中的所有地点作为目标地点,或计算机设备从目标区域中任意选取多个地点为目标地点。然后采用交通风险算法计算被选取的地点的风险值,得到目标地点的交通风险值。
当目标地点为目标区域中交通风险值最小的地点时,步骤S503的具体实施方式可以包括以下任一种实施方式:
实施方式一:计算机设备可以先确定目标区域中的目标地点,然后再计算该目标地点的交通风险值。具体的,计算机设备可以对该交通风险算法进行求导运算,得到表征交通风险算法变化规律的导函数。其次可根据该导函数求取目标函数值,该目标函数值使得导函数的取值为零,且该目标参数值为目标地点与第一交通工具之间的距离。然后,可将目标参数值代入交通风险算法中的距离参数中,得到目标区域中的目标地点的交通风险值。例如,假设根据S502确定的交通风险算法为min(hhost,h1)/(h1rk)+min(hhost,h2)/[h2(s-r)k],可对该交通风险算法中的距离参数求导,得到的导函数为[min(hhost,h1)*(-k)])/(h1rk+1)+[min(hhost,h2)*k]/[h2(s-r)k+1],让导函数等于0的目标参数值为roptimal,然后将roptimal代入交通风险算法得到的最小的交通风险值,即为目标地点的交通风险值,即交通风险值可为poptimal=min(hhost,h1)/(h1roptimal k)+min(hhost,h2)/[h2(s-roptimal)k]。
实施方式二,计算机设备可以先从目标区域中任意选取一个地点作为候选地点,并将候选地点和第一交通工具之间的距离代入到交通风险算法的距离参数中,得到候选地点的交通风险值。然后,可在目标区域中除候选地点以外的其他地点中选择候选地点的第一参考地点和第二参考地点;具体的,可在目标区域中除候选地点以外的其他地点中,任意选择距离候选地点第一参考距离(例如5米、4米、2米等)的第一参考地点,以及距离候选地点的第二参考距离的第二参考地点。其中,第一参考距离和第二参考距离的具体取值可根据经验值或者业务需求设置,例如同一车道的两个交通工具等红绿灯时的间隔距离通常是2米,那么可将第一参考距离和第二参考距离均设置为2米。应理解的是,在其他实施例中,第一参考距离和第二参考距离也可不相等。还应理解的是,第一参考地点和第二参考地点可以位于同一侧,例如均位于候选地点和第一交通工具之间,或者均位于候选地点和第二交通工具之间。可选的,第一参考地点和第二参考地点也可位于不同侧;例如第一参考地点位于候选地点和第一交通工具之间,第二参考地点位于候选地点和第二交通工具之间,等等。在选取第一参考地点和第二参考地点后,可将第一参考地点和第一交通工具的距离代入交通风险算法中的距离参数中,得到第一参考地点的交通风险值;以及将第二参考地点和第一交通工具的距离代入交通风险算法中的距离参数中,得到第二参考地点的交通风险值。
若第一参考地点的交通风险值和第二参考地点的交通风险值均大于候选地点的交通风险值,则将候选地点的交通风险值作为目标地点的交通风险值。在一种实施方式中,若第一参考地点的交通风险值和第二参考地点的交通风险值均大于候选地点的交通风险值,则直接将候选地点的交通风险值作为目标地点的交通风险值。在一种可选的实施方式中,由于在第一参考地点的交通风险值和第二参考地点的交通风险值均大于候选地点的交通风险值的情况下,可能还存在未被选取的地点的交通风险值小于候选地点的交通风险值;那么在此情况下,若将候选地点的交通风险值作为目标地点的交通风险值,则会导致目标地点的交通风险值计算有误。
基于此,为提升目标地点的交通风险值的准确性,在检测到第一参考地点的交通风险值和第二参考地点的交通风险值均大于候选地点的交通风险值时,可减小第一参考距离和第二参考距离以再次重新选取第一参考地点和第二参考地点,并再次判断重新选取的第一参考地点的交通风险值和重新选取的第二参考地点的交通风险值是否均大于候选地点的交通风险值;以此类推,在执行多次迭代操作后,若多次迭代操作满足迭代预设条件,且重新选取的第一参考地点的交通风险值和重新选取的第二参考地点的交通风险值均大于候选地点的交通风险值,则将候选地点的交通风险值作为目标地点的交通风险值。其中,迭代预设条件可包括以下任一种:①多次迭代操作中的最后一次迭代操作所使用的第一参考距离小于距离阈值,和/或多次迭代操作中的最后一次迭代操作所使用的第二参考距离小于距离阈值。②多次迭代操作的迭代次数大于次数阈值。
若第一参考地点的交通风险值和第二参考地点的交通风险值中存在至少一个交通风险值小于候选地点的交通风险值,则将候选地点更新为第一参考地点和第二参考地点中交通风险值最小的地点。然后,可基于更新后的候选地点,在目标区域中重新选取更新后的候选地点的第一参考地点与第二参考地点。并比较重新选取的第一参考地点的交通风险值和更新后的候选地点的交通风险值,以及比较重新选取的第二参考地点的交通风险值与更新后的候选地点的交通风险值。若重新选取的第一参考地点的交通风险值和重新选取的第二参考地点的交通风险值均大于更新后的候选地点的交通风险值,则将更新后的候选地点的交通风险值作为目标地点的交通风险值。
需要说明的是,在实际应用中,若重新选取的第一参考地点的交通风险值和重新选取的第二参考地点的交通风险值均大于更新后的候选地点的交通风险值,则还可进一步地再次基于更新后的候选地点,再次重新选取第一参考地点和第二参考地点,并再次判断重新选取的第一参考地点的交通风险值和重新选取的第二参考地点的交通风险值是否均大于更新后的候选地点的交通风险值;以此类推,在执行多次迭代操作后,若多次迭代操作满足迭代预设条件,且重新选取的第一参考地点的交通风险值和重新选取的第二参考地点的交通风险值均大于候选地点的交通风险值,则将更新后的候选地点的交通风险值作为目标地点的交通风险值。
实施方式三,计算机设备可以计算目标区域中所有地点的交通风险值,然后根据交通风险值从所有地点中选取交通风险值最小的目标地点。
S504,根据目标地点的交通风险值对目标区域进行风险评估。
S505,在确定目标区域为风险区域之后,若检测到目标交通工具欲行驶至目标区域的触发事件,则生成关于目标区域的风险提示。
具体的,计算机设备可通过摄像头拍摄关于目标区域的第四图像(如图6a所示);并对第四图像进行图像识别,以检测是否存在目标交通工具欲行驶至目标区域的触发事件。若检测到,则可生成关于目标区域的风险提示。其中,目标交通工具可以是第一交通工具或者第二交通工具,还可以是除第一交通工具以及第二交通工具以外的其他任一交通工具。其中,风险提示可包括显示信息,语音信息,控制信息等。此处的显示信息用于指示终端在屏幕中高亮显示目标区域。语音信息用于指示终端通过语音播报来提示目标区域为风险区域;其可包括但不限于:携带目标区域与目标交通工具距离的语音提示(如“前方50米区域为风险区域”)、携带目标区域经纬度的语音提示、携带安全指示的语音提示(如“前方为风险区域,请系好安全带”)等。控制信息用于指示终端改变目标交通工具的行驶状态,此处的行驶状态可包括但不限于:行驶方向,行驶速度,等等。
S506,向与目标交通工具绑定的目标终端发送风险提示,使得目标终端基于风险提示进行风险处理。
在一种具体实现中,若风险提示为显示信息,则目标终端可以为具有显示功能的任一设备,如手机、导航屏幕等。在此具体实现中,目标终端基于风险提示进行风险处理具体可包括:目标终端接收计算机设备发送的显示信息,然后在屏幕中高亮显示目标区域;例如,可采用预设颜色标注目标区域、或者采用风险图标(如感叹号)标注目标区域等。以图6b为例,设第一交通工具为交通工具112、第二交通工具为交通工具113;并欲行驶至第一交通工具和第二交通工具之间的目标区域13中的目标交通工具为交通工具114。那么与目标交通工具(即交通工具114)绑定的目标终端14在接收到风险提示后,可在屏幕中对目标区域13进行高亮标注。
再一种具体实现中,若风险提示为语音信息,则目标终端为具有扬声器的任一设备,如手机、导航系统、人工智能音箱等。在此具体实现中,目标终端基于风险提示进行风险处理具体可包括:目标终端接收计算机设备发送的语音信息,并通过扬声器输出目标区域的语音信息。
再一种具体实现中,若风险提示为控制信息,则目标终端为具有控制功能的任一设备,如电子控制单元(Electronic Control Unit,ECU)等。在此具体实现中,目标终端基于风险提示进行风险处理具体可包括:目标终端接收计算机设备的控制信息,然后响应该控制信息控制目标交通工具变道行驶(如左转、右转、掉头等),或者控制目标交通工具调整速度(如减速行驶,停车等)等。
本申请实施例在对第一交通工具和第二交通工具之间的目标区域进行风险评估时,可先根据第一交通工具的第一属性以及第二交通工具的第二属性,针对性地获取关于目标区域的交通风险算法。由于交通风险算法中包括第一属性和第二属性,因此可知计算机设备在根据该交通风险算法计算目标区域中目标地点的交通风险值时,考虑了交通工具的属性给交通事故风险所带来的影响,这样可有效提升交通风险值的准确性。从而使得在根据较为准确的交通风险值对目标区域进行风险评估时,可有效提升风险评估的准确性;进而使得在确定目标区域为风险区域时,可通过风险提示较为准确地提示欲行驶至该区域的任一交通工具进行安全驾驶,保障交通工具的行驶安全。
进一步地,为了验证本申请实施例所提出的风险评估方法的有益效果,对本申请实施例重复进行仿真实验10次;具体实验结果可如表1所示:
表1实验结果
在表1中,虚警率可以是指目标区域本不是风险区域,计算机设备将目标区域误判为风险区域的次数占总测试次数的概率。误警率可以是指目标区域本是风险区域,计算机设备将目标区域误判为安全区域的次数占总测试次数的概率。通过表1中本申请实施例与现有技术的虚警率之比和误警率之比可以看出,通过本申请实施例对两两相邻交通工具之间的区域的评估得到的评估结果更准确,从而可以使得欲行驶至该区域的任一交通工具根据该区域的风险评估结果进行安全驾驶,进而保障交通工具的行驶安全。
基于上述风险评估方法实施例的描述,本申请实施例还公开了一种风险评估装置,所述风险评估装置可以是运行于上述所提及的计算机设备中的一个计算机程序(包括程序代码)。该风险评估装置可以执行图2或图5所示的方法。请参见图7,所述风险评估装置可以运行如下单元:
获取单元701,用于获取道路中的第一交通工具的第一属性,以及与所述第一交通工具相邻的第二交通工具的第二属性;
获取单元701,还用于根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
处理单元702用于采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
在一种实施方式中,所述目标地点为所述目标区域中交通风险值最小的地点,或者,所述目标地点为所述目标区域中的多个地点;
所述交通风险算法包括基于所述第一属性的第一风险函数,以及基于所述第二属性的第二风险函数;
所述第一风险函数包括以下函数因子:所述第一属性以及第一风险密度,所述第一风险密度是根据所述第一属性和距离参数确定的;
所述第二风险函数包括以下函数因子:所述第二属性以及第二风险密度,所述第二风险密度是根据所述第二属性和所述距离参数确定的。
再一种实施方式中,所述目标地点为所述目标区域中交通风险值最小的地点;相应的,处理单元702用于采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,包括:
对所述交通风险算法进行求导运算,得到所述距离参数的目标参数值;所述目标参数值为所述目标地点与所述第一交通工具之间的距离;
将所述目标参数值代入所述交通风险算法中的所述距离参数中,得到所述目标区域中的所述目标地点的交通风险值。
再一种实施方式中,所述目标地点为所述目标区域中交通风险值最小的地点;相应的,处理单元702用于采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,还包括:
从所述目标区域中任意选取一个地点作为候选地点,并将所述候选地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述候选地点的交通风险值;
在所述目标区域中除所述候选地点以外的其他地点中选择所述候选地点的第一参考地点和第二参考地点;
将所述第一参考地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述第一参考地点的交通风险值;以及将所述第二参考地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述第二参考地点的交通风险值;
若所述第一参考地点的交通风险值和所述第二参考地点的交通风险值均大于所述候选地点的交通风险值,则将所述候选地点的交通风险值作为所述目标地点的交通风险值。
再一种实施方式中,处理单元702用于根据所述目标地点的交通风险值对所述目标区域进行风险评估,包括:
若所述目标地点为所述目标区域中交通风险值最小的地点,且所述目标地点的交通风险值大于交通风险阈值,则确定所述目标区域为风险区域;
若所述目标地点为所述目标区域中的多个地点,且所述多个地点中存在预设数量的地点的交通风险值大于所述交通风险阈值,则确定所述目标区域为风险区域。
再一种实施方式中,所述交通风险阈值为所述目标区域的历史交通事故率。
再一种实施方式中,处理单元702在确定所述目标区域为风险区域之后,所述装置还包括:
若检测到目标交通工具欲行驶至所述目标区域的触发事件,则生成关于所述目标区域的风险提示;
向与所述目标交通工具绑定的目标终端发送风险提示,使得所述目标终端基于所述风险提示进行风险处理。
根据本申请的一个实施例,图2或图5所示的方法所涉及的各个步骤均可以是由图7所示的风险评估装置中的各个单元执行的。例如,图2所示的步骤S201-S202均由图7中所示的获取单元701来执行,步骤S203由图7中所示的处理单元702来执行。又如,图5步骤中的S501-S502均由图7中所示的获取单元701来执行,步骤S503-S506由图7中所示的处理单元702来执行。
根据本申请的另一个实施例,图7所示的风险评估装置中的各个单元可以分别或者全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以是由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其他实施例中,基于风险评估装置也可以包括其他单元,在实际应用中,这些功能也可以由其他单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过包括中央处理单元(Central ProcessingUnit,CPU),随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件。例如计算机的通用计算设备上运行能够执行如图2或图5中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图7所示的风险评估装置,以及来实现本申请实施例的风险评估方法。所述的计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算机设备中,并在其中运行。
本申请实施例在获取道路中的第一交通工具的第一属性以及与第一交通工具相邻的第二交通工具的第二属性后,可以根据该相邻的两个交通工具的第一属性和第二属性确定与第一交通工具和第二交通工具之间的区域相关联的交通风险算法。然后,根据这个交通风险算法计算该区域中的目标地点的交通风险值,并根据该交通风险值对该区域进行风险评估。可见,本申请实施例提出的风险评估方案可根据不同的两两相邻交通工具得到不同的交通风险算法,并根据该交通风险算法来评估两两相邻交通工具之间的区域,可以提高风险评估结果的准确性。
基于上述风险评估方法实施例的描述,本申请实施例还公开了一种计算机设备。请参见图8,该计算机设备至少包括处理器801、输入接口802、输出接口803以及计算机存储介质804可通过总线或其他方式连接。
所述计算机存储介质804是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质804既可以包括计算机设备的内置存储介质,当然也可以包括计算机设备支持的扩展存储介质。计算机存储介质804提供存储空间,该存储空间存储了计算机设备的操作系统。并且,在该存储空间中还存放了适于被处理器801加载并执行的一条或多条指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器;可选的,还可以是至少一个远离前述处理器的计算机存储介质、所述处理器可以称为中央处理单元(Central ProcessingUnit,CPU),是计算机设备的核心以及控制中心,适于被实现一条或多条指令,具体加载并执行一条或多条指令从而实现相应的方法流程或功能。
在一个实施例中,可由处理器801加载并执行计算机存储介质804中存放的一条或多条指令,以实现执行如图2或图5中所示的相应方法所涉及的各步骤,具体实现中,计算机存储介质804中的一条或多条指令由处理器801加载并执行以下步骤:
获取道路中的第一交通工具的第一属性,以及与所述第一交通工具相邻的第二交通工具的第二属性;
根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
在一种实施方式中,所述目标地点为所述目标区域中交通风险值最小的地点,或者,所述目标地点为所述目标区域中的多个地点;
所述交通风险算法包括基于所述第一属性的第一风险函数,以及基于所述第二属性的第二风险函数;
所述第一风险函数包括以下函数因子:所述第一属性以及第一风险密度,所述第一风险密度是根据所述第一属性和距离参数确定的;
所述第二风险函数包括以下函数因子:所述第二属性以及第二风险密度,所述第二风险密度是根据所述第二属性和所述距离参数确定的。
再一种实施方式中,所述目标地点为所述目标区域中交通风险值最小的地点;相应的,处理器801采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,包括:
对所述交通风险算法进行求导运算,得到所述距离参数的目标参数值;所述目标参数值为所述目标地点与所述第一交通工具之间的距离;
将所述目标参数值代入所述交通风险算法中的所述距离参数中,得到所述目标区域中的所述目标地点的交通风险值。
再一种实施方式中,所述目标地点为所述目标区域中交通风险值最小的地点;相应的,处理器801采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,还包括:
从所述目标区域中任意选取一个地点作为候选地点,并将所述候选地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述候选地点的交通风险值;
在所述目标区域中除所述候选地点以外的其他地点中选择所述候选地点的第一参考地点和第二参考地点;
将所述第一参考地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述第一参考地点的交通风险值;以及将所述第二参考地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述第二参考地点的交通风险值;
若所述第一参考地点的交通风险值和所述第二参考地点的交通风险值均大于所述候选地点的交通风险值,则将所述候选地点的交通风险值作为所述目标地点的交通风险值。
再一种实施方式中,处理器801根据所述目标地点的交通风险值对所述目标区域进行风险评估,包括:
若所述目标地点为所述目标区域中交通风险值最小的地点,且所述目标地点的交通风险值大于交通风险阈值,则确定所述目标区域为风险区域;
若所述目标地点为所述目标区域中的多个地点,且所述多个地点中存在预设数量的地点的交通风险值大于所述交通风险阈值,则确定所述目标区域为风险区域。
再一种实施方式中,所述交通风险阈值为所述目标区域的历史交通事故率。
再一种实施方式中,处理器801在确定所述目标区域为风险区域之后,还包括:
若检测到目标交通工具欲行驶至所述目标区域的触发事件,则生成关于所述目标区域的风险提示;
向与所述目标交通工具绑定的目标终端发送风险提示,使得所述目标终端基于所述风险提示进行风险处理。
本申请实施例在获取道路中的第一交通工具的第一属性以及与第一交通工具相邻的第二交通工具的第二属性后,可以根据该相邻的两个交通工具的第一属性和第二属性确定与第一交通工具和第二交通工具之间的区域相关联的交通风险算法。然后,根据这个交通风险算法计算该区域中的目标地点的交通风险值,并根据该交通风险值对该区域进行风险评估。可见,本申请实施例提出的风险评估方案可根据不同的两两相邻交通工具得到不同的交通风险算法,并根据该交通风险算法来评估两两相邻交通工具之间的区域,可以提高风险评估结果的准确性。
需要说明的是,本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述数据处理方法实施例图2或图5中所执行的步骤。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于申请所涵盖的范围。
Claims (10)
1.一种风险评估方法,其特征在于,所述方法包括:
获取道路中的第一交通工具的第一属性,以及与所述第一交通工具相邻的第二交通工具的第二属性;
根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
2.如权利要求1所述的方法,其特征在于,所述目标地点为所述目标区域中交通风险值最小的地点,或者,所述目标地点为所述目标区域中的多个地点;
所述交通风险算法包括基于所述第一属性的第一风险函数,以及基于所述第二属性的第二风险函数;
所述第一风险函数包括以下函数因子:所述第一属性以及第一风险密度,所述第一风险密度是根据所述第一属性和距离参数确定的;
所述第二风险函数包括以下函数因子:所述第二属性以及第二风险密度,所述第二风险密度是根据所述第二属性和所述距离参数确定的。
3.如权利要求2所述的方法,其特征在于,所述目标地点为所述目标区域中交通风险值最小的地点;所述采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,包括:
对所述交通风险算法进行求导运算,得到所述距离参数的目标参数值;所述目标参数值为所述目标地点与所述第一交通工具之间的距离;
将所述目标参数值代入所述交通风险算法中的所述距离参数中,得到所述目标区域中的所述目标地点的交通风险值。
4.如权利要求2所述的方法,其特征在于,所述目标地点为所述目标区域中交通风险值最小的地点;所述采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,包括:
从所述目标区域中任意选取一个地点作为候选地点,并将所述候选地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述候选地点的交通风险值;
在所述目标区域中除所述候选地点以外的其他地点中选择所述候选地点的第一参考地点和第二参考地点;
将所述第一参考地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述第一参考地点的交通风险值;以及将所述第二参考地点和所述第一交通工具之间的距离代入所述交通风险算法中的所述距离参数中,得到所述第二参考地点的交通风险值;
若所述第一参考地点的交通风险值和所述第二参考地点的交通风险值均大于所述候选地点的交通风险值,则将所述候选地点的交通风险值作为所述目标地点的交通风险值。
5.如权利要求2所述的方法,其特征在于,所述根据所述目标地点的交通风险值对所述目标区域进行风险评估,包括
若所述目标地点为所述目标区域中交通风险值最小的地点,且所述目标地点的交通风险值大于交通风险阈值,则确定所述目标区域为风险区域;
若所述目标地点为所述目标区域中的多个地点,且所述多个地点中存在预设数量的地点的交通风险值大于所述交通风险阈值,则确定所述目标区域为风险区域。
6.如权利要求5所述的方法,其特征在于,所述交通风险阈值为所述目标区域的历史交通事故率。
7.如权利要求5所述的方法,其特征在于,所述在确定所述目标区域为风险区域之后,所述方法还包括:
若检测到目标交通工具欲行驶至所述目标区域的触发事件,则生成关于所述目标区域的风险提示;
向与所述目标交通工具绑定的目标终端发送风险提示,使得所述目标终端基于所述风险提示进行风险处理。
8.一种风险评估装置,其特征在于,所述装置包括:
获取单元,用于获取道路中的第一交通工具的第一属性以及与所述第一交通工具相邻的第二交通工具的第二属性;
所述获取单元,还用于根据所述第一属性和所述第二属性,获取针对目标区域的交通风险算法,所述目标区域是指所述第一交通工具和所述第二交通工具之间的区域;
处理单元,用于采用所述交通风险算法计算所述目标区域中的目标地点的交通风险值,并根据所述目标地点的交通风险值对所述目标区域进行风险评估。
9.一种计算机设备,包括输入接口、输出接口,其特征在于,还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如权利要求1-7任意一项所述的风险评估方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如权利要求1-7任意一项所述的风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686328.9A CN111832947B (zh) | 2020-07-16 | 2020-07-16 | 风险评估方法、装置、计算机设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010686328.9A CN111832947B (zh) | 2020-07-16 | 2020-07-16 | 风险评估方法、装置、计算机设备以及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832947A true CN111832947A (zh) | 2020-10-27 |
CN111832947B CN111832947B (zh) | 2023-11-24 |
Family
ID=72923376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010686328.9A Active CN111832947B (zh) | 2020-07-16 | 2020-07-16 | 风险评估方法、装置、计算机设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832947B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013118191A1 (ja) * | 2012-02-10 | 2013-08-15 | 三菱電機株式会社 | 運転支援装置及び運転支援方法 |
DE102012007389A1 (de) * | 2012-04-11 | 2013-10-17 | GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) | Vermeiden einer Fahrzeugkollision bei einem Überholmanöver |
US20150112730A1 (en) * | 2013-10-18 | 2015-04-23 | State Farm Mutual Automobile Insurance Company | Assessing risk using vehicle environment information |
DE102015200577A1 (de) * | 2015-01-15 | 2016-08-04 | Honda Motor Co., Ltd. | Fahrerassistenzverfahren und -system |
KR20180070376A (ko) * | 2016-12-16 | 2018-06-26 | 현대자동차주식회사 | 주변차량의 위험도 판단 방법 |
AT519547A4 (de) * | 2017-06-22 | 2018-08-15 | Avl List Gmbh | Vorrichtung und Verfahren zur prädiktiven Steuerung der Geschwindigkeit eines Fahrzeugs |
CN109389824A (zh) * | 2017-08-04 | 2019-02-26 | 华为技术有限公司 | 一种驾驶风险的评估方法及装置 |
CN110027554A (zh) * | 2019-04-30 | 2019-07-19 | 上海爱驱汽车技术有限公司 | 车辆避撞控制方法及系统 |
CN110111602A (zh) * | 2019-04-30 | 2019-08-09 | 浙江吉利控股集团有限公司 | 一种车辆碰撞预警方法、装置及设备 |
FR3080346A1 (fr) * | 2018-04-23 | 2019-10-25 | Renault S.A.S. | Procede de selection par un vehicule automobile d’une voie de circulation preferee pour traverser une aire de peage |
CN110414831A (zh) * | 2019-07-24 | 2019-11-05 | 清华大学 | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 |
JP2019211830A (ja) * | 2018-05-31 | 2019-12-12 | マツダ株式会社 | 車線変更推定装置および車線変更推定方法と、車両制御装置および車両制御方法 |
CN110807950A (zh) * | 2019-11-13 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 基于车辆碰撞的风险评估方法、装置和计算机设备 |
US20220036735A1 (en) * | 2018-05-08 | 2022-02-03 | Tsinghua University | Real-time driving risk assessment method employing equivalent force and device thereof |
-
2020
- 2020-07-16 CN CN202010686328.9A patent/CN111832947B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013118191A1 (ja) * | 2012-02-10 | 2013-08-15 | 三菱電機株式会社 | 運転支援装置及び運転支援方法 |
DE102012007389A1 (de) * | 2012-04-11 | 2013-10-17 | GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) | Vermeiden einer Fahrzeugkollision bei einem Überholmanöver |
US20150112730A1 (en) * | 2013-10-18 | 2015-04-23 | State Farm Mutual Automobile Insurance Company | Assessing risk using vehicle environment information |
DE102015200577A1 (de) * | 2015-01-15 | 2016-08-04 | Honda Motor Co., Ltd. | Fahrerassistenzverfahren und -system |
KR20180070376A (ko) * | 2016-12-16 | 2018-06-26 | 현대자동차주식회사 | 주변차량의 위험도 판단 방법 |
AT519547A4 (de) * | 2017-06-22 | 2018-08-15 | Avl List Gmbh | Vorrichtung und Verfahren zur prädiktiven Steuerung der Geschwindigkeit eines Fahrzeugs |
CN109389824A (zh) * | 2017-08-04 | 2019-02-26 | 华为技术有限公司 | 一种驾驶风险的评估方法及装置 |
FR3080346A1 (fr) * | 2018-04-23 | 2019-10-25 | Renault S.A.S. | Procede de selection par un vehicule automobile d’une voie de circulation preferee pour traverser une aire de peage |
US20220036735A1 (en) * | 2018-05-08 | 2022-02-03 | Tsinghua University | Real-time driving risk assessment method employing equivalent force and device thereof |
JP2019211830A (ja) * | 2018-05-31 | 2019-12-12 | マツダ株式会社 | 車線変更推定装置および車線変更推定方法と、車両制御装置および車両制御方法 |
CN110027554A (zh) * | 2019-04-30 | 2019-07-19 | 上海爱驱汽车技术有限公司 | 车辆避撞控制方法及系统 |
CN110111602A (zh) * | 2019-04-30 | 2019-08-09 | 浙江吉利控股集团有限公司 | 一种车辆碰撞预警方法、装置及设备 |
CN110414831A (zh) * | 2019-07-24 | 2019-11-05 | 清华大学 | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 |
CN110807950A (zh) * | 2019-11-13 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 基于车辆碰撞的风险评估方法、装置和计算机设备 |
Non-Patent Citations (3)
Title |
---|
DAYI QU.ETC: "Modeling of Car-Following Required Safe Distance Based on Molecular Dynamics", MATHEMATICAL PROBLEMS IN ENGINEERING, pages 1 - 8 * |
张珊珊;袁振洲;曹志超;: "道路交叉口不同相序下车辆碰撞风险模型研究", 公路与汽运, no. 06, pages 43 - 48 * |
陈松: "道路交通环境感知及行车风险评价方法研究", 中国博士学位论文全文数据库电子期刊网, pages 026 - 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832947B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108528458B (zh) | 用于车辆尺寸预测的系统和方法 | |
CN109141464B (zh) | 导航变道提示方法和装置 | |
US10031526B1 (en) | Vision-based driving scenario generator for autonomous driving simulation | |
US10896122B2 (en) | Using divergence to conduct log-based simulations | |
CN106289296B (zh) | 一种道路导航的方法和装置 | |
CN107449433A (zh) | 基于地图的用于车辆观测的反馈循环 | |
JP7222879B2 (ja) | 交通手段の危険早期警告方法、装置、機器および媒体 | |
US11408739B2 (en) | Location correction utilizing vehicle communication networks | |
US11385991B1 (en) | Collision evaluation for log-based simulations | |
KR102210140B1 (ko) | 센서 데이터로부터 생성된 물체를 평활화하기 위한 맵 정보의 이용 | |
CN111006681B (zh) | 一种辅助导航方法、装置、设备和介质 | |
CN112590813A (zh) | 自动驾驶车辆信息生成方法、装置、电子设备和介质 | |
US11391587B1 (en) | Assessing the impact of blockages on autonomous vehicle services | |
CN108291814A (zh) | 用于在环境中点精确地定位机动车的方法、设备、地图管理装置和系统 | |
JP2020071053A (ja) | 地図情報システム | |
CN114926809A (zh) | 可通行区域检测方法及装置、移动工具、存储介质 | |
US20220289253A1 (en) | Method for evaluating autonomous driving system, apparatus and storage medium | |
US11126763B1 (en) | Realism metric for testing software for controlling autonomous vehicles | |
CN106468556A (zh) | 一种行车信息共享、展示方法及装置 | |
US11254326B2 (en) | Automatic comfort score system based on human driving reference data | |
CN112558036B (zh) | 用于输出信息的方法和装置 | |
CN110502601B (zh) | 查找仓库的方法和装置 | |
CN113160589A (zh) | 车辆预警方法及装置、电子设备、计算机可读存储介质 | |
US20190279504A1 (en) | Method, device and system for wrong-way driver detection | |
CN111832947A (zh) | 风险评估方法、装置、计算机设备以及介质 |
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 |