发明内容
有鉴于此,本申请实施例的目的在于提供一种单车安全检测的系统、方法及装置,能够降低单车出行的安全隐患。
第一方面,本申请实施例提供一种单车安全检测的系统,包括:车辆端以及服务器;其中:
所述车辆端,用于获取目标车辆在第一预设时间段内的骑行数据;根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为;若发生危险骑行行为,则执行与所述危险骑行行为对应的第一目标操作,并将所述骑行数据上报给服务器;
所述服务器,用于接收所述骑行数据,并根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为,若确认发生危险骑行行为,则执行与所述危险骑行行为对应的第二目标操作。
一种可选实施方式中,所述车辆端具体用于根据以下步骤获取目标车辆在第一预设时间段内的骑行数据:
获取安装在所述目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据;将所述第一骑行数据作为所述骑行数据;
或者,
获取客户端采集的第一预设时间段内的第二骑行数据;将所述第二骑行数据作为所述骑行数据;
或者,
获取安装在所述目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据,以及获取客户端采集的第一预设时间段内的第二骑行数据;将所述第一骑行数据、以及所述第二骑行数据作为所述骑行数据。
一种可选实施方式中,所述车辆端,还用于检测所述骑行数据是否在预设取值范围内;
如果否,则对不在所述预设取值范围内的所述骑行数据进行过滤处理。
一种可选实施方式中,所述车辆端,用于采用下述方式根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为:
将所述骑行数据输入至所述第一危险行为识别模型中,得到所述目标车辆在所述第一预设时间段内发生危险骑行行为的第一概率;
若所述第一概率大于第一预设概率阈值,则确定所述目标车辆发生危险骑行行为;
若所述第一概率不大于所述第一预设概率阈值,则确定所述目标车辆未发生危险骑行行为。
一种可选实施方式中,所述第一目标操作,包括:
通过客户端对骑行用户进行提示;和/或,通过所述车辆端对骑行用户进行提示。
一种可选实施方式中,所述第一目标操作,包括:
判断发生的危险骑行行为是否包括超速;
若包括超速,则控制所述目标车辆进行减速。
一种可选实施方式中,所述危险骑行行为,包括以下一种或多种:
加速度值大于第一阈值、减速度的绝对值大于第二阈值、转弯的角速度值超过第三阈值、速度值大于第四阈值、与周围物体距离小于第五阈值、骑行时长大于第六阈值、左右加速度交替变化、骑行轨迹不属于预设安全轨迹、逆行、闯红灯、骑行位置不属于预设安全范围、碰撞、低速下倒地、高速下倒地、倒地时长大于第七阈值。
一种可选实施方式中,所述服务器,用于采用下述方式根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为:
将所述骑行数据输入至所述第二危险行为识别模型中,得到所述目标车辆在所述第一预设时间段内发生与各种所述危险骑行行为分别对应的第二概率;
若任一种危险骑行行为对应的第二概率大于第二预设概率阈值,则确定发生与该第二概率对应的所述任一种危险骑行行为;
若任一种危险骑行行为对应的第二概率不大于所述第二预设概率阈值,则确定未发生与该第二概率对应的所述任一种危险骑行行为。
一种可选实施方式中,若确定发生与该第二概率对应的所述任一种危险骑行行为,所述服务器,用于采用下述方式执行与所述任一种危险骑行行为对应的第二目标操作:
根据发生的所述任一种危险骑行行为,通过所述客户端对骑行用户进行与所述任一种危险骑行行为对应的提示;
和/或,通过所述车辆端对骑行用户进行与所述任一种危险骑行行为对应的提示。
一种可选实施方式中,所述任一种危险骑行行为包括:高速下倒地和倒地时长大于第七阈值时,所述第二目标操作包括:
启动求救机制,将所述目标车辆当前所处的位置发送至目标求救对象;
所述目标求救对象包括警方、急救中心、紧急联系人中的至少一种。
一种可选实施方式中,所述骑行数据包括以下至少一种:
所述目标车辆的速度、加速度、姿态、朝向、振动、所述目标车辆当前所处的位置、所述目标车辆当前所处的位置的交通状态、所述目标车辆与周围物体的距离;
所述加速度包括以下至少一个方向的加速度:所述目标车辆的左右方向、前后方向以及上下方向;
所述姿态包括以下至少一种:直立、倾斜、倒地。
一种可选实施方式中,所述服务器,用于采用下述方式确定所述第二危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第二基础识别模型;
将所述骑行数据作为所述基础识别模型的自变量,将目标车辆发生与各种所述危险骑行行为分别对应的概率作为所述基础识别模型的因变量,构建所述第二基础识别模型;
使用训练数据对所述第二基础识别模型进行训练,得到所述第二危险行为识别模型。
一种可选实施方式中,所述第二基础识别模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。
一种可选实施方式中,所述服务器还用于:
若确定未发生危险骑行行为,则基于所述骑行数据对所述第一危险行为识别模型进行更新,并将更新后的所述第一危险行为识别模型发送给所述车辆端;
所述车辆端,还用于:接收所述服务器发送的更新后的第一危险行为识别模型,并对原来的第一危险行为识别模型进行更新。
一种可选实施方式中,所述服务器,用于采用下述方式确定第一危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第一基础识别模型;
将所述骑行数据作为所述基础识别模型的自变量,将目标车辆发生危险骑行行为对应的概率作为所述第一基础识别模型的因变量,构建所述基础识别模型;
使用训练数据对所述第一基础识别模型进行训练,得到所述第一危险行为识别模型。
一种可选实施方式中,所述训练数据有多组;每组所述训练数据包括:样本车辆在预设历史时间段内多个采样时间点分别对应的样本骑行数据,以及样本车辆在所述预设历史时间段后是否发生危险骑行行为的实际结果;所述第一基础识别模型包括:神经网络模型;
所述服务器,用于采用下述方式使用训练数据对所述第一基础识别模型进行训练:
针对每组所述训练数据,将该组训练数据对应的在预设历史时间段内多个采样时间点的样本骑行数据进行加权求和,生成用于表征所述样本车辆在所述预设历史时间段内骑行行为的行为特征向量;
将所述行为特征向量输入至所述神经网络模型中,获取与该组训练数据对应的检测结果;
基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型进行训练。
一种可选实施方式中,所述服务器,用于采用下述方式确定各采样时间点分别对应的权重:
根据所述采样时间点的顺序,将与各个所述采样时间点分别对应的样本骑行数据拼接为行为特征矩阵;
使用卷积核对所述行为特征矩阵进行卷积运算,得到与所述行为特征矩阵对应的中间特征向量;所述中间特征向量的维度与所述采样时间点的数量相同,且所述中间特征向量的各个元素与所述采样时间点一一对应;
将所述中间特征向量中的各个元素进行归一化,得到与每个所述采样时间点分别对应的权重。
一种可选实施方式中,所述服务器,用于采用下述方式基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型进行训练:
基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型以及所述卷积核进行训练。
第二方面,本申请实施例提供一种单车安全检测的方法,应用于车辆端,包括:
获取目标车辆在第一预设时间段内的骑行数据;
根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为;
若发生危险骑行行为,则执行与所述危险骑行行为对应的第一目标操作,并将所述骑行数据上报给服务器。
一种可选实施方式中,所述获取目标车辆在第一预设时间段内的骑行数据,包括:
获取安装在所述目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据;将所述第一骑行数据作为所述骑行数据;
或者,
获取客户端采集的第一预设时间段内的第二骑行数据;将所述第二骑行数据作为所述骑行数据;
或者,
获取安装在所述目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据,以及获取客户端采集的第一预设时间段内的第二骑行数据;将所述第一骑行数据、以及所述第二骑行数据作为所述骑行数据。
一种可选实施方式中,所述方法还包括:
检测所述骑行数据是否在预设取值范围内;
如果否,则对不在所述预设取值范围内的所述骑行数据进行过滤处理。
一种可选实施方式中,所述根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为,包括:
将所述骑行数据输入至所述第一危险行为识别模型中,得到所述目标车辆在所述第一预设时间段内发生危险骑行行为的第一概率;
若所述第一概率大于第一预设概率阈值,则确定所述目标车辆发生危险骑行行为;
若所述第一概率不大于所述第一预设概率阈值,则确定所述目标车辆未发生危险骑行行为。
一种可选实施方式中,所述第一目标操作,包括:
通过客户端对骑行用户进行提示;和/或,通过所述车辆端对骑行用户进行提示。
一种可选实施方式中,所述第一目标操作,包括:
判断发生的危险骑行行为是否包括超速;
若包括超速,则控制所述目标车辆进行减速。
一种可选实施方式中,所述骑行数据包括以下至少一种:
所述目标车辆的速度、加速度、姿态、朝向、振动、所述目标车辆当前所处的位置、所述目标车辆当前所处的位置的交通状态、所述目标车辆与周围物体的距离;
所述加速度包括以下至少一个方向的加速度:所述目标车辆的左右方向、前后方向以及上下方向;
所述姿态包括以下至少一种:直立、倾斜、倒地。
一种可选实施方式中,所述方法还包括:
接收所述服务器发送的更新后的第一危险行为识别模型,并对原来的第一危险行为识别模型进行更新。
第三方面,本申请实施例提供一种单车安全检测的方法,应用于服务器,包括:
接收车辆端上报的骑行数据,并根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为,若确认发生危险骑行行为,则执行与所述危险骑行行为对应的第二目标操作。
一种可选实施方式中,所述危险骑行行为,包括以下一种或多种:
加速度值大于第一阈值、减速度的绝对值大于第二阈值、转弯的角速度值超过第三阈值、速度值大于第四阈值、与周围物体距离小于第五阈值、骑行时长大于第六阈值、左右加速度交替变化、骑行轨迹不属于预设安全轨迹、逆行、闯红灯、骑行位置不属于预设安全范围、碰撞、低速下倒地、高速下倒地、倒地时长大于第七阈值。
一种可选实施方式中,所述根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为,包括:
将所述骑行数据输入至所述第二危险行为识别模型中,得到所述目标车辆在所述第一预设时间段内发生与各种所述危险骑行行为分别对应的第二概率;
若任一种危险骑行行为对应的第二概率大于第二预设概率阈值,则确定发生与该第二概率对应的所述任一种危险骑行行为;
若任一种危险骑行行为对应的第二概率不大于所述第二预设概率阈值,则确定未发生与该第二概率对应的所述任一种危险骑行行为。
一种可选实施方式中,所述若确定发生与该第二概率对应的所述任一种危险骑行行为,执行与所述任一种危险骑行行为对应的第二目标操作,包括:
根据发生的所述任一种危险骑行行为,通过所述客户端对骑行用户进行与所述任一种危险骑行行为对应的提示;
和/或,通过所述车辆端对骑行用户进行与所述任一种危险骑行行为对应的提示。
一种可选实施方式中,所述任一种危险骑行行为包括:高速下倒地和倒地时长大于第七阈值时,所述第二目标操作包括:
启动求救机制,将所述目标车辆当前所处的位置发送至目标求救对象;
所述目标求救对象包括警方、急救中心、紧急联系人中的至少一种。
一种可选实施方式中,采用下述方式确定所述第二危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第二基础识别模型;
将所述骑行数据作为所述基础识别模型的自变量,将目标车辆发生与各种所述危险骑行行为分别对应的概率作为所述基础识别模型的因变量,构建所述第二基础识别模型;
使用训练数据对所述第二基础识别模型进行训练,得到所述第二危险行为识别模型。
一种可选实施方式中,所述第二基础识别模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。
一种可选实施方式中,所述方法还包括:
若确定未发生危险骑行行为,则基于所述骑行数据对所述第一危险行为识别模型进行更新,并将更新后的所述第一危险行为识别模型发送给所述车辆端。
一种可选实施方式中,采用下述方式确定第一危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第一基础识别模型;
将所述骑行数据作为所述基础识别模型的自变量,将目标车辆发生危险骑行行为对应的概率作为所述第一基础识别模型的因变量,构建所述基础识别模型;
使用训练数据对所述第一基础识别模型进行训练,得到所述第一危险行为识别模型。
一种可选实施方式中,所述训练数据有多组;每组所述训练数据包括:样本车辆在预设历史时间段内多个采样时间点分别对应的样本骑行数据,以及样本车辆在所述预设历史时间段后是否发生危险骑行行为的实际结果;所述第一基础识别模型包括:神经网络模型;
所述使用训练数据对所述第一基础识别模型进行训练,包括:
针对每组所述训练数据,将该组训练数据对应的在预设历史时间段内多个采样时间点的样本骑行数据进行加权求和,生成用于表征所述样本车辆在所述预设历史时间段内骑行行为的行为特征向量;
将所述行为特征向量输入至所述神经网络模型中,获取与该组训练数据对应的检测结果;
基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型进行训练。
一种可选实施方式中,采用下述方式确定各采样时间点分别对应的权重:
根据所述采样时间点的顺序,将与各个所述采样时间点分别对应的样本骑行数据拼接为行为特征矩阵;
使用卷积核对所述行为特征矩阵进行卷积运算,得到与所述行为特征矩阵对应的中间特征向量;所述中间特征向量的维度与所述采样时间点的数量相同,且所述中间特征向量的各个元素与所述采样时间点一一对应;
将所述中间特征向量中的各个元素进行归一化,得到与每个所述采样时间点分别对应的权重。
一种可选实施方式中,所述基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型进行训练,包括:
基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型以及所述卷积核进行训练。
第四方面,本申请实施例提供单车安全检测的装置,应用于车辆端,包括:
获取模块,用于获取目标车辆在第一预设时间段内的骑行数据;
确定模块,用于根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为;
第一处理模块,用于若发生危险骑行行为,则执行与所述危险骑行行为对应的第一目标操作,并将所述骑行数据上报给服务器。
第五方面,本申请实施例提供一种单车安全检测的装置,应用于服务器,包括:
接收模块,用于接收车辆端上报的骑行数据;
确认模块,用于根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为;
第二处理模块,用于若确认发生危险骑行行为,则执行与所述危险骑行行为对应的第二目标操作。
第六方面,本申请实施例提供一种电子设备,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,以执行如第二方面任一所述的单车安全检测的方法的步骤。
第七方面,本申请实施例提供一种计算机可读存储介质,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第二方面任一所述的单车安全检测的方法的步骤。
第八方面,本申请实施例提供一种电子设备,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,以执行如第三方面任一所述的单车安全检测的方法的步骤。
第九方面,本申请实施例提供一种计算机可读存储介质,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第三方面任一所述的单车安全检测的方法的步骤。
本申请实施例能够首先由车辆端根据单车的骑行数据以及车辆端使用的第一危险行为识别模型,初步判断是否发生危险骑行行为,当初步确定发生危险骑行行为后,将骑行数据发送至服务器,再由服务器基于骑行数据以及服务器使用的第二危险行为识别模型,对危险骑行行为进行进一步的识别判断,这样车辆端可以将正常的骑行数据筛选掉,只将发生危险骑行行为的骑行数据向服务器发送,服务器再次进行危险行为识别的效率较高,减轻服务器的工作压力;当车辆端和服务器各自确定发生危险骑行行为时,还可以及时执行相应的操作,降低单车出行的安全隐患。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请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申请内容的指引下,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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“单车”可以是共享单车、共享电单车、私家单车、私家电单车、独轮车、体感平衡车等,“车辆端”可以是安装在单车上的处理系统。
随着选择单车出行的人数量越来越多,以及道路交通路网及路况的复杂化,单车出行存在着巨大的安全隐患;同时,用户在选择单车出行时,还可能会出现由于自身或者外界原因导致的危险的骑行行为。例如,用户在骑行时,可能会速度过快、左右摇晃、逆行等,都属于危险的骑行行为。目前对于这些危险骑行行为无法进行自动检测,进而也无法进行有效应对,无法保证用户骑行的规范性和安全性。
基于此,本申请实施例提供一种单车安全检测的系统、方法及装置,能够降低单车出行的安全隐患。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种单车安全检测的系统进行详细介绍。如图1所示,本申请实施例提供的单车安全检测的系统100,包括:车辆端110以及服务器120;其中:
车辆端110,用于获取目标车辆在第一预设时间段内的骑行数据;根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为;若发生危险骑行行为,则执行与所述危险骑行行为对应的第一目标操作,并将所述骑行数据上报给服务器;
所述服务器120,用于接收所述骑行数据,并根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为,若确认发生危险骑行行为,则执行与所述危险骑行行为对应的第二目标操作。
一:针对车辆端:
车辆端具体用于根据以下a~c三种方式中任意一种获取目标车辆在第一预设时间段内的骑行数据:
a:获取安装在目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据;将第一骑行数据作为骑行数据。
b:获取客户端采集的第一预设时间段内的第二骑行数据;将第二骑行数据作为骑行数据。
c:获取安装在目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据,以及获取客户端采集的第一预设时间段内的第二骑行数据;将第一骑行数据、以及第二骑行数据作为骑行数据。
在上述a~c中,第一骑行数据为安装在目标车辆上的传感器采集得到的数据,例如通过距离传感器所获取的与外界物体之间的距离、通过速度传感器获得单车的速度、通过加速度传感器获得单车的加速度等。安装在单车上的传感器能够将采集得到的数据传输给车辆端。
第二骑行数据为用户端采集得到的数据,例如单车的位置等数据、单车的加速度等,然后将得到的第二骑行数据传输给车辆端,由车辆端接收后,基于骑行数据(第一骑行数据和/或第二骑行数据)确定莫表车辆是否发生危险骑行行为。
一般地,由于目标车辆在某个时间点发生的危险骑行行为并非是在该时间点突然出现的,而是由一定的时间段内连续的骑行状态导致的,因此在判断目标车辆是否发生危险骑行行为时,需要通过一段时间内的骑行数据来综合判断,例如,高速下倒地,需要在检测到高速后再检测是否发生倒地,且由于需要实时对目标车辆进行安全检测,因此,车辆端每隔预设时长获取一次目标车辆在第一预设时间段内的骑行数据。例如,将第一预设时间段设置为5秒,车辆端在检测某个时间点是否发生危险骑行行为时,可以获取该时间点前5秒内的骑行数据。另外,还可以周期性的对目标车辆是否发生危险骑行行为进行检测,例如将该检测周期确定为1秒,每隔1秒获取一次目标车辆前5秒内的骑行数据。这样在每次进行检测时,获得的骑行数据都是重叠且连续的,不仅能保证检测的实时性,也能保证检测的准确性。
示例性的,骑行数据可以包括以下至少一种:
目标车辆的速度、加速度、姿态、朝向、振动、目标车辆当前所处的位置、目标车辆当前所处的位置的交通状态、目标车辆与周围物体的距离;
加速度包括以下至少一个方向的加速度:目标车辆的左右方向、前后方向以及上下方向;
姿态包括以下至少一种:直立、倾斜、倒地。
为了通过目标车辆上安装的传感器采集得到骑行数据,示例性的,可以通过目标车辆上安装的速度传感器获取目标车辆的速度,也可以通过电单车的手柄处的调速器获得目标车辆的速度;可以通过目标车辆上安装的加速度传感器(G-sensor)获取以上三个方向的加速度;可以通过目标车辆上安装的陀螺仪获取目标车辆的姿态是处于直立、倾斜、倒地中的哪种姿态;可以通过目标车辆上安装的磁力计获取目标车辆的朝向是处于东南西北的哪个方向;可以通过目标车辆上安装的全球定位系统(Global Positioning System,GPS)获取目标车辆的当前所处的位置;可以通过目标车辆上安装的振动传感器获取目标车辆的振动;可以通过目标车辆上安装的通信模块接收道路上部署的处理设备发送的目标车辆当前所处的位置的交通状态,例如交通是否拥堵、所处路段的交通信号灯的状态等;可以通过目标车辆上安装的距离传感器获取目标车辆与周围物体的距离,例如与周围车辆、行人、道路设施之间的距离。
在通过客户端获取骑行数据时,客户端可以为用户使用的手机客户端,手机客户端上可以安装有与车辆端相关的应用程序,客户端与车辆端之间可以进行通信。具体实现的时候,可以将客户端固定在目标车辆上,也可以不固定。可以通过客户端中安装的速度传感器获取目标车辆的速度;可以通过客户端中安装的加速度传感器获取以上三个方向的加速度;可以通过客户端中安装的陀螺仪获取目标车辆的姿态是处于直立、倾斜、倒地中的哪种姿态;可以通过客户端中安装的磁力计获取目标车辆的朝向是处于东南西北的哪个方向;可以通过客户端中安装的GPS获取目标车辆的当前所处的位置;可以通过客户端接收道路上部署的处理设备发送的目标车辆当前所处的位置的交通状态,例如交通是否拥堵、所处路段的交通信号灯的状态等;可以通过客户端中安装的距离传感器获取目标车辆与周围物体的距离,例如与周围车辆、行人、道路设施之间的距离。
另外,车辆端获取的骑行数据中可能存在与真实值误差较大的数据,这些误差较大的数据可能会对后续的识别结果产生较大的影响,因此,车辆端可以首先将误差较大的数据过滤掉,使得后续的处理结果不受这些误差较大的数据影响,从而保证较高的识别精度。
具体地,为了将误差较大的数据过滤掉,可以针对每一种骑行数据设置一个合理的预设取值范围,例如,对于骑行速度的预设取值范围可以设为10km/h~18km/h,具体设置的时候,可以根据实际情况设置。当获取到各种骑行数据后,针对每种骑行数据,检测该种骑行数据是否在与该种骑行数据对应的预设取值范围内;如果否,则对不在预设取值范围内的骑行数据进行过滤处理。
另外,为了将误差较大的数据过滤掉,还可以将不同的采样时间点得到的数据进行比对;若发现某个采样时间点所得到的数据与其他采样时间点得到的采样数据差异过大,例如5个采样时间点中,其中有4个采样时间点所得到的骑行速度均为8km/h,有一个采样时间点所得到的骑行速度为30km/h,该采样时间点的骑行速度明显为异常数据,因此可以将该采样时间点对应的骑行速度过滤掉。
本申请实施例还提供一种车辆端,根据骑行数据,以及车辆端使用的第一危险行为识别模型,确定目标车辆在第一预设时间段内是否发生危险骑行行为的具体方式,包括:
将骑行数据输入至第一危险行为识别模型中,得到目标车辆在第一预设时间段内发生危险骑行行为的第一概率;
若第一概率大于第一预设概率阈值,则确定目标车辆发生危险骑行行为;
若第一概率不大于第一预设概率阈值,则确定目标车辆未发生危险骑行行为。
此处,第一危险行为识别模型可以是二分类的模型,即输出结果只有两种,一是目标车辆发生危险骑行行为,一是目标车辆未发生危险骑行行为。车辆端使用这种二分类的模型在进行数据识别时,计算过程快,不会耗费较大的资源,车辆端可以较快的判断出目标车辆是否发生危险骑行行为。当车辆端确定目标车辆发生危险骑行行为时,则执行与危险骑行行为对应的第一目标操作。第一危险行为识别模型的具体获取过程可以参见下文所述,在此不再赘述。
与危险骑行行为对应的第一目标操作,可以包括通过客户端对骑行用户进行提示;和/或,通过车辆端对骑行用户进行提示。为了通过车辆端对骑行用户进行提示,在车辆端上可以安装有语音警报装置,当确定发生危险骑行行为时,通过车辆端上安装的语音警报装置对骑行用户进行提示;为了通过客户端对骑行用户进行提示,车辆端可以向客户端发送信号,使得客户端对骑行用户进行提示。
示例性的,提示的内容可以为:“您当前的骑行行为属于危险骑行行为,请及时调整,注意安全”。
另外,当车辆端确定目标车辆发生危险骑行行为后的第一操作行为还可以包括:对目标车辆执行相应的处理;例如基于骑行数据进行简单的数据判断,例如判断发生的危险骑行行为是否包括超速;若包括超速,则控制目标车辆进行减速。例如,目标车辆的速度如果高于15km/h,则确认为超速,车辆端可以向目标车辆的刹车装置发送信号,使得刹车装置对目标车辆进行适当减速等。
当车辆端通过上述方式初步确定目标车辆发生危险骑行行为时,车辆端将骑行数据上报给服务器,以使服务器根据骑行数据进行进一步的识别判断。
二:针对服务器:
服务器在接收到车辆端上报的骑行数据后,能够根据骑行数据进行进一步的识别判断,可以更加精确的得出危险骑行行为具体为哪种危险骑行行为,例如,危险骑行行为可以包括以下一种或多种:加速度值大于第一阈值、减速度的绝对值大于第二阈值、转弯的角速度值超过第三阈值、速度值大于第四阈值、与周围物体距离小于第五阈值、骑行时长大于第六阈值、左右加速度交替变化、骑行轨迹不属于预设安全轨迹、逆行、闯红灯、骑行位置不属于预设安全范围、碰撞、低速下倒地、高速下倒地、倒地时长大于第七阈值。
具体实现的时候,服务器,用于采用下述方式根据骑行数据,以及服务器使用的第二危险行为识别模型,确认目标车辆是否发生危险骑行行为:
将骑行数据输入至第二危险行为识别模型中,得到目标车辆在第一预设时间段内发生与各种危险骑行行为分别对应的第二概率;
若任一种危险骑行行为对应的第二概率大于第二预设概率阈值,则确定发生与该第二概率对应的任一种危险骑行行为;
若任一种危险骑行行为对应的第二概率不大于第二预设概率阈值,则确定未发生与该第二概率对应的任一种危险骑行行为。
示例性的,第二危险行为识别模型输出的结果为与每种危险骑行行为对应的概率,例如其中发生逆行的概率为0.7、发生闯红灯的概率为0.8,若第二预设概率阈值为0.5,则目标车辆发生的危险骑行行为包括逆行和闯红灯。
在一些实施例中,若服务器确定发生与该第二概率对应的任一种危险骑行行为,服务器,用于采用下述方式执行与任一种危险骑行行为对应的第二目标操作:
根据发生的任一种危险骑行行为,通过客户端对骑行用户进行与任一种危险骑行行为对应的提示;
和/或,通过车辆端对骑行用户进行与任一种危险骑行行为对应的提示。
在提示的时候,可以针对危险骑行行为的种类区别提示,还可以根据发生的危险骑行行为的种类划分成若干个严重等级,基于不同的严重等级,进行相应的提示。例如,当发生的危险骑行行为包括逆行和闯红灯时,对应的提示可以为:“您当前的骑行方向为逆行,并且发生闯红灯,为严重危险骑行行为,请及时调整骑行车道,并遵守交通规则,防止发生交通事故”。
针对确定的危险骑行行为包括高速下倒地和倒地时长大于第七阈值的情况,第二目标操作包括:
启动求救机制,将目标车辆当前所处的位置发送至目标求救对象;
目标求救对象包括警方、急救中心、紧急联系人中的至少一种。
当骑行用户在骑行速度过大的情况下发生倒地、且倒地时长超过一定时长时,可能造成严重受伤,通过上述求救机制,可以及时帮助骑行用户进行求救。
示例性的,本申请实施例还提供一种服务器确定第二危险行为识别模型的具体方式,包括:
确定进行目标车辆危险骑行行为识别所基于的第二基础识别模型;
将骑行数据作为基础识别模型的自变量,将目标车辆发生与各种危险骑行行为分别对应的概率作为基础识别模型的因变量,构建第二基础识别模型;
使用训练数据对第二基础识别模型进行训练,得到第二危险行为识别模型。
其中,第二基础识别模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。
示例性的,利用第二危险行为识别模型判断发生哪种危险骑行行为的原理可以为:可以根据目标车辆的前后方向的加速度判断加速度值是否大于第一阈值、减速度的绝对值是否大于第二阈值;根据目标车辆的左右方向的加速度判断转弯的角速度值是否超过第三阈值,当转弯的角速度值超过第三阈值时,即急转弯时,目标车辆左右方向的加速度可能会突然增加;根据目标车辆的速度判断速度值是否大于第四阈值,即是否发生超速;根据目标车辆与周围物体的距离判断与周围物体距离小于第五阈值;根据目标车辆的一段时间内的速度判断骑行时长是否大于第六阈值,即骑行时间是否过长;根据目标车辆的左右方向的加速度判断左右加速度是否交替变化,当目标车辆左右两个方向的加速度交替变化时,可能说明车身在左右摇摆;根据目标车辆的一段时间内的所处的位置形成的骑行轨迹判断骑行轨迹是否属于预设安全轨迹,例如当骑行轨迹基本呈L型或直线时属于预设安全轨迹;根据目标车辆的当前所处的位置得到目标车辆所处的车道,进而结合朝向判断是否逆行;根据目标车辆当前所处的位置判断是否处于路口,进而结合当前所在路口的交通信号灯状态判断是否闯红灯;根据目标车辆当前所处的位置判断骑行位置是否不属于预设安全范围;根据目标车辆的加速度、速度、姿态、振动判断是否发生碰撞;根据目标车辆的速度和姿态判断是否发生低速下倒地、高速下倒地;根据目标车辆的一段时间内的姿态判断倒地时长是否大于第七阈值。
由于车辆端在初步确定发生危险骑行行为时,才向服务器发送骑行数据,由服务器进一步判断是否发生危险骑行行为,当服务器确定未发生危险骑行行为时,则确定车辆端的第一危险行为识别模型的输出结果不准确,需要对第一危险行为识别模型进行更新。
具体实现的时候,服务器基于接收到的骑行数据对第一危险行为识别模型进行更新,即将接收到的骑行数据作为新的训练数据对第一危险行为识别模型进行重新训练,并将更新后的第一危险行为识别模型发送给车辆端;车辆端接收到服务器发送的更新后的第一危险行为识别模型后,并对原来的第一危险行为识别模型进行更新。
通过上述方式可以保证车辆端的第一危险行为识别模型在进行识别时输出的识别结果具有较高的准确率,从而可以将正常的骑行数据准确的过滤掉,减轻服务器的工作压力。
本申请实施例还提供一种服务器确定第一危险行为识别模型的具体方式,包括:
确定进行目标车辆危险骑行行为识别所基于的第一基础识别模型;
将骑行数据作为基础识别模型的自变量,将目标车辆发生危险骑行行为对应的概率作为第一基础识别模型的因变量,构建基础识别模型;
使用训练数据对第一基础识别模型进行训练,得到第一危险行为识别模型。
具体地,训练数据有多组;每组训练数据包括:样本车辆在预设历史时间段内多个采样时间点分别对应的样本骑行数据,以及样本车辆在预设历史时间段后是否发生危险骑行行为的实际结果;第一基础识别模型可以包括:神经网络模型;
服务器可以采用下述方式使用训练数据对第一基础识别模型进行训练:
针对每组训练数据,将该组训练数据对应的在预设历史时间段内多个采样时间点的样本骑行数据进行加权求和,生成用于表征样本车辆在预设历史时间段内骑行行为的行为特征向量;
将行为特征向量输入至神经网络模型中,获取与该组训练数据对应的检测结果;
基于各组训练数据对应的检测结果以及实际结果,对神经网络模型进行训练。
其中,每个采样时间点的样本骑行数据有至少一种,例如,速度、加速度、振动等。加权求和的方式可以为针对每一种样本骑行数据在不同的采样时间点的数值做加权求和,得到的加权值可以用于表征该种样本骑行数据在该预设历史时间段内的值。
其中,检测结果和实际结果均可以为两种,一是发生危险骑行行为,二是未发生危险骑行行为。
示例性的,对多个采样时间点的样本骑行数据进行加权求和时,权重的设置方式可以为,采样时间点越靠后的样本骑行数据的权重越大。这样可以保证采集时间点靠后的样本骑行数据对模型的训练结果的影响较大。例如,危险骑行行为可能仅仅在最后采集时间点发生,前面的其他采集时间点未发生,比如加速度值在最后的采样时间点突然增大,这时,如果将采样时间点越靠后的样本骑行数据的权重设置的比较大,后续的识别结果可能会具有更高的精度。
示例性的,服务器可以采用下述方式确定各采样时间点分别对应的权重:
根据采样时间点的顺序,将与各个采样时间点分别对应的样本骑行数据拼接为行为特征矩阵;
使用卷积核对行为特征矩阵进行卷积运算,得到与行为特征矩阵对应的中间特征向量;中间特征向量的维度与采样时间点的数量相同,且中间特征向量的各个元素与采样时间点一一对应;
将中间特征向量中的各个元素进行归一化,得到与每个采样时间点分别对应的权重。
其中,由于每个采样时间点的样本骑行数据有至少一种,例如,速度、加速度、振动,假如采样时间点为3个,则将与各个采样时间点分别对应的样本骑行数据进行拼接的行为特征矩阵,可以为(速度1、加速度1、振动1;速度2、加速度2、振动2;速度3、加速度3、振动3)。使用卷积核对行为特征矩阵进行卷积运算,即对速度1、加速度1、振动1进行卷积运算,得到采用时间点1对应的特征值1;对速度2、加速度2、振动2进行卷积运算,得到采用时间点2对应的特征值2,对速度3、加速度3、振动3进行卷积运算,得到采用时间点3对应的特征值3,则得到的与行为特征矩阵对应的中间特征向量为(特征值1,特征值2,特征值3)。
其中,卷积运算能够将多个数据的特征用一个特征值进行表示,进而可以通过中间特征向量得到与每个采样时间点分别对应的权重。这种方式得到的权重既可以消除数据突变对模型造成的影响,又可以在一定程度上建立不同采用时间点的得到的样本骑行数据之间的联系。
另外,通过卷积运算的方式得到各个采样时间的权重时,模型中使用的卷积核中的参数也可能需要进行训练,因此在基于各组训练数据对应的检测结果以及实际结果,对神经网络模型进行训练时,可以基于各组训练数据对应的检测结果以及实际结果,对神经网络模型以及卷积核进行训练。这样可以使得神经网络模型以及卷积核的参数都能够得到更新,保证模型识别的精度。
服务器在使用训练数据对第二基础识别模型进行训练时,可以参考上述使用训练数据对第一基础识别模型进行训练的方式,但需要注意的是,第二基础识别模型得到的检测结果包括发生的危险骑行行为的具体种类以及对应的概率,例如加速度值大于第一阈值、减速度的绝对值大于第二阈值、转弯的角速度值超过第三阈值、速度值大于第四阈值、与周围物体距离小于第五阈值、骑行时长大于第六阈值、左右加速度交替变化、骑行轨迹不属于预设安全轨迹、逆行、闯红灯、骑行位置不属于预设安全范围、碰撞、低速下倒地、高速下倒地、倒地时长大于第七阈值等。同样的,实际结果也包括上述危险骑行行为的具体种类以及对应的概率。
本申请实施例提供的单车安全检测的系统,能够首先由车辆端根据单车的骑行数据以及车辆端使用的第一危险行为识别模型,初步判断是否发生危险骑行行为,当初步确定发生危险骑行行为后,将骑行数据发送至服务器,再由服务器基于骑行数据以及服务器使用的第二危险行为识别模型,对危险骑行行为进行进一步的识别判断,这样车辆端可以将正常的骑行数据筛选掉,只将发生危险骑行行为的骑行数据向服务器发送,服务器再次进行危险行为识别的效率较高,减轻服务器的工作压力;当车辆端和服务器各自确定发生危险骑行行为时,还可以及时执行相应的操作,降低单车出行的安全隐患。
对应于上述系统,参见图2所示,本申请实施例提供了一种单车安全检测的方法,执行该单车安全检测的方法的主体可以为车辆端,或车辆端控制的装置,该方法包括:
S201:获取目标车辆在第一预设时间段内的骑行数据;
S202:根据骑行数据,以及车辆端使用的第一危险行为识别模型,确定目标车辆在第一预设时间段内是否发生危险骑行行为;
S203:若发生危险骑行行为,则执行与危险骑行行为对应的第一目标操作,并将骑行数据上报给服务器。
在一些实施例中,获取目标车辆在第一预设时间段内的骑行数据,包括:
获取安装在目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据;将第一骑行数据作为骑行数据;
或者,
获取客户端采集的第一预设时间段内的第二骑行数据;将第二骑行数据作为骑行数据;
或者,
获取安装在目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据,以及获取客户端采集的第一预设时间段内的第二骑行数据;将第一骑行数据、以及第二骑行数据作为骑行数据。
在一些实施例中,方法还包括:
检测骑行数据是否在预设取值范围内;
如果否,则对不在预设取值范围内的骑行数据进行过滤处理。
在一些实施例中,根据骑行数据,以及车辆端使用的第一危险行为识别模型,确定目标车辆在第一预设时间段内是否发生危险骑行行为,包括:
将骑行数据输入至第一危险行为识别模型中,得到目标车辆在第一预设时间段内发生危险骑行行为的第一概率;
若第一概率大于第一预设概率阈值,则确定目标车辆发生危险骑行行为;
若第一概率不大于第一预设概率阈值,则确定目标车辆未发生危险骑行行为。
在一些实施例中,第一目标操作,包括:
通过客户端对骑行用户进行提示;和/或,通过车辆端对骑行用户进行提示。
在一些实施例中,第一目标操作,包括:
判断发生的危险骑行行为是否包括超速;
若包括超速,则控制目标车辆进行减速。
在一些实施例中,骑行数据包括以下至少一种:
目标车辆的速度、加速度、姿态、朝向、振动、目标车辆当前所处的位置、目标车辆当前所处的位置的交通状态、目标车辆与周围物体的距离;
加速度包括以下至少一个方向的加速度:目标车辆的左右方向、前后方向以及上下方向;
姿态包括以下至少一种:直立、倾斜、倒地。
在一些实施例中,方法还包括:
接收服务器发送的更新后的第一危险行为识别模型,并对原来的第一危险行为识别模型进行更新。
本申请实施例提供的一种单车安全检测的方法,车辆端根据单车的骑行数据以及车辆端使用的第一危险行为识别模型,初步判断是否发生危险骑行行为,当初步确定发生危险骑行行为后,将骑行数据发送至服务器,这样车辆端可以将正常的骑行数据筛选掉,只将发生危险骑行行为的骑行数据向服务器发送,减轻服务器的工作压力;当车辆端确定发生危险骑行行为,还可以及时执行相应的第一目标操作,降低单车出行的安全隐患。
对应上述系统,参见图3所示,本申请实施例提供了另一种单车安全检测的方法,执行该单车安全检测的方法的主体可以为服务器,或服务器控制的装置,该方法包括:
S301:接收车辆端上报的骑行数据;
S302:根据骑行数据,以及服务器使用的第二危险行为识别模型,确认目标车辆是否发生危险骑行行为;
S303:若确认发生危险骑行行为,则执行与危险骑行行为对应的第二目标操作。
在一些实施例中,危险骑行行为,包括以下一种或多种:
加速度值大于第一阈值、减速度的绝对值大于第二阈值、转弯的角速度值超过第三阈值、速度值大于第四阈值、与周围物体距离小于第五阈值、骑行时长大于第六阈值、左右加速度交替变化、骑行轨迹不属于预设安全轨迹、逆行、闯红灯、骑行位置不属于预设安全范围、碰撞、低速下倒地、高速下倒地、倒地时长大于第七阈值。
在一些实施例中,根据骑行数据,以及服务器使用的第二危险行为识别模型,确认目标车辆是否发生危险骑行行为,包括:
将骑行数据输入至第二危险行为识别模型中,得到目标车辆在第一预设时间段内发生与各种危险骑行行为分别对应的第二概率;
若任一种危险骑行行为对应的第二概率大于第二预设概率阈值,则确定发生与该第二概率对应的任一种危险骑行行为;
若任一种危险骑行行为对应的第二概率不大于第二预设概率阈值,则确定未发生与该第二概率对应的任一种危险骑行行为。
在一些实施例中,若确定发生与该第二概率对应的任一种危险骑行行为,执行与任一种危险骑行行为对应的第二目标操作,包括:
根据发生的任一种危险骑行行为,通过客户端对骑行用户进行与任一种危险骑行行为对应的提示;
和/或,通过车辆端对骑行用户进行与任一种危险骑行行为对应的提示。
在一些实施例中,任一种危险骑行行为包括:高速下倒地和倒地时长大于第七阈值时,第二目标操作包括:
启动求救机制,将目标车辆当前所处的位置发送至目标求救对象;
目标求救对象包括警方、急救中心、紧急联系人中的至少一种。
在一些实施例中,采用下述方式确定第二危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第二基础识别模型;
将骑行数据作为基础识别模型的自变量,将目标车辆发生与各种危险骑行行为分别对应的概率作为基础识别模型的因变量,构建第二基础识别模型;
使用训练数据对第二基础识别模型进行训练,得到第二危险行为识别模型。
在一些实施例中,第二基础识别模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。
在一些实施例中,方法还包括:
若确定未发生危险骑行行为,则基于骑行数据对第一危险行为识别模型进行更新,并将更新后的第一危险行为识别模型发送给车辆端。
在一些实施例中,采用下述方式确定第一危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第一基础识别模型;
将骑行数据作为基础识别模型的自变量,将目标车辆发生危险骑行行为对应的概率作为第一基础识别模型的因变量,构建基础识别模型;
使用训练数据对第一基础识别模型进行训练,得到第一危险行为识别模型。
在一些实施例中,训练数据有多组;每组训练数据包括:样本车辆在预设历史时间段内多个采样时间点分别对应的样本骑行数据,以及样本车辆在预设历史时间段后是否发生危险骑行行为的实际结果;第一基础识别模型包括:神经网络模型;
使用训练数据对第一基础识别模型进行训练,包括:
针对每组训练数据,将该组训练数据对应的在预设历史时间段内多个采样时间点的样本骑行数据进行加权求和,生成用于表征样本车辆在预设历史时间段内骑行行为的行为特征向量;
将行为特征向量输入至神经网络模型中,获取与该组训练数据对应的检测结果;
基于各组训练数据对应的检测结果以及实际结果,对神经网络模型进行训练。
一种可选实施方式中,采用下述方式确定各采样时间点分别对应的权重:
根据采样时间点的顺序,将与各个采样时间点分别对应的样本骑行数据拼接为行为特征矩阵;
使用卷积核对行为特征矩阵进行卷积运算,得到与行为特征矩阵对应的中间特征向量;中间特征向量的维度与采样时间点的数量相同,且中间特征向量的各个元素与采样时间点一一对应;
将中间特征向量中的各个元素进行归一化,得到与每个采样时间点分别对应的权重。
一种可选实施方式中,基于各组训练数据对应的检测结果以及实际结果,对神经网络模型进行训练,包括:
基于各组训练数据对应的检测结果以及实际结果,对神经网络模型以及卷积核进行训练。
本申请实施例提供的另一种单车安全检测的方法,服务器在接收到车辆端发送的骑行数据后,只需基于车辆端检测出危险骑行行为的骑行数据以及服务器使用的第二危险行为识别模型,对危险骑行行为进行进一步的识别判断,减轻了服务器的工作压力;当服务器确定发生危险骑行行为时,还可以及时执行与危险骑行行为对应的第二目标操作,降低单车出行的安全隐患。
图4是示出本申请实施例提供的单车安全检测的装置400的框图,该单车安全检测的装置400实现的功能对应上述图2所示的单车安全检测的方法执行的步骤。该装置可以理解为上述车辆端或车辆端的处理器,也可以理解为独立于上述车辆端或处理器之外的在车辆端控制下实现本申请功能的组件,如图4所示,单车安全检测的装置包括:
获取模块41,用于获取目标车辆在第一预设时间段内的骑行数据;
确定模块42,用于根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为;
第一处理模块43,用于若发生危险骑行行为,则执行与所述危险骑行行为对应的第一目标操作,并将所述骑行数据上报给服务器。
一种可选实施方式中,所述获取模块41,在获取目标车辆在第一预设时间段内的骑行数据时,具体用于:
获取安装在所述目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据;将所述第一骑行数据作为所述骑行数据;
或者,
获取客户端采集的第一预设时间段内的第二骑行数据;将所述第二骑行数据作为所述骑行数据;
或者,
获取安装在所述目标车辆上的至少一种传感器采集的第一预设时间段内的第一骑行数据,以及获取客户端采集的第一预设时间段内的第二骑行数据;将所述第一骑行数据、以及所述第二骑行数据作为所述骑行数据。
一种可选实施方式中,所述装置还包括:
过滤模块44,用于检测所述骑行数据是否在预设取值范围内;如果否,则对不在所述预设取值范围内的所述骑行数据进行过滤处理。
一种可选实施方式中,所述确定模块42,在根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为时,具体用于:
将所述骑行数据输入至所述第一危险行为识别模型中,得到所述目标车辆在所述第一预设时间段内发生危险骑行行为的第一概率;
若所述第一概率大于第一预设概率阈值,则确定所述目标车辆发生危险骑行行为;
若所述第一概率不大于所述第一预设概率阈值,则确定所述目标车辆未发生危险骑行行为。
一种可选实施方式中,所述第一目标操作,包括:
通过客户端对骑行用户进行提示;和/或,通过所述车辆端对骑行用户进行提示。
一种可选实施方式中,所述第一目标操作,包括:
判断发生的危险骑行行为是否包括超速;
若包括超速,则控制所述目标车辆进行减速。
一种可选实施方式中,所述骑行数据包括以下至少一种:
所述目标车辆的速度、加速度、姿态、朝向、振动、所述目标车辆当前所处的位置、所述目标车辆当前所处的位置的交通状态、所述目标车辆与周围物体的距离;
所述加速度包括以下至少一个方向的加速度:所述目标车辆的左右方向、前后方向以及上下方向;
所述姿态包括以下至少一种:直立、倾斜、倒地。
一种可选实施方式中,所述装置还包括:
第一更新模块45,用于接收所述服务器发送的更新后的第一危险行为识别模型,并对原来的第一危险行为识别模型进行更新。
本申请实施例提供的一种单车安全检测的装置,车辆端根据单车的骑行数据以及车辆端使用的第一危险行为识别模型,初步判断是否发生危险骑行行为,当初步确定发生危险骑行行为后,将骑行数据发送至服务器,这样车辆端可以将正常的骑行数据筛选掉,只将发生危险骑行行为的骑行数据向服务器发送,减轻服务器的工作压力;当车辆端确定发生危险骑行行为,还可以及时执行相应的第一目标操作,降低单车出行的安全隐患。
图5是示出本申请实施例提供的另一种单车安全检测的装置500的框图,该单车安全检测的装置500实现的功能对应上述图3所示的另一种单车安全检测的方法执行的步骤。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服务器之外的在服务器控制下实现本申请功能的组件,如图所示,单车安全检测的装置包括:
接收模块51,用于接收车辆端上报的骑行数据;
确认模块52,用于根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为;
第二处理模块53,用于若确认发生危险骑行行为,则执行与所述危险骑行行为对应的第二目标操作。
一种可选实施方式中,所述危险骑行行为,包括以下一种或多种:
加速度值大于第一阈值、减速度的绝对值大于第二阈值、转弯的角速度值超过第三阈值、速度值大于第四阈值、与周围物体距离小于第五阈值、骑行时长大于第六阈值、左右加速度交替变化、骑行轨迹不属于预设安全轨迹、逆行、闯红灯、骑行位置不属于预设安全范围、碰撞、低速下倒地、高速下倒地、倒地时长大于第七阈值。
一种可选实施方式中,所述确认模块52,在根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为时,具体用于:
将所述骑行数据输入至所述第二危险行为识别模型中,得到所述目标车辆在所述第一预设时间段内发生与各种所述危险骑行行为分别对应的第二概率;
若任一种危险骑行行为对应的第二概率大于第二预设概率阈值,则确定发生与该第二概率对应的所述任一种危险骑行行为;
若任一种危险骑行行为对应的第二概率不大于所述第二预设概率阈值,则确定未发生与该第二概率对应的所述任一种危险骑行行为。
一种可选实施方式中,若确定发生与该第二概率对应的所述任一种危险骑行行为,所述第二处理模块53,在执行与所述任一种危险骑行行为对应的第二目标操作时,具体用于:
根据发生的所述任一种危险骑行行为,通过所述客户端对骑行用户进行与所述任一种危险骑行行为对应的提示;
和/或,通过所述车辆端对骑行用户进行与所述任一种危险骑行行为对应的提示。
一种可选实施方式中,所述任一种危险骑行行为包括:高速下倒地和倒地时长大于第七阈值时,所述第二目标操作包括:
启动求救机制,将所述目标车辆当前所处的位置发送至目标求救对象;
所述目标求救对象包括警方、急救中心、紧急联系人中的至少一种。
一种可选实施方式中,所述装置还包括:
训练模块54,用于采用下述方式确定所述第二危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第二基础识别模型;
将所述骑行数据作为所述基础识别模型的自变量,将目标车辆发生与各种所述危险骑行行为分别对应的概率作为所述基础识别模型的因变量,构建所述第二基础识别模型;
使用训练数据对所述第二基础识别模型进行训练,得到所述第二危险行为识别模型。
一种可选实施方式中,所述第二基础识别模型采用逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型、决策树模型、梯度下降树模型、梯度提升树模型中任意一种。
一种可选实施方式中,所装置还包括:
第二更新模块55,用于若确定未发生危险骑行行为,则基于所述骑行数据对所述第一危险行为识别模型进行更新,并将更新后的所述第一危险行为识别模型发送给所述车辆端。
一种可选实施方式中,所述第二更新模块55,具体采用下述方式确定第一危险行为识别模型:
确定进行目标车辆危险骑行行为识别所基于的第一基础识别模型;
将所述骑行数据作为所述基础识别模型的自变量,将目标车辆发生危险骑行行为对应的概率作为所述第一基础识别模型的因变量,构建所述基础识别模型;
使用训练数据对所述第一基础识别模型进行训练,得到所述第一危险行为识别模型。
一种可选实施方式中,所述训练数据有多组;每组所述训练数据包括:样本车辆在预设历史时间段内多个采样时间点分别对应的样本骑行数据,以及样本车辆在所述预设历史时间段后是否发生危险骑行行为的实际结果;所述第一基础识别模型包括:神经网络模型;
所述第二更新模块55,在使用训练数据对所述第一基础识别模型进行训练时,具体用于:
针对每组所述训练数据,将该组训练数据对应的在预设历史时间段内多个采样时间点的样本骑行数据进行加权求和,生成用于表征所述样本车辆在所述预设历史时间段内骑行行为的行为特征向量;
将所述行为特征向量输入至所述神经网络模型中,获取与该组训练数据对应的检测结果;
基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型进行训练。
一种可选实施方式中,所述第二更新模块55,具体用于采用下述方式确定各采样时间点分别对应的权重:
根据所述采样时间点的顺序,将与各个所述采样时间点分别对应的样本骑行数据拼接为行为特征矩阵;
使用卷积核对所述行为特征矩阵进行卷积运算,得到与所述行为特征矩阵对应的中间特征向量;所述中间特征向量的维度与所述采样时间点的数量相同,且所述中间特征向量的各个元素与所述采样时间点一一对应;
将所述中间特征向量中的各个元素进行归一化,得到与每个所述采样时间点分别对应的权重。
一种可选实施方式中,所述第二更新模块55,在基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型进行训练时,具体用于:
基于各组训练数据对应的检测结果以及实际结果,对所述神经网络模型以及所述卷积核进行训练。
本申请实施例提供的另一种单车安全检测的装置,服务器在接收到车辆端发送的骑行数据后,只需基于车辆端检测出危险骑行行为的骑行数据以及服务器使用的第二危险行为识别模型,对危险骑行行为进行进一步的识别判断,减轻了服务器的工作压力;当服务器确定发生危险骑行行为时,还可以及时执行与危险骑行行为对应的第二目标操作,降低单车出行的安全隐患。
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。
基于同一技术构思,本申请实施例还提供了一种电子设备。参照图6所示,本申请实施例提供的电子设备60,包括处理器61、存储器62、和总线63。
所述存储器62存储有所述处理器61可执行的机器可读指令(比如,图4中的获取模块41、确定模块42、第一处理模块43对应的执行指令等),当电子设备60运行时,所述处理器61与所述存储器62之间通过总线63通信,所述机器可读指令被所述处理器61执行时执行如下处理:
获取目标车辆在第一预设时间段内的骑行数据;
根据所述骑行数据,以及车辆端使用的第一危险行为识别模型,确定所述目标车辆在所述第一预设时间段内是否发生危险骑行行为;
若发生危险骑行行为,则执行与所述危险骑行行为对应的第一目标操作,并将所述骑行数据上报给服务器。
其中,处理器61具体执行的处理可以参照上述实施例的记载,这里不再赘述。
基于相同的技术构思,本申请实施例还提供了一种计算机可读存储介质,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单车安全检测的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述单车安全检测的方法,从而车辆端能够根据单车的骑行数据以及车辆端使用的第一危险行为识别模型,初步判断是否发生危险骑行行为,当初步确定发生危险骑行行为后,将骑行数据发送至服务器,这样车辆端可以将正常的骑行数据筛选掉,只将发生危险骑行行为的骑行数据向服务器发送,减轻服务器的工作压力;当车辆端确定发生危险骑行行为,还可以及时执行相应的第一目标操作,降低单车出行的安全隐患。
基于同一技术构思,本申请实施例还提供了另一种电子设备。参照图7所示,本申请实施例提供的电子设备70,包括处理器71、存储器72、和总线73。
所述存储器72存储有所述处理器71可执行的机器可读指令(比如,图5中的接收模块51、确认模块52以及第二处理模块53对应的执行指令等),当电子设备70运行时,所述处理器71与所述存储器72之间通过总线73通信,所述机器可读指令被所述处理器71执行时执行如下处理:
接收车辆端上报的骑行数据;
根据所述骑行数据,以及服务器使用的第二危险行为识别模型,确认所述目标车辆是否发生危险骑行行为;
若确认发生危险骑行行为,则执行与所述危险骑行行为对应的第二目标操作。
其中,处理器71具体执行的处理可以参照上述实施例的记载,这里不再赘述。
基于相同的技术构思,本申请实施例还提供了另一种计算机可读存储介质,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单车安全检测的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述单车安全检测的方法,从而服务器能够在接收到车辆端发送的骑行数据后,只需基于车辆端检测出危险骑行行为的骑行数据以及服务器使用的第二危险行为识别模型,对危险骑行行为进行进一步的识别判断,减轻了服务器的工作压力;当服务器确定发生危险骑行行为时,还可以及时执行与危险骑行行为对应的第二目标操作,降低单车出行的安全隐患。
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,本申请中不再赘述。在本申请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,在本申请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,本申请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)执行本申请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。
以上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。