CN111862386A - 一种车辆的事故记录方法、装置、介质及服务器 - Google Patents
一种车辆的事故记录方法、装置、介质及服务器 Download PDFInfo
- Publication number
- CN111862386A CN111862386A CN202010635607.2A CN202010635607A CN111862386A CN 111862386 A CN111862386 A CN 111862386A CN 202010635607 A CN202010635607 A CN 202010635607A CN 111862386 A CN111862386 A CN 111862386A
- Authority
- CN
- China
- Prior art keywords
- data
- accident
- vehicle
- driving state
- state data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明公开了一种车辆的事故记录方法、装置、介质及服务器。该方法包括:获取车辆的行驶状态数据;将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。通过采用上述技术方案,可以解决的技术问题是,由于缺乏共享车辆主动的行车记录,导致车辆发生事故后响应不及时,处理速度慢,无法保证用户安全的同时,由于责任认定较为困难,对共享车辆的运营费也造成了一定的损失。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种车辆的事故记录方法、装置、介质及服务器。
背景技术
随着互联网的发展,科技的逐渐发达,共享车辆已经成为人们生活中不可或缺的一种出行工具。共享车辆旨在为大众提供共享出行服务,具体可以包括共享单车,共享汽车以及共享电动助力车等等。以共享单车为例,由于其解决了广大用户的短距离出行问题,以及解决了出行拥堵的问题,因此共享单车的使用得到了广大用户的认可。
随着共享单车使用量的逐渐增大,在复杂的车市交通情况下,车辆的事故也在逐渐增多。而由于共享单车的实时骑行状态无法被获取,也就造成了共享单车的事故发现晚,处理不及时等问题。因此,如何能够在共享车辆的使用过程中对共享车辆的行驶安全进行监控,对车辆的事故进行记录,已经成为亟待解决的社会问题。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是,由于缺乏共享车辆主动的行车记录,导致车辆发生事故后响应不及时,处理速度慢,无法保证用户安全的同时,由于责任认定较为困难,对共享车辆的运营费也造成了一定的损失。
为实现上述目的,本发明提供了一种车辆的事故记录方法、装置、介质及服务器。
在本发明的较佳实施方式中,本申请实施例提供了一种车辆的事故记录方法,包括:
获取车辆的行驶状态数据;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;
若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
可选的,在所述记录发生事故的预设时段内的行驶状态数据的步骤之后,所述方法还包括:
若所述输出结果为存在事故,则确定事故中骑行人的受伤概率;
若判断所述受伤概率超过设定阈值,则广播所述事故的信息至救护中心。
可选的,所述行驶状态数据包括位置数据以及监控数据;
将所述行驶状态数据输入至异常状态判定模型的步骤,包括:
将所述监控数据输入至所述异常状态判定模型;其中,所述监控数据包括速度数据、加速度数据以及角度数据中的至少一种。
可选的,异常状态判定模型为深度学习模型;所述异常状态判定模型的训练过程包括:
收集行驶状态样本数据;
对所述行驶状态样本数据进行标签标注;
将带有标签的行驶状态样本数据输入初始网络模型进行训练;
若训练结果收敛,则生成异常状态判定模型。
可选的,获取车辆的行驶状态数据,包括:
根据车辆配置的速度传感器和加速度传感器,获取车辆的行驶状态数据;或者,
根据用户移动终端的速度传感器和加速度传感器,获取车辆的行驶状态数据。
可选的,在获取车辆的行驶状态数据之后,所述方法还包括:
通过配置在数据筛选服务器中的预设算法对所述行驶状态数据进行筛选,得到预筛选结果;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果的步骤,包括:
将所述行驶状态数据的预筛选结果输入至异常状态判定模型,获取所述异常状态判定模型的输出结果。
可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
将所述行驶状态数据发送至事故责任判定服务器,所述事故责任判定服务器储存所述行驶状态数据,以用于事故责任的判定。
在本发明的另一较佳实施方式中,本申请实施例提供了一种车辆的事故记录装置,该装置包括:
行驶状态数据获取模块,用于获取车辆的行驶状态数据;
异常判定模块,用于将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;
事故记录模块,用于若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
可选的,所述装置还用于:
在记录发生事故的预设时段内的行驶状态数据之后,所述装置还用于:
若所述输出结果为存在事故,则确定事故中骑行人的受伤概率;
若判断所述受伤概率超过设定阈值,则广播所述事故的信息至救护中心。
可选的,所述行驶状态数据包括位置数据以及监控数据;
将所述行驶状态数据输入至异常状态判定模型的步骤,包括:
将所述监控数据输入至所述异常状态判定模型;其中,所述监控数据包括速度数据、加速度数据以及角度数据中的至少一种。
可选的,异常状态判定模型为深度学习模型;所述异常状态判定模型的训练过程包括:
收集行驶状态样本数据;
对所述行驶状态样本数据进行标签标注;
将带有标签的行驶状态样本数据输入初始网络模型进行训练;
若训练结果收敛,则生成异常状态判定模型。
可选的,获取车辆的行驶状态数据,包括:
根据车辆配置的速度传感器和加速度传感器,获取车辆的行驶状态数据;或者,
根据用户移动终端的速度传感器和加速度传感器,获取车辆的行驶状态数据。
可选的,在获取车辆的行驶状态数据之后,所述装置还用于:
通过配置在数据筛选服务器中的预设算法对所述行驶状态数据进行筛选,得到预筛选结果;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果的步骤,包括:
将所述行驶状态数据的预筛选结果输入至异常状态判定模型,获取所述异常状态判定模型的输出结果。
可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述装置还用于:
将所述行驶状态数据发送至事故责任判定服务器,用于供所述事故责任判定服务器在确定事故责任的过程中,提供所述行驶状态数据。
在本发明的另一较佳实施方式中,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本申请实施例所述的车辆的事故记录方法。
在本发明的另一较佳实施方式中,本申请实施例提供了一种服务器,包括存储器,处理器及存储在所述存储器上并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例所述的车辆的事故记录方法。
本发明提供的技术方案具有以下技术效果:
本发明适用车辆的事故记录操作的情况,本发明通过手机自带的速度传感器,加速度传感器和陀螺仪,或者在车辆上面配置的速度传感器,加速度传感器和陀螺仪,来对当前用户的行驶状态进行判断并随行程记录,以在数值异常状态(如高瞬时加速度,高瞬时角速度及速度过快等)记录行驶数据,并上报至事故责任判定服务器端进行备份。对于符合交通事故的异常行驶数据特征,可以广播事故并发送带坐标位置的急救请求至服务器。从而,可以提高车辆出行的安全性,对事故责任的辅助判定以及在需要的情况下及时进行救助。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本申请实施例提供的车辆的事故记录方法的示意图;
图2是本申请实施例提供的车辆的事故记录流程示意图;
图3是本申请实施例提供的车辆的事故记录装置的示意图;
图4是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
为了阐释的目的而描述了本发明的一些示例性实施例,需要理解的是,本发明可通过附图中没有具体示出的其他方式来实现。
图1是本申请实施例提供的车辆的事故记录方法的示意图,本实施例可适用于车辆的事故记录的情况,该方法可以由本申请实施例提供的车辆的事故记录装置来执行,该装置可以由软件和/或硬件的方式来实现,并可以集成于分布式集群中的服务器中。
如图1所示,所述车辆的事故记录方法包括:
S110、获取车辆的行驶状态数据。
车辆的行驶状态数据可以包括车辆的位置、车辆的速度、车辆的加速度以及车辆是否逆行等数据。车辆、用户终端均与服务器通信连接,其中,可以通过用户移动终端的定位组件,如GPS定位模块,北斗导航等确定车辆的位置,然后将位置信息上传至服务器。在其它实施例中,车辆的位置也可以由车辆的定位组件,例如,设置于智能锁中的定位模块进行实时定位,并将位置信息上传至服务器,从而实现了服务器获取车辆的位置。关于其他数据,可以是通过用户的移动终端或者车辆端获取,并进行上报得到的。
其中,车辆可以是共享单车、共享电动车、共享汽车,还可以是其他共享车辆。
在本实施例中,可选的,获取车辆的行驶状态数据,包括:
根据车辆配置的速度传感器和加速度传感器,获取车辆的行驶状态数据;或者,
根据用户移动终端的速度传感器和加速度传感器,获取车辆的行驶状态数据。
其中,可以在用户通过注册、扫描以获取共享车辆的骑行许可之后,通过车辆自身配置的速度传感器和加速度传感器获取车辆的行驶状态数据。而在一些共享单车里没有配置相应的传感器,可以通过用户移动终端(例如,用户的手机)自带的速度传感器和加速度传感器获取车辆的行驶状态数据。通过复用用户移动终端的现有设备,只需扩展一套应用程序接口(Application Programming Interface,简称API),无需在共享单车上另外增加速度传感器和加速度传感器,避免了增加相应的电子线路和通讯模块,有效降低了研发成本。
S120、将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果。服务器在获取车辆的行驶状态数据以后,将数据输入异常状态判定模型。其中,异常状态判定模型可以是事先训练好并预存于服务器中。
在本实施例中,异常状态判定模型可以是深度学习网络模型,可以通过数据输入,确定车辆的行驶状态是否存在异常。具体地,所述异常状态判定模型的训练过程包括:
收集行驶状态样本数据;
对所述行驶状态样本数据进行标签标注;
将带有标签的行驶状态样本数据输入初始网络模型进行训练;
若训练结果收敛,则生成异常状态判定模型。
由于正常骑车的行驶状态有物理限制,对于超出正常行驶时的物理状态之外的行驶状态,可以判定其为异常状态;正常骑行人在遭受碰撞时的状态存在一定的典型特征(瞬时加速度激增且伴一定程度随旋转翻滚),可以由此收集行驶状态样本,将收集到的行驶状态分为两类,一类是正常行驶过程,一类是遭受碰撞事故。最终得到训练完成的模型,用于判定行驶状态,输出是否遭受碰撞事故。
具体的,在训练模型的过程中使用的样本,可以是通过预先从用户的移动终端上传的。其数量可以是500个或者1000个样本数据,还可以更多或者更少。其中样本数据包括车辆的速度、当前的加速度、本次的行驶轨迹、行驶里程以及用户的历史数据。其中的样本数据可以分为正样本和负样本,正样本为存在事故时的行驶状态数据,负样本为正常状态的行驶状态数据。在收集了样本数据后,对样本数据进行正、负样本的标注。具体的,直接将样本数据分为两个文本文件,一个文本文件记录正常行驶时候这些行驶状态数据分别有什么数值,即,正样本。另一个文本文件记录事故发生时行驶状态数据分别是什么数值,即,负样本。通过上述样本数据的标注可以将模型参数调整到能归纳哪些行驶状态数据为正常行驶,哪些行驶状态数据为发生事故。当样本数据标注完成后,采用梯度下降法对模型进行训练。采用神经网络和支持向量机作为学习模型,输出合理的车速范围和加速度范围,在该车速范围内认定为正常行驶状态,超出边界值认定为发生事故。
本方案中,训练结果收敛,可以是针对测试集的样本数据的训练结果符合预期,例如对百分之九十五的情况下判断正确,则将该模型作为异常状态判定模型。
本技术方案,异常状态判定模型的输出结果为车辆是否为异常状态,如果存在异常状态,则可以确定车辆的行驶发生了事故。
在本实施例中,可选的,获取车辆的行驶状态数据之后,所述方法还包括:
通过配置在数据筛选服务器中的预设算法对所述行驶状态数据进行筛选,得到预筛选结果;
相应的,将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果,包括:
将所述行驶状态数据的预筛选结果输入至异常状态判定模型,获取所述异常状态判定模型的输出结果。
其中,可以在数据筛选服务器中设置有相关的算法,用于对驾驶状态数据进行初步的筛选。例如可以将共享单车的车速超过15公里每小时,加速度超过5米每秒,设定为筛选条件。则如果符合相应的条件,则可以向服务器发送预筛选结果,并由服务器根据预筛选结果对是否存在异常状态进行判定。本方案通过这样的设置,可以降低异常判断模型的数据运算负担,可以将不同的数据通过不同的服务器来处理,不仅可以根据服务器的运算能力进行合理分配,而且还便于后期的维护工作,并且可以提高该算法的输出结果的准确性。
本方案通过采用异常状态判定模型,对车辆是否遭受事故进行判定,可以提高判定结果的准确性,得到的判定结果能够有效的辅助相关部门进行事故责任的认定,以及使事故中的受伤人员能够得到及时救治。
S130、若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
其中,可以将得到的存在事故的发生时间,向前预设时间段内的行驶状态数据进行记录,还可以对向后预设时间段内的行驶状态数据进行记录。
本方案中,可以记录在服务器端,并且可以根据时间、地点以及车辆识别信息等进行命名来记录,以利于后续使用时能够快速的确定针对该事故的记录内容。
在本实施例中,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
将该预设时段内的所述行驶状态数据发送至事故责任判定服务器,所述事故责任判定服务器存储这些行驶状态数据,以用于后续确定事故责任的判定。其中,由于事故发生之后,往往需要对事故责任进行判定,而将行驶状态数据发送并储存于事故责任判定服务器,方便后续事故责任判定时数据的调取。在本实施例中,是否发生事故的判定与发生事故的预设时段内的行驶状态数据的储存是由不同的服务器完成的。具体地,是否发生事故的判定是由预存有异常状态判定模型的服务器来完成。发生事故的预设时段内的行驶状态的数据的储存是由事故责任判断服务器来完成。即,算法的运行与数据的存储是由不同的服务器完成,从而根据不同的功能需求配置不同的服务器,保证了数据的安全性,同时也提高了服务器维护的便利性。
其中,服务器端与事故责任判定服务器可以是通过预先设定的通信方式进行连接,以实现数据的传输。本方案这样设置的好处是可以将事故相关的信息存储至事故责任判定服务器,以辅助相关人员对事故责任进行准确的判定,从而确保事故发生后,事故双方或者多方之间的公平性。
本发明实施例所提供的技术方案,通过获取车辆的行驶状态数据;将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。在本方案中,可以解决的技术问题是,由于缺乏共享车辆主动的行车记录,导致车辆发生事故后响应不及时,处理速度慢,无法保证用户安全的同时,由于责任认定较为困难,对共享车辆的运营费也造成了一定的损失。
在上述各技术方案的基础上,可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
若输出结果为存在事故,则确定事故中骑行人的受伤概率。在模型训练时会获取合理的速度范围和加速度范围,超过该范围时判断为存在事故。根据超出该范围的程度大小可以确定骑行人的受伤概率。例如,超出范围越大,表示受外力冲击或跌落的可能性越大,骑行人的受伤概率也就越大。
若判断所述受伤概率超过设定阈值,则广播所述事故的信息至救护中心。
其中,可以将事故发生时,车辆的角度变化的累计值,确定事故发生时的碰撞程度,例如发现车辆已经旋转超过720度,则很有可能出现人员受伤的情况,则服务器可以将相关信息广播到救护中心,以使救护中心根据事故发生位置,以及事故的信息发出紧急救助行动。
具体的,可以通过统计实测模型判断,以加速度为例,通常加速度合理区间为x,y方向±0.1g,z方向0.05g;其中,g为重力加速度。超出该区间认定为异常,异常值越大代表受外力冲击或跌落的可能性越大。根据碰撞模型可以得到异常值与受伤概率之间的关联。
其中,在广播急救信号之前,服务器端判定受伤后,可以发送询问指令到收集客户端,向客户端征询用户意见是否广播。需等待用户确认是否发送急救信息,如果一段时间,如20秒无应答,则通过预设语音信息的拨号和短信方式来广播急救信号至救护中心。
本方案通过这样的设置,可以快速的对事故中受伤的人员进行救治,降低事故发生后的伤亡概率。
在上述各技术方案的基础上,可选的,所述行驶状态数据包括位置数据以及监控数据;
相应的,将所述行驶状态数据输入至异常状态判定模型,包括:
将所述监控数据输入至所述异常状态判定模型;其中,所述监控数据包括速度数据、加速度数据以及角度数据中的至少一种。
其中,可以将行驶状态数据中的位置数据以外的监控数据,如速度数据,加速度数据以及角度数据等,输入至预先训练的异常状态判定模型,以得到异常状态判定模型的输出结果。本方案通过这样的设置,可以将与事故发生时的相关数据输入至异常状态判定模型,已得到事故的准确记录,并且能够辅助进行事故的责任判定等。
图2是本申请实施例提供的车辆的事故记录流程示意图,如图2所示,在用户行驶状态中启动行驶状态记录程序,检测到异常行驶状态后主动上传记录行驶状态,并判定是否为碰撞事故,如果符合碰撞事故特征,则依据受伤害概率广播事故救援信号至交警和急救。
图3是本申请实施例提供的车辆的事故记录装置的示意图,如图3所示,所述车辆的事故记录装置包括:
行驶状态数据获取模块310,用于获取车辆的行驶状态数据;
异常判定模块320,用于将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;
事故记录模块330,用于若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
本发明实施例所提供的技术方案,通过获取车辆的行驶状态数据;将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。在本方案中,可以解决的技术问题是,由于缺乏共享车辆主动的行车记录,导致车辆发生事故后响应不及时,处理速度慢,无法保证用户安全的同时,由于责任认定较为困难,对共享车辆的运营费也造成了一定的损失。
可选的,所述装置还用于:
在记录发生事故的预设时段内的行驶状态数据之后,所述装置还用于:
若所述输出结果为存在事故,则确定事故中骑行人的受伤概率;
若判断所述受伤概率超过设定阈值,则广播所述事故的信息至救护中心。
可选的,所述行驶状态数据包括位置数据以及监控数据;
将所述行驶状态数据输入至异常状态判定模型的步骤,包括:
将所述监控数据输入至所述异常状态判定模型;其中,所述监控数据包括速度数据、加速度数据以及角度数据中的至少一种。
可选的,异常状态判定模型为深度学习模型;所述异常状态判定模型的训练过程包括:
收集行驶状态样本数据;
对所述行驶状态样本数据进行标签标注;
将带有标签的行驶状态样本数据输入初始网络模型进行训练;
若训练结果收敛,则生成异常状态判定模型。
可选的,获取车辆的行驶状态数据,包括:
根据车辆配置的速度传感器和加速度传感器,获取车辆的行驶状态数据;或者,
根据用户移动终端的速度传感器和加速度传感器,获取车辆的行驶状态数据。
可选的,在获取车辆的行驶状态数据之后,所述装置还用于:
通过配置在数据筛选服务器中的预设算法对所述行驶状态数据进行筛选,得到预筛选结果;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果的步骤,包括:
将所述行驶状态数据的预筛选结果输入至异常状态判定模型,获取所述异常状态判定模型的输出结果。
可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述装置还用于:
将所述行驶状态数据发送至事故责任判定服务器,用于供所述事故责任判定服务器在确定事故责任的过程中,提供所述行驶状态数据。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基于太阳能板提供电源的方法,该方法包括:
获取车辆的行驶状态数据;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;
若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
若所述输出结果为存在事故,则确定事故中骑行人的受伤概率;
若判断所述受伤概率超过设定阈值,则广播所述事故的信息至救护中心。
可选的,所述行驶状态数据包括位置数据以及监控数据;
将所述行驶状态数据输入至异常状态判定模型的步骤,包括:
将所述监控数据输入至所述异常状态判定模型;其中,所述监控数据包括速度数据、加速度数据以及角度数据中的至少一种。
可选的,异常状态判定模型为深度学习模型;所述异常状态判定模型的训练过程包括:
收集行驶状态样本数据;
对所述行驶状态样本数据进行标签标注;
将带有标签的行驶状态样本数据输入初始网络模型进行训练;
若训练结果收敛,则生成异常状态判定模型。
可选的,获取车辆的行驶状态数据,包括:
根据车辆配置的速度传感器和加速度传感器,获取车辆的行驶状态数据;或者,
根据用户移动终端的速度传感器和加速度传感器,获取车辆的行驶状态数据。
可选的,在获取车辆的行驶状态数据之后,所述方法还包括:
通过配置在数据筛选服务器中的预设算法对所述行驶状态数据进行筛选,得到预筛选结果;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果的步骤,包括:
将所述行驶状态数据的预筛选结果输入至异常状态判定模型,获取所述异常状态判定模型的输出结果。
可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
将所述行驶状态数据发送至事故责任判定服务器,用于供所述事故责任判定服务器在确定事故责任的过程中,提供所述行驶状态数据。
存储介质——任何的各种类型的存储器服务器或存储服务器。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的车辆的事故记录方法的操作,还可以执行本申请任意实施例所提供的车辆的事故记录方法中的相关操作。
图4是本申请实施例提供的一种服务器的结构示意图。下面参考图4,其示出了适于用来实现本申请实施例的服务器400的结构示意图。本申请实施例中的服务器可以是用来提供信息展示功能的服务器。图4示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,服务器400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有服务器400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许服务器400与其他服务器进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的服务器400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本申请实施例的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的;也可以是单独存在,而未装配入该服务器中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器执行:
获取车辆的行驶状态数据;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;
若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
若所述输出结果为存在事故,则确定事故中骑行人的受伤概率;
若判断所述受伤概率超过设定阈值,则广播所述事故的信息至救护中心。
可选的,所述行驶状态数据包括位置数据以及监控数据;
将所述行驶状态数据输入至异常状态判定模型的步骤,包括:
将所述监控数据输入至所述异常状态判定模型;其中,所述监控数据包括速度数据、加速度数据以及角度数据中的至少一种。
可选的,异常状态判定模型为深度学习模型;所述异常状态判定模型的训练过程包括:
收集行驶状态样本数据;
对所述行驶状态样本数据进行标签标注;
将带有标签的行驶状态样本数据输入初始网络模型进行训练;
若训练结果收敛,则生成异常状态判定模型。
可选的,获取车辆的行驶状态数据,包括:
根据车辆配置的速度传感器和加速度传感器,获取车辆的行驶状态数据;或者,
根据用户移动终端的速度传感器和加速度传感器,获取车辆的行驶状态数据。
可选的,在获取车辆的行驶状态数据之后,所述方法还包括:
通过配置在数据筛选服务器中的预设算法对所述行驶状态数据进行筛选,得到预筛选结果;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果的步骤,包括:
将所述行驶状态数据的预筛选结果输入至异常状态判定模型,获取所述异常状态判定模型的输出结果。
可选的,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
将所述行驶状态数据发送至事故责任判定服务器,用于供所述事故责任判定服务器在确定事故责任的过程中,提供所述行驶状态数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在乘客计算机上执行、部分地在乘客计算机上执行、作为一个独立的软件包执行、部分在乘客计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到乘客计算机,或者,可以连接到外部计算机。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块、单元的名称在某种情况下并不构成对该模块、单元本身的限定。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种车辆的事故记录方法,其特征在于,包括:
获取车辆的行驶状态数据;
将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;
若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
2.如权利要求1所述的方法,其特征在于,在所述记录发生事故的预设时段内的行驶状态数据的步骤之后,所述方法还包括:
若所述输出结果为存在事故,,则确定事故中骑行人的受伤概率;
若判断所述受伤概率超过设定阈值,则广播所述事故的信息至救护中心。
3.如权利要求1所述的方法,其特征在于,所述行驶状态数据包括位置数据以及监控数据;
所述将所述行驶状态数据输入至异常状态判定模型的步骤包括:
将所述监控数据输入至所述异常状态判定模型;其中,所述监控数据包括速度数据、加速度数据以及角度数据中的至少一种。
4.如权利要求1所述的方法,其特征在于,所述异常状态判定模型为深度学习模型;所述异常状态判定模型的训练过程包括:
收集行驶状态样本数据;
对所述行驶状态样本数据进行标签标注;
将带有标签的行驶状态样本数据输入初始网络模型进行训练;
若训练结果收敛,则生成所述异常状态判定模型。
5.如权利要求1所述的方法,其特征在于,所述获取车辆的行驶状态数据,包括:
根据车辆配置的速度传感器和加速度传感器,获取车辆的行驶状态数据;或者,
根据用户移动终端的速度传感器和加速度传感器,获取车辆的行驶状态数据。
6.如权利要求5所述的方法,其特征在于,在获取车辆的行驶状态数据之后,所述方法还包括:
通过配置在数据筛选服务器中的预设算法对所述行驶状态数据进行筛选,得到预筛选结果;
所述将所述行驶状态数据输入至所述异常状态判定模型,获取所述异常状态判定模型的输出结果的步骤,包括:
将所述预筛选结果输入至所述异常状态判定模型,获取所述输出结果。
7.如权利要求1所述的方法,其特征在于,在记录发生事故的预设时段内的行驶状态数据之后,所述方法还包括:
将所述行驶状态数据发送至事故责任判定服务器,所述事故责任判定服务器储存所述行驶状态数据,以用于事故责任的判定。
8.一种车辆的事故记录装置,其特征在于,包括:
行驶状态数据获取模块,用于获取车辆的行驶状态数据;
异常判定模块,用于将所述行驶状态数据输入至异常状态判定模型,获取所述异常状态判定模型的输出结果;
事故记录模块,用于若所述输出结果为存在事故,则记录发生事故的预设时段内的行驶状态数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的车辆的事故记录方法。
10.一种服务器,包括存储器、处理器及存储在所述存储器上并可在所述处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的车辆的事故记录方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010635607.2A CN111862386A (zh) | 2020-07-03 | 2020-07-03 | 一种车辆的事故记录方法、装置、介质及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010635607.2A CN111862386A (zh) | 2020-07-03 | 2020-07-03 | 一种车辆的事故记录方法、装置、介质及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862386A true CN111862386A (zh) | 2020-10-30 |
Family
ID=73152790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010635607.2A Pending CN111862386A (zh) | 2020-07-03 | 2020-07-03 | 一种车辆的事故记录方法、装置、介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862386A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735148A (zh) * | 2020-12-24 | 2021-04-30 | 上海上大鼎正软件股份有限公司 | 营区车辆超速判别方法、装置、电子设备及存储介质 |
CN112896388A (zh) * | 2021-02-04 | 2021-06-04 | 上海钧正网络科技有限公司 | 一种骑行安全检测方法、装置、电子设备和存储介质 |
CN113808397A (zh) * | 2021-09-01 | 2021-12-17 | 上海钧正网络科技有限公司 | 非机动车事故的数据处理方法、装置和云端服务器 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1682005A (zh) * | 2002-07-13 | 2005-10-12 | 罗格·烘伯 | 认证、确定、指定、定位、锁定及防盗安全系统(这里也称为锁-环dss) |
CN104680192A (zh) * | 2015-02-05 | 2015-06-03 | 国家电网公司 | 一种基于深度学习的电力图像分类方法 |
CN104881907A (zh) * | 2015-04-30 | 2015-09-02 | 北京车音网科技有限公司 | 一种车辆事故信息获取方法和电子设备 |
CN104951517A (zh) * | 2015-05-29 | 2015-09-30 | 小米科技有限责任公司 | 行为日志统计方法及装置 |
CN105046951A (zh) * | 2015-06-12 | 2015-11-11 | 上海卓易科技股份有限公司 | 基于行车记录仪的车辆监测方法及监测模块 |
CN107757541A (zh) * | 2017-08-29 | 2018-03-06 | 捷开通讯(深圳)有限公司 | 事故监控方法及装置 |
CN110072212A (zh) * | 2019-04-16 | 2019-07-30 | 宜宾凯翼汽车有限公司 | 一种车辆事故信息的处理系统 |
CN110070642A (zh) * | 2019-03-22 | 2019-07-30 | 天津大学 | 一种基于深度学习的交通事故责任评估方法及装置 |
CN111259935A (zh) * | 2020-01-09 | 2020-06-09 | 斑马网络技术有限公司 | 车辆事故的识别方法、装置、设备以及存储介质 |
-
2020
- 2020-07-03 CN CN202010635607.2A patent/CN111862386A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1682005A (zh) * | 2002-07-13 | 2005-10-12 | 罗格·烘伯 | 认证、确定、指定、定位、锁定及防盗安全系统(这里也称为锁-环dss) |
CN104680192A (zh) * | 2015-02-05 | 2015-06-03 | 国家电网公司 | 一种基于深度学习的电力图像分类方法 |
CN104881907A (zh) * | 2015-04-30 | 2015-09-02 | 北京车音网科技有限公司 | 一种车辆事故信息获取方法和电子设备 |
CN104951517A (zh) * | 2015-05-29 | 2015-09-30 | 小米科技有限责任公司 | 行为日志统计方法及装置 |
CN105046951A (zh) * | 2015-06-12 | 2015-11-11 | 上海卓易科技股份有限公司 | 基于行车记录仪的车辆监测方法及监测模块 |
CN107757541A (zh) * | 2017-08-29 | 2018-03-06 | 捷开通讯(深圳)有限公司 | 事故监控方法及装置 |
CN110070642A (zh) * | 2019-03-22 | 2019-07-30 | 天津大学 | 一种基于深度学习的交通事故责任评估方法及装置 |
CN110072212A (zh) * | 2019-04-16 | 2019-07-30 | 宜宾凯翼汽车有限公司 | 一种车辆事故信息的处理系统 |
CN111259935A (zh) * | 2020-01-09 | 2020-06-09 | 斑马网络技术有限公司 | 车辆事故的识别方法、装置、设备以及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735148A (zh) * | 2020-12-24 | 2021-04-30 | 上海上大鼎正软件股份有限公司 | 营区车辆超速判别方法、装置、电子设备及存储介质 |
CN112896388A (zh) * | 2021-02-04 | 2021-06-04 | 上海钧正网络科技有限公司 | 一种骑行安全检测方法、装置、电子设备和存储介质 |
CN113808397A (zh) * | 2021-09-01 | 2021-12-17 | 上海钧正网络科技有限公司 | 非机动车事故的数据处理方法、装置和云端服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11565680B2 (en) | System and methods for detecting vehicle braking events using data from fused sensors in mobile devices | |
Engelbrecht et al. | Survey of smartphone‐based sensing in vehicles for intelligent transportation system applications | |
CN111862386A (zh) | 一种车辆的事故记录方法、装置、介质及服务器 | |
JP2020513617A (ja) | 運転行為の確定方法、装置、機器及び記憶媒体 | |
US11756130B1 (en) | Telematics system and method for vehicle detection and notification | |
US11884225B2 (en) | Methods and systems for point of impact detection | |
JP2019535566A (ja) | 不測のインパルス変化衝突検出器 | |
US20160203656A1 (en) | Identifying the origins of a vehicular impact and the selective exchange of data pertaining to the impact | |
EP2930697A1 (en) | Method and device for processing vehicle condition data | |
CN112396824A (zh) | 车辆监控方法、系统及车辆 | |
US20230351823A1 (en) | Information processing device, information processing method and program | |
US20220017032A1 (en) | Methods and systems of predicting total loss events | |
US20150079923A1 (en) | Communications device based analytics for a traveler | |
US11263837B2 (en) | Automatic real-time detection of vehicular incidents | |
CN113256981B (zh) | 基于车辆行驶数据的报警分析方法、装置、设备和介质 | |
JP2005293032A (ja) | 車輌運転状況監視システム及びこのシステム用の車輌運転状況監視プログラム。 | |
JP6906574B2 (ja) | 車載装置及び車両管理システム | |
KR20200062025A (ko) | 다중 로그 분석을 기반으로 차량 위험을 처리하는 방법 및 장치 | |
JP2020101986A (ja) | 安全運転支援装置、端末装置、安全運転支援システム、安全運転支援方法、処理実行方法、およびコンピュータプログラム | |
CN218519629U (zh) | 一种带obd功能的智能座舱 | |
US12020571B2 (en) | Method and system for vehicle crash prediction using multi-vehicle data | |
CN116588015B (zh) | 车辆控制方法、车辆控制系统及存储介质 | |
US20230122572A1 (en) | Vehicle accident notification system and method of providing vehicle accident notification service | |
EP4210017A1 (en) | Systems and methods for vehicle reversing detection using machine learning | |
US20220292974A1 (en) | Method and system for vehicle crash prediction |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |