CN112215497B - 一种纯电动汽车运行风险预警方法 - Google Patents

一种纯电动汽车运行风险预警方法 Download PDF

Info

Publication number
CN112215497B
CN112215497B CN202011095360.6A CN202011095360A CN112215497B CN 112215497 B CN112215497 B CN 112215497B CN 202011095360 A CN202011095360 A CN 202011095360A CN 112215497 B CN112215497 B CN 112215497B
Authority
CN
China
Prior art keywords
information
vehicle
data
time
average value
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
Application number
CN202011095360.6A
Other languages
English (en)
Other versions
CN112215497A (zh
Inventor
孙瀚
季晨琦
莫子兴
曹鹏
葛广照
赵磊
张沛
姜鉴铎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN202011095360.6A priority Critical patent/CN112215497B/zh
Publication of CN112215497A publication Critical patent/CN112215497A/zh
Application granted granted Critical
Publication of CN112215497B publication Critical patent/CN112215497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种纯电动汽车运行风险预警方法，其可以利用现有设备实现研判风险车辆的智能化和自动化，整个研判算法较为全面的考虑了纯电动汽车运行风险的关联要素，极大提高了纯电动汽车路面运行风险研判的效率和准确率。本发明技术方案基于待检测车辆的处理交通违法次数信息、夜间出行比例信息、电池信息、电机信息、电控信息、速度信息，对待检测车辆的运行风险进行预测；不但考虑了车辆本身车辆状态参数数据，同时考虑了驾驶人的驾驶行为习惯和交通状态对车辆运行的影响，更全面的覆盖了不同原因导致的纯电动车运行风险。

Description

一种纯电动汽车运行风险预警方法
技术领域
本发明涉及智能交通控制技术领域，具体为一种纯电动汽车运行风险预警方法。
背景技术
除续航里程外，纯电动汽车的安全性一直是影响其发展的一个主要因素。现有的纯电动汽车安全预警技术大多是利用车载传感器对车辆电池、电机、电控系统进行实时监测，与正常状态下车辆状态参数进行对比，进而实现风险预警。但是，交通事故的发生不单单与车辆状态参数有关更与驾驶人的驾驶行为、交通状态有极大的关联性。因此，现有的纯电动车的风险预警方法无法覆盖到所有的风险，无法对所有的风险预警。
发明内容
为了现有的纯电动车的风险预警方法覆盖范围不足的问题，本发明提供一种纯电动汽车运行风险预警方法，其可以利用现有设备实现研判风险车辆的智能化和自动化，整个研判算法较为全面的考虑了纯电动汽车运行风险的关联要素，极大提高了纯电动汽车路面运行风险研判的效率和准确率。
本发明的技术方案是这样的：一种纯电动汽车运行风险预警方法，其包括以下步骤：
S1：确定待监测路段；
S2：基于图像识别算法在所述待监测路段的卡口过车图片，识别新能源汽车，找到待监测车辆；
其特征在于，其还包括以下步骤：
S3：基于所述待监测路段的卡口的历史数据，对所有的新能源汽车的车辆车脸、驾驶位人脸进行识别，建立人车关系关联数据库；
所述人车关系关联数据库包括：驾驶人身份信息、车辆号牌信息、过车时间信息；
S4：在所述人车关系关联数据库中，提取驾驶人身份信息；基于所述驾驶人身份信息在交管数据库中查询交通违法信息、驾驶时间信息，构建驾驶行为特征库；
所述驾驶行为特征库包括：驾驶人身份信息、处理交通违法次数信息、夜间出行比例特征；
S5：基于所述待监测车辆的车辆状态和交通状态信息提取车辆基础数据信息；基于所述车辆基础数据信息、所述驾驶行为特征库、所述人车关系关联数据库，构建模型训练数据集；
所述车辆基础数据信息包括：采集时间、车辆号牌、车辆参数特征信息；
所述车辆参数特征信息包括：电池信息、电机信息、电控信息、速度信息；
所述模型训练数据集包括：处理交通违法次数信息、夜间出行比例信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值；
S6：构建纯电动汽车运行风险预测模型；
所述纯电动汽车运行风险预测模型的输入为预警用基础数据，输出为运行风险预警结果；
所述预警用基础数据包括：处理交通违法次数信息、夜间出行比例信息、电池信息、电机信息、电控信息、速度信息、标签数据；
S7：通过所述模型训练数据集训练所述纯电动汽车运行风险预测模型，得到训练好的所述纯电动汽车运行风险预测模型；
S8：采集所述待监测车辆的所述预警用基础数据后，输入到训练好的所述纯电动汽车运行风险预测模型中，所述纯电动汽车运行风险预测模型返回所述预警结果。
其进一步特征在于：
步骤S6中，基于支持向量机分类算法构建所述纯电动汽车运行风险预测模型；
所述处理交通违法次数信息为所述驾驶人身份信息在所述交管数据库中存在的处理过的交通违法的次数；
所述夜间出行比例特征为基于所述驾驶人身份信息，在所述人车关系关联数据库找到对应的所有的过车时间信息；
设存在过车时间信息为p条，其中夜间出行的条数为q条，则：
所述夜间出行比例特征＝q/p；
步骤S5中，构建所述模型训练数据集的步骤包括：
a1：设置数据集的统计开始时间t1和统计时间间隔t；
a2：对每一辆车从t1开始对所述车辆基础数据信息的各字段在所述统计时间间隔t内的数据进行聚合统计；
设：需要统计N个所述统计时间间隔t，则获得所述车辆基础数据信息的N个统计数据子集；
a3：根据N个所述统计数据子集中的所述采集时间的信息与所述人车关系关联数据库中的所述过车时间信息进行匹配，将每一条所述统计数据子集中添加对应的所述驾驶人身份信息；
a4：将N个所述统计数据子集中的所述车辆参数特征信息中的数值分别进行平均值计算，获得N个统计数据平均值子集；
所述统计数据平均值子集包括：采集时间、车辆号牌、驾驶人身份信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值；
a5：找到所述驾驶人身份信息缺失的所述统计数据平均值子集，进行所述驾驶人身份信息进行正向填充；
a6：基于所述统计数据平均值子集中的所述驾驶人身份信息，自所述驾驶行为特征库中提取关联的所述处理交通违法次数信息、所述夜间出行比例特征添加到所述统计数据平均值子集中，得到训练数据基础数据集；
所述训练数据基础数据集包括N个训练数据基础数据子集；
所述训练数据基础数据子集包括：采集时间、车辆号牌、驾驶人身份信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值、处理交通违法次数信息、夜间出行比例特征；
a7：在所述训练数据基础数据子集添加一个标签特征；
基于所述练数据基础数据子集中的采集时间、车辆号牌，在所述驾驶行为特征库中查询交通事故信息；将所有的可以查到所述交通事故信息的所述训练数据基础数据子集中的所述标签特征设置为1；
无法查到所述交通事故信息的所述训练数据基础数据子集中的所述标签特征设置为0；
a8：将所述训练数据基础数据子集中的数据划分为：采集时间、车辆号牌、驾驶人身份信息、风险要素特征数据；
所述风险要素特征数据包括：处理交通违法次数信息、夜间出行比例信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值；
a9：将所述风险要素特征数据中的所有特征数据进行标准化处理后，由N个标准化处理后的所述风险要素特征数据构成所述模型训练数据集；
步骤a3中，将每一条所述统计数据子集中添加对应的所述驾驶人身份信息的步骤包括：
b1：基于所述统计数据子集中的所述车辆号牌，在所述人车关系关联数据库中查找所述车辆号牌对应的所有的驾驶人身份信息；
b2：在所述人车关系关联数据库中，以统计开始时间t1起始，以t1+Nt时间截止，找到所述车辆号牌信息对应的过车时间信息；
设过车时间为：t1+x，其中，x为时间段，取值为自然数；
b3：计算所述过车时间与所述统计时间间隔t的关系：
x/t＝d，其中d取整数；
表示所述过车时间内的数据与d个所述统计数据子集匹配；
b3：将所述过车时间内t1+x内的所述驾驶人身份信息，按照时间匹配关系添加到以所述采集时间为tn+t,tn+2t,....tn+d*t的所述统计数据子集中；
步骤b3中，如果某个所述采集时间对应的所述驾驶人身份信息超过1个，则任选其中一个进行添加；
步骤a5中，所述驾驶人身份信息进行正向填充包括以下步骤：
e1：设：所述驾驶人身份信息缺失的所述统计数据平均值子集中的所述车辆号牌为X，车辆号牌X缺失所述驾驶人身份信息的时刻为t1+(n+1)*t；
则，找到距离t1+(n+1)*t时刻最近且有所述驾驶人身份信息的时刻t2；
e2：设：车辆号牌X在t2时刻辆车的所述驾驶人身份信息为：A；
则，将驾驶人身份信息A填冲到t1+(n+1)*t时刻对应的所述统计数据平均值子集中；
步骤a7中，在所述训练数据基础数据子集添加所述标签特征，包括如下步骤：
c1：初始化所有的所述训练数据基础数据子集中的所述标签特征为0；
c2：基于所述练数据基础数据子集中的车辆号牌A，在所述驾驶行为特征库中查询交通事故信息；
设所述交通事故信息发生时间为：t1+x，其中，其中，x为时间段，取值为自然数；
c3：预设事故发生时间调节参数a、b，其中a、b都为正数；
计算所述交通事故信息发生时间与所述统计时间间隔t的关系：
设：x/t＝d
c4：将起始时间为t1+(n-a)*t，截止时间为t1+(n+b)*t，(a+b)*t时间内的所述练数据基础数据子集内的所述标签特征设置为1；
步骤a9中，将所述风险要素特征数据中的所有特征数据进行标准化处理的过程，包括以下步骤：
d1：获取所述风险要素特征数据中需要进行标准化处理的特征数据，记做待处理特征参数z；
d2：将N个所述风险要素特征数据中的所述待处理特征参数z，构成待处理特征序列Z：
Z＝{z1,z2,...zN}
d3：将所述待处理特征序列Z进行标准化处理，构成标准化特征序列Y：
Y＝{y1,y2,...yN}
其中，yi为所述待处理特征参数zi标准化处理后的标准化特征参数：
Figure BDA0002723566910000041
Figure BDA0002723566910000042
本发明提供的一种纯电动汽车运行风险预警方法通过纯电动汽车运行风险预测模型，基于待检测车辆的处理交通违法次数信息、夜间出行比例信息、电池信息、电机信息、电控信息、速度信息，对待检测车辆的运行风险进行预测；不但考虑了车辆本身车辆状态参数数据，同时考虑了驾驶人的驾驶行为习惯和交通状态对车辆运行的影响，更全面的覆盖了不同原因导致的纯电动车运行风险，提高了对纯电动车风险预警的准确性和全面性；同时，整个预警过程全自动实施，成本低，实时效率高。
附图说明
图1为本发明技术方案中数据流转示意图。
具体实施方式
如图1所示，本发明一种纯电动汽车运行风险预警方法，其包括以下步骤。
S1：确定待监测路段。
S2：基于图像识别算法在待监测路段的卡口过车图片，识别新能源汽车，找到待监测车辆。
S3：基于待监测路段的卡口的历史数据，对所有的新能源汽车的车辆车脸、驾驶位人脸进行识别，建立人车关系关联数据库；
人车关系关联数据库包括：驾驶人身份信息、车辆号牌信息、过车时间信息；
其中，过车时间信息是卡口抓拍到车辆经过的时刻如车辆在2020年9月27日10点10分30秒经过卡口A，同时被该卡口抓拍到，则卡口A记录的过车时间信息为“2020-09-2710:10:30”。
实施例中，假设经过步骤S1、s2、S3，获知以下信息：
驾驶人L某驾驶新能源汽车苏BD12345在2020年9月29日出行一次，其中在2020年9月29日10点11分和2020年9月29日10点20分被两处卡口抓拍到通行轨迹。假设当前时间是2020年9月29日25分，同时L某驾驶新能源汽车苏BD12345在2020年9月29日10点15分发生交通事故，现在要预测当前时刻，L某驾驶车辆苏BD12345是否有风险。
设t为5min，时间范围设为2020年9月29日10点10分到2020年9月29日9点26分。则假设t1为2020年9月29日10点10分，根据卡口抓拍的时间将数据匹配到相应的时刻上：如10点11分的过车记录对应的时刻是t1+[(11-10)/5]*t，即t1，其中[]是取整函数；则提取到的数据如表1所示：
表1：人车关系关联数据
时间 身份证号 车辆号牌号码
t1 X 苏BD12345
t1+2*t X 苏BD12345
S4：在人车关系关联数据库中，提取驾驶人身份信息；基于驾驶人身份信息在交管数据库中查询交通违法信息、驾驶时间信息，构建驾驶行为特征库；
驾驶行为特征库包括：驾驶人身份信息、处理交通违法次数信息、夜间出行比例特征；
交通违法行为是导致交通事故的主要原因，因此根据交通违法数据，查询驾驶人员库中驾驶人处理过交通违法的次数，从而形成处理交通违法次数特征；根据历史数据分析可知，夜间出行较多的人可能存在酒后驾驶的行为，因此将人员夜间出行比例也作为驾驶人员特征库的构建；
本实施例中，驾驶人身份信息通过身份证号码表示，处理违法次数通过驾驶人身份证号在库里查询得到，夜间出行比例信息是利用驾驶人员库中的驾驶人信息，再根据建立好的人车关系关联数据库，查找驾驶人产生的过车信息，根据过车信息的过车时间统计出驾驶人所有夜间出行数占总出行数的比例，作为驾驶人员库夜间出行比例特征；
处理交通违法次数信息为驾驶人身份信息在交管数据库中存在的处理过的交通违法的次数；
夜间出行比例特征为基于驾驶人身份信息，在人车关系关联数据库找到对应的所有的过车时间信息；
设存在过车时间信息为p条，其中夜间出行的条数为q条，则：
夜间出行比例特征＝q/p。
设，在相关数据库中获取的驾驶人关联驾驶人交通违法信息如下表2所示，即处理交通违法次数信息为5次：
表2驾驶人交通违法信息
身份证号 交通违法次数
X 5
S5：基于待监测车辆的车辆状态和交通状态信息提取车辆基础数据信息；基于车辆基础数据信息、驾驶行为特征库、人车关系关联数据库，构建模型训练数据集；本发明技术方案，将历史数据通过聚合统计的方式构建为训练数据基础数据子集，然后基于交通事故信息对训练数据基础数据子集添加标签特征后，进行标准化处理，构成模型训练数据集；构建过程中，对于缺失驾驶人信息的数据集，进行正向填充，确保数据的有效性；基于对数据添加标签特征，以及最后标准化处理确保多维的数据适用于基于支持向量机分类算法构建纯电动汽车运行风险预测模型，进而确保计算结果的可用性；
车辆基础数据信息包括：采集时间、车辆号牌、车辆参数特征信息；
车辆参数特征信息包括：电池信息、电机信息、电控信息、速度信息；
本实施例中，电池信息包括：电池soc、电池工作电压、电池工作电流、电池温度；电机信息包括电机峰值扭矩、电机转矩、电机功率；
模型训练数据集包括：处理交通违法次数信息、夜间出行比例信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值。
其中，构建模型训练数据集的过程，详细包括以下步骤。
a1：设置数据集的统计开始时间t1和统计时间间隔t。
a2：对每一辆车从t1开始对车辆基础数据信息的各字段在统计时间间隔t内的数据进行聚合统计；
设：需要统计N个统计时间间隔t，则获得车辆基础数据信息的N个统计数据子集。
a3：根据N个统计数据子集中的采集时间的信息与人车关系关联数据库中的过车时间信息进行匹配，将每一条统计数据子集中添加对应的驾驶人身份信息；
将每一条统计数据子集中添加对应的驾驶人身份信息的步骤包括：
b1：基于统计数据子集中的车辆号牌，在人车关系关联数据库中查找车辆号牌对应的所有的驾驶人身份信息；
b2：在人车关系关联数据库中，以统计开始时间t1起始，以t1+Nt时间截止，找到车辆号牌信息对应的过车时间信息；
设过车时间为：t1+x，其中，x为时间段，取值为自然数；
b3：计算过车时间与统计时间间隔t的关系：
x/t＝d，其中d取整数；
表示过车时间内的数据与d个统计数据子集匹配；
b3：将过车时间内t1+x内的驾驶人身份信息，按照时间匹配关系添加到以采集时间为tn+t,tn+2t,....tn+d*t的统计数据子集中；
如果某个采集时间对应的驾驶人身份信息超过1个，则任选其中一个进行添加。
a4：将N个统计数据子集中的车辆参数特征信息中的数值分别进行平均值计算，获得N个统计数据平均值子集；
统计数据平均值子集包括：采集时间、车辆号牌、驾驶人身份信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值；
本实施例中，以计算电池soc计算平均值为例，计算平均值：
设：第n个时间间隔内车辆A上传了c次电池soc值：BatterySOC1、BatterySOC2......BatterySOCc，
则，第n个时间间隔对应的电池soc值为，
Figure BDA0002723566910000061
a5：找到驾驶人身份信息缺失的统计数据平均值子集，进行驾驶人身份信息进行正向填充；
驾驶人身份信息进行正向填充包括以下步骤：
e1：设：驾驶人身份信息缺失的统计数据平均值子集中的车辆号牌为X，车辆号牌X缺失驾驶人身份信息的时刻为t1+(n+1)*t；
则，找到距离t1+(n+1)*t时刻最近且有驾驶人身份信息的时刻t2；
e2：设：车辆号牌X在t2时刻辆车的驾驶人身份信息为：A；
则，将驾驶人身份信息A填冲到t1+(n+1)*t时刻对应的统计数据平均值子集中。
实施例中，假设车辆平均每分钟记录一条车辆状态数据，则在统计时间段内共上传10条数据，根据时间间隔5分钟将10条数据分为3组，对每组数据进行聚合统计；
t1时刻电池soc、电池工作电压、电池工作电流、电机峰值扭矩、电池温度、电机转矩、电机功率，是t1时刻到t1+t时刻车辆所有电池soc、电池工作电压、电池工作电流、电机峰值扭矩、电池温度、电机转矩、电机功率的平均值，具体如表3所示；
表3：车辆参数特征信息
Figure BDA0002723566910000062
a6：基于统计数据平均值子集中的驾驶人身份信息，自驾驶行为特征库中提取关联的处理交通违法次数信息、夜间出行比例特征添加到统计数据平均值子集中，得到训练数据基础数据集；
训练数据基础数据集包括N个训练数据基础数据子集；
训练数据基础数据子集包括：采集时间、车辆号牌、驾驶人身份信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值、处理交通违法次数信息、夜间出行比例特征。
实施例中，通过表1计算驾驶人夜间出行比例信息，表1中L某有两条轨迹记录，同时在晚8点到早4点无轨迹记录，因此L某的夜间出行比例特征为0。再结合L某的交通违法信息表1可变为下表4驾驶行为特征信息数据：
表4：驾驶行为特征信息数据：
时间 身份证号 车辆号牌 交通违法次数 夜间出行比例
t1 X 苏BD12345 5 0
t1+2*t X 苏BD12345 5 0
a7：在训练数据基础数据子集添加一个标签特征；
基于练数据基础数据子集中的采集时间、车辆号牌，在驾驶行为特征库中查询交通事故信息；将所有的可以查到交通事故信息的训练数据基础数据子集中的标签特征设置为1；
无法查到交通事故信息的训练数据基础数据子集中的标签特征设置为0；
在训练数据基础数据子集添加标签特征，详细包括如下步骤：
c1：初始化所有的训练数据基础数据子集中的标签特征为0；
c2：基于练数据基础数据子集中的车辆号牌A，在驾驶行为特征库中查询交通事故信息；
设交通事故信息发生时间为：t1+x，其中，其中，x为时间段，取值为自然数；
c3：预设事故发生时间调节参数a、b，其中a、b都为正数，具体取值根据不同的路段、不同的交通情况，根据历史数据计算可得；
计算交通事故信息发生时间与统计时间间隔t的关系：
设：x/t＝d
c4：将起始时间为t1+(n-a)*t，截止时间为t1+(n+b)*t，(a+b)*t时间内的练数据基础数据子集内的标签特征设置为1。
实施例中，通过时间和车辆号牌号牌，将表4匹配到表3中，得到表5：
表5：统计数据信息
Figure BDA0002723566910000071
找到驾驶人身份信息缺失的统计数据平均值子集，进行驾驶人身份信息进行正向填充即，选取距离t1+t时刻最近且有数据的时刻如t1时刻，将t1时刻的值赋给t1+t时刻，则得到表8：
表6：填充后的统计数据信息
Figure BDA0002723566910000072
设：在驾驶行为特征库中查询到的交通事故信息如下表7所示：
表7：交通事故数据信息
时间 车辆号牌号码
t1+t 苏BD12345
对表6中的每行数据打上相应的风险标签。根据事故数据车辆在t1+t时刻发生事故，如表7所示，假设事故的发生与事故发生前a个时刻有关，设a＝1，则对表6加入标签信息(1为有风险，0为无风险)，得到表8：
表8：添加标签后的训练数据基础数据
Figure BDA0002723566910000081
a8：将训练数据基础数据子集中的数据划分为：采集时间、车辆号牌、驾驶人身份信息、风险要素特征数据；
风险要素特征数据包括：处理交通违法次数信息、夜间出行比例信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值。
a9：将风险要素特征数据中的所有特征数据进行标准化处理后，由N个标准化处理后的风险要素特征数据构成模型训练数据集。
将风险要素特征数据中的所有特征数据进行标准化处理的过程，包括以下步骤：
d1：获取风险要素特征数据中需要进行标准化处理的特征数据，记做待处理特征参数z；
d2：将N个风险要素特征数据中的待处理特征参数z，构成待处理特征序列Z：
Z＝{z1,z2,...zN}
d3：将待处理特征序列Z进行标准化处理，构成标准化特征序列Y：
Y＝{y1,y2,...yN}
其中，yi为待处理特征参数zi标准化处理后的标准化特征参数：
Figure BDA0002723566910000082
Figure BDA0002723566910000083
S6：构建纯电动汽车运行风险预测模型；
纯电动汽车运行风险预测模型的输入为预警用基础数据，输出为运行风险预警结果；
预警用基础数据包括：处理交通违法次数信息、夜间出行比例信息、电池信息、电机信息、电控信息、速度信息、标签数据。
本实施例中，基于支持向量机分类算法构建纯电动汽车运行风险预测模型。
支持向量机的基本思想是定义一个核函数实现非线性的数据集映射到一个高维特征空间，在此高维特征空间中数据是线性可分的，通过构造超平面f(x)＝w*φ(x)+b，完成对数据集的分类。模型的基本流程主要分为训练阶段和预测阶段。首先，在模型训练阶段不断将输入集数据输入模型，根据每条输入的特征和标签，模型不断调整参数w和b，当模型的输出值与标签的误差小于预设值时，则完成模型的训练。
在模型的预测阶段，只要对模型输入待研判车辆的处理违法次数信息、夜间出行比例信息、电池信息、电机信息、电控信息、速度信息，模型就自动研判是否存在运行风险，如：返回1则有风险，返回0则无风险。本发明中采用样本集为多维的样本集，同时样本多为非线性样本数据，采用基于监督的学习方法的支持向量机的风险预测模型，可以达到使用较少的训练样本达到更好的精度，同时，训练过程较短，执行效率高。
S7：通过模型训练数据集训练纯电动汽车运行风险预测模型，得到训练好的纯电动汽车运行风险预测模型。
S8：采集待监测车辆的预警用基础数据后，输入到训练好的纯电动汽车运行风险预测模型中，纯电动汽车运行风险预测模型返回预警结果。
实施例中，从表8中提取模型训练数据：提取11个特征信息包括电池soc、电池soc、电池工作电压、电池工作电流、电机峰值扭矩、电池温度、电机转矩、电机功率、交通违法次数、夜间出行比例和一个标签信息，并对所有特征数据进行标准化处理，如对电池工作电压数列[110,110,110]进行标准化处理得到数列[0,0,0]，对其他特征都进行标准化处理得到模型训练和预测数据，得到表9：
表9：标准化处理后风险要素特征数据
训练数据 0 0 0 0 0 0 0 0 0 1
训练数据 0 0 0 0 0 0 0 0 0 1
预测数据 0 0 0 0 0 0 0 0 0 待预测
对每个特征都进行标准化处理后完成模型训练数据集的构建，最后将上面表9中的训练数据输入建立的机器学习模型，完成模型的训练后再输入预测数据，即可得到风险预测结果。
本发明提供一种考虑驾驶行为、交通状态和车辆状态的纯电动汽车运行风险预警方法，如图1所示，基于过车图片数据，利用图像识别算法构建人车关系关联数据库，从而将驾驶人的部分驾驶行为关联到每辆车；然后基于人车关系关联数据构建具有处理交通违法次数、夜间出行比例两类特征的驾驶行为特征库；再接着根据号牌号码和时间信息将驾驶行为特征库和车辆事故数据匹配到车辆状态数据、交通状态数据集；融合车辆状态数据、交通状态数据、交通违法处理数据建立多维度车辆运行风险要素特征数据库；基于待监测车辆关联的交通事故数据，将所有数据设置标签后，对所有特征进行特征标准化处理，从而完成模型训练数据的构建；
同时，搭建基于机器学习分类算法的纯电动汽车运行风险预测模型，数据待研判车辆的特征数据，即可输出是否为隐患车辆的研判结果，实现研判风险车辆的智能化和自动化。本专利的预警方法，充分的考虑了待监测车辆本身的车辆状态参数，还考虑了驾驶人的驾驶行为、交通状态，覆盖了纯电动车运行中的各种风险，能够提供更准确、更全面的预警。

Claims (10)

1.一种纯电动汽车运行风险预警方法，其包括以下步骤：
S1：确定待监测路段；
S2：基于图像识别算法在所述待监测路段的卡口过车图片，识别新能源汽车，找到待监测车辆；
其特征在于，其还包括以下步骤：
S3：基于所述待监测路段的卡口的历史数据，对所有的新能源汽车的车辆车脸、驾驶位人脸进行识别，建立人车关系关联数据库；
所述人车关系关联数据库包括：驾驶人身份信息、车辆号牌信息、过车时间信息；
S4：在所述人车关系关联数据库中，提取驾驶人身份信息；基于所述驾驶人身份信息在交管数据库中查询交通违法信息、驾驶时间信息，构建驾驶行为特征库；
所述驾驶行为特征库包括：驾驶人身份信息、处理交通违法次数信息、夜间出行比例特征；
S5：基于所述待监测车辆的车辆状态和交通状态信息提取车辆基础数据信息；基于所述车辆基础数据信息、所述驾驶行为特征库、所述人车关系关联数据库，构建模型训练数据集；
所述车辆基础数据信息包括：采集时间、车辆号牌、车辆参数特征信息；
所述车辆参数特征信息包括：电池信息、电机信息、电控信息、速度信息；
所述模型训练数据集包括：处理交通违法次数信息、夜间出行比例信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值；
S6：构建纯电动汽车运行风险预测模型；
所述纯电动汽车运行风险预测模型的输入为预警用基础数据，输出为运行风险预警结果；
所述预警用基础数据包括：处理交通违法次数信息、夜间出行比例信息、电池信息、电机信息、电控信息、速度信息、标签数据；
S7：通过所述模型训练数据集训练所述纯电动汽车运行风险预测模型，得到训练好的所述纯电动汽车运行风险预测模型；
S8：采集所述待监测车辆的所述预警用基础数据后，输入到训练好的所述纯电动汽车运行风险预测模型中，所述纯电动汽车运行风险预测模型返回所述预警结果。
2.根据权利要求1所述一种纯电动汽车运行风险预警方法，其特征在于：步骤S6中，基于支持向量机分类算法构建所述纯电动汽车运行风险预测模型。
3.根据权利要求1所述一种纯电动汽车运行风险预警方法，其特征在于：所述处理交通违法次数信息为所述驾驶人身份信息在所述交管数据库中存在的处理过的交通违法的次数。
4.根据权利要求1所述一种纯电动汽车运行风险预警方法，其特征在于：所述夜间出行比例特征为基于所述驾驶人身份信息，在所述人车关系关联数据库找到对应的所有的过车时间信息；
设存在过车时间信息为p条，其中夜间出行的条数为q条，则：
所述夜间出行比例特征＝q/p。
5.根据权利要求1所述一种纯电动汽车运行风险预警方法，其特征在于：步骤S5中，构建所述模型训练数据集的步骤包括：
a1：设置数据集的统计开始时间t1和统计时间间隔t；
a2：对每一辆车从t1开始对所述车辆基础数据信息的各字段在所述统计时间间隔t内的数据进行聚合统计；
设：需要统计N个所述统计时间间隔t，则获得所述车辆基础数据信息的N个统计数据子集；
a3：根据N个所述统计数据子集中的所述采集时间的信息与所述人车关系关联数据库中的所述过车时间信息进行匹配，将每一条所述统计数据子集中添加对应的所述驾驶人身份信息；
a4：将N个所述统计数据子集中的所述车辆参数特征信息中的数值分别进行平均值计算，获得N个统计数据平均值子集；
所述统计数据平均值子集包括：采集时间、车辆号牌、驾驶人身份信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值；
a5：找到所述驾驶人身份信息缺失的所述统计数据平均值子集，进行所述驾驶人身份信息进行正向填充；
a6：基于所述统计数据平均值子集中的所述驾驶人身份信息，自所述驾驶行为特征库中提取关联的所述处理交通违法次数信息、所述夜间出行比例特征添加到所述统计数据平均值子集中，得到训练数据基础数据集；
所述训练数据基础数据集包括N个训练数据基础数据子集；
所述训练数据基础数据子集包括：采集时间、车辆号牌、驾驶人身份信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值、处理交通违法次数信息、夜间出行比例特征；
a7：在所述训练数据基础数据子集添加一个标签特征；
基于所述练数据基础数据子集中的采集时间、车辆号牌，在所述驾驶行为特征库中查询交通事故信息；将所有的可以查到所述交通事故信息的所述训练数据基础数据子集中的所述标签特征设置为1；
无法查到所述交通事故信息的所述训练数据基础数据子集中的所述标签特征设置为0；
a8：将所述训练数据基础数据子集中的数据划分为：采集时间、车辆号牌、驾驶人身份信息、风险要素特征数据；
所述风险要素特征数据包括：处理交通违法次数信息、夜间出行比例信息、电池信息平均值、电机信息平均值、电控信息平均值、速度信息平均值；
a9：将所述风险要素特征数据中的所有特征数据进行标准化处理后，由N个标准化处理后的所述风险要素特征数据构成所述模型训练数据集。
6.根据权利要求5所述一种纯电动汽车运行风险预警方法，其特征在于：步骤a3中，将每一条所述统计数据子集中添加对应的所述驾驶人身份信息的步骤包括：
b1：基于所述统计数据子集中的所述车辆号牌，在所述人车关系关联数据库中查找所述车辆号牌对应的所有的驾驶人身份信息；
b2：在所述人车关系关联数据库中，以统计开始时间t1起始，以t1+Nt时间截止，找到所述车辆号牌信息对应的过车时间信息；
设过车时间为：t1+x，其中，x为时间段，取值为自然数；
b3：计算所述过车时间与所述统计时间间隔t的关系：
x/t＝d，其中d取整数；
表示所述过车时间内的数据与d个所述统计数据子集匹配；
b3：将所述过车时间内t1+x内的所述驾驶人身份信息，按照时间匹配关系添加到以所述采集时间为tn+t,tn+2t,....tn+d*t的所述统计数据子集中。
7.根据权利要求6所述一种纯电动汽车运行风险预警方法，其特征在于：步骤b3中，如果某个所述采集时间对应的所述驾驶人身份信息超过1个，则任选其中一个进行添加。
8.根据权利要求5所述一种纯电动汽车运行风险预警方法，其特征在于：步骤a5中，所述驾驶人身份信息进行正向填充包括以下步骤：
e1：设：所述驾驶人身份信息缺失的所述统计数据平均值子集中的所述车辆号牌为X，车辆号牌X缺失所述驾驶人身份信息的时刻为t1+(n+1)*t；
则，找到距离t1+(n+1)*t时刻最近且有所述驾驶人身份信息的时刻t2；
e2：设：车辆号牌X在t2时刻辆车的所述驾驶人身份信息为：A；
则，将驾驶人身份信息A填冲到t1+(n+1)*t时刻对应的所述统计数据平均值子集中。
9.根据权利要求5所述一种纯电动汽车运行风险预警方法，其特征在于：步骤a7中，在所述训练数据基础数据子集添加所述标签特征，包括如下步骤：
c1：初始化所有的所述训练数据基础数据子集中的所述标签特征为0；
c2：基于所述练数据基础数据子集中的车辆号牌A，在所述驾驶行为特征库中查询交通事故信息；
设所述交通事故信息发生时间为：t1+x，其中，其中，x为时间段，取值为自然数；
c3：预设事故发生时间调节参数a、b，其中a、b都为正数；
计算所述交通事故信息发生时间与所述统计时间间隔t的关系：
设：x/t＝d
c4：将起始时间为t1+(n-a)*t，截止时间为t1+(n+b)*t，(a+b)*t时间内的所述练数据基础数据子集内的所述标签特征设置为1。
10.根据权利要求5所述一种纯电动汽车运行风险预警方法，其特征在于：步骤a9中，将所述风险要素特征数据中的所有特征数据进行标准化处理的过程，包括以下步骤：
d1：获取所述风险要素特征数据中需要进行标准化处理的特征数据，记做待处理特征参数z；
d2：将N个所述风险要素特征数据中的所述待处理特征参数z，构成待处理特征序列Z：
Z＝{z1,z2,...zN}
d3：将所述待处理特征序列Z进行标准化处理，构成标准化特征序列Y：
Y＝{y1,y2,...yN}
其中，yi为所述待处理特征参数zi标准化处理后的标准化特征参数：
Figure FDA0002723566900000031
Figure FDA0002723566900000032
CN202011095360.6A 2020-10-14 2020-10-14 一种纯电动汽车运行风险预警方法 Active CN112215497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011095360.6A CN112215497B (zh) 2020-10-14 2020-10-14 一种纯电动汽车运行风险预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011095360.6A CN112215497B (zh) 2020-10-14 2020-10-14 一种纯电动汽车运行风险预警方法

Publications (2)

Publication Number Publication Date
CN112215497A CN112215497A (zh) 2021-01-12
CN112215497B true CN112215497B (zh) 2022-07-01

Family

ID=74054129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011095360.6A Active CN112215497B (zh) 2020-10-14 2020-10-14 一种纯电动汽车运行风险预警方法

Country Status (1)

Country Link
CN (1) CN112215497B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950811B (zh) * 2021-02-02 2022-12-13 武汉理工大学 融合整车安全的新能源汽车区域运行风险评估及预警系统
CN113642893B (zh) * 2021-08-16 2022-07-01 公安部交通管理科学研究所 一种新能源汽车运行风险的评估方法
CN113808403B (zh) * 2021-09-26 2022-04-29 公安部交通管理科学研究所 融合交管大数据的新能源汽车运行风险研判方法
CN114999134B (zh) * 2022-05-26 2024-05-28 北京新能源汽车股份有限公司 一种驾驶行为预警方法、装置及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414874A (zh) * 2020-03-26 2020-07-14 中国平安财产保险股份有限公司 基于人脸的驾驶风险预测方法、装置、设备和存储介质
CN111582596A (zh) * 2020-05-14 2020-08-25 公安部交通管理科学研究所 融合交通状态信息的纯电动汽车续航里程风险预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414874A (zh) * 2020-03-26 2020-07-14 中国平安财产保险股份有限公司 基于人脸的驾驶风险预测方法、装置、设备和存储介质
CN111582596A (zh) * 2020-05-14 2020-08-25 公安部交通管理科学研究所 融合交通状态信息的纯电动汽车续航里程风险预警方法

Also Published As

Publication number Publication date
CN112215497A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
CN112215497B (zh) 一种纯电动汽车运行风险预警方法
CN111062240B (zh) 汽车驾驶安全的监控方法、装置、计算机设备及存储介质
CN107784587B (zh) 一种驾驶行为评价系统
CN103150900B (zh) 一种基于视频的交通拥堵事件自动检测方法
CN108556682B (zh) 一种续驶里程预测方法、装置及设备
CN107329977B (zh) 一种基于概率分布的假牌车二次筛选方法
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
CN114299742B (zh) 一种高速公路的限速信息动态识别与更新推荐方法
CN112622914B (zh) 新能源汽车行车安全状态辨识系统
CN110400469A (zh) 基于人车关联分析的准驾不符违法行为预警方法
CN114757447B (zh) 一种多模型混合的客运枢纽站客流量预测方法及系统
CN114201530B (zh) 一种疑似非正常营运客车提前甄别及预防式监管方法
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法
CN114331181A (zh) 基于大数据的车辆驾驶行为风险分析方法
CN114333320B (zh) 基于rfid的车辆驾驶行为风险评估系统
CN114407661B (zh) 基于数据驱动的电动车能耗预测方法、系统、设备及介质
CN115169630A (zh) 一种电动汽车充电负荷预测方法及装置
CN112651577B (zh) 一种基于融合时空数据的隧道形变预测方法
Yokoyama et al. Do drivers' behaviors reflect their past driving histories?-large scale examination of vehicle recorder data
Hou Applications of big data technology in intelligent transportation system
CN114802264A (zh) 车辆控制方法、装置、电子设备
CN114119256A (zh) 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法
CN112633206A (zh) 脏数据处理方法、装置、设备及存储介质
CN117315943B (zh) 一种超限运输违法监测分析与预警方法及系统
Wang et al. Driver modeling based on vehicular sensing data

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