CN112308330B - 数字化事故数据库构建方法、装置和计算机设备 - Google Patents
数字化事故数据库构建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112308330B CN112308330B CN202011237697.6A CN202011237697A CN112308330B CN 112308330 B CN112308330 B CN 112308330B CN 202011237697 A CN202011237697 A CN 202011237697A CN 112308330 B CN112308330 B CN 112308330B
- Authority
- CN
- China
- Prior art keywords
- damage
- information
- passenger
- accident
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 230000006378 damage Effects 0.000 claims abstract description 386
- 238000004088 simulation Methods 0.000 claims abstract description 160
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 51
- 208000014674 injury Diseases 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims description 85
- 238000005070 sampling Methods 0.000 claims description 83
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 25
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 208000037974 severe injury Diseases 0.000 description 3
- 230000009528 severe injury Effects 0.000 description 3
- 206010019196 Head injury Diseases 0.000 description 2
- 208000004221 Multiple Trauma Diseases 0.000 description 2
- 208000023637 Multiple injury Diseases 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009692 acute damage Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003049 pelvic bone Anatomy 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000032577 susceptibility to 3 autoimmune disease Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种数字化事故数据库构建方法、装置、计算机设备和存储介质。所述方法包括：从事故记录数据库中获取包括事故记录的车辆事故特征和乘员损伤真实信息的样本数据及测试数据；用样本数据对初始损伤仿真模型进行训练，得到目标损伤预测模型；再用测试数据对目标损伤预测模型进行检验，得到目标损伤预测模型的预测准确率；若预测准确率大于或等于预设准确率，则随机生成车辆事故特征并输入目标损伤预测模型进行预测，得到乘员损伤预测信息；根据随机生成的车辆事故特征及乘员损伤预测信息构建数字化事故数据库，数字化事故数据库中的车辆事故特征时间跨度小、数据精度高并且数据量充分，提高了乘员损伤预测的准确率。
Description
技术领域
本申请涉及大数据和交通安全技术领域，特别是涉及一种数字化事故数据库建立方法、装置、计算机设备和存储介质。
背景技术
随着近年来硬件设备和大数据的发展，以深度学习为代表的数据挖掘算法在图像、医学、体征识别等多个领域得到了广泛应用。越是复杂的数据模型，其中的参数越多，需要的训练数据量也越大。数据是目前限制复杂算法应用的主要因素。
传统乘员损伤严重性预测主要依赖于事故统计数据库，通过事故后调研、推演得到事故发生前车辆、乘员和环境等状况。由于真实世界较为复杂，记录的事故前、后信息时间跨度较大，存在较大的数据异质性。
故真实世界得到的统计数据库和自然采集数据库，普遍存在数据收集难度大、预测变量时间跨度大、数据精度与数据量不够、数据离散度较大的问题，导致乘员损伤预测准确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够用于乘员损伤预测的数字化事故数据库构建方法、装置、计算机设备和存储介质。
一种数字化事故数据库构建方法，该方法包括：
从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型；
从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；
若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
在其中一个实施例中，该车辆事故特征包括险态工况下车辆的碰撞初始特征、约束系统特征和乘员身体特征；
将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息，包括：
将该碰撞初始特征、约束系统特征和乘员身体特征输入到该初始损伤仿真模型中进行计算，得到乘员损伤仿真信息。
在其中一个实施例中，根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率，之后还包括：
若该预测准确率低于该预设准确率，则重新从该事故记录数据库获取样本数据对该目标损伤预测模型进行训练，调整该目标损伤预测模型的参数，以使该预测准确率达到该预设准确率。
在其中一个实施例中，该随机生成车辆事故特征之后，还包括：
根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据；
将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息，包括：
将该采样数据输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，包括：
根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在其中一个实施例中，根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据，包括：
若该随机生成的车辆事故特征有分布约束，则按照该分布约束对车辆事故特征随机采样，得到采样数据；
若该随机生成的车辆事故特征没有分布约束，则按照均匀分布的方式对车辆事故特征随机采样，得到采样数据。
在其中一个实施例中，根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库，包括：
若仿真得到的乘员损伤预测信息的分布符合预设分布，或者该乘员损伤预测信息的数据量达到预设数据量，则根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在其中一个实施例中，该方法还包括：
若仿真得到的乘员损伤预测信息的分布不符合预设分布，且该乘员损伤预测信息的数据量未达到预设数据量，则调整该采样数据，继续进行仿真计算。
一种数字化事故数据库构建装置，该装置包括：
第一获取模块，用于从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
仿真模块，用于将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
调整模块，用于根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型；
第二获取模块，用于从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
检验模块，用于根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；
预测模块，用于若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行仿真计算，得到对应的乘员损伤预测信息；
构建模块，用于根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型；
从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；
若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型；
从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；
若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
上述数字化事故数据库构建方法、装置、计算机设备和存储介质，通过从事故记录数据库中获取包括事故记录的车辆事故特征和乘员损伤真实信息的至少一个样本数据和至少一个测试数据；用样本数据对初始损伤仿真模型进行训练，得到目标损伤预测模型；再用测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，数字化事故数据库中的车辆事故特征时间跨度小、数据精度高、数据离散度较小并且数据量充分，提高了乘员损伤预测的准确率。
附图说明
图1为一个实施例中数字化事故数据库构建方法的应用环境图；
图2为一个实施例中数字化事故数据库构建方法的流程示意图；
图3为一个实施例中险态工况信息的示意图；
图4为一个实施例中现有的乘员损伤预测模型的示意图；
图5为一个实施例中损伤预测模型的示意图；
图6为另一个实施例中数字化事故数据库的示意图；
图7为另一个实施例中数字化事故数据库构建方法的流程示意图；
图8为一个实施例中数字化事故数据库构建装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的数字化事故数据库构建方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种数字化事故数据库构建方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息。
其中，事故记录数据库记录交通事故发生时事故的相关信息，包括车辆事故特征以及乘员真实损伤信息等。乘员损伤真实信息是指真实的乘员的损伤严重性信息。直接特征和间接特征都会导致交通事故，间接特征指与乘员损伤信息存在一定相关性，但是不直接决定乘员损伤信息的因素，如道路交通流的状况、光照条件作为环境因素会影响碰撞发生，但是最终乘员损伤信息是由直接特征决定的，例如碰撞瞬间事故车辆的速度、车辆质量等车辆相关参数。因此，本实施例中的车辆事故特征选择影响交通事故发生的直接特征。
具体地，事故记录数据库中记录了大量交通事故信息，从事故记录数据库中获取多条事故记录信息作为样本数据，每个样本数据包括一起事故记录的车辆事故特征和乘员损伤真实信息。
步骤204，将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息。
具体地，计算机仿真具有可控性强、可提供信息丰富、相对真实世界采样数据库建立时间较短的优点。主动安全相关研究表明，采用虚拟引擎渲染得到的道路交通视觉数据，由于数据较为干净，有助于提升用于乘员损伤预测的机器学习模型的预测性能。作用于正常行驶阶段的主动安全仿真只与车辆运动学、动力学有关，能够在短时间内产生大量数据，但涉及人、车两大系统破坏和损伤的碰撞严重性仿真，牵涉运动学、动力学、失效等复杂力学行为计算，仿真时间成本较高。目前乘员损伤仿真结果，主要服务于约束系统设计或乘员损伤过程再现，并未考虑机器学习应用，因此数据规模较小。不同研究之间因为考虑因素不同，基准模型对标工况各有差异，不同数据之间接口不匹配等问题，难以简单的“拼装”在一起，直接用于乘员损伤严重性预测。
相关的乘员损伤预测模型主要分为三类，如图3所示，复杂性从低到高依次是集总参数模型、多刚体模型和有限元模型，越复杂的模型能够适用的工况范围越广，计算时间越长。比如经过对标的集总参数模型，因为没有考虑材料性质和破坏等问题，计算时间在秒量级，但是当参数范围偏离对标工况较远时，结果可信度大大降低。而考虑了材料本身性质和接触性质等细节因素的有限元模型，经过对标后能够得到高可信度的结果，但计算本身对硬件要求较高，计算时间通常以小时为单位，复杂模型单个算例甚至需要一至两天。因此本实施例采用VCS(visual crash studio，视觉碰撞数据)和MADYMO(MAthematical DYnamicModels，数学动态模型)两种计算效率高的软件构建损伤预测模型。
损伤预测模型可以根据事故记录信息预测乘员损伤信息，将从事故记录数据库中获取的事故记录的样本数据输入初始损伤仿真模型，经初始损伤仿真模型计算得到乘员损伤仿真信息。
步骤206，根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型。
具体地，将初始损伤仿真模型计算得到乘员损伤仿真信息与事故记录数据库中记录的乘员损伤真实信息进行比较，若乘员损伤仿真信息与乘员损伤真实信息不一致，则调整初始损伤仿真模型的参数，得到目标损伤预测模型，使得经目标损伤预测模型计算得到的乘员损伤预测信息尽量与乘员损伤真实信息一致，提高目标损伤预测模型的预测准确率。
本实施例是一个模型对标的过程，例如选择乘员的头部加速度、胸部位移量、腿部最大力作为损伤预测指标，在对标时至少这三个量要与事故记录数据库中记录的数据一致。如果想要预测模型的预测准确率，可以额外增加一些御用预测乘员损伤的特征，例如颈部受力、盆骨加速度等特征。
步骤208，从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息。
具体地，将事故记录数据库中获取除样本数据之外的多条事故记录数据，将多条事故记录数据作为测试数据，每个测试数据包括一起事故记录的车辆事故特征和乘员损伤真实信息。
步骤210，根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率。
具体地，将从事故记录数据库中获取的事故记录的测试数据输入目标损伤预测模型计算得到乘员损伤预测信息，对目标损伤预测模型进行检验。例如，将乘员损伤预测信息与事故记录数据库中记录的乘员损伤真实信息进行比较，若一致，则预测结果正确，否则预测结果不准确，根据测试数据中预测准确的事故数与测试数据的总事故数的比值得到目标损伤预测模型的预测准确率。
步骤212，若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息。
具体地，若根据测试数据对目标损伤预测模型进行检验得到的预测准确率大于或等于预设准确率，则随机生成大量的车辆事故特征，预设准确率可以为80％，也可以是85％、90％等数据，本实施例对此不做限定，具体可以根据预测的需求进行调整。将随机生成大量的车辆事故特征输入目标损伤预测模型进行计算，得到对应的乘员损伤预测信息。
步骤214，根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
具体地，将随机生成的一条车辆事故特征及经过目标损伤预测模型仿真计算得到的对应的乘员损伤预测信息作为数字化事故数据库的一条数据，用随机生成大量的车辆事故特征和对应的乘员损伤预测信息构建数字化事故数据库。
上述数字化事故数据库构建方法中，通过从事故数据库中获取包括事故记录的车辆事故特征和乘员损伤真实信息的至少一个样本数据和至少一个测试数据；用样本数据对初始损伤仿真模型进行训练，得到目标损伤预测模型；再用测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，数字化事故数据库中的车辆事故特征时间跨度小、数据精度高、数据离散度较小并且数据量充分，提高了乘员损伤预测的准确率。
在一个实施例中，该车辆事故特征包括险态工况下车辆的碰撞初始特征、约束系统特征和乘员身体特征；
该将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息，包括：
将该碰撞初始特征、约束系统特征和乘员身体特征输入到该初始损伤仿真模型中进行计算，得到乘员损伤仿真信息。
具体地，车辆事故特征包括险态工况下车辆的碰撞初始特征、约束系统特征和乘员身体特征。碰撞初始特征包括但不限于车辆行驶速度、碰撞相对角度、碰撞相对位置等信息。约束系统特征是指安全气囊有无，安全带有无，安全带限力值等信息。乘员身体特征包括乘员的身高、体重、性别等信息。险态工况是指事故发生前1-2s时间内对应的道路行驶场景，即危险状态的简称。如图4所示，影响交通事故发生的间接特征记录的事故前、后信息时间跨度较大，存在较大的数据异质性。事故特征与预测变量之间时间跨度越大，异质性越明显，相关性越低，预测准确性越低，因此为更准确的预测乘员损伤严重性，本实施例采用时间跨度更小的险态工况下的车辆事故特征进行预测。
初始损伤仿真模型可以包括第一损伤仿真模型和第二损伤仿真模型；将车辆的碰撞初始特征输入到第一损伤仿真模型中进行计算，得到碰撞加速度；将约束系统特征、乘员身体特征和碰撞加速度输入到第二损伤仿真模型中进行仿真计算，得到乘员损伤预测信息。本实施例对初始损伤仿真模型的架构不对限定，初始损伤仿真模型不一定要是第一损伤仿真模型和第二损伤仿真模型，也可以只由一种仿真模型直接计算得到乘员损伤仿真信息，只要可以根据初始损伤仿真模型可以得到乘员损伤仿真信息即可。
第一损伤仿真模型可以是车辆碰撞模型，用于计算车辆碰撞信息。将该车辆的碰撞初始特征输入到第一损伤仿真模型中进行计算，得到碰撞加速度。第一损伤仿真模型可以为采用管压溃理论的仿真软件或者采用有限元理论的仿真软件，本实施例在此不做限定，只要可以得到碰撞加速度即可。
第二损伤仿真模型可以是车辆乘员碰撞模型，用于计算乘员损伤信息。将该约束系统特征、乘员身体特征和碰撞加速度输入到第二损伤仿真模型中进行仿真计算，得到乘员运动学信息，将乘员运动学信息进行数学计算得到乘员损伤仿真信息。
乘员运动学信息如碰撞后的头部速度、加速度、位移变化等。如图5所示，将约束系统特征、乘员身体特征和经第一损伤仿真模型中计算得到的碰撞加速度在第二损伤仿真模型中进行计算，得到乘员运动学信息，再将乘员运动学信息转换成乘员AIS(AbbreviatedInjury Scale，简明损伤定级标准)损伤指标信息，即乘员损伤预测信息。AIS将人体划分为九个部位，按照组织器官的解剖损伤程度，规定每处损伤1～6分评分标准，AIS3+为重度损伤。其中多发伤对应的某一区域的最重伤称为损伤最大分值MAIS。损伤严重度评分法(Injury Severity Score,ISS)：多发伤严重性评价常用指标，其计算方式为将身体分为头或颈、面、胸、腹或盆腔、四肢或盆骨、体表六个区域，计算三个最严重部位AIS分值平方和，一般取ISS16+或ISS15+为重伤。
例如，可以将头部碰撞过程的加速度在公式(1)计算得到乘员的头部损伤指标，再根据公式(2)将乘员的头部损伤指标转换成不同损伤等级对应的概率，概率大于一定值(如50％)即发生了该等级的损伤。
第二损伤仿真模型可以为采用管压溃理论的仿真软件或者采用有限元理论的仿真软件，本实施例在此不做限定，只要可以得到乘员损伤仿真信息即可。
在一个实施例中，根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率，之后还包括：
若该预测准确率低于该预设准确率，则重新从该事故记录数据库获取样本数据对该目标损伤预测模型进行训练，调整该目标损伤预测模型的参数，以使该预测准确率达到该预设准确率。
具体地，若将测试数据在目标损伤预测模型中验证得到的目标损伤预测模型的预测准确率低于预设准确率，则重新调整目标损伤预测模型中的参数，对调整后的目标损伤预测模型再次进行验证，直到预测准确率达到预设准确率。
在一个实施例中，该随机生成车辆事故特征之后，还包括：
根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据；
将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息，包括：
将该采样数据输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，包括：
根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
具体地，车辆事故特征的分布情况是指车辆事故特征中的特征是否有分布约束，车辆事故特征中的有些特征有分布约束，有些特征则没有分布约束。按着随机生成的车辆事故特征的分布情况对车辆事故特征进行采样。
将随机采样数据输入目标损伤预测模型进行预测，得到对应的乘员损伤预测信息。根据随机生成的采样数据及对应的乘员损伤预测信息作为一条事故信息，用多条事故信息构建数字化事故数据库。
在一个实施例中，根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据，包括：
若该随机生成的车辆事故特征有分布约束，则按照该分布约束对车辆事故特征随机采样，得到采样数据；
若该随机生成的车辆事故特征没有分布约束，则按照均匀分布的方式对车辆事故特征随机采样，得到采样数据。
具体地，车辆事故特征中的特征有些特征有分布约束，有些特征则没有分布约束。对于车辆事故特征中有分布约束的特征，按照该特征的分布特征进行采样，得到采样数据。例如，乘员身体特征中的年龄有分布约束，真实世界的年龄呈现均值为25，方差为10的高斯分布，则按照年龄的高斯分布特征在预设的年龄段中进行采样，预设的年龄段可以为[10，40]岁，也可以为其他年龄段，本实施例对此不做限定。
对于车辆事故特征中没有分布约束的特征，则按照均匀分布的方式对该特征进行采样，得到采样数据。例如碰撞初始特征中的碰撞相对角度没有分布约束，则在预设角度范围内对碰撞相对角度进行均匀采样的方式进行采样，预设角度范围可以为[-30，30]度，也可以为其他角度范围，本实施例对此不做限定。
在一个实施例中，根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库，包括：
若仿真得到的乘员损伤预测信息的分布符合预设分布，或者该乘员损伤预测信息的数据量达到预设数据量，则根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
其中，在数据库中每行记录是一条数据，如图6所示，每行记录包括多个字段。字段是数据表的列，即样本的属性条目，如性别、年龄、身高、体重、车辆牌照等字段。数据量是指数据表行的记录，即样本数据量。
具体地，如图7所示，当生成一定量的事故数据后，例如数据量达到了40％，查看乘员损伤预测信息的分布情况，若乘员损伤预测信息分布符合预设分布，或者乘员损伤预测信息的数据量达到预设数据量，则根据采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，该方法还包括：
若仿真得到的乘员损伤预测信息的分布不符合预设分布，且该乘员损伤预测信息的数据量未达到预设数据量，则调整该采样数据，继续进行仿真计算。
具体地，当生成一定量的事故数据后，查看乘员损伤预测信息的分布情况，若乘员损伤预测信息分布不符合预设分布，且乘员损伤预测信息的数据量未达到预设数据量，则调整采样数据中没有分布约束的特征，直到乘员损伤预测信息分布符合预设分布，或者乘员损伤预测信息的数据量达到预设数据量。例如数据量达到了50％，头部重伤的事故数据数量较少，需要增加头部重伤的事故数据占比。统计所有仿真数据，分析发现其中大部分事故数据均没有安全气囊，且车辆速度较高。假设数据库对于碰撞车速有分布约束，则应当调整安全气囊相关参数，增加没有安全气囊的事故数据，以增加后续数据中头部重伤的事故数据占比。
数字化事故数据库的构建过程还可以先建立仿真矩阵，数字化事故数据库中可能存在对部分字段的分布具有约束的情况，比如要求某些字段尽可能接近真实分布或者尽可能均匀分布。根据字段是否有分布约束，选择合适的分布进行采样，设置初始仿真矩阵。考虑到数据平衡问题，对于没有分布约束的字段，推荐使用均匀分布采样的方式设置真矩阵数值。如果字段有分布约束，则直接按照目标分布对该字段进行采样，建立仿真矩阵即可。如果有分布约束的字段是乘员损伤预测信息，则需要在仿真过程中进行一定调整：
生成一定量数据后，如40％，查看乘员损伤预测信息的分布情况，并对原来仿真矩阵中，没有约束要求的字段取值进行调整。具体调整方法为：统计已有工况中，想要改变占比的事故信息数量，对应的无约束字段的分布情况，调整剩余仿真矩阵中的无约束字段参数向想要的方向倾斜，如此迭代，直到达到预设的数据量或者达到预设的分布为止。
应该理解的是，虽然图2和图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种数字化事故数据库构建装置，包括：第一获取模块802、仿真模块804、调整模块806、第二获取模块808、检验模块810、预测模块812、和构建模块814，其中：
第一获取模块802，用于从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息。
仿真模块804，用于将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息。
调整模块806，用于根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型。
第二获取模块808，用于从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息。
检验模块810，用于根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率。
预测模块812，用于若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行仿真计算，得到对应的乘员损伤预测信息。
构建模块814，用于根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，该车辆事故特征包括险态工况下车辆的碰撞初始特征、约束系统特征和乘员身体特征；仿真模块804将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息，包括：将该碰撞初始特征、约束系统特征和乘员身体特征输入到该初始损伤仿真模型中进行计算，得到乘员损伤仿真信息。
在一个实施例中，检验模块810根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率，之后还包括：若该预测准确率低于该预设准确率，则重新从该事故记录数据库获取样本数据对该目标损伤预测模型进行训练，调整模块806调整该目标损伤预测模型的参数，以使该预测准确率达到该预设准确率。
在一个实施例中，该随机生成车辆事故特征之后，还包括：仿真模块812根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据；将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息，包括：将该采样数据输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；构建模块814根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，包括：根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，仿真模块812根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据，包括：若该随机生成的车辆事故特征有分布约束，则按照该分布约束对车辆事故特征随机采样，得到采样数据；若该随机生成的车辆事故特征没有分布约束，则按照均匀分布的方式对车辆事故特征随机采样，得到采样数据。
在一个实施例中，构建模块814根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库，包括：若仿真得到的乘员损伤预测信息的分布符合预设分布，或者该乘员损伤预测信息的数据量达到预设数据量，则根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，该方法还包括：若仿真得到的乘员损伤预测信息的分布不符合预设分布，且该乘员损伤预测信息的数据量未达到预设数据量，则调整该采样数据，继续进行仿真计算。
关于数字化事故数据库构建装置的具体限定可以参见上文中对于数字化事故数据库构建方法的限定，在此不再赘述。上述数字化事故数据库构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种数字化事故数据库构建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术乘员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型；
从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；
若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该车辆事故特征包括险态工况下车辆的碰撞初始特征、约束系统特征和乘员身体特征；将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息，包括：将该碰撞初始特征、约束系统特征和乘员身体特征输入到该初始损伤仿真模型中进行计算，得到乘员损伤仿真信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率，之后还包括：若该预测准确率低于该预设准确率，则重新从该事故记录数据库获取样本数据对该目标损伤预测模型进行训练，调整该目标损伤预测模型的参数，以使该预测准确率达到该预设准确率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该随机生成车辆事故特征之后，还包括：根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据；将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息，包括：将该采样数据输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，包括：根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据，包括：若该随机生成的车辆事故特征有分布约束，则按照该分布约束对车辆事故特征随机采样，得到采样数据；若该随机生成的车辆事故特征没有分布约束，则按照均匀分布的方式对车辆事故特征随机采样，得到采样数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库，包括：若仿真得到的乘员损伤预测信息的分布符合预设分布，或者该乘员损伤预测信息的数据量达到预设数据量，则根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若仿真得到的乘员损伤预测信息的分布不符合预设分布，且该乘员损伤预测信息的数据量未达到预设数据量，则调整该采样数据，继续进行仿真计算。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从事故记录数据库中获取至少一个样本数据，该至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
根据该乘员损伤仿真信息和该乘员损伤真实信息，调整该初始损伤仿真模型的参数，得到目标损伤预测模型；
从该事故记录数据库中获取至少一个测试数据，该至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率；
若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该车辆事故特征包括险态工况下车辆的碰撞初始特征、约束系统特征和乘员身体特征；将该样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息，包括：将该碰撞初始特征、约束系统特征和乘员身体特征输入到该初始损伤仿真模型中进行计算，得到乘员损伤仿真信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据该测试数据对该目标损伤预测模型进行检验，得到该目标损伤预测模型的预测准确率，之后还包括：若该预测准确率低于该预设准确率，则重新从该事故记录数据库获取样本数据对该目标损伤预测模型进行训练，调整该目标损伤预测模型的参数，以使该预测准确率达到该预设准确率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该随机生成车辆事故特征之后，还包括：根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据；将该随机生成的车辆事故特征输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息，包括：将该采样数据输入至该目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；根据该随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，包括：根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据该随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据，包括：若该随机生成的车辆事故特征有分布约束，则按照该分布约束对车辆事故特征随机采样，得到采样数据；若该随机生成的车辆事故特征没有分布约束，则按照均匀分布的方式对车辆事故特征随机采样，得到采样数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库，包括：若仿真得到的乘员损伤预测信息的分布符合预设分布，或者该乘员损伤预测信息的数据量达到预设数据量，则根据该采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若仿真得到的乘员损伤预测信息的分布不符合预设分布，且该乘员损伤预测信息的数据量未达到预设数据量，则调整该采样数据，继续进行仿真计算。
本领域普通技术乘员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术乘员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种数字化事故数据库构建方法，其特征在于，所述方法包括：
从事故记录数据库中获取至少一个样本数据，所述至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
将所述样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
根据所述乘员损伤仿真信息和所述乘员损伤真实信息，调整所述初始损伤仿真模型的参数，得到目标损伤预测模型；
从所述事故记录数据库中获取至少一个测试数据，所述至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
根据所述测试数据对所述目标损伤预测模型进行检验，得到所述目标损伤预测模型的预测准确率；
若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将所述随机生成的车辆事故特征输入至所述目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；其中，所述随机生成的车辆事故特征是根据车辆事故特征的分布情况进行随机采样得到的；
根据所述随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
2.根据权利要求1所述的方法，其特征在于，所述车辆事故特征包括险态工况下车辆的碰撞初始特征、约束系统特征和乘员身体特征；
所述将所述样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息，包括：
将所述碰撞初始特征、约束系统特征和乘员身体特征输入到所述初始损伤仿真模型中进行计算，得到乘员损伤仿真信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述测试数据对所述目标损伤预测模型进行检验，得到所述目标损伤预测模型的预测准确率，之后还包括：
若所述预测准确率低于所述预设准确率，则重新从所述事故记录数据库获取样本数据对所述目标损伤预测模型进行训练，调整所述目标损伤预测模型的参数，以使所述预测准确率达到所述预设准确率。
4.根据权利要求1所述的方法，其特征在于，所述随机生成车辆事故特征之后，还包括：
根据所述随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据；
所述将所述随机生成的车辆事故特征输入至所述目标损伤预测模型进行预测，得到对应的乘员损伤预测信息，包括：
将所述采样数据输入至所述目标损伤预测模型进行预测，得到对应的乘员损伤预测信息；
所述根据所述随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库，包括：
根据所述采样数据及对应的乘员损伤预测信息构建数字化事故数据库。
5.根据权利要求4所述的方法，其特征在于，所述根据所述随机生成的车辆事故特征的分布情况对车辆事故特征随机采样，得到采样数据，包括：
若所述随机生成的车辆事故特征有分布约束，则按照所述分布约束对车辆事故特征随机采样，得到采样数据；
若所述随机生成的车辆事故特征没有分布约束，则按照均匀分布的方式对车辆事故特征随机采样，得到采样数据。
6.根据权利要求4所述的方法，其特征在于，所述根据所述采样数据及对应的乘员损伤预测信息构建数字化事故数据库，包括：
若仿真得到的乘员损伤预测信息的分布符合预设分布，或者所述乘员损伤预测信息的数据量达到预设数据量，则根据所述采样数据及对应的损伤预测信息构建数字化事故数据库。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若仿真得到的乘员损伤预测信息的分布不符合预设分布，且所述乘员损伤预测信息的数据量未达到预设数据量，则调整所述采样数据，继续进行仿真计算。
8.一种数字化事故数据库构建装置，其特征在于，所述装置包括：
第一获取模块，用于从事故记录数据库中获取至少一个样本数据，所述至少一个样本数据中每个样本数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
仿真模块，用于将所述样本数据输入初始损伤仿真模型进行仿真，得到乘员损伤仿真信息；
调整模块，用于根据所述乘员损伤仿真信息和所述乘员损伤真实信息，调整所述初始损伤仿真模型的参数，得到目标损伤预测模型；
第二获取模块，用于从所述事故记录数据库中获取至少一个测试数据，所述至少一个测试数据中每个测试数据包括一条事故记录的车辆事故特征和乘员损伤真实信息；
检验模块，用于根据所述测试数据对所述目标损伤预测模型进行检验，得到所述目标损伤预测模型的预测准确率；
预测模块，用于若预测准确率大于或等于预设准确率，则随机生成车辆事故特征，将所述随机生成的车辆事故特征输入至所述目标损伤预测模型进行仿真计算，得到对应的乘员损伤预测信息；其中，所述随机生成的车辆事故特征是根据车辆事故特征的分布情况进行随机采样得到的；
构建模块，用于根据所述随机生成的车辆事故特征及对应的乘员损伤预测信息构建数字化事故数据库。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011237697.6A CN112308330B (zh) | 2020-11-09 | 2020-11-09 | 数字化事故数据库构建方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011237697.6A CN112308330B (zh) | 2020-11-09 | 2020-11-09 | 数字化事故数据库构建方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308330A CN112308330A (zh) | 2021-02-02 |
| CN112308330B true CN112308330B (zh) | 2021-07-09 |
Family
ID=74326610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011237697.6A Active CN112308330B (zh) | 2020-11-09 | 2020-11-09 | 数字化事故数据库构建方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308330B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504891B (zh) * | 2021-07-16 | 2022-09-02 | 爱驰汽车有限公司 | 一种音量调节方法、装置、设备以及存储介质 |
| CN114418200B (zh) * | 2021-12-31 | 2023-04-21 | 清华大学 | 车型特异性乘员损伤预测模型训练方法及装置 |
| CN114386691A (zh) * | 2022-01-10 | 2022-04-22 | 清华大学 | 基于应激姿态预测的乘员损伤预测方法和装置 |
| CN114595834A (zh) * | 2022-03-15 | 2022-06-07 | 北京宾理信息科技有限公司 | 机器学习模型的训练方法、针对车辆乘员的损伤预测方法 |
| CN116720357B (zh) * | 2023-06-08 | 2024-06-07 | 中国汽车工程研究院股份有限公司 | 基于大规模自动化虚拟仿真的行人事故数据库构建方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809175A (zh) * | 2015-04-13 | 2015-07-29 | 上海达梦数据库有限公司 | 特征库的生成方法和装置 |
| CN106485594A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网一体化事故响应决策方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279795B (zh) * | 2013-06-13 | 2016-01-13 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
| CN105808857B (zh) * | 2016-03-10 | 2019-01-04 | 清华大学 | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 |
| KR20200115715A (ko) * | 2019-03-12 | 2020-10-08 | 현대자동차주식회사 | 상해 등급 예측 장치 및 방법 |
| CN110851958B (zh) * | 2019-10-16 | 2021-04-20 | 清华大学 | 一种面向乘员损伤风险的碰撞严重性预测方法 |
| CN110991036B (zh) * | 2019-11-29 | 2022-08-19 | 北京空间技术研制试验中心 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
-
2020
- 2020-11-09 CN CN202011237697.6A patent/CN112308330B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809175A (zh) * | 2015-04-13 | 2015-07-29 | 上海达梦数据库有限公司 | 特征库的生成方法和装置 |
| CN106485594A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网一体化事故响应决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308330A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308330B (zh) | 数字化事故数据库构建方法、装置和计算机设备 | |
| US10282679B2 (en) | Information processing apparatus, program, and information processing method | |
| Decker et al. | Development and multi-scale validation of a finite element football helmet model | |
| CN110377988B (zh) | 乘员道路交通事故损伤预测方法 | |
| CN111060396B (zh) | 一种基于Ls-Dyna187号材料卡的材料力学性能标定方法 | |
| Zhao et al. | Brain pressure responses in translational head impact: a dimensional analysis and a further computational study | |
| Ji et al. | Use of brain biomechanical models for monitoring impact exposure in contact sports | |
| Petitjean et al. | Normalization and scaling for human response corridors and development of injury risk curves | |
| CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| Cronin et al. | Assessment of thorax finite element model response for behind armor blunt trauma impact loading using an epidemiological database | |
| US20180285516A1 (en) | Customized response finite element model for crash test dummy and method | |
| Zhan et al. | Predictive factors of kinematics in traumatic brain injury from head impacts based on statistical interpretation | |
| Giudice et al. | Finite element model of a deformable American football helmet under impact | |
| CN110751175A (zh) | 损失函数的优化方法、装置、计算机设备和存储介质 | |
| Rattanagraikanakorn et al. | Modelling head injury due to unmanned aircraft systems collision: Crash dummy vs human body | |
| Upadhyay et al. | Data-driven uncertainty quantification in computational human head models | |
| CN114418200A (zh) | 车型特异性乘员损伤预测模型训练方法及装置 | |
| Morse et al. | An experimental and numerical investigation of head dynamics due to stick impacts in girls’ lacrosse | |
| CN110275896B (zh) | 光缆入侵施工事件识别方法、装置、设备及可读存储介质 | |
| Hazay et al. | The probability of traumatic brain injuries based on tissue-level reliability analysis | |
| Upadhyay et al. | Development and validation of subject-specific 3D human head models based on a nonlinear visco-hyperelastic constitutive framework | |
| Decker et al. | Effect of body size and enhanced helmet systems on risk for motorsport drivers | |
| Gayzik | Development of a finite element based injury metric for pulmonary contusion | |
| CN112418098A (zh) | 视频结构化模型的训练方法及相关设备 | |
| CN111326260A (zh) | 一种医学分析方法、装置、设备及存储介质 |
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 |