CN112418400A - 一种车辆行驶安全风险评估方法及系统 - Google Patents
一种车辆行驶安全风险评估方法及系统 Download PDFInfo
- Publication number
- CN112418400A CN112418400A CN202011311767.8A CN202011311767A CN112418400A CN 112418400 A CN112418400 A CN 112418400A CN 202011311767 A CN202011311767 A CN 202011311767A CN 112418400 A CN112418400 A CN 112418400A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- alarm
- grade
- alarm 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
本发明涉及车辆安全领域,公开了一种车辆行驶安全风险评估方法及系统,其技术方案要点是包括如下步骤:选取若干单位时间内的组合报警数据;对所有组合报警数据进行预处理得到训练数据;分别对每项训练数据进行风险等级划分,得到对应的等级数据;构建神经网络模型,并以训练数据作为输入,以等级数据作为输出,对神经网络模型进行训练得到目标模型;将待评估的组合报警数据输入到目标模型得到等级数据,可以实时评估车辆风险,用以规范车辆安全管理工作。
Description
技术领域
本发明涉及车辆安全领域,更具体地说,它涉及一种车辆行驶安全风险评估方法及系统。
背景技术
随着科学技术的发展,车辆技术越来越成熟,汽车的使用范围越来越广泛,给人类生活带来了极大的便利。但是与此同时,车辆安全事故的发生也越来越多,给相关人员和企业带来很大的损失,所以要对车辆安全进行进一步的把控,以减少安全事故的发生。
影响车辆行驶安全的主要因素有:驾驶员方面、车辆性能方面、环境条件方面、组织管理等方面,而借助新进的管理理念与评估方法,改进目前状态,建立新的评价体系,对于提高汽车运输安全管理效能,有针对性地降低车辆事故,使运输工作顺利完成,对解决运输过程中出现的各种问题有着重要的意义。
发明内容
本发明的目的是提供一种车辆行驶安全风险评估方法及系统,可以实时评估车辆风险,用以规范车辆安全管理工作。
本发明的上述技术目的是通过以下技术方案得以实现的:一种车辆行驶安全风险评估方法,包括如下步骤:
选取若干单位时间内的组合报警数据;
对所有组合报警数据进行预处理得到训练数据;
分别对每项训练数据进行风险等级划分,得到对应的等级数据;
构建神经网络模型,并以训练数据作为输入,以等级数据作为输出,对神经网络模型进行训练得到目标模型;
将待评估的组合报警数据输入到目标模型得到等级数据。
作为本发明的一种优选技术方案,在对神经网络模型训练以前,以对应的训练数据和等级数据为单位,将其分为训练集和测试集,使用训练集的训练数据和等级数据对神经网络模型进行训练。
作为本发明的一种优选技术方案,在使用训练集对神经网络模型训练得到目标模型后,使用测试集的训练数据对目标模型进行测试,使用通过测试的目标模型对待评估的组合报警数据进行计算。
作为本发明的一种优选技术方案,所述组合报警数据中包括若干项影响因子数据。
作为本发明的一种优选技术方案,对报警数据预处理的过程包括如下子步骤:
从所有组合报警数据中选择同时满足行驶距离要求和行驶时间要求的第一报警数据;
从第一报警数据中选取满足速度要求的第二报警数据;
对第二报警数据进行处理,将每辆车的报警次数转换为每公里报警数,得到第三报警数据;
对第三报警数据中对缺失的影响因子数据进行缺失值处理,得到第四报警数据;
对第四报警数据进行降噪处理得到训练数据。
作为本发明的一种优选技术方案,计算得出每项影响因子数据的平均值,使用对应的影响因子数据的平均值补充缺失的影响因子数据。
作为本发明的一种优选技术方案,从第四报警数据中选择符合3σ准则的数据作为训练数据。
作为本发明的一种优选技术方案,所述神经网络模型为LSTM网络。
一种车辆行驶安全风险评估系统,包括:
源数据选取模块:选取若干单位时间内的组合报警数据;
预处理模块:对所有组合报警数据进行预处理得到训练数据;
分级模块:分别对每项训练数据进行风险等级划分,得到对应的等级数据;
模型训练模块:构建神经网络模型,并以训练数据作为输入,以等级数据作为输出,对神经网络模型进行训练得到目标模型;
实际评估模块:将待评估的组合报警数据输入到目标模型得到等级数据。
综上所述,本发明具有以下有益效果:能够实时的输入待评估的组合报警数据,通过目标模型的计算,得到相应的车辆行驶安全风险等级,从而可以实时评估车辆风险,用以规范车辆安全管理工作;还能够提高车辆运输安全管理效能,有针对性地降低车辆事故,减少伤亡和损失,使运输工作顺利完成,对解决运输过程中出现的各种问题有着重要的意义。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
如图1所示,本发明提供一种车辆行驶安全风险评估方法,包括如下步骤:
S1、选取若干单位时间内的组合报警数据;其中,组合报警数据中包括若干项影响因子数据;
具体的,影响因子包括不良驾驶行为报警、主动安全报警、违规报警以及不确定因素报警;不良驾驶行为报警包括急刹车、急转弯以及频繁变道;主动安全报警包括车辆偏离报警、车距过近报警、双手同时脱离方向盘报警、疲劳驾驶报警、接打电话报警、抽烟报警、注意力分散报警、驾驶员异常报警;违规报警包括超速报警、路线偏离报警;不确定因素报警包括天气报警和道路报警。
S2、对所有组合报警数据进行预处理得到训练数据;对报警数据预处理的过程包括如下子步骤:
S21、从所有组合报警数据中选择同时满足行驶距离要求和行驶时间要求的第一报警数据;具体的,根据实际情况,行驶距离M和行驶时间T应同时满足,1KM<M<1800KM,600s<T<64800s;
S22、从第一报警数据中选取满足速度要求的第二报警数据;具体的,根据实际情况,车辆的时速不低于10KM/h;
S23、在得到第二报警数据后,为了每辆车的数据统计,将每辆车的报警次数转换为每公里报警数得到第三报警数据;
S24、对第三报警数据中缺失的影响因子数据进行缺失值处理,得到第四报警数据;缺失值处理的过程为:计算得出每项影响因子数据的平均值,使用对应的影响因子数据的平均值补充缺失的影响因子数据;
S25、对第四报警数据进行降噪处理得到训练数据;从第四报警数据中选择符合3σ准则的数据作为训练数据。
S3、分别对每项训练数据进行风险等级划分,得到对应的等级数据,具体的,包括4个等级,分别为高风险、中风险、低风险和正常;
S4、构建神经网络模型,并以训练数据作为输入,以等级数据作为输出,对神经网络模型进行训练得到目标模型;具体的,神经网络模型为LSTM网络。在对神经网络模型训练以前,以对应的训练数据和等级数据为单位,将其分为训练集和测试集,使用训练集的训练数据和等级数据对神经网络模型进行训练。
在使用训练集对神经网络模型训练得到目标模型后,使用测试集的训练数据对目标模型进行测试,通过测试的目标模型才能够被实际评估使用。
具体的,构建LSTM网络的过程和原理为:
LSTM(长短时记忆神经网络)是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。它是一种特殊的RNN(循环神经网络)。LSTM区别于RNN的地方,主要是在算法中加入了一个判断信息有用与否的“处理器”。即通过增加输入门限、遗忘门限和输出门限,当一个信息进入LSTM网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。这使得自循环的权重是变化的,这样一来在模型参数固定的情况下,不同时刻的积分尺度可以动态改变,从而避免了梯度消失或者梯度膨胀的问题。
针对LSTM网络。采用误差反向传播算法进行训练。具体的思路为:先将LSTM网络按照时间顺序展开为一个深层的网络,然后使用误差反向传播算法对展开后的网络进行训练,对于LSTM网络,损失函数不仅与输出层有关,而且与前后时间的隐藏层有关。
建立用于车辆行驶安全风险评估的LSTM网络主要需要确定模型的5个超参数,即输入层时间步数、输入层节点数、隐含层数量、隐含层节点数、输出层节点数。
输入层时间步数等于用来车辆行驶安全风险评估的变量时间序列的长度,本系统设为30,即输入前30个时刻的历史数据用户预测;输入层的节点数,即变量数,由于我们有14个影响因子,因此输入层节点数为14;本系统仅考虑单LSTM层的预测模型,因此隐含层数量为1;经过多次试验,本系统隐含层的节点数设为10;由于本系统的输出是四种风险级别,因此输出层的节点数设为4。
S5、将待评估的组合报警数据输入到目标模型得到等级数据。具体的,输入的待评估组合报警数据为频繁变道/公里、急刹车/公里、急转弯/公里、超速/公里、路线偏离/公里、车距过近/公里、接打电话/公里、驾驶员异常/公里、双手脱离方向盘/公里、疲劳驾驶/公里、抽烟/公里、注意力分散/公里、车辆偏离/公里、天气情况、道路情况组成的数组。
对应上述的方法,本发明还提供了一种车辆行驶安全风险评估系统,包括:
源数据选取模块:选取若干单位时间内的组合报警数据;
预处理模块:对所有组合报警数据进行预处理得到训练数据;
分级模块:分别对每项训练数据进行风险等级划分,得到对应的等级数据;
模型训练模块:构建神经网络模型,并以训练数据作为输入,以等级数据作为输出,对神经网络模型进行训练得到目标模型;
实际评估模块:将待评估的组合报警数据输入到目标模型得到等级数据。
通过上述的方法和系统:能够实时的输入待评估的组合报警数据,通过目标模型的计算,得到相应的车辆行驶安全风险等级,从而可以实时评估,用以规范车辆安全管理工作;还能够提高车辆运输安全管理效能,有针对性地降低车辆事故,减少伤亡和损失,使运输工作顺利完成,对解决运输过程中出现的各种问题有着重要的意义。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种车辆行驶安全风险评估方法,其特征是:包括如下步骤:
选取若干单位时间内的组合报警数据;
对所有组合报警数据进行预处理得到训练数据;
分别对每项训练数据进行风险等级划分,得到对应的等级数据;
构建神经网络模型,并以训练数据作为输入,以等级数据作为输出,对神经网络模型进行训练得到目标模型;
将待评估的组合报警数据输入到目标模型得到等级数据。
2.根据权利要求1所述的一种车辆行驶安全风险评估方法,其特征是:在对神经网络模型训练以前,以对应的训练数据和等级数据为单位,将其分为训练集和测试集,使用训练集的训练数据和等级数据对神经网络模型进行训练。
3.根据权利要求2所述的一种车辆行驶安全风险评估方法,其特征是:在使用训练集对神经网络模型训练得到目标模型后,使用测试集的训练数据对目标模型进行测试,使用通过测试的目标模型对待评估的组合报警数据进行计算。
4.根据权利要求1所述的一种车辆行驶安全风险评估方法,其特征是:所述组合报警数据中包括若干项影响因子数据。
5.根据权利要求4所述的一种车辆行驶安全风险评估方法,其特征是:对报警数据预处理的过程包括如下子步骤:
从所有组合报警数据中选择同时满足行驶距离要求和行驶时间要求的第一报警数据;
从第一报警数据中选取满足速度要求的第二报警数据;
对第二报警数据进行处理,将每辆车的报警次数转换为每公里报警数,得到第三报警数据;
对第三报警数据中对缺失的影响因子数据进行缺失值处理,得到第四报警数据;
对第四报警数据进行降噪处理得到训练数据。
6.根据权利要求5所述的一种车辆行驶安全风险评估方法,其特征是:缺失值处理的过程为:计算得出每项影响因子数据的平均值,使用对应的影响因子数据的平均值补充缺失的影响因子数据。
7.根据权利要求6所述的一种车辆行驶安全风险评估方法,其特征是:降噪处理的过程为:从第四报警数据中选择符合3σ准则的数据作为训练数据。
8.根据权利要求1所述的一种车辆行驶安全风险评估方法,其特征是:所述神经网络模型为LSTM网络。
9.一种车辆行驶安全风险评估系统,其特征是:包括:
源数据选取模块:选取若干单位时间内的组合报警数据;
预处理模块:对所有组合报警数据进行预处理得到训练数据;
分级模块:分别对每项训练数据进行风险等级划分,得到对应的等级数据;
模型训练模块:构建神经网络模型,并以训练数据作为输入,以等级数据作为输出,对神经网络模型进行训练得到目标模型;
实际评估模块:将待评估的组合报警数据输入到目标模型得到等级数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311767.8A CN112418400A (zh) | 2020-11-20 | 2020-11-20 | 一种车辆行驶安全风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311767.8A CN112418400A (zh) | 2020-11-20 | 2020-11-20 | 一种车辆行驶安全风险评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418400A true CN112418400A (zh) | 2021-02-26 |
Family
ID=74778418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011311767.8A Pending CN112418400A (zh) | 2020-11-20 | 2020-11-20 | 一种车辆行驶安全风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418400A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190100216A1 (en) * | 2017-09-29 | 2019-04-04 | Denso International America, Inc. | Risk Assessment System For Assessing Current Driver Behavior Relative to Past Behavior and Behaviors of Other Drivers |
CN110335441A (zh) * | 2019-07-30 | 2019-10-15 | 江苏驭道数据科技有限公司 | 一种道路运输车辆驾驶行为风险动态评价系统 |
US20200039525A1 (en) * | 2018-08-03 | 2020-02-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for detecting safety of driving behavior, apparatus, device and storage medium |
CN111027859A (zh) * | 2019-12-11 | 2020-04-17 | 公安部交通管理科学研究所 | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 |
US20200180609A1 (en) * | 2017-07-07 | 2020-06-11 | Wabco Gmbh | Method for predictive assessment of a current driving situation and assessment module |
CN111757329A (zh) * | 2020-06-23 | 2020-10-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种安全行车提示方法、装置及计算机设备 |
-
2020
- 2020-11-20 CN CN202011311767.8A patent/CN112418400A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200180609A1 (en) * | 2017-07-07 | 2020-06-11 | Wabco Gmbh | Method for predictive assessment of a current driving situation and assessment module |
US20190100216A1 (en) * | 2017-09-29 | 2019-04-04 | Denso International America, Inc. | Risk Assessment System For Assessing Current Driver Behavior Relative to Past Behavior and Behaviors of Other Drivers |
US20200039525A1 (en) * | 2018-08-03 | 2020-02-06 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for detecting safety of driving behavior, apparatus, device and storage medium |
CN110335441A (zh) * | 2019-07-30 | 2019-10-15 | 江苏驭道数据科技有限公司 | 一种道路运输车辆驾驶行为风险动态评价系统 |
CN111027859A (zh) * | 2019-12-11 | 2020-04-17 | 公安部交通管理科学研究所 | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 |
CN111757329A (zh) * | 2020-06-23 | 2020-10-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种安全行车提示方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
胡立伟;凌浩晗;杨锦青;赵雪亭;尹宇;田海龙;: "基于模糊小波神经网络的营运客车运行风险评估模型研究", 安全与环境学报, no. 03, pages 75 - 83 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ata et al. | Modelling smart road traffic congestion control system using machine learning techniques | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN109493566B (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
CN106095963A (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
Du et al. | Predicting freeway work zone delays and costs with a hybrid machine-learning model | |
Huang et al. | Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models | |
Amiri et al. | Comparing the efficiency of different computation intelligence techniques in predicting accident frequency | |
Xiong et al. | A Descriptive Bayesian Approach to Modeling and Calibrating Drivers' En Route Diversion Behavior | |
Zou et al. | Short-term traffic flow prediction based on PCC-BiLSTM | |
CN107976934A (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
Christalin Nelson et al. | A novel optimized LSTM networks for traffic prediction in VANET | |
Kumar Shakya et al. | Internet of Things-based intelligent ontology model for safety purpose using wireless networks | |
Jalel et al. | Continuous time markov chain traffic model for urban environments | |
Lee | Freeway travel time forecast using artifical neural networks with cluster method | |
CN112418400A (zh) | 一种车辆行驶安全风险评估方法及系统 | |
CN111125862A (zh) | 一种基于遗传算法和比功率的跟驰模型排放测算方法 | |
CN115891824A (zh) | 机动车辆的操作方法 | |
Gallo et al. | An explainable approach for car driver identification | |
Miller et al. | Advanced tutorial on microscopic discrete-event traffic simulation | |
CN108460057A (zh) | 一种基于无监督学习的用户行程挖掘方法和装置 | |
Bhoraskar | Prediction of Fuel Consumption of Long Haul Heavy Duty Trucks Using Machine Learning and Comparison of the Performance of Various Learning Techniques | |
Zareian et al. | A combined Apriori algorithm and fuzzy controller for simultaneous ramp metering and variable speed limit determination in a freeway | |
Wei et al. | An AHP-ME-Based Vehicle Crash Prediction Model considering Driver Intention and Real-Time Traffic/Road Condition | |
Septyanto et al. | A fuzzy rule-based fog-cloud for control the traffic light duration based on-road density | |
Wang et al. | A scoring method for driving safety credit using trajectory 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 |