CN112634607A - 基于车辆对外界(v2x)的实时车辆事故风险预测 - Google Patents

基于车辆对外界(v2x)的实时车辆事故风险预测 Download PDF

Info

Publication number
CN112634607A
CN112634607A CN202011014792.XA CN202011014792A CN112634607A CN 112634607 A CN112634607 A CN 112634607A CN 202011014792 A CN202011014792 A CN 202011014792A CN 112634607 A CN112634607 A CN 112634607A
Authority
CN
China
Prior art keywords
vehicle
data
accident risk
real
vehicle accident
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
Application number
CN202011014792.XA
Other languages
English (en)
Inventor
阿明·阿里安尼扎德
哈迈德·阿萨迪
普拉韦恩·库马尔·亚拉瓦蒂
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN112634607A publication Critical patent/CN112634607A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/09675—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where a selection from the received information takes place in the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • 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

Abstract

本公开提供了“基于车辆对外界(V2X)的实时车辆事故风险预测”。描述了用于使用实时车辆对外界(V2X)数据执行实时车辆事故风险预测的系统、方法和计算机可读介质。使用诸如历史事故数据和历史车辆操作员驾驶模式行为数据的历史V2X数据以及诸如环境状况数据和基础设施状况数据的第三方数据来训练车辆事故风险预测机器学习模型。然后，使用所述训练后的机器学习模型基于与路段和/或在所述路段上的车辆操作员相关的实时V2X数据来预测在所述路段上的车辆的事故风险。接着，可将高事故风险的通知发送到所述车辆的V2X通信装置以通知所述车辆的操作员。

Description

基于车辆对外界(V2X)的实时车辆事故风险预测
技术领域
本发明总体上涉及实时车辆事故风险预测，并且更具体地，涉及使用车辆对外界(V2X)技术来执行实时车辆事故风险预测。
背景技术
V2X通信涉及在车辆与可能影响车辆或其操作的任何实体之间传递信息。V2X涵盖各种更具体类型的车辆通信系统，包括例如车辆对基础设施(V2I)通信；车辆对网络(V2N)通信；车辆对车辆(V2V)通信；车辆对行人(V2P)通信；车辆对装置(V2D)通信；以及车辆对电网(V2G)通信。有两种主要类型的V2X通信技术：1)广局域网(WLAN)V2X通信，以及2)基于蜂窝的V2X通信。
基于WLAN的V2X通信利用无线电通信来实现V2V和V2I通信，并且在电气和电子工程师协会(IEEE)无线通信协议802.11p中被标准化。基于IEEE 802.11p无线通信协议的无线通信被称为专用短程通信(DSRC)。另一方面，蜂窝V2X利用蜂窝网络来实现各种形式的V2X通信。由于蜂窝V2X支持通过蜂窝网络的广域通信，因此它实现了除了基于WLAN的技术之外的附加类型的V2X通信，诸如V2N通信。
通过V2X通信交换的数据可用于支持各种交通管理和安全应用。例如，V2X通信可用于向车辆操作员提供碰撞警告或交通拥堵警告。然而，利用V2X技术的现有安全应用存在许多技术缺点，本文中描述了其技术解决方案。
发明内容
描述了用于使用实时车辆对外界(V2X)数据执行实时车辆事故风险预测的系统、方法和计算机可读介质。使用诸如历史事故数据和历史车辆操作员驾驶模式行为数据的历史V2X数据以及诸如环境状况数据和基础设施状况数据的第三方数据来训练车辆事故风险预测机器学习模型。然后，使用所述训练后的机器学习模型基于与路段和/或在所述路段上的车辆操作员相关的实时V2X数据来预测在所述路段上的车辆的事故风险。接着，可将高事故风险的通知发送到所述车辆的V2X通信装置以通知所述车辆的操作员。
附图说明
参考附图阐述了具体实施方式。附图仅出于说明目的而提供，并且仅描绘本发明的示例实施例。提供附图是为了促进对本发明的理解，不应将其视为限制本发明的广度、范围或适用性。在附图中，附图标记最左边的数字标识附图标记首次出现于的附图。使用相同的附图标记指示类似但不一定一样或相同的部件。然而，不同的附图标记也可用于标识类似的部件。各种实施例可或可不利用除了附图中示出的元件或部件之外的元件或部件，并且一些元件和/或部件可能或可能不存在于各种实施例中。根据上下文，使用单数术语来描述部件或元件可涵盖复数数量的此类部件或元件，并且反之亦然。
图1是根据本发明的一个或多个示例实施例的示意性地描绘利用蜂窝车辆对外界(V2X)通信技术的实时车辆事故风险预测的框图。
图2是根据本发明的一个或多个示例实施例的示意性地描绘训练车辆事故风险预测机器学习模型和使用训练后的模型尤其基于实时蜂窝V2X数据来提供车辆事故风险预测的混合数据流和框图。
图3是根据本发明的一个或多个示例实施例的用于训练车辆事故风险预测机器学习模型的说明性方法的过程流程图。
图4是根据本发明的一个或多个示例实施例的用于使用训练后的车辆事故风险预测机器学习模型尤其基于实时蜂窝V2X数据来预测事故风险并向车辆操作员提供事故风险的通知的说明性方法的过程流程图。
图5是被配置为实现本发明的一个或多个示例实施例的说明性联网架构的示意图。
具体实施方式
综述
本发明的示例实施例尤其包括用于使用实时V2X数据执行实时车辆事故风险预测以提供在路段上行驶的车辆的车辆事故风险的多因子评估使得可以实时地向车辆操作员通知风险的系统、方法、计算机可读介质、技术和方法。本文结合涉及在路面上行驶的车辆(例如，汽车、卡车、摩托车等)的用例来描述本发明的示例实施例。然而，应理解，本发明的实施例适用于车辆在可能造成车辆事故风险的状况下操作的任何场景，例如船只或其他船舶在水中导航；飞机或其他飞行器穿过空中飞行等。此外，车辆事故可包括涉及车辆的任何事故，所述事故可能导致人身伤害或损失，或诸如车辆-车辆碰撞；车辆-道路基础设施碰撞；车辆-行人碰撞等事件。
车辆碰撞或其他类型的车辆事故通常由若干因素之间的复杂相互作用引起，所述因素包括但不限于驾驶员的驾驶模式，诸如危险的驾驶行为；驾驶员分心；交通流量特性；道路几何状况；天气状况等。众多此类因素之间的相互作用有时可能会增加在路段上发生车辆事故的风险，使得小错误或驾驶员分心可能触发事故。更一般地说，由于影响车辆事故风险的因素会改变，因此在任何给定路段上发生车辆事故的概率可能随时间变化。例如，夜间在低能见度条件下在湿滑路面上行驶比白天当路面干燥且能见度良好时在同一路面上行驶会呈现更大的事故风险。
本发明的示例实施例提供了对技术问题的技术解决方案，通过使用训练后的机器学习预测模型来执行对事故风险的实时评估而不断改变用于实时评估车辆事故风险的状况。本发明的示例实施例最初使用各种形式的输入数据来训练车辆事故风险预测机器学习模型，所述输入数据包括指示历史车辆事故、历史驾驶员的驾驶模式和驾驶行为等的V2X数据，以及指示例如天气状况、道路几何形状等的第三方数据。一旦被训练，机器学习模型就可用于实时地预测发生车辆事故的风险。更具体地，可将实时V2X数据、实时第三方数据等输入到训练后的机器学习模型，以生成指示在特定路段上发生的车辆事故的瞬时风险(或随时间推移的风险)的车辆事故风险值。在示例实施例中，当车辆事故风险值满足指示高事故风险等级的阈值时，可以向车辆的通信装置发送通知以向车辆操作员提供高事故风险等级的实时警告。另外，可以任选地将引起高风险等级的特定因素(诸如天气状况，具有历史风险驾驶行为的驾驶员正在路段上操作车辆等)发送到通信装置并呈现给车辆操作员。
通过训练车辆事故风险预测机器学习模型并利用训练后的模型来执行实时车辆事故风险评估并在涉及高车辆事故风险的场景期间向驾驶员提供实时警告，示例实施例提供了用于计算以及实时地向驾驶员通知碰撞风险并因此用于缓解碰撞风险、平稳交通流量、增强道路安全性并改善道路机动性的主动技术。因此，示例实施例提供了优于常规防撞系统的技术解决方案，所述常规防撞系统本质上仅是反应性的(例如，提供前方障碍物的警告)，并且无法主动地评估发生车辆事故的实时多因素风险并通知给车辆操作员。
另外，本发明的示例实施例依赖于具有高分辨率的实时V2X数据作为训练后的机器学习模型的输入，以实时地预测车辆事故风险，这表示相对于依赖道路上的固定传感器作为收集交通数据的来源的常规碰撞风险预测方法的技术改进。此类固定传感器仅部署在有限数量的道路(例如，一些高速公路)上，彼此间隔0.5至1英里的平均距离，并且每20至30秒周期性地报告交通数据。利用这种类型的低频、低粒度数据的常规碰撞风险预测技术比依赖连续从车辆收集的关于任何类型道路的实时蜂窝V2X数据的本发明示例实施例产生的碰撞风险预测模型的准确度低得多。因此，本发明的示例实施例比依赖固定传感器来获得交通相关数据的常规技术产生的碰撞风险预测能力明显更准确。另外，本发明的示例实施例提供了高车辆事故风险的实时车载通知，这是常规解决方案无法实现的。此外，虽然V2X数据已变得更常用于各种交通管理和安全应用，包括事故和拥堵监测，高级旅行者信息系统和性能测量，但诸如实时蜂窝V2X数据的实时V2X数据先前尚未用于提供实时车辆事故风险预测以及高风险场景和驾驶条件的实时车载通知。因此，至少由于前述原因，本发明的示例实施例提供了优于常规碰撞风险预测方法的技术改进。
说明性实施例
现在参考本发明的说明性实施例，图1描绘了涉及沿路段104行驶的多个车辆的场景。车辆包括代表性车辆102(结合其将描述利用蜂窝V2X数据的实时车辆事故风险预测)以及与车辆102在相同的路段104上行驶的多个其他车辆106。车辆102以及车辆106中的每一者可包括能够发送和接收V2X数据通信的相应通信装置(图1中未示出)。更具体地，每个车辆的相应通信装置可能够经由一个或多个蜂窝网络110发送和接收车辆对网络(V2N)通信108。一个或多个蜂窝网络110可包括任何当前操作的蜂窝网络，诸如全球移动通信系统(GSM)网络、3G通用移动电信系统(UMTS)网络或4G长期演进(LTE)网络，以及5G网络等当前正在推出的蜂窝网络和/或将来可能变得可操作的蜂窝网络。应理解，除了V2N通信之外，所描绘的车辆的通信装置还能够发送和接收其他形式的V2X通信，诸如V2V通信、V2I通信等。
如将参考图2-4更详细地描述的，可提供实时车辆风险预测服务116(其可为基于云的服务)。在示例实施例中，实时车辆风险预测服务116被配置为使用例如实时V2N数据108对在路段(例如，路段104)发生的车辆事故进行实时风险评估，并在确定车辆事故的风险较高时向车辆(例如，车辆102)的通信装置发送通知。除了实时V2N数据108之外，服务116还可以利用从一个或多个第三方服务112接收的数据来执行实时车辆事故风险评估。可以经由一个或多个网络114从第三方服务112接收第三方数据，所述一个或多个网络可包括任何合适的专用和/或公共网络。第三方数据可包括但不限于诸如天气数据的环境状况数据；指示路段的几何形状、对路段的损坏、路段上存在的障碍物等的基础设施状况数据等。
在示例实施例中，服务116可以对实时V2N数据108以及第三方数据执行训练后的机器学习模型以产生车辆事故风险预测值。第三方数据可以由服务116经由网络114接收，并且可包括但不限于先前描述的说明性类型的数据。实时V2N数据108可包括可以经由蜂窝网络110传送到服务116的各种类型的V2N数据。例如，实时接收的V2N数据108可包括驾驶员的驾驶模式数据，其可指示车辆速度/加速度；车辆振动特性；车辆方向数据；车辆制动数据等，所有这些都可提供对车辆操作员安全或鲁莽驾驶行为的程度的洞悉。
可从正在执行风险预测的车辆(例如，车辆102)以及从同时存在于同一路段104上的其他车辆106实时地接收驾驶员的驾驶模式数据。应理解，服务116可以同时对路段104和多个车辆执行车辆事故风险预测。作为另一个非限制性示例，V2N数据108可包括指示路段104上的交通流量/拥堵的实时交通流量数据；路段104上的平均车辆速度等。如将在本公开中稍后更详细地描述的，可将类似类型的历史V2N数据和历史第三方数据用作地面实况数据，以初始地训练机器学习模型来执行实时车辆事故风险预测。
在示例实施例中，可将从训练后的机器学习模型应用于实时V2N和第三方数据获得的车辆事故风险预测值与阈值进行比较。如果车辆事故风险预测值满足阈值，则这可指示高车辆事故风险等级。如本文所使用，第一值满足第二值可包括第一值严格大于第二值；第一值大于或等于第二值；第一值严格小于第二值；或者第一值小于或等于第二值。在示例实施例中，服务116可以在车辆事故风险预测值满足阈值时向车辆(例如，车辆102)的通信装置发送通知，从而指示发生车辆事故的高风险。
通知可包括指示车辆事故的高风险的各种信息。所述信息可以经由例如车载显示器118呈现给车辆操作员。所述信息可包括例如实时警告120，其包含指示存在发生车辆事故的高风险的一个或多个术语、短语、符号或其他标记。在示例实施例中，警告120还可以指定危险状况存在于路段104上的距离；危险状况存在的持续时间等。另外，在示例实施例中，还可以经由车载显示器118将更详细的信息122呈现给车辆操作员。
更详细的信息122可包括对导致高车辆事故风险的特定因素或状况的识别，包括但不限于在路段104上存在具有所表现出的不安全驾驶模式的驾驶员；具体的危险天气状况(例如，结冰/湿路、雾等)；存在于路段104中的障碍物，所述障碍物增加发生车辆事故的风险(例如，施工设备、车道封闭、碎屑等)；对路段104的基础设施和/或地面状况的损坏(例如，坑洞)；危险道路几何形状(例如，急弯)等。因此，在示例实施例中，不仅向车辆操作员呈现发生车辆事故的风险何时会高的实时指示，而且向车辆操作员呈现识别造成所述高风险的因素/状况的特定信息。以此方式，为车辆操作员提供了调整其驾驶习惯以缓解发生车辆事故的高风险的机会，从而潜在地采取特定措施来抵消导致高风险的特定因素/状况。
图2是示意性地描绘训练车辆事故风险预测机器学习模型以及使用训练后的模型来基于尤其实时蜂窝V2X数据提供车辆事故风险预测的混合数据流和框图。在示例实施例中，图2所描绘的部件可形成图1所描绘的服务116的一部分。图3是用于训练车辆事故风险预测机器学习模型的说明性方法300的过程流程图。图4是用于使用训练后的车辆事故风险预测机器学习模型来基于尤其实时蜂窝V2X数据预测事故风险并向车辆操作员提供关于事故风险的通知的说明性方法400的过程流程图。在下文中将结合图1和2来描述图3和4每一者。
方法300和/或方法400的每个操作可由图2或图5中描绘的程序模块/引擎中的一个或多个执行，将在下文更详细地描述所述程序模块/引擎的操作。这些程序模块可以硬件、软件和/或固件的任何组合来实现。在某些示例实施例中，这些程序模块中的一个或多个可以至少部分地实现为包括计算机可执行指令的软件和/或固件模块，所述计算机可执行指令在由处理电路执行时使得执行一个或多个操作。本文描述为被配置为实现本发明的示例实施例的系统或装置可包括一个或多个处理电路，每个处理电路可包括一个或多个处理单元或节点。计算机可执行指令可包括计算机可执行程序代码，所述计算机可执行程序代码在由处理单元执行时可以使得访问和处理包含在计算机可执行程序代码中或由计算机可执行程序代码引用的输入数据以产生输出数据。
首先参考图3，在方法300的框302处，可将道路集合划分为路段，所述路段可包括例如图1中所示的路段104。每个路段可表示道路的离散部分，诸如例如在两个特定英里标志牌之间的州际公路段。给定道路的每个路段的长度可相等，或者两个或更多个路段可具有不同的长度。在示例实施例中，将道路分割成路段可使相对于车辆的瞬时位置的车辆事故风险预测的准确度更高。特别地，基于与特定路段而不是整个道路相关的V2X数据来进行车辆风险预测允许以更高的粒度和准确度识别和评估高风险状况，所述高风险状况可仅沿着道路间歇地出现。
现在结合图2参考图3，在方法300的框304处，可收集与分割的路段相关的各种输入数据202。在示例实施例中，输入数据202可包括各种类型的历史V2X数据，诸如历史事故数据202A、历史车辆操作员行为数据202D和历史交通数据202E。历史事故数据202A可指示但不限于各种路段的车辆事故的数量和/或速率；事故中涉及的车辆的车辆操作特性，诸如车辆速度/加速度、维持的制动距离、安全气囊展开的次数或速率等；由车辆事故引起的车辆损坏的程度；由车辆事故导致的人身伤害的次数和程度等。在示例实施例中，可从第三方服务112接收历史事故数据202A的至少一部分。
历史车辆操作员行为数据202D可指示但不限于车辆操作员的历史驾驶模式和行为，包括平均速度；实际速度与速度限制之间的平均偏差；加速度配置文件；相对于道路几何形状/曲率的平均速度；制动速率；维持的平均制动距离等。另外，历史车辆操作员行为数据202D可包括指示车辆操作员趋于分心的数据，诸如指示用户的注视方向的变化的注视跟踪数据；指示在车辆操作期间的电话呼叫、短信发送或车载通信的数据；指示在车辆操作期间的无线电使用的数据等。历史V2X交通数据202E可包括但不限于车辆在路段上的平均速度；车辆速度的标准偏差；交通密度和路段上的车辆数量等。
在示例实施例中，输入数据202还可包括环境状况数据202B和基础设施状况数据202C。环境状况数据202B可包括但不限于指示路段的历史天气相关状况的天气数据；指示能见度等级(例如，其可与天气状况和/或可用的日光量相关)的数据等。基础设施状况数据202C可包括但不限于指示路段的几何形状(例如，路段中的弯道的数量、路段中存在的曲率范围等)的数据；指示路段地面状况(例如，坑洞的存在/大小，或路面的其他损坏)的数据；指示存在于路段中的潜在障碍物(例如，碎屑、施工设备等)的数据等。
在方法300的框306处，可执行推断引擎204的计算机可执行指令以接收输入数据202，并且基于输入数据202来训练车辆事故风险预测机器学习模型以获得训练后的模型206。机器学习模型可利用任何合适的机器学习方法或构造，包括但不限于深度神经网络、统计机器学习算法等。
更具体地，在框306处，推断引擎204可使用历史输入数据202来训练机器学习模型，所述历史输入数据可指示例如车辆操作员的历史驾驶模式/行为、历史交通流量、历史车辆事故、历史天气状况和路段中的每一者的基础设施状况。以此方式，训练后的模型206然后可用于预测新的车辆操作员和/或任何路段、甚至是在训练阶段未评估历史数据的那些的车辆事故的实时风险。也就是说，基于在与新的操作员和/或路段相对应的实时V2X交通数据和/或实时天气/基础设施状况数据与在训练阶段期间针对展示类似的驾驶模式/行为的车辆操作员和/或具有类似的天气/基础设施/交通状况的路段评估的历史数据之间的类似性，训练后的模型206可准确地确定新的车辆操作员和/或任何路段发生车辆事故的风险。
在方法300的框308处，可执行推断引擎204的计算机可执行指令以基于实际车辆事故数据来重新学习训练后的车辆事故风险预测模型206的参数。更具体地，当由训练后的模型206进行车辆事故风险预测时，可将这些预测与实际事故数据进行比较，以确定被认为构成事故的高风险的状况和/或被认为不构成高风险的状况是否导致实际事故。以此方式，可以基于实际事故数据来迭代地改进训练后的模型206的预测能力。
图4描绘了用于利用训练后的模型206来提供实时车辆事故风险预测和通知的说明性方法400。现在结合图1和图2参考图4，在方法400的框402处，车辆事故风险预测服务116可从与在路段上行驶的车辆(例如，在路段104上行驶的车辆106和车辆102)相关联的各种通信装置实时接收V2X数据208。实时V2X数据208可包括例如通过蜂窝网络110从车辆的通信装置接收的蜂窝V2N通信。这种V2N通信可包括但不限于车辆速度/加速度数据；车辆制动数据；指示车辆之间的距离的数据；交通流量数据；指示车辆操作员驾驶模式/行为的数据等。应理解，在框402处接收的V2X数据208可包括除V2N数据之外的其他形式的数据，诸如V2V数据和V2I数据。此外，除了实时V2X数据208之外，还可在框402处接收各种第三方数据，包括例如实时天气数据；基础设施/路面状况和几何结构数据等。
在方法400的框404，可将在框402接收的数据(包括实时V2X数据以及所接收的任何第三方数据)提供为训练后的车辆事故风险预测模型206的输入，以获得车辆事故风险预测值210，所述车辆事故风险预测值指示给定车辆(例如，车辆102)的与路段104上存在的特定状况集相对应的车辆事故风险等级。在示例实施例中，车辆操作员相对于其进行车辆事故风险预测的历史和/或实时驾驶行为可能影响所计算的车辆事故风险预测值210。例如，在所有其他状况都相同(例如，其他车辆操作员的驾驶模式/行为、天气状况、基础设施状况等)的情况下，针对相比历史上表现出和/或当前表现出更鲁莽驾驶行为的驾驶员而历史上表现出和/或当前表现出更安全驾驶行为的驾驶员计算较低的风险值。在示例实施例中，进行风险预测的车辆操作员和/或路段可为没有训练数据可用的车辆操作员和/或路段。在这种情况下，可基于新的车辆操作员驾驶行为和/或路段与使用对应的历史数据来训练机器学习模型的车辆操作员和/或路段之间的相似性来确定风险预测值。
在方法400的框406处，可将计算出的车辆事故风险预测值210与阈值进行比较，以确定风险值210是否满足阈值(例如，大于或等于阈值)，以及因此确定风险值210所表示的风险等级是否可以被分类为高风险。阈值可为预定值或随着基于实际事故数据而重新学习训练后的模型206的参数而动态地改变的值。
响应于框406处的否定确定，方法400可返回到框402，其中可接收附加实时V2X数据。具体地，可对连续实时V2X数据流实时执行方法400，使得可相对于任何车辆操作员和/或路段在任何时间执行实时风险预测。另一方面，响应于框406处的肯定确定，方法400可前进到框408，其中服务116可将存在发生车辆事故的高风险的通知发送到车辆(例如，车辆102)的通信装置，使得可向车辆的车辆操作员呈现识别高风险的信息以及与导致高风险的因素相关的潜在更详细的信息。
在示例实施例中，基于在框408处发送的通知而呈现给车辆操作员的信息可包括但不限于图1中所描绘的实时警告120，其包含指示存在发生车辆事故的高风险的一个或多个术语、短语、符号或其他标记。此外，在示例实施例中，警告120还可指定危险状况存在于路段104上的距离；危险状况存在的持续时间等。另外，在示例实施例中，还可向车辆操作员呈现更详细的信息122，包括例如对导致高车辆事故风险的特定因素或状况的识别，诸如在路段104上存在具有展现出的不安全驾驶模式的驾驶员；具体危险天气状况(例如，结冰/湿路、雾等)；存在于路段104中的障碍物，所述障碍物增加发生车辆事故的风险(例如，施工设备、车道封闭、碎屑等)；对路段104的基础设施和/或地面状况的损坏(例如，坑洞)；危险道路几何形状(例如，急弯)等。
在示例实施例中，除了或代替经由车载显示器118向车辆操作员呈现指示发生车辆事故的高风险的信息之外，所述信息还可以可听地或以触觉方式呈现(例如，在危险驾驶状况下车辆速度超过阈值速度时的方向盘振动)。此外，在示例实施例中，在框406处，可将由训练后的模型206计算的车辆事故风险预测值与多个阈值进行比较，以确定对应于预测值的风险类别。例如，阈值可描绘不同范围的车辆事故风险等级，并且可基于预测值位于哪些阈值之间来确定存在的风险等级。在示例实施例中，即使风险预测值对应于低或中等风险等级，也可向车辆操作员通知实时车辆事故风险等级。例如，在示例实施例中，向车辆操作员显示的描绘当前风险等级的标记可动态地改变以反映当车辆沿着路段行驶时风险等级的变化。
而且，在示例实施例中，车辆操作员可具备自定义风险相关信息量和/或呈现此类信息的场景的能力。例如，车辆操作员可经由例如对车载设置的选择来指定仅应针对车辆操作员行驶少于阈值次数的路段呈现高风险状况的通知。作为另一非限制性示例，车辆操作员可指定仅在存在某些环境状况的情况下才应呈现高风险状况的通知。例如，车辆操作员可仅在存在湿/结冰路面状况时或者当车辆在夜间或在不良能见度条件下操作时才允许通知。
本文描述了本发明的一个或多个说明性实施例。此类实施例仅说明本发明的范围，而不意在以任何方式进行限制。因此，本文中公开的实施例的变型、修改和等效物也在本发明的范围内。
图5是被配置为实现本发明的一个或多个示例实施例的说明性联网架构500的示意图。联网架构500可包括经由一个或多个网络508通信地耦合到各种V2X通信装置506和一个或多个第三方服务504的一个或多个车辆事故风险预测(VIRP)服务器502。V2X通信装置506可包括具有无线电和天线的任何合适的装置，所述无线电和天线被配置为发送和接收V2X数据通信。V2X通信装置506可被提供为车载通信系统的一部分；与道路基础设施集成等。第三方服务504可包括结合第三方服务112描述的任何类型的服务，包括例如天气服务、道路基础设施服务等。虽然VIRP服务器502、V2X通信装置506和/或第三方服务504可在本文中以单数形式进行描述，但应理解，可提供任何此类部件的多个实例，并且结合任何特定部件描述的功能可分布在此类部件的多个实例中。在某些示例实施例中，本文结合架构500的任何给定部件描述的功能可分布在架构500的多个部件中。例如，由一个或多个VIRP服务器502提供的功能的至少一部分可分布在一个或多个V2X通信装置506之间。
网络508可包括但不限于任一种或多种不同类型的通信网络，诸如，例如电缆网络、公共网络(例如，互联网)、专用网络(例如，帧中继网络)、无线网络、蜂窝网络、电话网络(例如，公共交换电话网络)，或任何其他合适的专用或公共分组交换或电路交换网络。网络508可具有与其相关联的任何合适的通信范围，并且可包括例如全球网络(例如，互联网)、城域网(MAN)、广域网(WAN)、局域网(LAN)或个人区域网(PAN)。另外，网络508可包括用于通过任何合适类型的介质传输网络流量的通信链路和相关联的联网装置(例如，链路层交换机、路由器等)，所述介质包括但不限于同轴电缆、双绞线(例如，双绞铜线)、光纤、混合光纤同轴(HFC)介质、微波介质、射频通信介质、卫星通信介质或它们的任何组合。
在说明性配置中，VIRP服务器502可包括一个或多个处理器510、一个或多个存储器装置512(在本文中通常称为存储器512)、一个或多个输入/输出(“I/O”)接口514、一个或多个网络接口516和数据存储装置520。VIRP服务器502还可包括功能性地耦合VIRP服务器502的各种部件的一个或多个总线518。
总线518可包括系统总线、存储器总线、地址总线或消息总线中的至少一者，并且可以允许在装置400的各种部件之间交换信息(例如，数据(包括计算机可执行代码)、信令等)。一个或多个总线518可包括但不限于存储器总线或存储器控制器、外围总线、加速图形端口等。总线518可与任何合适的总线架构相关联，所述总线架构包括但不限于工业标准架构(ISA)、微通道架构(MCA)、增强型ISA(EISA)、视频电子标准协会(VESA)架构、加速图形端口(AGP)架构、外围部件互连(PCI)架构、PCI-Express架构、个人计算机存储卡国际协会(PCMCIA)架构、通用串行总线(USB)架构等。
存储器512可包括：易失性存储器(当被供电时维持其状态的存储器)，诸如随机存取存储器(RAM)；和/或非易失性存储器(即使当未被供电时也维持其状态的存储器)，诸如只读存储器(ROM)、快闪存储器、铁电RAM(FRAM)等。如本文中所使用的术语，持久性数据存储装置可包括非易失性存储器。在某些示例实施例中，易失性存储器可实现比非易失性存储器更快的读/写访问。然而，在某些其他示例实施例中，某些类型的非易失性存储器(例如，FRAM)可实现比某些类型的易失性存储器更快的读/写访问。
在各种实现方式中，存储器512可包括多个不同类型的存储器，诸如各种类型的静态随机存取存储器(SRAM)、各种类型的动态随机存取存储器(DRAM)、各种类型的不可更改ROM和/或ROM的可写变体(诸如电可擦除可编程只读存储器(EEPROM))、快闪存储器等。存储器512可包括主存储器以及各种形式的高速缓存存储器，诸如指令高速缓存、数据高速缓存、转换后备缓冲器(TLB)等。此外，诸如数据高速缓存的高速缓存存储器可为被组织为一个或多个高速缓存级别(L1、L2等)的层次结构的多级高速缓存。
数据存储装置520可包括可移动存储装置和/或不可移动存储装置，包括但不限于磁存储装置、光盘存储装置和/或磁带存储装置。数据存储装置520可提供对计算机可执行指令和其他数据的非易失性存储。可移除和/或不可移除存储器512和数据存储装置520是如本文所使用的术语计算机可读存储介质(CRSM)的示例。
数据存储装置520可存储可加载到存储器512中并且可由处理器510执行以致使处理器510执行或发起各种操作的计算机可执行代码、指令等。数据存储装置520可另外存储可复制到存储器512以供处理器510在执行计算机可执行指令期间使用的数据。此外，由于处理器510执行计算机可执行指令而产生的输出数据可最初存储在存储器512中，并且最终可复制到数据存储装置520以进行非易失性存储。
更具体地，数据存储装置520可存储一个或多个操作系统(O/S)522；被配置为(潜在地经由网络508)访问存储器512和/或一个或多个外部数据存储530的一个或多个数据库管理系统(DBMS)524；以及一个或多个程序模块、应用程序、引擎、计算机可执行代码、脚本等，诸如像推断引擎626和训练后的VIRP模型528。这些模块中的任一者又可包括各种子模块。被描绘为存储在数据存储装置520中的任何部件可包括软件、固件和/或硬件的任何组合。软件和/或固件可包括计算机可执行指令(例如，计算机可执行程序代码)，所述计算机可执行指令可被加载到存储器512中以由处理器510中的一个或多个执行，从而结合相应命名的模块执行先前描述的操作中的任一者。
尽管未在图5中描绘，但数据存储装置520还可存储VIRP服务器502的部件所利用的各种类型的数据(例如，V2X数据、第三方数据、事故风险预测值、阈值等)。可将存储在数据存储装置520中的任何数据加载到存储器512中，以供处理器510在执行计算机可执行指令时使用。另外，可将存储在数据存储装置520中的任何数据潜在地存储在数据存储530中，并且可经由DBMS 524进行访问并加载到存储器512中以供处理器510在执行计算机可执行指令时使用。
处理器510可被配置为访问存储器512并执行加载在其中的计算机可执行指令。例如，处理器510可被配置为执行VIRP服务器502的各种程序模块、应用程序、引擎等的计算机可执行指令，以使得或促进根据本发明的一个或多个实施例执行各种操作。处理器510可包括能够接受数据作为输入、根据存储的计算机可执行指令处理输入数据并生成输出数据的任何合适的处理单元。处理器510可包括任何类型的合适处理单元，包括但不限于，中央处理器、微处理器、精简指令集计算机(RISC)微处理器、复杂指令集计算机(CISC)微处理器、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、片上系统(SoC)、数字信号处理器(DSP)等。此外，处理器510可以具有任何合适的微架构设计，其包括任何数量的组成部件，诸如，例如寄存器、多路复用器、算术逻辑单元、用于控制对高速缓存存储器的读/写操作的高速缓存控制器、分支预测器等。处理器510的微架构设计可能够支持各种指令集中的任何一种。
现在参考被描绘为存储在数据存储装置520中的其他说明性部件，O/S 522可从数据存储装置520加载到存储器512中，并且可在VIRP服务器502上执行的其他应用软件与VIRP服务器502的硬件资源之间提供接口。更具体地，O/S 522可包括计算机可执行指令集，用于管理VIRP服务器502的硬件资源并用于向其他应用程序提供公共服务。在某些示例实施例中，O/S 522可包括或以其他方式控制被描绘为存储在数据存储装置520中的一个或多个程序模块的执行。O/S 522可包括现在已知或将来可以开发的任何操作系统，包括但不限于任何服务器操作系统、任何大型机操作系统或任何其他专有或非专有操作系统。
DBMS 524可被加载到存储器512中，并且可支持用于访问、检索、存储和/或操纵存储在存储器512中的数据、存储在数据存储装置520中的数据和/或存储在外部数据存储530中的数据的功能性。DBMS 524可使用各种数据库模型中的任一种(例如，关系模型、对象模型等)，并且可以支持各种查询语言中的任一种。DBMS 524可以访问以一个或多个数据模式表示并存储在任何合适的数据储存库中的数据。数据存储530可以存储V2X数据、第三方数据、事故风险预测值、阈值等。可由VIRP服务器502经由DBMS 524访问的数据存储530可包括但不限于数据库(例如，关系型、面向对象型等)、文件系统、平面文件、其中数据存储在计算机网络的不止一个节点上的分布式数据存储、对等网络数据存储等。
现在参考VIRP服务器502的其他说明性部件，输入/输出(I/O)接口514可促进VIRP服务器502从一个或多个I/O装置接收输入信息以及从VIRP服务器502将信息输出到一个或多个I/O装置。I/O装置可包括多种部件中的任一种，诸如具有触摸表面或触摸屏的显示器或显示屏；用于产生声音的音频输出装置，诸如扬声器；音频捕获装置，诸如传声器；图像和/或视频捕获装置，诸如相机；触觉单元等。这些部件中的任一种都可以集成到VIRP服务器502中或者可为单独的。I/O装置还可包括例如任何数量的外围装置，诸如数据存储装置、打印装置等。
I/O接口514还可包括用于外部外围装置连接的接口，诸如通用串行总线(USB)、火线、雷电接口(Thunderbolt)、以太网端口或可连接到一个或多个网络的其他连接协议。I/O接口514还可包括与一个或多个天线的连接，以经由无线局域网(WLAN)(诸如Wi-Fi)无线电、蓝牙和/或无线网络无线电(诸如，能够与诸如长期演进(LTE)网络、WiMAX网络、3G网络等的无线通信网络通信的无线电)连接到一个或多个网络。
VIRP服务器502还可包括一个或多个网络接口516，VIRP服务器502可经由所述一个或多个网络接口与多种其他系统、平台、网络、装置等中的任一者进行通信。网络接口516可实现例如经由一个或多个网络508与一个或多个其他装置的通信。
应理解，在图5中被描绘为存储在数据存储装置520中的程序模块仅是说明性的而不是详尽的，并且被描述为由任何特定模块支持的处理替代地可分布在多个模块、引擎等上或由不同模块、引擎等执行。另外，可提供各种程序模块、引擎、脚本、插件、应用程序编程接口(API)或本地托管在VIRP服务器502上和/或托管在可经由一个或多个网络508访问的其他计算装置(例如，V2X通信装置)上的任何其他合适的计算机可执行代码，以支持由图5中描绘的模块所提供的功能和/或附加或替代功能。此外，可以任何合适的方式将功能模块化，使得被描述为由特定模块执行的处理可以由任何数量的程序模块的集合来执行，或者被描述为由任何特定模块支持的功能可以至少部分地由另一个模块支持。另外，支持本文描述的功能的程序模块可以根据任何合适的计算模型(诸如，例如客户端-服务器模型、对等模型等)在任何数量的服务器502上执行。另外，被描述为由图5中描绘的任何模块支持的任何功能可以至少部分地在任何数量的装置或服务器上以硬件和/或固件实施。
还应理解，在不脱离本公开的范围的情况下，VIRP服务器502可包括除了所描述或描绘的那些硬件、软件或固件部件之外的替代和/或附加硬件、软件或固件部件。更具体地，应理解，被描绘为形成VIRP服务器502的一部分的软件、固件或硬件部件仅是说明性的，并且在各种实施例中可以或可以不存在一些部件，或者可提供附加部件。尽管已经将各种说明性模块描绘和描述为存储在数据存储装置520中的软件模块，但应理解，被描述为由模块支持的功能可通过硬件、软件和/或固件的任何组合来实现。还应理解，在各种实施例中，上述模块中的每一个可以表示所支持功能的逻辑分区。描绘此逻辑分区是为了便于解释功能，并且可以或可以不表示用于实现功能的软件、硬件和/或固件的结构。因此，应理解，在各种实施例中，被描述为由特定模块提供的功能可以至少部分地由一个或多个其他模块提供。此外，一个或多个所描绘的模块可以或可以不存在于某些实施例中，而在其他实施例中，可以存在未描绘的附加程序模块和/或引擎，并且可以支持所描述的功能和/或附加功能的至少一部分。
方法300和/或方法400的一个或多个操作可由具有图5所示的说明性配置的VIRP服务器502执行，或更具体地，由可在此类装置上执行的一个或多个程序模块、引擎、应用程序等执行。然而，应了解，可结合许多其他装置配置来实现此类操作。另外，结合VIRP服务器502描述的任何功能可以至少部分地由一个或多个V2X通信装置506提供。
在图3的说明性方法300和/或图4的说明性方法400中描述和描绘的操作可以按照本发明的各种示例实施例中所期望的任何合适顺序来进行或执行。另外，在某些示例实施例中，操作的至少一部分可并行地进行。此外，在某些示例实施例中，可执行与图3和/或图4中描绘的操作相比更少、更多或不同的操作。
本发明可为系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于致使处理器执行本发明的各方面的计算机可读程序指令的一种计算机可读存储介质(或多种计算机可读存储介质)。
计算机可读存储介质可为有形装置，所述有形装置可保存和存储供指令执行装置使用的指令。计算机可读存储介质可为例如但不限于电子存储装置、磁性存储装置、光学存储装置、电磁存储装置、半导体存储装置或前述的任何合适的组合。计算机可读存储介质的更具体示例的非详尽列表包括以下内容：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如在其上记录有指令的凹槽中的穿孔卡或凸起结构的机械编码装置，以及前述的任何合适的组合。如本文所使用，计算机可读存储介质不应被理解为本身是瞬时信号，例如无线电波或其他自由传播的电磁波、通过波导传播的电磁波或其他传输介质(例如，穿过光纤电缆的光脉冲)或通过电线传输的电信号。
本文中描述的计算机可读程序指令可从计算机可读存储介质下载到相应的计算/处理装置，或者经由网络(例如，互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储装置。网络可包括铜传输电缆、传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。在每个计算/处理装置中的网络适配卡或网络接口从网络接收计算机可读程序指令，并且转发所述计算机可读程序指令以存储在相应计算/处理装置内的计算机可读存储介质中。
用于进行本发明的操作的计算机可读程序指令可为汇编器指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，或者用一种或多种编程语言的任何组合编写的源代码或对象代码，所述编程语言包括面向对象的编程语言，例如Smalltalk、C++等，以及常规过程编程语言，诸如“C”编程语言或类似的编程语言。计算机可读程序指令可完全地在用户的计算机上执行、部分地在用户的计算机上执行、作为独立软件包执行、部分地在用户的计算机上且部分地在远程计算机上执行，或者完全地在远程计算机或服务器上执行。在后一种场景中，远程计算机可通过包括局域网(LAN)或广域网(WAN)的任何类型的网络连接到用户的计算机，或者可(例如，使用互联网服务提供商以通过互联网)与外部计算机形成连接。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可通过利用计算机可读程序指令的状态信息来使电子电路个性化而执行计算机可读程序指令，以便执行本发明的各方面。
本文参考根据本发明的实施例的方法、设备(系统)和计算机程序产品的流程图图解和/或框图来描述本发明的各方面。应理解，流程图图解和/或框图中的每一个框以及流程图图解和/或框图中的框的组合可通过计算机可读程序指令来实现。
这些计算机可读程序指令可提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生一种机器，使得经由计算机的处理器或其他可编程数据处理设备执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的手段。这些计算机可读程序指令也可存储在计算机可读存储介质中，所述计算机可读存储介质可引导计算机、可编程数据处理设备和/或其他装置以特定方式起作用，使得其中存储有指令的计算机可读存储介质包括制品，所述制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的方面的指令。
计算机可读程序指令还可加载到计算机、其他可编程数据处理设备或其他装置上，以致使一系列操作步骤在计算机、其他可编程设备或其他装置上执行以产生计算机实现的过程，使得在计算机、其他可编程设备或其他装置上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。就此而言，流程图或框图中的每一个框均都可表示指令的模块、片段或部分，所述指令包括用于实现指定逻辑功能的一个或多个可执行指令。在一些替代实现方式中，框中指出的功能可以不同于图中指出的顺序出现。例如，连续示出的两个框事实上可基本上并行地执行，或者框有时可按相反顺序执行，这取决于所涉及的功能。还将注意，框图图解和/或流程图图解中的每一个框以及框图图解和/或流程图图解中的框的组合可由执行指定功能或动作、或者实施专用硬件和计算机指令的组合的基于专用硬件的系统来实现。
根据本发明的一个实施例，至少一个处理器还被配置为执行计算机可执行指令以进行以下操作：接收与车辆在第一路段上的操作相关的连续实时V2X数据流；对所述连续实时V2X数据流执行训练后的车辆事故风险预测机器学习模型，以周期性地确定与所述车辆在所述第一路段上的所述操作相关联的车辆事故风险等级；以及向所述车辆的通信装置发送所述车辆事故风险等级的指示，以使得能够向所述车辆的操作员呈现所述车辆事故风险等级的动态地改变的标记。
根据本发明的一个实施例，经由网络传输通过一个或多个蜂窝网络从多个车载通信装置接收实时V2X数据。
根据本发明的一个实施例，所述至少一个处理器还被配置为执行计算机可执行指令以接收实时环境状况数据或基础设施状况数据；并且还对所述实时环境状况数据或基础设施状况数据执行所述训练后的车辆事故风险预测机器学习模型，以获得第一车辆事故风险值。
根据本发明，提供了一种用于实时车辆事故风险预测和通知的计算机程序产品，所述计算机程序产品包括存储介质，所述存储介质可由处理电路读取，所述存储介质存储指令，所述指令可由所述处理电路执行以致使执行一种方法，所述方法包括：接收与车辆在第一路段上的操作相关的第一实时车辆对外界(V2X)数据；对所述第一实时V2X数据执行训练后的车辆事故风险预测机器学习模型，以获得指示与所述车辆在所述第一路段上的所述操作相关联的第一车辆事故风险等级的第一车辆事故风险值；确定所述第一车辆事故风险值满足阈值；以及向所述车辆的通信装置发送所述第一车辆事故风险等级的通知以呈现给所述车辆的操作员。
根据一个实施例，上述发明的特征还在于，将道路集合分割成路段集合；接收与所述路段集合相关的输入数据，所述输入数据包括车辆碰撞数据、车辆操作员行为数据、环境状况数据或基础设施状况数据中的至少一者；以及至少部分地基于所述输入数据来训练车辆事故风险预测机器学习模型。

Claims (15)

1.一种用于实时车辆事故风险预测和通知的计算机实现的方法，所述方法包括：
接收与车辆在第一路段上的操作相关的第一实时车辆对外界(V2X)数据；
对所述第一实时V2X数据执行训练后的车辆事故风险预测机器学习模型，以获得指示与所述车辆在所述第一路段上的所述操作相关联的第一车辆事故风险等级的第一车辆事故风险值；
确定所述第一车辆事故风险值满足阈值；以及
向所述车辆的通信装置发送所述第一车辆事故风险等级的通知以呈现给所述车辆的操作员。
2.如权利要求1所述的计算机实现的方法，所述计算机实现的方法还包括：
将道路集合分割成路段集合；
接收与所述路段集合相关的输入数据，所述输入数据包括车辆碰撞数据、车辆操作员行为数据、环境状况数据或基础设施状况数据中的至少一者；以及
至少部分地基于所述输入数据来训练所述车辆事故风险预测机器学习模型。
3.如权利要求2所述的计算机实现的方法，其中所述车辆碰撞数据包括指示所述路段集合上的历史车辆碰撞的数据，车辆操作员数据包括指示多个车辆操作员在所述路段集合上的驾驶模式的历史数据，所述环境状况数据包括指示所述路段集合附近的天气状况的数据，并且所述基础设施状况数据包括指示所述路段集合的几何形状和操作状态的数据。
4.如权利要求2所述的计算机实现的方法，其中所述路段集合不包括所述第一路段，并且其中对所述第一实时V2X数据执行所述训练后的车辆事故风险预测机器学习模型包括：使用所述训练后的车辆事故风险预测机器学习模型确定所述第一实时V2X数据在所述输入数据的与在预定时间段期间发生了超过阈值数量的车辆碰撞的第二路段相关联的部分的阈值相似度内，所述路段集合包括所述第二路段。
5.如权利要求1所述的计算机实现的方法，其中在第一时间段期间接收所述第一实时V2X数据，并且第二车辆事故风险对应于所述第一时间段，所述方法还包括：
在第二时间段期间接收与所述车辆在所述第一路段上的操作相关的第二实时V2X数据；
对所述第二实时V2X数据执行所述训练后的车辆事故风险预测机器学习模型，以获得指示与在所述第二时间段期间所述车辆在所述第一路段上的所述操作相关联的第二车辆事故风险等级的第二车辆事故风险值；
确定所述第二车辆事故风险值不满足所述阈值；以及
向所述车辆的所述通信装置发送指令以停止向所述车辆的所述操作员呈现所述第一事故风险等级。
6.如权利要求1所述的计算机实现的方法，其中发送所述第一车辆事故风险等级的所述通知包括向所述通信装置发送信息以显示给所述车辆的所述操作员，所述信息包括表示所述第一车辆事故风险等级的标记，以及指示所述第一车辆事故风险等级的一个或多个因素的标识，所述一个或多个因素包括驾驶行为因素、环境因素或路段基础设施因素中的至少一者。
7.如权利要求1所述的计算机实现的方法，所述计算机实现的方法还包括：
接收与所述车辆在所述第一路段上的操作相关的连续实时V2X数据流；
对所述连续实时V2X数据流执行所述训练后的车辆事故风险预测机器学习模型，以周期性地确定与所述车辆在所述第一路段上的所述操作相关联的车辆事故风险等级；以及
向所述车辆的所述通信装置发送所述车辆事故风险等级的指示，以使得能够向所述车辆的操作员呈现所述车辆事故风险等级的动态地改变的标记。
8.如权利要求1所述的计算机实现的方法，其中经由网络传输通过一个或多个蜂窝网络从多个车载通信装置接收所述实时V2X数据。
9.如权利要求1所述的计算机实现的方法，所述计算机实现的方法还包括接收实时环境状况数据或基础设施状况数据，其中还对所述实时环境状况数据或基础设施状况数据执行所述训练后的车辆事故风险预测机器学习模型，以获得所述第一车辆事故风险值。
10.一种用于实时车辆事故风险预测和通知的系统，所述系统包括：
至少一个存储器，所述至少一个存储器存储计算机可执行指令；以及
至少一个处理器，所述至少一个处理器被配置为访问所述至少一个存储器并且执行所述计算机可执行指令以进行以下操作：
接收与车辆在第一路段上的操作相关的第一实时车辆对外界(V2X)数据；
对所述第一实时V2X数据执行训练后的车辆事故风险预测机器学习模型，以获得指示与所述车辆在所述第一路段上的所述操作相关联的第一车辆事故风险等级的第一车辆事故风险值；
确定所述第一车辆事故风险值满足阈值；以及
向所述车辆的通信装置发送所述第一车辆事故风险等级的通知以呈现给所述车辆的操作员。
11.如权利要求10所述的系统，其中所述至少一个处理器还被配置为执行所述计算机可执行指令以进行以下操作：
将道路集合分割成路段集合；
接收与所述路段集合相关的输入数据，所述输入数据包括车辆碰撞数据、车辆操作员行为数据、环境状况数据或基础设施状况数据中的至少一者；以及
至少部分地基于所述输入数据来训练所述车辆事故风险预测机器学习模型。
12.如权利要求11所述的系统，其中所述车辆碰撞数据包括指示所述路段集合上的历史车辆碰撞的数据，车辆操作员数据包括指示多个车辆操作员在所述路段集合上的驾驶模式的历史数据，所述环境状况数据包括指示所述路段集合附近的天气状况的数据，并且所述基础设施状况数据包括指示所述路段集合的几何形状和操作状态的数据。
13.如权利要求11所述的系统，其中所述路段集合不包括所述第一路段，并且其中所述至少一个处理器被配置为通过执行所述计算机可执行指令以使用所述训练后的车辆事故风险预测机器学习模型确定所述第一实时V2X数据在所述输入数据的与在预定时间段期间发生了超过阈值数量的车辆碰撞的第二路段相关联的部分的阈值相似度内来对所述第一实时V2X数据执行所述训练后的车辆事故风险预测机器学习模型，所述路段集合包括所述第二路段。
14.如权利要求10所述的系统，其中在第一时间段期间接收所述第一实时V2X数据，并且第二车辆事故风险对应于所述第一时间段，并且其中所述至少一个处理器还被配置为执行所述计算机可执行指令以进行以下操作：
在第二时间段期间接收与所述车辆在所述第一路段上的操作相关的第二实时V2X数据；
对所述第二实时V2X数据执行所述训练后的车辆事故风险预测机器学习模型，以获得指示与在所述第二时间段期间所述车辆在所述第一路段上的所述操作相关联的第二车辆事故风险等级的第二车辆事故风险值；
确定所述第二车辆事故风险值不满足所述阈值；以及
向所述车辆的所述通信装置发送指令以停止向所述车辆的所述操作员呈现所述第一事故风险等级。
15.如权利要求10所述的系统，其中所述至少一个处理器被配置为通过执行所述计算机可执行指令以向所述通信装置发送信息以显示给所述车辆的所述操作员来发送所述第一车辆事故风险等级的所述通知，所述信息包括表示所述第一车辆事故风险等级的标记，以及指示所述第一车辆事故风险等级的一个或多个因素的标识，所述一个或多个因素包括驾驶行为因素、环境因素或路段基础设施因素中的至少一者。
CN202011014792.XA 2019-09-24 2020-09-24 基于车辆对外界(v2x)的实时车辆事故风险预测 Pending CN112634607A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/581,085 2019-09-24
US16/581,085 US11625624B2 (en) 2019-09-24 2019-09-24 Vehicle-to-everything (V2X)-based real-time vehicular incident risk prediction

Publications (1)

Publication Number Publication Date
CN112634607A true CN112634607A (zh) 2021-04-09

Family

ID=74846440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011014792.XA Pending CN112634607A (zh) 2019-09-24 2020-09-24 基于车辆对外界(v2x)的实时车辆事故风险预测

Country Status (3)

Country Link
US (1) US11625624B2 (zh)
CN (1) CN112634607A (zh)
DE (1) DE102020124983A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096405A (zh) * 2021-06-10 2021-07-09 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置
CN113436432A (zh) * 2021-05-24 2021-09-24 武汉理工大学 一种利用路侧观测数据进行路段短时交通风险预测的方法
CN114771576A (zh) * 2022-05-19 2022-07-22 北京百度网讯科技有限公司 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆
CN114995164A (zh) * 2022-08-03 2022-09-02 武汉维泰信息科技有限公司 一种基于物联网的新能源汽车安全预警方法及装置
CN115410394A (zh) * 2022-08-01 2022-11-29 江苏航天大为科技股份有限公司 一种车联网用大数据分析的危险预警提醒装置
CN115512511A (zh) * 2021-06-07 2022-12-23 中移物联网有限公司 一种预警方法、装置、移动终端及可读存储介质
CN116653962A (zh) * 2023-07-12 2023-08-29 南京项尚车联网技术有限公司 一种智能驾驶车辆高效节能系统及节能方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7211350B2 (ja) * 2019-11-29 2023-01-24 トヨタ自動車株式会社 路面損傷検出装置、路面損傷検出方法、プログラム
CN113256969B (zh) * 2021-04-30 2022-08-16 山东金宇信息科技集团有限公司 一种高速公路的交通事故预警方法、设备及介质
EP4112411B1 (en) * 2021-07-01 2024-03-27 Zenseact AB Estimation of accident intensity for vehicles
CN113744563B (zh) * 2021-08-02 2023-03-10 北京工业大学 一种基于轨迹数据的路-车风险实时估计方法
CN113942491B (zh) * 2021-11-29 2023-10-31 中国北方车辆研究所 一种串联式混合动力系统及联网混合动力车辆能量管理方法
WO2023123056A1 (en) * 2021-12-29 2023-07-06 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for vehicle application
CN114841843A (zh) * 2022-04-15 2022-08-02 广州天长信息技术有限公司 一种分析可疑绿通车的方法和系统
WO2023205444A1 (en) * 2022-04-22 2023-10-26 Velo.Ai, Inc. Artificially intelligent mobility safety system
CN114884952A (zh) * 2022-05-25 2022-08-09 北京百度网讯科技有限公司 车辆监测中的采集数据处理、车辆监测控制方法及装置
CN115422820B (zh) * 2022-06-02 2023-09-19 国汽智控(北京)科技有限公司 应用于预测路况的联邦学习模型训练方法、路况预测方法
US20230408642A1 (en) * 2022-06-21 2023-12-21 Qualcomm Incorporated Detection of position overlap (po) between objects
CN115497295A (zh) * 2022-09-21 2022-12-20 联通智网科技股份有限公司 安全预警方法和装置
CN115640997B (zh) * 2022-10-15 2023-06-06 河北省交通规划设计研究院有限公司 交通事故风险动态识别方法和识别模型构建方法
CN116778733A (zh) * 2022-11-26 2023-09-19 武汉广旺科技有限公司 一种基于大数据的高速公路导航语音预警方法及系统

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005267505A (ja) * 2004-03-22 2005-09-29 Fujitsu Ltd 交通管理システム
US8384532B2 (en) * 2009-04-02 2013-02-26 GM Global Technology Operations LLC Lane of travel on windshield head-up display
IT1404147B1 (it) * 2010-12-27 2013-11-15 Milano Politecnico Sistema e metodo di assistenza alla guida in tempo reale
US9253753B2 (en) * 2012-04-24 2016-02-02 Zetta Research And Development Llc-Forc Series Vehicle-to-vehicle safety transceiver using time slots
US20130278441A1 (en) * 2012-04-24 2013-10-24 Zetta Research and Development, LLC - ForC Series Vehicle proxying
CN103646534B (zh) 2013-11-22 2015-12-02 江苏大学 一种道路实时交通事故风险控制方法
EP2940672B1 (en) * 2014-04-29 2018-03-07 Fujitsu Limited Vehicular safety system
US9754325B1 (en) * 2014-05-20 2017-09-05 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
US10417914B1 (en) * 2014-05-30 2019-09-17 State Farm Mutual Automobile Insurance Company Systems and methods for determining a vehicle is at an elevated risk for an animal collision
US10759442B2 (en) * 2014-05-30 2020-09-01 Here Global B.V. Dangerous driving event reporting
US10102587B1 (en) * 2014-07-21 2018-10-16 State Farm Mutual Automobile Insurance Company Methods of pre-generating insurance claims
JP6090381B2 (ja) * 2015-07-29 2017-03-08 横浜ゴム株式会社 衝突防止システム
DE102016222219A1 (de) * 2016-11-11 2018-05-17 Robert Bosch Gmbh Fahrerassistenzsystem für ein Kraftfahrzeug
CN108305505B (zh) 2017-01-13 2019-11-12 大唐高鸿信息通信研究院（义乌）有限公司 一种适用于车载短距离通信网络的行人交通事故预警方法
JP6796798B2 (ja) 2017-01-23 2020-12-09 パナソニックＩｐマネジメント株式会社 イベント予測システム、イベント予測方法、プログラム、及び移動体
JP6904217B2 (ja) * 2017-11-01 2021-07-14 トヨタ自動車株式会社 情報提供システム、サーバおよび情報提供方法
US11257370B2 (en) 2018-03-19 2022-02-22 Derq Inc. Early warning and collision avoidance
CN108769950A (zh) 2018-07-24 2018-11-06 中国航天空气动力技术研究院 面向v2x网联汽车的车联网信息系统
CA3148680A1 (en) * 2019-08-29 2021-03-04 Derq Inc. Enhanced onboard equipment
US11348460B2 (en) * 2020-08-28 2022-05-31 T-Mobile Usa, Inc. Vehicle intelligent processing and presentation of wireless emergency alerts

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436432A (zh) * 2021-05-24 2021-09-24 武汉理工大学 一种利用路侧观测数据进行路段短时交通风险预测的方法
CN115512511A (zh) * 2021-06-07 2022-12-23 中移物联网有限公司 一种预警方法、装置、移动终端及可读存储介质
CN113096405A (zh) * 2021-06-10 2021-07-09 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置
CN114771576A (zh) * 2022-05-19 2022-07-22 北京百度网讯科技有限公司 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆
CN115410394A (zh) * 2022-08-01 2022-11-29 江苏航天大为科技股份有限公司 一种车联网用大数据分析的危险预警提醒装置
CN114995164A (zh) * 2022-08-03 2022-09-02 武汉维泰信息科技有限公司 一种基于物联网的新能源汽车安全预警方法及装置
CN114995164B (zh) * 2022-08-03 2022-12-02 武汉维泰信息科技有限公司 一种基于物联网的新能源汽车安全预警方法及装置
CN116653962A (zh) * 2023-07-12 2023-08-29 南京项尚车联网技术有限公司 一种智能驾驶车辆高效节能系统及节能方法

Also Published As

Publication number Publication date
US20210089938A1 (en) 2021-03-25
US11625624B2 (en) 2023-04-11
DE102020124983A1 (de) 2021-03-25

Similar Documents

Publication Publication Date Title
US11625624B2 (en) Vehicle-to-everything (V2X)-based real-time vehicular incident risk prediction
US11578990B1 (en) Personalized driving risk modeling and estimation system and methods
US11694487B1 (en) Vehicle-to-vehicle accident detection
CN108022450B (zh) 一种基于蜂窝网络的辅助驾驶方法及交通控制单元
US20220244063A1 (en) Data processing system communicating with a map data processing system to determine or alter a navigation path based on one or more road segments
US11105640B1 (en) Using train telematics data to reduce accident risk
US20220284514A1 (en) Vehicle-to-vehicle incident information collection
US9718468B2 (en) Collision prediction system
US20190101914A1 (en) Data Processing System with Machine Learning Engine for Providing Driving Data Analysis and Vehicle Control Functions
CN105389976B (zh) 用于道路风险指数产生的方法和设备
US9940549B2 (en) Method for black ice detection and prediction
US9454905B2 (en) Safe distance determination
US10745010B2 (en) Detecting anomalous vehicle behavior through automatic voting
US20220068122A1 (en) Systems and methods to group and move vehicles cooperatively to mitigate anomalous driving behavior
Wu et al. Early car collision prediction in VANET
US10553115B1 (en) System and method of vehicular collision avoidance
US10580302B2 (en) Optimization of a motion profile for a vehicle
JP2018018214A5 (zh)
JP6444179B2 (ja) 通信装置
CN115547030A (zh) 交通状态的预警方法和系统、存储介质及电子装置

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