CN113222331B - 识别车辆事故真实性的方法、装置、设备及存储介质 - Google Patents
识别车辆事故真实性的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113222331B CN113222331B CN202110336293.0A CN202110336293A CN113222331B CN 113222331 B CN113222331 B CN 113222331B CN 202110336293 A CN202110336293 A CN 202110336293A CN 113222331 B CN113222331 B CN 113222331B
- Authority
- CN
- China
- Prior art keywords
- accident
- vehicle
- vehicles
- time
- reality
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 11
- 206010039203 Road traffic accident Diseases 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种识别车辆事故真实性的方法、装置、设备及存储介质,所述方法包括:获取报案信息,报案信息包括车辆的车牌号、事故发生时间、报案时间、事故发生地点中的一种或多种;根据报案信息查询事故发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据;根据事故车辆的轨迹数据以及事故周围车辆的轨迹数据提取事故车辆特征因子以及事故周围车辆特征因子;将所述事故车辆特征因子、事故周围车辆特征因子以及所述报案信息输入预设模型计算,判断所述事故是否真实。根据本公开实施例提供的识别车辆事故真实性的方法,根据事故车辆以及周围车辆的轨迹数据即可识别事故的真实性,该方法不仅准确率高,而且无需获取报案人员的位置信息。
Description
技术领域
本发明涉及车联网技术领域,特别涉及一种识别车辆事故真实性的方法、装置、设备及存储介质。
背景技术
近年来,车险欺诈在运营成本、理赔成本、客户体验、公司品牌等方面给保险公司造成巨大损失,为了减少不合理的运营成本和理赔成本、提升客户体验、从根本上维护广大合法车主的利益,车险公司不断加大在车险欺诈识别方面的投入,提升车险欺诈识别的能力。
已授权专利CN 108182802 B公开了一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,具体涉及道路交通领域,该交通安全分析方法包括如下步骤:S01、选择用于评价交通安全的特征评价因素;S02、量化每个所述特征评价因素,并计算每个所述特征评价因素的影响系数。其中,历史违法、事故因素对交通安全影响采用信息衰减模型进行计算影响系数。S03、通过多个特征的特征评价因素影响系数综合评价城市道路的交通安全等级。
现有技术中的报案准确性识别方法,基于报案用户的通信号码,通过运营商获取与通信号码对应的通信数据,确定车祸发生时间、报案用户的定位位置,来确认识别报案的准确性。在货车的事故当中,会存在报案人员不在车祸发生地,或者发生事故程度比较小,并不影响货车行驶,司机会先行驶到目的地,报案人员才去报案,遇到这两种情况,依赖于通信数据定位车祸发生地点是无法准确判别的,同时该方法通过运营商的基站定位,基站定位则是利用基站对手机的距离的测算距离来确定手机位置的,精度很大程度依赖于基站的分布及覆盖范围的大小,精度相对比较低,如果报案人员虚假报错车辆发生车祸的地点,无法识别报案的真实及真实发生车祸的地点。因此,现有技术中的识别方法准确性不足。
发明内容
本公开实施例提供了一种识别车辆事故真实性的方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本公开实施例提供了一种识别车辆事故真实性的方法,包括:
获取报案信息,报案信息包括车辆的车牌号、事故发生时间、报案时间、事故发生地点中的一种或多种;
根据报案信息查询事故发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据;
根据事故车辆的轨迹数据以及事故周围车辆的轨迹数据提取事故车辆特征因子以及事故周围车辆特征因子;
将事故车辆特征因子、事故周围车辆特征因子以及报案信息输入预设模型计算,判断事故是否真实。
在一个可选地实施例中,根据事故车辆的轨迹数据提取事故车辆特征因子,包括:
根据事故车辆的轨迹数据提取距离事故发生地最近的停靠开始时间、停靠时长以及停靠经纬度。
在一个可选地实施例中,根据事故周围车辆的轨迹数据提取事故周围车辆特征因子,包括:
根据事故周围车辆的轨迹数据提取事故周围车辆的停靠开始时间、停靠时长以及经过事故发生地时的平均变化速度。
在一个可选地实施例中,将事故车辆特征因子、事故周围车辆特征因子以及报案信息输入预设模型计算,判断事故是否真实,包括:
根据事故车辆特征因子以及报案信息计算事故车辆真实度;
根据事故周围车辆特征因子以及事故车辆特征因子计算事故周围车辆真实度;
当事故车辆真实度与事故周围车辆真实度的和大于预设阈值时,确定事故真实。
在一个可选地实施例中,根据事故车辆特征因子以及报案信息计算事故车辆真实度,包括:
计算事故车辆的停靠开始时间与事故发生时间的差值;
根据差值对应的预设数值区间,将停靠地点与事故发生地点的行政区间名称进行匹配,其中,不同等级的行政区间对应不同的数值,根据匹配结果输出事故车辆真实度。
在一个可选地实施例中,根据事故周围车辆特征因子以及事故车辆特征因子计算事故周围车辆真实度,包括:
根据事故周围车辆经过事故发生地时的平均变化速度对应的预设数值,得出事故周围车辆第一真实度;
根据事故周围车辆的停靠开始时间、停靠时长与事故车辆的停靠开始时间、停靠时长的差值对应的预设数值,得到事故周围车辆第二真实度;
计算第一真实度和第二真实度的和,得到事故周围车辆真实度。
第二方面,本公开实施例提供了一种识别车辆事故真实性的装置,包括:
获取模块,用于获取报案信息,报案信息包括车辆的车牌号、事故发生时间、报案时间、事故发生地点中的一种或多种;
轨迹数据查询模块,用于根据报案信息查询事故发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据;
特征因子提取模块,用于根据事故车辆的轨迹数据以及事故周围车辆的轨迹数据提取事故车辆特征因子以及事故周围车辆特征因子;
真实性判断模块,用于将事故车辆特征因子、事故周围车辆特征因子以及报案信息输入预设模型计算,判断事故是否真实。
在一个可选地实施例中,事故车辆特征因子包括距离事故发生地最近的停靠开始时间、停靠时长以及停靠经纬度。
第三方面,本公开实施例提供了一种识别车辆事故真实性的设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的识别车辆事故真实性的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令可被处理器执行以实现上述实施例提供的一种识别车辆事故真实性的方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开实施例提供的识别车辆事故真实性的方法,仅与报案人员上报的信息有关,无需报案人员的位置,因此车辆发生车祸时无需立马报案,可行驶到目的地再报案;另外,该方法不仅根据事故车辆的轨迹数据获取事故车辆的特征因子,还根据事故周围其他车辆的停靠时间、行驶速度、停靠位置等特征计算真实度,因此,本公开实施例中的识别车辆事故真实性的方法具有更高的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种识别车辆事故真实性的方法流程示意图;
图2是根据一示例性实施例示出的一种识别车辆事故真实性的方法流程示意图;
图3是根据一示例性实施例示出的一种识别车辆事故真实性的装置结构示意图;
图4是根据一示例性实施例示出的一种识别车辆事故真实性的设备结构示意图;
图5是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
现有技术中识别车辆事故真实性的方法,基于报案用户的通信号码,通过运营商获取与通信号码对应的通信数据,确定车祸发生时间、报案用户的定位位置,来确认识别报案的准确性。需要报案人员在车祸发生地立即报案,而且基站定位可能准确性不足。为了解决上述问题,本公开实施例提供了一种基于车辆行驶轨迹识别车辆事故真实性的方法,该方法根据报案人员上报的车牌号、车祸发生地点、车祸发生时间、报案时间,在线查询海量车辆行驶轨迹,计算出该车牌号在离车祸发生时间最近的停靠时间、停靠时长、停靠地点等特征因子,最近的停靠时间周围其他车辆停靠时间、行驶速度特征因子、停靠点经纬度等特征因子,通过地理信息服务化为标准的省市县城镇路名街道,然后通过预设的模型计算每个特征的真实度,根据计算出来的真实度确定报案信息的准确性。
下面将结合附图1-附图2,对本申请实施例提供的识别车辆事故真实性的方法进行详细介绍,参见图1,该方法具体包括以下步骤。
S101获取报案信息,报案信息包括车辆的车牌号、事故发生时间、报案时间、事故发生地点中的一种或多种。
具体地,获取车辆的报案信息,在一个示例性场景中,当车辆发生车祸时,获取司机输入的事故车辆车牌号、事故发生时间、事故发生地点、报案时间等报案信息。
S102根据报案信息查询事故发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据。
根据事故车辆的车牌号,车祸发生的时间以及车祸发生的地点,查询事故车辆在车祸发生时间前后一段时间内的轨迹数据。
例如,可获取事故车辆的GPS轨迹点数据,其中,GPS轨迹点是部署在车辆上的GPS(GlobalPositioning System,全球定位系统)设备实时上报的车辆位置数据。通常,GPS设备在实时上报时,上报的时间间隔可以根据实际情况进行设定,本申请优选时间间隔为10S。需要说明的是,本申请除了采用车辆安装GPS设备实时上报车辆的轨迹数据之外,还可以是由北斗设备定位车辆轨迹并进行上报。
进一步地,根据车祸发生的时间以及车祸发生的位置,查询车祸发生的行驶路线上,事故周围车辆的行驶轨迹。
S103根据事故车辆的轨迹数据以及事故周围车辆的轨迹数据提取事故车辆特征因子以及事故周围车辆特征因子。
在一种可能的实现方式中,根据事故车辆的轨迹数据提取距离车祸发生地最近的停靠开始时间、停靠时长、停靠经纬度的事故车辆特征因子。
具体地,按轨迹时间轴计算停靠点,例如,速度小于5公里/时,作为停靠基点,计算后续每个点与基点距离,如果连续小于等于200米,持续时间大于5分钟,标记该基点为停靠开始点,基点停靠开始时间作为本次停靠开始时间、基点停靠经纬度作为本次停靠点经纬度;继续判断后续所有行驶轨迹点,找到一个点,与基点位置距离,大于200米,持续时长超过2分钟,标记这一次停靠结束,结束点与基点之间的时间差,为本次停靠的总停靠时长,过滤掉停靠开始时间大于报案时间的停靠点,因为车祸发生时间始终发生在报案之前;筛选停靠时间离车祸出险时间,最近的停靠点信息。
进一步地,在一个可选地实施例中,可以根据离车祸最近的停靠点开始时间和发生车祸停靠之前,行驶的连续5个点,在车祸发生的行驶路线上,查询事故周围其他车辆的行驶轨迹,并根据其他车辆的轨迹数据计算每辆车停靠开始时间、停靠时长、经过车祸发生地时的平均变化速度。
在一个示例性场景中,用t表示时间维度变化,用t1、t2、t3、tn表示时间维度,用m1、m2、m3、mn表示经过的m辆车,假设离事故地s米远时,速度为v1,记时间为t,离事故地接近于0米远时,速度为v2,记时间为t’。则经过车祸发生地时的平均变化速度为:
经过车祸发生地时的平均变化速度=∑m((v1-v2)/(t’-t))/m。
根据该步骤,可以根据轨迹数据计算事故车辆特征因子以及事故周围车辆特征因子。
S104将事故车辆特征因子、事故周围车辆特征因子以及报案信息输入预设模型计算,判断事故是否真实。
在一种可能的实现方式中,在将事故车辆特征因子、事故周围车辆特征因子以及报案信息输入预设的模型之前,还包括通过地理信息服务将事故车辆特征因子中的停靠点经纬度转换为以行政区划命名的停靠地点,包括标准的省市县城镇名称路名,例如,停靠点经纬度为(经度:112.75,纬度:37.68),通过地理信息服务转换后为“山西省晋中市榆次区源涡村东外环十字路口”。
进一步地,还包括利用分词服务将报案信息中的车祸发生地点,转换为标准的省市县城镇路名,(例如:晋中市榆次区源涡村东外环十字路口,转换后为:山西省晋中市榆次区源涡村东外环十字路口)。分词服务,以全国行政区名称、城镇及村名、道路名称、收费站名称构建词库,分词准确率接近于100%,同时分词服务增加了转换后标准行政区划上下级别关系验证。如果分词准确率有影响,会降低识别案件的准确率,根据本公开实施例中的方法,可以进一步提高识别案件信息的准确率。
进一步地,预设的模型根据事故车辆的停靠开始时间、停靠时长、停靠地点(省、市、区县、城镇、路名、地名)、事故周围车辆的停靠开始时间、停靠时长、经过车祸发生地时的平均变化速度、报案信息中的车祸发生时间、车祸发生地点(省、市、区县、城镇、路名、地名),这些特征因子计算报案真实度。
具体地,根据预设的模型中的计算规则,首先根据事故车辆特征因子以及报案信息计算事故车辆真实度。在一个实施例中,首先计算事故车辆的停靠开始时间与报案信息中的事故发生时间的差值。
差值=|停靠开始时间-事故发生时间|;
进一步地,不同的差值对应不同的数值区间,根据数值区间,将停靠地点与车祸发生地点的行政区间名称进行匹配,确定省市区县城镇名称地名公路名的相符度,其中,不同等级的行政区间对应不同的数值,根据匹配结果输出事故车辆真实度。
在一个示例性场景中,事故车辆的停靠开始时间与报案信息中的车祸发生时间的差值越小,对应的数值区间越大,然后,将停靠地点与车祸发生地点的行政区间名称进行匹配,例如,停靠地点为“山西省晋中市榆次区源涡村东外环十字路口”,报案信息中的车祸地点为“山西省晋中市榆次区源涡村东外环十字路口”,例如,该时间差值对应的数值区间中,省相同为10%,市相同为15%,区县相同为20%,乡镇村相同为25%,道路相同为30%,则事故车辆与报案信息中的各级地点全相同,输出的事故车辆真实度100%。
进一步地,根据预设的模型中的计算规则,根据事故周围车辆特征因子以及事故车辆特征因子计算事故周围车辆真实度。在一个实施例中,根据事故周围车辆经过车祸发生地时的平均变化速度对应的预设数值,得出事故周围车辆第一真实度;根据事故周围车辆的停靠开始时间、停靠时长与事故车辆的停靠开始时间、停靠时长的差值对应的预设数值,得到事故周围车辆第二真实度;计算事故周围车辆第一真实度和事故周围车辆第二真实度的和,得到事故周围车辆真实度。
在一个示例性场景中,将事故周围车辆经过车祸发生地时的平均变化速度分为不同的速度区间,不同的速度区间对应不同的真实度,例如(0-10km/h)对应的真实度为10%,
(10-20km/h)对应的真实度为20%,(20-30km/h)对应的真实度为30%,(30-40km/h)对应的真实度为40%,(40km/h以上)对应的真实度为50%。假设本次某车辆经过车祸发生地时的平均变化速度为25km/h,则事故周围车辆第一真实度为30%。
进一步地,根据事故周围车辆的停靠开始时间、停靠时长与事故车辆的停靠开始时间、停靠时长的差值对应的预设数值,得到事故周围车辆第二真实度。
在一段时间区间内,用t’表示事故车辆停靠开始时间,t1、t2、t3、...tm表示m辆事故周围车辆的停靠开始时间。事故车辆与周围车辆平均停靠开始时间差值是:
vt=∑m(t1-t’)/m
进一步地,不同的差值对应不同的预设数值,例如(0-10分钟)对应的真实度为10%,(10-20分钟)对应的真实度为20%,(30-40分钟)对应的真实度为30%,(50分钟以上)对应的真实度为40%。假设事故车辆与周围车辆平均停靠开始时间差值是8分钟,则对应的真实度为10%。
进一步地,用k’表示事故车辆停靠时长,k1、k2、k3、...km表示m辆事故周围车辆的停靠时长,事故车辆与周围车辆平均停靠时长差值是:
vt=∑m(k1-k’)/m
进一步地,不同的差值对应不同的预设数值,例如(0-10分钟)对应的真实度为10%,(10-20分钟)对应的真实度为20%,(30-40分钟)对应的真实度为30%,(50分钟以上)对应的真实度为40%。假设事故车辆与周围车辆平均停靠时长差值是32分钟,则对应的真实度为30%。
第二真实度=事故车辆与周围车辆平均停靠开始时间差值对应的真实度*50%+事故车辆与周围车辆平均停靠时长差值对应的真实度*50%
即:第二真实度=0.1*50%+0.3*50%=0.2
事故周围车辆真实度=第一真实度+第二真实度=0.3+0.2=0.5。
进一步地,将事故车辆真实度与事故周围车辆真实度相加,得到总真实度。
在一种可能的实现方式中,总真实度越大,说明车辆的事故信息真实性越高。因此,本领域技术人员可以设定一个阈值,当总真实度大于等于预设阈值时,确定车辆的事故信息真实。本公开实施例不限定阈值的具体数值,本领域技术人员可自行设定。
为了便于理解本申请实施例提供的识别车辆事故真实性的方法,下面结合附图2进行说明,如图2所示,该方法包括:
首先,获取司机输入的事故车辆车牌号、车祸发生时间、车祸发生地点、报案时间等报案信息。然后根据报案信息查询车祸发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据。
进一步地,采用特征计算引擎,根据事故车辆的轨迹数据提取距离车祸发生地最近的停靠开始时间、停靠时长、停靠经纬度的事故车辆特征因子;根据事故周围其他车辆的轨迹数据提取停靠开始时间、停靠时长、经过车祸发生地时的平均变化速度的事故周围车辆特征因子。并利用地理信息服务、分词服务将停靠经纬度、车祸发生地点中的地址用标准的(省、市、区、镇、村、道路名)格式表示。
进一步地,利用真实度计算引擎,根据事故车辆特征因子以及报案信息,得到事故车辆真实度,根据事故周围车辆特征因子以及事故车辆特征因子得到事故周围车辆真实度。
最后,将事故车辆真实度与事故周围车辆真实度相加,得到总真实度,当真实度数值大于等于预设阈值时,确定车辆的事故信息真实。
本公开实施例提供的识别车辆事故真实性的方法,仅与报案人员上报的信息有关,无需报案人员的位置,因此车辆发生车祸时无需立马报案,可行驶到目的地再报案;另外,该方法不仅根据事故车辆的轨迹数据获取事故车辆的特征因子,还根据事故周围其他车辆的停靠时间、行驶速度、停靠位置等特征计算真实度,因此,本公开实施例中的识别车辆事故真实性的方法具有更高的准确度。
本公开实施例还提供一种识别车辆事故真实性的装置,该装置用于执行上述实施例的识别车辆事故真实性的方法,如图3所示,该装置包括:
获取模块301,用于获取报案信息,报案信息包括车辆的车牌号、事故发生时间、报案时间、事故发生地点中的一种或多种;
轨迹数据查询模块302,用于根据报案信息查询事故发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据;
特征因子提取模块303,用于根据事故车辆的轨迹数据以及事故周围车辆的轨迹数据提取事故车辆特征因子以及事故周围车辆特征因子;
真实性判断模块304,用于将事故车辆特征因子、事故周围车辆特征因子以及报案信息输入预设模型计算,判断事故是否真实。
需要说明的是,上述实施例提供的识别车辆事故真实性的装置在执行识别车辆事故真实性的方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的识别车辆事故真实性的装置与识别车辆事故真实性的方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本公开实施例还提供一种与前述实施例所提供的识别车辆事故真实性的方法对应的电子设备,以执行上述识别车辆事故真实性的方法。
请参考图4,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图4所示,电子设备包括:处理器400,存储器401,总线402和通信接口403,处理器400、通信接口403和存储器401通过总线402连接;存储器401中存储有可在处理器400上运行的计算机程序,处理器400运行计算机程序时执行本申请前述任一实施例所提供的识别车辆事故真实性的方法。
其中,存储器401可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线402可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器401用于存储程序,处理器400在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的识别车辆报案准确性的方法可以应用于处理器400中,或者由处理器400实现。
处理器400可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401,处理器400读取存储器401中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的识别车辆事故真实性的方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的识别车辆事故真实性的方法对应的计算机可读存储介质,请参考图5,其示出的计算机可读存储介质为光盘500,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的识别车辆事故真实性的方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的识别车辆事故真实性的方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种识别车辆事故真实性的方法,其特征在于,包括:
获取报案信息,所述报案信息包括车辆的车牌号、事故发生时间、报案时间、事故发生地点中的一种或多种;
根据报案信息查询事故发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据;
根据所述事故车辆的轨迹数据以及事故周围车辆的轨迹数据提取事故车辆特征因子以及事故周围车辆特征因子;其中,事故车辆特征因子包括距离事故发生地最近的停靠开始时间、停靠时长以及停靠经纬度,事故周围车辆特征因子包括事故周围车辆的停靠开始时间、停靠时长以及经过事故发生地时的平均变化速度;
将所述事故车辆特征因子、事故周围车辆特征因子以及所述报案信息输入预设模型计算,判断所述事故是否真实;
包括:根据所述事故车辆特征因子以及报案信息计算事故车辆真实度;包括:计算事故车辆的停靠开始时间与事故发生时间的差值;根据所述差值对应的预设数值区间,将停靠地点与事故发生地点的行政区间名称进行匹配,其中,不同等级的行政区间对应不同的数值,根据匹配结果输出事故车辆真实度;
根据所述事故周围车辆特征因子以及事故车辆特征因子计算事故周围车辆真实度;包括:将事故周围车辆经过事故发生地时的平均变化速度分为不同的速度区间,不同的速度区间对应的预设数值即为事故周围车辆第一真实度;根据事故周围车辆的停靠开始时间、停靠时长与事故车辆的停靠开始时间、停靠时长的差值对应的预设数值,得到事故周围车辆第二真实度;第二真实度=事故车辆与周围车辆平均停靠开始时间差值对应的真实度*50%+事故车辆与周围车辆平均停靠时长差值对应的真实度*50%,计算所述第一真实度和第二真实度的和,得到事故周围车辆真实度;
当所述事故车辆真实度与所述事故周围车辆真实度的和大于预设阈值时,确定所述事故真实。
2.一种识别车辆事故真实性的装置,其特征在于,包括:
获取模块,用于获取报案信息,所述报案信息包括车辆的车牌号、事故发生时间、报案时间、事故发生地点中的一种或多种;
轨迹数据查询模块,用于根据报案信息查询事故发生时间段内事故车辆的轨迹数据以及事故周围车辆的轨迹数据;
特征因子提取模块,用于根据所述事故车辆的轨迹数据以及事故周围车辆的轨迹数据提取事故车辆特征因子以及事故周围车辆特征因子;其中,事故车辆特征因子包括距离事故发生地最近的停靠开始时间、停靠时长以及停靠经纬度,事故周围车辆特征因子包括事故周围车辆的停靠开始时间、停靠时长以及经过事故发生地时的平均变化速度;
真实性判断模块,用于将所述事故车辆特征因子、事故周围车辆特征因子以及所述报案信息输入预设模型计算,判断所述事故是否真实;
包括:根据所述事故车辆特征因子以及报案信息计算事故车辆真实度;包括:计算事故车辆的停靠开始时间与事故发生时间的差值;根据所述差值对应的预设数值区间,将停靠地点与事故发生地点的行政区间名称进行匹配,其中,不同等级的行政区间对应不同的数值,根据匹配结果输出事故车辆真实度;
根据所述事故周围车辆特征因子以及事故车辆特征因子计算事故周围车辆真实度;包括:将事故周围车辆经过事故发生地时的平均变化速度分为不同的速度区间,不同的速度区间对应的预设数值即为事故周围车辆第一真实度;根据事故周围车辆的停靠开始时间、停靠时长与事故车辆的停靠开始时间、停靠时长的差值对应的预设数值,得到事故周围车辆第二真实度;第二真实度=事故车辆与周围车辆平均停靠开始时间差值对应的真实度*50%+事故车辆与周围车辆平均停靠时长差值对应的真实度*50%,计算所述第一真实度和第二真实度的和,得到事故周围车辆真实度;
当所述事故车辆真实度与所述事故周围车辆真实度的和大于预设阈值时,确定所述事故真实。
3.一种识别车辆事故真实性的设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1所述的识别车辆事故真实性的方法。
4.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1所述的一种识别车辆事故真实性的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336293.0A CN113222331B (zh) | 2021-03-29 | 2021-03-29 | 识别车辆事故真实性的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336293.0A CN113222331B (zh) | 2021-03-29 | 2021-03-29 | 识别车辆事故真实性的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222331A CN113222331A (zh) | 2021-08-06 |
CN113222331B true CN113222331B (zh) | 2024-03-05 |
Family
ID=77084457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110336293.0A Active CN113222331B (zh) | 2021-03-29 | 2021-03-29 | 识别车辆事故真实性的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222331B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724093A (zh) * | 2021-08-26 | 2021-11-30 | 上海赢科信息技术有限公司 | 车险事故的验证方法、系统、电子设备及介质 |
CN114140270A (zh) * | 2021-10-26 | 2022-03-04 | 北京中交兴路信息科技有限公司 | 基于车辆行驶数据判断车辆救援的方法、系统及存储介质 |
CN114548284A (zh) * | 2022-02-23 | 2022-05-27 | 北京中交兴路车联网科技有限公司 | 一种货运车辆事故判断系统、方法、设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069853A (zh) * | 2015-08-20 | 2015-11-18 | 南京安通杰科技实业有限公司 | 交通事故分析方法 |
CN105761491A (zh) * | 2016-04-26 | 2016-07-13 | 安徽大学 | 交通事故侦测与预警系统 |
CN106530095A (zh) * | 2016-12-05 | 2017-03-22 | 北京中交兴路信息科技有限公司 | 一种分析用户欺诈行为的方法及装置 |
CN107798856A (zh) * | 2017-09-14 | 2018-03-13 | 王淑芳 | 一种重点营运车辆事故原因分析方法和系统 |
CN107862614A (zh) * | 2017-11-08 | 2018-03-30 | 广东翼卡车联网服务有限公司 | 一种防止车险骗保的方法、存储设备及车载终端 |
CN108470441A (zh) * | 2018-03-30 | 2018-08-31 | 饶雄刚 | 一种车辆交通事故处理的方法及装置 |
WO2018188503A1 (zh) * | 2017-04-11 | 2018-10-18 | 平安科技(深圳)有限公司 | 车辆定损配件匹配方法和系统 |
CN110223086A (zh) * | 2019-05-30 | 2019-09-10 | 珠海市岭南大数据研究院 | 车险报案信息的识别方法、装置和计算机设备 |
CN110459052A (zh) * | 2019-07-05 | 2019-11-15 | 华为技术有限公司 | 一种车辆事故记录方法、装置及车辆 |
CN110738842A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 事故责任划分及行为分析方法、装置、设备及存储介质 |
CN110782670A (zh) * | 2019-11-05 | 2020-02-11 | 北京汽车集团有限公司 | 基于数据融合的场景还原方法、车辆云平台及存储介质 |
CN110942623A (zh) * | 2018-09-21 | 2020-03-31 | 阿里巴巴集团控股有限公司 | 一种辅助交通事故处理方法和系统 |
CN111144485A (zh) * | 2019-12-26 | 2020-05-12 | 北京中交兴路车联网科技有限公司 | 基于xgboost分类算法的车辆事故判断方法和系统 |
CN111179589A (zh) * | 2019-12-06 | 2020-05-19 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
CN111199088A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术(北京)有限公司 | 复现场景数据的方法和装置 |
CN111651664A (zh) * | 2020-04-24 | 2020-09-11 | 北京中交兴路车联网科技有限公司 | 一种基于事故位置点的事故车辆定位方法、装置、存储介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9922471B2 (en) * | 2016-05-17 | 2018-03-20 | International Business Machines Corporation | Vehicle accident reporting system |
-
2021
- 2021-03-29 CN CN202110336293.0A patent/CN113222331B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069853A (zh) * | 2015-08-20 | 2015-11-18 | 南京安通杰科技实业有限公司 | 交通事故分析方法 |
CN105761491A (zh) * | 2016-04-26 | 2016-07-13 | 安徽大学 | 交通事故侦测与预警系统 |
CN106530095A (zh) * | 2016-12-05 | 2017-03-22 | 北京中交兴路信息科技有限公司 | 一种分析用户欺诈行为的方法及装置 |
WO2018188503A1 (zh) * | 2017-04-11 | 2018-10-18 | 平安科技(深圳)有限公司 | 车辆定损配件匹配方法和系统 |
CN107798856A (zh) * | 2017-09-14 | 2018-03-13 | 王淑芳 | 一种重点营运车辆事故原因分析方法和系统 |
CN107862614A (zh) * | 2017-11-08 | 2018-03-30 | 广东翼卡车联网服务有限公司 | 一种防止车险骗保的方法、存储设备及车载终端 |
CN108470441A (zh) * | 2018-03-30 | 2018-08-31 | 饶雄刚 | 一种车辆交通事故处理的方法及装置 |
CN110738842A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 事故责任划分及行为分析方法、装置、设备及存储介质 |
CN110942623A (zh) * | 2018-09-21 | 2020-03-31 | 阿里巴巴集团控股有限公司 | 一种辅助交通事故处理方法和系统 |
CN111199088A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术(北京)有限公司 | 复现场景数据的方法和装置 |
CN110223086A (zh) * | 2019-05-30 | 2019-09-10 | 珠海市岭南大数据研究院 | 车险报案信息的识别方法、装置和计算机设备 |
CN110459052A (zh) * | 2019-07-05 | 2019-11-15 | 华为技术有限公司 | 一种车辆事故记录方法、装置及车辆 |
CN110782670A (zh) * | 2019-11-05 | 2020-02-11 | 北京汽车集团有限公司 | 基于数据融合的场景还原方法、车辆云平台及存储介质 |
CN111179589A (zh) * | 2019-12-06 | 2020-05-19 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
CN111144485A (zh) * | 2019-12-26 | 2020-05-12 | 北京中交兴路车联网科技有限公司 | 基于xgboost分类算法的车辆事故判断方法和系统 |
CN111651664A (zh) * | 2020-04-24 | 2020-09-11 | 北京中交兴路车联网科技有限公司 | 一种基于事故位置点的事故车辆定位方法、装置、存储介质及终端 |
Non-Patent Citations (1)
Title |
---|
Vega的车辆交通事故三维复现系统研究与实现;苏偌宇;孙永荣;苗剑峰;;机械与电子(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222331A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222331B (zh) | 识别车辆事故真实性的方法、装置、设备及存储介质 | |
CA2916902C (en) | Method of autonomous lane identification for a multilane vehicle roadway | |
US6345233B1 (en) | Collision avoidance using GPS device and train proximity detector | |
CN109655107B (zh) | 空气质量监测方法、装置、车辆及计算机可读存储介质 | |
CN113847925A (zh) | 基于轨迹数据检测车辆偏航的方法、装置、设备及介质 | |
CN107220583B (zh) | 用于识别交通标志的方法和装置 | |
CN103366590A (zh) | 基于车载终端的信息查询系统及方法 | |
CN112734242B (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
CN110310499A (zh) | 一种匝道限速识别的方法及装置 | |
CN114664087B (zh) | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 | |
CN111063192A (zh) | 作业区合规判断方法及系统 | |
CN114202903A (zh) | 基于dem数据的车辆预警方法、装置、设备及存储介质 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
CN110816544B (zh) | 驾驶行为评价方法、装置、车辆及车联网云平台 | |
CN114140270A (zh) | 基于车辆行驶数据判断车辆救援的方法、系统及存储介质 | |
CN114677231A (zh) | 货运险次单的反欺诈识别方法、装置、存储介质及终端 | |
CN116416780A (zh) | 一种路侧感知系统的测试方法、装置、测试设备和介质 | |
CN113838283A (zh) | 一种车辆的位置状态标记方法、装置、存储介质及终端 | |
CN113626656A (zh) | 识别企业和车辆关系类型的方法、装置、设备及存储介质 | |
CN112204347B (zh) | 用于检查是否可安全进行行驶模式转换的方法 | |
CN114166234A (zh) | 基于路害度量选择导航路线和路害识别预警的系统、方法、装置、处理器及计算机存储介质 | |
CN105654775A (zh) | 城市公共路段停车管理系统及方法 | |
CN102903235B (zh) | 一种对实时路况进行质量评价的方法及装置 | |
CN113821735B (zh) | 识别非法加油站点的方法、装置、设备及存储介质 | |
WO2020003397A1 (ja) | 端末装置、後方サーバ、車載トランスポンダ、判定システム、判定方法、及びプログラム |
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 |