CN113673826A - 基于驾驶人个体因素的行车风险评估方法及系统 - Google Patents
基于驾驶人个体因素的行车风险评估方法及系统 Download PDFInfo
- Publication number
- CN113673826A CN113673826A CN202110820124.4A CN202110820124A CN113673826A CN 113673826 A CN113673826 A CN 113673826A CN 202110820124 A CN202110820124 A CN 202110820124A CN 113673826 A CN113673826 A CN 113673826A
- Authority
- CN
- China
- Prior art keywords
- driver
- driving
- accident
- vehicle
- network
- 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.)
- Granted
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 31
- 230000002860 competitive effect Effects 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002856 peripheral neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于驾驶人个体因素的行车风险评估方法及系统,涉及汽车驾驶技术领域,该方法包括:步骤S1:收集历史事故当中的行车数据作为样本,对样本进行归一化处理;步骤S2:将处理后的样本结果进行分类,划归到多种不同环境的不同类型的交通事故下;步骤S3:通过获取的样本集对自组织竞争网络的权值进行训练,得到用于评估行车风险的网络权值;步骤S4:评估单个车辆的行车风险,实时获取车辆的行车信息;步骤S5:根据车辆所处的环境,进行行车风险系数的计算;步骤S6:每间隔一段时间后,建立新的网络模型。本发明能够为驾驶人提供警示,提高驾驶人在行车时的注意力,从而降低行车事故的发生概率,提高整个交通系统的安全性。
Description
技术领域
本发明涉及汽车驾驶技术领域,具体地,涉及一种基于驾驶人个体因素的行车风险评估方法及系统。
背景技术
近年来机器学习技术发展迅速。神将网络是机器学习的重要部分,相对与传统的控制技术,其不需要着重于被控对象的数学模型。自组织竞争网络是一种模仿人体神经元兴奋时对周围神经元产生抑制作用这一现象构建的递归神经网络。它能够对样本进行聚类,从而揭示样本中个体间隐含的内在联系。
行车风险的评估对减少交通事故,提高车辆驾驶的安全性具有重要意义。现有的行车风险评估方法主要从车辆行驶状态和行驶环境考虑,从物理学的角度构建数学模型,很少深入的考虑到驾驶人的个体因素对行车风险的影响。这一方面也是因为驾驶人的行为多变,且受生理因素、心理因素、不当行为、驾驶技能等多方面影响,难以量化。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于驾驶人个体因素的行车风险评估方法及系统,以填补现有技术在评估驾驶人对行车风险的影响这一方面的空缺。
根据本发明提供的一种基于驾驶人个体因素的行车风险评估方法及系统,所述方案如下:
第一方面,提供了一种基于驾驶人个体因素的行车风险评估方法,所述方法包括:
收集历史事故当中的行车数据作为样本,并记录样本,对样本进行归一化处理;
将处理后的样本结果进行分类,并划归到多种不同环境的不同类型的交通事故下,每种交通事故类型下的样本构成矩阵Q;
针对不同环境下的不同交通事故类型构建自组织竞争网络,通过获取的样本集对自组织竞争网络的权值进行训练,得到用于评估行车风险的网络权值;
评估单个车辆的行车风险,实时获取车辆的行车信息组成向量q,并作归一化处理,得q′;
根据车辆所处的环境,运用该环境下几种常见交通事故训练出的网络权值来进行行车风险系数的计算;
每间隔一段时间后,使用新的交通事故数据,舍弃陈旧的数据,建立新的网络模型。
优选的,所述样本包括:历史事故中当事车辆的速度、驾驶人的连续驾驶时间、事故发生时间、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
优选的,所述对样本进行归一化处理包括:
车辆的速度q1按照事故时的车辆速度以km/h为单位进行取值;
驾驶人的连续驾驶时间q2按照驾驶人从车辆起步到事故发生时的总时长以h为单位进行取值;
事故发生时间q3;
驾驶人驾龄q4以年为单位取值;
驾驶人年龄q5以年为单位取值;
驾驶人的性别q6取值:男性为1,女性为-1;
驾驶人交通违规记录q7的取值:近三年平均每年的违规扣分;
优选的,所述实时获取车辆的行车信息包括:车辆的速度、驾驶人的连续驾驶时间、行车时刻、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
优选的,所述行驶的单个车辆的风险分析:
其中,f为行车风险系数,wi(i=1,…,5)分别代表直行事故、追尾事故、超车事故、左转弯事故、右转弯事故自组织竞争网络下的网络权值,si为wi的行数,sum()表示向量所有大于0的元素之和;Y在驾驶人出现不当驾驶行为1,否则为0,max()表示取两者中的最大者。
第二方面,提供了一种基于驾驶人个体因素的行车风险评估系统,所述系统包括:
模块M1:收集历史事故当中的行车数据作为样本,并记录样本,对样本进行归一化处理;
模块M2:将处理后的样本结果进行分类,并划归到多种不同环境的不同类型的交通事故下,每种交通事故类型下的样本构成矩阵Q;
模块M3:针对不同环境下的不同交通事故类型构建自组织竞争网络,通过获取的样本集对自组织竞争网络的权值进行训练,得到用于评估行车风险的网络权值;
模块M4:评估单个车辆的行车风险,实时获取车辆的行车信息组成向量q,并作归一化处理,得q′;
模块M5:根据车辆所处的环境,运用该环境下几种常见交通事故训练出的网络权值来进行行车风险系数的计算;
模块M6:每间隔一段时间后,使用新的交通事故数据,舍弃陈旧的数据,建立新的网络模型。
优选的,所述模块M1中样本包括:历史事故中当事车辆的速度、驾驶人的连续驾驶时间、事故发生时间、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
优选的,所述模块M1中对样本进行归一化处理包括:
车辆的速度q1按照事故时的车辆速度以km/h为单位进行取值;
驾驶人的连续驾驶时间q2按照驾驶人从车辆起步到事故发生时的总时长以h为单位进行取值;
事故发生时间q3;
驾驶人驾龄q4以年为单位取值;
驾驶人年龄q5以年为单位取值;
驾驶人的性别q6取值:男性为1,女性为-1;
驾驶人交通违规记录q7的取值:近三年平均每年的违规扣分;
优选的,所述模块M4中实时获取车辆的行车信息包括:车辆的速度、驾驶人的连续驾驶时间、行车时刻、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
优选的,所述模块M5包括:行驶的单个车辆的风险分析:
其中,f为行车风险系数,wi(i=1,…,5)分别代表直行事故、追尾事故、超车事故、左转弯事故、右转弯事故自组织竞争网络下的网络权值,si为wi的行数,sum()表示向量所有大于0的元素之和;Y在驾驶人出现不当驾驶行为1,否则为0,max()表示取两者中的最大者。
与现有技术相比,本发明具有如下的有益效果:
1、通过自组织竞争网络分析历史交通事故中驾驶人的个体因素潜在的规律和正在行驶的车辆的驾驶人的个体因素,做出对正在行驶的车辆的实时行车风险评估;
2、行车风险评估的结果表示产生风险的系数,其数值大小反应了行车风险的大小;该系数是从驾驶人个体因素的方面进行分析的,所以该系数对驾驶过程中驾驶人具有指导意义,可以为驾驶人提供警示,提高驾驶人在行车时的注意力,从而降低行车事故的发生概率,提高整个交通系统的安全性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明提供的驾驶人个体因素与行车风险的关系图;
图2为本发明提供的行车风险评估流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对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,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于驾驶人个体因素的行车风险评估方法,参照图1所示,该图显示了驾驶人个体因素与行车风险之间的关系,通过对二者关系进行分析,做到对行车风险进行评估。
整个风险评估主要分为三个部分:建立自组织竞争神经网络、计算行车风险系数、建立新的网络模型。
建立自组织竞争神经网络:
通过相关部门获取历史事故中当事车辆的速度、驾驶人的连续驾驶时间、事故发生时间、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别、驾驶人的交通违规记录这些行车数据。事故发生时间、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别、驾驶人的交通违规记录都是可以直接获取的。当事车辆发生事故时的速度和驾驶人的连续驾驶时间需要根据行车记录仪和道路监控进行推算。
按照如下规则对收集到的每个交通事故的行车数据进行处理:车辆的速度q1按照事故时的车辆速度以km/h为单位进行取值;驾驶人的连续驾驶时间q2按照驾驶人从车辆起步到事故发生时的总时长以h为单位进行取值;事故发生时间q3取值方式:如2:30取2.5或者13:15取13.25;驾驶人驾龄q4以年为单位取值;驾驶人年龄q5以年为单位取值;驾驶人的性别q6取值:男性为1,女性为-1;驾驶人交通违规记录q7的取值方式:近三年平均每年的违规扣分;对样本进行归一化处理i=1,…,7。
在计算行车风险系数时,需要考虑车辆所处的环境,例如城市、山区公路或干线公路等,每种环境下的计算方法只涉及该环境下的几种常见交通事故类型。因此需要对样本全体进行两次分类:
第一,先按照交通事故发生的环境进行分类,如城市、山区公路或干线公路;
第二,在每个环境下按照不同的常见交通事故类型进行分类,如城市:直行事故、追尾事故、超车事故、左转弯事故、右转弯事故;山区公路:窄道事故、弯道事故、坡道事故;干线公路:会车事故、超车事故、停车事故。这样以来每个交通环境下的每个常见交通事故都对应了一个7行n列的矩阵Q=[q'1,q'2,…,q'n],n代表样本个数。
针对每种环境下的每种常见交通事故建立一个自组织竞争网络。网络的神经元个数s的选择需要根据样本集的规模和之后进行行车风险系数实时计算的速度进行综合分析。一个自组织竞争网络,有两组权值,一组是隐含层的权值Ws×7,是之后的行车风险计算需要用到的权值,另一组是竞争层权值W's×s,需要预先设计,体现了不同神经元之间的抑制作用,其是一个关于主对角线对称的矩阵,除主对角线元素为正值且相等,其余元素为负值,并且元素行数与列数相差越大,元素绝对值越小。
对网络权值进行训练,训练规则,以城市中的直行事故为例:
向网络输入q'1,得出胜出的节点i;
Δw1i=η(q'1-w1i),η为学习效率,其取值范围0.01~0.3;
w1i=w1i+Δw1i,向网络输入q'2,重复上述过程,直到将Q中的样本全部输入一遍,记为完成一次训练;
重新输入q'1,重复上述过程,直到达到最大训练次数。
完成训练工作后得到相应的用于计算行车风险系数的权值。
计算行车风险系数:
以行驶在城市中的单个车辆为例,计算公式为:
其中,f为行车风险系数,wi(i=1,…,5)分别代表直行事故、追尾事故、超车事故、左转弯事故、右转弯事故自组织竞争网络下的网络权值,si为wi的行数,sum()表示向量所有大于0的元素之和;Y在驾驶人出现不当驾驶行为1,否则为0,不当驾驶行为如未系安全带、单手握方向盘、酒驾等;max()表示取两者中的最大者。当车辆在行驶于山区公路时Wi(i=1,2,3)分别代表窄道事故、弯道事故、坡道事故。当车辆在行驶于干线公路时Wi(i=1,2,3)分别代表会车事故、超车事故、停车事故。车风险系数需要实时计算并反应给驾驶人,可以通手机,车载计算机等进行计算和显示。
建立新的网络模型:
每隔一个时间段,例如月、季度或年,使用新的交通事故数据,同时舍弃较为陈旧的数据,重新进行自组织竞争网络的建立和权值的训练,并用于行车风险评估。
本发明实施例提供了一种基于驾驶人个体因素的行车风险评估方法,通过自组织竞争网络分析历史交通事故中驾驶人的个体因素潜在的规律和正在行驶的车辆的驾驶人的个体因素,做出对正在行驶的车辆的实时行车风险评估;行车风险评估的结果表示产生风险的系数,其数值大小反应了行车风险的大小,可以为驾驶人提供警示,提高驾驶人在行车时的注意力,从而降低行车事故的发生概率,提高整个交通系统的安全性。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于驾驶人个体因素的行车风险评估方法,其特征在于,所述方法包括:
步骤S1:收集历史事故当中的行车数据作为样本,并记录样本,对样本进行归一化处理;
步骤S2:将处理后的样本结果进行分类,并划归到多种不同环境的不同类型的交通事故下,每种交通事故类型下的样本构成矩阵Q;
步骤S3:针对不同环境下的不同交通事故类型构建自组织竞争网络,通过获取的样本集对自组织竞争网络的权值进行训练,得到用于评估行车风险的网络权值;
步骤S4:评估单个车辆的行车风险,实时获取车辆的行车信息组成向量q,并作归一化处理,得q′;
步骤S5:根据车辆所处的环境,运用该环境下几种常见交通事故训练出的网络权值来进行行车风险系数的计算;
步骤S6:每间隔一段时间后,使用新的交通事故数据,舍弃陈旧的数据,建立新的网络模型。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中样本包括:历史事故中当事车辆的速度、驾驶人的连续驾驶时间、事故发生时间、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
4.根据权利要求1所述的方法,其特征在于,所述步骤S4中实时获取车辆的行车信息包括:车辆的速度、驾驶人的连续驾驶时间、行车时刻、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
6.一种基于驾驶人个体因素的行车风险评估系统,其特征在于,所述系统包括:
模块M1:收集历史事故当中的行车数据作为样本,并记录样本,对样本进行归一化处理;
模块M2:将处理后的样本结果进行分类,并划归到多种不同环境的不同类型的交通事故下,每种交通事故类型下的样本构成矩阵Q;
模块M3:针对不同环境下的不同交通事故类型构建自组织竞争网络,通过获取的样本集对自组织竞争网络的权值进行训练,得到用于评估行车风险的网络权值;
模块M4:评估单个车辆的行车风险,实时获取车辆的行车信息组成向量q,并作归一化处理,得q′;
模块M5:根据车辆所处的环境,运用该环境下几种常见交通事故训练出的网络权值来进行行车风险系数的计算;
模块M6:每间隔一段时间后,使用新的交通事故数据,舍弃陈旧的数据,建立新的网络模型。
7.根据权利要求6所述的系统,其特征在于,所述模块M1中样本包括:历史事故中当事车辆的速度、驾驶人的连续驾驶时间、事故发生时间、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
9.根据权利要求6所述的系统,其特征在于,所述模块M4中实时获取车辆的行车信息包括:车辆的速度、驾驶人的连续驾驶时间、行车时刻、驾驶人的驾龄、驾驶人的年龄、驾驶人的性别和驾驶人的交通违规记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110820124.4A CN113673826B (zh) | 2021-07-20 | 2021-07-20 | 基于驾驶人个体因素的行车风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110820124.4A CN113673826B (zh) | 2021-07-20 | 2021-07-20 | 基于驾驶人个体因素的行车风险评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673826A true CN113673826A (zh) | 2021-11-19 |
CN113673826B CN113673826B (zh) | 2023-06-02 |
Family
ID=78539604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110820124.4A Active CN113673826B (zh) | 2021-07-20 | 2021-07-20 | 基于驾驶人个体因素的行车风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673826B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180070A (zh) * | 2017-03-29 | 2017-09-19 | 暨南大学 | 一种风险信息自动分类、识别与预警方法及系统 |
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
US10354534B1 (en) * | 2017-09-20 | 2019-07-16 | BlueOwl, LLC | System and method for identifying a vehicle via audio signature matching |
WO2019177511A1 (en) * | 2018-03-12 | 2019-09-19 | Scania Cv Ab | Method, control arrangement and machine learning based system for autonomous vehicles for proactively acting on situations involving an increased traffic accident risk |
CN110826848A (zh) * | 2019-09-19 | 2020-02-21 | 安徽百诚慧通科技有限公司 | 基于层次分析法的驾驶人风险评估方法 |
US10830605B1 (en) * | 2016-10-18 | 2020-11-10 | Allstate Insurance Company | Personalized driving risk modeling and estimation system and methods |
CN112105537A (zh) * | 2018-05-22 | 2020-12-18 | V3 智能科技私人有限公司 | 驾驶风险计算装置和方法 |
CN112613786A (zh) * | 2020-12-30 | 2021-04-06 | 武汉理工大学 | 基于行车安全事件的个性差异化驾驶风险评价方法 |
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
US20210197720A1 (en) * | 2019-12-27 | 2021-07-01 | Lyft, Inc. | Systems and methods for incident detection using inference models |
-
2021
- 2021-07-20 CN CN202110820124.4A patent/CN113673826B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784587A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 一种驾驶行为评价系统 |
US10830605B1 (en) * | 2016-10-18 | 2020-11-10 | Allstate Insurance Company | Personalized driving risk modeling and estimation system and methods |
CN107180070A (zh) * | 2017-03-29 | 2017-09-19 | 暨南大学 | 一种风险信息自动分类、识别与预警方法及系统 |
CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
US10971016B1 (en) * | 2017-09-20 | 2021-04-06 | BlueOwl, LLC | System and method for identifying a vehicle via audio signature matching |
US10354534B1 (en) * | 2017-09-20 | 2019-07-16 | BlueOwl, LLC | System and method for identifying a vehicle via audio signature matching |
WO2019177511A1 (en) * | 2018-03-12 | 2019-09-19 | Scania Cv Ab | Method, control arrangement and machine learning based system for autonomous vehicles for proactively acting on situations involving an increased traffic accident risk |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN112105537A (zh) * | 2018-05-22 | 2020-12-18 | V3 智能科技私人有限公司 | 驾驶风险计算装置和方法 |
CN110826848A (zh) * | 2019-09-19 | 2020-02-21 | 安徽百诚慧通科技有限公司 | 基于层次分析法的驾驶人风险评估方法 |
US20210197720A1 (en) * | 2019-12-27 | 2021-07-01 | Lyft, Inc. | Systems and methods for incident detection using inference models |
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN112613786A (zh) * | 2020-12-30 | 2021-04-06 | 武汉理工大学 | 基于行车安全事件的个性差异化驾驶风险评价方法 |
Non-Patent Citations (1)
Title |
---|
牛世峰;李贵强;张士伟;: "卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型", 中国公路学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673826B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Typical-driving-style-oriented personalized adaptive cruise control design based on human driving data | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
Sekhar et al. | Mode choice analysis using random forrest decision trees | |
Zhu et al. | A Bayesian Network model for contextual versus non-contextual driving behavior assessment | |
Suzdaleva et al. | An online estimation of driving style using data-dependent pointer model | |
Li et al. | Driving style classification based on driving operational pictures | |
CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
Xu et al. | Aggressive driving behavior prediction considering driver’s intention based on multivariate-temporal feature data | |
Wang et al. | A learning-based personalized driver model using bounded generalized Gaussian mixture models | |
Deng et al. | Modeling the effect of limited sight distance through fog on car-following performance using QN-ACTR cognitive architecture | |
CN113516846B (zh) | 车辆换道行为预测模型构建、预测预警方法及系统 | |
CN112801143B (zh) | 基于K-Means和高斯过程回归的转向路感模拟方法 | |
Park et al. | Driving assistant companion with voice interface using long short-term memory networks | |
Li et al. | Short-term vehicle speed prediction based on BiLSTM-GRU model considering driver heterogeneity | |
CN109887279B (zh) | 一种交通拥堵预测方法及系统 | |
Moosavi et al. | Driving style representation in convolutional recurrent neural network model of driver identification | |
Suzdaleva et al. | Two-layer pointer model of driving style depending on the driving environment | |
CN114169682A (zh) | 一种驾驶能力过程性评价方法和系统 | |
Wei et al. | Driver's mental workload classification using physiological, traffic flow and environmental factors | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
Birfir et al. | Building machine-learning models for reducing the severity of bicyclist road traffic injuries | |
CN106873595A (zh) | 一种基于时间自动机的跟车行为识别方法 | |
CN112632705B (zh) | 一种基于gmm和高斯过程回归的路感模拟方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 |
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 |