CN113808403B - 融合交管大数据的新能源汽车运行风险研判方法 - Google Patents

Abstract

本发明提供一种融合交管大数据的新能源汽车运行风险研判方法，其基于新能源汽车的运行基础数据，结合道路交通数字地图、交管平台的交管数据、实时天气数据，对新能源汽车的运行过程中可能发生的风险进行提前研判，发现存在风险时则对相应的新能源汽车进行相应风险处置，在风险发生之前进行应对，将新能源汽车运行风险从被动应对转为主动防控，有效地降低新能源汽车运行风险发生的可能性。

Description

融合交管大数据的新能源汽车运行风险研判方法

技术领域

本发明涉及智能交通控制技术领域，具体为融合交管大数据的新能源汽车运行风险研判方法。

背景技术

随着新能源汽车的推行，新能源汽车相关的事故率也在逐年上升，其中2018年、2019年、2020年上报的新能源汽车事故起数分别为1201起、3593起、4986起。而受人、车、路、环境影响，交通事故防不胜防。根据依据《电动汽车远程服务与管理系统技术规范（GB/T32960）》国家标准要求，新能源汽车应最大不超过30秒上报一次本车的运行基础数据。那么，如何根据这些新能源车的运行数据对新能源汽车的运行风险进行预判，主动地控制新能源汽车运行风险产生的因素，将交通事故由被动应对转化为主动防控，则是急需解决的一个问题。

发明内容

为了能够提前预判新能源汽车的运行分风险，本发明提供一种融合交管大数据的新能源汽车运行风险研判方法，其可以利用新能源汽车上报的运行数据，预判其运行风险，将交通事故由被动应对转化为主动防控。

本发明的技术方案是这样的：融合交管大数据的新能源汽车运行风险研判方法，其特征在于，其包括以下步骤：

S1：实时获取新能源汽车的运行基础数据；

所述运行基础数据包括：整车数据、定位数据、告警数据、整车报警等级；

所述整车报警等级为车辆自身的报警系统基于车辆运行数据做出的综合故障判断结果，其包括：表示故障等级逐渐升高的0级故障、1级故障、2级故障、3级故障；

S2：基于数字地图平台获取道路交通地图以及地况地貌数据，基于天气预报平台获取实时天气情况数据，基于交通管理平台获取实时交通违法行为记录；

S3: 将所有的所述运行基础数据按照所述整车报警等级分类，所述整车报警等级小于等于2，则进行动力风险研判；新能源汽车的动力风险包括：动力不足、动力丧失；

当所述整车报警等级大于2时，进行车辆运行风险研判，新能源汽车的车辆运行风险包括：车辆火灾、车辆失控；

将所有的所述动力风险、所述车辆运行风险需要报警的新能源汽车对应的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的所述运行基础数据实施步骤S4；

S4：基于所述运行基础数据中的所述定位数据，结合所述道路交通地图、所述整车数据中的实时储能值、所述实时交通违法行为记录，进行追尾事故研判；

当所述追尾事故研判结果为：存在发生风险时，则将对应的新能源汽车的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的所述运行基础数据实施步骤S5；

S5：基于所述运行基础数据中的所述定位数据，结合所述道路交通地图、所述实时交通违法行为记录、驾驶时间，进行其他交通事故风险研判；

当所述其他交通事故风险研判的结果为：存在发生风险时，则将对应的新能源汽车的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的所述运行基础数据结束本次研判；

S6：循环执行步骤S1~S5，不间断对能源汽车的所述运行基础数据进行研判。

其进一步特征在于：

所述动力风险研判包括以下步骤：

a1：将所述运行基础数据按照所述整车报警等级分类，所述整车报警等级小于等于1，则实施步骤a2，进行动力不足风险研判；

所述整车报警等级大于1且小于等于2，实施步骤a3，实施动力丧失风险研判；

a2：获取所述整车数据中的整车贮能的数据，获取每个新能源汽车的贮能额定值；

对所述整车报警等级、所述整车贮能与其对应所述贮能额定值的关系进行判断；

当所述整车报警等级小于等于1，且所述整车贮能大于其对应所述贮能额定值的50%，则，对应的所述运行基础数据实施步骤S4；

当所述整车报警等级小于等于1，且所述整车贮能小于其对应所述贮能额定值的50%，大于其对应所述储能额定值的30%时，则对新能源车辆是否处于繁忙时段进行判断；

当所述整车报警等级小于等于1，所述整车贮能小于其对应所述贮能额定值的50%，大于其对应所述储能额定值的30%时，且处于拥堵驾驶状态时，对应的新能源汽车存在动力不足风险，需要预警；否则，对应的所述运行基础数据实施步骤S4；

当所述整车报警等级小于等于1，且所述整车贮能小于其对应所述贮能额定值的30%，则对应的新能源汽车存在动力不足风险，需要预警；

a3：提取所述告警数据中以下告警数据，同时提取所述实时交通违法行为记录；

当动力电池故障存在：SOC过低或者单体电池欠压；

或者，当直流转换器故障中存在DC-DC状态报警；

同时，所述实时交通违法行为记录中存在实时违法嫌疑行为记录时，则判断对应的新能源汽车存在动力丧失风险，需要预警；

其余的所述运行基础数据实施步骤S4；

所述车辆运行风险的研判包括以下步骤：

b1：对所述告警数据进行如下判断，对新能源车辆进行车辆火灾研判：

如果直流转换器故障中的DC-DC温度报警和动力电池故障中的电池高温报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

如果动力电池故障中的电池高温报警与驱动电机故障中的驱动电机温度报警同时存在，或者动力电池故障中的电池高温报警与驱动电机控制器温度报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

如果电气电控故障中的DC-DC温度报警和动力电池故障中的绝缘报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

其余的所述运行基础数据实施步骤b2；

b2：如果电气电控故障中的制动系统报警和动力电池故障中的任何故障同时存在，则判断对应的新能源汽车存在车辆失控风险，需要预警；

其余的所述运行基础数据实施步骤b3；

b3：基于所述定位数据，获取新能源车辆的实时位置，判断其是否处于复杂地貌；

如果电气电控故障中的制动系统报警，同时新能源汽车处于复杂地貌的范围，则判断对应的新能源汽车存在车辆失控风险，需要预警；

其余的所述运行基础数据实施步骤S4；

所述追尾事故研判包括以下步骤：

c1：获取所述整车数据中的整车贮能的数据，获取每个新能源汽车的贮能额定值；

c2：基于所述定位数据，获取新能源车辆的实时位置；

如果所述整车贮能大于其对应所述贮能额定值的30%，同时车辆处于高速公路、城市快速中行驶，则判断对应的新能源汽车存在追尾事故风险，需要预警；其余数据实施步骤c3；

c3：提取所述运行基础数据对应的所述实时交通违法行为记录；

如果所述整车贮能大于其对应所述贮能额定值的30%~50%，同时，所述实时交通违法行为记录中存在实时违法嫌疑行为记录时，则判断对应的新能源汽车存在追尾事故风险，需要预警；

所述其他交通事故风险研判包括以下步骤：

d1：基于所述定位数据，获取新能源车辆的实时位置；

d2：判断新能源汽车是否处于复杂地貌中，如果新能源汽车处于复杂地貌的范围，则判断对应的新能源汽车存在其他交通事故风险，需要预警；否则，其余数据实施步骤d3；

d3：判断新能源汽车是否处于拥堵驾驶状态中，如果新能源汽车处于拥堵驾驶状态，则判断对应的新能源汽车存在其他交通事故风险，需要预警；

所述拥堵驾驶状态的判断包括以下步骤：

e1：获取指定路段的地图信息；

e2：获取所述指定路段内的基础数据；

所述基础数据包括：卡口数据、天气数据、GPS速度数据；

所述天气数据包括：降雨量、能见度；

所述卡口数据包括：每个所述卡口测量的流量数据；

e3：获取指定路段内、抽取时间内的交通拥堵状态数据集，按照交通拥堵状态数据集对应的发生时间、发生地点、卡口流量数据、天气数据，构建交通状态时空矩阵；

基于所述交通状态时空矩阵，通过生成式对抗网络构建样本重构网络模型对指定路段、交通时间段的数据进行补足；

e4：基于长短期记忆神经网络算法构建拥堵驾驶状态预测模型；通过样本重构网络模型生成训练样本，通过训练样本数据对所述拥堵驾驶状态预测模型进行训练，得到训练好的所述拥堵驾驶状态预测模型；

e5：将新能源汽车的行驶时间、定位数据、实时天气情况输入到训练好的所述拥堵驾驶状态预测模型中，即可得到新能源汽车当下是否处于所述拥堵驾驶状态；

所述复杂地貌的判断方法包括以下步骤：

f1：构建复杂地貌风险判断模型；

所述复杂地貌风险判断模型包括：指定地段对应的交通流特征要素数据、环境要素数据、道路线形数据；

所述交通流特征要素数据为进入指定地段来车方向的预警区的交通流信息数据，包括：指定路段车流量、大车比例、车速、车速标准差；

所述环境要素数据为所述指定地段当下的天气状况，包括：正常天气、不良天气；

所述道路线形数据为所述指定地段所处的路段情况，包括：平直路段、危险路段；

f2：获取所述指定地段所在路段的历史交通数据；

基于历史交通数据中的所述风险预警数据和事故数据的关系，计算得到事故现场中所述交通流特征要素数据对应的阈值；

f3：将所述交通流特征要素数据对应的阈值输入到所述复杂地貌风险判断模型中，获得所述指定路段所在路段对应的训练好的所述复杂地貌风险判断模型；

f4：将新能源汽车行驶时间、定位数据对应的环境要素数据、实时天气情况输入到训练好的所述复杂地貌风险判断模型中，所述复杂地貌风险判断模型输出对应的风险预测等级；

f5： 将风险预测等级与预设的复杂地貌判定阈值比较，大于所述复杂地貌判定阈值，则，判断该行驶时间内，所述指定路段为复杂地貌。

本发明提供的融合交管大数据的新能源汽车运行风险研判方法，其基于新能源汽车的运行基础数据，结合道路的数字地图、交管平台的交管数据、实时天气数据，对新能源汽车的运行过程中可能发生的风险进行提前研判，发现存在风险时则对相应的新能源汽车进行相应风险处置，在风险发生之前将其发现，将新能源汽车运行风险从被动对应转为主动防控。

附图说明

图1为融合交管大数据的新能源汽车运行风险研判平台的模块结构示意图；

图2为融合交管大数据的新能源汽车运行风险研判方法的流程图。

具体实施方式

如图1所示为，融合交管大数据的新能源汽车运行风险研判平台，每一辆新能源汽车通过车载单元，最大不超过30秒将本车的运行基础数据传输到新能源汽车的制造企业平台，企业平台将所有的新能源汽车的数据实时的传输到新能源汽车运行风险研判平台。

新能源汽车运行风险研判平台中，基于数据采集模块接收新能源汽车上传的运行基础数据，传递给风险预判模块进行运行风险研判，同时将数据存储到存储模块中；风险判断模块将研判后得到的预警数据传递给预警处置模块，预警处置模块针对不同的风险预警确定处置对策，然后将处置对策传输到交通管理指挥平台，通知到卡口、交警、诱导屏、交通广播等单位，进行后续风险预警行为、以及实时风险控制行动，有效地降低新能源汽车运行风险发生的可能性。

其中，依据《电动汽车远程服务与管理系统技术规范（GB/T 32960）》国家标准要求，新能源汽车上传的运行基础数据包括：整车数据、定位数据、告警数据、整车报警等级。

根据技术规范要求，整车报警等级为车辆自身的报警系统基于车辆运行数据，如：根据电机、电池、DC等零件故障、整车CAN网络故障、VCU已经故障进行综合故障判断的结果；整车报警等级包括：表示故障等级逐渐升高的0级故障、1级故障、2级故障、3级故障。

其中，车辆状态包括启动、熄火、异常、无效；运行状态包括充电、行驶、停止状态、异常、无效；运行模式包括纯电、混动、燃油、异常、无效；车速有效值范围为0～2200（表示0km/h～220 km/h），最小计量单元为0.1km/h；里程有效值范围为0～9999999（表示0km～999999.9km），最小计量单元为0.1km；总电压有效值范围为0～10000（表示0V～1000V），最小计量单元：0.1V；总电流有效值范围为0～20000（偏移量1000A，表示-1000A～+1000A），最小计量单元：0.1A；SOC有效值范围为0～100（表示0%～100%），最小计量单元为1%；DC-DC状态包括工作、断开、异常、无效。

定位数据包括定位状态、经度、纬度、速度、方向等。其中，定位状态包括有效定位、无效定位、北纬、南纬、东经、西经；经度以度为单位的纬度值乘以10的6次方，精确到百万分之一度；纬度以度为单位的纬度值乘以10的6次方，精确到百万分之一度；速度有效值范围为0～2200（表示0 km/h～220 km/h），最小计量单元：0.1km/h；方向有效值范围：0～359，正北为0，顺时针。

告警数据包括：直流转换器故障、动力电池故障、电气电控故障、驱动电机故障；直流转换器故障有DC-DC温度报警、DC-DC状态报警、高压互锁状态报警。

动力电池故障包括：单体电池过压、单体电池欠压、电池高温、SOC过高、SOC过低、SOC跳变、可充电储能系统不匹配、车载储能装置类型欠压、车载储能装置类型过充、车载储能装置类型过压、动力蓄电池一致性差。

电气电控故障包括：有绝缘报警和制动系统报警。

驱动电机故障包括：有驱动电机温度报警、驱动电机控制器温度报警。

本专利中的新能源汽车运行研判，以新能源汽车上传的运行基础数据为基础，结合城市的数字地图、交管平台的交管数据、实时天气数据，对新能源汽车的运行过程中可能发生的风险进行提前研判。

本发明包括融合交管大数据的新能源汽车运行风险研判方法，如图2所示，其包括以下步骤：

S1：实时获取新能源汽车的运行基础数据；

运行基础数据包括：整车数据、定位数据、告警数据、整车报警等级；

整车报警等级为车辆自身的报警系统基于车辆运行数据做出的综合故障判断结果，其包括：表示故障等级逐渐升高的0级故障、1级故障、2级故障、3级故障。

S2：基于数字地图平台获取道路交通地图以及地况地貌数据，基于天气预报平台获取实时天气情况数据，基于交通管理平台获取实时交通违法行为记录。

S3: 将所有的运行基础数据按照整车报警等级分类，整车报警等级小于等于2，则进行动力风险研判；新能源汽车的动力风险包括：动力不足、动力丧失；

当整车报警等级大于2时，进行车辆运行风险研判，新能源汽车的车辆运行风险包括：车辆火灾、车辆失控；

将所有的动力风险、车辆运行风险需要报警的新能源汽车对应的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的运行基础数据实施步骤S4。

其中，动力风险研判包括以下步骤：

a1：将运行基础数据按照整车报警等级分类，整车报警等级小于等于1，则实施步骤a2，进行动力不足风险研判；

整车报警等级大于1且小于等于2，实施步骤a3，实施动力丧失风险研判；

a2：获取整车数据中的整车贮能的数据，获取每个新能源汽车的贮能额定值；

对整车报警等级、整车贮能与其对应贮能额定值的关系进行判断；

当整车报警等级小于等于1，且整车贮能大于其对应贮能额定值的50%，则，对应的运行基础数据实施步骤S4；

当整车报警等级小于等于1，且整车贮能小于其对应贮能额定值的50%，大于其对应储能额定值的30%时，则对新能源车辆是否处于繁忙时段进行判断；

当整车报警等级小于等于1，整车贮能小于其对应贮能额定值的50%，大于其对应储能额定值的30%时，且处于拥堵驾驶状态时，对应的新能源汽车存在动力不足风险，需要预警；否则，对应的运行基础数据实施步骤S4；

当整车报警等级小于等于1，且整车贮能小于其对应贮能额定值的30%，则对应的新能源汽车存在动力不足风险，需要预警；

a3：提取告警数据中以下告警数据，同时提取实时交通违法行为记录；

当动力电池故障存在：SOC过低或者单体电池欠压；

或者，当直流转换器故障中存在DC-DC状态报警；

同时，实时交通违法行为记录中存在实时违法嫌疑行为记录时，则判断对应的新能源汽车存在动力丧失风险，需要预警；当新能源汽车存在实时违法嫌疑行为记录，但是还处于行驶状态时，其发生运行风险的概率会极大的提高，本专利进行运行风险预警的时候，采用实时违法嫌疑行为，确保研判结果更具实用性；

其余的运行基础数据实施步骤S4。

车辆运行风险研判包括以下步骤：

b1：对告警数据进行如下判断，对新能源车辆进行车辆火灾研判：

如果直流转换器故障中的DC-DC温度报警和动力电池故障中的电池高温报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

如果动力电池故障中的电池高温报警与驱动电机故障中的驱动电机温度报警同时存在，或者动力电池故障中的电池高温报警与驱动电机控制器温度报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

如果电气电控故障中的DC-DC温度报警和动力电池故障中的绝缘报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

其余的运行基础数据实施步骤b2；

b2：如果电气电控故障中的制动系统报警和动力电池故障中的任何故障同时存在，则判断对应的新能源汽车存在车辆失控风险，需要预警；

其余的运行基础数据实施步骤b3；

b3：基于定位数据，获取新能源车辆的实时位置，判断其是否处于复杂地貌；

如果电气电控故障中的制动系统报警，同时新能源汽车处于复杂地貌的范围，则判断对应的新能源汽车存在车辆失控风险，需要预警；

其余的运行基础数据实施步骤S4。

S4：基于运行基础数据中的定位数据，结合道路交通地图、整车数据中的实时储能值、实时交通违法行为记录，进行追尾事故研判；

当追尾事故研判结果为：存在发生风险时，则将对应的新能源汽车的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的运行基础数据实施步骤S5。

追尾事故研判包括以下步骤：

c1：获取整车数据中的整车贮能的数据，获取每个新能源汽车的贮能额定值；

c2：基于定位数据，获取新能源车辆的实时位置；

如果整车贮能大于其对应贮能额定值的30%，同时根据车辆定位数据，当车辆处于高速公路、城市快速中行驶，则判断对应的新能源汽车存在追尾事故风险，需要预警；其余数据实施步骤c3；

c3：提取运行基础数据对应的实时交通违法行为记录；

如果整车贮能大于其对应贮能额定值的30%~50%，同时，实时交通违法行为记录中存在实时违法嫌疑行为记录时，则判断对应的新能源汽车存在追尾事故风险，需要预警。

其他交通事故风险研判包括以下步骤：

d1：基于定位数据，获取新能源车辆的实时位置；

d2：判断新能源汽车是否处于复杂地貌中，如果新能源汽车处于复杂地貌的范围，则判断对应的新能源汽车存在其他交通事故风险，需要预警；否则，其余数据实施步骤d3；

d3：判断新能源汽车是否处于拥堵驾驶状态中，如果新能源汽车处于拥堵驾驶状态，则判断对应的新能源汽车存在其他交通事故风险，需要预警。

S5：基于运行基础数据中的定位数据，结合道路交通地图、实时交通违法行为记录、驾驶时间，进行其他交通事故风险研判；

当其他交通事故风险研判的结果为：存在发生风险时，则将对应的新能源汽车的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的运行基础数据结束本次研判。

S6：循环执行步骤S1~S5，不间断对能源汽车的运行基础数据进行研判。

本发明技术方案中，对于拥堵驾驶状态的判断包括：

e1：获取指定路段的地图信息；

e2：获取指定路段内的基础数据；

基础数据包括：卡口数据、天气数据、GPS速度数据；

天气数据包括：降雨量、能见度；

卡口数据包括：每个卡口测量的流量数据；

构建基础数据时控矩阵；

e3：获取指定路段内、抽取时间内的交通拥堵状态数据集，按照交通拥堵状态数据集对应的发生时间、发生地点、卡口流量数据、天气数据，构建交通状态时空矩阵；

基于交通状态时空矩阵，通过生成式对抗网络构建样本重构网络模型对指定路段、交通时间段的数据进行补足；通过生成式对抗网络构建样本重构网络模型对指定路段、交通时间段的数据进行补足，确保对拥堵驾驶状态预测模型的训练能够得到更符合真实情况的训练结果；

具体实施的时候，划定需要进行交通流量预测的指定路段的正方形地图区域，根据Geohash算法对每块区域进行分区编码；将卡口数据、GPS速度数据、天气数据都有其对应的GPS信息，根据GPS信息中的经纬度基于Geohash算法进行分区编码，然后根据编码信息将数据匹配到相应的地图区块上，即匹配填入到时空矩阵对应元素中，获得交通状态时空矩阵；

e4：基于长短期记忆神经网络算法构建拥堵驾驶状态预测模型；通过样本重构网络模型生成训练样本，通过训练样本数据对拥堵驾驶状态预测模型进行训练，得到训练好的拥堵驾驶状态预测模型；

e5：将新能源汽车的行驶时间、定位数据、实时天气情况输入到训练好的拥堵驾驶状态预测模型中，即可得到新能源汽车当下是否处于拥堵驾驶状态。

因为一个路段是否处于拥堵状态，跟时间、天气、周边的环境变化都相关，所以本专利技术方案中，基于长短期记忆神经网络算法构建拥堵驾驶状态预测模型，根据历史数据训练拥堵驾驶状态预测模型，确保拥堵驾驶状态预测模型对于新能源汽车定位数据对应的指定路段的拥堵状态更符合实际情况，进而确保对新能源汽车的运行风险的判断更准确。

本发明技术方案中，复杂地貌的判断方法包括以下步骤：

f1：构建复杂地貌风险判断模型；

复杂地貌风险判断模型包括：指定地段对应的交通流特征要素数据、环境要素数据、道路线形数据；

交通流特征要素数据为进入指定地段来车方向的预警区的交通流信息数据，包括：指定路段车流量、大车比例、新能源汽车的车速、车速标准差；

环境要素数据为指定地段当下的天气状况，包括：正常天气、不良天气；

道路线形数据为指定地段所处的路段情况，包括：平直路段、危险路段；

f2：获取指定地段所在路段的历史交通数据；

基于历史交通数据中的风险预警数据和事故数据的关系，计算得到事故现场中交通流特征要素数据对应的阈值；

具体实施的时候，根据路段情况：平直路段、弯坡、坡道等危险路段，与正常天气、不良天气分别构成状态矩阵，跟具对应的路段情况和天气状况对应的历史数据，根据历史数据中事故发生时对应的特征，分别计算指定路段车流量、大车比例、新能源汽车的车速、车速标准差的阈值；

f3：将交通流特征要素数据对应的阈值输入到复杂地貌风险判断模型中，获得指定路段所在路段对应的训练好的复杂地貌风险判断模型；

本发明中的复杂地貌风险判断模型为基于指定路段车流量、大车比例、新能源汽车的车速、车速标准差的阈值，与历史数据车辆事故发生的概率的分别的对应关系；

如，将车辆事故发生概率分为由高到低的四级，每一级都有对应的阈值；对指定路段车流量、大车比例、新能源汽车的车速、车速标准差分别设置权重；

f4：将新能源汽车行驶时间、定位数据对应的环境要素数据、实时天气情况输入到训练好的复杂地貌风险判断模型中，复杂地貌风险判断模型输出对应的事故风险预测等级；

将新能源汽车行驶时间、定位数据对应的环境要素数据、指定路段、实时天气情况输入到训练好的复杂地貌风险判断模型中，得到定路段车流量、大车比例、新能源汽车的车速、车速标准差分别的对应级别，然后根据权重相加后，计算得到最终新能源汽车在指定路段的事故风险预测等级；

f5： 将风险预测等级与预设的复杂地貌判定阈值比较，大于复杂地貌判定阈值，则，判断该行驶时间内，指定路段为复杂地貌。

通常意义上的复杂地貌包括：连续急弯、长下坡、暴雨积水、冰冻路面、临水临崖、桥梁隧道等地貌特征，然而在实际计算时，需要综合考虑指定路段的地貌特征、天气情况、车流状况、通过的车辆类型情况，才能判断是否为复杂。本专利通过历史交通数据训练复杂地貌风险判断模型，通过复杂地貌风险判断模型预测新能源汽车通过该指定路段时的事故风险预测等级，进而判断是否为复杂地貌，确保对复杂地貌的判断更符合显示情况，更具实用性，进而确保本发明技术方案对于汽车运行风险的研判更具实用性。

使用本发明的技术方案后，首先基于新能源汽车的运行基础数据、运行基础数据、实时天气情况、交通违法行为记录，对新能源汽车的运行风险进行研判，研判过程中，充分考虑新能源汽车的车辆基本情况，以及其行驶的环境情况，确保研判结果更符合实际的情况，确保本发明技术方案更具实用性。

Claims (7)

1.融合交管大数据的新能源汽车运行风险研判方法，其特征在于，其包括以下步骤：

S1：实时获取新能源汽车的运行基础数据；

所述运行基础数据包括：整车数据、定位数据、告警数据、整车报警等级；

所述整车报警等级为车辆自身的报警系统基于车辆运行数据做出的综合故障判断结果，其包括：表示故障等级逐渐升高的0级故障、1级故障、2级故障、3级故障；

S2：基于数字地图平台获取道路交通地图以及地况地貌数据，基于天气预报平台获取实时天气情况数据，基于交通管理平台获取实时交通违法行为记录；

S3: 将所有的所述运行基础数据按照所述整车报警等级分类，所述整车报警等级小于等于2，则进行动力风险研判；新能源汽车的动力风险包括：动力不足、动力丧失；

当所述整车报警等级大于2时，进行车辆运行风险研判，新能源汽车的车辆运行风险包括：车辆火灾、车辆失控；

将所有的所述动力风险、所述车辆运行风险需要报警的新能源汽车对应的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的所述运行基础数据实施步骤S4；

S4：基于所述运行基础数据中的所述定位数据，结合所述道路交通地图、所述整车数据中的实时储能值、所述实时交通违法行为记录，进行追尾事故研判；

当所述追尾事故研判结果为：存在发生风险时，则将对应的新能源汽车的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的所述运行基础数据实施步骤S5；

S5：基于所述运行基础数据中的所述定位数据，结合所述道路交通地图、所述实时交通违法行为记录、驾驶时间，进行其他交通事故风险研判；

当所述其他交通事故风险研判的结果为：存在发生风险时，则将对应的新能源汽车的车牌号码提取出来，作为预警数据传递给预警处置模块，进行相应风险处置，其余的所述运行基础数据结束本次研判；

S6：循环执行步骤S1~S5，不间断对能源汽车的所述运行基础数据进行研判。

2.根据权利要求1所述融合交管大数据的新能源汽车运行风险研判方法，其特征在于：所述动力风险研判包括以下步骤：

a1：将所述运行基础数据按照所述整车报警等级分类，所述整车报警等级小于等于1，则实施步骤a2，进行动力不足风险研判；

所述整车报警等级大于1且小于等于2，实施步骤a3，实施动力丧失风险研判；

a2：获取所述整车数据中的整车贮能的数据，获取每个新能源汽车的贮能额定值；

对所述整车报警等级、所述整车贮能与其对应所述贮能额定值的关系进行判断；

当所述整车报警等级小于等于1，且所述整车贮能大于其对应所述贮能额定值的50%，则，对应的所述运行基础数据实施步骤S4；

当所述整车报警等级小于等于1，且所述整车贮能小于其对应所述贮能额定值的50%，大于其对应所述储能额定值的30%时，则对新能源车辆是否处于繁忙时段进行判断；

当所述整车报警等级小于等于1，所述整车贮能小于其对应所述贮能额定值的50%，大于其对应所述储能额定值的30%时，且处于拥堵驾驶状态时，对应的新能源汽车存在动力不足风险，需要预警；否则，对应的所述运行基础数据实施步骤S4；

当所述整车报警等级小于等于1，且所述整车贮能小于其对应所述贮能额定值的30%，则对应的新能源汽车存在动力不足风险，需要预警；

a3：提取所述告警数据中以下告警数据，同时提取所述实时交通违法行为记录；

当动力电池故障存在：SOC过低或者单体电池欠压；

或者，当直流转换器故障中存在DC-DC状态报警；

同时，所述实时交通违法行为记录中存在实时违法嫌疑行为记录时，则判断对应的新能源汽车存在动力丧失风险，需要预警；

其余的所述运行基础数据实施步骤S4。

3.根据权利要求2所述融合交管大数据的新能源汽车运行风险研判方法，其特征在于：所述车辆运行风险的研判包括以下步骤：

b1：对所述告警数据进行如下判断，对新能源车辆进行车辆火灾研判：

如果直流转换器故障中的DC-DC温度报警和动力电池故障中的电池高温报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

如果动力电池故障中的电池高温报警与驱动电机故障中的驱动电机温度报警同时存在，或者动力电池故障中的电池高温报警与驱动电机控制器温度报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

如果电气电控故障中的DC-DC温度报警和动力电池故障中的绝缘报警同时存在，则判断对应的新能源汽车存在车辆火灾风险，需要预警；

其余的所述运行基础数据实施步骤b2；

b2：如果电气电控故障中的制动系统报警和动力电池故障中的任何故障同时存在，则判断对应的新能源汽车存在车辆失控风险，需要预警；

其余的所述运行基础数据实施步骤b3；

b3：基于所述定位数据，获取新能源车辆的实时位置，判断其是否处于复杂地貌；

如果电气电控故障中的制动系统报警，同时新能源汽车处于复杂地貌的范围，则判断对应的新能源汽车存在车辆失控风险，需要预警；

其余的所述运行基础数据实施步骤S4。

4.根据权利要求1所述融合交管大数据的新能源汽车运行风险研判方法，其特征在于：所述追尾事故研判包括以下步骤：

c1：获取所述整车数据中的整车贮能的数据，获取每个新能源汽车的贮能额定值；

c2：基于所述定位数据，获取新能源车辆的实时位置；

如果所述整车贮能大于其对应所述贮能额定值的30%，同时车辆处于高速公路、城市快速中行驶，则判断对应的新能源汽车存在追尾事故风险，需要预警；其余数据实施步骤c3；

c3：提取所述运行基础数据对应的所述实时交通违法行为记录；

如果所述整车贮能大于其对应所述贮能额定值的30%~50%，同时，所述实时交通违法行为记录中存在实时违法嫌疑行为记录时，则判断对应的新能源汽车存在追尾事故风险，需要预警。

5.根据权利要求3所述融合交管大数据的新能源汽车运行风险研判方法，其特征在于：所述其他交通事故风险研判包括以下步骤：

d1：基于所述定位数据，获取新能源车辆的实时位置；

d2：判断新能源汽车是否处于复杂地貌中，如果新能源汽车处于复杂地貌的范围，则判断对应的新能源汽车存在其他交通事故风险，需要预警；否则，其余数据实施步骤d3；

d3：判断新能源汽车是否处于拥堵驾驶状态中，如果新能源汽车处于拥堵驾驶状态，则判断对应的新能源汽车存在其他交通事故风险，需要预警。

6.根据权利要求5所述融合交管大数据的新能源汽车运行风险研判方法，其特征在于：所述拥堵驾驶状态的判断包括以下步骤：

e1：获取指定路段的地图信息；

e2：获取所述指定路段内的基础数据；

所述基础数据包括：卡口数据、天气数据、GPS速度数据；

所述天气数据包括：降雨量、能见度；

所述卡口数据包括：每个所述卡口测量的流量数据；

e3：获取指定路段内、抽取时间内的交通拥堵状态数据集，按照交通拥堵状态数据集对应的发生时间、发生地点、卡口流量数据、天气数据，构建交通状态时空矩阵；

基于所述交通状态时空矩阵，通过生成式对抗网络构建样本重构网络模型对指定路段、交通时间段的数据进行补足；

e4：基于长短期记忆神经网络算法构建拥堵驾驶状态预测模型；通过样本重构网络模型生成训练样本，通过训练样本数据对所述拥堵驾驶状态预测模型进行训练，得到训练好的所述拥堵驾驶状态预测模型；

e5：将新能源汽车的行驶时间、定位数据、实时天气情况输入到训练好的所述拥堵驾驶状态预测模型中，即可得到新能源汽车当下是否处于所述拥堵驾驶状态。

7.根据权利要求5所述融合交管大数据的新能源汽车运行风险研判方法，其特征在于：所述复杂地貌的判断方法包括以下步骤：

f1：构建复杂地貌风险判断模型；

所述复杂地貌风险判断模型包括：指定地段对应的交通流特征要素数据、环境要素数据、道路线形数据；

所述交通流特征要素数据为进入指定地段来车方向的预警区的交通流信息数据，包括：指定路段车流量、大车比例、车速、车速标准差；

所述环境要素数据为所述指定地段当下的天气状况，包括：正常天气、不良天气；

所述道路线形数据为所述指定地段所处的路段情况，包括：平直路段、危险路段；

f2：获取所述指定地段所在路段的历史交通数据；

基于历史交通数据中的所述风险预警数据和事故数据的关系，计算得到事故现场中所述交通流特征要素数据对应的阈值；

f3：将所述交通流特征要素数据对应的阈值输入到所述复杂地貌风险判断模型中，获得所述指定路段所在路段对应的训练好的所述复杂地貌风险判断模型；

f4：将新能源汽车行驶时间、定位数据对应的环境要素数据、实时天气情况输入到训练好的所述复杂地貌风险判断模型中，所述复杂地貌风险判断模型输出对应的风险预测等级；

f5： 将风险预测等级与预设的复杂地貌判定阈值比较，大于所述复杂地貌判定阈值，则，判断该行驶时间内，所述指定路段为复杂地貌。

Images