CN113919571A - 基于边缘计算的危化品运输保费预估方法 - Google Patents
基于边缘计算的危化品运输保费预估方法 Download PDFInfo
- Publication number
- CN113919571A CN113919571A CN202111194724.0A CN202111194724A CN113919571A CN 113919571 A CN113919571 A CN 113919571A CN 202111194724 A CN202111194724 A CN 202111194724A CN 113919571 A CN113919571 A CN 113919571A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- behavior
- behaviors
- dangerous
- 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.)
- Withdrawn
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
Abstract
本发明涉及基于边缘计算的危化品运输保费预估方法通过历史行驶数据获取驾驶员的行驶习惯;根据检测到的风险行为预测其引发的事故类型;根据风险行为触发录像追踪及道路摄像头追踪;根据风险行为确定行车记录仪的追踪时长;预测运输的危化品发生事故后的影响范围,根据历史数据训练预测模型;根据影响范围和风险行为调整受调度车辆与运输车辆间的距离;根据风险行为等级设定恢复初始跟车距离的时间;通过对受调度车辆的调度获取行车录像;基于边缘计算结合行车录像分析判断车辆风险行为的原因;评估录像中驾驶员的危险行为进而确定参保费用等级;根据近期危险行为调整参保费用。本发明可以用于在调整驾驶员参保费用时提供更加具有参考性的数据。
Description
技术领域
本发明属于危化品运输车辆的道路监测技术领域,尤其涉及一种基于边缘计算的危化品运输保费预估方法。
背景技术
危险化学品(简称“危化品”)是工业和农业生产的核心原材料,衣食住行都必不可少。而根据《中国危化品运输监管控研报告》,我国危化品产量位居世界第二名,仅次于美国的产量。因我国国土面积宽广,而且生产力发展和工业/农业的生产地分布极不均,因此危化品道路运输量也在逐年增大。危化品事故调查数据显示运输事故大多是由驾驶员的不规范行驶引起的,保险公司对参保人员没有详细的数据进行风险预估,由于危化品运输车辆事故不确定性强没有足够的事故录像证据提供给负责事故理赔的保险公司导致事故中驾驶员的责任无法认定,保险公司在驾驶员参保费用的定价方面没有较为直观的参考数据可用,因此利用车辆调度和图像处理等方法对危化品运输车辆的运输过程中驾驶员不规范行驶导致的风险行为进行实时监控和预警风险来减小事故发生的概率以及为保险公司提供保险赔付的事故录像和驾驶员参保费用调整的数据参考是十分有必要的。
发明内容
本发明的目的是为了解决上述现有缺陷,提供一种基于边缘计算的危化品运输保费预估方法,可以保险公司调整驾驶员参保费用提供更加具有参考性的数据。
为实现上述目的,本发明实施例提供一种基于边缘计算的危化品运输保费预估方法,作为其中一种实施方式,该方法包括:
通过行驶数据获取驾驶员的行驶习惯,所述行驶数据包括:GPS信息、车辆实时车况信息、车辆身份信息、急加速信息、急减速信息、急转弯信息、急刹车信息中的至少一项;
根据检测到的风险行为预测其引发的事故类型,所述风险行为包括:刹车行为、变道行为、偏移行为中的至少一项;
根据所述风险行为触发行车记录仪录像追踪及道路摄像头追踪,当检测到所述风险行为向所述行车记录仪发送指令开启录像追踪,所述道路摄像头指分布在行驶路线上的摄像头;
根据所述风险行为确定所述行车记录仪的录像追踪时长,将所述风险行为对应高、中、低三种风险等级分配不同的行车记录仪录像时长;
预测运输的危化品发生事故后的影响范围,根据历史数据训练预测模型,所述历史数据包括:运输的危化品类型、危化品的运输量、事故类型、事故的影响范围中的至少一项;根据所述影响范围和所述风险行为调整受调度车辆与危化品运输车辆间的距离,所述受调度车辆是指安装了行车记录仪可以进行录像的车辆,根据所述影响范围确定所述受调度车辆的录像距离,根据所述风险行为等级设定恢复初始跟车距离的时间,所述初始跟车距离指在没有检测到所述危险行为时,所述受调度车辆与所述危化品运输车辆间的距离;
通过对所述受调度车辆的调度获取多个所述行车记录仪录像,根据特殊地形设定不同的调度方案,所述特殊地形包括:连续弯道、上下坡、隧道、桥梁、高架桥中的至少一项;
基于边缘计算结合多个所述行车记录仪录像分析判断车辆所述风险行为的原因及真实性,所述原因分为外部原因和个人原因,基于所述风险行为的原因及驾驶员的行驶习惯对驾驶员进行提醒,根据所述原因的类型使用不同的提醒方式;
评估录像中驾驶员的所述危险行为进而确定参保费用等级,所述参保费用等级由驾驶员分级决定,所述驾驶员分级包括:安全驾驶员、低风险驾驶员、中风险驾驶员、高风险驾驶员;
根据近期危险行为调整参保费用,所述近期危险行为指预设时间段内该驾驶员驾驶过程中的危险行为。
优选的,所述通过历史行驶数据获取驾驶员的行驶习惯,所述历史行驶数据包括:GPS信息、车辆实时车况信息、车辆身份信息、急加速信息、急减速信息、急转弯信息、急刹车信息中的至少一项,包括:
基于所述历史行驶数据生成该驾驶员的驾驶行为,所述驾驶行为包括:急加速、急减速、急转弯、急刹车中的至少一项,统计所述驾驶行为得出驾驶员的行驶习惯,具体包括:根据每次行驶中发生的次数将行为分为经常发生、偶尔发生和从不发生,所述行驶行为经常发生记为行驶习惯差、所述行驶行为偶尔发生行驶习惯一般、所述行驶行为从不发生记为行驶习惯良好。
优选的,所述根据检测到的风险行为预测其引发的事故类型,所述风险行为包括:刹车行为、变道行为、偏移行为中的至少一项,包括:
通过检测画面中车辆刹车灯的状态得到刹车行为,所述刹车灯的状态包括:刹车灯的亮灭,刹车灯亮的时间,刹车灯亮的模式:连续亮灭、长亮、长灭,根据所述刹车灯亮的模式分析刹车行为的类型,统计所述刹车行为的次数,通过对图像数据进行距离网格标定处理计算出刹车前后的速度,基于所述刹车行为和所述刹车前后的速度生成车辆的刹车行为记录表,规定刹车前的最高速度值,刹车前后速度的最大变化值,根据所述车辆的刹车行为记录表,判断该刹车行为是否有事故风险;
对视频帧数据做背景建模,得到背景模型,利用道路标识线的图像特征信息从所述背景模型获得车辆在变道前的位置信息,利用所述位置信息,检测所述道路标识线和所述车辆的位置关系得到车辆的变道行为,统计变道次数,记录两次变道间间隔的时间,生成变道行为记录表,根据检测到的所述变道行为和所述间隔的时间,得到变道行为的频率,规定所述变道行为被记为所述风险行为的频率阈值;
通过识别交通标识线,追踪车辆牌照,计算所述车辆牌照与所行驶车道的所述交通标识线的水平距离变化得出车辆牌照到两侧标识线的距离,通过比较所述距离确定偏移的方向和大小,规定最大偏移距离,基于所述偏移方向及距离生成偏移行为记录表,所述偏移距离超过所述最大偏移距离时,记录一次风险行为;
获取数据库中的危化品运输车辆的事故数据,所述事故数据包括:风险行为及其发生次数、事故类型、车辆类型,将所述事故数据作为训练集输入到神经网络训练预测模型,得到危化品事故类型的预测模型,将行车记录仪画面中监测到的所述风险行为及其发生的次数输入到危化品事故类型预测模型,得到该画面中危化品运输车辆的所述风险行为可能引发的事故类型。
优选的,所述根据所述风险行为触发行车记录仪录像追踪及道路摄像头追踪,当检测到所述危险行为向所述行车记录仪发送指令开启录像追踪,所述道路摄像头指分布在行驶路线上的摄像头,包括:
通过车辆图片数据库获取图像数据,将所述图像数据输入到卷积神经网络训练模型,得到车辆的分类模型,基于车辆的GPS信息,获取运输车辆周围的行车记录仪画面并上传到云端服务器,对所述画面进行抽帧得到图像数据,再将所述图像数据输入分类模型,识别画面中的运输车辆,识别到危化品运输车辆后,所述云端服务器基于车辆行驶数据库事先建立并训练车辆行驶风险行为的检测模型,所述检测模型可检测的风险行为包括:刹车行为、变道行为、偏移行为,将上传的所述行车记录仪画面通过模型分析检测是否出现所述风险行为,若检测到所述风险行为,向行车记录仪发送指令开启录像记录危化品运输车辆的行驶画面,将录像按时间节点保存至所述云端服务器并添加危险行为的标签;
通过道路摄像头分布数据库获取行驶路线上的摄像头信息,所述摄像头信息包括:摄像头的数量、摄像头类型、摄像头的分布,当所述云端服务器检测到上传画面出现所述风险行为时,根据上传的位置信息获取相应路段的所述摄像头信息,所述摄像头的车辆检测模块获取所述云端服务器发送的风险行为触发信号,发送运输车辆信息及跟踪指令到所述摄像头的控制处理模块,所述处理模块用于接收指令、分析画面信息和控制所述摄像头的转动,根据接收到的所述运输车辆信息识别画面中的危化品运输车辆,执行跟踪指令转动所述摄像头对所述危化品运输车辆进行监控范围内的跟踪,并将跟踪的画面录像上传到所述云端服务器,并将上传的道路摄像头的所述跟踪画面存储到对应时间节点的分组内。
优选的,所述根据所述风险行为确定所述行车记录仪的录像时长,将所述风险行为对应高、中、低三种风险等级分配不同的行车记录仪录像时长,包括:
获取数据库中的危化品运输车辆的事故数据,所述事故数据包括:风险行为类型及其引起事故的次数、总事故数,基于所述事故数据训练一个事故风险评估模型,得到所述风险行为的事故风险等级,所述风险等级分高、中、低三级,根据得到的所述事故风险等级确定所述行车记录仪录像的持续时间,每结束一次录像行车记录仪将录像数据上传到所述云端服务器保存。
优选的,所述预测运输的危化品发生事故后的影响范围,根据历史数据训练预测模型,所述历史数据包括:运输的危化品类型、危化品的运输量、事故类型、事故的影响范围中的至少一项;根据所述影响范围和所述风险行为调整受调度车辆与危化品运输车辆间的距离,所述受调度车辆是指安装了行车记录仪可以进行录像的车辆,根据所述影响范围确定所述受调度车辆的录像距离,根据所述风险行为等级设定恢复初始跟车距离的时间,所述初始跟车距离指在没有检测到所述危险行为时,所述受调度车辆与所述危化品运输车辆间的距离,包括:
获取历史危化品运输事故的数据,所述历史危化品运输事故数据包括:运输的危化品类型、危化品的运输量、事故类型、事故的影响范围中的至少一项,将所述事故数据提取特征向量后作为训练集输入神经网络预测模型建立危化品事故影响范围的关系模型,根据预先建立的危化品发生事故时的各影响因子的数据和影响范围之间的对应关系查找与运输危险性等级对应的影响因子数据;根据查找到的所述影响因子数据、所述运输危险性等级以及所述事故等级之间的对应关系,通过所述云端服务器数据中的车辆运输单获取运输的危化品类型、运输量等数据,通过所述受调度车辆上传的所述行车记录仪录像获取所述风险行为并预测可能引起的所述事故类型,将上述数据输入预测模型得到危化品运输车辆发生事故后的影响范围;
所述受调度车辆正常情况下保持安全车距进行跟随录像,当监测到风险行为时,根据所述事故风险评估模型得到该所述风险行为的等级,结合危化品发生事故后的所述影响范围确定受调度车辆的录像距离,根据所述风险行为的等级确定恢复正常行驶的安全车距的时间,所述风险行为等级包括:高风险、中风险、低风险。
优选的,所述通过对所述受调度车辆的调度获取多个所述行车记录仪录像,根据特殊地形设定不同的调度方案,所述特殊地形包括:连续弯道、上下坡、隧道、桥梁、高架桥中的至少一项,包括:
基于车联网平台获取危化品运输车辆行驶路线上所述受调度车辆的路线规划信息,通过对所述路线规划信息的协同,保证所述危化品运输车辆行驶途中周围始终存在所述受调度车辆且分布均匀,即每个路段至少有一辆所述受调度车辆可以对所述危化品运输车辆的画面进行上传和录像;
云端服务器通过地理信息系统获得行驶路线上的特殊地形,所述特殊地形包括:连续弯道、上下坡、隧道、桥梁、高架桥中的至少一项,将所述特殊地形在行驶路线上标记,根据所述危化品运输车辆的位置信息与标记的关系,向周围所述受调度车辆的行车记录仪发送录像指令,记录该所述特殊地形处运输车辆的行驶情况,即将到达所述特殊地形标记时开始录像,驶离所述特殊地形一段距离后停止录像,将所述录像添加相应的特殊地形标签后上传到所述云端服务器;
根据检测行驶路段上的所述特殊地形标记,设定不同的车辆安全拍摄调度方案,所述调度方案包括:预计到达连续弯道地形时,弯道内侧的车辆拉长与运输车辆间的距离到预设值,弯道外侧的车辆适当缩小与运输车辆的距离到所述预设值;预计到达隧道地形时,开启行车记录仪的夜视模式,获取更清晰的画面,同时调度车辆加速驶离或减速退出运输车辆两侧的预设范围;预计到达上下坡地形时,下坡处调度车辆驶离运输车辆前方预设范围,上坡处调度车辆驶离运输车辆后方的所述预设范围;预计到达桥梁地形时,调度车辆驶离运输车辆侧方靠近桥梁护栏的预设范围,行驶在下坡时,将运输车辆前方的一块扇形区域预设为危险区域,当拍摄车辆处于该区域时,通知其加速或变道驶离所述危险区域;
当一辆受调度车辆的行车记录仪上传到云端服务器的实时画面监测到了风险行为,所述云端服务器获取该车附近的行车记录仪分布信息,生成录像全覆盖的模拟图,所述模拟图描述了运输车辆和受调度车辆的位置关系和分布,将所述行车记录仪分布信息与所述模拟图进行比对,向符合分布的所述行车记录仪发送录像指令,从而获取多方位的录像,录像结束后将所述录像的数据上传到所述云端服务器,上传的不同方位行车记录仪的所述录像数据按时间节点分组存放。
优选的,所述基于边缘计算结合多个所述行车记录仪录像分析判断车辆所述风险行为的原因及真实性,所述原因分为外部原因和个人原因,基于所述风险行为的原因对驾驶员进行提醒,根据所述原因的类型使用不同的提醒方式,包括:
运输车辆后方的受调度车辆行车记录仪主要检测危化品运输车辆的风险行为,结合前方侧方的受调度车辆行车记录仪的录像及道路摄像头拍摄的画面判断除危化品运输车之外其他车辆是否有干扰所述危化品运输车辆正常行驶的行为,若有则将检测到的所述危险行为记录为外部原因导致的;
基于路面图片库的数据通过卷积神经网络算法训练分类模型,得到路面状态分类模型,通过对所述云端服务器保存的录像抽帧得到图像数据,将所述图像数据输入到路面状态分类模型得到该图像对应的路面类型,结合所述风险行为和所述路面类型判断引发车辆风险行为的原因;根据上传录像中所述危化品运输车辆前方侧方画面判断其他车辆的行为是否导致运输车辆出现所述风险行为,获取所述其他车辆的所述风险行为,判断所述其他车辆的所述风险行为是否对所述危化品运输车辆造成影响导致所述风险行为的出现;
获取所述云端服务器中有所述危险行为标签录像的同一时间节点的其他方位的录像数据,综合同一时间节点不同方位的录像对检测到的所述风险行为进行验证是否有错判的情况,将每个行车记录仪摄像头对应方向的录像划分为多个图像块,确定每个所述图像块中检测到的风险行为的行为特征,将所述行为特征与预设的行为特征比对分析,在所述图像块中检测到的每个风险行为均存在对应方向的录像中的至少一个行为特征时,确定所述图像块对应方向存在所述风险行为,多个方位画面都检测出同样的所述风险行为时,按检测到所述风险行为的类型添加相应的风险行为标签;
所述云端服务器通过录像中车辆的车牌信息查找驾驶员的行驶习惯,结合出现所述风险行为的原因及次数,按发送规则通过行车记录仪对驾驶员发送不同的提醒,所述发送规则包括:对于行车习惯差的驾驶员,多次提醒,行车习惯好的驾驶员,适当提醒;外部原因引发的所述风险行为,提醒驾驶员注意路况,个人原因引发的所述风险行为,提醒驾驶员规范驾驶行为。
优选的,评估录像中驾驶员的所述危险行为进而确定参保费用等级,所述参保费用等级由驾驶员分级决定,所述驾驶员分级包括:安全驾驶员、低风险驾驶员、中风险驾驶员、高风险驾驶员,包括:
通过所述云端服务器的驾驶员行为数据库获取带有标签的录像数据,统计历史每位驾驶员每次行驶中个人原因导致的具有风险行为标签的所述录像数量、标签类型以及其中具有特殊地形标签的录像数量、标签类型,通过获取交通事故调查数据中各类风险行为对引起事故的影响大小确定各类风险行为的权重,普通路段的风险值由设定的普通路段基本风险值与危险行为的权重相乘得到;
根据所述路段风险行为的权重,计算特殊路段的危险行为风险值,具体包括:获取交通事故数据中的事故路段、引起事故的所述风险行为权重及该路段的事故率建立特殊路段事故风险预测模型,将上述数据作为训练集训练该模型,得到所述特殊路段与所述风险行为组合的风险值,根据统计的相关录像基于路段事故风险预测模型得到录像中标记路段和所述风险行为组合出现存在的所述风险值,将每次行驶中所有录像的路段事故预测风险值与风险行为次数对应的系数相乘求和取平均得到行驶风险值,再将所有行驶中所述行驶风险值求和取平均得到驾驶员的风险指数,预设所述风险行为对应的系数;
根据历史保单中危化品事故赔偿金额及事故率设定参保费用的最低值和最高值,所述设定规则包括:历史赔偿金额越高、事故率越高参保费用越高,确定最低和最高参保费用后基于驾驶员分级确定每类驾驶员的参保费用等级,风险越低的驾驶员参保费用越低。
优选的,所述根据近期危险行为调整参保费用,所述近期危险行为指预设时间段内该驾驶员驾驶过程中的危险行为,包括:
接收到驾驶员的参保申请时,获取预设时间段内该驾驶员驾驶过程中的危险行为得到近期危险行为并计算驾驶员的近期风险指数判断是否在该驾驶员的分级范围内,对于所述近期风险指数超出分级范围的驾驶员自动采取调整参保费用的措施,并生成造成保费调整的危险行为的数据表发送给驾驶员,提醒驾驶员在后续驾驶中注意驾驶行为,基于所述驾驶员分级和相应参保费用建立智能参保费用生成系统,接收到驾驶员的参保申请后,按所述驾驶员分级对应的参保费用等级,获取驾驶员的所述近期风险指数,按费用调整规则在相应参保费用等级范围内调整驾驶员的参保费用。
本发明实施例提供的技术方案可以包括以下有益效果:
相比于其他技术,本发明通过车辆调度获取多方位行车记录仪的录像,补充了道路监控未覆盖路段的车辆行驶录像,基于图像处理识别录像中危化品运输车辆行驶过程中的危险行为,重点关注特殊地形下驾驶员的风险行为并进行评估,在调整驾驶员参保费用时提供更加具有参考性的数据。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施方式的一种基于边缘计算的危化品运输保费预估方法的流程示意图。
具体实施方式
下面将详细地对示例性实施例进行说明,其示例表示在附图中。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申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和/或方法的例子。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
请参考图1,图1是根据本发明实施方式的一种基于边缘计算的危化品运输保费预估方法的流程示意图。如图1所示,本实施例提供的基于边缘计算的危化品道路运输风险检测方法包括:
S1,通过历史行驶数据获取驾驶员的行驶习惯。
获取车辆管理数据库的车辆历史行驶数据,所述历史行驶数据包括:GPS 信息、车辆实时车况信息、车辆身份信息、急加速信息、急减速信息、急转弯信息、急刹车信息中的至少一项。基于所述历史行驶数据生成该驾驶员的驾驶行为,所述驾驶行为包括:急加速、急减速、急转弯、急刹车中的至少一项,统计所述驾驶行为得出驾驶员的行驶习惯,具体包括:根据每次行驶中发生的次数将行为分为经常发生、偶尔发生和从不发生,所述行驶行为经常发生记为行驶习惯差、所述行驶行为偶尔发生行驶习惯一般、所述行驶行为从不发生记为行驶习惯良好,例如,发生10次以上记为经常发生,发生1 —10次记为偶尔发生,某驾驶员在一次行驶中统计到15次急减速信息则记录为行驶习惯差。
S2,检测危化品运输车辆行驶中可能的风险行为并预测其引发的事故类型。
通过检测画面中危化品运输车辆刹车灯的状态得到刹车行为,具体包括:识别刹车灯的亮灭,记录刹车灯亮的时间,得出刹车灯亮灭的模式:连续亮灭、长亮、长灭等,根据所述刹车灯亮灭的模式分析所述刹车行为的类型。例如,短时间连续亮灭对应频繁刹车,短时间内长亮对应急刹车,统计所述刹车行为的次数。通过对图像数据进行距离网格标定处理计算出刹车前后的速度,基于所述刹车行为和所述速度生成车辆的刹车行为记录表。规定刹车前的最高速度值,刹车前后速度的最大变化值,根据车辆的所述刹车行为记录表,判断所述刹车行为是否有事故风险。例如,规定刹车前最高速度为 60km/h,速度的最大变化值为40,当检测到到刹车前的速度为65km/h时,记录一次风险行为,当检测到刹车前速度为60km/h,刹车后速度为10km/h,则记录一次风险行为。
对视频帧数据做背景建模,得到背景模型。利用道路标识线的图像特征信息从所述背景模型获得所述危化品运输车辆在变道前的位置信息,利用所述位置信息,检测所述道路标识线和所述危化品运输车辆的位置关系得到车辆的变道行为,统计变道次数,记录两次变间隔的时间,生成变道行为记录表。根据检测到的所述变道行为和所述间隔时间,计算所述变道行为的频率,规定两次变道行为至少间隔10分钟以上。例如,检测到车辆前后两次变道间隔时间为3分钟,则记录一次风险行为。
通过识别交通标识线,追踪车辆牌照,计算牌照与行驶车道所述交通标识线的水平距离变化得出车辆牌照到两侧标识线的距离,通过所述距离确定偏移的方向和大小,规定最大偏移距离。例如,车道宽度为3米,检测到车牌与左侧标识线距离为1.7米,与右侧标识线距离为1.3米,则可以得到车辆是基于中心线向右偏离了0.2米,基于偏移方向、距离生成偏移行为记录表,偏移超过最大距离时,记录一次风险行为。
获取数据库中的危化品运输车辆的事故数据,所述事故数据包括:行驶行为及其发生次数、事故类型等。将所述事故数据作为训练集输入到神经网络训练预测模型,得到危化品事故类型的预测模型。
将行车记录仪画面中监测到的所述风险行为及其发生的次数输入到危化品事故类型预测模型,预测该画面中危化品运输车辆的所述风险行为可能引发的事故类型,统计驾驶员行驶中的不同类型的风险行为,包括:刹车风险行为、变道风险行为、偏移风险行为,基于风险行为及发生时间生成驾驶员的风险行为表。
S3,根据危化品运输车辆识别和预测到的风险行为触发行车记录仪录像追踪及道路摄像头追踪。
通过车辆图片数据库获取图像数据,将所述图像数据输入到卷积神经网络训练模型,得到车辆的分类模型。基于车辆的GPS信息,获取危化品运输车辆周围的行车记录仪拍摄画面并上传到云端服务器,云端服务器对画面进行抽帧得到图像数据,再将图像数据输入分类模型。识别画面中的危化品运输车辆,识别到危化品运输车辆后,云端服务器基于车辆行驶数据库事先建立并训练车辆行驶风险行为的检测模型,所述检测模型可检测的风险行为包括:刹车行为、变道行为、偏移行为中的至少一项,将上传的实时画面通过模型分析检测是否出现所述的风险行为,若检测到有上述行为,向行车记录仪发送指令开启录像追踪记录危化品运输车辆的行驶画面,将录像按时间节点保存至云端服务器并添加危险行为的标签。
通过道路摄像头分布数据库获取行驶路线上的摄像头信息,所述摄像头信息包括:摄像头的数量、摄像头类型、摄像头的分布,当云端服务器检测到上传画面出现风险行为时,摄像头的车辆检测模块获取云端服务器发送的风险行为触发信号。根据上传的位置信息获取相应路段的摄像头信息,发送危化品运输车辆信息及跟踪指令到摄像头控制处理模块。该模块用于接收指令、分析画面信息和控制摄像头的转动,根据接收到的危化品运输车辆信息识别画面中的目标车辆,执行跟踪指令转动摄像头对危化品运输车辆进行监控范围内的跟踪,并将跟踪的画面录像上传到云端服务器,将上传的道路摄像头的跟踪画面存储到对应时间节点的分组内。
S4,根据风险行为类型确定所述行车记录仪的录像追踪时长。
获取数据库中的危化品运输车辆的事故数据,所述事故数据包括:风险行为类型及其引起事故的次数、总事故数,基于上述数据训练一个事故风险评估模型,得到不同风险行为的事故风险等级,所述事故风险等级分高、中、低三级。根据所述事故风险等级确定所述行车记录仪录像的持续时间,例如,根据所述事故风险评估模型得到刹车的事故风险等级为高,则当检测到刹车行为开启录像时设置录像时间为10分钟,检测到中、低风险的行为时设置6 分钟和4分钟的录像时间,每结束一次录像行车记录仪将录像数据上传到所述云端服务器保存。
S5,预测运输的危化品发生事故后的影响范围。
获取历史危化品运输事故的数据,所述数据包括:运输的危化品类型、危化品的运输量、事故类型、事故的影响范围中的至少一项,将所述数据提取特征向量后作为训练集输入神经网络预测模型建立危化品事故影响范围的关系模型。建立的危化品发生事故时的各影响因子的数据和影响范围之间的对应关系,查找与危险性等级对应的影响因子的数据。根据查找到的所述影响因子数据、所述危险性等级以及事故等级之间的对应关系,预测运输的危化品发生事故后的影响范围。
通过云端服务器数据中的车辆运输单获取运输的危化品类型、运输量等数据。通过行车记录仪上传的录像获取风险行为并预测可能引起的事故类型。将上述数据输入预测模型得到危化品运输车辆发生事故后的影响范围。
S6,根据危化品的所述影响范围和所述风险行为调整受调度车辆与危化品运输车辆的距离。
受调度车辆正常情况下保持安全车距进行跟随录像,所述受调度车辆是指安装有行车记录仪的其他车辆,当监测到风险行为时,根据事故风险评估模型得到所述风险行为的等级,结合危化品发生事故后的所述影响范围确定所述受调度车辆的录像距离。根据所述风险行为的等级确定恢复正常行驶的安全车距的时间。
例如,正常行驶的安全车距为50米,预测到运输车辆的危化品发生事故后的影响范围为半径60米,所述云服务器在检测到风险行为后向行车记录仪发送指令提醒车主减速加大跟车距离,一段时间后恢复安全距离跟车,设定高、中、低风险行为恢复安全车距的时间为6分钟、4分钟、2分钟。
S7,通过多车辆调度获取多个行车记录仪摄像头拍摄的录像。
基于车联网平台获取危化品运输车辆行驶路线上所述受调度车辆的路线信息,通过所述路线信息的协同,保证危化品运输车辆行驶途中周围始终有可以受调度的车辆且所述受调度车辆分布均匀。每个路段至少有一辆所述受调度车辆可以对危化品运输车辆的画面进行上传和录像;
所述云端服务器通过地理信息系统获得行驶路线上的特殊地形,所述特殊地形为:连续弯道、上下坡、隧道、桥梁、高架桥中的至少一项,将上述特殊地形在行驶路线上标记,根据危化品运输车辆的位置信息与标记的关系,向周围所述受调度车辆的行车记录仪发送录像追踪指令,记录该特殊地形处危化品运输车辆的行驶情况。即将到达所述特殊地形标记时开始录像,驶离特殊地形一段距离后停止录像,将所述录像添加相应的特殊地形标签后上传到所述云端服务器。例如,当危化品运输车辆行驶至距离某桥梁标记50米处时,所述云端服务器向周围车辆的行车记录仪发送录像追踪指令,开始录像该标记路段,当危化品运输车辆驶离该标记范围50米后结束录像并上传,所述云端服务器通过检测模型得出所述录像中是否存在所述风险行为,并添加相应的风险行为标签,对于未标记特殊路段处获取的录像添加普通路段的标签;
根据检测行驶路段上的所述特殊地形标记,设定不同的车辆安全拍摄调度方案。所述方案具体包括:预计到达连续弯道地形时,弯道内侧的车辆拉长与危化品运输车辆间的距离到预设值,弯道外侧的车辆适当缩小与危化品运输车辆的距离到预设值。预计到达隧道地形时,开启行车记录仪的夜视模式,获取更清晰的画面,同时调度车辆加速驶离或减速退出危化品运输车辆两侧的预设范围;预计到达上下坡地形时,下坡处调度车辆驶离危化品运输车辆前方预设范围,上坡处调度车辆驶离危化品运输车辆后方的预设范围。预计到达桥梁地形时,调度车辆驶离危化品运输车辆侧方靠近桥梁护栏的预设范围,例如,原始的跟车距离为100米,行驶到弯道处,弯道内侧的拍摄车辆接收调度减速将距离控制在150米左右,弯道外侧的拍摄车辆接收调度加速到50米车距进行拍摄,行驶在下坡时,将危化品运输车辆前方的一块扇形区域预设为危险区域,当拍摄车辆处于该区域时,通知其加速或变道驶离所述危险区域;
当某辆车的行车记录仪上传到云端服务器的实时画面监测到了所述风险行为,云端服务器获取该车附近的行车记录仪分布信息,生成录像全覆盖的模拟图,所述模拟图描述了危化品运输车辆和所述受调度车辆的位置关系和分布,将行车记录仪所述分布信息与录像全覆盖模拟图进行比对,向符合分布的行车记录仪发送录像追踪指令,从而获取多方位的录像,录像结束后将录像数据上传到所述云端服务器,上传的不同方位行车记录仪的录像按时间节点分组存放,例如,多个录像的开始时间或结束时间相差在一分钟内的视频划分到同一分组。
S8,基于边缘计算结合多个行车记录仪摄像头拍摄的录像分析判断车辆风险行为的原因及真实性。
所述边缘计算是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点移往网络逻辑上的边缘节点来处理;边缘计算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理;边缘节点更接近于用户终端装置,加快资料的处理与传送速度,减少延迟;
危化品运输车辆后方的所述受调度车辆行车记录仪主要检测危化品运输车辆的所述风险行为,结合前方侧方的所述受调度车辆行车记录仪的录像及道路摄像头拍摄的画面判断其他车辆是否有干扰危化品运输车辆正常行驶的行为。若有则将检测到的危险行为记录为外部原因导致的;
使用路面图片库的数据通过卷积神经网络算法训练分类模型,得到路面状态分类模型,通过对云端服务器保存的录像抽帧得到图像数据,将所述图像数据输入到路面状态分类模型得到该图像对应的路面类型。例如不平整、积水、结冰等情况,结合所述风险行为和所述路面状况判断引发车辆所述风险行为的原因。例如,车辆偏移距离超过了最大的偏移距离,记录为一次风险行为,检测到路面有裂缝、不平整,则认为是路面状况导致的,记录为外部原因,检测到路面平整,则认为是驾驶员驾驶不平稳导致的,记录为个人原因。
根据上传录像中危化品运输车辆前方侧方画面判断前车的行为是否导致危化品运输车辆出现风险行为,根据车辆行为检测获取前车的风险行为。判断前车的风险行为是否对危化品运输车辆造成影响,从而导致危化品运输车辆出现风险行为。例如,有车辆从其他车道变道到危化品运输车辆所在车道,危化品运输车辆刹车,被记录为一次风险行为,此时有其他车辆干扰,记为外部原因;前车没有干扰行为时,危化品运输车辆频繁刹车,则记录为个人原因引起的风险行为;
获取所述云端服务器中有危险行为标签录像的同一时间节点的其他方位的录像数据,综合同一时间节点不同方位的录像对检测到的所述风险行为进行验证,验证是否有错判的情况,将每个行车记录仪摄像头对应方向的录像划分为多个图像块,确定每个图像块中检测到的风险行为的行为特征,将所述行为特征与预设的行为特征比对分析,在图像块中检测到的每个风险行为均存在对应方向的录像中的至少一个行为特征时,确定所述图像块对应方向存在风险行为,多个方位画面都检测出所述风险行为时,按检测到风险行为的类型添加相应的风险行为标签。例如,同意时间节点有三个方位画面都检测出刹车行为时验证检测正确,确定为刹车行为进而为该时间节点录像分组添加刹车行为的标签,将驾驶员的所有风险行为录像及其标签、记录对应生成驾驶员的行为数据库存储到所述云端服务器,其中标签数量对应风险行为的次数。
S9,根据所述风险行为的原因对驾驶员进行提醒。
云端服务器通过录像中车辆的车牌信息查找驾驶员的行驶习惯,结合所述风险行为的原因及次数,按发送规则通过行车记录仪对驾驶员发送不同的提醒。所述发送规则:对于行车习惯差的驾驶员,多次提醒,行车习惯好的驾驶员,适当提醒;外部原因引发的风险行为,提醒驾驶员注意路况,个人原因引发的风险行为,提醒驾驶员规范驾驶行为。例如,某个驾驶员行驶时经常发生急刹车,当第一次检测到由个人原因导致的刹车风险行为时,就每十分钟发送一次提醒,直到一个小时内没有再出现相同类型的风险行为,某个驾驶员较少出现风险行为,则在检测到风险行为时只发送一次提醒,如果是外部原因导致的风险行为,向驾驶员发送注意路况的提醒。
S10,评估录像中驾驶员的危险行为进而确定参保费用等级。
通过所述云端服务器的驾驶员行为数据库获取带有标签的录像数据,统计历史每位驾驶员每次行驶中个人原因导致的具有风险行为标签的录像数量、标签类型以及其中具有特殊地形标签的录像数量、标签类型,通过获取交通事故调查数据中各类风险行为对引起事故的影响大小确定各类风险行为的权重,普通路段的风险值由设定的普通路段基本风险值与危险行为的权重相乘得到,例如,普通路段设定的基本风险值为6,刹车行为的权重为0.6,那么在普通路段发生刹车行为的风险值为3.6;
根据路段所述风险行为的权重,计算特殊路段的危险行为风险值,具体包括:获取交通事故数据中的事故路段、引起事故的风险行为权重及该路段的事故率建立特殊路段事故风险预测模型,将所述交通事故数据作为训练集训练该模型,得到路段与风险行为组合的风险值,根据统计的相关录像基于路段事故风险预测模型得到录像中标记路段和风险行为组合出现存在的风险值,例如,通过预测模型得到连续弯道处的偏移风险行为的风险值为10,表示在连续弯道地形下出现偏移风险行为引起事故的风险大。
将每次行驶中所述录像的路段事故预测风险值与风险行为次数对应的系数相乘求和取平均得到行驶风险值,再将所有行驶中行驶风险值求和取平均得到驾驶员的风险指数。所述风险行为对应的系数由认为设定,例如,0—5 次对应系数为1.0、5—10次对应为1.5等,根据风险指数将驾驶员分级,例如,驾驶员分级的规定为:0—3为安全驾驶员,3—5为低风险驾驶员,5—7 为中风险驾驶员,7—10为高风险驾驶员,某位驾驶员的历史统计数据计算得到驾驶员的风险指数为3.5,那么该驾驶员属于低风险驾驶员;
根据历史保单中危化品事故赔偿金额及事故率设定参保费用的最低值和最高值,所述设定规则包括:历史赔偿金额越高、事故率越高参保费用越高,确定最低和最高参保费用后基于驾驶员分级确定每类驾驶员的参保费用等级,风险越低的驾驶员参保费用越低。例如,得到参保费用最低值为500,最高值为为7000,确定安全驾驶员的参保费用为500—1000,高风险驾驶员参保费用为6000—7000。
S11,根据近期危险行为调整参保费用。
接收到驾驶员的参保申请时,获取驾驶员的近期危险行为,所述近期危险行为指预设时间段内该驾驶员驾驶过程中的危险行为,进而计算驾驶员的近期风险指数判断是否在该驾驶员的分级范围内,对所述近期风险指数超出分级范围的驾驶员自动采取调整参保费用的措施,并生成造成保费调整的所述近期危险行为的数据表发送给驾驶员,提醒驾驶员在后续驾驶中注意驾驶行为。例如,某驾驶员分级为低风险驾驶员,参保费用为1000—2000,近期风险指数为5.6,对应的参保费用为2000—4000,则该驾驶员的本次参保费用在该驾驶员近期风险指数对应的费用范围内调整,得到调整后的保费为 2600;
接收到驾驶员的参保申请后,基于所述驾驶员分级和所述参保费用建立智能参保费用生成系统,根据所述驾驶员分级对应的参保费用等级,获取驾驶员的所述近期风险指数,按费用调整规则在相应参保费用等级范围内调整驾驶员的参保费用。
综上,本发明通过车辆调度获取多方位行车记录仪的录像,补充了道路监控未覆盖路段的车辆行驶录像,基于图像处理识别录像中危化品运输车辆行驶过程中的危险行为,重点关注特殊地形下驾驶员的风险行为并进行评估,为保险公司调整驾驶员参保费用提供更加具有参考性的数据。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于边缘计算的危化品运输保费预估方法,其特征如下:包括如下步骤:
通过历史行驶数据获取驾驶员的行驶习惯,所述历史行驶数据包括:GPS信息、车辆实时车况信息、车辆身份信息、急加速信息、急减速信息、急转弯信息、急刹车信息中的至少一项;
根据检测到的风险行为预测其引发的事故类型,所述风险行为包括:刹车行为、变道行为、偏移行为中的至少一项;
根据所述风险行为触发行车记录仪录像追踪及道路摄像头追踪,当检测到所述风险行为向所述行车记录仪发送指令开启录像追踪,所述道路摄像头指分布在行驶路线上的摄像头;
根据所述风险行为确定所述行车记录仪的录像追踪时长,将所述风险行为对应高、中、低三种风险等级分配不同的行车记录仪录像时长;
预测运输的危化品发生事故后的影响范围,根据历史数据训练预测模型,所述历史数据包括:运输的危化品类型、危化品的运输量、事故类型、事故的影响范围中的至少一项;根据所述影响范围和所述风险行为调整受调度车辆与危化品运输车辆间的距离,所述受调度车辆是指安装了行车记录仪可以进行录像的车辆,根据所述影响范围确定所述受调度车辆的录像距离,根据所述风险行为等级设定恢复初始跟车距离的时间,所述初始跟车距离指在没有检测到所述危险行为时,所述受调度车辆与所述危化品运输车辆间的距离;
通过对所述受调度车辆的调度获取多个所述行车记录仪录像,根据特殊地形设定不同的调度方案,所述特殊地形包括:连续弯道、上下坡、隧道、桥梁、高架桥中的至少一项;
基于边缘计算结合多个所述行车记录仪录像分析判断车辆所述风险行为的原因及真实性,所述原因分为外部原因和个人原因,基于所述风险行为的原因及驾驶员的行驶习惯对驾驶员进行提醒,根据所述原因的类型使用不同的提醒方式;
评估录像中驾驶员的所述危险行为进而确定参保费用等级,所述参保费用等级由驾驶员分级决定,所述驾驶员分级包括:安全驾驶员、低风险驾驶员、中风险驾驶员、高风险驾驶员;
根据近期危险行为调整参保费用,所述近期危险行为指预设时间段内该驾驶员驾驶过程中的危险行为。
2.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述通过历史行驶数据获取驾驶员的行驶习惯,所述历史行驶数据包括:GPS信息、车辆实时车况信息、车辆身份信息、急加速信息、急减速信息、急转弯信息、急刹车信息中的至少一项,包括:
基于所述历史行驶数据生成该驾驶员的驾驶行为,所述驾驶行为包括:急加速、急减速、急转弯、急刹车中的至少一项,统计所述驾驶行为得出驾驶员的行驶习惯,具体包括:根据每次行驶中发生的次数将行为分为经常发生、偶尔发生和从不发生,所述行驶行为经常发生记为行驶习惯差、所述行驶行为偶尔发生记为行驶习惯一般、所述行驶行为从不发生记为行驶习惯良好。
3.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述根据检测到的风险行为预测其引发的事故类型,所述风险行为包括:刹车行为、变道行为、偏移行为中的至少一项,包括:
通过检测画面中车辆刹车灯的状态得到刹车行为,所述刹车灯的状态包括:刹车灯的亮灭,刹车灯亮的时间,刹车灯亮的模式:连续亮灭、长亮、长灭,根据所述刹车灯亮的模式分析刹车行为的类型,统计所述刹车行为的次数,通过对图像数据进行距离网格标定处理计算出刹车前后的速度,基于所述刹车行为和所述刹车前后的速度生成车辆的刹车行为记录表,规定刹车前的最高速度值,刹车前后速度的最大变化值,根据所述车辆的刹车行为记录表,判断该刹车行为是否有事故风险;
对视频帧数据做背景建模,得到背景模型,利用道路标识线的图像特征信息从所述背景模型获得车辆在变道前的位置信息,利用所述位置信息,检测所述道路标识线和所述车辆的位置关系得到车辆的变道行为,统计变道次数,记录两次变道间间隔的时间,生成变道行为记录表,根据检测到的所述变道行为和所述间隔的时间,得到变道行为的频率,规定所述变道行为被记为所述风险行为的频率阈值;
通过识别交通标识线,追踪车辆牌照,计算所述车辆牌照与所行驶车道的所述交通标识线的水平距离变化得出车辆牌照到两侧标识线的距离,通过比较所述距离确定偏移的方向和大小,规定最大偏移距离,基于所述偏移方向及距离生成偏移行为记录表,所述偏移距离超过所述最大偏移距离时,记录一次风险行为;
获取数据库中的危化品运输车辆的事故数据,所述事故数据包括:风险行为及其发生次数、事故类型、车辆类型,将所述事故数据作为训练集输入到神经网络训练预测模型,得到危化品事故类型的预测模型,将行车记录仪画面中监测到的所述风险行为及其发生的次数输入到危化品事故类型预测模型,得到该画面中危化品运输车辆的所述风险行为可能引发的事故类型。
4.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述根据所述风险行为触发行车记录仪录像追踪及道路摄像头追踪,当检测到所述危险行为向所述行车记录仪发送指令开启录像追踪,所述道路摄像头指分布在行驶路线上的摄像头,包括:
通过车辆图片数据库获取图像数据,将所述图像数据输入到卷积神经网络训练模型,得到车辆的分类模型,基于车辆的GPS信息,获取运输车辆周围的行车记录仪画面并上传到云端服务器,对所述画面进行抽帧得到图像数据,再将所述图像数据输入分类模型,识别画面中的运输车辆,识别到危化品运输车辆后,所述云端服务器基于车辆行驶数据库事先建立并训练车辆行驶风险行为的检测模型,所述检测模型可检测的风险行为包括:刹车行为、变道行为、偏移行为,将上传的所述行车记录仪画面通过模型分析检测是否出现所述风险行为,若检测到所述风险行为,向行车记录仪发送指令开启录像记录危化品运输车辆的行驶画面,将录像按时间节点保存至所述云端服务器并添加危险行为的标签;
通过道路摄像头分布数据库获取行驶路线上的摄像头信息,所述摄像头信息包括:摄像头的数量、摄像头类型、摄像头的分布,当所述云端服务器检测到上传画面出现所述风险行为时,根据上传的位置信息获取相应路段的所述摄像头信息,所述摄像头的车辆检测模块获取所述云端服务器发送的风险行为触发信号,发送运输车辆信息及跟踪指令到所述摄像头的控制处理模块,所述处理模块用于接收指令、分析画面信息和控制所述摄像头的转动,根据接收到的所述运输车辆信息识别画面中的危化品运输车辆,执行跟踪指令转动所述摄像头对所述危化品运输车辆进行监控范围内的跟踪,并将跟踪的画面录像上传到所述云端服务器,并将上传的道路摄像头的所述跟踪画面存储到对应时间节点的分组内。
5.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述根据所述风险行为确定所述行车记录仪的录像时长,将所述风险行为对应高、中、低三种风险等级分配不同的行车记录仪录像时长,包括:
获取数据库中的危化品运输车辆的事故数据,所述事故数据包括:风险行为类型及其引起事故的次数、总事故数,基于所述事故数据训练一个事故风险评估模型,得到所述风险行为的事故风险等级,所述风险等级分高、中、低三级,根据得到的所述事故风险等级确定所述行车记录仪录像的持续时间,每结束一次录像行车记录仪将录像数据上传到所述云端服务器保存。
6.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述预测运输的危化品发生事故后的影响范围,根据历史数据训练预测模型,所述历史数据包括:运输的危化品类型、危化品的运输量、事故类型、事故的影响范围中的至少一项;根据所述影响范围和所述风险行为调整受调度车辆与危化品运输车辆间的距离,所述受调度车辆是指安装了行车记录仪可以进行录像的车辆,根据所述影响范围确定所述受调度车辆的录像距离,根据所述风险行为等级设定恢复初始跟车距离的时间,所述初始跟车距离指在没有检测到所述危险行为时,所述受调度车辆与所述危化品运输车辆间的距离,包括:
获取历史危化品运输事故的数据,所述历史危化品运输事故数据包括:运输的危化品类型、危化品的运输量、事故类型、事故的影响范围中的至少一项,将所述事故数据提取特征向量后作为训练集输入神经网络预测模型建立危化品事故影响范围的关系模型,根据预先建立的危化品发生事故时的各影响因子的数据和影响范围之间的对应关系查找与运输危险性等级对应的影响因子数据;根据查找到的所述影响因子数据、所述运输危险性等级以及所述事故等级之间的对应关系,通过所述云端服务器数据中的车辆运输单获取运输的危化品类型、运输量等数据,通过所述受调度车辆上传的所述行车记录仪录像获取所述风险行为并预测可能引起的所述事故类型,将上述数据输入预测模型得到危化品运输车辆发生事故后的影响范围;
所述受调度车辆正常情况下保持安全车距进行跟随录像,当监测到风险行为时,根据所述事故风险评估模型得到该所述风险行为的等级,结合危化品发生事故后的所述影响范围确定受调度车辆的录像距离,根据所述风险行为的等级确定恢复正常行驶的安全车距的时间,所述风险行为等级包括:高风险、中风险、低风险。
7.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述通过对所述受调度车辆的调度获取多个所述行车记录仪录像,根据特殊地形设定不同的调度方案,所述特殊地形包括:连续弯道、上下坡、隧道、桥梁、高架桥中的至少一项,包括:
基于车联网平台获取危化品运输车辆行驶路线上所述受调度车辆的路线规划信息,通过对所述路线规划信息的协同,保证所述危化品运输车辆行驶途中周围始终存在所述受调度车辆且分布均匀,即每个路段至少有一辆所述受调度车辆可以对所述危化品运输车辆的画面进行上传和录像;
云端服务器通过地理信息系统获得行驶路线上的特殊地形,所述特殊地形包括:连续弯道、上下坡、隧道、桥梁、高架桥中的至少一项,将所述特殊地形在行驶路线上标记,根据所述危化品运输车辆的位置信息与标记的关系,向周围所述受调度车辆的行车记录仪发送录像指令,记录该所述特殊地形处运输车辆的行驶情况,即将到达所述特殊地形标记时开始录像,驶离所述特殊地形一段距离后停止录像,将所述录像添加相应的特殊地形标签后上传到所述云端服务器;
根据检测行驶路段上的所述特殊地形标记,设定不同的车辆安全拍摄调度方案,所述调度方案包括:预计到达连续弯道地形时,弯道内侧的车辆拉长与运输车辆间的距离到预设值,弯道外侧的车辆适当缩小与运输车辆的距离到所述预设值;预计到达隧道地形时,开启行车记录仪的夜视模式,获取更清晰的画面,同时调度车辆加速驶离或减速退出运输车辆两侧的预设范围;预计到达上下坡地形时,下坡处调度车辆驶离运输车辆前方预设范围,上坡处调度车辆驶离运输车辆后方的所述预设范围;预计到达桥梁地形时,调度车辆驶离运输车辆侧方靠近桥梁护栏的预设范围,行驶在下坡时,将运输车辆前方的一块扇形区域预设为危险区域,当拍摄车辆处于该区域时,通知其加速或变道驶离所述危险区域;
当一辆受调度车辆的行车记录仪上传到云端服务器的实时画面监测到了风险行为,所述云端服务器获取该车附近的行车记录仪分布信息,生成录像全覆盖的模拟图,所述模拟图描述了运输车辆和受调度车辆的位置关系和分布,将所述行车记录仪分布信息与所述模拟图进行比对,向符合分布的所述行车记录仪发送录像指令,从而获取多方位的录像,录像结束后将所述录像的数据上传到所述云端服务器,上传的不同方位行车记录仪的所述录像数据按时间节点分组存放。
8.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述基于边缘计算结合多个所述行车记录仪录像分析判断车辆所述风险行为的原因及真实性,所述原因分为外部原因和个人原因,基于所述风险行为的原因对驾驶员进行提醒,根据所述原因的类型使用不同的提醒方式,包括:
运输车辆后方的受调度车辆行车记录仪主要检测危化品运输车辆的风险行为,结合前方侧方的受调度车辆行车记录仪的录像及道路摄像头拍摄的画面判断除危化品运输车之外其他车辆是否有干扰所述危化品运输车辆正常行驶的行为,若有则将检测到的所述危险行为记录为外部原因导致的;
基于路面图片库的数据通过卷积神经网络算法训练分类模型,得到路面状态分类模型,通过对所述云端服务器保存的录像抽帧得到图像数据,将所述图像数据输入到路面状态分类模型得到该图像对应的路面类型,结合所述风险行为和所述路面类型判断引发车辆风险行为的原因;根据上传录像中所述危化品运输车辆前方侧方画面判断其他车辆的行为是否导致运输车辆出现所述风险行为,获取所述其他车辆的所述风险行为,判断所述其他车辆的所述风险行为是否对所述危化品运输车辆造成影响导致所述风险行为的出现;
获取所述云端服务器中有所述危险行为标签录像的同一时间节点的其他方位的录像数据,综合同一时间节点不同方位的录像对检测到的所述风险行为进行验证是否有错判的情况,将每个行车记录仪摄像头对应方向的录像划分为多个图像块,确定每个所述图像块中检测到的风险行为的行为特征,将所述行为特征与预设的行为特征比对分析,在所述图像块中检测到的每个风险行为均存在对应方向的录像中的至少一个行为特征时,确定所述图像块对应方向存在所述风险行为,多个方位画面都检测出同样的所述风险行为时,按检测到所述风险行为的类型添加相应的风险行为标签;
所述云端服务器通过录像中车辆的车牌信息查找驾驶员的行驶习惯,结合出现所述风险行为的原因及次数,按发送规则通过行车记录仪对驾驶员发送不同的提醒,所述发送规则包括:对于行驶习惯差的驾驶员,多次提醒,行驶习惯良好的驾驶员,适当提醒;外部原因引发的所述风险行为,提醒驾驶员注意路况,个人原因引发的所述风险行为,提醒驾驶员规范行驶行为。
9.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:评估录像中驾驶员的所述危险行为进而确定参保费用等级,所述参保费用等级由驾驶员分级决定,所述驾驶员分级包括:安全驾驶员、低风险驾驶员、中风险驾驶员、高风险驾驶员,包括:
通过所述云端服务器的驾驶员行为数据库获取带有标签的录像数据,统计历史每位驾驶员每次行驶中个人原因导致的具有风险行为标签的所述录像数量、标签类型以及其中具有特殊地形标签的录像数量、标签类型,通过获取交通事故调查数据中各类风险行为对引起事故的影响大小确定各类风险行为的权重,普通路段的风险值由设定的普通路段基本风险值与危险行为的权重相乘得到;
根据所述路段风险行为的权重,计算特殊路段的危险行为风险值,具体包括:获取交通事故数据中的事故路段、引起事故的所述风险行为权重及该路段的事故率建立特殊路段事故风险预测模型,将上述数据作为训练集训练该模型,得到所述特殊路段与所述风险行为组合的风险值,根据统计的相关录像基于路段事故风险预测模型得到录像中标记路段和所述风险行为组合出现存在的所述风险值,将每次行驶中所有录像的路段事故预测风险值与风险行为次数对应的系数相乘求和取平均得到行驶风险值,再将所有行驶中所述行驶风险值求和取平均得到驾驶员的风险指数,预设所述风险行为对应的系数;
根据历史保单中危化品事故赔偿金额及事故率设定参保费用的最低值和最高值,所述设定规则包括:历史赔偿金额越高、事故率越高参保费用越高,确定最低和最高参保费用后基于驾驶员分级确定每类驾驶员的参保费用等级,风险越低的驾驶员参保费用越低。
10.根据权利要求1所述的基于边缘计算的危化品运输保费预估方法,其特征在于:所述根据近期危险行为调整参保费用,所述近期危险行为指预设时间段内该驾驶员驾驶过程中的危险行为,包括:
接收到驾驶员的参保申请时,获取预设时间段内该驾驶员驾驶过程中的危险行为得到近期危险行为并计算驾驶员的近期风险指数判断是否在该驾驶员的分级范围内,对于所述近期风险指数超出分级范围的驾驶员自动采取调整参保费用的措施,并生成造成保费调整的危险行为的数据表发送给驾驶员,提醒驾驶员在后续驾驶中注意驾驶行为,基于所述驾驶员分级和相应参保费用建立智能参保费用生成系统,接收到驾驶员的参保申请后,按所述驾驶员分级对应的参保费用等级,获取驾驶员的所述近期风险指数,按费用调整规则在相应参保费用等级范围内调整驾驶员的参保费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194724.0A CN113919571A (zh) | 2021-10-13 | 2021-10-13 | 基于边缘计算的危化品运输保费预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111194724.0A CN113919571A (zh) | 2021-10-13 | 2021-10-13 | 基于边缘计算的危化品运输保费预估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919571A true CN113919571A (zh) | 2022-01-11 |
Family
ID=79240432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111194724.0A Withdrawn CN113919571A (zh) | 2021-10-13 | 2021-10-13 | 基于边缘计算的危化品运输保费预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919571A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314538A (zh) * | 2023-11-27 | 2023-12-29 | 长威信息科技发展股份有限公司 | 一种高速公路救援服务车辆的服务计费方法和系统 |
CN117764251A (zh) * | 2024-02-06 | 2024-03-26 | 交通运输部规划研究院 | 风险半径预测模型的训练方法和运输路径的确定方法 |
-
2021
- 2021-10-13 CN CN202111194724.0A patent/CN113919571A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314538A (zh) * | 2023-11-27 | 2023-12-29 | 长威信息科技发展股份有限公司 | 一种高速公路救援服务车辆的服务计费方法和系统 |
CN117314538B (zh) * | 2023-11-27 | 2024-05-10 | 长威信息科技发展股份有限公司 | 一种高速公路救援服务车辆的服务计费方法和系统 |
CN117764251A (zh) * | 2024-02-06 | 2024-03-26 | 交通运输部规划研究院 | 风险半径预测模型的训练方法和运输路径的确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11990036B2 (en) | Driver behavior monitoring | |
US20240290201A1 (en) | Driver behavior monitoring | |
US12106661B2 (en) | Determining causation of traffic events and encouraging good driving behavior | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
Ma et al. | Modeling crash rates for a mountainous highway by using refined-scale panel data | |
CN111477005B (zh) | 一种基于车辆状态及行车环境的智能感知预警方法及系统 | |
CN110796862B (zh) | 一种基于人工智能的高速公路交通状况检测系统及方法 | |
CN113919571A (zh) | 基于边缘计算的危化品运输保费预估方法 | |
CN109448384B (zh) | 一种高速公路危险交通行为识别方法 | |
CN112687099B (zh) | 一种超载嫌疑车辆判定方法和装置 | |
CN118411855A (zh) | 碰撞风险信息的确定方法、装置、设备及存储介质 | |
CN112418000A (zh) | 基于单目摄像头的不良驾驶行为检测方法及系统 | |
US12027041B1 (en) | Systems and methods for detecting stop sign vehicle compliance | |
CN118366312B (zh) | 一种交通检测系统及方法 | |
CN112447055A (zh) | 一种对高速公路上低速行驶的监测及警示方法 | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及系统 | |
Ryguła et al. | Evaluating the efficiency of road traffic management system in chorzow | |
Prabakaran et al. | Deep Learning-Based Image Analysis to Track Vehicles | |
Chuan-Hsian et al. | Highway Surveillance System Using Deep Learning Artificial Neural Networks | |
CN118762531A (zh) | 一种高速公路实时安全监控系统 | |
CN118470996A (zh) | 一种道路用结合气象云安全运营提醒方法及系统 | |
Wang et al. | Comprehensive Transportation Equity Analysis for RITI Community: A Data-Driven Approach With Case Study | |
CN117494018A (zh) | 一种基于群体数据分析的异常行为监测预警方法 | |
CN118609368A (zh) | 一种基于全息感知的隧道交通智能管控方法、设备及介质 | |
CN116923432A (zh) | 驾驶辅助系统和方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220111 |