CN114140985B - 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 - Google Patents
基于知识图谱的车辆疲劳预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114140985B CN114140985B CN202111322759.8A CN202111322759A CN114140985B CN 114140985 B CN114140985 B CN 114140985B CN 202111322759 A CN202111322759 A CN 202111322759A CN 114140985 B CN114140985 B CN 114140985B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- fatigue
- knowledge
- driving
- early warning
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- 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
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于知识图谱的车辆疲劳预警方法、装置、设备及存储介质,所述方法包括:提取车辆轨迹数据的三元组知识,根据预设的关联规则对所述三元组知识进行融合,得到构建好的车辆特征知识图谱;根据所述车辆特征知识图谱以及预设的识别模型计算疲劳状态参数;当所述疲劳状态参数大于预设的预警阈值时,自动进行疲劳预警。根据本申请实施例提供的一种车辆疲劳预警方法,无需安装采集设备采集和分析驾驶员的数据,只需对海量行车数据和道路数据做大数据分析,构建车辆特征知识图谱,根据车辆特征知识图谱计算疲劳状态参数,识别驾驶员存在疲劳的风险,提前提醒和预警驾驶员,避免恶性事故的发生。
Description
技术领域
本发明涉及车辆安全驾驶控制技术领域,特别涉及一种基于知识图谱的车辆疲劳预警方法、装置、设备及介质。
背景技术
随着交通运输的快速发展,车辆保有量和驾驶员的数量越来越多,快速发展的交通给人们带来便利的同时,也引发了很多交通道路的安全问题。而注意力分散、疲劳驾驶是引起交通事故的重要原因之一。大货车司机都习惯白天装货,晚上运输,往往容易疲劳驾驶,特别在深夜高速公路上,追尾等事故高发。
现有技术中,车辆主要通过安装设备实时采集驾驶员的体征参数、图像等数据,并将采集到的数据经蓝牙通信传输至主设备,主设备根据疲劳驾驶检测算法对数据进行融合分析,判断驾驶员是否处于疲劳驾驶状态。若驾驶员处于疲劳驾驶状态,系统开启北斗定位系统获取驾驶员当前位置,并通过GSM发送相关报警信息。现有技术的方案,需要安装众多终端设备,成本较高,难以普遍实施。且需计算大量参数数据,将会造成处理延迟,无法保证预警的及时性。同时需要开启导航,明确行驶目的地,才能进行前方服务区提醒。
发明内容
本申请实施例提供了一种基于知识图谱的车辆疲劳预警方法、装置、设备及介质。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,本申请实施例提供了一种基于知识图谱的车辆疲劳预警方法,包括:
提取车辆轨迹数据的三元组知识,根据预设的关联规则对三元组知识进行融合,得到构建好的车辆特征知识图谱;
根据车辆特征知识图谱以及预设的识别模型计算疲劳状态参数;
当疲劳状态参数大于预设的预警阈值时,自动进行疲劳预警。
在一个可选地实施例中,根据预设的关联规则对三元组知识进行融合,得到构建好的车辆特征知识图谱,包括:
根据车辆行驶轨迹与高速道路的关联规则,定义相应实体间的连接关系;
根据车辆行驶状态与高速道路的关联规则,定义相应实体间的连接关系;
根据相应实体间的连接关系对三元组知识进行融合,得到构建好的车辆特征知识图谱。
在一个可选地实施例中,根据车辆行驶轨迹与高速道路的关联规则,定义相应实体间的连接关系,包括:
根据路段与路口的对应关系,定义相应实体间的连接关系;
根据车辆与路段的对应关系,定义相应实体间的连接关系;
根据POI与路段的对应关系,定义相应实体间的连接关系;
根据路段的邻接关系,定义相应实体间的连接关系;
根据路段的可转向关系,定义相应实体间的连接关系。
在一个可选地实施例中,根据车辆行驶状态与高速道路的关联规则,定义相应实体间的连接关系,包括:
根据车辆速度与路段的对应关系,定义相应实体间的连接关系;
根据车辆行驶时间与路段的对应关系,定义相应实体间的连接关系;
根据车辆行驶里程与路段的对应关系,定义相应实体间的连接关系;
根据车辆停靠状态与路段的对应关系,定义相应实体间的连接关系。
在一个可选地实施例中,根据车辆特征知识图谱以及预设的识别模型计算疲劳状态参数,包括:
根据车辆特征知识图谱,提取疲劳特征因子;
根据预设时间段内各个疲劳特征因子在车辆事故中的频率,得到各个疲劳特征因子对应的权重;
将疲劳特征因子以及对应的权重输入预设的识别模型,得到疲劳状态参数。
在一个可选地实施例中,预设的识别模型如下所示:
其中,n表示疲劳特征因子的总个数,m表示疲劳特征因子对应的实体关系属性值的总个数,Vij表示第i个实体关系的第j个属性值,Wij表示第i个疲劳特征因子的第j个权重,f(v)表示对疲劳特征因子的多个属性值进行几何平均得到的最优属性值,f(v,w)表示对疲劳特征因子进行加权平均后得到的疲劳状态参数。
在一个可选地实施例中,自动进行疲劳预警,包括:
自动发出疲劳预警信息;
获取距离车辆最近的服务区,指引用户到服务区停车休息。
第二方面,本申请实施例提供了一种基于知识图谱的车辆疲劳预警装置,包括:
知识图谱构建模块,用于提取车辆轨迹数据的三元组知识,根据预设的关联规则对三元组知识进行融合,得到构建好的车辆特征知识图谱;
计算模块,用于根据车辆特征知识图谱以及预设的识别模型计算疲劳状态参数;
疲劳预警模块,用于当疲劳状态参数大于预设的预警阈值时,自动进行疲劳预警。
第三方面,本申请实施例提供了一种基于知识图谱的车辆疲劳预警设备,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基于知识图谱的车辆疲劳预警方法。
第四方面,本申请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,计算机可读指令被处理器执行以实现上述实施例提供的一种基于知识图谱的车辆疲劳预警方法。
本申请实施例提供的技术方案可以包括以下有益效果:
本申请实施例提供的车辆疲劳预警方法,无需安装采集设备采集和分析驾驶员的数据,只需对海量行车数据和道路数据做大数据分析,构建车辆特征知识图谱,再根据保险公司提供的事故统计数据认定标准,以及车辆特征知识图谱计算疲劳状态参数,根据疲劳状态参数数值大小识别驾驶员存在疲劳驾驶的风险,提前提醒和预警驾驶员,避免恶性事故的发生。该方法无需开启导航,能够智能识别距离前方服务区、停车区距离,推送车载终端指引驾驶人员停车休息,并且能够达到更为准确和快速的预警效果。
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基于知识图谱的车辆疲劳预警方法的示意图;
图2是根据一示例性实施例示出的一种车辆特征知识图谱的示意图;
图3是根据一示例性实施例示出的一种基于知识图谱的车辆疲劳预警装置的示意图;
图4是根据一示例性实施例示出的一种基于知识图谱的车辆疲劳预警设备的示意图;
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。
在现有方案中,车辆主要通过安装设备实时采集驾驶员的体征参数等信息,并将采集到的信息、图像等数据传输至主设备,主设备根据疲劳驾驶检测算法对数据进行计算分析,判断驾驶员是否处于疲劳驾驶状态。现有技术中的方案,需要安装众多终端设备,成本较高,难以普遍实施。且需计算大量数据,将会造成处理延迟,无法保证预警的及时性。
基于现有技术中存在的问题,本申请实施例提供一种车辆疲劳预警方法,无需安装采集设备采集和分析驾驶员的数据,只需对海量行车数据和道路数据做大数据分析,构建车辆特征知识图谱,再根据车辆特征知识图谱计算疲劳状态参数,根据疲劳状态参数数值大小识别驾驶员存在疲劳驾驶的风险,提前提醒和预警驾驶员,避免恶性事故的发生。
下面将结合附图对本申请实施例提供的基于知识图谱的车辆疲劳预警方法进行详细介绍。参见图1,该方法具体包括以下步骤。
S101提取车辆轨迹数据的三元组知识,根据预设的关联规则对三元组知识进行融合,得到构建好的车辆特征知识图谱。
在一种可能的实现方式中,首先获取车辆的轨迹数据,根据业务需要,可以获取北斗定位系统数据源和货运平台数据源。北斗定位系统数据源包括车辆的实时位置数据,如经纬度、速度、方向、海拔、时间和停靠状态等。其中,经纬度包括路段、路口、路况、岔道数、出站口、入站口、停车区、服务区的POI数据以及具体的经纬度数据;速度包括道路的最高限速值、最低限速值以及车辆的时点速度数据;方向包括基于车辆位置前后左右相邻方位、基于道路的东南西北方位以及具体的角度数据;海拔包括高海拔区域、低海拔区域以及具体的海拔数据;时间包括驾驶时间、停靠时间、拥堵时间以及具体的时点数据;停靠包括临时停靠、短时熄火、长时驻留以及具体的停靠位置和持续时间数据等。货运平台数据源包括车辆数据,如车牌号、车辆类型、车辆轴数等。
进一步地,获取到车辆的轨迹数据后,还包括对获取到的数据进行预处理,删除经纬度异常、速度异常、时间异常、轨迹异常等数据。
得到预处理后的数据之后,对数据进行整合分析,提取数据的(实体、关系、属性)三元组知识。如下表所示:
进一步地,根据预设的关联规则对三元组知识进行融合,得到构建好的车辆特征知识图谱。
在一种可能的实现方式中,根据车辆行驶轨迹与高速道路的关联规则,定义相应实体间的连接关系。包括:根据路段与路口的对应关系,定义相应实体间的连接关系;根据车辆与路段的对应关系,定义相应实体间的连接关系;根据POI与路段的对应关系,定义相应实体间的连接关系;根据路段的邻接关系,定义相应实体间的连接关系;根据路段的可转向关系,定义相应实体间的连接关系,建立高速路网关系图谱。具体地实体关系定义实例如下表所示:
如上表所示,将路口、路段关系组成路径与车辆的行驶轨迹数据结合,可以传递车辆周边附近的高速路网关系。
具体地,根据路段与路口的对应关系,定义相应实体间的连接关系。例如,路口的岔道数,可以通过某路口对应的onsection关系确定路口数量,比如onsection(cross,road),表示某路段对应的路口;crossroadnumber(cross,int)<-count(onsection(cross,road)),表示统计某路段对应路口的岔道口数。
根据车辆与路段的对应关系,定义相应实体间的连接关系。例如,对于车辆所处的路段,可以通过某车辆对应的onroad关系确定所在路段,比如onroad(carID,road,time),表示某车辆在某时点所处的路段;onroad(carID,road,time)<-onarea(carID,area,time),表示某车辆在某时段途径的服务区/停车区和路段。对于车辆位置附近的路段,可以通过车辆所在poi对应的near关系确定附近的路段,比如near(road,poi),表示某车辆poi附近的某路段。
根据POI与路段的对应关系,定义相应实体间的连接关系。例如,对于服务区/停车区所处的路段,可以通过某服务区/停车区对应的areaonroad关系确定所在路段,比如outbound(area,road)<-inbound(area,cross),表示服务区/停车区出入口所处的路口和路段。
根据路段的邻接关系,定义相应实体间的连接关系,例如,对于路段的邻接关系,可以通过路段和路段间对应的Adjoin关系确定路段邻接,比如Adjoin(road1,road2)<-updown(road1,road2),表示某车辆从路段1向前/向后转向进入路段2,这个关系是单向不可逆的。
根据路段的可转向关系,定义相应实体间的连接关系。例如,对于路段的可转向关系,可以通过某车辆在前后时刻途径不同路段对应的onroad关系确定路段转向,比如onroad(carID,road1,Tn)和onroad(carID,road2,Tn-1),表示先将onroad关系按照时间字段排序,然后检查某车辆的前一时刻和后一时刻所在路段。
根据车辆行驶状态与高速道路的关联规则,定义相应实体间的连接关系,包括:根据车辆速度与路段的对应关系,定义相应实体间的连接关系;根据车辆行驶时间与路段的对应关系,定义相应实体间的连接关系;根据车辆行驶里程与路段的对应关系,定义相应实体间的连接关系;根据车辆停靠状态与路段的对应关系,定义相应实体间的连接关系。将车辆行驶状态数据与高速路网相关联,建立车辆状态关系。具体地实体关系定义实例如下表所示:
如上表所示,将车辆数据与高速路网关系进行关联,可以传递某时刻在路段上的车辆状态关系。
具体地,根据车辆速度与路段的对应关系,定义相应实体间的连接关系。例如,对于车辆在路段上的速度,可以通过某车辆在路段对应的speed关系确定速度,比如Speed(carID,outbound(area,road),poi),表示某车辆在出(入)口的即时速度;Avg(Speed(onroad(carID,road,time),caraxes)),表示某车轴数的车辆在路段上的平均速度。
根据车辆行驶时间与路段的对应关系,定义相应实体间的连接关系。例如,对于车辆行驶时间,可以通过某车辆在路段对应的time关系确定时长,比如Time(onroad(carID,road,time1),time2),表示某车辆在路段上连续时间周期内驾驶时长。
根据车辆行驶里程与路段的对应关系,定义相应实体间的连接关系。例如,对于车辆途径距离,可以通过某车辆在路段上以最高限速行驶对应的distance关系确定超速里程,比如Distance(onroad(carID,road,time),maxspeed),表示某车辆在路段上超速行驶的里程数;Distance(onroad(carID,road1),road2,time),表示某车辆在特定时间如夜间的行驶里程数。
根据车辆停靠状态与路段的对应关系,定义相应实体间的连接关系。例如,对于车辆当前状态,可以通过某车辆在服务区/停车区临时停靠、短时熄火、长时驻留对应的Hascondition关系确定状态,比如Hascondition(onarea(carID,area,time),poi),表示某车辆在服务区/停车区的停靠状态;Residentnumber(onarea(carID,area,time),poi),表示某车辆在服务区/停车区的停靠次数。
根据上述步骤,可以根据预设的逻辑规则,确定相应实体间的连接关系,根据相应实体间的连接关系对三元组知识进行融合,得到构建好的车辆特征知识图谱。
进一步地,利用欧氏距离计算实体关系间的距离,根据计算出来的距离确定各实体间的远近,形成可视化的知识图谱。如图2所示,是可视化展示的融合后的车辆特征知识图谱的示意图。在一种可能的实现方式中,根据如下公式计算实体关系间的距离:
其中,Dis(x,y)为实体2(x2,y2)与实体1(x1,y1)之间的关系距离。
根据该步骤,通过对海量行车数据和道路数据做大数据分析,将路口、路段关系组成路径与车辆的行驶轨迹数据结合,传递车辆周边附近的高速路网关系。将车辆行驶状态数据与高速路网关系进行关联,传递某时刻在路段上的车辆状态关系,构建出融合了路网关系的车辆特征知识图谱。
S102根据车辆特征知识图谱以及预设的识别模型计算疲劳状态参数。
在一种可能的实现方式中,首先根据车辆特征知识图谱,提取疲劳特征因子。
具体地,获取保险公司预设时间段内的事故统计数据,例如,获取保险公司近3个月内的事故统计数据,如事故多发路段、车辆路段最高限速、事故车辆速度等数据,利用聚类算法,如K-means聚类算法计算具有事故风险的各实体属性值的聚集趋势,得到各指标集中趋势值,趋势值对应的实体关系即为疲劳特征因子。
在一种可能的实现方式中,得到的疲劳特征因子包括:连续驾驶、超速驾驶、夜间驾驶、日均行驶、长短途运营、平均速度、出入口速度以及车辆状态等8个疲劳特征因子。其规则定义和实体关系如下表所示:
其中,疲劳特征因子根据数据的活跃程度进行划分,分为基础项、动态项、触发项。基础项表示评价疲劳程度的基本指标,多是时期数值比率;动态项表示评价疲劳程度的动态指标,多随着时间频繁变化;触发项表示评价疲劳程度的可选择指标,多是发生才触发。
进一步地,根据知识图谱中各疲劳特征因子的实体关系,计算出各疲劳特征因子对应的属性值,属性值是实体的属性对应的数值,若涉及多个实体关系,则取多个实体属性值的均值。
获取保险公司的事故统计数据,根据预设时间段内各个疲劳特征因子在车辆事故中的频率,得到各个疲劳特征因子对应的权重,各疲劳特征因子权重的总和为1。如下表所示:
根据提取的疲劳特征因子参照上述权重评价标准对疲劳状态进行识别,即将实体关系中的属性值与权重评价标准进行对照得到相应的权重。
进一步地,根据预设的识别模型计算疲劳状态参数。
在一个可选地实施例中,预设的识别模型如下所示:
其中,n表示疲劳特征因子的总个数,m表示疲劳特征因子对应的实体关系属性值的总个数,Vij表示第i个实体关系的第j个属性值,Wij表示第i个疲劳特征因子的第j个权重,f(v)表示对疲劳特征因子的多个属性值进行几何平均得到的最优属性值,f(v,w)表示对多个疲劳特征因子进行加权平均后得到的疲劳状态参数。
根据该步骤,无需采集驾驶员的体征参数,面部表情图像等数据,仅需根据车辆特征知识图谱,即可计算出驾驶人员的疲劳状态参数。
S103当疲劳状态参数大于预设的预警阈值时,自动进行疲劳预警。
在一种可能的实现方式中,得到驾驶人员的疲劳状态参数后,根据参数识别驾驶人员存在疲劳驾驶的风险。
当车辆疲劳状态参数f(v,w)接近预警阈值时,则获取距离车辆最近的服务区,将距离最近的服务区推送给用户,指引用户到最近的服务区停车休息。在一种可能的实现方式中,用户可以不开启导航设备,根据车辆特征知识图谱,即可查询到与车辆实体相关的最近的服务区、停车区的距离以及路线。其中,预警阈值的具体取值可根据历史事故数据计算得到,例如,预警阈值为70,当车辆疲劳状态参数大于60时,即可获取距离车辆最近的服务区,指引用户到最近的服务区停车休息。
当车辆疲劳状态参数f(v,w)大于预警阈值时,则自动发送疲劳预警信息,例如,车机发出“请及时停车休息,防止疲劳驾驶”的语音提示信息,并获取距离车辆最近的服务区,将距离最近的服务区推送给用户,指引用户到最近的服务区停车休息。
可选地,车辆持续累计行驶3.5小时后,触发第一次疲劳预警,如果车辆没有停车休息,持续获取前方最近服务区、停车区,满足距离后,推送消息至车机终端上,及时提醒驾驶人员前方一定距离有服务区进行停车休息,有效避免疲劳驾驶风险。
同时,实时调用当前轨迹点经纬度获取服务区、停车区位置,识别前方最近服务区、停车区以及距离当前位置的距离,满足当前点的速度到服务区在[2min,5min]车程距离之内,发送第二次疲劳预警。
进一步地,当车辆停车休息达到设定阀值,重新识别疲劳程度。比如,停车超过10分钟后解除疲劳,重新累计疲劳驾驶时间。
根据该步骤,可以及时识别驾驶员存在疲劳的风险,提前提醒和预警驾驶员,并告知和提醒驾驶员距离前方休息距离,让驾驶员合理安排休息,避免恶性事故的发生。
本申请实施例提供的车辆疲劳预警方法,无需安装采集设备采集和分析驾驶员的数据,只需对海量行车数据和道路数据做大数据分析,构建车辆特征知识图谱,再根据保险公司提供的事故统计数据,以及车辆特征知识图谱计算疲劳状态参数,根据疲劳状态参数数值大小识别驾驶员存在疲劳驾驶的风险,提前提醒和预警驾驶员,避免恶性事故的发生。
本申请实施例还提供一种基于知识图谱的车辆疲劳预警装置,该装置用于执行上述实施例的基于知识图谱的车辆疲劳预警方法,如图3所示,该装置包括:知识图谱构建模块301、计算模块302、疲劳预警模块303。
知识图谱构建模块301,用于提取车辆轨迹数据的三元组知识,根据预设的关联规则对三元组知识进行融合,得到构建好的车辆特征知识图谱;
计算模块302,用于根据车辆特征知识图谱以及预设的识别模型计算疲劳状态参数;
疲劳预警模块303,用于当疲劳状态参数大于预设的预警阈值时,自动进行疲劳预警。
需要说明的是,上述实施例提供的基于知识图谱的车辆疲劳预警装置在执行基于知识图谱的车辆疲劳预警方法时,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,上述实施例提供的基于知识图谱的车辆疲劳预警装置与基于知识图谱的车辆疲劳预警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。
本申请实施例还提供一种与前述实施例所提供的基于知识图谱的车辆疲劳预警方法对应的电子设备,以执行上述基于知识图谱的车辆疲劳预警方法。
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基于知识图谱的车辆疲劳预警方法。
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基于知识图谱的车辆疲劳预警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基于知识图谱的车辆疲劳预警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基于知识图谱的车辆疲劳预警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基于知识图谱的车辆疲劳预警方法。
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基于知识图谱的车辆疲劳预警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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
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 (7)
1.一种基于知识图谱的车辆疲劳预警方法,其特征在于,包括:
提取车辆轨迹数据的三元组知识,所述三元组知识包括实体、关系、属性,根据预设的关联规则对所述三元组知识进行融合,得到构建好的车辆特征知识图谱;包括:
根据车辆行驶轨迹与高速道路的关联规则,得到相应实体间的连接关系;
根据车辆行驶状态与高速道路的关联规则,得到相应实体间的连接关系;
根据相应实体间的连接关系对所述三元组知识进行融合,得到构建好的车辆特征知识图谱;
根据所述车辆特征知识图谱以及预设的识别模型计算疲劳状态参数;包括:
根据所述车辆特征知识图谱,提取疲劳特征因子,所述疲劳特征因子包括:连续驾驶、超速驾驶、夜间驾驶、日均行驶、长短途运营、平均速度、出入口速度以及车辆状态;
根据预设时间段内各个疲劳特征因子在车辆事故中的频率,得到各个疲劳特征因子对应的权重;
将所述疲劳特征因子以及对应的权重输入预设的识别模型,得到所述疲劳状态参数;所述预设的识别模型如下所示:
其中,n表示疲劳特征因子的总个数,m表示疲劳特征因子对应的实体关系属性值的总个数,表示第i个实体关系的第j个属性值,表示第i个疲劳特征因子的第j个权重,表示对疲劳特征因子的多个属性值进行几何平均得到的最优属性值,表示对疲劳特征因子进行加权平均后得到的疲劳状态参数;
其中,疲劳特征因子是利用聚类算法计算具有事故风险的各实体属性值的聚集趋势,得到各指标集中趋势值,趋势值对应的实体关系;属性值是实体的属性对应的数值,若涉及多个实体关系,则取多个实体属性值的均值;将实体关系中的属性值与权重评价标准进行对照得到相应的权重,其中,根据预设时间段内各个疲劳特征因子在车辆事故中的频率,得到各个疲劳特征因子对应的权重评价标准;
其中,所述实体包括经度、纬度、POI、路段、路口、路况、岔道数、出站口、进站口、停车区、服务区、行驶速度、行驶方向、当前海拔、驾驶时间、停靠时间、拥堵时间、停靠状态、车牌号、车辆类型和车辆轴数;
当所述疲劳状态参数大于预设的预警阈值时,自动进行疲劳预警。
2.根据权利要求1所述的方法,其特征在于,根据车辆行驶轨迹与高速道路的关联规则,定义相应实体间的连接关系,包括:
根据路段与路口的对应关系,定义相应实体间的连接关系;
根据车辆与路段的对应关系,定义相应实体间的连接关系;
根据POI与路段的对应关系,定义相应实体间的连接关系;
根据路段的邻接关系,定义相应实体间的连接关系;
根据路段的可转向关系,定义相应实体间的连接关系。
3.根据权利要求1所述的方法,其特征在于,根据车辆行驶状态与高速道路的关联规则,定义相应实体间的连接关系,包括:
根据车辆速度与路段的对应关系,定义相应实体间的连接关系;
根据车辆行驶时间与路段的对应关系,定义相应实体间的连接关系;
根据车辆行驶里程与路段的对应关系,定义相应实体间的连接关系;
根据车辆停靠状态与路段的对应关系,定义相应实体间的连接关系。
4.根据权利要求1所述的方法,其特征在于,自动进行疲劳预警,包括:
自动发出疲劳预警信息;
获取距离车辆最近的服务区,指引用户到所述服务区停车休息。
5.一种基于知识图谱的车辆疲劳预警装置,其特征在于,包括:
知识图谱构建模块,用于提取车辆轨迹数据的三元组知识,所述三元组知识包括实体、关系、属性,根据预设的关联规则对所述三元组知识进行融合,得到构建好的车辆特征知识图谱;包括:
根据车辆行驶轨迹与高速道路的关联规则,得到相应实体间的连接关系;
根据车辆行驶状态与高速道路的关联规则,得到相应实体间的连接关系;
根据相应实体间的连接关系对所述三元组知识进行融合,得到构建好的车辆特征知识图谱;
计算模块,用于根据所述车辆特征知识图谱以及预设的识别模型计算疲劳状态参数;包括:
根据所述车辆特征知识图谱,提取疲劳特征因子,所述疲劳特征因子包括:连续驾驶、超速驾驶、夜间驾驶、日均行驶、长短途运营、平均速度、出入口速度以及车辆状态;
根据预设时间段内各个疲劳特征因子在车辆事故中的频率,得到各个疲劳特征因子对应的权重;
将所述疲劳特征因子以及对应的权重输入预设的识别模型,得到所述疲劳状态参数;所述预设的识别模型如下所示:
其中,n表示疲劳特征因子的总个数,m表示疲劳特征因子对应的实体关系属性值的总个数,表示第i个实体关系的第j个属性值,表示第i个疲劳特征因子的第j个权重,表示对疲劳特征因子的多个属性值进行几何平均得到的最优属性值,表示对疲劳特征因子进行加权平均后得到的疲劳状态参数;
其中,疲劳特征因子是利用聚类算法计算具有事故风险的各实体属性值的聚集趋势,得到各指标集中趋势值,趋势值对应的实体关系;属性值是实体的属性对应的数值,若涉及多个实体关系,则取多个实体属性值的均值;将实体关系中的属性值与权重评价标准进行对照得到相应的权重,其中,根据预设时间段内各个疲劳特征因子在车辆事故中的频率,得到各个疲劳特征因子对应的权重评价标准;其中,所述实体包括经度、纬度、POI、路段、路口、路况、岔道数、出站口、进站口、停车区、服务区、行驶速度、行驶方向、当前海拔、驾驶时间、停靠时间、拥堵时间、停靠状态、车牌号、车辆类型和车辆轴数;
疲劳预警模块,用于当所述疲劳状态参数大于预设的预警阈值时,自动进行疲劳预警。
6.一种基于知识图谱的车辆疲劳预警设备,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至4任一项所述的基于知识图谱的车辆疲劳预警方法。
7.一种计算机可读介质,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被处理器执行以实现如权利要求1至4任一项所述的一种基于知识图谱的车辆疲劳预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111322759.8A CN114140985B (zh) | 2021-11-09 | 2021-11-09 | 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111322759.8A CN114140985B (zh) | 2021-11-09 | 2021-11-09 | 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114140985A CN114140985A (zh) | 2022-03-04 |
CN114140985B true CN114140985B (zh) | 2022-11-18 |
Family
ID=80393445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111322759.8A Active CN114140985B (zh) | 2021-11-09 | 2021-11-09 | 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140985B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009293996A (ja) * | 2008-06-03 | 2009-12-17 | Toyota Motor Corp | 運転者疲労度推定装置、運転者疲労度推定方法 |
CN107066936A (zh) * | 2016-02-02 | 2017-08-18 | 罗伯特·博世有限公司 | 用于识别驾驶员的疲劳的方法和装置 |
CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
CN110287937A (zh) * | 2019-07-02 | 2019-09-27 | 珠海格力电器股份有限公司 | 基于知识图谱的设备状态提示方法、控制设备及控制系统 |
CN112102586A (zh) * | 2020-09-17 | 2020-12-18 | 杭州海康威视系统技术有限公司 | 一种疲劳驾驶告警方法、装置及设备 |
CN112277954A (zh) * | 2020-11-02 | 2021-01-29 | 麻涛涛 | 综合监控车辆安全及人员安全驾驶的方法及其装置 |
-
2021
- 2021-11-09 CN CN202111322759.8A patent/CN114140985B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009293996A (ja) * | 2008-06-03 | 2009-12-17 | Toyota Motor Corp | 運転者疲労度推定装置、運転者疲労度推定方法 |
CN107066936A (zh) * | 2016-02-02 | 2017-08-18 | 罗伯特·博世有限公司 | 用于识别驾驶员的疲劳的方法和装置 |
CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
CN110287937A (zh) * | 2019-07-02 | 2019-09-27 | 珠海格力电器股份有限公司 | 基于知识图谱的设备状态提示方法、控制设备及控制系统 |
CN112102586A (zh) * | 2020-09-17 | 2020-12-18 | 杭州海康威视系统技术有限公司 | 一种疲劳驾驶告警方法、装置及设备 |
CN112277954A (zh) * | 2020-11-02 | 2021-01-29 | 麻涛涛 | 综合监控车辆安全及人员安全驾驶的方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114140985A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551309B1 (en) | Reward system related to a vehicle-to-vehicle communication system | |
US11847667B2 (en) | Road segment safety rating system | |
US20220253945A1 (en) | Reward System Related to a Vehicle-To-Vehicle Communication System | |
US10664918B1 (en) | Insurance system related to a vehicle-to-vehicle communication system | |
EP1627370B1 (en) | System and method for evaluating vehicle and operator performance | |
US20100205012A1 (en) | System and method for providing a user interface for vehicle mentoring system users and insurers | |
EP3251075A1 (en) | Road segment safety rating | |
CN112289054A (zh) | 道路安全预警方法、obu、rsu、mec设备及系统 | |
Bohm et al. | Introduction of autonomous vehicles in the Swedish traffic system: Effects and changes due to the new self-driving car technology | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN115547084A (zh) | 道路通行状况预测方法、装置、电子设备及计算机程序产品 | |
US10475335B1 (en) | Systems and methods for visualizing telematics data | |
CN115995151B (zh) | 应用于城市管理的网约车异常行为检测方法 | |
US20230349717A1 (en) | Electronic map correction method, navigation information setting method, navigation method, and apparatus | |
US20200256687A1 (en) | System For Determining A Risk Of An Accident On A Driving Route | |
US11928962B2 (en) | Location risk determination and ranking based on vehicle events and/or an accident database | |
CN114140985B (zh) | 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 | |
Lim et al. | Spatiotemporal traffic density estimation based on ADAS probe data | |
Lee et al. | Two-level nested logit model to identify traffic flow parameters affecting crash occurrence on freeway ramps | |
CN113611130B (zh) | 一种本地与过境货车车流量获取方法、系统及存储介质 | |
CN112622921B (zh) | 一种检测司机异常驾驶行为的方法、装置及电子设备 | |
Faye | Estimation of Critical Gap Using Maximum Likelihood Method at Unsignalized Intersection: A Case Study in Adama City, Ethiopia | |
CN114664060A (zh) | 一种交通事件的预警方法、装置、设备及存储介质 | |
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 | |
EP3905220A1 (en) | Accident index calculation device, information providing device, content selection device, insurance premium setting device, accident index calculation method, and program |
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 |