CN114202903A - 基于dem数据的车辆预警方法、装置、设备及存储介质 - Google Patents
基于dem数据的车辆预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114202903A CN114202903A CN202111679491.3A CN202111679491A CN114202903A CN 114202903 A CN114202903 A CN 114202903A CN 202111679491 A CN202111679491 A CN 202111679491A CN 114202903 A CN114202903 A CN 114202903A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- section
- early warning
- preset
- 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.)
- Pending
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
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于DEM数据的车辆预警方法、装置、设备及存储介质,所述方法包括:根据DEM数据确定道路危险点,并构建所述道路危险点的电子围栏;获取车辆的实时轨迹,根据所述实时轨迹以及所述电子围栏判断是否满足预设的预警条件;当满足所述预设的预警条件时,进行车辆预警。根据本申请实施例提供的车辆预警方法,无需安装多种硬件设备,只需利用国家公开的DEM数据以及车辆的轨迹数据即可实时提醒司机注意前方的长下坡路段、事故多发地路段以及急转弯路段,能提前检查刹车及货车整体状态,提前做好危险预防,有效保障货运司机的安全及运输货物安全。
Description
技术领域
本发明涉及车辆安全驾驶技术领域,特别涉及一种基于DEM数据的车辆预警方法、装置、设备及存储介质。
背景技术
长下坡路段是导致山区道路事故率居高不下的一个重要原因,据统计相关的交通事故占山区交通事故总数的40%以上。在进入长下坡路段前,如果能给货车司机提供适时的安全预警提醒,使司机做好充分的应急准备,对于避免事故的产生,提高货车运输安全质量具有很强的实际意义。
现有技术中,很多利用红外热成像监测系统、高清卡口系统、高清智能监控系统、车速检测器等硬件设备和系统进行数据采集与预警,因该类设备在商用车联网领域并不普及,且成本昂贵,难以广泛实施。
发明内容
本申请实施例提供了一种基于DEM数据的车辆预警方法、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,本申请实施例提供了一种基于DEM数据的车辆预警方法,包括:
根据DEM数据确定道路危险点,并构建道路危险点的电子围栏;
获取车辆的实时轨迹,根据实时轨迹以及电子围栏判断是否满足预设的预警条件;
当满足预设的预警条件时,进行车辆预警。
在一个可选地实施例中,根据DEM数据确定道路危险点,包括:
根据DEM数据计算道路中的长下坡路段;
计算长下坡路段中的急转弯路段以及事故多发地路段;
将长下坡路段、急转弯路段以及事故多发地路段作为道路危险点。
在一个可选地实施例中,根据DEM数据计算道路中的长下坡路段,包括:
通过ArcGIS软件提取道路对应的DEM网格的高程信息;
根据DEM网格将道路适应性划分为多条道路段,并记录每条道路段的标识信息;
对道路段按照标识信息进行分组,得到同一道路;
根据同一道路中各个道路段对应网格的高程信息计算同一道路的最高点和最低点;
根据最高点和最低点得到道路的坡度以及下坡长度,当坡度大于预设坡度阈值,且下坡长度大于预设长度阈值时,确定道路为长下坡路段。
在一个可选地实施例中,计算长下坡路段中的急转弯路段,包括:
获取长下坡路段中的道路;
根据道路的连接顺序对道路中的坐标点进行排序,得到有序的坐标序列;
将坐标序列中的坐标点依序三个为一组,得到多组坐标点;
计算每组坐标点的转向和夹角;
根据转向对坐标序列进行分组,并计算每组坐标序列对应的夹角和;
判断每组坐标序列对应的夹角和是否大于等于预设夹角阈值,将大于等于预设夹角阈值的坐标序列组对应的路段作为急转弯路段。
在一个可选地实施例中,计算长下坡路段中的事故多发地路段,包括:
获取车辆预设时间段内的历史轨迹数据;
根据历史轨迹数据提取车辆在长下坡路段的历史停靠数据;
将车辆在长下坡路段的历史停靠数据输入预设的事故识别模型,得到车辆在停靠位置发生事故的概率;
根据车辆在停靠位置发生事故的概率统计车辆在停靠位置发生事故的次数,得到长下坡路段中的事故多发地路段。
在一个可选地实施例中,构建道路危险点的电子围栏,包括:
将长下坡路段中的最高点作为围栏起点,沿道路方向反向生成第一电子围栏,并将下坡长度赋值给第一电子围栏;
将急转弯路段转弯节点作为围栏起点,沿道路方向反向生成第二电子围栏;
将事故多发地路段中心点作为围栏起点,沿道路方向反向生成第三电子围栏;
根据道路限速值以及预设的准备时间确定第一电子围栏、第二电子围栏以及第三电子围栏的终点。
在一个可选地实施例中,根据实时轨迹以及电子围栏判断是否满足预设的预警条件,包括:
当车辆的行驶方向与电子围栏的方向相差在预设角度阈值内,且车辆位于电子围栏时,确定满足预设的预警条件。
第二方面,本申请实施例提供了一种基于DEM数据的车辆预警装置,包括:
计算模块,用于根据DEM数据确定道路危险点,并构建道路危险点的电子围栏;
判断模块,用于获取车辆的实时轨迹,根据实时轨迹以及电子围栏判断是否满足预设的预警条件;
预警模块,用于当满足预设的预警条件时,进行车辆预警。
第三方面,本申请实施例提供了一种基于DEM数据的车辆预警设备,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DEM数据的车辆预警方法。
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DEM数据的车辆预警方法。
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长下坡路段的预警方法,无需在车机上安装复杂的检测设备,只需利用国家公开的DEM数据即可计算出高速道路中的长下坡路段。进一步地,还可计算出长下坡路段中的重点危险区域,例如急转弯路段、事故多发地路段,并构建电子围栏。根据电子围栏与车辆的实时轨迹的位置关系,进行车辆预警。提醒司机提前检查刹车及货车整体状态,提前做好危险预防,有效保障货运司机的安全及运输货物安全,且该方案的实施成本较低。
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DEM数据的车辆预警方法的流程示意图;
图2是根据一示例性实施例示出的一种基于DEM数据的车辆预警方法的示意图;
图3是根据一示例性实施例示出的一种长下坡路段的示意图;
图4是根据一示例性实施例示出的一种基于DEM数据的车辆预警装置的结构示意图;
图5是根据一示例性实施例示出的一种基于DEM数据的车辆预警设备的结构示意图;
图6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。
在进入长下坡路段前,如果能给货车司机提供适时的安全预警提醒,使司机做好充分的应急准备,对于避免事故的产生,提高货车运输安全质量具有很强的实际意义。
基于此,本申请实施例提供了一种车辆的预警方法,该方法主要依赖货车北斗终端设备,无需再购买其他硬件设备,在成本上优势大。通过国家公开的DEM数据,计算出道路的高程落差、道路最高处、道路最低处以及该段道路连续下坡道路长度。通过相关方法计算出该段道路中弯曲度较高路段,在急速下坡过程中提前预警急转弯路段,将风险降低。结合事故识别模型,统计一段周期内在长下坡路段的事故聚合数据,并形成长下坡事故多发路段。通过接入货车轨迹数据,实时判断车辆进入长下坡区域及当中的重点危险区域,将相关预警信息通过终端设备推送给车辆并播报,准确实时预警,降低事故风险。
下面将结合附图1对本申请实施例提供的基于DEM数据的车辆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根据DEM数据确定道路危险点,并构建道路危险点的电子围栏。
在一种可能的实现方式中,通过公开的官方渠道获取全国DEM高程数据,根据DEM数据计算国道、省道等道路等级较高的高速道路中的长下坡路段,并进一步计算长下坡路段中的急转弯路段以及事故多发地路段,将长下坡路段、急转弯路段以及事故多发地路段作为道路危险点。
具体地,根据DEM数据计算道路中的长下坡路段。
在一种可能的实现方式中,获取DEM数据的像素值,在ArcGIS软件中构建30米网格,网格中的高程值一致,并生成面中心点,采用ArcGIS软件提取道路对应的DEM网格的面中心点的高程信息,并将面中心点的高程值赋值给网格。
进一步地,根据DEM网格将道路适应性划分为多条道路段,每个网格对应一个道路段,将网格的高程值赋值给对应的道路段,得到每条道路段的高程值,并记录每条道路段的道路等级、道路编号等标识信息。
进一步地,对道路段按照标识信息进行分组,得到同一道路。例如,将相同道路等级、相同道路编号的道路段分为一组,这些标识信息相同的道路段为同一道路。
对同一道路中各个道路段对应的高程值进行对比分析,计算同一道路的最高点和最低点。首先统计最高点,批量延伸判断找到最低点网格的道路,确立最高点和最低点。
根据道路最高点和最低点计算道路的坡度以及下坡长度,当坡度大于预设坡度阈值,且下坡长度大于预设长度阈值时,确定道路为长下坡路段。在一种可能的实现方式中,可以通过正反切函数计算坡度和下坡长度。
在一个示例性场景中,国家级长下坡路段长度>3km,坡度>3.14°,省级长下坡路段长度>3km,坡度>2.29°。本申请实施例对坡度阈值和长度阈值的取值不做具体限定,可根据实际情况自行设定。
在一个可选地实施例中,识别出长下坡路段之后,还包括计算长下坡路段中的急转弯路段。
具体地,获取长下坡路段中的道路,根据道路的连接顺序对道路中的坐标点进行排序,得到有序的坐标序列;例如,长下坡道路包含三条道路线总计有11个坐标点,传入线的顺序为15(P3,P4,P5,P6,P7,P8,P9),16(P1,P2),17(P2,P3),此处,根据道路的连接顺序,如图3所示,正确的线顺序应该是16(P1,P2),17(P2,P3),15(P3,P4,P5,P6,P7,P8,P9),基于相邻线段首位相连的关系,可以对线进行排序,得到有序的线序列,并将线的坐标整合到同一对象中:(P1,P2,P2,P3,P3,P4,P5,P6,P7,P8,P9),然后需要排除序列中重复的点P2,P3,最终得到有序的坐标序列(P1,P2,P3,P4,P5,P6,P7,P8,P9)。
将坐标序列中的坐标点依序三个为一组,得到多组坐标点,计算每组坐标点的转向和夹角。如下表所示:
序号 | 成员 | 转向 | 角度(°) |
∠1 | (P1,P2,P3) | Left | 0.72 |
∠2 | (P2,P3,P4) | Right | 1.71 |
∠3 | (P3,P4,P5) | Left | 6.62 |
∠4 | (P4,P5,P6) | Left | 7.52 |
∠5 | (P5,P6,P7) | Left | 9.32 |
∠6 | (P6,P7,P8) | Left | 5.48 |
∠7 | (P7,P8,P9) | Left | 9.91 |
根据转向对坐标序列进行分组,并计算每组坐标序列对应的夹角和,在一种可能的实现方式中,遍历转向序列,提取至少两个转向相等的序列为一组,可能提取一组,也可能提取多组。根据实际情况设置。
例如,转向序列为(left,right,left,left,left,left,left),提取结果为[(3,4,5,6,7)];
转向序列为(left,left,right,left,left,left,right),提取结果为[(1,2),(4,5,6)];
转向序列为(right,right,right,left,left,left,right,left,left),提取结果为[(1,2,3),(4,5,6),(8,9)]。
根据提取的结果,从角度序列对象中对应的索引取出转向角度,每一组数据的角度和为该段弯道的转向角。判断每组序列对应的转向角是否大于等于预设夹角阈值,将大于等于预设夹角阈值的坐标序列组对应的路段作为急转弯路段。
如上表所示,转向序列为(left,right,left,left,left,left,left),提取结果为[(3,4,5,6,7)],转弯角为:∠3+∠4+∠5+∠6+∠7=38.85°,大于预设角度阈值30°,则道路部分(P4,P5,P6,P7,P8,P9)为急转弯路段。其中,角度阈值本领域技术人员可根据实际情况设置。
在一个可选地实施例中,识别出长下坡路段之后,还包括计算长下坡路段中的事故多发地路段。
具体地,获取车辆预设时间段内的历史轨迹数据,根据历史轨迹数据提取车辆在长下坡路段的历史停靠数据,将车辆在长下坡路段的历史停靠数据输入预设的事故识别模型,得到车辆在停靠位置发生事故的概率,根据车辆在停靠位置发生事故的概率统计车辆在停靠位置发生事故的次数,得到长下坡路段中的事故多发地路段。
在一种可能的实现方式中,首先训练事故识别模型,采集货车在长下坡路段的行驶数据,包括车牌号、轨迹发生时间、轨迹经纬度、速度、行驶方向、左/右转向灯开启信号、陀螺仪碰撞/侧翻信号等信息的位置轨迹点数据。根据货车在长下坡路段的行驶数据得到车辆的停靠数据,包括停靠位置、停靠时长等信息。
进一步地,将发生事故的停靠数据作为正样本,将没有发生事故的停靠数据作为负样本,得到包括正样本和负样本的样本集。按照正负样本1:1的比例,随机抽取5000条样本,再按照7:3的比例分割样本集,得到训练集和测试集。
利用所述训练集训练事故识别模型,首先构建特征工程,得到特征因子,包括终端信号、刹车、信号灯、制动时相关因子、周围路口情况、周围历史停靠情况及堵车判断、道路信息。
进一步地,利用分类算法,输入训练集训练模型,得到每个样本的事故概率,例如,采用xgboost分类算法、决策树分类算法。使用AUC评估方法确定分类模型的第一评估值(第一曲线下面积)。搜索模型最佳参数,最后以得到最高AUC或第一评估值超过评估阈值的参数作为最优模型参数,保存模型并输出,得到训练好的分类模型。然后通过测试集进行测试,得到最终的事故识别模型,并保存。
进一步地,获取车辆预设时间段内在长下坡路段的轨迹数据,例如获取一年内车辆在长下坡路段的轨迹数据,然后提取车辆的停靠数据,将停靠时长大于30分钟的停靠数据筛选出来,并输入事故识别模型,得到车辆在停靠位置发生事故的概率,若概率值大于预设概率阈值,确定车辆在该停靠位置发生事故。并获取事故地点也就是车辆发生事故时的停靠地点的经纬度。
统计一年内事故地点发生过事故的次数,若该地点的事故次数大于预设事故次数阈值,则该地点为事故多发地。本申请实施例对事故次数阈值的取值不做具体限定,例如,将发生过10次以上的事故地点作为事故多发路段。
通过上述方式,只根据国家公开的DEM数据即可得到道路中的长下坡路段,并进一步计算了长下坡路段中危险程度更高的路段。
进一步地,构建长下坡路段、急转弯路段以及事故多发地路段的电子围栏。
具体地,将长下坡路段中的最高点作为围栏起点,沿道路方向反向生成第一电子围栏,围栏长度可以根据道路限速值以及预设的准备时间确定,例如围栏长度等于道路限速值乘以50s,得到围栏终点,围栏宽度为道路沿线各30米间距,围栏方向为围栏终点到起点的向量与正北方向逆时针的夹角。并将下坡长度赋值给第一电子围栏。
将急转弯路段转弯节点作为围栏起点,沿道路方向反向生成第二电子围栏,围栏长度可以根据道路限速值以及预设的准备时间确定,例如围栏长度等于道路限速值乘以50s,得到围栏终点,围栏宽度为道路沿线各30米间距,围栏方向为围栏终点到起点的向量与正北方向逆时针的夹角。
将事故多发地路段的中心点作为围栏起点,例如,将多次事故的停靠地点的聚类中心作为围栏起点,沿道路方向反向生成第三电子围栏,围栏长度可以根据道路限速值以及预设的准备时间确定,例如围栏长度等于道路限速值乘以50s,得到围栏终点,围栏宽度为道路沿线各30米间距,围栏方向为围栏终点到起点的向量与正北方向逆时针的夹角。
根据该步骤,得到道路危险点的电子围栏,可以实时提醒路过的车辆。
S102获取车辆的实时轨迹,根据实时轨迹以及电子围栏判断是否满足预设的预警条件。
在一种可能的实现方式中,实时获取车辆的轨迹数据,例如,可获取车辆的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。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。根据车辆的轨迹数据得到车辆的行驶速度、行驶方向、经纬度等信息。
当车辆的行驶方向与电子围栏的方向相差在预设角度阈值内,例如车辆行驶方向与电子围栏方向角度偏差±30度内,且车辆位于电子围栏内时,确定满足预设的预警条件。
S103当满足预设的预警条件时,进行车辆预警。
在一种可能的实现方式中,当满足预设的预警条件时,进行车辆预警,将预警信息发送到车机终端。
在一个示例性场景中,司机在进入长下坡路段的电子围栏内时,发送“前方长下坡路段,长度XX米,请注意安全行驶”的预警信息,进入急转弯路段时,发送“前方弯道路段,请注意安全行驶”的预警信息,进入事故多发地路段时,发送“前方事故多发路段,请谨慎驾驶”的预警信息。终端接收到预警信息后,实时进行语音播报。
通过将相关预警信息通过终端设备推送给车辆并播报,准确实时预警,可以大大降低事故风险。
为了便于理解本申请实施例提供的基于DEM数据的车辆预警方法,下面结合附图2进行说明。
如图2所示,本方法采用中后台实时计算方式完成,主要由车辆实时轨迹数据采集订阅模块、长下坡路段预警模块、急转弯路段预警模块、事故多发地预警模块四个模块共同组成。
车辆实时轨迹数据采集订阅模块主要由北斗终端通讯服务、订阅车辆轨迹数据服务组成。可以实时获取车辆的轨迹数据。
长下坡预警模块主要由围栏计算服务和推送车机服务组成,围栏计算主要根据DEM数据计算长下坡路段,并建立长下坡路段的电子围栏。推送车机服务主要判断车辆是否进入电子围栏,当车辆进入长下坡区域时,将预警信息推送到车机终端。
急转弯预警模块主要由围栏计算服务和推送车机服务,围栏计算主要根据道路数据计算长下坡路段中的急转弯路段,并建立急转弯路段的电子围栏。推送车机服务主要判断车辆是否进入电子围栏,当车辆进入急转弯区域时,将预警信息推送到车机终端。
事故多发地预警模块主要由围栏计算服务和推送车机服务,围栏计算主要根据历史事故数据计算长下坡路段中的事故多发地路段,并建立事故多发地路段的电子围栏。推送车机服务主要判断车辆是否进入电子围栏,当车辆进入事故多发地区域时,将预警信息推送到车机终端。
根据本申请实施例提供的车辆长下坡路段的预警方法,无需在车机上安装复杂的检测设备,只需利用国家公开的DEM数据即可计算出高速道路中的长下坡路段。进一步地,还可计算出长下坡路段中的重点危险区域,例如急转弯路段、事故多发地路段,并构建电子围栏。根据电子围栏与车辆的实时轨迹的位置关系,进行车辆预警。提醒司机提前检查刹车及货车整体状态,提前做好危险预防,有效保障货运司机的安全及运输货物安全,且该方案的实施成本较低。
本申请实施例还提供一种基于DEM数据的车辆预警装置,该装置用于执行上述实施例的基于DEM数据的车辆预警方法,如图4所示,该装置包括:
计算模块401,用于根据DEM数据确定道路危险点,并构建道路危险点的电子围栏;
判断模块402,用于获取车辆的实时轨迹,根据实时轨迹以及电子围栏判断是否满足预设的预警条件;
预警模块403,用于当满足预设的预警条件时,进行车辆预警。
需要说明的是,上述实施例提供的基于DEM数据的车辆预警装置在执行基于DEM数据的车辆预警方法时,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DEM数据的车辆预警装置与基于DEM数据的车辆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DEM数据的车辆预警方法对应的电子设备,以执行上述基于DEM数据的车辆预警方法。
请参考图5,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5所示,电子设备包括:处理器500,存储器501,总线502和通信接口503,处理器500、通信接口503和存储器501通过总线502连接;存储器501中存储有可在处理器500上运行的计算机程序,处理器500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DEM数据的车辆预警方法。
其中,存储器501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503(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502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501用于存储程序,处理器500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DEM数据的车辆预警方法可以应用于处理器500中,或者由处理器500实现。
处理器500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500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500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501,处理器500读取存储器501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DEM数据的车辆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DEM数据的车辆预警方法对应的计算机可读存储介质,请参考图6,其示出的计算机可读存储介质为光盘600,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DEM数据的车辆预警方法。
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DEM数据的车辆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 (10)
1.一种基于DEM数据的车辆预警方法,其特征在于,包括:
根据DEM数据确定道路危险点,并构建所述道路危险点的电子围栏;
获取车辆的实时轨迹,根据所述实时轨迹以及所述电子围栏判断是否满足预设的预警条件;
当满足所述预设的预警条件时,进行车辆预警。
2.根据权利要求1所述的方法,其特征在于,根据DEM数据确定道路危险点,包括:
根据所述DEM数据计算道路中的长下坡路段;
计算所述长下坡路段中的急转弯路段以及事故多发地路段;
将所述长下坡路段、急转弯路段以及事故多发地路段作为所述道路危险点。
3.根据权利要求2所述的方法,其特征在于,根据所述DEM数据计算道路中的长下坡路段,包括:
通过ArcGIS软件提取道路对应的DEM网格的高程信息;
根据所述DEM网格将道路适应性划分为多条道路段,并记录每条道路段的标识信息;
对所述道路段按照所述标识信息进行分组,得到同一道路;
根据同一道路中各个道路段对应网格的高程信息计算所述同一道路的最高点和最低点;
根据所述最高点和最低点得到道路的坡度以及下坡长度,当所述坡度大于预设坡度阈值,且下坡长度大于预设长度阈值时,确定所述道路为长下坡路段。
4.根据权利要求2所述的方法,其特征在于,计算所述长下坡路段中的急转弯路段,包括:
获取长下坡路段中的道路;
根据道路的连接顺序对道路中的坐标点进行排序,得到有序的坐标序列;
将所述坐标序列中的坐标点依序三个为一组,得到多组坐标点;
计算每组坐标点的转向和夹角;
根据转向对所述坐标序列进行分组,并计算每组坐标序列对应的夹角和;
判断每组坐标序列对应的夹角和是否大于等于预设夹角阈值,将大于等于预设夹角阈值的坐标序列组对应的路段作为急转弯路段。
5.根据权利要求2所述的方法,其特征在于,计算所述长下坡路段中的事故多发地路段,包括:
获取车辆预设时间段内的历史轨迹数据;
根据所述历史轨迹数据提取车辆在长下坡路段的历史停靠数据;
将车辆在长下坡路段的历史停靠数据输入预设的事故识别模型,得到车辆在停靠位置发生事故的概率;
根据车辆在停靠位置发生事故的概率统计车辆在停靠位置发生事故的次数,得到长下坡路段中的事故多发地路段。
6.根据权利要求1-5任一项所述的方法,其特征在于,构建所述道路危险点的电子围栏,包括:
将长下坡路段中的最高点作为围栏起点,沿道路方向反向生成第一电子围栏,并将下坡长度赋值给所述第一电子围栏;
将急转弯路段转弯节点作为围栏起点,沿道路方向反向生成第二电子围栏;
将事故多发地路段中心点作为围栏起点,沿道路方向反向生成第三电子围栏;
根据道路限速值以及预设的准备时间确定所述第一电子围栏、第二电子围栏以及第三电子围栏的终点。
7.根据权利要求1所述的方法,其特征在于,根据所述实时轨迹以及所述电子围栏判断是否满足预设的预警条件,包括:
当车辆的行驶方向与所述电子围栏的方向相差在预设角度阈值内,且车辆位于所述电子围栏时,确定满足预设的预警条件。
8.一种基于DEM数据的车辆预警装置,其特征在于,包括:
计算模块,用于根据DEM数据确定道路危险点,并构建所述道路危险点的电子围栏;
判断模块,用于获取车辆的实时轨迹,根据所述实时轨迹以及所述电子围栏判断是否满足预设的预警条件;
预警模块,用于当满足所述预设的预警条件时,进行车辆预警。
9.一种基于DEM数据的车辆预警设备,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7任一项所述的基于DEM数据的车辆预警方法。
10.一种计算机可读介质,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7任一项所述的一种基于DEM数据的车辆预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679491.3A CN114202903A (zh) | 2021-12-31 | 2021-12-31 | 基于dem数据的车辆预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679491.3A CN114202903A (zh) | 2021-12-31 | 2021-12-31 | 基于dem数据的车辆预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202903A true CN114202903A (zh) | 2022-03-18 |
Family
ID=80657973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111679491.3A Pending CN114202903A (zh) | 2021-12-31 | 2021-12-31 | 基于dem数据的车辆预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202903A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648892A (zh) * | 2022-03-25 | 2022-06-21 | 北京中交兴路信息科技有限公司 | 车辆行驶安全预警方法、装置、车辆、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004037372A (ja) * | 2002-07-05 | 2004-02-05 | Nissan Motor Co Ltd | カーブ曲率半径推定装置 |
CN107037473A (zh) * | 2017-04-07 | 2017-08-11 | 南京人人保网络技术有限公司 | 基于移动设备的急转弯驾驶行为识别方法以及装置 |
CN111127949A (zh) * | 2019-12-18 | 2020-05-08 | 北京中交兴路车联网科技有限公司 | 车辆高危路段预警方法、装置及存储介质 |
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 |
CN112235712A (zh) * | 2020-09-03 | 2021-01-15 | 浙江吉利汽车研究院有限公司 | 一种车辆行驶预警方法、系统、装置及设备 |
CN113140121A (zh) * | 2020-09-24 | 2021-07-20 | 北京交通大学 | 一种面向网联货车驾驶员的安全预警方法、装置及系统 |
CN113838284A (zh) * | 2021-09-15 | 2021-12-24 | 北京中交兴路车联网科技有限公司 | 一种事故高发路段上的车辆预警方法、装置、存储介质及终端 |
-
2021
- 2021-12-31 CN CN202111679491.3A patent/CN114202903A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004037372A (ja) * | 2002-07-05 | 2004-02-05 | Nissan Motor Co Ltd | カーブ曲率半径推定装置 |
CN107037473A (zh) * | 2017-04-07 | 2017-08-11 | 南京人人保网络技术有限公司 | 基于移动设备的急转弯驾驶行为识别方法以及装置 |
CN111127949A (zh) * | 2019-12-18 | 2020-05-08 | 北京中交兴路车联网科技有限公司 | 车辆高危路段预警方法、装置及存储介质 |
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 |
CN112235712A (zh) * | 2020-09-03 | 2021-01-15 | 浙江吉利汽车研究院有限公司 | 一种车辆行驶预警方法、系统、装置及设备 |
CN113140121A (zh) * | 2020-09-24 | 2021-07-20 | 北京交通大学 | 一种面向网联货车驾驶员的安全预警方法、装置及系统 |
CN113838284A (zh) * | 2021-09-15 | 2021-12-24 | 北京中交兴路车联网科技有限公司 | 一种事故高发路段上的车辆预警方法、装置、存储介质及终端 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648892A (zh) * | 2022-03-25 | 2022-06-21 | 北京中交兴路信息科技有限公司 | 车辆行驶安全预警方法、装置、车辆、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104715604B (zh) | 获取实时路况信息的方法及其系统 | |
CN110738842A (zh) | 事故责任划分及行为分析方法、装置、设备及存储介质 | |
CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN108877244B (zh) | 一种基于动态数据的公交车辆交叉口运行瓶颈判别方法 | |
CN107918762B (zh) | 一种公路遗撒物快速检测系统及方法 | |
CN113345258B (zh) | 基于边缘计算的道路通行保障方法、系统、设备及介质 | |
CN109946688B (zh) | 换道场景数据提取方法、装置和服务器 | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN103903465A (zh) | 一种道路拥堵原因实时发布方法及系统 | |
CN110766943B (zh) | 一种基于事故数据的不良驾驶行为判定的监测方法和系统 | |
CN113847925A (zh) | 基于轨迹数据检测车辆偏航的方法、装置、设备及介质 | |
CN112950937B (zh) | 基于车辆轨迹预测道路限速值的方法、装置、设备及介质 | |
CN108320550A (zh) | 一种基于车联网络的闯红灯预警系统及其预警方法 | |
CN113222331B (zh) | 识别车辆事故真实性的方法、装置、设备及存储介质 | |
CN111105622A (zh) | 违规停车纠正方法、装置以及存储介质 | |
CN103903439A (zh) | 客运车辆违规停车地点识别方法及系统 | |
CN114664087A (zh) | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 | |
CN114202903A (zh) | 基于dem数据的车辆预警方法、装置、设备及存储介质 | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
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 | |
Lim et al. | Spatiotemporal traffic density estimation based on ADAS probe data | |
CN116416780A (zh) | 一种路侧感知系统的测试方法、装置、测试设备和介质 | |
KR20190049056A (ko) | 클라우드 기반 실시간 도로상황정보 수집·검증 시스템 및 그 방법 | |
CN113194408B (zh) | 检测北斗信号覆盖盲区的方法、装置、设备及存储介质 | |
CN114463416A (zh) | 车辆变道检测方法、装置、电子设备和存储介质 |
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 |