CN114202908A - 基于灾害天气的车辆预警方法、装置、设备及存储介质 - Google Patents
基于灾害天气的车辆预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114202908A CN114202908A CN202111520767.3A CN202111520767A CN114202908A CN 114202908 A CN114202908 A CN 114202908A CN 202111520767 A CN202111520767 A CN 202111520767A CN 114202908 A CN114202908 A CN 114202908A
- Authority
- CN
- China
- Prior art keywords
- road surface
- vehicle
- early warning
- information
- surface area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 71
- 238000003062 neural network model Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 23
- 230000002265 prevention Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000013439 planning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 11
- 238000009825 accumulation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- 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
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
Abstract
本申请人工智能的数据分析技术领域，提供一种基于灾害天气的车辆预警方法、装置、设备及存储介质，包括：获取目标城市的气候信息，并将气候信息输入至预设的降雨预测模型中，得到降雨预测信息；获取目标城市的各路面区域的积水影响因子，积水影响因子包括路面低洼深度和/或路面排水速度；根据目标城市的各路面区域的积水影响因子和降雨预测信息，确定各路面区域的积水预测信息；根据各路面区域的积水预测信息，确定各路面区域的车辆涉水风险预警等级，能够减少车辆涉水造成人员伤亡和车辆的损坏的情况发生。本申请还涉及区块链技术，上述的降雨预测模型可存储在区块链中。
Description
技术领域
本申请涉及数据分析技术领域，尤其涉及一种基于灾害天气的车辆预警方法、装置、设备及存储介质。
背景技术
强降雨、大风等灾害性天气会带来各种洼地积水严重，泥石流等问题，严重影响人们的正常生活和工作，给人们带来各类财产、人身安全等损失。因此，为了减少因灾害性天气所引起的交通事故，减少因灾害性天气引起的重大的人员伤亡和财产损失，灾害性天气的预警信息及时的发布具有极其重要的意义。
现有的灾害性天气的天气预报的预警主要针对较长时间段、大区域范围内的进行预警信息的发布，并没有对每个局部区域进行预警，而且现有的灾害性天气的天气预报进行示警的效果实时性较差，预警信息的风险等级不够详细和准确，预警效果不好。因此，如何提高基于灾害天气的车辆涉水风险预警的准确性是目前亟待解决的问题。
发明内容
本申请的主要目的在于提供一种基于灾害天气的车辆预警方法、装置、设备及存储介质，旨在提高基于灾害天气的车辆涉水风险预警的准确性。
第一方面，本申请提供一种基于灾害天气的车辆预警方法，所述基于灾害天气的车辆预警方法包括以下步骤：
获取目标城市的气候信息，并将所述气候信息输入至预设的降雨预测模型中，得到降雨预测信息，所述降雨预测模型为预先训练好的神经网络模型；
获取所述目标城市的各路面区域的积水影响因子，其中，所述积水影响因子包括路面低洼深度和/或路面排水速度；
根据所述目标城市的各路面区域的积水影响因子和所述降雨预测信息，确定各所述路面区域的积水预测信息；
根据各所述路面区域的积水预测信息，确定各所述路面区域的车辆涉水风险预警等级。
第二方面，本申请还提供一种基于灾害天气的车辆预警装置，所述基于灾害天气的车辆预警装置包括获取模块、生成模块和确定模块，其中：
所述获取模块，用于获取目标城市的气候信息；
所述生成模块，用于将所述气候信息输入至预设的降雨预测模型中，得到降雨预测信息，所述降雨预测模型为预先训练好的神经网络模型；
所述获取模块，还用于获取所述目标城市的各路面区域的积水影响因子，其中，所述积水影响因子包括路面低洼深度和/或路面排水速度；
所述确定模块，用于根据所述目标城市的各路面区域的积水影响因子和所述降雨预测信息，确定各所述路面区域的积水预测信息；
所述确定模块，还用于根据各所述路面区域的积水预测信息，确定各所述路面区域的车辆涉水风险预警等级。
第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的基于灾害天气的车辆预警方法的步骤。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的基于灾害天气的车辆预警方法的步骤。
本申请提供一种基于灾害天气的车辆预警方法、装置、设备及存储介质，该方法通过获取目标城市的气候信息，并将气候信息输入至预设的降雨预测模型中，得到降雨预测信息，然后获取目标城市的各路面区域的积水影响因子，并根据目标城市的各路面区域的积水影响因子和降雨预测信息，能够准确地确定各路面区域的积水预测信息，最后根据各路面区域的积水预测信息，确定各路面区域的车辆涉水风险预警等级。通过准确地生成各路面区域的车辆涉水风险预警等级，并发布各路面区域的车辆涉水风险预警等级，能够减少车辆涉水造成人员伤亡和车辆的损坏的情况发生。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于灾害天气的车辆预警方法的流程示意图；
图2为本申请实施例提供的另一种基于灾害天气的车辆预警方法的流程示意图；
图3为本申请实施例提供的一种基于灾害天气的车辆预警装置的示意性框图；
图4为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供一种基于灾害天气的车辆预警方法、装置、设备及存储介质。其中，该基于灾害天气的车辆预警方法可应用于计算机设备中，该计算机设备可以是服务器、手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
例如，该计算机设备可以为服务器，服务器获取目标城市的气候信息，并将气候信息输入至预设的降雨预测模型中，得到降雨预测信息，降雨预测模型为预先训练好的神经网络模型；获取目标城市的各路面区域的积水影响因子，其中，积水影响因子包括路面低洼深度和/或路面排水速度；根据目标城市的各路面区域的积水影响因子和降雨预测信息，确定各路面区域的积水预测信息；根据各路面区域的积水预测信息，确定各路面区域的车辆涉水风险预警等级。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请的实施例提供的一种基于灾害天气的车辆预警方法的流程示意图。
如图1所示，该基于灾害天气的车辆预警方法包括步骤S101至步骤S104。
步骤S101、获取目标城市的气候信息，并将所述气候信息输入至预设的降雨预测模型中，得到降雨预测信息，所述降雨预测模型为预先训练好的神经网络模型。
其中，气候信息包括天气信息、水文气象信息、云层信息和洋流信息，天气信息包括大气环流信息和风力信息，水文气象信息包括水份循环信息和水份平衡信息。
在一实施例中，获取用户输入的城市，将该城市作为目标城市。需要说明书的是，用户将目标城市输入至移动终端，移动终端将该目标城市发送给计算机设备，计算机设备获取到目标城市。其中，目标城市为需要进行灾害天气的车辆预警的城市，该城市可以根据实际情况进行选择，本实施例对此不做具体限定，例如，该城市可以为深圳市。该移动终端可以根据实际情况进行选择，本实施例对此不做具体限定，例如，该移动终端可以为手机和智能穿戴设备。
在一实施例中，获取所在目标城市的大气环流信息、风力信息、水份循环信息、水份平衡信息、云层信息、洋流信息，得到目标城市的气候信息。需要说明的是，大气环流信息、风力信息、水份循环信息、水份平衡信息、云层信息、洋流信息的获取方式可以根据实际情况进选择，本实施例对此不做具体限定，例如，从国家预警信息发布中心、中央气象台和中国环境检测总站等等气象检测中心获取。
在一实施例中，将气候信息输入至预设的降雨预测模型中，得到降雨预测信息，降雨预测模型为预先训练好的神经网络模型。其中，降雨预测信息包括预设时间段内的降雨量、降雨时间和降雨区域，例如，未来7天内的降雨量、降雨时间和降雨区域，该神经网络模型可以根据实际情况进行选择，本实施例对此不做具体限定，例如，该神经网络模型可以是卷积神经网络模型、循环卷积神经网络模型和循环卷积神经网络模型，当然也可以是其他神经网络模型。
在一实施例中，降雨预测模型为预先基于目标样本数据集对神经网络模型进行迭代训练得到的，目标样本数据集包括多个样本数据，样本数据包括目标城市的历史气候信息和标注的真实降雨信息。
在一实施例中，获取全球各个城市的历史气候信息，其中，该历史气候信息为当前时刻之前各个城市的气候信息，对各城市的历史气候信息进行走势曲线划分，得到每个城市的历史气候信息曲线，根据历史气候信息曲线的相似度对各城市的历史气候信息曲线进行划分，得到多个相似历史气候信息组。通过构建多个相似历史气候信息组能够增加样本数据的数量，以提高降雨预测模型训练的准确性。
需要说明的是，对各城市历史气候信息曲线之间相似度进行划分的方式可以根据实际情况选择划分的方式，本实施例对不做具体限定，例如，该划分方式可以通过MATLAB进行划分。
示例性的，根据历史气候信息曲线的相似度对各城市的历史气候信息曲线进行划分，得到多个相似历史气候信息组的方式可以为：将各城市历史气候信息曲线输入至MATLAB中，将各城市历史气候信息曲线之间的相似度大于或等于预设相似度划分至一个相似历史气候信息组。其中，该预设相似度可以根据实际情况进行设置，本实施例对此不做具体限定，例如，该预设相似度可以设置为80％。
在一实施例中，对目标城市的历史气候信息对应的真实降雨信息进行标注，对目标城市所属的相似历史气候信息组中的历史气候信息对应的真实降雨信息进行标注，并将目标城市的历史气候信息和标注的真实降雨信息、以及目标城市所属的相似历史气候信息组中的历史气候信息和标注的真实降雨信息作为样本数据，进而构建目标样本数据集。
示例性的，将从目标样本数据集中选取一个历史气候信息输入至神经网络模型中，得到降雨预测信息；根据降雨预测信息和该历史气候信息对应的真实降雨信息，确定神经网络模型的损失值；根据该损失值确定神经网络模型是否收敛，若神经网络模型未收敛，则更新神经网络模型的模型参数，继续从目标样本数据集中选取一个历史气候信息输入至神经网络模型进行训练，直至神经网络模型收敛，得到降雨预测模型。
在一实施例中，根据降雨预测信息和该历史气候信息对应标注的真实降雨信息，确定神经网络模型的损失值的方式可以为：确定降雨预测信息和标注的真实降雨信息之间的相似度，将预设相似度减去该相似度，得到的相似度差值作为神经网络模型的损失值。其中，该预设相似度可以根据实际情况进行设置，本实施例对此不做具体限定，例如，该预设相似度可以设置为100％。通过确定降雨预测信息和标注的真实降雨信息之间的相似度，能够准确的确定神经网络模型的损失值。
在一实施例中，根据损失值确定神经网络模型是否收敛的方式可以为：确定损失值是否大于或等于预设损失值，若损失值大于或等于预设损失值，确定神经网络模型未收敛，若损失值小于预设损失值，确定神经网络模型已收敛。其中，该预设损失值可以根据实际情况进行设置，本实施例对此不做具体限定。根据损失值与预设损失值之间的大小，能够准确的确定神经网络模型是否收敛。
步骤S102、获取所述目标城市的各路面区域的积水影响因子，其中，所述积水影响因子包括路面低洼深度和/或路面排水速度。
其中，路面区域包括道路区域和露天停车场区域，积水影响因子包括路面低洼深度和/或路面排水速度，路面低洼深度为路面的凹陷深度，路面排水速度为路面的排水通道每小时的排水量。
在一实施例中，获取目标城市的各路面区域的路面低洼深度和/或路面排水速度，得到各路面区域的积水影响因子。其中，获取目标城市的各路面区域的路面低洼深度和/或路面排水速度的方式可以根据实际情况进行选择，本实施例对此不做具体限定，例如，可以城市建设单位的数据库获取上述数据。例如从深圳市的城市建设单位获取深南大道的排水速度，得到深圳市的深南大道的路面区域的积水影响因子。
步骤S103、根据所述目标城市的各路面区域的积水影响因子和所述降雨预测信息，确定各所述路面区域的积水预测信息。
其中，积水预测信息包括积水深度和积水面积。
在一实施例中，根据降雨量、降雨时间和路面低洼深度，生成积水深度和积水面积，或者，根据降雨量、降雨时间和排水速度，生成积水深度和积水面积，或者，根据降雨量、降雨时间、路面低洼深度和排水速度，生成积水深度和积水面积。需要说明的是，上述计算积水深度和积水面积的方式可以根据降雨量减去实际排水量，得到净积水量，将净积水量乘以降雨时间，得到积水量，在相同积水体积情况下，积水深度和积水面积成反比，积水深度和积水面积的计算可以根据实际情况进行计算，本实施例对此不做具体限定。
步骤S104、根据各所述路面区域的积水预测信息，确定各所述路面区域的车辆涉水风险预警等级。
其中，车辆涉水风险预警等级包括第一风险等级、第二风险等级和第三风险等级，第一风险等级的风险最低，第三风险等级的风险最高。
在一实施例中，获取预设的积水预测信息与车辆涉水风险预警等级之间的映射关系表，从映射关系表积水预测信息对应的车辆涉水风险预警等级，得到各路面区域的车辆涉水风险预警等级。其中，该映射关系表为预先根据积水预测信息和车辆涉水风险预警等级建立的，该映射关系表的建立可以根据实际情况进行建立，本实施例对此不做具体限定。通过该映射关系表能够准确的确定各路面区域的车辆涉水风险预警等级。
在一实施例中，在确定各路面区域的车辆涉水风险预警等级，并发布各路面区域的车辆涉水风险预警等级，以使各车主根据各路面区域的车辆涉水风险预警等级进行出行的规划。
在一实施例中，如图2所示，图2为本申请的实施例提供的另一种基于灾害天气的车辆预警方法的流程示意图。
如图2所示，该基于灾害天气的车辆预警方法包括步骤S201至步骤S203。
步骤S201、获取所述目标城市的各地下停车库的排水防涝信息。
其中，排水防涝信息包括地下停车库的排水速度。
在一实施例中，获取目标城市的各地下停车库的排水防涝信息，其中，获取的各地下停车库的排水防涝信息的方式可以根据实际情况进行选择，本实施例对此不做具体限定，例如，从城市建设单位的数据库获取各地下停车库的排水防涝信息。
步骤S202、根据各所述地下停车库的排水防涝信息和所述降雨预测信息，确定各所述地下停车库的车辆涉水风险预警等级。
根据各地下停车库的排水防涝信息和降雨预测信息，确定各地下停车库的积水预测信息，根据各地下停车库的积水预测信息，确定各地下停车库的车辆涉水风险预警等级。
在一实施例中，根据各地下停车库的排水防涝信息和降雨预测信息，确定各地下停车库的积水预测信息的方式可以为：降雨预测信息包括降雨量和降雨时间，根据降雨量和降雨时间地下停车库的进水量，根据地下停车库的排水速度和降雨时间生成排水量，将进水量减去排水量，得到地下停车库的积水预测信息。
在一实施例中，根据各地下停车库的积水预测信息，确定各地下停车库的车辆涉水风险预警等级的方式可以为：获取预设的积水预测信息与车辆涉水风险预警等级之间的映射关系表，从映射关系表中查询各地下停车库的积水预测信息对应的车辆涉水风险预警等级，得到各地下停车库的车辆涉水风险预警等级。其中，该映射关系表为预先根据积水预测信息和车辆涉水风险预警等级建立的，该映射关系表的建立可以根据实际情况进行建立，本实施例对此不做具体限定。
步骤S203、向各所述地下停车库的管理终端发送对应的车辆涉水风险预警等级。
在确定地下停车库的车辆涉水风险预警等级后，将每个车辆涉水风险预警等级发送给对应地下停车库的管理终端，以使管理人员能够根据管理终端上的车辆涉水风险预警等级做出对应的预防应急处理。其中，该管理终端可以根据实际情况进行设置，本实施例对此不做具体限定，例如，该管理终端可以是笔记本电脑。
在一实施例中，获取终端设备发送的地图导航请求，并根据地图导航请求和各路面区域的车辆涉水风险预警等级，确定目标导航路线；将目标导航路线发送给终端设备，其中，目标导航路线中的部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值，该预设阈值可以根据实际情况进行设置，本实施例对此不做具体限定。该终端设备可以根据实际情况进行选择，本实施例对此不做具体限定，例如，终端设备可以为手机或者车辆的导航设备。通过确定目标导航路线能够减少车辆涉水造成人员伤亡和车辆的损坏的情况发生。
在一实施例中，根据地图导航请求和各路面区域的车辆涉水风险预警等级，确定目标导航路线的方式可以为：地图导航请求包括导航起点和导航终点，基于导航起点、导航终点和地图信息，规划出多条导航路线；从多条导航路线中筛选出部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值的导航路线作为为目标导航路线。
在一实施例中，根据各路面区域的车辆涉水风险预警等级，生成目标城市的车损预估热力图，其中，车损预估热力图用于表示目标城市的各所述路面区域的发生车损理赔事件的风险等级。将车损预估热力图发送给车险产品企业的终端设备，以使车险产品企业根据车损预估热力图对车险理赔进行规划，以提高车险理赔的效率。
在一实施例中，根据各路面区域的车辆涉水风险预警等级，生成目标城市的车损预估热力图的方式可以为：获取各路面区域的历史出行车辆数；根据各路面区域的车辆涉水风险预警等级和各路面区域的历史出行车辆数，生成目标城市的车损预估热力图。其中，历史出行车辆数为当前时刻之前的各路面区域的出行车辆数。
上述实施例提供的基于灾害天气的车辆预警方法，获取目标城市的气候信息，并将气候信息输入至预设的降雨预测模型中，得到降雨预测信息，降雨预测模型为预先训练好的神经网络模型；获取目标城市的各路面区域的积水影响因子，其中，积水影响因子包括路面低洼深度和/或路面排水速度；然后根据目标城市的各路面区域的积水影响因子和降雨预测信息，能够准确的确定各路面区域的积水预测信息；之后根据各路面区域的积水预测信息，确定各路面区域的车辆涉水风险预警等级。通过准确地生成各路面区域的车辆涉水风险预警等级，并发布各路面区域的车辆涉水风险预警等级，能够减少车辆涉水造成人员伤亡和车辆的损坏的情况发生。
请参阅图3，图3为本申请实施例提供的一种基于灾害天气的车辆预警装置的示意性框图。
如图3所示，所述基于灾害天气的车辆预警装置300包括获取模块310、生成模块320和确定模块330，其中：
所述获取模块310，用于获取目标城市的气候信息；
所述生成模块320，用于将所述气候信息输入至预设的降雨预测模型中，得到降雨预测信息，所述降雨预测模型为预先训练好的神经网络模型；
所述获取模块310，还用于获取所述目标城市的各路面区域的积水影响因子，其中，所述积水影响因子包括路面低洼深度和/或路面排水速度；
所述确定模块330，用于根据所述目标城市的各路面区域的积水影响因子和所述降雨预测信息，确定各所述路面区域的积水预测信息；
所述确定模块330，还用于根据各所述路面区域的积水预测信息，确定各所述路面区域的车辆涉水风险预警等级。
在一实施例中，所述基于灾害天气的车辆预警装置300，还用于：
获取终端设备发送的地图导航请求，并根据所述地图导航请求和各所述路面区域的车辆涉水风险预警等级，确定目标导航路线；
将所述目标导航路线发送给所述终端设备，其中，所述目标导航路线中的部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值。
在一实施例中，所述基于灾害天气的车辆预警装置300，还用于：
基于所述导航起点、导航终点和地图信息，规划出多条导航路线；
从多条所述导航路线中筛选出部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值的导航路线作为为目标导航路线。
在一实施例中，所述基于灾害天气的车辆预警装置300，还用于：
获取所述目标城市的各地下停车库的排水防涝信息；
根据各所述地下停车库的排水防涝信息和所述降雨预测信息，确定各所述地下停车库的车辆涉水风险预警等级；
向各所述地下停车库的管理终端发送对应的车辆涉水风险预警等级。
在一实施例中，所述基于灾害天气的车辆预警装置300，还用于：
根据各所述路面区域的车辆涉水风险预警等级，生成所述目标城市的车损预估热力图，其中，所述车损预估热力图用于表示所述目标城市的各所述路面区域的发生车损理赔事件的风险等级。
在一实施例中，所述基于灾害天气的车辆预警装置300，还用于：
获取各所述路面区域的历史出行车辆数；
根据各所述路面区域的车辆涉水风险预警等级和各所述路面区域的历史出行车辆数，生成所述目标城市的车损预估热力图。
请参阅图4，图4为本申请实施例提供的一种计算机设备的结构示意性框图。
如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于灾害天气的车辆预警方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于灾害天气的车辆预警方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取目标城市的气候信息，并将所述气候信息输入至预设的降雨预测模型中，得到降雨预测信息，所述降雨预测模型为预先训练好的神经网络模型；
获取所述目标城市的各路面区域的积水影响因子，其中，所述积水影响因子包括路面低洼深度和/或路面排水速度；
根据所述目标城市的各路面区域的积水影响因子和所述降雨预测信息，确定各所述路面区域的积水预测信息；
根据各所述路面区域的积水预测信息，确定各所述路面区域的车辆涉水风险预警等级。
在一个实施例中，所述处理器还用于实现：
获取终端设备发送的地图导航请求，并根据所述地图导航请求和各所述路面区域的车辆涉水风险预警等级，确定目标导航路线；
将所述目标导航路线发送给所述终端设备，其中，所述目标导航路线中的部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值。
在一个实施例中，所述处理器在实现所述地图导航请求包括导航起点和导航终点；所述根据所述地图导航请求和各所述路面区域的车辆涉水风险预警等级，确定目标导航路线时，用于实现：
基于所述导航起点、导航终点和地图信息，规划出多条导航路线；
从多条所述导航路线中筛选出部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值的导航路线作为为目标导航路线。
在一个实施例中，所述处理器还用于实现：
获取所述目标城市的各地下停车库的排水防涝信息；
根据各所述地下停车库的排水防涝信息和所述降雨预测信息，确定各所述地下停车库的车辆涉水风险预警等级；
向各所述地下停车库的管理终端发送对应的车辆涉水风险预警等级。
在一个实施例中，所述处理器还用于实现：
根据各所述路面区域的车辆涉水风险预警等级，生成所述目标城市的车损预估热力图，其中，所述车损预估热力图用于表示所述目标城市的各所述路面区域的发生车损理赔事件的风险等级。
在一个实施例中，所述处理器在实现所述根据各所述路面区域的车辆涉水风险预警等级，生成所述目标城市的车损预估热力图时，用于实现：
获取各所述路面区域的历史出行车辆数；
根据各所述路面区域的车辆涉水风险预警等级和各所述路面区域的历史出行车辆数，生成所述目标城市的车损预估热力图。
在一个实施例中，所述降雨预测模型为预先基于目标样本数据集对神经网络模型进行迭代训练得到的，所述目标样本数据集包括多个样本数据，所述样本数据包括所述目标城市的历史气候信息和标注的真实降雨信息。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述基于灾害天气的车辆预警的具体工作过程，可以参考前述基于灾害天气的车辆预警方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请基于灾害天气的车辆预警方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质可以是非易失性的，也可以是易失性的。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于灾害天气的车辆预警方法，其特征在于，包括：
获取目标城市的气候信息，并将所述气候信息输入至预设的降雨预测模型中，得到降雨预测信息，所述降雨预测模型为预先训练好的神经网络模型；
获取所述目标城市的各路面区域的积水影响因子，其中，所述积水影响因子包括路面低洼深度和/或路面排水速度；
根据所述目标城市的各路面区域的积水影响因子和所述降雨预测信息，确定各所述路面区域的积水预测信息；
根据各所述路面区域的积水预测信息，确定各所述路面区域的车辆涉水风险预警等级。
2.如权利要求1所述的基于灾害天气的车辆预警方法，其特征在于，所述方法还包括：
获取终端设备发送的地图导航请求，并根据所述地图导航请求和各所述路面区域的车辆涉水风险预警等级，确定目标导航路线；
将所述目标导航路线发送给所述终端设备，其中，所述目标导航路线中的部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值。
3.如权利要求2所述的基于灾害天气的车辆预警方法，其特征在于，所述地图导航请求包括导航起点和导航终点；所述根据所述地图导航请求和各所述路面区域的车辆涉水风险预警等级，确定目标导航路线，包括：
基于所述导航起点、导航终点和地图信息，规划出多条导航路线；
从多条所述导航路线中筛选出部分或者全部路面区域的车辆涉水风险预警等级小于或等于预设阈值的导航路线作为为目标导航路线。
4.如权利要求1所述的基于灾害天气的车辆预警方法，其特征在于，所述方法还包括：
获取所述目标城市的各地下停车库的排水防涝信息；
根据各所述地下停车库的排水防涝信息和所述降雨预测信息，确定各所述地下停车库的车辆涉水风险预警等级；
向各所述地下停车库的管理终端发送对应的车辆涉水风险预警等级。
5.如权利要求1-4中任一项所述的基于灾害天气的车辆预警方法，其特征在于，所述方法还包括：
根据各所述路面区域的车辆涉水风险预警等级，生成所述目标城市的车损预估热力图，其中，所述车损预估热力图用于表示所述目标城市的各所述路面区域的发生车损理赔事件的风险等级。
6.如权利要求5所述的基于灾害天气的车辆预警方法，其特征在于，所述根据各所述路面区域的车辆涉水风险预警等级，生成所述目标城市的车损预估热力图，包括：
获取各所述路面区域的历史出行车辆数；
根据各所述路面区域的车辆涉水风险预警等级和各所述路面区域的历史出行车辆数，生成所述目标城市的车损预估热力图。
7.如权利要求1-4中任一项所述的基于灾害天气的车辆预警方法，其特征在于，所述降雨预测模型为预先基于目标样本数据集对神经网络模型进行迭代训练得到的，所述目标样本数据集包括多个样本数据，所述样本数据包括所述目标城市的历史气候信息和标注的真实降雨信息。
8.一种基于灾害天气的车辆预警装置，其特征在于，所述基于灾害天气的车辆预警装置包括获取模块、生成模块和确定模块，其中：
所述获取模块，用于获取目标城市的气候信息；
所述生成模块，用于将所述气候信息输入至预设的降雨预测模型中，得到降雨预测信息，所述降雨预测模型为预先训练好的神经网络模型；
所述获取模块，还用于获取所述目标城市的各路面区域的积水影响因子，其中，所述积水影响因子包括路面低洼深度和/或路面排水速度；
所述确定模块，用于根据所述目标城市的各路面区域的积水影响因子和所述降雨预测信息，确定各所述路面区域的积水预测信息；
所述确定模块，还用于根据各所述路面区域的积水预测信息，确定各所述路面区域的车辆涉水风险预警等级。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于灾害天气的车辆预警方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的基于灾害天气的车辆预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111520767.3A CN114202908A (zh) | 2021-12-13 | 2021-12-13 | 基于灾害天气的车辆预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111520767.3A CN114202908A (zh) | 2021-12-13 | 2021-12-13 | 基于灾害天气的车辆预警方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114202908A true CN114202908A (zh) | 2022-03-18 |
Family
ID=80653223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111520767.3A Pending CN114202908A (zh) | 2021-12-13 | 2021-12-13 | 基于灾害天气的车辆预警方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202908A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519541A (zh) * | 2022-04-20 | 2022-05-20 | 西南交通大学 | 潜在危险建筑风险评估方法、装置、设备及可读存储介质 |
| CN115762155A (zh) * | 2022-11-14 | 2023-03-07 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
| CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
| CN117173871A (zh) * | 2023-11-01 | 2023-12-05 | 招互(江苏)智慧科技有限公司 | 一种防汛监测方法和系统 |
| CN117576862A (zh) * | 2023-11-17 | 2024-02-20 | 中国水利水电科学研究院 | 一种面向导航车辆的城市洪涝灾害预警方法 |
| CN117576862B (zh) * | 2023-11-17 | 2024-05-17 | 中国水利水电科学研究院 | 一种面向导航车辆的城市洪涝灾害预警方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021970A (zh) * | 2016-07-27 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 通过降雨预报预测城市积水的方法及系统 |
| CN206194101U (zh) * | 2016-11-17 | 2017-05-24 | 南京信息工程大学 | 基于ZigBee技术的地下停车场智能防涝预警装置 |
| CN110160550A (zh) * | 2019-04-29 | 2019-08-23 | 东南大学 | 一种基于道路积水预测的城市路线引导方法 |
| CN110777687A (zh) * | 2019-10-13 | 2020-02-11 | 天津大学 | 一种雨天城市车辆规避积水道路的智能预警方法 |
| CN110796834A (zh) * | 2019-11-01 | 2020-02-14 | 广州小鹏汽车科技有限公司 | 车辆淹水的报警方法及系统、车辆和可读存储介质 |
| CN110906948A (zh) * | 2019-12-25 | 2020-03-24 | 上海博泰悦臻电子设备制造有限公司 | 导航路线规划方法及装置 |
| CN111383447A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 一种设置车辆禁停区域的方法、系统、装置及存储介质 |
| CN112070740A (zh) * | 2020-09-05 | 2020-12-11 | 王坚 | 一种基于bim的港口堆场积水成像方法、系统及控制设备 |
| CN113781813A (zh) * | 2021-10-22 | 2021-12-10 | 北京声智科技有限公司 | 一种预警方法、系统、装置和电子设备 |
-
2021
- 2021-12-13 CN CN202111520767.3A patent/CN114202908A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021970A (zh) * | 2016-07-27 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 通过降雨预报预测城市积水的方法及系统 |
| CN206194101U (zh) * | 2016-11-17 | 2017-05-24 | 南京信息工程大学 | 基于ZigBee技术的地下停车场智能防涝预警装置 |
| CN111383447A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 一种设置车辆禁停区域的方法、系统、装置及存储介质 |
| CN110160550A (zh) * | 2019-04-29 | 2019-08-23 | 东南大学 | 一种基于道路积水预测的城市路线引导方法 |
| CN110777687A (zh) * | 2019-10-13 | 2020-02-11 | 天津大学 | 一种雨天城市车辆规避积水道路的智能预警方法 |
| CN110796834A (zh) * | 2019-11-01 | 2020-02-14 | 广州小鹏汽车科技有限公司 | 车辆淹水的报警方法及系统、车辆和可读存储介质 |
| CN110906948A (zh) * | 2019-12-25 | 2020-03-24 | 上海博泰悦臻电子设备制造有限公司 | 导航路线规划方法及装置 |
| CN112070740A (zh) * | 2020-09-05 | 2020-12-11 | 王坚 | 一种基于bim的港口堆场积水成像方法、系统及控制设备 |
| CN113781813A (zh) * | 2021-10-22 | 2021-12-10 | 北京声智科技有限公司 | 一种预警方法、系统、装置和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陈述彭 等: "《遥感地学分析》", 31 May 1990, 测绘出版社, pages: 61 - 67 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519541A (zh) * | 2022-04-20 | 2022-05-20 | 西南交通大学 | 潜在危险建筑风险评估方法、装置、设备及可读存储介质 |
| CN115762155A (zh) * | 2022-11-14 | 2023-03-07 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
| CN115762155B (zh) * | 2022-11-14 | 2024-03-22 | 东南大学 | 一种高速公路路面异常监测方法和系统 |
| CN116611333A (zh) * | 2023-05-23 | 2023-08-18 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
| CN116611333B (zh) * | 2023-05-23 | 2023-11-14 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
| CN117173871A (zh) * | 2023-11-01 | 2023-12-05 | 招互(江苏)智慧科技有限公司 | 一种防汛监测方法和系统 |
| CN117173871B (zh) * | 2023-11-01 | 2024-01-26 | 招互(江苏)智慧科技有限公司 | 一种防汛监测方法和系统 |
| CN117576862A (zh) * | 2023-11-17 | 2024-02-20 | 中国水利水电科学研究院 | 一种面向导航车辆的城市洪涝灾害预警方法 |
| CN117576862B (zh) * | 2023-11-17 | 2024-05-17 | 中国水利水电科学研究院 | 一种面向导航车辆的城市洪涝灾害预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114202908A (zh) | 基于灾害天气的车辆预警方法、装置、设备及存储介质 | |
| CN109798903B (zh) | 一种从地图数据中获取道路信息的方法及装置 | |
| CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| CN108022053B (zh) | 洪水风险评估方法和装置 | |
| CN113434565A (zh) | 基于cim平台的水利防洪抗旱防涝综合减灾平台系统 | |
| CN112382091A (zh) | 一种道路积水预警方法及装置 | |
| CN114065364B (zh) | 基于无人机遥感测绘的城市工程规划方法及系统 | |
| CN104599002B (zh) | 预测订单价值的方法及设备 | |
| CN110837925A (zh) | 一种城市内涝预测方法和装置 | |
| CN112069276A (zh) | 地址编码方法、装置、计算机设备及计算机可读存储介质 | |
| CN111539402A (zh) | 基于深度学习的车道线检测方法、装置、终端及存储介质 | |
| US20100036793A1 (en) | Method and System for Geospatial Forecasting of Events Incorporating Data Error and Uncertainty | |
| CN105989177A (zh) | 一种公交信息查询方法及装置 | |
| CN111008255B (zh) | 违章地点识别方法、装置、电子设备及存储介质 | |
| CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
| CN115169764A (zh) | 一种可达性计算方法、电子设备及存储介质 | |
| CN117575319A (zh) | 一种评估城市洪涝灾害等级的方法 | |
| CN111539401B (zh) | 基于人工智能的车道线检测方法、装置、终端及存储介质 | |
| Sefidi et al. | Analysis of urban growth pattern using logistic regression modeling, spatial autocorrelation and fractal analysis Case study: Ahvaz city | |
| CN114394099B (zh) | 车辆行驶异常识别方法、装置、计算机设备及存储介质 | |
| CN115759994A (zh) | 洪涝灾害应急救援管理方法、装置、设备及存储介质 | |
| CN115860213A (zh) | 多情景城市应急采样场所选址优化方法、系统、设备及介质 | |
| CN112686457B (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
| CN110727793B (zh) | 区域识别的方法、装置、终端和计算机可读存储介质 | |
| CN113706869B (zh) | 智慧交通站点覆盖率的计算方法、装置、设备及存储介质 |
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 |