CN114291025B - 一种基于数据分段聚合分布的车辆碰撞检测方法及系统 - Google Patents
一种基于数据分段聚合分布的车辆碰撞检测方法及系统 Download PDFInfo
- Publication number
- CN114291025B CN114291025B CN202111665401.5A CN202111665401A CN114291025B CN 114291025 B CN114291025 B CN 114291025B CN 202111665401 A CN202111665401 A CN 202111665401A CN 114291025 B CN114291025 B CN 114291025B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- time sequence
- historical
- sequence data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000002776 aggregation Effects 0.000 title claims abstract description 30
- 238000004220 aggregation Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006698 induction Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于数据分段聚合分布的车辆碰撞检测方法及系统，系统包括信息获取模块、数据库查询模块、汽车数字画像建模模块和碰撞检测推送模块；方法包括S1：获取历史数据；S2：对三轴时序数据不同轴向进行分段聚合估计时序过程分布；S3：获取当前时刻的三轴时序数据，并获取对应的历史三轴时序数据；S4：对当前时刻上传的三轴时序数据不同轴向进行序列特征变换；S5：计算偏离程度；S6：计算设备综合偏离程度，判断是否发生碰撞。本发明通过历史三轴时序数据对车辆进行建模，基于分段聚合对历史数据估计时序过程分布，对当前数据进行特征转换，通过计算两者的偏离度，实现简单直接、快速有效的车辆碰撞检测。
Description
技术领域
本发明涉及车辆碰撞检测技术领域，特别涉及一种基于数据分段聚合分布的车辆碰撞检测方法及系统。
背景技术
随着国民可支配收入的显著增高，私家机动车尤其是汽车几乎成为人均标配，与此同时车辆碰撞刮擦事故量也随之爆发式增长，无论是交通管理还是事故人员都对有关碰撞检测功能，能够又快有准的检出事故并响应协助有强烈需求。
目前碰撞报警有实用价值的设备主要是借助车辆异常抖动促发重力加速度传感器感应，具体测量x,y,z三个轴的矢量分量，若是标准安装，三轴分别对应左右方向的变化轴、前后方向的变化轴和地球重力方向的变化轴。当前的主流检测方法是细分研究不同的车型和碰撞场景，基于三轴分量数据统计模长、时序变化量、最大值、最小值、其他分位数简单统计量等构造特征，然后为所有特征设置阈值卡控，一旦满足某些特征组合的阈值条件则判为对应车型和碰撞场景的碰撞事件。这种方式要求深入细分车型和碰撞场景，然而现实的碰撞场景千变万化，不同程度的道路条件、车况条件还有驾驶人的行为情况等变动都会导致先前碰撞场景里的特征阈值库失效，进而导致大量的误判和漏判。
发明内容
为解决上述问题，本发明提供了一种基于数据分段聚合分布的车辆碰撞检测方法及系统，基于分布特性设计涵盖所有潜在场景的碰撞检测算法，通过传感器设备获取实时的三轴时序数据，利用分段聚合方法逐一构建车辆近期表现的高频时序过程分布，形成车辆的精准数字化画像，并在此基础上设计分段聚合相似性度量以及高频时序过程分布的在线更新算法，实现了车辆数字画像的实时更新以及车辆碰撞异常的快速检测。
本发明提供了一种基于数据分段聚合分布的车辆碰撞检测方法，包括：
S1：获取历史数据，所述历史数据为车辆上传感器设备感应上传的历史三轴时序数据，所述传感器设备设有唯一编号，与车辆以及采集的数据对应关联；
S2：对获得的三轴时序数据，分别对不同轴向进行分段聚合估计时序过程分布；
S3：获取当前时刻车辆传感器上传的三轴时序数据，基于该车辆传感器编号获取对应的历史三轴时序数据；
S4：分别对当前时刻上传的三轴时序数据不同轴向进行序列特征变换；
S5：计算变换的序列特征与该传感器设备上传的历史三轴时序数据对应时序过程分布的偏离程度；
S6：判断设备综合偏离程度是否超出设定阈值，判断该传感器设备对应的车辆是否发生碰撞。
进一步的，在步骤S1后，获取所述历史数据后，对所述历史数据按照上传时间进行排序，并截取预定时间段的三轴时序数据。
进一步的，所述历史数据存储在SQL关系数据库中，通过传感器唯一编号和预定时间段，截取输出设定条件的三轴时序数据。
进一步的，在步骤S2中，所述分段聚合估计时序过程分布，具体过程如下：
S201：针对不同轴向的历史数据，每个上传时间点均有n个采样点形成的序列数据，分别对不同轴向的序列数据，按照n/10等分进行分段分割；
S202：针对不同轴向的历史数据，分别遍历每个上传时间点，统计每个小分段序列数据的均值，对每个上传时间点分别得到个n/10个聚合均值序列，并进行编号；
S203：针对不同轴向的历史数据，分别遍历得到个n/10个聚合均值序列，统计10等分分位数，得到n/10行11列数字矩阵，将其作为对应车辆的精准数字画像。
进一步的，在步骤S4中，所述序列特征变换，具体过程如下：
S401：对当前时刻获取的三轴时序数据，分别对不同轴向，按照n/10等分做序列数据的分段分割；
S402：统计每个小分段序列数据的均值，作为变换所得序列特征。
进一步的，在步骤S5中，具体计算过程如下：
S501：分别针对不同轴向，按照编号，将输出的变换所得序列特征与所述数字矩阵对齐；
S502：按照编号进行遍历，计算序列特征到分布边界的相对距离；
S503：统计计算所述相对距离的加权平均值作为序列特征相对序列过程分布的偏离程度。
进一步的，在步骤S502中，所述相对距离，计算过程如下：
判断当前编号序列特征值与数字矩阵对应行的数值之间的大小；若序列特征值大于数字矩阵对应行的第10个数值，输出此两数值的距离；若序列特征值小于数字矩阵对应行的第2个数值，输出此两数值的距离；
输出数字矩阵对应行的第10个数值和第2个数值差，记为该编号对应权重；
计算输出值与数值差的比例，输出比值序列为序列特征到分布边界的相对距离向量和权重序列。
进一步的，在步骤S503中，所述相对距离的加权平均值，具体统计计算过程如下：
遍历计算后，按照编号对齐相对距离向量和权重序列；
对齐数值对相乘后加总，其加总值除以权重序列加总值，得到相对距离的加权平均值。
本发明还提供了一种基于数据分段聚合分布的车辆碰撞检测系统，包括：
信息获取模块、数据库查询模块、汽车数字画像建模模块和碰撞检测推送模块；
所述信息获取模块，用于获取汽车三轴加速度时序数据信息；
所述数据库摩模块存储有传感器设备编号，感应数据上传时间和感应的三轴时序数据；
所述数据库查询模块，用于根据汽车唯一匹配的传感器设备编号、时间段和数据库配置信息截取历史时序数据；
所述汽车数字画像建模模块，用于根据汽车历史三轴加速度时序数据计算汽车上传时序过程的估计分布；
碰撞检测推送模块，用于根据当前上传三轴加速度时序数据的转换特征，计算与对应时序过程分布的偏离程度，并判断是否超过阈值，根据阈值判断结果输出判断汽车是否发生碰撞，若判断为碰撞则进入推送流程。
进一步的，所述信息获取模块采用重力加速度传感器模块获取x、y和z三个矢量方向上传汽车的矢量加速度值；
所述数据库查询模块，通过云端数据库存储历史时序数据并根据设定条件进行查询。
本发明的有益效果如下：
1、基于获取各车辆近期的历史三轴时序数据，通过分段聚合分布，对汽车自身历史行为进行建模，获得车辆数字画像，由于短时间内同一辆汽车的车况、驾驶人以及驾驶环境都保持相对稳定，在复杂多变的场景条件下，避免了复杂多变的碰撞场景的纠缠。
2、通过对实时获取的当前时刻的三轴时序数据，采用同样的分段集合方法做特征转换，计算不同轴向得到的特征转换相对于时序过程分布的偏离程度，进行车辆碰撞的检测判断，由于碰撞行为这种稀少事件对应的三轴时序数据将显著异常于近期稳定的正常驾驶行为数据，通过偏离程度指标反映这种偏离差异，避免了因碰撞场景覆盖有偏导致的误判和漏判，显著提高了碰撞检测的准确性，实现了简单直接、快速有效的车辆碰撞检测。
附图说明
图1是本发明的方法流程示意图；
图2是本发明系统模块结构示意图；
图3是本发明的系统应用流程示意图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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，都属于本发明保护的范围。
实施例1
本发明的实施例1公开了一种基于数据分段聚合分布的车辆碰撞检测方法，如图1所示，具体步骤如下：
S1：获取历史数据，所述历史数据为车辆上传感器设备感应上传的历史三轴时序数据，所述传感器设备设有唯一编号，与车辆以及采集的数据对应关联；
从预先构建的数据库中进行查询匹配，本实施例中，所述数据库存储有传感设备编号，感应数据上传时间和感应的三轴时序数据，还包括经纬度和航向角定位记录；所述历史数据存储在SQL关系数据库中，通过传感器唯一编号和预定时间段，截取输出设定条件的三轴时序数据；
根据汽车配置的传感设备编号，从数据库中进行查询匹配得到车辆感应上传的历史三轴时序数据以及相应的上传时间。
获取所述历史数据后，对所述历史数据按照上传时间进行排序，并截取近期15天三轴时序数据中的前100个记录；其中每个上传时间分别对应一个三轴时序数据记录，若该传感器设备在15天内存储的记录不足100个，则取用实际数量的记录。
S2：对获得的三轴时序数据，分别对不同轴向进行分段聚合估计时序过程分布；
S201：针对不同轴向的历史数据，每个上传时间点均有n个采样点形成的序列数据，分别对不同轴向的序列数据，按照n/10等分进行分段分割；
S202：针对不同轴向的历史数据，分别遍历每个上传时间点，统计每个小分段序列数据的均值，对每个上传时间点分别得到个n/10个聚合均值序列，并进行编号；
S203：针对不同轴向的历史数据，分别遍历得到个n/10个聚合均值序列，统计10等分分位数，得到n/10行11列数字矩阵，将其作为对应车辆的精准数字画像。
本实施例中，以x轴为例，进行如下说明：
每个传感器设备，在每个上传时间点有350个采样点形成的序列数据，依照35等分做序列数据的分段分割，分割小序列编号标记为1-35，构成时序的特征空间坐标系；
针对x轴的历史数据，对每个设备，遍历其每个上传时间点，统计每个小分段序列数据的均值，对每个上传时间点分别得到35个聚合均值序列，35个聚合均值构成的向量，即为该设备于对应上传时间在特征空间的投影；
例如，假设设备A有100条上传时间点记录，则设备A的x轴历史数据在特征空间的投影可表示为如下矩阵向量100行35列，其余设备同理：
遍历特征空间坐标轴1-35，分别开辟坐标轴0、1、...、10，构成35*11维空间坐标系，即为序列特征估计分布空间坐标系，具体如下：
遍历特征空间坐标轴1-35，分别统计Ax的10等分分位数，包括最大值和最小值共11个值，对应关联第i轴的0、1、...、10分支轴；
对于设备A，所得到的35行11列数字矩阵Dx，即为设备A的三轴时序数据特征序列在序列特征估计分布空间的投影映射，相应得到该车辆匹配对应的时序过程估计分布，作为该车辆的精准数字画像，表数字矩阵Dx表示如下，其他设备同理：
之后分别y和z轴的历史数据执行上述操作。
S3：获取当前时刻车辆传感器上传的三轴时序数据，基于该车辆传感器编号获取对应的历史三轴时序数据；
S4：分别对当前时刻上传的三轴时序数据不同轴向进行序列特征变换；
S401：对当前时刻获取的三轴时序数据，分别对不同轴向，按照n/10等分做序列数据的分段分割；
S402：统计每个小分段序列数据的均值，作为变换所得序列特征。
分别对x、y、z轴，每个设备，通过步骤S2的操作，将当前时刻获取的时序数据，投影到特征空间，以x轴方向，设备A的投影为例，具体表示如下：
S5：计算变换的序列特征与该传感器设备上传的历史三轴时序数据对应时序过程分布的偏离程度；
S501：分别针对不同轴向，按照编号，将输出的变换所得序列特征与所述数字矩阵对齐；
S502：按照编号进行遍历，计算序列特征到分布边界的相对距离；
判断当前编号序列特征值与数字矩阵对应行的数值之间的大小；若序列特征值大于数字矩阵对应行的第10个数值，输出此两数值的距离；若序列特征值小于数字矩阵对应行的第2个数值，输出此两数值的距离；
输出数字矩阵对应行的第10个数值和第2个数值差，记为该编号对应权重；
计算输出值与数值差的比例，输出比值序列为序列特征到分布边界的相对距离向量和权重序列。
以x轴方向的数据为例，进行如下说明：
对每个设备，件序列特征估计分布空间和数字矩阵一一对齐，遍历35个轴，计算偏离度，例如设备A的第i轴方向，计算公式如下：
其中，I()表示若括号中条件成立映射1，否则为0。
权重序列计算公式如下：
S503：统计计算所述相对距离的加权平均值作为序列特征相对序列过程分布的偏离程度；
遍历计算后，按照编号对齐相对距离向量和权重序列；
对齐数值对相乘后加总，其加总值除以权重序列加总值，得到相对距离的加权平均值。
对于x轴方向，每个设备，根据如下公式聚合偏离度向量，即为设备当前x轴时序相对于历史时序过程分布的偏离程度：
同理可得Py和Pz，选择其中最大的作为综合偏离程度：
P＝max{Px,Py,Pz}
S6：判断综合偏离程度是否超出设定阈值，进而判断该传感器设备对应的车辆是否发生碰撞。
对于每个设备来说，其综合偏离程度越大，相应车辆越倾向发生了碰撞刮擦事故，本实施例中，初步默认设定阈值为0.5，即当综合偏离程度大于0.5时，判定发生车辆碰撞。
实施例2
本发明的实施例2公开了一种基于数据分段聚合分布的车辆碰撞检测系统，如图2所示，包括：
信息获取模块、数据库查询模块、汽车数字画像建模模块和碰撞检测推送模块，所述碰撞检测推送模块包括碰撞检测模块和碰撞推送模块；
所述信息获取模块分别与所述数据库查询模块和碰撞检测模块连接，所述数据库查询模块与所述汽车数字画像建模模块连接，所述汽车数字画像建模模块与所述碰撞检测模块连接，所述碰撞检测模块连接所述碰撞推送模块。
所述信息获取模块，用于获取汽车三轴加速度时序数据信息；
所述数据库查询模块连接有数据库，用于根据汽车唯一匹配的传感器设备编号、时间段和数据库配置信息截取历史时序数据；所述数据库存储有传感器设备编号，感应数据上传时间和感应的三轴时序数据；
所述汽车数字画像建模模块，用于根据汽车历史三轴加速度时序数据计算汽车上传时序过程的估计分布；
碰撞检测推送模块，用于根据当前上传三轴加速度时序数据的转换特征，计算与对应时序过程分布的偏离程度，并判断是否超过阈值，根据阈值判断结果输出判断汽车是否发生碰撞，若判断为碰撞则进入推送流程；
具体的，所述碰撞检测模块用于将当前上传时序数据转换为特征空间序列向量，并计算序列特征相对与时序过程分布的偏离程度；
所述碰撞推送模块，用于获取碰撞检测模输出的满足阈值条件的传感器设备编号与上传时间，推送给相关人员做核定。
所述信息获取模块采用重力加速度传感器模块获取x、y和z三个矢量方向上传汽车的矢量加速度值。
结合图3所示，本实施例中，所述信息获取模块包括传感器终端设备和数据存储交互模块，所述传感器终端设备，通过所述数据存储交互模块，将传感器设备的感应数据传输给HBase数据仓库和车辆数据画像建模模块，所述车辆数据画像建模模块通过实时序列特征API接口获取实时数据并更新，通过所述车辆数据画像建模模块计算车辆三轴时序数据过程的估计分布，并将计算的结果输出到碰撞检测模块中，进行偏离度计算和判定，所述车辆数据画像建模模块还提供有车辆数据画像API接口；
所述碰撞检测模块接收数据，进行计算和判定，当满足设定的判定规则后，将结果发送至所述碰撞推送模块，所述碰撞推送模块根据设定的推送业务规则和流程进行推送，所述碰撞检测模块和所述碰撞推送模块均设有对应的API接口。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (9)
1.一种基于数据分段聚合分布的车辆碰撞检测方法，其特征在于，包括：
S1：获取历史数据，所述历史数据为车辆上传感器设备感应上传的历史三轴时序数据，所述传感器设备设有唯一编号，与车辆以及采集的数据对应关联；
S2：对获得的三轴时序数据，分别对不同轴向进行分段聚合估计时序过程分布，具体过程如下：
S201：针对不同轴向的历史数据，每个上传时间点均有n个采样点形成的序列数据，分别对不同轴向的序列数据，按照n/10等分进行分段分割；
S202：针对不同轴向的历史数据，分别遍历每个上传时间点，统计每个小分段序列数据的均值，对每个上传时间点分别得到个n/10个聚合均值序列，并进行编号；
S203：针对不同轴向的历史数据，分别遍历得到个n/10个聚合均值序列，统计10等分分位数，得到n/10行11列数字矩阵，将其作为对应车辆的精准数字画像；
S3：获取当前时刻车辆传感器上传的三轴时序数据，基于该车辆传感器编号获取对应的历史三轴时序数据；
S4：分别对当前时刻上传的三轴时序数据不同轴向进行序列特征变换；
S5：计算变换的序列特征与该传感器设备上传的历史三轴时序数据对应时序过程分布的偏离程度；
S6：判断设备综合偏离程度是否超出设定阈值，判断该传感器设备对应的车辆是否发生碰撞。
2.根据权利要求1所述的车辆碰撞检测方法，其特征在于，在步骤S1后，获取所述历史数据后，对所述历史数据按照上传时间进行排序，并截取预定时间段的三轴时序数据。
3.根据权利要求2所述的车辆碰撞检测方法，其特征在于，所述历史数据存储在SQL关系数据库中，通过传感器唯一编号和预定时间段，截取输出设定条件的三轴时序数据。
4.根据权利要求1所述的车辆碰撞检测方法，其特征在于，在步骤S4中，所述序列特征变换，具体过程如下：
S401：对当前时刻获取的三轴时序数据，分别对不同轴向，按照n/10等分做序列数据的分段分割；
S402：统计每个小分段序列数据的均值，作为变换所得序列特征。
5.根据权利要求4所述的车辆碰撞检测方法，其特征在于，在步骤S5中，具体计算过程如下：
S501：分别针对不同轴向，按照编号，将输出的变换所得序列特征与所述数字矩阵对齐；
S502：按照编号进行遍历，计算序列特征到分布边界的相对距离；
S503：统计计算所述相对距离的加权平均值作为序列特征相对序列过程分布的偏离程度。
6.根据权利要求5所述的车辆碰撞检测方法，其特征在于，在步骤S502中，所述相对距离，计算过程如下：
判断当前编号序列特征值与数字矩阵对应行的数值之间的大小；若序列特征值大于数字矩阵对应行的第10个数值，输出此两数值的距离；若序列特征值小于数字矩阵对应行的第2个数值，输出此两数值的距离；
输出数字矩阵对应行的第10个数值和第2个数值差，记为该编号对应权重；
计算输出值与数值差的比例，输出比值序列为序列特征到分布边界的相对距离向量和权重序列。
7.根据权利要求6所述的车辆碰撞检测方法，其特征在于，在步骤S503中，所述相对距离的加权平均值，具体统计计算过程如下：
遍历计算后，按照编号对齐相对距离向量和权重序列；
对齐数值对相乘后加总，其加总值除以权重序列加总值，得到相对距离的加权平均值。
8.一种基于数据分段聚合分布的车辆碰撞检测系统，其特征在于，包括信息获取模块、数据库查询模块、汽车数字画像建模模块和碰撞检测推送模块；
所述信息获取模块，用于获取汽车三轴加速度时序数据信息；
所述数据库查询模块，用于根据汽车唯一匹配的传感器设备编号、时间段和数据库配置信息截取历史时序数据；
所述汽车数字画像建模模块，用于根据汽车历史三轴加速度时序数据计算汽车上传时序过程的估计分布，具体过程如下：
S201：针对不同轴向的历史数据，每个上传时间点均有n个采样点形成的序列数据，分别对不同轴向的序列数据，按照n/10等分进行分段分割；
S202：针对不同轴向的历史数据，分别遍历每个上传时间点，统计每个小分段序列数据的均值，对每个上传时间点分别得到个n/10个聚合均值序列，并进行编号；
S203：针对不同轴向的历史数据，分别遍历得到个n/10个聚合均值序列，统计10等分分位数，得到n/10行11列数字矩阵，将其作为对应车辆的精准数字画像；
碰撞检测推送模块，用于根据当前上传三轴加速度时序数据的转换特征，计算与对应时序过程分布的偏离程度，并判断是否超过阈值，根据阈值判断结果输出判断汽车是否发生碰撞，若判断为碰撞则进入推送流程。
9.根据权利要求8所述的车辆碰撞检测系统，其特征在于，所述信息获取模块采用重力加速度传感器模块获取x、y和z三个矢量方向上传汽车的矢量加速度值；
所述数据库查询模块，通过云端数据库存储历史时序数据并根据设定条件进行查询。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665401.5A CN114291025B (zh) | 2021-12-31 | 2021-12-31 | 一种基于数据分段聚合分布的车辆碰撞检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665401.5A CN114291025B (zh) | 2021-12-31 | 2021-12-31 | 一种基于数据分段聚合分布的车辆碰撞检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114291025A CN114291025A (zh) | 2022-04-08 |
| CN114291025B true CN114291025B (zh) | 2022-11-01 |
Family
ID=80972778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111665401.5A Active CN114291025B (zh) | 2021-12-31 | 2021-12-31 | 一种基于数据分段聚合分布的车辆碰撞检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114291025B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116058298B (zh) * | 2023-03-06 | 2023-09-12 | 北京市农林科学院信息技术研究中心 | 家畜行为监测方法及装置 |
| CN116775692B (zh) * | 2023-04-21 | 2024-01-30 | 清华大学 | 一种用于时序数据库的分段聚合查询方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015221592A (ja) * | 2014-05-22 | 2015-12-10 | 株式会社デンソー | 車両用衝突検知装置 |
| JP2017133854A (ja) * | 2016-01-25 | 2017-08-03 | 株式会社デンソー | 衝突検知センサおよび車両用衝突検知システム |
| CN107031552A (zh) * | 2017-02-24 | 2017-08-11 | 深圳市保千里电子有限公司 | 一种汽车碰撞检测方法及系统 |
| CN107644475A (zh) * | 2016-07-21 | 2018-01-30 | 深圳科隆科技有限公司 | 一种车辆碰撞检测的方法和装置以及obd盒子 |
| CN108248604A (zh) * | 2017-12-21 | 2018-07-06 | 上海新案数字科技有限公司 | 一种判定车辆碰撞的方法及设备 |
| CN109050527A (zh) * | 2018-07-25 | 2018-12-21 | 浙江中科正方电子技术有限公司 | 车辆碰撞侦测系统 |
| CN110217241A (zh) * | 2019-06-19 | 2019-09-10 | 麦特汽车服务股份有限公司 | 一种判断车辆碰撞和急刹车的方法及装置 |
| CN112200131A (zh) * | 2020-10-28 | 2021-01-08 | 鹏城实验室 | 一种基于视觉的车辆碰撞检测方法、智能终端及存储介质 |
| CN112833877A (zh) * | 2020-12-31 | 2021-05-25 | 重庆市索美智能交通通讯服务有限公司 | 用于车辆的定位漂移数据过滤系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5796751B2 (ja) * | 2013-01-10 | 2015-10-21 | 株式会社デンソー | 車両情報記録装置 |
-
2021
- 2021-12-31 CN CN202111665401.5A patent/CN114291025B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015221592A (ja) * | 2014-05-22 | 2015-12-10 | 株式会社デンソー | 車両用衝突検知装置 |
| JP2017133854A (ja) * | 2016-01-25 | 2017-08-03 | 株式会社デンソー | 衝突検知センサおよび車両用衝突検知システム |
| CN107644475A (zh) * | 2016-07-21 | 2018-01-30 | 深圳科隆科技有限公司 | 一种车辆碰撞检测的方法和装置以及obd盒子 |
| CN107031552A (zh) * | 2017-02-24 | 2017-08-11 | 深圳市保千里电子有限公司 | 一种汽车碰撞检测方法及系统 |
| CN108248604A (zh) * | 2017-12-21 | 2018-07-06 | 上海新案数字科技有限公司 | 一种判定车辆碰撞的方法及设备 |
| CN109050527A (zh) * | 2018-07-25 | 2018-12-21 | 浙江中科正方电子技术有限公司 | 车辆碰撞侦测系统 |
| CN110217241A (zh) * | 2019-06-19 | 2019-09-10 | 麦特汽车服务股份有限公司 | 一种判断车辆碰撞和急刹车的方法及装置 |
| CN112200131A (zh) * | 2020-10-28 | 2021-01-08 | 鹏城实验室 | 一种基于视觉的车辆碰撞检测方法、智能终端及存储介质 |
| CN112833877A (zh) * | 2020-12-31 | 2021-05-25 | 重庆市索美智能交通通讯服务有限公司 | 用于车辆的定位漂移数据过滤系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114291025A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114291025B (zh) | 一种基于数据分段聚合分布的车辆碰撞检测方法及系统 | |
| CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
| CN110134126B (zh) | 轨迹匹配方法、装置、设备和介质 | |
| CN109099929B (zh) | 基于场景指纹的智能车定位装置及方法 | |
| CN112837352B (zh) | 基于图像的数据处理方法、装置及设备、汽车、存储介质 | |
| CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
| CN113487759A (zh) | 一种停车巡检方法、装置、移动巡逻设备及巡检系统 | |
| JP2016057836A (ja) | 移動体分析システムおよび移動体の方向軸推定方法 | |
| CN112749210B (zh) | 基于深度学习的车辆碰撞识别方法和系统 | |
| EP4209755A1 (en) | Positioning method and positioning apparatus of mobile device | |
| KR20200094657A (ko) | 어안 렌즈가 장착된 2차원 카메라를 사용하여 2차원 이미지 샷에서 승객의 상태를 예측하기 위한 방법 및 장치 | |
| CN112036269A (zh) | 跌倒检测方法、装置、计算机设备和存储介质 | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| Cen et al. | Gross error diagnostics before least squares adjustment of observations | |
| CN113486300A (zh) | 一种无人驾驶车辆多目标跟踪方法 | |
| CN111899505B (zh) | 交通限制解除的检测方法和装置 | |
| CN112418000B (zh) | 基于单目摄像头的不良驾驶行为检测方法及系统 | |
| CN115503712A (zh) | 考虑道路运行条件的智能网联汽车预测控制方法和系统 | |
| CN112344966B (zh) | 一种定位失效检测方法、装置、存储介质及电子设备 | |
| TW201544830A (zh) | 人工智能地震判斷方法及地震偵測系統 | |
| CN112200856A (zh) | 一种基于事件相机的视觉测距方法 | |
| WO2022179047A1 (zh) | 一种状态信息估计方法及装置 | |
| CN117237676B (zh) | 一种核电厂基于事件相机对小目标掉落轨迹的处理方法 | |
| CN116456460B (zh) | 用于tdoa室内定位的滤波预处理方法 | |
| CN113008268B (zh) | 一种基于台阶检测的穿戴式行人定位高程校正方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Vehicle Collision Detection Method and System Based on Data Segmentation Aggregation Distribution Granted publication date: 20221101 Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd. Pledgor: CHENGDU LUXINGTONG INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2024980000704 |