CN114446057A - 一种基于智能网联环境的事故高发点辨识预警方法及系统 - Google Patents

一种基于智能网联环境的事故高发点辨识预警方法及系统 Download PDF

Info

Publication number
CN114446057A
CN114446057A CN202210372940.8A CN202210372940A CN114446057A CN 114446057 A CN114446057 A CN 114446057A CN 202210372940 A CN202210372940 A CN 202210372940A CN 114446057 A CN114446057 A CN 114446057A
Authority
CN
China
Prior art keywords
risk
acceleration
road
target vehicle
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.)
Pending
Application number
CN202210372940.8A
Other languages
English (en)
Inventor
曾科
王聪
王新竹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Zhian Transportation Technology Co ltd
Original Assignee
Wuhan Zhian Transportation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Zhian Transportation Technology Co ltd filed Critical Wuhan Zhian Transportation Technology Co ltd
Priority to CN202210372940.8A priority Critical patent/CN114446057A/zh
Publication of CN114446057A publication Critical patent/CN114446057A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种基于智能网联环境的事故高发点辨识预警方法及系统，包括获取网联车的行车数据信息，分析行车风险加速度阈值并确定道路风险地图；获取目标车辆的行车数据，并在目标车辆驶入道路风险地图的范围内时获取目标车辆的行车数据信息；根据目标车辆的行车数据信息生成预警信息并发送到目标车辆的车载显示设备。通过对海量网联车的行车数据信息进行模糊聚类分析，结合核密度估计函数得到道路风险地图，在目标车辆进入道路风险地图范围内时根据目标车辆的行车数据信息生成预警信息，实现对车辆行车数据的动态跟踪分析，增强驾驶员对道路潜在风险的感知能力，具有智能高效的特点，对交通安全有一定的保障，可减少事故带来的人员和经济损失。

Description

一种基于智能网联环境的事故高发点辨识预警方法及系统
技术领域
本发明涉及车联网技术领域，尤其涉及一种基于智能网联环境的事故高发点辨识预警方法及系统。
背景技术
随着经济建设步伐的加快，各大城市汽车保有量和交通量大幅上升，随着路网的不断完善交通更加便捷，但同时也带了巨大的安全隐患，交通事故的频发，对人民的生命财产安全造成了重大威胁。在交通事故发生前采取预警措施，是降低车辆事故率的有效措施。
现阶段对于降低交通事故的研究主要从事故黑点出发。交通事故在一些特定的地点，比如城市交叉路口、道路条件不完善的地点等交通事故发生的频率较高，因此可以通过对交通事故数据进行分析，得到事故黑点，通过在事故黑点加大对交通治理力度的力度，如设置警示牌提醒驾驶人存在的潜在道路风险，来降低事故发生的概率。但是在基于道路黑点警示过程中只考虑了静态信息，没有结合具体的行车情况做出有针对的预警。在预警的及时高效上不尽人意。其次，在某些情况下，急加速、急减速等驾驶状态虽然目前并没有导致事故的发生，但也是造成事故发生的潜在原因，若环境稍有变化，则极有可能转变为交通事故。因此对车辆发生事故的临界条件进行分析对于行车风险预警更有提前性和预警性。
车辆在公路上形式具有匀速、加速、减速运动等运动状态，在不同的运动状态下的加速度各不相同，加速度的大小对车辆行驶安全的影响也各不相同。车辆在行驶过程中主要有横向加速度、纵向加速度和轴向加速度。横向加速度的大小会影响驾驶员的心理、生理感受和车辆行驶的稳定性；从汽车的性能角度来看，车辆在轴向的加减速行驶，会产生生轴向加速度或减速度，车辆动力性与轴向加速度息息相关、制动性和形式稳定性和制动减速度息息相关，当加速度较小时，对于减轻驾驶的生理、心理负荷，保证车辆的行驶安全有着重要意义。
发明内容
本发明所要解决的技术问题是针对上述现有技术中缺乏对车辆风险进行实时动态预警的不足，提供一种基于智能网联环境的事故高发点辨识预警方法及系统，有利于提高驾驶人的风险感知能力，对道路安全的改善起一定的推动作用。
本发明解决上述技术问题的技术方案如下：一种基于智能网联环境的事故高发点辨识预警方法，包括如下步骤：
获取网联车的行车数据信息，基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图；
获取目标车辆的行车数据信息，判断所述目标车辆是否驶入所述道路风险地图的范围内；
在所述目标车辆驶入所述道路风险地图的范围内时根据所述目标车辆的行车数据信息生成预警信息并发送到所述目标车辆的车载显示设备。
本发明的有益效果是：本发明的基于智能网联环境的事故高发点辨识预警方法，通过获取的海量网联车的行车数据信息，并基于行车数据信息进行模糊聚类分析，得到道路风险地图，并在目标车辆进入道路风险地图的范围内时根据目标车辆的行车数据信息生成预警信息，弥补目前依靠静态黑点数据对交通事故进行预警的单一、低效的问题，实现对车辆的行车数据进行动态跟踪分析，增强驾驶员对道路潜在风险的感知能力，具有智能高效的特点，对交通安全有一定的保障，能够减少事故带来的人员以及经济损失。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图具体包括如下步骤：
根据网联车的所述行车数据信息读取行车的横向加速度、纵向加速度和轴向加速度；
对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值；
根据所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值从所述行车数据信息中读取每起超过对应风险加速度阈值的事件，并在地理信息系统中标出作为点状对象；
根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图，并基于所述地理信息系统对每起超过对应风险加速度阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图。
上述进一步方案的有益效果是：通过对网联车的行车数据信息中的横向加速度、纵向加速度和轴向加速度分别进行模糊聚类分析，并通过对应加速度之间的亲疏关系确定用来表征亲疏关系的统计量，从而对不同的加速度信息进行分类，从而确定对应加速度的风险阈值，并计算每起超过对应风险阈值的事件的缓冲区，最终得到道路风险地图，以便于对驾驶员进行提醒。
进一步：所述对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析具体包括如下步骤：
构建模糊聚类分析目标函数
Figure 783962DEST_PATH_IMAGE001
，并求解最优解，得到每个数据点到对应聚类中心类别的隶属度
Figure 172218DEST_PATH_IMAGE002
：
Figure 273030DEST_PATH_IMAGE003
Figure 721328DEST_PATH_IMAGE004
Figure 173169DEST_PATH_IMAGE005
Figure 99537DEST_PATH_IMAGE006
其中，J m （U，P）为模糊分类误差，U为原数据矩阵，P为聚类中心，
Figure 54855DEST_PATH_IMAGE002
为第k个数据点到第i（i=1，2，…，c）类聚类中心的隶属度，d ik 为样本
Figure 835508DEST_PATH_IMAGE007
与第i类中的原型矢量
Figure 633700DEST_PATH_IMAGE008
之间的失真距离，n为数据的个数，c为聚类类别的个数，m为加权指数，
Figure 973546DEST_PATH_IMAGE009
为第i类的聚类中心，A为距离权重矩阵，J m （U，P）为模糊分类误差；
基于所述原数据矩阵建立模糊相似矩阵，并利用模糊运算生成模糊等价矩阵，并以所述隶属度为权重计算质心进行聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
上述进一步方案的有益效果是：通过构建所述模糊聚类分析目标函数计算每个数据点到对应聚类中心类别的隶属度，然后利用模糊运算生成模糊等价矩阵，并基于模糊等价矩阵和隶属度进行聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值，方便后续在对目标车辆的动态跟踪时确定目标车辆对应的加速度是否超过对应的阈值，以实现提醒驾驶员的目的。
进一步：所述根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图具体包括如下步骤：
分别将每起超过对应加速度阈值的事件在地理信息系统GIS中标出,并根据核密度估计函数计算得到每起事件的缓冲区，其中，在每起事件在某一点S处的核密度函数的计算公式如下：
Figure 173583DEST_PATH_IMAGE010
其中，
Figure 839050DEST_PATH_IMAGE011
为每起事件在点S处的核密度值；
Figure 858959DEST_PATH_IMAGE012
为缓冲区半径；
Figure 268075DEST_PATH_IMAGE013
为事件点i到事件点S的距离;
Figure 525881DEST_PATH_IMAGE014
为没有边界的高斯核函数；
利用地理信息系统GIS得到道路潜在风险点的影响范围分布图。
上述进一步方案的有益效果是：通过核密度估计函数计算每起超过对应加速度阈值事件的缓冲区的半径，进而得到道路潜在风险点的影响范围分布图，以便对目标车辆进行跟踪和提醒。
进一步：所述基于所述地理信息系统对每起超过对应阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图具体包括如下步骤：
利用地理信息系统对每起超过对应加速度阈值的事件形成的缓冲区进行多边形图层与图层的重叠分析，形成表征道路风险的综合性图层；
将所述综合性图层与交通路网进行多边形与线的重叠分析，得到包含风险路段与风险区域的道路风险地图；
所述判断所述目标车辆是否驶入所述道路风险地图的范围内具体包括如下步骤：
实时获取目标车辆的位置信息，并将所述位置信息与所述道路风险地图进行对比，并在所述目标车辆的位置信息对应的位置位于所述道路风险地图中的风险路段时，确定所述目标车辆驶入所述道路风险地图的范围内。
上述进一步方案的有益效果是：通过对每起超过对应加速度阈值的事件形成的缓冲区进行多边形图层与图层的重叠分析，可以得到对应表征所有道路风险的综合涂层，然后对综合性图层与交通路网进行多边形与线的重叠分析，从而精确得到道路风险地图，作为后续车辆提醒的边界范围，同时，当目标车辆的位置位于道路风险地图的边界范围内时，则对车辆的行车信息进行跟踪，并在加速度超过对应的风险阈值时及时提醒。
进一步：所述根据所述目标车辆的行车数据信息生成预警信息具体包括如下步骤：
根据所述目标车辆的行车数据信息读取所述目标车辆的横向加速度、纵向加速度以及轴向加速度；
将所述目标车辆的横向加速度、纵向加速度以及轴向加速度分别与对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值进行比较，并在横向加速度、纵向加速度和/或轴向加速度分别大于对应的所述横向加速度风险阈值、纵向加速度风险阈值和/或轴向加速度风险阈值时生成所述预警信息；
其中，所述预警信息至少包括当前区域道路风险地图、横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
上述进一步方案的有益效果是：通过将所述目标车辆的横向加速度、纵向加速度以及轴向加速度分别与对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值进行比较，这样可以初步判断驾驶员是否在道路风险地图的边界范围内安全驾驶，并在横向加速度、纵向加速度和/或轴向加速度分别大于对应的所述横向加速度风险阈值、纵向加速度风险阈值和/或轴向加速度风险阈值时进行实时预警，提高驾驶员对潜在的风险路段的感知能力，实时性好。
本发明还提供了一种基于智能网联环境的事故高发点辨识预警系统，包括道路风险地图模块、判断获取模块和预警模块；
所述道路风险地图模块，用于获取网联车的行车数据信息，基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图；
所述判断获取模块，用于获取目标车辆的行车数据信息，判断所述目标车辆是否驶入所述道路风险地图的范围内；
所述预警模块，用于在所述目标车辆驶入所述道路风险地图的范围内时根据所述目标车辆的行车数据信息生成预警信息并发送到所述目标车辆的车载显示设备。
本发明的基于智能网联环境的事故高发点辨识预警系统，通过获取的海量网联车的行车数据信息，并基于行车数据信息进行模糊聚类分析，得到道路风险地图，并在目标车辆进入道路风险地图的范围内时根据目标车辆的行车数据信息生成预警信息，弥补目前依靠静态黑点数据对交通事故进行预警的单一、低效的问题，实现对车辆的行车数据进行动态跟踪分析，增强驾驶员对道路潜在风险的感知能力，具有智能高效的特点，对交通安全有一定的保障，能够减少事故带来的人员以及经济损失。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述道路风险地图模块基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图的具体实现为：
根据网联车的所述行车数据信息读取行车的横向加速度、纵向加速度和轴向加速度；
对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值；
根据所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值从所述行车数据信息中读取每起超过对应风险加速度阈值的事件，并在地理信息系统中标出作为点状对象；
根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图，并基于所述地理信息系统对每起超过对应风险加速度阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图。
上述进一步方案的有益效果是：通过对网联车的行车数据信息中的横向加速度、纵向加速度和轴向加速度分别进行模糊聚类分析，并通过对应加速度之间的亲疏关系确定用来表征亲疏关系的统计量，从而对不同的加速度信息进行分类，从而确定对应加速度的风险阈值，并计算每起超过对应风险阈值的事件的缓冲区，最终得到道路风险地图，以便于对驾驶员进行提醒。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求所述的基于智能网联环境的事故高发点辨识预警方法。
本发明还提供了一种基于智能网联环境的事故高发点辨识预警设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于智能网联环境的事故高发点辨识预警方法的步骤。
附图说明
图1为本发明一实施例的基于智能网联环境的事故高发点辨识预警方法的流程示意图；
图2为本发明一实施例的基于智能网联环境的事故高发点辨识预警系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种基于智能网联环境的事故高发点辨识预警方法，包括如下步骤：
S1：获取网联车的行车数据信息，基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图；
S2：获取目标车辆的行车数据信息，判断所述目标车辆是否驶入所述道路风险地图的范围内；
S3：在所述目标车辆驶入所述道路风险地图的范围内时根据所述目标车辆的行车数据信息生成预警信息并发送到所述目标车辆的车载显示设备。
本发明的基于智能网联环境的事故高发点辨识预警方法，通过获取的海量网联车的行车数据信息，并基于行车数据信息进行模糊聚类分析，得到道路风险地图，并在目标车辆进入道路风险地图的范围内时根据目标车辆的行车数据信息生成预警信息，弥补目前依靠静态黑点数据对交通事故进行预警的单一、低效的问题，实现对车辆的行车数据进行动态跟踪分析，增强驾驶员对道路潜在风险的感知能力，具有智能高效的特点，对交通安全有一定的保障，能够减少事故带来的人员以及经济损失。
在本发明的一个或多个实施例中，所述S1中，所述基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图具体包括如下步骤：
S11：根据网联车的所述行车数据信息读取行车的横向加速度、纵向加速度和轴向加速度；
可以理解的是，本实施例中的行车数据，是在车辆行驶过程中采集并存储在云端的海量数据，具体可以通过在车辆上安装加速度传感器设备，利用车辆OBD接口或者蜂窝通信网口与运算控制系统建立通信连接，以获取车辆的加速度信息。
需要指出的是，为了后续确定风险路段的位置，需要通过定位导航装置来获取车辆的位置信息。
S12：对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值；
S13：根据所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值从所述行车数据信息中读取每起超过对应风险加速度阈值的事件，并在地理信息系统中标出作为点状对象；
S14：根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图，并基于所述地理信息系统对每起超过对应风险加速度阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图。
通过对网联车的行车数据信息中的横向加速度、纵向加速度和轴向加速度分别进行模糊聚类分析，并通过对应加速度之间的亲疏关系确定用来表征亲疏关系的统计量，从而对不同的加速度信息进行分类，从而确定对应加速度的风险阈值，并计算每起超过对应风险阈值的事件的缓冲区，最终得到道路风险地图，以便于对驾驶员进行提醒。
在本发明的一个或多个实施例中，所述S12中，所述对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析具体包括如下步骤：
S121：构建模糊聚类分析目标函数
Figure 96671DEST_PATH_IMAGE001
，并求解最优解，得到每个数据点到对应聚类中心类别的隶属度
Figure 869454DEST_PATH_IMAGE002
：
Figure 816682DEST_PATH_IMAGE003
Figure 725732DEST_PATH_IMAGE004
Figure 733002DEST_PATH_IMAGE005
Figure 396677DEST_PATH_IMAGE006
其中，J m （U，P）为模糊分类误差，U为原数据矩阵，P为聚类中心，
Figure 147596DEST_PATH_IMAGE002
为第k个数据点到第i（i=1，2，…，c）类聚类中心的隶属度，d ik 为样本
Figure 176732DEST_PATH_IMAGE007
与第i类中的原型矢量
Figure 89324DEST_PATH_IMAGE008
之间的失真距离，n为数据的个数，c为聚类类别的个数，m为加权指数，
Figure 836700DEST_PATH_IMAGE009
为第i类的聚类中心，A为距离权重矩阵，J m （U，P）为模糊分类误差；
S122：基于所述原数据矩阵建立模糊相似矩阵，并利用模糊运算生成模糊等价矩阵，并以所述隶属度为权重计算质心进行聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
通过构建所述模糊聚类分析目标函数计算每个数据点到对应聚类中心类别的隶属度，然后利用模糊运算生成模糊等价矩阵，并基于模糊等价矩阵和隶属度进行聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值，方便后续在对目标车辆的动态跟踪时确定目标车辆对应的加速度是否超过对应的阈值，以实现提醒驾驶员的目的。
这里，通过确定横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值，这样，一个或多个加速度超过对应加速度阈值的行车状态即为行车风险状态，对应的路段即为风险路段，对于风险路段越集中的区域可以认定为越容易引发交通事故，将这些区域反映在地图上得到道路风险地图，并储存在云端。
在本发明的一个或多个实施例中，所述S14中，所述根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图具体包括如下步骤：
S141：分别将每起超过对应加速度阈值的事件在地理信息系统GIS中标出,并根据核密度估计函数计算得到每起事件的缓冲区，其中，在每起事件在某一点S处的核密度函数的计算公式如下：
Figure 125730DEST_PATH_IMAGE010
其中，
Figure 9372DEST_PATH_IMAGE011
为每起事件在点S处的核密度值；
Figure 92866DEST_PATH_IMAGE012
为缓冲区半径；
Figure 61959DEST_PATH_IMAGE013
为事件点i到事件点S的距离;
Figure 154680DEST_PATH_IMAGE014
为没有边界的高斯核函数；
S142：利用地理信息系统GIS得到道路潜在风险点的影响范围分布图。
通过核密度估计函数计算每起超过对应加速度阈值事件的缓冲区的半径，进而得到道路潜在风险点的影响范围分布图，以便对目标车辆进行跟踪和提醒。
在本发明的一个或多个实施例中，所述S14中，所述基于所述地理信息系统对每起超过对应阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图具体包括如下步骤：
S143：利用地理信息系统对每起超过对应加速度阈值的事件形成的缓冲区进行多边形图层与图层的重叠分析，形成表征道路风险的综合性图层；
S144：将所述综合性图层与交通路网进行多边形与线的重叠分析，得到包含风险路段与风险区域的道路风险地图；
所述判断所述目标车辆是否驶入所述道路风险地图的范围内具体包括如下步骤：
S145：实时获取目标车辆的位置信息，并将所述位置信息与所述道路风险地图进行对比，并在所述目标车辆的位置信息对应的位置位于所述道路风险地图中的风险路段时，确定所述目标车辆驶入所述道路风险地图的范围内。
通过对每起超过对应加速度阈值的事件形成的缓冲区进行多边形图层与图层的重叠分析，可以得到对应表征所有道路风险的综合涂层，然后对综合性图层与交通路网进行多边形与线的重叠分析，从而精确得到道路风险地图，作为后续车辆提醒的边界范围，同时，当目标车辆的位置位于道路风险地图的边界范围内时，则对车辆的行车信息进行跟踪，并在加速度超过对应的风险阈值时及时提醒。
可以理解的是，所述S2中，在目标车辆行驶过程中，目标车辆的位置信息、加速度信息会实时上传到云端，一方面作为数据分析的数据源，是加速度风险阈值矫正以及道路风险地图生成的基础；另一方面作为风险分析的数据源，用于判断当前车辆是否进入风险路段。
由于在前述步骤中已经得到包含风险路段与风险区域的道路风险地图，所以这里，当定位到目标车辆进入道路风险地图内的风险路段，则认为车辆可能发生交通事故的危险，需要进一步对车辆的加速度信息进行分析，包括横向加速度、纵向加速度以及轴向加速度，通过传感器设备采集并上传到云端保留在数据库中，当车辆在安全路段（非风险路段）行驶时，云端只收集车辆的加速度信息留用而不进行风险分析，当定位车辆驶入风险路段即将当前的加速度信息提取出来进行下一步的研究。
在本发明的一个或多个实施例中，所述S3中，所述根据所述目标车辆的行车数据信息生成预警信息具体包括如下步骤：
S31：根据所述目标车辆的行车数据信息读取所述目标车辆的横向加速度、纵向加速度以及轴向加速度；
S32：将所述目标车辆的横向加速度、纵向加速度以及轴向加速度分别与对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值进行比较，并在横向加速度、纵向加速度和/或轴向加速度分别大于对应的所述横向加速度风险阈值、纵向加速度风险阈值和/或轴向加速度风险阈值时生成所述预警信息；
其中，所述预警信息至少包括当前区域道路风险地图、横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
通过将所述目标车辆的横向加速度、纵向加速度以及轴向加速度分别与对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值进行比较，这样可以初步判断驾驶员是否在道路风险地图的边界范围内安全驾驶，并在横向加速度、纵向加速度和/或轴向加速度分别大于对应的所述横向加速度风险阈值、纵向加速度风险阈值和/或轴向加速度风险阈值时进行实时预警，提高驾驶员对潜在的风险路段的感知能力，实时性好。
需要额外指出的是，所述预警信息的预警方式包括声光、图像以及安全带震动中的一种或多种。预警信息可以通过车载显示设备或外接的智能设备来进行展示，比如智能手机、平板电脑、PDA等智能交互设备。
如图2所示，本发明还提供了一种基于智能网联环境的事故高发点辨识预警系统，包括道路风险地图模块、判断获取模块和预警模块；
所述道路风险地图模块，用于获取网联车的行车数据信息，基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图；
所述判断获取模块，用于获取目标车辆的行车数据信息，判断所述目标车辆是否驶入所述道路风险地图的范围内；
所述预警模块，用于在所述目标车辆驶入所述道路风险地图的范围内时根据所述目标车辆的行车数据信息生成预警信息并发送到所述目标车辆的车载显示设备。
本发明的基于智能网联环境的事故高发点辨识预警系统，通过获取的海量网联车的行车数据信息，并基于行车数据信息进行模糊聚类分析，得到道路风险地图，并在目标车辆进入道路风险地图的范围内时根据目标车辆的行车数据信息生成预警信息，弥补目前依靠静态黑点数据对交通事故进行预警的单一、低效的问题，实现对车辆的行车数据进行动态跟踪分析，增强驾驶员对道路潜在风险的感知能力，具有智能高效的特点，对交通安全有一定的保障，能够减少事故带来的人员以及经济损失。
在本发明的一个或多个实施例中，所述道路风险地图模块具体包括：
数据读取子模块，用于根据网联车的所述行车数据信息读取行车的横向加速度、纵向加速度和轴向加速度；
数据预处理子模块，用于对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值；
事件读取子模块，用于根据所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值从所述行车数据信息中读取每起超过对应风险加速度阈值的事件，并在地理信息系统中标出作为点状对象；
道路风险地图子模块，用于根据核密度估计函数计算得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图，并基于所述地理信息系统对每起超过对应风险加速度阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图。
通过对网联车的行车数据信息中的横向加速度、纵向加速度和轴向加速度分别进行模糊聚类分析，并通过对应加速度之间的亲疏关系确定用来表征亲疏关系的统计量，从而对不同的加速度信息进行分类，从而确定对应加速度的风险阈值，并计算每起超过对应风险阈值的事件的缓冲区，最终得到道路风险地图，以便于对驾驶员进行提醒。
在本发明的一个或多个实施例中，所述数据预处理子模块对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析的具体实现为：
构建模糊聚类分析目标函数
Figure 892829DEST_PATH_IMAGE001
，并求解最优解，得到每个数据点到对应聚类中心类别的隶属度
Figure 678382DEST_PATH_IMAGE002
：
Figure 134771DEST_PATH_IMAGE003
Figure 765604DEST_PATH_IMAGE004
Figure 623839DEST_PATH_IMAGE005
Figure 577364DEST_PATH_IMAGE006
其中，J m （U，P）为模糊分类误差，U为原数据矩阵，P为聚类中心，
Figure 130836DEST_PATH_IMAGE002
为第k个数据点到第i（i=1，2，…，c）类聚类中心的隶属度，d ik 为样本
Figure 689993DEST_PATH_IMAGE007
与第i类中的原型矢量
Figure 543680DEST_PATH_IMAGE008
之间的失真距离，n为数据的个数，c为聚类类别的个数，m为加权指数，
Figure 530090DEST_PATH_IMAGE009
为第i类的聚类中心，A为距离权重矩阵，J m （U，P）为模糊分类误差；
基于所述原数据矩阵建立模糊相似矩阵，并利用模糊运算生成模糊等价矩阵，并以所述隶属度为权重计算质心进行聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
通过构建所述模糊聚类分析目标函数计算每个数据点到对应聚类中心类别的隶属度，然后利用模糊运算生成模糊等价矩阵，并基于模糊等价矩阵和隶属度进行聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值，方便后续在对目标车辆的动态跟踪时确定目标车辆对应的加速度是否超过对应的阈值，以实现提醒驾驶员的目的。
在本发明的一个或多个实施例中，所述道路风险地图子模块根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图的具体实现为：
分别将每起超过对应加速度阈值的事件在地理信息系统GIS中标出,并根据核密度估计函数计算得到每起事件的缓冲区，其中，在每起事件在某一点S处的核密度函数的计算公式如下：
Figure 836438DEST_PATH_IMAGE010
其中，
Figure 933707DEST_PATH_IMAGE011
为每起事件在点S处的核密度值；
Figure 376321DEST_PATH_IMAGE012
为缓冲区半径；
Figure 533632DEST_PATH_IMAGE013
为事件点i到事件点S的距离;
Figure 327276DEST_PATH_IMAGE014
为没有边界的高斯核函数；
利用地理信息系统GIS得到道路潜在风险点的影响范围分布图。
通过核密度估计函数计算每起超过对应加速度阈值事件的缓冲区的半径，进而得到道路潜在风险点的影响范围分布图，以便对目标车辆进行跟踪和提醒。
在本发明的一个或多个实施例中，所述道路风险地图子模块基于所述地理信息系统对每起超过对应阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图的具体实现为：
利用地理信息系统对每起超过对应加速度阈值的事件形成的缓冲区进行多边形图层与图层的重叠分析，形成表征道路风险的综合性图层；
将所述综合性图层与交通路网进行多边形与线的重叠分析，得到包含风险路段与风险区域的道路风险地图。
在本发明的一个或多个实施例中，所述判断获取模块判断所述目标车辆是否驶入所述道路风险地图的范围内的具体实现为：
实时获取目标车辆的位置信息，并将所述位置信息与所述道路风险地图进行对比，并在所述目标车辆的位置信息对应的位置位于所述道路风险地图中的风险路段时，确定所述目标车辆驶入所述道路风险地图的范围内。
通过对每起超过对应加速度阈值的事件形成的缓冲区进行多边形图层与图层的重叠分析，可以得到对应表征所有道路风险的综合涂层，然后对综合性图层与交通路网进行多边形与线的重叠分析，从而精确得到道路风险地图，作为后续车辆提醒的边界范围，同时，当目标车辆的位置位于道路风险地图的边界范围内时，则对车辆的行车信息进行跟踪，并在加速度超过对应的风险阈值时及时提醒。
在本发明的一个或多个实施例中，在目标车辆上设置有加速度传感组件和卫星定位导航组件，所述加速度传感组件，用于获取目标车辆的行车数据信息，包括横向加速度、纵向加速度和轴向加速度，所述卫星定位导航组件用于获取车辆的实时位置信息，这些信息被采集后都会上传至云端服务器，以便判断模块获取。
所述判断获取模获取目标车辆的行车数据后，读取目标车辆的实时位置信息，并根据目标车辆的实时位置信息判断所述目标车辆是否驶入所述道路风险地图的范围内。
在本发明的一个或多个实施例中，所述预警模块根据所述目标车辆的行车数据信息生成预警信息的具体实现为：
根据所述目标车辆的行车数据信息读取所述目标车辆的横向加速度、纵向加速度以及轴向加速度；
将所述目标车辆的横向加速度、纵向加速度以及轴向加速度分别与对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值进行比较，并在横向加速度、纵向加速度和/或轴向加速度分别大于对应的所述横向加速度风险阈值、纵向加速度风险阈值和/或轴向加速度风险阈值时生成所述预警信息；
其中，所述预警信息至少包括当前区域道路风险地图、横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
通过将所述目标车辆的横向加速度、纵向加速度以及轴向加速度分别与对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值进行比较，这样可以初步判断驾驶员是否在道路风险地图的边界范围内安全驾驶，并在横向加速度、纵向加速度和/或轴向加速度分别大于对应的所述横向加速度风险阈值、纵向加速度风险阈值和/或轴向加速度风险阈值时进行实时预警，提高驾驶员对潜在的风险路段的感知能力，实时性好。
需要指出的是，当所述横向加速度、纵向加速度以及轴向加速度分别小于对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值时，系统仍然会提示包含有当前区域道路风险地图的预警信息，以提醒驾驶员小心驾驶。
另外，本发明的实施例中，所述预警信息除了通过车载显示设备进行显示外，还可以通过与云端通信连接的智能终端进行提醒，比如智能手机、平板电脑和PDA等数据交互设备。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求所述的基于智能网联环境的事故高发点辨识预警方法。
本发明还提供了一种基于智能网联环境的事故高发点辨识预警设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于智能网联环境的事故高发点辨识预警方法的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于智能网联环境的事故高发点辨识预警方法, 其特征在于，包括如下步骤：
获取网联车的行车数据信息，基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图；
获取目标车辆的行车数据信息，判断所述目标车辆是否驶入所述道路风险地图的范围内；
在所述目标车辆驶入所述道路风险地图的范围内时根据所述目标车辆的行车数据信息生成预警信息并发送到所述目标车辆的车载显示设备。
2.根据权利要求1所述的基于智能网联环境的事故高发点辨识预警方法, 其特征在于，所述基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图具体包括如下步骤：
根据网联车的所述行车数据信息读取行车的横向加速度、纵向加速度和轴向加速度；
对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值；
根据所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值从所述行车数据信息中读取每起超过对应风险加速度阈值的事件，并在地理信息系统中标出作为点状对象；
根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图，并基于所述地理信息系统对每起超过对应风险加速度阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图。
3.根据权利要求2所述的基于智能网联环境的事故高发点辨识预警方法, 其特征在于，所述对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析具体包括如下步骤：
构建模糊聚类分析目标函数
Figure 289805DEST_PATH_IMAGE001
，并求解最优解，得到每个数据点到对应聚类中心类别的隶属度
Figure 852505DEST_PATH_IMAGE002
：
Figure 321663DEST_PATH_IMAGE003
Figure 461658DEST_PATH_IMAGE004
Figure 773166DEST_PATH_IMAGE005
Figure 315005DEST_PATH_IMAGE006
其中，J m （U，P）为模糊分类误差，U为原数据矩阵，P为聚类中心，
Figure 689486DEST_PATH_IMAGE002
为第k个数据点到第i（i=1，2，…，c）类聚类中心的隶属度，d ik 为样本
Figure 316777DEST_PATH_IMAGE007
与第i类中的原型矢量
Figure 434905DEST_PATH_IMAGE008
之间的失真距离，n为数据的个数，c为聚类类别的个数，m为加权指数，
Figure 96831DEST_PATH_IMAGE009
为第i类的聚类中心，A为距离权重矩阵，J m （U，P）为模糊分类误差；
基于所述原数据矩阵建立模糊相似矩阵，并利用模糊运算生成模糊等价矩阵，并以所述隶属度为权重计算质心进行聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
4.根据权利要求2所述的基于智能网联环境的事故高发点辨识预警方法, 其特征在于，所述根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图具体包括如下步骤：
分别将每起超过对应加速度阈值的事件在地理信息系统GIS中标出,并根据核密度估计函数计算得到每起事件的缓冲区，其中，在每起事件在某一点S处的核密度函数的计算公式如下：
Figure 642213DEST_PATH_IMAGE010
其中，
Figure 491220DEST_PATH_IMAGE011
为每起事件在点S处的核密度值；
Figure 413040DEST_PATH_IMAGE012
为缓冲区半径；
Figure 929472DEST_PATH_IMAGE013
为事件点i到事件点S的距离;
Figure 911334DEST_PATH_IMAGE014
为没有边界的高斯核函数；
利用地理信息系统GIS得到道路潜在风险点的影响范围分布图。
5.根据权利要求2所述的基于智能网联环境的事故高发点辨识预警方法, 其特征在于，所述基于所述地理信息系统对每起超过对应阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图具体包括如下步骤：
利用地理信息系统对每起超过对应加速度阈值的事件形成的缓冲区进行多边形图层与图层的重叠分析，形成表征道路风险的综合性图层；
将所述综合性图层与交通路网进行多边形与线的重叠分析，得到包含风险路段与风险区域的道路风险地图；
所述判断所述目标车辆是否驶入所述道路风险地图的范围内具体包括如下步骤：
实时获取目标车辆的位置信息，并将所述位置信息与所述道路风险地图进行对比，并在所述目标车辆的位置信息对应的位置位于所述道路风险地图中的风险路段时，确定所述目标车辆驶入所述道路风险地图的范围内。
6.根据权利要求2所述的基于智能网联环境的事故高发点辨识预警方法, 其特征在于，所述根据所述目标车辆的行车数据信息生成预警信息具体包括如下步骤：
根据所述目标车辆的行车数据信息读取所述目标车辆的横向加速度、纵向加速度以及轴向加速度；
将所述目标车辆的横向加速度、纵向加速度以及轴向加速度分别与对应的所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值进行比较，并在横向加速度、纵向加速度和/或轴向加速度分别大于对应的所述横向加速度风险阈值、纵向加速度风险阈值和/或轴向加速度风险阈值时生成所述预警信息；
其中，所述预警信息至少包括当前区域道路风险地图、横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值。
7.一种基于智能网联环境的事故高发点辨识预警系统, 其特征在于，包括道路风险地图模块、判断获取模块和预警模块；
所述道路风险地图模块，用于获取网联车的行车数据信息，基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图；
所述判断获取模块，用于获取目标车辆的行车数据信息，判断所述目标车辆是否驶入所述道路风险地图的范围内；
所述预警模块，用于在所述目标车辆驶入所述道路风险地图的范围内时根据所述目标车辆的行车数据信息生成预警信息并发送到所述目标车辆的车载显示设备。
8.根据权利要求7所述的基于智能网联环境的事故高发点辨识预警系统，所述道路风险地图模块基于所述行车数据信息分析行车风险加速度阈值，并确定道路风险地图的具体实现为：
根据网联车的所述行车数据信息读取行车的横向加速度、纵向加速度和轴向加速度；
对所述横向加速度、纵向加速度、轴向加速度分别进行模糊聚类分析，得到对应的横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值；
根据所述横向加速度风险阈值、纵向加速度风险阈值和轴向加速度风险阈值从所述行车数据信息中读取每起超过对应风险加速度阈值的事件，并在地理信息系统中标出作为点状对象；
根据核密度估计函数得到每起事件的缓冲区，得到道路潜在风险点的影响范围分布图，并基于所述地理信息系统对每起超过对应风险加速度阈值的事件形成的缓冲区进行处理，得到包含风险路段与风险区域的道路风险地图。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述的基于智能网联环境的事故高发点辨识预警方法。
10.一种基于智能网联环境的事故高发点辨识预警设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于智能网联环境的事故高发点辨识预警方法的步骤。
CN202210372940.8A 2022-04-11 2022-04-11 一种基于智能网联环境的事故高发点辨识预警方法及系统 Pending CN114446057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210372940.8A CN114446057A (zh) 2022-04-11 2022-04-11 一种基于智能网联环境的事故高发点辨识预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210372940.8A CN114446057A (zh) 2022-04-11 2022-04-11 一种基于智能网联环境的事故高发点辨识预警方法及系统

Publications (1)

Publication Number Publication Date
CN114446057A true CN114446057A (zh) 2022-05-06

Family

ID=81360491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210372940.8A Pending CN114446057A (zh) 2022-04-11 2022-04-11 一种基于智能网联环境的事故高发点辨识预警方法及系统

Country Status (1)

Country Link
CN (1) CN114446057A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937359A (zh) * 2022-05-20 2022-08-23 四川大学 交通基础设施级联故障定位分析方法、系统、终端及介质
CN116564092A (zh) * 2023-05-18 2023-08-08 无锡学院 一种道路安全预警系统、方法、电子设备及介质
CN116564092B (zh) * 2023-05-18 2024-05-28 无锡学院 一种道路安全预警系统、方法、电子设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108417091A (zh) * 2018-05-10 2018-08-17 武汉理工大学 基于网联车的行车风险路段辨识与预警系统与方法
CN110969142A (zh) * 2019-12-18 2020-04-07 长安大学 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108417091A (zh) * 2018-05-10 2018-08-17 武汉理工大学 基于网联车的行车风险路段辨识与预警系统与方法
CN110969142A (zh) * 2019-12-18 2020-04-07 长安大学 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴紫恒 等: ""基于模糊C均值和神经网络的驾驶行为评价研究"", 《计算机系统应用》 *
杨帆: ""基于事故情景划分的山区普通干线公路事故预测和安全隐患挖掘"", 《中国优秀博硕士学位论文全文数据库（博士）工程科技Ⅰ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937359A (zh) * 2022-05-20 2022-08-23 四川大学 交通基础设施级联故障定位分析方法、系统、终端及介质
CN116564092A (zh) * 2023-05-18 2023-08-08 无锡学院 一种道路安全预警系统、方法、电子设备及介质
CN116564092B (zh) * 2023-05-18 2024-05-28 无锡学院 一种道路安全预警系统、方法、电子设备及介质

Similar Documents

Publication Publication Date Title
CN111489588B (zh) 车辆驾驶风险预警方法及装置、设备、存储介质
CN111062240B (zh) 汽车驾驶安全的监控方法、装置、计算机设备及存储介质
Jia et al. Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
CN113635897B (zh) 一种基于风险场的安全驾驶预警方法
CN114076631A (zh) 超载车辆识别方法、系统及设备
CN115035491A (zh) 一种基于联邦学习的驾驶行为路况预警方法
CN111723697A (zh) 一种基于Mask-RCNN改进的驾驶员背景分割方法
Wu et al. Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China
Xue et al. A context-aware framework for risky driving behavior evaluation based on trajectory data
CN114446057A (zh) 一种基于智能网联环境的事故高发点辨识预警方法及系统
CN112356849A (zh) 一种危险驾驶的预警方法及装置
CN117022323A (zh) 一种智能驾驶车辆行为分析与预测系统及方法
Oh et al. Real-time detection of hazardous traffic events on freeways: methodology and prototypical implementation
Yarlagadda et al. Heterogeneity in the driver behavior: an exploratory study using real-time driving data
CN115757628A (zh) 车辆碰撞检测方法、装置、设备及介质
Muñoz-Organero et al. Detecting different road infrastructural elements based on the stochastic characterization of speed patterns
CN111775948B (zh) 一种驾驶行为分析方法及装置
CN114495421B (zh) 智能化开放式道路施工作业监测预警方法及系统
CN114895274A (zh) 一种护栏识别方法
CN114684197A (zh) 避障场景的检测方法、装置、设备及存储介质
CN109448377B (zh) 一种使用卫星定位数据进行车辆行驶安全性评价的方法
CN110956072B (zh) 一种基于大数据分析的驾驶技能培训方法
Sun et al. Driving risk classification methodology for intelligent drive in real traffic event
Uchiyama et al. Risky Traffic Situation Detection and Classification Using Smartphones

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220506