CN114548284A - 一种货运车辆事故判断系统、方法、设备及介质 - Google Patents

一种货运车辆事故判断系统、方法、设备及介质 Download PDF

Info

Publication number
CN114548284A
CN114548284A CN202210169339.9A CN202210169339A CN114548284A CN 114548284 A CN114548284 A CN 114548284A CN 202210169339 A CN202210169339 A CN 202210169339A CN 114548284 A CN114548284 A CN 114548284A
Authority
CN
China
Prior art keywords
accident
vehicle
characteristic factor
characteristic
module
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
CN202210169339.9A
Other languages
English (en)
Inventor
单玉栋
张敏
马琪
夏曙东
孙智彬
张志平
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.)
Beijing Sinoiov Vehicle Network Technology Co ltd
Original Assignee
Beijing Sinoiov Vehicle Network 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 Beijing Sinoiov Vehicle Network Technology Co ltd filed Critical Beijing Sinoiov Vehicle Network Technology Co ltd
Priority to CN202210169339.9A priority Critical patent/CN114548284A/zh
Publication of CN114548284A publication Critical patent/CN114548284A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及一种货运车辆事故判断系统、方法、设备及介质，所述系统包括：信息采集模块，用于接收车载终端上传的车辆信息并存储；停车判断模块，用于利用所述信息采集模块采集并存储的所述车辆信息判断车辆的运行状态；第一特征因子提取模块，用于从所述信息采集模块采集并存储的所述车辆信息中采集并提取第一特征因子；模型训练模块，用于利用分类算法对采集提取的所述第一特征因子进行分类计算并构建和训练事故预测模型；第二特征因子提取模块，用于从事故现场提取事故的实时第二特征因子；事故判断模块，用于将所述第二特征因子提取模块从事故现场提取得到的所述第二特征因子输入所述模型训练模块训练得到的事故预测模型进行事故发生概率计算。

Description

一种货运车辆事故判断系统、方法、设备及介质
技术领域
本公开涉及实时数据分析和安全驾驶技术领域，更为具体来说，本公开涉及一种货运车辆事故判断系统、方法、设备及介质。
背景技术
现有事故判断方式大多需要在车辆各个位置安装各种传感器，或是通过视频摄像头实时监控驾驶员状态，或是根据道路上的各种监控设备，这些方式中安装设备成本高、对网络要求高、流量消耗大，造成普及度不够，很难大规模推广到货车上进行使用。在各种外部监控设备覆盖不到的地方，无法对车辆事故进行及时发现。
发明内容
为解决现有技术的货运车辆事故判断方法不能满足用户需求的技术问题。
为实现上述技术目的，本公开提供了一种货运车辆事故判断系统，包括：
信息采集模块，用于接收车载终端上传的车辆信息并存储；
停车判断模块，用于利用所述信息采集模块采集并存储的所述车辆信息判断车辆的运行状态；
第一特征因子提取模块，用于从所述信息采集模块采集并存储的所述车辆信息中采集并提取第一特征因子；
模型训练模块，用于利用分类算法对采集提取的所述第一特征因子进行分类计算并构建和训练事故预测模型；
第二特征因子提取模块，用于从事故现场提取事故的实时第二特征因子；
事故判断模块，用于将所述第二特征因子提取模块从事故现场提取得到的所述第二特征因子输入所述模型训练模块训练得到的事故预测模型进行事故发生概率计算，根据计算得到的事故发生概率判断事故的真实性。
进一步，所述模型训练模块具体用于：
利用XGboost分类算法对所述第一特征因子进行分类计算，并构建事故预测模型；
其中，所述分类计算具体采用如下公式计算：
Figure BDA0003516862930000021
公式中，xi为样本i对应的第一特征因子，K为建立的所有树，fk为第k棵树，
Figure BDA0003516862930000022
为特征因子xi的预测值。
进一步，所述模型训练模块训练后的第一特征因子包括：
车辆基本特征因子、车辆停靠特征因子、车辆碰撞特征因子、车辆制动特征因子、车辆报警特征因子、道路特征因子和/或周边车辆特征因子。
进一步，所述事故判断模块具体用于：
将第二特征因子输入到训练好的事故预测模型中，计算事故发生概率O，计算公式是：
Figure BDA0003516862930000023
公式中，i为数据集中第i个样本，n为导入第k棵树的数据总量，K为建立的所有树，yi为第二特征因子，
Figure BDA0003516862930000031
为预测值，l表示训练误差函数，fk为第k棵树，Ω为树的正则项。
进一步，所述根据计算得到的事故发生概率判断事故的真实性具体包括：
将第一特征因子(xi)和第二特征因子(yi)分为预测的真样本、预测的假样本、实际的真样本、实际的假样本，采用准确率、召回率来验证特征因子的分类精度Fl，即：
Figure BDA0003516862930000032
Figure BDA0003516862930000033
Figure BDA0003516862930000034
公式中，预测的真样本为TP，预测的假样本为TN，实际的真样本为FP，实际的假样本为FN，Precision是预测的真样本数与所有预测和实际的真样本数的比值，Recall是预测的真样本数与所有预测和实际的样本数的比值，Fl是综合准确率和召回率的特征因子的分类精度。
进一步，所述信息采集模块具体用于：
接收车载终端实时上传车辆位置信息、状态标识和/或报警标识的通讯数据并存储在服务器端；
采集完整的GIS路网数据，进行大数据存储；
收集车辆停靠场地的位置信息；
事故案例收集，将事故发生时间和/或地点相关信息存入数据库。
为实现上述技术目的，本公开还能够提供一种货运车辆事故判断方法，包括：
接收车载终端上传的车辆信息并存储；
利用所述车辆信息判断车辆的运行状态；
从所述车辆信息中采集并提取第一特征因子；
利用分类算法对采集提取的所述第一特征因子进行分类计算并构建和训练事故预测模型；
从事故现场提取事故的实时第二特征因子；
将从事故现场提取得到的所述第二特征因子输入事故预测模型进行事故发生概率计算，根据计算得到的事故发生概率判断事故的真实性。
进一步，所述利用分类算法对采集提取的所述第一特征因子进行分类计算并构建事故预测模型具体包括：
利用XGboost分类算法对所述第一特征因子进行分类计算，并构建事故预测模型；
其中，所述分类计算具体采用如下公式计算：
Figure BDA0003516862930000041
公式中，xi为样本i对应的第一特征因子，K为建立的所有树，fk为第k棵树，
Figure BDA0003516862930000042
为特征因子xi的预测值。
为实现上述技术目的，本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的货运车辆事故判断方法的步骤。
为实现上述技术目的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的货运车辆事故判断方法的步骤。
本公开的有益效果为：
本公开的系统和方法通过对货车的车载终端数据进行实时分析，结合道路信息、周围车辆信息等计算相关因子，并通过经过训练后得到的事故判断模型进行车辆事故概率的实时计算。基于实时计算、大数据模型训练等方式，提供了一种低成本、实时的事故判断的方式。
附图说明
图1示出了本公开的实施例1的系统的结构示意图；
图2示出了本公开的实施例2的流程示意图图；
图3示出了本公开的实施例4的结构示意图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
实施例一：
如图1所示：
本公开提供了一种货运车辆事故判断系统，其特征在于，包括：
信息采集模块101，用于接收车载终端上传的车辆信息并存储；
停车判断模块102，用于利用所述信息采集模块采集并存储的所述车辆信息判断车辆的运行状态；
第一特征因子提取模块103，用于从所述信息采集模块采集并存储的所述车辆信息中采集并提取第一特征因子；
模型训练模块104，用于利用分类算法对采集提取的所述第一特征因子进行分类计算并构建和训练事故预测模型；
第二特征因子提取模块105，用于从事故现场提取事故的实时第二特征因子；
事故判断模块106，用于将所述第二特征因子提取模块从事故现场提取得到的所述第二特征因子输入所述模型训练模块训练得到的事故预测模型进行事故发生概率计算，根据计算得到的事故发生概率判断事故的真实性。
其中，所述信息采集模块101依次于所述停车判断模块102、所述第一特征因子提取模块103、所述模型训练模块104、所述第二特征因子提取模块105以及所述事故判断模块106相连接。
进一步，所述模型训练模块104具体用于：
利用XGboost分类算法对所述第一特征因子进行分类计算，并构建事故预测模型；
其中，所述分类计算具体采用如下公式计算：
Figure BDA0003516862930000071
公式中，xi为样本i对应的第一特征因子，K为建立的所有树，fk为第k棵树，
Figure BDA0003516862930000072
为特征因子xi的预测值。
进一步，所述模型训练模块104训练后的第一特征因子包括：
车辆基本特征因子、车辆停靠特征因子、车辆碰撞特征因子、车辆制动特征因子、车辆报警特征因子、道路特征因子和/或周边车辆特征因子。
进一步，所述事故判断模块106具体用于：
将第二特征因子输入到训练好的事故预测模型中，计算事故发生概率O，计算公式是：
Figure BDA0003516862930000073
公式中，i为数据集中第i个样本，n为导入第k棵树的数据总量，K为建立的所有树，yi为第二特征因子，
Figure BDA0003516862930000074
为预测值，l表示训练误差函数，fk为第k棵树，Ω为树的正则项。
进一步，所述根据计算得到的事故发生概率判断事故的真实性具体包括：
将第一特征因子(xi)和第二特征因子(yi)分为预测的真样本、预测的假样本、实际的真样本、实际的假样本，采用准确率、召回率来验证特征因子的分类精度Fl，即：
Figure BDA0003516862930000081
Figure BDA0003516862930000082
Figure BDA0003516862930000083
公式中，预测的真样本为TP，预测的假样本为TN，实际的真样本为FP，实际的假样本为FN，Precision是预测的真样本数与所有预测和实际的真样本数的比值，Recall是预测的真样本数与所有预测和实际的样本数的比值，Fl是综合准确率和召回率的特征因子的分类精度。
进一步，所述信息采集模块101具体用于：
接收车载终端实时上传车辆位置信息、状态标识和/或报警标识的通讯数据并存储在服务器端；
采集完整的GIS路网数据，进行大数据存储；
收集车辆停靠场地的位置信息；
事故案例收集，将事故发生时间和/或地点相关信息存入数据库。
信息采集模块
1)接收车载终端实时上传车辆位置信息、状态标识、报警标识等通讯数据，服务端接收到通讯数据后进行存储；
2)采集完整的GIS路网数据，进行大数据存储；
3)收集停车场、加油站、服务区等车辆停靠场地的位置信息；
4)事故案例收集，将事故发生时间、地点等相关信息存入数据库。
停车判断模块
1)根据车辆实时轨迹信息，根据车辆行驶速度和经纬度进行停车位置的分析判断停车状态；
2)车辆停车超过阈值，确定车辆停车位置，停车时长等信息。
特征因子提取和计算模块
1)过滤在正常停靠场地停靠的数据，对收集到的车辆事故案例，根据事故发生位置、时间信息，获取到车辆前后12小时的轨迹信息；
2)根据车辆轨迹信息和停靠位置信息，提取特征因子进行计算。具体如下：
Figure BDA0003516862930000091
Figure BDA0003516862930000101
Figure BDA0003516862930000111
Figure BDA0003516862930000121
Figure BDA0003516862930000131
Figure BDA0003516862930000141
Figure BDA0003516862930000151
Figure BDA0003516862930000161
Figure BDA0003516862930000171
Figure BDA0003516862930000181
Figure BDA0003516862930000191
模型构建和训练模块
1)利用xgboost分类算法对特征因子进行分类计算并构建事故预测模型，计算公式是：
Figure BDA0003516862930000201
公式中，xi为样本i对应的特征因子，K为建立的所有树，fk为第k棵树，
Figure BDA0003516862930000202
为特征因子xi的预测值。
2)对事故预测模型进行机器训练；
训练后第二特征因子主要分为：车辆基本特征因子、车辆停靠特征因子、车辆碰撞特征因子、车辆制动特征因子、车辆报警特征因子、道路特征因子、周边车辆特征因子等类别，并将相关的第二特征因子对应的信息数据进行存储。具体是：
车辆基本特征因子：
包括车辆信息，比如车牌号、车轴数等。
车辆停靠特征因子：
包括车辆停靠时间、停靠经纬度等。
车辆碰撞特征因子：
根据车辆停靠前轨迹进行相关计算，包括疑是碰撞点、碰撞加速度、碰撞前速度、碰撞后速度、碰撞距离、观察碰撞时间间隔等。
车辆制动特征因子：
主要是制动距离、制动加速度、观察制动时间间隔、刹车加速度、刹车距离、走停次数等信息。
车辆报警特征因子：
结合车辆报警标识位、信号标识位等，计算是否有碰撞报警、停车前10分钟碰撞报警次数、单闪、双闪、双闪次数、熄火状态、异常离线等因子。
道路特征因子：
根据经纬度获取当前道路信息，进一步计算获得道路类型、道路限速、碰撞偏移距离、停车偏移距离等相关因子。
周边车辆特征因子：
附近同时停靠的车辆数、目标车附近停车次数、经过的车辆数及平均速度、附近停靠过的车量数等因子。
Figure BDA0003516862930000211
Figure BDA0003516862930000221
Figure BDA0003516862930000231
实时事故判断模块
将第二特征因子输入到训练好的事故预测模型中，计算事故发生概率(O)，计算公式是：
Figure BDA0003516862930000232
公式中，i为数据集中第i个样本，n为导入第k棵树的数据总量，K为建立的所有树，yi为第二特征因子，
Figure BDA0003516862930000233
为预测值，l表示训练误差函数，fk为第k棵树，Ω为树的正则项。
相关人员根据事故概率，结合实际情况判断事故的真实性。判断过程是：
将特征因子(xi)和第二特征因子(yi)分为预测的真样本(TP)、预测的假样本(TN)、实际的真样本(FP)、实际的假样本(FN)，采用准确率(Precision)、召回率(Recall)来验证特征因子的分类精度(Fl)，即：
Figure BDA0003516862930000241
Figure BDA0003516862930000242
Figure BDA0003516862930000243
公式中，Precision是预测的真样本数与所有预测和实际的真样本数的比值，Recall是预测的真样本数与该类所有预测和实际的样本数的比值，Fl是综合准确率和召回率的特征因子的分类精度。Fl越大，分类精度越高，事故越趋于真实。
实施例二：
如图2所示：
本公开还提供了一种货运车辆事故判断方法，包括：
S201：接收车载终端上传的车辆信息并存储；
S202：利用所述车辆信息判断车辆的运行状态；
S203：从所述车辆信息中采集并提取第一特征因子；
S204：利用分类算法对采集提取的所述第一特征因子进行分类计算并构建和训练事故预测模型；
S205：从事故现场提取事故的实时第二特征因子；
S206：将从事故现场提取得到的所述第二特征因子输入事故预测模型进行事故发生概率计算，根据计算得到的事故发生概率判断事故的真实性。
进一步，所述利用分类算法对采集提取的所述第一特征因子进行分类计算并构建事故预测模型具体包括：
利用XGboost分类算法对所述第一特征因子进行分类计算，并构建事故预测模型；
其中，所述分类计算具体采用如下公式计算：
Figure BDA0003516862930000251
公式中，xi为样本i对应的第一特征因子，K为建立的所有树，fk为第k棵树，
Figure BDA0003516862930000252
为特征因子xi的预测值。
实施例三：
本公开还能够提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时用于实现上述的货运车辆事故判断方法的步骤。
本公开的计算机存储介质可以采用半导体存储器、磁芯存储器、磁鼓存储器或磁盘存储器实现。
半导体存储器，主要用于计算机的半导体存储元件主要有Mos和双极型两种。Mos元件集成度高、工艺简单但速度较慢。双极型元件工艺复杂、功耗大、集成度低但速度快。NMos和CMos问世后，使Mos存储器在半导体存储器中开始占主要地位。NMos速度快，如英特尔公司的1K位静态随机存储器的存取时间为45ns。而CMos耗电省，4K位的CMos静态存储器存取时间为300ns。上述半导体存储器都是随机存取存储器(RAM),即在工作过程中可随机进行读出和写入新内容。而半导体只读存储器(ROM)在工作过程中可随机读出但不能写入，它用来存放已固化好的程序和数据。ROM又分为不可改写的熔断丝式只读存储器──PROM和可改写的只读存储器EPROM两种。
磁芯存储器，具有成本低，可靠性高的特点，且有20多年的实际使用经验。70年代中期以前广泛使用磁芯存储器作为主存储器。其存储容量可达10位以上，存取时间最快为300ns。国际上典型的磁芯存储器容量为4MS～8MB，存取周期为1.0～1.5μs。在半导体存储快速发展取代磁芯存储器作为主存储器的位置之后，磁芯存储器仍然可以作为大容量扩充存储器而得到应用。
磁鼓存储器，一种磁记录的外存储器。由于其信息存取速度快，工作稳定可靠，虽然其容量较小，正逐渐被磁盘存储器所取代，但仍被用作实时过程控制计算机和中、大型计算机的外存储器。为了适应小型和微型计算机的需要，出现了超小型磁鼓，其体积小、重量轻、可靠性高、使用方便。
磁盘存储器，一种磁记录的外存储器。它兼有磁鼓和磁带存储器的优点，即其存储容量较磁鼓容量大，而存取速度则较磁带存储器快，又可脱机贮存，因此在各种计算机系统中磁盘被广泛用作大容量的外存储器。磁盘一般分为硬磁盘和软磁盘存储器两大类。
硬磁盘存储器的品种很多。从结构上，分可换式和固定式两种。可换式磁盘盘片可调换，固定式磁盘盘片是固定的。可换式和固定式磁盘都有多片组合和单片结构两种，又都可分为固定磁头型和活动磁头型。固定磁头型磁盘的容量较小，记录密度低存取速度高，但造价高。活动磁头型磁盘记录密度高(可达1000～6250位/英寸)，因而容量大,但存取速度相对固定磁头磁盘低。磁盘产品的存储容量可达几百兆字节，位密度为每英寸6 250位,道密度为每英寸475道。其中多片可换磁盘存储器由于盘组可以更换,具有很大的脱体容量,而且容量大,速度高,可存储大容量情报资料，在联机情报检索系统、数据库管理系统中得到广泛应用。
实施例四：
本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的货运车辆事故判断方法的步骤。
图3为一个实施例中电子设备的内部结构示意图。如图3所示，该电子设备包括通过系统总线连接的处理器、存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种货运车辆事故判断方法。该电设备的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。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种货运车辆事故判断方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图3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。
该电子设备包括但不限于智能电话、计算机、平板电脑、可穿戴智能设备、人工智能设备、移动电源等。
所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如执行远端数据读写程序等)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
进一步地，所述计算机可用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。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种货运车辆事故判断系统，其特征在于，包括：
信息采集模块，用于接收车载终端上传的车辆信息并存储；
停车判断模块，用于利用所述信息采集模块采集并存储的所述车辆信息判断车辆的运行状态；
第一特征因子提取模块，用于从所述信息采集模块采集并存储的所述车辆信息中采集并提取第一特征因子；
模型训练模块，用于利用分类算法对采集提取的所述第一特征因子进行分类计算并构建和训练事故预测模型；
第二特征因子提取模块，用于从事故现场提取事故的实时第二特征因子；
事故判断模块，用于将所述第二特征因子提取模块从事故现场提取得到的所述第二特征因子输入所述模型训练模块训练得到的事故预测模型进行事故发生概率计算，根据计算得到的事故发生概率判断事故的真实性。
2.根据权利要求1所述的系统，其特征在于，所述模型训练模块具体用于：
利用XGboost分类算法对所述第一特征因子进行分类计算，并构建事故预测模型；
其中，所述分类计算具体采用如下公式计算：
Figure FDA0003516862920000011
公式中，xi为样本i对应的第一特征因子，K为建立的所有树，fk为第k棵树，
Figure FDA0003516862920000012
为特征因子xi的预测值。
3.根据权利要求2所述的系统，其特征在于，所述模型训练模块训练后的第一特征因子包括：
车辆基本特征因子、车辆停靠特征因子、车辆碰撞特征因子、车辆制动特征因子、车辆报警特征因子、道路特征因子和/或周边车辆特征因子。
4.根据权利要求2所述的系统，其特征在于，所述事故判断模块具体用于：
将第二特征因子输入到训练好的事故预测模型中，计算事故发生概率O，计算公式是：
Figure FDA0003516862920000021
公式中，i为数据集中第i个样本，n为导入第k棵树的数据总量，K为建立的所有树，yi为第二特征因子，
Figure FDA0003516862920000022
为预测值，l表示训练误差函数，fk为第k棵树，Ω为树的正则项。
5.根据权利要求4所述的系统，其特征在于，所述根据计算得到的事故发生概率判断事故的真实性具体包括：
将第一特征因子(xi)和第二特征因子(yi)分为预测的真样本、预测的假样本、实际的真样本、实际的假样本，采用准确率、召回率来验证第二特征因子的分类精度Fl，即：
Figure FDA0003516862920000023
Figure FDA0003516862920000024
Figure FDA0003516862920000025
公式中，预测的真样本为TP，预测的假样本为TN，实际的真样本为FP，实际的假样本为FN，Precision是预测的真样本数与所有预测和实际的真样本数的比值，Recall是预测的真样本数与所有预测和实际的样本数的比值，Fl是综合准确率和召回率的特征因子的分类精度。
6.根据权利要求1～5任一项中所述的系统，其特征在于，所述信息采集模块具体用于：
接收车载终端实时上传车辆位置信息、状态标识和/或报警标识的通讯数据并存储在服务器端；
采集完整的GIS路网数据，进行大数据存储；
收集车辆停靠场地的位置信息；
事故案例收集，将事故发生时间和/或地点相关信息存入数据库。
7.一种货运车辆事故判断方法，其特征在于，包括：
接收车载终端上传的车辆信息并存储；
利用所述车辆信息判断车辆的运行状态；
从所述车辆信息中采集并提取第一特征因子；
利用分类算法对采集提取的所述第一特征因子进行分类计算并构建和训练事故预测模型；
从事故现场提取事故的实时第二特征因子；
将从事故现场提取得到的所述第二特征因子输入事故预测模型进行事故发生概率计算，根据计算得到的事故发生概率判断事故的真实性。
8.根据权利要求7中所述的方法，其特征在于，所述利用分类算法对采集提取的所述第一特征因子进行分类计算并构建事故预测模型具体包括：
利用XGboost分类算法对所述第一特征因子进行分类计算，并构建事故预测模型；
其中，所述分类计算具体采用如下公式计算：
Figure FDA0003516862920000041
公式中，xi为样本i对应的第一特征因子，K为建立的所有树，fk为第k棵树，
Figure FDA0003516862920000042
为特征因子xi的预测值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现权利要求7或8中所述的货运车辆事故判断方法对应的步骤。
10.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述程序指令被处理器执行时用于实现权利要求7或8中所述的货运车辆事故判断方法对应的步骤。
CN202210169339.9A 2022-02-23 2022-02-23 一种货运车辆事故判断系统、方法、设备及介质 Pending CN114548284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210169339.9A CN114548284A (zh) 2022-02-23 2022-02-23 一种货运车辆事故判断系统、方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210169339.9A CN114548284A (zh) 2022-02-23 2022-02-23 一种货运车辆事故判断系统、方法、设备及介质

Publications (1)

Publication Number Publication Date
CN114548284A true CN114548284A (zh) 2022-05-27

Family

ID=81677117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210169339.9A Pending CN114548284A (zh) 2022-02-23 2022-02-23 一种货运车辆事故判断系统、方法、设备及介质

Country Status (1)

Country Link
CN (1) CN114548284A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049993A (zh) * 2022-08-17 2022-09-13 成都考拉悠然科技有限公司 一种基于深度学习的车辆异常停止监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112634614A (zh) * 2020-12-16 2021-04-09 安徽百诚慧通科技有限公司 一种长下坡交通事件实时检测方法、装置及存储介质
CN113222331A (zh) * 2021-03-29 2021-08-06 北京中交兴路信息科技有限公司 识别车辆事故真实性的方法、装置、设备及存储介质
CN113963539A (zh) * 2021-10-19 2022-01-21 交通运输部公路科学研究所 高速公路交通事故识别方法、模块及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112634614A (zh) * 2020-12-16 2021-04-09 安徽百诚慧通科技有限公司 一种长下坡交通事件实时检测方法、装置及存储介质
CN113222331A (zh) * 2021-03-29 2021-08-06 北京中交兴路信息科技有限公司 识别车辆事故真实性的方法、装置、设备及存储介质
CN113963539A (zh) * 2021-10-19 2022-01-21 交通运输部公路科学研究所 高速公路交通事故识别方法、模块及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MAXBRAMER, 哈尔滨工业大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049993A (zh) * 2022-08-17 2022-09-13 成都考拉悠然科技有限公司 一种基于深度学习的车辆异常停止监测方法
CN115049993B (zh) * 2022-08-17 2022-11-15 成都考拉悠然科技有限公司 一种基于深度学习的车辆异常停止监测方法

Similar Documents

Publication Publication Date Title
CN106314438B (zh) 一种司机驾驶轨迹中异常轨迹的检测方法和系统
US20200218743A1 (en) Systems and methods for database geocoding
CN112785736B (zh) 高速公路车辆通行费漏费稽核判断方法、装置、介质及设备
CN204719530U (zh) 一种集成的obd车联网应用系统
CN101587643B (zh) 一种套牌车的识别方法
CN108844754A (zh) 用于评估高级驾驶员辅助系统的测试装置
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
US11756431B2 (en) Systems and methods for utilizing models to identify a vehicle accident based on vehicle sensor data and video data captured by a vehicle device
CN105957352B (zh) 违章停车检测方法和装置
CN114754786B (zh) 一种货车导航寻路方法、装置、设备及介质
CN112883645A (zh) 单体电池电压不一致故障预测方法、装置及服务器
CN114548284A (zh) 一种货运车辆事故判断系统、方法、设备及介质
CN103593982A (zh) 一种快速定位初次入城车辆的方法及系统
Wang et al. Understanding travel behavior of private cars via trajectory big data analysis in urban environments
CN113255682B (zh) 一种目标检测系统、方法、装置、设备及介质
CN109871003A (zh) 基于新能源汽车的车辆故障分析方法、装置及服务器
CN113192340B (zh) 高速公路施工车辆的识别方法、装置、设备及存储介质
Hsieh et al. Predict scooter's stopping event using smartphone as the sensing device
CN114169247A (zh) 仿真交通流的生成方法、装置、设备和计算机可读存储介质
CN114817273A (zh) 一种高频人车关联异常的数据识别方法及系统
CN113799786A (zh) 一种轴转速信号解析方法、装置、设备及介质
CN110956820A (zh) 一种基于乘客手机gps定位的公路客运超载实时预警系统
CN112417960A (zh) 一种基于大数据的城市车流预警检测方法和系统
Liao et al. Real-time Occupancy Detection Of On-street Parking Spaces Based On An Edge Device
CN114814825B (zh) 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法

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