CN114638429A - 一种事故发生概率的预测方法、装置、车辆和存储介质 - Google Patents
一种事故发生概率的预测方法、装置、车辆和存储介质 Download PDFInfo
- Publication number
- CN114638429A CN114638429A CN202210313344.2A CN202210313344A CN114638429A CN 114638429 A CN114638429 A CN 114638429A CN 202210313344 A CN202210313344 A CN 202210313344A CN 114638429 A CN114638429 A CN 114638429A
- Authority
- CN
- China
- Prior art keywords
- user
- deduction
- information
- value
- determining
- 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 81
- 238000011156 evaluation Methods 0.000 claims abstract description 174
- 230000006399 behavior Effects 0.000 claims abstract description 150
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 230000001960 triggered effect Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 108
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种事故发生概率的预测方法、装置、车辆和存储介质，方法包括：获取用户使用辅助驾驶系统的使用行为信息；使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与评价因子对应的告警行为的触发次数；根据针对评价因子的预设扣分规则，采用评价因子对应的告警行为的触发次数，确定用户的总扣分值；确定用户发生事故的预测概率。本发明实施例中，通过用户的使用行为信息得到评价因子，从而通过确定用户的总扣分值，来确定用户发生事故的预测概率，以对用户分类，从而可以对不同的用户制定不同风险规避策略，来提高用户的安全意识。
Description
技术领域
本发明涉及智能辅助驾驶系统技术领域，特别是涉及一种事故发生概率的预测方法、一种事故发生概率的预测装置、一种车辆和一种计算机可读存储介质。
背景技术
随着现代社会的发展，具有智能辅助系统功能的车辆也越来越多，方便了我们日常生活，然而，由于受软硬件的限制，当前智能辅助系统功能无法应对所有的弱势场景，或者辅助驾驶系统的提示信息比较单一，会使得用户容易忽视辅助驾驶系统的提示信息。
为了在驾驶过程中应对所有的弱势场景，规范驾驶员的驾驶行为，仅靠单一的辅助驾驶系统的提示信息，是不能很好的解决个别用户会基于自身的驾驶习惯以及辅助驾驶系统的使用习惯。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于用户行为的用户安全意识评分方法和相应的一种基于用户行为的用户安全意识评分装置。
为了解决上述问题，本发明实施例公开了一种基于用户行为的用户安全意识评分方法，所述方法包括：
获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；
根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；
根据所述用户的总扣分值，确定用户发生事故的预测概率。
可选地，所述评价因子与事故记录之间具有相关性，所述根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值，包括：
针对相关性为正相关的评价因子，当所述评价因子对应的告警行为的触发次数大于第一次数阈值，则按照对应的预设扣分值进行扣分；
针对相关性为负相关的评价因子，当所述评价因子对应的告警行为的触发次数小于第二次数阈值，则按照对应的预设扣分值进行扣分；
确定针对各项评价因子进行扣分后，用户的总扣分值。
可选地，所述根据所述用户的总扣分值，确定用户发生事故的预测概率，包括：
从多个预设分值区间中，确定所述用户的总扣分值所在的目标分值区间；所述多个预设分值区间分别对应不同的事故发生概率；
将所述目标分值区间对应的事故发生概率，作为用户发生事故的预测概率。
可选地，还包括：
获取用户使用辅助驾驶系统的历史使用行为信息和事故记录信息；所述历史使用行为信息包括使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息；所述场景信息、所述控制信息和所述系统状态信息包括多项参数
确定所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数；
根据所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数，从所述场景信息、所述控制信息和所述系统状态信息的各项参数中选取评价因子。
可选地，所述历史使用行为信息还包括用户使用辅助驾驶系统过程中触发的告警行为；所述方法还包括：
确定与所述评价因子对应的告警行为的触发次数；
根据各评价因子对应的告警行为的触发次数，计算参考次数；
选取一小于所述参考次数的数值，确定所述第一次数阈值；
选取一大于所述参考次数的数值，确定所述第二次数阈值。
可选地，还包括：
对于相关系数为正值的评价因子，设置第一扣分条件；所述第一扣分条件为：对应的告警行为的触发次数大于所述第一次数阈值，则进行扣分；
对于相关系数为负值的评价因子，设置第二扣分条件；所述第二扣分条件为：对应的告警行为的触发次数小于所述第二次数阈值，则进行扣分；
设置多个分值区间，不同的分值区间对应不同的事故发生概率；
拟合在满足预设条件时，各项评价因子对应的告警行为的扣分值；所述预设条件为：在不同的分值区间对应的事故发生概率为设定值的情况下，根据所述第一扣分条件和所述第一扣分条件，针对所产生的告警行为按照所述扣分值执行扣分后，用户的各项评价因子的扣分值的总和符合所述分值区间。
可选地，所述根据各评价因子对应的告警行为的触发次数，计算参考次数，包括：
采用各评价因子对应的告警行为的触发次数，计算绝对中位值和平均值；
根据所述绝对中位值和平均值，确定所述参考次数的数值。
本发明实施例还公开了一种基于用户行为的用户安全意识评分装置，所述装置包括：
第一获取模块，用于获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；
分值确定模块，用于根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；
概率确定模块，用于根据所述用户的总扣分值，确定用户发生事故的预测概率。
可选地，所述评价因子与事故记录之间具有相关性，所述分值确定模块包括：
第一扣分子模块，用于针对相关性为正相关的评价因子，当所述评价因子对应的告警行为的触发次数大于第一次数阈值，则按照对应的预设扣分值进行扣分；
第二扣分子模块，用于针对相关性为负相关的评价因子，当所述评价因子对应的告警行为的触发次数小于第二次数阈值，则按照对应的预设扣分值进行扣分；
分值确定子模块，用于确定针对各项评价因子进行扣分后，用户的总扣分值。
可选地，所述概率确定模块包括：
第一确定子模块，用于从多个预设分值区间中，确定所述用户的总扣分值所在的目标分值区间；所述多个预设分值区间分别对应不同的事故发生概率；
第二确定子模块，用于将所述目标分值区间对应的事故发生概率，作为用户发生事故的预测概率。
可选地，还包括：
第二获取模块，用于获取用户使用辅助驾驶系统的历史使用行为信息和事故记录信息；所述历史使用行为信息包括使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息；所述场景信息、所述控制信息和所述系统状态信息包括多项参数；
系数确定模块，用于确定所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数；
第一选取模块，用于根据所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数，从所述场景信息、所述控制信息和所述系统状态信息的各项参数中选取评价因子。
可选地，所述历史使用行为信息还包括用户使用辅助驾驶系统过程中触发的告警行为；所述装置还包括：
触发次数确定模块，用于确定与所述评价因子对应的告警行为的触发次数；
参考计算模块，用于根据各评价因子对应的告警行为的触发次数，计算参考次数；
第一阈值确定模块，用于选取一小于所述参考次数的数值，确定所述第一次数阈值；
第二阈值确定模块，用于选取一大于所述参考次数的数值，确定所述第二次数阈值。
可选地，还包括：
第一扣分模块，用于对于相关系数为正值的评价因子，设置第一扣分条件；所述第一扣分条件为：对应的告警行为的触发次数大于所述第一次数阈值，则进行扣分；
第二扣分模块，用于对于相关系数为负值的评价因子，设置第二扣分条件；所述第二扣分条件为：对应的告警行为的触发次数小于所述第二次数阈值，则进行扣分；
第一设置模块，用于设置多个分值区间，不同的分值区间对应不同的事故发生概率；
第一拟合模块，用于拟合在满足预设条件时，各项评价因子对应的告警行为的扣分值；所述预设条件为：在不同的分值区间对应的事故发生概率为设定值的情况下，根据所述第一扣分条件和所述第一扣分条件，针对所产生的告警行为按照所述扣分值执行扣分后，用户的各项评价因子的扣分值的总和符合所述分值区间。
可选地，所述参考计算模块包括：
第一计算子模块，用于采用各评价因子对应的告警行为的触发次数，计算绝对中位值和平均值；
参考确定子模块，用于根据所述绝对中位值和平均值，确定所述参考次数的数值。
本发明实施例还公开了一种车辆，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行存储器上所存放的程序时，实现如上所述的方法。
本发明实施例还公开了一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如上所述的方法。
本发明实施例包括以下优点：
在本发明实施例中，获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；根据所述用户的总扣分值，确定用户发生事故的预测概率。本发明实施例中，通过用户使用辅助驾驶系统的使用行为信息，得到评价因子，从而通过确定用户的总扣分值，来确定用户发生事故的预测概率，以对用户分类，从而可以对不同的用户制定不同风险规避策略，来提高用户的安全意识。
附图说明
图1是本发明实施例提供的一种事故发生概率的预测方法的步骤流程图；
图2是本发明实施例提供的另一种事故发生概率的预测方法的步骤流程图；
图3是本发明实施例提供的的一种基于用户行为的评价因子提炼的流程图；
图4是本发明实施例提供的一种基于用户行为的用户分层及分值调整的流程图；
图5是本发明实施例提供的一种事故发生概率的预测的流程图；
图6是本发明实施例提供的一种事故发生概率的预测装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
在用户使用辅助驾驶系统驾驶车辆应对弱势场景时，系统可能会因为软硬件操作时延问题，无法及时响应，也不能及时跟用户发出安全提示信号，提示用户接管车辆并退出功能，或者只能通过单一的提示信号，来提醒用户，会使得用户容易忽视该信号，从而带来一定的风险。并且由于用户对于安全提示的响应是否满足辅助驾驶系统安全使用标准缺乏一定的衡量标准，会导致部分用户有选择性的忽视安全提示。为了解决这个问题带来的风险，必须加强用户安全意识，因此，需要对用户的驾驶安全意识通过评分系统，进行客观评价，将用户发生事故的概率进行预测，以对实现对用户分层，从而对不同层次的用户采用不同的提示方案。
本发明实施例的核心构思之一在于，通过对用户使用辅助驾驶系统的使用行为信息，来对用户进行扣分，从而通过确定用户的总扣分值，来确定用户发生事故的预测概率，以提高用户的安全意识，并且，还可以提前预测潜在高风险用户，并制定风险规避策略。
参照图1，示出了本发明实施例提供的一种事故发生概率的预测方法的步骤流程图，所述方法具体可以包括如下步骤：
步骤101，获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；
在本发明实施例中，通过分布式数据仓库技术ETL(Extract-Transform-Load)技术，将用户使用辅助驾驶系统的使用行为信息划分为从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息。
示例性地，用户辅助驾驶系统的场景信息主要包括用户使用的时间、天气等；使用辅助驾驶系统过程中的控制信息主要包括用户车上功能的开启时长、方向盘转角、电门踏板力度、刹车踏板力度等；辅助驾驶系统的系统状态信息包括开启辅助驾驶系统、退出辅助驾驶系统、各类安全信息提示次数等等。具体地，可以根据实际情况而定，本发明实施例对此不加以限制。
在本发明实施例中，基于用户使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息、以及辅助驾驶系统的系统状态信息，通过机器学习算法，来将相关系数进行分类，从而从相关系数正值最大和负值最大的数据中选定评价因子，并记录该评价因子对应的相关系数。
在本发明实施例中，评价因子可以对应有告警行为的触发次数；通过对应的评价因子发生的次数，来确定是否对用户进行扣分。
步骤102，根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；
在本发明的实施例中，预设扣分规则可以是由评价因子以及其对应的告警行为的触发次数组成；通过预设扣分规则和对应评价因子的告警行为的触发次数，来确定用户的扣分，从而确定用户的总扣分值。
在本发明的实施例中，预设扣分规则包括评价因子和评价因子相对应的扣分阈值。
步骤103，根据所述用户的总扣分值，确定用户发生事故的预测概率。
在本发明的实施例中，根据用户的总扣分值，来将用户进行预测分层，从而确定用户发生事故的预测概率。其中，用户分层与发生事故的预测概率相关。
在本发明实施例中，获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；根据所述用户的总扣分值，确定用户发生事故的预测概率。本发明实施例中，通过用户使用辅助驾驶系统的使用行为信息，得到评价因子，从而通过确定用户的总扣分值，来确定用户发生事故的预测概率，以对用户分类，从而可以对不同的用户制定不同风险规避策略，来提高用户的安全意识。
参照图2，示出了本发明实施例提供的另一种事故发生概率的预测方法的步骤流程图，所述方法具体可以包括如下步骤：
步骤201，获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；
在本发明实施例中，评价因子可以包括对应的告警行为的触发次数，通过对应的告警行为的触发次数，来判定是否对用户进行扣分。
在本发明实施例中，选取评价因子可以通过如下步骤：
获取用户使用辅助驾驶系统的历史使用行为信息和事故记录信息；所述历史使用行为信息包括使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息；所述场景信息、所述控制信息和所述系统状态信息包括多项参数；
确定所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数；
根据所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数，从所述场景信息、所述控制信息和所述系统状态信息的各项参数中选取评价因子。
在本发明实施例中，用户使用辅助驾驶系统的历史使用行为信息可以划分为场景信息、控制信息和系统状态信息，并对应包括多项参数。根据场景信息、控制信息和系统状态信息的多项参数和事故记录信息可以确定相关系数。基于相关系数，从场景信息、控制信息和系统状态信息的各项参数中选取评价因子。
在一示例中，首先加载用户辅助驾驶系统使用信息和事故记录至数据分析平台，并通过机器学习的方式，得到因子相关系数和基于因子相关系数的评价因子；
在本发明实施例中，所述评价因子与事故记录之间具有相关性，基于评价因子确定用户的总扣分值可以通过如下步骤：
步骤202，针对相关性为正相关的评价因子，当所述评价因子对应的告警行为的触发次数大于第一次数阈值，则按照对应的预设扣分值进行扣分；
步骤203，针对相关性为负相关的评价因子，当所述评价因子对应的告警行为的触发次数小于第二次数阈值，则按照对应的预设扣分值进行扣分；
在本发明实施例中，所述评价因子与事故记录之间具有相关性。具体地，通过用户使用辅助驾驶系统的使用行为信息与该使用期间是否有事故记录，评估对应的相关系数；具体地，可选取相关系数正值最大的分类成员和负值最大的分类成员作为评价因子，并记录该评价因子对应的相关系数。
在本发明实施例中，评价因子与其对应的阈值可以组成预设扣分规则，对于与事故记录的相关性为正相关的评价因子，若该评价因子对应的用户行为的次数越多，则发生事故的概率越大；对于与事故记录的相关性为负相关的评价因子，若该评价因子对应的用户行为的次数越多，则发生事故的概率越小。
在本发明实施例中，参照图3，提供了一种基于用户行为的评价因子提炼的流程图，具体可以包括如下步骤：
步骤1，加载用户辅助驾驶系统使用信息和事故记录至数据分析平台；
步骤2，将用户辅助驾驶系统使用信息和事故记录通过机器学习的方式，得到因子相关系数和基于因子相关系数的评价因子；
步骤3，将因子相关系数和基于因子相关系数的评价因子通过统计分析，以得到扣分规则。
在本发明实施例中，评价因子还可以对应设有预设扣分值，具体地，是否需要进行对应的预设扣分值进行扣分，跟评价因子对应的阈值有关。
在本发明实施例中，历史使用行为信息包括用户使用辅助驾驶系统过程中触发的告警行为；确定第一次数阈值和第二次数阈值的步骤为：确定与所述评价因子对应的告警行为的触发次数；根据各评价因子对应的告警行为的触发次数，计算参考次数；选取一小于所述参考次数的数值，确定所述第一次数阈值；选取一大于所述参考次数的数值，确定所述第二次数阈值。
在本发明实施例中，所述根据各评价因子对应的告警行为的触发次数，计算参考次数，包括：采用各评价因子对应的告警行为的触发次数，计算绝对中位值和平均值；根据所述绝对中位值和平均值，确定所述参考次数的数值。
在本发明实施例中，通过各评价因子对应的告警行为的触发次数，计算得到对应的绝对中位值和平均值，从而确定参考次数的数值；根据对应参考次数的数值；来选取评价因子对应的次数阈值，其中，选取一小于参考次数的数值，确定第一次数阈值；选取一大于参考次数的数值，确定第二次数阈值。
在本发明实施例中，评价因子可以存在对应的告警行为的触发次数，通过对应的告警行为的触发次数，计算其对应的绝对中位值和平均值，从而确定参考次数的数值。具体地，参考次数的数值可以由历史时间段用户实际使用维度的统计数据来得到，例如，若在过去两个月内，用户平均每天触发报警A的次数为d，则对应的阈值的计算方式为X＝2*1.4826*MAD(d)+Mean(d)。
在本发明实施例中，对于相关系数为正值的评价因子，设置第一扣分条件；所述第一扣分条件为：对应的告警行为的触发次数大于所述第一次数阈值，则进行扣分；
对于相关系数为负值的评价因子，设置第二扣分条件；所述第二扣分条件为：对应的告警行为的触发次数小于所述第二次数阈值，则进行扣分；
设置多个分值区间，不同的分值区间对应不同的事故发生概率；
拟合在满足预设条件时，各项评价因子对应的告警行为的扣分值；所述预设条件为：在不同的分值区间对应的事故发生概率为设定值的情况下，根据所述第一扣分条件和所述第二扣分条件，针对所产生的告警行为按照所述扣分值执行扣分后，用户的各项评价因子的扣分值的总和符合所述分值区间。
在本发明实施例中，对相关系数为正值和负值的评价因子，分别设置扣分条件，当满足对应的扣分条件时，进行扣分。
在本发明实施例中，对分值进行区间划分，以得到多个分值区间，多个分值区间对应不同的事故发生概率。根据多个预设分值区间，确定用户的总扣分值所在的区间，从而确定用户发生事故的预测概率。
在本发明实施例中，对应评价因子触发的告警行为，对应着不同的扣分值，根据第一扣分条件和第二扣分条件，按照对应的扣分值进行扣分，以得到用户的总扣分值，根据用户的总扣分值和多个分值区间，来对应不同的事故发生概率。
步骤204，确定针对各项评价因子进行扣分后，用户的总扣分值。
在本发明实施例中，当评价因子与事故记录的相关性为正相关时，且对应的告警行为的触发次数是大于第一次数阈值，则按照对应的预设扣分值进行扣分；当评价因子与事故记录的相关性为负相关时，且对应的告警行为的触发次数是小于第二次数阈值，则按照对应的预设扣分值进行扣分；针对评价因子对应进行扣分，得到总扣分值。
示例性地，与事故记录的相关性为正相关的评价因子可以为用户对下雨天雨刷不能及时开启、用户使用刹车踏板的力度较大，以及忘记开车系安全带等等；与事故记录的相关性为负相关的评价因子可以为用户能在雨雪天及时在车辆上作出反应、需停车时可以缓慢的踩刹车、路上行驶时能够很好的与前后车保持车距等等。具体地，可以根据实际情况而定，本发明实施例对此不加以限制。
在本发明实施例中，参照图4，提供的一种基于用户行为的用户分层及分值调整的流程图，具体可以包括如下步骤：
步骤1，预选设定扣分值；
步骤2，通过用户辅助驾驶系统使用信息和对应设定的扣分值，来对用户进行模拟扣分；
步骤3，将进行模拟扣分后的总分加载至数据分析平台，并统计分析得到用户分层；
步骤4，通过事故记录来验证用户分层的相关性；
步骤5，根据分层后的用户，基于相关性调整扣分值。
步骤205，从多个预设分值区间中，确定所述用户的总扣分值所在的目标分值区间；所述多个预设分值区间分别对应不同的事故发生概率。
步骤206，将所述目标分值区间对应的事故发生概率，作为用户发生事故的预测概率。
在本发明实施例中，评价因子与其对应的阈值可以组成预设扣分规则，对于与事故记录的相关性为正相关的评价因子，若该评价因子对应的用户行为的次数越多，则发生事故的概率越大；对于与事故记录的相关性为负相关的评价因子，若该评价因子对应的用户行为的次数越多，则发生事故的概率越小。
在一示例中，例如，过去两个月，用户平均每天基于正相关的评价因子，触发报警A的次数，计为a，基于负相关的评价因子，触发报警B的次数，计为b，
若a的数值越大，且大于该正相关评价因子对应的阈值，则对用户进行相应的扣分；
若b的数值越小，且小于该负相关评价因子对应的阈值，则对用户进行相应的扣分。
根据触发报警A和B的次数，来对用户进行模拟扣分，以预测用户发生事故的概率，从而对用户进行分层，基于不同层次的用户，给用户不同的安全提示。
在本发明实施例中，参照图5，提供的一种事故发生概率的预测的流程图，具体可以包括如下步骤：
步骤1，根据扣分值的设定得到扣分规则；
步骤2，用户辅助驾驶系统使用信息通过机器学习来预测用户辅助驾驶系统的使用行为；
步骤3，基于扣分规则和用户辅助驾驶系统的使用行为预测，来对用户进行模拟扣分；
步骤4，基于用户的模拟扣分，来对用户预测分层；
步骤5，基于用户预测分层，得到用户发生事故概率。
在本发明实施例中，获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；根据所述用户的总扣分值，确定用户发生事故的预测概率。本发明实施例中，通过用户使用辅助驾驶系统的使用行为信息，得到评价因子，从而通过确定用户的总扣分值，来确定用户发生事故的预测概率，以对用户分层，根据不同的用户制定不同提示的方案，来提高了用户的安全意识，或者预测潜在高风险用户，并制定风险规避策略。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图6，示出了本发明实施例提供的一种事故发生概率的预测装置的结构框图，具体可以包括如下模块：
第一获取模块601，用于获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；
分值确定模块602，用于根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；
概率确定模块603，用于根据所述用户的总扣分值，确定用户发生事故的预测概率。
在一种实施例中，所述评价因子与事故记录之间具有相关性，所述分值确定模块包括：
第一扣分子模块，用于针对相关性为正相关的评价因子，当所述评价因子对应的告警行为的触发次数大于第一次数阈值，则按照对应的预设扣分值进行扣分；
第二扣分子模块，用于针对相关性为负相关的评价因子，当所述评价因子对应的告警行为的触发次数小于第二次数阈值，则按照对应的预设扣分值进行扣分；
分值确定子模块，用于确定针对各项评价因子进行扣分后，用户的总扣分值。
在一种实施例中，所述概率确定模块包括：
第一确定子模块，用于从多个预设分值区间中，确定所述用户的总扣分值所在的目标分值区间；所述多个预设分值区间分别对应不同的事故发生概率；
第二确定子模块，用于将所述目标分值区间对应的事故发生概率，作为用户发生事故的预测概率。
在一种实施例中，第二获取模块，用于获取用户使用辅助驾驶系统的历史使用行为信息和事故记录信息；所述历史使用行为信息包括使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息；所述场景信息、所述控制信息和所述系统状态信息包括多项参数；
系数确定模块，用于确定所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数；
第一选取模块，用于根据所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数，从所述场景信息、所述控制信息和所述系统状态信息的各项参数中选取评价因子。
在一种实施例中，所述历史使用行为信息还包括用户使用辅助驾驶系统过程中触发的告警行为；所述装置还包括：
触发次数确定模块，用于确定与所述评价因子对应的告警行为的触发次数；
参考计算模块，用于根据各评价因子对应的告警行为的触发次数，计算参考次数；
第一阈值确定模块，用于选取一小于所述参考次数的数值，确定所述第一次数阈值；
第二阈值确定模块，用于选取一大于所述参考次数的数值，确定所述第二次数阈值。
在一种实施例中，第一扣分模块，用于对于相关系数为正值的评价因子，设置第一扣分条件；所述第一扣分条件为：对应的告警行为的触发次数大于所述第一次数阈值，则进行扣分；
第二扣分模块，用于对于相关系数为负值的评价因子，设置第二扣分条件；所述第二扣分条件为：对应的告警行为的触发次数小于所述第二次数阈值，则进行扣分；
第一设置模块，用于设置多个分值区间，不同的分值区间对应不同的事故发生概率；
第一拟合模块，用于拟合在满足预设条件时，各项评价因子对应的告警行为的扣分值；所述预设条件为：在不同的分值区间对应的事故发生概率为设定值的情况下，根据所述第一扣分条件和所述第一扣分条件，针对所产生的告警行为按照所述扣分值执行扣分后，用户的各项评价因子的扣分值的总和符合所述分值区间。
在一种实施例中，所述参考计算模块包括：
第一计算子模块，用于采用各评价因子对应的告警行为的触发次数，计算绝对中位值和平均值；
参考确定子模块，用于根据所述绝对中位值和平均值，确定所述参考次数的数值。
在本发明实施例中，获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；根据所述用户的总扣分值，确定用户发生事故的预测概率。本发明实施例中，通过用户使用辅助驾驶系统的使用行为信息，得到评价因子，从而通过确定用户的总扣分值，来确定用户发生事故的预测概率，以对用户分层，根据不同的用户制定不同提示的方案，来提高了用户的安全意识，或者预测潜在高风险用户，并制定风险规避策略。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备，包括：
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述事故发生概率的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述事故发生概率的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种方法和一种装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种事故发生概率的预测方法，其特征在于，所述方法包括：
获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；
根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；
根据所述用户的总扣分值，确定用户发生事故的预测概率。
2.根据权利要求1所述的方法，其特征在于，所述评价因子与事故记录之间具有相关性，所述根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值，包括：
针对相关性为正相关的评价因子，当所述评价因子对应的告警行为的触发次数大于第一次数阈值，则按照对应的预设扣分值进行扣分；
针对相关性为负相关的评价因子，当所述评价因子对应的告警行为的触发次数小于第二次数阈值，则按照对应的预设扣分值进行扣分；
确定针对各项评价因子进行扣分后，用户的总扣分值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述用户的总扣分值，确定用户发生事故的预测概率，包括：
从多个预设分值区间中，确定所述用户的总扣分值所在的目标分值区间；所述多个预设分值区间分别对应不同的事故发生概率；
将所述目标分值区间对应的事故发生概率，作为用户发生事故的预测概率。
4.根据权利要求3所述的方法，其特征在于，还包括：
获取用户使用辅助驾驶系统的历史使用行为信息和事故记录信息；所述历史使用行为信息包括使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息；所述场景信息、所述控制信息和所述系统状态信息包括多项参数；
确定所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数；
根据所述场景信息、所述控制信息和所述系统状态信息的各项参数与所述事故记录信息的相关系数，从所述场景信息、所述控制信息和所述系统状态信息的各项参数中选取评价因子。
5.根据权利要求4所述的方法，其特征在于，所述历史使用行为信息还包括用户使用辅助驾驶系统过程中触发的告警行为；所述方法还包括：
确定与所述评价因子对应的告警行为的触发次数；
根据各评价因子对应的告警行为的触发次数，计算参考次数；
选取一小于所述参考次数的数值，确定所述第一次数阈值；
选取一大于所述参考次数的数值，确定所述第二次数阈值。
6.根据权利要求5所述的方法，其特征在于，还包括：
对于相关系数为正值的评价因子，设置第一扣分条件；所述第一扣分条件为：对应的告警行为的触发次数大于所述第一次数阈值，则进行扣分；
对于相关系数为负值的评价因子，设置第二扣分条件；所述第二扣分条件为：对应的告警行为的触发次数小于所述第二次数阈值，则进行扣分；
设置多个分值区间，不同的分值区间对应不同的事故发生概率；
拟合在满足预设条件时，各项评价因子对应的告警行为的扣分值；所述预设条件为：在不同的分值区间对应的事故发生概率为设定值的情况下，根据所述第一扣分条件和所述第二扣分条件，针对所产生的告警行为按照所述扣分值执行扣分后，用户的各项评价因子的扣分值的总和符合所述分值区间。
7.根据权利要求5所述的方法，其特征在于，所述根据各评价因子对应的告警行为的触发次数，计算参考次数，包括：
采用各评价因子对应的告警行为的触发次数，计算绝对中位值和平均值；
根据所述绝对中位值和平均值，确定所述参考次数的数值。
8.一种事故发生概率的预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取用户使用辅助驾驶系统的使用行为信息；所述使用行为信息包括：从使用辅助驾驶系统的场景信息、使用辅助驾驶系统过程中的控制信息和辅助驾驶系统的系统状态信息中选取的评价因子，和与所述评价因子对应的告警行为的触发次数；
分值确定模块，用于根据针对所述评价因子的预设扣分规则，采用所述评价因子对应的告警行为的触发次数，确定用户的总扣分值；
概率确定模块，用于根据所述用户的总扣分值，确定用户发生事故的预测概率。
9.一种车辆，其特征在于，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要或1-7中任一项所述的方法的步骤。
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计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210313344.2A CN114638429A (zh) | 2022-03-28 | 2022-03-28 | 一种事故发生概率的预测方法、装置、车辆和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210313344.2A CN114638429A (zh) | 2022-03-28 | 2022-03-28 | 一种事故发生概率的预测方法、装置、车辆和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114638429A true CN114638429A (zh) | 2022-06-17 |
Family
ID=81951141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210313344.2A Pending CN114638429A (zh) | 2022-03-28 | 2022-03-28 | 一种事故发生概率的预测方法、装置、车辆和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638429A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116938595A (zh) * | 2023-09-11 | 2023-10-24 | 北京格尔国信科技有限公司 | 验证终端设备身份安全的方法、系统、终端及存储介质 |
-
2022
- 2022-03-28 CN CN202210313344.2A patent/CN114638429A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116938595A (zh) * | 2023-09-11 | 2023-10-24 | 北京格尔国信科技有限公司 | 验证终端设备身份安全的方法、系统、终端及存储介质 |
| CN116938595B (zh) * | 2023-09-11 | 2023-12-26 | 北京格尔国信科技有限公司 | 验证终端设备身份安全的方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106314428B (zh) | 一种避撞系统、避撞方法及机动车辆 | |
| CN111267846B (zh) | 一种基于博弈论的周围车辆交互行为预测方法 | |
| US20190049981A1 (en) | User data-based autonomous vehicle system | |
| CN111325230B (zh) | 车辆换道决策模型的在线学习方法和在线学习装置 | |
| CN110615001B (zh) | 一种基于can数据的驾驶安全提醒方法、装置及介质 | |
| CN109782730B (zh) | 用于自主系统性能和评级的方法和装置 | |
| Xiong et al. | Drivers' adaptation to adaptive cruise control: Examination of automatic and manual braking | |
| CN111483460B (zh) | 一种车辆辅助驾驶控制方法、装置、设备及存储介质 | |
| CN112373475B (zh) | 车辆控制方法、装置、介质、设备及车辆 | |
| CN111666307A (zh) | 根据场景观察进行直觉推断的无人驾驶安全判断系统 | |
| CN114638429A (zh) | 一种事故发生概率的预测方法、装置、车辆和存储介质 | |
| CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
| CN115359658B (zh) | 交通事件的检测方法、装置、设备、存储介质及程序产品 | |
| Bennajeh et al. | Anticipation model based on a modified fuzzy logic approach | |
| CN115092181A (zh) | 车辆的控制方法、装置、存储介质和处理器 | |
| CN114399107A (zh) | 一种交通状态感知信息的预测方法及系统 | |
| CN114999134B (zh) | 一种驾驶行为预警方法、装置及系统 | |
| CN110751054B (zh) | 一种异常驾驶行为的检测系统 | |
| JP2981950B2 (ja) | 居眠り運転検出装置 | |
| CN113836790B (zh) | 电动单车智能化等级的测评方法、装置及计算机设备 | |
| CN118182488A (zh) | 驾驶风格的调整方法、装置、电子设备及可读存储介质 | |
| CN114056425B (zh) | 车辆转向控制方法、装置、车辆及存储介质 | |
| CN114435389B (zh) | 一种车辆控制方法、装置及车辆 | |
| CN118172936B (zh) | 一种基于车道级交通参数的异常交通事件智能检测方法及系统 | |
| CN114506331B (zh) | 碰撞风险预警方法、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 |