CN114970897A - 数据处理方法、装置、电子设备及车辆 - Google Patents
数据处理方法、装置、电子设备及车辆 Download PDFInfo
- Publication number
- CN114970897A CN114970897A CN202210601082.XA CN202210601082A CN114970897A CN 114970897 A CN114970897 A CN 114970897A CN 202210601082 A CN202210601082 A CN 202210601082A CN 114970897 A CN114970897 A CN 114970897A
- Authority
- CN
- China
- Prior art keywords
- data
- accident
- vehicle
- target vehicle
- vehicle 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.)
- Pending
Links
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种数据处理方法、装置、电子设备及车辆。其中,该方法包括:获取历史车辆数据,其中,历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;对历史车辆数据进行相关性分析,得到目标车辆特征,其中,目标车辆特征用于表征与预设类型事故相关的车辆数据;利用目标车辆特征对初始模型进行训练,得到事故识别模型,其中,事故识别模型用于对目标车辆的目标车辆数据进行识别,确定目标车辆是否发生预设类型事故。本发明解决了相关技术中无法对车辆的轻微事故进行识别的技术问题。
Description
技术领域
本发明涉及智能汽车领域,具体而言,涉及一种数据处理方法、装置、电子设备及车辆。
背景技术
汽车的车端安全气囊控制器可以通过碰撞传感器监测行车过程中是否有碰撞发生,当监测到碰撞发生时,可以控制气囊弹开,并上传气囊弹开信号。随着智能网联汽车发展,新生产车辆还需配备EDR(Event Data Recorder,汽车事件数据记录系统),对车辆碰撞事故时刻前后数据进行记录,由于安全气囊控制器及EDR主要针对威胁驾乘人员生命安全的较严重碰撞,需要车辆在处于较高车速状态下发生碰撞或出现减速度超阈值等异常情况时才会记录并上传异常数据,因此,无法识别如车辆刮蹭等相对轻微的交通事故场景。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理方法、装置、电子设备及车辆,以至少解决相关技术中无法对车辆的轻微事故进行识别的技术问题。
根据本发明实施例的一个方面,提供了一种数据处理方法,包括:获取历史车辆数据,其中,历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;对历史车辆数据进行相关性分析,得到目标车辆特征,其中,目标车辆特征用于表征与预设类型事故相关的车辆数据;利用目标车辆特征对初始模型进行训练,得到事故识别模型,其中,事故识别模型用于对目标车辆的目标车辆数据进行识别,确定目标车辆是否发生预设类型事故。
可选地,获取历史车辆数据,包括:从第三方服务器获取多个车辆出现事故的历史维修数据和历史赔偿数据;基于历史维修数据和历史赔偿数据,确定多个车辆出现事故的事故类型;响应于事故类型为预设类型,确定多个车辆出现事故的事故时刻;基于事故时刻从云服务器获取多个车辆的车辆数据,得到历史车辆数据。
可选地,基于事故时刻从云服务器获取多个车辆的车辆数据,得到历史车辆数据包括:基于事故时刻,确定目标时间段;从云服务器获取目标时间段内的原始车辆数据;确定原始车辆数据中安全气囊状态;剔除原始车辆数据中安全气囊状态为弹开状态的车辆数据,得到历史车辆数据。
可选地,对历史车辆数据进行相关性分析,得到目标车辆特征,包括:获取历史车辆数据中不同类型数据的原始特征;对原始特征进行相关性分析,得到不同类型数据的分析结果,其中,分析结果用于表征不同类型数据与预设类型事故的相关程度;基于分析结果,确定历史车辆数据中的目标车辆特征。
可选地,利用目标车辆特征对初始模型进行训练,得到事故识别模型,包括:将目标车辆特征输入至初始模型,获取初始模型输出的预测结果;基于预测结果对初始模型进行评估,得到初始模型的评估结果;基于评估数据预测结果对初始模型进行参数调整,得到事故识别模型。
可选地,在利用目标车辆特征对初始模型进行训练,得到事故识别模型之后,方法还包括:将事故识别模型部署至目标车辆;获取目标车辆的当前车辆数据;基于当前车辆数据对事故识别模型进行调整。
可选地,该方法还包括:获取目标车辆的目标车辆数据;对目标车辆数据进行识别,确定目标车辆是否发生预设类型事故;响应于目标车辆发送预设类型事故,则对目标车辆数据、预设类型以及预设类型事故的发生概率进行存储。
根据本发明实施例的另一方面,还提供了一种数据处理装置,包括:获取模块,用于获取历史车辆数据,其中,历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;分析模块,用于对历史车辆数据进行相关性分析,得到目标车辆特征,其中,目标车辆特征用于表征与预设类型事故相关的车辆数据;训练模块,用于利用目标车辆特征对初始模型进行训练,得到事故识别模型,其中,事故识别模型用于对目标车辆的目标车辆数据进行识别,确定目标车辆是否发生预设类型事故。
根据本发明实施例的另一方面,还提供了一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器执行上述任意一项的数据处理方法。
根据本发明实施例的另一方面,还提供了一种车辆,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器执行上述任意一项的目标车辆的控制方法。
通过上述步骤,获取历史车辆数据,其中,历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;对历史车辆数据进行相关性分析,得到目标车辆特征,其中,目标车辆特征用于表征与预设类型事故相关的车辆数据;利用目标车辆特征对初始模型进行训练,得到事故识别模型,其中,事故识别模型用于对目标车辆的目标车辆数据进行识别,确定目标车辆是否发生预设类型事故。容易注意到的是,可以获取到轻微事故的车辆数据,并通过对历史车辆数据进行相关性分析,得到更加符合轻微事故的目标车辆特征,可以利用目标车辆特征对初始模型进行训练,从而得到能够识别轻微事故的事故识别模型,从而达到了提升车辆的轻微事故识别的准确性的技术效果,进而解决了相关技术中无法对车辆的轻微事故进行识别的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的数据处理方法的流程图;
图2是根据本发明实施例的一种可选的轻微事故识别的流程图;
图3是根据本发明实施例中的一种数据处理装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种数据处理的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的数据处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取历史车辆数据,其中,历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据。
上述预设类型事故可以为轻微事故,可选地,可以包括侧面刮蹭、前部碰撞等。
上述历史车辆数据可以为多个车辆发生轻微事故时所产生的数据,可选地,历史车辆数据可以包括事故发生的原因、事故发生的时间、事故发生的地点、事故发生时车辆的状态等。
在一种可选的实施例中,在确定出事故发生时刻后,可以通过云服务器获取到多个车辆的车辆数据,并将其确定为历史车辆数据。可选地,该车辆数据可以用于表示多个车辆发生轻微事故时的事故信息,其中,事故信息可以为车辆的损坏程度、以及事故所发生的场景。
步骤S104,对历史车辆数据进行相关性分析,得到目标车辆特征,其中,目标车辆特征用于表征与预设类型事故相关的车辆数据。
上述目标车辆特征可以由历史车辆数据得到,目标车辆特征可以为与轻微事故相关的车辆数据信息。
在一种可选的实施例中,不同类型的事故具有不同的特征信息,例如,侧面刮蹭类事故可以关注其方向盘转角、侧向加速度、与侧向车辆距离等信号,及其相关统计性指标等信息,以及事故发生时刻之后相对普遍存在的情况,如异常长时停留、长时异常灯光、位置信息等。可选地,可以根据获取到的不同事故所对应的不同特征,对其所对应的历史车辆数据进行相关性分析,从而确定出不同历史车辆数据所对应的目标车辆特征。
步骤S106,利用目标车辆特征对初始模型进行训练,得到事故识别模型,其中,事故识别模型用于对目标车辆的目标车辆数据进行识别,确定目标车辆是否发生预设类型事故。
上述初始模型可以为未输入目标车辆特征之前的未经训练的模型,例如,LSTM(Long Short-Term Memory)模型,其中,LSTM模型为循环神经网络的一种变体。
上述事故识别模型可以为经过训练后的初始模型,可选地,事故识别模型可以通过对目标车辆的目标车辆数据进行识别,从而判断出目标车辆是否发生轻微事故。
其中,目标车辆可以为发生事故的车辆。
其中,目标车辆数据可以由目标车辆所产生,目标车辆数据可以表示目标车辆在目标车辆数据所产生时的状况。
在一种可选的实施例中,可以通过将目标车辆特征输入初始模型,并得出初始模型所产生的输出结果,进一步的通过该输出结果对初始模型进行训练,可选地,可以通过调整模型参数,从而实现对初始模型的训练。
进一步的,可以将训练后的初始模型确定为事故识别模型,并将其部署在目标车辆的车端,当目标车辆产生目标车辆数据时,可以通过事故识别模型对目标车辆数据进行识别,从而确定出目标车辆是否发生轻微事故。
通过上述步骤,获取历史车辆数据,其中,历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;对历史车辆数据进行相关性分析,得到目标车辆特征,其中,目标车辆特征用于表征与预设类型事故相关的车辆数据;利用目标车辆特征对初始模型进行训练,得到事故识别模型,其中,事故识别模型用于对目标车辆的目标车辆数据进行识别,确定目标车辆是否发生预设类型事故。容易注意到的是,可以获取到轻微事故的车辆数据,并通过对历史车辆数据进行相关性分析,得到更加符合轻微事故的目标车辆特征,可以利用目标车辆特征对初始模型进行训练,从而得到能够识别轻微事故的事故识别模型,从而达到了提升车辆的轻微事故识别的准确性的技术效果,进而解决了相关技术中无法对车辆的轻微事故进行识别的技术问题。
可选地,获取历史车辆数据,包括:从第三方服务器获取多个车辆出现事故的历史维修数据和历史赔偿数据;基于历史维修数据和历史赔偿数据,确定多个车辆出现事故的事故类型;响应于事故类型为预设类型,确定多个车辆出现事故的事故时刻;基于事故时刻从云服务器获取多个车辆的车辆数据,得到历史车辆数据。
上述第三方服务器可以为车联网系统的服务器,上述第三方服务器还可以为汽车保险公司或汽车维修公司的服务器。
在一种可选的实施例中,可以通过汽车维修公司的服务器获取到发生事故时的历史维修数据,通过汽车保险公司获取到车辆发生事故时的历史赔偿数据,基于历史维修数据和历史赔偿数据确定出所发生的事故类型以及事故严重程度。可选地,可以通过设置阈值,将维修时花费金额的大小以及保险赔偿金额的大小与所设置的阈值进行比较,将维修时花费金额的大小或保险赔偿金额的大小与阈值进行比较,将维修时花费的金额或保险赔偿的金额小于阈值的事故确定为预设类型事故。
进一步的,可以基于预设事故类型发生时刻从云服务器获取车辆相应时段前后的的多个车辆的车辆数据,可选地,可以通过事故发生后的特征信息对事故发生时刻进行初步定位,其中,特征信息可以包括事故时间段内车辆与周围车辆最小距离、事故后的异常停车、异常灯光等。基于特征信息可以定位到车辆事故发生时刻,在定位到车辆事故发生时刻后,可以从云端服务器获取该时刻前后时段的多个车辆的车辆数据,并将其确定为历史车辆数据。
可选地,基于事故时刻从云服务器获取多个车辆的车辆数据,得到历史车辆数据包括:基于事故时刻,确定目标时间段;从云服务器获取目标时间段内的原始车辆数据;确定原始车辆数据中安全气囊状态;剔除原始车辆数据中安全气囊状态为弹开状态的车辆数据,得到历史车辆数据。
上述目标时间段可以为包含事故发生过程的一段时间,可选地,可以在确定出事故发生时刻和事故结束时刻后设置一个预设阈值,基于该阈值在事故发生时刻之前和事故结束时刻之后各选取一个时间点,选取上述两个时间点之间的一段时间,并将该段时间确定为目标时间段。其中,上述预设阈值可以由用户根据需求自行设定。
在一种可选的实施例中,在确定出目标时间段之后,可以从云服务器获取到该时间段内的原始车辆数据,其中,原始车辆数据可以包括,车速、加速踏板开度、制动踏板开度、三轴加速度、方向盘转角、灯光、车内传感器相关信息、安全气囊弹开状态等。可选地,在获取到原始车辆数据中的安全气囊状态后,可以判断其是否为安全气囊弹开状态,将安全气囊为弹开状态的事故确认为非轻微事故,并剔除掉该事故所对应的的相关数据,并将剩余的原始车辆数据确认为历史车辆数据。
可选地,对历史车辆数据进行相关性分析,得到目标车辆特征,包括:获取历史车辆数据中不同类型数据的原始特征;对原始特征进行相关性分析,得到不同类型数据的分析结果,其中,分析结果用于表征不同类型数据与预设类型事故的相关程度;基于分析结果,确定历史车辆数据中的目标车辆特征。
上述目标车辆特征可以由对历史车辆数据进行相关性分析后得到。
在一种可选的实施例中,在获取到历史车辆数据之后,可以对历史车辆数据中不同类型数据的原始特征进行相关性分析,从而得到不同的分析结果。其中,原始特征可以为不同事故所对应的不同特征,例如,正面轻微碰撞类事故可以关注其速度、纵向加速度、刹车踏板、与纵向车辆距离等信号,及其相关统计性指标等信息。
在一种可选的实施例中,通过对不同类型数据的原始特征进行相关性分析,可以得到不同的分析结果,可选地,该分析结果可以用来表示,其对应的不同类型的数据所对应的事故,与预设类型事故的相关程度,基于该分析结果,可以确定出历史车辆数据中的目标车辆特征。
可选地,利用目标车辆特征对初始模型进行训练,得到事故识别模型,包括:将目标车辆特征输入至初始模型,获取初始模型输出的预测结果;基于预测结果对初始模型进行评估,得到初始模型的评估结果;基于评估数据预测结果对初始模型进行参数调整,得到事故识别模型。
上述在一种可选的实施例中,可以将目标车辆特征输入初始模型,获取到初始模型输出的预测结果,并将该预测结果与真实结果进行对比,从而实现对初始模型的评估。进一步的,可以根据预测结果与真实结果之间的差距,对初始模型进行参数调整,进而得出事故识别模型,可选地,该事故识别模型可以用于对车辆事故进行识别。
在另一种可选地实施例中,可以通过深度学习的方法对目标车辆特征进行模型训练与迭代,可以通过对包括车辆距离指标、急减速指标、急转向指标、单位质量比功率指标、异常停车指标、异常灯光指标等的特征数据进行深度学习。进一步的,划分训练集、验证集、测试集,完成模型训练及交叉验证,基于查准率指标对模型进行评价,评估预测结果,进行后续模型参数的优化迭代。
可选地,在利用目标车辆特征对初始模型进行训练,得到事故识别模型之后,方法还包括:将事故识别模型部署至目标车辆;获取目标车辆的当前车辆数据;基于当前车辆数据对事故识别模型进行调整。
上述目标车辆可以为需要部署事故模型的车辆,当前车辆数据可以为目标车辆所产生的数据。
在一种可选的实施例中,在得到事故识别模型之后,可以将该事故识别模型部署在目标车辆的无线网关、网关等设备终端上,通过获取目标车辆上各传感器所采集到的当前车辆数据,并将其输入事故识别模型。由于云端数据与车端数据频率差异较大,当前车辆数据为实时数据流,因此可以基于当前车辆数据在事故识别模型的基础上进一步的重新开发。可选地,可以对当前车辆数据进行预处理,包括高频数据到低频数据的处理逻辑实现及数据输入格式更改,以及模型完成事故识别后的结果输出方式等。
可选地,该方法还包括:获取目标车辆的目标车辆数据;对目标车辆数据进行识别,确定目标车辆是否发生预设类型事故;响应于目标车辆发送预设类型事故,则对目标车辆数据、预设类型以及预设类型事故的发生概率进行存储。
在一种可选的实施例中,在获取到目标车辆数据之后,可以利用事故识别模型对目标车辆数据进行识别,从而判断目标车辆是否发生预设类型事故,若目标车辆发生预设类型事故,则可以将目标车辆数据、事故类型、预设类型事故发生的概率进行存储。可选的,若后续有对车辆残值进行评估或事故核查需求时,可以将该事故识别模型中所记录的数据作为参考,进行进一步分析,从而可以提升评估的效率、准确性同时还可以降低人力成本。
图2是根据本发明实施例的一种可选的轻微事故识别的流程图,如图2所示,可以从维修保养及保险索赔数据中筛选出正面碰撞类、侧面刮蹭类等信息的数据,再根据索赔、维保金额进行进一步筛选,剔除重大事故、维修金额过高或同时包含过多其他类型项目的车辆数据,初步筛选出其中前部轻微碰撞的案例,获取对应日期前一定周期内车联网数据,剔除非事故样本数据,例如安全气囊信号显示车辆气囊已经弹开的车辆,该类车辆事故情况较严重且可通过气囊信号进行识别。其余车辆作为提取详细样本数据进行分析,并从中筛选出事故样本数据。
在筛选事故样本数据时,可以提取数据信号字段包括直接表征车辆发生事故可能性的数据,如与周围车辆距离、碰撞预警信息等,以及侧面反映事故发生可能性的传感器信号,如速度、加速踏板开度、制动踏板开度、三轴加速度、方向盘转角、整车上电状态、车门状态、灯光状态等。可以对车辆上传的原始数据进行处理,包括速度、加速度、制动踏板开度等的最值、均值等统计性指标,而针对车辆前向碰撞可采用公式:Udp=dP/m-a(t)*a(t)+ΔV*J(t)计算车辆单位质量比功率作为重要评价指标,其中a(t)为加速度,ΔV为速度变化量,J(t)为加速度变化率。
对以上特征进行相关性分析的时候,可以剔除掉相对重复的指标,如加速度变化率和加速度指标等,避免相关性较高的指标重复出现对模型产生影响。同时针对事故发生后的一般处理方式构造特征,如车辆长时异常停止、长时异常灯光、车门及后备箱门开启等情况,用于识别车辆发生事故后车主可能的操作。基于以上特征,可以对车辆事故发生时刻进行定位,获取事故发生时刻,并从历史数据中取该时刻前后相应时间段内数据作为样本数据,并将其标注为事故,另取一定量的正常行驶数据样本,将其标注为非事故,作为模型训练数据输入。
进一步的,对获取到的样本数据可以进行特征工程,对于正面碰撞,需要计算的主要特征包括与前车的距离、车辆单位质量比功率、刹车距离、制动踏板开度变化率,以及当前时刻后一段时间内的异常停车时长、灯光异常时长、停车位置异常等特征,基于构造完成的特征数据,在云端完成模型训练,产生事故识别模型。
后续还可以进行车端模型适配开发,可选地,可以将车端高频数据处理成与云端相同频率,作为模型输入,且由于车端数据为实时流,同样需要对模型的特征工程方法进行相应调整,实现模型部署到车辆远程通信模块、网关、域控制器等智能终端,并将事故类型及特征记录存储。
在车辆需要进行二手车残值评估或者再进行车险反欺诈检查时,可通过外接设备连接车载智能终端,读取相应存储位置的识别结果数据,用于支撑后续判断,辅助确认车辆是否出现过碰撞事故。
实施例2
根据本发明实施例,还提供了一种数据处理装置,该装置可以执行上述实施例中的数据处理方法,图3是根据本发明实施例中的一种数据处理装置示意图,如图3所示,该装置包括如下组成部分:
获取模块302,用于获取历史车辆数据,其中,历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;
分析模块304,用于对历史车辆数据进行相关性分析,得到目标车辆特征,其中,目标车辆特征用于表征与预设类型事故相关的车辆数据;
训练模块306,用于利用目标车辆特征对初始模型进行训练,得到事故识别模型,其中,事故识别模型用于对目标车辆的目标车辆数据进行识别,确定目标车辆是否发生预设类型事故。
可选地,获取模块302,包括:第一获取单元,用于从第三方服务器获取多个车辆出现事故的历史维修数据和历史赔偿数据;第一确定单元,用于基于历史维修数据和历史赔偿数据,确定多个车辆出现事故的事故类型;第二确定单元,用于响应于事故类型为预设类型,确定多个车辆出现事故的事故时刻;第二获取单元,用于基于事故时刻从云服务器获取多个车辆的车辆数据,得到历史车辆数据。
可选地,第二获取单元,包括:第一确定子单元,用于基于事故时刻,确定目标时间段;获取子单元,用于从云服务器获取目标时间段内的原始车辆数据;第二确定子单元,用于确定原始车辆数据中安全气囊状态;剔除子单元,用于剔除原始车辆数据中安全气囊状态为弹开状态的车辆数据,得到历史车辆数据。
可选地,分析模块304,包括:第三获取单元,用于获取历史车辆数据中不同类型数据的原始特征;分析单元,用于对原始特征进行相关性分析,得到不同类型数据的分析结果,其中,分析结果用于表征不同类型数据与预设类型事故的相关程度;第三确定单元,用于基于分析结果,确定历史车辆数据中的目标车辆特征。
可选地,训练模块306,包括:第四获取单元,用于将目标车辆特征输入至初始模型,获取初始模型输出的预测结果;评估单元,用于基于预测结果对初始模型进行评估,得到初始模型的评估结果;调整单元,用于基于评估数据预测结果对初始模型进行参数调整,得到事故识别模型。
可选地,该装置还包括:部署模块,用于将事故识别模型部署至目标车辆;第二获取模块,用于获取目标车辆的当前车辆数据;调整模块,用于基于当前车辆数据对事故识别模型进行调整。
可选地,该装置还包括:第三获取模块,用于获取目标车辆的目标车辆数据;识别模块,用于对目标车辆数据进行识别,确定目标车辆是否发生预设类型事故;存储模块,用于响应于目标车辆发送预设类型事故,对目标车辆数据、预设类型以及预设类型事故的发生概率进行存储。
实施例3
根据本发明实施例,还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器执行上述任意一项的数据处理方法。
实施例4
根据本发明实施例,还提供了一种车辆,包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器执行上述任意一项的目标车辆的控制方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元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单元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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取历史车辆数据,其中,所述历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;
对所述历史车辆数据进行相关性分析,得到目标车辆特征,其中,所述目标车辆特征用于表征与所述预设类型事故相关的车辆数据;
利用所述目标车辆特征对初始模型进行训练,得到事故识别模型,其中,所述事故识别模型用于对目标车辆的目标车辆数据进行识别,确定所述目标车辆是否发生所述预设类型事故。
2.根据权利要求1所述的方法,其特征在于,获取历史车辆数据,包括:
从第三方服务器获取所述多个车辆出现事故的历史维修数据和历史赔偿数据;
基于所述历史维修数据和所述历史赔偿数据,确定所述多个车辆出现事故的事故类型;
响应于所述事故类型为所述预设类型,确定所述多个车辆出现事故的事故时刻;
基于所述事故时刻从云服务器获取所述多个车辆的车辆数据,得到所述历史车辆数据。
3.根据权利要求2所述的方法,其特征在于,基于所述事故时刻从云服务器获取所述多个车辆的车辆数据,得到所述历史车辆数据,包括:
基于所述事故时刻,确定目标时间段;
从所述云服务器获取所述目标时间段内的原始车辆数据;
确定所述原始车辆数据中安全气囊状态;
剔除所述原始车辆数据中所述安全气囊状态为弹开状态的车辆数据,得到所述历史车辆数据。
4.根据权利要求1所述的方法,其特征在于,对所述历史车辆数据进行相关性分析,得到目标车辆特征,包括:
获取所述历史车辆数据中不同类型数据的原始特征;
对所述原始特征进行相关性分析,得到所述不同类型数据的分析结果,其中,所述分析结果用于表征所述不同类型数据与所述预设类型事故的相关程度;
基于所述分析结果,确定所述历史车辆数据中的所述目标车辆特征。
5.根据权利要求1所述的方法,其特征在于,利用所述目标车辆特征对初始模型进行训练,得到事故识别模型,包括:
将所述目标车辆特征输入至所述初始模型,获取所述初始模型输出的预测结果;
基于所述预测结果对所述初始模型进行评估,得到所述初始模型的评估结果;
基于评估数据预测结果对所述初始模型进行参数调整,得到所述事故识别模型。
6.根据权利要求1所述的方法,其特征在于,在利用所述目标车辆特征对初始模型进行训练,得到事故识别模型之后,所述方法还包括:
将所述事故识别模型部署至所述目标车辆;
获取所述目标车辆的当前车辆数据;
基于所述当前车辆数据对所述事故识别模型进行调整。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标车辆的目标车辆数据;
对所述目标车辆数据进行识别,确定所述目标车辆是否发生所述预设类型事故;
响应于所述目标车辆发送所述预设类型事故,则对所述目标车辆数据、所述预设类型以及所述预设类型事故的发生概率进行存储。
8.一种数据处理装置,其特征在于,包括:
获取模块,用于获取历史车辆数据,其中,所述历史车辆数据用于表征多个车辆出现预设类型事故的车辆数据;
分析模块,用于对所述历史车辆数据进行相关性分析,得到目标车辆特征,其中,所述目标车辆特征用于表征与所述预设类型事故相关的车辆数据;
训练模块,用于利用所述目标车辆特征对初始模型进行训练,得到事故识别模型,其中,所述事故识别模型用于对目标车辆的目标车辆数据进行识别,确定所述目标车辆是否发生所述预设类型事故。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器执行权利要求1-7中任意一项所述的数据处理方法。
10.一种车辆,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器执行权利要求1至7中任意一项所述的目标车辆的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210601082.XA CN114970897A (zh) | 2022-05-30 | 2022-05-30 | 数据处理方法、装置、电子设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210601082.XA CN114970897A (zh) | 2022-05-30 | 2022-05-30 | 数据处理方法、装置、电子设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114970897A true CN114970897A (zh) | 2022-08-30 |
Family
ID=82957956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210601082.XA Pending CN114970897A (zh) | 2022-05-30 | 2022-05-30 | 数据处理方法、装置、电子设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970897A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127604A (zh) * | 2023-02-03 | 2023-05-16 | 中汽传媒(天津)有限公司 | 一种汽车防撞数据处理方法及系统 |
CN116343484A (zh) * | 2023-05-12 | 2023-06-27 | 天津所托瑞安汽车科技有限公司 | 交通事故识别方法、终端及存储介质 |
-
2022
- 2022-05-30 CN CN202210601082.XA patent/CN114970897A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127604A (zh) * | 2023-02-03 | 2023-05-16 | 中汽传媒(天津)有限公司 | 一种汽车防撞数据处理方法及系统 |
CN116127604B (zh) * | 2023-02-03 | 2023-06-16 | 中汽传媒(天津)有限公司 | 一种汽车防撞数据处理方法及系统 |
CN116343484A (zh) * | 2023-05-12 | 2023-06-27 | 天津所托瑞安汽车科技有限公司 | 交通事故识别方法、终端及存储介质 |
CN116343484B (zh) * | 2023-05-12 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 交通事故识别方法、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107848478B (zh) | 低速碰撞的自动识别和评估 | |
CN114970897A (zh) | 数据处理方法、装置、电子设备及车辆 | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
EP3373243B1 (en) | Object detection method and object detection system | |
CN110400478A (zh) | 一种路况通知方法及装置 | |
CN105844211A (zh) | 用于分类路面的系统和方法 | |
CN109671006A (zh) | 交通事故处理方法、装置及存储介质 | |
CN112744174B (zh) | 车辆碰撞监测方法、装置、设备及计算机可读存储介质 | |
CN104575491A (zh) | 识别和分类车辆上的损坏事件的方法和用于该方法的装置 | |
CN112373481A (zh) | 一种驾驶行为状态分析方法及装置 | |
CN114616441A (zh) | 用于评估汽车嵌装玻璃上的外部事件的方法 | |
CN107644475B (zh) | 一种车辆碰撞检测的方法和装置以及obd盒子 | |
CN117022323A (zh) | 一种智能驾驶车辆行为分析与预测系统及方法 | |
CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 | |
CN110992709A (zh) | 一种基于驾驶员疲劳状态的主动限速系统 | |
CN116279500B (zh) | 一种车辆碰撞识别方法 | |
KR102103334B1 (ko) | 차량의 주차 중 충격의 유형을 식별하는 주차 충격 식별 시스템 | |
US20230103670A1 (en) | Video analysis for efficient sorting of event data | |
CN111145554A (zh) | 一种基于自动驾驶aeb的场景定位方法和装置 | |
CN115964364A (zh) | 一种基于影子模式的数据闭环方法 | |
KR20080006500U (ko) | 교차로사고음 자동감지시스템 | |
US11663508B1 (en) | Environmental condition-based risk level | |
CN111341106B (zh) | 交通预警方法、装置和设备 | |
US11514733B1 (en) | Extended time scale event detection | |
Barai et al. | Mechanical condition determination of vehicle and traffic density estimation using acoustic signals |
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 |