CN116109145B - 车辆行驶路线的风险评估方法、装置、终端及存储介质 - Google Patents
车辆行驶路线的风险评估方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN116109145B CN116109145B CN202310369214.5A CN202310369214A CN116109145B CN 116109145 B CN116109145 B CN 116109145B CN 202310369214 A CN202310369214 A CN 202310369214A CN 116109145 B CN116109145 B CN 116109145B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- route
- time period
- preset time
- driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆行驶路线的风险评估方法、装置、终端及存储介质。该方法包括:获取车辆在预设时间段内的行驶路线信息;基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径;确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数;根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分;风险评分用于表示车辆的行驶路线的风险程度。本发明能够实现对车辆行驶路线风险的定量分析,直观反应车辆行驶路线的风险程度,且评估结果更加全面、合理、准确。
Description
技术领域
本发明涉及安全驾驶技术领域,尤其涉及一种车辆行驶路线的风险评估方法、装置、终端及存储介质。
背景技术
对车辆驾驶风险进行评估,是各大保险科技公司和出行相关的车联网科技公司研究的热点。而车辆行驶路线是对车辆驾驶风险进行评估的一个重要因素,因此,对车辆行驶路线进行风险评估是十分必要的。
目前,对车辆行驶路线的研究分析大多是定性研究,比如,车辆的行驶路线越复杂,越不熟悉,活动的范围越广,风险越大;对车辆的常跑路线通常记录为从某个城市到另一个城市,等等。但是,定性研究无法准确直观地评估车辆行驶路线的风险。
发明内容
本发明实施例提供了一种车辆行驶路线的风险评估方法、装置、终端及存储介质,以解决目前对车辆行驶路线的定性风险评估无法准确直观地评估车辆行驶路线的风险的问题。
第一方面,本发明实施例提供了一种车辆行驶路线的风险评估方法,包括:
获取车辆在预设时间段内的行驶路线信息;
基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径;
确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数;
根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分;风险评分用于表示车辆的行驶路线的风险程度。
在一种可能的实现方式中,车辆在预设时间段内的行驶路线信息包括车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据;
基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径,包括:
基于车辆在预设时间段内的所有行驶路线的起点位置和终点位置,确定车辆在预设时间段内的各行驶路线的行驶次数;
将行驶次数大于预设次数的行驶路线作为固定路线,确定车辆在预设时间段内的固定路线数量;
基于车辆在预设时间段内的各行驶路线的行驶次数,对各行驶路线进行降序排序,并选取排在前预设位数的行驶路线作为目标行驶路线,以及基于车辆在预设时间段内的各目标行驶路线的行驶次数,确定车辆在预设时间段内的路线分散度;
基于车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据,确定包含预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据的第一最小外接圆,并将第一最小外接圆的半径作为车辆在预设时间段内的车辆活动半径。
在一种可能的实现方式中,起点位置和终点位置均采用对应位置的经纬度坐标的六边形地理编码表示;
基于车辆在预设时间段内的所有行驶路线的起点位置和终点位置,确定车辆在预设时间段内的各行驶路线的行驶次数,包括:
针对车辆在预设时间段内的每两条行驶路线,将该两条行驶路线分别记为第一路线和第二路线;若第一路线的起点位置对应的六边形地理编码与第二路线的起点位置对应的六边形地理编码相同,且第一路线的终点位置对应的六边形地理编码与第二路线的终点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;或,若第一路线的起点位置对应的六边形地理编码与第二路线的终点位置对应的六边形地理编码相同,且第一路线的终点位置对应的六边形地理编码与第二路线的起点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;
统计属于同一行驶路线的路线数量,作为车辆在预设时间段内的各行驶路线的行驶次数。
在一种可能的实现方式中,基于车辆在预设时间段内的各目标行驶路线的行驶次数,确定车辆在预设时间段内的路线分散度,包括:
基于车辆在预设时间段内的各目标行驶路线的行驶次数,计算各目标行驶路线的比例;
基于各目标行驶路线的比例,采用熵权法,确定车辆在预设时间段内的路线分散度。
在一种可能的实现方式中,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,包括:
基于预先确定的固定路线数量分组信息,确定车辆在预设时间段内的固定路线数量所属分组,并基于固定路线数量分组与第一系数的对应关系,确定车辆在预设时间段内的固定路线数量所属分组对应的风险系数;
基于预先确定的路线分散度分组信息,确定车辆在预设时间段内的路线分散度所属分组,并基于路线分散度分组与第二系数的对应关系,确定车辆在预设时间段内的路线分散度所属分组对应的风险系数;
基于预先确定的车辆活动半径分组信息,确定车辆在预设时间段内的车辆活动半径所属分组,并基于车辆活动半径分组与第三系数的对应关系,确定车辆在预设时间段内的车辆活动半径所属分组对应的风险系数。
在一种可能的实现方式中,根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分,包括:
根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定风险汇总值;
基于预先确定的汇总值和风险分值的映射关系,确定风险汇总值对应的风险分值,作为车辆的行驶路线的风险评分。
在一种可能的实现方式中,在基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径之前,车辆行驶路线的风险评估方法还包括:
基于四分位距IQR方法,去除行驶路线信息中的异常数据,得到去除异常数据后的行驶路线信息;
相应地,基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径,包括:
基于去除异常数据后的行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径。
在一种可能的实现方式中,获取车辆在预设时间段内的行驶路线信息,包括:
接收车辆内的控制设备发送的车辆在预设时间段内的行驶路线信息。
第二方面,本发明实施例提供了一种车辆行驶路线的风险评估装置,包括:
获取模块,用于获取车辆在预设时间段内的行驶路线信息;
特征提取模块,用于基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径;
风险系数确定模块,用于确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数;
风险评估模块,用于根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分;风险评分用于表示车辆的行驶路线的风险程度。
第三方面,本发明实施例提供了一种终端,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如上第一方面或第一方面的任一种可能的实现方式所述的车辆行驶路线的风险评估方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的车辆行驶路线的风险评估方法的步骤。
本发明实施例提供一种车辆行驶路线的风险评估方法、装置、终端及存储介质,通过车辆在预设时间段内的行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径,并确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,以及根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分,能够实现对车辆行驶路线风险的定量分析,以风险评分的形式直观反应车辆行驶路线的风险程度,且从固定路线数量、路线分散度和车辆活动半径三个维度对车辆行驶路线的风险程度进行评估,评估结果更加全面、合理、准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的车辆行驶路线的风险评估方法的流程示意图;
图2是本发明实施例提供的车辆行驶路线的风险评估装置的结构示意图;
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的车辆行驶路线的风险评估方法的实现流程图。车辆行驶路线的风险评估方法的执行主体为终端,该终端可以是车载终端,也可以是远端服务器,本实施例对并不进行限定。
参见图1,上述车辆行驶路线的风险评估方法包括:
在S101中,获取车辆在预设时间段内的行驶路线信息。
其中,预设时间段可以根据实际需求进行设置,通常可以为某个月或某年,等等。车辆在预设时间段内的行驶路线信息可以包括车辆在预设时间段内的与其行驶路线相关的信息。
本实施例对车辆在预设时间段内的行驶路线信息的获取手段不做具体限制,任何可实现的手段均可。
在S102中,基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径。
本实施例可以通过车辆在预设时间段内的行驶路线信息,确定车辆在预设时间段内的固定路线数量、车辆在预设时间段内的路线分散度和车辆在预设时间段内的车辆活动半径。
其中,固定路线数量可以理解为常跑路线数量,即车辆经常行驶的路线的数量。通常情况下,固定路线数量越少,车辆行驶路线的风险越低;固定路线数量越多,车辆行驶路线的风险越高。
路线分散度用于表示车辆行驶路线的分散程度。通常情况下,路线分散度的值越大,车辆行驶路线越分散,杂乱无章,风险越大;路线分散度的值越小,车辆行驶路线的风险越低。
车辆活动半径可以理解为能够覆盖车辆在预设时间段内的所有行驶路线的起点和终点的最小外接圆的半径。通常情况下,车辆活动半径越大,车辆行驶路线的风险越高;车辆活动半径越小,车辆行驶路线的风险越低。
需要说明的是,本申请实施例采用固定路线数量、路线分散度和车辆活动半径三个维度对车辆行驶路线进行风险评估,在实际应用中,还可以根据实际需求选择其它维度对车辆行驶路线进行风险评估,比如,可以增加行驶路线曲率等维度。
在S103中,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数。
在本实施例中,可以根据车辆在预设时间段内的固定路线数量,确定车辆在预设时间段内的固定路线数量对应的风险系数;根据车辆在预设时间段内的路线分散度,确定车辆在预设时间段内的路线分散度对应的风险系数;根据车辆在预设时间段内的车辆活动半径,确定车辆在预设时间段内的车辆活动半径对应的风险系数。
各个维度分别对应的风险系数可以反映各个维度的风险程度。
在S104中,根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分;风险评分用于表示车辆的行驶路线的风险程度。
基于车辆在预设时间段内的固定路线数量对应的风险系数、车辆在预设时间段内的路线分散度对应的风险系数和车辆在预设时间段内的车辆活动半径对应的风险系数,可以确定车辆的行驶路线的风险评分,具体可以认为是车辆在预设时间段内的行驶路线的风险评分。
风险评分用于表示车辆的行驶路线的风险程度。通常情况下,风险评分越高,车辆行驶路线的风险程度越高;风险评分越低,车辆行驶路线的风险程度越低。
车辆的行驶路线的风险评分的取值范围可以根据实际情况进行确定,在此不做具体限制。比如,可以是0-100分,也可以是25-99分,等等。
本实施例通过车辆在预设时间段内的行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径,并确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,以及根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分,能够实现对车辆行驶路线风险的定量分析,以风险评分的形式直观反应车辆行驶路线的风险程度,且从固定路线数量、路线分散度和车辆活动半径三个维度对车辆行驶路线的风险程度进行评估,评估结果更加全面、合理、准确。
在一些实施例中,车辆在预设时间段内的行驶路线信息包括车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据;
相应地,上述S102可以包括:
基于车辆在预设时间段内的所有行驶路线的起点位置和终点位置,确定车辆在预设时间段内的各行驶路线的行驶次数;
将行驶次数大于预设次数的行驶路线作为固定路线,确定车辆在预设时间段内的固定路线数量;
基于车辆在预设时间段内的各行驶路线的行驶次数,对各行驶路线进行降序排序,并选取排在前预设位数的行驶路线作为目标行驶路线,以及基于车辆在预设时间段内的各目标行驶路线的行驶次数,确定车辆在预设时间段内的路线分散度;
基于车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据,确定包含预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据的第一最小外接圆,并将第一最小外接圆的半径作为车辆在预设时间段内的车辆活动半径。
其中,预设时长小于预设时间段的时长。预设时间段内包含多个预设时长。示例性的,预设时间段可以为某个月,预设时长为该月中的每天。
在一些可能的实现方式中,途中轨迹数据可以包括车辆在各行驶路线的行驶过程中,每隔预设间隔采集到的车辆的经纬度坐标数据。其中,预设间隔可以根据实际需求确定,比如,可以为2分钟或5分钟,等等。
在本实施例中,车辆在预设时间段内的行驶路线信息可以包括车辆在预设时间段内的所有行驶路线的起点位置、车辆在预设时间段内的所有行驶路线的终点位置和车辆在预设时间段内的所有行驶路线的途中轨迹数据。
在一些可能的实现方式中,车辆在预设时间段内的行驶路线信息还可以包括车辆在预设时间段内的每个预设时长内的活动半径。
示例性地,假设预设时间段为某个月,预设时长为该月中的每天,则车辆在预设时间段内的行驶路线信息可以包括车辆在该月内的所有行驶路线的起点位置、终点位置和途中轨迹数据,以及车辆在该月内的每天的活动半径。
本实施例可以对车辆在预设时间段内的各行驶路线的行驶次数进行计数,将起点位置和终点位置均相同或均相近的行驶路线作为同一行驶路线以及,将起点位置和终点位置正好相反的行驶路线作为同一行驶路线,并统计车辆在预设时间段内的不同行驶路线的行驶次数。示例性地,起点位置为A且终点位置为B的行驶路线与另一条起点位置为A且终点位置为B的行驶路线为同一行驶路线;起点位置为A且终点位置为B的行驶路线与起点位置为B且终点位置为A的行驶路线为同一行驶路线。
将车辆在预设时间段内的行驶次数大于预设次数的行驶路线作为固定路线,并将车辆在预设时间段内的固定路线的总数作为车辆在预设时间段内的固定路线数量。
其中,预设次数可以根据实际需求进行设置,在此不做具体限制。比如,可以根据预设时间段的时长长短进行设置,等等。
将车辆在预设时间段内的不同行驶路线,按照行驶次数由大到小的顺序进行排序,得到排序后的行驶路线。将排序后的行驶路线中排在前预设位数的行驶路线均作为目标行驶路线,根据车辆在预设时间段内的各目标行驶路线的行驶次数,可以确定车辆在预设时间段内的路线分散度。
其中,预设位数可以根据实际需求进行设置,在此不做具体限制。比如,可以根据预设时间段的时长长短进行设置,也可以根据车辆在预设时间段内的行驶路线总数进行设置,等等。
本实施例对各行驶路线进行降序排序,并选取排在前预设位数的行驶路线作为目标行驶路线,然而,在实际应用中,也可以对各行驶路线进行升序排序,并选取排在后预设位数的行驶路线作为目标行驶路线。
本实施例将能够包含(或覆盖)预设时间段内的所有预设时长内的所有行驶路线的起点位置、终点位置和途中轨迹数据的最小外接圆作为第一最小外接圆,并将第一最小外接圆的半径作为车辆在预设时间段内的车辆活动半径。
在确定第一最小外接圆后,可以获取第一最小外接圆的圆心坐标点及半径,将基于坐标计算的圆半径转化为实际的地理距离,作为车辆在预设时间段内的车辆活动半径。
本实施例对确定第一最小外接圆的实现手段不做具体限制,任何可实现的手段均可,比如,可以采用最小外接圆(smallest enclosing circle)算法实现,等等。
示例性地,本实施例可以基于最小外接圆(smallest enclosing circle)算法,确定包含车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据的第一最小外接圆;或者,
本实施例可以对车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据进行抽稀处理,得到抽稀处理后的第一数据,并基于最小外接圆(smallestenclosing circle)算法,确定包含该第一数据的第一最小外接圆,能够减小确定第一最小外接圆的计算压力。
在一些可能的实现方式中,途中轨迹数据可以包括对车辆在各行驶路线的行驶过程中,每隔预设间隔采集到的车辆的经纬度坐标数据进行抽稀处理后的第二数据;相应地,第一最小外接圆为包含所述预设时间段内的所有行驶路线的起点位置、终点位置和第二数据的最小外接圆。
其中,抽稀处理的实现过程可以在终端实现,也可以在车辆的控制设备实现后,将抽稀处理后的数据发送至终端,在此不做具体限制。
需要说明的是,本申请采用车辆活动半径作为其中一个维度,进行车辆行驶路线的风险评估,在实际应用中,也可以采用车辆活动直径等可反应相同含义的维度进行替代。
在一些实施例中,起点位置和终点位置均采用对应位置的经纬度坐标的六边形地理编码表示;
基于车辆在预设时间段内的所有行驶路线的起点位置和终点位置,确定车辆在预设时间段内的各行驶路线的行驶次数,包括:
针对车辆在预设时间段内的每两条行驶路线,将该两条行驶路线分别记为第一路线和第二路线;若第一路线的起点位置对应的六边形地理编码与第二路线的起点位置对应的六边形地理编码相同,且第一路线的终点位置对应的六边形地理编码与第二路线的终点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;或,若第一路线的起点位置对应的六边形地理编码与第二路线的终点位置对应的六边形地理编码相同,且第一路线的终点位置对应的六边形地理编码与第二路线的起点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;
统计属于同一行驶路线的路线数量,作为车辆在预设时间段内的各行驶路线的行驶次数。
在本实施例中,车辆的行驶路线的起点位置和终点位置都采用对应位置的经纬度坐标对应的六边形地理编码表示。具体可以通过六边形分层地理空间索引系统(Hexagonalhierarchical geospatial indexing system),将经纬度坐标进行六边形地理空间索引编码,得到对应的六边形地理编码。其中,六边形地理编码可以为H3六边形地理编码。分辨率(resolution)可以根据实际需求进行设置,比如,分辨率可以为7,每个编码块大约能覆盖5平方公里的面积;或,分辨率可以为6,每个编码块大约能覆盖36平方公里。
本实施例将起点位置对应的六边形地理编码相同和终点位置对应的六边形地理编码相同的行驶路线作为同一行驶路线,以及将起点位置和终点位置正好相反的行驶路线作为同一行驶路线,并分别统计不同行驶路线的路线数量,作为对应行驶路线的行驶次数。
现有技术中,通过经纬度坐标来判断是否是同一行驶路线,具体是判断两个位置的经纬度坐标对应的地理空间中实际距离(单位为千米)的差值是否在一定范围内,若是,则认为是同一位置,若否,则认为不是同一位置,这样计算的时间复杂度为,为平方阶,当数据规模较大时,计算效率较低,不适合大规模的车联网数据处理。而本申请直接将对应的六边形地理编码进行比较,若六边形地理编码相同则认为是同一位置,否则认为不是同一位置,既可以对起点终点进行相对精确地分析计算,又可极大地降低计算的时间复杂度(时间复杂度为O(n),为线性阶),在数据规模较大时,也能保证计算效率,比较适用于大规模的车联网数据处理。
需要说明的是,本申请实施例使用六边形地理编码代替经纬度坐标,在实际应用中,也可使用其它相同作用的地理编码代替经纬度坐标,比如,使用geohash等。
在一些实施例中,基于车辆在预设时间段内的各目标行驶路线的行驶次数,确定车辆在预设时间段内的路线分散度,包括:
基于车辆在预设时间段内的各目标行驶路线的行驶次数,计算各目标行驶路线的比例;
基于各目标行驶路线的比例,采用熵权法,确定车辆在预设时间段内的路线分散度。
其中,各目标行驶路线的比例可以为该目标行驶路线的行驶次数除以所有目标行驶路线的行驶次数之和。
本实施例采用熵权法,根据各目标行驶路线的比例,得到车辆在预设时间段内的路线分散度。需要说明的是,本申请不限制仅使用熵权法得到路线分散度,其它任何可实现的方法均可使用,均在本申请的保护范围内。
在一些实施例中,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,包括:
基于预先确定的固定路线数量分组信息,确定车辆在预设时间段内的固定路线数量所属分组,并基于固定路线数量分组与第一系数的对应关系,确定车辆在预设时间段内的固定路线数量所属分组对应的风险系数;
基于预先确定的路线分散度分组信息,确定车辆在预设时间段内的路线分散度所属分组,并基于路线分散度分组与第二系数的对应关系,确定车辆在预设时间段内的路线分散度所属分组对应的风险系数;
基于预先确定的车辆活动半径分组信息,确定车辆在预设时间段内的车辆活动半径所属分组,并基于车辆活动半径分组与第三系数的对应关系,确定车辆在预设时间段内的车辆活动半径所属分组对应的风险系数。
其中,固定路线数量分组信息用于表示固定路线数量维度的分组情况,即每个固定路线数量分组对应一个固定路线数量的取值范围,比如,固定路线数量为3-5属于一个分组,固定路线数量为6-8属于另一个分组,等等。每个固定路线数量分组对应一个第一系数,将车辆在预设时间段内的固定路线数量所属分组对应的第一系数,作为车辆在预设时间段内的固定路线数量所属分组对应的风险系数。
路线分散度分组信息用于表示路线分散度维度的分组情况,即每个路线分散度分组对应一个路线分散度的取值范围。每个路线分散度分组对应一个第二系数,将车辆在预设时间段内的路线分散度所属分组对应的第二系数,作为车辆在预设时间段内的路线分散度所属分组对应的风险系数。
车辆活动半径分组信息用于表示车辆活动半径维度的分组情况,即每个车辆活动半径分组对应一个车辆活动半径的取值范围。每个车辆活动半径分组对应一个第三系数,将车辆在预设时间段内的车辆活动半径所属分组对应的第三系数,作为车辆在预设时间段内的车辆活动半径所属分组对应的风险系数。
其中,每个维度可以分为3-5组。
在一些可能的实现方式中,可以基于历史保险出险数据和预先构建的统计机器学习模型,分别确定固定路线数量分组信息、固定路线数量分组与第一系数的对应关系、路线分散度分组信息、路线分散度分组与第二系数的对应关系、车辆活动半径分组信息和车辆活动半径分组与第三系数的对应关系。
其中,统计机器学习模型可以为广义线性模型、随机森林模型或XGBoost(eXtremeGradient Boosting,极端梯度提升)模型等等。广义线性模型可以为泊松回归模型或推迪(tweedie)回归模型等。
其中,历史保险出险数据可以包括固定路线数量与第一出险次数的对应关系、路线分散度与第二出险次数的对应关系和车辆活动半径与第三出险次数的对应关系。预先构建的统计机器学习模型可以包括固定路线数量对应的统计机器学习模型、路线分散度对应的统计机器学习模型和车辆活动半径对应的统计机器学习模型。
本实施例可以基于固定路线数量与第一出险次数的对应关系和固定路线数量对应的统计机器学习模型,确定固定路线数量分组信息以及固定路线数量分组与第一系数的对应关系。基于路线分散度与第二出险次数的对应关系和路线分散度对应的统计机器学习模型,确定路线分散度分组信息以及路线分散度分组与第二系数的对应关系。基于车辆活动半径与第三出险次数的对应关系和车辆活动半径对应的统计机器学习模型,确定车辆活动半径分组信息以及车辆活动半径分组与第三系数的对应关系。
本实施例对各个维度采用分组的方式确定对应的风险系数,稳定性高,解释力强,能够平滑掉异常值的干扰。
示例性地,各个维度可以基于对应的出险频次低、中、高,分别分为三组,每组对应一个系数。
本实施例提供的风险系数的确定方法是基于历史数据,建立统计机器学习模型确定的,相比于人为定义的系数,具有良好的客观性、解释性与科学性。
在一些实施例中,根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分,包括:
根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定风险汇总值;
基于预先确定的汇总值和风险分值的映射关系,确定风险汇总值对应的风险分值,作为车辆的行驶路线的风险评分。
其中,可以将车辆在预设时间段内的固定路线数量对应的风险系数、车辆在预设时间段内的路线分散度对应的风险系数和车辆在预设时间段内的车辆活动半径对应的风险系数相乘,得到风险汇总值,并将风险汇总值对应的风险分值,作为车辆的行驶路线的风险评分。
汇总值和风险分值的映射关系可以基于现有方法确定该映射关系,在此不做具体限制。
在一些可能的实现方式中,上述根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定风险汇总值,还可以采用简单平均、加权平均或根据专家经验来确定权重汇总的方法,根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,得到风险汇总值。相应地,汇总值和风险分值的映射关系也会发生相应变化。
在一些实施例中,在基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径之前,车辆行驶路线的风险评估方法还包括:
基于四分位距IQR(interquartile range)方法,去除行驶路线信息中的异常数据,得到去除异常数据后的行驶路线信息;
相应地,基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径,包括:
基于去除异常数据后的行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径。
由于数据量较大,行驶路线信息中可能包含一些异常值,本实施例可以根据车辆的路线分布情况,采用IQR方法,去除其中的异常值,IQR方法较为简单且相对有效,能够保证后续计算的正确性。
需要说明的是,除了使用IQR方法去除异常数据外,还可以采用聚类方法(比如,k-means聚类等)或随机森林方法等,去除行驶路线信息中的异常数据,上述方法均在本申请的保护范围内。
在一些实施例中,获取车辆在预设时间段内的行驶路线信息,包括:
接收车辆内的控制设备发送的车辆在预设时间段内的行驶路线信息。
其中,车辆内的控制设备可以是车辆内的某个ECU(Electronic Control Unit,电子控制单元)等设备。车辆内的控制设备可以每处理完一个预设时长内的数据,就将该预设时长对应的行驶路线数据发送至终端,终端汇总得到车辆在预设时间段内的行驶路线信息;也可以是车辆内的控制设备汇总得到预设时间段内的行驶路线信息后,再发送至终端。
本实施例通过车辆内的控制设备采集处理得到车辆在预设时间段内的行驶路线信息,并发送至终端,可以减少终端的数据处理量,提升计算效率。
在一些可能的实现方式中,对于预设时间段内的每个预设时长,车辆内的控制设备获取车辆在该预设时长内的所有行驶路线的起点位置的经纬度坐标、终点位置的经纬度坐标和途中轨迹数据,将该起点位置的经纬度坐标转换为该起点位置对应的六边形地理编码,将该终端位置的经纬度坐标转换为该终点位置对应的六边形地理编码,并将该预设时长对应的所有起点位置的六边形地理编码、所有终点位置的六边形地理编码和所有途中轨迹数据发送至终端。
在一些可能的实现方式中,对于预设时间段内的每个预设时长,车辆内的控制设备还可以确定包含车辆在该预设时长内的所有行驶路线的起点位置的经纬度坐标、终点位置的经纬度坐标和途中轨迹数据的第二最小外接圆,将该第二最小外接圆的半径作为车辆在该预设时长内的活动半径,并将车辆在该预设时长内的活动半径发送至终端。
车辆内的控制设备可以采用最小外接圆(smallest enclosing circle)算法确定各预设时长分别对应的第二最小外接圆,获取该圆的圆心坐标点及半径,将基于坐标计算的圆半径转化为实际的地理距离,作为车辆在预设时长内的活动半径。
其中,车辆内的控制设备还可以对各预设时长内的所有行驶路线的起点位置的经纬度坐标、终点位置的经纬度坐标和途中轨迹数据进行抽稀处理,并基于抽稀处理后的起点位置的经纬度坐标、终点位置的经纬度坐标和途中轨迹数据,确定各预设时长分别对应的第二最小外接圆,以减少计算压力。
车辆内的控制设备可以按照一定的时间间隔(2分钟或5分钟等)存储采集到的车辆的经纬度坐标数据,以减少存储压力。
在一些可能的实现方式中,车辆的控制设备可以将车辆在各行驶路线的行驶过程中,每隔预设间隔采集到的车辆的经纬度坐标数据作为途中轨迹数据,发送至终端;或者,车辆的控制设备可以对车辆在各行驶路线的行驶过程中,每隔预设间隔采集到的车辆的经纬度坐标数据进行抽稀处理,得到抽稀处理后的第二数据,将第二数据作为途中轨迹数据,发送至终端,以减少终端的计算压力。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的车辆行驶路线的风险评估装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图2所示,车辆行驶路线的风险评估装置30可以包括:获取模块31、特征提取模块32、风险系数确定模块33和风险评估模块34。
获取模块31,用于获取车辆在预设时间段内的行驶路线信息;
特征提取模块32,用于基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径;
风险系数确定模块33,用于确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数;
风险评估模块34,用于根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定车辆的行驶路线的风险评分;风险评分用于表示车辆的行驶路线的风险程度。
在一种可能的实现方式中,车辆在预设时间段内的行驶路线信息包括车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据;
特征提取模块32具体用于:
基于车辆在预设时间段内的所有行驶路线的起点位置和终点位置,确定车辆在预设时间段内的各行驶路线的行驶次数;
将行驶次数大于预设次数的行驶路线作为固定路线,确定车辆在预设时间段内的固定路线数量;
基于车辆在预设时间段内的各行驶路线的行驶次数,对各行驶路线进行降序排序,并选取排在前预设位数的行驶路线作为目标行驶路线,以及基于车辆在预设时间段内的各目标行驶路线的行驶次数,确定车辆在预设时间段内的路线分散度;
基于车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据,确定包含预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据的第一最小外接圆,并将第一最小外接圆的半径作为车辆在预设时间段内的车辆活动半径。
在一种可能的实现方式中,起点位置和终点位置均采用对应位置的经纬度坐标的六边形地理编码表示;
在特征提取模块32中,基于车辆在预设时间段内的所有行驶路线的起点位置和终点位置,确定车辆在预设时间段内的各行驶路线的行驶次数,包括:
针对车辆在预设时间段内的每两条行驶路线,将该两条行驶路线分别记为第一路线和第二路线;若第一路线的起点位置对应的六边形地理编码与第二路线的起点位置对应的六边形地理编码相同,且第一路线的终点位置对应的六边形地理编码与第二路线的终点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;或,若第一路线的起点位置对应的六边形地理编码与第二路线的终点位置对应的六边形地理编码相同,且第一路线的终点位置对应的六边形地理编码与第二路线的起点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;
统计属于同一行驶路线的路线数量,作为车辆在预设时间段内的各行驶路线的行驶次数。
在一种可能的实现方式中,在特征提取模块32中,基于车辆在预设时间段内的各目标行驶路线的行驶次数,确定车辆在预设时间段内的路线分散度,包括:
基于车辆在预设时间段内的各目标行驶路线的行驶次数,计算各目标行驶路线的比例;
基于各目标行驶路线的比例,采用熵权法,确定车辆在预设时间段内的路线分散度。
在一种可能的实现方式中,风险系数确定模块33具体用于:
基于预先确定的固定路线数量分组信息,确定车辆在预设时间段内的固定路线数量所属分组,并基于固定路线数量分组与第一系数的对应关系,确定车辆在预设时间段内的固定路线数量所属分组对应的风险系数;
基于预先确定的路线分散度分组信息,确定车辆在预设时间段内的路线分散度所属分组,并基于路线分散度分组与第二系数的对应关系,确定车辆在预设时间段内的路线分散度所属分组对应的风险系数;
基于预先确定的车辆活动半径分组信息,确定车辆在预设时间段内的车辆活动半径所属分组,并基于车辆活动半径分组与第三系数的对应关系,确定车辆在预设时间段内的车辆活动半径所属分组对应的风险系数。
在一种可能的实现方式中,风险评估模块34具体用于:
根据车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定风险汇总值;
基于预先确定的汇总值和风险分值的映射关系,确定风险汇总值对应的风险分值,作为车辆的行驶路线的风险评分。
在一种可能的实现方式中,特征提取模块32还用于:
在基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径之前,基于四分位距IQR方法,去除行驶路线信息中的异常数据,得到去除异常数据后的行驶路线信息;
相应地,在特征提取模块32中,基于行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径,包括:
基于去除异常数据后的行驶路线信息,确定车辆在预设时间段内的固定路线数量、路线分散度和车辆活动半径。
在一种可能的实现方式中,获取模块31具体用于:
接收车辆内的控制设备发送的车辆在预设时间段内的行驶路线信息。
图3是本发明实施例提供的终端的示意图。如图3所示,该实施例的终端4包括:处理器40和存储器41。所述存储器41用于存储计算机程序42,所述处理器40用于调用并运行所述存储器41中存储的计算机程序42,执行上述各个车辆行驶路线的风险评估方法实施例中的步骤,例如图1所示的S101至S104。或者,所述处理器40用于调用并运行所述存储器41中存储的计算机程序42,实现上述各装置实施例中各模块/单元的功能,例如图2所示模块/单元31至34的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如,所述计算机程序42可以被分割成图2所示的模块/单元31至34。
所述终端4可以是计算机、服务器(云服务器)等计算设备,也可以是车辆上的ECU(Electronic Control Unit,电子控制单元)等车载设备。所述终端4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图3仅仅是终端4的示例,并不构成对终端4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元,例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备,例如所述终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
对应于上述终端,本申请实施例还提供了一种车辆,包括上述终端。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,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,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
所述集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个车辆行驶路线的风险评估方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种车辆行驶路线的风险评估方法,其特征在于,包括:
获取车辆在预设时间段内的行驶路线信息;
基于所述行驶路线信息,确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径;
确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数;
根据所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定所述车辆的行驶路线的风险评分;所述风险评分用于表示所述车辆的行驶路线的风险程度;
其中,所述车辆在预设时间段内的行驶路线信息包括所述车辆在所述预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据;
所述基于所述行驶路线信息,确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径,包括:
基于所述车辆在所述预设时间段内的所有行驶路线的起点位置和终点位置,确定所述车辆在所述预设时间段内的各行驶路线的行驶次数;
将行驶次数大于预设次数的行驶路线作为固定路线,确定所述车辆在所述预设时间段内的固定路线数量;
基于所述车辆在所述预设时间段内的各行驶路线的行驶次数,对各行驶路线进行降序排序,并选取排在前预设位数的行驶路线作为目标行驶路线,以及基于所述车辆在所述预设时间段内的各目标行驶路线的行驶次数,计算各目标行驶路线的比例,基于各目标行驶路线的比例,采用熵权法,确定所述车辆在所述预设时间段内的路线分散度;
基于所述车辆在所述预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据,确定包含所述预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据的第一最小外接圆,并将所述第一最小外接圆的半径作为所述车辆在所述预设时间段内的车辆活动半径。
2.根据权利要求1所述的车辆行驶路线的风险评估方法,其特征在于,所述起点位置和所述终点位置均采用对应位置的经纬度坐标的六边形地理编码表示;
所述基于所述车辆在所述预设时间段内的所有行驶路线的起点位置和终点位置,确定所述车辆在所述预设时间段内的各行驶路线的行驶次数,包括:
针对所述车辆在所述预设时间段内的每两条行驶路线,将该两条行驶路线分别记为第一路线和第二路线;若所述第一路线的起点位置对应的六边形地理编码与所述第二路线的起点位置对应的六边形地理编码相同,且所述第一路线的终点位置对应的六边形地理编码与所述第二路线的终点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;或,若所述第一路线的起点位置对应的六边形地理编码与所述第二路线的终点位置对应的六边形地理编码相同,且所述第一路线的终点位置对应的六边形地理编码与所述第二路线的起点位置对应的六边形地理编码相同,则确定该两条行驶路线为同一行驶路线;
统计属于同一行驶路线的路线数量,作为所述车辆在所述预设时间段内的各行驶路线的行驶次数。
3.根据权利要求1所述的车辆行驶路线的风险评估方法,其特征在于,所述确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,包括:
基于预先确定的固定路线数量分组信息,确定所述车辆在所述预设时间段内的固定路线数量所属分组,并基于固定路线数量分组与第一系数的对应关系,确定所述车辆在所述预设时间段内的固定路线数量所属分组对应的风险系数;
基于预先确定的路线分散度分组信息,确定所述车辆在所述预设时间段内的路线分散度所属分组,并基于路线分散度分组与第二系数的对应关系,确定所述车辆在所述预设时间段内的路线分散度所属分组对应的风险系数;
基于预先确定的车辆活动半径分组信息,确定所述车辆在所述预设时间段内的车辆活动半径所属分组,并基于车辆活动半径分组与第三系数的对应关系,确定所述车辆在所述预设时间段内的车辆活动半径所属分组对应的风险系数。
4.根据权利要求1所述的车辆行驶路线的风险评估方法,其特征在于,所述根据所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定所述车辆的行驶路线的风险评分,包括:
根据所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定风险汇总值;
基于预先确定的汇总值和风险分值的映射关系,确定所述风险汇总值对应的风险分值,作为所述车辆的行驶路线的风险评分。
5.根据权利要求1所述的车辆行驶路线的风险评估方法,其特征在于,在所述基于所述行驶路线信息,确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径之前,所述车辆行驶路线的风险评估方法还包括:
基于四分位距IQR方法,去除所述行驶路线信息中的异常数据,得到去除异常数据后的行驶路线信息;
相应地,所述基于所述行驶路线信息,确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径,包括:
基于所述去除异常数据后的行驶路线信息,确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径。
6.根据权利要求1至5任一项所述的车辆行驶路线的风险评估方法,其特征在于,所述获取车辆在预设时间段内的行驶路线信息,包括:
接收所述车辆内的控制设备发送的所述车辆在预设时间段内的行驶路线信息。
7.一种车辆行驶路线的风险评估装置,其特征在于,包括:
获取模块,用于获取车辆在预设时间段内的行驶路线信息;
特征提取模块,用于基于所述行驶路线信息,确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径;
风险系数确定模块,用于确定所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数;
风险评估模块,用于根据所述车辆在所述预设时间段内的固定路线数量、路线分散度和车辆活动半径分别对应的风险系数,确定所述车辆的行驶路线的风险评分;所述风险评分用于表示所述车辆的行驶路线的风险程度;
其中,车辆在预设时间段内的行驶路线信息包括车辆在预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据;
所述特征提取模块具体用于:
基于所述车辆在所述预设时间段内的所有行驶路线的起点位置和终点位置,确定所述车辆在所述预设时间段内的各行驶路线的行驶次数;
将行驶次数大于预设次数的行驶路线作为固定路线,确定所述车辆在所述预设时间段内的固定路线数量;
基于所述车辆在所述预设时间段内的各行驶路线的行驶次数,对各行驶路线进行降序排序,并选取排在前预设位数的行驶路线作为目标行驶路线,以及基于所述车辆在所述预设时间段内的各目标行驶路线的行驶次数,计算各目标行驶路线的比例,基于各目标行驶路线的比例,采用熵权法,确定所述车辆在所述预设时间段内的路线分散度;
基于所述车辆在所述预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据,确定包含所述预设时间段内的所有行驶路线的起点位置、终点位置和途中轨迹数据的第一最小外接圆,并将所述第一最小外接圆的半径作为所述车辆在所述预设时间段内的车辆活动半径。
8.一种终端,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至6中任一项所述的车辆行驶路线的风险评估方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述车辆行驶路线的风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369214.5A CN116109145B (zh) | 2023-04-10 | 2023-04-10 | 车辆行驶路线的风险评估方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369214.5A CN116109145B (zh) | 2023-04-10 | 2023-04-10 | 车辆行驶路线的风险评估方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109145A CN116109145A (zh) | 2023-05-12 |
CN116109145B true CN116109145B (zh) | 2023-06-20 |
Family
ID=86256422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310369214.5A Active CN116109145B (zh) | 2023-04-10 | 2023-04-10 | 车辆行驶路线的风险评估方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109145B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222421A (zh) * | 2019-06-06 | 2019-09-10 | 优必爱信息技术(北京)有限公司 | 一种行驶路线集中度评估方法及系统 |
CN110275934A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 |
CN110968839A (zh) * | 2019-12-05 | 2020-04-07 | 深圳鼎然信息科技有限公司 | 驾驶风险评估方法、装置、设备及存储介质 |
CN111460076A (zh) * | 2020-04-20 | 2020-07-28 | 广州亚美信息科技有限公司 | 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质 |
CN113283548A (zh) * | 2021-07-22 | 2021-08-20 | 天津所托瑞安汽车科技有限公司 | 一种车辆安全评分方法、装置、设备和存储介质 |
CN114168646A (zh) * | 2021-10-29 | 2022-03-11 | 山东大学 | 基于多数据融合的营运车辆运输监控方法及系统 |
CN115169996A (zh) * | 2022-09-06 | 2022-10-11 | 天津所托瑞安汽车科技有限公司 | 道路风险确定方法、设备和存储介质 |
-
2023
- 2023-04-10 CN CN202310369214.5A patent/CN116109145B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222421A (zh) * | 2019-06-06 | 2019-09-10 | 优必爱信息技术(北京)有限公司 | 一种行驶路线集中度评估方法及系统 |
CN110275934A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆行驶情况风险分析方法和系统 |
CN110968839A (zh) * | 2019-12-05 | 2020-04-07 | 深圳鼎然信息科技有限公司 | 驾驶风险评估方法、装置、设备及存储介质 |
CN111460076A (zh) * | 2020-04-20 | 2020-07-28 | 广州亚美信息科技有限公司 | 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质 |
CN113283548A (zh) * | 2021-07-22 | 2021-08-20 | 天津所托瑞安汽车科技有限公司 | 一种车辆安全评分方法、装置、设备和存储介质 |
CN114168646A (zh) * | 2021-10-29 | 2022-03-11 | 山东大学 | 基于多数据融合的营运车辆运输监控方法及系统 |
CN115169996A (zh) * | 2022-09-06 | 2022-10-11 | 天津所托瑞安汽车科技有限公司 | 道路风险确定方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116109145A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108513676B (zh) | 一种路况识别方法、装置及设备 | |
EP3349200A1 (en) | Method and device for processing traffic road information | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
CN110413905B (zh) | 获取道路线形的方法、装置、设备及存储介质 | |
CN111666971A (zh) | 基于位置定位的事件识别方法、装置、设备及存储介质 | |
CN111178452B (zh) | 驾驶风险识别方法、电子装置及可读存储介质 | |
CN112579718B (zh) | 一种城市用地功能的识别方法、装置及终端设备 | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN110471999B (zh) | 轨迹处理方法、装置、设备和介质 | |
CN112562330A (zh) | 评估道路运行指数的方法和装置、电子设备、存储介质 | |
CN111554109B (zh) | 基于排队长度的信号配时方法及终端 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN115330813A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN112132490A (zh) | 城市传染病高风险社区识别方法、装置、电子设备及介质 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN116109145B (zh) | 车辆行驶路线的风险评估方法、装置、终端及存储介质 | |
CN114238346B (zh) | 监控密度分析方法、装置、存储介质和电子设备 | |
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 | |
CN112632469A (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
CN111523005B (zh) | 网约用户分析方法、装置及电子设备 | |
CN110475198B (zh) | 一种城市道路用户轨迹纠偏处理方法及装置 | |
CN112833906B (zh) | 一种车辆频繁线路识别方法 | |
CN111222672B (zh) | 空气质量指数aqi的预测方法和装置 | |
CN113657488B (zh) | 基于驾驶行为的用户分级方法、装置、设备及存储介质 | |
CN116936103B (zh) | 一种基于同向网络的用户健康预测管理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |