CN116168542B - 一种基于大型车辆的行为监测的预警方法及系统 - Google Patents

Abstract

本申请公开了一种基于大型车辆的行为监测的预警方法及系统，涉及车辆行为监控技术领域。首先，边缘侧移动设备通过第一采集频率获取监测数据，计算自车危险等级并上传至云平台。然后，云平台接收并筛选出目标边缘侧移动设备，向其发送危险信号。目标设备基于危险信号采用第二采集频率获取监测数据，计算行为特征数据上传至云平台。最近云平台构建虚拟交通模型下发至目标边缘侧移动设备，进行场景预测并执行对应预警策略。在本申请中，能够在较短的时间内进行场景预测并执行对应的预警策略，提高了对大型车辆为监测的预警实时性和准确度，同时减少了边缘侧设备的计算压力，降低了系统成本。

Description

一种基于大型车辆的行为监测的预警方法及系统

技术领域

本申请涉及车辆行为监控技术领域，具体涉及一种基于大型车辆的行为监测的预警方法及系统。

背景技术

随着智能交通的发展和城市化进程的加速，交通安全和拥堵问题日益突出。相比小型车辆，大型车辆的行为监测和预警存在更多的挑战和难点。因此，大型车辆的行为监测和预警成为重要的研究方向。

目前，通过车辆系统来获取车辆行为监测数据，并进行预测是主流的监测预警方案，但是相比小型车辆，大型车辆的行为监测和预警存在更多的挑战和难点，大型车辆在行驶过程中产生的数据量非常大，需要消耗大量的计算和存储资源，故无法满足预警的准确性和超前性要求，因此现有的依靠车辆自身进行预警的方案并不适用于大型车辆。

发明内容

本申请针对现有的问题，提出了一种基于大型车辆的行为监测的预警方法及系统，具体技术方案如下：

在本申请的第一方面，提供一种基于大型车辆的行为监测的预警方法，方法包括：

边缘侧移动设备通过第一采集频率获取监测数据，以获得第一行为监测数据包；

所述边缘侧移动设备根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级，并上传至云平台；

所述云平台接收监测区域内所有边缘侧移动设备上传的自车危险等级，并根据所述自车危险等级筛选出监测区域内的目标边缘侧移动设备，向所述目标边缘侧移动设备发送危险信号；

所述目标边缘侧移动设备在接收到所述危险信号之后，采用第二采集频率获取监测数据，以获得第二行为监测数据包；

所述目标边缘侧移动设备根据所述第二行为监测数据包，计算目标边缘侧移动设备的行为特征数据，并上传至所述云平台；

所述云平台接收所述行为特征数据，并根据所述行为特征数据构建虚拟交通模型，将所述虚拟交通模型下发至向所述目标边缘侧移动设备；

所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测，并根据所述场景预测的结果执行对应的预警策略，其中，所述行为监测数据包括车辆运行监测数据和驾驶员行为监测数据，所述第二采集频率高于第一采集频率。

可选地，根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级的步骤，包括：

根据所述车辆运行监测数据与预设第一危险评估策略的匹配情况，计算第一危险评估分数；

根据所述驾驶员行为监测数据与预设第二危险评估策略的匹配情况，计算第二危险评估分数；

根据所述第一危险评估分数和所述第二危险评估分数，确定边缘侧移动设备的自车危险等级，其中，所述自车危险等级用于表征车辆自身的危险程度。

可选地，所述接收监测区域内所有边缘侧移动设备上传的自车危险等级，并根据所述自车危险等级筛选出监测区域内的目标边缘侧移动设备的步骤，包括：

所述云平台获取监测区域内边缘侧固定设备采集的路网交通信息，并根据所述路网交通信息计算边缘侧移动设备的他车危险等级，其中，所述他车危险等级用于表征车辆对其他车辆的危险程度；

所述云平台根据所述自车危险等级和所述他车危险等级，筛选出监测区域内的第一目标边缘侧移动设备以及第一目标边缘侧移动设备对应的多个第二目标边缘侧移动设备。

可选地，云平台根据所述自车危险等级和所述他车危险等级，筛选出监测区域内的第一目标边缘侧移动设备以及第一目标边缘侧移动设备对应的多个第二目标边缘侧移动设备的步骤，包括：

所述云平台将监测区域内具有最高自车危险等级的边缘侧移动设备，确定为所述第一目标边缘侧移动设备；

所述云平台确定所述第一目标边缘侧移动设备的危险影响范围，并将危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备，确定为所述第二目标边缘侧移动设备。

可选地，向所述目标边缘侧移动设备发送危险信号的步骤，包括：

所述云平台向第一目标边缘侧移动设备发送自车危险信号；

所述云平台向第二目标边缘侧移动设备发送他车危险信号，其中，所述他车危险信号携带所述第一目标边缘侧移动设备的设备码和位置信息。

可选地，根据所述行为特征数据构建虚拟交通模型的步骤，包括：

将边缘侧固定设备采集的路网交通信息映射为虚拟路况模型，将所述行为特征数据映射为虚拟车况模型；

根据所述虚拟路况模型和所述虚拟车况模型，构建所述交通模型。

可选地，所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测的步骤，包括：

目标边缘侧移动设备通过第三采集频率获取监测数据，以获得第三行为监测数据包，其中，所述第三采集频率高于第二采集频率；

目标边缘侧移动设备对所述第三行为监测数据包中的数据进行预处理，并将经过预处理后的数据输入所述虚拟交通模型中，以实现对所述虚拟交通模型的实时更新；

根据所述实时更新后的所述虚拟交通模型，获得所述目标边缘侧移动设备的场景预测结果。

可选地，所述根据所述场景预测的结果执行对应的预警策略的步骤，包括：

根据所述场景预测的结果与预先制定的预警策略匹配情况，确定对应的预警策略；

将所述预警策略上传至所述云平台和将所述预警策略发送至车辆的车机系统。

第二方面，本发明实施例提供了一种基于大型车辆的行为监测的预警系统，系统包括：

第一获取模块，用于边缘侧移动设备通过第一采集频率获取监测数据，以获得第一行为监测数据包；

第一处理模块，用于所述边缘侧移动设备根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级，并上传至云平台；

筛选模块，用于所述云平台接收监测区域内所有边缘侧移动设备上传的自车危险等级，并根据所述自车危险等级筛选出监测区域内的目标边缘侧移动设备，向所述目标边缘侧移动设备发送危险信号；

第二获取模块，用于所述目标边缘侧移动设备在接收到所述危险信号之后，采用第二采集频率获取监测数据，以获得第二行为监测数据包；

第二处理模块，用于所述目标边缘侧移动设备根据所述第二行为监测数据包，计算目标边缘侧移动设备的行为特征数据，并上传至所述云平台；

仿真模块，用于所述云平台接收所述行为特征数据，并根据所述行为特征数据构建虚拟交通模型，将所述虚拟交通模型下发至向所述目标边缘侧移动设备；

预警模块，所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测，并根据所述场景预测的结果执行对应的预警策略，其中，所述行为监测数据包括车辆运行监测数据和驾驶员行为监测数据。

可选地，所述第一获取模块，包括：

第一计算模块，用于根据所述车辆运行监测数据与预设第一危险评估策略的匹配情况，计算第一危险评估分数；

第二计算模块，用于根据所述驾驶员行为监测数据与预设第二危险评估策略的匹配情况，计算第二危险评估分数；

第三计算模块，用于根据所述第一危险评估分数和所述第二危险评估分数，确定边缘侧移动设备的自车危险等级，其中，所述自车危险等级用于表征车辆自身的危险程度。

可选地，所述筛选模块，包括：

他车危险等级计算子模块，用于所述云平台获取监测区域内边缘侧固定设备采集的路网交通信息，并根据所述路网交通信息计算边缘侧移动设备的他车危险等级，其中，所述他车危险等级用于表征车辆对其他车辆的危险程度；

目标边缘侧移动设备筛选子模块，用于所述云平台根据所述自车危险等级和所述他车危险等级，筛选出监测区域内的第一目标边缘侧移动设备以及第一目标边缘侧移动设备对应的多个第二目标边缘侧移动设备。

可选地，所述目标边缘侧移动设备筛选子模块，包括：

第一筛选单元，用于所述云平台将监测区域内具有最高自车危险等级的边缘侧移动设备，确定为所述第一目标边缘侧移动设备；

第二筛选单元，用于所述云平台确定所述第一目标边缘侧移动设备的危险影响范围，并将危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备，确定为所述第二目标边缘侧移动设备。

可选地，筛选模块还包括：

第一发送子模块，用于所述云平台向第一目标边缘侧移动设备发送自车危险信号；

第二发送子模块，用于所述云平台向第二目标边缘侧移动设备发送他车危险信号，其中，所述他车危险信号携带所述第一目标边缘侧移动设备的设备码和位置信息。

可选地，仿真模块包括：

映射子模块，用于将边缘侧固定设备采集的路网交通信息映射为虚拟路况模型，将所述行为特征数据映射为虚拟车况模型；

组合子模块，用于根据所述虚拟路况模型和所述虚拟车况模型，构建所述交通模型。

可选地，预警模块，包括：

数据获取子模块，用于目标边缘侧移动设备通过第三采集频率获取监测数据，以获得第三行为监测数据包，其中，所述第三采集频率高于第二采集频率；

数据处理子模块，用于目标边缘侧移动设备对所述第三行为监测数据包中的数据进行预处理，并将经过预处理后的数据输入所述虚拟交通模型中，以实现对所述虚拟交通模型的实时更新；

预测子模块，用于根据所述实时更新后的所述虚拟交通模型，获得所述目标边缘侧移动设备的场景预测结果。

本发明实施例第三方面提出一种电子设备，电子设备包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本发明实施例第一方面提出方法步骤。

本发明实施例第四方面提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面提出方法。

本申请具有以下有益效果：

在本申请的方案中，首先，边缘侧移动设备通过第一采集频率获取监测数据，计算自车危险等级并上传至云平台。然后，云平台接收并筛选出目标边缘侧移动设备，向其发送危险信号。目标设备基于危险信号采用第二采集频率获取监测数据，计算行为特征数据上传至云平台。最近云平台构建虚拟交通模型下发至目标边缘侧移动设备，进行场景预测并执行对应预警策略。因此具有以下优点：

上述方案的优点包括：

实时性高：通过边缘侧移动设备采集和上传实时监测数据，结合云平台构建虚拟交通模型，实现场景预测和预警策略的实时更新和执行。

精准性高：利用边缘侧移动设备计算自车危险等级和目标边缘侧移动设备的行为特征数据，结合云平台的虚拟交通模型，实现场景预测和预警策略的精准匹配。

可扩展性高：通过云平台的虚拟交通模型，可以对监测区域内的交通情况进行全局性的分析和优化，同时可以对监测区域进行扩展和升级。

可靠性高：通过在边缘侧移动设备和云平台之间建立多层次的通信网络和数据传输机制，实现监测数据的多重备份和冗余，提高数据传输和信息处理的可靠性和稳定性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图；

图2是本申请实施例提供的一种基于大型车辆的行为监测的预警方法的步骤流程图；

图3是本申请实施例提供的一种基于大型车辆的行为监测的预警系统的功能模块示意图。

附图标记：1001、处理器；1002、通信总线；1003、用户接口；1004、网络接口；1005、存储器；300、基于大型车辆的行为监测的预警系统；301、第一获取模块；302、第一处理模块；303、筛选模块；304、第二获取模块；305、第二处理模块；306、仿真模块。

具体实施方式

为使本申请的上述目的、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申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面结合附图对本申请的方案进一步说明。

参照图1，图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。

如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储系统。

本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。

在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，电子设备通过处理器1001调用存储器1005中存储的基于大型车辆的行为监测的预警系统，并执行本申请实施例提供的基于大型车辆的行为监测的预警方法。

参照图2，基于前述硬件运行环境，本申请的实施例提供了一种基于大型车辆的行为监测的预警方法，具体可以包括以下步骤：

S201：边缘侧移动设备通过第一采集频率获取监测数据，以获得第一行为监测数据包。

在本实施方式中，边缘侧移动设备是设置在大型车辆上的边缘侧设备，边缘侧移动设备以第一采集频率来获取大型车辆的各种传感器采集的各种车辆监测数据，监测数据包括车辆运行监测数据和驾驶员行为监测数据。第一采集频率是指能够边缘侧移动设备采集用于计算车辆自车危险等级所需数据量的最低频率，车辆运行监测数据主要包括以下内容：车速：车辆在运行过程中的速度信息。转速：车辆发动机转速信息。加速度：车辆加速度信息，可以用于监测车辆的加速度性能和行驶平稳性。刹车距离：车辆刹车过程中的刹车距离信息，可以用于评估刹车性能和刹车距离是否合理。发动机温度：车辆发动机温度信息，可以用于监测发动机的运行状态和热量分布情况。燃油消耗：车辆在运行过程中的燃油消耗量信息，可以用于评估车辆的油耗情况和油耗是否合理。发动机故障码：车辆发动机故障码信息，可以用于检测车辆发动机是否存在故障。驾驶员行为监测数据主要包括以下内容：车道偏移：车辆是否偏离车道的信息，可以用于评估驾驶员的驾驶技术和行驶安全性。疲劳驾驶：驾驶员疲劳程度的信息，可以用于检测驾驶员的疲劳状态，并提醒驾驶员休息。急加速、急刹车：驾驶员急加速和急刹车行为的信息，可以用于评估驾驶员的驾驶习惯和驾驶安全性。手机使用：驾驶员是否在行驶过程中使用手机的信息，可以用于检测驾驶员是否违反交通规则。

作为示例的，边缘侧移动设备可以通过车载传感器采集车辆的车速、加速度、刹车距离、发动机温度等信息，通过第一采集频率获取这些数据，进而进行实时监测和预警。可以通过车载摄像头和人脸识别技术采集驾驶员的疲劳状态和手机使用情况等信息，通过第一采集频率获取这些数据，用于后续的信息处理。

S202：所述边缘侧移动设备根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级，并上传至云平台。

在本实施方式中，边缘侧移动设备的计算能力可能，因此它通常只处理最关键的数据，即将自车危险等级上传到云平台。在这种情况下，设备会监测数据包并计算车辆的自车危险等级，然后将其上传到云平台，其具体的实现步骤包括：

S202-1：根据所述车辆运行监测数据与预设第一危险评估策略的匹配情况，计算第一危险评估分数；

S202-2：根据所述驾驶员行为监测数据与预设第二危险评估策略的匹配情况，计算第二危险评估分数；

S202-3：根据所述第一危险评估分数和所述第二危险评估分数，确定边缘侧移动设备的自车危险等级，其中，所述自车危险等级用于表征车辆自身的危险程度。

在S202-1至S202-3的实施方式中，第一危险评估策略可能包括一些参数或者规则，用于评估车辆的运行状态是否存在潜在的危险。例如，可以考虑车辆的速度、加速度、制动情况、转向情况、路面状况等因素，根据这些因素的值和阈值进行判断，得出一个分数表示车辆的危险程度。第二危险评估策略可能包括一些参数或者规则，用于评估驾驶员的行为是否存在潜在的危险。例如，可以考虑驾驶员的注意力、反应速度、疲劳程度、分心情况等因素，根据这些因素的值和阈值进行判断，得出一个分数表示驾驶员的危险程度。

自车危险等可以分为多个级别，例如低、中、高三个级别。根据第一危险评估分数和第二危险评估分数的取值范围，将边缘侧移动设备的自车危险等级划分为不同的级别。例如，当第一危险评估分数和第二危险评估分数均在较低的范围内时，可以将自车危险等级设为低；当第一危险评估分数和第二危险评估分数均在较高的范围内时，可以将自车危险等级设为高。

作为示例的：第一危险评估策略可以为车速：当车速大于等于80公里/小时，得分为3分；否则得分为0分。加速度：当加速度大于或等于2.5m/s²时，得分为2分；否则得分为0分。

制动情况：当制动距离小于等于30米时，得分为3分；否则得分为0分。

转向情况：当转向灵活、稳定时，得分为2分；否则得分为0分。

路面状况：当路面干燥、无积水、无杂物时，得分为2分；否则得分为0分。

假设车辆的实际情况是：车速为90公里/小时，加速度为2.8米/秒^2，制动距离为25米，转向灵活稳定，路面状况良好。则根据以上策略，第一危险评估分数为：3+2+3+2=10分。

第二危险评估策略可以为：

注意力：当驾驶员保持集中注意力时，得分为2分；否则得分为0分。

反应速度：当驾驶员反应速度较快时，得分为2分；否则得分为0分。

疲劳程度：当驾驶员精神状态良好、没有疲劳时，得分为3分；否则得分为0分。

分心情况：当驾驶员没有分心或分心情况较轻时，得分为2分；否则得分为0分。

假设驾驶员的实际情况是：注意力集中，反应速度较快，没有疲劳，但偶尔会分心。则根据以上策略，第二危险评估分数为：2+2+3+2=9分。自车危险等级分别为低、中、高三个级别，分数的范围为0-5分为低风险，6-10分为中风险，11-15分为高风险。根据上述计算结果，此时第一危险评估分数为10分，第二危险评估分数为9分。第一危险评估策略和第二危险评估策略的权重分别为0.6和0.4，则可以计算边缘侧移动设备的自车危险等级。得到最终的分数为9.6分。根据这个计算结果，边缘侧移动设备的自车危险等级为中等。由于第一危险评估策略的权重较高，因此对最终的危险等级影响更大，而第二危险评估策略对危险等级的影响相对较小。

S203：所述云平台接收监测区域内所有边缘侧移动设备上传的自车危险等级，并根据所述自车危险等级筛选出监测区域内的目标边缘侧移动设备，向所述目标边缘侧移动设备发送危险信号。

在本实施方式中，当云平台收到边缘侧移动设备上传的自车危险等级时，它可以根据自车危险等级进行处理，筛选出自车危险等级较高的一部分边缘侧移动设备作为目标设备。这些目标设备可能存在的危险行为或状态可能更加危险或者有潜在的安全风险。而筛选出监测区域内的目标边缘侧移动设备的步骤可以为：

S203-1：所述云平台获取监测区域内边缘侧固定设备采集的路网交通信息，并根据所述路网交通信息计算边缘侧移动设备的他车危险等级，其中，所述他车危险等级用于表征车辆对其他车辆的危险程度。

在本的实施方式中，路网交通信息指的是通过边缘侧固定设备采集的道路信息，例如道路宽度、车道数量、车速限制等信息，以及通过交通信号灯、停车标志等设备采集的交通信息，例如车辆行驶状态、停车状态等信息。边缘侧固定设备是指固定在道路边缘或路边设施上的智能设备，用于监测道路交通信息和辅助车辆导航等功能。这些设备通常配备了摄像头、雷达、激光雷达等传感器，可以实时获取道路上车辆、行人等信息，并将其发送给云平台进行处理分析。边缘侧固定设备可以为边缘计算、智能交通等应用提供基础数据支撑。基于这些信息，云平台可以计算出边缘侧移动设备的他车危险等级。他车危险等级是指边缘侧移动设备对其他车辆的危险程度，包括但不限于潜在的碰撞风险、交通拥堵风险等。计算方法可以根据具体情况来确定，例如可以采用基于车辆位置和速度的危险等级评估算法。

S203-2：所述云平台根据所述自车危险等级和所述他车危险等级，筛选出监测区域内的第一目标边缘侧移动设备以及第一目标边缘侧移动设备对应的多个第二目标边缘侧移动设备。

在本实施方式中，云平台根据自车危险等级和他车危险等级，筛选出监测区域内的目标边缘侧移动设备，其具体的实现步骤可以为：

S203-2-1：所述云平台将监测区域内具有最高自车危险等级的边缘侧移动设备，确定为所述第一目标边缘侧移动设备；

S203-2-2：所述云平台确定所述第一目标边缘侧移动设备的危险影响范围，并将危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备，确定为所述第二目标边缘侧移动设备。

在S203-2-1至S203-2-2的实施方式中，云平台需要确定监测区域内具有最高自车危险等级的边缘侧移动设备为第一目标边缘侧移动设备。这意味着，云平台需要比较监测区域内所有边缘侧移动设备的自车危险等级，找到最高值所对应的设备作为第一目标。接下来，云平台需要确定第一目标边缘侧移动设备的危险影响范围，并将危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备确定为第二目标边缘侧移动设备。因此，云平台需要通过监测区域内的路网交通信息计算出第一目标边缘侧移动设备的危险影响范围，一般可以通过判定其周围一定范围内的车辆或者行人密集程度来确定。然后，云平台需要筛选出在危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备作为第二目标边缘侧移动设备。

作为示例的：假设监测区域内共有5辆边缘侧移动设备，它们的自车危险等级分别为1、2、3、4、5。云平台需要确定自车危险等级最高的设备，即第5辆车为第一目标边缘侧移动设备。接着，云平台需要确定第5辆车的危险影响范围，并筛选出其中他车危险等级大于预设阈值的边缘侧移动设备。假设在第5辆车周围半径为50米的范围内共有8辆边缘侧移动设备，它们的他车危险等级分别为2、4、6、1、3、5、7、8。如果预设阈值为4，则云平台需要将第5辆车周围他车危险等级大于4的边缘侧移动设备确定为第二目标边缘侧移动设备，即第3、4、6、7、8辆车。

而在确定目标边缘侧移动设备之后，向目标边缘侧移动设备发送危险信号的步骤，包括：

所述云平台向第一目标边缘侧移动设备发送自车危险信号；

所述云平台向第二目标边缘侧移动设备发送他车危险信号，其中，所述他车危险信号携带所述第一目标边缘侧移动设备的设备码和位置信息。

在本实施方式中，当车车辆在行驶时，它连接了一个与云平台相连的边缘侧移动设备。该设备定期向云平台发送车辆的位置信息和传感器数据。当云平台检测到该车存在危险情况时，它会向该车发送自车危险信号，用于表征车辆自身的危险程度。例如，当车辆在高速公路上行驶时，如果云平台检测到车辆前方有道路拥堵或者其他交通障碍，它会向车辆发送自车危险信号，提醒驾驶员采取相应措施，以避免发生交通事故。同时，当云平台检测到其他车辆存在危险情况时，它会向附近的边缘侧移动设备发送他车危险信号，携带了第一目标边缘侧移动设备的设备码和位置信息，用于表征车辆对其他车辆的危险程度。例如，如果一辆车驾驶员在开车时经常超速或者不按规定使用车道，云平台可以将该车辆标记为高危车辆，并向周围的边缘侧移动设备发送他车危险信号，以提醒其他车辆注意该车辆，并采取相应措施以避免交通事故的发生。

S204：所述目标边缘侧移动设备在接收到所述危险信号之后，采用第二采集频率获取监测数据，以获得第二行为监测数据包。

在本实施方式中，第二采集频率高于第一采集频率，第一采集频率是指目标边缘侧移动设备在行驶过程中按照一定时间间隔获取监测数据的频率。而第二采集频率则是指在接收到云平台发送的危险信号之后，设备会使用更高的采集频率来获取监测数据，以获得更精确的行为监测数据包。这可以提供更准确的驾驶行为分析，帮助驾驶员更好地了解自己的驾驶习惯和行为，从而提高驾驶安全性。

作为示例的：一辆车安装了一个与云平台相连的边缘侧移动设备，设备会按照预定的时间间隔从车辆传感器中获取监测数据。当云平台向该设备发送危险信号时，设备会立即采用更高的采集频率获取监测数据，以获得更准确的行为监测数据包。例如，如果驾驶员突然刹车，设备可以捕捉到更高分辨率的数据，以帮助确定是否存在紧急情况，以及应该如何采取行动。这样的高频率数据收集和分析有助于提高交通安全性和驾驶行为分析的准确性。

S205：所述目标边缘侧移动设备根据所述第二行为监测数据包，计算目标边缘侧移动设备的行为特征数据，并上传至所述云平台。

在本实施方式中。行为特征数据可以包括目标车辆的车速、加速度、行驶方向、车道偏移等信息，这些信息有助于云平台进一步分析和预测道路交通状况，并提供更加准确的交通安全服务。

作为示例的：目标边缘侧移动设备在接收到危险信号后，会以第二采集频率获取监测数据，并根据第二行为监测数据包计算出该车的行为特征数据。例如，目标边缘侧移动设备可以通过计算车辆的加速度和车速，来判断该车是否正常行驶，也可以通过计算车辆的车道偏移情况来判断车辆的驾驶员是否疲劳或者注意力不集中。之后，目标边缘侧移动设备会将计算出的行为特征数据上传至云平台，以帮助云平台进一步分析和预测道路交通状况，并提供更加准确的交通安全服务。

S206：所述云平台接收所述行为特征数据，并根据所述行为特征数据构建虚拟交通模型，将所述虚拟交通模型下发至向所述目标边缘侧移动设备。

在本实施方式中，云平台相比边缘侧移动设备，拥有更强的计算能力，移动设备通过采集和上传行为特征数据，云平台接收这些数据并通过计算和分析构建虚拟交通模型。虚拟交通模型是一个以仿真方式描述道路交通的模型，它能够反映交通流量、车辆速度、车辆位置、道路拥堵等实时状态。云平台拥有更强的计算能力，可以通过大规模的数据处理和分析，更准确地构建虚拟交通模型。此外，云平台还可以整合多个移动设备上传的数据，使虚拟交通模型更加全面和准确。

而根据所述行为特征数据构建虚拟交通模型的步骤，包括：

S206-1：将边缘侧固定设备采集的路网交通信息映射为虚拟路况模型，将所述行为特征数据映射为虚拟车况模型；

S206-2：根据所述虚拟路况模型和所述虚拟车况模型，构建所述交通模型。

在S206-1至S206-2的实施方式中，边缘侧固定设备采集了路网交通信息，例如交通信号灯状态、车辆流量、道路限速等，这些信息通过采集设备上传到云平台。这些路网交通信息被映射为虚拟路况模型，即在云平台上建立一个反映实际路况的虚拟模型，包括路口的状态、道路的拓扑结构和车辆行驶方向等信息。同时，移动设备上传的行为特征数据也被映射为虚拟车况模型，包括车速、加速度、转向角度等信息。这些信息被整合到虚拟交通模型中，构成一个完整的交通模型，反映了实际道路上车辆的行驶情况。云平台根据虚拟路况模型和虚拟车况模型，构建了整个交通模型，包括交通流量、车辆位置、速度、方向等信息。交通模型是一个反映实际道路交通情况的虚拟模型，通过该模型，云平台可以进行交通流量预测、路线规划和优化等操作，提高道路交通的效率和安全性。

S207：所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测，并根据所述场景预测的结果执行对应的预警策略。

在本实施方式中，在场景预测阶段，目标边缘侧移动设备使用虚拟交通模型预测未来的道路交通情况，包括车辆数量、速度、行驶方向等。这些信息可以被用于预测未来可能出现的交通状况，例如车辆堵塞、事故等。根据这些预测结果，目标边缘侧移动设备可以执行相应的预警策略，例如提醒驾驶员减速、换道、避让等，以避免潜在的危险情况的发生。而基于所述虚拟交通模型进行场景预测的步骤包括：

S207-1：目标边缘侧移动设备通过第三采集频率获取监测数据，以获得第三行为监测数据包，其中，所述第三采集频率高于第二采集频率；

S207-2：目标边缘侧移动设备对所述第三行为监测数据包中的数据进行预处理，并将经过预处理后的数据输入所述虚拟交通模型中，以实现对所述虚拟交通模型的实时更新；

S207-3：根据所述实时更新后的所述虚拟交通模型，获得所述目标边缘侧移动设备的场景预测结果。

在S207-1至S207-3的实施方式中，目标边缘侧移动设备通过第三采集频率获取监测数据，该频率高于第二采集频率，这意味着目标边缘侧移动设备可以获取更高频率的监测数据，以更准确地反映当前的交通情况。目标边缘侧移动设备对第三行为监测数据包中的数据进行预处理，如数据清洗、去噪、归一化等操作，以确保数据质量和一致性，并将经过预处理后的数据输入虚拟交通模型中。随着时间的推移，交通情况可能发生变化，因此虚拟交通模型需要实时更新以反映当前的情况。通过实时更新后的虚拟交通模型，目标边缘侧移动设备可以预测当前场景下的交通状况，从而采取适当的措施来保障行车安全。

而根据所述场景预测的结果执行对应的预警策略的步骤，包括：

S207-4：根据所述场景预测的结果与预先制定的预警策略匹配情况，确定对应的预警策略；

S207-5：将所述预警策略上传至所述云平台和将所述预警策略发送至车辆的车机系统。

在S207-4至S207-5的实施方式中，目标边缘侧移动设备根据场景预测的结果与预先制定的预警策略进行匹配，确定应该采取哪种预警策略，例如如果预测到前方路段会有拥堵，那么可以采取提前减速预警等措施，如果预测到有行人或者障碍物穿过马路，可以采取紧急刹车等措施。确定好了预警策略后，目标边缘侧移动设备需要将预警策略上传至云平台，以便其他车辆和云平台可以获取到预警信息，同时也需要将预警策略发送至车辆的车机系统，以便车辆驾驶员及时得到预警信息。车机系统可以通过语音、显示屏等方式向驾驶员传递预警信息，以便驾驶员及时采取应对措施，保障行车安全。

大型车辆的运行数据相比于小型车辆大型车辆的行为数据包含多个变量和参数，如车速、加速度、刹车距离等，需要进行高效的数据处理和分析，而这需要大量的计算资源，而如果将上述数据处理和场景预测的过程都放在车机系统上执行，自然无法获得高响应和高准确率的预警结果。通过本申请的技术方案，首先将一部分计算任务从云端转移到边缘侧设备上，而将主要的计算任务放在云平台上执行。通过采用边缘侧进行简单计算，由云平台进行复杂的场景预测模型构建，将场景预测模型下发到目标边缘侧设备，并在边缘侧设备上进行场景预测，减少了云端的计算量，提高了边缘侧响应准确度。同时，边缘侧设备还能对接收到的监测数据进行预处理，提取出有用的特征数据，进一步减少了云端的计算量。通过这种方式，方案能够在较短的时间内进行场景预测并执行对应的预警策略，提高了系统的实时性和准确度，同时减少了云端计算任务，降低了系统成本。

本发明实施例还提供了一种基于大型车辆的行为监测的预警系统，参照图3，示出了本发明一种基于大型车辆的行为监测的预警系统的功能模块图，该系统可以包括以下模块：

第一获取模块301，用于边缘侧移动设备通过第一采集频率获取监测数据，以获得第一行为监测数据包；

第一处理模块302，用于所述边缘侧移动设备根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级，并上传至云平台；

筛选模块303，用于所述云平台接收监测区域内所有边缘侧移动设备上传的自车危险等级，并根据所述自车危险等级筛选出监测区域内的目标边缘侧移动设备，向所述目标边缘侧移动设备发送危险信号；

第二获取模块304，用于所述目标边缘侧移动设备在接收到所述危险信号之后，采用第二采集频率获取监测数据，以获得第二行为监测数据包；

第二处理模块305，用于所述目标边缘侧移动设备根据所述第二行为监测数据包，计算目标边缘侧移动设备的行为特征数据，并上传至所述云平台；

仿真模块306，用于所述云平台接收所述行为特征数据，并根据所述行为特征数据构建虚拟交通模型，将所述虚拟交通模型下发至向所述目标边缘侧移动设备；

预警模块307，所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测，并根据所述场景预测的结果执行对应的预警策略，其中，所述行为监测数据包括车辆运行监测数据和驾驶员行为监测数据。

在一种可行的实施方式中，所述第一获取模块，包括：

第一计算模块，用于根据所述车辆运行监测数据与预设第一危险评估策略的匹配情况，计算第一危险评估分数；

第二计算模块，用于根据所述驾驶员行为监测数据与预设第二危险评估策略的匹配情况，计算第二危险评估分数；

第三计算模块，用于根据所述第一危险评估分数和所述第二危险评估分数，确定边缘侧移动设备的自车危险等级，其中，所述自车危险等级用于表征车辆自身的危险程度。

在一种可行的实施方式中，所述筛选模块，包括：

他车危险等级计算子模块，用于所述云平台获取监测区域内边缘侧固定设备采集的路网交通信息，并根据所述路网交通信息计算边缘侧移动设备的他车危险等级，其中，所述他车危险等级用于表征车辆对其他车辆的危险程度；

目标边缘侧移动设备筛选子模块，用于所述云平台根据所述自车危险等级和所述他车危险等级，筛选出监测区域内的第一目标边缘侧移动设备以及第一目标边缘侧移动设备对应的多个第二目标边缘侧移动设备。

在一种可行的实施方式中，所述目标边缘侧移动设备筛选子模块，包括：

第一筛选单元，用于所述云平台将监测区域内具有最高自车危险等级的边缘侧移动设备，确定为所述第一目标边缘侧移动设备；

第二筛选单元，用于所述云平台确定所述第一目标边缘侧移动设备的危险影响范围，并将危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备，确定为所述第二目标边缘侧移动设备。

在一种可行的实施方式中，筛选模块还包括：

第一发送子模块，用于所述云平台向第一目标边缘侧移动设备发送自车危险信号；

第二发送子模块，用于所述云平台向第二目标边缘侧移动设备发送他车危险信号，其中，所述他车危险信号携带所述第一目标边缘侧移动设备的设备码和位置信息。

在一种可行的实施方式中，仿真模块包括：

映射子模块，用于将边缘侧固定设备采集的路网交通信息映射为虚拟路况模型，将所述行为特征数据映射为虚拟车况模型；

组合子模块，用于根据所述虚拟路况模型和所述虚拟车况模型，构建所述交通模型。

在一种可行的实施方式中，预警模块，包括：

数据获取子模块，用于目标边缘侧移动设备通过第三采集频率获取监测数据，以获得第三行为监测数据包，其中，所述第三采集频率高于第二采集频率；

数据处理子模块，用于目标边缘侧移动设备对所述第三行为监测数据包中的数据进行预处理，并将经过预处理后的数据输入所述虚拟交通模型中，以实现对所述虚拟交通模型的实时更新；

预测子模块，用于根据所述实时更新后的所述虚拟交通模型，获得所述目标边缘侧移动设备的场景预测结果。

需要说明的是，本申请实施例的基于大型车辆的行为监测的预警系统300的具体实施方式参照前述本申请实施例第一方面提出的基于大型车辆的行为监测的预警方法的具体实施方式，在此不再赘述。

基于同一发明构思，本发明另一实施例提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于大型车辆的行为监测的预警方法，其特征在于，所述方法包括：

边缘侧移动设备通过第一采集频率获取监测数据，以获得第一行为监测数据包；

所述边缘侧移动设备根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级，并上传至云平台；

所述云平台接收监测区域内所有边缘侧移动设备上传的自车危险等级，并根据所述自车危险等级筛选出监测区域内的目标边缘侧移动设备，向所述目标边缘侧移动设备发送危险信号包括：

所述云平台获取监测区域内边缘侧固定设备采集的路网交通信息，并根据所述路网交通信息计算边缘侧移动设备的他车危险等级，其中，所述他车危险等级用于表征车辆对其他车辆的危险程度；

所述云平台根据所述自车危险等级和所述他车危险等级，筛选出监测区域内的第一目标边缘侧移动设备以及第一目标边缘侧移动设备对应的多个第二目标边缘侧移动设备包括：

所述云平台将监测区域内具有最高自车危险等级的边缘侧移动设备，确定为所述第一目标边缘侧移动设备；

所述云平台确定所述第一目标边缘侧移动设备的危险影响范围，并将危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备，确定为所述第二目标边缘侧移动设备;

所述目标边缘侧移动设备在接收到所述危险信号之后，采用第二采集频率获取监测数据，以获得第二行为监测数据包；

所述目标边缘侧移动设备根据所述第二行为监测数据包，计算目标边缘侧移动设备的行为特征数据，并上传至所述云平台；

所述云平台接收所述行为特征数据，并根据所述行为特征数据构建虚拟交通模型，将所述虚拟交通模型下发至向所述目标边缘侧移动设备；

所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测，并根据所述场景预测的结果执行对应的预警策略，其中，所述行为监测数据包括车辆运行监测数据和驾驶员行为监测数据，所述第二采集频率高于第一采集频率。

2.根据权利要求1所述的一种基于大型车辆的行为监测的预警方法，其特征在于，根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级的步骤，包括：

根据所述车辆运行监测数据与预设第一危险评估策略的匹配情况，计算第一危险评估分数；

根据所述驾驶员行为监测数据与预设第二危险评估策略的匹配情况，计算第二危险评估分数；

根据所述第一危险评估分数和所述第二危险评估分数，确定边缘侧移动设备的自车危险等级，其中，所述自车危险等级用于表征车辆自身的危险程度。

3.根据权利要求1所述的一种基于大型车辆的行为监测的预警方法，其特征在于，向所述目标边缘侧移动设备发送危险信号的步骤，包括：

所述云平台向第一目标边缘侧移动设备发送自车危险信号；

所述云平台向第二目标边缘侧移动设备发送他车危险信号，其中，所述他车危险信号携带所述第一目标边缘侧移动设备的设备码和位置信息。

4.根据权利要求1所述的一种基于大型车辆的行为监测的预警方法，其特征在于，根据所述行为特征数据构建虚拟交通模型的步骤，包括：

将边缘侧固定设备采集的路网交通信息映射为虚拟路况模型，将所述行为特征数据映射为虚拟车况模型；

根据所述虚拟路况模型和所述虚拟车况模型，构建所述交通模型。

5.根据权利要求1所述的一种基于大型车辆的行为监测的预警方法，其特征在于，所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测的步骤，包括：

目标边缘侧移动设备通过第三采集频率获取监测数据，以获得第三行为监测数据包，其中，所述第三采集频率高于第二采集频率；

目标边缘侧移动设备对所述第三行为监测数据包中的数据进行预处理，并将经过预处理后的数据输入所述虚拟交通模型中，以实现对所述虚拟交通模型的实时更新；

根据所述实时更新后的所述虚拟交通模型，获得所述目标边缘侧移动设备的场景预测结果。

6.根据权利要求1所述的一种基于大型车辆的行为监测的预警方法，其特征在于，所述根据所述场景预测的结果执行对应的预警策略的步骤，包括：

根据所述场景预测的结果与预先制定的预警策略匹配情况，确定对应的预警策略；

将所述预警策略上传至所述云平台和将所述预警策略发送至车辆的车机系统。

7.一种基于大型车辆的行为监测的预警系统，其特征在于，所述系统包括：

第一获取模块，用于边缘侧移动设备通过第一采集频率获取监测数据，以获得第一行为监测数据包；

第一处理模块，用于所述边缘侧移动设备根据所述第一行为监测数据包，计算边缘侧移动设备的自车危险等级，并上传至云平台；

筛选模块，用于所述云平台接收监测区域内所有边缘侧移动设备上传的自车危险等级，并根据所述自车危险等级筛选出监测区域内的目标边缘侧移动设备，向所述目标边缘侧移动设备发送危险信号；

所述筛选模块，包括：

他车危险等级计算子模块，用于所述云平台获取监测区域内边缘侧固定设备采集的路网交通信息，并根据所述路网交通信息计算边缘侧移动设备的他车危险等级，其中，所述他车危险等级用于表征车辆对其他车辆的危险程度；

目标边缘侧移动设备筛选子模块，用于所述云平台根据所述自车危险等级和所述他车危险等级，筛选出监测区域内的第一目标边缘侧移动设备以及第一目标边缘侧移动设备对应的多个第二目标边缘侧移动设备；

所述目标边缘侧移动设备筛选子模块，包括：

第一筛选单元，用于所述云平台将监测区域内具有最高自车危险等级的边缘侧移动设备，确定为所述第一目标边缘侧移动设备；

第二筛选单元，用于所述云平台确定所述第一目标边缘侧移动设备的危险影响范围，并将危险影响范围内他车危险等级大于预设阈值的边缘侧移动设备，确定为所述第二目标边缘侧移动设备；

第二获取模块，用于所述目标边缘侧移动设备在接收到所述危险信号之后，采用第二采集频率获取监测数据，以获得第二行为监测数据包；

第二处理模块，用于所述目标边缘侧移动设备根据所述第二行为监测数据包，计算目标边缘侧移动设备的行为特征数据，并上传至所述云平台；

仿真模块，用于所述云平台接收所述行为特征数据，并根据所述行为特征数据构建虚拟交通模型，将所述虚拟交通模型下发至向所述目标边缘侧移动设备；

预警模块，所述目标边缘侧移动设备基于所述虚拟交通模型进行场景预测，并根据所述场景预测的结果执行对应的预警策略，其中，所述行为监测数据包括车辆运行监测数据和驾驶员行为监测数据。

8.根据权利要求7所述的一种基于大型车辆的行为监测的预警系统，其特征在于，所述第一获取模块，包括：

第一计算模块，用于根据所述车辆运行监测数据与预设第一危险评估策略的匹配情况，计算第一危险评估分数；

第二计算模块，用于根据所述驾驶员行为监测数据与预设第二危险评估策略的匹配情况，计算第二危险评估分数；

第三计算模块，用于根据所述第一危险评估分数和所述第二危险评估分数，确定边缘侧移动设备的自车危险等级，其中，所述自车危险等级用于表征车辆自身的危险程度。