CN116246229A - 一种基于车联网的骑行状态监控系统及方法 - Google Patents
一种基于车联网的骑行状态监控系统及方法 Download PDFInfo
- Publication number
- CN116246229A CN116246229A CN202310051820.2A CN202310051820A CN116246229A CN 116246229 A CN116246229 A CN 116246229A CN 202310051820 A CN202310051820 A CN 202310051820A CN 116246229 A CN116246229 A CN 116246229A
- Authority
- CN
- China
- Prior art keywords
- accident
- data
- speed
- monitoring
- riding
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 230000006855 networking Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车联网的骑行状态监控系统及方法,包括数据库获取模块、事故率分析模块、事故偏差指数分析模块、目标监控数据确定模块、安全速度阈值分析模块和实时数据比较预警模块;数据库获取模块用于获取监测区域内注册登陆车联网的用户骑行数据库和事故数据库;事故率分析模块分析同一位置数据对于不同监控数据下的事故率;事故偏差指数分析模块用于分析车联网监测区域内的事故偏差指数;目标监控数据确定模块用于提取事故率最大值对应的监控数据为目标监控数据;安全速度阈值分析模块分析目标监控数据下对应路段的安全速度阈值;实时数据比较预警模块将实时监测数据与安全阈值速度、限速数据的大小关系,以输出预警信号。
Description
技术领域
本发明涉及骑行状态监控技术领域,具体为一种基于车联网的骑行状态监控系统及方法。
背景技术
目前,应用于像轿车一类的机动车上的车联网已经实现普适化,而对于像电动摩托车、电动自行车一类的两轮车辆关于车联网的应用还处于初级阶段,且如电动摩托车在交通道路上的管制难度较大、骑行风险较大,所以在不少地方都有实行限摩令,对于出行便捷的交通工具难以受众;
除此之外,不少摩托车的交通事故都是由于车速过快导致安全事故的发生,所以有效的利用车联网对电动摩托车实现实时骑行状态的监控是十分有必要的。
发明内容
本发明的目的在于提供一种基于车联网的骑行状态监控系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于车联网的骑行状态监控方法,包括以下分析步骤:
步骤S1:获取监测区域内注册登陆车联网的用户骑行数据库和事故数据库,用户骑行数据库包括位置数据、监控数据以及行驶数据;监控数据是指位置数据对应路段中安装的监控设备捕捉到的监控画面数据;行驶数据是指行驶平均速度和瞬时速度;事故数据库是指记录事故骑行车辆事故发生位置和车辆骑行数据;
步骤S2:基于步骤S1中的用户骑行数据库和事故数据库,分析同一位置数据对于不同监控数据下的事故率,并基于事故率分析车联网监测区域内的事故偏差指数;分析事故率是为了确定不同监控数据对应不同环境情况下骑行车辆发生交通事故的概率,分析事故偏差指数是为了确定不同环境是否对事故率造成一定的偏差影响;因为在雨雪天气可能会对路面造成一定影响,路段限速不再有效的作为车辆行驶的速度指标,需要合理的分析出更加适配路面以及交通环境的速度阈值;
步骤S3:基于步骤S2中的事故偏差指数,设置事故偏差指数阈值,当事故偏差指数大于事故偏差指数阈值时,提取事故率最大值对应的监控数据为目标监控数据,分析目标监控数据下对应路段的安全速度阈值;
步骤S4:获取实时监控区域存在骑行数据记录车辆的所属路段以及所属路段对应的限速数据,并基于步骤S3中的安全阈值速度分析监测车辆的实时行驶速度与安全阈值速度、限速数据的大小关系,以输出预警信号。
进一步的,步骤S2包括以下分析步骤:
提取事故数据库中发生事故的位置,并获取位置对应用户骑行数据中所属的监控数据以及对应的事故路段;
获取第i个事故路段在第j种监控数据下的平均车辆密度ρij,车辆密度是指事故骑行车辆在事故路段同类型车道的车辆密度,ρij=[(1/m)∑rij]/max[rij],rij表示第i个事故路段在第j种监控数据下监测车辆存在监控数据时的骑行车辆总数,max[rij]表示第i个事故路段在第j种监控数据下记录骑行车辆总数的最大值,m表示监控数据的总类型数,j≤m,监控数据的类型包括监控画面中存在积水、积雪路面以及不存在积水、积雪路面两种;车辆密度越大,监测骑行车辆在道路上行驶发生碰撞的风险就越大;
获取第i个事故路段在第j种监控数据下的事故骑行车辆平均行驶速度vij,vij=sij/tij,其中sij表示第i个事故路段在第j种监控数据下的行驶路程,tij表示第i个事故路段在第j种监控数据下的行驶路程对应的行驶时长;行驶速度越大,监测骑行车辆在道路上行驶发生危险的风险就越大;
构建第i个事故路段的数据集Pi,Pi={(ρij,vij,Ai)};其中Ai表示第i个事故路段的监控画面类型集,/>表示第i个事故路段监控画面数据为不存在积水、积雪的路面类型,/>表示第i个事故路段监控画面数据存在积水、积雪的路面类型;
以数据集为单位分析事故路段的事故率可以快速将骑行车辆事故发生相关数据提取出来,且可以清晰明了的分析出事故高发类型数据,使得车联网对骑行数据的监测具有方向性。
进一步的,步骤S2还包括以下分析步骤:
提取n个事故路段的中心偏差指数ri;中心偏差指数越大,说明不同监控数据对应路段环境对监测骑行车辆事故发生的差异化越大;利用公式:
计算车联网监测区域内的事故偏差指数R。
事故偏差指数越大说明车联网监测区域内监测骑行车辆发生事故的差异性受不同监控数据对应的路段环境影响较大,即在相同速度、相同车辆环境情况下存在积水、积雪的道路环境比不存在积水、积雪的道路环境下发生交通事故的概率要大。
进一步的,步骤S3包括以下分析步骤:
步骤S31:当事故偏差指数大于事故偏差指数阈值时,提取目标监控数据对应的数据集为目标数据集;提取目标数据集中存在事故数据库中记录的最小平均行驶速度,以及最小平均行驶速度对应的平均车辆密度;并输出最小平均行驶速度对应的平均车辆密度为目标车辆密度;
步骤S32:获取目标数据集中与目标车辆密度差值小于等于差值阈值的平均车辆密度为待分析车辆密度,提取待分析车辆密度对应的平均行驶速度为待分析平均行驶速度,利用公式:
e=(G-g1)/G
计算速度误差指数e,其中G表示待分析车辆密度对应数据集的总个数,g1表示待分析平均行驶速度小于最小平均行驶速度对应数据集的个数;设置速度误差指数阈值e0;
步骤S33:当e0≤e≤1时,输出目标监控数据下对应路段的第一安全速度阈值为待分析平均行驶速度的平均值;分析速度误差指数与速度误差指数阈值的大小关系是为了确定在相似车辆环境和道路环境下的监测骑行车辆发生事故的速度关系,大于阈值说明待分析平行行驶速度大于事故对应的最小平均速度数量较多,那么此时数据集对应监控数据下的事故速度将不具有分析性,故取安全驾驶数据中的平均值作为上限值;
当0≤e<e0时,输出目标监控数据下对应路段的第一安全速度阈值为小于最小平均行驶速度对应的待分析平均行驶速度中的最大值;此时说明在此监控数据下对应的事故发生是由于超速导致的;
步骤S34:当事故偏差指数小于等于事故偏差指数阈值时,说明不同监控数据即不同道路环境对应的监测骑行车辆的事故数据并不存在差异化;提取监测区域内所有数据集为目标数据集,返回步骤S32-步骤S33,计算输出对应第二安全速度阈值。
进一步的,步骤S4包括以下分析步骤:
获取实时监测骑行车辆的所属路段的限速数据与实时行驶速度,实时行驶速度包括实时平均速度和实时瞬时速度,当监测骑行车辆的实时平均速度或实时瞬时速度超过限速数据时,传输第一预警信号给监测骑行车辆并传输信号给电子网警进行处理;
当监测骑行车辆的平均速度和瞬时速度小于等于限速数据时,获取监测骑行车辆所属路段的车辆密度为第一车辆密度,提取与第一车辆密度相似度最大时对应的平均车辆密度所属路段的安全速度阈值,安全速度阈值包括第一安全速度阈值和第二安全速度阈值;
当事故偏差指数大于事故偏差指数阈值,输出第一安全速度阈值为限速阈值,当事故偏差指数小于等于事故偏差指数阈值,输出第二安全速度阈值为限速阈值;
当监测骑行车辆的实时平均速度或实时瞬时速度超过限速阈值时,传输第二预警信号给监测骑行车辆提醒降低车速;当监测骑行车辆的实时平均速度且实时瞬时速度小于等于限速阈值时,继续监测。
一种基于车联网的骑行状态监控系统,包括数据库获取模块、事故率分析模块、事故偏差指数分析模块、目标监控数据确定模块、安全速度阈值分析模块和实时数据比较预警模块;
数据库获取模块用于获取监测区域内注册登陆车联网的用户骑行数据库和事故数据库;
事故率分析模块分析同一位置数据对于不同监控数据下的事故率;
事故偏差指数分析模块用于基于事故率分析车联网监测区域内的事故偏差指数;
目标监控数据确定模块用于在事故偏差指数大于事故偏差指数阈值时,提取事故率最大值对应的监控数据为目标监控数据;
安全速度阈值分析模块用于分析目标监控数据下对应路段的安全速度阈值;
实时数据比较预警模块用于将实时监测数据与安全阈值速度、限速数据的大小关系,以输出预警信号。
进一步的,事故率分析模块包括事故路段提取单元、平均车辆密度计算单元、平均行驶速度计算单元、数据集构建单元和事故率计算单元;
事故路段提取单元用于提取事故数据库中发生事故的位置,并获取位置对应用户骑行数据中所属的监控数据以及对应的事故路段;
平均车辆密度计算单元用于根据监控数据对应的车辆数据计算平均车辆密度;
平均行驶速度计算单元用于根据行驶路程和行驶时长计算平均行驶速度;
数据集构建单元用于基于平均车辆密度、平均行驶速度以及监控数据构建数据集;
事故率计算单元用于分析事故路段对应数据集下的事故率。
进一步的,事故偏差指数分析模块包括中心偏差指数计算单元和事故偏差指数计算单元;
中心偏差指数计算单元用于提取事故路段不同数据集中平均车辆密度、平均行驶速度相同且监控画面类型不同时对应的事故率并计算中心偏差指数;
事故偏差指数计算单元用于基于中心偏差指数计算单元分析车联网监测区域内的事故偏差指数。
进一步的,安全速度阈值分析模块包括目标数据获取单元、待分析数据获取单元、速度误差指数计算单元、阈值划分单元和安全速度阈值输出单元;
目标数据获取单元用于获取目标数据集对应的最小平均行驶速度和目标车辆密度;
待分析数据获取单元用于获取目标数据集中与目标车辆密度差值小于等于差值阈值的平均车辆密度为待分析车辆密度,提取待分析车辆密度对应的平均行驶速度为待分析平均行驶速度;
速度误差指数计算单元用于根据待分析数据与目标数据的关系计算速度误差指数;
阈值划分单元用于设置速度误差指数阈值,并将速度误差指数与速度误差指数阈值进行大小划分;
安全速度阈值输出单元用于基于阈值划分单元的划分结果输出不同安全速度阈值。
与现有技术相比,本发明所达到的有益效果是:本发明通过对监测区域内车联网记录的骑行数据分析出不同路段情况对于监测骑行车辆事故发生率是否存在偏差,并根据偏差结果对分析不同路段的道路安全速度阈值加以区分,使得本发明在对监测车辆进行监测的过程中,既能降低网警人员对于骑行车辆监管的人力资源,又可以针对性对不同路面环境以及车辆环境下的骑行车辆相应的车速进行分析预警响应,使得骑行车辆借助车联网实现管理便捷的优点,同时又提高了骑行车辆的行驶安全,从而受众于便捷的交通出行,与此同时,本发明基于车联网的数据库分析不同道路环境的安全速度阈值,不仅局限于道路本身设定的超速标志,而是根据实际情况设定更适合安全出行的速度阈值。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于车联网的骑行状态监控系统的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:一种基于车联网的骑行状态监控方法,包括以下分析步骤:
步骤S1:获取监测区域内注册登陆车联网的用户骑行数据库和事故数据库,用户骑行数据库包括位置数据、监控数据以及行驶数据;监控数据是指位置数据对应路段中安装的监控设备捕捉到的监控画面数据;行驶数据是指行驶平均速度和瞬时速度;事故数据库是指记录事故骑行车辆事故发生位置和车辆骑行数据;
步骤S2:基于步骤S1中的用户骑行数据库和事故数据库,分析同一位置数据对于不同监控数据下的事故率,并基于事故率分析车联网监测区域内的事故偏差指数;分析事故率是为了确定不同监控数据对应不同环境情况下骑行车辆发生交通事故的概率,分析事故偏差指数是为了确定不同环境是否对事故率造成一定的偏差影响;因为在雨雪天气可能会对路面造成一定影响,路段限速不再有效的作为车辆行驶的速度指标,需要合理的分析出更加适配路面以及交通环境的速度阈值;
步骤S2包括以下分析步骤:
提取事故数据库中发生事故的位置,并获取位置对应用户骑行数据中所属的监控数据以及对应的事故路段;
获取第i个事故路段在第j种监控数据下的平均车辆密度ρij,车辆密度是指事故骑行车辆在事故路段同类型车道的车辆密度,ρij=[(1/m)∑rij]/max[rij],rij表示第i个事故路段在第j种监控数据下监测车辆存在监控数据时的骑行车辆总数,max[rij]表示第i个事故路段在第j种监控数据下记录骑行车辆总数的最大值,m表示监控数据的总类型数,j≤m,监控数据的类型包括监控画面中存在积水、积雪路面以及不存在积水、积雪路面两种;如现有产品中“非接触式路面状况监测仪”可以实现利用遥感技术、多光谱测量技术准确检测道路积水、积雪以及厚度的问题,且监测仪可与道路监控设备连接实现交互,车辆密度在实际上就是指如电动摩托车属于机动车道此时对应的车辆总数即为机动车道上的车辆总数;车辆密度越大,监测骑行车辆在道路上行驶发生碰撞的风险就越大;
获取第i个事故路段在第j种监控数据下的事故骑行车辆平均行驶速度vij,vij=sij/tij,其中sij表示第i个事故路段在第j种监控数据下的行驶路程,tij表示第i个事故路段在第j种监控数据下的行驶路程对应的行驶时长;行驶速度越大,监测骑行车辆在道路上行驶发生危险的风险就越大;
构建第i个事故路段的数据集Pi,Pi={(ρij,vij,Ai)};其中Ai表示第i个事故路段的监控画面类型集,/>表示第i个事故路段监控画面数据为不存在积水、积雪的路面类型,/>表示第i个事故路段监控画面数据存在积水、积雪的路面类型;
以数据集为单位分析事故路段的事故率可以快速将骑行车辆事故发生相关数据提取出来,且可以清晰明了的分析出事故高发类型数据,使得车联网对骑行数据的监测具有方向性。
步骤S2还包括以下分析步骤:
提取n个事故路段的中心偏差指数ri;中心偏差指数越大,说明不同监控数据对应路段环境对监测骑行车辆事故发生的差异化越大;利用公式:
计算车联网监测区域内的事故偏差指数R。
事故偏差指数越大说明车联网监测区域内监测骑行车辆发生事故的差异性受不同监控数据对应的路段环境影响较大,即在相同速度、相同车辆环境情况下存在积水、积雪的道路环境比不存在积水、积雪的道路环境下发生交通事故的概率要大。
步骤S3:基于步骤S2中的事故偏差指数,设置事故偏差指数阈值,当事故偏差指数大于事故偏差指数阈值时,提取事故率最大值对应的监控数据为目标监控数据,分析目标监控数据下对应路段的安全速度阈值;
步骤S3包括以下分析步骤:
步骤S31:当事故偏差指数大于事故偏差指数阈值时,提取目标监控数据对应的数据集为目标数据集;提取目标数据集中存在事故数据库中记录的最小平均行驶速度,以及最小平均行驶速度对应的平均车辆密度;并输出最小平均行驶速度对应的平均车辆密度为目标车辆密度;
步骤S32:获取目标数据集中与目标车辆密度差值小于等于差值阈值的平均车辆密度为待分析车辆密度,提取待分析车辆密度对应的平均行驶速度为待分析平均行驶速度,利用公式:
e=(G-g1)/G
计算速度误差指数e,其中G表示待分析车辆密度对应数据集的总个数,g1表示待分析平均行驶速度小于最小平均行驶速度对应数据集的个数;设置速度误差指数阈值e0;
步骤S33:当e0≤e≤1时,输出目标监控数据下对应路段的第一安全速度阈值为待分析平均行驶速度的平均值;分析速度误差指数与速度误差指数阈值的大小关系是为了确定在相似车辆环境和道路环境下的监测骑行车辆发生事故的速度关系,大于阈值说明待分析平行行驶速度大于事故对应的最小平均速度数量较多,那么此时数据集对应监控数据下的事故速度将不具有分析性,故取安全驾驶数据中的平均值作为上限值;
当0≤e<e0时,输出目标监控数据下对应路段的第一安全速度阈值为小于最小平均行驶速度对应的待分析平均行驶速度中的最大值;此时说明在此监控数据下对应的事故发生是由于超速导致的;
步骤S34:当事故偏差指数小于等于事故偏差指数阈值时,说明不同监控数据即不同道路环境对应的监测骑行车辆的事故数据并不存在差异化;提取监测区域内所有数据集为目标数据集,返回步骤S32-步骤S33,计算输出对应第二安全速度阈值。
如实施例所示:
若事故偏差指数大于事故偏差指数阈值,令目标监控数据对应的数据集为目标数据集,
若目标监控数据是指存在积水、积雪的道路环境;有如下数据集:
若此时最小平均行驶速度为v0,且P1、P2是与最小平均行驶速度对应目标车辆密度偏差值小于等于阈值的数据集,且v11<v0,v22<v0,v12>v0,则e=(G-g1)/G=3-2/3=0.3,设置e0=0.5,则e<e0,输出第一安全速度阈值为{v11,v22}中的最大值;
若P1、P2是与最小平均行驶速度对应目标车辆密度偏差值小于等于阈值的数据集,且v11>v0,v22<v0,v12>v0,则e=(G-g1)/G=3-1/3=0.67,则e>e0,输出第一安全速度阈值为(1/3)[v11+v22+v12];
步骤S4:获取实时监控区域存在骑行数据记录车辆的所属路段以及所属路段对应的限速数据,并基于步骤S3中的安全阈值速度分析监测车辆的实时行驶速度与安全阈值速度、限速数据的大小关系,以输出预警信号。
步骤S4包括以下分析步骤:
获取实时监测骑行车辆的所属路段的限速数据与实时行驶速度,实时行驶速度包括实时平均速度和实时瞬时速度,当监测骑行车辆的实时平均速度或实时瞬时速度超过限速数据时,传输第一预警信号给监测骑行车辆并传输信号给电子网警进行处理;
当监测骑行车辆的平均速度和瞬时速度小于等于限速数据时,获取监测骑行车辆所属路段的车辆密度为第一车辆密度,车辆密度于平均车辆密度计算方式相同,提取与第一车辆密度相似度最大时对应的平均车辆密度所属路段的安全速度阈值,安全速度阈值包括第一安全速度阈值和第二安全速度阈值;
当事故偏差指数大于事故偏差指数阈值,输出第一安全速度阈值为限速阈值,当事故偏差指数小于等于事故偏差指数阈值,输出第二安全速度阈值为限速阈值;
当监测骑行车辆的实时平均速度或实时瞬时速度超过限速阈值时,传输第二预警信号给监测骑行车辆提醒降低车速;当监测骑行车辆的实时平均速度且实时瞬时速度小于等于限速阈值时,继续监测。
一种基于车联网的骑行状态监控系统,包括数据库获取模块、事故率分析模块、事故偏差指数分析模块、目标监控数据确定模块、安全速度阈值分析模块和实时数据比较预警模块;
数据库获取模块用于获取监测区域内注册登陆车联网的用户骑行数据库和事故数据库;
事故率分析模块分析同一位置数据对于不同监控数据下的事故率;
事故偏差指数分析模块用于基于事故率分析车联网监测区域内的事故偏差指数;
目标监控数据确定模块用于在事故偏差指数大于事故偏差指数阈值时,提取事故率最大值对应的监控数据为目标监控数据;
安全速度阈值分析模块用于分析目标监控数据下对应路段的安全速度阈值;
实时数据比较预警模块用于将实时监测数据与安全阈值速度、限速数据的大小关系,以输出预警信号。
事故率分析模块包括事故路段提取单元、平均车辆密度计算单元、平均行驶速度计算单元、数据集构建单元和事故率计算单元;
事故路段提取单元用于提取事故数据库中发生事故的位置,并获取位置对应用户骑行数据中所属的监控数据以及对应的事故路段;
平均车辆密度计算单元用于根据监控数据对应的车辆数据计算平均车辆密度;
平均行驶速度计算单元用于根据行驶路程和行驶时长计算平均行驶速度;
数据集构建单元用于基于平均车辆密度、平均行驶速度以及监控数据构建数据集;
事故率计算单元用于分析事故路段对应数据集下的事故率。
事故偏差指数分析模块包括中心偏差指数计算单元和事故偏差指数计算单元;
中心偏差指数计算单元用于提取事故路段不同数据集中平均车辆密度、平均行驶速度相同且监控画面类型不同时对应的事故率并计算中心偏差指数;
事故偏差指数计算单元用于基于中心偏差指数计算单元分析车联网监测区域内的事故偏差指数。
安全速度阈值分析模块包括目标数据获取单元、待分析数据获取单元、速度误差指数计算单元、阈值划分单元和安全速度阈值输出单元;
目标数据获取单元用于获取目标数据集对应的最小平均行驶速度和目标车辆密度;
待分析数据获取单元用于获取目标数据集中与目标车辆密度差值小于等于差值阈值的平均车辆密度为待分析车辆密度,提取待分析车辆密度对应的平均行驶速度为待分析平均行驶速度;
速度误差指数计算单元用于根据待分析数据与目标数据的关系计算速度误差指数;
阈值划分单元用于设置速度误差指数阈值,并将速度误差指数与速度误差指数阈值进行大小划分;
安全速度阈值输出单元用于基于阈值划分单元的划分结果输出不同安全速度阈值。
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、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于车联网的骑行状态监控方法,其特征在于,包括以下分析步骤:
步骤S1:获取监测区域内注册登陆车联网的用户骑行数据库和事故数据库,所述用户骑行数据库包括位置数据、监控数据以及行驶数据;所述监控数据是指位置数据对应路段中安装的监控设备捕捉到的监控画面数据;所述行驶数据是指行驶平均速度和瞬时速度;所述事故数据库是指记录事故骑行车辆事故发生位置和车辆骑行数据;
步骤S2:基于步骤S1中的用户骑行数据库和事故数据库,分析同一位置数据对于不同监控数据下的事故率,并基于事故率分析车联网监测区域内的事故偏差指数;
步骤S3:基于步骤S2中的事故偏差指数,设置事故偏差指数阈值,当事故偏差指数大于事故偏差指数阈值时,提取事故率最大值对应的监控数据为目标监控数据,分析目标监控数据下对应路段的安全速度阈值;
步骤S4:获取实时监控区域存在骑行数据记录车辆的所属路段以及所属路段对应的限速数据,并基于步骤S3中的安全阈值速度分析监测车辆的实时行驶速度与安全阈值速度、限速数据的大小关系,以输出预警信号。
2.根据权利要求1所述的一种基于车联网的骑行状态监控方法,其特征在于:所述步骤S2包括以下分析步骤:
提取事故数据库中发生事故的位置,并获取位置对应用户骑行数据中所属的监控数据以及对应的事故路段;
获取第i个事故路段在第j种监控数据下的平均车辆密度ρij,所述车辆密度是指事故骑行车辆在事故路段同类型车道的车辆密度,ρij=[(1/m)∑rij]/max[rij],rij表示第i个事故路段在第j种监控数据下监测车辆存在监控数据时的骑行车辆总数,max[rij]表示第i个事故路段在第j种监控数据下记录骑行车辆总数的最大值,m表示监控数据的总类型数,j≤m,监控数据的类型包括监控画面中存在积水、积雪路面以及不存在积水、积雪路面两种;
获取第i个事故路段在第j种监控数据下的事故骑行车辆平均行驶速度vij,vij=sij/tij,其中sij表示第i个事故路段在第j种监控数据下的行驶路程,tij表示第i个事故路段在第j种监控数据下的行驶路程对应的行驶时长;
构建第i个事故路段的数据集Pi,Pi={(ρij,vij,Ai)};其中Ai表示第i个事故路段的监控画面类型集,/>表示第i个事故路段监控画面数据为不存在积水、积雪的路面类型,/>表示第i个事故路段监控画面数据存在积水、积雪的路面类型;
4.根据权利要求3所述的一种基于车联网的骑行状态监控方法,其特征在于:所述步骤S3包括以下分析步骤:
步骤S31:当事故偏差指数大于事故偏差指数阈值时,提取目标监控数据对应的数据集为目标数据集;提取目标数据集中存在事故数据库中记录的最小平均行驶速度,以及最小平均行驶速度对应的平均车辆密度;并输出最小平均行驶速度对应的平均车辆密度为目标车辆密度;
步骤S32:获取目标数据集中与目标车辆密度差值小于等于差值阈值的平均车辆密度为待分析车辆密度,提取待分析车辆密度对应的平均行驶速度为待分析平均行驶速度,利用公式:
e=(G-g1)/G
计算速度误差指数e,其中G表示待分析车辆密度对应数据集的总个数,g1表示待分析平均行驶速度小于最小平均行驶速度对应数据集的个数;设置速度误差指数阈值e0;
步骤S33:当e0≤e≤1时,输出目标监控数据下对应路段的第一安全速度阈值为待分析平均行驶速度的平均值;
当0≤e<e0时,输出目标监控数据下对应路段的第一安全速度阈值为小于最小平均行驶速度对应的待分析平均行驶速度中的最大值;
步骤S34:当事故偏差指数小于等于事故偏差指数阈值时,提取监测区域内所有数据集为目标数据集,返回步骤S32-步骤S33,计算输出对应第二安全速度阈值。
5.根据权利要求4述的一种基于车联网的骑行状态监控方法,其特征在于:所述步骤S4包括以下分析步骤:
获取实时监测骑行车辆的所属路段的限速数据与实时行驶速度,所述实时行驶速度包括实时平均速度和实时瞬时速度,当监测骑行车辆的实时平均速度或实时瞬时速度超过限速数据时,传输第一预警信号给监测骑行车辆并传输信号给电子网警进行处理;
当监测骑行车辆的平均速度和瞬时速度小于等于限速数据时,获取监测骑行车辆所属路段的车辆密度为第一车辆密度,提取与第一车辆密度相似度最大时对应的平均车辆密度所属路段的安全速度阈值,所述安全速度阈值包括第一安全速度阈值和第二安全速度阈值;
当事故偏差指数大于事故偏差指数阈值,输出第一安全速度阈值为限速阈值,当事故偏差指数小于等于事故偏差指数阈值,输出第二安全速度阈值为限速阈值;
当监测骑行车辆的实时平均速度或实时瞬时速度超过限速阈值时,传输第二预警信号给监测骑行车辆提醒降低车速;当监测骑行车辆的实时平均速度且实时瞬时速度小于等于限速阈值时,继续监测。
6.应用权利要求1-5中任一项所述的一种基于车联网的骑行状态监控方法的一种基于车联网的骑行状态监控系统,其特征在于,包括数据库获取模块、事故率分析模块、事故偏差指数分析模块、目标监控数据确定模块、安全速度阈值分析模块和实时数据比较预警模块;
所述数据库获取模块用于获取监测区域内注册登陆车联网的用户骑行数据库和事故数据库;
所述事故率分析模块分析同一位置数据对于不同监控数据下的事故率;
所述事故偏差指数分析模块用于基于事故率分析车联网监测区域内的事故偏差指数;
所述目标监控数据确定模块用于在事故偏差指数大于事故偏差指数阈值时,提取事故率最大值对应的监控数据为目标监控数据;
所述安全速度阈值分析模块用于分析目标监控数据下对应路段的安全速度阈值;
所述实时数据比较预警模块用于将实时监测数据与安全阈值速度、限速数据的大小关系,以输出预警信号。
7.根据权利要求6所述的一种基于车联网的骑行状态监控系统,其特征在于:所述事故率分析模块包括事故路段提取单元、平均车辆密度计算单元、平均行驶速度计算单元、数据集构建单元和事故率计算单元;
所述事故路段提取单元用于提取事故数据库中发生事故的位置,并获取位置对应用户骑行数据中所属的监控数据以及对应的事故路段;
所述平均车辆密度计算单元用于根据监控数据对应的车辆数据计算平均车辆密度;
所述平均行驶速度计算单元用于根据行驶路程和行驶时长计算平均行驶速度;
所述数据集构建单元用于基于平均车辆密度、平均行驶速度以及监控数据构建数据集;
所述事故率计算单元用于分析事故路段对应数据集下的事故率。
8.根据权利要求7所述的一种基于车联网的骑行状态监控系统,其特征在于:所述事故偏差指数分析模块包括中心偏差指数计算单元和事故偏差指数计算单元;
所述中心偏差指数计算单元用于提取事故路段不同数据集中平均车辆密度、平均行驶速度相同且监控画面类型不同时对应的事故率并计算中心偏差指数;
所述事故偏差指数计算单元用于基于所述中心偏差指数计算单元分析车联网监测区域内的事故偏差指数。
9.根据权利要求8所述的一种基于车联网的骑行状态监控系统,其特征在于:所述安全速度阈值分析模块包括目标数据获取单元、待分析数据获取单元、速度误差指数计算单元、阈值划分单元和安全速度阈值输出单元;
所述目标数据获取单元用于获取目标数据集对应的最小平均行驶速度和目标车辆密度;
所述待分析数据获取单元用于获取目标数据集中与目标车辆密度差值小于等于差值阈值的平均车辆密度为待分析车辆密度,提取待分析车辆密度对应的平均行驶速度为待分析平均行驶速度;
所述速度误差指数计算单元用于根据所述待分析数据与目标数据的关系计算速度误差指数;
所述阈值划分单元用于设置速度误差指数阈值,并将速度误差指数与速度误差指数阈值进行大小划分;
所述安全速度阈值输出单元用于基于阈值划分单元的划分结果输出不同安全速度阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051820.2A CN116246229A (zh) | 2023-02-02 | 2023-02-02 | 一种基于车联网的骑行状态监控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051820.2A CN116246229A (zh) | 2023-02-02 | 2023-02-02 | 一种基于车联网的骑行状态监控系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116246229A true CN116246229A (zh) | 2023-06-09 |
Family
ID=86634226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310051820.2A Pending CN116246229A (zh) | 2023-02-02 | 2023-02-02 | 一种基于车联网的骑行状态监控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246229A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135798A (zh) * | 2024-04-30 | 2024-06-04 | 贵州大学 | 基于物联网实现高速公路的车流量实时监控方法及系统 |
CN118197061A (zh) * | 2024-05-15 | 2024-06-14 | 江苏中天交通工程有限公司 | 基于数据分析技术的道路引导系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082806A1 (en) * | 1995-01-13 | 2002-06-27 | Kaub Alan R. | Traffic safety prediction model |
RU2010132737A (ru) * | 2010-08-04 | 2012-02-10 | Максим Романович Васюхин (RU) | Способ координации транспортных средств и комплексного контроля за безопасностью дорожного движения |
CN111009127A (zh) * | 2019-12-24 | 2020-04-14 | 安徽虹湾信息技术有限公司 | 一种基于事故风险的城市动态预警系统及方法 |
US20200406925A1 (en) * | 2016-12-30 | 2020-12-31 | Yuchuan DU | Comfort-based self-driving planning method |
WO2022104790A1 (zh) * | 2020-11-23 | 2022-05-27 | 深圳元戎启行科技有限公司 | 行驶轨迹确定方法、装置、计算机设备和存储介质 |
DE102022003416A1 (de) * | 2022-09-16 | 2022-12-15 | Mercedes-Benz Group AG | Verfahren zur Ermittlung von Daten eines sich in einer Notfallsituation befindenden Kraftwagens |
-
2023
- 2023-02-02 CN CN202310051820.2A patent/CN116246229A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082806A1 (en) * | 1995-01-13 | 2002-06-27 | Kaub Alan R. | Traffic safety prediction model |
RU2010132737A (ru) * | 2010-08-04 | 2012-02-10 | Максим Романович Васюхин (RU) | Способ координации транспортных средств и комплексного контроля за безопасностью дорожного движения |
US20200406925A1 (en) * | 2016-12-30 | 2020-12-31 | Yuchuan DU | Comfort-based self-driving planning method |
CN111009127A (zh) * | 2019-12-24 | 2020-04-14 | 安徽虹湾信息技术有限公司 | 一种基于事故风险的城市动态预警系统及方法 |
WO2022104790A1 (zh) * | 2020-11-23 | 2022-05-27 | 深圳元戎启行科技有限公司 | 行驶轨迹确定方法、装置、计算机设备和存储介质 |
DE102022003416A1 (de) * | 2022-09-16 | 2022-12-15 | Mercedes-Benz Group AG | Verfahren zur Ermittlung von Daten eines sich in einer Notfallsituation befindenden Kraftwagens |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135798A (zh) * | 2024-04-30 | 2024-06-04 | 贵州大学 | 基于物联网实现高速公路的车流量实时监控方法及系统 |
CN118197061A (zh) * | 2024-05-15 | 2024-06-14 | 江苏中天交通工程有限公司 | 基于数据分析技术的道路引导系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591002B (zh) | 一种基于分布式光纤的高速公路交通参数实时估计方法 | |
CN116246229A (zh) | 一种基于车联网的骑行状态监控系统及方法 | |
CN108399743B (zh) | 一种基于gps数据的高速公路车辆异常行为检测方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN102765365B (zh) | 基于机器视觉的行人检测方法及行人防撞预警系统 | |
CN110155064B (zh) | 基于声音信号的特种车辆行驶车道识别与自车变道决策系统及方法 | |
US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
CN108986472B (zh) | 一种掉头车辆监控方法及装置 | |
CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示系统和方法 | |
CN111477005B (zh) | 一种基于车辆状态及行车环境的智能感知预警方法及系统 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
KR102453627B1 (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN106448265A (zh) | 司机驾驶行为数据的采集方法及装置 | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
CN109910881B (zh) | 一种转弯道路视觉盲区信息的检测处理方法及系统 | |
CN106125731A (zh) | 一种基于后方车辆行驶意图识别的无人驾驶车辆运动控制系统及方法 | |
CN110766924A (zh) | 一种面向桥隧路段行车安全的智能监测与预警系统及方法 | |
CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN102789690B (zh) | 违法车辆甄别方法及系统 | |
CN105438183A (zh) | 一种驾驶员激进驾驶状态的识别装置及方法 | |
CN109523787A (zh) | 一种基于车辆通行轨迹的疲劳驾驶分析方法 | |
CN106960581A (zh) | 基于声音信号的机动车测速装置 | |
CN108492563B (zh) | 一种基于平均速度的超速事件探测方法 | |
CN112395976A (zh) | 一种摩托车载人识别方法、装置、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 |