CN116343484B - 交通事故识别方法、终端及存储介质 - Google Patents
交通事故识别方法、终端及存储介质 Download PDFInfo
- Publication number
- CN116343484B CN116343484B CN202310530375.8A CN202310530375A CN116343484B CN 116343484 B CN116343484 B CN 116343484B CN 202310530375 A CN202310530375 A CN 202310530375A CN 116343484 B CN116343484 B CN 116343484B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- preset
- time period
- accident
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000006399 behavior Effects 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
Abstract
本发明提供了一种交通事故识别方法、终端及存储介质,包括:根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定车辆发生异常停车行为,停车时刻为第一预设时长的结束时刻,停车时刻为第二预设时长的起始时刻;对于发生异常停车行为的车辆,根据车辆在停车时刻的地理位置信息,确定车辆发生疑似事故;对于发生疑似事故的车辆,根据车辆在至少一个预设时间段行驶数据,提取车辆的特征参数,至少一个预设时间段中的每个时间段都包括停车时刻;将特征参数输入预训练好的交通事故识别模型,得到识别结果,识别结果包括车辆发生交通事故,或车辆没有发生交通事故。能够实现交通事故的实时精准识别。
Description
技术领域
本发明涉及安全驾驶技术领域,尤其涉及一种交通事故识别方法、终端及存储介质。
背景技术
在复杂的交通网络中,交通事故时有发生。一旦发生交通事故就会严重影响交通效率,如在通勤高峰时段发生交通事故,可能导致事故路段交通瘫痪,以及有可能导致二次交通事故。交通事故还会间接形成交通成本增加,交通污染加重等综合性社会交通问题,对出行者的生命安全造成严重威胁,制约经济发展。
对交通事故进行快速识别并预警,是减少事故损失的有效手段之一。传统的交通事故识别算法需要通过大量数据建立可靠的异常识别模型,但是,由于大量交通数据的获取并不容易,在资源受限的情况下无法进行交通事故识别,且大量交通数据的获取过程中存在各种问题,如数据缺失的问题,导致现有技术对事故识别精度低。
发明内容
有鉴于此,本发明提供了一种交通事故识别方法、终端及存储介质,能够解决现有技术对事故识别精度低的问题。
第一方面,本发明实施例提供了一种交通事故识别方法,包括:
根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定所述车辆发生异常停车行为,其中,所述停车时刻为所述第一预设时长的结束时刻,所述停车时刻为所述第二预设时长的起始时刻;
对于发生异常停车行为的车辆,根据所述车辆在所述停车时刻的地理位置信息,确定所述车辆发生疑似事故;
对于发生疑似事故的车辆,根据所述车辆在至少一个预设时间段行驶数据,提取所述车辆的特征参数,所述至少一个预设时间段中的每个时间段都包括所述停车时刻;
将所述特征参数输入预训练好的交通事故识别模型,得到识别结果,所述识别结果包括所述车辆发生交通事故,或所述车辆没有发生交通事故。
第二方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序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方法的步骤。
第三方面,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方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过对车辆停车时刻前后时间段的行驶数据进行分析,确定发生异常停车行为的车辆,通过该车辆在停车时刻的地理位置信息,确定该车辆发生疑似事故,通过该车辆停车前后至少一个时间段的行驶数据,提取可以用于表示车辆发生交通事故的特征参数,通过将特征参数输入预训练好的交通事故识别模型,得到该车辆是否发生交通事故的判别结果。本发明实施例所提供的方法仅通过车辆的行驶数据判断车辆是否发生事故,无需获取其他数据,如其他车辆的大量交通数据,不但能够在资源受限的情况下判断车辆是否发生交通事故,还提高了交通事故识别的精度。
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一种交通事故识别方法的实现流程图;
图2是本发明实施例提供的另一种交通事故识别方法的实现流程图;
图3是本发明实施例提供的又一种交通事故识别方法的实现流程图;
图4是本发明实施例提供的一种交通事故识别装置的结构示意图;
图5是本发明实施例提供的另一种交通事故识别装置的结构示意图;
图6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一种交通事故识别方法的实现流程图。交通事故预测方法的执行主体可以是车载终端,也可以是远端服务器,本实施例对其并不进行限定。该方法可以适用在商用车上,也可以适用在乘用车上。一种典型的,本发明实施例适用于在车辆发生事故后,基于已行驶的车辆数据,对车辆的交通事故进行跟踪,以确定是否需联系驾驶员,帮助驾驶员进行事故处理,进而能够准确了解车辆的出险情况的场景。另一种典型的,本发明实施例适用于在车辆发生事故后,对后方车辆进行前方事故提醒,防止发生二次事故的应用场景,再一种典型的,本发明实施例适用于在车辆发生事故后,辅助拥堵识别,对车辆进行拥堵预警的场景等。根据实际情况,本发明实施例所提供的方法可应用于多种场景,本发明实施例对此不作限定。
参见图1,上述交通事故识别方法包括:
在步骤101中、根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定车辆发生异常停车行为。
其中,停车时刻为第一预设时长的结束时刻,停车时刻为第二预设时长的起始时刻。
由于车辆发生交通事故后车辆通常处于停车状态,本发明实施例中所指的停车时刻,是车辆由行驶状态变为车速为0的状态的时刻。发生交通事故前后一段时间,车辆状态与正常停车状态有所区别,例如发生交通事故之前多数情况会存在急刹车,以及发生交通事故后车辆通常会在一段时间内保持不动,通过分析停车时刻前后的车辆行驶数据,可以判断车辆此次停车行为是否为异常停车行为。
第一预设时长和第二预设时长的具体取值可以根据实际需求或具体实验确定。示例性地,第一预设时长可以为5秒钟,第二预设时长可以为15分钟,等等。
在一些可能的实现方式中,第一预设时长可以小于第二预设时长。
本实施例对停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据的获取手段不做具体限制,任何可实现的手段均可。
示例性地,可以通过车辆内的相关设备按照一定频率采集车辆数据,并将采集的车辆行驶数据上传至终端。当终端需要获取某一时间段内的车辆行驶数据,则可以直接提取该时间段内的车辆行驶数据。其中,数据采集频率可以根据实际需求进行设置,比如可以为1秒/次。
在一种可选的实现方式中,车辆在第一预设时长的初始时刻开始发生减速行为直至到达停车时刻,第一行驶数据包括车辆在第一预设时长初始时刻的车速,车辆在第一预设时长的减速度,第二行驶数据包括车辆在第二预设时长的平均速度。
在一种可选的实现方式中,根据车辆在第一预设时长初始时刻的车速和车辆在第一预设时长的减速度,判断车辆是否发生紧急制动;若车辆发生紧急制动,且车辆在第二预设时长的平均速度低于预设速度阈值,则确定车辆发生异常停车行为。
例如,车辆发生紧急制动时,通常车速变化叫快,车辆的减速度较大,结合车辆开始减速时的初始速度以及减速过程中的减速度,可以判断车辆是否发生紧急制动,当车辆发生紧急制动,且车辆在车速为0后的一段时间内的平均车速低于预设速度阈值,则可以确定车辆发生异常停车行为。
在一种可能的实现方式中,根据车辆在第一预设时长的减速度,在预设置的第一判断列表中确定该减速度所对应的速度区间,判断车辆在第一预设时长初始时刻的速度是否属于该速度区间,若属于,则确定车辆发生紧急制动,其中,第一判断列表包括符合紧急制动情况下车辆减速度与速度的唯一映射关系;或者,根据车辆在第一预设时长的减速度和在第一预设时长初始时刻的车速,在预设置的第二判断列表中进行索引,确定车辆的制动类型,其中,第二判断列表中包括车辆减速度、速度和制动类型的唯一映射关系,制动类型包括紧急制动和非紧急制动。
示例性的,第一预设时长为5秒钟,第二预设时长为15分钟,车辆在第一预设时长开始时刻至结束时刻处于减速状态,车辆在第一预设时长初始时刻的速度即为第一预设时长过程中的最大车速。预设速度阈值设定为1km/h,也就是表示车辆在发生事故后的第二预设时长内保持基本不动的状态。为便于描述第一判断列表和第二判断列表,车辆在第一预设时长初始时刻的车速用最大车速v表示,车辆在第一预设时长内的减速度用减速度a表示,示例性的,第一判断列表可以为如下表示1所示。
表1
减速度a(m/s2) | 最大车速v(km/h) |
a≥a1 | 任意车速 |
a1>a≥a2 | v≥v1 |
a2>a≥a3 | v≥v2 |
a3>a≥a4 | v≥v3 |
其中,a1>a2>a3>a4,v1<v2<v3。
结合上表1,示例性的,当减速度大于等于a1 m/s2时,最大车速为任意值的状态下,车辆本次停车都为紧急制动;再示例性的,当减速度为ax m/s2时,a1>ax≥a2,根据第一判断列表确定该减速度对应的速度区间为v≥v1,根据车辆在第一预设时长初始时刻的速度,判断该速度是否大于等于v1km/h,若是,则判断车辆发生紧急制动,若不是,则判断车辆没有发生紧急制动。
示例性的,第二判断列表可以为如下表示2所示。
表2
减速度a(m/s2) | 最大车速v(km/h) | 制动类型 |
≥a5 | 任意车速 | 紧急制动 |
a6≤a<a5 | v≥ v4 | 紧急制动 |
a6≤a<a5 | v<v4 | 非紧急制动 |
a7≤a<a6 | v≥v5 | 紧急制动 |
a7≤a<a6 | v<v5 | 非紧急制动 |
a8≤a<a7 | v≥v6 | 紧急制动 |
a8≤a<a7 | v<v6 | 非紧急制动 |
a<a8 | 任意车速 | 非紧急制动 |
其中,a5>a6>a7>a8,v4<v5<v6。根据上表2,示例性的,当减速度为aym/s2,且a7≤ay<a6,最大车速为vxkm/h<v5,根据表2索引得到制动类型为非紧急制动。
需要说明的是,表1和表2中的数据仅为示例,表1和/或表2中的数据可以通过历史数据统计确定,也可以通过专家经验值确定,还可以通过其他方式确定,本发明实施例对此不作限定。
在步骤102中、对于发生异常停车行为的车辆,根据车辆在停车时刻的地理位置信息,确定车辆发生疑似事故。
在本发明实施例中,车辆发生交通事故时,通常是在行驶过程中突发交通事故,如果车辆停止后,根据车辆的地理位置信息,判断车辆的停车位置为停车场、小区车库、高速服务区、加油站、路边临时停车位等地点,则该车辆发生事故的可能性较小,若车辆停止后,根据车辆的地理位置信息,判断车辆的停车位置为主干道、高速路非服务区等区域,则该车辆发生事故的可能性较大。
基于此,在本发明实施例中,通过对车辆在停车时刻的地理位置信息,判断符合停车异常行为的车辆是否是发生疑似事故。
在一种可选的实现方式中,根据车辆在停车时刻的地理位置信息,和预设置的车辆的常停点列表,判断车辆是否位于常停点列表中的停车点位置,若不是,则确定车辆发生疑似事故,其中,常停点列表是根据车辆的历史行车数据获得的车辆的常用停车点位置集合;或者,根据车辆在停车时刻的地理位置信息,判断车辆是否位于道路区域,若是,则确定车辆发生疑似事故。
在一些可能的实现方式中,根据车辆的历史行车数据,获取该车辆的历史停车位置,构成常停点列表。当判断车辆发生异常停车行为后,根据车辆停车位置,与常停点列表中的位置进行匹配,若确定该停车位置与常停点列表中的一个停车点位置相匹配,则判断该车辆本次停车属于正常停车。需要说明的是,由于定位数据存在误差,前述该停车位置与常停点列表中的一个停车点位置相匹配,指的是这两个位置的距离小于等于预设距离阈值。
在一些可能的实现方式中,判断车辆是否位于道路区域,可以根据车辆在停车时刻的位置进行地图匹配,判断车辆是否位于道路区域。
在一种可选的实现方式中,对于任一车辆,该车辆的常停点列表的获取过程包括:获取车辆的历史行车数据;在历史行车数据中标记车辆的刹车停车工况,其中,符合刹车停车工况的条件为车辆的车速降为0,且保持车速为0的状态的时间超过预设时间阈值;根据车辆在每次刹车停车工况下的地理位置信息,建立车辆的常停点列表。
示例性的,预设时间阈值为5分钟。预设时间阈值可根据数据统计或者实验确定,也可以通过其他方式确定,本发明实施例对其具体大小和获取方式不作限定。
在一些可选的实现方式中,可通过车辆AEB(Autonomous Emergency Braking,自动紧急刹车系统)、TBOX(Telematics-BOX,车载TBOX)等设备采集车辆集成的GPS(GlobalPositioning System,全球定位系统)或北斗记录车辆位置信息,并通过设备上的通讯模块,如SIM卡(Subscriber Identity Module,用户身份识别模块),利用无线网络将采集到的车辆实时位置数据回传至终端。示例性的,回传频率可以为1s/次。并将采集到的每辆车的车速、位置信息等保存在车辆历史行车数据库中。
根据上述车辆历史行车数据库,根据车速降为0并且维持车速为0的状态超过预设时间阈值,如5分钟的情况定义为刹车停车工况,该工况下对应的停车位置即为该车辆的一个停车点。该停车点的经纬度位置信息可以用Pi(Xi,Yi)表示,因此,在一段时间内,每辆车都有自己的停车位置点集合P{ },该集合即为本步骤的常停点列表。
在一种可选的实现方式中,在建立车辆的常停点列表之后,该方法还包括:按照停车时间由长到短的顺序对常停点列表中的停车点进行排序,获取第一队列;进入更新步骤,更新步骤包括按顺序选取第一队列中第一个常停点作为目标常停点,遍历第一队列中的其他常停点,获取与目标常停点的距离小于等于预设距离的n个常停点,根据目标常停点和n个常停点的位置信息,构建新的常停点位置,并将新的常停点位置放入第二队列,并在第二队列中记录该新的常停点位置对应的停车次数为n+1,在第一队列中删除目标常停点和n个常停点,若第一队列中不存在与目标常停点的距离小于等于预设距离的常停点,则在第一队列中删除目标常停点,其中,n为大于等于1的正整数;重复更新步骤,直至第一队列中的常停点个数为零,将第二队列中的常停点作为该车辆优化后的常停点列表。
上述过程对应的是在实际应用场景下,通过将距离相近的常停点合并为同一个常停点,减少匹配计算量的常停点列表优化过程。
下面以一个具体的实例进行说明。
第一步,将某一车辆的初始常停点集合用P{ }表示。按照停车时间由长到短的顺序对常停点列表P{ }中的停车点进行排序,获取第一队列。
进入更新步骤:先选取时间最久的停车位置点Pi(Xi,Yi),遍历这个第一队列,与其余停车位置点进行比较,假设存在一个停车点Pj(Xj,Yj),定义Pi和pj两点间的距离Dij=||Pi(Xi,Yi)-Pj(Xj,Yj)||。并且这个距离Dij在一个预设距离范围内,如Dij<50米,则可以认定位置点i和位置点j为同一个常停位置点,根据停车点Pi(Xi,Yi)和停车点Pj(Xj,Yj),构建新的停车点位置Q(Ai,Bi),其具体经纬度(Ai,Bi)定义为:(Ai,Bi)=((Xi+Xj)/2,(Yi+Yj)/2);
这个常停位置点Q(Ai,Bi)在这个位置的停车次数N记为2,放入第二队列,第二队列可以用常停位置点集合Q{ }表示,并将Pi和Pj停车点移出第一队列;
如Pi(Xi,Yi)与第一队列中所有点的比对都不符合Dij<50米这个条件,则认为Pi停车点为临时停车点,不计入第二队列,将Pi停车点移出第一队列。
上述为n=1的一个示例,如果n=2,即第一队列中存在2个其他常停点与Pi(Xi,Yi)的距离小于等于预设距离,则新的常停点位置Q的经度值为这三个常停点经度值的平均值,Q的纬度值为这三个常停点纬度值的平均值。
再次进入更新步骤,在第一队列中取第一个常停点Pk(Xk,Yk),将Pk与第一队列中所有其他常停点比较,依次计算每个其他常停点与常停点Pk的距离。获取与常停点Pk的距离小于等于预设距离的常停点,通过上述方法构建新的常停点放入第二队列。或者第一队列中不存在与常停点Pk的距离小于等于预设距离的常停点,则在第一队列中删除常停点Pk。
重复上述更新步骤,直至第一队列中的停车点个数为0。这时得到一个新的常停点集合,即第二队列。
在一些可能的实现方式中,在一些可能的实现方式中,可以基于实际业务场景,在第二队列中增加与实际业务相关的的限制条件,例如,历史行车数据为当前时刻之前一个预设周期内的历史行车数据,例如该周期时长为1个月,或者,根据实际业务需求,需要将获取停车次数超过预设次数的停车位置,例如,需要获取停车次数大于等于3次的停车位置,则在第二队列中选取停车次数大于等于3的停车点构建新的停车点列表。
在一些可能的实现方式中,对于一些应用场景,如商用车车队场景,可以在第二队列中加入固定的预设置的常停点位置,如车队固定的常用车运营停车场、制定修理厂、加油站等。
在一些可能的实现方式中,对第二队列进行周期性的更新。
在步骤103中、对于发生疑似事故的车辆,根据车辆在至少一个预设时间段行驶数据,提取车辆的特征参数,至少一个预设时间段中的每个时间段都包括停车时刻。
在本发明实施例中,通过对至少一个预设时间段的行驶数据进行分析,提取出能够用于进行交通事故识别的特征参数,即发生交通事故前后可能的特征参数。
在一些可能的实现方式中,在对车辆的特征参数提取前,可采用一些现有方法对至少一个预设时间段的行驶数据进行数据清洗,然后对数据清洗后的行驶数据进行特征提取,得到该车辆的特征参数。本发明实施例对基于至少一个时间段的行驶数据提取车辆的特征参数的手段不作限制。
在步骤104中、将特征参数输入预训练好的交通事故识别模型,得到识别结果,识别结果包括车辆发生交通事故,或车辆没有发生交通事故。
本实施例对交通事故识别模型的结构不做具体限制,比如,交通事故识别模型可以为神经网络模型、决策树模型、随机森林模型或XGBoost(eXtreme Gradient Boosting,极端梯度提升)模型等等。
在本发明实施例中,对于交通事故识别模型的训练过程可以为:获取训练集,训练集中包括多个样本,对于任一样本,该样本的输入参数为通过步骤102确定的发生疑似事故车辆的特征参数,该样本的标签为发生事故,通过训练集对交通事故识别模型进行训练,得到训练好的交通事故识别模型。
本发明实施例不对交通事故识别模型的训练过程进行限定。
在一种可选的实现方式中,至少一个预设时间段包括位于停车时刻之前的至少一个时间段,和停车时刻之后的至少一个时间段,其中,位于停车时刻之前的至少一个时间段中每个时间段的结束时刻为停车时刻,位于停车时刻之后的至少一个时间段中每个时间段的起始时刻为停车时刻。
示例性的,将位于停车时刻之前的每个时间段称为停车前时间段,将位于停车时刻之后的每个时间段称为停车后时间段。
在一种可能的实现方式中,特征参数集中的参数包括:
停车前时间段的平均车速;
停车前时间段的最大速度和最小速度;
停车时刻的速度;
停车前时间段的最小减速度;
停车前时间段的平均减速度;
停车后时间段的平均速度;
根据车辆的陀螺仪获取到的车辆在停车前时间段俯仰角变化率的最大值;
根据车辆的陀螺仪获取到的车辆在停车前时间段俯仰角变化率的标准差;
停车前时间段内与前向车辆的最大相对距离和最小相对距离;
停车前时间段内与前向车辆的最小相对速度;
停车前时间段与前向车辆相对距离与相对速度比值的最小值;
停车时刻相对距离与相对速度的比值;
停车时刻的转向灯状态;
停车前时间段刹车时间比例。
一种可选的实现方式中,至少一个预设时间段包括第一预设时长、第二预设时长和第三预设时长,停车时刻为第三预设时长的结束时刻,第三预设时长大于第一预设时长,车辆的特征参数包括特征参数集中的至少一项,特征参数集中的参数包括:
车辆在第一预设时长的平均车速和在第三预设时长的平均车速;
车辆在第一预设时长的最大速度和最小速度,以及车辆在第三预设时长的最大速度和最小速度;
车辆在第一预设时长和第三预设时长结束时刻的车速;
车辆在第一预设时长的最小减速度和在第三预设时长的最小减速度;
车辆在第一预设时长的平均减速度和在第三预设时长的平均减速度;
车辆在第二预设时长的平均速度;
根据车辆的陀螺仪获取到的车辆在第一预设时长内俯仰角变化率的最大值和在第三预设时长内俯仰角变化率的最大值;
根据车辆的陀螺仪获取到的车辆在第一预设时长内俯仰角变化率的标准差和在第三预设时长内俯仰角变化率的标准差;
车辆在第一预设时长内与前向车辆的最大相对距离和最小相对距离,以及在第三预设时长内与前向车辆的最大相对距离和最小相对距离;
车辆在第一预设时长内与前向车辆的最小相对速度和在第三预设时长内与前向车辆的最小相对速度;
车辆在第一预设时长内与前向车辆相对距离与相对速度比值的最小值,以及在第三预设时长内与前向车辆相对距离与相对速度比值的最小值;
车辆在第一预设时长和第三预设时长结束时刻的相对距离与相对速度的比值;
车辆在第一预设时长和第三预设时长结束时刻的转向灯状态;
车辆在第一预设时长的刹车时间比例和在第三预设时长的刹车时间比例,刹车时间比例用于表示处于刹车状态的时长与该时间段总时长的比值。
示例性的,第一预设时长为停车时刻前的5秒钟,第二预设时长为停车后的15分钟,第三预设时长为停车时刻前的25秒钟。车速降为0的时刻,也就是停车时刻,是第一预设时长和第三预设时长的结束时刻。
以此为例,对上述特征参数集中的参数进行说明。
第一个参数:车辆在第一预设时长的平均车速和在第三预设时长的平均车速,即车辆在停车时刻前5秒的平均车速和前25秒的平均车速;
第二个参数:车辆在第一预设时长的最大速度和最小速度,以及车辆在第三预设时长的最大速度和最小速度,即车辆在停车时刻前5秒的最大速度、最小速度,以及车辆在停车时刻前25秒的最大速度和最小速度;
第三个参数:车辆在第一预设时长和第三预设时长结束时刻的车速,即停车时刻的车速,通常为0,或非常接近0个一个数值;
第四个参数:车辆在第一预设时长的最小减速度和在第三预设时长的最小减速度,即车辆在停车时刻前5秒的最小减速度和停车时刻前25秒的最小减速度;
第五个参数:车辆在第一预设时长的平均减速度和在第三预设时长的平均减速度,即车辆在停车时刻前5秒的平均减速度和在停车时刻前25秒的平均减速度;
第六个参数:车辆在第二预设时长的平均速度,即车辆在停车时刻之后15分钟内的平均速度;
第七个参数:根据车辆的陀螺仪获取到的车辆在第一预设时长内俯仰角变化率的最大值和在第三预设时长内俯仰角变化率的最大值。陀螺仪安装于车辆内部,每隔相同的时间差采集一次车辆的的俯仰角,例如,每隔1秒钟采集一次俯仰角,则在本项参数中,俯仰角的变化率指的是相邻两次俯仰角的差值除以上述时间差得到的值。
第八个参数:根据车辆的陀螺仪获取到的车辆在第一预设时长内俯仰角变化率的标准差和在第三预设时长内俯仰角变化率的标准差,即车辆在停车时刻前5秒的俯仰角变化率的标准差,和前25秒的俯仰角变化率标准差,其中,对于俯仰角变化率的定义可参见对第七个参数的解释,此处不再赘述;
第九个参数:车辆在第一预设时长内与前向车辆的最大相对距离和最小相对距离,以及在第三预设时长内与前向车辆的最大相对距离和最小相对距离。即车辆在停车时刻前5秒内与前向车辆的最大相对距离和最小相对距离,以及在停车时刻前25秒内与前向车辆的最大相对距离和最小相对距离;
第十个参数:车辆在第一预设时长内与前向车辆的最小相对速度和在第三预设时长内与前向车辆的最小相对速度,即车辆在停车时刻前5秒内与前向车辆的最小相对速度和在前25内与前向车辆的最小相对速度;
第十一个参数:车辆在第一预设时长内与前向车辆相对距离与相对速度比值的最小值,以及在第三预设时长内与前向车辆相对距离与相对速度比值的最小值,即车辆在停车时刻前5秒的最小TTA值和前25秒的最小TTA值,其中,TTA=相对距离÷相对速度;
第十二个参数:车辆在第一预设时长和第三预设时长结束时刻的相对距离与相对速度的比值;即车辆在停车时刻的TTA值,通常是一个比较大的值,对于TTA的概念可参见对第十一个参数的解释,此处不再赘述;
第十三个参数:车辆在第一预设时长和第三预设时长结束时刻的转向灯状态;即车辆在停车时刻的转向灯状态;
第十四个参数:车辆在第一预设时长的刹车时间比例和在第三预设时长的刹车时间比例,刹车时间比例用于表示处于刹车状态的时长与该时间段总时长的比值;即车辆在停车时刻前5秒的刹车时间比例和前25秒的刹车时间比例。车辆处于刹车状态的时间可通过刹车踏板处于踩下状态的时间,例如,在停车时刻前5秒内的4秒时间内,刹车踏板都处于踩下状态,则车辆在停车时刻前5秒内的刹车时间比例为0.8。
本发明实施例通过对车辆停车时刻前后时间段的行驶数据进行分析,确定发生异常停车行为的车辆,通过该车辆在停车时刻的地理位置信息,确定该车辆发生疑似事故,通过该车辆停车前后至少一个时间段的行驶数据,提取可以用于表示车辆发生交通事故的特征参数,通过将特征参数输入预训练好的交通事故识别模型,得到该车辆是否发生交通事故的判别结果。本发明实施例所提供的方法仅通过车辆的行驶数据判断车辆是否发生事故,无需获取其他数据,如其他车辆的大量交通数据,不但能够在资源受限的情况下判断车辆是否发生交通事故,还提高了交通事故识别的精度。
图2示出了本发明实施例提供的另一种交通事故识别方法的实现流程图,详述如下:
在步骤201中、根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定车辆发生异常停车行为。
在步骤202中、对于发生异常停车行为的车辆,根据车辆在停车时刻的地理位置信息,确定车辆发生疑似事故。
在步骤203中、对于发生疑似事故的车辆,根据车辆在至少一个预设时间段行驶数据,提取车辆的特征参数,至少一个预设时间段中的每个时间段都包括停车时刻。
在步骤204中、将特征参数输入预训练好的交通事故识别模型,得到识别结果,识别结果包括车辆发生交通事故,或车辆没有发生交通事故。
具体的,步骤201至204的具体实现方式可参见图1所对应实施例中步骤101至步骤104的具体实现方式,本发明实施例对此不再赘述。
在步骤205中、若识别结果为车辆没有发生交通事故,根据保司推送的事故清单,判断识别结果错误。
若步骤204的识别结果为车辆没有发生交通事故,但是如果在识别结果之后的一段时间内,接收到保司推送的事故清单,如果在事故清单里,该车辆存在出险情况,说明该车辆真实发生事故。通过获取该车辆事故视频和相关报文数据,核对该车辆本次出险所对应的事故与步骤204中识别是否发生交通事故的事件为同一事件,说明步骤204判别结果错误。
在本步骤中,保司指的是保险公司,在一些可选的实现方式中,还可通过其他方法获取车辆是否发生出险情况,如通过司机主动上报等方式,本发明试试不对事故清单的获取方法进行限制。
在步骤206中、更新交通事故识别模型所对应的第一训练集,在第一训练集中,包括识别结果所对应车辆的一个样本,该样本的输入参数为车辆的特征参数,该样本的标签为发生交通事故。
通过将判别错误的案例作为新的样本补充至事故识别模型的所对应的第一训练集中,重新对事故识别模型进行训练,能够有效提高模型的识别精准度。
在步骤207中、通过更新后的第一训练集,重新对交通事故识别模型进行训练。
在本步骤中,对模型的训练方法不作限制,任何基于现有技术可以实现的训练方法均可。
在本发明实施例中,通过获取车辆的事故清单,得到事故识别模型的误判案例,将该模型的误判案例补入到该模型对应的训练集中,对模型进行重新训练,提高了模型的识别精度。
图3示出了本发明实施例提供的又一种交通事故识别方法的实现流程图,详述如下:
在步骤301中、根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定车辆发生异常停车行为。
在步骤302中、对于发生异常停车行为的车辆,根据车辆在停车时刻的地理位置信息,确定车辆发生疑似事故。
在步骤303中、对于发生疑似事故的车辆,根据车辆在至少一个预设时间段行驶数据,提取车辆的特征参数,至少一个预设时间段中的每个时间段都包括停车时刻。
具体的,步骤301至303的具体实现方式可参见图1所对应实施例中步骤101至步骤103的具体实现方式,本发明实施例对此不再赘述。
在步骤304中、根据保司推送的事故清单,获取所有发生出险情况的车辆;对于任一车辆,根据该车辆出险金额,确定该车辆的事故严重性等级。
其中,事故被预划分为多个不同的严重性等级,每个出险金额唯一对应一种严重性等级。
举例来说,将出险金额或理赔金额大于等于2万元的事故标记为严重事故,将出险金额或理赔金额小于2万元的标记为轻事故。也就是说,将事故的严重性等级分为两级,第一级为严重事故,第二级为轻事故。
需要说明的是,上述只是一种示例,事故严重性等级的划分可依据实际情况设定,本发明实施例对此不作限定。
在步骤305中、建立第二训练集,在所述第二训练集中,每个样本对应一次事故,该样本的输入参数为发生该次事故车辆的特征参数,该样本的标签为该次事故对应的严重性等级。
根据步骤304的结果,获得第二训练集中的各个样本。
在步骤306中、通过所述第二训练集对事故严重性判别模型进行训练,得到训练好的事故严重性判别模型。
本实施例对事故严重性判别模型的结构不做具体限制,比如,事故严重性判别模型可以为神经网络模型、决策树模型、随机森林模型或XGBoost(eXtreme GradientBoosting,极端梯度提升)模型等等。
在一些实施例中,交通事故识别模型为和事故严重性判别模型为极端梯度提升XGBoost模型。
XGBoost模型是以cart(Classification and regression tree,分类回归树)为基分类器的集成学习方法之一,由于其出色的运算效率和预测准确率在各种智能化场景中得到广泛的应用。与随机森林赋予每一颗决策树相同的投票权重不同,XGBoost中下一棵决策树的生成和前一棵决策树的训练和预测相关(通过对上一轮决策树训练准确率较低的样本赋予更高的学习权重来提高模型准确率)。相比于其他集成学习算法,XGBoost一方面通过引入正则项和列抽样的方法提高了模型稳健性,另一方面又在每棵树选择分裂点的时候采取并行化策略,从而极大提高了模型运行的速度。
在步骤307中、将特征参数输入预训练好的交通事故识别模型,得到识别结果,识别结果包括车辆发生交通事故,或车辆没有发生交通事故。
本步骤的具体实现方式可参见图1所对应实施例的步骤104,本发明实施例在此不再赘述。
在步骤308中、若所述识别结果为所述车辆发生交通事故,将所述车辆的特征参数输入所述训练好的事故严重性判别模型中,得到本次事故的严重性等级。
典型的,若事故严重性判别模型的判别结果为本次事故为严重事故,则推送给相关处理人员对该事故优先处理,以使得车内司乘人员得到及时的帮助和救治。
本发明实施例根据车辆出险情况对事故的严重性等级进行打标,建立事故严重性判别模型的训练集并对事故严重性判别模型进行训练,当交通事故识别模型识别到发生交通事故后,将根据车辆发生事故前后时间内的行驶数据得到的车辆的特征参数输入事故严重性判别模型,得到事故的严重性等级,以实现重大、严重事故优先处理,使得发生严重交通事故的车辆司乘人员能够得到及时的帮助和救治。
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4示出了本发明实施例提供的一种交通事故识别装置的结构示意图,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4所示,交通事故识别装置4包括:车辆发生异常行为确定模块41、车辆发生疑似事故确定模块42、车辆特征参数提取模块43和交通事故识别模块44 ;
车辆发生异常行为确定模块41,用于根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定车辆发生异常停车行为,其中,停车时刻为第一预设时长的结束时刻,停车时刻为第二预设时长的起始时刻;
车辆发生疑似事故确定模块42,对于发生异常停车行为的车辆,用于根据车辆在停车时刻的地理位置信息,确定车辆发生疑似事故;
车辆特征参数提取模块43,用于对于发生疑似事故的车辆,根据车辆在至少一个预设时间段行驶数据,提取车辆的特征参数,至少一个预设时间段中的每个时间段都包括停车时刻;
交通事故识别模块44,用于将特征参数输入预训练好的交通事故识别模型,得到识别结果,识别结果包括车辆发生交通事故,或车辆没有发生交通事故。
本发明实施例通过对车辆停车时刻前后时间段的行驶数据进行分析,确定发生异常停车行为的车辆,通过该车辆在停车时刻的地理位置信息,确定该车辆发生疑似事故,通过该车辆停车前后至少一个时间段的行驶数据,提取可以用于表示车辆发生交通事故的特征参数,通过将特征参数输入预训练好的交通事故识别模型,得到该车辆是否发生交通事故的判别结果。本发明实施例所提供的方法仅通过车辆的行驶数据判断车辆是否发生事故,无需获取其他数据,如其他车辆的大量交通数据,不但能够在资源受限的情况下判断车辆是否发生交通事故,还提高了交通事故识别的精度。
在一种可能的实现方式中,车辆在第一预设时长的初始时刻开始发生减速行为直至到达停车时刻,第一行驶数据包括车辆在第一预设时长初始时刻的车速,车辆在第一预设时长的减速度,第二行驶数据包括车辆在第二预设时长的平均速度。
在一种可能的实现方式中,车辆发生异常行为确定模块41用于:
根据车辆在第一预设时长初始时刻的车速和车辆在第一预设时长的减速度,判断车辆是否发生紧急制动;
若车辆发生紧急制动,且车辆在第二预设时长的平均速度低于预设速度阈值,则确定车辆发生异常停车行为。
在一种可能的实现方式中,车辆发生异常行为确定模块41用于:
根据车辆在第一预设时长的减速度,在预设置的第一判断列表中确定该减速度所对应的速度区间,判断车辆在第一预设时长初始时刻的速度是否属于该速度区间,若属于,则确定车辆发生紧急制动,其中,第一判断列表包括符合紧急制动情况下车辆减速度与速度的唯一映射关系;
或者,根据车辆在第一预设时长的减速度和在第一预设时长初始时刻的车速,在预设置的第二判断列表中进行索引,确定车辆的制动类型,其中,第二判断列表中包括车辆减速度、速度和制动类型的唯一映射关系,制动类型包括紧急制动和非紧急制动。
在一种可能的实现方式中,车辆发生疑似事故确定模块42用于:
根据车辆在停车时刻的地理位置信息,和预设置的车辆的常停点列表,判断车辆是否位于常停点列表中的停车点位置,若不是,则确定车辆发生疑似事故,其中,常停点列表是根据车辆的历史行车数据获得的车辆的常用停车点位置集合;
或者,根据车辆在停车时刻的地理位置信息,判断车辆是否位于道路区域,若是,则确定车辆发生疑似事故。
在一种可能的实现方式中,车辆发生疑似事故确定模块42用于:
获取车辆的历史行车数据;
在历史行车数据中标记车辆的刹车停车工况,其中,符合刹车停车工况的条件为车辆的车速降为0,且保持车速为0的状态的时间超过预设时间阈值;
根据车辆在每次刹车停车工况下的地理位置信息,建立车辆的常停点列表。
在一种可能的实现方式中,车辆发生疑似事故确定模块42用于:
按照停车时间由长到短的顺序对常停点列表中的停车点进行排序,获取第一队列;
进入更新步骤,更新步骤包括按顺序选取第一队列中第一个常停点作为目标常停点,遍历第一队列中的其他常停点,获取与目标常停点的距离小于等于预设距离的n个常停点,根据目标常停点和n个常停点的位置信息,构建新的常停点位置,并将新的常停点位置放入第二队列,并在第二队列中记录该新的常停点位置对应的停车次数为n+1,在第一队列中删除目标常停点和n个常停点,若第一队列中不存在与目标常停点的距离小于等于预设距离的常停点,则在第一队列中删除目标常停点,其中,n为大于等于1的正整数;
重复更新步骤,直至第一队列中的常停点个数为零,将第二队列中的常停点作为该车辆优化后的常停点列表。
在一种可能的实现方式中,至少一个预设时间段包括第一预设时长、第二预设时长和第三预设时长,停车时刻为第三预设时长的结束时刻,第三预设时长大于第一预设时长,车辆的特征参数包括特征参数集中的至少一项,特征参数集中的参数包括:
车辆在第一预设时长的平均车速和在第三预设时长的平均车速;
车辆在第一预设时长的最大速度和最小速度,以及车辆在第三预设时长的最大速度和最小速度;
车辆在第一预设时长和第三预设时长结束时刻的车速;
车辆在第一预设时长的最小减速度和在第三预设时长的最小减速度;
车辆在第一预设时长的平均减速度和在第三预设时长的平均减速度;
车辆在第二预设时长的平均速度;
根据车辆的陀螺仪获取到的车辆在第一预设时长内俯仰角变化率的最大值和在第三预设时长内俯仰角变化率的最大值;
根据车辆的陀螺仪获取到的车辆在第一预设时长内俯仰角变化率的标准差和在第三预设时长内俯仰角变化率的标准差;
车辆在第一预设时长内与前向车辆的最大相对距离和最小相对距离,以及在第三预设时长内与前向车辆的最大相对距离和最小相对距离;
车辆在第一预设时长内与前向车辆的最小相对速度和在第三预设时长内与前向车辆的最小相对速度;
车辆在第一预设时长内与前向车辆相对距离与相对速度比值的最小值,以及在第三预设时长内与前向车辆相对距离与相对速度比值的最小值;
车辆在第一预设时长和第三预设时长结束时刻的相对距离与相对速度的比值;
车辆在第一预设时长和第三预设时长结束时刻的转向灯状态;
车辆在第一预设时长的刹车时间比例和在第三预设时长的刹车时间比例,刹车时间比例用于表示处于刹车状态的时长与该时间段总时长的比值。
在一种可能的实现方式中,若识别结果为车辆没有发生交通事故,交通事故识别模块44还用于:
根据保司推送的事故清单,判断所述识别结果错误;
更新交通事故识别模型所对应的第一训练集,在第一训练集中,包括识别结果所对应车辆的一个样本,该样本的输入参数为车辆的特征参数,该样本的标签为发生交通事故;
通过更新后的第一训练集,重新对交通事故识别模型进行训练。
在一种可能的实现方式中,图5示出了本发明实施例提供的另一种交通事故识别装置的结构示意图,该装置还包括事故严重性判别模块45,该模块用于:
根据保司推送的事故清单,获取所有发生出险情况的车辆;
对于任一车辆,根据该车辆出险金额,确定该车辆的事故严重性等级,其中,事故被预划分为多个不同的严重性等级,每个出险金额唯一对应一种严重性等级;
建立第二训练集,在第二训练集中,每个样本对应一次事故,该样本的输入参数为发生该次事故车辆的特征参数,该样本的标签为该次事故对应的严重性等级;
通过第二训练集对事故严重性判别模型进行训练,得到训练好的事故严重性判别模型;
若交通事故识别模块44的识别结果为车辆发生交通事故,事故严重性判别模块45还用于:将车辆的特征参数输入训练好的事故严重性判别模型中,得到本次事故的严重性等级。
本实施例提供的交通事故识别装置,可用于执行上述交通事故识别方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图6是本发明一实施例提供的终端的示意图。如图6所示,该实施例的终端6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个交通事故识别方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块41至44的功能。
示例性的,所述计算机程序62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61中,并由所述处理器60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62在所述终端6中的执行过程。
所述终端6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)等设备。所述终端6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端6的示例,并不构成对终端6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。
所述处理器60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61可以是所述终端6的内部存储单元,例如终端6的硬盘或内存。所述存储器61也可以是所述终端6的外部存储设备,例如所述终端6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61还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器61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61还可以用于暂时地存储已经输出或者将要输出的数据。
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,可实现上述各个交通事故识别方法实施例的步骤。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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、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 (11)
1.一种交通事故识别方法,其特征在于,包括:
根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定所述车辆发生异常停车行为,其中,所述停车时刻为所述第一预设时长的结束时刻,所述停车时刻为所述第二预设时长的起始时刻,所述第一预设时长的起始时刻为开始发生减速行为的时刻;
对于发生异常停车行为的车辆,根据所述车辆在所述停车时刻的地理位置信息和预设置的所述车辆的常停点列表,或根据所述车辆在所述停车时刻的地理位置信息和所述车辆所处的道路区域,确定所述车辆发生疑似事故;
对于发生疑似事故的车辆,根据所述车辆在至少一个预设时间段行驶数据,提取所述车辆的特征参数,所述至少一个预设时间段中的每个时间段都包括所述停车时刻;
将所述特征参数输入预训练好的交通事故识别模型,得到识别结果,所述识别结果包括所述车辆发生交通事故,或所述车辆没有发生交通事故;
其中,所述至少一个预设时间段包括所述第一预设时长、所述第二预设时长和第三预设时长,所述停车时刻为所述第三预设时长的结束时刻,所述第三预设时长大于所述第一预设时长;
所述车辆的特征参数包括:所述车辆在所述第一预设时长的平均车速和在所述第三预设时长的平均车速;所述车辆在所述第一预设时长的最大速度和最小速度,以及所述车辆在所述第三预设时长的最大速度和最小速度;所述车辆在所述第一预设时长和所述第三预设时长结束时刻的车速;所述车辆在所述第一预设时长的最小减速度和在所述第三预设时长的最小减速度;所述车辆在所述第一预设时长的平均减速度和在所述第三预设时长的平均减速度;所述车辆在所述第二预设时长的平均速度;根据所述车辆的陀螺仪获取到的所述车辆在所述第一预设时长内俯仰角变化率的最大值和在所述第三预设时长内俯仰角变化率的最大值;根据所述车辆的陀螺仪获取到的所述车辆在所述第一预设时长内俯仰角变化率的标准差和在所述第三预设时长内俯仰角变化率的标准差;所述车辆在所述第一预设时长内与前向车辆的最大相对距离和最小相对距离,以及在所述第三预设时长内与前向车辆的最大相对距离和最小相对距离;所述车辆在所述第一预设时长内与前向车辆的最小相对速度和在所述第三预设时长内与前向车辆的最小相对速度;所述车辆在所述第一预设时长内与前向车辆相对距离与相对速度比值的最小值,以及在所述第三预设时长内与前向车辆相对距离与相对速度比值的最小值;所述车辆在所述第一预设时长和所述第三预设时长结束时刻的相对距离与相对速度的比值;所述车辆在所述第一预设时长和所述第三预设时长结束时刻的转向灯状态;所述车辆在所述第一预设时长的刹车时间比例和在所述第三预设时长的刹车时间比例,所述刹车时间比例用于表示处于刹车状态的时长与该时间段总时长的比值。
2.根据权利要求1所述的交通事故识别方法,其特征在于,所述车辆在所述第一预设时长的初始时刻开始发生减速行为直至到达所述停车时刻,所述第一行驶数据包括所述车辆在所述第一预设时长初始时刻的车速,所述车辆在所述第一预设时长的减速度,所述第二行驶数据包括所述车辆在所述第二预设时长的平均速度。
3.根据权利要求2所述的交通事故识别方法,其特征在于,所述根据车辆在停车时刻之前第一预设时长的第一行驶数据,和停车时刻之后第二预设时长的第二行驶数据,确定所述车辆发生异常停车行为包括:
根据所述车辆在所述第一预设时长初始时刻的车速和所述车辆在所述第一预设时长的减速度,判断所述车辆是否发生紧急制动;
若所述车辆发生紧急制动,且所述车辆在所述第二预设时长的平均速度低于预设速度阈值,则确定所述车辆发生异常停车行为。
4.根据权利要求3所述的交通事故识别方法,其特征在于,所述根据所述车辆在所述第一预设时长初始时刻的车速和所述车辆在所述第一预设时长的减速度,判断所述车辆是否发生紧急制动包括:
根据所述车辆在所述第一预设时长的减速度,在预设置的第一判断列表中确定该减速度所对应的速度区间,判断所述车辆在所述第一预设时长初始时刻的速度是否属于该速度区间,若属于,则确定所述车辆发生紧急制动,其中,所述第一判断列表包括符合紧急制动情况下车辆减速度与速度的唯一映射关系;
或者,根据所述车辆在所述第一预设时长的减速度和在所述第一预设时长初始时刻的车速,在预设置的第二判断列表中进行索引,确定所述车辆的制动类型,其中,所述第二判断列表中包括车辆减速度、速度和制动类型的唯一映射关系,所述制动类型包括紧急制动和非紧急制动。
5.根据权利要求1所述的方法,其特征在于,所述对于发生异常停车行为的车辆,根据所述车辆在所述停车时刻的地理位置信息和预设置的所述车辆的常停点列表,或根据所述车辆在所述停车时刻的地理位置信息和所述车辆所处的道路区域,确定所述车辆发生疑似事故包括:
根据所述车辆在所述停车时刻的地理位置信息,和预设置的所述车辆的常停点列表,判断所述车辆是否位于所述常停点列表中的停车点位置,若不是,则确定所述车辆发生疑似事故,其中,所述常停点列表是根据所述车辆的历史行车数据获得的所述车辆的常用停车点位置集合;
或者,根据所述车辆在所述停车时刻的地理位置信息,判断所述车辆是否位于道路区域,若是,则确定所述车辆发生疑似事故。
6.根据权利要求5所述的交通事故识别方法,其特征在于,所述车辆的常停点列表的获取过程包括:
获取所述车辆的历史行车数据;
在所述历史行车数据中标记所述车辆的刹车停车工况,其中,符合所述刹车停车工况的条件为所述车辆的车速降为0,且保持车速为0的状态的时间超过预设时间阈值;
根据所述车辆在每次刹车停车工况下的地理位置信息,建立所述车辆的常停点列表。
7.根据权利要求6所述的交通事故识别方法,其特征在于,在建立所述车辆的常停点列表之后,该方法还包括:
按照停车时间由长到短的顺序对所述常停点列表中的停车点进行排序,获取第一队列;
进入更新步骤,所述更新步骤包括按顺序选取所述第一队列中第一个常停点作为目标常停点,遍历所述第一队列中的其他常停点,获取与所述目标常停点的距离小于等于预设距离的n个常停点,根据所述目标常停点和所述n个常停点的位置信息,构建新的常停点位置,并将新的常停点位置放入第二队列,并在所述第二队列中记录该新的常停点位置对应的停车次数为n+1,在所述第一队列中删除所述目标常停点和所述n个常停点,若所述第一队列中不存在与所述目标常停点的距离小于等于预设距离的常停点,则在所述第一队列中删除所述目标常停点,其中,n为大于等于1的正整数;
重复所述更新步骤,直至所述第一队列中的常停点个数为零,将所述第二队列中的常停点作为该车辆优化后的常停点列表。
8.根据权利要求1至7任一项所述的方法,其特征在于,若所述识别结果为所述车辆没有发生交通事故,该方法还包括:
根据保司推送的事故清单,判断所述识别结果错误;
更新所述交通事故识别模型所对应的第一训练集,在所述第一训练集中,包括所述识别结果所对应车辆的一个样本,该样本的输入参数为所述车辆的特征参数,该样本的标签为发生交通事故;
通过更新后的第一训练集,重新对所述交通事故识别模型进行训练。
9.根据权利要求1至7任一项所述的方法,其特征在于,在将所述特征参数输入预训练好的交通事故识别模型,得到识别结果之前,该方法还包括:
根据保司推送的事故清单,获取所有发生出险情况的车辆;
对于任一车辆,根据该车辆出险金额,确定该车辆的事故严重性等级,其中,事故被预划分为多个不同的严重性等级,每个出险金额唯一对应一种严重性等级;
建立第二训练集,在所述第二训练集中,每个样本对应一次事故,该样本的输入参数为发生该次事故车辆的特征参数,该样本的标签为该次事故对应的严重性等级;
通过所述第二训练集对事故严重性判别模型进行训练,得到训练好的事故严重性判别模型;
若所述识别结果为所述车辆发生交通事故,该方法还包括:
将所述车辆的特征参数输入所述训练好的事故严重性判别模型中,得到本次事故的严重性等级。
10.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至9中任一项所述方法的步骤。
11.一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上的权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530375.8A CN116343484B (zh) | 2023-05-12 | 2023-05-12 | 交通事故识别方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530375.8A CN116343484B (zh) | 2023-05-12 | 2023-05-12 | 交通事故识别方法、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116343484A CN116343484A (zh) | 2023-06-27 |
CN116343484B true CN116343484B (zh) | 2023-10-03 |
Family
ID=86882559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310530375.8A Active CN116343484B (zh) | 2023-05-12 | 2023-05-12 | 交通事故识别方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343484B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877213A (zh) * | 2018-05-11 | 2018-11-23 | 上海赢科信息技术有限公司 | 交通事故的识别方法及系统 |
CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
CN111860561A (zh) * | 2019-12-31 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 网约车的异常停留行为识别方法、装置、设备及存储介质 |
CN112749210A (zh) * | 2021-01-18 | 2021-05-04 | 优必爱信息技术(北京)有限公司 | 基于深度学习的车辆碰撞识别方法和系统 |
WO2022025244A1 (ja) * | 2020-07-31 | 2022-02-03 | 矢崎総業株式会社 | 車両事故予測システム、車両事故予測方法、車両事故予測プログラム、及び、学習済みモデル生成システム |
KR20220012607A (ko) * | 2020-07-23 | 2022-02-04 | 동아대학교 산학협력단 | 교통 사고 알림 방법 |
CN114970897A (zh) * | 2022-05-30 | 2022-08-30 | 中国第一汽车股份有限公司 | 数据处理方法、装置、电子设备及车辆 |
CN115272939A (zh) * | 2022-08-19 | 2022-11-01 | 上海商汤科技开发有限公司 | 事故车检测方法及装置、电子设备及计算机可读存储介质 |
CN115640997A (zh) * | 2022-10-15 | 2023-01-24 | 河北省交通规划设计研究院有限公司 | 交通事故风险动态识别方法和识别模型构建方法 |
CN115797403A (zh) * | 2022-11-28 | 2023-03-14 | 北京中交兴路信息科技有限公司 | 交通事故预测方法和装置、存储介质及电子设备 |
CN115938128A (zh) * | 2023-03-15 | 2023-04-07 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354838A1 (en) * | 2018-05-21 | 2019-11-21 | Uber Technologies, Inc. | Automobile Accident Detection Using Machine Learned Model |
JP7212590B2 (ja) * | 2019-07-08 | 2023-01-25 | 株式会社日立ハイテク | 事故リスク診断方法、事故リスク診断装置、及び事故リスク診断システム |
-
2023
- 2023-05-12 CN CN202310530375.8A patent/CN116343484B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877213A (zh) * | 2018-05-11 | 2018-11-23 | 上海赢科信息技术有限公司 | 交通事故的识别方法及系统 |
CN111860561A (zh) * | 2019-12-31 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 网约车的异常停留行为识别方法、装置、设备及存储介质 |
CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
KR20220012607A (ko) * | 2020-07-23 | 2022-02-04 | 동아대학교 산학협력단 | 교통 사고 알림 방법 |
WO2022025244A1 (ja) * | 2020-07-31 | 2022-02-03 | 矢崎総業株式会社 | 車両事故予測システム、車両事故予測方法、車両事故予測プログラム、及び、学習済みモデル生成システム |
CN112749210A (zh) * | 2021-01-18 | 2021-05-04 | 优必爱信息技术(北京)有限公司 | 基于深度学习的车辆碰撞识别方法和系统 |
CN114970897A (zh) * | 2022-05-30 | 2022-08-30 | 中国第一汽车股份有限公司 | 数据处理方法、装置、电子设备及车辆 |
CN115272939A (zh) * | 2022-08-19 | 2022-11-01 | 上海商汤科技开发有限公司 | 事故车检测方法及装置、电子设备及计算机可读存储介质 |
CN115640997A (zh) * | 2022-10-15 | 2023-01-24 | 河北省交通规划设计研究院有限公司 | 交通事故风险动态识别方法和识别模型构建方法 |
CN115797403A (zh) * | 2022-11-28 | 2023-03-14 | 北京中交兴路信息科技有限公司 | 交通事故预测方法和装置、存储介质及电子设备 |
CN115938128A (zh) * | 2023-03-15 | 2023-04-07 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于AdaBoost分类器的实时交通事故预测;张军;胡震波;朱新山;;计算机应用(第01期);全文 * |
张军 ; 胡震波 ; 朱新山 ; .基于AdaBoost分类器的实时交通事故预测.计算机应用.2017,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116343484A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
WO2021135653A1 (zh) | 一种识别车辆的异常停留的方法和系统 | |
CN106097709B (zh) | 基于智能车载终端的驾驶行为识别方法 | |
WO2023274071A1 (zh) | 驾驶行为监控方法、装置、电子设备及存储介质 | |
CN114446059A (zh) | 一种车载监测路侧停车车辆的系统及方法 | |
KR20200078274A (ko) | 차량 운행정보 수집장치를 이용한 안전운전지수 평가 방법 및 시스템 | |
CN110599791A (zh) | 信息监控方法、装置和设备 | |
CN114419892A (zh) | 一种判定有疲劳驾驶交通违法风险的车辆的方法 | |
CN113283548B (zh) | 一种车辆安全评分方法、装置、设备和存储介质 | |
CN111612334A (zh) | 一种基于车联网数据的驾驶行为风险评级的判定方法 | |
CN116343484B (zh) | 交通事故识别方法、终端及存储介质 | |
CN115841765B (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
CN111474565A (zh) | 道路运输车辆卫星定位系统终端违规插拔情况的判断方法 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN115691223A (zh) | 一种基于云边端协同的碰撞预警方法及系统 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN114446042B (zh) | 预警交通事故的方法、装置、设备以及存储介质 | |
CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN111861498B (zh) | 出租车的监控方法、装置、设备和存储介质 | |
CN115966100B (zh) | 一种行车安全控制方法及系统 | |
CN114173289B (zh) | 路侧单元控制方法、装置、设备及计算机可读存储介质 | |
CN115188184B (zh) | 一种车辆限速处理方法、设备及装置 | |
CN115100861B (zh) | 一种酒驾车辆识别方法 | |
CN116486597A (zh) | 一种基于大数据的车辆事故识别方法及平台 |
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 |