CN116486597A - 一种基于大数据的车辆事故识别方法及平台 - Google Patents
一种基于大数据的车辆事故识别方法及平台 Download PDFInfo
- Publication number
- CN116486597A CN116486597A CN202210038549.4A CN202210038549A CN116486597A CN 116486597 A CN116486597 A CN 116486597A CN 202210038549 A CN202210038549 A CN 202210038549A CN 116486597 A CN116486597 A CN 116486597A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- data
- parking
- big data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- G07C5/085—Registering performance data using electronic data carriers
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出的一种基于大数据的车辆事故识别方法及平台,属于车辆事故识别技术领域。将获取的车辆数据输入到训练好的事故分类模型中,判断车辆是否发生事故,并基于停车后的车辆GPS数据判断车辆停车是否正常,以此准确识别车辆是否为事故停车,可以得到准确的车辆事故时的数据,并进行事故车辆数据存储,使得建立的车辆事故数据库准确可靠,为全面分析车辆事故原因提供了可靠的数据来源,有助于根据事故原因对车辆做出改进或对驾驶员进行培训,以降低车辆事故风险,保障车辆及人员安全。
Description
技术领域
本发明涉及一种基于大数据的车辆事故识别方法及平台,属于车辆事故识别技术领域。
背景技术
车辆作为人们日常出行的主要交通工具之一,一旦发生交通事故,将对于人民生命安全、财产安全造成巨大损失,如果能准确识别到车辆事故,形成历史车辆事故案例库,对于分析事故原因、车辆改进及改善司机驾驶行为有着重要的指导意义,也能进一步降低车辆事故的发生。
现有识别车辆事故的方法中,一般基于获取的车辆信息进行事故识别,例如申请公开号CN113658426A名为“一种车辆事故识别方法及装置”的专利中,基于数据采集频率设置初始时间点,基于连续初始时间点的瞬时车速、发动机转速、油门开度和是否刹车计算对应初始时间点间隔内的事故概率,但该方法中的数据库维度不够,无法完全表征车辆初始时间点内的运行信息,且事故概率计算基于预设阈值进行,识别精度不高。
还有通过神经网络构建车辆事故判断模型,一定程度上提高了事故识别精度,例如在申请公开号CN113160549A名为“一种自动识别无人驾驶车辆事故的系统和方法”的专利中,在边缘控制层创建了基于卷积神经网络的车辆事故判断模型,模型训练时使用车辆传感器获取的数据,包括油门大小、档位、方向盘转向角、实时车速、车灯状态、压力传感器等,该方法主要是实现无人驾驶车辆事故的自动识别和上报,其事故识别模型的训练数据需要采用高精度传感器采集获得,但当前市场绝大多数车辆均未安装有高精度传感器,针对于有人驾驶的车辆也无需安装如此高精度的传感器,同时前市场车辆也尚未拥有高性能边缘计算能力;因此该方法无法使用到所有车辆的事故识别中,覆盖度不足。
发明内容
本发明的目的是提供一种基于大数据的车辆事故识别方法及平台,以解决现有技术中事故识别数据库单一或事故识别方法覆盖度不足的问题。
本发明提出一种基于大数据的车辆事故识别方法,该方法包括以下步骤:
1)获取车辆终端采集的车辆状态数据,所述车辆状态数据包括车辆停车前加速踏板开度、停车前车速、停车前转向电流、停车前门信号、停车前手刹信号、停车前档位信号、停车前整车状态、停车时加速踏板开度、停车时转向电流、停车时制动踏板开度、停车时门信号、停车时手刹信号、停车时档位信号、停车时整车状态、停车后加速踏板开度、停车后制动踏板开度、停车后转向电流、停车后门信号、停车后手刹信号、停车后档位信号、停车后整车状态、停车后的车辆GPS数据;其中,整车状态是指车辆发动机是否处于工作状态;
2)将获取的车辆状态数据输入到训练好的事故分类模型中,判断车辆是否发生事故;所述事故分类模型是通过正常车辆的状态数据和历史事故车辆的状态数据训练得到的;
3)当判断车辆发生事故时,根据获取的停车后的车辆GPS数据,得到车辆的停车位置;并判断此时车辆停车位置是否异常,如果车辆处于异常位置,则判断此次车辆停车为事故停车,同时存储此次事故车辆的状态数据。
本发明将获取的车辆数据输入到训练好的事故分类模型中,判断车辆是否发生事故,并基于停车后的车辆GPS数据判断车辆停车是否正常,以此准确识别车辆是否为事故停车,可以得到准确的车辆事故时的数据,并进行事故车辆数据存储。本发明利用海量车辆历史状态数据进行多轮模型训练,使得到的事故分类模型能够准确识别出事故车辆,并进一步通过事故车辆的停靠位置进行确认,使得建立的车辆事故数据库准确可靠,为全面分析车辆事故原因提供了可靠的数据来源,有助于根据事故原因对车辆做出改进或对驾驶员进行培训,以降低车辆事故风险,保障车辆及人员安全。
进一步地,所述事故分类模型为机器学习模型。
进一步地,所述机器学习模型为随机森林模型。
通过构建的随机森林模型对车辆事故进行判断,由于该模型具有较高的泛化性能,可以得到准确的判断结果。
进一步地,所述步骤3)根据得到的停车位置与设定的停车位置的距离判断车辆停车位置是否异常,当得到的停车位置与设定的停车位置的距离大于设定阈值时,判断此时车辆停车位置异常。
进一步地,设定的停车位置是通过对该车辆历史正常停车位置聚类得到。
将车辆常用的停车位置作为设定的停车位置,通过距离判断的方式检测车辆停车位置是否异常,若距离过大,则认为此次停车为事故的可能性比较大,可以快速实现停车位置异常的检测,有助于准确识别车辆事故。
进一步地,所述步骤3)采用聚类算法对得到的停车位置与车辆历史停车位置进行聚类分析,判断车辆停车位置是否异常,当聚类后包含该停车位置类别下的车辆停车位置数量小于设定个数,判断此时车辆停车位置异常。
通过上述方式直接采用对该车辆的停车位置与历史停车位置进行聚类分析,根据聚类结果判断车辆停车位置是否异常,不需要确定车辆的正常停车位置,只要包含此次停车位置的聚类结果不满足设定的个数,就认为此次车辆停车位置异常。
进一步地,所述聚类算法采用K-means聚类算法、DBSCAN聚类算法、K-modes算法或模糊聚类算法。
采用上述聚类算法可以快速准确得到车辆的正常停车位置或者快速准确识别车辆停车位置是否异常。
进一步地,利用存储的事故车辆数据对事故分类模型中训练的历史事故车辆数据进行更新。
通过上述方式及时更新历史车辆事故数据,以得到更加精准的事故分类模型,基于不断更新的历史事故车辆数据提高车辆事故识别的准确度。
本发明还提出一种基于大数据的车辆事故识别平台,该平台包括处理器和存储器,所述处理器执行由所述存储器存储的计算机程序,以实现所述的基于大数据的车辆事故识别方法。
本发明通过所述平台存储海量数据,用于搭建事故车辆数据库,并为数据处理与事故分类模型的构建提供平台,当平台接收到新的车辆状态数据时,结合平台搭建的车辆数据库对车辆进行事故识别,提高了车辆事故识别的准确度。
进一步地,所述平台设置在云端,并与车载终端通过无线通讯连接。
所述平台通过与车载终端相连,可以实时接收车载终端采集的车辆状态数据,结合平台存储的海量数据,实时对车辆进行事故识别。
附图说明
图1是本发明基于大数据的车辆事故识别的具体流程图;
图2是本发明基于大数据的车辆事故识别平台的构成图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步地说明。
本发明提出的基于大数据的车辆事故识别方法及平台主要适用于具有固定线路、固定停车点的运营车辆,例如公交车、班车等。
方法实施例
本发明提出一种基于大数据的车辆事故识别方法,具体流程如图1所示。首先通过车辆终端采集车辆状态数据,将获取的数据输入到训练好的事故分类模型中,判断车辆是否发生事故;当判断车辆发生事故时,基于车辆停车后的GPS数据确定车辆停车位置,并与设定好的车辆停车位置比较,判断车辆停车位置是否存在异常,当存在异常停车时,判断此次停车为事故停车。
步骤1.获取车辆状态数据
本发明通过车辆终端采集车辆的状态数据,包括车辆停车前加速踏板开度、停车前车速、停车前转向电流、停车前门信号、停车前手刹信号、停车前档位信号、停车前整车状态、停车时加速踏板开度、停车时转向电流、停车时制动踏板开度、停车时门信号、停车时手刹信号、停车时档位信号、停车时整车状态、停车后加速踏板开度、停车后制动踏板开度、停车后转向电流、停车后门信号、停车后手刹信号、停车后档位信号、停车后整车状态、停车后的车辆GPS数据。车辆的整车状态是指车辆发动机是否处于工作状态,根据车辆整车状态数据可以避免获取当车辆在等红绿灯这种情况下停车时(车辆发动机一直正常工作)的数据;这些车辆的状态数据是根据安装在车辆上的传感器获取的。
其中,在获取数据时是按照设定频率进行的,因此停车前状态数据是指车辆在停车前一采样时刻的数据,停车时状态数据是指车辆停车时所持续时间内按照设定频率采集到的数据,停车后状态数据是指车辆完全熄火停车时采集到的数据。本发明将获取的车辆状态数据作为判断车辆是否发生事故的特征数据,将其记作集合Ai[a1,a2......,an],n为获取的车辆状态数据的总数。
步骤2.车辆事故识别
将步骤1获取的车辆状态数据输入到已训练好的事故分类模型中,判断该车辆是否发生事故。其中事故分类模型是通过正常车辆的状态数据和历史事故车辆的状态数据训练得到的。在本实施例中,该事故分类模型采用随机森林模型,作为其他实施方式,该模型还可以采用其他机器学习模型,例如支持向量机模型、朴素贝叶斯模型。
该事故分类模型训练过程为:首先模型训练数据是来源于大量车辆的历史数据,历史数据包括正常车辆的状态数据和历史事故车辆的状态数据,这些数据同样是通过车辆终端采集得到的。将正常车辆状态数据和历史事故车辆的状态数据作为特征数据构建集合Bi[b1,b2......,bn],事故车辆对应的特征数据打标签为1,正常车辆对应的特征数据打标签为0,通过对数据集构建相关系数矩阵,并验证所选取的特征在正常车辆和事故车辆之间是否存在明显差异;然后采用随机森林模型对正常车辆的状态数据和历史事故车辆的状态数据进行训练,生成事故分类模型;为了保证模型训练精度,在训练前选取部分数据不参与模型训练,将选取的部分数据作为验证数据,在事故分类模型训练好后,将验证数据输入训练好的事故分类模型中验证该模型分类精度,确保所构建的事故分类模型可以用于后续车辆事故识别。
步骤3.事故停车判断
当在步骤2中判断出此次车辆发生事故后,根据步骤1获取的车辆停车后的GPS数据确定此次车辆的停车位置,并检测此次车辆的停车位置是否异常,车辆停车位置是指车辆完全熄火后所停的位置。
根据此次车辆停车位置和设定好的车辆停车位置,判断车辆停车位置是否存在异常。通过得到的停车位置与设定的停车位置的距离判断车辆停车位置是否异常,当得到的停车位置与设定的停车位置的距离大于设定阈值时,则认为此时车辆停车位置存在异常。也就是说当车辆停车的位置不在设定停车位置附近时,就说明该车辆异常停车。其中设定阈值可以根据不同设定的停车位置的实际情况具体确定,例如公交车在运营结束后回到公交总站时,考虑公交总站占地面积可以将阈值设置大一些,而在公交始发站、终点站等待下一次发车时,此时实际位置与设定的位置距离不可能过大,可以将阈值设置小一些。其中,设定的停车位置是根据该车辆的正常历史停车位置聚类得到,例如,对该车辆过去三个月的正常停车位置采用聚类算法进行分析,最后将历史正常停车位置聚类于3个位置,即将这三个停车位置作为设定停车位置。本实施例中采用K-means聚类算法得到车辆的设定停车位置,也可采用其它聚类算法确定车辆的设定停车位置,例如DBSCAN聚类算法、K-modes算法或模糊聚类算法。同时,设定的停车位置也可以通过人工来设定,由于本发明主要是针对运营车辆,可以根据车辆运营的实际情况直接设定车辆的正常停车位置,例如公交车可以设定公交车总站、公交车始发站、终点站等作为正常停车位置;企业班车可以设定企业停车场、班车日常停靠位置作为正常停车位置。
作为其他实施方式,也可以不设定车辆的正常停车位置,将此次车辆停车位置加入到历史车辆停车位置中,生成一个停车位置数据集,采用聚类算法根据构建的数据集对此次车辆停车位置进行异常检测,判断车辆停车位置是否异常。可以将车辆停车位置看作一个散点,对这些散点进行聚类分析,正常停车位置的离散点会聚集在不同的范围内,当聚类后包含此次停车位置类别下的车辆停车位置数量小于设定个数,判断此时车辆停车位置异常。例如在对停车位置数据集进行聚类分析后,一共得到8个聚类类别(聚类区域),其中5个聚集区域内停车位置数量大于设定个数,将这5聚集区域看做正常停车区域,其余3个看做是异常停车区域,若是此次的车辆停车位置位于正常停车区域内,则认为此次车辆是正常停车,若是位于异常停车区域内,则认为此次车辆是异常停车。本实施例中采用K-means聚类算法对停车位置数据集进行聚类分析,判断车辆是否为异常停车;同样,也可采用其它聚类算法确定车辆的异常停车位置,例如DBSCAN聚类算法、K-modes算法或模糊聚类算法。
此外,也可以根据车辆行驶里程进行停车位置异常检测,根据车辆发车时到车辆停车时之间的行驶里程与设定的行驶里程比较,当实际车辆行驶里程与设定行驶里程的差值大于设定的差值阈值时,则认为车辆停车位置异常。例如,按照规定路线一辆公交车运营一次从A点到B点的行驶里程应该为12KM,而根据该车辆停车后GPS数据得到该公交车的行驶里程为9KM,此时就可判断此次车辆为异常停车。
当确定车辆为事故停车后,存储车辆的状态数据,并将车辆的状态数据添加至事故车辆数据库中,有助于采用该数据库分析车辆发生事故的原因;同时也可以将存储的新的车辆事故状态数据定期添加至用于训练的历史事故车辆数据中。例如,每一个月将该月新增的车辆事故状态数据用于训练的历史事故车辆数据中,通过不断更新训练数据以得到更加精准的事故分类模型。
通过上述过程可以每天对车辆的驾驶数据进行分析识别,判断是否存在事故,并存储事故车辆状态数据,建立事故车辆数据库,为全面分析车辆事故原因提供了可靠的数据来源,根据数据库中大量的事故车辆状态数据,可以分析是驾驶员哪些不规范行为导致的事故,根据分析得到的事故原因有助于对驾驶员进行针对性的培训,同时也可以开发车辆安全控制功能,以降低车辆事故风险,保障车辆及人员安全。
平台实施例
本发明还提出一种基于大数据的车辆事故识别平台,该平台具体构成如图2所示,包括系统模块、数据存储模块、数据处理模块、无线通讯模块和大数据分析平台。其中,该平台设置在云端,并与车辆终端通过无线通讯连接,用于接收车辆状态数据;数据处理模块对获取的车辆状态数据进行处理;数据存储模块用来存储车辆近一周的本地数据可通过平台远程提取和通过专用工具实车提取;系统模块将获取的车辆状态数据发送给大数据分析平台,大数据分析平台对获取的车辆数据进行分析,并构建用于判断车辆是否存在事故的模型。
该平台还包括处理器和存储器,存储器中存储有可在处理器上运行的计算机程序,所述处理器在执行计算机程序时实现上述方法实施例的方法。也就是说,以上方法实施例中的方法应理解为可由计算机程序指令实现基于大数据的车辆事故识别方法的流程。可提供这些计算机程序指令到处理器,使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
本实施例所指的处理器是指独立物理服务器或者虚拟机服务器等的处理装置;本实施例所指的存储器包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如:利用电能方式存储信息的各式存储器,RAM、ROM等;利用磁能方式存储信息的各式存储器,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的各式存储器,CD或DVD。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等。
通过上述存储器、处理器以及计算机程序构成的应用,在计算机中由处理器执行相应的程序指令来实现应用功能,该应用可以搭载各种操作系统,如windows操作系统、linux系统、android、iOS系统等。作为其他实施方式,平台还可以包括显示器,显示器用于将基于大数据的车辆事故识别的结果展示出来,以供工作人员参考。
Claims (10)
1.一种基于大数据的车辆事故识别方法,其特征在于,该方法包括以下步骤:
1)获取车辆终端采集的车辆状态数据,所述车辆状态数据包括车辆停车前加速踏板开度、停车前车速、停车前转向电流、停车前门信号、停车前手刹信号、停车前档位信号、停车前整车状态、停车时加速踏板开度、停车时转向电流、停车时制动踏板开度、停车时门信号、停车时手刹信号、停车时档位信号、停车时整车状态、停车后加速踏板开度、停车后制动踏板开度、停车后转向电流、停车后门信号、停车后手刹信号、停车后档位信号、停车后整车状态、停车后的车辆GPS数据;其中,整车状态是指车辆发动机是否处于工作状态;
2)将获取的车辆状态数据输入到训练好的事故分类模型中,判断车辆是否发生事故;所述事故分类模型是通过正常车辆的状态数据和历史事故车辆的状态数据训练得到的;
3)当判断车辆发生事故时,根据获取的停车后的车辆GPS数据,得到车辆的停车位置;并判断此时车辆停车位置是否异常,如果车辆处于异常位置,则判断此次车辆停车为事故停车,同时存储此次事故车辆的状态数据。
2.根据权利要求1所述的基于大数据的车辆事故识别方法,其特征在于,所述事故分类模型为机器学习模型。
3.根据权利要求2所述的基于大数据的车辆事故识别方法,其特征在于,所述机器学习模型为随机森林模型。
4.根据权利要求1所述的基于大数据的车辆事故识别方法,其特征在于,所述步骤3)根据得到的停车位置与设定的停车位置的距离判断车辆停车位置是否异常,当得到的停车位置与设定的停车位置的距离大于设定阈值时,判断此时车辆停车位置异常。
5.根据权利要求4所述的基于大数据的车辆事故识别方法,其特征在于,设定的停车位置是通过对该车辆历史正常停车位置聚类得到。
6.根据权利要求1所述的基于大数据的车辆事故识别方法,其特征在于,所述步骤3)采用聚类算法对得到的停车位置与车辆历史停车位置进行聚类分析,判断车辆停车位置是否异常,当聚类后包含该停车位置类别下的车辆停车位置数量小于设定个数,判断此时车辆停车位置异常。
7.根据权利要求5或6所述的基于大数据的车辆事故识别方法,其特征在于,所述聚类算法采用K-means聚类算法、DBSCAN聚类算法、K-modes算法或模糊聚类算法。
8.根据权利要求1所述的基于大数据的车辆事故识别方法,其特征在于,利用存储的事故车辆数据对事故分类模型中训练的历史事故车辆数据进行更新。
9.一种基于大数据的车辆事故识别平台,其特征在于,该平台包括处理器和存储器,所述处理器执行由所述存储器存储的计算机程序,以实现如上述权利要求1-8任一项所述的基于大数据的车辆事故识别方法。
10.根据权利要求9所述的基于大数据的车辆事故识别平台,其特征在于,该平台设置在云端,并与车载终端通过无线通讯连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038549.4A CN116486597A (zh) | 2022-01-13 | 2022-01-13 | 一种基于大数据的车辆事故识别方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038549.4A CN116486597A (zh) | 2022-01-13 | 2022-01-13 | 一种基于大数据的车辆事故识别方法及平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486597A true CN116486597A (zh) | 2023-07-25 |
Family
ID=87216036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210038549.4A Pending CN116486597A (zh) | 2022-01-13 | 2022-01-13 | 一种基于大数据的车辆事故识别方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486597A (zh) |
-
2022
- 2022-01-13 CN CN202210038549.4A patent/CN116486597A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
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 | |
US20190155291A1 (en) | Methods and systems for automated driving system simulation, validation, and implementation | |
US20190308619A1 (en) | Method and system for estimating an accident risk of an autonomous vehicle | |
CN106651602A (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
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 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
CN112598169B (zh) | 交通运行态势评估方法、系统及装置 | |
CN206684779U (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
EP3578433B1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
CN114999181B (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
CN117022323A (zh) | 一种智能驾驶车辆行为分析与预测系统及方法 | |
CN116279500B (zh) | 一种车辆碰撞识别方法 | |
CN114692713A (zh) | 一种自动驾驶车辆的驾驶行为评价方法及装置 | |
CN116486597A (zh) | 一种基于大数据的车辆事故识别方法及平台 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN115188184B (zh) | 一种车辆限速处理方法、设备及装置 | |
CN115688003A (zh) | 驾驶员识别方法、装置、计算机设备及可读存储介质 | |
CN115392728A (zh) | 基于风险场的大型活动多源交通风险叠加评估方法及应用 | |
CN114596704A (zh) | 交通事件处理方法、装置、设备及存储介质 | |
CN116343484B (zh) | 交通事故识别方法、终端及存储介质 | |
Wang et al. | Driver modeling based on vehicular sensing data | |
CN114655231B (zh) | 一种卡车规范驾驶辅助方法及系统 | |
CN115966100B (zh) | 一种行车安全控制方法及系统 |
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 |