CN116704747A - 一种基于边缘计算判定车辆事故并风控的系统 - Google Patents
一种基于边缘计算判定车辆事故并风控的系统 Download PDFInfo
- Publication number
- CN116704747A CN116704747A CN202211726638.4A CN202211726638A CN116704747A CN 116704747 A CN116704747 A CN 116704747A CN 202211726638 A CN202211726638 A CN 202211726638A CN 116704747 A CN116704747 A CN 116704747A
- Authority
- CN
- China
- Prior art keywords
- accident
- vehicle
- data
- crash
- module
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 49
- 238000010276 construction Methods 0.000 claims abstract description 23
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000013475 authorization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于边缘计算判定车辆事故并风控的系统，其中，算法构建模块应用于服务端，用于算法构建和调优，将先验概率发送到事故判定模块；事故判定模块应用于车端，用于将行车数据入参事故判定模型后，计算是否发生事故，所述行车数据包括：静态数据和动态数据，静态数据是车辆数据，动态数据是驾驶数据，当事故判定模型的计算结果为确定发生事故时，事故判定模块向风控模块发送计算结果；风控模块应用于车端和/或服务端，依据事故判定模块的计算结果产生事故告警并向预设终端发送事故告警信息。该系统采用边缘计算及个性化入参的形式，保证车辆采集的数据仅在车内使用，通过云端调优更新算法和本地实时入参的形式，保证计算的实时性。
Description
技术领域
本发明涉及一种车辆安全控制系统，具体涉及一种基于边缘计算判定车辆事故并风控的系统。
背景技术
随着车辆数据安全法规的逐步完善和用户对隐私保护的需求增强，传统的车辆碰撞安全算法需要依赖种类繁多的传感器和实时数据云端计算。当前实现车辆车身姿态和碰撞报警监控的实现方式主要有：依靠外接传感器和GPS设备(角速度传感器、加速度传感器、三轴陀螺仪等)；通过外接T-BOX获取安全气囊等被动安全系统信号反馈等。
上述解决方案，存在诸多缺点：需要多种传感器设备后装接入，实现成本高，对于车辆电路安全、电池寿命等存在潜在影响；设备通常由第三方组织接入，且需要将传感器采集各项数据打包上传外部服务器运算，导致用户实时驾驶数据、位置信息静默上传且随时被暴露，易遭非法使用侵害用户数据隐私；由于采用本地采集+云端计算的形式，需要车辆不停地打包上传数据至云端，存在较大数据噪音，受限于天气、高楼、基站等综合空间因素，导致数据包缺失的问题严重影响计算结果，导致判定不准确的情况。
现有方法已不符合行业要求和数据安全法规，在对行车安全越来越关注的今天，需要找到另外一种低成本的，符合数据安全法规要求的安全策略，及时探查车辆行车过程中发生的碰撞事故，在用户的预授权时，能及时通知安全中心对司乘人员实施关怀和救援，保障人民财产安全。
发明内容
本发明目的是提供一种即时判定车辆事故并风控的系统，采用边缘计算及个性化入参的形式，在本地使用较为朴素的算法，利用车辆个性化实时驾驶数据入参，保证车辆采集的数据仅在车内使用，数据安全合规的同时，通过云端调优更新算法和本地实时入参的形式，保证计算的实时性；当事故判定结果置于置信区间内时，依据用户预授权，车辆将结果告知云平台触发安全告警，及时对车辆状态进行确认和事故后救援。
为了实现上述目的，本发明提供一种基于边缘计算判定车辆事故并风控的系统，包括：算法构建模块、事故判定模块、风控模块；其中，
算法构建模块应用于服务端，用于算法构建和调优：算法构建模块利用贝叶斯算法构建事故判定模型，经训练集和验证集调优后，获得准确率和召回率调和平均值最优的事故判定模型，并更新到车机；算法构建模块还将先验概率P(fi|Crash)即：事故发生时包含因素i的概率和P(fi)，发送到事故判定模块，用于代入朴素贝叶斯公式入参计算事故发生概率；
事故判定模块应用于车端，用于将行车数据入参事故判定模型后，计算是否发生事故，所述行车数据包括：静态数据和动态数据，静态数据是车辆数据，动态数据是驾驶数据，当事故判定模型的计算结果为确定发生事故时，事故判定模块向风控模块发送计算结果；
风控模块应用于车端和/或服务端，依据事故判定模块的计算结果产生事故告警并向预设终端发送事故告警信息。
优选的，所述事故判定模块还用于向算法构建模块发送授权信息及计算结果。
优选的，所述算法构建模块基于事故判断结果和事故确认信息，将事故判断结果加入训练集和验证集中，对事故判定模型进行重复测试及调优修正。
优选的，当事故判定模型的计算结果是发生事故处于较高置信区间时，事故判定模型通过风控模块向客服运营终端和车主终端同时发出告警，提醒客服运营终端对该车和该事故保持关注，及时拨打车主联系电话或通过车载E-call向用户提供关怀；提醒车主终端，确认是车主否在车上，或在车主终端无反馈时拨打车主紧急联系人电话。
优选的，所述静态数据包括：车重、车辆类型(例如：SUV、轿车、客货车)，动态数据包括：点火状态、瞬时车速、加速度、GPS定位等。由于车辆的车重、机械结构、用户的驾驶习惯不同会导致不同的事故判定模型的计算结果，因此，将行车数据作为fi的值入参，经由车端的事故判定模块运算，可以得到初步分类结论，还可以避免因行车数据上传导致的数据安全问题。
优选的，所述事故判定模型的公式[1]为：
其中，P(Crash)表示在历史数据中，车辆发生事故的概率，P(f1，f2，...，fn)表示车辆在日常行驶中，同时涉及因素1，因素2...因素n的概率，P(f1，f2，...，fn|Crash)表示在发生事故时，同时包含因素1，因素2...因素n的概率。
更优选的，所述事故判定模型可以引入多因素的朴素贝叶斯公式[2]：：
P(f1,f2,...，fn|Crash)＝P(f1|Crash)*P(f2|Crash)*...*P(fn|Crash)
即：车辆发生碰撞时包含多因素概率P(f1，f2，...，fn|Crash)为发生碰撞事故时单因素的包含概率P(fn|Crash)乘积，而此概率可由公开数据或交管平台历史数据查验得知，将[2]式代入[1]式可得
实际应用中，我们通常将发生事故的主要因素视作相互独立事件，例如酒驾，事故易发地段，连续驾驶超过5小时，直线加速度G值超过合理范围等。
更优选的，在多因素条件下发生碰撞事故的概率[3]：
而求P(fi)可使用全概率公式[4]：
P(fi)＝P(fi|Crash)*P(Crash)+P(fi|Safe)*P(Ssfe)
结合以上四式，可求得用户实际驾驶时在多因素fi影响下发生事故的概率P(f1，f2，...，fn|Crash)，所以在云端算法构建时，需要考虑的是根据事故发生的主要客观因素并合理设置fi。
优选的，由于P(fi|Crash)和P(fi)随着样本数量增大趋于一个稳定值，因此可以一次求解后在某个固定时间段更新下发。
本发明采用边缘计算及个性化入参的形式，在本地使用较为朴素的算法，利用车辆个性化实时驾驶数据入参，保证车辆采集的数据仅在车内使用，数据安全合规的同时，通过云端调优更新算法和本地实时入参的形式，保证计算的实时性；当事故判定结果置于置信区间内时，依据用户预授权，车辆将结果告知云平台触发安全告警，及时对车辆状态进行确认和事故后救援。
附图说明
图1为一种基于边缘计算判定车辆事故并风控的系统的结构示意图
图2为一种基于边缘计算判定车辆事故并风控的系统的另一结构示意图
图3为一种基于边缘计算判定车辆事故并风控的系统的参数情况表
具体实施方式
为清楚描述本发明，现结合附图进一步详细说明。
如图1所示，一种基于边缘计算判定车辆事故并风控的系统，包括：算法构建模块、事故判定模块、风控模块；其中，
算法构建模块应用于云端的服务端，用于算法构建和调优：算法构建模块利用贝叶斯算法构建事故判定模型，经训练集和验证集调优后，获得准确率和召回率调和平均值最优的事故判定模型，并增量通过OTA更新到车机；)算法构建模块还将先验概率P(fi|Crash)即:事故发生时包含因素i的概率和P(fi)发送到事故判定模块,用于代入朴素贝叶斯公式入参计算事故发生概率；
事故判定模块应用于车端，用于将行车数据入参事故判定模型后，计算是否发生事故，所述行车数据包括：静态数据和动态数据，静态数据是车辆数据，动态数据是驾驶数据，当事故判定模型的计算结果为确定发生事故时，事故判定模块向风控模块发送计算结果；
风控模块依据事故判定模块的计算结果产生事故告警并向预设终端发送事故告警信息。风控模块可以应用于车端和/或服务端。
如图3所示，由于每个终端车辆的车重、驾驶习惯、机械结构的不同，因此采用每辆车独立的驾驶数据作为fi的值入参，静态数据包括：车重、车辆类型(SUV、轿车、客货车)；动态数据包括：点火状态、瞬时车速、加速度、GPS定位等，入参后经由车辆本地进行车内运算，并得出初步分类结论。
当风控模块应用于车端时，可以及时、快速地向预设终端发送事故告警信息，例如：告警信息是通过E-Call向车内人员发起主动联系，在人员意识尚存时可以主动与车内人员沟通，尝试提供援助；当车内失去意识时，会尝试对车内人员进行唤醒，当唤醒失败无响应时，告警信息无反馈，则调用服务端风控系统。
当风控模块应用于服务端时，可以通过运营中心锁定事故车，并通知运营人员联系车主手机或其他联系方式，联系失败时或确定车主丧失自救能力时，运营人员可联系当地公安机关和医疗急救部门对车主实施救援。
如图2所示，是一种基于边缘计算判定车辆事故并风控的系统的改进结构，在图1示例的基础上，当事故判定模型的计算结果为确定发生事故时，事故判定模块还向算法构建模块发送授权信息及事故判断结果。
算法构建模块基于事故判断结果和授权信息，将事故判断结果加入训练集和验证集中，对事故判定模型进行重复测试及调优修正。
算法工程师借此判断是否需要对静态参数f_i进行调整并在需要调整时通过OTA下发算法到车端，以保持最高效的边缘计算(不属于边缘计算内容，不在本专利中展开讨论)。
该结构的系统中，事故判定模块、算法构建模块均会向风控模块发送发生事故的计算结果，因而，事故告警信息处于较高置信区间，风控模块会向客服运营终端和车主终端同时发出告警，告警内容分别为提醒客服运营终端对该车和该事故保持关注，及时拨打车主联系电话或通过车载E-call向用户提供关怀；向车主致电确认是否在车上，或在无法联系车主终端时拨打车主紧急联系人电话。
如图1、图2所示的一种基于边缘计算判定车辆事故并风控的系统，技术实施过程中，需要从车端的车载硬件设备采集数据并接收和存储服务端下发的算法模型，同时，通过车端的车载芯片进行计算，因而，系统核心部件包含：
4G网络模组：提供数据收发功能，包含数据包上传/指令接收等；
RAM存储器：算法存储和数据包缓存。当本地判断事故发生时，在用户同意的情况下，需要将时间序列中的一连串数据包缓存并通过网络模块上传服务器。
计算芯片：为边缘计算提供基础算力和算法更新指令执行等专用芯片。
加速度传感器：对车辆加速度G值进行动态采集并存放至RAM中。
专用ECU：使用专用电子控制单元读取CAM总线中ACC状态和瞬时速度数据。
如图1、图2所示的一种基于边缘计算判定车辆事故并风控的系统，所述事故判定模型的公式为：
其中，P(Crash)表示在历史数据中，车辆发生事故的概率，P(f1，f2，...，fn)表示车辆在日常行驶中，同时涉及因素1，因素2...因素n的概率，P(f1，f2，...，fn|Crash)表示在发生事故时，同时包含因素1，因素2...因素n的概率。
而在实际应用中，我们通常将发生事故的主要因素视作相互独立事件，例如酒驾，事故易发地段，连续驾驶超过5小时，直线加速度G值超过合理范围等
故可以引入多因素的朴素贝叶斯公式[2]：：
P(f1，f2，...，fn|Crash)＝P(f1|Crash)*P(f2|Crash)*...*P(fn|Crash)
即：车辆发生碰撞时包含多因素概率P(f1，f2，...，fn|Crash)为发生碰撞事故时单因素的包含概率P(fn|Crash)乘积，而此概率可由公开数据或交管平台历史数据查验得知，将[2]式代入[1]式可得
在多因素条件下发生碰撞事故的概率[3]：
而求P(fi)可使用全概率公式[4]：
P(fi)＝P(fi|Crash)*P(Crash)+P(fi|Safe)*P(Safe)
结合以上四式，可求得用户实际驾驶时在多因素f_i影响下发生事故的概率P(f1,f2,...，fn|Crash)，所以在云端算法构建时，需要考虑的是根据事故发生的主要客观因素并合理设置fi。
由于P(fi|Crash)和P(fi)随着样本数量增大趋于一个稳定值，因此可以一次求解后在某个固定时间段更新下发。
本发明提供一种即时判定车辆事故并风控的系统，采用边缘计算及个性化入参的形式，在本地使用较为朴素的算法，利用车辆个性化实时驾驶数据入参，保证车辆采集的数据仅在车内使用，数据安全合规的同时，通过云端调优更新算法和本地实时入参的形式，保证计算的实时性；当事故判定结果置于置信区间内时，依据用户预授权，车辆将结果告知云平台触发安全告警，及时对车辆状态进行确认和事故后救援。
Claims (9)
1.一种基于边缘计算判定车辆事故并风控的系统，其特征在于，包括：算法构建模块、事故判定模块、风控模块；其中，
算法构建模块应用于服务端，用于算法构建和调优：算法构建模块利用贝叶斯算法构建事故判定模型，经训练集和验证集调优后，获得准确率和召回率调和平均值最优的事故判定模型，并更新到车机；算法构建模块还将先验概率P(fi|Crash)即：事故发生时包含因素i的概率和日常行车过程中具备某种情形fi的概率P(fi)，发送到事故判定模块，用于代入朴素贝叶斯公式入参计算事故发生概率；
事故判定模块应用于车端，用于将行车数据入参事故判定模型后，计算是否发生事故，所述行车数据包括：静态数据和动态数据，静态数据是车辆数据，动态数据是驾驶数据，当事故判定模型的计算结果为确定发生事故时，事故判定模块向风控模块发送计算结果；
风控模块应用于车端和/或服务端，依据事故判定模块的计算结果产生事故告警并向预设终端发送事故告警信息。
2.如权利要求1所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，所述事故判定模块还用于向算法构建模块发送授权信息及计算结果。
3.如权利要求1所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，所述算法构建模块基于事故判断结果和事故确认信息，将事故判断结果加入训练集和验证集中，对事故判定模型进行重复测试及调优修正。
4.如权利要求1所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，当事故判定模型的计算结果是发生事故处于较高置信区间时，事故判定模型通过风控模块向客服运营终端和车主终端同时发出告警。
5.如权利要求1所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，所述静态数据包括：车重、车辆类型，动态数据包括：点火状态、瞬时车速、加速度、GPS定位等。
6.如权利要求1所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，由于P(fi|Crash)和P(fi)随着样本数量增大趋于一个稳定值，因此可以一次求解后在某个固定时间段更新下发。
7.如权利要求1至6任一所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，所述事故判定模型的公式[1]为：
其中，P(Crash)表示在历史数据中，车辆发生事故的概率，P(f1，f2，...，fn)表示车辆在日常行驶中，同时涉及因素1，因素2...因素n的概率，P(f1，f2，...，fn|Crash)表示在发生事故时，同时包含因素1，因素2...因素n的概率。
8.如权利要求7所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，所述事故判定模型可以引入多因素的朴素贝叶斯公式[2]：：
P(f1，f2，...，fn|Crash)＝P(f1|Crash)*P(f2|Crash)*...*P(fn|Crash)
即：车辆发生碰撞时包含多因素概率P(f1，f2，...，fn|Crash)为发生碰撞事故时单因素的包含概率P(fn|Crash)乘积，而此概率可由公开数据或交管平台历史数据查验得知，将[2]式代入[1]式可得
实际应用中，我们通常将发生事故的主要因素视作相互独立事件，例如酒驾，事故易发地段，连续驾驶超过5小时，直线加速度G值超过合理范围等。
9.如权利要求8所述的基于边缘计算判定车辆事故并风控的系统，其特征在于，在多因素条件下发生碰撞事故的概率[3]：
而求P(fi)可使用全概率公式[4]：
P(fi)＝P(fi|Crash)*P(Crash)+P(fi|Safe)*P(Safe)
结合以上四式，可求得用户实际驾驶时在多因素fi影响下发生事故的概率P(f1，f2，...，fn|Crash)，所以在云端算法构建时，需要考虑的是根据事故发生的主要客观因素并合理设置fi。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211726638.4A CN116704747A (zh) | 2022-12-29 | 2022-12-29 | 一种基于边缘计算判定车辆事故并风控的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211726638.4A CN116704747A (zh) | 2022-12-29 | 2022-12-29 | 一种基于边缘计算判定车辆事故并风控的系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116704747A true CN116704747A (zh) | 2023-09-05 |
Family
ID=87831767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211726638.4A Pending CN116704747A (zh) | 2022-12-29 | 2022-12-29 | 一种基于边缘计算判定车辆事故并风控的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116704747A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117553695A (zh) * | 2024-01-11 | 2024-02-13 | 摩斯智联科技有限公司 | 基于宽高比抑制噪声计算车辆高度的方法、装置及计算机存储介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009282873A (ja) * | 2008-05-26 | 2009-12-03 | Hitachi Ltd | ベイジアンネットワークを用いた事故警告通知システム |
| CN104182618A (zh) * | 2014-08-06 | 2014-12-03 | 西安电子科技大学 | 一种基于贝叶斯网络的追尾预警方法 |
| CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
| US20160275797A1 (en) * | 2013-10-31 | 2016-09-22 | Inria Institut National De Recherche En Informatique Et En Automatique | Method and system of driving assistance for collision avoidance |
| US9656606B1 (en) * | 2014-05-30 | 2017-05-23 | State Farm Mutual Automobile Insurance Company | Systems and methods for alerting a driver to vehicle collision risks |
| CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及系统 |
| CN107346612A (zh) * | 2016-05-06 | 2017-11-14 | 中国科学院微电子研究所 | 一种基于车联网的车辆防碰撞方法和系统 |
| CN108280991A (zh) * | 2017-01-05 | 2018-07-13 | 大唐高鸿信息通信研究院（义乌）有限公司 | 车载短距离通信网的车辆交通事故预测方法 |
| CN108281039A (zh) * | 2017-01-05 | 2018-07-13 | 大唐高鸿信息通信研究院（义乌）有限公司 | 适用于车载短距离通信网络的危险路段交通事故预警方法 |
| CN108417033A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 基于多维因素的高速路交通事故分析预测方法 |
| CN109919140A (zh) * | 2019-04-02 | 2019-06-21 | 浙江科技学院 | 车辆碰撞事故责任自动判定方法、系统、设备及存储介质 |
| CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
| CN111666307A (zh) * | 2019-12-03 | 2020-09-15 | 张少军 | 根据场景观察进行直觉推断的无人驾驶安全判断系统 |
| CN112949999A (zh) * | 2021-02-04 | 2021-06-11 | 浙江工业大学 | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 |
| CN113256993A (zh) * | 2021-07-15 | 2021-08-13 | 杭州华鲤智能科技有限公司 | 一种模型训练、分析车辆行驶风险的方法 |
| CN113442852A (zh) * | 2021-06-30 | 2021-09-28 | 三一专用汽车有限责任公司 | 车辆事故告警方法、装置、电子设备及作业机械 |
| CN113538909A (zh) * | 2021-07-13 | 2021-10-22 | 公安部道路交通安全研究中心 | 一种自动驾驶车辆交通事件预测方法及装置 |
| WO2022124429A1 (ko) * | 2020-12-07 | 2022-06-16 | 주식회사 마이렌 | 사고 판단 알고리즘 적용 실시간 긴급구난체계 (e-call) 플랫폼 |
-
2022
- 2022-12-29 CN CN202211726638.4A patent/CN116704747A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009282873A (ja) * | 2008-05-26 | 2009-12-03 | Hitachi Ltd | ベイジアンネットワークを用いた事故警告通知システム |
| US20160275797A1 (en) * | 2013-10-31 | 2016-09-22 | Inria Institut National De Recherche En Informatique Et En Automatique | Method and system of driving assistance for collision avoidance |
| CN104429047A (zh) * | 2014-03-05 | 2015-03-18 | 华为终端有限公司 | 车联网数据处理方法、服务器和终端 |
| US9656606B1 (en) * | 2014-05-30 | 2017-05-23 | State Farm Mutual Automobile Insurance Company | Systems and methods for alerting a driver to vehicle collision risks |
| CN104182618A (zh) * | 2014-08-06 | 2014-12-03 | 西安电子科技大学 | 一种基于贝叶斯网络的追尾预警方法 |
| CN107346612A (zh) * | 2016-05-06 | 2017-11-14 | 中国科学院微电子研究所 | 一种基于车联网的车辆防碰撞方法和系统 |
| CN108281039A (zh) * | 2017-01-05 | 2018-07-13 | 大唐高鸿信息通信研究院（义乌）有限公司 | 适用于车载短距离通信网络的危险路段交通事故预警方法 |
| CN108280991A (zh) * | 2017-01-05 | 2018-07-13 | 大唐高鸿信息通信研究院（义乌）有限公司 | 车载短距离通信网的车辆交通事故预测方法 |
| CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及系统 |
| CN108417033A (zh) * | 2018-03-23 | 2018-08-17 | 四川高路交通信息工程有限公司 | 基于多维因素的高速路交通事故分析预测方法 |
| CN109919140A (zh) * | 2019-04-02 | 2019-06-21 | 浙江科技学院 | 车辆碰撞事故责任自动判定方法、系统、设备及存储介质 |
| CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
| CN111666307A (zh) * | 2019-12-03 | 2020-09-15 | 张少军 | 根据场景观察进行直觉推断的无人驾驶安全判断系统 |
| WO2022124429A1 (ko) * | 2020-12-07 | 2022-06-16 | 주식회사 마이렌 | 사고 판단 알고리즘 적용 실시간 긴급구난체계 (e-call) 플랫폼 |
| CN112949999A (zh) * | 2021-02-04 | 2021-06-11 | 浙江工业大学 | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 |
| CN113442852A (zh) * | 2021-06-30 | 2021-09-28 | 三一专用汽车有限责任公司 | 车辆事故告警方法、装置、电子设备及作业机械 |
| CN113538909A (zh) * | 2021-07-13 | 2021-10-22 | 公安部道路交通安全研究中心 | 一种自动驾驶车辆交通事件预测方法及装置 |
| CN113256993A (zh) * | 2021-07-15 | 2021-08-13 | 杭州华鲤智能科技有限公司 | 一种模型训练、分析车辆行驶风险的方法 |
Non-Patent Citations (5)
| Title |
|---|
| 李颛;郭欣;李勇;孙嘉冬;: "事故多维分析及事故预防系统", 信息技术与信息化, no. 06 * |
| 王少群: "高速公路交通事故概率预测方法研究", 价值工程, 31 December 2014 (2014-12-31) * |
| 秦小虎;刘利;张颖;: "一种基于贝叶斯网络模型的交通事故预测方法", 计算机仿真, no. 11 * |
| 肖烽;杨顺新;: "基于一种组合新模型的翻车事故严重性预测", 公路工程, no. 06 * |
| 魏爱国;王冉冉;李亚玲;解广坤;: "基于贝叶斯网络的车辆交通事故预防研究", 军事交通学院学报, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117553695A (zh) * | 2024-01-11 | 2024-02-13 | 摩斯智联科技有限公司 | 基于宽高比抑制噪声计算车辆高度的方法、装置及计算机存储介质 |
| CN117553695B (zh) * | 2024-01-11 | 2024-05-03 | 摩斯智联科技有限公司 | 计算车辆高度的方法、装置及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8823502B2 (en) | Method and system for implementing a geofence boundary for a tracked asset | |
| US9501875B2 (en) | Methods, systems and apparatus for determining whether any vehicle events specified in notification preferences have occurred | |
| CN108466599A (zh) | 一种车辆监控方法及系统 | |
| WO2017162212A1 (zh) | 求救方法、系统、装置及计算机存储介质 | |
| US20080319665A1 (en) | Methods, systems, and apparatuses for consumer telematics | |
| US20100039216A1 (en) | Crash detection system and method | |
| CN111246380A (zh) | 一种基于电动车辆安全状态的数据传输方法、装置及电动车辆 | |
| CN104091375A (zh) | 基于北斗定位系统的车联网监控系统 | |
| CN104184801A (zh) | 一种综合式的智驾服务系统 | |
| WO2015164611A1 (en) | Automobile alert information system, methods, and apparatus | |
| CN108928317A (zh) | 车载t-box、报警方法及系统 | |
| CN111815989A (zh) | 一种基于c-v2x技术的道路事故救援方法及系统 | |
| CN203870689U (zh) | 基于北斗定位系统的车联网监控系统 | |
| CN205304983U (zh) | 一种车联网监控系统 | |
| JP3951231B2 (ja) | 安全走行情報仲介システムおよびそれに用いる安全走行情報仲介装置と安全走行情報の確認方法 | |
| CN116704747A (zh) | 一种基于边缘计算判定车辆事故并风控的系统 | |
| CN109459018A (zh) | 基于移动4g技术的汽车安全监测装置 | |
| CN109859437A (zh) | 一种报警方法及设备、系统 | |
| CN106448214A (zh) | 一种车载数据的采集和管理系统 | |
| CN111417101A (zh) | 车辆、智能终端及其基于地理位置的车辆应急救援方法 | |
| CN112071090A (zh) | 一种基于车辆监测记录管理系统 | |
| CN116709189A (zh) | 一种车载终端电子围栏功能的测试装置及方法 | |
| CN203305962U (zh) | 基于ZigBee网络的汽车防盗系统 | |
| CN113808423B (zh) | 一种基于高精度地图的应急救援通道调度决策系统 | |
| CN205017463U (zh) | 车载视频安保系统 |
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 |