CN116704792A - 违章预警方法、装置、终端及存储介质 - Google Patents
违章预警方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN116704792A CN116704792A CN202310552184.1A CN202310552184A CN116704792A CN 116704792 A CN116704792 A CN 116704792A CN 202310552184 A CN202310552184 A CN 202310552184A CN 116704792 A CN116704792 A CN 116704792A
- Authority
- CN
- China
- Prior art keywords
- violation
- prediction
- early
- information
- early warning
- 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 49
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/091—Traffic information broadcasting
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- 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)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种违章预警方法、装置、终端及存储介质,方法包括:获取乘车用户的始发地和目的地,然后基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,再基于违章预测信息,输出违章预警信息。本发明通过海量的违章信息学习,在导航系统中设置预测模型,以通过该预测模型提前预测各道路的违章高发地带,当客户的线路即将经过此地带时,提前发出预警,使得客户提高警惕,减少违章的发生,降低车辆违章发生的概率。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种违章预警方法、装置、终端及存储介质。
背景技术
地图导航行业经过多年的发展,运用互联网手段,已经实现了精准的导航,包括道路上的超速提前预警,前方红绿灯提醒,以及前方压线拍照等诸多可能违章的提前预警。
目前,在租车行业,客户取到车辆之后,主要通过车辆自带的导航系统进行导航,或者使用客户自身的手机进行导航。如果选择车辆自带的导航系统或者自身的手机进行导航,会因车辆的配置以及导航APP的选择不同,使得客户收取到的违章预警信息不一致,也可能由于没收到违章预警信息而发生违章事件。
因此,目前的违章预警信息存在滞后性或者信息不对称,易导致违章事件的发生。
发明内容
本申请的主要目的在于提供一种违章预警方法、装置、终端及存储介质,以解决相关技术中存在违章预警信息滞后性或者信息不对称的问题。
为了实现上述目的,第一方面,本申请提供了一种违章预警方法,包括:
获取乘车用户的始发地和目的地;
基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
基于违章预测信息,输出违章预警信息。
在一种可能的实现方式中,基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,包括:
利用车辆导航系统对乘车用户的始发地和目的地间的路径进行规划,得到乘车用户对应的行驶路径;
基于行驶路径和预测模型,得到行驶路径中的违章预测信息。
在一种可能的实现方式中,基于行驶路径和预测模型,得到行驶路径中的违章预测信息,包括:
将行驶路径输入至预测模型中,输出并显示行驶路径中的违章地点对应的违章类型和违章概率。
在一种可能的实现方式中,基于违章预测信息,输出违章预警信息,包括:
识别行驶路径中的违章地点对应的违章类型和违章概率;
基于违章地点对应的违章类型和违章概率,输出违章预警信息。
在一种可能的实现方式中,基于违章地点对应的违章类型和违章概率,输出违章预警信息,包括:
若违章地点对应的违章类型和违章概率满足预设条件,采用单一预警方式输出违章预警信息;
若违章地点对应的违章类型和违章概率不满足预设条件,采用多个预警方式输出违章预警信息。
在一种可能的实现方式中,基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息之前,还包括:
获取违章数据;
基于违章数据对初始模型进行训练,得到预测模型。
在一种可能的实现方式中,基于违章数据对初始模型进行训练,得到预测模型,包括:
将违章数据输入初始模型,待达到迭代阈值,得到预测模型。
第二方面,本发明实施例提供了一种违章预警装置,包括:
获取模块,用于获取乘车用户的始发地和目的地;
预测模块,用于基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
违章预警模块,用于基于违章预测信息,输出违章预警信息。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上任一种违章预警方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上任一种违章预警方法的步骤。
本发明实施例提供了一种违章预警方法、装置、终端及存储介质,包括:获取乘车用户的始发地和目的地,然后基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,再基于违章预测信息,输出违章预警信息。本发明通过海量的违章信息学习,在导航系统中设置预测模型,以通过该预测模型提前预测各道路的违章高发地带,当客户的线路即将经过此地带时,提前发出预警,使得客户提高警惕,减少违章的发生,降低车辆违章发生的概率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本发明实施例提供的一种导航系统的结构示意图;
图2是本发明实施例提供的一种违章预警方法的实现流程图;
图3是本发明实施例提供的一种违章预警装置的结构示意图;
图4是本发明实施例提供的终端的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程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。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
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。
如图1所示,图1是本申请实施例提供的一种导航系统的结构示意图。该电子设备包括处理器、存储器、随机存取存储器(Random Access Memory,RAM)和显示屏。其中,存储器、RAM和显示屏均与处理器连接。
进一步的,电子设备还可以包括扬声器、麦克风、摄像头、通信接口、信号处理器和传感器,扬声器、麦克风、摄像头、信号处理器和传感器均与处理器连接,通信接口与信号处理器连接。
其中,处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器内的软体程序和/或模块,以及调用存储在存储器内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
其中,存储器用于存储软体程序和/或模块,处理器通过运行存储在存储器的软件程序和/或模块,从而执行电子设备的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的软体程序等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
基于图1所描述的导航系统,能够用于执行如下步骤:
获取乘车用户的始发地和目的地;
基于导航系统内设置的预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
基于违章预测信息,输出违章预警信息。
可以看出,本申请实施例所描述的导航系统,可获取乘车用户的始发地和目的地,然后基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,再基于违章预测信息,输出违章预警信息。本发明通过海量的违章信息学习,在导航系统中设置预测模型,以通过该预测模型提前预测各道路的违章高发地带,当客户的线路即将经过此地带时,提前发出预警,使得客户提高警惕,减少违章的发生,降低车辆违章发生的概率。
在一实施例中,如图2所示,本发明提供了一种违章预警方法,应用于图1所示的导航系统,包括以下步骤:
步骤S201:获取乘车用户的始发地和目的地。
当乘车用户获取到车辆后,可在导航系统中直接输入始发地和目的地,其中,输入方式可以为手动输入、在导航地址界面进行选取或者通过语音输入等,此处不作限定。之后,则导航系统可通过乘车用户的输入获取到始发地和目的地,以基于始发地和目的地进行后续的违章预警。例如,乘车用户从郑州获取到车辆,欲驾车去北京,则郑州为始发地,北京为目的地。
步骤S202:基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息。
针对基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,需要先利用车辆导航系统对乘车用户的始发地和目的地间的路径进行规划,得到乘车用户对应的行驶路径,然后基于行驶路径和预测模型,得到行驶路径中的违章预测信息。
当乘车用户将始发地和目的地输入至导航系统后,导航系统会自动规划行驶路径,其中,导航系统规划出的行驶路径一般包括多条,可根据乘车用户的需求进行选择或设置最终的行驶路径。
当乘车用户确定最终的行驶路径后,需要基于行驶路径和导航系统内设置的预测模型,得到行驶路径中的违章预测信息,主要是通过将行驶路径输入至预测模型中,输出并显示行驶路径中的违章地点对应的违章类型和违章概率。其中,违章地点是指行驶路径中的任意地点,如行驶路径为郑州、天津和北京,则违章地点可为郑州、天津和北京中的任意地点,违章地点可为一个或多个。其中,违规类型包括但不限于未按规定车道行驶、酒后驾驶、环形路口未礼让先行、违规停放车辆、转弯未礼让直行车辆或行人、违规占有应急车道行驶/停车、交通事故后逃逸等。其中,未按规定车道行驶包括但不限于左转弯时,未靠路口中心点左侧转弯的12092;左转弯时,未靠路口中心点左侧转弯的1209;左转弯时,未靠路口中心点左侧转弯的;左转弯不靠路口中心行驶1209等。酒后驾驶包括但不限于醉酒后驾驶机动车的6032;醉酒后驾车的,[11101]:未带驾驶证,[70040]:交通警察处理交通事故,因收集证据的需要等。其中,违章概率是指某个违章地点所发生某个违章类型的概率,如郑州发生违规停放车辆的概率为60%。
由于本申请的违章预测信息是通过预测模型预测得出,则在利用此预测模型进行违章预测信息的预测之前,还需要获取预测模型,具体的,基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息之前,还包括:获取违章数据,然后基于违章数据对初始模型进行训练,得到预测模型。其中,违章数据可为全世界、世界任一国家或者国家任一地区的违章数据,违章数据包括但不限于违章地点、违章类型和违章发生概率等。
其中,初始模型可为任意人工智能模型,如卷积神经网络模型、循环神经网络模型等。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks,SIANN)”。对卷积神经网络的研究始于二十世纪80至90年代,时间延迟网络和LeNet-5是最早出现的卷积神经网络;在二十一世纪后,随着深度学习理论的提出和数值计算设备的改进,卷积神经网络得到了快速发展,并被应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉(visual perception)机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。
由于卷积神经网络具有如上特性,因此,以初始模型为神经网络模型为例进行说明,具体的,可获取全国的违章数据,然后将全国的违章数据输入到神经网络模型中,待达到迭代阈值,得到预测模型。其中,经训练获取到的预测模型具有极高的精度和鲁棒性。
步骤S203:基于违章预测信息,输出违章预警信息。
当通过预测模型输出违章预测信息后,可在导航系统中直接在行驶路径中的违章地点处显示其违章类型和违章概率,也可在导航系统的外设显示设备中进行显示。或者,可在通过导航系统对行驶路径中的违章地点处的违章类型和违章概率进行语音播报,其中,播报时间为车辆达到违章地点之前的某个时刻,此处的某个时刻可根据具体需求进行设定,此处不作具体限定。或者,可在导航系统中显示违章地点处显示其违章类型和违章概率,并通过语音进行播报。
进一步的,还可针对违章预测信息进行分析,以获取到违章预警信息。具体的,需要先识别行驶路径中的违章地点对应的违章类型和违章概率,然后基于违章地点对应的违章类型和违章概率,输出违章预警信息。其中,基于违章地点对应的违章类型和违章概率,输出违章预警信息,包括:若违章地点对应的违章类型和违章概率满足预设条件,采用单一预警方式输出违章预警信息;若违章地点对应的违章类型和违章概率不满足预设条件,采用多个预警方式输出违章预警信息。其中,预设条件可根据具体情况设定,此处不限定。
由于违章类型和违章概率有轻重之分,可针对获取得到的违章类型和违章概率进行判断,采用何种方式进行违章预警信息的输出。例如,设预设条件为违章概率小于50%,那么郑州出现违章类型为违规停放车辆的概率为20%满足此条件,则可采用单一预警方式,如语音或文字显示的方式输出违章预警信息;若北京出现违章类型为违规停放车辆的概率为60%,则可采用多个预警方式,如采用语音与文字结合的方式输出违规预警信息。
此外,预警方式不限定于语音、文字,还可为时间、距离等,如违章地点出现违章类型为违规停放车辆,则可在用户到达违章地点前3分钟进行提醒,若违章地点出现违章类型为酒后驾驶,则可在用户距离违章地点3公里时进行提醒。
本发明实施例提供了一种违章预警方法,包括:获取乘车用户的始发地和目的地,然后基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,再基于违章预测信息,输出违章预警信息。本发明通过海量的违章信息学习,在导航系统中设置预测模型,以通过该预测模型提前预测各道路的违章高发地带,当客户的线路即将经过此地带时,提前发出预警,使得客户提高警惕,减少违章的发生,降低车辆违章发生的概率。
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3示出了本发明实施例提供的一种违章预警装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,一种违章预警装置包括获取模块31、预测模块32和违章预警模块33,具体如下:
获取模块31,用于获取乘车用户的始发地和目的地;
预测模块32,用于基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
违章预警模块33,用于基于违章预测信息,输出违章预警信息。
在一种可能的实现方式中,预测模块32还用于利用车辆导航系统对乘车用户的始发地和目的地间的路径进行规划,得到乘车用户对应的行驶路径;
基于行驶路径和预测模型,得到行驶路径中的违章预测信息。
在一种可能的实现方式中,预测模块32还用于将行驶路径输入至预测模型中,输出并显示行驶路径中的违章地点对应的违章类型和违章概率。
在一种可能的实现方式中,违章预警模块33还用于识别行驶路径中的违章地点对应的违章类型和违章概率;
基于违章地点对应的违章类型和违章概率,输出违章预警信息。
在一种可能的实现方式中,违章预警模块33还用于若违章地点对应的违章类型和违章概率满足预设条件,采用单一预警方式输出违章预警信息;
若违章地点对应的违章类型和违章概率不满足预设条件,采用多个预警方式输出违章预警信息。
在一种可能的实现方式中,预测模块32之前,还包括模型训练模块,模型训练模块用于获取违章数据;
基于违章数据对初始模型进行训练,得到预测模型。
在一种可能的实现方式中,模型训练模块还用于将违章数据输入初始模型,待达到迭代阈值,得到预测模型。
图4是本发明实施例提供的终端的示意图。如图4所示,该实施例的终端4包括:处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43。处理器41执行计算机程序43时实现上述各个违章预警方法实施例中的步骤,例如图2所示的步骤201至步骤203。或者,处理器41执行计算机程序43时实现上述各个违章预警装置实施例中各模块/单元的功能,例如图3所示模块/单元31至33的功能。
本发明还提供一种可读存储介质,可读存储介质中存储有计算机程序,计算机程序被处理器执行时用于实现上述的各种实施方式提供的违章预警方法,包括:
获取乘车用户的始发地和目的地;
基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
基于违章预测信息,输出违章预警信息。
在一种可能的实现方式中,基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,包括:
利用车辆导航系统对乘车用户的始发地和目的地间的路径进行规划,得到乘车用户对应的行驶路径;
基于行驶路径和预测模型,得到行驶路径中的违章预测信息。
在一种可能的实现方式中,基于行驶路径和预测模型,得到行驶路径中的违章预测信息,包括:
将行驶路径输入至预测模型中,输出并显示行驶路径中的违章地点对应的违章类型和违章概率。
在一种可能的实现方式中,基于违章预测信息,输出违章预警信息,包括:
识别行驶路径中的违章地点对应的违章类型和违章概率;
基于违章地点对应的违章类型和违章概率,输出违章预警信息。
在一种可能的实现方式中,基于违章地点对应的违章类型和违章概率,输出违章预警信息,包括:
若违章地点对应的违章类型和违章概率满足预设条件,采用单一预警方式输出违章预警信息;
若违章地点对应的违章类型和违章概率不满足预设条件,采用多个预警方式输出违章预警信息。
在一种可能的实现方式中,基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息之前,还包括:
获取违章数据;
基于违章数据对初始模型进行训练,得到预测模型。
在一种可能的实现方式中,基于违章数据对初始模型进行训练,得到预测模型,包括:
将违章数据输入初始模型,待达到迭代阈值,得到预测模型。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的违章预警方法,包括:
获取乘车用户的始发地和目的地;
基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
基于违章预测信息,输出违章预警信息。
在一种可能的实现方式中,基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息,包括:
利用车辆导航系统对乘车用户的始发地和目的地间的路径进行规划,得到乘车用户对应的行驶路径;
基于行驶路径和预测模型,得到行驶路径中的违章预测信息。
在一种可能的实现方式中,基于行驶路径和预测模型,得到行驶路径中的违章预测信息,包括:
将行驶路径输入至预测模型中,输出并显示行驶路径中的违章地点对应的违章类型和违章概率。
在一种可能的实现方式中,基于违章预测信息,输出违章预警信息,包括:
识别行驶路径中的违章地点对应的违章类型和违章概率;
基于违章地点对应的违章类型和违章概率,输出违章预警信息。
在一种可能的实现方式中,基于违章地点对应的违章类型和违章概率,输出违章预警信息,包括:
若违章地点对应的违章类型和违章概率满足预设条件,采用单一预警方式输出违章预警信息;
若违章地点对应的违章类型和违章概率不满足预设条件,采用多个预警方式输出违章预警信息。
在一种可能的实现方式中,基于预测模型、乘车用户的始发地和目的地,得到行驶路径中的违章预测信息之前,还包括:
获取违章数据;
基于违章数据对初始模型进行训练,得到预测模型。
在一种可能的实现方式中,基于违章数据对初始模型进行训练,得到预测模型,包括:
将违章数据输入初始模型,待达到迭代阈值,得到预测模型。
在上述设备的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
以上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 (10)
1.一种违章预警方法,其特征在于,包括:
获取乘车用户的始发地和目的地;
基于预测模型、所述乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
基于所述违章预测信息,输出违章预警信息。
2.如权利要求1所述违章预警方法,其特征在于,所述基于预测模型、所述乘车用户的始发地和目的地,得到所述行驶路径中的违章预测信息,包括:
利用车辆导航系统对所述乘车用户的始发地和目的地间的路径进行规划,得到所述乘车用户对应的行驶路径;
基于所述行驶路径和预测模型,得到所述行驶路径中的违章预测信息。
3.如权利要求2所述违章预警方法,其特征在于,所述基于所述行驶路径和预测模型,得到所述行驶路径中的违章预测信息,包括:
将所述行驶路径输入至所述预测模型中,输出并显示所述行驶路径中的违章地点对应的违章类型和违章概率。
4.如权利要求3所述违章预警方法,其特征在于,所述基于所述违章预测信息,输出违章预警信息,包括:
识别所述行驶路径中的违章地点对应的违章类型和违章概率;
基于所述违章地点对应的违章类型和违章概率,输出违章预警信息。
5.如权利要求4所述违章预警方法,其特征在于,所述基于所述违章地点对应的违章类型和违章概率,输出违章预警信息,包括:
若所述违章地点对应的违章类型和违章概率满足预设条件,采用单一预警方式输出所述违章预警信息;
若所述违章地点对应的违章类型和违章概率不满足预设条件,采用多个预警方式输出所述违章预警信息。
6.如权利要求1所述违章预警方法,其特征在于,所述基于预测模型、所述乘车用户的始发地和目的地,得到所述行驶路径中的违章预测信息之前,还包括:
获取违章数据;
基于所述违章数据对初始模型进行训练,得到所述预测模型。
7.如权利要求6所述违章预警方法,其特征在于,所述基于所述违章数据对初始模型进行训练,得到所述预测模型,包括:
将所述违章数据输入所述初始模型,待达到迭代阈值,得到所述预测模型。
8.一种违章预警装置,其特征在于,包括:
获取模块,用于获取乘车用户的始发地和目的地;
预测模块,用于基于预测模型、所述乘车用户的始发地和目的地,得到行驶路径中的违章预测信息;
违章预警模块,用于基于所述违章预测信息,输出违章预警信息。
9.一种终端,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权利要求1至7中任一项所述违章预警方法的步骤。
10.一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所述计算机程序时实现如权利要求1至7中任一项所述违章预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552184.1A CN116704792A (zh) | 2023-05-16 | 2023-05-16 | 违章预警方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552184.1A CN116704792A (zh) | 2023-05-16 | 2023-05-16 | 违章预警方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704792A true CN116704792A (zh) | 2023-09-05 |
Family
ID=87828390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552184.1A Pending CN116704792A (zh) | 2023-05-16 | 2023-05-16 | 违章预警方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704792A (zh) |
-
2023
- 2023-05-16 CN CN202310552184.1A patent/CN116704792A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11664043B2 (en) | Real-time verbal harassment detection system | |
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
US11060882B2 (en) | Travel data collection and publication | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
US20150057869A1 (en) | Locality adapted computerized assisted or autonomous driving of vehicles | |
US20160123750A1 (en) | Navigation Systems that Enhance Driver Awareness | |
CN110781768A (zh) | 目标对象检测方法和装置、电子设备和介质 | |
US20210357662A1 (en) | Ground truth based metrics for evaluation of machine learning based models for predicting attributes of traffic entities for navigating autonomous vehicles | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
US20210201893A1 (en) | Pattern-based adaptation model for detecting contact information requests in a vehicle | |
CN113723528A (zh) | 车载语视融合多模态交互方法及系统、设备、存储介质 | |
CN111209797A (zh) | 一种驾驶行为监控的方法、装置、设备和存储介质 | |
WO2021138319A1 (en) | Training mechanism of verbal harassment detection systems | |
CN116597422A (zh) | 一种基于图像数据的道路预警方法、装置及电子设备 | |
JP7354888B2 (ja) | 情報処理装置、プログラム、及び、情報処理方法 | |
CN111696347A (zh) | 一种自动化分析交通事件信息的方法和装置 | |
CN116704792A (zh) | 违章预警方法、装置、终端及存储介质 | |
CN115859219A (zh) | 多模态交互方法、装置、设备及存储介质 | |
CN113160567B (zh) | 车辆辅助驾驶方法、装置、车辆、服务器及存储介质 | |
CN116767182A (zh) | 用于自主机器系统和应用的基于感知的停车辅助 | |
CN115465285A (zh) | 基于行驶过程的车辆语音控制方法及相关装置 | |
CN114154510A (zh) | 自动驾驶车辆的控制方法、装置、电子设备及存储介质 | |
CN114722931A (zh) | 车载数据处理方法、装置、数据采集设备和存储介质 | |
CN114627400A (zh) | 一种车道拥堵检测方法、装置、电子设备和存储介质 |
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 |