CN116863700A - 事故风险区域识别方法、装置、电子设备及存储介质 - Google Patents
事故风险区域识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116863700A CN116863700A CN202310944246.3A CN202310944246A CN116863700A CN 116863700 A CN116863700 A CN 116863700A CN 202310944246 A CN202310944246 A CN 202310944246A CN 116863700 A CN116863700 A CN 116863700A
- Authority
- CN
- China
- Prior art keywords
- area
- vehicle
- determined
- position information
- accident risk
- 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 76
- 230000009471 action Effects 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G08G1/0108—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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了事故风险区域识别方法、装置、电子设备及存储介质,涉及大数据处理、智能交通以及智能导航等人工智能领域。所述方法可包括:获取各车辆上报的位置信息,所述位置信息为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的位置信息;针对获取到的任一位置信息,分别确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于待判定区域中的位置信息数量,确定出待判定区域是否为事故风险区域;将事故风险区域通知给对应的车端应用,用于车端应用针对事故风险区域对所在车辆的驾驶员进行风险提示。应用本公开所述方案,可提升车辆行驶的安全性等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及大数据处理、智能交通以及智能导航等领域的事故风险区域识别方法、装置、电子设备及存储介质。
背景技术
目前,汽车已经成为人们出行必不可少的交通工具,而安全出行对于每个人来说都是非常重要的,相应地,识别出事故风险区域,以便针对事故风险区域对驾驶员进行风险提示是非常必要的。
发明内容
本公开提供了事故风险区域识别方法、装置、电子设备及存储介质。
一种事故风险区域识别方法,包括:
获取各车辆上报的位置信息,所述位置信息为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的位置信息;
针对获取到的任一位置信息,分别确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,确定出所述待判定区域是否为事故风险区域;
将所述事故风险区域通知给对应的车端应用,用于所述车端应用针对所述事故风险区域对所在车辆的驾驶员进行风险提示。
一种事故风险区域识别方法,包括:
在待处理车辆的行驶过程中,响应于确定发生紧急刹车行为,将所述待处理车辆的位置信息上报给后台服务器;
从所述后台服务器获取事故风险区域,并针对所述事故风险区域对所述待处理车辆的驾驶员进行风险提示,所述事故风险区域为所述后台服务器根据获取到的任一车辆上报的位置信息确定出对应的待判定区域后、根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量对所述待判定区域进行识别后得到的,所述识别为是否为事故风险区域的识别。
一种事故风险区域识别装置,包括:获取模块、确定模块以及通知模块;
所述获取模块,用于获取各车辆上报的位置信息,所述位置信息为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的位置信息;
所述确定模块,用于针对获取到的任一位置信息,分别确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,确定出所述待判定区域是否为事故风险区域;
所述通知模块,用于将所述事故风险区域通知给对应的车端应用,用于所述车端应用针对所述事故风险区域对所在车辆的驾驶员进行风险提示。
一种事故风险区域识别装置,包括:上报模块以及提示模块;
所述上报模块,用于在待处理车辆的行驶过程中,响应于确定发生紧急刹车行为,将所述待处理车辆的位置信息上报给后台服务器;
所述提示模块,用于从所述后台服务器获取事故风险区域,并针对所述事故风险区域对所述待处理车辆的驾驶员进行风险提示,所述事故风险区域为所述后台服务器根据获取到的任一车辆上报的位置信息确定出对应的待判定区域后、根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量对所述待判定区域进行识别后得到的,所述识别为是否为事故风险区域的识别。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如以上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开所述事故风险区域识别方法第一实施例的流程图;
图2为本公开所述事故风险区域识别方法第二实施例的流程图;
图3为本公开所述导航过程中的风险提示过程示意图;
图4为本公开所述事故风险区域识别装置第一实施例400的组成结构示意图;
图5为本公开所述事故风险区域识别装置第二实施例500的组成结构示意图;
图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“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,A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。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述事故风险区域识别方法第一实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,获取各车辆上报的位置信息,所述位置信息为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的位置信息。
在步骤102中,针对获取到的任一位置信息,分别确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于待判定区域中的位置信息数量,确定出待判定区域是否为事故风险区域。
在步骤103中,将事故风险区域通知给对应的车端应用,用于车端应用针对事故风险区域对所在车辆的驾驶员进行风险提示。
传统方式中,主要由交管部门根据对已经发生的真实事故进行分析统计等确定出事故风险区域,并相应地进行风险提示,比如,驾驶员在借助于导航应用行车的过程中,可通过语音播报的方式对驶入的事故风险区域进行风险提示,如所述语音可为“该区域为事故多发区域,请谨慎驾驶”。但这种方式可能会遗漏一些潜在的/可能的事故风险区域,从而降低了车辆行驶的安全性,进而影响了驾驶员以及车辆乘坐人员的出行安全性等。
而采用上述方法实施例所述方案,可基于驾驶员的紧急刹车行为,通过大数据分析的方式确定出可能的事故风险区域,作为对按照传统方式确定出的事故风险区域的有效补充,并相应地进行风险提示,从而提升了车辆行驶的安全性,进而提升了驾驶员以及车辆乘坐人员的出行安全性等。
在实际应用中,图1所示实施例的执行主体可为后台服务器。
后台服务器可获取各个车辆上报的位置信息,所述位置信息可为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的所在车辆的位置信息。相应地,后台服务器可对获取到的位置信息进行实时处理,如确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于待判定区域中的位置信息数量,确定出待判定区域是否为事故风险区域。
优选地,针对任一位置信息,可将所述位置信息分别沿所在道路向前方和后方各延长预定距离,将延长后得到的道路区域作为待判定区域。
所述位置信息可以是指经纬度信息,另外,紧急刹车行为通常会持续较短的一段时间,可将紧急刹车行为结束时的车辆位置信息作为上报的位置信息。
所述预定距离的具体取值可根据实际需要而定,而且,前方和后方延长的预定距离可以相同,也可以不同,以相同为例,可分别延长250米或分别延长500米等。
通过上述处理,可简单方便地确定出待判定区域,从而为后续处理奠定了良好的基础。
其中,所述根据最近第一预定时长内获取到的位于待判定区域中的位置信息数量,确定出待判定区域是否为事故风险区域的方式可包括方式1)和方式2),以下分别进行介绍。
方式1)
优选地,可统计最近第一预定时长内获取到的位于待判定区域中的位置信息数量,并可将统计结果与第一阈值进行比较,响应于确定统计结果大于第一阈值,可确定待判定区域为事故风险区域。
第一预定时长和第一阈值的具体取值均可根据实际需要而定,比如,第一预定时长的取值可为六个月,第一阈值的取值可为60。
也就是说,可针对所有车辆,统计最近六个月内获取到的位于待判定区域中的位置信息数量,即统计最近六个月内发生在待判定区域中的紧急刹车行为次数,如果统计结果大于60,那么则可将待判定区域确定为事故风险区域,即确定为易发事故区域。
方式2)
优选地,可将最近第一预定时长平均划分为至少两个子时长,并可分别统计出每个子时长内获取到的位于待判定区域中的位置信息数量,之后可将各统计结果分别与对应的子时长的权重相乘,并将各乘积相加,将相加之和作为待判定区域的风险评分,进一步地,响应于确定所述风险评分大于第二阈值,可确定待判定区域为事故风险区域。其中,第二阈值的具体取值可根据实际需要而定。另外,优选地,对于任意两个不同的子时长,距离当前时间越近,对应的权重可越大。
比如,可将最近六个月平均划分为3个子时长,按照时间由先到后的顺序分别为子时长1、子时长2和子时长3,每个子时长可分别为两个月,子时长1、子时长2和子时长3可分别对应各自的权重,并且,子时长1的权重可小于子时长2的权重,子时长2的权重可小于子时长3的权重,针对每个子时长,可分别统计出该子时长内获取到的位于待判定区域中的位置信息数量,相应地,可得到3个统计结果,之后可将3个统计结果分别与对应的权重相乘,得到3个乘积,进而可将3个乘积相加,从而得到待判定区域的风险评分,进而可将得到的风险评分与第二阈值进行比较,若得到的风险评分大于第二阈值,则可确定待判定区域为事故风险区域。
可以看出,方式1)的实现更为简单,从而可提升处理效率,而方式2)中考虑了时间因素,即考虑到越为接近当前时间的上报,通常越能反映当前的事故风险情况,因此,可赋予较大的权重,反之,可赋予较小的权重,相应地,可提升处理结果的准确性,在实际应用中,可根据实际需要来选择使用方式1)还是方式2),非常的灵活方便。
优选地,对于任一待判定区域,响应于确定待判定区域为非事故风险区域,但最近第二预定时长内获取到的位于待判定区域中的位置信息数量大于第三阈值,可确定待判定区域为临时风险区域,并可将临时风险区域通知给对应的车端应用,用于车端应用针对临时风险区域对所在车辆的驾驶员进行风险提示,第二预定时长小于第一预定时长。
第二预定时长以及第三阈值的具体取值均可根据实际需要而定。通常来说,第二预定时长的取值可远小于第一预定时长,比如,第一预定时长的取值可为6个月,第二预定时长的取值可为5分钟。
也就是说,虽然某一待判定区域不是事故风险区域,但如果最近5分钟内获取到的位于待判定区域中的位置信息数量大于第三阈值,如大于8,即最近5分钟内在待判定区域中发生了大于8次的紧急刹车行为,那么可将待判定区域确定为临时风险区域。
比如,车辆在高速上行驶时遇到团雾,非常容易发生事故,如果确定在最近5分钟内在待判定区域(即发生团雾的区域)中发生了大于8次的紧急刹车行为,那么可将该区域确定为临时风险区域,从而为后面的驾驶员做出风险提示,提醒其注意驾驶,以避免可能发生的危险,进而进一步提升了车辆行驶的安全性等。
以上主要从后台服务器一侧对本公开所述方案进行说明,以下从车端应用一侧对本公开所述方案进行进一步说明。
图2为本公开所述事故风险区域识别方法第二实施例的流程图。如图2所示,包括以下具体实现方式。
在步骤201中,在待处理车辆的行驶过程中,响应于确定发生紧急刹车行为,将待处理车辆的位置信息上报给后台服务器。
在步骤202中,从后台服务器获取事故风险区域,并针对事故风险区域对待处理车辆的驾驶员进行风险提示,事故风险区域为后台服务器根据获取到的任一车辆上报的位置信息确定出对应的待判定区域后、根据最近第一预定时长内获取到的位于待判定区域中的位置信息数量对待判定区域进行识别后得到的,所述识别为是否为事故风险区域的识别。
采用上述方法实施例所述方案,可基于驾驶员的紧急刹车行为,通过大数据分析的方式确定出可能的事故风险区域,作为对按照传统方式确定出的事故风险区域的有效补充,并相应地进行风险提示,从而提升了车辆行驶的安全性,进而提升了驾驶员以及车辆乘坐人员的出行安全性等。
优选地,所述确定发生紧急刹车行为可包括:响应于确定在第三预定时长内待处理车辆的行驶速度的衰减幅度大于第四阈值,确定发生紧急刹车行为。
第三预定时长以及第四阈值的具体取值均可根据实际需要而定。
比如,可实时地获取待处理车辆的惯性测量单元(IMU,InertialMeasurementUnit)数据,并可从中获取待处理车辆的行驶速度以及对应的时间戳信息,相应地,假设确定在任意的2秒时间内,待处理车辆的行驶速度发生了较大变化,即衰减幅度大于第四阈值,那么则可确定发生了紧急刹车行为。
通过上述方式,可高效准确地识别出驾驶员的紧急刹车行为,并可上报到后台服务器,供其进行统计分析等。
优选地,所述第四阈值可包括:待处理车辆所在(当前所在)的道路类型对应的第四阈值,不同的道路类型可分别对应各自的第四阈值。
道路类型可以是指高速道路、城市道路、乡村道路等,如何分类不作限制。针对不同的道路类型,可分别设置对应的第四阈值,如高速道路上的车辆的行驶速度通常较快,因此对应的第四阈值的取值可较大。
比如,假设待处理车辆所在的道路类型为高速道路,其行驶速度在2秒之内从120(单位可为km/h,其它相同,不再赘述)降低为了40,衰减幅度为80,大于对应的第四阈值,如60,那么则可确定发生了紧急刹车行为,或者,其行驶速度在2秒之内从70降低为了0,衰减幅度为70,大于对应的第四阈值,那么也可确定发生了紧急刹车行为。
再比如,假设待处理车辆所在的道路类型为乡村道路,其行驶速度在2秒之内从40降低为了0,衰减幅度为40,大于对应的第四阈值,如30,那么也可确定发生了紧急刹车行为。
上述处理方式中,通过对不同的道路类型分别设置对应的第四阈值,可进一步提升紧急刹车行为的识别结果的准确性。
优选地,还可从后台服务器获取临时风险区域,并可针对临时风险区域对待处理车辆的驾驶员进行风险提示,临时风险区域为后台服务器确定任一待判定区域为非事故风险区域后、根据最近第二预定时长内获取到的位于待判定区域中的位置信息数量对待判定区域进行二次识别后得到的,所述二次识别为是否为临时风险区域的识别,第二预定时长小于第一预定时长。
通常来说,第二预定时长的取值可远小于第一预定时长,比如,第一预定时长可为6个月,第二预定时长可为5分钟。
也就是说,虽然某一待判定区域不是事故风险区域,但如果最近5分钟内获取到的位于待判定区域中的位置信息数量大于第三阈值,如大于8,即最近5分钟内在待判定区域中发生了大于8次的紧急刹车行为,那么可将待判定区域确定为临时风险区域。
另外,优选地,获取的事故风险区域可包括:待处理车辆将要驶入或已经驶入的事故风险区域;所述将要驶入可包括:与待处理车辆之间的距离小于第五阈值;获取的临时风险区域可包括:待处理车辆将要驶入或已经驶入的临时风险区域。第五阈值的具体取值可根据实际需要而定。
优选地,上述各实施例中的车端应用可为导航应用,如具有导航功能的地图应用等,相应地,所述风险提示可为导航过程中的语音提示,从而可提升导航应用的性能等。
结合上述介绍,图3为本公开所述导航过程中的风险提示过程示意图。如图3所示,可包括以下具体实现方式。
在步骤301中,导航应用启动。
在步骤302中,在待处理车辆按照导航应用所规划的导航路线行驶的过程中,导航应用实时地采集驾驶员的紧急刹车行为,并将对应的位置信息上报给后台服务器。
在步骤303中,后台服务器结合各车辆上报的位置信息确定出事故风险区域。
在步骤304中,导航应用与后台服务器进行实时交互,获取事故风险区域,并在待处理车辆将要驶入事故风险区域或驶入事故风险区域后,通过语音提示驾驶员小心驾驶。
即可在待处理车辆将要驶入事故风险区域时,如在待处理车辆与事故风险区域之间的距离小于第五阈值时,提前通过语音提示驾驶员小心驾驶,或者,也可在待处理车辆驶入事故风险区域后,再通过语音提示驾驶员小心驾驶,另外,如果需要,也可在驶入前和驶入后均进行语音提示。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4为本公开所述事故风险区域识别装置第一实施例400的组成结构示意图。如图4所示,其中可包括:获取模块401、确定模块402以及通知模块403。
获取模块401,用于获取各车辆上报的位置信息,所述位置信息为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的位置信息。
确定模块402,用于针对获取到的任一位置信息,分别确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于待判定区域中的位置信息数量,确定出待判定区域是否为事故风险区域。
通知模块403,用于将事故风险区域通知给对应的车端应用,用于车端应用针对事故风险区域对所在车辆的驾驶员进行风险提示。
采用上述装置实施例所述方案,可基于驾驶员的紧急刹车行为,通过大数据分析的方式确定出可能的事故风险区域,作为对按照传统方式确定出的事故风险区域的有效补充,并相应地进行风险提示,从而提升了车辆行驶的安全性,进而提升了驾驶员以及车辆乘坐人员的出行安全性等。
优选地,针对任一位置信息,确定模块402可将所述位置信息分别沿所在道路向前方和后方各延长预定距离,将延长后得到的道路区域作为待判定区域。
另外,优选地,确定模块402可统计最近第一预定时长内获取到的位于待判定区域中的位置信息数量,并可将统计结果与第一阈值进行比较,响应于确定统计结果大于第一阈值,可确定待判定区域为事故风险区域。
或者,优选地,确定模块402可将最近第一预定时长平均划分为至少两个子时长,并可分别统计出每个子时长内获取到的位于待判定区域中的位置信息数量,之后可将各统计结果分别与对应的子时长的权重相乘,并将各乘积相加,将相加之和作为待判定区域的风险评分,进一步地,响应于确定所述风险评分大于第二阈值,可确定待判定区域为事故风险区域,其中,对于任意两个不同的子时长,距离当前时间越近,对应的权重可越大。
优选地,对于任一待判定区域,确定模块402响应于确定待判定区域为非事故风险区域,但最近第二预定时长内获取到的位于待判定区域中的位置信息数量大于第三阈值,可确定待判定区域为临时风险区域,相应地,通知模块403可将临时风险区域通知给对应的车端应用,用于车端应用针对临时风险区域对所在车辆的驾驶员进行风险提示,第二预定时长小于第一预定时长。通常来说,第二预定时长的取值远小于第一预定时长。
另外,优选地,所述车端应用可包括:导航应用。
图5为本公开所述事故风险区域识别装置第二实施例500的组成结构示意图。如图5所示,其中可包括:上报模块501以及提示模块502。
上报模块501,用于在待处理车辆的行驶过程中,响应于确定发生紧急刹车行为,将待处理车辆的位置信息上报给后台服务器。
提示模块502,用于从后台服务器获取事故风险区域,并针对事故风险区域对待处理车辆的驾驶员进行风险提示,事故风险区域为后台服务器根据获取到的任一车辆上报的位置信息确定出对应的待判定区域后、根据最近第一预定时长内获取到的位于待判定区域中的位置信息数量对待判定区域进行识别后得到的,所述识别为是否为事故风险区域的识别。
采用上述装置实施例所述方案,可基于驾驶员的紧急刹车行为,通过大数据分析的方式确定出可能的事故风险区域,作为对按照传统方式确定出的事故风险区域的有效补充,并相应地进行风险提示,从而提升了车辆行驶的安全性,进而提升了驾驶员以及车辆乘坐人员的出行安全性等。
优选地,上报模块501响应于确定在第三预定时长内待处理车辆的行驶速度的衰减幅度大于第四阈值,确定发生紧急刹车行为。
优选地,所述第四阈值可包括:待处理车辆所在的道路类型对应的第四阈值,不同的道路类型可分别对应各自的第四阈值。
另外,优选地,提示模块502还可从后台服务器获取临时风险区域,并可针对临时风险区域对待处理车辆的驾驶员进行风险提示,临时风险区域为后台服务器确定任一待判定区域为非事故风险区域后、根据最近第二预定时长内获取到的位于待判定区域中的位置信息数量对待判定区域进行二次识别后得到的,所述二次识别为是否为临时风险区域的识别,第二预定时长小于第一预定时长。通常来说,第二预定时长的取值远小于第一预定时长。
优选地,获取的事故风险区域可包括:待处理车辆将要驶入或已经驶入的事故风险区域;所述将要驶入可包括:与待处理车辆之间的距离小于第五阈值;获取的临时风险区域可包括:待处理车辆将要驶入或已经驶入的临时风险区域。
图4和图5所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开所述方案,可提升车辆行驶的安全性,从而提升了驾驶员以及车辆乘坐人员的出行安全性等。
本公开所述方案可应用于人工智能领域,特别涉及大数据处理、智能交通以及智能导航等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
另外,本公开所述实施例中的紧急刹车行为等并不是针对某一特定用户的,并不能反映出某一特定用户的个人信息。本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (27)
1.一种事故风险区域识别方法,包括:
获取各车辆上报的位置信息,所述位置信息为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的位置信息;
针对获取到的任一位置信息,分别确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,确定出所述待判定区域是否为事故风险区域;
将所述事故风险区域通知给对应的车端应用,用于所述车端应用针对所述事故风险区域对所在车辆的驾驶员进行风险提示。
2.根据权利要求1所述的方法,其中,
所述确定出对应的待判定区域包括:将所述位置信息分别沿所在道路向前方和后方各延长预定距离,将延长后得到的道路区域作为所述待判定区域。
3.根据权利要求1所述的方法,其中,
所述根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,确定出所述待判定区域是否为事故风险区域包括:
统计所述最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,将统计结果与第一阈值进行比较,响应于确定所述统计结果大于所述第一阈值,确定所述待判定区域为所述事故风险区域。
4.根据权利要求1所述的方法,其中,
所述根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,确定出所述待判定区域是否为事故风险区域包括:
将所述最近第一预定时长平均划分为至少两个子时长,分别统计出每个子时长内获取到的位于所述待判定区域中的位置信息数量;
将各统计结果分别与对应的子时长的权重相乘,并将各乘积相加,将相加之和作为所述待判定区域的风险评分;
响应于确定所述风险评分大于第二阈值,确定所述待判定区域为所述事故风险区域。
5.根据权利要求4所述的方法,其中,
对于任意两个不同的子时长,距离当前时间越近,对应的权重越大。
6.根据权利要求1所述的方法,还包括:
响应于确定所述待判定区域为非事故风险区域,但最近第二预定时长内获取到的位于所述待判定区域中的位置信息数量大于第三阈值,确定所述待判定区域为临时风险区域,并将所述临时风险区域通知给对应的车端应用,用于所述车端应用针对所述临时风险区域对所在车辆的驾驶员进行风险提示,所述第二预定时长小于所述第一预定时长。
7.根据权利要求1~6中任一项所述的方法,其中,
所述车端应用包括:导航应用。
8.一种事故风险区域识别方法,包括:
在待处理车辆的行驶过程中,响应于确定发生紧急刹车行为,将所述待处理车辆的位置信息上报给后台服务器;
从所述后台服务器获取事故风险区域,并针对所述事故风险区域对所述待处理车辆的驾驶员进行风险提示,所述事故风险区域为所述后台服务器根据获取到的任一车辆上报的位置信息确定出对应的待判定区域后、根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量对所述待判定区域进行识别后得到的,所述识别为是否为事故风险区域的识别。
9.根据权利要求8所述的方法,其中,
所述确定发生紧急刹车行为包括:响应于确定在第三预定时长内所述待处理车辆的行驶速度的衰减幅度大于第四阈值,确定发生所述紧急刹车行为。
10.根据权利要求9所述的方法,其中,
所述第四阈值包括:所述待处理车辆所在的道路类型对应的第四阈值,不同的道路类型分别对应各自的第四阈值。
11.根据权利要求8~10中任一项所述的方法,还包括:
从所述后台服务器获取临时风险区域,并针对所述临时风险区域对所述待处理车辆的驾驶员进行风险提示,所述临时风险区域为所述后台服务器确定任一待判定区域为非事故风险区域后、根据最近第二预定时长内获取到的位于所述待判定区域中的位置信息数量对所述待判定区域进行二次识别后得到的,所述二次识别为是否为临时风险区域的识别,所述第二预定时长小于所述第一预定时长。
12.根据权利要求11所述的方法,其中,
获取的事故风险区域包括:所述待处理车辆将要驶入或已经驶入的事故风险区域;所述将要驶入包括:与所述待处理车辆之间的距离小于第五阈值;
获取的临时风险区域包括:所述待处理车辆将要驶入或已经驶入的临时风险区域。
13.一种事故风险区域识别装置,包括:获取模块、确定模块以及通知模块;
所述获取模块,用于获取各车辆上报的位置信息,所述位置信息为车端应用确定所在车辆在行驶过程中发生紧急刹车行为时上报的位置信息;
所述确定模块,用于针对获取到的任一位置信息,分别确定出对应的待判定区域,并根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,确定出所述待判定区域是否为事故风险区域;
所述通知模块,用于将所述事故风险区域通知给对应的车端应用,用于所述车端应用针对所述事故风险区域对所在车辆的驾驶员进行风险提示。
14.根据权利要求13所述的装置,其中,
所述确定模块将所述位置信息分别沿所在道路向前方和后方各延长预定距离,将延长后得到的道路区域作为所述待判定区域。
15.根据权利要求13所述的装置,其中,
所述确定模块统计所述最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量,并将统计结果与第一阈值进行比较,响应于确定所述统计结果大于所述第一阈值,确定所述待判定区域为所述事故风险区域。
16.根据权利要求13所述的装置,其中,
所述确定模块将所述最近第一预定时长平均划分为至少两个子时长,分别统计出每个子时长内获取到的位于所述待判定区域中的位置信息数量,将各统计结果分别与对应的子时长的权重相乘,并将各乘积相加,将相加之和作为所述待判定区域的风险评分,响应于确定所述风险评分大于第二阈值,确定所述待判定区域为所述事故风险区域。
17.根据权利要求16所述的装置,其中,
对于任意两个不同的子时长,距离当前时间越近,对应的权重越大。
18.根据权利要求13所述的装置,其中,
所述确定模块进一步用于,响应于确定所述待判定区域为非事故风险区域,但最近第二预定时长内获取到的位于所述待判定区域中的位置信息数量大于第三阈值,确定所述待判定区域为临时风险区域;
所述通知模块进一步用于,将所述临时风险区域通知给对应的车端应用,用于所述车端应用针对所述临时风险区域对所在车辆的驾驶员进行风险提示,所述第二预定时长小于所述第一预定时长。
19.根据权利要求13~18中任一项所述的装置,其中,
所述车端应用包括:导航应用。
20.一种事故风险区域识别装置,包括:上报模块以及提示模块;
所述上报模块,用于在待处理车辆的行驶过程中,响应于确定发生紧急刹车行为,将所述待处理车辆的位置信息上报给后台服务器;
所述提示模块,用于从所述后台服务器获取事故风险区域,并针对所述事故风险区域对所述待处理车辆的驾驶员进行风险提示,所述事故风险区域为所述后台服务器根据获取到的任一车辆上报的位置信息确定出对应的待判定区域后、根据最近第一预定时长内获取到的位于所述待判定区域中的位置信息数量对所述待判定区域进行识别后得到的,所述识别为是否为事故风险区域的识别。
21.根据权利要求20所述的装置,其中,
所述上报模块响应于确定在第三预定时长内所述待处理车辆的行驶速度的衰减幅度大于第四阈值,确定发生所述紧急刹车行为。
22.根据权利要求21所述的装置,其中,
所述第四阈值包括:所述待处理车辆所在的道路类型对应的第四阈值,不同的道路类型分别对应各自的第四阈值。
23.根据权利要求20~22中任一项所述的装置,其中,
所述提示模块进一步用于,从所述后台服务器获取临时风险区域,并针对所述临时风险区域对所述待处理车辆的驾驶员进行风险提示,所述临时风险区域为所述后台服务器确定任一待判定区域为非事故风险区域后、根据最近第二预定时长内获取到的位于所述待判定区域中的位置信息数量对所述待判定区域进行二次识别后得到的,所述二次识别为是否为临时风险区域的识别,所述第二预定时长小于所述第一预定时长。
24.根据权利要求23所述的装置,其中,
获取的事故风险区域包括:所述待处理车辆将要驶入或已经驶入的事故风险区域;所述将要驶入包括:与所述待处理车辆之间的距离小于第五阈值;
获取的临时风险区域包括:所述待处理车辆将要驶入或已经驶入的临时风险区域。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行权利要求1-12中任一项所述的方法。
27.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944246.3A CN116863700A (zh) | 2023-07-28 | 2023-07-28 | 事故风险区域识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944246.3A CN116863700A (zh) | 2023-07-28 | 2023-07-28 | 事故风险区域识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116863700A true CN116863700A (zh) | 2023-10-10 |
Family
ID=88219052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310944246.3A Pending CN116863700A (zh) | 2023-07-28 | 2023-07-28 | 事故风险区域识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863700A (zh) |
-
2023
- 2023-07-28 CN CN202310944246.3A patent/CN116863700A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220035733A1 (en) | Method and apparatus for checking automatic driving algorithm, related device and storage medium | |
CN113593218B (zh) | 交通异常事件的检测方法、装置、电子设备及存储介质 | |
CN113066302B (zh) | 车辆信息预测方法、装置及电子设备 | |
CN112634655B (zh) | 基于车道线的变道处理方法、装置、电子设备及存储介质 | |
EP4012344A2 (en) | Method and apparatus for generating route information, device, medium and product | |
EP4020425A2 (en) | Method and apparatus for determining green wave speed, electronic device and storage medium | |
CN114463985A (zh) | 辅助驾驶的方法、装置、设备及存储介质 | |
CN112559272B (zh) | 车载设备的质量信息确定方法、装置、设备及存储介质 | |
CN111383454B (zh) | 车辆驾驶风险的预警方法、装置、介质及电子设备 | |
CN116863700A (zh) | 事故风险区域识别方法、装置、电子设备及存储介质 | |
EP4109431A1 (en) | Method, apparatus and storage medium of determining state of intersection | |
CN114582125B (zh) | 道路通行方向的识别的方法、装置、设备及存储介质 | |
EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN113147794A (zh) | 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆 | |
CN113450794A (zh) | 导航播报的检测方法、装置、电子设备和介质 | |
CN113052397A (zh) | 上车信息的确定方法、装置、电子设备和存储介质 | |
CN114999204B (zh) | 导航信息处理方法、装置、设备及存储介质 | |
CN113947897B (zh) | 获取道路交通状况的方法、装置、设备及自动驾驶车辆 | |
CN114120651B (zh) | 用于测试感知目标数的方法、装置、设备、介质和产品 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN114529768B (zh) | 确定对象类别的方法、装置、电子设备和存储介质 | |
CN115131958B (zh) | 拥堵路况推送方法、装置、电子设备和存储介质 | |
CN114492609A (zh) | 识别颠簸路段的方法、装置、设备、存储介质及程序产品 | |
CN113393669A (zh) | 交通工具的控制方法、装置、设备、介质及程序产品 | |
CN112991770A (zh) | 行进状态监测方法、装置、电子设备、介质及程序产品 |
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 |