CN117194930A - 基于车辆行驶数据的隧道路段安全监控方法 - Google Patents
基于车辆行驶数据的隧道路段安全监控方法 Download PDFInfo
- Publication number
- CN117194930A CN117194930A CN202311466593.6A CN202311466593A CN117194930A CN 117194930 A CN117194930 A CN 117194930A CN 202311466593 A CN202311466593 A CN 202311466593A CN 117194930 A CN117194930 A CN 117194930A
- Authority
- CN
- China
- Prior art keywords
- data
- type
- tunnel
- accident
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 206010039203 Road traffic accident Diseases 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000758 substrate Substances 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于车辆行驶数据的隧道路段安全监控方法,包括:获取每种事故因素数据和当前驾驶环境数据;根据每种事故因素数据中每种类型数据的数据偏向性,获取每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率,进而得到当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素;根据当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重,获取经过当前隧道时的危险指数;根据经过当前隧道时的危险指数进行预警。本发明在进行预警时能够准确的播报影响行车安全的因素。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于车辆行驶数据的隧道路段安全监控方法。
背景技术
隧道路段的安全监控一直是交通管理和道路安全领域的关注重点,传统的隧道监控方法主要依赖于人工巡检、视频监控和传感器安装等手段,但这些方法存在效率低下、盲区覆盖不足以及对大量数据的处理能力有限等问题。随着移动互联网的快速发展,车载导航系统更加的便利化与智能化,车联网技术将车辆、道路和互联网连接起来,为车辆行驶数据的采集和传输提供了基础。通过车联网技术,可以实现车辆之间的通信和与交通基础设施的连接,为隧道路段的安全监控提供更全面和准确的数据,导航应用通过收集相同路段上车辆的行驶信息,例如:车辆的位置、速度等,然后分析当前行驶路段的路况,进而实时的反馈到车载导航系统上,为驾驶员实时更新路况信息及规划行车路线。
在现有技术中,交通管理相关部门采集车辆行驶过程中的各项信息,然后根据实时反馈的信息来对隧道内的车况进行预警,提前告知驾驶人员隧道内的车流量等信息。但是由于在隧道内车辆的定位不准确、移动网络信号差等原因,导致车辆的各项数据不能实时反馈到数据中心进行处理,进而在对隧道内的车况进行预警时,并不准确。并且隧道内发生事故的原因有多种,例如:光线的变化、天气、弯道的缓急等都有可能导致交通事故发生。因此本发明通过分析多个隧道的各项历史数据,根据当前的不同环境来选择更加贴近的真实驾驶情况的影响因素,从而进行预警。
发明内容
为了解决上述问题,本发明提供基于车辆行驶数据的隧道路段安全监控方法,所述方法包括:
获取每种事故因素数据和当前驾驶环境数据;事故因素数据包含的两种数据为车辆行驶数据和隧道的历史环境数据,车辆行驶数据包括多种类型数据,隧道的历史环境数据包括多种类型数据为发生交通事故的频率和每次交通事故的主要原因;当前驾驶环境数据包括当前车辆行驶数据和当前隧道的环境数据;
获取当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值;
根据每种事故因素数据构建多维坐标系;根据多维坐标系,获取每种事故因素数据中每种类型数据的数据偏向性;根据每种事故因素数据中每种类型数据的数据偏向性,获取每种事故因素数据中每种类型数据的影响概率,所述影响概率表示每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率;根据每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率,获取当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素;
根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的主要影响特征因素的影响权重;根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的非主要影响特征因素的影响权重;根据当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重,获取经过当前隧道时的危险指数;
根据经过当前隧道时的危险指数进行预警。
优选的,所述获取当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,包括的具体方法为:
对于若干个隧道的历史环境数据,将所有隧道的历史环境数据中每种类型数据的均值作为当前隧道的环境数据中每种类型数据的参考值;对于若干个车辆行驶数据,将所有车辆行驶数据中每种类型数据的均值作为当前车辆行驶数据中每种类型数据的参考值。
优选的,所述根据每种事故因素数据构建多维坐标系,包括的具体方法为:
多维坐标系包括第一坐标系和第二坐标系;
将隧道的历史环境数据中每种类型数据所包括的发生交通事故的频率和每次交通事故的主要原因分别作为坐标轴构建坐标系,记为第一坐标系;
车辆行驶数据包括多种类型数据为车辆的位置信息和行驶速度;将车辆行驶数据中每种类型数据所包括的车辆的位置信息和行驶速度分别作为坐标轴构建坐标系,记为第二坐标系;
每种事故因素数据中每种类型数据作为坐标轴,构建出多维度坐标系,每种事故因素数据中每种类型数据的在多维度坐标系中对应一个数据点。
优选的,所述获取每种事故因素数据中每种类型数据的数据偏向性,包括的具体方法为:
车辆行驶数据中每种类型数据以及隧道的历史环境数据中每种类型数据,在多维坐标系中对应若干数据点;则第种事故因素数据中第/>种类型数据的数据偏向性的计算表达式为:
式中,表示第/>种事故因素数据中第/>种类型数据的数据偏向性;/>表示第/>种事故因素数据中第/>种类型数据的均值;/>表示第/>种事故因素数据中包含的所有种类型数据数量;/>表示第/>种事故因素数据中第/>种类型数据的数据点总数量;/>表示第/>种事故因素数据中第/>种类型数据中第/>个数据点到坐标原点的欧氏距离。
优选的,所述根据每种事故因素数据中每种类型数据的数据偏向性,获取每种事故因素数据中每种类型数据的影响概率的具体公式为:
式中,表示第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示第/>种事故因素数据中第/>种类型数据的数据偏向性;表示当前隧道发生交通事故的频率;/>表示第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要原因发生交通事故的总次数;/>表示当前隧道发生交通事故的总次数;/>表示线性归一化函数。
优选的,所述根据每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率,获取当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素,包括的具体方法为:
对于第种事故因素数据中第/>种类型数据,若第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率大于等于预设阈值/>,则将第/>种事故因素数据中第/>种类型数据作为当前隧道事故原因的主要影响特征因素,反之,则将第/>种事故因素数据中第/>种类型数据作为当前隧道事故原因的非主要影响特征因素。
优选的,所述根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的主要影响特征因素的影响权重的具体公式为:
式中,表示当前隧道事故原因的主要影响特征因素的影响权重;/>表示当前隧道事故原因的所有主要影响特征因素的总数量;/>表示当前隧道事故原因的第/>个主要影响特征因素在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示当前隧道环境数据中第/>个主要影响特征因素的参考值;/>表示当前隧道环境数据中第/>个主要影响特征因素的参考值。
优选的,所述根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的非主要影响特征因素的影响权重的具体公式为:
式中,表示当前隧道事故原因的非主要影响特征因素的影响权重;/>表示当前隧道事故原因的所有非主要影响特征因素的总数量;/>表示当前隧道事故原因的第/>个非主要影响特征因素在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示当前隧道环境数据中第/>个非主要影响特征因素;/>表示当前隧道环境数据中第/>个非主要影响特征因素的参考值。
优选的,所述根据当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重,获取经过当前隧道时的危险指数,包括的具体方法为:
将当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重的和记为第一和值,将线性归一化后的第一和值作为经过当前隧道时的危险指数。
优选的,所述根据经过当前隧道时的危险指数进行预警,包括的具体方法为:
若经过当前隧道时的危险指数大于预设阈值,则导航系统通过提前语音播报,提醒驾驶员前方经过隧道路段;若经过当前隧道时的危险指数小于等于预设阈值/>,则不进行预警。
本发明的技术方案的有益效果是:在对隧道路段安全监控时,针对现有技术受到环境因素的影响导致预警不准确的问题,本发明通过对当前路段的多个隧道的历史数据进行分析,来获取当前行驶路段的影响因素,然后根据不同隧道发生交通事故的频率与其对应的原因来获得影响因素中的主要影响特征因素,进而再根据当前车辆行驶的路段实时采集获得的数据来与历史数据进行对比,从而获得车辆在经过当前行驶路段的危险指数,进而根据危险指数来对车辆的行驶安全进行预警。本发明能够克服现有方法因为受到不同环境因素的影响,根据历史数据与当前数据相结合的方式对隧道内的各种情况进行准确判断,并且能够根据不同路段发生的事故原因不同,来获得不同影响因素的影响值,进而在进行预警时能够准确的播报影响行车安全的因素,从而提醒驾驶人员需要注意的事项。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于车辆行驶数据的隧道路段安全监控方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于车辆行驶数据的隧道路段安全监控方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于车辆行驶数据的隧道路段安全监控方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于车辆行驶数据的隧道路段安全监控方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取每种事故因素数据和当前驾驶环境数据。
需要说明的是,本发明的主要目的是为了通过分析车辆在隧道内的各项数据以及所处行驶路段的环境数据来对车辆的行驶安全进行预警。因为在道路行驶的过程中,隧道内通常是交通事故的高发路段,并且在隧道内发生交通事故后,因为空间有限,救援难度也会随之增加,导致救援时间较长,影响交通通行。因此对车辆在行驶隧道时进行提前预警是非常有必要的,能够提前提醒驾驶人员经过不同隧道时的交通状况,从而提前采取相应的措施。
具体的,为了实现本实施例提出的基于车辆行驶数据的隧道路段安全监控方法,首先需要采集每种事故因素数据和当前驾驶环境数据,具体过程为:
采集的两种事故因素数据分别为:若干个车辆行驶数据和若干个隧道的历史环境数据;当前驾驶环境数据包括当前车辆行驶数据和当前隧道的环境数据。
利用车辆内置的GPS功能和车载传感器,获取若干个历史车辆行驶数据和当前车辆行驶数据,车辆行驶数据包括的多种类型数据为:车辆的位置信息和行驶速度;通过气象监测设备、交通监控设备、惯性导航系统和光感应器对若干个隧道的历史环境数据和隧道的当前环境数据进行采集,获取若干个隧道的历史环境数据和当前隧道的环境数据,隧道的环境数据包括的多种类型数据为:天气、发生交通事故的频率、每次交通事故的主要原因、隧道的弯度、环境光强度等。
对于若干个隧道的历史环境数据,将所有隧道的历史环境数据中每种类型数据的均值作为当前隧道的环境数据中每种类型数据的参考值;对于若干个车辆行驶数据,将所有车辆行驶数据中每种类型数据的均值作为当前车辆行驶数据中每种类型数据的参考值。
至此,通过上述方法得到每种事故因素数据和当前驾驶环境数据。
步骤S002:根据每种事故因素数据中每种类型数据的数据偏向性,获取每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率,进而得到当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素。
需要说明的是,因为车辆在行驶过程中,发生交通事故的主要原因包含车速过快、天气恶劣、弯道弯度较大等原因导致的,因此本实施例在根据车辆行驶数据来对每个隧道路段的进行安全监控,通过分析多个车辆行驶路段所经过每个隧道的历史数据,获得在经过不同隧道时发生交通事故的原因,并结合当前车辆行驶数据,来获得在经过不同隧道时的主要预警因素,从而来提醒驾驶人员。
因为需要对若干个隧道的历史环境数据进行分析,如果在进行预警时,不可能考虑太多的影响因素,而只需要考虑在当前行驶环境下的主要影响因素,然后根据主要影响因素来进行预警。因此需要对若干个隧道的历史环境数据进行分析,来获得车辆行驶预警评价模型,进而通过实时采集当前车辆行驶中的当前驾驶环境数据,结合预警评价模型来对车辆行驶隧道时的安全进行预警监控。
因此首先对若干个隧道的历史环境数据进行分析,获得若干个隧道的历史环境数据的主成分数据。对于多维数据,在对其进行分析时,通常需要对数据进行降维,因此为了便于对数据进行降维,本实施例将采集获得的数据分为两种,第一种是车辆行驶数据,包含:车辆的位置信息、行驶速度等;第二种是隧道的环境数据,包含当前行驶路段的历史天气、发生交通事故的频率、隧道的弯度、环境光强度等。因为发生交通事故主要原因是人为因素和天气因素导致的,因此在对数据进行降维时,主要是为了剔除在不同的行驶环境下的无关影响因素,从而找到主要影响成分。
1.获取每种事故因素数据中每种类型数据的数据偏向性。
具体的,根据每种事故因素数据中的若干个车辆行驶数据和若干个隧道的历史环境数据,构建多维度坐标系。其中,多维坐标系包括第一坐标系和第二坐标系。
将隧道的历史环境数据中每种类型数据所包括的发生交通事故的频率和每次交通事故的主要原因分别作为坐标轴构建坐标系,记为第一坐标系;将车辆行驶数据中每种类型数据所包括的车辆的位置信息和行驶速度分别作为坐标轴构建坐标系,记为第二坐标系;
车辆行驶数据中每种类型数据以及隧道的历史环境数据中每种类型数据,在多维坐标系中对应若干数据点;则第种事故因素数据中第/>种类型数据的数据偏向性的计算表达式为:
表示第/>种事故因素数据中第/>种类型数据的数据偏向性;/>表示第/>种事故因素数据中第/>种类型数据的均值;/>表示第/>种事故因素数据中包含的所有种类型数据数量;/>表示第/>种事故因素数据中第/>种类型数据的数据点总数量;/>表示第/>种事故因素数据中第/>种类型数据中第/>个数据点到坐标原点的欧氏距离。
需要说明的是,表示第/>种事故因素数据中第/>种类型数据在空间中分布的均值与该坐标系下其他类型数据均值的比值,其比值越大,说明该类型数据在空间中分布的均值更大,因此数据更加偏向该类型数据。/>表示第/>种事故因素数据中第种类型数据中的数据点到坐标原点的距离,距离越大,说明第/>种类型数据的偏离指数越大,因此其数据偏向性越大。
至此,获得每种事故因素数据中每种类型数据的数据偏向性。
2.获取每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率。
需要说明的是,根据上述计算获得每种事故因素数据中每种类型数据的数据偏向性,结合当前隧道的环境数据对多维数据进行降维,在对数据进行降维时,主要是为了去除影响程度较小的因素,保留主要影响特征因素,因此根据当前隧道的环境数据的变化来获得每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率。
具体的,第种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率的计算表达式:
式中,表示第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示第/>种事故因素数据中第/>种类型数据的数据偏向性;表示当前隧道发生交通事故的频率;/>表示第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要原因发生交通事故的总次数;/>表示当前隧道发生交通事故的总次数;/>表示线性归一化函数。
需要说明的是,第种事故因素数据中第/>种类型数据的数据偏向性越大,则第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率越大,第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要原因发生交通事故的总次数越多,则第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率越大。
至此,获得每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率。
3.获取当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素。
需要说明的是,根据上述计算获得每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率,然后对每种事故因素数据中每种类型数据进行筛选,获得当前隧道事故原因的主要影响特征因素和非主要影响特征因素,对于任意一种事故因素数据中任意类型数据对当前隧道的行驶安全产生较大程度的影响,因此需要将其作为主要特征影响因素。但是对于非主要特征影响因素只是说在历史数据中其导致的交通事故权重较低,并不表示在不同的驾驶环境下其不能作为主要特征影响因素,因此还需要根据当前驾驶环境数据来进行综合评价。
预设一个阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于第种事故因素数据中第/>种类型数据,若第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率大于等于预设阈值/>,则将第/>种事故因素数据中第/>种类型数据作为当前隧道事故原因的主要影响特征因素,反之,则将第/>种事故因素数据中第/>种类型数据作为当前隧道事故原因的非主要影响特征因素。
至此,通过上述方法得到当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素。
步骤S003:根据当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重,获取经过当前隧道时的危险指数。
需要说明的是,根据上述计算得到当前隧道事故原因的所有主要影响特征因素,然后根据车辆行驶在当前隧道区域内采集获得的环境数据来对当前的驾驶数据进行评价,获得当前隧道的危险指数。因为在对车辆通过隧道的安全进行监控时,主要是为了根据不同的驾驶环境来提前判断,从而提醒驾驶人员,避免危险事件的发生。
1. 获取当前隧道事故原因的主要影响特征因素的影响权重。
具体的,当前隧道事故原因的主要影响特征因素的影响权重的计算表达式为:
式中,表示当前隧道事故原因的主要影响特征因素的影响权重;/>表示当前隧道事故原因的所有主要影响特征因素的总数量;/>表示当前隧道事故原因的第/>个主要影响特征因素在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示当前隧道环境数据中第/>个主要影响特征因素;/>表示当前隧道环境数据中第/>个主要影响特征因素的参考值。
需要说明的是,表示在经过当前隧道时第/>个主要特征影响因素的实际监测值与参考值之间的差异,因为在经过当前隧道时需要对其进行评价,因此根据车辆经过当前隧道的各项监测数据来判断其主要影响因素,进而根据不同的主要影响特征因素来对进行判断,乘以/>表示主要影响特征因素在当前隧道的影响权重。
至此,获得当前隧道事故原因的主要影响特征因素的影响权重。
2.获取当前隧道事故原因的非主要影响特征因素的影响权重。
具体的,当前隧道事故原因的非主要影响特征因素的影响权重的计算表达为:
式中,表示当前隧道事故原因的非主要影响特征因素的影响权重;/>表示当前隧道事故原因的所有非主要影响特征因素的总数量;/>表示当前隧道事故原因的第/>个非主要影响特征因素在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示当前隧道环境数据中第/>个非主要影响特征因素;/>表示当前隧道环境数据中第/>个非主要影响特征因素的参考值。
需要说明的是,表示当前隧道事故原因的第/>个非主要影响特征因素在当前隧道中作为事故原因的主要影响特征因素的概率,对其进行平方的目的是为了增加非主要影响特征因素的权重,因为在进行分析时所占的权重本身是比较小的,但是为了能够准确的对行车安全进行预警,因此当非主要特征因素的影响程度增大时,则其影响权重增大,那么就能够均衡的评价车辆在经过隧道时遇到不同的环境因素时产生的危险指数。
至此,获得当前隧道事故原因的非主要影响特征因素的影响权重。
3.获取经过当前隧道时的危险指数。
具体的,将当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重的和记为第一和值,将线性归一化后的第一和值作为经过当前隧道时的危险指数。
至此,通过上述方法得到经过当前隧道时的危险指数。
步骤S004:根据经过当前隧道时的危险指数进行预警。
预设一个阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,根据上述方法得到经过当前隧道时的危险指数,若经过当前隧道时的危险指数大于预设阈值,说明车辆在行驶到当前隧道时受到各种因素的影响程度较大,因此在当前隧道行驶时危险指数也会随之上升,因此需要进行提前预警,预警的方式为导航系统通过提前语音播报的形式提醒驾驶员,前方经过隧道路段为事故高发地,需谨慎驾驶。若经过当前隧道时的危险指数小于等于预设阈值/>,说明车辆在行驶到当前隧道时危险指数较小,则不进行预警。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于车辆行驶数据的隧道路段安全监控方法,其特征在于,该方法包括以下步骤:
获取每种事故因素数据和当前驾驶环境数据;事故因素数据包含的两种数据为车辆行驶数据和隧道的历史环境数据,车辆行驶数据包括多种类型数据,隧道的历史环境数据包括多种类型数据为发生交通事故的频率和每次交通事故的主要原因;当前驾驶环境数据包括当前车辆行驶数据和当前隧道的环境数据;
获取当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值;
根据每种事故因素数据构建多维坐标系;根据多维坐标系,获取每种事故因素数据中每种类型数据的数据偏向性;根据每种事故因素数据中每种类型数据的数据偏向性,获取每种事故因素数据中每种类型数据的影响概率,所述影响概率表示每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率;根据每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率,获取当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素;
根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的主要影响特征因素的影响权重;根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的非主要影响特征因素的影响权重;根据当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重,获取经过当前隧道时的危险指数;
根据经过当前隧道时的危险指数进行预警。
2.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述获取当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,包括的具体方法为:
对于若干个隧道的历史环境数据,将所有隧道的历史环境数据中每种类型数据的均值作为当前隧道的环境数据中每种类型数据的参考值;对于若干个车辆行驶数据,将所有车辆行驶数据中每种类型数据的均值作为当前车辆行驶数据中每种类型数据的参考值。
3.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述根据每种事故因素数据构建多维坐标系,包括的具体方法为:
多维坐标系包括第一坐标系和第二坐标系;
将隧道的历史环境数据中每种类型数据所包括的发生交通事故的频率和每次交通事故的主要原因分别作为坐标轴构建坐标系,记为第一坐标系;
车辆行驶数据包括多种类型数据为车辆的位置信息和行驶速度;将车辆行驶数据中每种类型数据所包括的车辆的位置信息和行驶速度分别作为坐标轴构建坐标系,记为第二坐标系;
每种事故因素数据中每种类型数据作为坐标轴,构建出多维度坐标系,每种事故因素数据中每种类型数据的在多维度坐标系中对应一个数据点。
4.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述获取每种事故因素数据中每种类型数据的数据偏向性,包括的具体方法为:
车辆行驶数据中每种类型数据以及隧道的历史环境数据中每种类型数据,在多维坐标系中对应若干数据点;则第种事故因素数据中第/>种类型数据的数据偏向性的计算表达式为:
式中,表示第/>种事故因素数据中第/>种类型数据的数据偏向性;/>表示第/>种事故因素数据中第/>种类型数据的均值;/>表示第/>种事故因素数据中包含的所有种类型数据数量;/>表示第/>种事故因素数据中第/>种类型数据的数据点总数量;/>表示第/>种事故因素数据中第/>种类型数据中第/>个数据点到坐标原点的欧氏距离。
5.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述根据每种事故因素数据中每种类型数据的数据偏向性,获取每种事故因素数据中每种类型数据的影响概率的具体公式为:
式中,表示第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示第/>种事故因素数据中第/>种类型数据的数据偏向性;/>表示当前隧道发生交通事故的频率;/>表示第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要原因发生交通事故的总次数;/>表示当前隧道发生交通事故的总次数;/>表示线性归一化函数。
6.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述根据每种事故因素数据中每种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率,获取当前隧道事故原因的所有主要影响特征因素和非主要影响特征因素,包括的具体方法为:
对于第种事故因素数据中第/>种类型数据,若第/>种事故因素数据中第/>种类型数据在当前隧道中作为事故原因的主要影响特征因素的概率大于等于预设阈值/>,则将第/>种事故因素数据中第/>种类型数据作为当前隧道事故原因的主要影响特征因素,反之,则将第/>种事故因素数据中第/>种类型数据作为当前隧道事故原因的非主要影响特征因素。
7.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的主要影响特征因素的影响权重的具体公式为:
式中,表示当前隧道事故原因的主要影响特征因素的影响权重;/>表示当前隧道事故原因的所有主要影响特征因素的总数量;/>表示当前隧道事故原因的第/>个主要影响特征因素在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示当前隧道环境数据中第/>个主要影响特征因素的参考值;/>表示当前隧道环境数据中第/>个主要影响特征因素的参考值。
8.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述根据当前车辆行驶数据和当前隧道的环境数据中每种类型数据的参考值,获取当前隧道事故原因的非主要影响特征因素的影响权重的具体公式为:
式中,表示当前隧道事故原因的非主要影响特征因素的影响权重;/>表示当前隧道事故原因的所有非主要影响特征因素的总数量;/>表示当前隧道事故原因的第/>个非主要影响特征因素在当前隧道中作为事故原因的主要影响特征因素的概率;/>表示当前隧道环境数据中第/>个非主要影响特征因素;/>表示当前隧道环境数据中第/>个非主要影响特征因素的参考值。
9.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述根据当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重,获取经过当前隧道时的危险指数,包括的具体方法为:
将当前隧道事故原因的主要影响特征因素的影响权重和当前隧道事故原因的非主要影响特征因素的影响权重的和记为第一和值,将线性归一化后的第一和值作为经过当前隧道时的危险指数。
10.根据权利要求1所述基于车辆行驶数据的隧道路段安全监控方法,其特征在于,所述根据经过当前隧道时的危险指数进行预警,包括的具体方法为:
若经过当前隧道时的危险指数大于预设阈值,则不进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466593.6A CN117194930B (zh) | 2023-11-07 | 2023-11-07 | 基于车辆行驶数据的隧道路段安全监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466593.6A CN117194930B (zh) | 2023-11-07 | 2023-11-07 | 基于车辆行驶数据的隧道路段安全监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117194930A true CN117194930A (zh) | 2023-12-08 |
CN117194930B CN117194930B (zh) | 2024-01-19 |
Family
ID=88985392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311466593.6A Active CN117194930B (zh) | 2023-11-07 | 2023-11-07 | 基于车辆行驶数据的隧道路段安全监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194930B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485922A (zh) * | 2016-12-20 | 2017-03-08 | 东南大学 | 基于高精度交通流数据的二次交通事故预警方法 |
CN106961301A (zh) * | 2016-01-12 | 2017-07-18 | 国网山东省电力公司 | 一种光纤传感电缆隧道安全监测系统 |
CN107945311A (zh) * | 2017-11-29 | 2018-04-20 | 深圳市轱辘车联数据技术有限公司 | 一种危险驾驶行为的预警方法、装置、存储介质及服务器 |
CN108376473A (zh) * | 2018-04-28 | 2018-08-07 | 招商局重庆交通科研设计院有限公司 | 基于车辆运行监测的道路隧道交通风险预警系统 |
CN111858719A (zh) * | 2020-07-31 | 2020-10-30 | 苏州水易数据科技有限公司 | 基于车辆事故数据挖掘分析的特定条件预警方法和系统 |
CN113296460A (zh) * | 2021-01-22 | 2021-08-24 | 陕西交通电子工程科技有限公司 | 一种用于高速公路的智慧隧道综合管控系统 |
US20210370921A1 (en) * | 2020-05-27 | 2021-12-02 | Zoox, Inc. | Vehicle collision avoidance based on perturbed object trajectories |
CN114118795A (zh) * | 2021-11-26 | 2022-03-01 | 同济大学 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
US20220306152A1 (en) * | 2021-03-05 | 2022-09-29 | The Research Foundation For The State University Of New York | Task-Motion Planning for Safe and Efficient Urban Driving |
CN116461546A (zh) * | 2023-04-19 | 2023-07-21 | 浙江大华技术股份有限公司 | 车辆预警方法、装置、存储介质和处理器 |
CN116740986A (zh) * | 2023-08-09 | 2023-09-12 | 聊城市瀚格智能科技有限公司 | 一种隧道行车交通事故风险智能预警方法 |
-
2023
- 2023-11-07 CN CN202311466593.6A patent/CN117194930B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106961301A (zh) * | 2016-01-12 | 2017-07-18 | 国网山东省电力公司 | 一种光纤传感电缆隧道安全监测系统 |
CN106485922A (zh) * | 2016-12-20 | 2017-03-08 | 东南大学 | 基于高精度交通流数据的二次交通事故预警方法 |
CN107945311A (zh) * | 2017-11-29 | 2018-04-20 | 深圳市轱辘车联数据技术有限公司 | 一种危险驾驶行为的预警方法、装置、存储介质及服务器 |
CN108376473A (zh) * | 2018-04-28 | 2018-08-07 | 招商局重庆交通科研设计院有限公司 | 基于车辆运行监测的道路隧道交通风险预警系统 |
US20210370921A1 (en) * | 2020-05-27 | 2021-12-02 | Zoox, Inc. | Vehicle collision avoidance based on perturbed object trajectories |
CN111858719A (zh) * | 2020-07-31 | 2020-10-30 | 苏州水易数据科技有限公司 | 基于车辆事故数据挖掘分析的特定条件预警方法和系统 |
CN113296460A (zh) * | 2021-01-22 | 2021-08-24 | 陕西交通电子工程科技有限公司 | 一种用于高速公路的智慧隧道综合管控系统 |
US20220306152A1 (en) * | 2021-03-05 | 2022-09-29 | The Research Foundation For The State University Of New York | Task-Motion Planning for Safe and Efficient Urban Driving |
CN114118795A (zh) * | 2021-11-26 | 2022-03-01 | 同济大学 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
CN116461546A (zh) * | 2023-04-19 | 2023-07-21 | 浙江大华技术股份有限公司 | 车辆预警方法、装置、存储介质和处理器 |
CN116740986A (zh) * | 2023-08-09 | 2023-09-12 | 聊城市瀚格智能科技有限公司 | 一种隧道行车交通事故风险智能预警方法 |
Non-Patent Citations (5)
Title |
---|
HUI XIE等: "An Iterative Optimization Algorithm for Vehicle Speed Prediction Considering Driving Style and Historical Data Effects", 2021 40TH CHINESE CONTROL CONFERENCE (CCC) * |
MA MING等: "Simulation model for analyzing vehicle rear-end accident based on system dynamics", JOURNAL OF SYSTEM SIMULATION, vol. 21, no. 11 * |
李倩;郭健;周宗;雷加威;: "复杂环境下的山区高速公路隧道交通事故机理研究", 武汉轻工大学学报, vol. 39, no. 02 * |
李华等: "一种分析事故车辆超速概率的方法", 中国安全科学学报, vol. 27, no. 7 * |
杨博等: "融合异构交通态势的事故预测模型", 计算机应用, vol. 43, no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN117194930B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846863B (zh) | 基于增强现实和云端智能决策的事故黑点警告系统及方法 | |
US11891071B2 (en) | Vehicle to vehicle telematics | |
CN108430069B (zh) | 一种v2x网络性能测试及综合评价分析方法 | |
US9147353B1 (en) | Driving analysis using vehicle-to-vehicle communication | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN111465972B (zh) | 用于计算交通工具传感器数据的错误概率的系统 | |
CN111402586A (zh) | 基于车联网的公路气象环境预报预警控制系统和方法 | |
CN117014473B (zh) | 一种基于端云融合技术的智能网联汽车监控系统 | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN108665084B (zh) | 一种对驾驶风险的预测方法及系统 | |
CN115273480A (zh) | 一种基于大数据分析的交通预警系统及其方法 | |
CN117238139B (zh) | 一种基于气象数据的路况实时预警系统 | |
CN117194930B (zh) | 基于车辆行驶数据的隧道路段安全监控方法 | |
CN115512511A (zh) | 一种预警方法、装置、移动终端及可读存储介质 | |
WO2023155749A1 (zh) | 车辆感知性能评价方法及系统 | |
CN115909752B (zh) | 一种基于车辆用户历史数据的急转弯识别及统计方法 | |
CN116383678A (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN115523938A (zh) | 交通导航方法、系统、电子设备及存储介质 | |
CN115909750A (zh) | 事故多发地识别方法、装置、设备及存储介质 | |
CN113256014B (zh) | 一种5g通信工程智能检测系统 | |
CN114720148A (zh) | 车辆感知能力的确定方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |