CN117275235A - 一种车辆监控方法及系统 - Google Patents
一种车辆监控方法及系统 Download PDFInfo
- Publication number
- CN117275235A CN117275235A CN202311299788.6A CN202311299788A CN117275235A CN 117275235 A CN117275235 A CN 117275235A CN 202311299788 A CN202311299788 A CN 202311299788A CN 117275235 A CN117275235 A CN 117275235A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- module
- driving
- report
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 81
- 230000006399 behavior Effects 0.000 claims abstract description 79
- 238000012795 verification Methods 0.000 claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000013439 planning Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- 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
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
Abstract
本发明涉及车辆监控方法技术领域,具体为一种车辆监控方法及系统,包括以下步骤:利用车辆监控系统收集包括速度、加速度、转向角的实时车辆数据。本发明中,通过综合利用车辆监控系统、机器学习算法、计算机视觉技术、云计算和大数据分析技术、地理信息系统以及无线传感器网络,实现了对车辆实时行驶状态的全方位监控、异常驾驶行为的识别验证、交通流量的预测分析、智能导航路线的规划以及车辆间信息的共享和协同行驶功能,通过实时收集车辆数据并识别异常驾驶行为,及时发现并预警交通风险,交通流量预测和智能路线规划有助于驾驶员避开拥堵点和潜在事故风险点,节省行驶时间,车辆间信息的共享和协同行驶,提高了行驶的效率和安全性。
Description
技术领域
本发明涉及车辆监控方法技术领域,尤其涉及一种车辆监控方法及系统。
背景技术
车辆监控方法专注于使用各种传感器和通讯技术来追踪、监控和管理车辆。不仅集成了GPS、GPRS等通信技术,还引入了GIS地理信息系统和无线传感器等先进技术。车辆监控方法通过行车记录仪和GPS等设备,在全球范围内实时采集车辆的经纬度、运行方向、速度和时间等信息,并通过GPRS网络传输至后端服务器,进而通过管理软件进行数据分析和存储。GIS地理信息系统在车辆监控中起到了关键的作用。通过GIS,我们可以精确地理解车辆在地理空间中的位置和运动轨迹,实现更为高效和安全的路线规划。这种空间分析也能帮助管理者在特定时间和地点预防和应对各种风险。无线传感器则用于捕获车辆的各种运行参数,比如油量、轮胎压力、发动机状态等。这些传感器可以实时发送数据至服务器,不仅减少了数据延迟和误差,还增加了车辆监控系统的多维度分析能力。车辆监控方法主要目的是实现对车辆的实时监控和管理,以提高运营效率和确保行车安全。通过全程轨迹回放和数据分析,管理者可以更好地了解车辆的运行状态,预防和应对各种风险。
在现有车辆监控方法中,现有车辆监控方法主要依赖于传统的车载仪表或GPS定位,其监测数据可能存在延迟或误差,不利于对实时情况进行准确分析和预测。现有方法通常只提供了基础的行驶状态监控和路线导航功能,缺乏异常驾驶行为识别、路况预测分析和车辆间协同行驶等高级功能。现有方法通常没有充分利用车辆数据,缺乏深度的数据分析和机器学习模型,不足以实现对驾驶行为和路况的全方位理解和预测。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种车辆监控方法及系统。
为了实现上述目的,本发明采用了如下技术方案:一种车辆监控方法,包括以下步骤:
S1:利用车辆监控系统收集包括速度、加速度、转向角的实时车辆数据,通过GPRS传输至服务器进行存储和处理,生成基础车辆数据集;
S2:基于所述基础车辆数据集,采用包括支持向量机或决策树的机器学习算法,对车辆的行驶状态进行分析,识别异常驾驶行为,生成异常驾驶报告;
S3:结合所述异常驾驶报告和计算机视觉技术,通过目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,确认并验证异常行驶行为,生成车辆行为验证结果;
S4:利用云计算和大数据分析技术,对所述基础车辆数据集进行深入分析,结合所述车辆行为验证结果,预测交通流量和拥堵点,生成交通流量预测报告;
S5:基于所述交通流量预测报告和地理信息系统,为驾驶员提供智能路线规划,避免潜在交通拥堵和事故风险点,生成智能导航建议;
S6:结合所述智能导航建议和无线传感器网络,实现车辆之间的信息共享和协同行驶,车辆根据周边车辆的行驶状态和路况信息进行自我调整,生成协同行驶策略。
作为本发明的进一步方案,利用车辆监控系统收集包括速度、加速度、转向角的实时车辆数据,通过GPRS传输至服务器进行存储和处理,生成基础车辆数据集的步骤具体为:
S101:利用OBD-II接口与车辆电子控制单元通信,通过串口通信协议获取速度、加速度、转向角参数,生成原始车辆数据;
S102:使用包括缺失值填充和异常值剔除的数据清洗算法,对所述原始车辆数据进行预处理,生成预处理后的车辆数据;
S103:使用GPRS模块,利用传输控制协议TCP,将所述预处理后的数据发送至服务器,生成传输记录;
S104:服务器使用关系数据库管理系统存储所述传输记录,通过数据质量检测算法确保数据完整性,生成基础车辆数据集。
作为本发明的进一步方案,基于所述基础车辆数据集,采用包括支持向量机或决策树的机器学习算法,对车辆的行驶状态进行分析,识别异常驾驶行为,生成异常驾驶报告的步骤具体为:
S201:采用主成分分析方法从基础车辆数据集中提取特征向量,生成特征数据集;
S202:使用径向基函数核的支持向量机算法,对所述特征数据集进行异常驾驶行为分类,生成异常驾驶候选列表;
S203:使用信息增益作为特征选择方法的决策树算法,对所述异常驾驶候选列表进行筛选,生成筛选后的异常驾驶列表;
S204:基于筛选后的异常驾驶列表,应用模板匹配算法生成异常驾驶报告。
作为本发明的进一步方案,结合所述异常驾驶报告和计算机视觉技术,通过目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,确认并验证异常行驶行为,生成车辆行为验证结果的步骤具体为:
S301:使用目标检测算法分析监控摄像头捕获的图像,生成目标检测结果;
S302:基于所述目标检测结果,利用简单在线实时追踪算法进行目标跟踪,以时间序列数据为依据,生成目标跟踪结果;
S303:使用具体为卡尔曼滤波器的数据融合算法,将所述目标跟踪结果和异常驾驶报告进行融合,生成融合数据;
S304:基于所述融合数据和预设阈值,应用贝叶斯推理模型来确认和验证异常行驶行为,生成车辆行为验证结果。
作为本发明的进一步方案,利用云计算和大数据分析技术,对所述基础车辆数据集进行深入分析,结合所述车辆行为验证结果,预测交通流量和拥堵点,生成交通流量预测报告的步骤具体为:
S401:使用超文本传输安全协议,将所述基础车辆数据集和车辆行为验证结果上传到云服务器,生成云端数据集;
S402:基于所述云端数据集,运用大数据处理框架进行数据分析和特征提取,生成交通分析报告;
S403:利用自回归综合移动平均模型对交通分析报告进行时间序列分析,预测交通流量,生成交通流量预测数据;
S404:整合所述交通流量预测数据,运用数据可视化技术,采用热力图生成交通流量预测报告。
作为本发明的进一步方案,基于所述交通流量预测报告和地理信息系统,为驾驶员提供智能路线规划,避免潜在交通拥堵和事故风险点,生成智能导航建议的步骤具体为:
S501:基于所述交通流量预测报告,使用最短路径算法和地理信息系统,计算最优路线,生成最优路线数据;
S502:应用风险评估模型,通过马尔科夫决策过程,对所述最优路线进行风险评估,生成风险评估报告;
S503:结合所述风险评估报告和最优路线数据,使用遗传算法进行路线优化,生成优化后的最优路线;
S504:基于所述生成优化后的最优路线,采用数据包装器技术和消息队列遥测传输协议,将优化后的最优路线实时推送至车载信息系统,生成实时导航数据和智能导航建议。
作为本发明的进一步方案,结合所述智能导航建议和无线传感器网络,实现车辆之间的信息共享和协同行驶,车辆根据周边车辆的行驶状态和路况信息进行自我调整,生成协同行驶策略的步骤具体为:
S601:使用事件驱动架构和复杂事件处理算法,对车辆行为、交通流量、路况进行实时监控,生成实时监控数据;
S602:基于所述实时监控数据,采用自然语言处理技术和语音识别技术,生成语音提醒和警告;
S603:使用嵌入式系统和微服务架构,将所述实时监控数据与紧急响应中心进行对接,生成协同行驶策略。
一种车辆监控系统用于执行上述车辆监控方法,所述车辆监控系统是由数据收集模块、行驶状态分析模块、异常行为验证模块、交通预测模块、智能导航模块组成。
作为本发明的进一步方案,所述数据收集模块通过OBD-II接口与车辆的电子控制单元通信,利用数据清洗和预处理算法对收集的速度、加速度、转向角数据进行处理,生成预处理后的车辆数据;
所述行驶状态分析模块基于预处理后的车辆数据,采用支持向量机或决策树算法对车辆的行驶状态进行分析,生成异常驾驶报告;
所述异常行为验证模块结合异常驾驶报告,使用计算机视觉的目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,生成车辆行为验证结果;
所述交通预测模块基于车辆行为验证结果和预处理后的车辆数据,利用云计算和大数据分析技术进行交通流量和拥堵点的预测,生成交通流量预测报告;
所述智能导航模块基于交通流量预测报告,结合地理信息系统和无线传感器网络,生成智能导航建议和协同行驶策略。
作为本发明的进一步方案,所述数据收集模块包括数据接口子模块、数据清洗子模块、数据预处理子模块;
所述行驶状态分析模块包括数据分析子模块、机器学习子模块、异常识别子模块;
所述异常行为验证模块包括图像处理子模块、目标检测子模块、目标跟踪子模块;
所述交通预测模块包括大数据分析子模块、流量预测子模块、拥堵预测子模块;
所述智能导航模块包括路线规划子模块、交通信息更新子模块、协同行驶子模块。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过综合利用车辆监控系统、机器学习算法、计算机视觉技术、云计算和大数据分析技术、地理信息系统以及无线传感器网络,实现了对车辆实时行驶状态的全方位监控、异常驾驶行为的识别验证、交通流量的预测分析、智能导航路线的规划以及车辆间信息的共享和协同行驶功能。通过实时收集车辆数据并识别异常驾驶行为,可以及时发现并预警交通风险,降低交通事故发生率。交通流量预测和智能路线规划有助于驾驶员避开拥堵点和潜在事故风险点,节省行驶时间,提升驾驶体验。车辆间信息的共享和协同行驶,提高了行驶的效率和安全性,有助于实现智能交通系统的目标。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的系统流程图;
图9为本发明的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:一种车辆监控方法,包括以下步骤:
S1:利用车辆监控系统收集包括速度、加速度、转向角的实时车辆数据,通过GPRS传输至服务器进行存储和处理,生成基础车辆数据集;
S2:基于基础车辆数据集,采用包括支持向量机或决策树的机器学习算法,对车辆的行驶状态进行分析,识别异常驾驶行为,生成异常驾驶报告;
S3:结合异常驾驶报告和计算机视觉技术,通过目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,确认并验证异常行驶行为,生成车辆行为验证结果;
S4:利用云计算和大数据分析技术,对基础车辆数据集进行深入分析,结合车辆行为验证结果,预测交通流量和拥堵点,生成交通流量预测报告;
S5:基于交通流量预测报告和地理信息系统,为驾驶员提供智能路线规划,避免潜在交通拥堵和事故风险点,生成智能导航建议;
S6:结合智能导航建议和无线传感器网络,实现车辆之间的信息共享和协同行驶,车辆根据周边车辆的行驶状态和路况信息进行自我调整,生成协同行驶策略。
首先,通过收集实时车辆数据并存储和处理,可以构建一份基础车辆数据集,为进一步的分析和监控提供基础。
其次,采用机器学习算法如支持向量机或决策树对车辆的行驶状态进行分析,能够识别出异常驾驶行为,生成异常驾驶报告。这有助于提高驾驶行为的安全性和合规性,减少交通事故的发生。
通过结合异常驾驶报告和计算机视觉技术,对监控摄像头捕获的车辆图像进行实时处理,可以确认和验证异常行驶行为。这种验证方法能够更加准确地判断驾驶员的行为,并生成车辆行为验证结果。
利用云计算和大数据分析技术,对基础车辆数据集进行深入分析,并结合车辆行为验证结果,能够预测交通流量和拥堵点。这样生成的交通流量预测报告可以为交通管理和规划提供参考,以优化交通流动,减少拥堵情况的发生。
基于交通流量预测报告和地理信息系统,为驾驶员提供智能路线规划,能够帮助驾驶员避免潜在的交通拥堵和事故风险点。这样的智能导航建议能够提高驾驶的效率和安全性。
最后,结合智能导航建议和无线传感器网络,实现车辆之间的信息共享和协同行驶。车辆可以根据周边车辆的行驶状态和路况信息进行自我调整,并生成协同行驶策略。这种协同行驶能够提高交通效率和减少交通事故的发生。
请参阅图2,利用车辆监控系统收集包括速度、加速度、转向角的实时车辆数据,通过GPRS传输至服务器进行存储和处理,生成基础车辆数据集的步骤具体为:
S101:利用OBD-II接口与车辆电子控制单元通信,通过串口通信协议获取速度、加速度、转向角参数,生成原始车辆数据;
S102:使用包括缺失值填充和异常值剔除的数据清洗算法,对原始车辆数据进行预处理,生成预处理后的车辆数据;
S103:使用GPRS模块,利用传输控制协议TCP,将预处理后的数据发送至服务器,生成传输记录;
S104:服务器使用关系数据库管理系统存储传输记录,通过数据质量检测算法确保数据完整性,生成基础车辆数据集。
首先,在实时车辆数据收集方面,它能够提供准确的速度、加速度和转向角等参数,为后续的分析和决策提供可靠的基础数据。其次,在数据预处理和传输方面,通过清洗算法和GPRS传输,它能够确保数据的准确性和及时性,为精确的分析和决策提供支持。第三,在数据存储和管理方面,这种方法通过关系数据库管理系统和数据质量检测算法,能够保证数据的完整性和可靠性,为数据的后续分析和应用提供坚实的基础。
请参阅图3,基于基础车辆数据集,采用包括支持向量机或决策树的机器学习算法,对车辆的行驶状态进行分析,识别异常驾驶行为,生成异常驾驶报告的步骤具体为:
S201:采用主成分分析方法从基础车辆数据集中提取特征向量,生成特征数据集;
S202:使用径向基函数核的支持向量机算法,对特征数据集进行异常驾驶行为分类,生成异常驾驶候选列表;
S203:使用信息增益作为特征选择方法的决策树算法,对异常驾驶候选列表进行筛选,生成筛选后的异常驾驶列表;
S204:基于筛选后的异常驾驶列表,应用模板匹配算法生成异常驾驶报告。
首先,在S201步骤中,通过主成分分析从基础车辆数据集中提取关键特征,能够减少数据的维度并保留最具代表性的信息,为异常驾驶行为分析提供高效的输入。其次,在S202和S203步骤中,采用支持向量机和决策树等机器学习算法对特征数据集进行分类和筛选。这些算法能够准确识别异常驾驶行为,并通过信息增益和特征选择方法提取出最相关的特征,从而生成筛选后的异常驾驶列表。最后,在S204步骤中,应用模板匹配算法生成异常驾驶报告。模板匹配算法可以将筛选后的异常驾驶行为与预定义的异常驾驶模板进行匹配,进一步确定异常驾驶行为的具体情况,并生成相应的报告。
请参阅图4,结合异常驾驶报告和计算机视觉技术,通过目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,确认并验证异常行驶行为,生成车辆行为验证结果的步骤具体为:
S301:使用目标检测算法分析监控摄像头捕获的图像,生成目标检测结果;
S302:基于目标检测结果,利用简单在线实时追踪算法进行目标跟踪,以时间序列数据为依据,生成目标跟踪结果;
S303:使用具体为卡尔曼滤波器的数据融合算法,将目标跟踪结果和异常驾驶报告进行融合,生成融合数据;
S304:基于融合数据和预设阈值,应用贝叶斯推理模型来确认和验证异常行驶行为,生成车辆行为验证结果。
首先,在S301步骤中,利用目标检测算法分析车辆图像,能够准确地识别和定位车辆,提供关键的目标检测结果。这为后续的异常行驶行为识别和验证提供了基础数据。其次,在S302步骤中,采用目标跟踪算法对车辆进行实时跟踪。通过将不同帧之间的车辆目标关联起来,可以生成具有时间序列的目标跟踪结果。这样的目标跟踪能够提供车辆的运动轨迹和状态信息,更全面地了解车辆行为。在S303步骤中,通过数据融合算法将目标跟踪结果和异常驾驶报告进行融合。数据融合能够整合不同来源的信息,提供更准确、稳定的车辆行为数据。这种融合结果能够为后续的异常行驶行为确认和验证提供更可靠的依据。最后,在S304步骤中,利用贝叶斯推理模型以及融合数据和预设阈值,可以确认和验证异常行驶行为。基于融合数据的比较分析,能够确定车辆是否出现出异常行为,并生成可靠的车辆行为验证结果。
请参阅图5,利用云计算和大数据分析技术,对基础车辆数据集进行深入分析,结合车辆行为验证结果,预测交通流量和拥堵点,生成交通流量预测报告的步骤具体为:
S401:使用超文本传输安全协议,将基础车辆数据集和车辆行为验证结果上传到云服务器,生成云端数据集;
S402:基于云端数据集,运用大数据处理框架进行数据分析和特征提取,生成交通分析报告;
S403:利用自回归综合移动平均模型对交通分析报告进行时间序列分析,预测交通流量,生成交通流量预测数据;
S404:整合交通流量预测数据,运用数据可视化技术,采用热力图生成交通流量预测报告。
首先,在S401步骤中,将数据上传到云服务器,利用云计算的强大计算能力和存储资源进行高效处理,大大加速数据分析的速度和准确性。其次,在S402步骤中,应用大数据处理框架进行数据分析和特征提取。利用大数据处理框架,可以处理大规模数据集,并从中提取有用的特征信息,为后续的交通分析提供可靠的基础数据。这样的数据分析能够深入挖掘驾驶行为和道路状况等关键指标,为交通管理提供重要的参考和决策支持。在S403步骤中,通过自回归综合移动平均模型进行时间序列分析,能够准确预测交通流量。预测交通流量可以提前发现拥堵点和高峰时段,帮助交通部门和驾驶员做出相应的调整和决策,优化交通流动,并缓解拥堵状况。最后,在S404步骤中,利用数据可视化技术如热力图,将交通流量预测结果进行直观出现。通过可视化报告,用户可以清晰了解交通状况和拥堵情况,帮助他们做出更明智的出行决策。这种可视化呈现使交通信息更加易于理解和利用,提高了交通管理的效率和准确性。
请参阅图6,基于交通流量预测报告和地理信息系统,为驾驶员提供智能路线规划,避免潜在交通拥堵和事故风险点,生成智能导航建议的步骤具体为:
S501:基于交通流量预测报告,使用最短路径算法和地理信息系统,计算最优路线,生成最优路线数据;
S502:应用风险评估模型,通过马尔科夫决策过程,对最优路线进行风险评估,生成风险评估报告;
S503:结合风险评估报告和最优路线数据,使用遗传算法进行路线优化,生成优化后的最优路线;
S504:基于生成优化后的最优路线,采用数据包装器技术和消息队列遥测传输协议,将优化后的最优路线实时推送至车载信息系统,生成实时导航数据和智能导航建议。
首先,在S501步骤中,通过计算最优路线,驾驶员能够避开拥堵区域,减少交通延误,节省时间和燃料消耗,提供高效的出行体验。其次,在S502步骤中,通过风险评估模型对最优路线进行评估,驾驶员可以获取关于道路安全性的信息。这有助于减少潜在的事故风险,并增强驾驶员的安全意识和决策能力,从而提升道路行驶的安全性。在S503步骤中,通过遗传算法对路线进行优化,驾驶员能够根据实际路况和交通流量选择更佳的路径。这种优化可以减少驾驶时间和行驶距离,而且在导航过程中能够适应实时变化的交通情况,帮助驾驶员更高效地到达目的地。最后,在S504步骤中,实时推送优化后的最优路线和智能导航建议给车载信息系统,驾驶员可以实时接收导航指引和交通信息。这提供了实时的导航功能,支持驾驶员做出更明智的行驶决策,减少驾驶误差,并提供更整体的出行体验。
请参阅图7,结合智能导航建议和无线传感器网络,实现车辆之间的信息共享和协同行驶,车辆根据周边车辆的行驶状态和路况信息进行自我调整,生成协同行驶策略的步骤具体为:
S601:使用事件驱动架构和复杂事件处理算法,对车辆行为、交通流量、路况进行实时监控,生成实时监控数据;
S602:基于实时监控数据,采用自然语言处理技术和语音识别技术,生成语音提醒和警告;
S603:使用嵌入式系统和微服务架构,将实时监控数据与紧急响应中心进行对接,生成协同行驶策略。
首先,在S601步骤中,通过实时监控车辆行为、交通流量和路况,生成准确的实时监控数据。这有助于驾驶员了解当前的交通状况,提早预知拥堵和危险情形,进而采取相应的行动,提高道路安全性和驾驶效率。其次,在S602步骤中,利用自然语言处理和语音识别技术,通过语音提醒和警告向驾驶员传达重要信息。这能让驾驶员更专注于道路行驶,同时提供实时的路况更新和警示,降低事故风险,增强驾驶安全。在S603步骤中,通过嵌入式系统和微服务架构,将实时监控数据与紧急响应中心进行对接,实现协同行驶策略。这使得车辆能够基于实时数据做出智能决策,例如调整行驶速度、避免冲突,提高道路通行效率和车辆流动性。
请参阅图8,一种车辆监控系统用于执行上述车辆监控方法,车辆监控系统是由数据收集模块、行驶状态分析模块、异常行为验证模块、交通预测模块、智能导航模块组成。
数据收集模块通过OBD-II接口与车辆的电子控制单元通信,利用数据清洗和预处理算法对收集的速度、加速度、转向角数据进行处理,生成预处理后的车辆数据;
行驶状态分析模块基于预处理后的车辆数据,采用支持向量机或决策树算法对车辆的行驶状态进行分析,生成异常驾驶报告;
异常行为验证模块结合异常驾驶报告,使用计算机视觉的目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,生成车辆行为验证结果;
交通预测模块基于车辆行为验证结果和预处理后的车辆数据,利用云计算和大数据分析技术进行交通流量和拥堵点的预测,生成交通流量预测报告;
智能导航模块基于交通流量预测报告,结合地理信息系统和无线传感器网络,生成智能导航建议和协同行驶策略。
首先,数据收集模块通过与车辆的电子控制单元通信收集车辆数据,并通过数据清洗和预处理算法对速度、加速度、转向角等数据进行处理。这种数据预处理有助于提取和准确记录车辆行驶相关的信息。其次,行驶状态分析模块利用预处理后的车辆数据,采用支持向量机或决策树算法对车辆的行驶状态进行分析。通过该模块可以检测异常驾驶行为并生成异常驾驶报告,从而提高驾驶员的安全意识和驾驶行为的规范性。异常行为验证模块结合异常驾驶报告,利用计算机视觉的目标检测和目标跟踪算法对车辆图像进行实时处理。这可以验证驾驶员的行为是否与异常报告一致,增加了监控系统的可靠性和准确性。交通预测模块基于车辆行为验证结果和预处理后的车辆数据,利用云计算和大数据分析技术进行交通流量和拥堵点的预测。通过该模块可以提供交通流量预测报告,帮助驾驶员避开拥堵区域,选择更优的行驶路线,提高驾驶效率和减少行程时间。最后,智能导航模块基于交通流量预测报告、地理信息系统和无线传感器网络,生成智能导航建议和协同行驶策略。这可以帮助驾驶员规划最佳路线、避免潜在交通拥堵和事故风险,提供个性化的导航指引,提高驾驶安全性和行驶效率。
请参阅图9,数据收集模块包括数据接口子模块、数据清洗子模块和数据预处理子模块。这些模块通过与车辆的电子控制单元通信,收集车辆数据,并对数据进行清洗和预处理。这些处理步骤有助于提取有效的车辆信息,为后续的分析和应用提供高质量的数据基础。
行驶状态分析模块包括数据分析子模块、机器学习子模块和异常识别子模块。该模块利用收集到的车辆数据进行分析,并将机器学习算法应用于识别车辆的行驶状态。通过这些分析和识别,可以提供准确的行驶状态报告,帮助驾驶员评估和改进其驾驶行为。
异常行为验证模块包括图像处理子模块、目标检测子模块和目标跟踪子模块。该模块通过处理监控摄像头捕获的车辆图像,进行图像处理、目标检测和目标跟踪,以验证异常驾驶行为的存在。这有助于实时监测驾驶员的行为,并及时发出警报或采取进一步的措施来提高驾驶安全性。
交通预测模块包括大数据分析子模块、流量预测子模块和拥堵预测子模块。该模块利用大数据分析技术对车辆行为验证结果和预处理后的车辆数据进行分析,预测交通流量和拥堵点的发生。通过这些预测结果,驾驶员可以选择更畅通的行驶路线,提高行驶效率和减少拥堵所导致的延误。
智能导航模块包括路线规划子模块、交通信息更新子模块和协同行驶子模块。该模块结合交通预测结果、地理信息系统和无线传感器网络,生成智能导航建议和协同行驶策略。这种智能导航系统能够帮助驾驶员规划最佳路线、更新实时交通信息,并与其他车辆进行协同行驶,提高整体交通效率和安全性。
工作原理:
首先,数据收集模块通过与车辆的电子控制单元通信收集车辆数据,并通过数据清洗和预处理算法对速度、加速度和转向角等数据进行处理,生成预处理后的车辆数据。行驶状态分析模块利用预处理后的车辆数据,采用支持向量机或决策树算法对车辆的行驶状态进行分析,生成异常驾驶报告。异常行为验证模块结合异常驾驶报告,利用计算机视觉的目标检测和目标跟踪算法对车辆图像进行实时处理,生成车辆行为验证结果。交通预测模块基于车辆行为验证结果和预处理后的车辆数据,利用云计算和大数据分析技术预测交通流量和拥堵点,生成交通流量预测报告。智能导航模块基于交通流量预测报告、地理信息系统和无线传感器网络,生成智能导航建议和协同行驶策略。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种车辆监控方法,其特征在于,包括以下步骤:
利用车辆监控系统收集包括速度、加速度、转向角的实时车辆数据,通过GPRS传输至服务器进行存储和处理,生成基础车辆数据集;
基于所述基础车辆数据集,采用包括支持向量机或决策树的机器学习算法,对车辆的行驶状态进行分析,识别异常驾驶行为,生成异常驾驶报告;
结合所述异常驾驶报告和计算机视觉技术,通过目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,确认并验证异常行驶行为,生成车辆行为验证结果;
利用云计算和大数据分析技术,对所述基础车辆数据集进行深入分析,结合所述车辆行为验证结果,预测交通流量和拥堵点,生成交通流量预测报告;
基于所述交通流量预测报告和地理信息系统,为驾驶员提供智能路线规划,避免潜在交通拥堵和事故风险点,生成智能导航建议;
结合所述智能导航建议和无线传感器网络,实现车辆之间的信息共享和协同行驶,车辆根据周边车辆的行驶状态和路况信息进行自我调整,生成协同行驶策略。
2.根据权利要求1所述的车辆监控方法,其特征在于,利用车辆监控系统收集包括速度、加速度、转向角的实时车辆数据,通过GPRS传输至服务器进行存储和处理,生成基础车辆数据集的步骤具体为:
利用OBD-II接口与车辆电子控制单元通信,通过串口通信协议获取速度、加速度、转向角参数,生成原始车辆数据;
使用包括缺失值填充和异常值剔除的数据清洗算法,对所述原始车辆数据进行预处理,生成预处理后的车辆数据;
使用GPRS模块,利用传输控制协议TCP,将所述预处理后的数据发送至服务器,生成传输记录;
服务器使用关系数据库管理系统存储所述传输记录,通过数据质量检测算法确保数据完整性,生成基础车辆数据集。
3.根据权利要求1所述的车辆监控方法,其特征在于,基于所述基础车辆数据集,采用包括支持向量机或决策树的机器学习算法,对车辆的行驶状态进行分析,识别异常驾驶行为,生成异常驾驶报告的步骤具体为:
采用主成分分析方法从基础车辆数据集中提取特征向量,生成特征数据集;
使用径向基函数核的支持向量机算法,对所述特征数据集进行异常驾驶行为分类,生成异常驾驶候选列表;
使用信息增益作为特征选择方法的决策树算法,对所述异常驾驶候选列表进行筛选,生成筛选后的异常驾驶列表;
基于筛选后的异常驾驶列表,应用模板匹配算法生成异常驾驶报告。
4.根据权利要求1所述的车辆监控方法,其特征在于,结合所述异常驾驶报告和计算机视觉技术,通过目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,确认并验证异常行驶行为,生成车辆行为验证结果的步骤具体为:
使用目标检测算法分析监控摄像头捕获的图像,生成目标检测结果;
基于所述目标检测结果,利用简单在线实时追踪算法进行目标跟踪,以时间序列数据为依据,生成目标跟踪结果;
使用具体为卡尔曼滤波器的数据融合算法,将所述目标跟踪结果和异常驾驶报告进行融合,生成融合数据;
基于所述融合数据和预设阈值,应用贝叶斯推理模型来确认和验证异常行驶行为,生成车辆行为验证结果。
5.根据权利要求1所述的车辆监控方法,其特征在于,利用云计算和大数据分析技术,对所述基础车辆数据集进行深入分析,结合所述车辆行为验证结果,预测交通流量和拥堵点,生成交通流量预测报告的步骤具体为:
使用超文本传输安全协议,将所述基础车辆数据集和车辆行为验证结果上传到云服务器,生成云端数据集;
基于所述云端数据集,运用大数据处理框架进行数据分析和特征提取,生成交通分析报告;
利用自回归综合移动平均模型对交通分析报告进行时间序列分析,预测交通流量,生成交通流量预测数据;
整合所述交通流量预测数据,运用数据可视化技术,采用热力图生成交通流量预测报告。
6.根据权利要求1所述的车辆监控方法,其特征在于,基于所述交通流量预测报告和地理信息系统,为驾驶员提供智能路线规划,避免潜在交通拥堵和事故风险点,生成智能导航建议的步骤具体为:
基于所述交通流量预测报告,使用最短路径算法和地理信息系统,计算最优路线,生成最优路线数据;
应用风险评估模型,通过马尔科夫决策过程,对所述最优路线进行风险评估,生成风险评估报告;
结合所述风险评估报告和最优路线数据,使用遗传算法进行路线优化,生成优化后的最优路线;
基于所述生成优化后的最优路线,采用数据包装器技术和消息队列遥测传输协议,将优化后的最优路线实时推送至车载信息系统,生成实时导航数据和智能导航建议。
7.根据权利要求1所述的车辆监控方法,其特征在于,结合所述智能导航建议和无线传感器网络,实现车辆之间的信息共享和协同行驶,车辆根据周边车辆的行驶状态和路况信息进行自我调整,生成协同行驶策略的步骤具体为:
使用事件驱动架构和复杂事件处理算法,对车辆行为、交通流量、路况进行实时监控,生成实时监控数据;
基于所述实时监控数据,采用自然语言处理技术和语音识别技术,生成语音提醒和警告;
使用嵌入式系统和微服务架构,将所述实时监控数据与紧急响应中心进行对接,生成协同行驶策略。
8.一种车辆监控系统,其特征在于,所述车辆监控系统用于执行权利要求1-7任一所述的车辆监控方法,所述车辆监控系统是由数据收集模块、行驶状态分析模块、异常行为验证模块、交通预测模块、智能导航模块组成。
9.根据权利要求8所述的车辆监控系统,其特征在于,所述数据收集模块通过OBD-II接口与车辆的电子控制单元通信,利用数据清洗和预处理算法对收集的速度、加速度、转向角数据进行处理,生成预处理后的车辆数据;
所述行驶状态分析模块基于预处理后的车辆数据,采用支持向量机或决策树算法对车辆的行驶状态进行分析,生成异常驾驶报告;
所述异常行为验证模块结合异常驾驶报告,使用计算机视觉的目标检测和目标跟踪算法,实时处理监控摄像头捕获的车辆图像,生成车辆行为验证结果;
所述交通预测模块基于车辆行为验证结果和预处理后的车辆数据,利用云计算和大数据分析技术进行交通流量和拥堵点的预测,生成交通流量预测报告;
所述智能导航模块基于交通流量预测报告,结合地理信息系统和无线传感器网络,生成智能导航建议和协同行驶策略。
10.根据权利要求8所述的车辆监控系统,其特征在于,所述数据收集模块包括数据接口子模块、数据清洗子模块、数据预处理子模块;
所述行驶状态分析模块包括数据分析子模块、机器学习子模块、异常识别子模块;
所述异常行为验证模块包括图像处理子模块、目标检测子模块、目标跟踪子模块;
所述交通预测模块包括大数据分析子模块、流量预测子模块、拥堵预测子模块;
所述智能导航模块包括路线规划子模块、交通信息更新子模块、协同行驶子模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311299788.6A CN117275235A (zh) | 2023-10-09 | 2023-10-09 | 一种车辆监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311299788.6A CN117275235A (zh) | 2023-10-09 | 2023-10-09 | 一种车辆监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117275235A true CN117275235A (zh) | 2023-12-22 |
Family
ID=89215659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311299788.6A Pending CN117275235A (zh) | 2023-10-09 | 2023-10-09 | 一种车辆监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117275235A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
CN117809275A (zh) * | 2024-02-28 | 2024-04-02 | 江苏天一航空工业股份有限公司 | 一种基于民航车辆360度环视系统的环境感知方法及系统 |
CN117912309A (zh) * | 2024-03-15 | 2024-04-19 | 阿斯默特(成都)科技有限公司 | 一种飞行器风险预警方法和装置 |
CN117727183B (zh) * | 2024-02-18 | 2024-05-17 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
-
2023
- 2023-10-09 CN CN202311299788.6A patent/CN117275235A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
CN117727183B (zh) * | 2024-02-18 | 2024-05-17 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
CN117809275A (zh) * | 2024-02-28 | 2024-04-02 | 江苏天一航空工业股份有限公司 | 一种基于民航车辆360度环视系统的环境感知方法及系统 |
CN117912309A (zh) * | 2024-03-15 | 2024-04-19 | 阿斯默特(成都)科技有限公司 | 一种飞行器风险预警方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11933624B2 (en) | Distributed data processing systems for processing remotely captured sensor data | |
US11900738B2 (en) | Systems and methods to obtain feedback in response to autonomous vehicle failure events | |
CN117275235A (zh) | 一种车辆监控方法及系统 | |
EP3638558A1 (en) | Systems and methods to obtain passenger feedback in response to autonomous vehicle driving events | |
US10783360B1 (en) | Apparatuses, systems and methods for vehicle operator gesture recognition and transmission of related gesture data | |
CN107782564A (zh) | 一种自动驾驶车辆测评系统及方法 | |
US11662735B2 (en) | Method and system for updating a control model for automatic control of at least one mobile unit | |
US20190236379A1 (en) | Identifying Suspicious Entities Using Autonomous Vehicles | |
EP4211601A1 (en) | Mobile device and system for automated trip familiarity recognition and corresponding method thereof | |
CN114494998B (zh) | 一种车辆数据智能分析方法及系统 | |
CN116323359B (zh) | 低置信度对象检测条件下的运载工具操作的注释和绘制成图 | |
JP7380616B2 (ja) | 自動運転制御装置、自動運転制御方法、及び自動運転制御プログラム | |
Chang et al. | CAV driving safety monitoring and warning via V2X-based edge computing system | |
Kaur et al. | RFID based Intelligent Transport System with RSU Communication for Emergency Vehicles in Urbanization | |
CN117494029B (zh) | 一种道路抛洒物事件识别方法及装置 | |
US20230401870A1 (en) | Autonomous driving system, autonomous driving method, and autonomous driving program | |
US20220148319A1 (en) | Apparatuses, systems and methods for integrating vehicle operator gesture detection within geographic maps | |
CN117593892B (zh) | 真值数据的获取方法和装置、存储介质及电子设备 | |
US20240116544A1 (en) | Prediction and planning for mobile robots | |
US20230401443A1 (en) | Training a Neural Network to Select Objects | |
US20240067195A1 (en) | Transfer Learning with Experience Filter for Vehicle Operation | |
CN117993541A (zh) | 基于机器视觉的公路智能巡查系统 | |
Moustafa | Using Digital Lidar to Study Cycling Safety and Distance Estimation of Passing Vehicles | |
CN117336357A (zh) | 多角色实时数据交互及监督的交通运输安全系统 | |
Piper | A cloud-based approach to detecting anomalous behavior of cyclists in the context of ADAS |
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 |