CN117789479A - 存在行驶风险的车辆识别方法、系统、介质及电子设备 - Google Patents
存在行驶风险的车辆识别方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN117789479A CN117789479A CN202311873445.6A CN202311873445A CN117789479A CN 117789479 A CN117789479 A CN 117789479A CN 202311873445 A CN202311873445 A CN 202311873445A CN 117789479 A CN117789479 A CN 117789479A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- risk
- toll station
- running
- 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 47
- 239000000654 additive Substances 0.000 claims description 14
- 230000000996 additive effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种存在行驶风险的车辆识别方法、系统、介质及电子设备,方法包括:定时获取预设周期内每个车辆进出高速收费站的收费站数据;根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,将在高速公路上存在行驶风险的车辆作为高风险车辆。因此,采用本申请实施例,能够提升风险车辆识别的全面性。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种存在行驶风险的车辆识别方法、系统、介质及电子设备。
背景技术
随着车辆保有量的不断增加,高速公路上行驶的车辆越来越多,使得高速公路上发生事故的频率越来越高,在高速公路上发送事故后,造成高速公路上出现拥堵,影响了交通的畅行;随着保通保畅的相关规定,降低高速公路上事故发生的概率是重中之重,目前高速公路上事故发生的主要原因还是司机的违规驾驶,因此,如何及时发现存在行驶风险的车辆上报至相关部门,是遏制高速公路发生交通事故的主要因素。
相关技术中,通过在一段主要的高速公路安装智能设备,对车辆行驶过程中的可能影响安全驾驶的行为如抽烟、接打电话、超时超速、疲劳驾驶等进行智能识别,并将此数据传输至有关部门,由于全国高速公路网非常庞大,通过该方式在全国高速公路布设智能设备需要花费大量的人力物力,安装智能设备的硬件成本高,无法覆盖全部车辆,从而降低了风险车辆识别的全面性。
发明内容
本申请实施例提供了一种存在行驶风险的车辆识别方法、系统、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种存在行驶风险的车辆识别方法,方法包括:
定时获取预设周期内每个车辆进出高速收费站的收费站数据;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;
根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;
将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;
基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,并将在高速公路上存在行驶风险的车辆作为高风险车辆。
可选的,根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子,包括:
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程;
将以上计算出的所有参数作为每个车辆的多个高速行驶风险因子。
可选的,根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比,包括:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的高速行驶平均速度大于预设速度的次数、位于第一预设速度区间的次数以及位于第二预设速度区间的次数以及总行程数;第一预设速度区间的下限值等于预设第二预设速度区间的上限值,第一预设速度区间的上限值小于预设速度;
计算每个车辆的高速行驶平均速度大于预设速度的次数与总行程数的第一比值;
计算位于第一预设速度区间的次数与总行程数的第二比值;
计算位于第二预设速度区间的次数与总行程数的第三比值;
将第一比值、第二比值以及第三比值作为每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比。
可选的,根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比,包括:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的后半夜行驶时长、前半夜行驶时长以及总行驶时长;
计算每个车辆的后半夜行驶时长与总行驶时长的第四比值;
计算每个车辆的前半夜行驶时长与总行驶时长的第五比值;
将第四比值、第五比值作为每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比。
可选的,根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比,包括:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的连续驾驶超1小时次数、连续驾驶超2小时次数以及总行程数;
计算每个车辆的连续驾驶超1小时次数与总行程数的第六比值;
计算每个车辆的连续驾驶超2小时次数与总行程数的第七比值;
将第六比值、第七比值作为每个车辆在高速公路上行驶时长在不同预设行驶时长的占比。
可选的,根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程,包括:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的高速常跑路线排名第一的次数、总行程数、总行驶里程、工作日里程、高速行驶天数、高速行驶次数;
计算每个车辆的高速常跑路线排名第一的次数与总行程数的比值,得到每个车辆在高速公路上第一常跑路线的占比;
计算每个车辆的总行驶里程与总行程数的比值,得到每个车辆的高速行驶次均里程;
计算每个车辆的工作日里程与总行驶里程的比值,得到每个车辆的高速行驶工作日占比;
计算每个车辆的总行驶里程与高速行驶天数的比值,得到每个车辆的高速行驶日均里程。
可选的,根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数,包括:
加载预先建立的广义可加模型;
将每个车辆的多个高速行驶风险因子作为广义可加模型的自变量;
将每个车辆的多个高速行驶风险因子影响预设高风险车辆的评定程度作为广义可加模型的因变量;
根据自变量和因变量,执行广义可加模型的计算函数,得到每个车辆的每个高速行驶风险因子对应的风险系数。
第二方面,本申请实施例提供了一种存在行驶风险的车辆识别系统,系统包括:
收费站数据获取模块,用于定时获取预设周期内每个车辆进出高速收费站的收费站数据;
高速行驶风险因子计算模块,用于根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;
风险系数确定模块,用于根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;
风险模型系数生成模块,用于将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;
高风险车辆确定模块,用于基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,并将在高速公路上存在行驶风险的车辆作为高风险车辆。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,存在行驶风险的车辆识别系统首先定时获取预设周期内每个车辆进出高速收费站的收费站数据;然后根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;其次根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;再将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;最后基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,将在高速公路上存在行驶风险的车辆作为高风险车辆。由于本申请根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子,以确定在高速公路上存在行驶风险的车辆,收费站是目前高速公路已经存在的,且收费站数据记录了每个车辆进出高速公路的相关信息,该信息可以覆盖每辆进入高速公路的车,能够提升风险车辆识别的全面性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种存在行驶风险的车辆识别方法的流程示意图;
图2是本申请实施例提供的一种存在行驶风险的车辆识别系统的结构示意图;
图3是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种存在行驶风险的车辆识别方法、系统、介质及电子设备,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子,以确定在高速公路上存在行驶风险的车辆,收费站是目前高速公路已经存在的,且收费站数据记录了每个车辆进出高速公路的相关信息,该信息可以覆盖每辆进入高速公路的车,能够提升风险车辆识别的全面性,下面采用示例性的实施例进行详细说明。
下面将结合附图1,对本申请实施例提供的存在行驶风险的车辆识别方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的存在行驶风险的车辆识别系统上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种存在行驶风险的车辆识别方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,定时获取预设周期内每个车辆进出高速收费站的收费站数据;
其中,定时为指定的时间,该时间可以是某天、某时,例如为每月的一号;预设周期可以是一天、一个月或者一年,例如获取一年之内12个月全国车辆进出高速收费站的数据;每个车辆可以是提前录入交管系统的各个车辆;收费站数据包括车辆类型,进入的收费站,进入收费站时间,出去的收费站,出去的收费站时间。
在本申请实施例中,在当前时刻与上一个存在行驶风险的车辆识别的结束时刻满足指定的时间时,可从数据库获取预设周期内每个车辆进出高速收费站的收费站数据。
S102,根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;
在本申请实施例中,在根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子时,首先根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比;然后根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比;其次根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比;最后根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程;将以上计算出的所有参数作为每个车辆的多个高速行驶风险因子。
具体的,在根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比时,首先根据每个车辆进出高速收费站的收费站数据,查询每个车辆的高速行驶平均速度大于预设速度的次数、位于第一预设速度区间的次数以及位于第二预设速度区间的次数以及总行程数;第一预设速度区间的下限值等于预设第二预设速度区间的上限值,第一预设速度区间的上限值小于预设速度;再计算每个车辆的高速行驶平均速度大于预设速度的次数与总行程数的第一比值;然后计算位于第一预设速度区间的次数与总行程数的第二比值;其次计算位于第二预设速度区间的次数与总行程数的第三比值;最后将第一比值、第二比值以及第三比值作为每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比。
例如,预设速度为105千米/小时,此时高速行驶平均速度大于105千米/小时的占比=高速行驶平均速度大于105千米/小时的次数/总行程数;第一预设速度区间为95千米/小时至100千米/小时,此时高速行驶平均速度位于95千米/小时至100千米/小时的占比=高速行驶平均速度大于95千米/小时至100千米/小时的次数/总行程数;第二预设速度区间为90千米/小时至95千米/小时,此时高速行驶平均速度位于90千米/小时至95千米/小时的占比=高速行驶平均速度大于90千米/小时至95千米/小时的次数/总行程数。
具体的,在根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比时,首先根据每个车辆进出高速收费站的收费站数据,查询每个车辆的后半夜行驶时长、前半夜行驶时长以及总行驶时长;然后计算每个车辆的后半夜行驶时长与总行驶时长的第四比值;其次计算每个车辆的前半夜行驶时长与总行驶时长的第五比值;最后将第四比值、第五比值作为每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比。
例如,高速行驶后半夜占比=后半夜行驶时长/总行驶时长;高速行驶前半夜占比=前半夜行驶时长/总行驶时长。
具体的,在根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比时,首先根据每个车辆进出高速收费站的收费站数据,查询每个车辆的连续驾驶超1小时次数、连续驾驶超2小时次数以及总行程数;然后计算每个车辆的连续驾驶超1小时次数与总行程数的第六比值;其次计算每个车辆的连续驾驶超2小时次数与总行程数的第七比值;最后将第六比值、第七比值作为每个车辆在高速公路上行驶时长在不同预设行驶时长的占比。
例如,高速行驶连续超1小时占比=连续驾驶超1小时次数/总行程数;高速行驶连续超2小时占比=连续驾驶超2小时次数/总行程数。
具体的,在根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程时,首先根据每个车辆进出高速收费站的收费站数据,查询每个车辆的高速常跑路线排名第一的次数、总行程数、总行驶里程、工作日里程、高速行驶天数、高速行驶次数;然后计算每个车辆的高速常跑路线排名第一的次数与总行程数的比值,得到每个车辆在高速公路上第一常跑路线的占比;其次计算每个车辆的总行驶里程与总行程数的比值,得到每个车辆的高速行驶次均里程;再计算每个车辆的工作日里程与总行驶里程的比值,得到每个车辆的高速行驶工作日占比;最后计算每个车辆的总行驶里程与高速行驶天数的比值,得到每个车辆的高速行驶日均里程。
例如,高速行驶第一常跑路线占比=高速常跑路线top1的次数/总行程数;高速行驶次数;高速行驶次均里程=总行驶里程/总行程数;高速行驶工作日占比=工作日里程/总行驶里程;高速行驶日均里程=总行驶里程/高速行驶天数。
S103,根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;
在本申请实施例中,在根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数时,首先加载预先建立的广义可加模型;然后将每个车辆的多个高速行驶风险因子作为广义可加模型的自变量;其次将每个车辆的多个高速行驶风险因子影响预设高风险车辆的评定程度作为广义可加模型的因变量;最后根据自变量和因变量,执行广义可加模型的计算函数,得到每个车辆的每个高速行驶风险因子对应的风险系数。
具体的,广义可加模型(Generalized Addictive Model,简称GAM),以每项风险因子数据作为自变量x,以每项风险因子影响高风险车辆评定程度作为因变量y,计算每车每个风险因子的风险系数,标准化风险因子数据。
S104,将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;
在本申请实施例中,在得到每个车辆的每个高速行驶风险因子对应的风险系数后,可将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的系数总值,最后将每个车辆的系数总值作为每个车辆的风险模型系数。
S105,基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,并将在高速公路上存在行驶风险的车辆作为高风险车辆。
在本申请实施例中,在得到每个车辆的风险模型系数后,可根据每个车辆的车辆标识对所有车辆进行分类,得到多组相同类型的车辆,例如按照类型(小客车,小货车,大货车)分组,将每组相同类型的车辆中各车辆的风险模型系数进行降序排列,将排序的每组相同类型的车辆中预设百分比的车辆作为在高速公路上存在行驶风险的车辆,预设百分比例如为25%,最后可将在高速公路上存在行驶风险的车辆作为高风险车辆。
进一步地,在得到高风险车辆后,可按照车辆的不同类型上报至预警客户端,以通知相关管理人员。
在本申请实施例中,存在行驶风险的车辆识别系统首先定时获取预设周期内每个车辆进出高速收费站的收费站数据;然后根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;其次根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;再将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;最后基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,将在高速公路上存在行驶风险的车辆作为高风险车辆。由于本申请根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子,以确定在高速公路上存在行驶风险的车辆,收费站是目前高速公路已经存在的,且收费站数据记录了每个车辆进出高速公路的相关信息,该信息可以覆盖每辆进入高速公路的车,能够提升风险车辆识别的全面性。
下述为本申请系统实施例,可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节,请参照本申请方法实施例。
请参见图2,其示出了本申请一个示例性实施例提供的存在行驶风险的车辆识别系统的结构示意图。该存在行驶风险的车辆识别系统可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该系统1包括收费站数据获取模块10、高速行驶风险因子计算模块20、风险系数确定模块30、风险模型系数生成模块40、高风险车辆确定模块50。
收费站数据获取模块10,用于定时获取预设周期内每个车辆进出高速收费站的收费站数据;
高速行驶风险因子计算模块20,用于根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;
风险系数确定模块30,用于根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;
风险模型系数生成模块40,用于将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;
高风险车辆确定模块50,用于基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,并将在高速公路上存在行驶风险的车辆作为高风险车辆。
需要说明的是,上述实施例提供的存在行驶风险的车辆识别系统在执行存在行驶风险的车辆识别方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的存在行驶风险的车辆识别系统与存在行驶风险的车辆识别方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,存在行驶风险的车辆识别系统首先定时获取预设周期内每个车辆进出高速收费站的收费站数据;然后根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;其次根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;再将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;最后基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,将在高速公路上存在行驶风险的车辆作为高风险车辆。由于本申请根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子,以确定在高速公路上存在行驶风险的车辆,收费站是目前高速公路已经存在的,且收费站数据记录了每个车辆进出高速公路的相关信息,该信息可以覆盖每辆进入高速公路的车,能够提升风险车辆识别的全面性。
本申请还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的存在行驶风险的车辆识别方法。
本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的存在行驶风险的车辆识别方法。
请参见图3,为本申请实施例提供了一种电子设备的结构示意图。如图3所示,电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储系统。如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及存在行驶风险的车辆识别应用程序。
在图3所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的存在行驶风险的车辆识别应用程序,并具体执行以下操作:
定时获取预设周期内每个车辆进出高速收费站的收费站数据;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;
根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;
将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;
基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,并将在高速公路上存在行驶风险的车辆作为高风险车辆。
在一个实施例中,处理器1001在执行根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子时,具体执行以下操作:
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比;
根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程;
将以上计算出的所有参数作为每个车辆的多个高速行驶风险因子。
在一个实施例中,处理器1001在执行根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比时,具体执行以下操作:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的高速行驶平均速度大于预设速度的次数、位于第一预设速度区间的次数以及位于第二预设速度区间的次数以及总行程数;第一预设速度区间的下限值等于预设第二预设速度区间的上限值,第一预设速度区间的上限值小于预设速度;
计算每个车辆的高速行驶平均速度大于预设速度的次数与总行程数的第一比值;
计算位于第一预设速度区间的次数与总行程数的第二比值;
计算位于第二预设速度区间的次数与总行程数的第三比值;
将第一比值、第二比值以及第三比值作为每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比。
在一个实施例中,处理器1001在执行根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比时,具体执行以下操作:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的后半夜行驶时长、前半夜行驶时长以及总行驶时长;
计算每个车辆的后半夜行驶时长与总行驶时长的第四比值;
计算每个车辆的前半夜行驶时长与总行驶时长的第五比值;
将第四比值、第五比值作为每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比。
在一个实施例中,处理器1001在执行根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比时,具体执行以下操作:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的连续驾驶超1小时次数、连续驾驶超2小时次数以及总行程数;
计算每个车辆的连续驾驶超1小时次数与总行程数的第六比值;
计算每个车辆的连续驾驶超2小时次数与总行程数的第七比值;
将第六比值、第七比值作为每个车辆在高速公路上行驶时长在不同预设行驶时长的占比。
在一个实施例中,处理器1001在执行根据每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程时,具体执行以下操作:
根据每个车辆进出高速收费站的收费站数据,查询每个车辆的高速常跑路线排名第一的次数、总行程数、总行驶里程、工作日里程、高速行驶天数、高速行驶次数;
计算每个车辆的高速常跑路线排名第一的次数与总行程数的比值,得到每个车辆在高速公路上第一常跑路线的占比;
计算每个车辆的总行驶里程与总行程数的比值,得到每个车辆的高速行驶次均里程;
计算每个车辆的工作日里程与总行驶里程的比值,得到每个车辆的高速行驶工作日占比;
计算每个车辆的总行驶里程与高速行驶天数的比值,得到每个车辆的高速行驶日均里程。
在一个实施例中,处理器1001在执行根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数时,具体执行以下操作:
加载预先建立的广义可加模型;
将每个车辆的多个高速行驶风险因子作为广义可加模型的自变量;
将每个车辆的多个高速行驶风险因子影响预设高风险车辆的评定程度作为广义可加模型的因变量;
根据自变量和因变量,执行广义可加模型的计算函数,得到每个车辆的每个高速行驶风险因子对应的风险系数。
在本申请实施例中,存在行驶风险的车辆识别系统首先定时获取预设周期内每个车辆进出高速收费站的收费站数据;然后根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子;其次根据每个车辆的多个高速行驶风险因子,确定每个车辆的每个高速行驶风险因子对应的风险系数;再将每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到每个车辆的风险模型系数;最后基于每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,将在高速公路上存在行驶风险的车辆作为高风险车辆。由于本申请根据每个车辆进出高速收费站的收费站数据,计算每个车辆的多个高速行驶风险因子,以确定在高速公路上存在行驶风险的车辆,收费站是目前高速公路已经存在的,且收费站数据记录了每个车辆进出高速公路的相关信息,该信息可以覆盖每辆进入高速公路的车,能够提升风险车辆识别的全面性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,存在行驶风险的车辆识别的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存在行驶风险的车辆识别的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种存在行驶风险的车辆识别方法,其特征在于,所述方法包括:
定时获取预设周期内每个车辆进出高速收费站的收费站数据;
根据所述每个车辆进出高速收费站的收费站数据,计算所述每个车辆的多个高速行驶风险因子;
根据所述每个车辆的多个高速行驶风险因子,确定所述每个车辆的每个高速行驶风险因子对应的风险系数;
将所述每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到所述每个车辆的风险模型系数;
基于所述每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,并将在高速公路上存在行驶风险的车辆作为高风险车辆。
2.根据权利要求1所述的方法,其特征在于,所述根据所述每个车辆进出高速收费站的收费站数据,计算所述每个车辆的多个高速行驶风险因子,包括:
根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比;
根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比;
根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比;
根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程;
将以上计算出的所有参数作为所述每个车辆的多个高速行驶风险因子。
3.根据权利要求2所述的方法,其特征在于,所述根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比,包括:
根据所述每个车辆进出高速收费站的收费站数据,查询所述每个车辆的高速行驶平均速度大于预设速度的次数、位于第一预设速度区间的次数以及位于第二预设速度区间的次数以及总行程数;所述第一预设速度区间的下限值等于预设第二预设速度区间的上限值,所述第一预设速度区间的上限值小于所述预设速度;
计算所述每个车辆的高速行驶平均速度大于预设速度的次数与所述总行程数的第一比值;
计算位于第一预设速度区间的次数与所述总行程数的第二比值;
计算位于第二预设速度区间的次数与所述总行程数的第三比值;
将所述第一比值、第二比值以及第三比值作为每个车辆在高速公路上行驶平均速度在不同预设速度区间的占比。
4.根据权利要求2所述的方法,其特征在于,所述根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比,包括:
根据所述每个车辆进出高速收费站的收费站数据,查询所述每个车辆的后半夜行驶时长、前半夜行驶时长以及总行驶时长;
计算所述每个车辆的后半夜行驶时长与所述总行驶时长的第四比值;
计算所述每个车辆的前半夜行驶时长与所述总行驶时长的第五比值;
将所述第四比值、第五比值作为每个车辆在高速公路上行驶时间段在不同预设时间段区间的占比。
5.根据权利要求2所述的方法,其特征在于,所述根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上行驶时长在不同预设行驶时长的占比,包括:
根据所述每个车辆进出高速收费站的收费站数据,查询所述每个车辆的连续驾驶超1小时次数、连续驾驶超2小时次数以及总行程数;
计算所述每个车辆的连续驾驶超1小时次数与所述总行程数的第六比值;
计算所述每个车辆的连续驾驶超2小时次数与所述总行程数的第七比值;
将所述第六比值、第七比值作为每个车辆在高速公路上行驶时长在不同预设行驶时长的占比。
6.根据权利要求2所述的方法,其特征在于,所述根据所述每个车辆进出高速收费站的收费站数据,计算每个车辆在高速公路上第一常跑路线的占比、高速行驶次数、高速行驶次均里程、高速行驶工作日占比以及高速行驶日均里程,包括:
根据所述每个车辆进出高速收费站的收费站数据,查询所述每个车辆的高速常跑路线排名第一的次数、总行程数、总行驶里程、工作日里程、高速行驶天数、高速行驶次数;
计算所述每个车辆的高速常跑路线排名第一的次数与所述总行程数的比值,得到每个车辆在高速公路上第一常跑路线的占比;
计算所述每个车辆的总行驶里程与所述总行程数的比值,得到所述每个车辆的高速行驶次均里程;
计算所述每个车辆的工作日里程与所述总行驶里程的比值,得到所述每个车辆的高速行驶工作日占比;
计算所述每个车辆的总行驶里程与所述高速行驶天数的比值,得到所述每个车辆的高速行驶日均里程。
7.根据权利要求1所述的方法,其特征在于,所述根据所述每个车辆的多个高速行驶风险因子,确定所述每个车辆的每个高速行驶风险因子对应的风险系数,包括:
加载预先建立的广义可加模型;
将所述每个车辆的多个高速行驶风险因子作为所述广义可加模型的自变量;
将所述每个车辆的多个高速行驶风险因子影响预设高风险车辆的评定程度作为所述广义可加模型的因变量;
根据所述自变量和所述因变量,执行所述广义可加模型的计算函数,得到所述每个车辆的每个高速行驶风险因子对应的风险系数。
8.一种存在行驶风险的车辆识别系统,其特征在于,所述系统包括:
收费站数据获取模块,用于定时获取预设周期内每个车辆进出高速收费站的收费站数据;
高速行驶风险因子计算模块,用于根据所述每个车辆进出高速收费站的收费站数据,计算所述每个车辆的多个高速行驶风险因子;
风险系数确定模块,用于根据所述每个车辆的多个高速行驶风险因子,确定所述每个车辆的每个高速行驶风险因子对应的风险系数;
风险模型系数生成模块,用于将所述每个车辆的每个高速行驶风险因子对应的风险系数进行累乘,得到所述每个车辆的风险模型系数;
高风险车辆确定模块,用于基于所述每个车辆的风险模型系数,确定在高速公路上存在行驶风险的车辆,并将在高速公路上存在行驶风险的车辆作为高风险车辆。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873445.6A CN117789479A (zh) | 2023-12-29 | 2023-12-29 | 存在行驶风险的车辆识别方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311873445.6A CN117789479A (zh) | 2023-12-29 | 2023-12-29 | 存在行驶风险的车辆识别方法、系统、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789479A true CN117789479A (zh) | 2024-03-29 |
Family
ID=90392724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311873445.6A Pending CN117789479A (zh) | 2023-12-29 | 2023-12-29 | 存在行驶风险的车辆识别方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789479A (zh) |
-
2023
- 2023-12-29 CN CN202311873445.6A patent/CN117789479A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9014876B2 (en) | System for processing fleet vehicle operation information | |
EP2842108B1 (en) | System and method for tracking driver hours and timekeeping | |
EP2320387A1 (en) | A method and device for evaluating vehicle's fuel consumption efficiency | |
EP2435792B1 (de) | Rechnergestützte überwachung des energieverbrauchs eines beförderungsmittels | |
CN111860561A (zh) | 网约车的异常停留行为识别方法、装置、设备及存储介质 | |
CN112102518B (zh) | 车辆保养提醒信息的同步方法、装置、服务器及存储介质 | |
KR20140031435A (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
CN112687125B (zh) | 一种公路上违规停车后的预警方法、装置、存储介质及终端 | |
CN113405561B (zh) | 一种驾驶路线的推荐方法、装置、设备及存储介质 | |
CN106022846A (zh) | 车险定价及二手车定价方法和装置 | |
CN113263993B (zh) | 故障预警方法、装置、通信设备及存储介质 | |
EP2991876A1 (en) | Method and apparatus for providing vehicle component fault scoring | |
CN108573600B (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN113762755A (zh) | 驾驶员分析报告推送方法、装置、计算机设备和存储介质 | |
CN108255944A (zh) | 确定用户的居住地和工作地的方法和装置 | |
CN112508228A (zh) | 一种驾驶行为风险预测方法及系统 | |
CN115510990A (zh) | 一种模型训练方法和相关装置 | |
CN113763576B (zh) | 一种提醒用户停车费用的方法及相关设备 | |
CN117789479A (zh) | 存在行驶风险的车辆识别方法、系统、介质及电子设备 | |
CN109945880A (zh) | 路径规划方法、相关设备及可读存储介质 | |
CN112215481A (zh) | 试乘试驾业务能力确定方法及业务能力展示系统 | |
TWI820554B (zh) | 駕駛評價裝置、駕駛評價方法以及駕駛評價程式 | |
CN115131895B (zh) | 一种获取车辆里程数据的方法、装置和电子设备 | |
CN108009671B (zh) | 车辆的调度方法及装置 | |
JP6996155B2 (ja) | 運行情報管理装置、運行情報管理方法、及び運行情報管理システム |
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 |