CN117995021A - 基于多源数据融合算法的车辆安全预警方法和系统 - Google Patents

基于多源数据融合算法的车辆安全预警方法和系统 Download PDF

Info

Publication number
CN117995021A
CN117995021A CN202410406068.3A CN202410406068A CN117995021A CN 117995021 A CN117995021 A CN 117995021A CN 202410406068 A CN202410406068 A CN 202410406068A CN 117995021 A CN117995021 A CN 117995021A
Authority
CN
China
Prior art keywords
vehicle
driver
vehicles
module
target vehicle
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
Application number
CN202410406068.3A
Other languages
English (en)
Other versions
CN117995021B (zh
Inventor
李欣
周建
高沛
张旭冉
沈国辉
李茜瑶
刘清霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202410406068.3A priority Critical patent/CN117995021B/zh
Publication of CN117995021A publication Critical patent/CN117995021A/zh
Application granted granted Critical
Publication of CN117995021B publication Critical patent/CN117995021B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于多源数据融合算法的车辆安全预警方法和系统，尤其适用于互通立交路段。本系统包含驾驶员监测模块、车辆状态检测模块、外部环境检测模块、数据处理与预测模块、警报发送模块等，驾驶员监测模块监测驾驶员的生理信息;车辆状态检测模块实时监测车速、变道次数等;外部环境检测模块检测路况、天气等数据;数据处理与预测模块借助机器学习算法利用多源数据预测驾驶员行为的异常概率，并基于预测结果为周围其他车辆提供安全预警。本发明的预警方法和系统能有效地降低交通事故的风险，提高道路交通的安全性。

Description

基于多源数据融合算法的车辆安全预警方法和系统
技术领域
本发明属于驾驶安全监测技术领域，具体涉及基于多源数据融合算法的车辆安全预警方法和系统。
背景技术
立交互通路段因其复杂的交通环境和多变的驾驶条件，经常成为车辆碰撞事故的高发区。这些事故往往造成严重的人员伤亡和财产损失，给社会带来了极大的负担。因此，如何有效防止立交互通路段的事故发生，成为了当前交通安全领域亟待解决的重要问题。
为了解决这一问题，需要能够对驾驶员的驾驶行为进行及时、准确的监测和预测。通过多源数据分析方法，可以实时监测驾驶员的行车轨迹、速度、加速度等关键指标，并结合历史数据和交通模型，预测驾驶员的行为风险值，我们就能够在潜在风险发生之前，及时做出反应，防止事故的发生。同时，当系统检测到风险时，需要迅速地将预警信息传达给其他道路使用者，让周边车辆及时了解潜在的风险，并采取相应的规避措施，通过路侧设备将预警信息广播给更多的道路使用者，提高整个交通系统的安全性和协同性。
发明内容
本发明的目的在于提供基于多源数据融合算法的车辆安全预警方法和系统，用于提高交通系统的安全性和协同性，具体技术方案如下：
第一方面，本发明提供基于多源数据融合算法的车辆安全预警方法，适用于互通立交路段，所述方法包括：
对目标车辆驾驶员生理信息进行监测，所述驾驶员生理信息包括：疲劳状态和车内空气酒精浓度。
检测目标车辆的车辆状态信息，所述车辆状态信息包括：上一时间窗口内的变道次数和平均车速，以及当前时刻的车速。
目标车辆TBOX系统通过路侧的雷视一体机获取周围环境参数，所述周围参数包括：上一时间窗口内通过当前路段的车辆数量和车速信息，以及当前时刻车辆的平均车速和天气数据。
根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值。
基于计算结果向周围车辆提供安全预警。
进一步的，当检测到所述目标车辆当前时刻的车速超过路段阈值/>时，/>，则向所述当前路段的其他车辆发送安全预警。
通过路侧的雷视一体机获取的周围环境参数中，当前路段当前时刻的车辆平均车速为，则路段阈值为/>，其中，/>为与天气数据相关的常数，。
进一步的，当检测到所述目标车辆的实时车速未超过路段阈值/>时，/>，根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值，具体计算方法为：
上一时间窗口内有n台车辆通过互通立交路段进入分叉口，车辆的特征数据集合表示为B，对于车辆j，其特征数据表示为集合B中的元素，/>，其中，/>是车辆平均速度，/>是车辆通过该路段的变道次数，/>是车辆通过该路段的最高时速，，/>为第个元素，/>为元素的个数；对于特征数据集合B，其元素的数学平均值为。
则特征数据集合B中的第个元素到数学平均值/>间的距离/>视为独立同分布的随机变量，平均距离/>表示为：/>，其中，/>；
采集上一时间窗口以及当前时刻目标车辆的车辆状态信息x=（，/>，/>），为目标车辆上一时间窗口内的平均速度，/>是目标车辆上一时间窗口内的变道次数，/>是目标车辆的当前车速。
所述车辆状态信息的数据样本到/>的距离/>为：
；
则，当前时刻驾驶员行为的异常值计算公式为：
其中，；/>和/>分别表示当前时刻驾驶员的疲劳状态和车内空气酒精浓度；当/>时，判定当前时刻驾驶员行为处于异常状态，向周围车辆提供安全预警。
进一步的，在进行当前时刻驾驶员行为的异常值计算时，若当前时刻驾驶员处于疲劳状态，，否则，/>。
进一步的，在进行当前时刻驾驶员行为的异常值计算时，若车内空气酒精浓度大于10毫克每立方米，，否则，/>。
进一步的，当目标车辆进入所述雷视一体机的监测路段时，将所述目标车辆的时间窗口与所述雷视一体机的时间窗口统一，所述时间窗口的长度设置为1~5分钟。
进一步的，常数与天气数据中的能见度相关，其取值公式为：
，其中，r为能见度。
进一步的，所述雷视一体机安装在互通立交路段车辆进入分叉口后20~50m的位置，用于监测车辆在进入互通立交分叉口前100~200m内的交通行为。
进一步的，基于预测结果向周围车辆提供安全预警，包括：当所述异常值时，目标车辆的TBOX系统自动将警报信息编码发送给所述路侧的雷视一体机系统，的雷视一体机系统通过无线通信网络将信息发送给当前路段的其他车辆。
当其他车辆接收到警报信息后，在车载显示器、声音提示等方式下显示或播放警报内容以提醒驾驶者。
第二方面，本发明提供如第一方面所述的一种基于多源数据融合算法的车辆安全预警方法的预警系统，所述系统包括：驾驶员监测模块、车辆状态监测模块、外部环境监测模块、数据处理与预测模块以及警报发送模块。
进一步的，所述驾驶员监测模块、车辆状态监测模块以及外部环境监测模块分别于所述数据处理与预测模块连接，所述数据处理与预测模块与所述警报发送模块连接。
进一步的，所述驾驶员监测模块用于对目标车辆驾驶员生理信息进行监测，所述驾驶员生理信息包括：疲劳状态和车内空气酒精浓度。
进一步的，所述车辆状态监测模块用于检测目标车辆的车辆状态信息，所述车辆状态信息包括：上一时间窗口内的变道次数和平均车速，以及当前时刻的车速。
进一步的，所述外部环境监测模块用于目标车辆TBOX系统通过路侧的雷视一体机获取周围环境参数，所述周围环境参数包括：上一时间窗口内通过当前路段的车辆数量和车速信息，以及当前时刻车辆的平均车速和天气数据。
进一步的，所述数据处理与预测模块用于根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值。
进一步的，所述警报发送模块用于基于计算结果向周围车辆提供安全预警。
本发明与现有技术相比，其有益效果是：
本发明的方法通过对驾驶员生理信息的监测，如疲劳状态和车内空气酒精浓度，能够及时发现驾驶员可能存在的安全隐患。同时，结合车辆状态信息和周围环境参数的综合分析，能够更准确地预测驾驶员的行为，从而在潜在风险发生前进行及时预警，避免或减少交通事故的发生。该方法利用多源数据进行综合分析，相较于单一数据源，能够提供更全面、更准确的驾驶行为预测。同时，通过实时获取和分析数据，能够实现驾驶行为的即时监测和预警，提高预警的实时性，确保驾驶员和其他道路使用者能够迅速作出反应，该方法能够为未来智能交通系统的建设提供更为可靠的技术支撑。
附图说明
图1为本发明的基于多源数据融合算法的车辆安全预警方法流程图；
图2为本发明的基于多源数据融合算法的车辆安全预警系统组成示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
实施例1
如图1所示，为基于多源数据融合算法的车辆安全预警方法流程图，该方法包括以下步骤：
步骤1，对目标车辆驾驶员生理信息进行监测，所述驾驶员生理信息包括：疲劳状态和车内空气酒精浓度。
需要说明的是，对于驾驶员血液中的酒精含量，有明确的阈值规定。根据《车辆驾驶人员血液、呼气酒精含量阈值与检验》标准，驾驶员血液中的酒精含量大于或等于20mg/100mL且小于80mg/100mL的驾驶行为被定义为饮酒驾车；血液中的酒精含量大于或等于80mg/100mL的驾驶行为则被视为醉酒驾车。然而，关于车内空气酒精浓度的阈值，并没有一个统一的标准，这些阈值也不是用于判定驾驶员是否违反酒驾相关法规的依据，且车内其他乘客或外部因素也可能影响车内空气的酒精浓度。在进行当前时刻驾驶员行为的异常值计算时，若当前时刻驾驶员处于疲劳状态，，否则，/>。
在进行疲劳状态的监测时，本实施例不限定具体的监测方法和设备，目前，对于疲劳状态判断，通常考虑的因素包括：连续驾驶时间，通过记录驾驶员的连续驾驶时间来判断其是否疲劳，一般来说，连续驾驶机动车超过4小时未停车休息或者停车休息时间少于20分钟，会被判定为疲劳驾驶；生理特征观察，通过观察驾驶员的生理特征，如头重、心跳加快、脉搏加速、手脚酸痛、气喘、胸闷、口渴、食欲不振、叹气、打哈欠、频繁眨眼、表情变化少、眼睛发红发干、视觉模糊等，来判断其是否处于疲劳状态；驾驶表现评估，驾驶员在疲劳状态下，可能会出现操作不当、反应迟钝、判断能力下降等驾驶技能下降的现象；当前的监测设备有：疲劳驾驶预警系统（BAWS），基于驾驶员的生理图像反应，通过ECU和摄像头两大模块来监测驾驶员的面部特征、眼部信号、头部运动等，从而推断驾驶员的疲劳状态，并发出警报提示；以及，疲劳识别系统，从驾驶开始便记录驾驶员的操作行为，通过识别长途旅行中驾驶操作的变化来判断驾驶员的疲劳程度；例如，驾驶员转向操作频率变低，并伴随轻微但急骤地转向动作以保持行驶方向，是驾驶精力不集中的典型表现。此外，还有一些更先进的监测方法，如测量驾驶员的生理参数（如脑电图、心电图等）或使用车辆行为监测（如速度、方向盘转动角度等）来间接评估驾驶员的疲劳程度。在进行当前时刻驾驶员行为的异常值计算时，若车内空气酒精浓度大于10毫克每立方米，，否则，/>。
步骤2，检测目标车辆的车辆状态信息，所述车辆状态信息包括：上一时间窗口内的变道次数和平均车速，以及当前时刻的车速。
当检测到所述目标车辆当前时刻的车速超过路段阈值/>时，/>，则向所述当前路段的其他车辆发送安全预警。通过路侧的雷视一体机获取的周围环境参数中，当前路段当前时刻的车辆平均车速为/>，则路段阈值为/>，其中，/>为与天气数据相关的常数，/>。
常数与天气数据中的能见度相关，其取值公式为：
，其中，r为能见度。
步骤3，目标车辆TBOX系统通过路侧的雷视一体机获取周围环境参数，所述周围参数包括：上一时间窗口内通过当前路段的车辆数量和车速信息，以及当前时刻车辆的平均车速和天气数据。
需要说明的是，车辆TBOX系统是一种车联网系统，利用远距离通信和信息科学技术，为汽车提供行车数据采集、远程查询和控制、监测故障等服务；TBOX系统能够收集汽车的行驶数据和记录，并将这些数据存储在系统中。通过对这些数据进行解析，它们可以显示在显示屏上，为车主提供关于车辆状态和行驶历史的详细信息，车辆TBOX系统通过CAN BUS总线与汽车的主机进行通信，实现指令与信息的传递。此外，TBOX系统还能够深度读取汽车的CAN总线数据和私有协议，对车辆状态进行精确控制；雷视一体机是一种集成了雷达与视频能力的设备，主要用于道路交通信息的实时监控和异常交通事件的及时发现。其中，雷达模块负责实时监控道路交通信息，而视频模块则对雷达检测到的异常事件进行自动复核并取证。通过算法过滤，这种设备可以减少误报，提高交通管理的效率和准确性。当目标车辆进入所述雷视一体机的监测路段时，将所述目标车辆的时间窗口与所述雷视一体机的时间窗口统一，所述时间窗口的长度设置为1~5分钟。本实施例的雷视一体机安装在互通立交路段车辆进入分叉口后20~50m的位置，用于监测车辆在进入互通立交分叉口前的交通行为，其监测距离可以达到1公里，对于立交特殊路段，本实施采用的距离范围为100~200m。
步骤4，根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值。
需要说明的是，当检测到所述目标车辆的实时车速未超过路段阈值/>时，，根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值，具体计算方法为：
上一时间窗口内有n台车辆通过互通立交路段进入分叉口，车辆的特征数据集合表示为B，对于车辆j，其特征数据表示为集合B中的元素，/>，其中，/>是车辆平均速度，/>是车辆通过该路段的变道次数，/>是车辆通过该路段的最高时速，，/>为第个元素，/>为元素的个数；对于特征数据集合B，其元素的数学平均值为。
，/>，/>。
则特征数据集合B中的第个元素到数学平均值/>间的距离/>视为独立同分布的随机变量，平均距离/>表示为：/>，其中，/>；
采集上一时间窗口以及当前时刻目标车辆的车辆状态信息x=（，/>，/>），为目标车辆上一时间窗口内的平均速度，/>是目标车辆上一时间窗口内的变道次数，/>是目标车辆的当前车速。
所述车辆状态信息的数据样本到/>的距离/>为：
；
则，当前时刻驾驶员行为的异常值计算公式为：
其中，；/>和/>分别表示当前时刻驾驶员的疲劳状态和车内空气酒精浓度；当/>时，判定当前时刻驾驶员行为处于异常状态，向周围车辆提供安全预警。
步骤5，基于计算结果向周围车辆提供安全预警。
当所述异常值时，目标车辆的TBOX系统自动将警报信息编码发送给所述路侧的雷视一体机系统，的雷视一体机系统通过无线通信网络将信息发送给当前路段的其他车辆。
当其他车辆接收到警报信息后，在车载显示器、声音提示等方式下显示或播放警报内容以提醒驾驶者。
实施例2
本实施例提供如基于多源数据融合算法的车辆安全的预警系统，用于执行如实施例所述的方法，如图2所示，所述系统包括：驾驶员监测模块、车辆状态监测模块、外部环境监测模块、数据处理与预测模块以及警报发送模块。
所述驾驶员监测模块、车辆状态监测模块以及外部环境监测模块分别于所述数据处理与预测模块连接，所述数据处理与预测模块与所述警报发送模块连接；所述驾驶员监测模块用于对目标车辆驾驶员生理信息进行监测，所述驾驶员生理信息包括：疲劳状态和车内空气酒精浓度；所述车辆状态监测模块用于检测目标车辆的车辆状态信息，所述车辆状态信息包括：上一时间窗口内的变道次数和平均车速，以及当前时刻的车速；所述外部环境监测模块用于目标车辆TBOX系统通过路侧的雷视一体机获取周围环境参数，所述周围参数包括：上一时间窗口内通过当前路段的车辆数量和车速信息，以及当前时刻车辆的平均车速和天气数据；所述数据处理与预测模块用于根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值；所述警报发送模块用于基于计算结果向周围车辆提供安全预警。
需要说明的是，驾驶员监测模块、车辆状态监测模块以及外部环境监测模块是车辆安全预警系统中不可或缺的部分，它们各自承担着特定的监测任务，并将收集到的数据传送给数据处理与预测模块进行分析。驾驶员监测模块通过先进的传感器技术和算法，实时监测驾驶员的生理信息。它关注的核心指标是驾驶员的疲劳状态和车内空气酒精浓度。通过捕捉驾驶员的眼部动作、头部姿势等细微变化，模块能够准确判断驾驶员是否处于疲劳状态，从而及时发出预警。同时，车内空气酒精浓度的监测则有助于发现驾驶员是否存在酒驾风险，确保行车安全。车辆状态监测模块则主要关注目标车辆的实时状态。它收集的数据包括上一时间窗口内的变道次数和平均车速，以及当前时刻的车速。这些数据能够反映车辆的行驶稳定性和驾驶员的驾驶习惯。通过分析这些数据，模块能够判断车辆是否处于异常状态，如频繁变道或超速行驶，进而预测潜在的安全风险。外部环境监测模块则利用车辆TBOX系统与路侧的雷视一体机进行通信，获取周围环境参数。这些数据包括上一时间窗口内通过当前路段的车辆数量和车速信息，以及当前时刻车辆的平均车速和天气数据。这些参数对于评估道路交通状况和预测潜在风险至关重要。例如，在恶劣天气或交通拥堵的情况下，驾驶员需要更加谨慎地驾驶，以避免发生事故。数据处理与预测模块是整个系统的核心。它接收来自各个监测模块的数据，并运用先进的算法进行综合分析。通过计算驾驶员行为的异常值，模块能够预测驾驶员可能采取的不当行动，并提前发出预警。这些预警信息经过处理后，将被传送至警报发送模块。警报发送模块负责将预警信息及时传递给周围车辆。通过车联网技术，模块能够实现车辆之间的信息共享和协同预警。当检测到潜在风险时，模块会向周边车辆发送预警信号，提醒它们注意避让或采取相应措施。这样，整个交通系统就能够更加智能、高效和安全地运行。
这套车辆安全预警系统通过集成多个监测模块和数据处理与预测模块，实现了对驾驶员、车辆和外部环境的全面监测和预警。能够提高驾驶安全性，减少交通事故的发生，为出行提供更加可靠的安全保障。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于多源数据融合算法的车辆安全预警方法，适用于互通立交路段，其特征在于，所述方法包括：
对目标车辆驾驶员生理信息进行监测，所述驾驶员生理信息包括：疲劳状态和车内空气酒精浓度；检测目标车辆的车辆状态信息，所述车辆状态信息包括：上一时间窗口内的变道次数和平均车速，以及当前时刻的车速；目标车辆TBOX系统通过路侧的雷视一体机获取周围环境参数，所述周围环境参数包括：上一时间窗口内通过当前路段的车辆数量和车速信息，以及当前时刻车辆的平均车速和天气数据；根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值；基于计算结果向周围车辆提供安全预警；
所述计算结果向周围车辆提供安全预警包括：
当检测到所述目标车辆当前时刻的车速超过路段阈值/>时，/>，则向所述当前路段的其他车辆发送安全预警；
的计算方法为：通过路侧的雷视一体机获取的周围环境参数中，当前路段当前时刻的车辆平均车速为/>，则路段阈值为/>，其中，/>为与天气数据相关的常数，；
当检测到所述目标车辆的实时车速未超过路段阈值/>时，/>，根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值，具体计算方法为：
上一时间窗口内有n台车辆通过互通立交路段进入分叉口，车辆的特征数据集合表示为B，对于车辆j，其特征数据表示为集合B中的元素，
，其中，/>是车辆平均速度，/>是车辆通过该路段的变道次数，是车辆通过该路段的最高时速，/>，/>为第个元素，/>为元素的个数；对于特征数据集合B，其元素的数学平均值为 />；
则特征数据集合B中的第个元素到数学平均值/>间的距离/>视为独立同分布的随机变量，平均距离/>表示为：/>，其中，/>；
采集上一时间窗口以及当前时刻目标车辆的车辆状态信息x=（，/>，/>），/>为目标车辆上一时间窗口内的平均速度，/>是目标车辆上一时间窗口内的变道次数，/>是目标车辆的当前车速；
所述车辆状态信息的数据样本到/>的距离/>为：
；
则，当前时刻驾驶员行为的异常值计算公式为：
；
其中，；/>和/>分别表示当前时刻驾驶员的疲劳状态和车内空气酒精浓度；当时，判定当前时刻驾驶员行为处于异常状态，向周围车辆提供安全预警。
2.根据权利要求1所述的基于多源数据融合算法的车辆安全预警方法，其特征在于，在进行当前时刻驾驶员行为的异常值计算时，若当前时刻驾驶员处于疲劳状态，，否则，/>。
3.根据权利要求2所述的基于多源数据融合算法的车辆安全预警方法，其特征在于，在进行当前时刻驾驶员行为的异常值计算时，若车内空气酒精浓度大于10毫克每立方米，，否则，/>。
4.根据权利要求1所述的基于多源数据融合算法的车辆安全预警方法，其特征在于，当目标车辆进入所述雷视一体机的监测路段时，将所述目标车辆的时间窗口与所述雷视一体机的时间窗口统一，所述时间窗口的长度设置为1~5分钟。
5.根据权利要求2所述的基于多源数据融合算法的车辆安全预警方法，其特征在于，常数与天气数据中的能见度相关，其取值公式为：
，其中，r为能见度。
6.根据权利要求5所述的基于多源数据融合算法的车辆安全预警方法，其特征在于，所述雷视一体机安装在互通立交路段车辆进入分叉口后20~50m的位置，用于监测车辆在进入互通立交分叉口前100~200m内的交通行为。
7.根据权利要求5所述的基于多源数据融合算法的车辆安全预警方法，其特征在于，基于预测结果向周围车辆提供安全预警，包括：当所述异常值时，目标车辆的TBOX系统自动将警报信息编码发送给所述路侧的雷视一体机系统，的雷视一体机系统通过无线通信网络将信息发送给当前路段的其他车辆；
当其他车辆接收到警报信息后，在车载显示器、声音提示等方式下显示或播放警报内容以提醒驾驶者。
8.根据权利要求1-7任一项所述的基于多源数据融合算法的车辆安全预警方法的预警系统，其特征在于，所述系统包括：驾驶员监测模块、车辆状态监测模块、外部环境监测模块、数据处理与预测模块以及警报发送模块；
所述驾驶员监测模块、车辆状态监测模块以及外部环境监测模块分别于所述数据处理与预测模块连接，所述数据处理与预测模块与所述警报发送模块连接；
所述驾驶员监测模块用于对目标车辆驾驶员生理信息进行监测，所述驾驶员生理信息包括：疲劳状态和车内空气酒精浓度；
所述车辆状态监测模块用于检测目标车辆的车辆状态信息，所述车辆状态信息包括：上一时间窗口内的变道次数和平均车速，以及当前时刻的车速；
所述外部环境监测模块用于目标车辆TBOX系统通过路侧的雷视一体机获取周围环境参数，所述周围环境参数包括：上一时间窗口内通过当前路段的车辆数量和车速信息，以及当前时刻车辆的平均车速和天气数据；
所述数据处理与预测模块用于根据所述驾驶员生理信息、车辆状态信息以及周围环境参数计算得到驾驶员行为的异常值；
所述警报发送模块用于基于计算结果向周围车辆提供安全预警。
CN202410406068.3A 2024-04-07 2024-04-07 基于多源数据融合算法的车辆安全预警方法和系统 Active CN117995021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410406068.3A CN117995021B (zh) 2024-04-07 2024-04-07 基于多源数据融合算法的车辆安全预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410406068.3A CN117995021B (zh) 2024-04-07 2024-04-07 基于多源数据融合算法的车辆安全预警方法和系统

Publications (2)

Publication Number Publication Date
CN117995021A true CN117995021A (zh) 2024-05-07
CN117995021B CN117995021B (zh) 2024-06-11

Family

ID=90901065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410406068.3A Active CN117995021B (zh) 2024-04-07 2024-04-07 基于多源数据融合算法的车辆安全预警方法和系统

Country Status (1)

Country Link
CN (1) CN117995021B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130069773A1 (en) * 2010-05-12 2013-03-21 Beijing Its-Star Technology Co., Ltd. Intelligent traffic safety system based on comprehensive state detection and decision method thereof
CN205751145U (zh) * 2016-05-20 2016-11-30 吴江智远信息科技发展有限公司 一种能防止疲劳驾驶的辅助驾驶系统
CN111009127A (zh) * 2019-12-24 2020-04-14 安徽虹湾信息技术有限公司 一种基于事故风险的城市动态预警系统及方法
WO2022134780A1 (zh) * 2020-12-23 2022-06-30 深圳壹账通智能科技有限公司 酒驾车辆的监控方法、装置、设备及存储介质
WO2022142540A1 (zh) * 2020-12-31 2022-07-07 联合汽车电子有限公司 基于智能网联信息的新能源汽车滑行控制系统、方法及新能源汽车
CN117612141A (zh) * 2023-01-30 2024-02-27 福建省烟草公司莆田市公司 基于物联网+adas的送货安全监控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130069773A1 (en) * 2010-05-12 2013-03-21 Beijing Its-Star Technology Co., Ltd. Intelligent traffic safety system based on comprehensive state detection and decision method thereof
CN205751145U (zh) * 2016-05-20 2016-11-30 吴江智远信息科技发展有限公司 一种能防止疲劳驾驶的辅助驾驶系统
CN111009127A (zh) * 2019-12-24 2020-04-14 安徽虹湾信息技术有限公司 一种基于事故风险的城市动态预警系统及方法
WO2022134780A1 (zh) * 2020-12-23 2022-06-30 深圳壹账通智能科技有限公司 酒驾车辆的监控方法、装置、设备及存储介质
WO2022142540A1 (zh) * 2020-12-31 2022-07-07 联合汽车电子有限公司 基于智能网联信息的新能源汽车滑行控制系统、方法及新能源汽车
CN117612141A (zh) * 2023-01-30 2024-02-27 福建省烟草公司莆田市公司 基于物联网+adas的送货安全监控方法

Also Published As

Publication number Publication date
CN117995021B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN106157614B (zh) 汽车事故责任确定方法及系统
KR101405679B1 (ko) 차량 위치 정보 기반 비정상 운전 판정 및 경보 시스템
CN105261151B (zh) 基于操作行为特征的高等级公路驾驶人疲劳状态检测方法
CN108297874B (zh) 一种用于共享汽车的驾驶员身份授权系统
CN101840632B (zh) 一种对车内驾驶行为异常监控方法和系统
US20120245758A1 (en) Driving behavior detecting method and apparatus
CN104599443A (zh) 一种基于信息融合的驾驶行为预警车载终端及其预警方法
CN103700160A (zh) 基于微传感器的机动车车载终端及驾驶行为判断方法
CN110660194A (zh) 一种驾驶监控预警方法及系统
CN112373478A (zh) 一种疲劳驾驶预警方法及装置
CN111231972B (zh) 基于驾驶行为习惯的告警方法、车辆及存储介质
US20200090425A1 (en) Using vehicle electrical system monitored values
CN110044616B (zh) 一种铁路机车轴承及齿轮故障诊断方法和诊断系统
CN110558998A (zh) 一种基于adas系统的汽车疲劳驾驶检测控制方法
CN112150848A (zh) 一种基于传感器检测的高速公路恶劣天气自动预警提示方法
CN114360210A (zh) 一种车辆疲劳驾驶预警系统
CN117311327A (zh) 一种基于物联网的汽车安全检测系统
CN117995021B (zh) 基于多源数据融合算法的车辆安全预警方法和系统
CN112428921B (zh) 连续下坡路段提示方法、装置及车辆
CN116153070A (zh) 一种分布式安全态势感知检测系统
CN211979500U (zh) 一种车载信息汇总处理系统
CN115116260A (zh) 车辆驾驶辅助控制方法、装置及车辆
CN113327409A (zh) 一种基于智能识别监测的驾驶行为分析系统
CN104636723B (zh) 基于视频图像中特定物体影像分析的行车预警方法
CN113345127A (zh) 一种基于行车安全事件累计频次的疲劳预警系统

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