CN118260639A - 一种dms告警分类方法、告警分类方法、装置及设备 - Google Patents
一种dms告警分类方法、告警分类方法、装置及设备 Download PDFInfo
- Publication number
- CN118260639A CN118260639A CN202211640488.5A CN202211640488A CN118260639A CN 118260639 A CN118260639 A CN 118260639A CN 202211640488 A CN202211640488 A CN 202211640488A CN 118260639 A CN118260639 A CN 118260639A
- Authority
- CN
- China
- Prior art keywords
- alarm
- dms
- data
- classification
- alarms
- 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 90
- 238000012549 training Methods 0.000 claims abstract description 155
- 238000013145 classification model Methods 0.000 claims abstract description 58
- 230000003068 static effect Effects 0.000 claims abstract description 52
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims description 47
- 230000004044 response Effects 0.000 claims description 30
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims description 24
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims description 24
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 24
- 238000003066 decision tree Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 241001282135 Poromitra oscitans Species 0.000 description 2
- 206010048232 Yawning Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本申请适用于物流运输技术领域,提供了一种DMS告警分类方法、告警分类方法、装置及设备,该方法包括:响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征;将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的;基于DMS告警分类结果,触发相应的告警干预进程。上述方法,综合考虑了多种影响告警危险程度的因素,提高了DMS告警分类的准确性,能有效降低运输事故的发生概率。
Description
技术领域
本申请属于物流运输技术领域,尤其涉及一种DMS告警分类方法、告警分类方法、装置及设备。
背景技术
在物流运输场景中,为缓解司机疲劳以及降低运输事故的发生概率,会在驾驶过程中进行多个维度的监控,并生成相应的告警。常见的具有告警功能的系统包括高级辅助驾驶系统(ADAS,Advanced Driving Assistance System)、驾驶疲劳检测系统(DMS,DriverMonitor System)和盲区监视系统(BSD,Blind Spot Detection)等。
目前,由于告警的数量较多且告警是有一定误报率的,故,需要对告警进行分类筛选,再针对危险告警提前进行干预,以缓解司机疲劳以及降低运输事故的发生概率。
然而,由于车辆种类和告警设备种类是多种多样的,以及各类告警有不同的上报频率和准确率,故导致了告警分类较为困难,若仅采用简单的规则对告警进行分类则无法贴合实际的设备情况和驾驶情况,降低告警分类的准确性,影响提前干预的效果。
发明内容
本申请实施例提供了一种DMS告警分类方法、告警分类方法、装置及设备,可以解决上述技术问题。
第一方面,本申请实施例提供了一种DMS告警分类方法,包括:响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征;将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的;基于DMS告警分类结果,触发相应的告警干预进程。
进一步地,将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型之前,包括:获取告警训练数据集;其中,告警训练数据集包括若干条告警训练数据,每条告警训练数据至少包括车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据;根据告警特征训练数据集和预设的梯度提升决策树算法,训练初始化后的告警分类模型,得到告警分类模型。
进一步地,获取告警训练数据集之前,包括:响应于告警请求,获取车辆静态训练数据、告警时的车辆动态训练数据和告警历史数据;根据告警历史数据和预设的序列化数据构造算法,得到告警前的序列化告警训练数据;根据车辆静态训练数据、告警时的车辆动态数据以及告警前的序列化告警训练数据,得到一组告警训练数据。
进一步地,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,包括:响应于DMS告警分类请求,获取DMS告警历史数据;其中,DMS告警历史数据至少包括告警类型和告警时间;根据DMS告警历史数据中的告警类型和告警时间以及预设的序列化数据构造算法,得到DMS告警前的序列化告警数据。
进一步地,DMS告警前的序列化告警数据中包括DMS告警历史时序数据,根据DMS告警历史数据和预设的序列化数据构造算法,得到DMS告警前的序列化告警数据,包括:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据。
进一步地,DMS告警前的序列化告警数据中包括DMS混合告警历史时序数据,根据DMS告警历史数据和预设的序列化数据构造算法,得到DMS告警前的序列化告警数据,包括:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下预设类型的告警的累加次数;其中,预设类型至少包括两个类型;根据DMS告警前的若干个时间段下预设类型的告警的累加次数,得到DMS混合告警历史时序数据。
进一步地,DMS告警前的序列化告警数据中包括DMS告警历史时序数据的关联特征数据,根据DMS告警历史数据和预设的序列化数据构造算法,得到DMS告警前的序列化告警数据,包括:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据;根据各个类型的告警对应的告警历史时序数据和已筛选的关联特征构造规则,得到DMS告警历史时序数据的关联特征数据。
进一步地,车辆静态数据中包括车辆型号和/或告警设备型号,告警时的车辆动态数据中包括告警时的车速、告警时的车重和/或告警时的所在道路类型。
第二方面,本申请实施例提供了一种告警分类方法,包括:根据如第一方面的DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据;获取DMS告警模型输出的DMS告警数据和DMS告警模型中目标层的输出数据;其中,目标层为DMS告警模型的输出层的前一层;获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据;将DMS告警前的序列化告警数据、DMS告警数据、目标层的输出数据、ADAS序列化告警数据、路况判断数据、车速告警数据以及行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果;其中,多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
第三方面,本申请实施例提供了一种DMS告警分类装置,包括:响应单元,用于响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征;分类单元,用于将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的;触发单元,用于基于DMS告警分类结果,触发相应的告警干预进程。
进一步地,该装置,还包括:第一获取单元,用于获取告警训练数据集;其中,告警训练数据集包括若干条告警训练数据,每条告警训练数据至少包括车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据;训练单元,用于根据告警特征训练数据集和预设的梯度提升决策树算法,训练初始化后的告警分类模型,得到告警分类模型。
进一步地,该装置,还包括:第二获取单元,用于响应于告警请求,获取车辆静态训练数据、告警时的车辆动态训练数据和告警历史数据;第一构造单元,用于根据告警历史数据和预设的序列化数据构造算法,得到告警前的序列化告警训练数据;第二构造单元,用于根据车辆静态训练数据、告警时的车辆动态数据以及告警前的序列化告警训练数据,得到一组告警训练数据。
进一步地,响应单元,包括:第一响应单元,用于响应于DMS告警分类请求,获取DMS告警历史数据;其中,DMS告警历史数据至少包括告警类型和告警时间;第三构造单元,用于根据DMS告警历史数据中的告警类型和告警时间以及预设的序列化数据构造算法,得到DMS告警前的序列化告警数据。
进一步地,第三构造单元,具体用于:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据。
进一步地,第三构造单元,具体用于:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下预设类型的告警的累加次数;其中,预设类型至少包括两个类型;根据DMS告警前的若干个时间段下预设类型的告警的累加次数,得到DMS混合告警历史时序数据。
进一步地,第三构造单元,具体用于:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据;根据各个类型的告警对应的告警历史时序数据和已筛选的关联特征构造规则,得到DMS告警历史时序数据的关联特征数据。
第四方面,本申请实施例提供了一种告警分类装置,包括:响应单元,用于根据如第一方面的DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据;第一获取单元,用于获取DMS告警模型输出的DMS告警数据和DMS告警模型中目标层的输出数据;其中,目标层为DMS告警模型的输出层的前一层;第二获取单元,用于获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据;分类单元,用于将DMS告警前的序列化告警数据、DMS告警数据、目标层的输出数据、ADAS序列化告警数据、路况判断数据、车速告警数据以及行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果;其中,多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
第五方面,本申请实施例提供了一种设备,包括处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面或第二方面的方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面或第二方面的方法。
本申请实施例中,为了提高告警分类的准确性,设备在响应于DMS告警分类请求时,会获取DMS告警前的序列化告警数据,并还会获取车辆静态数据和DMS告警时的车辆动态数据。上述用于告警分类的数据,一方面能够反映DMS告警在历史时序上的特征,结合了DMS告警的历史情况,另一方面,也能够反应出告警发生时的设备情况和驾驶情况,综合考虑了多种影响告警危险程度的因素。之后,设备将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果,该告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的,能够快速地捕捉分类特征,准确地对DMS告警的危险程度进行分类,保证DMS告警分类结果的准确性,进而设备再基于DMS告警分类结果,触发相应的告警干预进程,从而有效缓解司机疲劳以及降低运输事故的发生概率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种DMS告警分类方法的示意流程图;
图2是本申请第一实施例提供的一种DMS告警分类方法中S101的示意流程图;
图3是本申请第一实施例提供的一种DMS告警分类方法中S1012的示意流程图;
图4是本申请第一实施例提供的一种DMS告警分类方法中S1012的另一示意流程图;
图5是本申请第一实施例提供的一种DMS告警分类方法中S1012的又一示意流程图;
图6是本申请第一实施例提供的一种DMS告警分类方法的另一示意流程图;
图7是本申请第一实施例提供的一种DMS告警分类方法的又一示意流程图;
图8是本申请第二实施例提供的一种告警分类方法的示意流程图;
图9是本申请第三实施例提供的DMS告警分类装置的示意图;
图10是本申请第四实施例提供的告警分类装置的示意图;
图11是本申请第五实施例提供的设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参见图1,图1是本申请第一实施例提供的一种DMS告警分类方法的示意流程图。本实施例中一种DMS告警分类方法的执行主体为具有DMS告警分类功能的设备,该DMS告警分类设备可以为个人计算机以及服务器等,也可以为处理器、微处理器等。本申请实施例以DMS告警分类设备(以下简称为设备)为DMS告警分类方法的执行主体进行下述解释说明,不具体对设备进行限定。如图1所示的DMS告警分类方法可以包括:
S101:响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征。
设备响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据。
其中,DMS告警分类请求可以是DMS告警模型产生DMS告警时触发生成的,在一个可选的实施方式中,DMS告警模型产生DMS告警时触发生成DMS告警分类请求,发送该DMS告警分类请求至web服务器,再由web服务器分配至运行有DMS告警分类程序的设备(即,本实施例中具有DMS告警分类功能的设备)。其中,web服务器可以为uwsgi,其是一个现有的web服务器,DMS告警分类程序可以为基于Flask框架开发的程序。
下面分别解释说明DMS告警前的序列化告警数据、车辆静态数据以及DMS告警时的车辆动态数据。
其中,DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征。
在一个可选的实施方式中,请参阅图2,图2是本申请第一实施例提供的一种DMS告警分类方法中S101的示意流程图,S101包括:
S1011:响应于DMS告警分类请求,获取DMS告警历史数据;其中,DMS告警历史数据至少包括告警类型和告警时间。
S1012:根据DMS告警历史数据中的告警类型和告警时间以及预设的序列化数据构造算法,得到DMS告警前的序列化告警数据。
该DMS告警历史数据是指历史上产生的DMS告警对应的告警数据,设备响应于DMS告警分类请求,会获取若干条DMS告警历史数据。
其中,每条DMS告警历史数据中均包括告警类型和告警时间。
本实施例中,告警类型为DMS告警的类型,可以包括驾驶员走神告警、驾驶员疲劳告警、驾驶员闭眼告警以及驾驶员打哈欠告警等。
告警时间是指DMS告警的产生时间。
预设的序列化数据构造算法能够基于各条DMS告警历史数据中的告警类型和告警时间,构造DMS告警前的序列化告警数据。
在一个可选的实施例中,序列化数据构造算法可以预设置在设备中,也可以预设置在与该设备建立数据连接的其他设备中,此种情况下,需要构造DMS告警前的序列化告警数据时,设备从其他设备中调用该序列化数据构造算法。
在一个可选的实施方式中,DMS告警前的序列化告警数据包括DMS告警历史时序数据、DMS混合告警历史时序数据和/或DMS告警历史时序数据的关联特征数据。
下面将分别说明如何获取到DMS告警历史时序数据、DMS混合告警历史时序数据和DMS告警历史时序数据的关联特征数据。
在一个可选的实施方式中,DMS告警前的序列化告警数据中包括DMS告警历史时序数据,请参阅图3,图3是本申请第一实施例提供的一种DMS告警分类方法中S1012的示意流程图,S1012包括:
S10121:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数。
S10122:根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据。
设备根据各条DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数。
其中,每个时间段的时长是一致的,例如10分钟,那么,若干个时间段可以是指此次DMS告警前的0至10分钟、此次DMS告警前的10至20分钟等。可选的,还可以进行更细致的划分,例如:1分钟,那么若干个时间段可以是指此次DMS告警前的0至1分钟、此次DMS告警前的1至2分钟等。
本实施例的统计过程中,将对各个类型的DMS告警分开统计,假设DMS告警的类型包括A类、B类和C类。
那么,设备就分别统计DMS告警前的若干个时间段下A类告警的次数、若干个时间段下B类告警的次数和若干个时间段下C类告警的次数。
设备根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据。
同样的,假设DMS告警的类型包括A类、B类和C类,设备得到A类告警对应的DMS告警历史时序数据、B类告警对应的DMS告警历史时序数据和C类告警对应的DMS告警历史时序数据。
A类告警对应的DMS告警历史时序数据指示在若干个时间段下A类告警的次数,B类告警对应的DMS告警历史时序数据指示在若干个时间段下B类告警的次数,C类告警对应的DMS告警历史时序数据指示在若干个时间段下C类告警的次数。
在另一个可选的实施方式中,DMS告警前的序列化告警数据中包括DMS混合告警历史时序数据,请参阅图4,图4是本申请第一实施例提供的一种DMS告警分类方法中S1012的另一示意流程图,S1012包括:
S10123:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下预设类型的告警的累加次数;其中,预设类型至少包括两个类型。
S10124:根据DMS告警前的若干个时间段下预设类型的告警的累加次数,得到DMS混合告警历史时序数据。
设备根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下预设类型的告警的累加次数。
本实施例中,可以将至少两个告警类型的告警的次数混合统计。假设预设类型包括A类和B类,则设备统计DMS告警前的若干个时间段下A类告警和B类告警的累加次数。将若干个时间段表示为T1、T2至Tn,那么,若干个时间段下A类告警和B类告警的累加次数,就包括T1时间段下A类告警和B类告警的累加次数、T2时间段下A类告警和B类告警的累加次数至Tn时间段下A类告警和B类告警的累加次数。
设备根据DMS告警前的若干个时间段下预设类型的告警的累加次数,得到DMS混合告警历史时序数据。
一般情况下,预设类型是指重点告警类型,例如:驾驶员疲劳告警、驾驶员闭眼告警以及驾驶员打哈欠告警等,获取若干个时间段下重点告警类型的告警的累加次数,得到DMS混合告警历史时序数据。
在又一个可选的实施方式中,DMS告警前的序列化告警数据中包括DMS告警历史时序数据的关联特征数据,请参阅图5,图5是本申请第一实施例提供的一种DMS告警分类方法中S1012的又一示意流程图,S1012包括:
S10125:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数。
S10126:根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据。
S10127:根据各个类型的告警对应的告警历史时序数据和已筛选的关联特征构造规则,得到DMS告警历史时序数据的关联特征数据。
关于步骤S10125至S10126是与步骤S10121至S10122相同的,均是用于得到各个类型的告警对应的DMS告警历史时序数据。
在本实施例中,会对各个类型的告警对应的DMS告警历史时序数据做进一步的处理。
关于步骤S10127,设备根据各个类型的告警对应的告警历史时序数据和已筛选的关联特征构造规则,得到DMS告警历史时序数据的关联特征数据。
若将各个类型的告警对应的告警历史时序数据理解为变量,变量之间的关联性则可能有利于DMS告警的分类。在本实施例中,将针对各个类型的告警对应的告警历史时序数据,按照已筛选的关联特征构造规则进行构造,得到DMS告警历史时序数据的关联特征数据。
原关联特征的构造规则包括但不限于加减乘除乃至更复杂的构造规则,但是,一些构造规则构造出的关联特征数据是无用的或用处较少的,无法利于DMS告警分类,故,需从中筛选出一些关联特征构造规则,用于关联特征数据的构造。此处的筛选操作可以在本实施例中告警分类模型的训练过程中进行,由模型自动挑选对分类有帮助的关联特征数据,从而也就确定了有用的关联特征构造规则,即为已筛选的关联特征构造规则。
在本实施例中,DMS告警历史时序数据、DMS混合告警历史时序数据和DMS告警历史时序数据的关联特征数据能够更全面地反应DMS告警在历史时序上的特征,有利于提高DMS告警分类的准确性。
步骤S101中还提及了车辆静态数据和告警时的车辆动态数据。车辆静态数据中包括车辆型号和/或告警设备型号,由于不同的车辆以及不同的告警设备中,DMS告警的上报频率和准确率是不同的,这将也会对告警分类产生影响,故,设备还会获取车辆静态数据。
告警时的车辆动态数据中包括告警时的车速、告警时的车重和/或告警时的所在道路类型。告警时的车速、车重以及道路类型能反应车辆当前的自身状态和环境状态,同样会对告警分类产生影响,故,设备还会获取告警时的车辆动态数据。可选的,所在道路类型可以分为常规道路和限速道路等。
S102:将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的。
设备将将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果。
其中,告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的。
关于预设的机器学习算法、所采用的损失函数、优化函数以及学习率等在此不进行限定。
在一个可选的实施方式中,请参见图6,图6是本申请第一实施例提供的一种DMS告警分类方法的另一示意流程图,S102之前,包括:
S104:获取告警训练数据集;其中,告警训练数据集包括若干条告警训练数据,每条告警训练数据至少包括车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据。
设备获取告警训练数据集。
其中,告警训练数据集包括若干条告警训练数据。
每条告警训练数据至少包括车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据。
可以理解的是,车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据与前述的车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据实质上是同样的数据,不同在于,这里的告警训练数据用于告警分类模型的训练,更准确来说,车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据与此次的DMS告警相关,车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据是与历史的某次DMS告警相关,历史的某次DMS告警可能发生在不同类型的车辆上、不同类型的告警设备上或不同类型的道路上。
获取该告警训练数据集用于训练初始化的告警分类模型之前,需要先采集告警训练数据集,具体地,请参见图7,图7是本申请第一实施例提供的一种DMS告警分类方法的又一示意流程图,S104之前,包括:
S106:响应于告警请求,获取车辆静态训练数据、告警时的车辆动态训练数据和告警历史数据。
S107:根据告警历史数据和预设的序列化数据构造算法,得到告警前的序列化告警训练数据。
S108:根据车辆静态训练数据、告警时的车辆动态数据以及告警前的序列化告警训练数据,得到一条告警训练数据。
每次设备响应于告警请求时,设备均会获取相应的车辆静态训练数据、告警时的车辆动态训练数据和告警历史数据。
之后,设备根据告警历史数据和预设的序列化数据构造算法,得到告警前的序列化告警训练数据,此处的预设的序列化数据构造算法与步骤S1021中提出的预设的序列化数据构造算法是相同的,可以理解的是,告警前的序列化告警训练数据包括DMS告警历史时序训练数据、DMS混合告警历史时序训练数据和DMS告警历史时序数据的关联特征训练数据,获取告警前的序列化告警训练数据与前述获取告警前的序列化告警数据的方式均是一样的,在此不对其重复进行说明。
设备根据车辆静态训练数据、告警时的车辆动态数据以及告警前的序列化告警训练数据,得到一条告警训练数据。
本实施例中,设备每响应一次告警请求,就能够获取到一条告警训练数据,根据获取到的若干条告警训练数据得到告警特征训练数据集。
还需要说明的是,为了进行模型的训练,还需要确定每条告警训练数据对应的标签,该标签指明目标告警分类结果(可理解为真实的告警分类结果)。
S105:根据告警特征训练数据集和预设的梯度提升决策树算法,训练初始化后的告警分类模型,得到告警分类模型。
本实施例中,设备根据告警特征训练数据集和预设的梯度提升决策树算法,训练初始化后的告警分类模型,得到告警分类模型。
预设的梯度提升决策树算法(GBDT,Gradient Boosting Decision Tree)是一种现有的机器学习算法,下面简要说明其训练过程,先根据告警特征训练数据集构造一棵决策树,之后计算目标告警分类结果与第一棵决策树的输出结果之间的残差,用第二棵决策树拟合该残差,之后计算目标告警根类结果与累加输出结果(第一棵决策树的输出结果+第二棵决策树的输出结果)之间的残差,用第三棵决策树拟合该残差,重新计算目标告警分类结果与累加输出结果(第一棵决策树的输出结果+第二棵决策树的输出结果+第三棵决策树的输出结果)之间的残差,重复构建决策树拟合残差,计算残差,直至告警分类模型的损失不再下降,停止拟合残差,得到N棵决策树构成告警分类模型,或者为了防止过拟合,会在构建目标数量的决策树后,停止拟合。
S103:基于DMS告警分类结果,触发相应的告警干预进程。
可选的,DMS告警分类结果可分别无需干预的告警、低等危险的告警、中等危险的告警和高等危险的告警。针对,低等危险的告警、中等危险的告警和高等危险的告警需要触发相应的告警干预进程,具体可以通过声信号、光信号等干预手段进行干预。
本申请实施例中,为了提高告警分类的准确性,设备在响应于DMS告警分类请求时,会获取DMS告警前的序列化告警数据,并还会获取车辆静态数据和DMS告警时的车辆动态数据。上述用于告警分类的数据,一方面能够反映DMS告警在历史时序上的特征,结合了DMS告警的历史情况,另一方面,也能够反应出告警发生时的设备情况和驾驶情况,综合考虑了多种影响告警危险程度的因素。之后,设备将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果,该告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的,能够快速地捕捉分类特征,准确地对DMS告警的危险程度进行分类,保证DMS告警分类结果的准确性,进而设备再基于DMS告警分类结果,触发相应的告警干预进程,从而有效缓解司机疲劳以及降低运输事故的发生概率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
请参见图8,图8是本申请第二实施例提供的一种告警分类方法的示意流程图。本实施例中一种告警分类方法的执行主体为具有告警分类功能的设备,该告警分类设备可以为个人计算机以及服务器等,也可以为处理器、微处理器等。本申请实施例以告警分类设备(以下简称为设备)为告警分类方法的执行主体进行下述解释说明,不具体对设备进行限定。如图8所示的告警分类方法可以包括:
S201:根据如第一实施例的DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据。
S202:获取DMS告警模型输出的DMS告警数据和DMS告警模型中目标层的输出数据;其中,目标层为DMS告警模型的输出层的前一层。
S203:获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据。
S204:将DMS告警前的序列化告警数据、DMS告警数据、目标层的输出数据、ADAS序列化告警数据、路况判断数据、车速告警数据以及行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果;其中,多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
关于步骤S201,设备根据如第一实施例的DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据。
具体可以参考第一实施例中的说明,在此不进行复述。
本实施例中的告警分类是由DMS告警触发的,因此,是对DMS告警进行分类。本实施例提出的方法既可以针对DMS告警进行分类,也可以针对ADAS告警进行分类,DMS告警和ADAS告警一般不会同时触发告警分类。
关于步骤S202,设备获取DMS告警模型输出的DMS告警数据和DMS告警模型中目标层的输出数据;其中,目标层为DMS告警模型的输出层的前一层。
DMS告警模型处理视频抓拍数据,输出DMS告警数据,DMS告警数据至少包括此次DMS告警的告警类型和告警时间,还可以包括此次DMS告警的初次判断结果(低等危险的告警、中等危险的告警和高等危险的告警)。
DMS告警模型是一种深度神经网络模型,在进行输出层的处理前,目标层的输出数据饱含了丰富的特征,因此,设备不仅会获取DMS告警模型输出的DMS告警数据,还会获取DMS告警模型中目标层的输出数据。
关于步骤S203,设备获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据。
由于ADAS告警与DMS告警一般不会同时产生,因此,在DMS告警时一般不会产生ADAS告警数据,但是,可能存在ADAS序列化告警数据,ADAS序列化告警数据反映了ADAS告警在历史时序上的特征。
路况判断模型会根据当前路况视频数据对当前路况进行判断,输出路况判断数据。
车速监测模型会根据车辆的GPS数据以及轨迹数据,输出车速告警数据。车速告警数据可以分为急加速告警和急减速告警。
在DMS告警的同时,未必会生成车速告警数据,故,设备也可以获取车速序列化告警数据用于告警分类,车速序列化告警数据反映了车速告警在历史时序上的特征。
行驶环境数据包括但不限于道路类型、天气状态等。
需说明的是,本实施例中输入多模态融合告警分类模型的行驶环境数据为标准化处理后的行驶环境数据。
关于步骤S204,设备将DMS告警前的序列化告警数据、DMS告警数据、目标层的输出数据、ADAS序列化告警数据、路况判断数据、车速告警数据以及行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果。
其中,多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
预设的机器学习算法可以为卷积神经网络算法、多头注意力机制算法等,在此不进行限定。
在本实施例中,考虑到在告警分类时,告警的危险程度是与告警在历史时序上的特征、其他告警在历史时序上的特征、路况、车速变化、道路类型以及天气等因素息息相关的,因此,需要获取多模态数据源,完善全面地刻画告警场景,对告警分类进行综合性判断,从而保证告警分类的准确性。
请参见图9,图9是本申请第三实施例提供的DMS告警分类装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。
参见图9,DMS告警分类装置9包括:
响应单元91,用于响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征;
分类单元92,用于将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的;
触发单元93,用于基于DMS告警分类结果,触发相应的告警干预进程。
进一步地,该装置9,还包括:第一获取单元,用于获取告警训练数据集;其中,告警训练数据集包括若干条告警训练数据,每条告警训练数据至少包括车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据;
训练单元,用于根据告警特征训练数据集和预设的梯度提升决策树算法,训练初始化后的告警分类模型,得到告警分类模型。
进一步地,该装置9,还包括:第二获取单元,用于响应于告警请求,获取车辆静态训练数据、告警时的车辆动态训练数据和告警历史数据;
第一构造单元,用于根据告警历史数据和预设的序列化数据构造算法,得到告警前的序列化告警训练数据;
第二构造单元,用于根据车辆静态训练数据、告警时的车辆动态数据以及告警前的序列化告警训练数据,得到一组告警训练数据。
进一步地,响应单元91,包括:
第一响应单元,用于响应于DMS告警分类请求,获取DMS告警历史数据;其中,DMS告警历史数据至少包括告警类型和告警时间;
第三构造单元,用于根据DMS告警历史数据中的告警类型和告警时间以及预设的序列化数据构造算法,得到DMS告警前的序列化告警数据。
进一步地,第三构造单元,具体用于:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;
根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据。
进一步地,第三构造单元,具体用于:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下预设类型的告警的累加次数;其中,预设类型至少包括两个类型;
根据DMS告警前的若干个时间段下预设类型的告警的累加次数,得到DMS混合告警历史时序数据。
进一步地,第三构造单元,具体用于:根据DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;
根据DMS告警前的若干个时间段下各个类型的告警的次数,得到各个类型的告警对应的DMS告警历史时序数据;
根据各个类型的告警对应的告警历史时序数据和已筛选的关联特征构造规则,得到DMS告警历史时序数据的关联特征数据。
请参见图10,图10是本申请第四实施例提供的告警分类装置的示意图。包括的各单元用于执行图8对应的实施例中的各步骤。具体请参阅图8对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图10,告警分类装置10包括:
响应单元101,用于根据如第一实施例的DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据;
第一获取单元102,用于获取DMS告警模型输出的DMS告警数据和DMS告警模型中目标层的输出数据;其中,目标层为DMS告警模型的输出层的前一层;
第二获取单元103,用于获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据;
分类单元104,用于将DMS告警前的序列化告警数据、DMS告警数据、目标层的输出数据、ADAS序列化告警数据、路况判断数据、车速告警数据以及行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果;其中,多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
请参见图11,图11是本申请第五实施例提供的设备的示意图。如图11所示,该实施例的设备11包括:处理器110、存储器111以及存储在所述存储器111中并可在所述处理器110上运行的计算机程序112,例如DMS告警分类程序或告警分类程序。所述处理器110执行所述计算机程序112时实现上述各个DMS告警分类方法实施例中的步骤或各个告警分类方法实施例中的步骤,例如图1所示的步骤S101至S103或图8所示的步骤S201至S204。或者,所述处理器110执行所述计算机程序112时实现上述各装置实施例中各模块/单元的功能,例如图9所示响应单元91至触发单元93的功能,或图10所示响应单元101至分类单元104的功能。
示例性的,所述计算机程序112可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器111中,并由所述处理器110执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序112在所述设备11中的执行过程。例如,所述计算机程序112可以被分割成响应单元、分类单元和触发单元,各单元具体功能如下:
响应单元,用于响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征;
分类单元,用于将车辆静态数据、DMS告警时的车辆动态数据以及DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的;
触发单元,用于基于DMS告警分类结果,触发相应的告警干预进程。
再例如,所述计算机程序112可以被分割成响应单元、第一获取单元、第二获取单元和分类单元,各单元具体功能如下:
响应单元,用于根据如第一实施例的DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据;
第一获取单元,用于获取DMS告警模型输出的DMS告警数据和DMS告警模型中目标层的输出数据;其中,目标层为DMS告警模型的输出层的前一层;
第二获取单元,用于获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据;
分类单元,用于将DMS告警前的序列化告警数据、DMS告警数据、目标层的输出数据、ADAS序列化告警数据、路况判断数据、车速告警数据以及行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果;其中,多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
所述设备11可包括,但不仅限于,处理器110、存储器111。本领域技术人员可以理解,图11仅仅是设备11的示例,并不构成对设备11的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述设备11还可以包括输入输出设备、网络接入设备、总线等。
所称处理器110可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器111可以是所述设备11的内部存储单元,例如设备11的硬盘或内存。所述存储器111也可以是所述设备11的外部存储设备,例如所述设备11上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,所述设备11还可以既包括所述设备11的内部存储单元也包括外部存储设备。所述存储器111用于存储所述计算机程序以及所述设备11所需的其他程序和数据。所述存储器111还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (12)
1.一种DMS告警分类方法,其特征在于,包括:
响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,所述DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征;
将所述车辆静态数据、所述DMS告警时的车辆动态数据以及所述DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,所述告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的;
基于所述DMS告警分类结果,触发相应的告警干预进程。
2.如权利要求1所述的DMS告警分类方法,其特征在于,所述将所述车辆静态数据、所述DMS告警时的车辆动态数据以及所述DMS告警前的序列化告警数据输入至告警分类模型之前,包括:
获取所述告警训练数据集;其中,所述告警训练数据集包括若干条告警训练数据,每条所述告警训练数据至少包括车辆静态训练数据、告警时的车辆动态训练数据以及告警前的序列化告警训练数据;
根据所述告警特征训练数据集和预设的梯度提升决策树算法,训练初始化后的告警分类模型,得到所述告警分类模型。
3.如权利要求2所述的DMS告警分类方法,其特征在于,所述获取所述告警训练数据集之前,包括:
响应于告警请求,获取所述车辆静态训练数据、所述告警时的车辆动态训练数据和告警历史数据;
根据所述告警历史数据和预设的序列化数据构造算法,得到所述告警前的序列化告警训练数据;
根据所述车辆静态训练数据、所述告警时的车辆动态数据以及所述告警前的序列化告警训练数据,得到一组所述告警训练数据。
4.如权利要求1至3任意一项所述的DMS告警分类方法,其特征在于,所述响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,包括:
响应于所述DMS告警分类请求,获取所述DMS告警历史数据;其中,所述DMS告警历史数据至少包括告警类型和告警时间;
根据所述DMS告警历史数据中的告警类型和告警时间以及预设的序列化数据构造算法,得到所述DMS告警前的序列化告警数据。
5.如权利要求4所述的DMS告警分类方法,其特征在于,所述DMS告警前的序列化告警数据中包括DMS告警历史时序数据,所述根据所述DMS告警历史数据和预设的序列化数据构造算法,得到所述DMS告警前的序列化告警数据,包括:
根据所述DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;
根据所述DMS告警前的若干个时间段下各个类型的告警的次数,得到所述各个类型的告警对应的DMS告警历史时序数据。
6.如权利要求4所述的DMS告警分类方法,其特征在于,所述DMS告警前的序列化告警数据中包括DMS混合告警历史时序数据,所述根据所述DMS告警历史数据和预设的序列化数据构造算法,得到所述DMS告警前的序列化告警数据,包括:
根据所述DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下预设类型的告警的累加次数;其中,所述预设类型至少包括两个类型;
根据所述DMS告警前的若干个时间段下预设类型的告警的累加次数,得到DMS混合告警历史时序数据。
7.如权利要求4所述的DMS告警分类方法,其特征在于,所述DMS告警前的序列化告警数据中包括DMS告警历史时序数据的关联特征数据,所述根据所述DMS告警历史数据和预设的序列化数据构造算法,得到所述DMS告警前的序列化告警数据,包括:
根据所述DMS告警历史数据中的告警类型和告警时间,统计DMS告警前的若干个时间段下各个类型的告警的次数;
根据所述DMS告警前的若干个时间段下各个类型的告警的次数,得到所述各个类型的告警对应的DMS告警历史时序数据;
根据所述各个类型的告警对应的告警历史时序数据和已筛选的关联特征构造规则,得到所述DMS告警历史时序数据的关联特征数据。
8.如权利要求1至3任意一项所述的DMS告警分类方法,其特征在于:所述车辆静态数据中包括车辆型号和/或告警设备型号,所述告警时的车辆动态数据中包括告警时的车速、告警时的车重和/或告警时的所在道路类型。
9.一种告警分类方法,其特征在于,包括:
根据如权利要求1至8任意一项所述DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据;
获取DMS告警模型输出的DMS告警数据和所述DMS告警模型中目标层的输出数据;其中,所述目标层为所述DMS告警模型的输出层的前一层;
获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据;
将所述DMS告警前的序列化告警数据、所述DMS告警数据、所述目标层的输出数据、所述ADAS序列化告警数据、所述路况判断数据、所述车速告警数据以及所述行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果;其中,所述多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
10.一种DMS告警分类装置,其特征在于,包括:
响应单元,用于响应于DMS告警分类请求,获取DMS告警前的序列化告警数据,并获取车辆静态数据和DMS告警时的车辆动态数据;其中,所述DMS告警前的序列化告警数据用于反映DMS告警在历史时序上的特征;
分类单元,用于将所述车辆静态数据、所述DMS告警时的车辆动态数据以及所述DMS告警前的序列化告警数据输入至告警分类模型,得到DMS告警分类结果;其中,所述告警分类模型是基于告警训练数据集和预设的机器学习算法训练得到的;
触发单元,用于基于所述DMS告警分类结果,触发相应的告警干预进程。
11.一种告警分类装置,其特征在于,包括:
响应单元,用于根据如权利要求1至8任意一项所述DMS告警分类方法,响应于DMS告警分类请求,获取DMS告警前的序列化告警数据;
第一获取单元,用于获取DMS告警模型输出的DMS告警数据和所述DMS告警模型中目标层的输出数据;其中,所述目标层为所述DMS告警模型的输出层的前一层;
第二获取单元,用于获取ADAS序列化告警数据、路况判断模型输出的路况判断数据、车速监测模型输出的车速告警数据以及行驶环境数据;
分类单元,用于将所述DMS告警前的序列化告警数据、所述DMS告警数据、所述目标层的输出数据、所述ADAS序列化告警数据、所述路况判断数据、所述车速告警数据以及所述行驶环境数据输入至多模态融合告警分类模型,得到告警分类结果;其中,所述多模态融合告警分类模型是基于多模态告警训练数据集和预设的机器学习算法训练得到的。
12.一种设备,包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任意一项或权利要求9所述方法的步骤。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118260639A true CN118260639A (zh) | 2024-06-28 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104916138B (zh) | 车辆信息的处理方法、系统、车载设备及服务器 | |
CN108701229B (zh) | 驾驶行为分析方法及驾驶行为分析装置 | |
WO2020034135A1 (zh) | 一种交通监测报警方法、装置、终端设备及存储介质 | |
CN110309735A (zh) | 异常侦测方法、装置、服务器及存储介质 | |
CN108944799B (zh) | 车辆驾驶行为异常处理方法和装置 | |
CN111932046A (zh) | 一种服务场景下处理风险的方法、计算机设备、存储介质 | |
WO2022213336A1 (zh) | 车辆驾驶环境异常监测方法、装置、电子设备和存储介质 | |
EP4141715A1 (en) | Anomaly detection | |
CN114633744A (zh) | 一种基于车联网系统的车辆报警方法 | |
CN109697473A (zh) | 一种施工隧道车辆违章的检测方法、计算机装置以及计算机可读存储介质 | |
CN115328974A (zh) | 一种数据实时性检测方法、装置、设备及可读存储介质 | |
CN113139852B (zh) | 一种共享车辆的防超载方法、装置及电子设备 | |
CN117082453B (zh) | 车辆电子围栏告警方法、装置、设备及存储介质 | |
CN113257039A (zh) | 基于大数据分析的驾驶预警方法及装置 | |
CN113989715A (zh) | 车辆违停检测方法、装置、电子设备及存储介质 | |
CN115841765B (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
CN118260639A (zh) | 一种dms告警分类方法、告警分类方法、装置及设备 | |
CN114841483A (zh) | 一种物流货运车辆的安全监控方法及系统 | |
CN116026441A (zh) | 车辆载重量异常检测方法、装置、设备及存储介质 | |
CN115774653A (zh) | 预警研判方法、系统、可读存储介质及计算机设备 | |
CN113114489B (zh) | 一种网络安全态势评估方法、装置、设备及存储介质 | |
CN114911982A (zh) | 一种车辆故障预警方法、装置、终端设备及存储介质 | |
CN110852517B (zh) | 非正常行为预警方法、装置、数据处理设备及存储介质 | |
JP2019040244A (ja) | 運転支援装置 | |
CN118261496A (zh) | 一种adas告警分类方法、告警分类方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |