CN118261496A - 一种adas告警分类方法、告警分类方法、装置及设备 - Google Patents
一种adas告警分类方法、告警分类方法、装置及设备 Download PDFInfo
- Publication number
- CN118261496A CN118261496A CN202211641543.2A CN202211641543A CN118261496A CN 118261496 A CN118261496 A CN 118261496A CN 202211641543 A CN202211641543 A CN 202211641543A CN 118261496 A CN118261496 A CN 118261496A
- Authority
- CN
- China
- Prior art keywords
- adas
- alarm
- data
- current vehicle
- surge
- 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
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 title claims abstract description 558
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 title claims abstract description 558
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 title claims abstract description 558
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000004044 response Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 24
- 238000013145 classification model Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered 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
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Emergency Alarm Devices (AREA)
Abstract
本申请适用于物流运输技术领域,提供了一种ADAS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ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号;根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值;根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果;根据ADAS告警激增判断结果,得到ADAS告警分类结果。上述方法能够提高ADAS告警分类的准确性,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ADAS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,通过安装告警系统可以减少运输事故的发生,缓解司机驾驶疲劳,常见的告警系统包括高级辅助驾驶系统(ADAS,Advanced Driving AssistanceSystem)、驾驶疲劳检测系统(ADAS,Driver Monitor System)和盲区监视系统(BSD,BlindSpot Detection)等,其中,ADAS告警是最能够反映危险驾驶行为的。
目前,由于告警的数量是较多的,若针对每个告警均进行干预,则会造成较大的系统负担,并且,告警也是具有一定误报率的,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,从而减少危险驾驶行为,降低运输事故的发生概率。
危险驾驶其实可以视作一个风险积累的过程,通过量化风险积累的程度可以实现对告警的分类,但是,导致风险积累的因素众多,因此,很难通过统一的标准量化出风险的积累程度,进而难以实现对ADAS告警进行准确地分类。
发明内容
本申请实施例提供了一种ADAS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ADAS告警分类方法,包括:响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号;根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值;根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果;根据ADAS告警激增判断结果,得到ADAS告警分类结果。
进一步地,根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值,包括:根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,收集对应的ADAS告警历史数据;其中,对应的ADAS告警历史数据中均包括告警时间;根据对应的ADAS告警历史数据中的告警时间,统计对应的ADAS告警历史数据中若干个时间段下的告警次数;根据对应的ADAS告警历史数据中若干个时间段下的告警次数,得到若干个时间段分别对应的ADAS告警历史分布数据;根据若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到对应的ADAS告警激增判断阈值。
进一步地,对应的ADAS告警激增判断阈值包括第一判断阈值、第二判断阈值和第三判断阈值,若干个时间段至少包括第一时间段和第二时间段;根据若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到对应的ADAS告警激增判断阈值,包括:根据第一时间段对应的ADAS告警历史分布数据和预设的第一阈值设定规则,得到第一判断阈值;根据第二时间段对应的ADAS告警历史分布数据和预设的第二阈值设定规则,得到第二判断阈值;根据第一时间段对应的ADAS告警历史分布数据、第二时间段对应的ADAS告警历史分布数据以及预设的第三阈值设定规则,得到第三判断阈值。
进一步地,获取ADAS告警前的序列化告警数据,包括:获取当前车辆的ADAS告警历史数据;其中,ADAS告警历史数据中至少包括告警时间;根据当前车辆的ADAS告警历史数据中的告警时间,统计当前车辆的若干个时间段下的告警次数,得到ADAS告警前的序列化告警数据。
进一步地,对应的ADAS告警激增判断阈值包括第一判断阈值、第二判断阈值和第三判断阈值,ADAS告警前的序列化告警数据包括当前车辆的第一时间段下的告警次数和当前车辆的第二时间段下的告警次数;根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果,包括:若当前车辆的第一时间段下的告警次数不大于第一判断阈值,根据当前车辆的第二时间段下的告警次数和第二判断阈值,得到ADAS告警激增判断结果;若当前车辆的第一时间段下的告警次数大于第一判断阈值,根据当前车辆的第一时间段下的告警次数、当前车辆的第二时间段下的告警次数以及第三判断阈值,得到ADAS告警激增判断结果。
进一步地,第二判断阈值中包括若干个ADAS告警激增等级对应的第二判断阈值,第三判断阈值中包括若干个ADAS告警激增等级对应的第三判断阈值;根据当前车辆的第二时间段下的告警次数和第二判断阈值,得到ADAS告警激增判断结果,包括:根据当前车辆的第二时间段下的告警次数和若干个ADAS告警激增等级对应的第二判断阈值,得到ADAS目标告警激增等级;根据当前车辆的第一时间段下的告警次数、当前车辆的第二时间段下的告警次数以及第三判断阈值,得到ADAS告警激增判断结果,包括:获取当前车辆的第二时间段下的告警次数与当前车辆的第一时间段下的告警次数的比值;根据比值和若干个ADAS告警激增等级对应的第三判断阈值,得到ADAS目标告警激增等级。
进一步地,响应于ADAS告警分类请求之前,包括:响应于ADAS告警请求,获取当前车速、当前道路类型和/或当前司机的驾驶数据;判断当前车速是否超过预设车速阈值、当前车速是否与当前道路类型匹配以及根据当前司机的驾驶数据判断当前司机是否为高危司机,若任意一个判断结果为是,则生成并发出ADAS告警分类请求。
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ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据;获取ADAS告警模型输出的ADAS告警数据和ADAS告警模型中目标层的输出数据;其中,目标层为输出层的前一层;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ADAS告警前的序列化告警数据、ADAS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ADAS告警分类装置,包括:响应单元,用于响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号;第一确定单元,用于根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值;第二确定单元,用于根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果;分类单元,用于根据ADAS告警激增判断结果,得到ADAS告警分类结果。
进一步地,第一确定单元,包括:收集单元,用于根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,收集对应的ADAS告警历史数据;其中,对应的ADAS告警历史数据中均包括告警时间;统计单元,用于根据对应的ADAS告警历史数据中的告警时间,统计对应的ADAS告警历史数据中若干个时间段下的告警次数;分布获取单元,用于根据对应的ADAS告警历史数据中若干个时间段下的告警次数,得到若干个时间段分别对应的ADAS告警历史分布数据;阈值获取单元,用于根据若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到对应的ADAS告警激增判断阈值。
进一步地,阈值获取单元,具体用于:根据第一时间段对应的ADAS告警历史分布数据和预设的第一阈值设定规则,得到第一判断阈值;根据第二时间段对应的ADAS告警历史分布数据和预设的第二阈值设定规则,得到第二判断阈值;根据第一时间段对应的ADAS告警历史分布数据、第二时间段对应的ADAS告警历史分布数据以及预设的第三阈值设定规则,得到第三判断阈值。
进一步地,响应单元,具体用于:获取当前车辆的ADAS告警历史数据;其中,ADAS告警历史数据中至少包括告警时间;根据当前车辆的ADAS告警历史数据中的告警时间,统计当前车辆的若干个时间段下的告警次数,得到ADAS告警前的序列化告警数据。
进一步地,第二确定单元,包括:第三确定单元,用于若当前车辆的第一时间段下的告警次数不大于第一判断阈值,根据当前车辆的第二时间段下的告警次数和第二判断阈值,得到ADAS告警激增判断结果;第四确定单元,用于若当前车辆的第一时间段下的告警次数大于第一判断阈值,根据当前车辆的第一时间段下的告警次数、当前车辆的第二时间段下的告警次数以及第三判断阈值,得到ADAS告警激增判断结果。
进一步地,第三确定单元,具体用于:根据当前车辆的第二时间段下的告警次数和若干个ADAS告警激增等级对应的第二判断阈值,得到ADAS目标告警激增等级;第四确定单元,具体用于:获取当前车辆的第二时间段下的告警次数与当前车辆的第一时间段下的告警次数的比值;根据比值和若干个ADAS告警激增等级对应的第三判断阈值,得到ADAS目标告警激增等级。
进一步地,该装置,还包括:数据获取单元,用于响应于ADAS告警请求,获取当前车速、当前道路类型和/或当前司机的驾驶数据;判断单元,用于判断当前车速是否超过预设车速阈值、当前车速是否与当前道路类型匹配以及根据当前司机的驾驶数据判断当前司机是否为高危司机,若任意一个判断结果为是,则生成并发出ADAS告警分类请求。
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ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据;第一获取单元,用于获取ADAS告警模型输出的ADAS告警数据和ADAS告警模型中目标层的输出数据;其中,目标层为输出层的前一层;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ADAS告警前的序列化告警数据、ADAS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ADAS告警分类请求时,会获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号。一方面,ADAS告警前的序列化告警数据能够反应出ADAS告警在历史时序上的特征,另一方面,不同的运行项目、不同的车辆型号乃至不同的告警设备型号下,对于相同的驾驶场景的告警分布是不一致的,设备获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号,根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值,能够使得ADAS告警激增判断阈值更加贴合实际使用场景,更利于在不同的使用场景下通过对应的ADAS告警激增判断阈值,准确地量化出风险积累的程度。之后,设备根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果,根据ADAS告警激增判断结果,得到ADAS告警分类结果,上述方法实现了对ADAS告警的危险程度进行分类,保证了ADAS告警分类结果的准确性,能够有效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ADAS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ADAS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ADAS告警分类方法的另一示意流程图;
图4是本申请第一实施例提供的一种ADAS告警分类方法中S102的示意流程图;
图5是本申请第一实施例提供的一种ADAS告警分类方法中S1024的示意流程图;
图6是本申请第一实施例提供的一种ADAS告警分类方法中S103的示意流程图;
图7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8是本申请第三实施例提供的ADAS告警分类装置的示意图;
图9是本申请第四实施例提供的告警分类装置的示意图;
图10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ADAS告警分类方法的示意流程图。本实施例中一种ADAS告警分类方法的执行主体为具有ADAS告警分类功能的设备,该ADAS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ADAS告警分类设备(以下简称为设备)为ADAS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ADAS告警分类方法可以包括:
S101:响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号。
设备响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号。
一个可选的实施方式中,ADAS告警分类请求可以是ADAS告警模型产生ADAS告警时触发生成的。
下面分别解释说明ADAS告警前的序列化告警数据、当前车辆对应的运输项目、当前车辆型号以及当前告警设备型号。
其中,ADAS告警前的序列化告警数据用于反映ADAS告警在历史时序上的产生次数。
具体地,请参阅图2,图2是本申请第一实施例提供的一种ADAS告警分类方法中S101的示意流程图,S101包括:
S1011:获取当前车辆的ADAS告警历史数据;其中,ADAS告警历史数据中至少包括告警时间。
S1012:根据当前车辆的ADAS告警历史数据中的告警时间,统计当前车辆的若干个时间段下的告警次数,得到ADAS告警前的序列化告警数据。
该ADAS告警历史数据是指历史上产生的ADAS告警对应的告警数据,设备响应于ADAS告警分类请求,会获取当前车辆的若干条DMS告警历史数据。
其中,每条ADAS告警历史数据中均至少包括告警时间。
设备根据当前车辆的ADAS告警历史数据中的告警时间,统计当前车辆的若干个时间段下的告警次数,得到ADAS告警前的序列化告警数据。
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当前ADAS告警近0至10分钟、当前ADAS告警前的10至20分钟等。
可选的,还可以进行更细致地划分,例如:1分钟,那么若干个时间段可以是指当前ADAS告警近的0至1分钟、当前ADAS告警前的1至2分钟等。
一个可选的实施方式中,若干个时间段至少包括第一时间段和第二时间段,则ADAS告警前的序列化告警数据包括当前车辆的第一时间段下的告警次数和当前车辆的第二时间段下的告警次数。
本实施例中,运输项目是指物流行业的运输项目,例如:普通快递项目、冷链项目等,当前车辆对应的运输项目是指当前车辆所在的车队对应的运输项目,不同的车队运输项目不同。
当前车辆型号是指当前车辆的型号,当前告警设备型号是指当前车辆所安装的告警设备的型号,ADAS告警设备也是存在多种厂家,对应有不同型号的。
不同的运行项目、不同的车辆型号乃至不同的告警设备型号下,对于相同的驾驶场景的告警分布是不一致的,因此,本实施例需要获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号,确定对应的ADAS告警激增判断阈值。
在一个可选的实施方式中,告警分类存在先置性判断条件,并不是ADAS告警模型生成告警,则会进行告警分类,具体地,请参阅图3,图3是本申请第一实施例提供的一种ADAS告警分类方法的另一示意流程图,S101之前,包括:
S105:响应于ADAS告警请求,获取当前车速、当前道路类型和/或当前司机的驾驶数据。
S106:判断当前车速是否超过预设车速阈值、当前车速是否与当前道路类型匹配以及根据当前司机的驾驶数据判断当前司机是否为高危司机,若任意一个判断结果为是,则生成并发出ADAS告警分类请求。
道路类型可以分为常规道路和限速道路,从而设备可以判断出当前车速是否与当前道路类型匹配。
当前司机的驾驶数据可以指示出当前司机是否曾经发生运输事故,也可以指示出当前司机一个月内的驾驶时长等,从而根据当前司机的驾驶数据可以判断当前司机是否为高危司机。
本实施例中设备判断当前车速是否超过预设车速阈值、当前车速是否与当前道路类型匹配以及根据当前司机的驾驶数据判断当前司机是否为高危司机,若任意一个判断结果为是,则生成并发出ADAS告警分类请求,若所有判断结果为否,则不会生成发出ADAS告警分类请求,当前的ADAS告警无需进行分类。
S102:根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值。
设备根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值。
展开说明如下,若仅获取了当前车辆所对应的运营项目,则根据当前车辆所对应的运营项目,得到对应的ADAS告警激增判断阈值。同理,若仅获取了当前车辆型号,则根据当前车辆型号,得到对应的ADAS告警激增判断阈值。若仅获取了当前告警设备型号,则根据当前告警设备型号,得到对应的ADAS告警激增判断阈值。
若获取了当前车辆所对应的运营项目和当前车辆型号,则根据当前车辆所对应的运营项目和当前车辆型号,得到对应的ADAS告警激增判断阈值。同理,若获取了当前车辆所对应的运营项目和当前告警设备型号,则根据当前车辆所对应的运营项目和当前告警设备型号,得到对应的ADAS告警激增判断阈值。若获取了当前车辆型号和当前告警设备型号,则根据当前车辆型号和当前告警设备型号,得到对应的ADAS告警激增判断阈值。
若获取了当前车辆所对应的运营项目、当前车辆型号和当前告警设备型号,则根据当前车辆所对应的运营项目、当前车辆型号和当前告警设备型号,得到对应的ADAS告警激增判断阈值。
在一个可选的实施方式中,请参阅图4,图4是本申请第一实施例提供的一种ADAS告警分类方法中S102的示意流程图,S102包括:
S1021:根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,收集对应的ADAS告警历史数据;其中,对应的ADAS告警历史数据中均包括告警时间。
步骤S1021中,设备根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,收集对应的ADAS告警历史数据。
收集对应的ADAS告警历史数据,是指收集满足条件的目标车辆对应的ADAS告警历史数据。
如前述,获取了哪个参数或哪些参数,则根据获取的参数确定目标车辆,例如:获取了当前车辆所对应的运营项目和当前车辆型号,则根据当前车辆所对应的运营项目和当前车辆型号,确定满足条件的目标车辆,满足条件是指目标车辆所对应的运营项目与当前车辆所对应的运营项目相同,目标车辆型号与当前车辆型号相同。其他种情况,在此不进行展开说明。
S1022:根据对应的ADAS告警历史数据中的告警时间,统计对应的ADAS告警历史数据中若干个时间段下的告警次数。
设备根据对应的ADAS告警历史数据中的告警时间,统计对应的ADAS告警历史数据中若干个时间段下的告警次数。
即,设备根据每台车辆对应的ADAS告警历史数据中的告警时间,统计每台目标车辆对应的ADAS告警历史数据中若干个时间段下的告警次数。
可选的,若干个时间段包括第一时间段和第二时间段,则S1011中设备统计的就是每台目标车辆对应的ADAS告警历史数据中第一时间段下的告警次数和每台目标车辆对应的ADAS告警历史数据中第二时间段下的告警次数。
S1023:根据对应的ADAS告警历史数据中若干个时间段下的告警次数,得到若干个时间段分别对应的ADAS告警历史分布数据。
设备根据对应的ADAS告警历史数据中若干个时间段下的告警次数,得到若干个时间段分别对应的ADAS告警历史分布数据。
假设目标车辆为n台,那么,根据n台目标车辆对应的ADAS告警历史数据中若干个时间段下的告警次数,得到若干个时间段分别对应的ADAS告警历史分布数据。
也就是说,每个时间段对应一个ADAS告警历史分布数据,ADAS告警历史分布数据中包含了n台目标车辆在该时间段下的告警次数。
可选的,若干个时间段包括第一时间段和第二时间段,则设备会得到第一时间段对应的ADAS告警历史分布数据和第二时间段对应的ADAS告警历史分布数据。
S1024:根据若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到对应的ADAS告警激增判断阈值。
设备根据若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到对应的ADAS告警激增判断阈值。
预设的阈值设定规则可以是指根据每个时间段对应的ADAS告警历史分布数据,基于业务处理能力确定对应的ADAS告警激增判断阈值。那么,一个时间段,至少得到一个对应的ADAS告警激增判断阈值。
例如:第一时间段对应的ADAS告警历史分布数据中包括1万台目标车辆在第一时间段下的告警次数,预设的阈值设定规则可以是将1万台目标车辆在第一时间段下的告警次数进行排序,取第一时间段下的告警次数排列在前m%的目标车辆的数量,假设有1000台,若该数量符合业务处理能力,则可以设置第一时间段下告警次数排列在前m%中的最小告警次数为对应的ADAS告警激增判断阈值。其中,m为正数。
在一个可选的实施方式中,请参阅图5,图5是本申请第一实施例提供的一种ADAS告警分类方法中S1024的示意流程图,本S1024包括:
S10241:根据第一时间段对应的ADAS告警历史分布数据和预设的第一阈值设定规则,得到第一判断阈值。
S10242:根据第二时间段对应的ADAS告警历史分布数据和预设的第二阈值设定规则,得到第二判断阈值。
S10243:根据第一时间段对应的ADAS告警历史分布数据、第二时间段对应的ADAS告警历史分布数据以及预设的第三阈值设定规则,得到第三判断阈值。
在本实施例中,对应的ADAS告警激增判断阈值包括第一判断阈值、第二判断阈值和第三判断阈值,若干个时间段至少包括第一时间段和第二时间段。
关于S10241,设备根据第一时间段对应的ADAS告警历史分布数据和预设的第一阈值设定规则,得到第一判断阈值。
预设的第一阈值设定规则可以是指根据第一时间段对应的ADAS告警历史分布数据,基于业务处理能力确定对应的第一判断阈值。参照前述,可以设置第一时间段下告警次数排列在前m%中的最小告警次数为对应的第一判断阈值。m的大小在此不进行限定。
关于S10242,设备根据第二时间段对应的ADAS告警历史分布数据和预设的第二阈值设定规则,得到第一判断阈值。
预设的第二阈值设定规则可以是指根据第二时间段对应的ADAS告警历史分布数据,基于业务处理能力确定对应的第二判断阈值。参照前述,可以设置第二时间段下告警次数排列在前m%中的最小告警次数为对应的第二判断阈值。m的大小在此不进行限定。
进一步地,第二判断阈值中包括若干个ADAS告警激增等级对应的第二判断阈值,那么,则可以设定若干个m值,从而得到若干个ADAS告警激增等级对应的第二判断阈值。
例如:共有3个ADAS告警激增等级,ADAS告警激增等级为一级,相应的ADAS告警激增判断结果为高风险。ADAS告警激增等级为二级,相应的ADAS告警激增判断结果为中风险。ADAS告警激增等级为三级,相应的ADAS告警激增判断结果为低风险。
ADAS告警激增一级对应的第二判断阈值可以是第二时间段下告警次数排列在前5%中的最小告警次数,ADAS告警激增二级对应的第二判断阈值可以是第二时间段下告警次数排列在前10%中的最小告警次数,ADAS告警激增三级对应的第二判断阈值可以是第二时间段下告警次数排列在前15%中的最小告警次数。上述具体数值仅为一个示例,不具有限定作用。
关于S10243,设备根据第一时间段对应的ADAS告警历史分布数据、第二时间段对应的ADAS告警历史分布数据以及预设的第三阈值设定规则,得到第三判断阈值。
预设的第三阈值设定规则可以是指先针对第一时间段对应的ADAS告警历史分布数据和第二时间段对应的ADAS告警历史分布数据进行处理,例如:求取第二时间段对应的ADAS告警历史分布数据中与第一时间段对应的ADAS告警历史分布数据中相同目标车辆的告警次数的比值,得到ADAS告警次数比值分布数据,再根据ADAS告警次数比值分布数据,基于业务处理能力确定对应的第三判断阈值。参照前述,可以设置告警次数比值排列在前m%中的最小比值为对应的第三判断阈值。m的大小在此不进行限定。
进一步地,第三判断阈值中包括若干个ADAS告警激增等级对应的第三判断阈值,那么,则可以设定若干个m的值,从而得到若干个ADAS告警激增等级对应的第二判断阈值。
同样地,例如:共有3个ADAS告警激增等级,ADAS告警激增等级为一级,相应的ADAS告警激增判断结果为高风险。ADAS告警激增等级为二级,相应的ADAS告警激增判断结果为中风险。ADAS告警激增等级为三级,相应的ADAS告警激增判断结果为低风险。
ADAS告警激增一级对应的第三判断阈值可以是告警次数比值排列在前5%中的最小比值,ADAS告警激增二级对应的第三判断阈值可以是告警次数比值排列在前10%中的最小比值,ADAS告警激增三级对应的第三判断阈值可以是告警次数比值排列在前15%中的最小比值。上述具体数值仅为一个示例,不具有限定作用。
S103:根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果。
由于对应的ADAS告警激增判断阈值是根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号获取到的,因此,求得的ADAS告警激增判断阈值更加贴合实际使用场景,设备根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,即可确定ADAS告警激增判断结果。
在一个可选的实施方式中,对应的ADAS告警激增判断阈值包括第一判断阈值、第二判断阈值和第三判断阈值,关于第一判断阈值、第二判断阈值以及第三判断阈值如何获取已在前述进行说明,ADAS告警前的序列化告警数据包括当前车辆的第一时间段下的告警次数和当前车辆的第二时间段下的告警次数,请参阅图6,,S103包括:
S1031:若当前车辆的第一时间段下的告警次数不大于第一判断阈值,根据当前车辆的第二时间段下的告警次数和第二判断阈值,得到ADAS告警激增判断结果。
S1032:若当前车辆的第一时间段下的告警次数大于第一判断阈值,根据当前车辆的第一时间段下的告警次数、当前车辆的第二时间段下的告警次数以及第三判断阈值,得到ADAS告警激增判断结果。
本实施例中,先针对当前车辆的第一时间段下的告警次数进行判断,第一时间段可以是指当前ADAS告警前的10至20分钟,之后,再针对当前车辆的第二时间段下的告警次数进行判断,第一时间段可以是指当前ADAS告警近0至10分钟。
若当前车辆的第一时间段下的告警次数不大于第一判断阈值,则设备当前车辆的第二时间段下的告警次数和第二判断阈值,得到ADAS告警激增判断结果。
若当前车辆的第一时间段下的告警次数大于第一判断阈值,根据设备当前车辆的第一时间段下的告警次数、当前车辆的第二时间段下的告警次数以及第三判断阈值,得到ADAS告警激增判断结果。
可以理解的是,若当前ADAS告警前的10至20分钟下的告警次数不大于第一判断阈值,设备后续是根据当前ADAS告警近0至10分钟下的告警次数和第二判断阈值,得到ADAS告警激增判断结果。
若当前ADAS告警前的10至20分钟下的告警次数大于第一判断阈值,设备后续是根据当前ADAS告警近0至10分钟下的告警次数、当前ADAS告警前的10至20分钟下的告警次数以及第三判断阈值,得到ADAS告警激增判断结果。
在一个可选的实施方式中,第二判断阈值中包括若干个ADAS告警激增等级对应的第二判断阈值,第三判断阈值中包括若干个ADAS告警激增等级对应的第三判断阈值。
S1031包括:根据当前车辆的第二时间段下的告警次数和若干个ADAS告警激增等级对应的第二判断阈值,得到ADAS目标告警激增等级。
设备根据当前车辆的第二时间段下的告警次数和若干个ADAS告警激增等级对应的第二判断阈值,得到ADAS目标告警激增等级。
例如:共有3个ADAS告警激增等级,ADAS告警激增等级为一级,相应的ADAS告警激增判断结果为高风险。ADAS告警激增等级为二级,相应的ADAS告警激增判断结果为中风险。ADAS告警激增等级为三级,相应的ADAS告警激增判断结果为低风险。
若当前车辆的第二时间段下的告警次数高于ADAS告警激增一级对应的第二判断阈值,则ADAS目标告警激增等级就是为一级,ADAS告警激增判断结果为高风险。也就是说,若当前车辆的近0至10分钟下的告警次数高于ADAS告警激增一级对应的第二判断阈值,则ADAS目标告警激增等级就是为一级,ADAS告警激增判断结果为高风险。
若当前车辆的第二时间段下的告警次数不高于ADAS告警激增一级对应的第二判断阈值,但高于ADAS告警激增二级对应的第二判断阈值,则ADAS目标告警激增等级就是为二级,ADAS告警激增判断结果为中风险。也就是说,若当前车辆的近0至10分钟下的告警次数不高于ADAS告警激增一级对应的第二判断阈值,但高于ADAS告警激增二级对应的第二判断阈值,则ADAS目标告警激增等级就是为二级,ADAS告警激增判断结果为中风险。
若当前车辆的第二时间段下的告警次数不高于ADAS告警激增二级对应的第二判断阈值,但高于ADAS告警激增三级对应的第二判断阈值,则ADAS目标告警激增等级就是为三级,ADAS告警激增判断结果为低风险。也就是说,若当前车辆的近0至10分钟下的告警次数不高于ADAS告警激增二级对应的第二判断阈值,但高于ADAS告警激增三级对应的第二判断阈值,则ADAS目标告警激增等级就是为三级,ADAS告警激增判断结果为低风险。
若当前车辆的第二时间段下的告警次数不高于ADAS告警激增三级对应的第二判断阈值,则ADAS告警激增判断结果为无风险。也就是说,若当前车辆的近0至10分钟下的告警次数不高于ADAS告警激增三级对应的第二判断阈值,则ADAS告警激增判断结果为无风险。
S1032包括:获取当前车辆的第二时间段下的告警次数与当前车辆的第一时间段下的告警次数的比值,根据比值和若干个ADAS告警激增等级对应的第三判断阈值,得到ADAS目标告警激增等级。
设备获取当前车辆的第二时间段下的告警次数与当前车辆的第一时间段下的告警次数的比值,根据比值和若干个ADAS告警激增等级对应的第三判断阈值,得到ADAS目标告警激增等级。
例如:共有3个ADAS告警激增等级,ADAS告警激增等级为一级,相应的ADAS告警激增判断结果为高风险。ADAS告警激增等级为二级,相应的ADAS告警激增判断结果为中风险。ADAS告警激增等级为三级,相应的ADAS告警激增判断结果为低风险。
获取当前车辆的第二时间段下的告警次数与当前车辆的第一时间段下的告警次数的比值可以是指当前车辆的近0至10分钟下的告警次数与当前车辆的前10至20分钟下的告警次数的比值。
若比值高于ADAS告警激增一级对应的第三判断阈值,则ADAS目标告警激增等级就是为一级,ADAS告警激增判断结果为高风险。
若比值不高于ADAS告警激增一级对应的第三判断阈值,但高于ADAS告警激增二级对应的第三判断阈值,则ADAS目标告警激增等级就是为二级,ADAS告警激增判断结果为中风险。
若比值不高于ADAS告警激增二级对应的第三判断阈值,但高于ADAS告警激增三级对应的第三判断阈值,则ADAS目标告警激增等级就是为三级,ADAS告警激增判断结果为低风险。
若比值不高于ADAS告警激增三级对应的第三判断阈值,则ADAS告警激增判断结果为无风险。
S104:根据ADAS告警激增判断结果,得到ADAS告警分类结果。
设备根据ADAS告警激增判断结果,得到ADAS告警分类结果。ADAS告警分类结果可分别无需干预的ADAS告警、低等危险的ADAS告警、中等危险的ADAS告警和高等危险的ADAS告警。针对低等危险的ADAS告警、中等危险的ADAS告警和高等危险的ADAS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ADAS告警分类请求时,会获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号。一方面,ADAS告警前的序列化告警数据能够反应出ADAS告警在历史时序上的特征,另一方面,不同的运行项目、不同的车辆型号乃至不同的告警设备型号下,对于相同的驾驶场景的告警分布是不一致的,设备获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号,根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值,能够使得ADAS告警激增判断阈值更加贴合实际使用场景,更利于在不同的使用场景下通过对应的ADAS告警激增判断阈值,准确地量化出风险积累的程度。之后,设备根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果,根据ADAS告警激增判断结果,得到ADAS告警分类结果,上述方法实现了对ADAS告警的危险程度进行分类,保证了ADAS告警分类结果的准确性,能够有效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7,图7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7所示的告警分类方法可以包括:
S201:根据如第一实施例的ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据。
S202:获取ADAS告警模型输出的ADAS告警数据和ADAS告警模型中目标层的输出数据;其中,目标层为输出层的前一层。
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ADAS告警前的序列化告警数据、ADAS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ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS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ADAS告警触发的,因此,是对ADAS告警进行分类。本实施例提出的方法既可以针对ADAS告警进行分类,也可以针对DMS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ADAS告警模型输出的ADAS告警数据和ADAS告警模型中目标层的输出数据;其中,目标层为ADAS告警模型的输出层的前一层。
ADAS告警模型处理视频抓拍数据,输出ADAS告警数据,ADAS告警数据至少包括当前ADAS告警的告警时间,还可以包括当前ADAS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)。
ADAS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ADAS告警模型输出的ADAS告警数据,还会获取ADAS告警模型中目标层的输出数据。
关于步骤S203,设备获取DMS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ADAS告警时一般不会产生DMS告警数据,但是,可能存在DMS序列化告警数据,DMS序列化告警数据反映了DMS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ADAS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ADAS告警前的序列化告警数据、ADAS告警数据、目标层的输出数据、DMS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8,图8是本申请第三实施例提供的ADAS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8,ADAS告警分类装置8包括:
响应单元81,用于响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号;
第一确定单元82,用于根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值;
第二确定单元83,用于根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果;
分类单元84,用于根据ADAS告警激增判断结果,得到ADAS告警分类结果。
进一步地,第一确定单元82,包括:
收集单元,用于根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,收集对应的ADAS告警历史数据;其中,对应的ADAS告警历史数据中均包括告警时间;
统计单元,用于根据对应的ADAS告警历史数据中的告警时间,统计对应的ADAS告警历史数据中若干个时间段下的告警次数;
分布获取单元,用于根据对应的ADAS告警历史数据中若干个时间段下的告警次数,得到若干个时间段分别对应的ADAS告警历史分布数据;
阈值获取单元,用于根据若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到对应的ADAS告警激增判断阈值。
进一步地,阈值获取单元,具体用于:根据第一时间段对应的ADAS告警历史分布数据和预设的第一阈值设定规则,得到第一判断阈值;根据第二时间段对应的ADAS告警历史分布数据和预设的第二阈值设定规则,得到第二判断阈值;根据第一时间段对应的ADAS告警历史分布数据、第二时间段对应的ADAS告警历史分布数据以及预设的第三阈值设定规则,得到第三判断阈值。
进一步地,响应单元81,具体用于:获取当前车辆的ADAS告警历史数据;其中,ADAS告警历史数据中至少包括告警时间;根据当前车辆的ADAS告警历史数据中的告警时间,统计当前车辆的若干个时间段下的告警次数,得到ADAS告警前的序列化告警数据。
进一步地,第二确定单元83,包括:第三确定单元,用于若当前车辆的第一时间段下的告警次数不大于第一判断阈值,根据当前车辆的第二时间段下的告警次数和第二判断阈值,得到ADAS告警激增判断结果;
第四确定单元,用于若当前车辆的第一时间段下的告警次数大于第一判断阈值,根据当前车辆的第一时间段下的告警次数、当前车辆的第二时间段下的告警次数以及第三判断阈值,得到ADAS告警激增判断结果。
进一步地,第三确定单元,具体用于:根据当前车辆的第二时间段下的告警次数和若干个ADAS告警激增等级对应的第二判断阈值,得到ADAS目标告警激增等级;第四确定单元,具体用于:获取当前车辆的第二时间段下的告警次数与当前车辆的第一时间段下的告警次数的比值;根据比值和若干个ADAS告警激增等级对应的第三判断阈值,得到ADAS目标告警激增等级。
进一步地,该装置8,还包括:数据获取单元,用于响应于ADAS告警请求,获取当前车速、当前道路类型和/或当前司机的驾驶数据;判断单元,用于判断当前车速是否超过预设车速阈值、当前车速是否与当前道路类型匹配以及根据当前司机的驾驶数据判断当前司机是否为高危司机,若任意一个判断结果为是,则生成并发出ADAS告警分类请求。
请参见图9,图9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7对应的实施例中的各步骤。具体请参阅图7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,告警分类装置9包括:
响应单元91,用于根据如第一实施例的ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据;
第一获取单元92,用于获取ADAS告警模型输出的ADAS告警数据和ADAS告警模型中目标层的输出数据;其中,目标层为输出层的前一层;
第二获取单元93,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94,用于将ADAS告警前的序列化告警数据、ADAS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10,图10是本申请第五实施例提供的设备的示意图。如图10所示,该实施例的设备10包括:处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102,例如ADAS告警分类程序或告警分类程序。所述处理器100执行所述计算机程序102时实现上述各个ADAS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S104或图7所示的步骤S201至S204。或者,所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能,例如图8所示响应单元81至分类单元84的功能,或图9所示响应单元91至分类单元94的功能。示例性的,所述计算机程序102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101中,并由所述处理器100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102在所述设备10中的执行过程。例如,所述计算机程序102可以被分割成响应单元、第一确定单元、第二确定单元和分类单元,各单元具体功能如下:
响应单元,用于响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号;
第一确定单元,用于根据当前车辆所对应的运营项目、当前车辆型号和/或当前告警设备型号,得到对应的ADAS告警激增判断阈值;
第二确定单元,用于根据ADAS告警前的序列化告警数据和对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果;
分类单元,用于根据ADAS告警激增判断结果,得到ADAS告警分类结果。
再例如,所述计算机程序102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ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据;
第一获取单元,用于获取ADAS告警模型输出的ADAS告警数据和ADAS告警模型中目标层的输出数据;其中,目标层为输出层的前一层;
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ADAS告警前的序列化告警数据、ADAS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10可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图10仅仅是设备10的示例,并不构成对设备10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10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100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101可以是所述设备10的内部存储单元,例如设备10的硬盘或内存。所述存储器101也可以是所述设备10的外部存储设备,例如所述设备10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10还可以既包括所述设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述设备10所需的其他程序和数据。所述存储器101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 (11)
1.一种ADAS告警分类方法,其特征在于,包括:
响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号;
根据所述当前车辆所对应的运营项目、所述当前车辆型号和/或所述当前告警设备型号,得到对应的ADAS告警激增判断阈值;
根据所述ADAS告警前的序列化告警数据和所述对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果;
根据所述ADAS告警激增判断结果,得到ADAS告警分类结果。
2.如权利要求1所述的ADAS告警分类方法,其特征在于,所述根据所述当前车辆所对应的运营项目、所述当前车辆型号和/或所述当前告警设备型号,得到对应的ADAS告警激增判断阈值,包括:
根据所述当前车辆所对应的运营项目、所述当前车辆型号和/或所述当前告警设备型号,收集对应的ADAS告警历史数据;其中,所述对应的ADAS告警历史数据中均包括告警时间;
根据所述对应的ADAS告警历史数据中的告警时间,统计所述对应的ADAS告警历史数据中若干个时间段下的告警次数;
根据所述对应的ADAS告警历史数据中若干个时间段下的告警次数,得到所述若干个时间段分别对应的ADAS告警历史分布数据;
根据所述若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到所述对应的ADAS告警激增判断阈值。
3.如权利要求2所述的ADAS告警分类方法,其特征在于,所述对应的ADAS告警激增判断阈值包括第一判断阈值、第二判断阈值和第三判断阈值,所述若干个时间段至少包括第一时间段和第二时间段;
所述根据所述若干个时间段分别对应的ADAS告警历史分布数据和预设的阈值设定规则,得到所述对应的ADAS告警激增判断阈值,包括:
根据所述第一时间段对应的ADAS告警历史分布数据和预设的第一阈值设定规则,得到所述第一判断阈值;
根据所述第二时间段对应的ADAS告警历史分布数据和预设的第二阈值设定规则,得到所述第二判断阈值;
根据所述第一时间段对应的ADAS告警历史分布数据、所述第二时间段对应的ADAS告警历史分布数据以及预设的第三阈值设定规则,得到所述第三判断阈值。
4.如权利要求1至3任意一项所述的ADAS告警分类方法,其特征在于,所述获取ADAS告警前的序列化告警数据,包括:
获取所述当前车辆的ADAS告警历史数据;其中,所述ADAS告警历史数据中至少包括告警时间;
根据所述当前车辆的ADAS告警历史数据中的告警时间,统计所述当前车辆的若干个时间段下的告警次数,得到所述ADAS告警前的序列化告警数据。
5.如权利要求1至3任意一项所述的ADAS告警分类方法,其特征在于,所述对应的ADAS告警激增判断阈值包括第一判断阈值、第二判断阈值和第三判断阈值,所述ADAS告警前的序列化告警数据包括所述当前车辆的第一时间段下的告警次数和所述当前车辆的第二时间段下的告警次数;
所述根据所述ADAS告警前的序列化告警数据和所述对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果,包括:
若所述当前车辆的第一时间段下的告警次数不大于所述第一判断阈值,根据所述当前车辆的第二时间段下的告警次数和第二判断阈值,得到所述ADAS告警激增判断结果;
若所述当前车辆的第一时间段下的告警次数大于所述第一判断阈值,根据所述当前车辆的第一时间段下的告警次数、所述当前车辆的第二时间段下的告警次数以及第三判断阈值,得到所述ADAS告警激增判断结果。
6.如权利要求5所述的ADAS告警分类方法,其特征在于,所述第二判断阈值中包括若干个ADAS告警激增等级对应的第二判断阈值,所述第三判断阈值中包括若干个ADAS告警激增等级对应的第三判断阈值;
所述根据所述当前车辆的第二时间段下的告警次数和第二判断阈值,得到所述ADAS告警激增判断结果,包括:
根据所述当前车辆的第二时间段下的告警次数和所述若干个ADAS告警激增等级对应的第二判断阈值,得到ADAS目标告警激增等级;
所述根据所述当前车辆的第一时间段下的告警次数、所述当前车辆的第二时间段下的告警次数以及第三判断阈值,得到所述ADAS告警激增判断结果,包括:
获取所述当前车辆的第二时间段下的告警次数与所述当前车辆的第一时间段下的告警次数的比值;
根据所述比值和所述若干个ADAS告警激增等级对应的第三判断阈值,得到ADAS目标告警激增等级。
7.如权利要求1至3任意一项所述的ADAS告警分类方法,其特征在于,所述响应于ADAS告警分类请求之前,包括:
响应于ADAS告警请求,获取当前车速、当前道路类型和/或当前司机的驾驶数据;
判断所述当前车速是否超过预设车速阈值、所述当前车速是否与所述当前道路类型匹配以及根据所述当前司机的驾驶数据判断所述当前司机是否为高危司机,若任意一个判断结果为是,则生成并发出所述ADAS告警分类请求。
8.一种告警分类方法,其特征在于,包括:
根据如权利要求1至7任意一项所述ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据;
获取ADAS告警模型输出的ADAS告警数据和所述ADAS告警模型中目标层的输出数据;其中,所述目标层为输出层的前一层;
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ADAS告警前的序列化告警数据、所述ADAS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。
9.一种ADAS告警分类装置,其特征在于,包括:
响应单元,用于响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据,并获取当前车辆对应的运输项目、当前车辆型号和/或当前告警设备型号;
第一确定单元,用于根据所述当前车辆所对应的运营项目、所述当前车辆型号和/或所述当前告警设备型号,得到对应的ADAS告警激增判断阈值;
第二确定单元,用于根据所述ADAS告警前的序列化告警数据和所述对应的ADAS告警激增判断阈值,确定ADAS告警激增判断结果;
分类单元,用于根据所述ADAS告警激增判断结果,得到ADAS告警分类结果。
10.一种告警分类装置,其特征在于,包括:
响应单元,用于根据如权利要求1至7任意一项所述ADAS告警分类方法,响应于ADAS告警分类请求,获取ADAS告警前的序列化告警数据;
第一获取单元,用于获取ADAS告警模型输出的ADAS告警数据和所述ADAS告警模型中目标层的输出数据;其中,所述目标层为输出层的前一层;
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ADAS告警前的序列化告警数据、所述ADAS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。
11.一种设备,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7任意一项或权利要求8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211641543.2A CN118261496A (zh) | 2022-12-20 | 2022-12-20 | 一种adas告警分类方法、告警分类方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211641543.2A CN118261496A (zh) | 2022-12-20 | 2022-12-20 | 一种adas告警分类方法、告警分类方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118261496A true CN118261496A (zh) | 2024-06-28 |
Family
ID=91609703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211641543.2A Pending CN118261496A (zh) | 2022-12-20 | 2022-12-20 | 一种adas告警分类方法、告警分类方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118261496A (zh) |
-
2022
- 2022-12-20 CN CN202211641543.2A patent/CN118261496A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299135B (zh) | 基于识别模型的异常查询识别方法、识别设备及介质 | |
EP3598329B1 (en) | Information processing method, information processing system, and program | |
CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN109918279B (zh) | 电子装置、基于日志数据识别用户异常操作的方法及存储介质 | |
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 | |
CN113247008B (zh) | 一种驾驶行为监控方法、装置及电子设备 | |
CN109656786B (zh) | 日志获取方法及装置 | |
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 | |
KR20160062259A (ko) | 차량 이상 상태를 관리하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록매체 | |
CN113139852A (zh) | 一种共享车辆的防超载方法、装置及电子设备 | |
CN118261496A (zh) | 一种adas告警分类方法、告警分类方法、装置及设备 | |
CN115774653A (zh) | 预警研判方法、系统、可读存储介质及计算机设备 | |
CN115189961A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
CN115345241A (zh) | 电池异常检测方法、装置、电子设备及计算机存储介质 | |
JP2019040244A (ja) | 運転支援装置 | |
CN118260639A (zh) | 一种dms告警分类方法、告警分类方法、装置及设备 | |
CN114936113B (zh) | 一种任务雪崩恢复方法、装置、电子设备及存储介质 | |
CN117336210B (zh) | 物联网卡流量异常检测方法、装置、设备及存储介质 | |
CN117706663B (zh) | 一种基于多元数据的冰雹降水现象质控方法及系统 | |
CN114822030B (zh) | 一种车辆鸣喇叭处理方法、装置、电子设备和存储介质 | |
CN117493832B (zh) | 滑坡灾害曲线识别方法、系统、存储介质及计算机 | |
CN111583632B (zh) | 车辆驾驶风险应对方法、装置 | |
CN113448806B (zh) | 数据库集群异常检测方法、装置、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |