WO2020024447A1 - 交通事故的处理方法、装置及计算机可读存储介质 - Google Patents

交通事故的处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
WO2020024447A1
WO2020024447A1 PCT/CN2018/111122 CN2018111122W WO2020024447A1 WO 2020024447 A1 WO2020024447 A1 WO 2020024447A1 CN 2018111122 W CN2018111122 W CN 2018111122W WO 2020024447 A1 WO2020024447 A1 WO 2020024447A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic accident
scene data
accident scene
traffic
blockchain network
Prior art date
Application number
PCT/CN2018/111122
Other languages
English (en)
French (fr)
Inventor
唐雯静
黄章成
王健宗
肖京
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2020024447A1 publication Critical patent/WO2020024447A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Definitions

  • the present application relates to the technical field of traffic accident processing, and in particular, to a method, an apparatus for processing a traffic accident, and a computer non-volatile readable storage medium.
  • the embodiments of the present application provide a method, a device, and a computer non-volatile readable storage medium for processing a traffic accident, which solves the problem of time-consuming and labor-intensive handling of traffic accidents in the related art.
  • a method for processing a traffic accident includes:
  • the traffic accident scene data is analyzed according to the traffic accident analysis model to generate a traffic accident processing result for multi-party confirmation.
  • a device for processing a traffic accident includes:
  • An acquisition unit configured to retrieve traffic accident scene data collected by different clients when a traffic accident occurs
  • a storage unit configured to store the traffic accident scene data in a blockchain network, and the blockchain network is pre-packaged with a traffic accident analysis model for analyzing various types of traffic accident scene data;
  • a generating unit is configured to analyze the traffic accident scene data according to the traffic accident analysis model, and generate a traffic accident processing result for multi-party confirmation.
  • a computer non-volatile readable storage medium in which computer-readable instructions are stored, and when the program is executed by a processor, the following steps are implemented:
  • the traffic accident scene data is analyzed according to the traffic accident analysis model to generate a traffic accident processing result for multi-party confirmation.
  • a computer device including a memory, a processor, and computer-readable instructions stored on the memory and executable on the processor.
  • the processor executes the program, the following is implemented: step:
  • the traffic accident scene data is analyzed according to the traffic accident analysis model to generate a traffic accident processing result for multi-party confirmation.
  • the traffic accident scene data is stored in the blockchain network. Because the blockchain network is pre-packaged with a traffic accident analysis model for analyzing various types of traffic accident scene data, the accident scene data is analyzed based on the traffic accident analysis model. Analyze and generate traffic accident handling results for multi-party confirmation.
  • the embodiments of the present application use various types of traffic accident analysis models pre-trained in the blockchain network to perform data on the scene of the accident. The analysis enables traffic data to be shared quickly, and satisfactory solutions can be obtained without time-consuming coordination between multiple parties, thereby improving the speed of handling traffic accidents.
  • FIG. 1 is a flowchart of a method for processing a traffic accident according to an embodiment of the present application
  • FIG. 2 is a flowchart of another method for processing a traffic accident according to an embodiment of the present application
  • FIG. 3 is a flowchart of constructing a traffic accident analysis model according to an embodiment of the present application.
  • FIG. 4 is a structural block diagram of a traffic accident processing device according to an embodiment of the present application.
  • FIG. 5 is a structural block diagram of another traffic accident processing device according to an embodiment of the present application.
  • FIG. 6 is a block diagram of a traffic accident processing apparatus 400 according to an embodiment of the present application.
  • FIG. 1 is a first flowchart according to an embodiment of the present application. As shown in FIG. 1, the process includes the following steps:
  • Step S101 when a traffic accident is monitored, the traffic accident scene data collected by different clients is retrieved;
  • the traffic accident scene data is video stream data or picture data recorded by different clients in a preset period of time when a traffic accident occurs, for example, vehicle driving data monitored by a road camera in a traffic accident area, and data recorded by a car driver.
  • vehicle driving data and the accident scene data uploaded by the driver are not limited in the embodiments of the present application.
  • monitoring personnel responsible for real-time monitoring of traffic accidents can be set up in monitoring rooms in different areas. After monitoring the occurrence of a traffic accident, the monitoring personnel will trigger the accident button To retrieve traffic accident scene data collected by different clients.
  • step S102 the traffic accident scene data is stored in a blockchain network, and the blockchain network is pre-packaged with a traffic accident analysis model for analyzing various types of traffic accident scene data;
  • the traffic accident scene data collected by different clients are accident scenes recorded from different perspectives, it is not possible to determine the type of traffic accident and the party responsible for the traffic accident from only one client, and it is impossible to handle the traffic accident, for example, the traffic accident area
  • the internal road camera cannot accurately capture the data below the vehicle recorded by the vehicle driving recorder.
  • the vehicle driving recorder cannot capture the data above the vehicle recorded by the camera.
  • the blockchain is a type of chain data structure in which data blocks are sequentially connected in a chronological order, and the traffic accident scene data collected by different clients is collected through the blockchain network to obtain Improved traffic accident scene data, so as to accurately determine the type of traffic accident and the party responsible for the traffic accident, so as to facilitate the subsequent handling of traffic accidents.
  • the embodiment of the present application pre-packages a traffic accident analysis model for analyzing various types of traffic accident scene data in the blockchain network.
  • the traffic accident analysis model here
  • the types of traffic accidents that match the traffic accident scene data are recorded in the traffic accident analysis model.
  • Traffic accident types that match the traffic accident scene data can be identified through the traffic accident analysis model.
  • Step S103 Analyze the traffic accident scene data according to the traffic accident analysis model to generate a traffic accident processing result for multi-party confirmation.
  • the traffic accident analysis model records the types of traffic accidents that match the traffic accident scene data
  • the traffic accident scene data is analyzed by the traffic accident analysis model to find the types of traffic accidents that match the types of traffic accidents.
  • Traffic accident processing results are usually Will involve multiple processors, for example, further obtain the information of the processor corresponding to the type of traffic accident from the police, insurance company, vehicle maintenance station, and generate the traffic accident processing result for multi-party confirmation based on the information of the processor corresponding to the type of traffic accident .
  • the traffic accident scene data is aggregated to the blockchain network, and the blockchain network analyzes the traffic accident scene data to obtain a preliminary traffic accident determination and compensation plan.
  • the police to investigate the traffic on the spot.
  • insurance company personnel to come to the scene to determine the claim plan, which greatly saves the processor time.
  • the traffic accident scene data is stored in the blockchain network. Because the blockchain network is pre-packaged with a traffic accident analysis model for analyzing various types of traffic accident scene data, the accident scene data is analyzed based on the traffic accident analysis model. Analyze and generate traffic accident handling results for multi-party confirmation.
  • the embodiments of the present application use various types of traffic accident analysis models pre-trained in the blockchain network to perform data on the scene of the accident. The analysis enables traffic data to be shared quickly, and satisfactory solutions can be obtained without time-consuming coordination between multiple parties, thereby improving the speed of handling traffic accidents.
  • FIG. 2 is a flowchart of a method for processing a traffic accident according to a preferred embodiment of the present application. As shown in FIG. 2, the method includes the following steps:
  • step S201 when the occurrence of a traffic accident is monitored, the traffic accident scene data collected by different clients is retrieved.
  • the different clients may be a road camera, a car driving recorder, or a user terminal with a data capturing function, such as a collection device provided at the accident site.
  • Road cameras can take pictures of illegal vehicles. Different road cameras have different shooting functions.
  • the bayonet camera is mainly used to measure the speed and capture the speeding behavior of the vehicle.
  • the spherical camera is mainly used to capture the stopping behavior of the vehicle.
  • the car driving recorder uses digital video Record and periodically update the road conditions in front of the car, in the car, and around the road.
  • the recorder can provide evidence and record materials to realize screen playback when the vehicle is equipped with traffic, rear-end collisions, or injuries caused by illegal passing.
  • the accident scene pictures or video data can be taken in real time, and the details of the accident can be enlarged according to the actual needs of the user, for example, the user ’s vehicle scoring traces or the vehicle tail lights are broken.
  • the embodiment of the present application does not limit the above acquisition equipment.
  • the traffic accident scene data collected by different clients can be obtained to obtain a comprehensive range of data at the accident scene, To accurately determine and handle traffic accidents.
  • step S202 a time stamp for recording the time information of the traffic accident is extracted from the traffic accident scene data.
  • different clients record accident time information during the process of collecting traffic accident scene data.
  • the accident time information here is used to record various time points when the data occurs, and can be used as time stamps to identify the accident time information. Under normal circumstances, accident data is recorded every 1 minute.
  • the time interval at which the device records accident data can also be set before data collection, which is not limited in the embodiment of the present application.
  • the embodiment of the present application extracts a time stamp from which traffic accident time information is recorded from traffic accident scene data, and concatenates the traffic accident scene data through a sequence of timestamps in order to analyze the traffic accident scene data.
  • step S203 the consensus mechanism of the blockchain network is used to verify the consistency of the traffic accident scene data corresponding to the same timestamp to obtain the traffic accident scene data that has reached the consensus with the same timestamp.
  • the traffic accident scene data uploaded to the blockchain network is data uploaded by different clients, in order to distinguish the traffic accident scene data, different client identifiers are carried during the process of uploading traffic accident scene data by different clients. For example, user terminal identification, car driving recorder identification, and the like. In addition, the traffic accident scene data uploaded by different clients may have a certain correlation.
  • the shooting angles of traffic accident scene data uploaded by different clients are different, and the traffic accident scene data uploaded by different clients correspond to The shooting time is different, because the traffic accident scene data uploaded by different clients may have the same time stamp, and the traffic accident scene data corresponding to the same time stamp may have false data or wrong data, so the consensus of the blockchain network is used
  • the mechanism verifies the consistency of the traffic accident scene data uploaded by different clients corresponding to the same time stamp, and obtains the traffic accident scene data with the same time stamp.
  • the consensus mechanism is a way to verify the consistency of data in a block chain. Because each block records traffic accident scene data corresponding to the same time stamp, when different accidents with the same time stamp are received, When field data is used, the consistency of the time-stamped accident scene data is verified through a consensus mechanism, so that the time-stamped accident scene data reaches a consensus, thereby determining the accident scene data corresponding to the time stamp, and ensuring the same time-stamped accident scene data. Consistency between them,
  • consensus mechanism for proof-of-work relies on machines to perform data operations to prove the workload of nodes; the consensus mechanism for proof-of-stakes performs nodes based on the amount and time of data held. Rights distribution, the embodiment of the present application does not limit the selection of the consensus mechanism, and has the ability to select a suitable consensus mechanism according to the actual application scenario.
  • the consensus mechanism of the specific proof of work is mainly to allow the same time stamp corresponding to the traffic accident scene data uploaded by different clients to participate in the verification.
  • the same time stamp corresponding to the traffic scene accident data uploaded by different clients needs to use certain computing resources to process Hashcash calculation of the same condition, which client uploads the traffic accident scene data first, then the block belongs to the same traffic accident scene data uploaded by the client, and the same timestamp corresponds to the traffic scene accident data uploaded by other clients.
  • the consensus mechanism of the specific proof of rights is mainly through obtaining the data volume of traffic accident scene data uploaded by different clients.
  • the same timestamp corresponds to the traffic scene accident data uploaded by other clients, and consensus needs to be reached.
  • the consensus mechanism of the blockchain network is used to verify the consistency of the traffic accident scene data corresponding to the same timestamp, which solves the problem of how the blockchain achieves consistency in the distributed scenario and guarantees the block Consistency between traffic accident scene data.
  • step S204 the traffic accident scene data that has reached a consensus at the same timestamp is recorded to the same block in the blockchain according to the timestamp order.
  • the time stamp here is the time information for recording the traffic accident scene data, which can be used as the time identifier of different blocks in the blockchain network.
  • the blockchain network structure contains multiple block files, and the same time is recorded in one block file.
  • the traffic accident scene data that has reached a consensus has not been recorded in other previous blocks.
  • the traffic accident scene data that has reached the same consensus in the same timestamp is recorded to the same block in the blockchain in the order of timestamps. Traffic accident scene data is recorded in the block, and cannot be changed or deleted.
  • each block is composed of a block chain header and a block body.
  • Each block chain header contains block meta information, such as the version number, the hash value of the previous block, and a time stamp.
  • the block contains the traffic accident scene data.
  • the entire blockchain network plays a decisive role in the block header.
  • the various blocks in the blockchain network are transferred through the pointers in the blockchain head.
  • the blocks are combined to form an easily verifiable, non-changeable logbook of traffic data.
  • Step S208 Identify the type of traffic accident that matches the traffic accident scene data by inputting the traffic accident scene data into the traffic accident analysis model.
  • the traffic accident analysis model records a traffic accident type that matches the traffic accident scene data
  • the traffic accident analysis model can be used to identify the traffic accident type corresponding to the traffic accident scene data, and no traffic police is required to perform the accident scene. Surveying has increased the speed of handling traffic accidents.
  • Step S209 Find the processor information corresponding to the traffic accident scene data according to the type of the traffic accident.
  • the traffic accident handler handles traffic accidents.
  • the traffic accident handler of a vehicle rear-end traffic accident involves both parties, the police, and the insurance company.
  • the embodiment of the present application uses a traffic accident analysis model to find a traffic accident type that matches the traffic accident scene data, and notifies the corresponding traffic accident handler for different types of traffic accidents to handle the traffic accident. Of course, it can also be done at the first time when a traffic accident occurs.
  • a traffic accident treatment plan is initially generated and provided to the traffic accident handler to increase the speed of traffic accident treatment.
  • step S210 the processor information corresponding to the traffic accident scene data is filled into a preset report template, and a traffic accident processing result for multi-party confirmation is generated.
  • the preset report template can record information such as types of traffic accidents, parties involved in the accident, and parties responsible for the accident. According to the results of different traffic accident treatments, inconsistent report templates can be set.
  • the police processor needs to know the types of traffic accidents and parties involved in the traffic accident.
  • Information the traffic accident processing results generated by the police processor mainly include information such as the type of the accident, the party responsible for the accident, and the parties to the accident, and the insurance company processor needs to understand the responsibility of the traffic accident in order to determine the subsequent claims, then generate the traffic of the insurance company processor
  • the results of the accident treatment mainly include information of the party responsible for the accident, the parties to the accident, and the accident compensation plan.
  • the traffic accident processing result can also record the time information and location information of the traffic accident.
  • the time information can be the time of the traffic accident, the time of the vehicle collision, etc.
  • the location information can be the location of the vehicle collision, The location of the traffic lights, etc.
  • the traffic accident results can also record the identification information of the person responsible for the accident or the injured person, such as the name of the person, license plate number, road markings, etc. .
  • Step S211 Send the traffic accident processing result for multi-party confirmation to a corresponding processing party, so that the processing party processes the traffic accident according to the traffic accident processing result.
  • the party involved in the traffic accident is a unilateral type, such as a reverse driving, rushing into a green belt, and other types of traffic accidents, and the vehicle is not damaged, the type of traffic accident does not involve insurance company claims, no insurance is required.
  • the company confirms that it is not necessary to generate the traffic accident treatment results for the confirmation of the insurance company, and it is not necessary to send the traffic accident treatment results to the insurance company.
  • traffic accident scene data is stored in a blockchain network. Because the blockchain network is pre-packaged with a traffic accident analysis model for analyzing various types of traffic accident scene data, the accident scene is analyzed according to the traffic accident analysis model. The data is analyzed to generate traffic accident processing results for multi-party confirmation.
  • the embodiments of the present application use various types of traffic accident analysis models pre-trained in the blockchain network to perform data on the scene of the accident. The analysis enables traffic data to be shared quickly, and satisfactory solutions can be obtained without time-consuming coordination between multiple parties, thereby improving the speed of handling traffic accidents.
  • a traffic accident analysis model needs to be constructed, which can be implemented specifically through the following steps S205 to S207.
  • the process of constructing a traffic accident analysis model is not limited to be executed after steps S201 to S204.
  • the specific steps of constructing a traffic accident analysis model include the following steps:
  • Step S205 Collect various types of traffic accident scene data collected in advance, mark the traffic accident scene data according to the type of traffic accident, and obtain traffic accident scene data carrying a traffic accident type label.
  • various types of traffic accident scene data collected in advance may be rear-end accident scene data, turning accident scene data, or overtaking accident scene data, etc., which may specifically include traffic accident types, traffic accident parties, traffic accident handlers, traffic
  • the accident handling process and traffic accident compensation plan are not limited here.
  • the sample of traffic accident scene data should be as large as possible and the data should be diversified to ensure that the output of the traffic accident analysis results contains more types of traffic accidents, and thus closer to The actual situation.
  • the traffic accident scene data corresponding to different types of traffic accidents are different, the traffic accident scene data is marked according to the type of traffic accident, and traffic accident scene data with different types of traffic accident labels are obtained, such as traffic accident scene data marked with red light traffic accident types. , Marking the traffic accident scene data of the type of rear-end collision.
  • step S206 the traffic accident scene data carrying the traffic accident type label is input as sample data into a network training model for training to obtain a traffic accident analysis model.
  • the network training model is used to train various types of traffic accident scene data.
  • Supervised learning algorithms or unsupervised learning algorithms can be used.
  • deep neural network learning algorithms can also be used.
  • the embodiment of this application does not apply to specific machine learning algorithms. Limitation can be made according to actual conditions.
  • the network model here is a multi-layer structure, and the traffic accident scene data carrying tags of different types of traffic accidents is input as sample data into the network training model for training.
  • the network training model can be used for the first layer
  • the structure extracts local behavior characteristics corresponding to various types of traffic accident scene data, and summarizes the local behavior characteristics corresponding to various types of traffic accident scene data through the second layer structure of the network training model to obtain multi-dimensional local behavior characteristics.
  • the third layer of the network training model is The structure reduces the multi-dimensional local behavior characteristics to obtain dimensionality reduction characteristics, and obtains the characteristics of illegal behaviors corresponding to various types of traffic accidents.
  • the fourth layer structure of the network training model is used to classify the characteristics of illegal behaviors corresponding to various types of traffic accidents, and to identify various types of traffic. Traffic accident analysis model of accident type.
  • the traffic accident analysis model can identify the type of traffic accident corresponding to the traffic accident scene data.
  • step S207 the traffic accident analysis model is encrypted and registered in a blockchain network.
  • a traffic accident analysis model can be trained through a network model. Since the traffic accident analysis model is constructed for traffic accident scene data of different types of traffic accidents, not all clients have used the traffic accident scene model to analyze traffic. The authority of the accident scene data, in order to ensure the safety of the traffic accident analysis model, before the traffic accident analysis model is packaged and registered in the blockchain network, the traffic accident analysis model needs to be encrypted. Only the decrypted and verified client can The uploaded traffic accident scene data is analyzed, but other clients cannot analyze the traffic accident scene data.
  • the decryption key is sent to an upload client with permission in advance, and the upload client with permission to decrypt the traffic accident analysis model according to the decryption key , And then use the traffic accident analysis model to analyze the traffic accident scene data, if the client without the permission to use can not obtain the decryption key, can not use the traffic accident analysis model to analyze the traffic accident scene data.
  • FIG. 4 is a structural block diagram of a traffic accident processing device according to an embodiment of the present application.
  • the apparatus includes a retrieval unit 31, a storage unit 32, and a generation unit 33.
  • the retrieval unit 31 may be used to retrieve traffic accident scene data collected by different clients when a traffic accident is monitored;
  • the storage unit 32 may be configured to store the traffic accident scene data in a blockchain network, and the blockchain network is pre-packaged with a traffic accident analysis model for analyzing various types of traffic accident scene data;
  • the generating unit 33 may be configured to analyze the traffic accident scene data according to the traffic accident analysis model, and generate a traffic accident processing result for multi-party confirmation.
  • the traffic accident scene data is stored in the blockchain network. Because the blockchain network is pre-packaged with a traffic accident analysis model for analyzing various types of traffic accident scene data, the accident scene data is analyzed based on the traffic accident analysis model. Analyze and generate traffic accident handling results for multi-party confirmation.
  • the embodiments of the present application use various types of traffic accident analysis models pre-trained in the blockchain network to perform data on the scene of the accident. The analysis enables traffic data to be shared quickly, and satisfactory solutions can be obtained without time-consuming coordination between multiple parties, thereby improving the speed of handling traffic accidents.
  • FIG. 5 is a schematic structural diagram of another traffic accident processing device according to an embodiment of the present application. As shown in FIG. 5, the device further includes:
  • the marking unit 34 may be configured to collect various types of traffic accident scene data in advance before analyzing the traffic accident scene data according to the traffic accident analysis model to generate a traffic accident processing result for multi-party confirmation,
  • the traffic accident scene data is marked according to the type of traffic accident, and the traffic accident scene data carrying the traffic accident type label is obtained;
  • the training unit 35 may be configured to input the traffic accident scene data with a traffic accident type label as sample data into a network training model for training, and obtain a traffic accident analysis model.
  • the traffic accident analysis model records a traffic accident. Traffic accident types that match field data;
  • the registration unit 36 may be configured to encrypt the traffic accident analysis model and register it in a blockchain network.
  • the sending unit 37 may be configured to analyze the traffic accident scene data according to the traffic accident analysis model and generate a traffic accident processing result for multi-party confirmation, and then use the traffic accident processing for multi-party confirmation.
  • the result is sent to the corresponding processing party, so that the processing party can process the traffic accident according to the traffic accident processing result.
  • the storage unit 32 includes:
  • the extraction module 321 may be configured to extract a time stamp for recording traffic accident time information from the traffic accident scene data
  • the recording module 322 may be configured to record the traffic accident scene data corresponding to the same timestamp to the same block in the blockchain network according to the sequence of the timestamps.
  • the storage unit 32 further includes:
  • the verification module 323 may be configured to utilize the consensus of the blockchain network before recording the traffic accident scene data corresponding to the same timestamp to the same block in the blockchain network in the order of the timestamps.
  • the mechanism verifies the consistency of the traffic accident scene data corresponding to the same timestamp, and obtains the traffic accident scene data with the same timestamp;
  • the recording module 322 may be specifically configured to record the traffic accident scene data that has reached the same time stamp to the same block in the blockchain according to the time stamp sequence.
  • the network training model has a multi-layer structure
  • the training unit 35 includes:
  • An extraction module 351 may be used to extract local behavior characteristics corresponding to various types of traffic accident scene data through the first layer structure of the network training model;
  • the summary module 352 can be used to summarize the local behavior characteristics corresponding to various types of traffic accident scene data through the second layer structure of the network training model to obtain multi-dimensional local behavior characteristics;
  • the processing module 353 may be configured to perform dimension reduction processing on the multi-dimensional local behavior characteristics through the third-layer structure of the network training model to obtain the corresponding illegal behavior characteristics of various types of traffic accidents;
  • the classification module 354 can be used to classify the characteristics of the illegal behavior corresponding to the various types of traffic accidents through the fourth layer structure of the network training model to obtain a traffic accident analysis model that identifies various types of traffic accidents.
  • the generating unit 33 includes:
  • the identification module 331 may be configured to identify a traffic accident type that matches the traffic accident scene data by inputting the traffic accident scene data into the traffic accident analysis model;
  • the search module 332 may be configured to search for processor information corresponding to traffic accident scene data according to the type of the traffic accident;
  • the generating module 333 may be configured to fill information of a processor corresponding to the traffic accident scene data into a preset report template, and generate a traffic accident processing result for multi-party confirmation.
  • Fig. 6 is a block diagram of a device 400 for processing a traffic accident according to an exemplary embodiment.
  • the apparatus 400 may be a computer device, including a mobile phone, a computer, a digital broadcasting terminal, a messaging device, a game console, a tablet device, a medical device, a fitness equipment, a personal digital assistant, and the like.
  • the device 400 may include one or more of the following components: a processing component 402, a memory 404, a power component 406, a multimedia component 408, an audio component 410, an I / O (Input / Output) interface 412, A sensor component 414, and a communication component 416.
  • the processing component 402 generally controls the overall operation of the device 400, such as operations associated with display, telephone calls, data communications, camera operations, and recording operations.
  • the processing component 402 may include one or more processors 420 to execute instructions to complete all or part of the steps of the method described above.
  • the processing component 402 may include one or more modules to facilitate the interaction between the processing component 402 and other components.
  • the processing component 402 may include a multimedia module to facilitate the interaction between the multimedia component 408 and the processing component 402.
  • the memory 404 is configured to store various types of data to support operation at the device 400. Examples of such data include instructions for any application or method for operating on the device 400, contact data, phone book data, messages, pictures, videos, and the like.
  • the memory 404 can be implemented by any type of volatile or non-volatile storage device or a combination thereof, such as SRAM (Static Random Access Memory, Static Random Access Memory), EEPROM (Electrically-Erasable Programmable Read-Only Memory, Electrical Erasable Programmable Read Only Memory (EPROM), EPROM (Erasable Programmable Read Only Memory), PROM (Programmable Read-Only Memory), ROM (Read-Only Memory, Read-only memory), magnetic memory, flash memory, magnetic disk or optical disk.
  • SRAM Static Random Access Memory
  • Static Random Access Memory Static Random Access Memory
  • EEPROM Electrical Erasable Programmable Read Only Memory
  • EPROM Electrical Erasable Programmable Read Only Memory
  • PROM Programmable Read-Only Memory
  • ROM Read-
  • the power supply component 406 provides power to various components of the device 400.
  • the power component 406 may include a power management system, one or more power sources, and other components associated with generating, managing, and distributing power for the device 400.
  • the multimedia component 408 includes a screen that provides an output interface between the device 400 and a user.
  • the screen may include an LCD (Liquid Crystal Display) and a TP (Touch Panel). If the screen includes a touch panel, the screen may be implemented as a touch screen to receive an input signal from a user.
  • the touch panel includes one or more touch sensors to sense touch, swipe, and gestures on the touch panel. The touch sensor may not only sense a boundary of a touch or slide action, but also detect duration and pressure related to the touch or slide operation.
  • the multimedia component 408 includes a front camera and / or a rear camera. When the device 400 is in an operation mode, such as a shooting mode or a video mode, the front camera and / or the rear camera can receive external multimedia data. Each front camera and rear camera can be a fixed optical lens system or have focal length and optical zoom capabilities.
  • the audio component 410 is configured to output and / or input audio signals.
  • the audio component 410 includes a MIC (Microphone).
  • the microphone is configured to receive an external audio signal.
  • the received audio signal may be further stored in the memory 404 or transmitted via the communication component 416.
  • the audio component 410 further includes a speaker for outputting audio signals.
  • the I / O interface 412 provides an interface between the processing component 402 and a peripheral interface module.
  • the peripheral interface module may be a keyboard, a click wheel, a button, or the like. These buttons may include, but are not limited to: a home button, a volume button, a start button, and a lock button.
  • the sensor component 414 includes one or more sensors for providing status assessment of various aspects of the device 400.
  • the sensor component 414 can detect the on / off state of the device 400 and the relative positioning of the components, such as the display and keypad of the device 400.
  • the sensor component 414 can also detect the change in the position of the device 400 or a component of the device 400.
  • the user The presence or absence of contact with the device 400, the orientation or acceleration / deceleration of the device 400, and the temperature change of the device 400.
  • the sensor component 414 may include a proximity sensor configured to detect the presence of nearby objects without any physical contact.
  • the sensor component 414 may also include a light sensor, such as a CMOS (Complementary Metal Oxide Semiconductor) or a CCD (Charge-coupled Device) image sensor, for use in imaging applications.
  • CMOS Complementary Metal Oxide Semiconductor
  • CCD Charge-coupled Device
  • the sensor component 414 may further include an acceleration sensor, a gyroscope sensor, a magnetic sensor, a pressure sensor, or a temperature sensor.
  • the communication component 416 is configured to facilitate wired or wireless communication between the device 400 and other devices.
  • the device 400 may access a wireless network based on a communication standard, such as WiFi, 2G, or 3G, or a combination thereof.
  • the communication component 416 receives a broadcast signal or broadcast-related information from an external broadcast management system via a broadcast channel.
  • the communication component 416 further includes an NFC (Near Field Communication) module to facilitate short-range communication.
  • the NFC module can be based on RFID (Radio Frequency Identification) technology, IrDA (Infra-red Data Association) technology, UWB (Ultra Wideband) technology, BT (Bluetooth, Bluetooth) technology and Other technologies to achieve.
  • the device 400 may be implemented by one or more ASIC (Application Specific Integrated Circuit), DSP (Digital Signal Processor), DSPD (Digital Signal Processor, Device) Equipment), PLD (Programmable Logic Device), FPGA) (Field Programmable Gate Array), controller, microcontroller, microprocessor or other electronic components to implement the above Handling of traffic accidents.
  • ASIC Application Specific Integrated Circuit
  • DSP Digital Signal Processor
  • DSPD Digital Signal Processor, Device
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • controller microcontroller
  • a non-transitory computer non-volatile readable storage medium including instructions may be executed by the processor 420 of the apparatus 400 to complete the above method.
  • the non-transitory computer non-volatile readable storage medium may be ROM, RAM (Random Access Memory), CD-ROM (Compact Disc Read-Only Memory), magnetic tape , Floppy disks, and optical data storage devices.
  • a non-transitory computer non-volatile readable storage medium when an instruction in the non-volatile readable storage medium is executed by a processor of a traffic accident processing device, enables the traffic accident processing device to execute the above Handling of traffic accidents.
  • modules or steps of the present application can be implemented by general-purpose computer equipment, which can be centralized on a single computer equipment or distributed on a network composed of multiple computer equipment
  • they may be implemented with computer-readable instructions of a computer device, so that they may be stored in a storage device and executed by a computing device, and in some cases, may be in a different order than here
  • the steps shown or described are performed either by making them into individual integrated circuit modules or by making multiple modules or steps into a single integrated circuit module. As such, this application is not limited to any particular combination of hardware and software.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种交通事故的处理方法、装置及计算机非易失性可读存储介质，涉及交通事故处理技术领域，可以使得交通事故现场数据得到迅速共享，提高交通事故处理速度。所述方法包括：当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据（S101）；将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有各类用于分析各类交通事故现场数据的交通事故分析模型（S102）；根据所述交通事故分析模型对所述交通事故现场数据进行相互验证，生成用于多方确认的交通事故处理结果（S103）；将所述用于多方确认的交通事故处理结果发送至相应的处理方，以便所述处理方根据所述交通事故处理结果对交通事故进行处理。

Description

交通事故的处理方法、装置及计算机可读存储介质
本申请要求于2018年8月1日提交中国专利局、申请号为2018108666837、申请名称为“交通事故的处理方法、装置、计算机设备及计算机存储介质”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及交通事故处理技术领域，尤其是涉及到交通事故的处理方法、装置及计算机非易失性可读存储介质。
背景技术
随着经济水平的不断提升，汽车已经成为了一种非常普遍的交通工具，汽车保险也随之进入人们的生活。每天在道路上会出现各种大小的交通事故，其中小事故偏多，如汽车追尾、汽车剐蹭等。当出现交通事故的第一时刻需要做的就是及时报案，发生交通事故除了需要向交通管理部门报案以外，还需要及时向保险公司报案，一方面要让保险公司知道投保人出了交通事故，另外一方面要向保险公司咨询车险处理流程，以便于保险公司给出合理的理赔方案。
简单的交通事故如果得不到客观准确而快速的处理，不仅会引起事故双方产生矛盾相互推卸责任，还会造成局部路段的堵塞。目前，对于交通事故的处理过程通常是将事故现场采集到的图片上传至警方以及保险公司，进一步由警方以及保险公司分别到事故现场对事故责任进行判断，这样一来，使得原本简单的交通事故由于需要多方协调确认带来交通的堵塞，耽误时间也耽误人力。
发明内容
本申请实施例提供了交通事故的处理方法、装置及计算机非易失性可读存储介质，解决了相关技术中交通事故处理费时费力的问题。
根据本申请实施例的第一方面，提供一种交通事故的处理方法，所述方法包括：
当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的 交通事故处理结果。
根据本申请实施例的第二方面，提供一种交通事故的处理装置，所述装置包括：
调取单元，用于当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
存储单元，用于将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
生成单元，用于根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
根据本申请实施例的第三方面，提供一种计算机非易失性可读存储介质，其上存储有计算机可读指令，该程序被处理器执行时实现以下步骤：
当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
根据本申请实施例的第四方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，所述处理器执行所述程序时实现以下步骤：
当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
通过本申请，将交通事故现场数据存储至区块链网络中，由于区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型，根据交通事故分析模型对事故现场数据进行分析，生成用于多方确认的交通事故处理结果。与现有技术通过将事故现场采集到的图片上传至警方以及保险公司的交通事故处理方法相比，本申请实施例通过区块链网络中预先训练的各类交通事故分析模型对事故现场数据进行分析，使得交通数据可以迅速得到共享，无需多方费时协调皆可以得到满意的解决方案，从而提高交通事故的处理速度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种交通事故的处理方法的流程图；
图2是根据本申请实施例的另一种交通事故的处理方法的流程图；
图3是根据本申请实施例构建交通事故分析模型的流程图；
图4是根据本申请实施例的一种交通事故的处理装置的结构框图；
图5是根据本申请实施例的另一种交通事故的处理装置的结构框图；
图6是根据本申请实施例的交通事故的处理装置400的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种交通事故的处理方法，图1是根据本申请实施例的流程图一，如图1所示，该流程包括如下步骤：
步骤S101，当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
其中，交通事故现场数据为由不同客户端在交通事故发生的预设时间段内记录的视频流数据或者图片数据，例如，交通事故区域内道路摄像头监控到的汽车行驶数据，汽车驾驶仪记录的车辆行驶数据以及驾驶人员上传的事故现场数据等，本申请实施例不进行限定。
对于本申请实施例，为了有效控制交通违法行为，预防交通事故发生，可以在不同区域的监控室内设置有负责实时监控交通事故的监控人员，在监控到交通事故发生后，通过监控人员触发事故按钮来调取不同客户端采集的交通事故现场数据。
步骤S102，将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
由于不同客户端采集的交通事故现场数据为从不同视角记录的事故现场，不能单从一个客户端来判定交通事故类型以及交通事故责任方等信息，无法对交通事故进行处理，例如，交通事故区域内道路摄像头无法准确拍摄到汽车行车记录仪记录的车辆下方的数据，同理对于汽车行车记录仪无法拍摄到摄像头拍摄的车辆上方的数据。
对于本申请实施例，区块链是一种按照时间顺序将数据区块以顺序相连方式组合成的 一种链式数据结构，通过区块链网络汇总不同客户端采集的交通事故现场数据，获取更完善的交通事故现场数据，从而准确判断交通事故类型以及交通事故责任方等信息，以便后续对交通事故进行处理。
需要说明的是，为了更好地对不同交通事故进行及时处理，本申请实施例在区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型，这里的交通事故分析模型中记录有与交通事故现场数据相匹配的交通事故类型，通过交通事故分析模型可以识别出与交通事故现场现场数据相匹配的交通事故类型，当然为了保证交通事故分析模型中交通事故类型的多样性，可以实时向区块链网络交通事故分析模型中更新其他类型的交通事故分析模型。
步骤S103，根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
由于交通事故分析模型中记录有与交通事故现场数据相匹配的交通事故类型，通过交通事故分析模型对交通事故现场数据进行分析，查找与交通事故类型相匹配的交通事故类型，交通事故处理结果通常会涉及多个处理方，例如，向警方、保险公司、车辆维修站，进一步获取交通事故类型对应的处理方信息，根据交通事故类型对应的处理方信息，生成用于多方确认的交通事故处理结果。
现有技术在交通事故发生后需要警方、事故当事人、保险公司等多方对事故现场进行勘察，确认交通事故责任，并及时疏导交通，从而实现对交通事故的处理。对于本申请实施例，通过将交通事故现场数据汇总到区块链网络，区块链网络对交通事故现场数据进行分析，即可初步得到交通事故定责以及赔偿方案，无需警方现场勘查交通，也无需保险公司人员到现场确定理赔方案，大大节省了处理方时间。
通过本申请，将交通事故现场数据存储至区块链网络中，由于区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型，根据交通事故分析模型对事故现场数据进行分析，生成用于多方确认的交通事故处理结果。与现有技术通过将事故现场采集到的图片上传至警方以及保险公司的交通事故处理方法相比，本申请实施例通过区块链网络中预先训练的各类交通事故分析模型对事故现场数据进行分析，使得交通数据可以迅速得到共享，无需多方费时协调皆可以得到满意的解决方案，从而提高交通事故的处理速度。
图2是根据本申请优选实施例的交通事故的处理方法的流程图，如图2所示，该方法包括以下步骤：
步骤S201，当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据。
其中，不同客户端可以为事故发生处设置的道路摄像头、汽车行车记录仪或者用户终端等具有数据拍摄功能的采集设备。道路摄像头可以对违法车辆进行拍摄，不同道路摄像头具有不同的拍摄功能，例如，卡口摄像头主要用来测速，拍摄车辆超速行为，球状摄像头主要用来拍摄车辆停止行为；汽车行车记录仪通过数字视频记录并循环更新车前、车内、周围的路面情况，可以在车辆配装、违规超车导致的追尾、伤人等交通事故时，记录仪提供证据记录材料，实现画面回放；用户终端主要用来实时拍摄事故现场图片或者视频数据，可以根据用户实际需求放大拍摄事故细节，例如用户车辆剐蹭痕迹的细节图，或者车辆尾灯破碎的细节图等，本申请实施例对上述采集设备不进行限定。
对于本申请实施例，当监控到交通事故发生时，为了对交通事故进行责任判定以及后续的赔偿处理，通过调取不同客户端采集的交通事故现场数据，可以得到事故现场全方位的数据，以便于准确判断交通事故并对交通事故进行处理。
步骤S202，从所述交通事故现场数据中提取出记录交通事故时间信息的时间戳。
对于本申请实施例，不同客户端在采集交通事故现场数据过程中会记录事故时间信息，这里的事故时间信息用来记录数据发生的各个时间点，可以作为用于标识事故时间信息的时间戳，通常情况下，每间隔1分钟记录一次事故数据，当然也可以在数据采集之前设置设备记录事故数据的时间间隔，本申请实施例不进行限定。
本申请实施例从交通事故现场数据中提取出记录交通事故时间信息的时间戳，通过时间戳的先后顺序将交通事故现场数据串连起来，以便于对交通事故现场数据进行分析。
步骤S203，利用区块链网络的共识机制对相同时间戳对应的交通事故现场数据进行一致性验证，得到相同时间戳达成共识的交通事故现场数据。
由于上传至区块链网络中的交通事故现场数据为不同客户端上传的数据，为了对交通事故现场数据进行区分，在不同客户端上传交通事故现场数据的过程中会携带不同的客户端标识，例如，用户终端标识、汽车驾驶记录仪标识等。另外，不同客户端上传的交通事故现场数据之间可能具有一定的关联性，例如，不同客户端上传的交通事故现场数据对应的拍摄角度有所不同，不同客户端上传的交通事故现场数据对应的拍摄时间有所不同，由于不同客户端上传的交通事故现场数据可能具有相同的时间戳，相同的时间戳对应的交通事故现场数据中可能存在虚假数据或者错误数据，所以利用区块链网络的共识机制对相同时间戳对应的不同客户端上传的交通事故现场数据进行一致性验证，得到相同时间戳达成共识的交通事故现场数据。
其中，共识机制是区块链网络中用于验证区块内数据一致性的方式，由于每个区块都记录有相同时间戳对应的交通事故现场数据，当接收到同一相同时间戳的不同事故现场数据时，通过共识机制来验证该时间戳的事故现场数据的一致性，使得该时间戳的事故现场数据达成共识，从而确定该时间戳对应的事故现场数据，保证相同时间戳的事故现场数据之间具有一致性，
需要说明的是，不同的共识机制具有不同的实现方式，例如，工作量证明的共识机制依赖机器进行数据运算，证明节点工作量；权益证明的共识机制根据持有数据的量和时间，进行节点权益分配，本申请实施例对共识机制的选取不进行限定，具有可以根据实际应用场景选择合适的共识机制。
具体工作量证明的共识机制主要是让相同时间戳对应不同客户端上传的交通事故现场数据共同参与验证，该算法中相同时间戳对应不同客户端上传的交通现场事故数据需要使用一定的运算资源处理同一个条件的Hashcash计算，哪个客户端上传的交通事故现场数据先计算出来，则区块归属于相同该客户端上传的交通事故现场数据，相同时间戳对应其他客户端上传的交通现场事故数据需要达成共识。
具体权益证明的共识机制主要是通过获取不同客户端上传的交通事故现场数据的数据量，客户端上传的交通事故现场数据的数据量越大，则说明该客户端会得到奖励，拥有更多的区块，则区块归属于相同时间戳该客户端上传的交通事故现场数据的数据，相同时间戳对应其他客户端上传的交通现场事故数据需要达成共识。
对于本申请实施例，利用区块链网络的共识机制对相同时间戳对应的交通事故现场数据进行一致性验证，解决了区块链如何在分布式场景下达成一致性的问题，保证了区块之间交通事故现场数据之间的一致性。
步骤S204，按照所述时间戳顺序将相同时间戳达成共识的交通事故现场数据记录至区块链中的同一区块上。
这里的时间戳为记录交通事故现场数据的时间信息，可以作为区块链网络中不同区块的时间标识，区块链网络结构中包含有多个区块文件，一个区块文件中记录相同时间戳达成共识的交通事故现场数据，且未被其他在先区块记录，进一步按照时间戳的顺序将相同时间戳达成共识的交通事故现场数据记录至区块链中的同一区块上，一旦将交通事故现场数据记录到区块中，则无法改变或者删除。
其中，每个区块由区块链头和区块体组成，每个区块链头包含区块元信息，如版本号、前一区块的哈希值、时间戳等信息，同时包含一个指向前一个区块链头哈希值的指针，这 个指针是防止区块链网络被篡改的关键信息，区块体包含了交通事故现场数据。
需要说明的是，整个区块链网络起决定性作用的是区块头，在区块与其他区块之间进行数据传输的过程中，通过区块链头中的指针将区块链网络中各个区块组合起来，构成一个容易验证、不可更改的交通数据记录本。
步骤S208、通过将所述交通事故现场数据输入至所述交通事故分析模型，识别出与所述交通事故现场数据相匹配的交通事故类型。
对于本申请实施例，由于交通事故分析模型中记录有与交通事故现场数据相匹配的交通事故类型，具体通过交通事故分析模型可以识别出交通事故现场数据对应的交通事故类型，无需交警进行事故现场勘察，提高了交通事故处理速度。
步骤S209，根据所述交通事故类型查找交通事故现场数据对应的处理方信息。
由于不同交通事故类型对应的交通事故处理方、交通事故定责方式、交通事故理赔方案等交通事故对应处理方信息有所不同，需要查找与交通事故类型相匹配的交通事故处理方信息，进而由交通事故处理方来对交通事故进行处理，例如，车辆追尾交通事故的交通事故处理方涉及双方事故当事人、警察以及保险公司等。
本申请实施例通过交通事故分析模型查找与交通事故现场数据相匹配的交通事故类型，针对不同交通事故类型通知相应交通事故处理方来进行交通事故处理，当然也可以在发生交通事故的第一时间内初步生成交通事故处理方案提供给交通事故处理方，提高交通事故处理速度。
步骤S210，将所述交通事故现场数据对应的处理方信息填入预设报告模板中，生成用于多方确认的交通事故处理结果。
其中，预设报告模板可以记录交通事故类型、事故当事人、事故责任方等信息，根据不同交通事故处理结果可以设定不通的报告模板，例如，警方处理方需要了解交通事故类型以及交通事故当事人等信息，则生成警方处理方的交通事故处理结果主要包括事故类型、事故责任方以及事故当事人等信息，而保险公司处理方需要了解交通事故责任以便对后续理赔判定，则生成保险公司处理方的交通事故处理结果主要包括事故责任方以及事故当事人信息、事故理赔方案等。
当然为了方便进一步了解交通事故的细节信息，该交通事故处理结果还可以记录交通事故的时间信息、位置信息，时间信息可以为交通事故发生时间、车辆碰撞时间等，位置信息可以为车辆碰撞位置、事故红绿灯位置等，当然如果事故肇事者或者事故受伤者为人物或者车辆等，该交通事故处理结果还可以记录事故肇事者或者事故受伤者的标识信息， 如人物名称、车牌号码、道路标记等信息。
步骤S211，将所述用于多方确认的交通事故处理结果发送至相应的处理方，以便所述处理方根据所述交通事故处理结果对交通事故进行处理。
需要说明的是，如果交通事故涉案方为单方，如逆向行驶、冲入绿化带等单方驾驶人员的交通事故类型，并且车辆并无任何损伤，该交通事故类型不涉及保险公司理赔，则无需保险公司确认，无需生成用于保险公司确认的交通事故处理结果，也无需向保险公司发送交通事故处理结果。
通过本申请实施例，将交通事故现场数据存储至区块链网络中，由于区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型，根据交通事故分析模型对事故现场数据进行分析，生成用于多方确认的交通事故处理结果。与现有技术通过将事故现场采集到的图片上传至警方以及保险公司的交通事故处理方法相比，本申请实施例通过区块链网络中预先训练的各类交通事故分析模型对事故现场数据进行分析，使得交通数据可以迅速得到共享，无需多方费时协调皆可以得到满意的解决方案，从而提高交通事故的处理速度。
需要说明的是，在执行步骤S208之前，需要构建交通事故分析模型，具体可以通过下述步骤S205至步骤S207实现，当然构建交通事故分析模型的过程并不限定在步骤S201至步骤S204之后执行，如图3所示，具体构建交通事故分析模型的包括以下步骤：
步骤S205，将预先收集的各类交通事故现场数据，并根据交通事故类型对交通事故现场数据进行标记，得到携带交通事故类型标签的交通事故现场数据。
对于本申请实施例，预先收集的各类交通事故现场数据可以为追尾事故现场数据、转弯事故现场数据或者超车事故现场数据等，具体可以包括交通事故类型、交通事故当事人、交通事故处理人、交通事故处理处理流程以及交通事故赔偿方案等，在此不进行限定。
需要说明的是，为了提高交通事故分析模型的准确度，需要交通事故现场数据的样本尽可能大、数据多样化，以保证输出的交通事故分析结果中包含更多的交通事故类型，进而更接近实际情况。
由于不同交通事故类型对应的交通事故现场数据不同，根据交通事故类型对交通事故现场数据进行标记，得到携带有不同交通事故类型标签的交通事故现场数据，如标记闯红灯交通事故类型的交通事故现场数据，标记追尾事故类型的交通事故现场数据等。
步骤S206，将所述携带交通事故类型标签的交通事故现场数据作为样本数据输入至网络训练模型中进行训练，得到交通事故分析模型。
具体采用网络训练模型对各类交通事故现场数据进行训练，可以采用有监督式学习算法或者无监督式学习算法，当然还可以采用深度神经网络学习算法，本申请实施例对具体的机器学习算法不进行限定，具体可以根据实际情况进行选取。
对于本申请实施例，这里的网络模型为多层结构，将携带有不同交通事故类型标签的交通事故现场数据作为样本数据输入至网络训练模型中进行训练具体可以包括：通过网络训练模型第一层结构提取各类交通事故现场数据对应的局部行为特征，通过网络训练模型第二层结构汇总各类交通事故现场数据对应的局部行为特征，得到多维度的局部行为特征，通过网络训练模型第三层结构对多维度的局部行为特征进行降维处理，得到各类交通事故对应的违法行为特征，通过网络训练模型第四层结构对各类交通事故对应的违法行为特征进行分类，得到识别各类交通事故类型的交通事故分析模型。
由于交通事故分析模型中记录有交通事故现场数据与不同交通事故类型的映射关系，通过交通事故分析模型可以识别交通事故现场数据对应的交通事故类型。
步骤S207，将所述交通事故分析模型进行加密并登记至区块链网络中。
对于本申请实施例，通过网络模型可以训练出交通事故分析模型，由于交通事故分析模型为针对不同交通事故类型的交通事故现场数据所构建的，并非所有客户端都有使用交通事故现场模型分析交通事故现场数据的权限，为了保证交通事故分析模型的安全性，在将交通事故分析模型封装登记到区块链网络中之前，需要对交通事故分析模型进行加密，只有经过解密验证的客户端才可以对上传的交通事故现场数据进行分析，而其他客户端无法对交通事故现场数据进行分析。
具体可以在使用交通事故分析模型对交通事故现场数据分析之前，会预先将解密密钥发送至具有使用权限的上传客户端，具有使用权限的上传客户端根据解密密钥对交通事故分析模型进行解密，进而使用交通事故分析模型对交通事故现场数据进行分析，而不具有使用权限的客户端时无法获取解密密钥的，无法使用交通事故分析模型对交通事故现场数据进行分析。
图4是根据本申请实施例的一种交通事故的处理装置的结构框图。参照图4，该装置包括调取单元31，存储单元32和生成单元33。
调取单元31，可以用于当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
存储单元32，可以用于将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
生成单元33，可以用于根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
通过本申请，将交通事故现场数据存储至区块链网络中，由于区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型，根据交通事故分析模型对事故现场数据进行分析，生成用于多方确认的交通事故处理结果。与现有技术通过将事故现场采集到的图片上传至警方以及保险公司的交通事故处理方法相比，本申请实施例通过区块链网络中预先训练的各类交通事故分析模型对事故现场数据进行分析，使得交通数据可以迅速得到共享，无需多方费时协调皆可以得到满意的解决方案，从而提高交通事故的处理速度。
作为图4中所示交通事故的处理装置的进一步说明，图5是根据本申请实施例另一种交通事故的处理装置的结构示意图，如图5所示，该装置还包括：
标记单元34，可以用于在所述根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果之前，将预先收集的各类交通事故现场数据，并根据交通事故类型对交通事故现场数据进行标记，得到携带交通事故类型标签的交通事故现场数据；
训练单元35，可以用于将所述携带交通事故类型标签的交通事故现场数据作为样本数据输入至网络训练模型中进行训练，得到交通事故分析模型，所述交通事故分析模型中记录有与交通事故现场数据相匹配的交通事故类型；
登记单元36，可以用于将所述交通事故分析模型进行加密并登记至区块链网络中。
发送单元37，可以用于在所述根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果之后，将所述用于多方确认的交通事故处理结果发送至相应的处理方，以便所述处理方根据所述交通事故处理结果对交通事故进行处理。
进一步地，所述存储单元32包括：
提取模块321，可以用于从所述交通事故现场数据中提取出记录交通事故时间信息的时间戳；
记录模块322，可以用于按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上。
进一步地，所述存储单元32还包括：
验证模块323，可以用于在所述按照所述时间戳的顺序将相同时间戳对应的交通事故 现场数据记录至所述区块链网络中的同一区块上之前，利用区块链网络的共识机制对相同时间戳对应的交通事故现场数据进行一致性验证，得到相同时间戳达成共识的交通事故现场数据；
所述记录模块322，具体可以用于按照所述时间戳顺序将相同时间戳达成共识的交通事故现场数据记录至所述区块链中的同一区块上。
进一步地，所述网络训练模型为多层结构，所述训练单元35包括：
提取模块351，可以用于通过网络训练模型第一层结构提取各类交通事故现场数据对应的局部行为特征；
汇总模块352，可以用于通过网络训练模型第二层结构汇总各类交通事故现场数据对应的局部行为特征，得到多维度的局部行为特征；
处理模块353，可以用于通过网络训练模型第三层结构对所述多维度的局部行为特征进行降维处理，得到各类交通事故对应的违法行为特征；
分类模块354，可以用于通过网络训练模型第四层结构对所述各类交通事故对应的违法行为特征进行分类，得到识别各类交通事故类型的交通事故分析模型。
进一步地，，所述生成单元33包括：
识别模块331，可以用于通过将所述交通事故现场数据输入至所述交通事故分析模型，识别出与所述交通事故现场数据相匹配的交通事故类型；
查找模块332，可以用于根据所述交通事故类型查找交通事故现场数据对应的处理方信息；
生成模块333，可以用于将所述交通事故现场数据对应的处理方信息填入预设报告模板中，生成用于多方确认的交通事故处理结果。
图6是根据一示例性实施例示出的一种交通事故的处理装置400的框图。例如，装置400可以是一种计算机设备，包括移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，I/O(Input/Output，输入/输出)的接口412，传感器组件414，以及通信组件416。
处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块， 便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如SRAM(Static Random Access Memory,静态随机存取存储器)，EEPROM(Electrically-Erasable Programmable Read-Only Memory,电可擦除可编程只读存储器)，EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)，PROM(Programmable Read-Only Memory,可编程只读存储器)，ROM(Read-Only Memory,只读存储器)，磁存储器，快闪存储器，磁盘或光盘。
电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括LCD(Liquid Crystal Display，液晶显示器)和TP(Touch Panel，触摸面板)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个MIC(Microphone,麦克风)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
I/O接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。 例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS(Complementary Metal Oxide Semiconductor，互补金属氧化物)或CCD(Charge-coupled Device，电荷耦合元件)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括NFC(Near Field Communication,近场通信)模块，以促进短程通信。例如，在NFC模块可基于RFID(Radio Frequency Identification,射频识别)技术，IrDA(Infra-red Data Association,红外数据协会)技术，UWB(Ultra Wideband,超宽带)技术，BT(Bluetooth,蓝牙)技术和其他技术来实现。
在示例性实施例中，装置400可以被一个或多个ASIC(Application Specific Integrated Circuit,应用专用集成电路)、DSP(Digital signal Processor,数字信号处理器)、DSPD(Digital signal Processor Device，数字信号处理设备)、PLD(Programmable Logic Device,可编程逻辑器件)、FPGA)(Field Programmable Gate Array,现场可编程门阵列)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述交通事故的处理方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机非易失性可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机非易失性可读存储介质可以是ROM、RAM(Random Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器)、磁带、软盘和光数据存储设备等。
一种非临时性计算机非易失性可读存储介质，当所述非易失性可读存储介质中的指令由交通事故的处理装置的处理器执行时，使得交通事故的处理装置能够执行上述交通事故的处理方法。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算机设备来实现，它们可以集中在单个的计算机设备上，或者分布在多个计算机设备所组 成的网络上，可选地，它们可以用计算机设备的计算机可读指令来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (20)

  1. 一种交通事故的处理方法，其特征在于，所述方法包括：
    当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
    将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
    根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
  2. 根据权利要求1所述的方法，其特征在于，所述将所述交通事故现场数据存储至区块链网络中包括：
    从所述交通事故现场数据中提取出记录交通事故时间信息的时间戳；
    按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上。
  3. 根据权利要求2所述的方法，其特征在于，在所述按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上之前，所述方法还包括：
    利用区块链网络的共识机制对相同时间戳对应的交通事故现场数据进行一致性验证，得到相同时间戳达成共识的交通事故现场数据；
    所述按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上包括：
    按照所述时间戳顺序将相同时间戳达成共识的交通事故现场数据记录至所述区块链中的同一区块上。
  4. 根据权利要求1所述的方法，其特征在于，在所述根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果之前，所述方法还包括：
    将预先收集的各类交通事故现场数据，并根据交通事故类型对交通事故现场数据进行标记，得到携带交通事故类型标签的交通事故现场数据；
    将所述携带交通事故类型标签的交通事故现场数据作为样本数据输入至网络训练模型中进行训练，得到交通事故分析模型，所述交通事故分析模型中记录有与交通事故现场数据相匹配的交通事故类型；
    将所述交通事故分析模型进行加密并登记至区块链网络中。
  5. 根据权利要求4所述的方法，其特征在于，所述网络训练模型为多层结构，所述将预先收集的各类交通事故现场数据分别输入至网络训练模型中进行训练，得到交通事故分析模型包括：
    通过网络训练模型第一层结构提取各类交通事故现场数据对应的局部行为特征；
    通过网络训练模型第二层结构汇总各类交通事故现场数据对应的局部行为特征，得到多维度的局部行为特征；
    通过网络训练模型第三层结构对所述多维度的局部行为特征进行降维处理，得到各类交通事故对应的违法行为特征；
    通过网络训练模型第四层结构对所述各类交通事故对应的违法行为特征进行分类，得到识别各类交通事故类型的交通事故分析模型。
  6. 根据权利要求5所述的方法，其特征在于，所述根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果包括：
    通过将所述交通事故现场数据输入至所述交通事故分析模型，识别出与所述交通事故现场数据相匹配的交通事故类型；
    根据所述交通事故类型查找交通事故现场数据对应的处理方信息；
    将所述交通事故现场数据对应的处理方信息填入预设报告模板中，生成用于多方确认的交通事故处理结果。
  7. 根据权利要求1-6中任一项所述的方法，其特征在于，在所述根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果之后，所述方法还包括：
    将所述用于多方确认的交通事故处理结果发送至相应的处理方，以便所述处理方根据所述交通事故处理结果对交通事故进行处理。
  8. 一种交通事故的处理装置，其特征在于，所述装置包括：
    调取单元，用于当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
    存储单元，用于将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有各类交通事故分析模型；
    生成单元，用于根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
  9. 根据权利要求8所述的装置，其特征在于，所述存储单元包括：
    提取模块，用于从所述交通事故现场数据中提取出记录交通事故时间信息的时间戳；
    记录模块，用于按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至 所述区块链网络中的同一区块上。
  10. 根据权利要求9所述的装置，其特征在于，所述存储单元还包括：
    验证模块，用于在所述按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上之前，利用区块链网络的共识机制对相同时间戳对应的交通事故现场数据进行一致性验证，得到相同时间戳达成共识的交通事故现场数据；
    所述记录模块，具体用于按照所述时间戳顺序将相同时间戳达成共识的交通事故现场数据记录至所述区块链中的同一区块上。
  11. 根据权利要求8所述的装置，其特征在于，所述装置还包括：
    标记单元，用于在所述根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果之前，将预先收集的各类交通事故现场数据，并根据交通事故类型对交通事故现场数据进行标记，得到携带交通事故类型标签的交通事故现场数据；
    训练单元，用于将所述携带交通事故类型标签的交通事故现场数据作为样本数据输入至网络训练模型中进行训练，得到交通事故分析模型，所述交通事故分析模型中记录有与交通事故现场数据相匹配的交通事故类型；
    登记单元，用于将所述交通事故分析模型进行加密并登记至区块链网络中。
  12. 根据权利要求11所述的装置，其特征在于，所述网络训练模型为多层结构，所述训练单元包括：
    提取模块，用于通过网络训练模型第一层结构提取各类交通事故现场数据对应的局部行为特征；
    汇总模块，用于通过网络训练模型第二层结构汇总各类交通事故现场数据对应的局部行为特征，得到多维度的局部行为特征；
    处理模块，用于通过网络训练模型第三层结构对所述多维度的局部行为特征进行降维处理，得到各类交通事故对应的违法行为特征；
    分类模块，用于通过网络训练模型第四层结构对所述各类交通事故对应的违法行为特征进行分类，得到识别各类交通事故类型的交通事故分析模型。
  13. 根据权利要求12所述的装置，其特征在于，所述生成单元包括：
    识别模块，用于通过将所述交通事故现场数据输入至所述交通事故分析模型，识别出与所述交通事故现场数据相匹配的交通事故类型；
    查找模块，用于根据所述交通事故类型查找交通事故现场数据对应的处理方信息；
    生成模块，用于将所述交通事故现场数据对应的处理方信息填入预设报告模板中，生 成用于多方确认的交通事故处理结果。
  14. 根据权利要求8-13中任一项所述的装置，其特征在于，所述装置还包括：
    发送单元，用于在所述根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果之后，将所述用于多方确认的交通事故处理结果发送至相应的处理方，以便所述处理方根据所述交通事故处理结果对交通事故进行处理。
  15. 一种计算机非易失性可读存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现交通事故的处理方法，包括：
    当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
    将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
    根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
  16. 根据权利要求15所述的计算机非易失性可读存储介质，其特征在于，所述计算机可读指令被处理器执行时实现所述将所述交通事故现场数据存储至区块链网络中包括：
    从所述交通事故现场数据中提取出记录交通事故时间信息的时间戳；
    按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上。
  17. 根据权利要求16所述的计算机非易失性可读存储介质，其特征在于，所述计算机可读指令被处理器执行时实现在所述按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上之前，所述方法还包括：
    利用区块链网络的共识机制对相同时间戳对应的交通事故现场数据进行一致性验证，得到相同时间戳达成共识的交通事故现场数据；
    所述按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上包括：
    按照所述时间戳顺序将相同时间戳达成共识的交通事故现场数据记录至所述区块链中的同一区块上。
  18. 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现交通事故的处理方法，包括：
    当监控到交通事故发生时，调取不同客户端采集的交通事故现场数据；
    将所述交通事故现场数据存储至区块链网络中，所述区块链网络中预先封装有用于分析各类交通事故现场数据的交通事故分析模型；
    根据所述交通事故分析模型对所述交通事故现场数据进行分析，生成用于多方确认的交通事故处理结果。
  19. 根据权利要求18所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时实现所述将所述交通事故现场数据存储至区块链网络中包括：
    从所述交通事故现场数据中提取出记录交通事故时间信息的时间戳；
    按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上。
  20. 根据权利要求19所述的计算机设备，其特征在于，所述处理器执行所述计算机可读指令时实现在所述按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上之前，所述方法还包括：
    利用区块链网络的共识机制对相同时间戳对应的交通事故现场数据进行一致性验证，得到相同时间戳达成共识的交通事故现场数据；
    所述按照所述时间戳的顺序将相同时间戳对应的交通事故现场数据记录至所述区块链网络中的同一区块上包括：
    按照所述时间戳顺序将相同时间戳达成共识的交通事故现场数据记录至所述区块链中的同一区块上。
PCT/CN2018/111122 2018-08-01 2018-10-21 交通事故的处理方法、装置及计算机可读存储介质 WO2020024447A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810866683.7 2018-08-01
CN201810866683.7A CN108986468A (zh) 2018-08-01 2018-08-01 交通事故的处理方法、装置、计算机设备及计算机存储介质

Publications (1)

Publication Number Publication Date
WO2020024447A1 true WO2020024447A1 (zh) 2020-02-06

Family

ID=64554880

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/111122 WO2020024447A1 (zh) 2018-08-01 2018-10-21 交通事故的处理方法、装置及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN108986468A (zh)
WO (1) WO2020024447A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109640054B (zh) * 2018-12-28 2021-01-08 福建工程学院 一种基于区块链技术的非机动车辆占用快车道的监测方法
CN109741226A (zh) * 2018-12-29 2019-05-10 百度在线网络技术（北京）有限公司 基于区块链的交通事故处理方法、装置、服务器和介质
CN109903172A (zh) * 2019-01-31 2019-06-18 阿里巴巴集团控股有限公司 理赔信息提取方法和装置、电子设备
CN110111204A (zh) * 2019-04-04 2019-08-09 国美金控投资有限公司 一种基于保险理赔用联盟链共识系统及方法
CN110136012A (zh) * 2019-05-14 2019-08-16 福建工程学院 一种基于区块链技术的事故辅助定责方法
CN110335464B (zh) * 2019-06-17 2021-10-29 深圳壹账通智能科技有限公司 交通事故数据的处理方法、装置、终端和存储介质
CN110610442A (zh) * 2019-09-09 2019-12-24 深圳四方精创资讯股份有限公司 基于区块链的交通事故处理方法与装置和系统及存储介质
CN110689460B (zh) * 2019-10-09 2023-09-08 腾讯科技（深圳）有限公司 基于区块链的交通事故数据处理方法、装置、设备及介质
CN111600839B (zh) * 2020-04-15 2022-03-11 北京京东振世信息技术有限公司 一种交通事故处理方法、设备及存储介质
CN111613012A (zh) * 2020-05-27 2020-09-01 新疆多邦交通科技有限公司 一种公路智能安全监测系统
CN112053240A (zh) * 2020-08-07 2020-12-08 深圳区块大陆科技有限公司 在区块链上实现预言机功能的一种方法
CN112637349A (zh) * 2020-12-25 2021-04-09 深圳市爱培科技术股份有限公司 一种基于区块链的交通事件信息共享方法、装置及终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751782A (zh) * 2009-12-30 2010-06-23 北京大学深圳研究生院 一种基于多源信息融合的十字路口交通事件自动检测系统
CN104616501A (zh) * 2015-02-06 2015-05-13 河海大学常州校区 基于智能视觉的车辆违章停车检测系统及方法
CN106530834A (zh) * 2016-12-29 2017-03-22 武汉七环电气股份有限公司 一种车辆行为管理系统及管理方法
CN106971594A (zh) * 2017-04-11 2017-07-21 武汉华创欣网科技有限公司 一种车辆事故现场勘察方法和系统
CN107770159A (zh) * 2017-09-30 2018-03-06 深圳市轱辘车联数据技术有限公司 一种车辆事故数据记录方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258432B (zh) * 2013-04-19 2015-05-27 西安交通大学 基于视频的交通事故自动识别处理方法和系统
CN105761500B (zh) * 2016-05-10 2019-02-22 腾讯科技（深圳）有限公司 交通事故处理方法及交通事故处理装置
CN106710200A (zh) * 2016-12-19 2017-05-24 东软集团股份有限公司 交通事故处理方法及装置
CN106781436B (zh) * 2016-12-19 2020-03-06 东软集团股份有限公司 交通事故处理方法及装置
WO2018119587A1 (zh) * 2016-12-26 2018-07-05 深圳前海达闼云端智能科技有限公司 数据处理方法、装置、系统及信息采集设备
CN107608658A (zh) * 2017-08-08 2018-01-19 青岛科技大学 基于隐马尔可夫的故障树结构相似度匹配方法
CN107561986A (zh) * 2017-09-06 2018-01-09 合肥维天运通信息科技股份有限公司 一种基于区块链技术的公路治超方法及系统
CN107909113B (zh) * 2017-11-29 2021-11-16 北京小米移动软件有限公司 交通事故图像处理方法、装置及存储介质
CN108269398A (zh) * 2017-12-27 2018-07-10 深圳市元征软件开发有限公司 一种道路交通数据的记录方法及车载设备
CN108282536A (zh) * 2018-01-30 2018-07-13 重庆穗丰汽车救援有限公司 一种车辆共享救援系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751782A (zh) * 2009-12-30 2010-06-23 北京大学深圳研究生院 一种基于多源信息融合的十字路口交通事件自动检测系统
CN104616501A (zh) * 2015-02-06 2015-05-13 河海大学常州校区 基于智能视觉的车辆违章停车检测系统及方法
CN106530834A (zh) * 2016-12-29 2017-03-22 武汉七环电气股份有限公司 一种车辆行为管理系统及管理方法
CN106971594A (zh) * 2017-04-11 2017-07-21 武汉华创欣网科技有限公司 一种车辆事故现场勘察方法和系统
CN107770159A (zh) * 2017-09-30 2018-03-06 深圳市轱辘车联数据技术有限公司 一种车辆事故数据记录方法及装置

Also Published As

Publication number Publication date
CN108986468A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
WO2020024447A1 (zh) 交通事故的处理方法、装置及计算机可读存储介质
US10958868B2 (en) Portable recording device multimedia classification system
CN111414873B (zh) 基于安全帽佩戴状态的告警提示方法、装置和告警系统
WO2020024457A1 (zh) 交通事故的定责方法、装置及计算机可读存储介质
Gipp et al. Securing video integrity using decentralized trusted timestamping on the bitcoin blockchain
US9760573B2 (en) Situational awareness
US11615624B2 (en) Automated association of media with occurrence records
CN105469102A (zh) 车辆行驶信息记录方法及装置
US20220198597A1 (en) Auditing recorded data from a recording device
US11636562B2 (en) Systems and methods for processing recorded data for storage using computer-aided dispatch information
US10805576B2 (en) Systems and methods for generating an audit trail for auditable devices
US11829389B2 (en) Correlating multiple sources
US10078139B2 (en) Device and method for tracking compliance information of a rider
WO2023279716A1 (zh) 设备联动方法、装置、设备、存储介质、程序产品及计算机程序
KR102058723B1 (ko) 영상에서 추출된 객체를 암호화하고 데이터베이스를 구축하는 시스템의 제어방법
KR20230057285A (ko) 블랙박스 영상 데이터 검색 및 수집 방법 그리고 장치
CN114071052A (zh) 远程评标视频会议过程中的视频流传输方法及监管系统
CN114071061A (zh) 远程评标视频会议过程中评标专家行为评估方法及装置
TWM469564U (zh) 數位影音資料之標示系統

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18928963

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18928963

Country of ref document: EP

Kind code of ref document: A1