CN109923575A - 自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法 - Google Patents

自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法 Download PDF

Info

Publication number
CN109923575A
CN109923575A CN201780068890.1A CN201780068890A CN109923575A CN 109923575 A CN109923575 A CN 109923575A CN 201780068890 A CN201780068890 A CN 201780068890A CN 109923575 A CN109923575 A CN 109923575A
Authority
CN
China
Prior art keywords
parameter
data
measurement
generation
data record
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201780068890.1A
Other languages
English (en)
Other versions
CN109923575B (zh
Inventor
U·内格尔
R·文卡特斯瓦兰
P·拉金
C·埃尔萨瑟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Swiss Re AG
Original Assignee
Swiss Reinsurance Co Ltd
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 Swiss Reinsurance Co Ltd filed Critical Swiss Reinsurance Co Ltd
Publication of CN109923575A publication Critical patent/CN109923575A/zh
Application granted granted Critical
Publication of CN109923575B publication Critical patent/CN109923575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

提出了一种测量装置(1)和测量方法，用于自动交通和驾驶模式识别，和基于完全非保险相关数据及其与交通和驾驶模式的相关联，对汽车事故的绝对和相对风险进行的位置相关的测量和预测，提供高度时间和空间分辨率。提出的装置(1)提供基于网格的(2121、2122、2123、2124)技术上的新的使用基于环境的因素(包括社会经济因素的高程、道路网络、交通数据、天气状况)的与车辆事故相关的自动交通和驾驶模式识别和风险预测，该环境因素影响车辆交通并且依赖于位置，从适当的测量装置(41、...、45)接收。以这种方式，可以提供对任意区域的事故风险的预测。通过将区域或路段的特征与在那里测量或登记的事故的数量和类型进行比较，将这些特征和事故数据相关联，例如，使用公开的机器学习技术，来校准该***。

Description

自动交通和驾驶模式识别和位置相关测量车辆事故的绝对 和/或相对风险可能性的装置和方法
技术领域
本发明涉及为物理时间条件或发生概率提供特定测量的测量装置和技术。具体地，本发明涉及测量装置和技术，包括测量数据聚合，其能够通过使用特定的机器学习技术或动态机器驱动的触发来组合异构测量数据和数据集。更具体地，本发明还涉及用于预测和确定车辆事故的时间波动风险的绝对和相对概率测量的装置，尤其是基于完全非保险相关数据的车辆事故的自动位置相关风险预测。此外，本发明大体还涉及用于在暴露于风险的车辆和自动操作的风险转移单元之间动态评级和/或执行车辆的风险转移的自动装置、***和方法。该***和方法可以利用自动装置来收集、捕获和处理数据，以确定与车辆使用的地理区域相关联的网格位置的动态评级因素。此外，该***还可以包括用于信号生成和信号传输到电子操作的和关联的***的适当装置。
背景技术
以足够的准确度实现用于自动交通或驾驶模式识别以及用于确定与驾驶或交通模式相关联的风险的装置和方法是复杂的且在技术上困难或者在技术上不可能(在交通或驾驶模式的混乱行为方面)。除了确定相关风险，交通或驾驶模式识别和交通模式识别也是大多数现代智能交通***的重要部分。城市交通状况识别是智能控制、引导、协同和风险评估***的基础。
在相应的技术领域中存在各种方法来实现这种***。然而，所有方法必须以某种方式建立具有交通量、平均速度和占有率的至少三维空间。此外，必须对运输条件模式进行分类，例如，按照阻塞流、拥挤流、稳定流和无阻碍流。分类可以例如基于历史交通模式。为了处理数据，***可以比较不同交通模型函数的分类结果，从而例如通过支持向量机执行运输条件模式识别。因此，确定的风险和交通因素应反映交通状况的特征。交通模型功能应该至少能够以高分类精度从多个交通流区分不同模式，其中，数据标准化对分类结果具有显著影响。
重要的是要理解，对于所有这些控制、指导、协同和风险评估***，交通状况识别和预测通常基于高度动态因素，包括时间分辨率和地形分辨率。虽然就时间动态而言，识别的或预测的交通风险因素可以与更宽的时间范围相关联，例如，一天、一个月或一年，但显然交通风险因素的动态与交通状况模式的动态直接相关，其中，风险因素在评估的时间范围内被平均。
保险技术中的风险转移，特别是风险转移期间适当的承保处理，包括评估特定风险数值的过程，进而确定货币资源，该货币资源通常需在一定的时间框内转移，以防止发生与转移风险相关的风险事件的可能性。为了确保风险转移***(即保险***)的运行稳定性，转移的资源被定义为反映，基于保险所覆盖事件发生的可能性，如果发生覆盖事件时支付的数量。确定要转移的资源量的过程称为评级。评级过程可以包括许多变量，包括特定保险实体的经验数据、一类保险实体的经验数据、资本投资预测、利润率目标、以及用于预测某些现实世界事件的发生以及此类事件可能造成的损害程度的各种其他数据。
历史或经验评级的过程涉及分析过去的索赔经验以确定预期的资源量(例如，合计的保费)和/或追溯的资源调整量。例如，风险暴露单元可以操作一批大量车辆，其中，如果其中某一车辆与其他车辆发生事故，风险暴露单元可能会寻求转移车辆的风险以涵盖财产损失并涵盖可能的人身伤害索赔。如果车队足够大或风险暴露单元已经运营该批车辆足够长的时间，则可能有足够的历史数据来可靠和准确地估计下一年的预期索赔。该估计(可能与费用分配或行政费用的评估相结合)将代表在理想场景下转移的货币资源，例如保险费。在年度保单期限结束时，如果该期限的实际索赔高于或低于估计的索赔额，则收取附加费或退款可能是合适的。
确定要合并以平衡车辆的适当风险转移的资源量例如保险费的自动化***，可以例如包括以下步骤：(i)接收通过使用包括在一个或多个车辆中的加速度传感器收集的驾驶信息，(ii)从输入的驾驶和/或交通信息中识别关于车辆驾驶员的驾驶习惯中的事故风险的驾驶和/或交通模式，并且最后(iii)基于识别的交通和/或驾驶模式确定与驾驶员的事故风险率成比例的保险费。
然而，对于典型汽车的风险转移不能生成任何接近于对车辆或多个车辆的预期索赔进行可靠和准确估计所需的数据量。因此，自动保险***通常必须尝试在可比较策略的风险库中对特定风险转移(即特定策略)进行评级，以生成足够的数据来进行这样的估计。这样做的一种机制是评估特定车辆有什么可用的数据(例如，人口特征信息、车辆类型以及有什么有限的风险转移，即索赔的信息可用)，并使用该数据为特定车辆分配适当的资源池。用于执行评级过程的自动风险转移***可用的各种类型的数据通常与地理位置或区域相关联。但是，这种关联不一致或不统一。一些财产犯罪数据与城市街道上的地址“街区”相关联，例如，主街的300-400街区。道路区域数据和陆地高程数据可以存储为复杂的地形图。丢失经验数据可以与表示丢失事件的位置的经度和纬度的坐标对相关联。
在现有技术***中，风险转移评级需要复杂的搜索过程来编译相关数据以输入到评级函数中。例如，要评极的特定车辆的风险转移可以与特定位置相关联，例如，家庭或办公室的街道地址或车辆将在夜间停放的位置。要对该位置的策略进行评级，必须收集相关数据的某个子集并将其提供给评级算法。鉴于上面讨论的数据与地理关联的不一致和不统一，收集过程在技术上通常是困难的。在某些情况下，数据按县、城市和/或邮政ZIP编码进行处理和聚合。由县线、城市界限和ZIP编码定义的边界几乎是任意的，使这种聚合变得困难。此外，县、城市和邮政ZIP编码边界可能会随时间而变化。在其他情况下，数据按照聚合的销售区域处理。
此外，在现有技术中，通常基于相关的历史索赔经验来确定分配给每个区域的费率。虽然现有的地域评级方法已经在现有技术的风险转移***中使用，但是由于以下几个原因，这些方法可能是有问题的：(i)地理边界可能改变，如上所述；(ii)地理区域可能大于所期望的；(iii)人口在这些地理区域内可能不是平均分布；(iv)这些地理区域内的历史索赔经验可能有限；(v)车辆的停放地点并不能准确衡量车辆使用地点的地理风险。
现有技术文件US2014/0365246A1公开了一种为风险转移产品提供自动承保和评级过程的***。***接收地理区域或位置内的车辆的使用信息，并确定由包含车辆使用的地理区域的纬度线和经度线定义的目标网格单元。此外，***获得与目标网格单元相关联的成组的预定数据，并基于使用信息、打击目标单元(stuck target cells)和成组的预定数据生成位置评级因素。
发明内容
本发明的一个目的是提供一种测量装置和方法，用于自动交通、驾驶模式识别和车辆事故的绝对和/或相对风险概率的位置相关测量。该***应该能够仅基于非保险相关的测量参数进行测量和运行，即，应该在没有汽车驾驶员的特定知识，特别是依赖于基于远程信息处理的动态风险测量的地理空间背景的情况下提供测量。该装置应该能够改善其自我维持(即自给自足)的运行。此外，基于测量的参数，该装置还应提供新的自适应技术用于共享可变数量的风险暴露组件的风险事件的风险，它没有上述缺点。特别地，意图可以提供，尤其是对于可访问历史数据量很小甚至不存在的区域，用于自动交通和/或驾驶模式识别以及用于以高度时间和空间分辨率确定与驾驶或交通模式相关联的风险的装置和方法。因此，本发明的另一个目的是提供一种自优化、适应机器间或机器对机器控制装置，其允许最小化运行成本和使用的如能量消耗、劳动力或生产时间等资源。
本发明特别是通过独立权利要求的要素实现了该目的。其他有利实施例也可以在从属权利要求和说明书中找到。
特别地，本发明实现了这些目的，其中，对于基于地理空间背景的用于自动交通和驾驶模式识别和车辆事故的绝对和/或相对风险概率的位置相关测量的测量装置，生成事故事件的数据记录，并测量与车辆事故风险相关的特定事故状况的位置相关概率值，其中，通过捕获单元在感兴趣的地理区域上生成具有网格单元的空间高分辨率网格，所述区域包括暴露于事故风险的单元的至少一部分，其中，网格的网格单元是可选择的，并且数据可通过***分配给网格的每个单元，并且其中，代表网格单元的数据记录被分配给发生或测量的年份并保存在处理单元的存储器模块中，其中，对于每个网格单元，借助于感兴趣的地理区域的测量站，测量静态状况参数和动态状况参数，并传输到测量装置，并分配给被分配给相应的网格单元的生成的数据记录，该静态状况参数至少包括静态道路状况参数，该动态状况参数至少包括天气状况的时间波动参数和温度的时间波动参数和日光强度的时间波动参数和交通状况的时间波动参数，其中，对于每个网格单元和特定数据记录的每种类型的状况参数，考虑不同的状况模式，在所述空间高分辨率网格中分配定制的加权因子，其中，该***包括机器学习或机器驱动触发模块，其中，通过加权的不同的状况模式的模式识别，通过内插模块和机器学习或机器驱动触发模块触发和/或分配概率值到所述网格中的每个点，给出在给定地理位置和时间发生事故的概率的量度。作为实施例变型，测量的状况参数至少包括6种类型的状况参数，其中，第一类型的状况参数提供事故时间点的量度，第二类型的状况参数提供结构环境参数的量度，第三类状况参数提供时间交通状况参数的量度，第四类型状况参数提供时间道路状况参数的量度，第五类型状况参数提供时间天气状况参数的量度，第六类型状况参数提供车辆类型参数的量度。在另一实施例变型中，对于基于地理空间背景和基于完全非保险相关数据的用于自动交通和驾驶模式识别和车辆事故的绝对和/或相对风险概率的位置相关测量的测量装置，生成事故事件的数据记录，并确定与车辆事故风险相关的特定事故状况的位置相关的概率值，其中，借助于捕获单元在感兴趣的地理区域上生成具有网格单元的空间高分辨率网格，所述区域包括暴露于事故风险中的至少一部分单元，其中，网格的网格单元是可选择的，并且数据可通过***分配给网格的每个单元，并且其中代表网格单元的数据记录被分配给发生或测量年份并且被保存在处理单元的存储器模块上，对于每个网格单元，借助于聚落型式触发捕获环境人口密度参数，并将其分配给被分配给相应网格单元的生成的数据记录，其中针对感兴趣的地理区域捕获人口密度参数，并且考虑到不同的聚落型式，在所述空间高分辨率网格中分配定制的加权因素，其中，第一基于空气的测量站捕获的第一测量空中高分辨率数据被传输到***，并且通过生成的数据记录生成并存储土地覆盖参数，该生成的数据记录基于所述第一空中高分辨率数据分配给相应网格单元，其中，土地覆盖参数是地球表面上可观察的生物物理覆盖的量度，其中，第二基于空气的测量站捕获的关于光密度的第二高分辨率数据被传输到***并且通过生成的数据记录生成并存储夜间光参数，该生成的数据记录基于关于光密度的所述第二空中高分辨率数据分配给相应网格单元，其中，所述夜间光参数是根据局部活动的加权代理和加权代理与其他福利代理措施的相关性生成的，其中，通过***地运行地面调查测量站捕获的第三高分辨率数据并且通过生成的数据记录生成并存储路线图参数，该生成的数据记录基于地面调查测量站的所述第三高分辨率数据分配给相应网格单元，其中，路线图参数包括指示分配的道路类型的至少一个分类参数，其中，由基于空气的测量站捕获的第四测量的空中高分辨率数据被传输到***，并且通过生成的数据记录生成并存储降水参数，该生成的数据记录基于所述第四空中高分辨率数据分配给相应网格单元，其中，生成的降水参数包括水文循环的量度，至少给出相应网格单元的特定点或区域的局部降水分布、降水量和降水强度，其中，第四基于空气的和/或基于空间的测量站捕获的第五测量的空中高分辨率数据被传输到***，并且通过基于所述第五空中高分辨率数据分配给相应网格单元的生成的数据记录，生成并存储数字高程(elevation)参数，其中，生成的数字高程参数包括在相应网格单元的特定点或区域处的地形高程的量度，其提供地形表面的表示，其中，该***包括触发模块，该触发模块具有多个可选形态流量模型-函数的散列表(hashtable)，其中对于每个网格单元，生成的数据记录由预定的触发参数过滤，该触发参数触发生成的人口密度参数、土地覆盖参数、夜间光照参数、线图参数、降水参数和数字高程参数的阈值，其中形态流量模型-函数通过基于捕获的实际事故数据的缩放表来匹配，并且其中通过与事故数据的最佳匹配来触发和选择特定的形态流量模型-函数，其中，基于与特定网格单元相关联的数据记录，通过内插模块生成每个网格单元的风险值字段，并且通过内插模块将概率分配给所述网格中的每个点，给出在给定地理位置和时间发生事故的概率。
特别地，本***尤其提供了一种技术上的新方法：使用基于环境因素(海拔、道路网络、交通数据、天气状况)，自动地动态测量与事故风险相关的概率测量参数和与交通事故相关的风险预测，即，地理空间背景测量参数，包括影响交通流量并且取决于位置的社会经济因素。本发明提供了一种新的基于远程信息处理的技术，该技术还通过为远程信息处理风险测量和风险转移提供地理空间背景，适用于基于动态移动使用的风险测量的技术要求。测量汽车/驾驶风险，本发明能够以大约为10-100米的细粒度的分辨率为特定地理区域中的道路提供道路风险的动态风险评级。本发明还能够解决汽车工业和自动化技术的技术问题。本发明使得准实时的基于使用情况的风险转移(UBI)车辆相关风险转移基于汽车的使用地点和时间动态地生成和适应自持风险转移定价参数/溢价参数。例如，如果汽车停在车道上一段时间，则不需要或只需要很小的最低基本费用或资源来维持装置的运行。
总之，特别地，本发明为汽车风险转换提供了个性化的准实时定价。与传统的风险转移汇集风险不同或作为优选风险类别，本发明在技术上测量动态波动的个体风险测量参数以生成定价(特别(adhoc)或追溯)。因此，本发明允许提供汽车风险转移，其因“他使用什么”而动态地向暴露于风险的人收费(UBI保险)。基于动态远程信息处理捕获的实现，本发明还能够提供动态按需风险转移(仅在需要时支付)、汽车共享和其他快速甚至准实时客户服务。由于本发明的装置不需要知道驾驶员的个人细节用于其测量，因此本发明允许基于仅非常少的测量参数(例如，仅分别为5个和6个)将基于移动的解决方案绑定到真实的报价或分数。进一步的差异和优点是：(i)本发明不需要知道关于车辆驾驶员的个人数据，例如，年龄、性别、历史事故统计等。对于本发明的技术，个人数据被发现与测量或动态溢价定价不太相关甚至可忽略不计；(ii)本发明仅基于易于测量的数据，例如，事故频繁的地点、道路网络的结构、道路***的扩展等，以及基于动态捕获的提供车辆的当前使用的远程信息处理数据；(iii)本发明不仅考虑静态驾驶和道路状况，还考虑动态状况，例如：天气状况的季节性变化、依赖时间的温度、日光强度或整体光照强度、该地点的典型交通状况(例如，通勤者的最大值等)；(iv)本发明的测量装置仅需要5-6个数据集(但不是更多)来测量和生成汽车风险转移的报价或风险评分，例如，1、事故发生时间点(白天、夜晚、黄昏等)；2、定制建筑和空间位置条件；3、交通流量；4、道路状况；5、天气；6、汽车模型。利用本发明，可以生成任意区域的事故风险的预测。相应的数据是从基于卫星的栅格数据或通过遥感技术以及地面调查收集的道路网数据中提取的。然后根据行政区域或由任意栅格定义的区域聚合它们，或者将它们聚合在捕获某个路段周围的环境状况(人口密度、附近的道路数量等)的路段级别上。在该聚合中，从基础数据构建特征，所述基础数据表示与汽车事故风险相关的环境方面(例如，交叉点的数量)。通过将区域或路段的特征与在那里发生的事故的数量和类型进行比较并将特征和事故数据相关联来校准***，例如，使用下面讨论的机器学***均损失量。
在一个替代实施例中，空中高分辨率数据包括航拍图像和/或卫星图像和/或航空照片。空中高分辨率数据例如还可以包括由卫星和/或飞机和/或浮空器或配备有气球的其他测量站测量的航拍图像和/或卫星图像和/或航空照片。
在另一替代实施例中，其他福利代理措施的代理包括高度本地化的人类福祉措施(human well-being measures)和/或国家或地方国民生产总值(GDP)量度，而代理用作***的加权参数。
在另一替代实施例中，借助于从可访问的高分辨率路线图数据库提取的数据来选择第三高分辨率数据。
在一替代实施例中，地面调查测量站包括全球定位***单元(GPS)或可通过卫星图像追踪。每个参数可以例如被聚类，其中它们的组合被转变为诸如高速公路、人行道等有意义的类。路线图参数的分类可以例如包括对自行车道、人行道、高速公路、路径、行人、主要道路、住宅道路、二级道路、台阶、服务、三级道路轨道和/或无法分类的街道对象进行分类的值。
在另一替代实施例中，分类参数包括允许分类属性的标签元素。分类参数例如还可以包括在网格单元的特定点处的交通成员的平均速度的量度。
在替代实施例中，降水参数至少包括测量降雨和/或降雪和/或冰雹的参数。
最后，在又一替代实施例中，数字高程参数还包括形态元素。
应该指出，本发明不仅涉及本发明的方法，还涉及用于执行该方法的***和相应的计算机程序产品。
附图说明
下面参考示例描述本发明的替代实施例。通过以下附图说明实施例的示例：
图1示出了框图，其示意性地示出了测量装置的示例性实施例，该测量装置基于地理空间背景和/或基于完全非保险相关数据的用于自动交通和驾驶模式识别和车辆事故的绝对和/或相对风险概率的位置相关测量的测量装置。生成事故事件的数据记录，并确定与汽车事故风险相关的特定事故状况的位置相关概率值。借助于捕获单元2在感兴趣的地理区域21上生成具有网格单元2121、2122、2123、2124的空间高分辨率网格212。地理区域21包括暴露于事故风险的单元70-74的至少一部分，其中，网格212的网格单元2121、2122、2123、2124是可选择的，并且数据可通过***分配给网格212的每个单元2121、2122、2123、2124。
图2和图3示出了示意性地显示数据集的位置和分辨率的示意图。这些图表作为示例显示了示例性国家中国、德国、印度和土耳其的数据提取和网格生成。可以基于动态触发水平调整分辨率，例如市政和区域网格：2*2、4*4、10*10、15*15km网格。也可以选择网格，例如，取决于可用的数据质量或分辨率。可以从人口密度参数由***1计算适当的四叉树数据结构并与处理步骤相关联。但是，对于等距和大小相等的网格单元，不使用或不需要四叉树数据结构。
图4示出了示意性地显示出人口数据的栅格401的示意图。***1提取人口密度参数4001、4002、4003、4004，标准偏差和/或其他参数，例如生物量参数和/或土地使用参数(例如商业、住宅等)和/或土地覆盖参数(农业、城市、湖泊等)。基于提取的人口密度参数4001、4002、4003、4004生成加权因素4011、4012、4013、4014。
图5示出了示意性地显示出第一基于空气的测量站41测量的第一空中高分辨率数据411(即，陆地覆盖数据的卫星图像)的图像处理的示意图。第一空中高分辨率数据411被传输到***1并且通过***1生成土地覆盖参数4101、4102、4103、4104，即***1生成森林、农村、城市、农田等的限定区域。
图6示出了示意性地显示出夜间光数据的卫星图像的图像处理的示意图，其中，夜间光值给出了诸如国内生产总值(GDP)等人类福祉的代理量度。
图7示出了示意性地显示出从地图数据、道路类型、长度和特征(例如高速公路、主要道路、主干道路、行人道路等)、道路交叉口、单向路、隧道、桥梁和速度限制中提取数据的示意图。动态调整的地图数据可以基于与***1相关联的测量装置。然而，它还可以基于访问专用的高分辨率地图数据，例如OpenStreetMap(OSM)数据资源。上述OSM数据示例利用大量独立用户(目前超过200万)动态地执行数据捕获，使用手动调查、GPS装置、航空摄影和其他免费资源收集数据。这些数据的结构是在开放数据库访问下可访问的众包数据。
图8示出了示意图，其示意性地示出了降水参数4401、4402、4403、4404的生成和提取以及第四空中高分辨率数据441(例如降水数据的卫星图像)的图像处理，为至少年平均降雨量和总降雨量提供降水参数4401、4402、4403、4404。借助于生成的数据记录2221、2222、2223、2244存储降水参数4401、4402、4403、4404，该生成的数据记录2221、2222、2223、2244被分配给相应的网格单元2121、2122、2123、2124。
图9示出了示意图，其示意性地示出了数字高程参数4501、4502、4503、4504的生成和提取以及第五高空分辨率数据451(例如，卫星图像)的图像处理，其中，生成最大高程、高程标准偏差和平均高程参数。
图10示出了示意性地显示出根据本发明的对国家建模的改进的示意图。图10的上面两张照片是基于市政的，其中，26％是在20％的误差范围内预测的。下面的两张照片是基于网格的，其中，87％是在20％的误差范围内预测的。
图11示出了示意性地显示出***1的校准和传输机制的示意图，示出在用在德国训练的模型预测在土耳其的事故的示例上。预言或预测，即数据处理，是基于德国的事故数据。该预测采用土耳其的特征，也适用于中国。对于具有初步传输工作(effort)的示例，实现了3％-20％的误差，并且预测值与真实值之间具有96％的相关性。总体趋势得到很好的捕捉，并实现了高/低风险区域的良好分离。
图12示出了示意图，其示意性地示出了本***对中国江苏和山东省的风险分析。适用于中国的模型可以估算不同地区的事故数量。图12显示了江苏和山东两省的预测事故分布。
图13示出了示意图，其示意性地示出了完整模型与交通风险因素的比较。本发明将风险因素分组为那些能够衡量交通风险的因素，即高速公路、住宅街道、桥梁和隧道。因此，图13显示了事故预测和交通风险因素的百分比贡献。如通过这些交通风险因素测量的，交通流量较大的区域往往具有较高的事故预测水平。
图14示出了示意图，其示意性地示出了交通风险因素与交通流量数据的比较。图14显示，在交通流量数据中，上海对邻近的江苏省南部产生了很大影响。交通风险因素很好地衡量了这种交通流量数据。
图15示出了示意图，其示意性地示出了与交通风险因素相比的第三方责任(TPL)索赔。TPL索赔按每个持续时间的计数给出(左图)，允许直接与交通风险比较。
图16示出了示意图，其示意性地示出了关于光密度的第二高分辨率数据421(即根据本发明的光数据)的处理。左图显示了关于光密度的第二高分辨率数据421，而右图显示了预言或预测的事故风险。中间的图显示了可能的转移风险组合。如图16所示，本发明还允许优化与地理区域21相关联的相关风险转移组合。
最后，图17示出了方框图，其示意性地示出了通过生成和确定相关联的交通风险和交通风险地图来进行的自动数据处理，包括以下步骤：(i)数据选择和转换，(ii)各个国家的建模，以及(iii)创建转换模型。
具体实施方式
图1示意性地示出了装置1的实施例的可能的实施方式的架构，其中，实现了基于地理空间背景和/或基于完全非保险相关数据的用于自动交通和驾驶模式识别和车辆事故的绝对和/或相对风险概率的位置相关测量。使用该***，生成事故事件的数据记录，并确定与汽车事故风险相关的特定事故状况的位置相关概率值。
借助于捕获单元2在感兴趣的地理区域21上生成具有网格单元2121、2122、2123、2124的空间高分辨率网格212，如图2和图3所示。地理区域21包括暴露于事故风险的单元70-74的至少一部分。网格212的网格单元2121、2122、2123、2124是可选择的，并且数据可通过***分配给网格212的每个单元2121、2122、2123、2124，并且代表网格单元的数据记录被分配给发生或测量的年份并且被保存在处理单元的存储器模块中。数据集的位置和分辨率的生成如图2和图3所示。这些图作为示例显示了示例性国家中国、德国、印度和土耳其的数据提取和网格生成。分辨率可以根据动态触发水平适应性调整，例如市政和区域网格：2*2、4*4、10*10、15*15km网格。但是，网格也可以选择，例如，取决于可用数据。可以从人口密度参数借助于***1生成适当的四叉树数据结构，并且***1将其与处理步骤相关联。
对于每个网格单元2121、2122、2123、2124，借助于感兴趣的地理区域21的测量站40、41、...，测量静态状况参数和动态状况参数，并传输到测量装置1，并分配给被分配给相应的网格单元2121、2122、2123、2124的生成的数据记录22x1、22x2、22x3、22x4，该静态状况参数至少包括静态道路状况参数，该动态状况参数至少包括天气状况的时间波动参数和温度的时间波动参数和日光强度的时间波动参数和交通状况的时间波动参数。对于每个网格单元2121、2122、2123、2124和每种类型的特定数据记录22x1、22x2、22x3、22x4状况参数，考虑不同的状况模式，在所述空间高分辨率网格212中分配定制的加权因子40x1、40x2、40x3、40x4。装置1包括机器学习或机器驱动触发模块3，其中，通过加权的不同的状况模式的模式识别，通过内插模块5和机器学习或机器驱动触发模块3触发和/或分配概率值到所述网格212中的每个点，给出在给定地理位置和时间发生事故的概率的量度。测量的状况参数可以是例如至少包括6种类型的状况参数40x1、40x2、40x3、40x4，其中，第一类型的状况参数提供事故时间点的量度，第二类型的状况参数提供结构环境参数的量度，第三类状况参数提供时间交通状况参数的量度，第四类型状况参数提供时间道路状况参数的量度，第五类型状况参数提供时间天气状况参数的量度，第六类型状况参数提供车辆类型参数的量度。
如果实现装置1包括机器学习模块3，则优选地，机器学习模块3可以包括状态观测单元和学习单元。状态观测单元监测由至少一种类型的测量的状况参数，特别地至少6种类型的状况参数40x1、40x2、40x3、40x4，组成的状态变量，其中，第一类型的状况参数提供事故时间点的量度，第二类型的状况参数提供结构环境参数的量度，第三类状况参数提供时间交通状况参数的量度，第四类型状况参数提供时间道路状况参数的量度，第五类型状况参数提供时间天气状况参数的量度，第六类型状况参数提供车辆类型参数的量度。学习单元通过链接状态观测单元监测的至少两种类型的测量的状况参数来执行学习操作。学习单元可以执行各种类型的机器学习，例如，监督学习、无监督学习、半监督学习、强化学习、转换、多任务学习等。在优选实施例中，学习单元使用Q学习执行强化学习。执行强化学习的学习单元可包括：奖励计算单元，用于基于状态观测单元监测的至少一种类型的测量的状况参数来计算奖励；以及函数更新单元(人工智能)，用于更新函数，例如，基于奖励计算单元计算的奖励，从当前测量的风险值确定未来测量的风险概率参数中的至少一个的动作-数值函数(动作-值表)，其中，函数更新单元可以更新其他功能。机器学习装置还包括决策单元，用于基于学习单元的学习结果，从当前测量的概率风险参数确定经修正的分别适应的时间概率风险参数中的至少一个的最优值。决策单元学习选择更好的行动(决策)。注意，决策单元可以包括在控制装置中而不包括在机器学习装置中。
特别地，对于每个网格单元2121、2122、2123、2124，借助于聚落模式触发器40捕获环境人口密度参数4001、4002、4003、4004，并将其分配给被分配给相应的网格单元2121、2122、2123、2124的生成的数据记录2221、2222、2223、2224。为感兴趣的地理区域21捕获人口密度参数4001、4002、4003、4004，并且考虑不同的聚落模式，在所述空间高分辨率网格212中分配定制的加权因素4011、4012、4013、4014。关于使用的人口栅格，人口栅格可以例如主要是基于***统计数据和行政单位的地方政府数据的模型，其中，可以使用适当的算法来估计相应的网格密度。栅格格式可用于简单数据集成，不需要使用实际的“图像”。在另一个实施例变型中，人口密度参数4001、4002、4003、4004可以例如借助于***1从空中高分辨率数据401中提取，如图4所示，例如，空中高分辨率数据401包括航拍图像和/或卫星图像和/或航空照片。通常，对于使用本发明的空中高分辨率数据401、411、412、414、415，空中高分辨率数据401、411、412、414、415可以包括航拍图像和/或卫星图像/或通过卫星和/或飞机和/或浮空器或配备有气球的其他测量站测量的航空照片。
人口密度参数4001、4002、4003、4004的提取可以基于人口密度参数和/或土地使用参数与驾驶或交通模式之间的测量的相互作用。为了使用***1执行提取，***1可以包括测量土地使用和交通行为(即交通模式)相互作用的变量。然而，对于该提取，人口密度是主要的可量化土地使用描述符变量。***1可以进一步使用人口密度参数来隔离区域类型(城市、第二城市、郊区、城镇和农村)。***1还可以包括与量化土地使用有关的，包括住宅密度和工作区(work tract)就业密度参数的其他变量。诸如种族、年龄、收入和零售就业等人口或建筑环境的其他参数和特征可以进一步用于衡量不同人群的土地使用的影响。对于该提取，更大的人口密度例如可以与减少的年行驶里程、增加的公交车可用性、降低的对单人乘客车辆的依赖性、以及增加的交通***使用相关联。私人汽车仍然是大多数地理区域21的主要出行方式，尽管非裔美国人、亚洲人和西班牙裔通常更有可能使用其他交通方式。人口密度的增加通常与较少的按人头的旅行、较少的按人头的旅行里程以及每次旅行的较少的按人头的里程相关联。人口密集地区的居民报告的车辆行程、车辆行驶里程和每次行程的车辆里程数最少。人口密度较低的地区往往每个成年人拥有更多的司机和更多的车辆。
为了确定定制的加权因素4011、4012、4013、4014，提到的第二城市倾向于遵循关于若干运输参数(例如，每个成人的司机、每个成人的车辆、在家工作的人的百分比和汽车依赖性)的全国平均值。大约20％的第二城市居民以私人汽车以外的模式上班。较小城市的居民报告出数量最高的任何地区类型的按人头出行。郊区人口的按人头出行的数量仅次于最高。通常，大量低收入居民居住在第二城市，这些城市的交通***可用性有限。对于这种提取，***1例如还可以识别人口的特定部分的位置偏好。高收入家庭通常倾向于位于郊区，而中等收入家庭最常见于农村地区。低收入家庭通常在城市或农村地区。随着区域中零售贸易的百分比增加，工作距离和上班时间减少。市区在人口普查区工作的居民比例最小，超过25％的人参与零售业。第二城市的百分比最高，28.8％的居民工作，其中超过25％的工作在零售业。工作普查区的零售就业和就业密度与旅行行为有一些可衡量的相关性。在家庭街区中，增加住房密度与更高的交通***可用性和更靠近交通***的距离相关联。随着住宅密度的增加，自行车和徒步旅行增加。住宅密度的增加也与就业密度的增加有关。在每平方英里100到1499个住房单元的住宅密度下，人们不太可能从事没有固定工作场所的工作。低住宅密度区域在家工作的人口比例最大。
因此，总之，住宅密度参数、零售就业、收入、区域类型和人口密度参数都为交通行为和政策实施提供了重要的描述符，并且与土地使用与交通选择和行为的联系有关，其中，***1对环境人口密度参数4001、4002、4003、4004和定制加权因素4011、4012、4013、4014的数据提取基于所述测量变量。
如图5所示，***1提供第一空中高分辨率数据411，即第一基于空气的测量站41测量的土地覆盖数据的卫星图像的图像处理。第一空中高分辨率数据411被传输到***1并且通过***1生成土地覆盖参数4101、4102、4103、4104，即，***1生成森林、农村、市区、农田等限定区域。通过生成的数据记录2221、2222、2223、2224存储土地覆盖参数4101、4102、4103、4104，该生成的数据记录2221、2222、2223、2224基于所述第一空中高分辨率数据411分配给相应网格单元2121、2122、2123、2124。土地覆盖参数4101、4102、4103、4104是地球表面上可观察到的生物物理覆盖的量度。由于人口特征、经济、土地使用和国际发展，交通和流动性相关并且增加。可以说，交通不仅是相关的，而且是经济增长和社会发展的必要条件。存在与土地覆盖参数4101、4102、4103、4104相关的各种测量参数，例如，相关基础设施的构建、交通管理措施(例如，匝道计量、路线引导)、土地使用政策(例如，紧凑城市)和试图影响旅行行为的措施(例如，道路收费)。可以通过加权它们对交通***功能的依赖性的影响来选择适当的措施，即，例如基于历史交通数据的交通分析。交通分析过程可以提供对交通***的功能与所潜在现象之间关系的必要理解。例如，该过程可以包括检查历史交通数据，如上所述。对于该分析，交通分析过程可以应用于平均日(年平均每日交通：AADT)或平均工作日(年平均工作日流量：AAWT)和设计小时量(DHV)的交通状况。在第二步中，可以细化时间网格大小。通常，交通模式与旅行需求和交通供应特征有关。旅行需求被定义为在特定时期内希望经过某个点的车辆或人数。影响交通模式动态的主要交通供应特征是容量。容量定义为在给定时间段内可合理预期服务的最大车辆或人数。交通管理还测量交通模式的影响动态。在某些情况下，交通管理允许更有效地使用可用容量(直接影响)。此外，在某些情况下，增加或减少容量或激励或不鼓励某些旅行，例如通过道路收费(间接影响)。旅行需求和道路容量在时间和空间上都有所不同，并进一步受到外部因素的影响。交通是由于在某些地点使用活动(例如，生活、工作、购物、娱乐)的需要或期望而引起的衍生需求。旅行需求的大多数变化是由于活动在时间和空间上的分布。此外，由于外部因素、过去经验或提供的信息导致的模态分割、路线选择或出发时间的变化，旅行需求可能会有所不同。道路的容量显然取决于道路设计和规则(例如，最大速度)。关于时间变化，在市区网络上，瞬时容量受交通灯周期的极大影响，其中，在红灯的情况下容量为零。此外，天气、道路工程、事故和意外可能导致容量随时间变化。如上所述，这些因素以及它们之间的相互作用导致交通模式在时间和空间上变化。关于时间变化，可以区分不同的时间尺度，从按分钟变化到逐年变化。变化背后的驱动力因时间尺度而异。城市交通的短期变化主要是由于交通灯周期。尽管容量的变化(例如，由于天气或道路工程)也可能起作用，但是按小时和按日的变化主要是由旅行需求的变化引起的。交通的长期变化主要是由于长期的人口特征、经济和基础设施发展。
市区的出行需求和供应特征明显不同于高速公路。因此，对高速公路交通模式和相关动态的分析不能直接转为城市情况。市区交通和高速公路交通之间的一个区别在于，在市区道路网络中，多种交通模式共存并相互作用-例如行人、自行车、汽车、公共汽车、卡车-而高速公路主要用于汽车和卡车。这种模式的混合也导致市区道路使用者之间的速度差异相对较大。市区网络的另一个特征是它包含许多交叉路口。因此，市区地区的交通模式的特征在于有许多小的干扰，不同于高速公路交通模式，后者通常表现出较小的干扰但具有较高的影响。关于出行需求特征，市区网络上的交通通常比高速公路上的交通更加多样化。首先，根据高速公路的类型，高速公路主要服务于中长途交通。市区网络还提供往返高速公路的中长途交通，还有相当数量的本地或短途交通。此外，对于市区交通而言，旅行动机的分布更加多样化。大多数高速公路用于一个主要的旅行动机。一般而言，在工作日高峰期，主要的旅行动机是工作和商业。此外，一些高速公路在周末和休假期间因休闲交通而出现高峰，例如来往海滩。此外，大多数市区道路在工作日提供大量与工作和商业相关的交通。然而，除了通勤交通，购物和休闲交通也在工作日广泛使用市区网络。
如上所述，市区地区的交通模式和特征的动态明显不同于高速公路的那些。不同区域的特征之间的差异可以通过参数来测量，例如，对于市区交通模式，利用诸如交通量、速度、队列长度、延迟和行进时间等指示符。从这个意义上说，第一空中高分辨率数据411传输到***1并通过***1生成土地覆盖参数4101、4102、4103、4104，即，检测森林、农村、市区、农田等限定区域对***1至关重要。
作为一个替代实施例，***1可以例如从欧洲航天局(ESA)访问空中高分辨率数据411。ESA卫星以300米的空间分辨率生成全球土地覆盖地图，这对于目前的使用来说已足够。ESA高分辨率地图数据使用多年和多传感器策略生成，以便利用所有合适的数据并最大化产品一致性。
如图6所示，第二基于空气的测量站捕获测量光密度的第二高分辨率数据421。第二高分辨率数据421被传输到***1。通过***1生成夜间光参数4201、4202、4203、4204并且借助于生成的数据记录2221、2222、2223、2224存储，该生成的数据记录2221、2222、2223、2224基于关于光密度的所述第二空中高分辨率数据421分配给相应网格单元2121、2122、2123、2124。所述夜间光参数是基于本地活动的加权代理4211、4212、4213、4214和加权代理与其他福利代理措施的相关性生成的。其他福利代理措施的加权代理4211、4212、4213、4214可以例如包括高度本地化的人类福祉措施和/或国家或地方国民生产总值(GDP)。国内生产总值或人均国内生产总值通常是全球范围内国家和人类福祉的衡量指标，其中，夜间光线值给出人类福祉的代理措施，例如GDP。但是，其他福利代理措施(如GDP)与该地区交通模式的相关性应仅考虑其典型的有限相关性。例如，国内生产总值为总体经济活动提供了一个良好的量度，但对于该活动的本地分布却不是良好的量度。
作为替代实施例，第二高分辨率数据421可以基于来自美国国防气象卫星计划和/或其他来源的卫星图像。通常，卫星图像上的更多光和更高的光强度(例如，以每平方公里测量的像素)与更高的发展水平相关。例如，可以通过图6来说明这种相关性，图6示出朝鲜和韩国，其中，朝鲜几乎是黑色区域，而韩国则是光明的。然而，其他比较也可以说明相关性，例如明亮的东京和非洲中心之间的比较。使用卫星测量数据的一个优点是卫星提供的数据比福祉的实地调查测量单元更快，其中后者可能需要数年时间。因此，卫星测量数据更适合应对交通模式的动态。虽然平方公里通常是第二高分辨率数据421测量光输出的可获得的最高分辨率，但是新卫星的测量数据(例如来自NASA和NOAA之间的国家极地轨道合作伙伴的数据)提供更高分辨率的图像，因此就实现本发明和***1而言，可能是更有利的。
通过***地执行的地面调查测量站43捕获第三高分辨率数据431并将其传输到***1。借助于生成的数据记录2221、2222、2223、2224生成并存储路线图参数4301、4302、4303、4304，该生成的数据记录2221、2222、2223、2224基于地面调查测量站43的第三高分辨率数据431分配给相应网格单元2121、2122、2123、2124。路线图参数4301、4302、4303、4304包括表示分配的道路类型的至少一个分类参数4311、4312、4313、4314。例如，可以通过从可访问的高分辨率路线图数据库中提取数据来选择第三高分辨率数据431。地面调查测量站43可以例如包括全球定位单元(GPS)或者可以通过卫星图像追踪。路线图参数4301、4302、4303、4304的分类参数4311、4312、4313、4314可以例如包括对自行车道、人行道、高速公路、道路、行人、主要道路、住宅道路、二级道路、台阶、服务、三级道路轨道和/或无法分类的街道物体进行分类的数值。此外，分类参数4311、4312、4313、4314包括允许分类属性的标签元素。分类参数4311、4312、4313、4314还可以包括在网格单元2121、2122、2123、2124的特定点处的交通成员的平均速度的量度。
图7示出了示意性地显示出从地图数据、道路类型、长度和特征(例如高速公路、主要道路、主干道路、行人道路等)、道路交叉口、单向路、隧道、桥梁和速度限制中提取数据。动态调整的地图数据可以基于与***1相关联的测量装置。然而，它还可以基于访问专用的高分辨率地图数据，例如OpenStreetMap(OSM)数据资源。上述OSM数据示例利用大量独立用户(目前超过200万)动态地执行数据捕获，使用手动调查收集数据、GPS装置、航空摄影和其他免费资源收集数据。因此，地面调查测量站43可以包括使用诸如手持GPS单元、笔记本、数码相机或录音机等装置和测量站的***地面测量。然而，第三高分辨率数据431也可以通过航空摄影、卫星虚构和来自其他来源的数据来完成，这些数据已经添加了重要的数据源并且自动导入第三高分辨率数据431中。例如，可以采用特殊过程来处理自动化导入并避免技术问题。在OSM的示例中，数据被构造为在开放数据库访问下可访问的众包数据。
通常使用GPS单元收集第三高分辨率数据431的地图数据，虽然这不是严格必需的，如果已经从卫星图像中追踪了区域。一旦已经收集了第三高分辨率数据431，就将其输入数据存储器。在那个开始，没有关于这种类型的转移轨迹的信息是可用的，即，它可以是例如高速公路、人行道或河流。因此，在第二步骤中，以自动或半自动方式完成轨迹和对象的识别。特别地，识别过程包括放置和编辑诸如学校、医院、出租车站、公共汽车站、酒吧等对象，这例如可以由专家识别***完成。作为替代实施例，进入所述数据存储器的第三高分辨率数据431可以例如使用具有一些核心元素的拓扑数据结构。这些核心元素可以例如包括节点。节点是具有地理位置的点，存储为坐标(纬度和经度对)。除了以这些方式使用它们之外，它们还可用于表示没有大小的地图特征，例如兴趣点或山峰。路径(way)是另一个可能的核心要素。路径可以被定义为节点的有序列表，表示折线，或者如果它们形成闭环，则可能表示多边形。它们既可用于表示诸如街道和河流等线性特征，也可用于表示诸如森林、公园、停车区和湖泊等区域特征。此外，核心元素可以包括关系。关系是节点、方式和关系的有序列表，其中，每个成员(关系和方式)可以选择具有“角色”(字符串)。关系用于表示现有节点和路径的关联性。示例包括道路上的转弯限制、跨越几种现有路线的路线(例如，长途高速公路)和带洞的区域。最后，核心元素可以包括标签。标签可以是键值对(两个任意字符串)。它们可用于存储有关地图对象的元数据(例如其类型、名称和物理属性)。通常，标签不是独立的，而是始终附着到对象，即，连接到节点、路径或关系。
第四空中高分辨率数据441由基于空间的和/或基于空气的测量站44测量，并且被传输到***1。此外，可以使用来自基于地面的测量站的测量数据。基于第四空中高分辨率数据441和/或基于地面的数据，借助于生成的数据记录2221、2222、2223、2224，生成并存储降水参数4401、4402、4403、4404，生成的数据记录2221、2222、2223、2224基于所述第四空中高分辨率数据441被分配给相应的网格单元2121、2122、2123、2124。生成的降水参数4401、4402、4403、4404包括水文循环4411、4412、4413、4414的量度，至少给出在相应的网格单元2121、2122、2123、2124的特定点或区域处的本地降水分布4421、4422、4423、4424，数量4431、4432、4433、4434和强度4441、4442、4443、4444。降水参数4401、4402、4403、4404可以例如至少包括测量降雨和/或降雪和/或冰雹的参数。图8示出了这种降水参数4401、4402、4403、4404的生成和提取以及第四空中高分辨率数据441(例如，降水数据的卫星图像)的图像处理，提供至少平均年降雨量和总降雨量的降水参数4401、4402、4403、4404。天气相关数据和交通模式之间的相关性是已知的。然而，它们通常是已知的，是就与天气相关的影响和空中交通模式的延迟而言，而天气相关影响与空中交通模式延迟的相关性的背景完全不同，主要与有关机场有关。然而，天气影响，例如由上述水文循环4411、4412、4413、4414，降水分布4421、4422、4423、4424，数量4431、4432、4433、4434和强度4441、4442、4443、4444所表示的，影响每天和每小时的高速公路***的性能。雨、雪、冰等部分或全部负责每年超过150万次高速公路事故，以及美国道路上超过60万人受伤和7000人死亡。
此外，仅在美国，驾驶者每年就会因不利天气导致的交通堵塞失去大约10亿小时。事实上，天气是偶生性高速公路拥堵的第二大原因，占延迟的25％。研究表明，不利天气显著增加了平均旅行时间，取决于所选区域，例如华盛顿特区为14％，西雅图为21％。在高峰期，出现雨或雪时在华盛顿特区的旅行时间可能会增加高达24％。尽管不利天气对交通模式和交通有影响，但现有技术的交通模式识别和预测***通常不考虑天气和交通流量之间的联系。然而，准确和及时的道路和天气数据至关重要，因为可以实时管理基础设施，以应对当前的和即将来临的天气状况，并警告驾驶者天气和道路状况的变化。智能交通***(ITS)、道路天气信息***、天气和交通数据收集以及预报技术的进步应该基于更好地了解驾驶员在恶劣天气下的行为以及他们的决策如何影响交通流量。通过基于第四空中高分辨率数据441提取和生成降水参数4401、4402、4403、4404，本发明完全识别天气有关的相关性并且没有现有技术***的缺点。作为替代实施例，本发明可以进一步包括实时修改交通信号和斜坡仪表定时、自动操作除冰***以及设定可变速度限制的手段，允许***1的信号的广泛应用。
第四高分辨率数据441还可以包括来自诸如摄像机、交通计数器、环路检测器、机场气象站和环境传感器站等静态和固定装置的天气和交通数据。然而，第四高分辨率数据441也可以至少部分地由移动车辆提供的交通和天气信息捕获。因此，本发明能够考虑不利天气对宏观(聚合)交通流量的影响以及与所生成的降水参数4401、4402、4403、4404相关的交通速度、容量和密度的量化变化。值得注意的是，降水参数4401、4402、4403、4404(下雨或下雪)与交通模式的相关性不一定必然影响交通流的密度，但它会影响交通自由流速度、容量速度和容量。大多数参数随降水强度而变化。虽然在下雪的状况下容量减少了12-20％，但容量的减少通常与雪的强度(或降雪率)无关。同样重要的是要注意，本地化加权降水参数4401、4402、4403、4404可能是有利的，因为已经观察到降水参数4401、4402、4403、4404可以包括强地理相关性。观测显示，在第一区域(较冷区域)，下雪时交通流自由流速度和容量速度比另一个可比较区域(例如，温暖地区约5％)发生更大的减少(例如，大约20％)。一种可能的解释是，习惯于下雪的司机更加意识到其危险并且减速。无论情况如何，***1要考虑降水参数4401、4402、4403、4404的本地依赖性，特别是对于交通模式估计和预测可能是有利的。因此，使用的数据处理必须是根据各种本地条件和交通模式进行校准以实施和评估，如果***1用于区域规划和运营的背景下，则更是如此。作为替代实施例，可以使用相应的欧洲中期天气预报中心(ECMWF)数据来访问第四高分辨率数据441并将其传输到***1。
第五空中高分辨率数据451由第四基于空气的测量站45测量并传输到***1。借助于生成的数据记录2221、2222、2223、2224生成和存储数字高程参数4501、4502、4503、4504，该生成的数据记录2221、2222、2223、2224基于所述第五空中高分辨率数据451分配给相应的网格单元2121、2122、2123、2124。数字高程参数4501、4502、4503、4504可以例如进一步包括形态元素。
图9示出了数字高程参数4501、4502、4503、4504的生成和提取以及第五高空分辨率数据451(例如，卫星图像)的图像处理，其中，生成最大高程、高程标准偏差和平均高程参数。生成的数字高程参数4501、4502、4503、4504包括用于在对应的网格单元2121、2122、2123、2124的特定点或区域处的地形高度的量度4511、4512、4513、4514，其提供地形表面的表示。数字高程参数4501、4502、4503、4504提供从地形高程数据创建的地形表面的数字表示。在本申请的情况下，数字高程参数4501、4502、4503、4504表示地球表面，包括其上的所有对象。这例如与表示没有任何物体(例如，植物和/或建筑物)的裸露地面的数字地形参数相对照。数字高程参数4501、4502、4503、4504可以将表面表示为栅格(raster)(正方形网格，在表示高程时也称为高度图)或者表示为基于矢量的三角形不规则网络(TIN)。***1可以以多种方式生成数字高程参数4501、4502、4503、4504，但是使用遥感或直接测量数据。生成数字高程参数4501、4502、4503、4504的一种技术是例如干涉合成孔径雷达，其中，雷达卫星的两个通道，或者如果卫星配备有两个天线则是单个通道，收集足够的数据以生成几十公里且分辨率约为十米的数字高程图或参数4501、4502、4503、4504。使用数字图像相关方法可以采用其他类型的立体对，其中，以从飞机或地球观测卫星的相同通道获取的不同角度获取两个光学图像。生成数字高程参数4501、4502、4503、4504的其他方法可以例如涉及内插可能已经通过对陆地表面的直接测量生成的数字等高线图。这种方法在山区尤其有用，在山区干涉测量并不总是令人满意。应注意，数字高程参数4501、4502、4503、4504意味着在研究区域中的每个位置处高程连续可得。数字高程参数4501、4502、4503、4504的质量与每个像素处的高程精确度(绝对精度)如何和形态呈现的准确度(相对精度)如何相关。有几个因素对数字高程参数4501、4502、4503、4504的质量起着重要作用，如地形粗糙度、采样密度(高程数据采集方法)、网格分辨率或像素大小、插值算法、垂直分辨率、地形分析算法、关于海岸线，湖泊，雪，云信息的质量掩模、相关性等。作为替代实施例，第五空中高分辨率数据451和/或应用的数字高程模型可以由美国国家航空航天局(NASA)提供的数据访问。
***1包括具有散列表31的触发模块3，散列表31具有多个可选择的形态流量模型-函数311、312、313等。对于每个网格单元2121、2122、2123、2124，生成的数据记录2221、2222、2223、2224被预定的触发参数321、322、323等过滤，预定的触发参数321、322、323触发生成的人口密度参数4001、4002、4003、4004、土地覆盖参数4101、4102、4103、4104，夜间照明参数4201、4202、4203、4204，道路地图参数4301、4302、4303、4304，降水参数4401、4402、4403、4404和数字高程参数4501、4502、4503、4504的阈值。形态流量模型-函数311、312、313等基于捕获的实际事故数据331通过缩放表33进行匹配。通过与事故数据331最佳匹配来触发和选择特定形态流量模型-函数311、312、313等。
基于与特定网格单元2121、2122、2123、2124相关联的数据记录2221、2222、2223、2224，借助于内插模块5，在51生成每一个网格单元2121、2122、2123、2124的风险值字段50，并且通过内插模块5在52将概率521分配到所述网格212中的每个点，给出在给定地理位置和时间发生事故的概率。
参考列表
1 测量装置，用于交通和驾驶模式识别和位置相关的汽车事故的风险测量
2 捕获单元
21 地理区域
212 空间高分辨率网格
2121、2122、2123、2124 网格单元
2221、2222、2223、2224 生成的数据记录
3 触发模块
30 形态函数商店
31 散列表
311、312、313 等可选择的形态流量模型-函数
32 触发参数表
321、322、323 等具有阈值的触发参数
33 缩放表
331 捕获的实际事故数据
4 测量和触发单元
40 模式触发
401 高分辨率密度数据
4001、4002、4003、4004 人口密度参数
4011、4012、4013、4014 加权因素
41 第一空气测量站
411 第一高分辨率数据
4101、4102、4103、4104 土地覆盖参数
42 第二空气测量站
421 第二高分辨率数据
4201、4202、4203、4204 夜间光参数
4211、4212、4213、4214 加权代理参数
43 地面调查测量站
431 第三高分辨率数据
4301、4302、4303、4304 路线图参数
4311、4312、4313、4314 路线图参数的分类参数
44 第三空气测量站
441 第四高分辨率数据
4401、4402、4403、4404 降水参数
4411、4412、4413、4414 水文循环参数
4421、4422、4423、4424 降水分布因素
4431、4432、4433、4434 数量因素
4441、4442、4443、4444 强度因素
45 第四空气测量站
451 第五高分辨率数据
4501、4502、4503、4504 数字高程参数
4511、4512、4513、4514 地形高程的测量因素
5 内插模块
6 数据传输网络
61 激活装置
62 报警装置
63 移动接入装置
64 输入/输出装置

Claims (19)

1.一种测量装置(1)，用于自动交通和驾驶模式识别，和基于地理空间背景，对汽车事故的绝对和/或相对风险概率进行的位置相关的测量，其中，生成事故事件的数据记录，并且测量与车辆事故风险相关的特定事故状况的位置相关概率值，特征在于，
借助于捕获单元(2)在感兴趣的地理区域(21)上生成具有网格单元(2121、2122、2123、2124)的空间高分辨率网格(212)，所述区域包括暴露于事故风险的单元(70-74)的至少一部分，其中，网格(212)的网格单元(2121、2122、2123、2124)是可选择的，并且数据通过***分配给网格(212)的每个单元(2121、2122、2123、2124)，并且其中，表示网格单元的数据记录被分配给发生或测量的年份并被保存在处理单元的存储器模块中，
其中，对于每个网格单元(2121、2122、2123、2124)，借助于感兴趣的地理区域(21)的测量站(40、41、...)，测量静态状况参数和动态状况参数，并传输到测量装置(1)，并分配给被分配给相应的网格单元(2121、2122、2123、2124)的生成的数据记录(22x1、22x2、22x3、22x4)，所述静态状况参数至少包括静态道路状况参数，所述动态状况参数至少包括天气状况的时间波动参数和温度的时间波动参数和日光强度的时间波动参数和交通状况的时间波动参数；
其中，对于每个网格单元(2121、2122、2123、2124)和每种类型的特定数据记录(22x1、22x2、22x3、22x4)状况参数，考虑不同的状况模式，在所述空间高分辨率网格212中分配定制的加权因子(40x1、40x2、40x3、40x4)，
其中，装置(1)包括机器学习或机器驱动触发模块(3)，其中，通过加权的不同的状况模式的模式识别，通过(52)内插模块(5)和机器学习或机器驱动触发模块(3)触发和/或分配概率(521)值到所述网格(212)中的每个点，给出在给定地理位置和时间发生事故的概率的量度。
2.根据权利要求1所述的测量装置(1)，其特征在于，测量的状况参数可以是例如至少包括6种类型的状况参数(40x1、40x2、40x3、40x4)，其中，第一类型的状况参数提供事故的时间点的量度，第二类型的状况参数提供结构环境参数的量度，第三类状况参数提供时间交通状况参数的量度，第四类型状况参数提供时间道路状况参数的量度，第五类型状况参数提供时间天气状况参数的量度，第六类型状况参数提供车辆类型参数的量度。
3.根据权利要求1所述的测量装置(1)，其特征在于，所述状况参数的测量包括借助于特定应用的模式触发器(4x)测量每个网格单元(2121、2122、2123、2124)状况参数(40x1、40x2、40x3、40x4)，
其中，对于每个网格单元(2121、2122、2123、2124)，借助于聚落模式触发器(40)捕获环境人口密度参数(4001、4002、4003、4004)，并将其分配给被分配给相应网格单元(2121、2122、2123、2124)的生成的数据记录(2221、2222、2223、2224)，其中，为感兴趣的地理区域(21)捕获人口密度参数(4001、4002、4003、4004)，并且考虑不同的聚落模式，在所述空间高分辨率网格(212)中分配定制的加权因素(4011、4012、4013、4014)，
其中，第一基于空气的测量站(41)捕获的第一测量的空中高分辨率数据(411)被传输到***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储土地覆盖参数(4101、4102、4103、4104)，所述生成的数据记录(2221、2222、2223、2224)基于所述第一空中高分辨率数据(411)分配给相应网格单元(2121、2122、2123、2124)，其中，所述土地覆盖参数(4101，4102、4103、4104)是地球表面可观察到的生物物理覆盖的量度，
其中，第二基于空气的测量站(42)捕获的关于光密度的第二高分辨率数据(421)被传输到***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储夜间光参数(4201、4202、4203、4204)，所述生成的数据记录(2221、2222、2223、2224)基于关于光密度的所述第二空中高分辨率数据(421)分配给相应网格单元(2121、2122、2123、2124)，其中，所述夜间光参数是基于本地活动的加权代理(4211、4212、4213、4214)和加权代理与其他福利代理措施的相关性生成的，
其中，通过***地执行的地面调查测量站(43)捕获的第三高分辨率数据(431)被传输到***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储路线图参数(4301、4302、4303、4304)，所述生成的数据记录(2221、2222、2223、2224)基于地面调查测量站(43)的所述第三高分辨率数据(431)分配给相应网格单元(2121、2122、2123、2124)，其中，所述路线图参数(4301、4302、4303、4304)包括指示分配的道路类型的至少一个分类参数(4311、4312、4313、4314)，
其中，基于空气的测量站(44)捕获的第四测量的空中高分辨率数据(441)被传输到***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储降水参数(4401、4402、4403、4404)，所述生成的数据记录(2221、2222、2223、2224)基于所述第四空中高分辨率数据(441)分配给相应的网格单元(2121、2122、2123、2124)，其中，所述生成的降水参数(4401、4402、4403、4404)包括水文循环(4411、4412、4413、4414)的量度，所述水文循环(4411、4412、4413、4414)至少给出在相应网格单元(2121、2122、2123、2124)的特定点或区域处的本地降水分布(4421、4422、4423、4424)、降水量(4431、4432、4433、4434)和降水强度(4441、4442、4443、4444)，
其中，第四基于空气的测量站(45)测量的第五空中高分辨率数据(451)被传输到***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储数字高程参数(4501、4502、4503、4504)，所述生成的数据记录(2221、2222、2223、2224)基于所述第五空中高分辨率数据(451)分配给相应的网格单元(2121、2122、2123、2124)，其中，生成的数字高程参数(4501、4502、4503、4504)包括在相应网格单元(2121、2122、2123、2124)的特定点或区域处的地形高程的量度(4511、4512、4513、4514)，提供地形表面的表示，
其中，***(1)包括具有散列表(31)的触发模块(3)，散列表(31)具有多个可选择的形态流量模型-函数(311、312、313等)，其中，对于每个网格单元(2121、2122、2123、2124)，生成的数据记录(2221、2222、2223、2224)由预定触发参数(321、322、323等)过滤，所述预定触发参数(321、322、323等)触发人口密度参数(4001、4002，4003、4004)、土地覆盖参数(4101、4102、4103、4104)、夜间光参数(4201、4202、4203、4204)、路线图参数(4301、4302、4303、4304)、降水参数(4401、4402、4403、4404)和数字高程参数(4501、4502、4503、4504)的阈值，其中，形态流量模型-函数(311、312、313等)基于捕获的实际事故数据(331)通过缩放表(33)进行匹配，并且其中，通过与该事故数据(331)最佳匹配来触发和选择特定形态流量模型-函数(311、312、313等)，以及
其中，基于与特定网格单元(2121、2122、2123、2124)相关联的数据记录(2221、2222、2223、2224)，借助于内插模块(5)生成(51)每一个网格单元(2121、2122、2123、2124)的风险值字段(50)，并且通过内插模块(5)将概率(521)分配(52)到所述网格(212)中的每个点，给出在给定地理位置和时间发生事故的概率。
4.根据权利要求1到3所述的***(1)，其特征在于，自动交通和驾驶模式识别和位置相关的车辆事故的绝对和相对风险的测量是基于完全非保险相关数据并与交通和驾驶模式相关联，提供高度的时间和空间分辨率。
5.根据权利要求3所述的***(1)，其特征在于，所述空中高分辨率数据(401、411、412、414、415)包括航拍图像和/或卫星图像和/或航空照片。
6.根据权利要求3或4所述的***(1)，其特征在于，所述空中高分辨率数据(401、411、412、414、415)包括由卫星和/或飞机和/或浮空器或配备有气球的其他测量站测量的航拍图像和/或卫星图像和/或航空照片。
7.根据权利要求3至6所述的***(1)，其特征在于，其他福利代理措施的加权代理(4211、4212、4213、4214)包括高度本地化的人类福祉措施和/或国家或地方国民生产总值(GDP)。
8.根据权利要求3至7所述的***(1)，其特征在于，借助于从可访问的高分辨率路线图数据库中提取数据来选择所述第三高分辨率数据(431)。
9.根据权利要求3至8所述的***(1)，其特征在于，地面调查测量站(43)包括全球定位单元(GPS)或可通过卫星图像追踪。
10.根据权利要求3至11所述的***(1)，其特征在于，所述路线图参数(4301、4302、4303、4304)的分类参数(4311、4312、4313、4314)包括对自行车道、人行道、高速公路、路径、行人、主要道路、住宅道路、二级道路、台阶、服务、三级道路轨道和/或无法分类的街道对象进行分类的值。
11.根据权利要求11所述的***(1)，其特征在于，所述分类参数(4311、4312、4313、4314)包括允许分类属性的标签元素。
12.根据权利要求3至12所述的***(1)，其特征在于，所述分类参数(4311、4312、4313、4314)包括在网格单元(2121、2122、2123、2124)的特定点处的交通成员的平均速度的量度。
13.根据权利要求1至14所述的***(1)，其特征在于，降水参数(4401、4402、4403、4404)至少包括测量降雨和/或降雪和/或冰雹的参数。
14.根据权利要求1至14所述的***(1)，其特征在于，所述数字高程参数(4501、4502、4503、4504)还包括形态元素。
15.一种基于完全非保险相关数据，对汽车事故的绝对和相对风险进行的自动的位置相关的预测，其中，生成事故事件的数据记录，并且确定与汽车事故风险相关的特定事故状况的位置相关概率值，特征在于，
借助于捕获单元(2)在感兴趣的地理区域(21)上生成具有网格单元(2121、2122、2123、2124)的空间高分辨率网格(212)，所述区域包括暴露于事故风险的单元(70-74)的至少一部分，其中，网格(212)的网格单元(2121、2122、2123、2124)是可选择的，并且数据通过***分配给网格(212)的每个单元(2121、2122、2123、2124)，并且其中，表示网格单元的数据记录被分配给发生或测量的年份并被保存在处理单元的存储器模块中，
其中，对于每个网格单元(2121、2122、2123、2124)，借助于感兴趣的地理区域(21)的测量站(40、41、...)，测量静态状况参数和动态状况参数，并传输到测量装置(1)，并分配给被分配给相应的网格单元(2121、2122、2123、2124)的生成的数据记录(22x1、22x2、22x3、22x4)，所述静态状况参数至少包括静态道路状况参数，所述动态状况参数至少包括天气状况的时间波动参数和温度的时间波动参数和日光强度的时间波动参数和交通状况的时间波动参数；
其中，对于每个网格单元(2121、2122、2123、2124)和每种类型的特定数据记录(22x1、22x2、22x3、22x4)状况参数，考虑不同的状况模式，在所述空间高分辨率网格212中分配定制的加权因子(40x1、40x2、40x3、40x4)，
其中，测量***(1)包括机器学习或机器驱动触发模块(3)，其中，通过加权的不同的状况模式的模式识别，通过(52)内插模块(5)和机器学习或机器驱动触发模块(3)触发和/或分配概率(521)值到所述网格(212)中的每个点，给出在给定地理位置和时间发生事故的概率的量度。
16.根据权利要求16所述的方法，其特征在于，测量的状况参数可以是例如至少包括6种类型的状况参数(40x1、40x2、40x3、40x4)，其中，第一类型的状况参数提供事故的时间点的量度，第二类型的状况参数提供结构环境参数的量度，第三类状况参数提供时间交通状况参数的量度，第四类型状况参数提供时间道路状况参数的量度，第五类型状况参数提供时间天气状况参数的量度，第六类型状况参数提供车辆类型参数的量度。
17.根据权利要求16所述的方法，其特征在于，所述状况参数的测量包括借助于特定应用的模式触发器(4x)测量每个网格单元(2121、2122、2123、2124)状况参数(40x1、40x2、40x3、40x4)，
其中，对于每个网格单元(2121、2122、2123、2124)，借助于聚落型式触发器(40)捕获环境人口密度参数(4001、4002、4003、4004)，并将其分配给被分配给相应网格单元(2121、2122、2123、2124)的生成的数据记录(2221、2222、2223、2224)，其中，为感兴趣的地理区域(21)捕获人口密度参数(4001、4002、4003、4004)，并且考虑不同的聚落型式，在所述空间高分辨率网格(212)中分配定制的加权因素(4011、4012、4013、4014)，
其中，第一基于空气的测量站(41)捕获的第一测量的空中高分辨率数据(411)被传输到测量***，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储土地覆盖参数(4101、4102、4103、4104)，所述生成的数据记录(2221、2222、2223、2224)基于所述第一空中高分辨率数据(411)分配给相应网格单元(2121、2122、2123、2124)，其中，所述土地覆盖参数(4101，4102、4103、4104)是地球表面可观察到的生物物理覆盖的量度，
其中，第二基于空气的测量站(42)捕获的关于光密度的第二高分辨率数据(421)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储夜间光参数(4201、4202、4203、4204)，所述生成的数据记录(2221、2222、2223、2224)基于关于光密度的所述第二空中高分辨率数据(421)分配给相应网格单元(2121、2122、2123、2124)，其中，所述夜间光参数是基于局部活动的加权代理(4211、4212、4213、4214)和加权代理与其他福利代理措施的相关性生成的，
其中，通过***地执行地面调查测量站(43)捕获的第三高分辨率数据(431)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储路线图参数(4301、4302、4303、4304)，所述生成的数据记录(2221、2222、2223、2224)基于地面调查测量站(43)的所述第三高分辨率数据(431)分配给相应网格单元(2121、2122、2123、2124)，其中，所述路线图参数(4301、4302、4303、4304)包括指示分配的道路类型的至少一个分类参数(4311、4312、4313、4314)，
其中，基于空气的测量站(44)捕获的第四测量的空中高分辨率数据(441)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储降水参数(4401、4402、4403、4404)，所述生成的数据记录(2221、2222、2223、2224)基于所述第四空中高分辨率数据(441)分配给相应的网格单元(2121、2122、2123、2124)，其中，所述生成的降水参数(4401、4402、4403、4404)包括水文循环(4411、4412、4413、4414)的量度，所述水文循环(4411、4412、4413、4414)至少给出在相应网格单元(2121、2122、2123、2124)的特定点或区域处的局部降水分布(4421、4422、4423、4424)、降水量(4431、4432、4433、4434)和降水强度(4441、4442、4443、4444)，
其中，第四基于空气的测量站(45)捕获的第五测量的空中高分辨率数据(451)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储数字高程参数(4501、4502、4503、4504)，所述生成的数据记录(2221、2222、2223、2224)基于所述第五空中高分辨率数据(451)分配给相应的网格单元(2121、2122、2123、2124)，其中，生成的数字高程参数(4501、4502、4503、4504)包括在相应网格单元(2121、2122、2123、2124)的特定点或区域处的地形高程的量度(4511、4512、4513、4514)，提供地形表面的表示，
其中，测量***(1)包括具有散列表(31)的触发模块(3)，散列表(31)具有多个可选择的形态流量模型-函数(311、312、313等)，其中，对于每个网格单元(2121、2122、2123、2124)，生成的数据记录(2221、2222、2223、2224)由预定触发参数(321、322、323等)过滤，所述预定触发参数(321、322、323等)触发人口密度参数(4001、4002，4003、4004)、土地覆盖参数(4101、4102、4103、4104)、夜间光参数(4201、4202、4203、4204)、路线图参数(4301、4302、4303、4304)、降水参数(4401、4402、4403、4404)和数字高程参数(4501、4502、4503、4504)的阈值，其中，形态流量模型-函数(311、312、313等)基于捕获的实际事故数据(331)通过缩放表(33)进行匹配，并且其中，通过与事故数据(331)最佳匹配来触发和选择特定形态流量模型-函数(311、312、313等)，以及
其中，基于与特定网格单元(2121、2122、2123、2124)相关联的数据记录(2221、2222、2223、2224)，借助于内插模块(5)生成(51)每一个网格单元(2121、2122、2123、2124)的风险值字段(50)，并且通过内插模块(5)将概率(521)分配(52)到所述网格(212)中的每个点，给出在给定地理位置和时间发生事故的概率。
18.一种测量装置(1)，用于基于地理空间背景并基于完全非保险相关数据，进行自动交通和驾驶模式识别和车辆事故的绝对和/或相对风险概率的位置相关测量，其中，生成事故事件的数据记录，并且确定与车辆事故风险相关的特定事故状况的位置相关概率值，特征在于，
借助于捕获单元(2)在感兴趣的地理区域(21)上生成具有网格单元(2121、2122、2123、2124)的空间高分辨率网格(212)，所述区域包括暴露于事故风险的单元(70-74)的至少一部分，其中，网格(212)的网格单元(2121、2122、2123、2124)是可选择的，并且数据通过测量***分配给网格(212)的每个单元(2121、2122、2123、2124)，并且其中，表示网格单元的数据记录被分配给发生或测量的年份并被保存在计算单元的存储器模块中，
对于每个网格单元(2121、2122、2123、2124)，借助于聚落型式触发器(40)捕获环境人口密度参数(4001、4002、4003、4004)，并将其分配给被分配给相应网格单元(2121、2122、2123、2124)的生成的数据记录(2221、2222、2223、2224)，其中，为感兴趣的地理区域(21)捕获人口密度参数(4001、4002、4003、4004)，并且考虑不同的聚落型式，在所述空间高分辨率网格(212)中分配定制的加权因素(4011、4012、4013、4014)，
第一基于空气的测量站(41)捕获的第一测量的空中高分辨率数据(411)被传输到测量***，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储土地覆盖参数(4101、4102、4103、4104)，所述生成的数据记录(2221、2222、2223、2224)基于所述第一空中高分辨率数据(411)分配给相应网格单元(2121、2122、2123、2124)，其中，所述土地覆盖参数(4101，4102、4103、4104)是地球表面可观察到的生物物理覆盖的量度，
第二基于空气的测量站(42)捕获的关于光密度的第二高分辨率数据(421)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储夜间光参数(4201、4202、4203、4204)，所述生成的数据记录(2221、2222、2223、2224)基于关于光密度的所述第二空中高分辨率数据(421)分配给相应网格单元(2121、2122、2123、2124)，其中，所述夜间光参数是基于局部活动的加权代理(4211、4212、4213、4214)和加权代理与其他福利代理措施的相关性生成的，
通过***地执行地面调查测量站(43)捕获的第三高分辨率数据(431)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储路线图参数(4301、4302、4303、4304)，所述生成的数据记录(2221、2222、2223、2224)基于地面调查测量站(43)的所述第三高分辨率数据(431)分配给相应网格单元(2121、2122、2123、2124)，其中，所述路线图参数(4301、4302、4303、4304)包括指示分配的道路类型的至少一个分类参数(4311、4312、4313、4314)，
基于空气的测量站(44)捕获的第四测量的空中高分辨率数据(441)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储降水参数(4401、4402、4403、4404)，所述生成的数据记录(2221、2222、2223、2224)基于所述第四空中高分辨率数据(441)分配给相应的网格单元(2121、2122、2123、2124)，其中，所述生成的降水参数(4401、4402、4403、4404)包括水文循环(4411、4412、4413、4414)的量度，所述水文循环(4411、4412、4413、4414)至少给出在相应网格单元(2121、2122、2123、2124)的特定点或区域处的局部降水分布(4421、4422、4423、4424)、降水量(4431、4432、4433、4434)和降水强度(4441、4442、4443、4444)，
第四基于空气的测量站(45)捕获的第五测量的空中高分辨率数据(451)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储数字高程参数(4501、4502、4503、4504)，所述生成的数据记录(2221、2222、2223、2224)基于所述第五空中高分辨率数据(451)分配给相应的网格单元(2121、2122、2123、2124)，其中，生成的数字高程参数(4501、4502、4503、4504)包括在相应网格单元(2121、2122、2123、2124)的特定点或区域处的地形高程的量度(4511、4512、4513、4514)，提供地形表面的表示，
测量***(1)包括具有散列表(31)的触发模块(3)，散列表(31)具有多个可选择的形态流量模型-函数(311、312、313等)，其中，对于每个网格单元(2121、2122、2123、2124)，生成的数据记录(2221、2222、2223、2224)由预定触发参数(321、322、323等)过滤，所述预定触发参数(321、322、323等)触发人口密度参数(4001、4002，4003、4004)、土地覆盖参数(4101、4102、4103、4104)、夜间光参数(4201、4202、4203、4204)、路线图参数(4301、4302、4303、4304)、降水参数(4401、4402、4403、4404)和数字高程参数(4501、4502、4503、4504)的阈值，其中，形态流量模型-函数(311、312、313等)基于捕获的实际事故数据(331)通过缩放表(33)进行匹配，并且其中，通过与事故数据(331)最佳匹配来触发和选择特定形态流量模型-函数(311、312、313等)，以及
基于与特定网格单元(2121、2122、2123、2124)相关联的数据记录(2221、2222、2223、2224)，借助于内插模块(5)生成(51)每一个网格单元(2121、2122、2123、2124)的风险值字段(50)，并且通过内插模块(5)将概率(521)分配(52)到所述网格(212)中的每个点，给出在给定地理位置和时间发生事故的概率。
19.一种基于地理空间背景并基于完全非保险相关数据进行自动交通和驾驶模式识别和车辆事故的绝对和/或相对风险概率的位置相关测量的方法，其中，生成事故事件的数据记录，并且确定与车辆事故风险相关的特定事故状况的位置相关概率值，特征在于，
借助于捕获单元(2)在感兴趣的地理区域(21)上生成具有网格单元(2121、2122、2123、2124)的空间高分辨率网格(212)，所述区域包括暴露于事故风险的单元(70-74)的至少一部分，其中，网格(212)的网格单元(2121、2122、2123、2124)是可选择的，并且数据通过测量***分配给网格(212)的每个单元(2121、2122、2123、2124)，并且其中，表示网格单元的数据记录被分配给发生或测量的年份并被保存在计算单元的存储器模块中，
对于每个网格单元(2121、2122、2123、2124)，借助于聚落型式触发器(40)捕获环境人口密度参数(4001、4002、4003、4004)，并将其分配给被分配给相应网格单元(2121、2122、2123、2124)的生成的数据记录(2221、2222、2223、2224)，其中，为感兴趣的地理区域(21)捕获人口密度参数(4001、4002、4003、4004)，并且考虑不同的聚落型式，在所述空间高分辨率网格(212)中分配定制的加权因素(4011、4012、4013、4014)，
第一基于空气的测量站(41)捕获的第一测量的空中高分辨率数据(411)被传输到测量***，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储土地覆盖参数(4101、4102、4103、4104)，所述生成的数据记录(2221、2222、2223、2224)基于所述第一空中高分辨率数据(411)分配给相应网格单元(2121、2122、2123、2124)，其中，所述土地覆盖参数(4101，4102、4103、4104)是地球表面可观察到的生物物理覆盖的量度，
第二基于空气的测量站(42)捕获的关于光密度的第二高分辨率数据(421)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储夜间光参数(4201、4202、4203、4204)，所述生成的数据记录(2221、2222、2223、2224)基于关于光密度的所述第二空中高分辨率数据(421)分配给相应网格单元(2121、2122、2123、2124)，其中，所述夜间光参数是基于局部活动的加权代理(4211、4212、4213、4214)和加权代理与其他福利代理措施的相关性生成的，
通过***地执行地面调查测量站(43)捕获的第三高分辨率数据(431)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储路线图参数(4301、4302、4303、4304)，所述生成的数据记录(2221、2222、2223、2224)基于地面调查测量站(43)的所述第三高分辨率数据(431)分配给相应网格单元(2121、2122、2123、2124)，其中，所述路线图参数(4301、4302、4303、4304)包括指示分配的道路类型的至少一个分类参数(4311、4312、4313、4314)，
基于空气的测量站(44)捕获的第四测量的空中高分辨率数据(441)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储降水参数(4401、4402、4403、4404)，所述生成的数据记录(2221、2222、2223、2224)基于所述第四空中高分辨率数据(441)分配给相应的网格单元(2121、2122、2123、2124)，其中，所述生成的降水参数(4401、4402、4403、4404)包括水文循环(4411、4412、4413、4414)的量度，所述水文循环(4411、4412、4413、4414)至少给出在相应网格单元(2121、2122、2123、2124)的特定点或区域处的局部降水分布(4421、4422、4423、4424)、降水量(4431、4432、4433、4434)和降水强度(4441、4442、4443、4444)，
第四基于空气的测量站(45)捕获的第五测量的空中高分辨率数据(451)被传输到测量***(1)，并且借助于生成的数据记录(2221、2222、2223、2224)生成和存储数字高程参数(4501、4502、4503、4504)，所述生成的数据记录(2221、2222、2223、2224)基于所述第五空中高分辨率数据(451)分配给相应的网格单元(2121、2122、2123、2124)，其中，生成的数字高程参数(4501、4502、4503、4504)包括在相应网格单元(2121、2122、2123、2124)的特定点或区域处的地形高程的量度(4511、4512、4513、4514)，提供地形表面的表示，
测量***(1)包括具有散列表(31)的触发模块(3)，散列表(31)具有多个可选择的形态流量模型-函数(311、312、313等)，其中，对于每个网格单元(2121、2122、2123、2124)，生成的数据记录(2221、2222、2223、2224)由预定触发参数(321、322、323等)过滤，所述预定触发参数(321、322、323等)触发人口密度参数(4001、4002，4003、4004)、土地覆盖参数(4101、4102、4103、4104)、夜间光参数(4201、4202、4203、4204)、路线图参数(4301、4302、4303、4304)、降水参数(4401、4402、4403、4404)和数字高程参数(4501、4502、4503、4504)的阈值，其中，形态流量模型-函数(311、312、313等)基于捕获的实际事故数据(331)通过缩放表(33)进行匹配，并且其中，通过与事故数据(331)最佳匹配来触发和选择特定形态流量模型-函数(311、312、313等)，以及
基于与特定网格单元(2121、2122、2123、2124)相关联的数据记录(2221、2222、2223、2224)，借助于内插模块(5)生成(51)每一个网格单元(2121、2122、2123、2124)的风险值字段(50)，并且通过内插模块(5)将概率(521)分配(52)到所述网格(212)中的每个点，给出在给定地理位置和时间发生事故的概率。
CN201780068890.1A 2016-11-07 2017-11-07 测量车辆事故的绝对和/或相对风险可能性的装置和方法 Active CN109923575B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EPPCT/EP2016/076783 2016-11-07
PCT/EP2016/076783 WO2018082784A1 (en) 2016-11-07 2016-11-07 System and method for predicting of absolute and relative risks for car accidents
PCT/EP2017/078510 WO2018083352A1 (en) 2016-11-07 2017-11-07 Apparatus and method for automated traffic and driving pattern recognition and location-dependent measurement of absolute and/or relative risk probabilities for car accidents

Publications (2)

Publication Number Publication Date
CN109923575A true CN109923575A (zh) 2019-06-21
CN109923575B CN109923575B (zh) 2024-07-12

Family

ID=57288382

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201680090673.8A Active CN109952592B (zh) 2016-11-07 2016-11-07 自动位置相关测量和预测汽车风险的绝对和相对风险***和方法
CN201780068890.1A Active CN109923575B (zh) 2016-11-07 2017-11-07 测量车辆事故的绝对和/或相对风险可能性的装置和方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201680090673.8A Active CN109952592B (zh) 2016-11-07 2016-11-07 自动位置相关测量和预测汽车风险的绝对和相对风险***和方法

Country Status (5)

Country Link
US (2) US10850731B2 (zh)
EP (2) EP3535727A1 (zh)
CN (2) CN109952592B (zh)
CH (1) CH714036B1 (zh)
WO (2) WO2018082784A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110554964A (zh) * 2019-09-03 2019-12-10 大连海事大学 基于深度强化学习的Web服务众包测试任务分配方法
CN112541408A (zh) * 2020-11-30 2021-03-23 北京深睿博联科技有限责任公司 可行区域识别方法、装置、设备及计算机可读存储介质
CN112985825A (zh) * 2019-12-12 2021-06-18 百度（美国）有限责任公司 用于确定自动驾驶***的乘坐稳定性的方法
CN113486128A (zh) * 2021-06-01 2021-10-08 中国人民财产保险股份有限公司 一种大灾黑点信息的展示方法、装置、设备及存储介质
CN115081508A (zh) * 2022-04-26 2022-09-20 同济大学 一种基于交通数字孪生的交通运行风险平行仿真***
CN115798239A (zh) * 2022-11-17 2023-03-14 长安大学 一种车辆运行道路区域类型辨识方法
CN118135798A (zh) * 2024-04-30 2024-06-04 贵州大学 基于物联网实现高速公路的车流量实时监控方法及***

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10339544B2 (en) * 2014-07-02 2019-07-02 WaitTime, LLC Techniques for automatic real-time calculation of user wait times
US11087403B2 (en) * 2015-10-28 2021-08-10 Qomplx, Inc. Risk quantification for insurance process management employing an advanced decision platform
US20180189669A1 (en) * 2016-12-29 2018-07-05 Uber Technologies, Inc. Identification of event schedules
ES2858448T3 (es) * 2017-02-01 2021-09-30 Kapsch Trafficcom Ag Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras
US10489976B2 (en) * 2017-08-11 2019-11-26 Jing Jin Incident site investigation and management support system based on unmanned aerial vehicles
US10948305B1 (en) * 2017-11-30 2021-03-16 United States Automobile Association (USAA) Driving assistance systems and methods
US11248922B2 (en) * 2018-11-01 2022-02-15 International Business Machines Corporation Personalized social navigation coach
CN111598372A (zh) * 2019-02-21 2020-08-28 北京嘀嘀无限科技发展有限公司 一种风险防范的方法和***
US11989625B2 (en) 2019-03-29 2024-05-21 Honeywell International Inc. Method and system for detecting and avoiding loss of separation between vehicles and updating the same
US11516295B1 (en) * 2019-12-06 2022-11-29 State Farm Mutual Automobile Insurance Company Using contextual information for vehicle trip loss risk assessment scoring
FR3106112B1 (fr) * 2020-01-13 2021-12-03 Continental Automotive Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier
JP7415686B2 (ja) * 2020-03-10 2024-01-17 株式会社デンソー 事故パターン判定装置、事故パターン判定方法、及び事故パターン判定プログラム
CN111414820A (zh) * 2020-03-11 2020-07-14 长光卫星技术有限公司 一种基于夜光影像的城市人口密度获取方法
WO2021251351A1 (ja) * 2020-06-09 2021-12-16 株式会社日立物流 運行支援方法、運行支援システム及び運行支援サーバ
CN111724596B (zh) * 2020-06-23 2022-11-11 上海电科智能***股份有限公司 一种智能精确自动识别预判快速路瓶颈区方法
US11587249B2 (en) 2020-09-24 2023-02-21 Eagle Technology, Llc Artificial intelligence (AI) system and methods for generating estimated height maps from electro-optic imagery
US11747468B2 (en) * 2020-09-24 2023-09-05 Eagle Technology, Llc System using a priori terrain height data for interferometric synthetic aperture radar (IFSAR) phase disambiguation and related methods
CN112242059B (zh) * 2020-09-30 2021-10-01 南京航空航天大学 基于动机与风险评估的无人驾驶车辆智能决策方法
CN112382091A (zh) * 2020-11-11 2021-02-19 北京世纪高通科技有限公司 一种道路积水预警方法及装置
US20230113454A1 (en) * 2020-11-13 2023-04-13 BlueOwl, LLC Systems and methods for classifying a vehicular trip as for personal use or for work based upon hub-and-spokes travel pattern
CN113724496B (zh) * 2021-08-30 2022-06-21 北京安融畅信息技术有限公司 一种全场景道路交通安全隐患排查方法以及排查***
CN113887962B (zh) * 2021-10-08 2024-05-03 哈尔滨工业大学 一种改扩建高速公路道路施工作业风险识别与防控方法
CN114578315B (zh) * 2022-03-03 2022-11-04 北京华宜信科技有限公司 基于无人机激光雷达探测的电力线危险点预测方法和装置
CN114882694B (zh) * 2022-03-24 2023-06-02 成都亿盟恒信科技有限公司 一种基于报警定位数据的风险区域生成方法及***
US20240087446A1 (en) * 2022-09-14 2024-03-14 Maxar Technologies Holdings Inc. Hashing vehicle position data in real-time to detect behavior patterns
CN115525872B (zh) * 2022-10-13 2023-09-15 北京城建交通设计研究院有限公司 一种融合位置数据的建筑体尺度人口两步贝叶斯估计方法
CN116245362B (zh) * 2023-03-07 2023-12-12 北京磁浮有限公司 城轨接触网风险评估方法及相关装置
CN116129651B (zh) * 2023-03-13 2023-11-24 东南大学 一种基于居民出行行为选择的交通容量计算方法
CN116128311B (zh) * 2023-04-13 2023-08-04 深圳市明源云科技有限公司 工地交通安全风险预警方法、装置、设备及可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070143019A1 (en) * 2004-06-30 2007-06-21 Swiss Reinsurance Company Method and system for automated location-dependent recognition of flood risks
US20070152804A1 (en) * 1997-10-22 2007-07-05 Intelligent Technologies International, Inc. Accident Avoidance Systems and Methods
US20080104005A1 (en) * 2005-04-04 2008-05-01 Spadac Inc. Method and system for spatial behavior modification based on geospatial modeling
CN102741895A (zh) * 2010-01-19 2012-10-17 瑞士再保险有限公司 自动进行位置相关的自然灾害预报的方法和***
US20140365246A1 (en) * 2013-06-07 2014-12-11 State Farm Mutual Automobile Insurance Company Systems and methods for grid-based insurance rating
WO2014207558A2 (en) * 2013-06-27 2014-12-31 Scope Technologies Holdings Limited Onboard vehicle accident detection and damage estimation system and method of use
US20160047666A1 (en) * 2014-08-15 2016-02-18 Gil Emanuel Fuchs Determination and Display of Driving Risk
US20160189303A1 (en) * 2014-03-21 2016-06-30 Gil Emanuel Fuchs Risk Based Automotive Insurance Rating System

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6186793B1 (en) * 1995-11-07 2001-02-13 Randall E. Brubaker Process to convert cost and location of a number of actual contingent events within a region into a three dimensional surface over a map that provides for every location within the region its own estimate of expected cost for future contingent events
US7809586B2 (en) * 2002-11-27 2010-10-05 Computer Sciences Corporation Computerized method and system for estimating an effect on liability using a comparison of the actual speed of a vehicle in an accident and time and distance traveled by the vehicles in a merging vehicle accident
US10157422B2 (en) * 2007-05-10 2018-12-18 Allstate Insurance Company Road segment safety rating
US20140074402A1 (en) * 2012-09-12 2014-03-13 Lexisnexis Risk Solutions Fl Inc. Systems and methods for determining risks associated with driving routes
US20140095214A1 (en) * 2012-10-03 2014-04-03 Robert E. Mathe Systems and methods for providing a driving performance platform
CA2835574A1 (en) * 2012-11-28 2014-05-28 Craig Arnatt Method and system for the creation and delivery to a user of an automated, real time, online insurance policy and certificate of insurance for rental of a venue and/or equipment
US20140372150A1 (en) * 2013-06-14 2014-12-18 Hartford Fire Insurance Company System and method for administering business insurance transactions using crowd sourced purchasing and risk data
US10169821B2 (en) * 2013-09-20 2019-01-01 Elwha Llc Systems and methods for insurance based upon status of vehicle software
WO2015061712A1 (en) * 2013-10-24 2015-04-30 Tourmaline Labs, Inc. Systems and methods for collecting and transmitting telematics data from a mobile device
US20160063516A1 (en) * 2014-08-29 2016-03-03 The Nielsen Company (Us), Llc Methods and apparatus to estimate commercial characteristics based on geospatial data
US10024684B2 (en) * 2014-12-02 2018-07-17 Operr Technologies, Inc. Method and system for avoidance of accidents
US10586464B2 (en) * 2015-07-29 2020-03-10 Warren F. LeBlanc Unmanned aerial vehicles
US20170212992A1 (en) * 2016-01-26 2017-07-27 Northwestern University Systems and methods for generating high resolution probabilistic raster maps for electronic health record and other data associated with a geographical region
US10170005B1 (en) * 2017-09-11 2019-01-01 Honeywell International Inc. Vehicle conflict detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070152804A1 (en) * 1997-10-22 2007-07-05 Intelligent Technologies International, Inc. Accident Avoidance Systems and Methods
US20070143019A1 (en) * 2004-06-30 2007-06-21 Swiss Reinsurance Company Method and system for automated location-dependent recognition of flood risks
US20080104005A1 (en) * 2005-04-04 2008-05-01 Spadac Inc. Method and system for spatial behavior modification based on geospatial modeling
CN102741895A (zh) * 2010-01-19 2012-10-17 瑞士再保险有限公司 自动进行位置相关的自然灾害预报的方法和***
US20140365246A1 (en) * 2013-06-07 2014-12-11 State Farm Mutual Automobile Insurance Company Systems and methods for grid-based insurance rating
WO2014207558A2 (en) * 2013-06-27 2014-12-31 Scope Technologies Holdings Limited Onboard vehicle accident detection and damage estimation system and method of use
US20160189303A1 (en) * 2014-03-21 2016-06-30 Gil Emanuel Fuchs Risk Based Automotive Insurance Rating System
US20160047666A1 (en) * 2014-08-15 2016-02-18 Gil Emanuel Fuchs Determination and Display of Driving Risk

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN LAUGIER 等: "Probabilistic Analysis of Dynamic Scenes and Collision Risks Assessment to Improve Driving Safety", 《IEEE INTELLIGENT TRANSPORTATION SYSTEMS MAGAZINE》, vol. 3, no. 4, 27 October 2011 (2011-10-27), pages 4 - 19, XP055184312, DOI: 10.1109/MITS.2011.942779 *
汪明磊: "智能车辆自主导航中避障路径规划与跟踪控制研究", 《CNKI 学位》, vol. 2014, no. 04, 15 April 2014 (2014-04-15) *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110554964A (zh) * 2019-09-03 2019-12-10 大连海事大学 基于深度强化学习的Web服务众包测试任务分配方法
CN110554964B (zh) * 2019-09-03 2023-05-16 大连海事大学 基于深度强化学习的Web服务众包测试任务分配方法
CN112985825A (zh) * 2019-12-12 2021-06-18 百度（美国）有限责任公司 用于确定自动驾驶***的乘坐稳定性的方法
CN112541408A (zh) * 2020-11-30 2021-03-23 北京深睿博联科技有限责任公司 可行区域识别方法、装置、设备及计算机可读存储介质
CN113486128A (zh) * 2021-06-01 2021-10-08 中国人民财产保险股份有限公司 一种大灾黑点信息的展示方法、装置、设备及存储介质
CN115081508A (zh) * 2022-04-26 2022-09-20 同济大学 一种基于交通数字孪生的交通运行风险平行仿真***
CN115081508B (zh) * 2022-04-26 2024-04-16 同济大学 一种基于交通数字孪生的交通运行风险平行仿真***
CN115798239A (zh) * 2022-11-17 2023-03-14 长安大学 一种车辆运行道路区域类型辨识方法
CN115798239B (zh) * 2022-11-17 2023-09-22 长安大学 一种车辆运行道路区域类型辨识方法
CN118135798A (zh) * 2024-04-30 2024-06-04 贵州大学 基于物联网实现高速公路的车流量实时监控方法及***
CN118135798B (zh) * 2024-04-30 2024-07-12 贵州大学 基于物联网实现高速公路的车流量实时监控方法及***

Also Published As

Publication number Publication date
WO2018083352A1 (en) 2018-05-11
US20190325740A1 (en) 2019-10-24
CH714036B1 (de) 2020-03-31
EP3535727A1 (en) 2019-09-11
WO2018082784A1 (en) 2018-05-11
US10850731B2 (en) 2020-12-01
US11554776B2 (en) 2023-01-17
CN109952592B (zh) 2024-04-02
CH714036A1 (zh) 2018-05-11
US20190283745A1 (en) 2019-09-19
CN109923575B (zh) 2024-07-12
EP3535728A1 (en) 2019-09-11
CN109952592A (zh) 2019-06-28

Similar Documents

Publication Publication Date Title
CN109923575A (zh) 自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法
Wibisono et al. Traffic big data prediction and visualization using fast incremental model trees-drift detection (FIMT-DD)
Zheng et al. U-air: When urban air quality inference meets big data
Manley et al. Shortest path or anchor-based route choice: a large-scale empirical analysis of minicab routing in London
Qiao et al. Short-term travel time prediction considering the effects of weather
Mahmassani et al. Incorporating Weather Impacts in Traffic Estimation and Prediction Systems [Report]
CN110162582A (zh) 复杂地形下高速公路气象观测站智能选址***及应用方法
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
CN108648445A (zh) 基于交通大数据的动态交通态势预测方法
Jonnalagadda et al. Forecasting atmospheric visibility using auto regressive recurrent neural network
JP6460572B2 (ja) 生活圏設定支援装置、プログラム、および記憶媒体
Ozbay et al. Big data and the calibration and validation of traffic simulation models
Zhao et al. Exploring the impact of trip patterns on spatially aggregated crashes using floating vehicle trajectory data and graph Convolutional Networks
Xia Modelling the spatial-temporal movement of tourists
Motieyan et al. Quantifying walking capability: a novel aggregated index based on spatial perspective and analyses
Guo et al. A spatiotemporal deep learning approach for pedestrian crash risk prediction based on POI trip characteristics and pedestrian exposure intensity
Bandyopadhyay et al. GIS-based Analysis of Traffic Congestion in Midnapore Municipality
CN117473398B (zh) 一种基于运渣车活动的城市扬尘污染源分类方法
Hao et al. Evaluating environmental impact of traffic congestion in real time based on sparse mobile crowd-sourced data
CN112749825B (zh) 预测车辆的目的地的方法和装置
US20230408276A1 (en) Methods and apparatuses for late lane change prediction and mitigation
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
Mhana et al. Urbanization impact assessment on environment and transportation perspectives: Remote sensing-based approach application
Nalubega Development of a Floating Car Data (FCD) model to evaluate traffic congestion: a case of Kampala, Uganda
Yue Investigating the influence of streetscape environmental characteristics on pedestrian crashes at intersections using street view images and explainable machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: U. Negel

Inventor after: R. Venkat Swaran

Inventor after: P. Larkin

Inventor after: C. El Sasser

Inventor after: I. Shaziprolodnomo

Inventor before: U. Negel

Inventor before: R. Venkat Swaran

Inventor before: P. Larkin

Inventor before: C. El Sasser

CB03 Change of inventor or designer information
GR01 Patent grant