CN110717035A - 一种事故快速处理方法、***及计算机可读介质 - Google Patents
一种事故快速处理方法、***及计算机可读介质 Download PDFInfo
- Publication number
- CN110717035A CN110717035A CN201810754418.XA CN201810754418A CN110717035A CN 110717035 A CN110717035 A CN 110717035A CN 201810754418 A CN201810754418 A CN 201810754418A CN 110717035 A CN110717035 A CN 110717035A
- Authority
- CN
- China
- Prior art keywords
- accident
- incident
- determining
- category
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title description 4
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000011282 treatment Methods 0.000 claims description 41
- 238000013145 classification model Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011269 treatment regimen Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 2
- 230000015654 memory Effects 0.000 description 35
- 238000004891 communication Methods 0.000 description 19
- 206010039203 Road traffic accident Diseases 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 238000007635 classification algorithm Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000004048 modification Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010049976 Impatience Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000037466 short stature, oligodontia, dysmorphic facies, and motor delay Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请披露了一种事故快速处理方法、***及计算机可读介质,所述方法包括:获取当前事故的相关参数;处理器根据所述相关参数确定当前事故的处理模式。
Description
技术领域
本发明涉及一种事故快速处理方法和***。具体的,涉及一种基于多个相关参数确定处理模式的方法和***。
背景技术
目前随着网约车服务不断普及,驾驶网约车发生的交通事故的数量也不断提升。事故发生若不能有一个规范化的处置或者处置不及时,不仅影响公司的服务承诺,对伤亡人员的救治以及后续处理工作也会有很大的影响。因此,需要针对交通事故信息快速确定相应的事故处理流程,以快速处理各种交通事故。
发明内容
针对现有技术存在的问题,本申请一个实施例提出了一种事故快速处理方法,该方法能够针对交通事故自动、快速的确定相应的规范化事故处理流程。
本申请的一个方面涉及一种事故快速处理方法,包括:获取当前事故的相关参数;处理器根据所述相关参数确定当前事故的处理模式。
在一些实施例中,处理器根据所述相关参数确定当前事故的处理模式的步骤包括:根据所述相关参数确定事故的类别;根据事故的类别确定相应的事故处理模式;其中,每个事故类别对应至少一个事故处理模式。
在一些实施例中,所述根据所述相关参数确定事故的类别的步骤包括:基于所述相关参数及事故分类模型确定事故的类别。
在一些实施例中,所述事故分类模型根据历史事故的相关参数及其对应的历史事故类别训练获得。
在一些实施例中,所述根据所述相关参数确定事故的类别的步骤包括:基于所述相关参数及一组判别条件确定事故的类别。
在一些实施例中,所述处理器根据所述相关参数确定当前事故的处理模式的步骤包括:根据所述相关参数及事故处理模型确定当前事故的处理模式。
在一些实施例中,所述事故处理模型根据历史事故的相关参数及其对应的事故处理模式训练获得。
在一些实施例中,所述事故处理模式包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。
在一些实施例中,所述相关参数包括以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。
在一些实施例中,所述车辆信息包括以下特征中的至少一种:车辆类型、乘车人数、车辆服役时间长度或车辆性能状态。
在一些实施例中,所述事故细节包括以下特征中的至少一种:事故类型、是否有人员死亡、公共设施撞毁程度、车辆撞毁程度、事故发生地类型、事故发生时间或事故影响范围等级。
在一些实施例中,所述环境信息包括以下特征中的至少一种:天气情况、光照情况或道路状况。
在一些实施例中,所述司机信息包括以下特征中的至少一种:司机驾龄、司机性格类型、事故发生时司机身体状态。
本申请的又一方面涉及一种事故快速处理***,其特征在于,包括:获取模块,用于获取当前事故的相关参数;处理模块,用于根据所述相关参数确定当前事故的处理模式。
本申请的另一个方面涉及一种事故快速处理装置,包括处理器,所述处理器执行所述事故快速处理方法。
本申请的另一个方面涉及一种计算机可读存储介质,所述存储介质存储计算机指令,所述计算机指令被计算机读取后执行所述事故快速处理方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构和操作。
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。
图1是根据本申请的一些实施例所示的一种交通事故管理***示意图;
图2是根据本申请的一些实施例所示的一种计算机设备配置示意图;
图3是根据本申请的一些实施例所示的一种移动设备示意图;
图4是根据本申请的一些实施例所示的一种事故快速处理方法示意图;
图5是根据本申请的一些实施例所示的一种处理器根据当前事故相关参数确定当前事故处理模式的方法示意图;
图6是根据本申请的一些实施例所示的一种事故快速处理***示意图。
图7是根据本申请的一些实施例所示的处理器基于当前事故相关参数确定当前事故处理模式的方法示意图;以及
图8是根据本申请的一些实施例所示的一种事故快速处理***示意图。
具体实施方式
在下面的详细描述中,通过示例阐述了本申请的许多具体细节,以便提供对相关披露的透彻理解。然而,对于本领域的普通技术人员来讲,本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是,本申请中使用“***”、“装置”、“单元”和/或“模块”术语,是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而,如果其他表达式可以实现相同的目的,这些术语可以被其他表达式替换。
应当理解的是,当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时,其可以直接在另一设备、单元或模块上,连接或耦合到或与其他设备、单元或模块通信,或者可以存在中间设备、单元或模块,除非上下文明确提示例外情形。例如,本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本申请所用术语仅为了描述特定实施例,而非限制本申请范围。如本申请说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件,而该类表述并不构成一个排它性的罗列,其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图,本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解,其中说明和附图形成了说明书的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限定本申请的保护范围。可以理解的是,附图并非按比例绘制。
此外,本申请仅描述了与步长估计模型确定方法和***,可以理解的是,本申请中的描述仅仅是一个实施例。
本申请中的术语“用户设备”或“智能设备”或“移动终端”可以指可以用于请求服务、订购服务或促进服务的提供的工具。
本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是,前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。
本申请描述了交通事故管理***100。如图1所示,交通事故管理***100可以包括服务器110、网络120、用户设备130和数据库140。
在一些实施例中,服务器110接收用户设备130,包括乘客端设备、司机端设备和/或其他用户端设备,上传的事故相关数据,或者服务器110从数据库140中提取事故相关数据,并对所述事故相关数据进行处理,从而自动、快速确定事故类型和/或事故对应的处理模式或流程。服务器110可以是单个服务器,也可以是一个服务器群组。一个服务器群组可以是集中式的,例如数据中心。一个服务器群组也可以是分布式的,例如一个分布式***。服务器110可以是本地的,也可以是远程的。服务器110可以直接访问或存取储存在数据库140的数据信息,也可以直接通过网络120访问用户设备130的信息,或者接收用户设备130发送的信息。在一些实施例中,服务器110可以包括存储装置或存储模块。
网络120可以是单个网络,或多个不同网络的组合。例如,网络120可以是一个局域网(local area network(LAN))、广域网(wide area network(WAN))、公用网络、私人网络、专有网络、公共交换电话网(public switched telephone network(PSTN))、互联网、无线网络、虚拟网络、城域网络、电话网络等,或几种的组合。网络120可以包括多个网络接入点,例如,有线接入点、无线接入点、基站、互联网交换点等在内的有线或无线接入点。通过这些接入点,数据源可以接入网络120并通过网络120发送数据信息。在一些实施例中,网络120可以分为无线网络(蓝牙、wireless local area network(WLAN、Wi-Fi、WiMax等)、移动网络(2G、3G、4G信号等)、或其他连接方式(虚拟专用网络(virtual private network,VPN)、共享网络、近场通信(near field communication,NFC)、ZigBee等)。在一些实施例中,网络120可以用于交通事故管理***100的通信。例如,网络120接收交通事故管理***100内部或外部的信息,向交通事故管理***100内部其他部分或外部发送信息。在一些实施例中,服务器110、用户设备130和数据库140之间可以通过有线连接、无线连接、或二者结合的方式接入网络120。
用户设备130可以是司机端设备,也可以是乘客端设备,还可以是路人所使用的终端设备。在一些实施例中,司机通过所述司机端设备接收服务器110发送的乘客打车请求并选择是否接受订单。在一些实施例中,当司机在一个订单过程中(例如,从当前位置前往乘客出发地或从乘客出发地前往目的地),发生事故后,司机可以通过司机端设备向服务器110发送当前事故的信息。在又一些实施例中,乘客可以通过所述乘客端设备发送打车请求或拼车请求,在事故发生后,乘客还可以通过所述乘客端设备采集事故现场信息,例如图像数据,向服务器110发送当前事故信息。在其他一些实施例中,在事故发生后,路人也可以通过其终端设备发送采集事故现场信息,例如图像数据,并向服务器110发送当前事故信息。所述当前事故的信息可以是通知平台发生事故、当前事故的相关参数等。在一些实施例中,所述司机端设备可以是智能设备。所述智能设备可以是手机130-1、平板电脑130-2或笔记本电脑130-3等中的一种或几种的组合。所述智能设备130可以包括智能家庭设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等中的一种或多种的组合。在一些实施例中,所述智能家用设备可以包括智能照明装置、智能电器控制装置、智能监控装置、智能电视、智能摄像机、对讲机等中的一种或多种的组合。在一些实施例中,所述可穿戴设备可以包括手环、鞋袜、眼镜、头盔、手表、服装、背包、智能配件等一种或多种的组合。在一些实施例中,所述移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机等中的一种或多种的组合。在一些实施例中,所述虚拟现实设备和/或所述增强现实装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等中的一种或多种的组合。例如,所述虚拟现实设备和/或所述增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、GearVRTM等。
数据库140可以泛指具有存储功能的设备。数据库140可以存储服务器110或用户设备130收集的数据(例如,服务器110接收到的用户设备130的信息)。数据库140可以是本地的,或远程的。数据库140可以包括层次式数据库、网络式数据库和关系式数据库等,或几种的组合。数据库140可以将信息数字化后再以利用电、磁或光学等方式的存储设备加以存储。数据库140可以用来存放各种信息,例如,程序、数据等。数据库140可以是利用电能方式存储信息的设备,例如,各种存储器、随机存取存储器(Random Access Memory(RAM))、只读存储器(Read Only Memory(ROM))等。随机存储器可以包括十进计数管、选数管、延迟线存储器、威廉姆斯管、动态随机存储器(DRAM)、静态随机存储器(SRAM)、晶闸管随机存储器(T-RAM)、零电容随机存储器(Z-RAM)等,或几种的组合。只读存储器可以包括磁泡存储器、磁钮线存储器、薄膜存储器、磁镀线存储器、磁芯内存、磁鼓存储器、光盘驱动器、硬盘、磁带、非易失存储器(NVRAM)、相变化内存、磁阻式随机存储式内存、铁电随机存储内存、非易失SRAM、闪存、电子抹除式可复写只读存储器、可擦除可编程只读存储器、可编程只读存储器、屏蔽式堆读内存、浮动连接门随机存取存储器、纳米随机存储器、赛道内存、可变电阻式内存、可编程金属化单元等,或几种的组合。数据库140可以是利用磁能方式存储信息的设备,例如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘、闪存等。数据库140可以是利用光学方式存储信息的设备,例如,CD或DVD等。数据库140可以是利用磁光方式存储信息的设备,例如,磁光盘等。数据库140的存取方式可以是随机存储、串行访问存储、只读存储等,或几种的组合。数据库140可以包括非永久记忆存储器,永久记忆存储器,或二者的组合。在一些实施例中,数据库140可以存储在线地图或离线地图。所述在线地图可以被实时地更新。
图2是根据本申请的一些实施例所示的计算机设备配置示意图。计算机200可以被用于实现实施本申请中披露的特定方法和装置。本实施例中的特定装置利用功能框图展示了一个包含显示模块的硬件平台。在一些实施例中,计算机200可以实施本申请中所描述的服务器110的一个或多个模块和单元。在一些实施例中,服务器110可以被计算机200通过其硬件设备、软件程序、固件以及它们的组合所实现。在一些实施例中,计算机200可以是一个通用目的的计算机,或一个有特定目的的计算机。
如图2所示,计算机200可以包括内部通信总线210,处理器220,只读存储器(ROM)230,随机存取存储器(RAM)240,通信端口250,输入/输出组件260,硬盘270,以及显示器280。内部通信总线210可以实现计算机200组件间的数据通信。处理器220可以进行判断和发出提示。在一些实施例中,处理器220可以由一个或多个处理器组成。通信端口250可以实现计算机200与交通事故管理***100中的其他部件(例如,用户设备130和数据库140)之间数据通信。在一些实施例中,计算机200可以通过通信端口250从网络130发送和接受信息及数据。输入/输出组件260支持计算机200与交通事故管理***100的其他组件(例如,用户设备130和数据库120)之间的输入/输出数据流。显示器280可以用于显示计算机200处理产生的信息。计算机200还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘270,只读存储器(ROM)230,随机存取存储器(RAM)240,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器220所执行的可能的程序指令。
数据总线210可以用于传输数据信息。在一些实施例中,处理设备130内各硬件之间可以通过所述数据总线210进行数据的传输。例如,处理器220可以通过所述数据总线210将数据发送到存储器或输入/输出端口260等其它硬件中。需要注意的是,所述数据可以是真正的数据,也可以是指令代码、状态信息或控制信息。在一些实施例中,数据总线210可以为工业标准(ISA)总线、扩展工业标准(EISA)总线、视频电子标准(VESA)总线、外部部件互联标准(PCI)总线等。
处理器220可以用于逻辑运算、数据处理和指令生成。在一些实施例中,处理器220可以从内部存储器中获取数据/指令,所述内部存储器可以包括只读存储器(ROM)、随机存储器(RAM)、高速缓冲存储器(Cache)(在图中未示出)等。在一些实施例中,处理器220可以包括多个子处理器,所述子处理器可以用于实现***的不同功能。
在一些实施例中,只读存储器可以包括可编程只读存储器(PROM)、可编程可擦除只读存储器(EPROM)等。随机存储器240用于存放操作***、各种应用程序、数据等。在一些实施例中,随机存储器240可以包括静态随机存储器(SRAM)、动态随机存储器(DRAM)等。
通信端口250用于连接操作***与外部网络,实现它们之间的通信交流。在一些实施例中,通信端口250可以包括FTP端口、HTTP端口或DNS端口等。输入/输出端口260用于外部设备或电路与处理器210之间进行数据、信息的交换和控制。在一些实施例中,输入/输出端口260可以包括USB端口、PCI端口、IDE端口等。
硬盘270用于存储服务器110所产生的或从服务器110所接收到的信息及数据。在一些实施例中,硬盘270可以包括机械硬盘(HDD)、固态硬盘(SSD)或混合硬盘(HHD)等。显示器280用于显示交通事故管理***100生成的信息、数据等。在一些实施例中,显示器280可以包括一个物理显示器,如带扬声器的显示器、LCD显示器、LED显示器、OLED显示器、电子墨水显示器(E-Ink)等。
图3是根据本申请的一些实施例所示的一种移动设备示意图。在一些实施例中,移动设备300可以实施本申请中所描述的用户设备130的一个或多个模块和单元。如图3所示,所述移动设备300可以包括通信平台310、显示器320、图形处理器(GPU)330、中央处理器(CPU)340、输入/输出接口350、内存360、存储器390。在一些实施例中,操作***370(如,iOS,Android,Windows Phone等)和一个或多个应用程序380可以从存储器390加载到内存360中,以便由CPU 340执行。
图4是根据本申请的一些实施例所示的一种事故快速处理方法示意图。在一些实施例中,所述事故快速处理方法由服务器110或计算机200执行。
在一些实施例中,发生交通事故或意外事故(例如,追尾、擦碰等)时,用户设备130可将当前事故的信息实时地发送给服务器110。服务器接收到司机端发送的事故信息后,对事故进行处理。
在402中,获取当前事故的相关参数。在一些实施例中,服务器110可以通过网络120访问数据库140获取车辆信息相关参数。在其他实施例中,服务器也可以通过网络120和用户设备130直接通讯获取用户设备130通过其内置的GPS定位***、传感器感测到的当前事故发生地点、周边环境的相关参数、通过网络120以及基于地图信息、通过一个或多个处理装置等多种方式获取当前事故引起的人员伤亡情况、公共设施损毁程度等相关参数。在一些实施例中,所述事故可以包括交通事故、抢劫事故等。所述当前事故的相关参数可以是以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。
所述车辆信息包括以下特征中的至少一种:车辆类型、乘车人数、车辆服役时间长度或车辆性能状态。例如,服务器110可以通过网络120访问数据库140获取司机在***注册时的车辆类型。所述车辆类型可以是表征车辆型号,例如大众Tiguan 1.4T、大众Touareg2、别克SGM7240ATA等,一般来说,明确了车辆型号可以获得车辆生产商信息、车辆体积等信息。在其他实施例中,所述车辆类型还可以是直接表征车辆容量的类型,例如5座轿车、7座轿车、中型货车等。所述乘车人数可以是乘客的人数或乘客与司机的总人数。例如,服务器110可以从打车订单的信息中获取乘客的人数或乘客与司机的总人数。所述车辆服役时间可以是车辆出厂日距今的时间、车辆购买日距今的时间或车辆被司机注册用于网约车服务日期距今的时间。例如,服务器110可以通过网络120访问数据库140获取司机在***注册时的车辆信息,进一步确定车辆服役时间等信息。所述车辆性能状态可以是车辆在当前事故发生前各个零部件的性能状态,例如发动机的状态、车胎胎压、车胎磨损程度等,还可以包含车辆历史保养、维修情况,例如,上次保养距今时间(例如,半年或3个月等)、上次维修更换部件(例如,车胎、保险杠等)等。在其他一些实施例中,车辆性能状态还可以是根据前述信息的一个加权评估分,或根据前述信息得出的等级,如优良、较好、中等、较差、差等。
在一些实施例中,所述事故细节可以包括以下特征中的至少一种:事故类型、是否有人员死亡、公共设施撞毁程度、车辆撞毁程度、事故发生地类型、事故发生时间或事故影响范围等级。所述事故类型可以是擦碰、追尾、正面碰撞等中的至少一种。在一些实施例中,使用等级来描述公共设施、车辆撞毁程度以及事故影响范围等级。所述是否有人员死亡、公共设施撞毁程度、车辆撞毁程度、事故影响范围等级可以表征事故的严重程度。例如,发生在高速公路上的交通事故,如果未对高速公路相关的公共设施造成损伤,则记录公共设施撞毁程度为0级;如果将高速公路的防护栏或绿化带有小面积损伤,则记录公共设施撞毁程度为1级,如果将高速公路的防护栏或绿化带中等面积损伤,则记录公共设施撞毁程度为2级,以此类推。在又一些实施例中,可以设置不同大小的面积阈值,以便于公共设施撞毁程度的确定。在一些实施例中,可以设置相应的面积阈值,判断车辆的撞毁程度。例如,车辆受损面积小于10平方厘米时,确定车辆撞毁程度为轻度;车辆受损面积大于10平方厘米且小于30平方厘米时,确定车辆撞毁程度为中度;车辆受损面大于30平方厘米时,确定车辆撞毁程度为重度。在又一些实施例中,还可以根据车辆受损的部件来确定车辆的撞毁程度。例如,当车辆发动机损坏时,直接确定车辆撞毁程度为重度。在一些实施例中,所述事故影响范围等级可以是事故造成的舆论影响、对事故的关注度等。例如,所述舆论影响可以是关注当前事故的媒体数,还可以是相关导报的网络点击率等。在一些实施例中,所述事故发生地类型可以是市区繁华路段、市区居民区、郊区田间道路、山路、高架桥、环岛、隧道、高速公路等。在一些实施例中,事故发生时间可以是早高峰、晚高峰、上午(非早高峰)、下午(非晚高峰)、晚上(非晚高峰)等,也可以是具体的时间。
在一些实施例中,所述环境信息可以包括以下特征中的至少一种:天气情况、光照情况或道路状况。所述天气情况可以是晴朗、多云、有雾、小雨、雪、冰雹、雷雨等。例如,服务器110可以通过用户设备130内置的GPS定位***获取事故发生地的当前位置,进一步地,服务器110可以通过网络120获取当前位置周围的环境信息。所述光照情况可以是光线充足、光线昏暗等属性。例如,服务器110可以通过当前时间获取事故发生地的光照情况。又例如,用户设备130(例如,手机)的内置传感器(例如,光敏元件)可以获取周围的光学数据,进一步地,服务器110可以通过网络120获取该光学数据并进一步分析出事故发生地的光照情况。所述道路状况可以包括事故发生地的地形,例如上坡、下坡、涉水路面等,还可以包括路况信息,例如街道拥堵、街道狭小、修路等等表征道路情况的属性。例如,服务器110可以通过用户设备130内置的GPS定位***可以获取当前位置,进一步地,服务器110可以通过网络120以及地图信息获取事故发生地周围的道路状况。
所述司机信息包括以下特征中的至少一种:司机驾龄、司机性格类型、事故发生时司机身体状态。司机性格类型可以通过历史数据,例如用户评价,进行判断。在有些实施例中,还可以使用反映司机性格的历史数据,例如交通违规情况、平均驾驶速度、用户评价等,训练性格识别模型,使用训练好的性格识别模型对当前事故的司机性格进行评估或识别。在一些实施例中,司机的性格类型可以是急躁、耐心等等。例如,服务器110可以通过网络120访问数据库140获取乘客对司机的评价等历史信息确定司机的性格类型。所述司机身体状态可以是司机的健康情况、司机的清醒情况(是否酒驾、是否***、是否疲劳驾驶等)。例如,服务器110可以通过网络120以及车辆行驶过程中记录的相关数据获取事故发生时司机身体状态(例如,是否疲劳驾驶)。在一些实施例中,所述司机信息还包括司机的注册信息(年龄、性别等)等。例如,服务器110可以通过网络120访问数据库140获取司机在***注册时的司机信息。
在404中,处理器根据所述相关参数确定当前事故的处理模式。所述处理器的功能可以由服务器110或计算机200中的一个或多个模块实现。所述事故的处理模式可以包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。在一些实施例中,可以为不同的事故种类或事故严重程度配备不同级别的受理人员。例如,当事故种类为擦碰时,处理器可以为事故分配处理小型事故的处理人员。又例如,当事故种类为严重碰撞且有人员死亡时,处理器可以为事故分配具有专门处理大型事故经验或能力的处理人员。在一些实施例中,不同的事故的相关参数可能对应不同的事故处理时间周期或事故处理响应时间。在一些实施例中,可以基于当前事故的相关参数确定处理人员是否需要到现场。例如,当前事故的严重程度较严重或事故的责任判定较难时,处理器可以确定处理人员需要到现场勘验。在一些实施例中,事故处理时间周期是指处理完整个事故的时间,例如三个工作日、五个工作日、十五个工作日等。事故处理响应时间是指事故处理流程的开始时间或开始时间范围,例如事故发生后一个小时内、事故发生后一个工作日内。
以上对事故快速处理方法的描述仅仅是具体的示例,不应被视为是唯一可行的实施方案。显然,对于本领域的专业人员来说,在了解事故流程的基本处理方法后,可能在不背离这一原理的情况下,对规范化事故处理流程的具体方式进行形式和细节上的各种修正和改变,但是这些修正和改变仍在以上描述的范围之内。例如,对于本领域的专业人员来说,在步骤中所描述的获取、提取、确定等任一操作可以由一个模块执行或多个模块共同执行,只要所述执行装置或机构能够实现图4中所述的目的即可。
图5是根据本申请的一些实施例所示的一种处理器根据当前事故相关参数确定当前事故处理模式的方法示意图。在一些实施例中,所述根据当前事故相关参数确定当前事故处理模式的方法由服务器110或计算机200执行。
在502中,首先根据所述相关参数确定事故的类别。所述事故的类别可以是表征不同的处理模式的类别,例如:轻度事故、一般事故、重度事故以及特大事故,也可以是根据其他维度进行分类后的类别。一个或多个类别的事故对应一种处理模式。所述相关参数可以是在402中获取的当前事故的相关参数。
在一些实施例中,所述根据相关参数确定事故的类别可以是基于所述相关参数及事故分类模型确定事故的类别。特别地,所述事故分类模型可以基于历史事故的相关参数及其对应的历史事故类别训练获得。例如,将多个历史事故的相关参数和所述多个历史事故对应的事故类别作为训练样本输入到学习模型,训练所述学习模型,获得事故分类模型。所述学习模型可以是支持向量机SVM、贝叶斯分类器、决策树等分类模型,也可以是线性回归模型等。所述历史事故可以是一定时间段内的历史事故。例如,距今一周内、一个月内、两个月内等。又例如,距今三个月至距今两个月区间内的历史事故。在一些实施例中,所述历史事故的相关参数可以是以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。关于相关参数的具体描述见图4及相应描述。当事故分类模型训练好后,将当前事故的相关参数输入到所述事故分类模型,可以确定当前事故的事故类别。
在504中,根据事故的类别确定相应的事故处理模式。在一些实施例中,预先设置每一类事故对应的一个事故处理模式。当判断出事故的类别后就能确定相应的事故处理模式。所述事故的处理模式可以包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。不同的事故类别对应不同的处理模式。例如,如果当前事故的类别在502中被确定为轻度事故时,受理人员级别可以选择为3级,事故处理时间周期可以选择1个工作日,事故处理响应时间可以选择为事故发生后30分钟内;受理人员是否到现场勘验可以选择为不到现场勘验。又例如,如果当前事故的类别在502中被确定为重度事故时,受理人员级别可以选择为1级,事故处理时间周期可以选择15个工作日,事故处理响应时间可以选择为事故发生后10分钟内;受理人员是否到现场勘验选择为必须到现场勘验。一般来说,事故严重程度越高,选择的受理人员级别越高,事故处理响应时间越短,事故处理时间周期越长。
值得说明的是,图5中关于基于相关参数和事故分类模型确定事故类别的描述仅是确定事故类别的一种实施例。在其他一些实施例中,所述根据相关参数确定事故的类别可以是根据一组判别条件以及当前事故的相关参数确定事故类别。例如,当有人员死亡,则不管其余的事故相关参数如何,直接将当前事故的类别判别为重度事故。又例如,当没有人员死亡,也没有车辆和公共设施毁伤时,可将当前事故的类别判别为轻度事故。
在又一些实施例中,所述一组判别条件可以是基于历史事故的处理的相关经验确定的一组判别条件。
图6是根据本申请的一些实施例所示的一种事故快速处理***示意图。如图6所示,事故快速处理***600包括获取模块610和处理模块620。在一些实施例中,所述处理模块620可以包括事故分类单元621和类别-模式映射单元622。
获取模块610用于获取当前事故的相关参数。所述相关参数包括以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。在一些实施例中,所述获取模块610也可以获取历史事故的相关参数及其对应的事故类别。所述事故相关参数的描述可以参见步骤402的相关说明,在此不再赘述。
处理模块620用于根据所述相关参数确定当前事故的处理模式。所述事故的处理模式可以包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。在一些实施例中,可以为不同的事故种类或事故严重程度配备不同级别的受理人员。例如,当事故种类为擦碰时,处理器可以为事故分配处理小型事故的处理人员。又例如,当事故种类为严重碰撞且有人员死亡时,处理器可以为事故分配具有专门处理大型事故经验或能力的处理人员。在一些实施例中,不同的事故的相关参数可能对应不同的事故处理时间周期或事故处理响应时间。在一些实施例中,可以基于当前事故的相关参数确定处理人员是否需要到现场。例如,当前事故的严重程度较严重或事故的责任判定较难时,处理器可以确定处理人员需要到现场勘验。在一些实施例中,事故处理时间周期是指处理完整个事故的时间,例如三个工作日、五个工作日、十五个工作日等。事故处理响应时间是指事故处理流程的开始时间或开始时间范围,例如事故发生后一个小时内、事故发生后一个工作日内。基于当前事故的相关参数确定处理模式的详情见事故分类单元621及其描述和类别-模式映射单元622及其描述。
在一些实施例中,事故分类单元621接收获取模块610获取的当前事故的相关参数。所述事故分类模块单元621用于根据所述当前事故的相关参数确定事故的类别。所述事故的类别可以是表征不同的处理模式的类别,也可以是根据其他维度进行分类后的类别。一个或多个类别的事故对应一种处理模式。所述相关参数可以是在402中获取的当前事故的相关参数。
在一些实施例中,事故分类单元621根据当前事故的相关参数确定事故的类别可以是基于所述当前事故的相关参数及事故分类模型确定事故的类别。特别地,所述事故分类模型可以基于历史事故的相关参数及其对应的历史事故类别训练获得。例如,接收获取模块610获取的多个历史事故的相关参数及其对应的事故类别,将多个历史事故的相关参数和所述多个历史事故对应的事故类别作为训练样本输入到学习模型,训练所述学习模型,获得事故分类模型。所述学习模型可以是支持向量机SVM、贝叶斯分类器、决策树等分类模型,也可以是线性回归模型等。所述历史事故可以是一定时间段内的历史事故。例如,距今一周内、一个月内、两个月内等。又例如,距今三个月至距今两个月区间内的历史事故。在一些实施例中,所述历史事故的相关参数可以是以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。关于相关参数的具体描述见步骤402中的相应描述。当事故分类模型训练好后,将当前的事故相关参数输入到所述事故分类模型,可以确定当前事故的事故类别。
类别-模式映射单元622用于根据事故类别确定相应的事故处理模式;其中,可以预先设置每个事故类别对应的一个事故处理模式。在一些实施例中,所述事故处理模式包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。不同的事故类别对应不同的处理模式。例如,如果当前事故的类别在621中被确定为轻微擦碰事故时,受理人员级别可以选择为3级,事故处理时间周期可以选择1个工作日,事故处理响应时间可以选择为事故发生后30分钟内;受理人员是否到现场勘验可以选择为不到现场勘验。
值得说明的是,事故分类单元621中关于基于相关参数和事故分类模型确定事故类别的描述仅是确定事故类别的一种实施例。在其他一些实施例中,事故分类单元621根据相关参数确定事故的类别可以是根据一组判别条件以及当前事故的相关参数确定事故类别。例如,当有人员死亡,事故分类单元621直接将当前事故的类别判别为重度事故。又例如,当双方车速均较低时,事故分类单元621直接将当前事故的类别判别为轻度事故。
在一些实施例中,所述一组判别条件可以是基于历史事故处理经验获得的判别条件。
如图4、图5和图6中所述,确定当前事故的处理模式的步骤包括:确定当前事故的类别;基于当前事故的类别确定当前事故的处理模式。在其他一些实施例中,可以基于当前事故的相关参数直接确定当前事故的处理模式。图7是根据本申请的一些实施例所示的处理器基于当前事故相关参数确定当前事故处理模式的方法示意图。在一些实施例中,所述基于当前事故相关参数确定当前事故处理模式的方法由服务器110或计算机200执行。
在702中,获取历史事故的相关参数及其对应的处理模式。例如,服务器110可以通过网络120访问数据库140调取历史事故的相关参数及其对应的处理模式。所述历史事故可以是一定时间段内的历史事故。例如,距今一周内、一个月内、两个月内等。又例如,距今三个月至距今两个月区间内的历史事故。在一些实施例中,所述历史事故的相关参数可以是以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。历史事故的处理模式可以包括以下信息中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。所述相关参数的具体细节见步骤402及其相应描述。所述处理模式的具体细节可参见步骤404及其相应描述。
在704中,基于历史事故的相关参数及其对应的处理模式,确定事故处理模型。例如,将多个历史事故的相关参数和所述多个历史事故对应的处理模式作为训练样本输入到学习模型,训练所述学习模型,获得事故处理模型。所述学习模型可以是一种分类算法模型。所述分类算法可以是决策树分类算法、贝叶斯分类算法、K-近邻算法、基于数据库技术的分类算法、基于关联规则的分类、支持向量机的分类、基于软计算的分类算法、集成学习、其他算法(例如Large Bayes算法、CAEP(classification by aggregating emergingpatterns)算法)等中的至少一种。所述基于数据库技术的分类算法可以包括MIND算法、GAC-RDB算法等。所述基于关联规则的算法可以包括Aprior算法等。所述基于软计算的分类算法可以包括粗糙集(rough set)、遗传算法、模糊逻辑、人工神经网络算法(ArtificialNeural Networks,ANN)等。所述人工神经网络算法包括BP神经网络分类算法、RBF神经网络算法、SOFM神经网络算法、学习矢量化(LVQ)神经网络算法等。
在706中,获取当前事故的相关参数。所述相关参数的具体细节见步骤402及其相应描述。
在708中,基于当前事故的相关参数和事故处理模型,确定当前事故的处理模式。具体地,将当前事故的相关参数输入到事先训练好的事故处理模型,确定当前事故的处理模式。在一些实施例中,所述事故处理模式包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。
值得说明的是,图7中关于基于相关参数确定处理模式的描述仅是一种实施例。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,均应包含在本申请的保护范围之内。例如,如果事故处理模型已经事先训练完成,则可以省掉步骤702及步骤704。也就是说,在其他一些实施例中,图7中的方法包括的步骤及其实施顺序还可以是706-708。
图8是根据本申请的一些实施例所示的一种事故快速处理***示意图。如图8所示,事故快速处理***800包括获取模块810和处理模块820。在一些实施例中,所述处理模块820可以包括训练单元821和处理模式确定单元822。
获取模块810用于获取历史事故的相关参数及其对应的处理模式。所述相关参数包括以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。在一些实施例中,所述获取模块820也可以用于获取当前事故的相关参数。所述相关参数的具体细节见步骤402及其相应描述。
处理模块820用于根据获取模块810获取的信息,确定当前事故的处理模式。获取模块810获取的信息包括历史事故的相关参数及其对应的处理模式,和当前事故的相关参数。所述事故的处理模式可以包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。在一些实施例中,不同的当前事故相关参数可以对应不同的事故处理模式。例如,可以根据当前事故的不同的相关参数,分配不同级别的受理人员,设定不同的事故处理时间周期,设定不同的事故处理响应时间等。又例如,可以根据当前事故的不同的相关参数,确定是否需要受理人员到现场勘验。在一些实施例中,事故处理时间周期是指处理完整个事故的时间,例如三个工作日、五个工作日、十五个工作日等。事故处理响应时间是指事故处理流程的开始时间或开始时间范围,例如事故发生后一个小时内、事故发生后一个工作日内。基于当前事故的相关参数确定处理模式的详情见训练单元821及其描述和处理模式确定单元822及其描述。
在一些实施例中,训练单元821接收获取单元810获取的历史事故相关参数及其对应的处理模式。所述训练单元821用于将所述多个历史事故的相关参数和所述多个历史事故对应的处理模式作为训练样本输入到学习模型,训练所述学习模型,获得事故处理模型。
在一些实施例中,处理模式确定单元822接收所述获取模块810获取的当前事故的相关参数和训练单元821训练好的事故处理模型。所述处理模式确定单元822用于基于所述当前事故的相关参数和事故处理模型,确定当前事故的处理模式。具体地,将当前事故的相关参数输入到所述事故处理模型,确定当前事故的处理模式。
本申请实施例可能带来的有益效果包括但不限于:(1)基于当前事故的相关参数,确定当前事故所属类别,进而确定当前事故所属类别对应的处理模式,使得事故处理迅速、便捷;(2)基于历史事故的相关参数,确定事故处理模型,基于事故处理模型确定当前事故所属类别;能够为当前事故确定更合适的处理模式。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
以上概述了的方法的不同方面和/或通过程序实现其他步骤的方法。技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,是通过计算机可读的介质所参与或实现的。有形的、永久的储存介质包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何时间能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例如:从按需服务***的一个管理服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现***的计算机环境,或与提供按需服务所需要的信息相关的类似功能的***。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
因此,一个计算机可读的介质可能有多种形式,包括但不限于,有形的存储介质,载波介质或物理传输介质。稳定的储存介质包括:光盘或磁盘,以及其他计算机或类似设备中使用的,能够实现图中所描述的***组件的存储***。不稳定的存储介质包括动态内存,例如计算机平台的主内存。有形的传输介质包括同轴电缆、铜电缆以及光纤,包括计算机***内部形成总线的线路。载波传输介质可以传递电信号、电磁信号,声波信号或光波信号,这些信号可以由无线电频率或红外数据通信的方法所产生的。通常的计算机可读介质包括硬盘、软盘、磁带、任何其他磁性介质;CD-ROM、DVD、DVD-ROM、任何其他光学介质;穿孔卡、任何其他包含小孔模式的物理存储介质;RAM、PROM、EPROM、FLASH-EPROM,任何其他存储器片或磁带;传输数据或指令的载波、电缆或传输载波的连接装置、任何其他可以利用计算机读取的程序代码和/或数据。这些计算机可读介质的形式中,会有很多种出现在处理器在执行指令、传递一个或更多结果的过程之中。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,例如,局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
本领域技术人员能够理解,本申请所披露的内容可以出现多种变型和改进。例如,以上所描述的不同***组件都是通过硬件设备所实现的,但是也可能只通过软件的解决方案得以实现。例如:在现有的服务器上安装***。此外,这里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件的组合或硬件/固件/软件的组合得以实现。
以上内容描述了本申请和/或一些其他的示例。根据上述内容,本申请还可以作出不同的变形。本申请披露的主题能够以不同的形式和例子所实现,并且本申请可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、修饰以及改变都属于本申请的范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述属性、数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档、物件等,特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不限于本申请明确介绍和描述的实施例。
Claims (28)
1.一种事故快速处理方法,其特征在于,包括:
获取当前事故的相关参数;
处理器根据所述相关参数确定当前事故的处理模式。
2.根据权利要求1所述的方法,其特征在于,所述处理器根据所述相关参数确定当前事故的处理模式的步骤包括:
根据所述相关参数确定事故的类别;
根据事故的类别确定相应的事故处理模式;其中,
每个事故类别对应至少一个事故处理模式。
3.根据权利要求2所述的方法,其特征在于,所述根据所述相关参数确定事故的类别的步骤包括:
基于所述相关参数及事故分类模型确定事故的类别。
4.根据权利要求3所述的方法,其特征在于,所述事故分类模型根据历史事故的相关参数及其对应的历史事故类别训练获得。
5.根据权利要求2所述的方法,其特征在于,所述根据所述相关参数确定事故的类别的步骤包括:
基于所述相关参数及一组判别条件确定事故的类别。
6.根据权利要求1所述的方法,其特征在于,处理器根据所述相关参数确定当前事故的处理模式的步骤包括:
根据所述相关参数及事故处理模型确定当前事故的处理模式。
7.根据权利要求6所述的方法,其特征在于,所述事故处理模型根据历史事故的相关参数及其对应的事故处理模式训练获得。
8.根据权利要求1所述的方法,其特征在于,所述事故处理模式包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。
9.根据权利要求1所述的方法,其特征在于,所述相关参数包括以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。
10.根据权利要求9所述的方法,其特征在于,所述车辆信息包括以下特征中的至少一种:车辆类型、乘车人数、车辆服役时间长度或车辆性能状态。
11.根据权利要求9所述的方法,其特征在于,所述事故细节包括以下特征中的至少一种:事故类型、是否有人员死亡、公共设施撞毁程度、车辆撞毁程度、事故发生地类型、事故发生时间或事故影响范围等级。
12.根据权利要求9所述的方法,其特征在于,所述环境信息包括以下特征中的至少一种:天气情况、光照情况或道路状况。
13.根据权利要求9所述的方法,其特征在于,所述司机信息包括以下特征中的至少一种:司机驾龄、司机性格类型、事故发生时司机身体状态。
14.一种事故快速处理***,其特征在于,包括:
获取模块,用于获取当前事故的相关参数;
处理模块,用于根据所述相关参数确定当前事故的处理模式。
15.根据权利要求14所述的***,其特征在于,所述处理模块还包括:
事故分类模块,用于根据所述相关参数确定事故的类别;
类别-模式映射模块,用于根据事故类别确定相应的事故处理模式;其中,
每个事故类别对应至少一个事故处理模式。
16.根据权利要求15所述的***,其特征在于,所述事故分类模块还用于:
基于所述相关参数及事故分类模型确定事故的类别。
17.根据权利要求16所述的***,其特征在于,所述事故分类模型根据历史事故的相关参数及其对应的历史事故类别训练获得。
18.根据权利要求15所述的***,其特征在于,所述事故分类模块还用于:
基于所述相关参数及一组判别条件确定事故的类别。
19.根据权利要求14所述的***,其特征在于,处理模块还用于:
根据所述相关参数及事故处理模型确定当前事故的处理模式。
20.根据权利要求19所述的***,其特征在于,所述事故处理模型根据历史事故的相关参数及其对应的事故处理模式训练获得。
21.根据权利要求14所述的***,其特征在于,所述事故处理模式包括以下特征中的至少一种:受理人员级别、事故处理时间周期、事故处理响应时间或受理人员是否到现场勘验。
22.根据权利要求14所述的***,其特征在于,所述相关参数包括以下特征中的至少一种:车辆信息、事故细节、环境信息或司机信息。
23.根据权利要求22所述的***,其特征在于,所述车辆信息包括以下特征中的至少一种:车辆类型、乘车人数、车辆服役时间长度或车辆性能状态。
24.根据权利要求22所述的***,其特征在于,所述事故细节包括以下特征中的至少一种:是否有人员死亡、公共设施撞毁程度、车辆撞毁程度、事故发生地类型、事故发生时间或事故影响范围等级。
25.根据权利要求22所述的***,其特征在于,所述环境信息包括以下特征中的至少一种:天气情况、光照情况或道路状况。
26.根据权利要求22所述的***,其特征在于,所述司机信息包括以下特征中的至少一种:司机驾龄、司机性格类型、事故发生时司机身体状态。
27.一种事故快速处理装置,其特征在于,包括处理器,所述处理器执行如权利要求1-13任一所述的方法。
28.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被计算机读取后,计算机执行如权利要求1-13任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810754418.XA CN110717035A (zh) | 2018-07-11 | 2018-07-11 | 一种事故快速处理方法、***及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810754418.XA CN110717035A (zh) | 2018-07-11 | 2018-07-11 | 一种事故快速处理方法、***及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717035A true CN110717035A (zh) | 2020-01-21 |
Family
ID=69208144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810754418.XA Pending CN110717035A (zh) | 2018-07-11 | 2018-07-11 | 一种事故快速处理方法、***及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717035A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780764A (zh) * | 2021-08-24 | 2021-12-10 | 云南电网有限责任公司 | 一种基于公式驱动的电网事故事件风险等级评估方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
US20160091327A1 (en) * | 2014-09-26 | 2016-03-31 | Fih (Hong Kong) Limited | Electronic device and method for finding vehicle accident |
CN105787852A (zh) * | 2016-03-22 | 2016-07-20 | 中国特种设备检测研究院 | 一种埋地管道泄漏事故的应急处理***及方法 |
CN106096829A (zh) * | 2016-06-06 | 2016-11-09 | 浙江大学 | 一种石化企业事故风险损失评估方法 |
CN106448158A (zh) * | 2016-09-06 | 2017-02-22 | 江苏智通交通科技有限公司 | 基于对应分析模型的交通事故成因分析方法 |
CN107293112A (zh) * | 2016-03-31 | 2017-10-24 | 湛玉娟 | 安全监控与救援***及安全监控与救援方法 |
CN107424108A (zh) * | 2017-06-23 | 2017-12-01 | 深圳市盛路物联通讯技术有限公司 | 一种车辆事故快速救援方法及装置 |
CN107633325A (zh) * | 2017-09-11 | 2018-01-26 | 中国石油大学(北京) | 一种页岩气压裂井下事故早期诊断报警方法及装置 |
CN107909113A (zh) * | 2017-11-29 | 2018-04-13 | 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 |
-
2018
- 2018-07-11 CN CN201810754418.XA patent/CN110717035A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
US20160091327A1 (en) * | 2014-09-26 | 2016-03-31 | Fih (Hong Kong) Limited | Electronic device and method for finding vehicle accident |
CN105787852A (zh) * | 2016-03-22 | 2016-07-20 | 中国特种设备检测研究院 | 一种埋地管道泄漏事故的应急处理***及方法 |
CN107293112A (zh) * | 2016-03-31 | 2017-10-24 | 湛玉娟 | 安全监控与救援***及安全监控与救援方法 |
CN106096829A (zh) * | 2016-06-06 | 2016-11-09 | 浙江大学 | 一种石化企业事故风险损失评估方法 |
CN106448158A (zh) * | 2016-09-06 | 2017-02-22 | 江苏智通交通科技有限公司 | 基于对应分析模型的交通事故成因分析方法 |
CN107424108A (zh) * | 2017-06-23 | 2017-12-01 | 深圳市盛路物联通讯技术有限公司 | 一种车辆事故快速救援方法及装置 |
CN107633325A (zh) * | 2017-09-11 | 2018-01-26 | 中国石油大学(北京) | 一种页岩气压裂井下事故早期诊断报警方法及装置 |
CN107909113A (zh) * | 2017-11-29 | 2018-04-13 | 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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780764A (zh) * | 2021-08-24 | 2021-12-10 | 云南电网有限责任公司 | 一种基于公式驱动的电网事故事件风险等级评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11578990B1 (en) | Personalized driving risk modeling and estimation system and methods | |
US11836802B2 (en) | Vehicle operation analytics, feedback, and enhancement | |
US11948199B2 (en) | Interactive dashboard display | |
US10971001B2 (en) | Artificial intelligent systems and methods for predicting traffic accident locations | |
US10678250B2 (en) | Method and system for risk modeling in autonomous vehicles | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
Mantouka et al. | Identifying driving safety profiles from smartphone data using unsupervised learning | |
CN109155104B (zh) | 推荐估计到达时间的***和方法 | |
US10861100B2 (en) | Risk unit based policies | |
US20210042531A1 (en) | Systems and methods for monitoring traffic sign violation | |
US10958701B1 (en) | Systems and methods for modulating advertisement frequencies in streaming signals based on vehicle operation data | |
US20210107495A1 (en) | Methods and systems for determining users' driving habits and pushing service information | |
US10817950B1 (en) | Usage-based policies | |
US20210221385A1 (en) | Methods and systems for information recommendation | |
CA2882603A1 (en) | Apparatus and method for analyzing driving performance data | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
CN112863172A (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
WO2020087526A1 (en) | Systems and methods for determining recommended locations | |
WO2020019237A1 (en) | Systems and methods for dispatching service providers | |
WO2018048870A1 (en) | Interactive dashboard display | |
Kashani et al. | Factors affecting the accident size of motorcycle-involved crashes: a structural equation modeling approach | |
CN111353837A (zh) | 一种拼车方法、***及计算机可读介质 | |
CN110717035A (zh) | 一种事故快速处理方法、***及计算机可读介质 | |
CN111080047A (zh) | 一种判定驾驶任务完成情况的方法、装置及计算机可读介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200121 |
|
WD01 | Invention patent application deemed withdrawn after publication |