CN110782706A - 智能车辆驾驶风险的预警方法和装置 - Google Patents
智能车辆驾驶风险的预警方法和装置 Download PDFInfo
- Publication number
- CN110782706A CN110782706A CN201911076492.1A CN201911076492A CN110782706A CN 110782706 A CN110782706 A CN 110782706A CN 201911076492 A CN201911076492 A CN 201911076492A CN 110782706 A CN110782706 A CN 110782706A
- Authority
- CN
- China
- Prior art keywords
- driving risk
- duration
- target
- intelligent vehicle
- probability distribution
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请的实施例提供了一种智能车辆驾驶风险的预警方法和装置。该智能车辆驾驶风险的预警方法包括:获取智能车辆的驾驶风险当前持续时间数据,以及获取所述智能车辆的多个驾驶风险历史持续时间数据;根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布;根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值;若所述预测值大于预定阈值,则生成驾驶风险预警通知。本申请实施例的技术方案可以提高对智能车辆的驾驶风险持续时间进行预测的准确性,进而提高对智能车辆存在驾驶风险进行预警的准确性。
Description
技术领域
本申请涉及车联网技术领域,具体而言,涉及一种智能车辆驾驶风险的预警方法和装置。
背景技术
在车联网领域中,对驾驶风险持续时间的预测是智能车辆进行驾驶风险预警的重要基础数据。目前的驾驶风险持续时间的预测主要通过先获取上一个时刻的驾驶风险持续时间的测量值和预估值,并根据上一个时刻的驾驶风险持续时间的测量值和预估值来确定估计误差,然后对当前时刻进行预测得到当前时刻的驾驶风险持续时间的预估值,进而根据当前时刻的驾驶风险持续时间的预估值以及估计误差确定当前时刻的驾驶风险持续时间的真正的预估值。
目前的驾驶风险持续时间的预测方法仅对上一时刻的驾驶风险持续时间进行分析,因而无法准确地对车联网中的驾驶风险持续时间进行预测,进而不能对智能车辆存在驾驶风险进行准确地预警。
发明内容
本申请的实施例提供了一种智能车辆驾驶风险的预警方法和装置,进而至少在一定程度上可以提高对智能车辆的驾驶风险持续时间进行预测的准确性,进而提高对智能车辆存在驾驶风险进行预警的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种智能车辆驾驶风险的预警方法,包括:获取智能车辆的驾驶风险当前持续时间数据,以及获取所述智能车辆的多个驾驶风险历史持续时间数据;根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布;根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值;若所述预测值大于预定阈值,则生成驾驶风险预警通知。
根据本申请实施例的一个方面,提供了一种智能车辆驾驶风险的预警装置,包括:获取单元,用于获取智能车辆的驾驶风险当前持续时间数据,以及获取所述智能车辆的多个驾驶风险历史持续时间数据;执行单元,用于根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布;采样单元,用于根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值;生成单元,用于若所述预测值大于预定阈值,则生成驾驶风险预警通知。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的智能车辆驾驶风险的预警方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的智能车辆驾驶风险的预警方法。
在本申请的一些实施例所提供的技术方案中,通过获取智能车辆的驾驶风险当前持续时间数据,以及获取智能车辆的多个驾驶风险历史持续时间数据;并根据多个驾驶风险历史持续时间数据以及驾驶风险当前持续时间数据,确定智能车辆的驾驶风险目标持续时间的概率分布;根据智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定智能车辆的驾驶风险目标持续时间的预测值,若预测值大于预定阈值,则生成驾驶风险预警通知,以上方案可以看出,通过充分利用智能车辆的驾驶风险历史持续时间数据来对智能车辆的驾驶风险持续时间数据的规律进行准确地分析,得到智能车辆的驾驶风险目标持续时间的概率分布,并通过智能车辆的驾驶风险目标持续时间的概率分布来对车联网中的驾驶风险持续时间进行准确地预测,由此提高了对智能车辆存在驾驶风险进行预警的准确性,进而提高了车联网中的智能车辆进行驾驶的安全性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性***架构的示意图;
图2示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的流程图。
图3示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的步骤S220的具体流程图。
图4示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的步骤S320的具体流程图。
图5示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的步骤S230的具体流程图。
图6示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的步骤S520的具体流程图。
图7示出了根据本申请的一个实施例的智能车辆驾驶风险的预警装置的框图
图8示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性***架构的示意图。
如图1所示,***架构可以包括多个智能车辆101和服务器102,其中,智能车辆101可以是车联网中的智能车辆,服务器102可以为与车联网中的智能车辆进行数据交互的车联网云服务器,智能车辆101和服务器102之间通过网络进行连接。
应该理解,图1中的智能车辆101和服务器102的数目仅仅是示意性的。根据实现需要,可以具有任意数目的智能车辆101和服务器102。比如服务器102可以是多个服务器组成的服务器集群等。
智能车辆101通过网络与服务器102交互,以接收或发送消息。智能车辆101通过获取智能车辆101的驾驶风险当前持续时间数据,以及获取智能车辆101的多个驾驶风险历史持续时间数据;并根据多个驾驶风险历史持续时间数据以及驾驶风险当前持续时间数据,确定智能车辆101的驾驶风险目标持续时间的概率分布;根据智能车辆101的驾驶风险目标持续时间的概率分布进行采样,确定智能车辆101的驾驶风险目标持续时间的预测值,若预测值大于预定阈值,则生成驾驶风险预警通知,以上方案可以看出,通过充分利用智能车辆的驾驶风险历史持续时间数据来对智能车辆的驾驶风险持续时间数据的规律进行准确地分析,得到智能车辆的驾驶风险目标持续时间的概率分布,并通过智能车辆的驾驶风险目标持续时间的概率分布来对车联网中的驾驶风险持续时间进行准确地预测,由此提高了对智能车辆存在驾驶风险进行预警的准确性,进而提高了车联网中的智能车辆进行驾驶的安全性。
需要说明的是,本申请实施例所提供的智能车辆驾驶风险的预警方法一般由智能车辆101执行,相应地,智能车辆驾驶风险的预警装置一般设置于智能车辆101中。但是,在本申请的其它实施例中,服务器也可以与智能车辆101具有相似的功能,从而执行本申请实施例所提供的智能车辆驾驶风险的预警方法的方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的流程图,该智能车辆驾驶风险的预警方法可以由智能车辆来执行,该智能车辆可以是图1中所示的智能车辆101。参照图2所示,该智能车辆驾驶风险的预警方法至少包括步骤S210至步骤S240,详细介绍如下:
在步骤S210中,获取智能车辆的驾驶风险当前持续时间数据,以及获取所述智能车辆的多个驾驶风险历史持续时间数据。
智能车辆是车联网中处于驾驶状态的车辆,驾驶风险持续时间数据作为智能车辆处于驾驶状态时,对智能车辆的驾驶风险进行评估的参数,该参数具体可以为智能车辆在处于驾驶状态时,存在有驾驶风险的时间参数。具体的,智能车辆可以通过获取多种目标数据进行计算来确定智能车辆在处于驾驶状态时是否存在有驾驶风险。其中,目标数据可以为道路曲度、道路坡度、驾驶速度、车辆行驶方向以及车辆加速度等。驾驶风险当前持续时间数据是智能车辆在处于驾驶状态时在当前时间段的驾驶风险时间数据,例如,当前时间至当前时间十秒之前的这个时间段内的驾驶风险持续时间数据;驾驶风险历史持续时间数据是智能车辆处于驾驶状态时,在当前时间段之前的多个历史时间段的驾驶风险持续时间数据。
在步骤S220中,根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布。
智能车辆的驾驶风险目标持续时间数据是智能车辆处于驾驶状态时,在当前时间段之后的下一时间段的驾驶风险持续时间。智能车辆的驾驶风险目标持续时间指的是智能车辆的在当前时间段之后下一时间段的驾驶风险持续时间,智能车辆的驾驶风险目标持续时间的概率分布指的是智能车辆在下一时间段的驾驶风险持续时间的概率分布,用于作为反映智能车辆在下一时间段的驾驶风险持续时间的概率规律,通过充分利用智能车辆的驾驶风险历史持续时间数据以及驾驶风险当前持续时间数据可以提高所确定的智能车辆在下一时间段的驾驶风险持续时间的概率规律的准确性,以便于对智能车辆在下一时间段的驾驶风险持续时间进行准确地预测。
参考图3,图3示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的步骤S220的具体流程图,所述步骤S220可以包括步骤S310至步骤S320,详细描述如下。
在步骤S310中,根据所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型,并为所述智能车辆的驾驶风险持续时间的概率分布类型中的目标参数分配目标概率分布。
在确定智能车辆在下一时间段的驾驶风险持续时间的概率分布时,可以先根据多个驾驶风险历史持续时间数据,确定智能车辆的驾驶风险持续时间的概率分布类型,驾驶风险持续时间的概率分布类型作为智能车辆在历史时间段的驾驶风险持续时间数据所服从的概率分布函数。为了得到智能车辆在下一时间段的驾驶风险持续时间的概率分布,需要对驾驶风险持续时间的概率分布类型中包含的目标参数进行更新,由此可以为智能车辆的驾驶风险持续时间的概率分布类型中的目标参数分配预设的目标概率分布,以便于得到智能车辆在下一时间段的驾驶风险持续时间的概率分布。其中,预设的目标概率分布可以为P(σ)表示的是目标参数的概率分布函数,c为预设的常数,σ为驾驶风险持续时间的概率分布类型中的目标参数。
在本申请的一个实施例中,在根据多个驾驶风险历史持续时间数据,确定智能车辆的驾驶风险持续时间的概率分布类型时,还可以根据预设的经验分布函数以及多个驾驶风险历史持续时间数据,确定智能车辆的驾驶风险持续时间的概率分布类型。其中,预设的经验分布函数可以为 其中,n为驾驶风险历史持续时间数据的个数,xk为根据n个驾驶风险历史持续时间数据的大小按照从小到大的顺序进行排列时,其中的第k个驾驶风险历史持续时间数据,Fn(x)为根据多个驾驶风险历史持续时间数据所确定的驾驶风险持续时间的概率分布类型。
在本申请的一个实施例中,在根据多个驾驶风险历史持续时间数据,确定智能车辆的驾驶风险持续时间的概率分布类型时,还可以根据预设的核密度估计函数以及多个驾驶风险历史持续时间数据,确定智能车辆的驾驶风险持续时间的概率分布类型。具体的,通过从多个核密度估计函数中确定与多个驾驶风险历史持续时间数据进行拟合,以确定多个驾驶风险历史持续时间数据最拟合的核密度估计函数,并将最拟合的核密度估计函数确定为智能车辆的驾驶风险持续时间的概率分布类型。其中,预设的核密度估计函数可以包括以及其中,h以及σ均为驾驶风险持续时间的概率分布类型中的目标参数。
在步骤S320中,根据所述驾驶风险当前持续时间数据、所述智能车辆的驾驶风险持续时间的概率分布类型以及为所述目标参数分配的目标概率分布,确定所述智能车辆的驾驶风险目标持续时间的概率分布。
为了得到智能车辆的驾驶风险目标持续时间的概率分布,即智能车辆在下一时间段的驾驶风险持续时间的概率分布,需要对驾驶风险持续时间的概率分布类型中包含的目标参数进行更新。具体的,可以根据驾驶风险当前持续时间数据、智能车辆的驾驶风险持续时间的概率分布类型以及为目标参数分配的目标概率分布对驾驶风险持续时间的概率分布类型中包含的目标参数进行更新,确定智能车辆在下一时间段的驾驶风险持续时间的概率分布。
参考图4,图4示出了根据本申请的一个实施例的智智能车辆驾驶风险的预警方法的步骤S320的具体流程图,本实施例的智能车辆数据互检方法的步骤S320可以包括步骤S410至步骤S430,详细描述如下。
在步骤S410中,根据所述驾驶风险当前持续时间数据、所述智能车辆的驾驶风险持续时间的概率分布类型以及为所述目标参数分配的目标概率分布,确定所述目标参数在目标时间的概率分布。
在本申请的一个实施例中,在根据驾驶风险当前持续时间数据、智能车辆的驾驶风险持续时间的概率分布类型以及为目标参数分配的目标概率分布,确定智能车辆在下一时间段的驾驶风险持续时间的概率分布时,可以先根据驾驶风险当前持续时间数据、智能车辆的驾驶风险持续时间的概率分布类型以及为目标参数分配的目标概率分布,确定目标参数在目标时间的概率分布,即目标参数在下一时间段的概率分布,以便于得到智能车辆在下一时间段的驾驶风险持续时间的概率分布。
在本申请的一个实施例中,在确定目标参数在目标时间的概率分布时,可以根据公式来确定目标参数在下一个时间段的概率分布,其中,Xt是驾驶风险当前持续时间数据,f(Xt|σt)是智能车辆的驾驶风险目标持续时间的概率分布,即智能车辆在下一时间段的驾驶风险目标持续时间的概率分布,f(σt|Xt-1)是为目标参数分配的目标概率分布,f(σt+1|Xt)是目标参数在目标时间的概率分布,即目标参数在下一时间段的概率分布,σt表征的是智能车辆在当前时间段的驾驶风险持续时间的期望。
在步骤S420中,根据所述目标参数在目标时间的概率分布确定所述目标参数的期望。
在得到目标参数在下一时间段的概率分布后,可以根据目标参数在下一时间段的概率分布确定目标参数的期望,以便于根据目标参数的期望对智能车辆的驾驶风险持续时间的概率分布类型中包含的目标参数进行替换,以实现对智能车辆的驾驶风险持续时间的概率分布类型包含的目标参数进行更新,进而便于确定智能车辆在下一时间段的驾驶风险持续时间的概率分布。
在本申请的一个实施例中,在根据目标参数在下一时间段的概率分布确定目标参数的期望时,可以根据公式确定目标参数的期望,其中,f(σt+1|Xt)是目标参数在目标时间的概率分布,即目标参数在下一时间段的概率分布,E(σt+1)是目标参数的期望,σt+1表征的是智能车辆的驾驶风险目标持续时间的期望,即智能车辆在下一时间段的驾驶风险持续时间的期望。
在步骤S430中,根据所述智能车辆的驾驶风险持续时间的概率分布类型以及所述目标参数的期望,确定所述智能车辆的驾驶风险目标持续时间的概率分布。
根据目标参数的期望对智能车辆的驾驶风险持续时间的概率分布类型中包含的目标参数进行替换,以实现对智能车辆的驾驶风险持续时间的概率分布类型包含的目标参数进行更新,从而得到智能车辆在下一时间段的驾驶风险持续时间的概率分布。
需要说明的是,在智能车辆的驾驶风险持续时间的概率分布类型中包含的目标参数为至少两个时,可以先将确定其中一个目标参数视为变量,其它目标参数视为常量,先确定视为变量的这一个目标参数的期望,然后将视为变量的这一个目标参数的期望来对智能车辆的驾驶风险持续时间的概率分布类型中包含的这一个目标参数进行替换;再将其它目标参数中的一个参数视为变量,剩余的目标参数以及前述替换了期望后的这一个目标参数视为变量,确定视为变量的这一个目标参数的期望,依次类推,直到对智能车辆的驾驶风险持续时间的概率分布类型中包含的所有目标参数进行替换,进而实现对智能车辆的驾驶风险持续时间的概率分布类型包含的目标参数进行更新。
请继续参考图2,在步骤S230中,根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值。
在得到智能车辆在下一时间段的驾驶风险持续时间的概率分布后,由于智能车辆在下一时间段的驾驶风险持续时间的概率分布可以作为反映智能车辆在下一时间段的驾驶风险持续时间的概率规律;因此,可以根据智能车辆的驾驶风险目标持续时间的概率分布进行采样,得到采样值,并根据采样值来确定智能车辆的驾驶风险目标持续时间的预测值,进而实现对智能车辆的驾驶风险目标持续时间的预测值进行准确地预测。
参考图5,图5示出了根据本申请的一个实施例的智能车辆数据互检方法的步骤S230的具体流程图,本实施例的智能车辆数据互检方法的步骤S230可以包括步骤S510至步骤S520,详细描述如下。
在步骤S510中,根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,得到多个驾驶风险目标持续时间的采样值。
在根据智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定智能车辆在下一时间段的驾驶风险持续时间的预测值时,可以根据智能车辆在下一时间段的驾驶风险持续时间的概率分布进行采样,得到多个智能车辆在下一时间段的驾驶风险持续时间的采样值,进而便于根据多个智能车辆在下一时间段的驾驶风险持续时间的采样值来确定得到智能车辆在下一时间段的驾驶风险持续时间的预测值。
在步骤S520中,确定所述多个所述驾驶风险目标持续时间的采样值的平均值,并将所述平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值。
在根据多个智能车辆在下一时间段的驾驶风险持续时间的采样值来确定得到智能车辆在下一时间段的驾驶风险持续时间的预测值时,可以先确定多个驾驶风险目标持续时间的采样值的平均值,并将平均值确定为智能车辆在下一时间段的驾驶风险持续时间的预测值,可以减少仅仅采样一次带来的采样误差,以提高对智能车辆在下一时间段的驾驶风险持续时间进行预测的准确性。
参考图6,图6示出了根据本申请的一个实施例的智能车辆驾驶风险的预警方法的步骤S520的具体流程图,本实施例的智能车辆数据互检方法的步骤S520可以包括步骤S610至步骤S630,详细描述如下。
在步骤S610中,根据所述智能车辆的驾驶风险目标持续时间的概率分布,确定所述智能车辆的驾驶风险目标持续时间的期望。
在根据多个驾驶风险目标持续时间的采样值的平均值来确定智能车辆的驾驶风险目标持续时间的预测值时,可以根据智能车辆的驾驶风险目标持续时间的概率分布,确定智能车辆的驾驶风险目标持续时间的期望,以便于与多个驾驶风险目标持续时间的采样值进行比较。
在步骤S620中,确定所述多个所述驾驶风险目标持续时间的采样值中,与所述智能车辆的驾驶风险目标持续时间的期望的差值小于预定差值的目标采样值。
在确定得到多个驾驶风险目标持续时间的采样值后,确定多个驾驶风险目标持续时间的采样值中与智能车辆的驾驶风险目标持续时间的期望的差值小于预定差值的目标采样值,进而筛选掉与智能车辆的驾驶风险目标持续时间的期望差值较大的采样值,避免与智能车辆的驾驶风险目标持续时间的期望差值较大的采样值对驾驶风险持续时间的预测的准确性造成影响。
在步骤S630中,确定所述目标采样值的平均值,并将所述目标采样值的平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值。
确定目标采样值的平均值,并将目标采样值的平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值。
还请继续参考图2,在步骤S240中,若所述预测值大于预定阈值,则生成驾驶风险预警通知。
若预测值大于预定阈值,则生成驾驶风险预警通知,进而通知智能车辆当前存在驾驶风险,以使得智能车辆上的驾驶员及时采取相应的措施,保证驾驶安全。
以上可以看出,通过充分利用智能车辆的驾驶风险历史持续时间数据来对智能车辆的驾驶风险持续时间数据的规律进行准确地分析,得到智能车辆的驾驶风险目标持续时间的概率分布,并通过智能车辆的驾驶风险目标持续时间的概率分布来对车联网中的驾驶风险持续时间进行准确地预测,由此提高了对智能车辆存在驾驶风险进行预警的准确性,进而提高了车联网中的智能车辆进行驾驶的安全性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的智能车辆驾驶风险的预警方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的智能车辆驾驶风险的预警方法的实施例。
图7示出了根据本申请的一个实施例的智能车辆驾驶风险的预警装置的框图。
参照图7所示,根据本申请的一个实施例的智能车辆驾驶风险的预警装置700,包括:获取单元710、执行单元720、采样单元730以及生成单元740。
其中,获取单元710,用于获取智能车辆的驾驶风险当前持续时间数据,以及获取所述智能车辆的多个驾驶风险历史持续时间数据;执行单元720,用于根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布;采样单元730,用于根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值;生成单元740,用于若所述预测值大于预定阈值,则生成驾驶风险预警通知。
在本申请的一些实施例中,基于前述方案,所述执行单元720配置为:根据所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型,并为所述智能车辆的驾驶风险持续时间的概率分布类型中的目标参数分配目标概率分布;根据所述驾驶风险当前持续时间数据、所述智能车辆的驾驶风险持续时间的概率分布类型以及为所述目标参数分配的目标概率分布,确定所述智能车辆的驾驶风险目标持续时间的概率分布。
在本申请的一些实施例中,基于前述方案,所述执行单元720配置为:根据预设的经验分布函数以及所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型。
在本申请的一些实施例中,基于前述方案,所述执行单元配置为:根据预设的核密度估计函数以及所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型。
在本申请的一些实施例中,基于前述方案,所述执行单元720配置为:根据所述驾驶风险当前持续时间数据、所述智能车辆的驾驶风险持续时间的概率分布类型以及为所述目标参数分配的目标概率分布,确定所述目标参数在目标时间的概率分布;根据所述目标参数在目标时间的概率分布确定所述目标参数的期望;根据所述智能车辆的驾驶风险持续时间的概率分布类型以及所述目标参数的期望,确定所述智能车辆的驾驶风险目标持续时间的概率分布。
在本申请的一些实施例中,基于前述方案,所述执行单元720配置为:根据以下公式确定所述目标参数在目标时间的概率分布:
其中,Xt是所述驾驶风险当前持续时间数据,f(Xt|σt)是所述智能车辆的驾驶风险持续时间的概率分布类型,f(σt|Xt-1)是为所述目标参数分配的目标概率分布,f(σt+1|Xt)是所述目标参数在目标时间的概率分布,σt表征的是智能车辆的驾驶风险当前持续时间的期望。
在本申请的一些实施例中,基于前述方案,所述执行单元720配置为:根据以下公式确定所述目标参数的期望:
在本申请的一些实施例中,基于前述方案,所述采样单元730配置为:根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,得到多个驾驶风险目标持续时间的采样值;确定所述多个所述驾驶风险目标持续时间的采样值的平均值,并将所述平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值。
在本申请的一些实施例中,基于前述方案,所述采样单元730配置为:根据所述智能车辆的驾驶风险目标持续时间的概率分布,确定所述智能车辆的驾驶风险目标持续时间的期望;确定所述多个所述驾驶风险目标持续时间的采样值中,与所述智能车辆的驾驶风险目标持续时间的期望的差值小于预定差值的目标采样值;确定所述目标采样值的平均值,并将所述目标采样值的平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值。
图8示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
需要说明的是,图8示出的电子设备的计算机***800仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机***800包括中央处理单元(Central Processing Unit,CPU)801,其可以根据存储在只读存储器(Read-Only Memory,ROM)802中的程序或者从存储部分808加载到随机访问存储器(Random Access Memory,RAM)803中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 803中,还存储有***操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(Input/Output,I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的***中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种智能车辆驾驶风险的预警方法,其特征在于,包括:
获取智能车辆的驾驶风险当前持续时间数据,以及获取所述智能车辆的多个驾驶风险历史持续时间数据;
根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布;
根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值;
若所述预测值大于预定阈值,则生成驾驶风险预警通知。
2.根据权利要求1所述的智能车辆驾驶风险的预警方法,其特征在于,所述根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布,包括:
根据所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型,并为所述智能车辆的驾驶风险持续时间的概率分布类型中的目标参数分配目标概率分布;
根据所述驾驶风险当前持续时间数据、所述智能车辆的驾驶风险持续时间的概率分布类型以及为所述目标参数分配的目标概率分布,确定所述智能车辆的驾驶风险目标持续时间的概率分布。
3.根据权利要求2所述的智能车辆驾驶风险的预警方法,其特征在于,所述根据所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型,包括:
根据预设的经验分布函数以及所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型。
4.根据权利要求2所述的智能车辆驾驶风险的预警方法,其特征在于,所述根据所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型,包括:
根据预设的核密度估计函数以及所述多个驾驶风险历史持续时间数据,确定所述智能车辆的驾驶风险持续时间的概率分布类型。
5.根据权利要求2所述的智能车辆驾驶风险的预警方法,其特征在于,所述根据所述驾驶风险当前持续时间数据、所述智能车辆的驾驶风险持续时间的概率分布类型以及为所述目标参数分配的目标概率分布,确定所述智能车辆的驾驶风险目标持续时间的概率分布,包括:
根据所述驾驶风险当前持续时间数据、所述智能车辆的驾驶风险持续时间的概率分布类型以及为所述目标参数分配的目标概率分布,确定所述目标参数在目标时间的概率分布;
根据所述目标参数在目标时间的概率分布确定所述目标参数的期望;
根据所述智能车辆的驾驶风险持续时间的概率分布类型以及所述目标参数的期望,确定所述智能车辆的驾驶风险目标持续时间的概率分布。
8.根据权利要求1所述的智能车辆驾驶风险的预警方法,其特征在于,所述根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值,包括:
根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,得到多个驾驶风险目标持续时间的采样值;
确定所述多个所述驾驶风险目标持续时间的采样值的平均值,并将所述平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值。
9.根据权利要求8所述的智能车辆驾驶风险的预警方法,其特征在于,所述确定所述多个所述驾驶风险目标持续时间的采样值的平均值,并将所述平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值,包括:
根据所述智能车辆的驾驶风险目标持续时间的概率分布,确定所述智能车辆的驾驶风险目标持续时间的期望;
确定所述多个所述驾驶风险目标持续时间的采样值中,与所述智能车辆的驾驶风险目标持续时间的期望的差值小于预定差值的目标采样值;
确定所述目标采样值的平均值,并将所述目标采样值的平均值确定为所述智能车辆的驾驶风险目标持续时间的预测值。
10.一种智能车辆驾驶风险的预警装置,其特征在于,包括:
获取单元,用于获取智能车辆的驾驶风险当前持续时间数据,以及获取所述智能车辆的多个驾驶风险历史持续时间数据;
执行单元,用于根据所述多个驾驶风险历史持续时间数据以及所述驾驶风险当前持续时间数据,确定所述智能车辆的驾驶风险目标持续时间的概率分布;
采样单元,用于根据所述智能车辆的驾驶风险目标持续时间的概率分布进行采样,确定所述智能车辆的驾驶风险目标持续时间的预测值;
生成单元,用于若所述预测值大于预定阈值,则生成驾驶风险预警通知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076492.1A CN110782706B (zh) | 2019-11-06 | 2019-11-06 | 智能车辆驾驶风险的预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076492.1A CN110782706B (zh) | 2019-11-06 | 2019-11-06 | 智能车辆驾驶风险的预警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782706A true CN110782706A (zh) | 2020-02-11 |
CN110782706B CN110782706B (zh) | 2022-05-06 |
Family
ID=69389588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911076492.1A Active CN110782706B (zh) | 2019-11-06 | 2019-11-06 | 智能车辆驾驶风险的预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782706B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583713A (zh) * | 2020-04-16 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 车辆驾驶预警方法和装置 |
CN111739290A (zh) * | 2020-06-05 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车辆预警方法及装置 |
CN111798661A (zh) * | 2020-07-13 | 2020-10-20 | 腾讯科技(深圳)有限公司 | 车辆行驶中的超车预警方法及装置 |
CN111951548A (zh) * | 2020-07-30 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种车辆驾驶风险确定方法、装置、***及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102598083A (zh) * | 2009-10-30 | 2012-07-18 | 丰田自动车株式会社 | 驾驶辅助装置 |
US20150356450A1 (en) * | 2013-10-25 | 2015-12-10 | Landmark Graphics Corporation | Real-Time Risk Prediction During Drilling Operations |
CN107679668A (zh) * | 2017-10-16 | 2018-02-09 | 东南大学 | 基于风险的持续时间模型的电动自行车出行时间预测方法 |
US20180365998A1 (en) * | 2015-07-28 | 2018-12-20 | Mitsubishi Electric Corporation | Driving assistance apparatus |
CN109272764A (zh) * | 2018-09-30 | 2019-01-25 | 广州鹰瞰信息科技有限公司 | 一种危险驾驶的提醒方法及*** |
CN109754153A (zh) * | 2018-11-23 | 2019-05-14 | 北京交通大学 | 一种基于持续时间模型的驾驶员违章风险估计方法 |
US20190187700A1 (en) * | 2017-12-19 | 2019-06-20 | PlusAI Corp | Method and system for risk control in switching driving mode |
CN110276985A (zh) * | 2018-03-16 | 2019-09-24 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和*** |
-
2019
- 2019-11-06 CN CN201911076492.1A patent/CN110782706B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102598083A (zh) * | 2009-10-30 | 2012-07-18 | 丰田自动车株式会社 | 驾驶辅助装置 |
US20150356450A1 (en) * | 2013-10-25 | 2015-12-10 | Landmark Graphics Corporation | Real-Time Risk Prediction During Drilling Operations |
US20180365998A1 (en) * | 2015-07-28 | 2018-12-20 | Mitsubishi Electric Corporation | Driving assistance apparatus |
CN107679668A (zh) * | 2017-10-16 | 2018-02-09 | 东南大学 | 基于风险的持续时间模型的电动自行车出行时间预测方法 |
US20190187700A1 (en) * | 2017-12-19 | 2019-06-20 | PlusAI Corp | Method and system for risk control in switching driving mode |
CN110276985A (zh) * | 2018-03-16 | 2019-09-24 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和*** |
CN109272764A (zh) * | 2018-09-30 | 2019-01-25 | 广州鹰瞰信息科技有限公司 | 一种危险驾驶的提醒方法及*** |
CN109754153A (zh) * | 2018-11-23 | 2019-05-14 | 北京交通大学 | 一种基于持续时间模型的驾驶员违章风险估计方法 |
Non-Patent Citations (1)
Title |
---|
杨京帅等: "驾驶人危险感知影响因素建模与试验", 《长安大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583713A (zh) * | 2020-04-16 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 车辆驾驶预警方法和装置 |
CN111739290A (zh) * | 2020-06-05 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车辆预警方法及装置 |
CN111798661A (zh) * | 2020-07-13 | 2020-10-20 | 腾讯科技(深圳)有限公司 | 车辆行驶中的超车预警方法及装置 |
CN111951548A (zh) * | 2020-07-30 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种车辆驾驶风险确定方法、装置、***及介质 |
CN111951548B (zh) * | 2020-07-30 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 一种车辆驾驶风险确定方法、装置、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110782706B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782706B (zh) | 智能车辆驾驶风险的预警方法和装置 | |
CN111046027B (zh) | 时间序列数据的缺失值填充方法和装置 | |
CN109146976B (zh) | 用于定位无人车的方法和装置 | |
CN114429250B (zh) | 应用于工业互联网的故障预测方法、装置及电子设备 | |
CN115470936B (zh) | 一种基于nwdaf的机器学习模型更新方法及装置 | |
CN114168419A (zh) | 负载预测方法、***、设备及计算机可读存储介质 | |
CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
CN111845768A (zh) | 车辆行驶参数的预测方法、装置 | |
CN112651172B (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
CN112230663A (zh) | 车辆定位数据的监测方法、装置 | |
CN111327473B (zh) | 网络调控方法、装置、网络调控***及电子设备 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN109981396B (zh) | docker服务容器集群的监控方法及装置、介质及电子设备 | |
CN110929996A (zh) | 驾驶风险估计方法及装置 | |
CN108090785B (zh) | 确定用户行为衰退倾向的方法、装置及电子设备 | |
CN111260912B (zh) | 车辆编队的处理方法及装置 | |
CN111833608B (zh) | 路况信息的处理方法、装置 | |
CN115128986A (zh) | 基于SaaS级的工业互联网产量实时监控***及方法 | |
CN113850428A (zh) | 作业调度的预测处理方法、装置和电子设备 | |
CN108777062B (zh) | 用于输出信息的方法和装置 | |
CN111524389A (zh) | 车辆驾驶方法和装置 | |
CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
CN114862431A (zh) | 广告转化特征的预测方法、装置 | |
CN111050299B (zh) | 智能车辆数据互检方法和装置 | |
CN112861951B (zh) | 一种图像神经网络参数的确定方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021090 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |