CN111784873A - 基于机器学习原理的高速路安全车载智能***及工作流程 - Google Patents
基于机器学习原理的高速路安全车载智能***及工作流程 Download PDFInfo
- Publication number
- CN111784873A CN111784873A CN202010624984.6A CN202010624984A CN111784873A CN 111784873 A CN111784873 A CN 111784873A CN 202010624984 A CN202010624984 A CN 202010624984A CN 111784873 A CN111784873 A CN 111784873A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- data
- model
- safety
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 38
- 230000006399 behavior Effects 0.000 claims description 22
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims description 16
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims description 16
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005059 dormancy Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了基于机器学习原理的高速路安全车载智能***及工作流程，通过对高速路上的安全事故进行相关有直接影响因素数据的搜集，形成数据库后，经过对其直接影响因素数据的机器学习特征分析，得到一种包括各直接影响因素在内，且各有不同权重的回归模型函数，结合各自已知的安全损失目标函数，即为高速路安全预测模型，将模型嵌入车载驾驶员辅助***并对车辆行进行为进行实时监控，当车辆在国道、高、快速路的行驶行为被安全预测模型判定危险时，将予司机以警告提示，改变危险驾驶行为，以使车辆更安全的行驶。
Description
技术领域
本发明涉及交通工程安全领域，尤其涉及基于机器学习原理的高速路安全车载智能***及工作流程。
背景技术
目前，国道高速路上车辆行驶速度快，安全事故频发，造成人员伤亡，并同时引起严重高速路车辆拥堵，每起事故均造成不同量的财产损失。
高速路车辆安全事故造成原因复杂多样，事故种类也有很大不同，不同的驾驶行为、驾驶员情况、天气、路况、道路几何设计等因素对于不同事故种类有着不同权重的影响。因为对于此多种事故影响因素组合成的模型来说，此研究对象总体并不服从某一特定数学分布，其具体分布情况未知，且造成事故的原因种类易分、彼此相互独立且有各自数据，因此不必采用邻近算法对事故原因进行进一步分类。因此，通过事故数据探索不同事故种类引起的原因，并在这基础上通过建立非参数回归的模型，同时通过对事故数据的机器学习，便可以形成一种在高速路上行驶的车辆安全行为预测模型，将其嵌入车载司机辅助驾驶***并在司机进行不安全驾驶行为时给予实时提示，便能有效减少交通事故风险，增强交通安全，减少财产损失，其必要性具有现实意义。
发明内容
本发明的目的是提供一种基于机器学习原理的高速路安全车载智能***及工作流程，通过实时警示有效减缓司机在高速路上的不安全驾驶行为，使车辆能够在不同的行驶地段、行驶环境、行驶时间上得到不同的警示，以有效减少高速路事故发生的频率，增强交通安全。
为了实现上述目的，本发明的技术方案是：
基于机器学习原理的高速路安全车载智能***，其特征在于，对已有高速路事故数据进行分析，总结事故相关车辆在事故发生时各自不同的行驶数据，建立事故目标函数；
将所有事故按照标准统一量化为经济损失A，整合财产损失、人员受伤与财产损失和人员死亡与财产损失三类不同事故；
建立事故标签函数并将函数分为以下几类：
事故时间T，分为白天与夜晚两类；
事故发生时非正常驾驶行为B，分为突然加速、突然减速、危险变道三类；
事故发生时车辆运行速度S；
事故发生时天气状况W，分为路面干燥、雨、雪三类；
事故车辆行驶寿命V，分为行驶1-3年车、行驶3-10年车、行驶10年以上三类；
驾驶员状况D，分为连续行驶两小时以下、连续行驶2-5小时、连续行驶5小时以上三类；
事故发生地位置信息L。
所述模型的表现形式具体为：
A＝ε+ωs(S)+ωT(Ti)+ωB(Bj)+ωW(Wk)+ωV(Vl)+ωD(Dm)+ωL(Ln)
其中，A为量化的经济损失，ε为模型余数；ωλ为各个事故影响因素的权重；
进一步地，对事故数据进行训练，建立安全预测函数模型，包含以上事故因素的权重，对车辆在高速路上的实时行为进行预测，当预测目标函数超越阈值时，对驾驶员进行警示，所述训练的准备步骤如下，
步骤1、将已有事故数据进行分类，按照机器学习的应用经验惯例，将其中百分之七十分为训练集，百分之三十分为验证集，其中通过训练集数据中的训练，得到初步拥有各权重的模型，通过验证集数据进行各权重的微调；
步骤2、将模型中事故数据进行sigmoid函数转换，表示使用逻辑回归训练的模型的线性层的输出，生成一个介于(0，1)之间的值，
sigmoid函数为：
其中，z为代表文本的数字，y为输出值。
步骤3、运用TensorFlow或Pytorch对数据进行训练。
进一步地，安全模型训练的过程如下，
a、根据第一组事故数据，默认其各权重ωλ为零，通过实际值A1与训练值ε之间差值，得到第一个模型损失loss1；
b、通过第一个模型损失，通过梯度下降法指定一个学习速率步长p，自动形成各事故因素权重，得到第一个事故初步预测函数，按照机器学习的经验，学习速率p的惯例值为0.3；
c、训练第二组数据，通过实际值A2与模型预测值之间差值，得到第二个模型损失loss2；
d、比较loss1与loss2，如后者大，则调整步长p，如前者大，则不作调整；
e、训练第三组数据，计算实际值与训练值的差，判断是否需要调整梯度下降法步长；
f、如现有数据训练结果持续显示近似值或持续变小，判定模型预测结果收敛，表示模型具有一定的预测可信度。
进一步地，将已有事故数据的经济损失量化，以财产损失、人员受伤与财产损失、人员死亡与财产损失为标准分为三类，以互相的平均经济损失为标准，设定模型合理阈值A1、A2、A3，作为提醒标准；
基于机器学习原理的高速路安全车载智能***的工作流程包括以下步骤：
步骤S1)通过ETC设备判定车辆是否行驶在高速路上，若车辆没有安装ETC设备，通过北斗卫星对车辆的经纬度定位判定车辆是否行驶在高速路上；
步骤S2)若车辆行驶在高速路上，激活车载安全智能***；
步骤S3)获取实时数据信息，由车载ADAS提供车辆实时行驶速度，对车速的持续监控判定车辆短时急加速或急减速行为，由北斗卫星定位***提供高速路位置实时数据信息，安全车载智能***激活时，开始计算驾驶员在高速路上累积驾驶时间，速度降低至标准1时，通过卫星位置定位判定车辆是否驶入服务区导致速度降低至标准1，如车辆驶入服务区导致速度降低至标准1，则停止累积，车辆驶出服务区加速至标准1时恢复累积，直至车辆驶出高速；
步骤S4)车辆在高速路行驶过程中，安全车载***结合以上获取的多类数据与实时运行数据，持续计算模型损失A*；
步骤S5)当A*达到阈值A1、A2、A3时，发出不同语音警示或者频率不一的蜂鸣警示；
步骤S6)通过ETC设备的收费和北斗卫星对车辆的经纬度定位，判定车辆是否驶出高速；
步骤S7)车辆驶出高速后，在ETC设备读取车辆信息并收费时，车载安全智能***进入休眠停止工作。
进一步地，所述步骤S3包括，由转向灯与ADAS的数据线束连接判定变道行为，转向灯亮，判定为正常变道行为，如无打灯出现横向加速度，且ADAS发现车辆横向驶越车道线，判定危险变道。
进一步地，所述步骤S3包括，急加速或急减速的加速度值选取2.5m/s2，超过此标准，且持续时间大于等于两秒，认为车辆在急加速或急减速；
进一步地，所述步骤S3包括，所述速度标准1定为40公里/小时，速度标准1作为车辆行驶至服务区的限速，车辆加速至速度标准1时，判定车辆已重新行驶在高速路上；
若高速拥堵使车辆速度降低至40公里/小时以下，连续行驶时间继续进行累积。
进一步地，将训练的安全模型刻入ADAS车载驾驶员辅助***芯片内，与其余ADAS辅助功能成并联关系。
本发明的优点在于：通过对高速路上的安全事故数据中直接影响因素数据分类，建立非参数回归模型，继而通过机器学习对其特征分析，得到一种各安全影响因素均具有不同权重的回归模型函数，结合事故数据中已知的损失目标函数，即为高速路安全预测模型，将模型嵌入车载驾驶员辅助***，实时警示有效减缓司机在高速路上的不安全驾驶行为，使车辆能够在不同的行驶地段、行驶环境、行驶时间上得到不同的警示，有效减少高速路事故发生的频率，增强交通安全。
附图说明
图1为本发明安全智能***核心模块示意图；
图2为本发明安全智能***工作流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的在于建立基于机器学习原理的高速路安全车载智能***，如图1所示，该***包括一种核心安全模型，能够实现下列功能：
对已有高速路事故数据进行分析，总结事故相关车辆在事故发生时各自不同的行驶数据，建立事故目标函数，因事故一般包括只有财产损失、人员受伤与财产损失、人员死亡与财产损失，为更有效的进行训练，将所有事故按照标准统一量化为经济损失A，整合以上三类不同事故，以避免出现互相独立但事实上却有线性关系的模型泛化问题。继而，建立事故标签函数并将函数分为以下几类：
事故时间T(分为白天与夜晚两类)；
事故发生时非正常驾驶行为B(分为突然加速、突然减速、危险变道三类)；
事故发生时车辆运行速度S；
事故发生时天气状况W(分为路面干燥、雨、雪三类)；
事故车辆行驶寿命V(分为行驶1-3年车、行驶3-10年车、行驶10年以上三类)；
驾驶员状况D(分为连续行驶两小时以下、连续行驶2-5小时、连续行驶5小时以上三类)；
事故发生地位置信息L。
因事故成因种类多样且互相独立，所以无法获知整体事故函数的分布情况，但事故成因各自将呈现一种特定分布，因此建立线性回归模型进行机器学习训练以获得事故模型，此处酒驾等违法行为不纳入模型考虑范围。
其中，步骤S1模型表现形式具体为：
A＝ε+ωs(S)+ωT(Ti)+ωB(Bj)+ωW(Wk)+ωV(Vl)+ωD(Dm)+ωL(Ln)。
进一步的，A为量化的经济损失，一般用具体经济数字表示，ε为模型余数，用来调整；ωλ为各个事故影响因素的权重。
其中，
对事故数据进行训练目的是建立一个安全预测函数模型，包含以上事故因素的权重，能够对车辆在高速路上的实时行为进行预测，当预测目标函数超越阈值时，则对驾驶员进行警示，训练的准备工作如下：
步骤1、将已有事故数据进行分类，按照机器学习的应用经验惯例，将其中百分之七十为训练集，百分之三十为验证集，其中通过训练集数据中的训练，将得到一个初步拥有各权重的模型，因为如没有验证集，则模型会出现过拟合问题，即模型对现有的事故数据能够完美拟合，但在预测新的事故情况时可能会出现较大偏差，因此在上述基础上，继而通过验证集数据进行各权重的微调，使得模型更为合理，也更为精确；
步骤2、将模型中事故数据进行sigmoid函数转换，转换原因如下，以天气状况W为例，分为分为路面干燥、雨、雪三种情况，但对于目标函数为量化的模型，对文本进行训练没有意义，即应将文本用数字代替，但如果用1、2、3来代表干燥、雨、雪，则对权重影响过大，天气状况只有不同但彼此并无线性关系，如直接转换数字后进行训练与事实不符，将出现较大预测错误；
此时，需用sigmoid函数将指定代表文本的数字进行转换，表示使用逻辑回归训练的模型的线性层的输出，即生成一个介于(0，1)之间的值，从而大大减小该因素对权重的影响；
sigmoid函数为：
其中，z为代表文本的数字，y为输出值。
步骤3、运用TensorFlow或者Pytorch等机器学习工具对数据进行训练。
安全模型训练的过程如下，
a、根据第一组事故数据，默认其各权重ωλ为零，通过实际值A1与训练值ε之间差值，得到第一个模型损失loss1；
b、通过第一个模型损失，通过梯度下降法指定一个学习速率步长p，自动形成各事故因素权重，得到第一个事故初步预测函数，按照机器学习的经验，学习速率p的惯例值为0.3；
c、训练第二组数据，通过实际值A2与模型预测值之间差值，得到第二个模型损失loss2；
d、比较loss1与loss2，如后者大，则说明梯度下降法的步长不合理，导致训练模型发散，需要调整步长p，如前者大，说明梯度下降法步长0.3的值暂时合理；
e、继续训练第三组数据，通过实际值与训练值的差来判断是否需要调整梯度下降法步长；
f、如现有数据训练结果持续显示近似值或持续变小，判定模型预测结果收敛，表示模型具有一定的预测可信度；
将已有事故数据的经济损失量化，并以只有财产损失、人员受伤与财产损失、人员死亡与财产损失为标准分为三类，并以互相的平均经济损失为标准，设定模型合理阈值A1，A2，A3，作为提醒标准。
将训练的安全模型刻入ADAS车载驾驶员辅助***芯片，使之成为ADAS的一部分，即安全车载智能***，与其余ADAS辅助功能成并联关系，所述安全车载智能***的工作流程如下：
步骤S1)通过车辆在进入高速路收费口、高速路匝道收费口的ETC自动读取信息，判定车辆是否行驶在高、快速路、国道上，如车辆没有安装ETC设备，则通过北斗卫星对车辆的经纬度定位来判定车辆是否行驶在高、快速路、国道上；
步骤S2)若车辆行驶在高、快速路、国道上，激活车载安全智能***；
步骤S3)车辆实时行驶速度由车载ADAS提供，同时对车速的持续监控可以判定车辆短时急加速或急减速行为；高速路位置实时信息数据可由北斗卫星定位***提供；变道行为可由转向灯与ADAS的数据线束连接判定，即转向灯亮，则能够判定为正常变道行为，如无打灯而出现横向加速度，且ADAS发现车辆横向驶越车道线，则判定危险变道；天气造成的地面雨雪状况能够通过实时天气信息获取；驾驶员在高速路上累积驾驶时间由安全车载智能***激活时开始计算，速度降低至标准1时，通过卫星位置定位判定车辆是否驶入服务区导致速度降低至标准1，如是，则停止累积，车辆驶出服务区加速至标准1时恢复累积，直至车辆驶出高速，ETC读取车辆信息并收费时与安全智能***同时进入休眠停止工作；车辆行驶寿命可由司机提前输入后自动累积，或由ETC读取车辆状况时同时输送至安全***；
其中，急加速急减速的加速度值可选取国际经验数据2.5m/s2，持续时间大于等于两秒，超过此标准，则认为车辆在急加速或急减速。
速度标准1定为经验数值40公里/小时，此为车辆行驶至服务区的限速；车辆加速至此速度时，可以认为车辆已重新行驶在高速路上；如高速因拥堵等原因使得车辆速度降低至40公里/小时以下，因不在服务区内，连续行驶时间继续进行累积。
步骤S4)车辆在高速路行驶过程中，安全车载***结合以上获取的多类数据与实时运行数据，持续计算模型损失A*；
步骤S5)当A*达到阈值A1、A2、A3时，发出不同语音警示或者频率不一的蜂鸣警示；
步骤S6)通过ETC设备的收费和北斗卫星对车辆的经纬度定位，判定车辆是否驶出高速；
步骤S7)车辆驶出高速后，在ETC设备读取车辆信息并收费时，车载安全智能***进入休眠停止工作。
安全车载智能***的数据更新与其核心模型的升级，随着事故数量增长，每一个发生的高速路事故都能够起到丰富事故数据库的作用，而安全车载智能***的模型训练，将随着新的数据库数据而得到提升，从而能够通过大量训练得到拥有稳定特定权重的模型，使得预测效果更精确，判断潜在事故能力更强大，更好的使司机避免潜在的事故危险。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.基于机器学习原理的高速路安全车载智能***，其特征在于，对已有高速路事故数据进行分析，总结事故相关车辆在事故发生时各自不同的行驶数据，建立事故目标函数；将所有事故按照标准统一量化为经济损失A，整合财产损失、人员受伤与财产损失和人员死亡与财产损失三类不同事故；
建立事故标签函数并将函数分为以下几类：
事故时间T，分为白天与夜晚两类；
事故发生时非正常驾驶行为B，分为突然加速、突然减速、危险变道三类；
事故发生时车辆运行速度S；
事故发生时天气状况W，分为路面干燥、雨、雪三类；
事故车辆行驶寿命V，分为行驶1-3年车、行驶3-10年车、行驶10年以上三类；
驾驶员状况D，分为连续行驶两小时以下、连续行驶2-5小时、连续行驶5小时以上三类；
事故发生地位置信息L。
所述模型的表现形式具体为：
A＝ε+ωs(S)+ωT(Ti)+ωB(Bj)+ωW(Wk)+ωV(Vl)+ωD(Dm)+ωL(Ln)
其中，A为量化的经济损失，ε为模型余数；ωλ为各个事故影响因素的权重；
2.根据权利要求1所述的基于机器学习原理的高速路安全车载智能***，其特征在于，对事故数据进行训练，建立安全预测函数模型，包含以上事故因素的权重，对车辆在高速路上的实时行为进行预测，当预测目标函数超越阈值时，对驾驶员进行警示，所述训练的准备步骤如下，
步骤1、将已有事故数据进行分类，按照机器学习的应用经验惯例，将其中百分之七十分为训练集，百分之三十分为验证集，其中通过训练集数据中的训练，得到初步拥有各权重的模型，通过验证集数据进行各权重的微调；
步骤2、将模型中事故数据进行sigmoid函数转换，表示使用逻辑回归训练的模型的线性层的输出，生成一个介于(0，1)之间的值，
sigmoid函数为：
其中，z为代表文本的数字，y为输出值。
步骤3、运用TensorFlow或Pytorch对数据进行训练。
3.根据权利要求2所述的基于机器学习原理的高速路安全车载智能***，其特征在于，安全模型训练的过程如下，
a、根据第一组事故数据，默认其各权重ωλ为零，通过实际值A1与训练值ε之间差值，得到第一个模型损失loss1；
b、通过第一个模型损失，通过梯度下降法指定一个学习速率步长p，自动形成各事故因素权重，得到第一个事故初步预测函数，按照机器学习的经验，学习速率p的惯例值为0.3；
c、训练第二组数据，通过实际值A2与模型预测值之间差值，得到第二个模型损失loss2；
d、比较loss1与loss2，如后者大，则调整步长p，如前者大，则不作调整；
e、训练第三组数据，计算实际值与训练值的差，判断是否需要调整梯度下降法步长；
f、如现有数据训练结果持续显示近似值或持续变小，判定模型预测结果收敛，表示模型具有一定的预测可信度。
4.根据权利要求1所述的基于机器学***均经济损失为标准，设定模型合理阈值A1，A2，A3，作为提醒标准。
5.基于机器学习原理的高速路安全车载智能***的工作流程，其特征在于，所述工作流程包括：
步骤S1)通过ETC设备判定车辆是否行驶在高速路上，若车辆没有安装ETC设备，通过北斗卫星对车辆的经纬度定位判定车辆是否行驶在高速路上；
步骤S2)若车辆行驶在高速路上，激活车载安全智能***；
步骤S3)获取实时数据信息，由车载ADAS提供车辆实时行驶速度，对车速的持续监控判定车辆短时急加速或急减速行为，由北斗卫星定位***提供高速路位置实时数据信息，安全车载智能***激活时，开始计算驾驶员在高速路上累积驾驶时间，速度降低至标准1时，通过卫星位置定位判定车辆是否驶入服务区导致速度降低至标准1，如车辆驶入服务区导致速度降低至标准1，则停止累积，车辆驶出服务区加速至标准1时恢复累积，直至车辆驶出高速；
步骤S4)车辆在高速路行驶过程中，安全车载***结合以上获取的多类数据与实时运行数据，持续计算模型损失A*；
步骤S5)当A*达到阈值A1、A2、A3时，发出不同语音警示或者频率不一的蜂鸣警示；
步骤S6)通过ETC设备的收费和北斗卫星对车辆的经纬度定位，判定车辆是否驶出高速；
步骤S7)车辆驶出高速后，在ETC设备读取车辆信息并收费时，车载安全智能***进入休眠停止工作。
6.根据权利要求5所述的基于机器学习原理的高速路安全车载智能***的工作流程，其特征在于，所述步骤S3包括，由转向灯与ADAS的数据线束连接判定变道行为，转向灯亮，判定为正常变道行为，如无打灯出现横向加速度，且ADAS发现车辆横向驶越车道线，判定危险变道。
7.根据权利要求6所述的基于机器学习原理的高速路安全车载智能***的工作流程，其特征在于，所述步骤S3包括，急加速或急减速的加速度值选取2.5m/s2，超过此标准，且持续时间大于等于两秒，认为车辆在急加速或急减速。
8.根据权利要求5所述的基于机器学习原理的高速路安全车载智能***的工作流程，其特征在于，所述步骤S3包括，所述速度标准1定为40公里/小时，速度标准1作为车辆行驶至服务区的限速，车辆加速至速度标准1时，判定车辆已重新行驶在高速路上；若高速拥堵使车辆速度降低至40公里/小时以下，连续行驶时间继续进行累积。
9.据权利要求5所述的基于机器学习原理的高速路安全车载智能***的工作流程，其特征在于，将训练的安全模型刻入ADAS车载驾驶员辅助***芯片内，与其余ADAS辅助功能成并联关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624984.6A CN111784873A (zh) | 2020-07-01 | 2020-07-01 | 基于机器学习原理的高速路安全车载智能***及工作流程 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010624984.6A CN111784873A (zh) | 2020-07-01 | 2020-07-01 | 基于机器学习原理的高速路安全车载智能***及工作流程 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111784873A true CN111784873A (zh) | 2020-10-16 |
Family
ID=72757741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010624984.6A Pending CN111784873A (zh) | 2020-07-01 | 2020-07-01 | 基于机器学习原理的高速路安全车载智能***及工作流程 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784873A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113380033A (zh) * | 2021-06-09 | 2021-09-10 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及*** |
| CN114333309A (zh) * | 2021-04-08 | 2022-04-12 | 重庆交通职业学院 | 一种交通事故预警***和方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118322A (zh) * | 2015-09-14 | 2015-12-02 | 吕铁平 | 一种高速公路全天候防追尾预警方法 |
| CN107867295A (zh) * | 2017-11-08 | 2018-04-03 | 广东翼卡车联网服务有限公司 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
| CN108717794A (zh) * | 2018-07-25 | 2018-10-30 | 中科鼎富（北京）科技发展有限公司 | 一种防止高速公路上司机疲劳驾驶的方法，装置及*** |
| CN109308467A (zh) * | 2018-09-18 | 2019-02-05 | 陕西科技大学 | 基于机器学习的交通事故预警装置及预警方法 |
| CN110276370A (zh) * | 2019-05-05 | 2019-09-24 | 南京理工大学 | 一种基于随机森林的道路交通事故风险因素分析方法 |
| CN111081020A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于云边结合的车载交通事故预警装置 |
| CN111126868A (zh) * | 2019-12-30 | 2020-05-08 | 中南大学 | 一种道路交通事故发生风险确定方法及*** |
| CN111179587A (zh) * | 2018-11-09 | 2020-05-19 | 丰田自动车北美公司 | 实时车辆事故预测、警告和预防 |
-
2020
- 2020-07-01 CN CN202010624984.6A patent/CN111784873A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105118322A (zh) * | 2015-09-14 | 2015-12-02 | 吕铁平 | 一种高速公路全天候防追尾预警方法 |
| CN107867295A (zh) * | 2017-11-08 | 2018-04-03 | 广东翼卡车联网服务有限公司 | 基于车辆出险概率的事故预警方法、存储设备及车载终端 |
| CN108717794A (zh) * | 2018-07-25 | 2018-10-30 | 中科鼎富（北京）科技发展有限公司 | 一种防止高速公路上司机疲劳驾驶的方法，装置及*** |
| CN109308467A (zh) * | 2018-09-18 | 2019-02-05 | 陕西科技大学 | 基于机器学习的交通事故预警装置及预警方法 |
| CN111179587A (zh) * | 2018-11-09 | 2020-05-19 | 丰田自动车北美公司 | 实时车辆事故预测、警告和预防 |
| CN110276370A (zh) * | 2019-05-05 | 2019-09-24 | 南京理工大学 | 一种基于随机森林的道路交通事故风险因素分析方法 |
| CN111081020A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于云边结合的车载交通事故预警装置 |
| CN111126868A (zh) * | 2019-12-30 | 2020-05-08 | 中南大学 | 一种道路交通事故发生风险确定方法及*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114333309A (zh) * | 2021-04-08 | 2022-04-12 | 重庆交通职业学院 | 一种交通事故预警***和方法 |
| CN113380033A (zh) * | 2021-06-09 | 2021-09-10 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及*** |
| CN113380033B (zh) * | 2021-06-09 | 2022-08-16 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106652562B (zh) | 一种高速公路道路交通安全预警方法 | |
| CN109727469B (zh) | 一种多车道下自动驾驶车辆综合危险度评估方法 | |
| CN111354225B (zh) | 一种高速公路车辆事故风险评估及预警干预方法 | |
| Wang et al. | Predicting crashes on expressway ramps with real-time traffic and weather data | |
| CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
| US20220270486A1 (en) | Accident prediction and consequence mitigation calculus | |
| CN110120153A (zh) | 一种公交驾驶事故风险评估***及其方法 | |
| US20230145399A1 (en) | System and method for general driving behavior for an autonomous vehicle | |
| Jung et al. | Modeling highway safety and simulation in rainy weather | |
| CN111477005A (zh) | 一种基于车辆状态及行车环境的智能感知预警方法及*** | |
| CN111784873A (zh) | 基于机器学习原理的高速路安全车载智能***及工作流程 | |
| Harwood et al. | Passing lanes and other operational improvements on two-lane highways | |
| CN113723699A (zh) | 恶劣天气高速公路安全车速矫正把控预警方法及*** | |
| Wang et al. | Causation analysis of crashes and near crashes using naturalistic driving data | |
| CN114639246A (zh) | 一种高速公路匝道合流区车路协同控制方法及*** | |
| Evtukov et al. | Innovative safety systems for modern vehicles | |
| CN113119945A (zh) | 一种基于环境模型的汽车高级辅助驾驶*** | |
| CN116461525A (zh) | 车辆变道方法、装置、设备、介质及车辆 | |
| Kaplan et al. | Braking news: link between crash severity and crash avoidance maneuvers | |
| CN106296027A (zh) | 车险理赔预警方法及装置 | |
| Liu et al. | Passing sight distance and overtaking dilemma on two-lane roads | |
| McKeever | Estimating the potential safety benefits of intelligent transportation systems | |
| CN114550478B (zh) | 基于etc的高速公路安全自动驾驶推荐方法 | |
| CN115909738B (zh) | 智能网联环境下紧急车辆优先通行的交通流协同调控方法 | |
| CN116978225B (zh) | 一种快速路合流区危险驾驶行为的风险等级判别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |
|
| RJ01 | Rejection of invention patent application after publication |