CN111914687B - 一种基于车联网主动识别事故的方法 - Google Patents
一种基于车联网主动识别事故的方法 Download PDFInfo
- Publication number
- CN111914687B CN111914687B CN202010677456.7A CN202010677456A CN111914687B CN 111914687 B CN111914687 B CN 111914687B CN 202010677456 A CN202010677456 A CN 202010677456A CN 111914687 B CN111914687 B CN 111914687B
- Authority
- CN
- China
- Prior art keywords
- data
- accident
- vehicle
- internet
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006855 networking Effects 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims abstract description 19
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims abstract description 19
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000007418 data mining Methods 0.000 claims abstract description 6
- 238000005065 mining Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于车联网主动识别事故的方法,包括以下步骤:S1、在车辆上安装车联网硬件设备,包括ADAS和DSM;S2、搭建车联网数据采集处理平台,实现车联网数据的实时采集和处理;S3、利用数据挖掘技术挖掘分析车联网数据并提取特征因子,基于行业知识构建专家打分模型,基于历史事故数据训练机器学习模型,最终组合得到事故识别模型;S4、基于事故识别模型进行事故主动识别;S5、获取事故的车联网数据。本发明通过构建事故识别模型来对车联网数据进行挖掘分析,实现对车辆事故的主动识别,第一时间了解事故的发生,有助于救援和安全管理,而且设备采集的事故数据作为车辆出险证据,方便出险证据的收集,也有利于保险公司用于保险反欺诈,使用效果极佳。
Description
技术领域
本发明涉及事故识别技术领域,尤其涉及一种基于车联网主动识别事故的方法。
背景技术
交通事故是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件,交通事故不仅是由不特定的人员违反交通管理法规造成的,也可以是由于地震、台风、山洪、雷击等不可抗拒的自然灾害造成;
车辆在行驶中,由于受到驾驶员、车况、路况等因素的影响,极易发生交通事故,而第一时间知道事故的发生,对道路救援、交通管制、保险理赔等有着重要意义;以往要想知道事故的发生,需要现场人员主动上报,从软件角度来看,这样的方式存在对事故登记的不便捷,并且事故的真实性也不可控。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题,本发明提出一种基于车联网主动识别事故的方法,通过在车辆上安装车联网设备以采集车联网数据,并通过构建事故识别模型来对车联网数据进行挖掘分析,从而实现对车辆事故的主动识别,能够第一时间了解事故的发生,有助于救援和安全管理,而且设备采集的事故数据作为车辆出险证据,方便出险证据的收集,也有利于保险公司用于保险反欺诈,使用效果极佳。
(二)技术方案
本发明提出了一种基于车联网主动识别事故的方法,包括以下步骤:
S1、在车辆上安装车联网硬件设备,安装的车联网硬件设备包括ADAS和DSM,ADAS为高级驾驶辅助***,DSM为驾驶员状态监测***;
S2、搭建车联网数据采集处理平台,以实现车联网数据的实时采集和处理;
S3、利用数据挖掘技术挖掘分析车联网数据并提取特征因子,基于行业知识构建专家打分模型,基于历史事故数据训练机器学习模型,最终组合得到事故识别模型;
S4、基于事故识别模型进行事故主动识别;
S5、获取事故的车联网数据,车联网数据包括结构化数据和非结构化数据;
其中,结构化数据包括车辆位置、车速、风险事件;
非结构化数据包括图片、视频。
优选的,S2的具体步骤如下:
S21、从IoT平台采集车辆的实时数据;
S22、通过大数据平台对采集数据进行预处理、解码和规整,以形成统一的数据模型;
S23、根据业务的需要将信息存储在实时数据库。
优选的,在S2中,实现平台的工具包括分布式消息队列Kafka,分布式大数据存储Hadoop、Hbase,大数据处理Spark、Flink,关系型数据库Oracle、Mysql。
优选的,在S21中,采集的数据包括车辆实时位置、车辆速度、车辆运行轨迹、驾驶员的风险报警和道路状况信息,相关信息反映了车辆的驾驶状态和驾驶行为。
优选的,在S3中,专家打分模型计算分值,达到分值的就判断成事故,专家打分模型的构建方法如下:
采集历史事故的数据信息;
从大量的历史事故中总结经验并结合数据,以提取出具有识别事故功效的特征因子;
对不同特征因子赋予不同分值,并对这些特征因子进行组合。
优选的,在S3中,通过机器学习模型的输出结果来识别事故,机器学习模型的构建方法如下:
采集历史事故的数据信息;
从数据出发,对历史事故及其对应的数据进行特征提取;
分析建模,训练得到一个事故识别结果为是与否的二分类的模型。
优选的,机器学习模型为线性模型,包括LR、SVM。
优选的,机器学习模型为非线性模型,包括决策树、神经网络。
优选的,在S1中,当车辆本身具有ADAS和DSM功能时,不需在其外部加装ADAS和DSM。
本发明的上述技术方案具有如下有益的技术效果:
首先在车辆上安装车联网硬件设备,安装的车联网硬件设备包括ADAS和DSM,ADAS为高级驾驶辅助***,DSM为驾驶员状态监测***;然后搭建车联网数据采集处理平台,以实现车联网数据的实时采集和处理;之后利用数据挖掘技术挖掘分析车联网数据并提取特征因子,基于行业知识构建专家打分模型,基于历史事故数据训练机器学习模型,最终组合得到事故识别模型;然后基于事故识别模型进行事故主动识别,最后获取事故的车联网数据,车联网数据包括结构化数据和非结构化数据;
本发明通过在车辆上安装车联网设备以采集车联网数据,并通过构建事故识别模型来对车联网数据进行挖掘分析,从而实现对车辆事故的主动识别,能够第一时间了解事故的发生,有助于救援和安全管理,而且设备采集的事故数据作为车辆出险证据,方便出险证据的收集,也有利于保险公司用于保险反欺诈,使用效果极佳,适合大规模推广使用。
附图说明
图1为本发明提出的一种基于车联网主动识别事故的方法的流程图。
图2为本发明提出的一种基于车联网主动识别事故的方法中车联网数据采集处理平台的操作流程图。
图3为本发明提出的一种基于车联网主动识别事故的方法中专家打分模型的构建流程图。
图4为本发明提出的一种基于车联网主动识别事故的方法中机器学习模型的构建流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-4所示,本发明提出的一种基于车联网主动识别事故的方法,包括以下步骤:
S1、在车辆上安装车联网硬件设备,安装的车联网硬件设备包括ADAS和DSM,ADAS为高级驾驶辅助***,DSM为驾驶员状态监测***;
S2、搭建车联网数据采集处理平台,以实现车联网数据的实时采集和处理;
S3、利用数据挖掘技术挖掘分析车联网数据并提取特征因子,基于行业知识构建专家打分模型,基于历史事故数据训练机器学习模型,最终组合得到事故识别模型;此步骤是本发明的核心,事故识别模型优劣直接决定本发明识别效果的好坏;
S4、基于事故识别模型进行事故主动识别;
S5、获取事故的车联网数据,车联网数据包括结构化数据和非结构化数据;
其中,结构化数据包括车辆位置、车速、风险事件;
非结构化数据包括图片、视频。
在一个可选的实施例中,S2的具体步骤如下:
S21、从IoT平台采集车辆的实时数据;S22、通过大数据平台对采集数据进行预处理、解码和规整,以形成统一的数据模型;S23、根据业务的需要将信息存储在实时数据库。
在一个可选的实施例中,在S2中,实现平台的工具包括分布式消息队列Kafka,分布式大数据存储Hadoop、Hbase,大数据处理Spark、Flink,关系型数据库Oracle、Mysql。
在一个可选的实施例中,在S21中,采集的数据包括车辆实时位置、车辆速度、车辆运行轨迹、驾驶员的风险报警和道路状况信息,相关信息反映了车辆的驾驶状态和驾驶行为。
在一个可选的实施例中,在S3中,专家打分模型计算分值,达到分值的就判断成事故,专家打分模型的构建方法如下:
采集历史事故的数据信息;从大量的历史事故中总结经验并结合数据,以提取出具有识别事故功效的特征因子;对不同特征因子赋予不同分值,并对这些特征因子进行组合。
在一个可选的实施例中,在S3中,通过机器学习模型的输出结果来识别事故,机器学习模型的构建方法如下:
采集历史事故的数据信息;从数据出发,对历史事故及其对应的数据进行特征提取;分析建模,训练得到一个事故识别结果为是与否的二分类的模型。
在一个可选的实施例中,机器学习模型为线性模型,包括LR、SVM;机器学习模型为非线性模型,包括决策树、神经网络。
在一个可选的实施例中,在S1中,当车辆本身具有ADAS和DSM功能时,不需在其外部加装ADAS和DSM,即不限于是车辆本身具有了ADAS和DSM功能,还是外部加装ADAS和DSM,只需车辆具备该类功能的车联网设备即可;并且车辆事故种类多种多样,本发明并不适用所有事故类型。
本发明中,首先在车辆上安装车联网硬件设备,安装的车联网硬件设备包括ADAS和DSM,ADAS为高级驾驶辅助***,DSM为驾驶员状态监测***;然后搭建车联网数据采集处理平台,以实现车联网数据的实时采集和处理,具体操作为:从IoT平台采集车辆的实时数据,通过大数据平台对采集数据进行预处理、解码和规整,以形成统一的数据模型,根据业务的需要将信息存储在实时数据库;其中,实现平台的工具包括分布式消息队列Kafka,分布式大数据存储Hadoop、Hbase,大数据处理Spark、Flink,关系型数据库Oracle、Mysql;采集的数据包括车辆实时位置、车辆速度、车辆运行轨迹、驾驶员的风险报警和道路状况信息,相关信息反映了车辆的驾驶状态和驾驶行为;
之后利用数据挖掘技术挖掘分析车联网数据并提取特征因子,基于行业知识构建专家打分模型,基于历史事故数据训练机器学习模型,最终组合得到事故识别模型;其中,专家打分模型是从大量的历史事故中总结经验,结合数据,提取出具有识别事故功效的特征因子,对不同特征因子赋予不同分值,然后将这些特征因子组合,计算分值,达到分值的就判断成事故;机器学习模型是从数据出发,对历史事故及其对应的数据进行特征提取,分析建模,训练得到一个事故识别结果为是与否的二分类的模型,并通过模型输出的结果识别事故,机器学习模型可以是线性模型,例如LR、SVM,也可以是非线性模型,例如决策树,神经网络;
然后基于事故识别模型进行事故主动识别,最后获取事故的车联网数据,车联网数据包括结构化数据和非结构化数据,其中,结构化数据包括车辆位置、车速、风险事件,非结构化数据包括图片、视频;经测试,在2000台车中,真实事故的覆盖率达到80%,模型的车均事故上报数低于0.1;
本发明通过在车辆上安装车联网设备以采集车联网数据,并通过构建事故识别模型来对车联网数据进行挖掘分析,从而实现对车辆事故的主动识别,能够第一时间了解事故的发生,有助于救援和安全管理,而且设备采集的事故数据作为车辆出险证据,方便出险证据的收集,也有利于保险公司用于保险反欺诈,使用效果极佳,适合大规模推广使用。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (4)
1.一种基于车联网主动识别事故的方法,其特征在于,包括以下步骤:
S1、在车辆上安装车联网硬件设备,安装的车联网硬件设备包括ADAS和DSM,ADAS为高级驾驶辅助***,DSM为驾驶员状态监测***;
S2、搭建车联网数据采集处理平台,以实现车联网数据的实时采集和处理;实现平台的工具包括分布式消息队列Kafka,分布式大数据存储Hadoop、Hbase,大数据处理Spark、Flink,关系型数据库Oracle、Mysql;
具体步骤如下:
S21、从IoT平台采集车辆的实时数据;采集的数据包括车辆实时位置、车辆速度、车辆运行轨迹、驾驶员的风险报警和道路状况信息,相关信息反映了车辆的驾驶状态和驾驶行为;
S22、通过大数据平台对采集数据进行预处理、解码和规整,以形成统一的数据模型;
S23、根据业务的需要将信息存储在实时数据库;
S3、利用数据挖掘技术挖掘分析车联网数据并提取特征因子,基于行业知识构建专家打分模型,基于历史事故数据训练机器学习模型,最终组合得到事故识别模型;
专家打分模型计算分值,达到分值的就判断成事故,专家打分模型的构建方法如下:
采集历史事故的数据信息;
从大量的历史事故中总结经验并结合数据,以提取出具有识别事故功效的特征因子;
对不同特征因子赋予不同分值,并对这些特征因子进行组合;
通过机器学习模型的输出结果来识别事故,机器学习模型的构建方法如下:
采集历史事故的数据信息;
从数据出发,对历史事故及其对应的数据进行特征提取;
分析建模,训练得到一个事故识别结果为是与否的二分类的模型;
S4、基于事故识别模型进行事故主动识别;
S5、获取事故的车联网数据,车联网数据包括结构化数据和非结构化数据;
其中,结构化数据包括车辆位置、车速、风险事件;
非结构化数据包括图片、视频。
2.根据权利要求1所述的一种基于车联网主动识别事故的方法,其特征在于,机器学习模型为线性模型,包括LR、SVM。
3.根据权利要求1所述的一种基于车联网主动识别事故的方法,其特征在于,机器学习模型为非线性模型,包括决策树、神经网络。
4.根据权利要求1所述的一种基于车联网主动识别事故的方法,其特征在于,在S1中,当车辆本身具有ADAS和DSM功能时,不需在其外部加装ADAS和DSM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677456.7A CN111914687B (zh) | 2020-07-15 | 2020-07-15 | 一种基于车联网主动识别事故的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677456.7A CN111914687B (zh) | 2020-07-15 | 2020-07-15 | 一种基于车联网主动识别事故的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914687A CN111914687A (zh) | 2020-11-10 |
CN111914687B true CN111914687B (zh) | 2023-11-17 |
Family
ID=73280717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010677456.7A Active CN111914687B (zh) | 2020-07-15 | 2020-07-15 | 一种基于车联网主动识别事故的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914687B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160549B (zh) * | 2020-12-03 | 2022-04-15 | 湖南湘江智能科技创新中心有限公司 | 一种自动识别车辆事故***以及识别方法 |
CN112637366A (zh) * | 2021-01-14 | 2021-04-09 | 江苏徐工信息技术股份有限公司 | 基于微服务的车辆网车辆数据采集方法 |
CN112445923A (zh) * | 2021-02-01 | 2021-03-05 | 智道网联科技(北京)有限公司 | 基于智慧交通的数据处理方法、装置及存储介质 |
CN113341894A (zh) * | 2021-05-27 | 2021-09-03 | 河钢股份有限公司承德分公司 | 事故规律数据的生成方法、装置和终端设备 |
CN115588244B (zh) * | 2022-09-29 | 2024-07-02 | 深蓝汽车科技有限公司 | 一种车联网大数据实时分析方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104754011A (zh) * | 2013-12-31 | 2015-07-01 | ***通信集团公司 | 一种车联网多方协同控制方法以及车联网协同平台 |
CN106651602A (zh) * | 2016-12-28 | 2017-05-10 | 清华大学苏州汽车研究院(吴江) | 一种基于adas智能车载终端的车险管理服务*** |
CN106846863A (zh) * | 2017-01-12 | 2017-06-13 | 叶昊 | 基于增强现实和云端智能决策的车联网事故黑点警告***及方法 |
CN110134963A (zh) * | 2019-05-20 | 2019-08-16 | 中南大学 | 一种文本挖掘应用于道路交通事故数据处理的方法 |
CN110351358A (zh) * | 2019-07-09 | 2019-10-18 | 成都信息工程大学 | 一种车联网信息安全传输及智能预警*** |
CN209634470U (zh) * | 2018-12-04 | 2019-11-15 | 深圳市中航鹰驾装备有限公司 | 一种集成主动安全报警显示的全景环视设备及一种汽车 |
EP3578433A1 (en) * | 2018-04-10 | 2019-12-11 | Walter Steven Rosenbaum | Method for estimating an accident risk of an autonomous vehicle |
CN110648075A (zh) * | 2019-09-27 | 2020-01-03 | 重庆大学 | 驾驶安全评估方法及装置 |
-
2020
- 2020-07-15 CN CN202010677456.7A patent/CN111914687B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104754011A (zh) * | 2013-12-31 | 2015-07-01 | ***通信集团公司 | 一种车联网多方协同控制方法以及车联网协同平台 |
CN106651602A (zh) * | 2016-12-28 | 2017-05-10 | 清华大学苏州汽车研究院(吴江) | 一种基于adas智能车载终端的车险管理服务*** |
CN106846863A (zh) * | 2017-01-12 | 2017-06-13 | 叶昊 | 基于增强现实和云端智能决策的车联网事故黑点警告***及方法 |
EP3578433A1 (en) * | 2018-04-10 | 2019-12-11 | Walter Steven Rosenbaum | Method for estimating an accident risk of an autonomous vehicle |
CN209634470U (zh) * | 2018-12-04 | 2019-11-15 | 深圳市中航鹰驾装备有限公司 | 一种集成主动安全报警显示的全景环视设备及一种汽车 |
CN110134963A (zh) * | 2019-05-20 | 2019-08-16 | 中南大学 | 一种文本挖掘应用于道路交通事故数据处理的方法 |
CN110351358A (zh) * | 2019-07-09 | 2019-10-18 | 成都信息工程大学 | 一种车联网信息安全传输及智能预警*** |
CN110648075A (zh) * | 2019-09-27 | 2020-01-03 | 重庆大学 | 驾驶安全评估方法及装置 |
Non-Patent Citations (4)
Title |
---|
Advanced driver assistance systems (ADAS): A consideration of driver perceptions on training, usage & implementation;Abraham H等;《Proceedings of the Human Factors and Ergonomics Society Annual Meeting. Sage CA: Los Angeles, CA: SAGE Publications》;第61卷(第1期);1954-1958 * |
An automated night-time vehicle detection system for driving assistance based on cross-correlation;Abdelmoghit Zaarane等;《2019 International Conference on Systems of Collaboration Big Data, Internet of Things & Security (SysCoBIoTS)》;1-5 * |
机器学习在车联网中的应用研究;刘通等;《科学大众:科技创新》(第1期);50 * |
现阶段影响西藏道路运输安全成因分析与对策思考;方新兵等;《西藏发展论坛》;36-39 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914687A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914687B (zh) | 一种基于车联网主动识别事故的方法 | |
CN109145954B (zh) | 一种基于多源时空数据的网约车出行安全评价方法及*** | |
CN113254594B (zh) | 一种面向智慧电厂的安全知识图谱构建方法及*** | |
CN108398934B (zh) | 一种用于轨道交通的设备故障监控的*** | |
CN108427757A (zh) | 基于关联规则的重点车辆通行预警方法及监管*** | |
CN103456175A (zh) | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 | |
CN110796758A (zh) | 一种基于移动gis的护林巡检方法 | |
CN107292517A (zh) | 基于大数据分析的民航安保信息服务*** | |
CN113905215B (zh) | 一种公交安全驾驶监控*** | |
CN110599791A (zh) | 信息监控方法、装置和设备 | |
CN112651642A (zh) | 一种基于多设备感知的水利工程现场人员安全管理*** | |
CN111612638A (zh) | 一种基于车联网大数据识别保险欺诈风险的方法 | |
CN110942221A (zh) | 一种基于物联网的变电站故障快速修复方法 | |
CN108629515A (zh) | 一种道路隧道交通风险实时评估*** | |
CN105741503B (zh) | 一种现有监控设备下的停车场实时预警方法 | |
CN104217591A (zh) | 动态路况检测方法及*** | |
CN102157061A (zh) | 一种基于关键字统计的交通事件识别方法 | |
Wang et al. | Vision-based highway traffic accident detection | |
CN110047167B (zh) | 车辆急转弯次数等效统计方法 | |
CN114582083B (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
CN112907423A (zh) | 一种智慧城市公共****** | |
CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN111967780A (zh) | 一种机场用于特种车辆靠机作业过程监管方法及*** | |
CN205158475U (zh) | 动态限速报警汽车行驶记录仪 | |
CN114220071A (zh) | 一种公共安全实时检测监管*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |