CN117635010A - 车辆事故识别方法、装置、电子设备及存储介质 - Google Patents
车辆事故识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117635010A CN117635010A CN202311393170.6A CN202311393170A CN117635010A CN 117635010 A CN117635010 A CN 117635010A CN 202311393170 A CN202311393170 A CN 202311393170A CN 117635010 A CN117635010 A CN 117635010A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- transition probability
- determining
- detected
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000007704 transition Effects 0.000 claims abstract description 216
- 238000013507 mapping Methods 0.000 claims description 88
- 238000012546 transfer Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000725 suspension Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆事故识别方法、装置、电子设备及存储介质,属于数据处理技术领域,所述方法包括:基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;所述目标转移概率值为所述待检测车辆从第一暂停点转移到第二暂停点的概率;确定所述目标转移概率值对应的转移概率阈值;基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置。本发明根据车辆的运行轨迹数据,确定目标转移概率值和转移概率阈值,简化了数据搜集的种类;基于目标转移概率值和转移概率阈值的比对结果,得到待检测车辆的事故位置,提升了对车辆事故判定的全面性和准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种车辆事故识别方法、装置、电子设备及存储介质。
背景技术
在货车轨迹数据分析领域,分析车辆的驾驶行为等是较为常见的方向,该方向的研究对刻画货车运输偏好、把握货车运行规律有重要的支持价值,可以为货运周边业务的开展(例如经营者对货车进行管理、发货方通过车辆画像识别匹配自己需求的车辆、货车保险通过运行规律对车辆安全性进行评估等)提供基本的素材。但由于货车在真实驾驶过程中存在偏离其自身正常运行规律的异常干扰行为,往往导致利用车辆的全量历史数据进行分析存在偏差,车辆事故便是此种异常干扰行为之一,车辆事故,尤其是严重事故的发生,往往会在短期内强制性的改变货车的正常驾驶模式,在特定的分析场景中(尤其是针对单台车辆短期的数据分析中)此类异常驾驶模式的产生会为分析带来较强的混淆,导致无法对车辆规律进行总结,因此识别并隔离出车辆事故(区分出事故发生的时段)显得十分重要。
现有的货车事故识别方法,大体分为三种:(1)根据车辆停留位置筛选;(2)基于标签数据训练有监督模型,利用模型判定货车是否发生事故;(3)利用孤立森林等异常检测方法。
以上三种方法均有各自的缺陷。基于车辆停留位置的筛选,依赖于对车辆停留位置的正常与否的经验判判,由于经验判断很难覆盖所有的情况,因此其适用范围受到较大限制。有监督模型的方法,较依赖事故样本的积累,事故样本往往不易收集,在事故发生较为稀少的情况下,其建模效果难以保证。异常检测方法,可以识别出占比较小的异常状态,但其在区分过程中仅注重偏离常态的异常状态识别,难以具备融合特定异常模式(例如事故)的能力。
综上可知,现有的对车辆事故识别的方法的准确率较低。
发明内容
本发明提供一种车辆事故识别方法、装置、电子设备及存储介质,用以解决现有技术中对车辆事故识别的准确率较低的问题,实现了基于单一的运行轨迹数据,准确识别车辆的事故位置。
第一方面,本发明提供一种车辆事故识别方法,包括:
基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;所述目标转移概率值为所述待检测车辆从第一暂停点转移到第二暂停点的概率;
确定所述目标转移概率值对应的转移概率阈值;
基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置。
根据本发明提供的车辆事故识别方法,所述基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值,包括:
从所述运行轨迹数据中,获取所述待检测车辆的速度小于第一阈值的停留点和停留时长,以及所述待检测车辆的信号采样时间间隔大于第二阈值的掉线点和掉线时长;
确定所述停留点和所述掉线点的至少一个映射范围;
基于所述映射范围、所述停留点、所述停留时长、所述掉线点和所述掉线时长,确定至少一种所述目标转移概率值。
根据本发明提供的车辆事故识别方法,所述基于所述映射范围、所述停留点、所述停留时长、所述掉线点和所述掉线时长,确定至少一种所述目标转移概率值,包括:
获取所述待检测车辆在所述映射范围下的停留时长或者掉线时长超过第三阈值的至少一个所述第一暂停点;
确定所述待检测车辆在所述映射范围下,在所述第一暂停点进行转移的第一次数;
将与所述第一暂停点相邻的所述停留点或者所述掉线点作为所述第二暂停点,确定所述待检测车辆在所述映射范围下,从所述第一暂停点转移到所述第二暂停点的第二次数;
将所述第二次数与所述第一次数的比值作为所述待检测车辆在所述第一暂停点的目标转移概率值;
基于更新后的映射范围,确定至少一种所述目标转移概率值。
根据本发明提供的车辆事故识别方法,所述停留点或者所述掉线点包括经度和纬度,所述确定所述停留点和所述掉线点的至少一个映射范围,包括:
基于预设的经纬度映射规则,将所述停留点或者所述掉线点的所述经度和所述纬度映射为特定位数的目标字符串;所述目标字符串表示地理位置上的映射范围。
根据本发明提供的车辆事故识别方法,所述确定所述目标转移概率值对应的转移概率阈值,包括:
基于历史车辆的历史运行轨迹数据,获取所述历史车辆在第一暂停点的第一转移概率值;
确定所述待检测车辆的相似车辆集合,并基于所述相似车辆集合的历史运行轨迹数据,获取所述相似车辆集合在所述第一暂停点的第二转移概率值;
确定所述第一转移概率值和所述第二转移概率值的融合系数,并基于所述融合系数,对所述第一转移概率值和所述第二转移概率值进行加权求和,得到所述转移概率阈值。
根据本发明提供的车辆事故识别方法,所述确定所述待检测车辆的相似车辆集合,包括:
确定所述待检测车辆与任一所述历史车辆在映射范围下的相同停留点或者相同掉线点的第一数量;
确定所述待检测车辆在所述映射范围下的停留点或者掉线点的第二数量;
确定任一所述历史车辆在所述映射范围下的停留点或者掉线点的第三数量;
基于所述第一数量、所述第二数量和所述第三数量,确定任一所述历史车辆与所述待检测车辆的相似度;
将相似度大于第四阈值的所述历史车辆作为所述相似车辆集合。
根据本发明提供的车辆事故识别方法,所述基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置,包括:
当所述目标转移概率值均小于与其匹配的所述转移概率阈值时,确定所述目标转移概率值对应的停留点或者掉线点为所述事故位置。
第二方面,本发明还提供一种车辆事故识别装置,包括:
目标转移概率值确定模块,用于基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;所述目标转移概率值为所述待检测车辆从第一暂停点转移到第二暂停点的概率;
转移概率阈值确定模块,用于确定所述目标转移概率值对应的转移概率阈值;
事故位置确定模块,用于基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述车辆事故识别方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述车辆事故识别方法的步骤。
本发明提供的车辆事故识别方法、装置、电子设备及存储介质,基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;所述目标转移概率值为所述待检测车辆从第一暂停点转移到第二暂停点的概率;确定所述目标转移概率值对应的转移概率阈值;基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置。本发明实施例根据车辆的运行轨迹数据,确定目标转移概率值和转移概率阈值,简化了数据搜集的种类;基于目标转移概率值和转移概率阈值的比对结果,得到待检测车辆的事故位置,提升了对车辆事故判定的全面性和准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1是本发明提供的车辆事故识别方法的流程示意图之一;
图2是本发明提供的车辆事故识别方法的流程示意图之二;
图3是本发明提供的车辆事故识别装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中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作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。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合图1-图4描述本发明实施例所提供的车辆事故识别方法及装置。
图1是本发明提供的车辆事故识别方法的流程示意图之一,如图1所示,包括但不限于以下步骤:
步骤100:基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;
需要说明的是,本发明实施例提供的任务构建方法的执行主体可以是服务器、计算机设备,例如手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等。
目标转移概率值为待检测车辆从第一暂停点转移到第二暂停点的概率。
第一暂停点是待检测车辆在特定映射范围下的停留时长超过第三阈值的停留点,或者掉线时长超过第三阈值的掉线点。第二暂停点是与第一暂停点相邻的停留点或者掉线点。停留点为待检测车辆的速度小于第一阈值的连续轨迹点。掉线点为对待检测车辆进行采样时,前后两次采样间隔大于第二阈值的轨迹点。
如图2所示,获取待检测车辆的运行轨迹数据,例如,获取待检测车辆3小时前或者一天前的运行轨迹数据。将待检测车辆的运行轨迹数据整理成待检测车辆的暂停矩阵。待检测车辆的运行轨迹数据表示为:
其中,为待检测车辆的运行轨迹数据,tti为第ti次采样的时间,lngti,latti为第ti次采样的经纬度点,vti为第ti次采样的速度值。
确定运行轨迹数据中的停留点和掉线点,进而确定运行轨迹数据中的所有第一暂停点和第二暂停点。根据运行轨迹数据,计算待检测车辆从第一暂停点转移到第二暂停点的目标转移概率值。
进一步的,改变映射范围,获取多种目标转移概率值。
步骤200:确定目标转移概率值对应的转移概率阈值;
转移概率阈值表征车辆正常行使时,从第一暂停点转移到第二暂停点的概率值。
确定与待检测车辆的运行轨迹类似的相似车辆集合。根据历史车辆的运行轨迹数据,确定历史车辆的第一转移概率值。根据相似车辆集合的运行轨迹数据,确定相似车辆集合的第二转移概率值。基于对第一转移概率值和第二转移概率值的学习,得到待检测车辆正常行使过程中的转移概率阈值。
进一步的,改变映射范围,获取多种转移概率阈值。
步骤300:基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置。
比较目标转移概率值和转移概率阈值,进而确定待检测车辆的转移是否脱离正常车辆的行使。当确定待检测车辆在当前第一暂停点的停留或者掉线不正常时,该第一暂停点为待检测车辆的事故位置。
本发明实施例提供的车辆事故识别方法,基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;目标转移概率值为待检测车辆从第一暂停点转移到第二暂停点的概率;确定目标转移概率值对应的转移概率阈值;基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置。本发明实施例根据车辆的运行轨迹数据,确定目标转移概率值和转移概率阈值,简化了数据搜集的种类;基于目标转移概率值和转移概率阈值的比对结果,得到待检测车辆的事故位置,提升了对车辆事故判定的全面性和准确性。
基于上述实施例,基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值,包括:
步骤110:从运行轨迹数据中,获取待检测车辆的速度小于第一阈值的停留点和停留时长,以及待检测车辆的信号采样时间间隔大于第二阈值的掉线点和掉线时长;
步骤120:确定停留点和掉线点的至少一个映射范围;
步骤130:基于映射范围、停留点、停留时长、掉线点和掉线时长,确定至少一种目标转移概率值。
根据运行轨迹数据中各个时间点的速度,筛选出速度小于第一阈值(例如速率小于1km/h)的连续轨迹点作为一次停留点,停留点的表达公式:
其中,为待检测车辆的停留点,tsi为第si次停留的起始时间,lngsi,latsi为第si次停留的经纬度点,dtsi为第si次停留的停留时长。
其中,第si次停留的停留时长的计算公式为:
dtsi=ttk-ttq;
其中,dtsi为第si次停留的停留时长,ttk为第si次停留的结束时间,ttq为第si次停留的起始时间。
筛选出前后两次采样间隔大于第二阈值(例如1小时)的轨迹点作为一次GPS掉线点,掉线点的表达公式为:
其中,为掉线点,toi为第oi次停留的起始时间,lngoi,latoi为第oi次停留的经纬度点,dtoi为第oi次掉线的掉线时长。
其中,第oi次掉线的掉线时长的计算公式为:
dtoi=ttv-ttp;
其中,dtoi为第oi次掉线的掉线时长,ttv为第oi次掉线的结束时间,ttp为第oi次掉线的起始时间。
将停留点、停留时长、掉线点和掉线时长整合在一起,得到待检测车辆的运行轨迹数据,运行轨迹数据的表达公式为:
其中,为停留点,/>为掉线点。
将运行轨迹数据表达成暂停矩阵,暂停矩阵的表达公式为:
其中,为第SOi次停留点或者掉线点的经度点,/>为第SOi次停留点或者掉线点的纬度点,/>为停留时长或者掉线时长。
如图2所示,确定停留点和掉线点的至少一个映射范围。基于映射范围,确定停留点或者掉线点在地理位置上的范围,实际操作过程中可根据数据情况选择映射范围。根据选定的映射规则,将确定的停留点和掉线点映射到不同映射范围的地理区域,得到映射后的暂停矩阵,映射后的暂停矩阵的表达公式为:
其中,为K映射范围下的geohash映射结果,/>为P映射范围下的geohash映射结果。
计算待检测车辆在映射范围下,从第一暂停点转移到第二暂停点的目标转移概率值。改变映射范围,得到至少一种目标转移概率值。
本发明实施例根据待检测车辆的运行轨迹数据,确定待检测车辆的停留点、掉线点、停留时长和掉线时长,进而得到待检测车辆的目标转移概率值,简化了原数据的搜集种类,提升了对车辆事故判定的全面性和准确性。
基于上述实施例,基于映射范围、停留点、停留时长、掉线点和掉线时长,确定至少一种目标转移概率值,包括:
步骤131:获取待检测车辆在映射范围下的停留时长或者掉线时长超过第三阈值的至少一个第一暂停点;
步骤132:确定待检测车辆在映射范围下,在第一暂停点进行转移的第一次数;
步骤133:将与第一暂停点相邻的停留点或者掉线点作为第二暂停点,确定待检测车辆在映射范围下,从第一暂停点转移到第二暂停点的第二次数;
步骤134:将第二次数与第一次数的比值作为待检测车辆在第一暂停点的目标转移概率值;
步骤135:基于更新后的映射范围,确定至少一种目标转移概率值。
根据待检测车辆的映射后的暂停矩阵,获取待检测车辆在特定映射范围(例如,映射范围K)下的停留时长或者掉线时长超过第三阈值(例如,th等于0.5h,或者th等于4h)的至少一个暂停点。确定待检测车辆在映射范围下,在第一暂停点进行转移的第一次数;将与第一暂停点相邻的停留点或者掉线点作为第二暂停点,并基于待检测车辆的历史运行轨迹数据,确定待检测车辆在映射范围下,从第一暂停点转移到第二暂停点的第二次数;将第二次数与第一次数的比值作为待检测车辆在第一暂停点的目标转移概率值;目标转移概率值的计算公式为:
其中,为在映射范围K下,停留时长或者掉线时长超过th的,从第一暂停点geoi转移到第二暂停点geoj停留的目标转移概率值;/>为在映射范围K下,待检测车辆从geoi转移到geoj停留的第二次数;/>为在映射范围K下,待检测车辆在geoi进行转移的第一次数。
改变映射范围,重新确定待检测车辆的停留时长和掉线时长根据上述方法,重新计算待检测车辆的目标转移概率值,进而得到待检测车辆的多种目标转移概率值。
将待检测车辆的目标转移概率值加入暂停矩阵中,带有目标转移概率值的暂停矩阵为:
其中,为在区域精度为K时,以th1为第三阈值下,车辆从geo(ki)转移到geo(ki+1)的目标转移概率值;/>为在区域精度P下,以th2为第三阈值下,车辆从geo(pi)转移到geo(pi+1)的目标转移概率值。
和/>为同一第一暂停点下的不同种目标转移概率值。待检测车辆在映射范围下的停留时长等于待检车车辆在停留范围内停留时长的和。待检测车辆在映射范围下的掉线时长等于待检车车辆在掉线范围内掉线时长的和。
本发明实施例基于相邻的两次停留点或者掉线点,确定待检测车辆的第一次数和第二次数,进而确定目标转移概率值,简化了计算数据的种类,提高了确定目标转移概率值的准确性。本发明实施例着重从不同时间窗口下的位置转移模式角度来评判车辆是否处于正常运行模式中,如果其偏离正常运行模式,则判定其为事故/疑似事故。
基于上述实施例,停留点或者掉线点包括经度和纬度,确定停留点和掉线点的至少一个映射范围,包括:
步骤121:基于预设的经纬度映射规则,将停留点或者掉线点的经度和纬度映射为不同位数的目标字符串;目标字符串表示地理位置上的映射范围。
经纬度映射规则包括地理哈希(geohash)映射。geohash映射将任意一个经纬度点映射为不同位数的geohash字符串,其中特定的字符串表示特定的区域,geohash字符串的位数表示经纬度点映射的面积大小。例如6位的geohash字符串大概表示0.4平方千米的区域。本发明实施例中geohashK,表示K位的geohash映射。geohashP,表示P位的geohash映射。
根据预设的经纬度映射规则(例如,经纬度映射规则为geohashK),将停留点或者掉线点的经度和纬度映射为特定位数的目标字符串(例如,geohashK的目标字符串的特定位数为K);目标字符串表示地理位置上的映射范围,特定字符串代表该映射范围的面积。
本发明实施例通过预设经纬度映射规则,将停留点或者掉线点映射到具有特定面积的地理映射范围,提高了确定停留点或者掉线点的准确性。
基于上述实施例,确定目标转移概率值对应的转移概率阈值,包括:
步骤210:基于历史车辆的历史运行轨迹数据,获取历史车辆在第一暂停点的第一转移概率值;
步骤220:确定待检测车辆的相似车辆集合,并基于相似车辆集合的历史运行轨迹数据,获取相似车辆集合在第一暂停点的第二转移概率值;
步骤230:确定第一转移概率值和第二转移概率值的融合系数,并基于融合系数,对第一转移概率值和第二转移概率值进行加权求和,得到转移概率阈值。
基于上述方法,根据历史车辆的历史运行轨迹数据和映射规则,获取历史车辆在特定映射范围(x)下的暂停矩阵,进而确定历史车辆在停留时长或者掉线时长大于第三阈值(th)下,从第一暂停点(geoi)转移到第二暂停点(geoj)的第一转移概率值
基于上述方法,根据相似车辆集合的历史运行轨迹数据和映射规则,获取相似车辆集合在特定映射范围(x)下的暂停矩阵,进而确定相似车辆集合在停留时长或者掉线时长大于第三阈值(th)下,从第一暂停点(geoi)转移到第二暂停点(geoj)的第一转移概率值
确定第一转移概率值和第二转移概率值的融合系数,并基于融合系数,对第一转移概率值和第二转移概率值进行加权求和,得到转移概率阈值。转移概率阈值的计算公式为:
其中,为相似车辆集合在第一暂停点的第二转移概率值,α为融合系数,/>为历史车辆在第一暂停点的第一转移概率值,/>为转移概率阈值。
改变映射范围,得到不同种的转移概率阈值。
可选的,根据经验设定多种转移概率阈值。
本发明实施例通过对历史车辆的第一转移概率值和相似车辆集合的第二转移概率值进行加权求和,得到转移概率阈值,能够根据待检测车辆的实际情况,确定其转移概率阈值,提高了确定转移概率阈值的准确性。本发明实施例通过挖掘已积累的全量车辆的轨迹数据来学习车辆运行的正常模式,为车辆事故的识别提供了基础。
基于上述实施例,确定待检测车辆的相似车辆集合,包括:
步骤221:确定待检测车辆与任一历史车辆在映射范围下的相同停留点或者相同掉线点的第一数量;
步骤222:确定待检测车辆在映射范围下的停留点或者掉线点的第二数量;
步骤223:确定任一历史车辆在映射范围下的停留点或者掉线点的第三数量;
步骤224:基于第一数量、第二数量和第三数量,确定任一历史车辆与待检测车辆的相似度;
步骤225:将相似度大于第四阈值的历史车辆作为相似车辆集合。
为充分体现待检测车辆的停留/掉线模式的个性化规律,确定待检测车辆的相似车辆集合,来获取相似车辆集合在第一暂停点的第二转移概率值。
确定历史车辆与待检测车辆的相似度,相似度的计算公式为:
其中,为历史车辆i与待检测车辆j的相似度;/>为历史车辆i在映射范围下的停留点或者掉线点的第三数量,/>为待检测车辆j在映射范围下的停留点或者掉线点的第二数量,/>为待检测车辆j与历史车辆i在映射范围下的相同停留点或者相同掉线点的第一数量。
将相似度大于第四阈值的历史车辆作为相似车辆集合。
本发明实施例通过根据历史车辆和待检测车辆的运行轨迹中的停留点或者掉线点的数量,确定历史车辆与待检测车辆的相似度,进而确定相似车辆集合,提高了确定相似车辆集合的准确性。
基于上述实施例,基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置,包括:
当目标转移概率值均小于与其匹配的转移概率阈值时,确定目标转移概率值对应的停留点或者掉线点为事故位置。
将每种目标转移概率值和与其匹配的转移概率阈值进行比对。当所有目标转移概率值(例如,和/>)均小于与其匹配的转移概率阈值时,确定目标转移概率值对应的停留点或者掉线点为事故位置,进而得到事故时间。
本发明实施例通过将目标转移概率值均小于与其匹配的转移概率阈值对应的停留点或者掉线点作为事故位置,提高了确定事故位置的准确性。
本发明实施例还提供了一种车辆事故识别装置,如图3所示,图3是本发明提供的车辆事故识别装置的结构示意图。需要说明的是,本发明实施例提供的车辆事故识别装置,在具体运行时,可以执行上述任一实施例所述的车辆事故识别方法,对此本实施例不作赘述。
参照图3,本发明的实施例提供了一种车辆事故识别装置,包括:
目标转移概率值确定模块301,用于基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;目标转移概率值为待检测车辆从第一暂停点转移到第二暂停点的概率;
转移概率阈值确定模块302,用于确定目标转移概率值对应的转移概率阈值;
事故位置确定模块303,用于基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置。
本发明实施例提供的车辆事故识别装置,基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;目标转移概率值为待检测车辆从第一暂停点转移到第二暂停点的概率;确定目标转移概率值对应的转移概率阈值;基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置。本发明实施例根据车辆的运行轨迹数据,确定目标转移概率值和转移概率阈值,简化了数据搜集的种类;基于目标转移概率值和转移概率阈值的比对结果,得到待检测车辆的事故位置,提升了对车辆事故判定的全面性和准确性。
在一个实施例中,目标转移概率值确定模块301用于:从运行轨迹数据中,获取待检测车辆的速度小于第一阈值的停留点和停留时长,以及待检测车辆的信号采样时间间隔大于第二阈值的掉线点和掉线时长;确定停留点和掉线点的至少一个映射范围;基于映射范围、停留点、停留时长、掉线点和掉线时长,确定至少一种目标转移概率值。
在一个实施例中,目标转移概率值确定模块301用于:获取待检测车辆在映射范围下的停留时长或者掉线时长超过第三阈值的至少一个第一暂停点;确定待检测车辆在映射范围下,在第一暂停点进行转移的第一次数;将与第一暂停点相邻的停留点或者掉线点作为第二暂停点,确定待检测车辆在映射范围下,从第一暂停点转移到第二暂停点的第二次数;将第二次数与第一次数的比值作为待检测车辆在第一暂停点的目标转移概率值;基于更新后的映射范围,确定至少一种目标转移概率值。
在一个实施例中,目标转移概率值确定模块301用于:基于预设的经纬度映射规则,将停留点或者掉线点的经度和纬度映射为特定位数的目标字符串;目标字符串表示地理位置上的映射范围。
在一个实施例中,转移概率阈值确定模块302用于:基于历史车辆的历史运行轨迹数据,获取历史车辆在第一暂停点的第一转移概率值;确定待检测车辆的相似车辆集合,并基于相似车辆集合的历史运行轨迹数据,获取相似车辆集合在第一暂停点的第二转移概率值;确定第一转移概率值和第二转移概率值的融合系数,并基于融合系数,对第一转移概率值和第二转移概率值进行加权求和,得到转移概率阈值。
在一个实施例中,转移概率阈值确定模块302用于:确定待检测车辆与任一历史车辆在映射范围下的相同停留点或者相同掉线点的第一数量;确定待检测车辆在映射范围下的停留点或者掉线点的第二数量;确定任一历史车辆在映射范围下的停留点或者掉线点的第三数量;基于第一数量、第二数量和第三数量,确定任一历史车辆与待检测车辆的相似度;将相似度大于第四阈值的历史车辆作为相似车辆集合。
在一个实施例中,事故位置确定模块303用于:当目标转移概率值均小于与其匹配的转移概率阈值时,确定目标转移概率值对应的停留点或者掉线点为事故位置。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行车辆事故识别方法,该方法包括:
基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;目标转移概率值为待检测车辆从第一暂停点转移到第二暂停点的概率;确定目标转移概率值对应的转移概率阈值;基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的车辆事故识别方法,该方法包括:
基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;目标转移概率值为待检测车辆从第一暂停点转移到第二暂停点的概率;确定目标转移概率值对应的转移概率阈值;基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的车辆事故识别方法,该方法包括:
基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;目标转移概率值为待检测车辆从第一暂停点转移到第二暂停点的概率;确定目标转移概率值对应的转移概率阈值;基于目标转移概率值与转移概率阈值的比较结果,确定待检测车辆的事故位置。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种车辆事故识别方法,其特征在于,包括:
基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;所述目标转移概率值为所述待检测车辆从第一暂停点转移到第二暂停点的概率;
确定所述目标转移概率值对应的转移概率阈值;
基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置。
2.根据权利要求1所述的车辆事故识别方法,其特征在于,所述基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值,包括:
从所述运行轨迹数据中,获取所述待检测车辆的速度小于第一阈值的停留点和停留时长,以及所述待检测车辆的信号采样时间间隔大于第二阈值的掉线点和掉线时长;
确定所述停留点和所述掉线点的至少一个映射范围;
基于所述映射范围、所述停留点、所述停留时长、所述掉线点和所述掉线时长,确定至少一种所述目标转移概率值。
3.根据权利要求2所述的车辆事故识别方法,其特征在于,所述基于所述映射范围、所述停留点、所述停留时长、所述掉线点和所述掉线时长,确定至少一种所述目标转移概率值,包括:
获取所述待检测车辆在所述映射范围下的停留时长或者掉线时长超过第三阈值的至少一个所述第一暂停点;
确定所述待检测车辆在所述映射范围下,在所述第一暂停点进行转移的第一次数;
将与所述第一暂停点相邻的所述停留点或者所述掉线点作为所述第二暂停点,确定所述待检测车辆在所述映射范围下,从所述第一暂停点转移到所述第二暂停点的第二次数;
将所述第二次数与所述第一次数的比值作为所述待检测车辆在所述第一暂停点的目标转移概率值;
基于更新后的映射范围,确定至少一种所述目标转移概率值。
4.根据权利要求2所述的车辆事故识别方法,其特征在于,所述停留点或者所述掉线点包括经度和纬度,所述确定所述停留点和所述掉线点的至少一个映射范围,包括:
基于预设的经纬度映射规则,将所述停留点或者所述掉线点的所述经度和所述纬度映射为特定位数的目标字符串;所述目标字符串表示地理位置上的映射范围。
5.根据权利要求1所述的车辆事故识别方法,其特征在于,所述确定所述目标转移概率值对应的转移概率阈值,包括:
基于历史车辆的历史运行轨迹数据,获取所述历史车辆在第一暂停点的第一转移概率值;
确定所述待检测车辆的相似车辆集合,并基于所述相似车辆集合的历史运行轨迹数据,获取所述相似车辆集合在所述第一暂停点的第二转移概率值;
确定所述第一转移概率值和所述第二转移概率值的融合系数,并基于所述融合系数,对所述第一转移概率值和所述第二转移概率值进行加权求和,得到所述转移概率阈值。
6.根据权利要求5所述的车辆事故识别方法,其特征在于,所述确定所述待检测车辆的相似车辆集合,包括:
确定所述待检测车辆与任一所述历史车辆在映射范围下的相同停留点或者相同掉线点的第一数量;
确定所述待检测车辆在所述映射范围下的停留点或者掉线点的第二数量;
确定任一所述历史车辆在所述映射范围下的停留点或者掉线点的第三数量;
基于所述第一数量、所述第二数量和所述第三数量,确定任一所述历史车辆与所述待检测车辆的相似度;
将相似度大于第四阈值的所述历史车辆作为所述相似车辆集合。
7.根据权利要求1所述的车辆事故识别方法,其特征在于,所述基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置,包括:
当所述目标转移概率值均小于与其匹配的所述转移概率阈值时,确定所述目标转移概率值对应的停留点或者掉线点为所述事故位置。
8.一种车辆事故识别装置,其特征在于,包括:
目标转移概率值确定模块,用于基于待检测车辆的运行轨迹数据,确定至少一种目标转移概率值;所述目标转移概率值为所述待检测车辆从第一暂停点转移到第二暂停点的概率;
转移概率阈值确定模块,用于确定所述目标转移概率值对应的转移概率阈值;
事故位置确定模块,用于基于所述目标转移概率值与所述转移概率阈值的比较结果,确定所述待检测车辆的事故位置。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述车辆事故识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车辆事故识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311393170.6A CN117635010A (zh) | 2023-10-25 | 2023-10-25 | 车辆事故识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311393170.6A CN117635010A (zh) | 2023-10-25 | 2023-10-25 | 车辆事故识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635010A true CN117635010A (zh) | 2024-03-01 |
Family
ID=90026032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311393170.6A Pending CN117635010A (zh) | 2023-10-25 | 2023-10-25 | 车辆事故识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635010A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015072650A (ja) * | 2013-10-04 | 2015-04-16 | 株式会社デンソーアイティーラボラトリ | 経路算出装置、車両制御装置、車両運転支援装置、車両、経路算出プログラム、及び経路算出方法 |
CN108182801A (zh) * | 2017-12-21 | 2018-06-19 | 北京中交兴路信源科技有限公司 | 一种基于车辆轨迹的停留点实时检测方法及*** |
US20210044930A1 (en) * | 2019-08-07 | 2021-02-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, computer device and storage medium for stay point recognition |
JP2021160714A (ja) * | 2020-03-30 | 2021-10-11 | 本田技研工業株式会社 | 車両制御装置および車両制御方法 |
CN113581101A (zh) * | 2021-08-31 | 2021-11-02 | 三一专用汽车有限责任公司 | 工程车辆事故检测处理方法及装置 |
CN115436972A (zh) * | 2022-08-31 | 2022-12-06 | 湖南省交通科学研究院有限公司 | 基于重载货车gps轨迹识别停留点的方法、***及介质 |
US20230164513A1 (en) * | 2021-06-04 | 2023-05-25 | Here Global B.V. | Method, apparatus, and computer program product for anonymizing trajectories and stay points |
CN116434529A (zh) * | 2022-12-12 | 2023-07-14 | 交通运输部规划研究院 | 城际公路货运特征分析方法、装置和电子设备 |
-
2023
- 2023-10-25 CN CN202311393170.6A patent/CN117635010A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015072650A (ja) * | 2013-10-04 | 2015-04-16 | 株式会社デンソーアイティーラボラトリ | 経路算出装置、車両制御装置、車両運転支援装置、車両、経路算出プログラム、及び経路算出方法 |
CN108182801A (zh) * | 2017-12-21 | 2018-06-19 | 北京中交兴路信源科技有限公司 | 一种基于车辆轨迹的停留点实时检测方法及*** |
US20210044930A1 (en) * | 2019-08-07 | 2021-02-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, computer device and storage medium for stay point recognition |
JP2021160714A (ja) * | 2020-03-30 | 2021-10-11 | 本田技研工業株式会社 | 車両制御装置および車両制御方法 |
US20230164513A1 (en) * | 2021-06-04 | 2023-05-25 | Here Global B.V. | Method, apparatus, and computer program product for anonymizing trajectories and stay points |
CN113581101A (zh) * | 2021-08-31 | 2021-11-02 | 三一专用汽车有限责任公司 | 工程车辆事故检测处理方法及装置 |
CN115436972A (zh) * | 2022-08-31 | 2022-12-06 | 湖南省交通科学研究院有限公司 | 基于重载货车gps轨迹识别停留点的方法、***及介质 |
CN116434529A (zh) * | 2022-12-12 | 2023-07-14 | 交通运输部规划研究院 | 城际公路货运特征分析方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
张国政;王梦;朱群;: "复杂道路场景下的车辆碰撞特征检测分析", 软件, no. 08, 15 August 2020 (2020-08-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10728708B2 (en) | Verifying sensor data using embeddings | |
US11664043B2 (en) | Real-time verbal harassment detection system | |
EP2260458B1 (en) | Learning transportation modes from raw gps data | |
CN108319909B (zh) | 一种驾驶行为分析方法及*** | |
CN111415533B (zh) | 弯道安全预警监控方法、装置以及*** | |
CN108120991A (zh) | 一种行车轨迹优化方法 | |
CN116108397B (zh) | 融合多模态数据分析的电力现场作业违章行为识别方法 | |
CN115410420B (zh) | 一种船舶安全航行管理方法和*** | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN111829548A (zh) | 危险路段的检测方法、装置、可读存储介质和电子设备 | |
CN117133099A (zh) | 一种用于高速公路高边坡灾变的自动监测*** | |
CN112633557A (zh) | 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 | |
CN115880928A (zh) | 自动驾驶高精地图实时更新方法、装置、设备及存储介质 | |
Singh et al. | Leveraging graph and deep learning uncertainties to detect anomalous maritime trajectories | |
CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
KR20180058090A (ko) | 경로지에 기반한 도로 상황 및 장애물 인지 시스템 및 방법 | |
CN117635010A (zh) | 车辆事故识别方法、装置、电子设备及存储介质 | |
Bonham et al. | Analysing port and shipping operations using big data | |
Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
CN111832365A (zh) | 车道标记确定方法及装置 | |
CN113870620B (zh) | 一种多ais设备同时开启的船舶识别方法 | |
CN113793031B (zh) | 海底管线风险预测方法及装置 | |
CN110986873B (zh) | 高速铁路工程服役状态预警指标获取方法 |
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 |