[發(fā)明專利]一種車輛事故識別方法、車載終端及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201710839648.1
• 申請日: 2017-09-18
• 公開（公告）號: CN107730028A
• 公開（公告）日: 2018-02-23
• 發(fā)明（設(shè)計）人: 李宏;殷建紅;陸龍;黃道旭;王忠;吳良平;林少媚
• 申請（專利權(quán)）人: 廣東翼卡車聯(lián)網(wǎng)服務(wù)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06Q50/30;G06N3/04
• 代理公司: 深圳市君勝知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)44268
• 代理人: 王永文,朱陽波

技術(shù)領(lǐng)域

本發(fā)明涉及智能車聯(lián)網(wǎng)技術(shù)領(lǐng)域，具體涉及一種車輛事故識別方法、車載終端及存儲介質(zhì)。

背景技術(shù)

隨著社會經(jīng)濟(jì)的不斷發(fā)展，人們的物質(zhì)生活越來越豐富，汽車幾乎成為各家各戶出行必備的工具之一，加之隨著電子技術(shù)的不斷發(fā)展，智能電子設(shè)備的普及，物聯(lián)網(wǎng)、大數(shù)據(jù)、車聯(lián)網(wǎng)等概念深入人心，智能車載行業(yè)表現(xiàn)出一片欣欣向榮的情景，帶給車主們更加人性化的體驗與服務(wù)。

但是頻發(fā)的交通事故讓我們防不勝防，當(dāng)前的車輛事故識別主要基于車速、加速度、方向等數(shù)據(jù)來判斷車輛是否發(fā)生事故，由于數(shù)據(jù)噪聲比較大，這種方法會把很多急減速、急轉(zhuǎn)彎事件誤判為碰撞事故，同時對于車速不高情況下的輕微擦碰又無法識別，并且現(xiàn)有技術(shù)都是通過固定公式來判斷事故是否發(fā)生，僅僅只考慮了某些特定的因素，往往事故的發(fā)生不僅僅是由一個或者兩個因素而導(dǎo)致的，而是受特別多因素的影響，因此容易忽略很多有用數(shù)據(jù)，因而事故判斷的準(zhǔn)確性非常低，不利于準(zhǔn)確判斷及救援工作開展。

因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有技術(shù)的上述缺陷，提供一種車輛事故識別方法、車載終端及存儲介質(zhì)，旨在解決現(xiàn)有技術(shù)中車輛事故識別準(zhǔn)確度低，導(dǎo)致不能及時開展救援行動的問題。

本發(fā)明解決技術(shù)問題所采用的技術(shù)方案如下：

一種車輛事故識別方法，其中，所述方法包括：

實時采集車輛在行駛過程中的全量數(shù)據(jù)，并對采集到的全量數(shù)據(jù)進(jìn)行清洗并分離成數(shù)值型數(shù)據(jù)與非數(shù)值型數(shù)據(jù)；

獲取非數(shù)值型數(shù)據(jù)，并對非數(shù)值型數(shù)據(jù)進(jìn)行用于將非數(shù)值型數(shù)據(jù)轉(zhuǎn)成數(shù)值型數(shù)據(jù)的特征工程改造處理；

將全量數(shù)據(jù)中數(shù)值型數(shù)據(jù)以及由非數(shù)值型數(shù)據(jù)經(jīng)特征改造處理之后轉(zhuǎn)換成的數(shù)值型數(shù)據(jù)套入預(yù)先建立好的數(shù)據(jù)模型，經(jīng)數(shù)據(jù)模型運算處理，得出事故發(fā)生的概率；

當(dāng)事故發(fā)生的概率大于預(yù)設(shè)的第一概率閾值時，則控制車載終端發(fā)出用于警告的預(yù)警信息；當(dāng)事故發(fā)生的概率大于預(yù)設(shè)的第二概率閾值時，則控制車載終端向后臺服務(wù)器上報所述車輛的事故信息。

所述的車輛事故識別方法，其中，所述全量數(shù)據(jù)包括數(shù)值型數(shù)據(jù)及非數(shù)值型數(shù)據(jù)；

所述數(shù)值型數(shù)據(jù)具體包括：所述車輛的速度、加速度值；

所述非數(shù)值型數(shù)據(jù)具體包括：GPS數(shù)據(jù)、所述車輛的左右前后位置是否有其他車輛以及所述車輛用戶的駕駛狀態(tài)。

所述的車輛事故識別方法，其中，所述實時采集車輛在行駛過程中的全量數(shù)據(jù)，并對采集到的全量數(shù)據(jù)進(jìn)行清洗并分離成數(shù)值型數(shù)據(jù)與非數(shù)值型數(shù)據(jù)之前還包括：

預(yù)先采集大量車輛的全量數(shù)據(jù)進(jìn)行模型訓(xùn)練，并建立一數(shù)據(jù)模型；所述數(shù)據(jù)模型為基于時間序列數(shù)據(jù)處理的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)模型；

所述數(shù)據(jù)模型用于當(dāng)實時采集到所述車輛的全量數(shù)據(jù)時，直接套入所述數(shù)據(jù)模型，經(jīng)數(shù)據(jù)模型運算，得出所述車輛發(fā)生事故的概率。

所述的車輛事故識別方法，其中，所述實時采集車輛在行駛過程中的全量數(shù)據(jù)，并對采集到的全量數(shù)據(jù)進(jìn)行清洗并分離成數(shù)值型數(shù)據(jù)與非數(shù)值型數(shù)據(jù)具體包括：

當(dāng)車輛啟動后，在預(yù)設(shè)時間和固定周期內(nèi)開始采集車輛在行駛過程中的全量數(shù)據(jù)；

對獲取到的全量數(shù)據(jù)進(jìn)行去噪、濾波、空值和/或重復(fù)值處理，清除無效數(shù)據(jù)，并將全量數(shù)據(jù)分離成數(shù)值型數(shù)據(jù)與非數(shù)值型數(shù)據(jù)。

所述的車輛事故識別方法，其中，所述當(dāng)車輛啟動后，在預(yù)設(shè)時間和固定周期內(nèi)開始采集車輛在行駛過程中的全量數(shù)據(jù)具體包括：

通過所述車輛上的預(yù)裝的傳感器、GPS以及監(jiān)控攝像頭定時采集所述車輛的全量數(shù)據(jù)；所述傳感器包括重力傳感器、加速度傳感器、陀螺儀傳感器以及距離傳感器；

所述GPS用于獲取當(dāng)前車輛的周圍其他車輛的車速；

所述監(jiān)控攝像頭用于收集所述車輛的用戶的駕駛狀態(tài)。

所述的車輛事故識別方法，其中，所述獲取非數(shù)值型數(shù)據(jù)，并對非數(shù)值型數(shù)據(jù)進(jìn)行用于將非數(shù)值型數(shù)據(jù)轉(zhuǎn)成數(shù)值型數(shù)據(jù)的特征工程改造處理具體包括：

獲取所述全量數(shù)據(jù)中的非數(shù)值型數(shù)據(jù)；

對所述非數(shù)值型數(shù)據(jù)進(jìn)行特征工程改造處理，使所述非數(shù)值型數(shù)據(jù)轉(zhuǎn)換成數(shù)值型數(shù)據(jù)；

對處理后的數(shù)據(jù)進(jìn)行相關(guān)性分析，并將相關(guān)性強(qiáng)的數(shù)據(jù)合并。

所述的車輛事故識別方法，其中，所述將全量數(shù)據(jù)中數(shù)值型數(shù)據(jù)以及由非數(shù)值型數(shù)據(jù)經(jīng)特征改造處理之后轉(zhuǎn)換成的數(shù)值型數(shù)據(jù)套入預(yù)先建立好的數(shù)據(jù)模型，經(jīng)數(shù)據(jù)模型運算處理，得出事故發(fā)生的概率具體包括：

根據(jù)預(yù)先設(shè)置好的數(shù)據(jù)模型，套入全量數(shù)據(jù)中的數(shù)值型數(shù)據(jù)以及經(jīng)處理后的非數(shù)值型數(shù)據(jù)；