[發(fā)明專利]一種基于云邊結合的車載交通事故預警裝置

有效

• 申請?zhí)枺?/td>: 201911367884.3
• 申請日: 2019-12-26
• 公開（公告）號: CN111081020B
• 公開（公告）日: 2020-11-10
• 發(fā)明（設計）人: 劉俊;吳曉;李大慶
• 申請（專利權）人: 安徽揣菲克科技有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;H04L29/08;G01S19/42;G06K9/62;G06N3/08
• 代理公司: 合肥正則元起專利代理事務所(普通合伙) 34160
• 代理人: 韓立峰

1.一種基于云邊結合的車載交通事故預警裝置，其特征在于，包括事故數據采集模塊、云平臺、事故模型預測模塊、車載終端、GPS定位模塊、觸發(fā)預警模塊和天氣預警模塊；

所述事故數據采集模塊包括事故數據采集單元和非事故數據采集單元；所述事故數據采集單元用于采集事故數據并將事故數據發(fā)送至云平臺內；所述非事故數據采集單元用于通過高清卡口采集事故發(fā)生時前一段時間內的非事故車輛運行信息；所述事故數據采集模塊將采集的事故數據和非事故車輛運行信息發(fā)送至云平臺；云平臺內包括事故數據庫和非事故數據庫；所述事故數據庫用于存儲事故數據；非事故數據庫用于存儲非事故車輛運行信息；

所述事故模型預測模塊用于通過云平臺內的事故數據進行處理實現集中預警具體處理步驟如下：

步驟一：將事故數據進行數據ETL處理；然后進行變量定義，包括定義自變量因子集和因變量，自變量因子集包括：駕齡、天氣、能見度、路面狀況、車齡、路面隔離設置、駕駛人年齡；因變量為事故等級；

步驟二：設定數據的時間分辨率、訓練樣本的時間起止范圍；

步驟三：以決策樹、神經網絡、支持向量機及多元回歸模型進行加權模型訓練，得到訓練模型，具體為：

S1：訓練模型為其中，T為組合的模型數量；w_i為模型權重，滿足w_i＝0且h_i為訓練的事故預測模型；H表示為預測概率；取值為0-1；

S2：模型權重計算公式為其中T為組合的模型數量；pre_j為模型j的預測準確度；

S3：利用公式獲取得到預測準確度pre_j；其中，n為樣本數；f_i模型預測樣本i的事故發(fā)生等級；y_i為實測樣本i的事故發(fā)生等級；

步驟四：輸出訓練模型；

所述車載終端用于向云平臺實時發(fā)送至車速、車牌和行駛時長；所述天氣預報模塊用于通過互聯(lián)網獲取天氣狀況和能見度值并將其發(fā)送至向云平臺；所述GPS定位模塊用于獲取車載終端當前的位置；所述觸發(fā)預報模塊用于獲取車載終端實時發(fā)送的車速以及當前位置和天氣狀況和能見度并進行觸發(fā)分析計算，生成預警指令至云平臺；云平臺接收到預警指令后通過訓練模型獲取得到預測概率并向車載終端發(fā)送預報信息至車載終端，通過車載終端對預報信息進行顯示和語音播報。

2.根據權利要求1所述的一種基于云邊結合的車載交通事故預警裝置，其特征在于，所述事故數據包括駕駛人信息、駕駛車輛信息、行駛道路信息、事故車輛環(huán)境信息和事故等級；駕駛人信息包括駕齡、年齡、文化程度和性別；駕駛車輛信息包括車齡、車速；事故車輛環(huán)境信息包括天氣狀況和能見度；天氣狀況包括陰天、晴天、下雨天、下雪天和下霧天；行駛道路信息包括路面狀況、路表情況和路面結構；路面狀況包括路側防護類型和道路線型；路側防護類型包括植物防護和工程防護；工程防護包括框格防護、封面、護面墻、干砌片石護坡、漿砌片石護坡、漿砌預制塊護坡、錨桿鋼絲網噴漿和射混凝土護坡；路表情況包括干燥、潮濕、積水、漫水、冰雪和泥濘；所述非事故車輛運行信息包括車牌、車牌對應的駕駛車輛信息以及駕駛人信息。