[發明專利]基于深度學習的車輛碰撞識別方法和系統

在審

• 申請號: 202110061524.1
• 申請日: 2021-01-18
• 公開（公告）號: CN112749210A
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 朱瑞;何道峰
• 申請（專利權）人: 優必愛信息技術（北京）有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/25;G06F16/29;G06N3/04;G06N3/08;G06Q50/26;G06Q50/30
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 牛晴

1.一種基于深度學習的車輛碰撞識別方法，其特征在于，包括：

步驟1：采集車輛實時運行數據，以及獲取車輛歷史運行數據和車輛歷史出險數據；

步驟2：對車輛運行數據進行預處理；

步驟3：對車輛運行數據進行低頻到高頻的數據插補處理；

步驟4：ETL工程特征轉化處理；

步驟5：通過深度學習方法與數理統計相關原理進行模型訓練與迭代，得到相關模型；

步驟6：根據車輛實時運行數據并結合相關模型，得到車輛碰撞識別結果。

2.根據權利要求1所述的車輛碰撞識別方法，其特征在于，所述獲取車輛歷史運行數據和車輛歷史出險數據，包括：

獲取車輛歷史運行數據，該數據包括：時間戳、GPS速度、GPS方向、GPS高度、設備電源狀態、設備定位狀態、車輛移動狀態、GPS經度和GPS緯度；

通過第三方獲取該車輛的歷史出險信息，該出險信息包括：出險時間、出險地點和車輛碰撞位置；

將出險信息與車輛歷史運行數據通過出險時間進行匹配，通過數據滑動的方法截取包含出險瞬間的時間長度為Ts不同時序數據，并標注標簽為出險，同時，截取一定數量的非出險時序數據，標注標簽為非出險。

3.根據權利要求2所述的車輛碰撞識別方法，其特征在于，所述對車輛運行數據進行預處理，包括：

對車輛運行數據進行時序混亂處理；

對時序混亂處理后的數據進行GPS定位漂移異常值處理；

對GPS定位漂移異常值處理后的數據進行信號丟失數據處理，刪除無定位信號且速度為0的數據。

4.根據權利要求3所述的車輛碰撞識別方法，其特征在于，所述對車輛運行數據進行時序混亂處理，包括：

對于用于模型訓練的歷史數據，對所述Ts時序數據的分鐘min記錄進行眾數計算，然后將每一條記錄與當前眾數進行比較，計算時間戳差值，若差值大于預設時間，則認為該記錄是對以前的數據進行補數操作，將該記錄刪除；

對于模型上線實時計算的時序數據，則通過計算各條數據時間戳與當前系統時間的時間差值，若差值大于預設時間，則認為該條數據是系統補錄數據的操作，將該條數據刪除；

對以上處理完成的歷史數據或實時分析的數據按照時間戳進行排序操作。

5.根據權利要求3所述的車輛碰撞識別方法，其特征在于，所述對時序混亂處理后的數據進行GPS定位漂移異常值處理，包括：

依次計算t，t+1記錄之間的時間間隔和地球直線距離；

獲取可疑直線距離；

根據可疑直線距離、時間間隔和地球直線距離定位漂移點。

6.根據權利要求1所述的車輛碰撞識別方法，其特征在于，所述對車輛運行數據進行低頻到高頻的數據插補處理，包括：

利用微分積分和貝塞爾曲線方法對車輛運行數據進行低頻到高頻的數據插補處理；

具體的，利用微分積分方法對車輛運行數據進行速度項插補處理；

利用貝塞爾曲線方法對速度項插補處理后的車輛運行數據進行GPS經緯度項插補。

7.根據權利要求1所述的車輛碰撞識別方法，其特征在于，所述通過深度學習方法與數理統計相關原理進行模型訓練與迭代，包括：

對處理完成的歷史數據進行訓練集和測試集劃分；

運用LSTM模型參數，對訓練集數據進行LSTM建模，并運用LSTM模型優化及評估參數，對測試集數據預測結果進行評估，以對模型參數進行優化迭代。