基于机动车状态监控数据挖掘的驾驶风险防范方法及系统专利检索-风地球科学专利检索查询-专利查询网

基于机动车状态监控 数据挖掘的驾驶 风险防范方法及系统

阅读：746发布：2021-06-10

专利汇可以提供基于机动车状态监控数据挖掘的驾驶风险防范方法及系统专利检索，专利查询，专利分析的服务。并且本发明提供一种基于机动车状态监控数据挖掘的驾驶风险防范系统，包括：数据采集模块，采集车辆数据以及相关数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；数据压缩模块，对机动车状态全要素高维数据进行降维压缩；训练模块，利用深度神经网络对降维压缩后的大量机动车状态全要素数据进行训练，获得可相应输出驾驶员驾驶风险值的神经网络模型；预测分析模块，利用神经网络模型将海量机动车状态全要素高维数据重构为海量驾驶员驾驶风险值，并利机器学习方法对其分析获得驾驶员驾驶风险阈值；实时风险提示模块,输出并显示当前驾驶员驾驶风险值；本发明为驾驶员提供了科学有效的驾驶指导。，下面是基于机动车状态监控数据挖掘的驾驶风险防范方法及系统专利的具体信息内容。

权利要求

1.一种基于机动车状态监控数据挖掘的驾驶风险防范系统，其特征在于，包括：
数据采集模块，采集车辆数据以及相关数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；
数据压缩模块，对机动车状态全要素高维数据进行降维压缩；
训练模块，利用深度神经网络对降维压缩后的大量机动车状态全要素数据进行训练，获得可相应输出驾驶员驾驶风险值的神经网络模型；
预测分析模块，利用神经网络模型将海量机动车状态全要素高维数据重构为海量驾驶员驾驶风险值，并利机器学习方法对其分析获得驾驶员驾驶风险阈值；
实时风险提示模块，加载所述神经网络模型，接入当前机动车状态全要素数据，输出并显示当前驾驶员驾驶风险值；在当前驾驶员驾驶风险值超过驾驶员驾驶风险值阈值时加以提示。
2.如权利要求1所述的基于机动车状态监控数据挖掘的驾驶风险防范系统，其特征在于，
数据压缩模块中，降维压缩方法采用线段简化压缩算法。
3.如权利要求1或2所述的基于机动车状态监控数据挖掘的驾驶风险防范系统，其特征在于，
训练模块中，深度神经网络采用多层感知机，并抽取出机动车状态全要素高维数据中的是否发生交通事故信息作为训练时使用的二分类分类标签。
4.如权利要求3所述的基于机动车状态监控数据挖掘的驾驶风险防范系统，其特征在于，
预测分析模块中，机器学习方法包括：对分类标签对应为发生事故的驾驶风险值应用K-means算法做二分类，取大簇中最小值为驾驶员驾驶风险值阈值。
5.如权利要求1或2所述的基于机动车状态监控数据挖掘的驾驶风险防范系统，其特征在于，
该系统还包括驾驶习惯纠正模块，用于对当前驾驶员的驾驶操作进行指导和对当前机动车状态调整进行提示；
训练模块还需要基于驾驶操作和机动车状态挑选数据训练出第一双RNN网络模型；驾驶习惯纠正模块加载所述第一双RNN网络模型，接入当前接入机动车状态全要素数据；第一双RNN网络模型包括两个循环神经网络RNN；一个根据当前驾驶员驾驶操作和机动车状态来预测下一时刻的驾驶操作和机动车状态，另一个根据当前驾驶员驾驶操作和机动车状态来预测下一时刻最佳的驾驶操作和机动车状态调整方向，当两者差异足够大时将最佳驾驶操作和应当的机动车状态调整方向提示给驾驶员。
6.如权利要求1或2所述的基于机动车状态监控数据挖掘的驾驶风险防范系统，其特征在于，
该系统还包括驾驶条件风险提示模块，用于根据当前机动车状态和驾驶环境给出驾驶指导、风险决策；
训练模块还需要基于机动车状态和驾驶环境挑选数据训练出第二双RNN网络模型；驾驶条件风险提示模块加载所述第二双RNN网络模型，接入当前接入机动车状态全要素数据；
第二双RNN网络模型包括两个循环神经网络RNN；一个根据当前机动车状态和当前驾驶环境预测下一时刻驾驶风险值，另一个根据当前机动车状态和当前驾驶环境预测下一时刻最优利于驾驶风险改善的机动车状态调整操作，当下一时刻风险较大、驾驶风险改善预期较好时给予驾驶员驾驶指导、风险决策提醒。
7.一种基于机动车状态监控数据挖掘的驾驶风险防范方法，其特征在于，包括以下步骤：
S1，采集车辆数据以及相关数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；
S2，对机动车状态全要素高维数据进行降维压缩；
S3，利用深度神经网络对降维压缩后的大量机动车状态全要素数据进行训练，获得可相应输出驾驶员驾驶风险值的神经网络模型；
S4，利用神经网络模型将海量机动车状态全要素高维数据重构为海量驾驶员驾驶风险值，并利机器学习方法对其分析获得驾驶员驾驶风险阈值；
S5，加载所述神经网络模型，接入当前机动车状态全要素数据，输出并显示当前驾驶员驾驶风险值；在当前驾驶员驾驶风险值超过驾驶员驾驶风险值阈值时加以提示。
8.如权利要求7所述的基于机动车状态监控数据挖掘的驾驶风险防范方法，其特征在于，
步骤S2中，采用线段简化压缩算法让一段时刻轨迹中的部分代表整体数据。
9.如权利要求7所述的基于机动车状态监控数据挖掘的驾驶风险防范方法，其特征在于，
降维压缩后数据集合为S′；步骤S3具体包括：
(1)将S′中全部的机动车发生事故与否信息抽取出来作为二分类分类标签，剩余得到S″；
(2)使用多层感知机训练，更新多层感知机网络参数W，最终获得神经网络模型M。
10.如权利要求8所述的基于机动车状态监控数据挖掘的驾驶风险防范方法，其特征在于，
步骤S4具体包括：
(1)将去掉机动车发生事故与否信息后的全要素高维数据输入神经网络模型M，得到且重构为海量驾驶员驾驶风险值集合V；
(2)将V中全部对应未发生事故的部分去除，得到V′；
(3)对V′应用K-means算法做二分类，取大簇中最小值为驾驶员驾驶风险值阈值
11.如权利要求7所述的基于机动车状态监控数据挖掘的驾驶风险防范方法，其特征在于，还包括以下步骤：
S6，基于驾驶操作和机动车状态挑选数据训练出第一双RNN网络模型；加载所述第一双RNN网络模型，接入当前接入机动车状态全要素数据，输出可能的下一时刻最佳的驾驶操作和相应的机动车状态调整方向，对当前驾驶员的驾驶操作进行指导和对当前机动车状态调整进行提示；
S7，基于机动车状态和驾驶环境挑选数据训练出第二双RNN网络模型；加载所述第二双RNN网络模型，接入当前接入机动车状态全要素数据，输出可能的对下一时刻的驾驶指导、风险决策提醒。

说明书全文

基于机动车状态监控数据挖掘的驾驶 风险防范方法及系统

技术领域

[0001] 本发明涉及智能交通应用领域，特别是涉及一种基于机动车状态监控数据挖掘的驾驶风险防范方法及系统。

背景技术

[0002] 随着车联网技术的迅速兴起，当前各类基于海量机动车状态监控数据的智能交通技术成为研究热点，同时因其巨大的社会价值和广阔的应用前景，十分值得研究。

[0003] 一方面，现有研究中缺乏基于机动车状态监控数据挖掘和驾驶风险防范方法及系统的研究。另一方面，伴随大数据和人工智能技术的发展，智能交通领域呼唤能为驾驶员提供实时、专业、智能、科学、有效驾驶指导的方法及系统。

发明内容

[0004] 本发明的目的是在于克服现有技术中存在的不足，提供一种基于机动车状态监控数据挖掘的驾驶风险防范方法及系统，能够为驾驶员提供实时风险值提示，提供了科学有效的驾驶指导。

[0005] 本发明实施例提供一种基于机动车状态监控数据挖掘的驾驶风险防范系统，包括：

[0006] 数据采集模块，采集车辆数据以及相关数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；

[0007] 数据压缩模块，对机动车状态全要素高维数据进行降维压缩；

[0008] 训练模块，利用深度神经网络对降维压缩后的大量机动车状态全要素数据进行训练，获得可相应输出驾驶员驾驶风险值的神经网络模型；

[0009] 预测分析模块，利用神经网络模型将海量机动车状态全要素高维数据重构为海量驾驶员驾驶风险值，并利机器学习方法对其分析获得驾驶员驾驶风险阈值；

[0010] 实时风险提示模块，加载所述神经网络模型，接入当前机动车状态全要素数据，输出并显示当前驾驶员驾驶风险值；在当前驾驶员驾驶风险值超过驾驶员驾驶风险值阈值时加以提示。

[0011] 进一步地，数据压缩模块中，降维压缩方法采用线段简化压缩算法。

[0012] 进一步地，训练模块中，深度神经网络采用多层感知机，并抽取出机动车状态全要素高维数据中的是否发生交通事故信息作为训练时使用的二分类分类标签。

[0013] 进一步地，预测分析模块中，机器学习方法包括：对分类标签对应为发生事故的驾驶风险值应用K-means算法做二分类，取大簇中最小值为驾驶员驾驶风险值阈值。

[0014] 进一步地，该系统还包括驾驶习惯纠正模块，用于对当前驾驶员的驾驶操作进行指导和对当前机动车状态调整进行提示；

[0015] 训练模块还需要基于驾驶操作和机动车状态挑选数据训练出第一双RNN网络模型；驾驶习惯纠正模块加载所述第一双RNN网络模型，接入当前接入机动车状态全要素数据；第一双RNN网络模型包括两个循环神经网络RNN；一个根据当前驾驶员驾驶操作和机动车状态来预测下一时刻的驾驶操作和机动车状态，另一个根据当前驾驶员驾驶操作和机动车状态来预测下一时刻最佳的驾驶操作和机动车状态调整方向，当两者差异足够大时将最佳驾驶操作和应当的机动车状态调整方向提示给驾驶员。

[0016] 进一步地，该系统还包括驾驶条件风险提示模块，用于根据当前机动车状态和驾驶环境给出驾驶指导、风险决策；

[0017] 训练模块还需要基于机动车状态和驾驶环境挑选数据训练出第二双RNN网络模型；驾驶条件风险提示模块加载所述第二双RNN网络模型，接入当前接入机动车状态全要素数据；第二双RNN网络模型包括两个循环神经网络RNN；一个根据当前机动车状态和当前驾驶环境预测下一时刻驾驶风险值，另一个根据当前机动车状态和当前驾驶环境预测下一时刻最优利于驾驶风险改善的机动车状态调整操作，当下一时刻风险较大、驾驶风险改善预期较好时给予驾驶员驾驶指导、风险决策提醒。

[0018] 本发明实施例还提供一种基于机动车状态监控数据挖掘的驾驶风险防范方法，包括以下步骤：

[0019] S1，采集车辆数据以及相关数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；

[0020] S2，对机动车状态全要素高维数据进行降维压缩；

[0021] S3，利用深度神经网络对降维压缩后的大量机动车状态全要素数据进行训练，获得可相应输出驾驶员驾驶风险值的神经网络模型；

[0022] S4，利用神经网络模型将海量机动车状态全要素高维数据重构为海量驾驶员驾驶风险值，并利机器学习方法对其分析获得驾驶员驾驶风险阈值；

[0023] S5，加载所述神经网络模型，接入当前机动车状态全要素数据，输出并显示当前驾驶员驾驶风险值；在当前驾驶员驾驶风险值超过驾驶员驾驶风险值阈值时加以提示。

[0024] 进一步地，步骤S2中，采用线段简化压缩算法让一段时刻轨迹中的部分代表整体数据。

[0025] 进一步地，降维压缩后数据集合为S′；步骤S3具体包括：

[0026] (1)将S′中全部的机动车发生事故与否信息抽取出来作为二分类分类标签，剩余得到S″；

[0027] (2)使用多层感知机训练，更新多层感知机网络参数W，最终获得神经网络模型M。

[0028] 进一步地，步骤S4具体包括：

[0029] (1)将去掉机动车发生事故与否信息后的全要素高维数据输入神经网络模型M，得到且重构为海量驾驶员驾驶风险值集合V；

[0030] (2)将V中全部对应未发生事故的部分去除，得到V′；

[0031] (3)对V′应用K-means算法做二分类，取大簇中最小值为驾驶员驾驶风险值阈值[0032] 进一步地，所述的基于机动车状态监控数据挖掘的驾驶风险防范方法，还包括以下步骤：

[0033] S6，基于驾驶操作和机动车状态挑选数据训练出第一双RNN网络模型；加载所述第一双RNN网络模型，接入当前接入机动车状态全要素数据，输出可能的下一时刻最佳的驾驶操作和相应的机动车状态调整方向，对当前驾驶员的驾驶操作进行指导和对当前机动车状态调整进行提示；

[0034] S7，基于机动车状态和驾驶环境挑选数据训练出第二双RNN网络模型；加载所述第二双RNN网络模型，接入当前接入机动车状态全要素数据，输出可能的对下一时刻的驾驶指导、风险决策提醒。

[0035] 本发明的优点：本发明支持在任意车辆为驾驶员提供实时风险值提示，并可选择的启用驾驶习惯纠正模块和驾驶条件风险提示模块，为驾驶员提供实时、专业、智能、科学、有效的驾驶指导，帮助驾驶员科学选择驾驶操作保持机动车行驶安全、减少错误操作对机动车的损伤、及时精准给与驾驶员提示、高效处理各种陌生驾驶环境、避免驾驶经验不足导致驾驶危险。附图说明

[0036] 图1为本发明的实施例系统组成示意图。

[0037] 图2为本发明的实施例方法流程图。

具体实施方式

[0038] 下面结合具体附图和实施例对本发明作进一步说明。

[0039] 本发明的实施例提出一种基于机动车状态监控数据挖掘的驾驶风险防范系统，如图1所示，包括：数据采集模块、数据压缩模块、训练模块、预测分析模块、实时风险提示模块、驾驶习惯纠正模块、驾驶条件风险提示模块；其中后两个模块属于选配的模块；

[0040] 在一些实施例中，数据采集模块、数据压缩模块、训练模块、预测分析模块可布设于服务器或高性能计算设备上，例如分布式计算集群；当然在车载AI芯片的性能足够情况下，这些模块也可以配置在车载AI芯片上；

[0041] 在一些实施例中，实时风险提示模块，以及可选的驾驶习惯纠正模块、驾驶条件风险提示模块被配置于车载AI单元上；车载AI单元可以包括车载AI芯片，以及显示屏等；

[0042] 1)数据采集模块，采集车辆数据以及相关数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；

[0043] 在一些实施例中，可汇集基于车联网的机动车安全联网监管平台海量数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；

[0044] 车辆单元是由特定车辆与特定驾驶员配对的对象，所收集的海量全要素高维数据，是一个维度随基于车联网的机动车安全联网监管平台数据丰富度扩展而扩增的高维数据，它包含的信息包括：车辆唯一ID、驾驶员身份ID、车辆定位状态、车辆速度、车辆航向、驾驶员操作、车辆排放、车辆三轴加速度、车辆三轴角速度、天气状况、路面状况、obd信息、交通事故信息、时间信息。

[0045] 2)数据压缩模块，对机动车状态全要素高维数据进行降维压缩；

[0046] 在一些实施例中，降维压缩方法可以是以车辆行驶轨迹为主要压缩依据，采用线段简化压缩算法让一段轨迹中的部分数据代表整体数据。

[0047] 3)训练模块，利用深度神经网络对降维压缩后的大量机动车状态全要素数据进行训练，获得可相应输出驾驶员驾驶风险值的神经网络模型；

[0048] 在一些实施例中，所使用的深度神经网络为多层感知机，并抽取出机动车状态全要素高维数据中的是否发生交通事故信息作为训练时使用的二分类分类标签。

[0049] 4)预测分析模块，利用神经网络模型将海量机动车状态全要素高维数据重构为海量驾驶员驾驶风险值，并利机器学习方法对其分析获得驾驶员驾驶风险阈值；

[0050] 在一些实施例中，机器学习方法可以是，对分类标签对应为发生事故的驾驶风险值应用K-means算法做二分类，取大簇中最小值为驾驶员驾驶风险值阈值。

[0051] 5)实时风险提示模块，加载所述神经网络模型，接入当前机动车状态全要素数据，输出并显示当前驾驶员驾驶风险值；在当前驾驶员驾驶风险值超过驾驶员驾驶风险值阈值时加以提示；

[0052] 在一些实施例中，在当前驾驶员驾驶风险值超过驾驶员驾驶风险值阈值时，可以在车载显示屏上用红色进行提示；在其它的实施例中，也可以采用警告声音进行提示。

[0053] 6)在一些实施例中，该系统还可以包括驾驶习惯纠正模块，对当前驾驶员的驾驶操作进行指导和对当前机动车状态调整进行提示；

[0054] 训练模块还需要基于驾驶操作和机动车状态挑选数据训练出第一双RNN网络模型；

[0055] 驾驶习惯纠正模块加载所述第一双RNN网络模型，接入当前接入机动车状态全要素数据；

[0056] 第一双RNN网络模型包括两个循环神经网络RNN；一个根据当前驾驶员驾驶操作和机动车状态来预测下一时刻的驾驶操作和机动车状态，另一个根据当前驾驶员驾驶操作和机动车状态来预测下一时刻最佳的驾驶操作和机动车状态调整方向，当两者差异足够大时(例如通过比较差异是否超过设定范围)将最佳驾驶操作和应当的机动车状态调整方向提示给驾驶员；

[0057] 7)在一些实施例中，该系统还可以包括驾驶条件风险提示模块，根据当前机动车状态和驾驶环境给出驾驶指导、风险决策；

[0058] 训练模块还需要基于机动车状态和驾驶环境挑选数据训练出第二双RNN网络模型；

[0059] 驾驶条件风险提示模块加载所述第二双RNN网络模型，接入当前接入机动车状态全要素数据；

[0060] 第二双RNN网络模型包括两个循环神经网络RNN；一个根据当前机动车状态和当前驾驶环境(如天气状况、路面状况)预测下一时刻驾驶风险值，另一个根据当前机动车状态和当前驾驶环境(如天气状况、路面状况)预测下一时刻最优利于驾驶风险改善的机动车状态调整操作，当下一时刻风险较大、驾驶风险改善预期较好时给予驾驶员驾驶指导、风险决策提醒，使得驾驶员在恶劣、特殊天气时可以知道诸如该保持怎样的速度、何时该择机进入休息区等，防范驾驶员因错误驾驶决策使自身或他人陷入危险。

[0061] 本发明的实施例还提出一种基于机动车状态监控数据挖掘的驾驶风险防范方法，包括以下步骤：

[0062] S1，采集车辆数据以及相关数据，组成以车辆为单元按时间做划分的机动车状态全要素高维数据；

[0063] (1)设全要素高维数据单元向量s定义为：s＝(Iv,Ip,T,E1,E2,,...Ei...,En)，其中Iv表示车辆唯一ID、Ip表示驾驶员身份ID、T表示时间、Ei表示其它众多基于车联网的机动车安全联网监管平台收集到的数据，诸如车辆定位状态、车辆速度、车辆航向、驾驶员操作、车辆排放、车辆三轴加速度、车辆三轴角速度、天气状况、路面状况、obd信息、交通事故信息等，并且他们是一个维度可以随基于车联网的机动车安全联网监管平台数据丰富度扩展而扩增的高维数据；

[0064] (2)设全要素高维数据S集合定义为：S＝{s1,t11,...,s1,t1n,s2,t21,...,s2,t2n,...si,ti1,..si,tii.,si,tin,...,sn,tn1,...,sn,tnn}，其中si,tii表示第i个机动车某时刻某车辆单元的全要素高维数据单元向量；

[0065] S2，对机动车状态全要素高维数据进行降维压缩；

[0066] (1)可以将全要素高维数据S集合采用线段简化压缩算法让一段时刻轨迹中的部分代表整体数据，得到S′＝{s1,t1j,...,s1,t1k,s2,t2j,...,s2,t2k,...si,tij,..si,tii.,si,tik,...,sn,tnj,...,sn,tnk}；

[0067] S3，利用深度神经网络对降维压缩后的大量机动车状态全要素数据进行训练，获得可相应输出驾驶员驾驶风险值的神经网络模型；

[0068] (1)将S′中全部的机动车发生事故与否信息抽取出来作为二分类分类标签，剩余得到S″；

[0069] (2)使用多层感知机训练，更新多层感知机网络参数W，最终获得神经网络模型M；

[0070] S4，利用神经网络模型将海量机动车状态全要素高维数据重构为海量驾驶员驾驶风险值，并利机器学习方法对其分析获得驾驶员驾驶风险阈值；

[0071] (1)将去掉机动车发生事故与否信息后的全要素高维数据输入神经网络模型M，得到且重构为海量驾驶员驾驶风险值集合V＝{v1,t1j,...,v1,t1k,v2,t2j,...,v2,t2k,...vi,tij,..vi,tii.,vi,tik,...,vn,tnj,...,vn,tnk}，其中风险值向量v定义为v＝(α)，其中α为实数，表示驾驶风险大小；

[0072] (2)将V中全部对应未发生事故的部分去除，得到V′；

[0073] (3)对V′应用K-means算法做二分类，取大簇中最小值为驾驶员驾驶风险值阈值[0074] S5，加载所述神经网络模型，接入当前机动车状态全要素数据，输出并显示当前驾驶员驾驶风险值；在当前驾驶员驾驶风险值超过驾驶员驾驶风险值阈值时加以提示；

[0075] (1)选用低功耗、高算力的基于车载AI芯片的车载AI单元加载神经网络模型M；接入当前机动车状态全要素数据，输出当前驾驶风险值α；

[0076] (2)当α越过时可以将驾驶风险值在显示屏上用红色加以提示；

[0077] 可选地，还可以包括以下两个步骤：

[0078] S6，基于驾驶操作和机动车状态挑选数据训练出第一双RNN网络模型；加载所述第一双RNN网络模型，接入当前接入机动车状态全要素数据，输出可能的下一时刻最佳的驾驶操作和相应的机动车状态调整方向，对当前驾驶员的驾驶操作进行指导和对当前机动车状态调整进行提示；

[0079] 若驾驶优秀则不提示任何指导信息，可以输出肯定驾驶技术信息；

[0080] S7，基于机动车状态和驾驶环境挑选数据训练出第二双RNN网络模型；加载所述第二双RNN网络模型，接入当前接入机动车状态全要素数据，输出可能的对下一时刻的驾驶指导、风险决策提醒；

[0081] 若风险水平低则不提示任何信息，可以输出放心驾驶信息。

[0082] 最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

标题	发布/更新时间	阅读量
一种液化天然气加气站的LNG储存罐干燥装置	2020-05-19	1
一种平屋顶透水运动场地及其施工方法	2020-09-19	2
一种新型多功能平台式组合碾米机	2020-10-09	2
一种建筑墙面打磨装置及使用方法	2021-09-19	2
一种电池组装与检测机构	2021-06-03	1
一种畜牧兽医用动物粪便处理装置	2021-08-28	0
用于对医疗设备干燥的热风机	2022-02-10	2
多功能触摸一体机	2023-07-05	1
一种钢平台模架系统的抗风防倾安全装置	2020-07-11	2
一种大功率交直流电阻负载箱	2023-07-25	0

基于机动车状态监控数据挖掘的驾驶风险防范方法及系统

基于机动车状态监控数据挖掘的驾驶风险防范方法及系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：