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。
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。
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 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。