一种基于车联网主动识别事故的方法与流程

本发明涉及事故识别技术领域，尤其涉及一种基于车联网主动识别事故的方法。

背景技术：

交通事故是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件，交通事故不仅是由不特定的人员违反交通管理法规造成的，也可以是由于地震、台风、山洪、雷击等不可抗拒的自然灾害造成；

车辆在行驶中，由于受到驾驶员、车况、路况等因素的影响，极易发生交通事故，而第一时间知道事故的发生，对道路救援、交通管制、保险理赔等有着重要意义；以往要想知道事故的发生，需要现场人员主动上报，从软件角度来看，这样的方式存在对事故登记的不便捷，并且事故的真实性也不可控。

技术实现要素：

(一)发明目的

为解决背景技术中存在的技术问题，本发明提出一种基于车联网主动识别事故的方法，通过在车辆上安装车联网设备以采集车联网数据，并通过构建事故识别模型来对车联网数据进行挖掘分析，从而实现对车辆事故的主动识别，能够第一时间了解事故的发生，有助于救援和安全管理，而且设备采集的事故数据作为车辆出险证据，方便出险证据的收集，也有利于保险公司用于保险反欺诈，使用效果极佳。

(二)技术方案

本发明提出了一种基于车联网主动识别事故的方法，包括以下步骤：

s1、在车辆上安装车联网硬件设备，安装的车联网硬件设备包括adas和dsm，adas为高级驾驶辅助系统，dsm为驾驶员状态监测系统；

s2、搭建车联网数据采集处理平台，以实现车联网数据的实时采集和处理；

s3、利用数据挖掘技术挖掘分析车联网数据并提取特征因子，基于行业知识构建专家打分模型，基于历史事故数据训练机器学习模型，最终组合得到事故识别模型；

s4、基于事故识别模型进行事故主动识别；

s5、获取事故的车联网数据，车联网数据包括结构化数据和非结构化数据；

其中，结构化数据包括车辆位置、车速、风险事件；

非结构化数据包括图片、视频。

优选的，s2的具体步骤如下：

s21、从iot平台采集车辆的实时数据；

s22、通过大数据平台对采集数据进行预处理、解码和规整，以形成统一的数据模型；

s23、根据业务的需要将信息存储在实时数据库。

优选的，在s2中，实现平台的工具包括分布式消息队列kafka,分布式大数据存储hadoop、hbase，大数据处理spark、flink，关系型数据库oracle、mysql。

优选的，在s21中，采集的数据包括车辆实时位置、车辆速度、车辆运行轨迹、驾驶员的风险报警和道路状况信息，相关信息反映了车辆的驾驶状态和驾驶行为。

优选的，在s3中，专家打分模型计算分值，达到分值的就判断成事故，专家打分模型的构建方法如下：

采集历史事故的数据信息；

从大量的历史事故中总结经验并结合数据，以提取出具有识别事故功效的特征因子；

对不同特征因子赋予不同分值，并对这些特征因子进行组合。

优选的，在s3中，通过机器学习模型的输出结果来识别事故，机器学习模型的构建方法如下：

采集历史事故的数据信息；

从数据出发，对历史事故及其对应的数据进行特征提取；

分析建模，训练得到一个事故识别结果为是与否的二分类的模型。

优选的，机器学习模型为线性模型，包括lr、svm。

优选的，机器学习模型为非线性模型，包括决策树、神经网络。

优选的，在s1中，当车辆本身具有adas和dsm功能时，不需在其外部加装adas和dsm。

本发明的上述技术方案具有如下有益的技术效果：

首先在车辆上安装车联网硬件设备，安装的车联网硬件设备包括adas和dsm，adas为高级驾驶辅助系统，dsm为驾驶员状态监测系统；然后搭建车联网数据采集处理平台，以实现车联网数据的实时采集和处理；之后利用数据挖掘技术挖掘分析车联网数据并提取特征因子，基于行业知识构建专家打分模型，基于历史事故数据训练机器学习模型，最终组合得到事故识别模型；然后基于事故识别模型进行事故主动识别，最后获取事故的车联网数据，车联网数据包括结构化数据和非结构化数据；

本发明通过在车辆上安装车联网设备以采集车联网数据，并通过构建事故识别模型来对车联网数据进行挖掘分析，从而实现对车辆事故的主动识别，能够第一时间了解事故的发生，有助于救援和安全管理，而且设备采集的事故数据作为车辆出险证据，方便出险证据的收集，也有利于保险公司用于保险反欺诈，使用效果极佳，适合大规模推广使用。

附图说明

图1为本发明提出的一种基于车联网主动识别事故的方法的流程图。

图2为本发明提出的一种基于车联网主动识别事故的方法中车联网数据采集处理平台的操作流程图。

图3为本发明提出的一种基于车联网主动识别事故的方法中专家打分模型的构建流程图。

图4为本发明提出的一种基于车联网主动识别事故的方法中机器学习模型的构建流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1-4所示，本发明提出的一种基于车联网主动识别事故的方法，包括以下步骤：

s1、在车辆上安装车联网硬件设备，安装的车联网硬件设备包括adas和dsm，adas为高级驾驶辅助系统，dsm为驾驶员状态监测系统；

s2、搭建车联网数据采集处理平台，以实现车联网数据的实时采集和处理；

s3、利用数据挖掘技术挖掘分析车联网数据并提取特征因子，基于行业知识构建专家打分模型，基于历史事故数据训练机器学习模型，最终组合得到事故识别模型；此步骤是本发明的核心，事故识别模型优劣直接决定本发明识别效果的好坏；

s4、基于事故识别模型进行事故主动识别；

s5、获取事故的车联网数据，车联网数据包括结构化数据和非结构化数据；

其中，结构化数据包括车辆位置、车速、风险事件；

非结构化数据包括图片、视频。

在一个可选的实施例中，s2的具体步骤如下：

s21、从iot平台采集车辆的实时数据；s22、通过大数据平台对采集数据进行预处理、解码和规整，以形成统一的数据模型；s23、根据业务的需要将信息存储在实时数据库。

在一个可选的实施例中，在s2中，实现平台的工具包括分布式消息队列kafka,分布式大数据存储hadoop、hbase，大数据处理spark、flink，关系型数据库oracle、mysql。

在一个可选的实施例中，在s21中，采集的数据包括车辆实时位置、车辆速度、车辆运行轨迹、驾驶员的风险报警和道路状况信息，相关信息反映了车辆的驾驶状态和驾驶行为。

在一个可选的实施例中，在s3中，专家打分模型计算分值，达到分值的就判断成事故，专家打分模型的构建方法如下：

采集历史事故的数据信息；从大量的历史事故中总结经验并结合数据，以提取出具有识别事故功效的特征因子；对不同特征因子赋予不同分值，并对这些特征因子进行组合。

在一个可选的实施例中，在s3中，通过机器学习模型的输出结果来识别事故，机器学习模型的构建方法如下：

采集历史事故的数据信息；从数据出发，对历史事故及其对应的数据进行特征提取；分析建模，训练得到一个事故识别结果为是与否的二分类的模型。

在一个可选的实施例中，机器学习模型为线性模型，包括lr、svm；机器学习模型为非线性模型，包括决策树、神经网络。

在一个可选的实施例中，在s1中，当车辆本身具有adas和dsm功能时，不需在其外部加装adas和dsm，即不限于是车辆本身具有了adas和dsm功能，还是外部加装adas和dsm，只需车辆具备该类功能的车联网设备即可；并且车辆事故种类多种多样，本发明并不适用所有事故类型。

本发明中，首先在车辆上安装车联网硬件设备，安装的车联网硬件设备包括adas和dsm，adas为高级驾驶辅助系统，dsm为驾驶员状态监测系统；然后搭建车联网数据采集处理平台，以实现车联网数据的实时采集和处理，具体操作为：从iot平台采集车辆的实时数据，通过大数据平台对采集数据进行预处理、解码和规整，以形成统一的数据模型，根据业务的需要将信息存储在实时数据库；其中，实现平台的工具包括分布式消息队列kafka,分布式大数据存储hadoop、hbase，大数据处理spark、flink，关系型数据库oracle、mysql；采集的数据包括车辆实时位置、车辆速度、车辆运行轨迹、驾驶员的风险报警和道路状况信息，相关信息反映了车辆的驾驶状态和驾驶行为；

之后利用数据挖掘技术挖掘分析车联网数据并提取特征因子，基于行业知识构建专家打分模型，基于历史事故数据训练机器学习模型，最终组合得到事故识别模型；其中，专家打分模型是从大量的历史事故中总结经验，结合数据，提取出具有识别事故功效的特征因子，对不同特征因子赋予不同分值，然后将这些特征因子组合，计算分值，达到分值的就判断成事故；机器学习模型是从数据出发，对历史事故及其对应的数据进行特征提取，分析建模，训练得到一个事故识别结果为是与否的二分类的模型，并通过模型输出的结果识别事故，机器学习模型可以是线性模型，例如lr、svm，也可以是非线性模型，例如决策树，神经网络；

然后基于事故识别模型进行事故主动识别，最后获取事故的车联网数据，车联网数据包括结构化数据和非结构化数据，其中，结构化数据包括车辆位置、车速、风险事件，非结构化数据包括图片、视频；经测试，在2000台车中，真实事故的覆盖率达到80％，模型的车均事故上报数低于0.1；

本发明通过在车辆上安装车联网设备以采集车联网数据，并通过构建事故识别模型来对车联网数据进行挖掘分析，从而实现对车辆事故的主动识别，能够第一时间了解事故的发生，有助于救援和安全管理，而且设备采集的事故数据作为车辆出险证据，方便出险证据的收集，也有利于保险公司用于保险反欺诈，使用效果极佳，适合大规模推广使用。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。