一种基于主动学习的汽车碰撞检测方法与流程

本发明涉及汽车碰撞检测领域，具体涉及一种基于主动学习的汽车碰撞检测方法。

背景技术：

随着汽车的日益普及和人们对车辆保险意识的提高，车辆保险已成为财产保险中非常重要的组成部分，车辆保险业务的保费收入自然也是财产保险业务中的重头。然而，伴随着车辆保险业务的蓬勃发展，谎报车辆事故、伪造虚假碰撞等骗保行为也时有发生，这无形中增加了保险公司车辆保险业务的潜在风险。

安装在车辆上的车载终端设备，可获取到车辆的地理位置、行车状况等信息。基于采集到的车辆行驶速度、三轴加速度、车辆行驶轨迹等信息，构造反映车辆行驶的相关指标，建立一套自动化的碰撞检测规则，对碰撞报告进行分类，从而客观还原车辆碰撞现场，有效鉴别出真实碰撞，为保险公司实时监控车辆行驶状态，掌握车辆真实行车轨迹提供了依据。

目前现有的车辆碰撞检测技术是通过车辆行驶速度、三轴加速度等车辆行驶信息仅仅来判断车辆是否发生碰撞，但未对车辆碰撞进行分类，其弊端是经常产生误报，降低了碰撞检测的准确度。

本发明中，反映车辆加速度情况的指标为asi(accelerationseverityindex，加速度严重指数)，计算步骤如下：

1.选取包含碰撞时点的时间范围[t2，t3]，预定时间间隔t4，得到(t3-t2)/t4+1组加速度

2.选取连续n组加速度，计算三轴各自的加速度卷积值：

3.找出最大加速度卷积值max(cx，cy，cz)对应的那组三轴加速度卷积值cxt、cyt、czt(参照欧盟标准en1317，roadrestraintsystems，指碰撞过程中车辆重心处纵向、横向、竖向加速度50ms间隔平均值的最大值)

4.预定三轴加速度比重wx、wy、wz，(参照欧盟标准en1317，roadrestraintsystems，在系有安全带时，wx、wy、wz分别取12g、9g、10g，无安全带时，wx、wy、wz分别取7g、5g、6g)。

技术实现要素：

本发明提出的一种基于主动学习的汽车碰撞检测方法，可解决传统车辆碰撞检测技术准确度较低的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于主动学习的汽车碰撞检测方法，包括安装在车辆上的车载终端设备，通过加速度传感器实时监测车辆的纵向、横向、竖向的三轴加速度值x、y、z，预定连续时间t1内，任一三轴加速度值大于预定值a(该阈值为可调，通过后台下发指令的方式可以随时调整)，则设备上传碰撞报告至系统平台供进一步查阅，基于设备上传的碰撞报告，对车辆碰撞进行检测，从而降低设备误报率，鉴别出真、假碰撞，具体检测步骤包括，

步骤一：过滤异常碰撞报告；

步骤二：过滤频繁碰撞的碰撞报告；

步骤三：过滤车辆碰撞后继续行驶的碰撞报告；

步骤四：设定asi阈值m，过滤asi＜m的碰撞报告；

步骤五：利用三轴加速度值x、y、z，对过滤后的碰撞报告进行层次分类(hierarchicalclassification)，每一类刻画一种车辆碰撞类型；

步骤六：基于初次分类结果，在每一类中随机抽取p％的碰撞报告样本，进行人工判断；

步骤七：如果某一类碰撞报告中的人工判断样本都是真实碰撞或都是假碰撞，则说明该类真实刻画了一种车辆碰撞类型；如果某一类碰撞报告中的人工判断样本既包含真实碰撞又包含假碰撞，则说明该类并未刻画出一种车辆碰撞类型，需要对该类继续进行分类；此时，需要有策略的选择需要人工进行标记的样本，从而帮助分类器快速学习；

步骤八：在之后的每次层次分类中，不断增加人工判断样本，通过这样不断地迭代，最终使每一类的人工判断样本比例达到p％以上且该类所有人工判断样本都是同一类型的(真实或虚假)碰撞。

进一步的，所述步骤二还包括通过观察系统平台上，车辆碰撞报告产生的时间段及报告数量的分布情况，来预定时间段t5内，如果车辆碰撞报告超过预定频数f，则认为该车辆上的车载终端设备安装不当或设备加速度阈值设定过低，导致设备频繁上传碰撞报告，这些报告并未反映车辆的真实碰撞情况，则将其过滤掉。

进一步的，所述步骤三还包括预定碰撞时点后的时间段t6内，车辆行驶速度降至s以下，则认为车辆碰撞后停车，反之，则认为车辆碰撞后继续行驶，将车辆碰撞后继续行驶的碰撞报告过滤掉。

进一步的，所述步骤四还包括asi反映了车辆行驶过程中的加速度情况，车辆碰撞后，加速度值会在短时间内变大，对应asi值也会相应地增大，因此，设定asi阈值，可以鉴别出真实碰撞，具体为通过对系统平台中，部分asi区间的碰撞报告进行人工确认，判断其是否为真实碰撞，从而得到相应asi区间的真实碰撞率，最后利用数学模型拟合这些数据，预测出真实碰撞率为0时对应的asi值，同时参考真实碰撞报告中asi值的分布情况，最终确定阈值m。

进一步的，所述步骤五中的车辆碰撞类型包括真实碰撞类型和假碰撞类型，所述真实碰撞类型包括正面碰撞、侧面碰撞、尾部碰撞和翻车，所述假碰撞类型包括车身颠簸、急加速、急减速、急转弯。

进一步的，所述步骤六还包括根据样本量和数据质量确定p(通常为1％)值，通过参考相关辅助指标及观察碰撞后车辆行驶轨迹，人工判断这p％的样本是否为真实碰撞；

所述步骤六除了利用上面提到的asi、碰撞后车辆行驶速度这些指标外，还可参考国际上通用的衡量事故受伤人员损伤程度的指标，如hic(headinjurycriterion)、ais(abbreviatedinjuryscale)，作为判断车辆是否发生真实碰撞的辅助指标。另外，一般情况下，车辆发生碰撞后，通常会开往汽车维修中心或者4s店进行修理，因此，观察车辆碰撞后的行驶轨迹对判断是否为真实碰撞也有帮助，如发现碰撞后的几天里，车辆在汽车维修中心或者4s店附近有驻车或泊车轨迹，则说明发生真实碰撞的可能性很大。

进一步的，所述步骤七还包括有策略地选择需要人工进行标记的样本，帮助分类器快速学习。

进一步的，所述步骤一的异常碰撞报告包括asi＝0的碰撞报告。

由上述技术方案可知，本发明的基于主动学习的汽车碰撞检测方法利用数学模型，构建反映车辆碰撞严重程度的客观指标，基于这些指标，制定相应的碰撞检测规则，刻画车辆碰撞类型，从而降低设备的误报率，有效控制保险公司的理赔风险。

附图说明

图1是本发明的车辆碰撞检测步骤；

图2是本发明真实碰撞率拟合模型；

图3是本发明车辆真实碰撞时的行驶速度对应的asi值。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1、图2及图3所示，本实施例一所述的基于主动学习的汽车碰撞检测方法，具体步骤如下：

1.过滤异常碰撞报告：例如，asi＝0的碰撞报告。由于硬件设备问题，会导致部分碰撞报告的加速度值采集不到，或无法上传至后台，这部分碰撞报告对于判断是否是真实碰撞没有参考意义。

2.过滤频繁碰撞的碰撞报告：通过观察系统平台上，车辆碰撞报告产生的时间段及报告数量的分布情况，来预定时间段t5内，如果车辆碰撞报告超过预定频数f，则认为该车辆上的车载终端设备安装不当或设备加速度阈值设定过低，导致设备频繁上传碰撞报告。预定时间段t5设定为1个月，预定频数f设定为15，因此，当车辆的月均碰撞报告数大于15时，则认为设备安装不当或设备加速度阈值设定过低，车辆并未发生真实碰撞，将其过滤掉。

3.过滤车辆碰撞后继续行驶的碰撞报告：通常情况下，车辆发生碰撞后会停车。预定碰撞时点后的时间段t6内，车辆行驶速度降至s以下，则认为车辆碰撞后停车，反之，则认为车辆碰撞后继续行驶。预定碰撞时点后的时间段t6设定为10s，速度阈值s设定为10km/h，因此，当车辆在碰撞后的10s之内，行驶速度降至10km/h以下，则认为车辆碰撞后停车，反之，则认为车辆碰撞后继续行驶，将其过滤掉。

4.设定asi阈值m，过滤asi＜m的碰撞报告：asi反映了车辆行驶过程中的加速度情况，车辆碰撞后，asi值会相应增大。利用数学模型拟合系统平台中不同asi区间的真实碰撞率，预测出真实碰撞率为0时对应的asi值，拟合模型可由图2表示出来。同时，参考车辆真实碰撞时的行驶速度对应的asi值，行驶速度对应的asi值可由图3表示出来，最终阈值m设定为0.56，因此，当车辆的asi值＜0.56时，则认为车辆并未发生真实碰撞，将其过滤掉。

5.对过滤流程保留下来的事故报告，利用高频三轴加速度值x、y、z构建特征向量，对过滤后的碰撞报告进行层次分类(hierarchicalclassification)，目标是使每一类刻画一种车辆碰撞类型或者一类疑似车辆碰撞模型。真实碰撞类型可以包括：正面碰撞、侧面碰撞、尾部碰撞、翻车等；假碰撞类型包括：车身颠簸、急加速、急减速、急转弯等。

6.基于分类结果，在每一类中有意识的抽取p％的碰撞报告样本，进行人工判断。抽取样本的标准是类的边界点，也即距离类中心最远的或者与两个以上类中心距离比较接近的样本。可根据样本量和数据质量确定p值。通过参考相关辅助指标及观察碰撞后车辆行驶轨迹，人工判断这p％的样本是否为真实碰撞：除了利用上面提到的asi、碰撞后车辆行驶速度这些指标外，还可参考国际上通用的衡量事故受伤人员损伤程度的指标，如hic(headinjurycriterion)、ais(abbreviatedinjuryscale)，作为判断车辆是否发生真实碰撞的辅助指标。另外，一般情况下，车辆发生碰撞后，通常会开往汽车维修中心或者4s店进行修理，因此，观察车辆碰撞后的行驶轨迹对判断是否为真实碰撞也有帮助，如发现碰撞后的几天里，车辆在汽车维修中心或者4s店附近有驻车或泊车轨迹，则说明发生真实碰撞的可能性很大。

7.如果某一类碰撞报告中的人工判断样本都是真实碰撞或都是假碰撞，则说明该类真实刻画了一种车辆碰撞类型；反之，如果某一类碰撞报告中的样本既包含真实碰撞又包含假碰撞，则说明该类并未统一刻画一种车辆碰撞类型(无论真假碰撞)，需要对该类继续进行分类。

8.在之后的每次分类中，不断增加人工判断样本，尤其是对边界样本；通过这样不断地循环分类，最终使每一类的样本都是真实碰撞或都是假碰撞或者满足其他的终止条件。该策略被称为主动学习，也即通过人工主动干预的方式，帮助分类器迅速构建类边界。对于大量无标记样本且样本获取困难的情况非常有效。在该具体问题中，通常对总样本的2.5％-5％进行人工标记后，分类器的效果已经非常优秀了。

综上所述，本发明利用车载终端设备采集的车辆行驶速度、三轴加速度、车辆行驶轨迹等信息，通过构造反映车辆行驶情况的相关指标，设定其合理阈值，对设备上传的碰撞报告进行逐步筛选、分类，从而有效鉴别出真实碰撞，并大致判定碰撞的形态。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。