本發(fā)明涉及車輛安全預(yù)警，更具體的說是涉及一種基于北斗定位和多維數(shù)據(jù)動態(tài)融合的出租車分級預(yù)警系統(tǒng)。
背景技術(shù)：
1、隨著城市交通的日益繁忙，出租車作為城市公共交通的重要組成部分，其行駛安全備受關(guān)注。近年來，為提高出租車的安全性，許多技術(shù)方案被提出并應(yīng)用。
2、在現(xiàn)有技術(shù)中，一種較為常見的出租車安全預(yù)警方案是基于單一的gps定位與簡單的傳感器數(shù)據(jù)融合。該方案通過車載gps模塊獲取出租車的位置與速度信息，同時(shí)結(jié)合車內(nèi)的加速度傳感器和陀螺儀傳感器來監(jiān)測車輛的行駛狀態(tài)。例如，當(dāng)加速度傳感器檢測到車輛的加速度超過預(yù)設(shè)的閾值時(shí)，判斷車輛可能存在急加速或急剎車情況；陀螺儀傳感器則用于檢測車輛的轉(zhuǎn)向角度與角速度，以判斷車輛是否存在異常轉(zhuǎn)向。一旦這些傳感器數(shù)據(jù)超出正常范圍，系統(tǒng)便會發(fā)出相應(yīng)的預(yù)警信息給駕駛員。
3、然而，這種現(xiàn)有技術(shù)方案存在諸多缺點(diǎn)。首先，gps定位在復(fù)雜的城市環(huán)境中，如高樓林立的區(qū)域、隧道或高架橋下方，信號容易受到遮擋或干擾，導(dǎo)致定位精度大幅下降，甚至出現(xiàn)信號丟失的情況。這使得基于gps定位的安全預(yù)警系統(tǒng)在這些區(qū)域無法準(zhǔn)確地判斷車輛的位置與行駛軌跡，從而影響預(yù)警的及時(shí)性與準(zhǔn)確性。例如，在高樓密集的商務(wù)區(qū)，由于gps信號多次反射和衰減，系統(tǒng)可能誤判車輛的實(shí)際行駛速度和位置，當(dāng)車輛接近危險(xiǎn)區(qū)域(如道路施工路段)時(shí)，無法及時(shí)發(fā)出預(yù)警，增加了事故發(fā)生的風(fēng)險(xiǎn)。
4、其次，僅依賴簡單的加速度傳感器和陀螺儀傳感器數(shù)據(jù)進(jìn)行預(yù)警分析過于片面。這種方案無法全面考慮到道路環(huán)境因素、駕駛員的行為特征以及實(shí)時(shí)交通流狀況對出租車安全行駛的綜合影響。例如，在道路濕滑或結(jié)冰的情況下，即使車輛的加速度和轉(zhuǎn)向操作在正常傳感器閾值范圍內(nèi)，也可能因?yàn)槁访婺Σ亮p小而發(fā)生側(cè)滑或失控事故，但現(xiàn)有系統(tǒng)無法根據(jù)道路環(huán)境信息進(jìn)行提前預(yù)警。同樣，對于駕駛員的疲勞駕駛或分心駕駛行為(如長時(shí)間使用手機(jī)、注意力不集中等)，僅靠車輛運(yùn)動傳感器難以精準(zhǔn)識別和預(yù)警。而且，在交通擁堵時(shí)，車輛頻繁啟停，簡單的傳感器閾值判斷容易產(chǎn)生大量誤報(bào)，干擾駕駛員正常駕駛并降低對預(yù)警信息的重視程度。
5、再者，現(xiàn)有技術(shù)方案中的預(yù)警模型難以根據(jù)不同駕駛場景的交通特點(diǎn)和事故規(guī)律及時(shí)調(diào)整預(yù)警模型的參數(shù)和規(guī)則，不能快速適應(yīng)道路交通的變化，無法滿足出租車在復(fù)雜多變的城市交通環(huán)境中對安全預(yù)警的高精度要求。
6、因此，如何更全面且精準(zhǔn)地對出租車進(jìn)行安全預(yù)警，成為本領(lǐng)域技術(shù)人員亟需解決的技術(shù)問題。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，本發(fā)明提供了一種基于北斗定位和多維數(shù)據(jù)動態(tài)融合的出租車分級預(yù)警系統(tǒng)，可快速適應(yīng)交通變化，實(shí)現(xiàn)對出租車的安全駕駛進(jìn)行更全面和更精準(zhǔn)地預(yù)測。
2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
3、一種基于北斗定位和多維數(shù)據(jù)動態(tài)融合的出租車分級預(yù)警系統(tǒng)，包括：
4、北斗定位模塊，用于實(shí)時(shí)捕捉當(dāng)前出租車的位置變化，并對衛(wèi)星信號丟失期間的位置信息進(jìn)行修正，得到北斗定位數(shù)據(jù)；
5、多元數(shù)據(jù)采集模塊，用于采集車輛狀態(tài)數(shù)據(jù)、道路環(huán)境數(shù)據(jù)、駕駛員行為數(shù)據(jù)和實(shí)時(shí)交通流數(shù)據(jù)；
6、特征提取與融合模塊，用于分別對北斗定位數(shù)據(jù)、車輛狀態(tài)數(shù)據(jù)、道路環(huán)境數(shù)據(jù)、駕駛員行為數(shù)據(jù)和實(shí)時(shí)交通流數(shù)據(jù)進(jìn)行特征提取，并根據(jù)各項(xiàng)特征與不同場景下車輛行駛狀態(tài)的相關(guān)性，動態(tài)分配權(quán)重，對各項(xiàng)特征進(jìn)行加權(quán)求和，得到當(dāng)前出租車的融合特征；
7、安全預(yù)警模塊，用于對所述融合特征進(jìn)行分析，并對當(dāng)前出租車的安全行駛狀態(tài)進(jìn)行分級預(yù)警。
8、進(jìn)一步的，所述多元數(shù)據(jù)采集模塊包括：
9、車輛數(shù)據(jù)采集單元，用于通過車載傳感器采集出租車的速度、加速度、轉(zhuǎn)向角度和剎車力度信息；
10、道路環(huán)境數(shù)據(jù)采集單元，用于實(shí)時(shí)采集當(dāng)前出租車所處位置的道路類型、道路坡度、彎道曲率半徑和道路標(biāo)志信息；
11、駕駛員行為數(shù)據(jù)采集單元，用于實(shí)時(shí)采集駕駛員的面部表情、眼部狀態(tài)和頭部姿態(tài)信息；
12、實(shí)時(shí)交通流數(shù)據(jù)采集單元，用于實(shí)時(shí)獲取車輛所處區(qū)域的實(shí)時(shí)交通流量、平均車速和擁堵程度。
13、進(jìn)一步的，所述特征提取與融合模塊包括：
14、特征提取單元，用于對車輛狀態(tài)數(shù)據(jù)、道路環(huán)境數(shù)據(jù)、實(shí)時(shí)交通流數(shù)據(jù)、駕駛員行為數(shù)據(jù)和北斗定位數(shù)據(jù)進(jìn)行特征提取，得到多項(xiàng)特征向量；
15、駕駛場景分析單元，用于根據(jù)所提取的各項(xiàng)特征向量的變化情況，確定當(dāng)前時(shí)刻的駕駛場景；
16、權(quán)重分配單元，用于根據(jù)各項(xiàng)特征向量與當(dāng)前時(shí)刻駕駛場景的關(guān)聯(lián)度高低，動態(tài)調(diào)整各項(xiàng)特征向量的權(quán)重；
17、特征融合單元，用于將各項(xiàng)特征向量映射至同一特征空間，并進(jìn)行加權(quán)求和，得到當(dāng)前時(shí)刻出租車的融合特征。
18、進(jìn)一步的，若當(dāng)前時(shí)刻的駕駛場景相對于上一時(shí)刻發(fā)生變化時(shí)，所述權(quán)重分配單元對相應(yīng)特征向量進(jìn)行權(quán)重調(diào)整的公式為：
19、
20、其中，表示第i個特征向量在上一時(shí)刻t-1的權(quán)重；β表示一個標(biāo)量修正系數(shù)；表示第i個特征向量在當(dāng)前時(shí)刻t的權(quán)重。
21、進(jìn)一步的，標(biāo)量修正系數(shù)β的計(jì)算方式為：
22、構(gòu)建路網(wǎng)知識圖譜groad＝(v,e)，其中，節(jié)點(diǎn)v表示道路元素，每個節(jié)點(diǎn)包含屬性；邊e表示道路連接關(guān)系；使用圖嵌入方法將節(jié)點(diǎn)及其鄰域特征聚合為低維向量；
23、以出租車當(dāng)前位置為中心，提取半徑r內(nèi)的子圖glocal∈groad，對子圖groad中的節(jié)點(diǎn)進(jìn)行池化處理，生成局部環(huán)境特征hlocal；
24、將局部環(huán)境特征hlocal輸入多層感知機(jī)，得到修正系數(shù)β'，使β'∈[0,1]；
25、根據(jù)當(dāng)前時(shí)刻的駕駛場景，對與當(dāng)前駕駛場景關(guān)聯(lián)度高的特征向量的標(biāo)量修正系數(shù)進(jìn)行正向增強(qiáng)，此時(shí)，β＝β'；
26、對與當(dāng)前駕駛場景關(guān)聯(lián)度低的特征向量的標(biāo)量修正系數(shù)進(jìn)行負(fù)向抑制，此時(shí)，對修正系數(shù)β'進(jìn)行縮放處理，且β＝2β'-1，使β∈[-1,0]。
27、進(jìn)一步的，所述駕駛場景至少包括：城市快速路正常行駛場景、高速公路超車場景、山區(qū)道路正常行駛場景、城市道路緊急制動場景、夜間行駛場景、疲勞駕駛場景、接近危險(xiǎn)區(qū)域駕駛場景、學(xué)校區(qū)域通行場景和隧道通行場景。
28、進(jìn)一步的，當(dāng)前時(shí)刻出租車的融合特征的表達(dá)式為：
29、
30、其中，ft表示當(dāng)前時(shí)刻t出租車的融合特征，表示第i個特征向量在當(dāng)前時(shí)刻t的權(quán)重，表示當(dāng)前時(shí)刻t的第i個特征向量；n表示共包含n個特征向量。
31、進(jìn)一步的，所述特征提取單元包括：
32、第一特征提取單元，用于采用卷積神經(jīng)網(wǎng)絡(luò)對車輛狀態(tài)數(shù)據(jù)、道路環(huán)境數(shù)據(jù)、實(shí)時(shí)交通流數(shù)據(jù)和北斗定位數(shù)據(jù)進(jìn)行特征提取；
33、第二特征提取單元，用于采用循環(huán)神經(jīng)網(wǎng)絡(luò)對駕駛員行為數(shù)據(jù)進(jìn)行特征提取，得到駕駛員行為的時(shí)序特征。
34、進(jìn)一步的，所述安全預(yù)警模塊通過全連接層對所述融合特征進(jìn)行分類決策，輸出預(yù)警等級，并根據(jù)所述預(yù)警等級發(fā)出相應(yīng)的預(yù)警信息；所述全連接層設(shè)置四個神經(jīng)元，分別對應(yīng)無預(yù)警、輕度預(yù)警、中度預(yù)警和重度預(yù)警四個等級；所述預(yù)警信息通過車載語音系統(tǒng)、車載顯示屏和手機(jī)app中的一種或多種方式推送。
35、進(jìn)一步的，所述特征提取與融合模塊和所述安全預(yù)警模塊組成一個深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)；對所述深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練時(shí)，在損失函數(shù)中引入北斗定位誤差的懲罰項(xiàng)，當(dāng)同一類型的特征向量在北斗定位數(shù)據(jù)與其他數(shù)據(jù)來源之間的偏差超出預(yù)設(shè)值時(shí)，增加損失值，使所述深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)更加關(guān)注北斗定位數(shù)據(jù)，引入北斗定位誤差的懲罰項(xiàng)之后，損失函數(shù)表示為：
36、l＝lce+λlbds
37、其中，lce表示交叉熵?fù)p失函數(shù)，lbds表示北斗定位誤差的懲罰項(xiàng)，λ表示懲罰項(xiàng)權(quán)重系數(shù)；
38、
39、其中，n表示批次樣本數(shù)量；表示北斗定位針對第i個樣本中的某一特征向量的計(jì)算數(shù)值；表示其他數(shù)據(jù)源中針對第i個樣本中的某一特征向量的計(jì)算數(shù)值；δ表示某一特征向量的差異容忍閾值；||||表示二范數(shù)。
40、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
41、1、本發(fā)明結(jié)合北斗定位數(shù)據(jù)、車輛狀態(tài)數(shù)據(jù)、道路環(huán)境數(shù)據(jù)、駕駛員行為數(shù)據(jù)和實(shí)時(shí)交通流數(shù)據(jù)多種類型的數(shù)據(jù)對出租車的駕駛安全性進(jìn)行預(yù)警，并針對不同駕駛場景，深入挖掘數(shù)據(jù)價(jià)值，對各項(xiàng)數(shù)據(jù)特征的權(quán)重進(jìn)行動態(tài)調(diào)節(jié)，以突出重點(diǎn)關(guān)注的特征，弱化非重點(diǎn)關(guān)注特征，綜合多維度因素而非單一指標(biāo)，實(shí)現(xiàn)對出租車安全駕駛狀態(tài)進(jìn)行更全面且更精準(zhǔn)的預(yù)測。
42、2、本發(fā)明利用北斗定位數(shù)據(jù)替代傳統(tǒng)的gps定位，在定位精度、抗干擾能力和全球覆蓋度方面具有顯著進(jìn)步，實(shí)現(xiàn)對出租車安全行駛的全方位監(jiān)測和精準(zhǔn)預(yù)警。
43、3、本發(fā)明通過對出租車的安全行駛狀態(tài)進(jìn)行分級預(yù)警，確保駕駛員了解當(dāng)前的安全狀態(tài)，以便即使采取對應(yīng)措施，減少安全事故的發(fā)生。