[发明专利]基于深度学习的车辆碰撞识别方法和系统

权利要求书

1.一种基于深度学习的车辆碰撞识别方法，其特征在于，包括：

步骤1：采集车辆实时运行数据，以及获取车辆历史运行数据和车辆历史出险数据；

步骤2：对车辆运行数据进行预处理；

步骤3：对车辆运行数据进行低频到高频的数据插补处理；

步骤4：ETL工程特征转化处理；

步骤5：通过深度学习方法与数理统计相关原理进行模型训练与迭代，得到相关模型；

步骤6：根据车辆实时运行数据并结合相关模型，得到车辆碰撞识别结果。

2.根据权利要求1所述的车辆碰撞识别方法，其特征在于，所述获取车辆历史运行数据和车辆历史出险数据，包括：

获取车辆历史运行数据，该数据包括：时间戳、GPS速度、GPS方向、GPS高度、设备电源状态、设备定位状态、车辆移动状态、GPS经度和GPS纬度；

通过第三方获取该车辆的历史出险信息，该出险信息包括：出险时间、出险地点和车辆碰撞位置；

将出险信息与车辆历史运行数据通过出险时间进行匹配，通过数据滑动的方法截取包含出险瞬间的时间长度为Ts不同时序数据，并标注标签为出险，同时，截取一定数量的非出险时序数据，标注标签为非出险。

3.根据权利要求2所述的车辆碰撞识别方法，其特征在于，所述对车辆运行数据进行预处理，包括：

对车辆运行数据进行时序混乱处理；

对时序混乱处理后的数据进行GPS定位漂移异常值处理；

对GPS定位漂移异常值处理后的数据进行信号丢失数据处理，删除无定位信号且速度为0的数据。

4.根据权利要求3所述的车辆碰撞识别方法，其特征在于，所述对车辆运行数据进行时序混乱处理，包括：

对于用于模型训练的历史数据，对所述Ts时序数据的分钟min记录进行众数计算，然后将每一条记录与当前众数进行比较，计算时间戳差值，若差值大于预设时间，则认为该记录是对以前的数据进行补数操作，将该记录删除；

对于模型上线实时计算的时序数据，则通过计算各条数据时间戳与当前系统时间的时间差值，若差值大于预设时间，则认为该条数据是系统补录数据的操作，将该条数据删除；

对以上处理完成的历史数据或实时分析的数据按照时间戳进行排序操作。

5.根据权利要求3所述的车辆碰撞识别方法，其特征在于，所述对时序混乱处理后的数据进行GPS定位漂移异常值处理，包括：

依次计算t，t+1记录之间的时间间隔和地球直线距离；

获取可疑直线距离；

根据可疑直线距离、时间间隔和地球直线距离定位漂移点。

6.根据权利要求1所述的车辆碰撞识别方法，其特征在于，所述对车辆运行数据进行低频到高频的数据插补处理，包括：

利用微分积分和贝塞尔曲线方法对车辆运行数据进行低频到高频的数据插补处理；

具体的，利用微分积分方法对车辆运行数据进行速度项插补处理；

利用贝塞尔曲线方法对速度项插补处理后的车辆运行数据进行GPS经纬度项插补。

7.根据权利要求1所述的车辆碰撞识别方法，其特征在于，所述通过深度学习方法与数理统计相关原理进行模型训练与迭代，包括：

对处理完成的历史数据进行训练集和测试集划分；

运用LSTM模型参数，对训练集数据进行LSTM建模，并运用LSTM模型优化及评估参数，对测试集数据预测结果进行评估，以对模型参数进行优化迭代。