[发明专利]基于深度学习的车辆碰撞识别方法和系统

说明书

本发明涉及一种基于深度学习的车辆碰撞识别方法和系统，所述车辆碰撞识别方法包括：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；步骤4：ETL工程特征转化；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。本发明采用海量车联网数据，且从运行轨迹异常、减速异常、刹车距离预测、停车异常和变向异常5个角度建模并对碰撞事故进行识别，规避了复杂地理因素所带来的判断困扰，本方法对碰撞场景的覆盖广泛，检测精度高。

技术领域

本发明涉及车辆碰撞检测技术领域，具体涉及一种基于深度学习的车辆碰撞识别方法和系统。

背景技术

随着我国汽车使用数量的快速增长，道路交通事故日渐频发，由此造成了重大人员伤亡和财产损失，道路交通安全形势严峻，引起了全社会的重视。大量调查显示，在道路交通事故发生后，特别是碰撞事故发生后，救援不及时造成的伤亡人数远大于事故直接导致的伤亡人数，因此，及时获悉车辆碰撞事故并获得救援的需求显得尤为必要。由于数据收集条件的限制，现有技术中，检测碰撞的方法主要通过触发重力加速度传感器的阈值作为检测碰撞的判断条件。目前很多检测方式通过轮询地读取加速度传感器X、Y、Z三个轴的值，并计算每个轴的最大值与最小值的差值，再计算三个轴的向量。通过这个向量值与预先设定的值作比较，如果向量值大于预先设定的值就认为发生了碰撞。但是当车辆行驶在复杂的路况时，这种检测技术会出现误报或漏报的情况。比如，假设路况存在下水道井盖或减速带，车辆在经过这些地方时会发生较大的震动，况且有些车主在经过这些地方时会有较大刹车力度，使得装在车上的加速度传感器产生较大的差值，很容易就产生了误报。同时，由于不同型号的车辆其车身参数各有不同，不同产品碰撞预设值也不同，因此在针对多种车型和各种应用场景的使用和维护上，这种碰撞检测技术实现起来非常困难，输出结果精度不足，会导致大量的误判或漏判，且在发生事故时无法及时作出正确的判断。还有一些检测碰撞的方法，比如基于OBD接口的车载设备判断法，该方法的缺点是不能兼容所有车型，设备造价高，检测算法简单，覆盖碰撞场景少；基于视频图像的车载设备判断法，该方法的缺点是设备造价高，碰撞过程中设备易损坏，检测计算性价比低，对碰撞场景的覆盖较少，检测精度低。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于深度学习的车辆碰撞识别方法和系统。

为实现以上目的，本发明采用如下技术方案：一种基于深度学习的车辆碰撞识别方法，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。

可选的，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。

可选的，所述对车辆运行数据进行预处理，包括：