基于深度学习的车辆碰撞识别方法和系统与流程

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。

技术实现要素：

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：

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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，所述相关模型包括：运行轨迹异常识别模型、急刹车异常识别模型、变向异常识别模型、停车异常识别模型和刹车距离异常模型；

所述根据车辆实时运行数据并结合相关模型，得到识别结果，包括：

将所述车辆实时运行数据按照ts的时间间隔划分；

对划分后的ts时长数据按照步骤2、3和4进行实时处理；

将处理后的数据输入到运行轨迹异常识别模型、急刹车异常识别模型、变向异常识别模型、停车异常识别模型和刹车距离异常模型，分别得到各模型的驾驶异常分数；

根据各模型的驾驶异常分数确定识别结果。

可选的，所述根据各模型的驾驶异常分数确定识别结果，包括：

求取各模型的驾驶异常分数与其对应权重的乘积之和，并将该和作为预测分值；

判断该预测分值是否大于事故阈值；

如果该预测分值大于事故阈值，则判断出该车辆发生碰撞事故；否则，判断出该车辆未发生碰撞事故。

本发明还提供了一种基于深度学习的车辆碰撞识别系统，包括：

数据采集获取模块，用于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；

预处理模块，用于对车辆运行数据进行预处理；

数据插补处理模块，用于对车辆运行数据进行低频到高频的数据插补处理；

转化模块，用于etl工程特征转化处理；

建模模块，用于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；

识别模块，用于根据处理后的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。

本发明采用以上技术方案，所述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。本发明所述的识别方法通过采用海量车联网数据，判别结果准确率得到了提升；在模型建立过程中加入了车主的驾驶行为因素、性别、天气状况等因素，使得判别结果更为准确；模型从运行轨迹异常、减速异常、刹车距离预测、停车异常、变向异常5个角度对碰撞事故进行识别，判别角度更为全面；模型从时序数据的结果呈现以及数据的变化规律来判断是否发生车辆碰撞事故，代替了传统算法只利用某时刻的一条数据记录来进行判别的方式，判别结果更为可靠；且本发明所述的识别方法能够避免依靠传统设备进行碰撞感应识别时复杂的地理因素所带来的判断困扰。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种基于深度学习的车辆碰撞识别方法实施例一提供的流程示意图；

图2是本发明一种基于深度学习的车辆碰撞识别方法实施例二提供的流程示意图；

图3是汽车进行匀速行驶的示意图；

图4是汽车进行非匀速行驶的示意图；

图5是一阶贝塞尔曲线插补gps记录点的示意图；

图6是三阶贝塞尔曲线插补gps记录点的示意图；

图7是本发明一种基于深度学习的车辆碰撞识别系统一个实施例提供的结构示意图。

图中：1、数据采集获取模块；2、预处理模块；3、数据插补处理模块；4、转化模块；5、建模模块；6、识别模块。

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，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

图1是本发明一种基于深度学习的车辆碰撞识别方法实施例一提供的流程示意图。

如图1所示，本实施例所述的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。

本实施例所述的车辆碰撞识别方法在实际使用中，如图2所示，具体的步骤如下：

步骤1：通过前装、后装设备采集车辆实时运行数据，通过4s经销商获取车辆历史出险数据；

首先，获取车辆历史实时运行数据，采集频率为1次/5秒，其中包括：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。

其次，通过第三方如保险公司、经销商、车主获取历史出险信息，其中包括：出险时间、出险地点和车辆碰撞位置。

最后，将出险信息与车辆历史实时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(可设置为120s)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，标注为非出险。

步骤2：对车辆运行数据进行预处理，其中包括：时序混乱处理、gps定位漂移异常值处理、信号丢失数据处理，具体过程为：

1)首先，时序混乱处理：由于数据采集设备自身缺陷的影响，会存在个别记录不能实时采集并传输到系统内部，而在一定时间后才返回并堆叠在已有数据后，从而造成模型对碰撞事故的误判，故需要对120s的时序数据进行筛选识别，方法如下：

对于用于模型训练的历史数据，对所述120s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(如250s)，则认为该记录为设备对以前的数据进行补数操作，采用删除法对其进行处理；

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(如250s)，则认为是系统补录数据的操作，进而对该条数据进行删除处理；最后，对以上处理完成的历史数据、实时分析的数据按照时间戳进行排序操作。

2)其次，gps定位漂移异常值处理：由于设备自身原因，会造成设备定位漂移问题，从而造成gps前后两点之间的距离异常放大，导致模型结果误判，故设备定位漂移判别方法如下：

(1)依次计算t，t+1记录之间的时间间隔δ和地球直线距离distance；

(2)获取可疑直线距离(distance＞5000m)；

(3)对(2)中的可疑distance依次进行判断，若可疑distance只存在一项且该distance是由120s时序数据t120与t119计算得到，则对该行程对应的速度进行计算，若速度＞40m/s，则判定t120记录为定位漂移点，删除该记录；若该可疑distance由t1与t2计算而来，则判断该行程对应的时间间隔δ与下一个距离间隔distancet23，如果δ＜120s且distancet23＜1000m，则认定t1为漂移点，如果δ＜120s，下一距离间隔＞4000m，则认为t2为漂移点，再者如果该行程对应的时间间隔δ＞120s，且下一距离间隔distancet23＞4000m，下一距离对应时间间隔＜120s，则认为t2为漂移点；若可疑距离既不是t1与t2计算得到，也不是t120与t119计算而来，则若该行程对应时间间隔δ＜120s，同时下一距离间隔＞4000m，则认为计算该距离中的第二条记录为漂移点，若该距离对应时间间隔＞120s，同时下一距离间隔＞4000m，下一距离对应的时间间隔＜120s，则认为计算该距离中的第二条记录为漂移点。

3)最后，信号丢失数据处理，删除无定位信号且速度为0的数据。

步骤3：利用微分积分、贝塞尔曲线方法对车辆数据进行低频到高频数据插补处理。

由于设备采集数据频率为次/5s，而碰撞事故发生在某一瞬间时间远小于5s，故需将记录进行插补，提高数据频率，采用如下方法：

1)速度项插补：首先，假设记录t，记录t+1之间汽车在进行匀速行驶(如图3所示)，利用积分原理对该时间间隔内的行驶距离进行计算，公式如下：

其次，利用相应的gps点计算两点之间的地球直线距离k，若s>k，则表明车辆行驶过程中并非匀速行驶，而是先减速后加速(如图4所示)，故在t1和t2间隔中插补一条记录t3。

规定两条插补原则：

第一条：图4两个梯形面积之和等于s；

第二条：不增加原始数据的异常性，尽可能两段数据平滑，故须两段行程的加速度之和|a1|+|a2|尽可能小。

计算公式如下：

t＝t1+t2

由于要使得y＝|a1|+|a2|达到最小，所以

t1和t2之间插补数据t3，v3如上结果所示，其他情况依次类推。

2)gps经纬度项插补：

本方案利用贝塞尔曲线近似插补两个gps定位点之间的gps记录，具体的：

若120s时序数据，gps记录点在同一直线，则采用一阶贝塞尔曲线插补gps记录点，计算公式为：

b(t)＝(1-t)p0+tp1，t∈[0,1]

t为速度插补中的t1，具体如图5所示。

若120s时序数据，gps记录点不在同一直线，则采用三阶贝塞尔曲线插补gps记录点，首先假设存在4个gps记录点g1(x1,y1)，g2(x2,y2)，g3(x3,y3)和g4(x4,y4)，

midpoint1_x＝(x1+x2)/2，midpoint1_y＝(y1+y2)/2

midpoint2_x＝(x2+x3)/2，midpoint1_y＝(y2+y3)/2

midpoint3_x＝(x3+x4)/2，midpoint1_y＝(y3+y4)/2

k1＝d1/(d1+d2)

k2＝d2/(d2+d3)

split1＝midpoint1+k1*(midpoint2-midpoint1)

split2＝midpoint2+k2*(midpoint3-midpoint2)

将midpoint1、midpoint2线段进行平移，直到split1与g2重合，此时重合点记为v1，midpoint1、midpoint2平移后的点记为v2、v3，则

p0＝v2+k1*(v1-v2)

p1＝v3+k1*(v1-v3)

同理，可计算出p2，p3。

记g1，p0为g1，g2之间的控制点，p1，p2为g2，g3之间的控制点，p2，g4为g3，g4之间的控制点。

根据以下三阶贝塞尔曲线平滑的公式可计算出两个点之间插补的gps记录，如ab两点之间插补如下：

m(t)＝(1-t)³a+3tb(1-t)²+3ct²(1-t)+dt³，t∈[0,1]

其中，a，d分别为起点与终点，b，c为控制点，m(t)为a，d中插补的gps记录点。t为速度插补中的t1，具体如图6所示。

步骤4：etl工程特征转化

将步骤3插补完成的高频率数据进行特征转化，见表1，具体分为如下特征：

表1

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，其中，模型包括：运行轨迹异常识别模型、急刹车异常识别模型、变向异常识别模型、停车异常识别模型和刹车距离异常模型。

1)急刹车异常模型的训练与迭代过程包括：

首先，取1000辆车15天的实时运行数据，分别计算当前速度下，车辆的负加速度绝对值，建立速度-负加速度绝对值的二维关系模型；

其次，将速度按照取整进行分段，如v＝1m/s-2m/s，最后计算各速度区间对应的负加速度绝对值的95％分位数(可根据实际需要设置)作为减速度异常的阈值threshold；

最后，计算单次减速行为的相对异常的变速行为评分pi，pi的计算方法如下：

当ai＞threshold时，分数记为100；当ai≤threshold时，分数记为pi*100。

需要说明的是，取1000辆车15天的实时运行数据作为样本，样本的车辆数量以及天数的选取可根据实际需要设置，在此只是举例，对保护范围不作限定。

2)变向异常识别模型的训练与迭代原理与急刹车异常模型相同。

3)停车异常识别模型的训练与迭代过程包括：

停车异常主要针对高速公路异常停车的情况进行识别，若120s时序数据既存在速度大于110km/h的记录，也存在速度小于3.6km/h的记录(认为停车记录)，同时，车辆停车前10s内存在高速行驶的记录、停车后在120s时序内一直未启动，这样的行为判定为停车异常，异常分数记为100。

4)刹车距离异常模型的训练与迭代过程包括：

同一速度下，车辆刹车距离最小值计算公式为

d＝0.75*v+0.0256*v²；

计算实际减速距离与最小刹车距离之间的差值s，则刹车距离异常分数计算公式为

5)运行轨迹异常识别模型的训练与迭代过程包括：

将步骤4进行etl工程特征转化后的模型数据，对其进行深度学习lstm模型学习，其中lstm(长短期记忆网络/longshorttermmemory)原理为现有技术，在此不再赘述。

具体的，运行轨迹异常识别模型训练及模型预测步骤如下：

首先，对步骤4处理完成的历史数据进行训练集、测试集划分。

其次，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，从而对模型参数进行优化迭代。

第六步：模型投入使用，实时采集车辆运行数据，利用步骤1、2、3和4对实时采集的车辆运行数据进行处理，并输入步骤5所述的模型中。

具体的，模型投入使用，将车辆实时数据按照120s的时间间隔按照步骤1、2、3和4对数据进行实时处理，然后输入步骤5的5个模型中，分别得到各模型的驾驶异常异常分数，并按照一定的权重进行加权汇总得到预测分值，最后再根据预测分值与事故阈值的大小关系判断该车辆是否发生碰撞事故。如果该预测分值大于事故阈值，则判断出该车辆发生碰撞事故；否则，判断出该车辆未发生碰撞事故。

本发明所述的识别方法通过采用海量车联网数据，判别结果准确率得到了提升；在模型建立过程中加入了车主的驾驶行为因素、性别、天气状况等因素，使得判别结果更为准确；模型从运行轨迹异常、减速异常、刹车距离预测、停车异常、变向异常5个角度对碰撞事故进行识别，判别角度更为全面；模型从时序数据的结果呈现以及数据的变化规律来判断是否发生车辆碰撞事故，代替了传统算法只利用某时刻的一条数据记录来进行判别的方式，判别结果更为可靠；且本发明所述的识别方法能够避免依靠传统设备进行碰撞感应识别时复杂的地理因素所带来的判断困扰。

图7是本发明一种基于深度学习的车辆碰撞识别系统一个实施例提供的结构示意图。

如图7所示，本实施例所述的一种基于深度学习的车辆碰撞识别系统，包括：

数据采集获取模块1，用于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；

预处理模块2，用于对车辆运行数据进行预处理；

数据插补处理模块3，用于对车辆运行数据进行低频到高频的数据插补处理；

转化模块4，用于etl工程特征转化处理；

建模模块5，用于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；

识别模块6，用于根据处理后的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。

本实施例所述的一种基于深度学习的车辆碰撞识别系统的工作原理与上文任一实施例所述的一种基于深度学习的车辆碰撞识别方法的工作原理相同，在此不再赘述。

本发明所述的一种基于深度学习的车辆碰撞识别系统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，本系统对碰撞场景的覆盖广泛，检测精度高。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。