[发明专利]一种车辆事故识别方法、车载终端及存储介质

说明书

技术领域

本发明涉及智能车联网技术领域，具体涉及一种车辆事故识别方法、车载终端及存储介质。

背景技术

随着社会经济的不断发展，人们的物质生活越来越丰富，汽车几乎成为各家各户出行必备的工具之一，加之随着电子技术的不断发展，智能电子设备的普及，物联网、大数据、车联网等概念深入人心，智能车载行业表现出一片欣欣向荣的情景，带给车主们更加人性化的体验与服务。

但是频发的交通事故让我们防不胜防，当前的车辆事故识别主要基于车速、加速度、方向等数据来判断车辆是否发生事故，由于数据噪声比较大，这种方法会把很多急减速、急转弯事件误判为碰撞事故，同时对于车速不高情况下的轻微擦碰又无法识别，并且现有技术都是通过固定公式来判断事故是否发生，仅仅只考虑了某些特定的因素，往往事故的发生不仅仅是由一个或者两个因素而导致的，而是受特别多因素的影响，因此容易忽略很多有用数据，因而事故判断的准确性非常低，不利于准确判断及救援工作开展。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种车辆事故识别方法、车载终端及存储介质，旨在解决现有技术中车辆事故识别准确度低，导致不能及时开展救援行动的问题。

本发明解决技术问题所采用的技术方案如下：

一种车辆事故识别方法，其中，所述方法包括：

实时采集车辆在行驶过程中的全量数据，并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据；

获取非数值型数据，并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理；

将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型，经数据模型运算处理，得出事故发生的概率；

当事故发生的概率大于预设的第一概率阈值时，则控制车载终端发出用于警告的预警信息；当事故发生的概率大于预设的第二概率阈值时，则控制车载终端向后台服务器上报所述车辆的事故信息。

所述的车辆事故识别方法，其中，所述全量数据包括数值型数据及非数值型数据；

所述数值型数据具体包括：所述车辆的速度、加速度值；

所述非数值型数据具体包括：GPS数据、所述车辆的左右前后位置是否有其他车辆以及所述车辆用户的驾驶状态。

所述的车辆事故识别方法，其中，所述实时采集车辆在行驶过程中的全量数据，并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据之前还包括：

预先采集大量车辆的全量数据进行模型训练，并建立一数据模型；所述数据模型为基于时间序列数据处理的神经网络数据模型；

所述数据模型用于当实时采集到所述车辆的全量数据时，直接套入所述数据模型，经数据模型运算，得出所述车辆发生事故的概率。

所述的车辆事故识别方法，其中，所述实时采集车辆在行驶过程中的全量数据，并对采集到的全量数据进行清洗并分离成数值型数据与非数值型数据具体包括：

当车辆启动后，在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据；

对获取到的全量数据进行去噪、滤波、空值和/或重复值处理，清除无效数据，并将全量数据分离成数值型数据与非数值型数据。

所述的车辆事故识别方法，其中，所述当车辆启动后，在预设时间和固定周期内开始采集车辆在行驶过程中的全量数据具体包括：

通过所述车辆上的预装的传感器、GPS以及监控摄像头定时采集所述车辆的全量数据；所述传感器包括重力传感器、加速度传感器、陀螺仪传感器以及距离传感器；

所述GPS用于获取当前车辆的周围其他车辆的车速；

所述监控摄像头用于收集所述车辆的用户的驾驶状态。

所述的车辆事故识别方法，其中，所述获取非数值型数据，并对非数值型数据进行用于将非数值型数据转成数值型数据的特征工程改造处理具体包括：

获取所述全量数据中的非数值型数据；

对所述非数值型数据进行特征工程改造处理，使所述非数值型数据转换成数值型数据；

对处理后的数据进行相关性分析，并将相关性强的数据合并。

所述的车辆事故识别方法，其中，所述将全量数据中数值型数据以及由非数值型数据经特征改造处理之后转换成的数值型数据套入预先建立好的数据模型，经数据模型运算处理，得出事故发生的概率具体包括：

根据预先设置好的数据模型，套入全量数据中的数值型数据以及经处理后的非数值型数据；