[发明专利]自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法

说明书

提出了一种测量装置(1)和测量方法，用于自动交通和驾驶模式识别，和基于完全非保险相关数据及其与交通和驾驶模式的相关联，对汽车事故的绝对和相对风险进行的位置相关的测量和预测，提供高度时间和空间分辨率。提出的装置(1)提供基于网格的(2121、2122、2123、2124)技术上的新的使用基于环境的因素(包括社会经济因素的高程、道路网络、交通数据、天气状况)的与车辆事故相关的自动交通和驾驶模式识别和风险预测，该环境因素影响车辆交通并且依赖于位置，从适当的测量装置(41、...、45)接收。以这种方式，可以提供对任意区域的事故风险的预测。通过将区域或路段的特征与在那里测量或登记的事故的数量和类型进行比较，将这些特征和事故数据相关联，例如，使用公开的机器学习技术，来校准该系统。

技术领域

本发明涉及为物理时间条件或发生概率提供特定测量的测量装置和技术。具体地，本发明涉及测量装置和技术，包括测量数据聚合，其能够通过使用特定的机器学习技术或动态机器驱动的触发来组合异构测量数据和数据集。更具体地，本发明还涉及用于预测和确定车辆事故的时间波动风险的绝对和相对概率测量的装置，尤其是基于完全非保险相关数据的车辆事故的自动位置相关风险预测。此外，本发明大体还涉及用于在暴露于风险的车辆和自动操作的风险转移单元之间动态评级和/或执行车辆的风险转移的自动装置、系统和方法。该系统和方法可以利用自动装置来收集、捕获和处理数据，以确定与车辆使用的地理区域相关联的网格位置的动态评级因素。此外，该系统还可以包括用于信号生成和信号传输到电子操作的和关联的系统的适当装置。

背景技术

以足够的准确度实现用于自动交通或驾驶模式识别以及用于确定与驾驶或交通模式相关联的风险的装置和方法是复杂的且在技术上困难或者在技术上不可能(在交通或驾驶模式的混乱行为方面)。除了确定相关风险，交通或驾驶模式识别和交通模式识别也是大多数现代智能交通系统的重要部分。城市交通状况识别是智能控制、引导、协同和风险评估系统的基础。

在相应的技术领域中存在各种方法来实现这种系统。然而，所有方法必须以某种方式建立具有交通量、平均速度和占有率的至少三维空间。此外，必须对运输条件模式进行分类，例如，按照阻塞流、拥挤流、稳定流和无阻碍流。分类可以例如基于历史交通模式。为了处理数据，系统可以比较不同交通模型函数的分类结果，从而例如通过支持向量机执行运输条件模式识别。因此，确定的风险和交通因素应反映交通状况的特征。交通模型功能应该至少能够以高分类精度从多个交通流区分不同模式，其中，数据标准化对分类结果具有显著影响。

重要的是要理解，对于所有这些控制、指导、协同和风险评估系统，交通状况识别和预测通常基于高度动态因素，包括时间分辨率和地形分辨率。虽然就时间动态而言，识别的或预测的交通风险因素可以与更宽的时间范围相关联，例如，一天、一个月或一年，但显然交通风险因素的动态与交通状况模式的动态直接相关，其中，风险因素在评估的时间范围内被平均。

保险技术中的风险转移，特别是风险转移期间适当的承保处理，包括评估特定风险数值的过程，进而确定货币资源，该货币资源通常需在一定的时间框内转移，以防止发生与转移风险相关的风险事件的可能性。为了确保风险转移系统(即保险系统)的运行稳定性，转移的资源被定义为反映，基于保险所覆盖事件发生的可能性，如果发生覆盖事件时支付的数量。确定要转移的资源量的过程称为评级。评级过程可以包括许多变量，包括特定保险实体的经验数据、一类保险实体的经验数据、资本投资预测、利润率目标、以及用于预测某些现实世界事件的发生以及此类事件可能造成的损害程度的各种其他数据。