本發(fā)明涉及車輛行駛風險判定，具體是涉及一種基于大數(shù)據(jù)判定車輛行駛過程中動態(tài)風險的方法、介質和裝置。

背景技術：

1、在車輛的在途行駛過程中，安全問題無疑是重中之重。而安全問題的影響因素是復雜多樣的，涵蓋了駕駛員、車輛、路況、天氣等多個方面。值得注意的是，這些影響因素大多難以量化，它們?nèi)缤[藏在暗處的不定時炸彈，為在途行駛過程增加了諸多不確定性風險，進而對在途安全產(chǎn)生不可忽視的影響。鑒于此，為了提升車輛在途行駛的安全性，我們需要對這些因素加以重視和分析。

2、現(xiàn)有技術中的仍存在諸多技術問題：

3、1、數(shù)據(jù)質量和完整性問題：

4、數(shù)據(jù)不完整：車輛和環(huán)境傳感器的數(shù)據(jù)可能存在丟失、錯誤或不一致的問題。缺少關鍵數(shù)據(jù)或數(shù)據(jù)質量差可能導致風險評估結果不準確。

5、數(shù)據(jù)延遲：數(shù)據(jù)采集和傳輸過程中可能存在延遲，影響實時性和準確性。

6、2、數(shù)據(jù)融合與處理難題：

7、數(shù)據(jù)異構性：來自不同來源的數(shù)據(jù)可能格式、尺度和質量不一致，難以進行有效融合。

8、計算復雜性：大數(shù)據(jù)分析需要高性能計算資源，尤其是在實時環(huán)境下，對計算和存儲資源的需求較高。

9、3、模型泛化能力：

10、過擬合問題：機器學習模型可能會對訓練數(shù)據(jù)過擬合，導致在實際應用中表現(xiàn)不佳。

11、4、動態(tài)變化：車輛和道路環(huán)境的動態(tài)變化對模型的適應性提出了挑戰(zhàn)，需要不斷更新和調整模型。

技術實現(xiàn)思路

1、為解決上述技術問題之一，提供一種基于大數(shù)據(jù)判定車輛行駛過程中動態(tài)風險的方法、介質和裝置，用于實時監(jiān)測并預測車輛行駛中的潛在風險。為了提升現(xiàn)有技術方案的準確性、實時性和用戶體驗的問題。

2、為達到以上目的，本發(fā)明采用的技術方案為：

3、第一方面：一種基于大數(shù)據(jù)判定車輛行駛過程中動態(tài)風險的方法，包括以下步驟：

4、獲取車輛行程中歷史數(shù)據(jù)，對所述歷史數(shù)據(jù)進行邊緣計算和數(shù)據(jù)預處理，得到目標數(shù)據(jù)；

5、基于所述目標數(shù)據(jù)進行特征提取，得到所述目標數(shù)據(jù)的輸入特征，所述特征提取包括時序特征提取、環(huán)境特征提取、行為模式提取；

6、構建動態(tài)風險評估模型，根據(jù)所述目標數(shù)據(jù)的輸入特征訓練所述動態(tài)風險評估模型，所述動態(tài)風險評估模型利用arima模型和lstm網(wǎng)絡模型預測動態(tài)風險；

7、根據(jù)所述動態(tài)風險評估模型輸出的風險值生成風險評分，根據(jù)所述風險評分設定閾值，超過閾值時觸發(fā)實時預警，并評估當前行駛狀態(tài)的安全等級；

8、根據(jù)實時數(shù)據(jù)和風險評估結果調整模型預警參數(shù)，通過q-learning算法優(yōu)化駕駛員的行為模式。

9、優(yōu)選的：對所述歷史數(shù)據(jù)進行邊緣計算和數(shù)據(jù)預處理，得到目標數(shù)據(jù)，具體包括：

10、在車載計算平臺上進行初步的數(shù)據(jù)處理，利用邊緣計算節(jié)點對數(shù)據(jù)進行初步分析和處理；

11、數(shù)據(jù)預處理：對數(shù)據(jù)清洗和歸一化，處理缺失值和異常值，并進行加速度和速度的特征提取，表達式為：

12、；

13、；

14、其中，是第i次測量的加速度值；是第i次測量的速度值。

15、優(yōu)選的：所述目標數(shù)據(jù)的輸入特征包括速度、加速度、車距、路況、天氣；通過pca（主成分分析）特征提取算法將高維特征空間降維，表達式為：

16、；

17、其中，是數(shù)據(jù)矩陣，是主成分矩陣。

18、優(yōu)選的：所述動態(tài)風險評估模型利用arima模型和lstm網(wǎng)絡模型預測動態(tài)風險，具體包括：

19、所述arima模型為隨機森林，表達式為：

20、；

21、其中是第i棵決策樹對輸入x的預測結果，是決策樹的數(shù)量；

22、所述lstm網(wǎng)絡模型，表達式為：

23、；

24、其中是當前時間步的隱藏狀態(tài)，是當前時間步的輸入數(shù)據(jù)。

25、優(yōu)選的：所述根據(jù)所述動態(tài)風險評估模型輸出的風險值生成風險評分，根據(jù)所述風險評分設定閾值，超過閾值時觸發(fā)實時預警，并評估當前行駛狀態(tài)的安全等級，具體包括：

26、所述風險評分利用風險評分公式計算當前風險，表達式為：

27、；

28、其中，是綜合風險評分，是特征的權重，是特征i對風險的影響；

29、所述實時預警，使用閾值判斷公式為：

30、；

31、所述評估當前行駛狀態(tài)的安全等級，表達式為：

32、；

33、其中，是權重系數(shù)，通過模型訓練獲得。

34、優(yōu)選的：通過q-learning算法優(yōu)化駕駛員的行為模式，表達式為：

35、；

36、其中，是狀態(tài)-動作值函數(shù)，是即時獎勵，是折扣因子，是學習率。

37、優(yōu)選的：所述歷史數(shù)據(jù)包括車輛內(nèi)部數(shù)據(jù)、外部環(huán)境數(shù)據(jù)、大數(shù)據(jù)平臺數(shù)據(jù)和駕駛行為數(shù)據(jù)，所述時序特征提取為提取車輛的動態(tài)特征；所述環(huán)境特征提取為提取環(huán)境變化的特征，所述行為模式提取駕駛員行為的模式。

38、第二方面：一種基于大數(shù)據(jù)判定車輛行駛過程中動態(tài)風險的裝置，包括：

39、任務獲取模塊、用于獲取車輛行程中歷史數(shù)據(jù)，對所述歷史數(shù)據(jù)進行邊緣計算和數(shù)據(jù)預處理，得到目標數(shù)據(jù)；

40、特征提取模塊、用于所述目標數(shù)據(jù)進行特征提取，得到所述目標數(shù)據(jù)的輸入特征，所述特征提取包括時序特征提取、環(huán)境特征提取、行為模式提??；

41、動態(tài)風險評估模塊、用于構建動態(tài)風險評估模型，根據(jù)所述目標數(shù)據(jù)的輸入特征訓練所述動態(tài)風險評估模型，所述動態(tài)風險評估模型利用arima模型和lstm網(wǎng)絡模型預測動態(tài)風險；

42、風險評分模塊、用于根據(jù)所述動態(tài)風險評估模型輸出的風險值生成風險評分，根據(jù)所述風險評分設定閾值，超過閾值時觸發(fā)實時預警，并評估當前行駛狀態(tài)的安全等級；

43、優(yōu)化駕駛策略模塊、用于根據(jù)實時數(shù)據(jù)和風險評估結果調整模型預警參數(shù)，通過q-learning算法優(yōu)化駕駛員的行為模式。

44、第三方面：一種計算機設備，包括：

45、處理器；

46、存儲器，用于存儲可執(zhí)行指令；

47、其中，所述處理器用于從所述存儲器中讀取所述可執(zhí)行指令，并執(zhí)行所述可執(zhí)行指令以實現(xiàn)所述的基于大數(shù)據(jù)判定車輛行駛過程中動態(tài)風險的方法。

48、第四方面：一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，當所述計算機程序被處理器執(zhí)行時，使得處理器實現(xiàn)所述的基于大數(shù)據(jù)判定車輛行駛過程中動態(tài)風險的方法。

49、與現(xiàn)有技術相比，本發(fā)明的有益效果在于：

50、本發(fā)明提出實時數(shù)據(jù)處理與邊緣計算：在車載設備上進行數(shù)據(jù)處理，減少延遲和帶寬需求，提高系統(tǒng)響應速度。

51、動態(tài)調整風險模型：利用機器學習和深度學習技術，自動調整風險評估模型，提高預測準確性。

52、智能預警系統(tǒng)：通過實時數(shù)據(jù)和用戶反饋，優(yōu)化預警策略，實現(xiàn)個性化的駕駛建議。

53、強化學習優(yōu)化決策：利用強化學習算法優(yōu)化駕駛決策，提高系統(tǒng)的適應性和智能化水平。

54、通過這些優(yōu)化，方案不僅提高了風險評估的準確性和實時性，還大大增強了系統(tǒng)的智能化和用戶體驗。