车联网警报模型、构建方法、修正方法、警报系统、可读存储介质及程序产品与流程

1.本发明涉及一种车联网警报模型、构建方法、修正方法、车联网警报系统、计算机可读存储介质及计算机程序产品。


背景技术：

2.近年来，随着全球范围内v2x技术和设备的普及，v2x应用也随之不断发展。例如，随着无线通信技术的发展，无线通信技术低延时、高速、可靠、安全的优点使得v2x应用变为可能。已知，v2x主要包括v2v和v2i。v2v可以实现车车通信，就车辆之间的位置、速度等信息进行交换。v2i可以实现车辆与道路设施、甚至是行人、非机动车辆之间的通信。
3.v2x应用主要用于碰撞预警以提高道路安全，主要包括：前向碰撞预警、交叉路口碰撞预警、左转辅助、变道预警、逆向超车预警、紧急制动预警、弱势交通参与者碰撞预警等。


技术实现要素：

4.发明所要解决的技术问题
5.然而，传统的v2x应用都是基于传统算法实现的。以v2i的情况为例，就整个流程中的预警功能而言，其推定是由传统算法完成的。并且，这样的传统算法需要如隐藏马尔卡夫等较复杂的模型。此外，还需要使用大量的参数并进行大量的实验来对上述模型进行优化。而且，由于上述模型优化所使用的参数和实验测试均非直接来源于实际的场景，因此，上述算法在实际使用中会产生错误判定，甚至会发生漏判的情况。
6.更详细而言，当前的v2x应用中对预警的判定条件需要根据每一种实际路况中可能发生的情况并通过人工添加的方式进行设定，因此，耗费大量的时间成本和人力成本，同时可能会遗漏应当纳入其中的推定条件，导致判定的准确率低。
7.为了避免遗漏应当纳入的推定条件，提出了一种基于人工智能的车联网警报技术。然而，若要引入人工智能技术，则需要采用监督学习，即需要针对每一样本数据进行标记。其结果是，需要采集并标记大量的数据，同样会耗费大量的时间成本和人力成本。
8.本发明是鉴于上述问题而形成的，其目的在于提供一种车联网警报模型及其构建方法、修正方法、车联网警报系统、计算机可读存储介质及计算机程序产品，能够在节省大量时间成本和人力成本的同时，达到与上述传统算法相比更高的正确率。
9.解决技术问题所采用的技术方案
10.本发明的第一技术方案是一种车联网警报模型的构建方法，包括：
11.对车辆行驶关联历史数据进行获取以形成样本数据集；
12.对所述样本数据集中的一部分进行手动标记以形成手标数据集；
13.将所述手标数据集划分为训练用手标数据集和评测用手标数据集；
14.基于人为设定的条件，建立用于推定是否需要进行报警的第一算法模型；
15.利用所述手标数据集中的至少一部分手标数据，对所述第一算法模型的正确率进行评估，若所述第一算法模型的正确率大于规定的阈值，则保存所述第一算法模型；
16.利用所述第一算法模型，对所述样本数据集中手动标记以外的部分进行自动标记以形成机标数据集，
17.利用所述机标数据集对循环神经网络进行训练以形成初始车联网警报模型；
18.利用所述评测用手标数据集对所述初始车联网警报模型进行评估，若所述初始车联网警报模型的正确率等于或大于所述第一算法模型的正确率，则保存所述初始车联网警报模型；
19.利用所述训练用手标数据集对所述初始车联网警报模型进行更新，以形成更新后的车联网警报模型；以及
20.利用所述评测用手标数据集对所述更新后的车联网警报模型进行评估，若所述更新后的车联网警报模型的正确率与更新前相比更高，则保存所述更新后的车联网警报模型以替代所述初始车联网警报模型，形成最终车联网警报模型。
21.在上述第一技术方案的基础上，在本发明的第二技术方案中，当利用所述手标数据集中的至少一部分手标数据对所述第一算法模型的正确率进行评估时，若所述第一算法模型的正确率小于所述规定的阈值，则对所述人为设定的条件进行修改以对所述第一算法模型进行修正，以使所述第一算法模型的正确率大于或等于所述规定的阈值。
22.在上述第一技术方案的基础上，在本发明的第三技术方案中，当利用所述评测用手标数据集对所述初始车联网警报模型进行评估时，若所述初始车联网警报模型的正确率小于所述第一算法模型的正确率，则对所述循环神经网络的参数进行调整，利用所述评测用手标数据集对参数调整后的循环神经网络进行再训练而对所述初始车联网警报模型进行修正，以使所述初始车联网警报模型的正确率等于或大于所述第一算法模型的正确率。
23.在上述第一技术方案的基础上，在本发明的第四技术方案中，当利用所述评测用手标数据集对所述更新后的车联网警报模型进行评估时，若所述更新后的车联网警报模型的正确率与更新前相比未提高或降低，则对所述更新后的车联网警报模型进行再训练，以使所述更新后的车联网警报模型的正确率与更新前相比更高。
24.在上述第一技术方案至第四技术方案中任一技术方案的基础上，在本发明的第五技术方案中，基于不同的应用场景，对所述样本数据集中的样本数据进行与该应用场景对应的降维处理。
25.在上述第一技术方案至第四技术方案中任一技术方案的基础上，在本发明的第六技术方案中，所述循环神经网络是长短期记忆循环神经网络。
26.本发明的第七技术方案提供了一种车联网警报模型，所述车辆网警报模型是通过第一技术方案至第六技术方案中任一技术方案所述的车联网警报模型的构建方法形成的最终车联网警报模型。
27.此外，本发明的第八技术方案是一种车联网警报模型推定结果的修正方法，对第七技术方案所述的车联网警报模型的推定结果进行修正，包括：
28.利用所述手标数据集中的每一手标数据对所述车联网警报模型进行评估，以筛选出所述车联网警报模型推定结果错误的所对应的手标数据；
29.针对筛选出的所述车联网警报模型推定结果错误的所对应的手标数据，建立能够
对所述车联网警报模型的推定结果进行修正的第二算法模型；以及
30.利用所述第二算法模型对所述车联网警报模型的推定结果进行修正。
31.另外，本发明的第九技术方案提供了一种车联网警报系统，包括：
32.数据接收模块，所述数据接收模块对车辆行驶关联数据进行实时获取；
33.报警推定模块，所述报警推定模块基于实时获取到的所述车辆行驶关联数据并通过第七技术方案所述的车联网警报模型对是否需要报警进行推定；
34.警报输出模块，所述警报输出模块在所述报警推定模块推定为需要进行报警的情况下输出报警指令。
35.在第九技术方案的基础上，在本发明的第十技术方案中，所述报警推定模块基于第八技术方案所述的车联网警报模型推定结果的修正方法中建立的第二算法模型对所述车联网警报模型的推定结果进行修正。
36.本发明的第十一技术方案提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一技术方案至第六技术方案、第八技术方案中任一技术方案所述的方法。
37.本发明的第十二技术方案提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一技术方案至第六技术方案、第八技术方案中任一技术方案所述的方法。
38.发明效果
39.根据本发明的第一技术方案，将收集到的车辆行驶关联历史数据即样本数据的集合预先分成进行手工标记的手标样本数据集和进行自动标记的机标样本数据集，对手标样本数据集进行手工标记以形成手标(样例)数据集，并且将手标(样例)数据集分为训练用手标(样例)数据集和评测用(样例)数据集。此外，根据特定的应用场景，以人工的方式确定用于推定是否需要报警的推定条件，从而建立用于推定是否需要报警的第一算法模型即上文所述的传统算法模型。然后，利用上述手标(样例)数据集中的至少一部分手标(样例)数据，对所述第一算法模型的正确率进行评估，若所述第一算法模型的正确率等于或大于预先设定的规定阈值，则保存该第一算法模型，否则重新编写该第一算法模型的算法逻辑并重新进行评估。接着，利用保存的第一算法模型对所述机标样本数据集进行自动标记以形成机标(样例)数据集。随后，利用所述机标(样例)数据集对循环神经网络(recurrent neural networks)进行训练以形成基于循环神经网络的初始车联网警报模型。之所以采用循环神经网络，是因为车辆行驶关联历史数据即样本数据是序列数据，而相比于其他神经网络，循环神经网络尤其善于处理序列数据。在形成所述初始车联网警报模型之后，利用评测用手标(样例)数据集对所述初始车联网警报模型进行评估，若该初始车联网警报模型的正确率等于或大于所述第一算法模型的正确率，则保存所述初始车联网警报模型，否则，对所述循环神经网络的各参数进行调整后，重新对循环神经网络进行训练。然后，利用训练用手标(样例)数据集对保存的所述初始车联网警报模型进行更新，并再次利用评测用手标(样例)数据集对更新后的车联网警报模型进行评估。若更新后的车联网警报模型的正确率与更新前相比变高，则保存更新后的车联网警报模型以替代初始车联网警报模型，从而形成最终车联网警报模型。
40.即，根据本发明的第一技术方案，通过在现有的v2x应用所采用的传统算法的基础
上引入人工智能技术(具体而言，深度学习技术)以替代原本单一的传统算法，能够避免人为设定的、用于推定是否需要报警的推定条件的错误选择、漏选等情况，从而能够避免人为因素所导致的推定精度的降低。此外，在基于ai技术(具体而言是循环神经网络)构建车联网警报模型的情况下，引入一部分通过传统算法自动标记的数据对车联网警报模型进行基础化训练，在车联网警报模型的识别率(即，正确率)提升到一定高度后，再用少量人工标记的数据完成精细化训练，从而在节省大量时间成本和人力成本的同时，达到比传统算法更高的准确率。
41.根据本发明的第二技术方案，在利用手标数据集中的至少一部分手标数据对第一算法模型的正确率进行评估的情况下，若第一算法模型的正确率小于所述规定的阈值，则表明所建立的第一算法模型的精度不足。这是第一算法模型的固有缺陷所导致的。具体而言，第一算法模型是基于人为设定的条件而形成的，由于人为设定的条件具有主观性，若设计人员的判断出现失误，则可能会导致所建立的第一算法模型不具有所期望的模型精度。为此，通过修改人为设定的条件而对第一算法模型进行修正，直到修正后的第一算法模型的正确率达到规定的阈值以上。如此，能够确保构建出的最终车联网警报模型具有所期望的推定精度。
42.根据本发明的第三技术方案和第四技术方案，能够进一步确保构建出的最终车联网警报模型具有所期望的推定精度。
43.根据本发明的第五技术方案，有时，获取到的车辆行驶关联历史数据即样本数据的维数比较高，而对于特定的应用场景而言，在推定是否需要进行报警时，数据的一部分属性与报警的推定是无关或关联性较低的。因此，针对特定的应用场景，在进行分类和标记前，对获取到的样本数据集中的样本数据进行降维处理以删除与报警的推定无关或关联性较低的属性所对应的数据分量。如此，能够缓解维数灾难，能够有效地提高计算效率和建模效率。
44.根据本发明的第六技术方案，通过采用长短期记忆循环神经网络，能够解决常规循环神经网络对于长期依赖的学习能力低下这一问题。如此一来，能够更有效地提高报警的推定精度。
45.根据本发明的第七技术方案，能够获得一种在节省大量时间成本和人力成本的同时达到更高的正确率的车联网警报模型。
46.根据本发明的第八技术方案，通过建立对车联网警报模型的推定结果进行修正的第二算法模型并利用该第二算法模型对车联网警报系统的推定结果进行修正，能够进一步提高车联网警报模型的报警推定精度。
47.根据本发明的第九技术方案和第十技术方案，能够获得一种在节省大量时间成本和人力成本的同时达到更高的正确率的车联网警报系统。
附图说明
48.图1是表示本发明一实施方式的车联网警报模型的构建方法的流程图。
49.图2是表示样本数据集的划分以及划分后的各样本数据集的占比的示意图。
50.图3是表示一个标准循环神经网络的网络结构示意图。
51.图4是表示一个长短期记忆循环神经网络的网络结构示意图。
52.图5是表示图1所示的车联网警报模型的构建方法的变形例的流程图。
53.图6是表示车联网警报模型的推定结果的修正方法的流程图。
54.图7是采用图1和图5中任一者所示的车联网警报模型的车联网警报系统的功能模块图。
55.图8是一种用于实现车联网报警的电子设备的结构示意图。
具体实施方式
56.(车联网警报模型的构建方法的实施方式)
57.首先，参照图1，对本发明一实施方式的车联网警报模型的构建方法进行详细说明。如图1所示，首先，在步骤st1中，对作为样本数据的车辆行驶关联历史数据进行获取以形成由多个车辆行驶关联历史数据构成的样本数据集。车辆行驶关联历史数据是与车辆的行驶以及车辆的周边状况关联的历史信息，例如包括主车(host vehicle)的行驶状态(例如，直行、倒车、转向灯)、主车的行驶速度、主车周边有无远车(remote vehicle)、远车的行驶速度、主车与远车的横向距离、主车周边有无行人或非机动车、行人或非机动车相对于主车所在的方位等。也就是说，作为样本数据，车辆行驶关联历史数据是维数为d(d＞1)的示例(即样本)。另外，车辆行驶关联历史数据是时间序列数据，其中的一个属性是时间。关于上述车辆行驶关联历史数据的具体获取方式，例如，可以综合考虑“直接导致事故发生的司机操作的平均时长”、“司机收到警报后作出反应所需的平均时长”以及“车联网警报模型对数据进行计算所需的时间”等因素以及车联网警报模型的网络结构(基本单元的个数等)进行确定。在形成样本数据集之后，进入步骤st2。
58.接着，在步骤st2中，对所获取的样本数据集进行划分。图2示出了样本数据集的一个具体划分以及划分后的各样本数据集的占比。具体而言，如图2所示，将样本数据集划分成手标用样本数据集和机标用样本数据集，其中，手标用样本数据集占样本数据集的整体数据量的20％，机标用样本数据集占样本数据集的整体数据量的80％。然后，根据手标用样本数据集中的样本数据所对应的实际的交通情况结果，通过人工的方式对手标用样本数据集进行手动标记以形成带有标记的手标用样本数据集即手标(样例)数据集。需要说明的是，所述标记是表示是否需要报警的标记，其是根据手标用样本数据集中的样本数据所对应的实际交通情况结果(例如，是否发生了事故、是否导致了紧急刹车动作、是否发生其他危险事件等)来确定的。并且，将带有标记的手标(样例)数据集进一步划分成训练用手标(样例)数据集和评测用手标(样例)数据集，其中，训练用手标(样例)数据集占手标(样例)数据集的总数据量的80％，评测用手标(样例)数据集占手标(样例)数据集的总数据量的20％。换言之，训练用手标(样例)数据集占样本数据集的总数据量的16％，评测用手标(样例)数据集占样本数据集的总数据量的4％。在完成样本数据集的划分以及手标用样本数据集的手动标记后，进入步骤st3。
59.在步骤st3中，针对特定的场景，基于人为设定的推定条件，建立用于推定是否需要进行报警的第一算法模型。为了便于理解，此处，针对弱势道路使用者碰撞这一特定的应用场景，以弱势道路使用者碰撞警告系统(vrucw)这个应用为例进行说明。具体而言，vrucw报警的推定条件是主要基于以下两点进行设定的：路上是否有弱势道路使用者，例如行人、自行车这样的非机动车等；弱势道路使用者是否处于可能发生碰撞的位置或状态。据此，人
为设定下述推定条件：
60.(1)对方(即若弱势道路使用者)是否是行人或非机动车；
61.(2)对方是否在前方半径5m的半圆内；
62.(3)我方车(即，主车)是否在前进；
63.(4)对方是否在后方半径5m的半圆内；
64.(5)我方车是否在倒车；
65.(6)我方车的驾驶员是否在踩油门。
66.基于人为设定的上述推定条件，建立用于判断是否需要进行报警的算法逻辑模型(即，第一算法模型)，其判断逻辑如下：
67.(对方是行人or对方是非机动车)and(对方在前方半径5m的半圆内and我方车在前进)or(对方在后方半径5m的半圆内and我方车在倒车)and我方车的驾驶员在踩油门。
68.根据上述判断逻辑，若对方是行人且在前方半径3m处且我方车的驾驶员正在踩油门而使该车向前方行进，则判断为需要进行报警。需要说明的是，以上第一算法模型以弱势道路使用者碰撞警告系统(vrucw)这个应用场景为例进行说明，但并不限于此，也可适用于v2x的其他应用场景。
69.在建立了第一算法模型之后，进入步骤st4。
70.在步骤st4中，利用手标(样例)数据集中的至少一部分手标(样例)数据，对第一算法模型的正确率进行评估。手标(样例)数据集中的至少一部分手标(样例)数据可以仅是训练用手标(样例)数据集中的至少一部分或全部，也可仅是评测用手标(样例)数据集中的至少一部分或全部，还可以是训练用手标(样例)数据集中的至少一部分或全部和评测用手标(样例)数据集中的至少一部分或全部的组合。此处所说的“对第一算法模型的正确率进行评估”是指对第一算法模型基于上述手标(样例)数据做出的推定结果是否正确进行评估，即，上述手标(样例)数据输入第一算法模型后，第一算法模型所做出的推定结果与该手标(样例)数据所标记的实际交通情况结果是否一致。为了便于理解，以步骤st3中建立的第一算法模型为例进行说明。假设，存在下述三个手标(样例)数据：
71.x1＝(“对方是行人”，“在车前方3m处”，“我方车在前进”，“我方车的驾驶员在踩油门”，“需要报警”，
……
)；
72.x2＝(“对方是自行车”，“在车后方1m处”，“我方车在前进”，“我方车的驾驶员在踩油门”，“不需要报警”，
……
)；
73.x3＝(“对方是自行车”，“在车后方1m处”，“我方车正在向右转向”，“我方车的驾驶员在踩油门”，“需要报警”，
……
)。
74.在输入数据是x1的情况下，第一算法模型根据上述判断逻辑推定出的结果是“需要报警”，而数据x1的标记也是“需要报警”，因此，认定第一算法模型的推定结果正确。
75.在输入数据是x2的情况下，第一算法模型根据上述判断逻辑推定出的结果是“不需要报警”，而数据x2的标记也是“不需要报警”，因此，认定第一算法模型的推定结果也正确。
76.在输入数据是x3的情况下，第一算法模型根据上述判断逻辑推定出的结果是“不需要报警”，而数据x3的标记却是“需要报警”，因此，认定第一算法模型的推定结果错误。
77.通过上述方式对第一算法模型的正确率进行评估，若第一算法模型的正确率达到
规定的阈值(例如，75％)以上，则判定为第一算法模型的模型精度达标，从而保存该第一算法模型，并进入步骤st6。另一方面，若第一算法模型的正确率未达到上述阈值，则进入步骤st5。
78.在步骤st5中，对上述推定条件进行修改或增加新的推定条件，并重新修改判断逻辑以修正第一算法模型。在完成第一算法模型的修正后，返回至步骤st4进行重新评估。如此，重复上述步骤，直到第一算法模型的正确率达到规定的阈值以上。然后，进入步骤st6。
79.在步骤st6中，利用所保存的第一算法模型，对机标用样本数据集中的样本数据进行自动标记以形成机标(样例)数据集。接着，进入步骤st7。
80.在步骤st7中，利用通过第一算法模型进行自动标记后的机标(样例)数据集对循环神经网络进行训练，以形成初始车联网警报模型，该初始车联网警报模型是推定是否需要进行报警的学习完成模型。更具体而言，利用机标(样例)数据集对循环神经网络进行例如25-100个epoch的训练，使所形成的初始车联网警报模型损失(loss)回归。图3示出了一个标准循环神经网络的设计模式图。如图3所示，标准循环神经网络是一个many to one类型的循环神经网络，其具有两个以上的神经网络单元且具有展开长度(或时间步)τ，对应于时间序列数据集x＝{x1，x2，x3，
……
，x
τ
}。例如，在假设v2x系统采样频率为10次/秒且选择3秒的数据量为默认的输入数据量的情况下，τ＝30，x＝{x1，x2，x3，
……
，x
30
}。需要说明的是，所有循环神经网络都具有神经网络的重复模块链的形式。在图3所示的标准循环神经网络中，在每一循环神经网络单元中均存在一个简单的重复模块，该重复模块例如是单个tanh层。不过，本发明采用的循环神经网络不限于图3所示的标准循环神经网络，也可采用其他类型的循环神经网络。已知，循环神经网络的设计初衷之一就是能够捕获长距离输入之间的依赖。然而实践发现，使用bptt算法学习的循环神经网络并不能成功捕捉到长距离的依赖关系，这一现象主要源于深度神经网络中的梯度消失。即，随着输入距离的增加，上述标准循环神经网络无法有效地利用历史信息。也就是说，上述标准循环神经网络对于长期依赖的学习能力低下。因此，优选采用图4所示的长短期记忆循环神经网络(lstm rnn)。如图4所示，该长短期记忆循环神经网络具有与图3所示的标准循环神经网络相似的链状结构，其区别在于，标准循环神经网络中的各单元仅具有一层简单的重复模块，而长短期记忆循环神经网络具有彼此交互的四层重复模块。由于长短期记忆循环神经网络的网络结构是公知的，因此，在此省略对其结构进行说明。在形成初始车联网警报模型之后，进入步骤st8。
81.在步骤st8中，利用评测用手标(样例)数据集对在步骤st7中形成的初始车联网警报模型进行评估。具体而言，利用评测用手标(样例)数据集对初始车联网警报模型的正确率进行评估，若初始车联网警报模型的正确率等于或大于上述第一算法模型的正确率，则保存当前的初始车联网警报模型，并进入步骤st10。另一方面，若初始车联网警报模型的正确率小于上述第一算法模型的正确率，则进入步骤st9。在步骤st9中，对循环神经网络的各参数进行调整并返回至步骤st7。重复上述步骤，直到初始车联网警报模型的正确率等于或大于上述第一算法模型的正确率。
82.在步骤st10中，利用训练用手标(样例)数据集对步骤st8中保存的初始车联网警报模型进行更新。具体而言，利用训练用手标(样例)数据集对上述初始车联网警报模型进行例如10-50个epoch的训练，以使车联网警报模型损失(loss)回归而形成更新后的车联网警报模型。然后，进入步骤st11。
83.在步骤st11中，再次利用评测用手标(样例)数据集对在步骤st10中更新后的车联网警报模型进行评估。具体而言，利用评测用手标(样例)数据集对更新后的车联网警报模型的正确率进行评估，若更新后的车联网警报模型的正确率与更新前的车联网警报模型(即步骤st8中所保存的正确率等于或大于第一算法模型的正确率的初始车联网警报模型)的正确率相比提高，则进入步骤st13。在步骤st13中，保存更新后的车联网警报模型以替代更新前的车联网警报模型而形成最终车联网警报模型，并认定为车联网警报模型构建成功。另一方面，若更新后的车联网警报模型的正确率与更新前的车联网警报模型的正确率相比降低或基本相等，则进入步骤st12。在步骤st12中，对车联网警报模型的参数进行调整，或者增加训练的轮数(即，增加epoch的次数)，然后，返回至步骤st10。重复上述步骤，直到更新后的车联网警报模型的正确率与更新前的车联网警报模型的正确率相比提高。
84.需要说明的是，本实施方式以及下述变形例的构建方法所包含的步骤仅为一示例，部分步骤的顺序是可变的，只要能够实现上述构建方法即可。例如：在某些实施例中，可以是：首先执行上述步骤st3，即首先建立第一算法模型，再执行上述步骤st1，即再获取并形成样本数据集。在某些实施例中，上述步骤st2可以进一步细化为步骤st2a与步骤st2b，在步骤st2a中，将所获取的样本数据集划分为手标用样本数据集和机标用样本数据集，并对手标用样本数据集进行手动标记以形成手标(样例)数据集；在步骤st2b中，将带有标记的手标(样例)数据集进一步划分为训练用手标(样例)数据集和评测用手标(样例)数据集，步骤st2b可以在步骤st2a执行后且上述步骤st8执行前中的任何一步执行即可。
85.根据上述实施方式，在现有的v2x应用所采用的传统算法的基础上引入循环神经网络技术以替代原本单一的传统算法，能够避免人为错误地设定用于推定是否需要报警的推定条件，能够避免由于考虑不周全而导致推定条件的遗漏，从而能够避免人为因素所导致的推定精度的降低。具体而言，首先，针对特定的应用场景通过人为的方式设定用于推定是否需要进行报警的推定条件，并且基于人为设定的上述推定条件来建立第一算法模型即传统逻辑判断算法。接着，并非直接对样本数据集中的所有样本数据进行人工标记，而是先将样本数据集分成少量的手标用样本数据集和大量的机标用样本数据集，仅对少量的手标用样本数据集进行人工标记而形成手标(样例)数据集，并通过手标(样例)数据集对第一算法模型进行评估。然后，利用评估合格后的第一算法模型对大量的机标用样本数据集进行自动标记以形成机标(样例)数据集，由此，能够大幅度地节省时间成本和人力成本。随后，引入上述机标(样例)数据集并利用循环神经网络技术形成初始车联网警报模型，通过上述机标(样例)数据集对循环神经网络模型的基础化训练，将车联网警报模型的正确率提升到一定高度后，再用少量的手标(样例)数据集完成精细化训练。如此，能够在大幅节省时间成本和人力成本的同时，利用人工智能技术避免人为因素导致的推定正确率低下，能够提高车辆网警报模型推定的正确率。
86.接着，参照图5，对上述实施方式的车联网警报模型的构建方法的变形例进行说明。为了简化说明，仅针对变形例与上述实施方式的不同点进行说明。
87.(构建方法的变形例)
88.图5示出了图1所示的上述实施方式的车联网警报模型的构建方法的变形例的流程图。根据图5所示的流程图可知，在步骤st1中形成样本数据集后且在进入步骤st2前，先进入步骤st1a。在步骤st1a中，基于不同的应用场景，对形成的样本数据集中的样本数据进
行与该应用场景对应的降维处理。具体而言，针对不同的应用场景而言，并非所有数据属性均与该应用场景下的道路危险情况具有较高的关联性，有些数据属性与该应用场景下的道路危险情况的关联性几乎没有或者非常微小。即，这些数据属性对是否需要报警的推定几乎是没有作用的，甚至可能产生负面作用。并且，若样本数据的维数较高，则在计算过程中会存在维数灾害的计算问题，从而导致计算效率和计算精度下降。为了避免上述情况的发生，针对特定的应用场景，删除每一样本数据中的、与该特定的应用场景下的道路危险情况无关或关联性较小的数据属性而降低样本数据的维数。如此，能够缓解维数灾难，能够有效地提高计算效率和建模效率。
89.(车联网警报模型的推定结果的修正方法)
90.图6示出了车联网警报模型的推定结果的修正方法的流程图。
91.如图6所示，首先，在步骤st14中，利用手标(样例)数据集中的每一手标(样例)数据对当前保存的车联网警报模型(最终车联网警报模型)进行评估，筛选出车联网警报模型推定结果错误的所对应的手标(样例)数据。即，将手标(样例)数据集中的各手标(样例)数据输入车联网警报模型，车联网警报模型经过计算后所做出的推定结果与该手标(样例)数据所标记的实际交通情况结果不一致，则表示车联网警报模型所做出的推定结果错误。例如，对于标记为“需要报警”的手标(样例)数据，车联网警报模型推定的结果是“不需要报警”，则认定为车联网警报模型的推定结果错误。作为具体的实现方式，以vrucw为例进行说明。例如，经过反复观察发现，有时，在主车的车速大于40km/h且同时弱势群体在非机动车道上逆行的情况下，当前的车联网警报模型应当推定为需要警报而未做出该推定(即推定为不需要警报)。筛选出车联网警报模型推定结果错误的所对应的手标(样例)数据后，进入步骤st15。
92.在步骤st15中，对筛选出的车联网警报模型推定结果错误的所对应的手标(样例)数据进行分析，判断这些手标(样例)数据是否存在共同点，若存在共同点，则进入步骤st16，若不存在共同点，则对车联网警报模型的推定结果不做修正，结束修正方法的流程(参见步骤st18)。关于共同点，例如在上述vrucw的例子中，共同点可以是“主车的车速大于40km/h”&&“弱势群体在非机动车道上逆行”。在步骤st16中，基于具有共同点的上述手标(样例)数据，建立对车联网警报模型的推定结果进行修正的第二算法模型，然后进入步骤st17。在上述例子中，例如以“hv speed≥40km/h”&&“在5m范围内存在弱势群体”&&“弱势群体的移动方向＝-hv方向(即逆行)”为判断条件建立第二算法模型。
93.在步骤st17中，利用第二算法模型对车联网警报模型的推定结果进行修正。在上述例子中，当“hv speed≥40km/h”&&“在5m范围内存在弱势群体”&&“弱势群体的移动方向＝-hv方向(即逆行)”这一条件成立时，且在车联网警报模型的推定结果为“不需要报警”的情况下，第二算法模型将车联网警报模型的推定结果修正为“需要报警”。
94.根据该修正方法，在同时建立了车联网警报模型和对车联网警报模型的推定结果进行修正的第二算法模型的情况下，在进行报警推定时，可以利用第二算法模型对车联网警报模型的推定结果进行修正来避免车联网警报模型发生漏报错报的情况。由此，能够进一步提高报警推定的精度。
95.(车辆网警报系统s的功能构成)
96.接着，参照图7，对采用上述实施方式及其变形例所述的车联网警报模型的车联网
警报系统s的功能构成进行说明。
97.如图7所示，车联网警报系统s主要包括数据接收模块s1、报警推定模块s2和警报输出模块s3。该车联网警报系统搭载在主车上。
98.数据接收模块s1是至少具有对车辆行驶关联数据进行实时采集和获取的功能的模块，车辆行驶关联数据是包括主车(host vehicle)关联数据、远车(remote vehicle)关联数据以及弱势道路使用者等周边数据在内的时间序列数据。
99.报警推定模块s2是至少包括根据上述实施方式及其变形例所述的构建方法形成的车联网警报模型的模块，至少具有将数据接收模块s1所获取的实时车辆行驶关联数据作为输入数据集并通过上述车联网警报模型进行计算而输出是否需要进行报警的推定结果的功能。此外，报警推定模块s2优选还具有通过上述图6所述的修正方法中建立的第二算法模型。在具有第二算法模型的情况下，报警推定模块s2还具有基于该第二算法模型对上述车联网警报模型计算后的推定结果进行修正的功能。
100.警报输出模块s3是至少具有输出报警指令的功能的模块，根据从报警推定模块s2接收到的报警推定结果来决定是否输出报警指令或报警信号。也就是说，当从报警推定模块s2接收到的报警推定结果是“需要报警”时，警报输出模块s3向车联网的报警装置或设备(未图示)输出报警指令，当从报警推定模块s2接收到的报警推定结果是“不需要报警”时，或当未从报警推定模块s2接收到报警推定结果时，该警报输出模块s3不输出报警指令。
101.(实现车联网报警的计算机系统的结构)
102.接着，参照图8，对基于上述实施方式及其变形例所述的构建方法和上述修正方法实现车联网报警的电子设备、具体而言是计算机系统100的主要结构进行说明。
103.图8是一种用于实现车联网报警的计算机系统100的结构示意图。需要说明的是，图8示出的计算机系统仅仅是电子设备的一个示例，不应对本发明实施例的功能和使用范围带来任何限制。即，用于实现车联网报警的电子设备不限于图8所示的计算机系统，也可以是机动车的ecu(电子控制单元)。
104.如图8所示，计算机系统100包括中央处理单元(cpu)101，其可以根据存储在只读存储器(rom)102中的程序或者从存储部108加载到随机访问存储器(ram)103中的程序而执行各种适当的动作和处理。在ram 103中，还存储有计算机系统100进行操作所需的各种程序和数据。cpu 101、rom 102以及ram 103通过总线104彼此相连。输入/输出(i/o)接口105也连接至总线104。
105.在i/o接口105连接有i/o设备，所述i/o设备可包括键盘、鼠标等输入部106、液晶显示器(lcd)、扬声器等输出部107、硬盘等存储部分108、调制解调器等的网络接口卡的通信部109。通信部109经由诸如因特网的网络执行通信处理。驱动器110也可根据需要连接至i/o接口105。此外，可拆卸介质111也可根据需要安装在驱动器110上，以便从该可拆卸介质111上读取出的计算机程序可根据需要被安装至存储部108。
106.特别地，参考图1、图5和图7描述的过程即本发明的一实施方式及其变形例的车联网警报模型的构建方法和修正方法可以被实现为计算机软件程序。例如，本发明一实施方式包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行图1、图5和图7中任意一个或多个所示的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部109从网络上被下载和安装，和/或从可拆卸介质111被
安装。在该计算机程序被中央处理单元(cpu)101执行时，执行本发明的系统中限定的上述功能。
107.需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
108.作为另一方面，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中描述的计算机系统中所包含的，也可以是单独存在而未装配入该计算机系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该计算机系统执行时，使得该计算机系统实现如上述实施方式及其变形例的方法。例如，上述计算机系统可以实现图1、图5和图7所示的各个步骤。
109.根据本发明的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施方式及变形例的各种可选实现方式中提供的方法。
110.应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

技术特征：
1.一种车联网警报模型的构建方法，其特征在于，包括：对车辆行驶关联历史数据进行获取以形成样本数据集；对所述样本数据集中的一部分进行手动标记以形成手标数据集；将所述手标数据集划分为训练用手标数据集和评测用手标数据集；基于人为设定的条件，建立用于推定是否需要进行报警的第一算法模型；利用所述手标数据集中的至少一部分手标数据，对所述第一算法模型的正确率进行评估，若所述第一算法模型的正确率等于或大于规定的阈值，则保存所述第一算法模型；利用所述第一算法模型，对所述样本数据集中手动标记以外的部分进行自动标记以形成机标数据集；利用所述机标数据集对循环神经网络进行训练以形成初始车联网警报模型；利用所述评测用手标数据集对所述初始车联网警报模型进行评估，若所述初始车联网警报模型的正确率等于或大于所述第一算法模型的正确率，则保存所述初始车联网警报模型；利用所述训练用手标数据集对所述初始车联网警报模型进行更新，以形成更新后的车联网警报模型；以及利用所述评测用手标数据集对所述更新后的车联网警报模型进行评估，若所述更新后的车联网警报模型的正确率与更新前相比更高，则保存所述更新后的车联网警报模型以替代所述初始车联网警报模型，形成最终车联网警报模型。2.如权利要求1所述的车联网警报模型的构建方法，其特征在于，当利用所述手标数据集中的至少一部分手标数据对所述第一算法模型的正确率进行评估时，若所述第一算法模型的正确率小于所述规定的阈值，则对所述人为设定的条件进行修改以对所述第一算法模型进行修正，以使所述第一算法模型的正确率大于或等于所述规定的阈值。3.如权利要求1所述的车联网警报模型的构建方法，其特征在于，当利用所述评测用手标数据集对所述初始车联网警报模型进行评估时，若所述初始车联网警报模型的正确率小于所述第一算法模型的正确率，则对所述循环神经网络的参数进行调整，利用所述评测用手标数据集对参数调整后的循环神经网络进行再训练而对所述初始车联网警报模型进行修正，以使所述初始车联网警报模型的正确率等于或大于所述第一算法模型的正确率。4.如权利要求1所述的车联网警报模型的构建方法，其特征在于，当利用所述评测用手标数据集对所述更新后的车联网警报模型进行评估时，若所述更新后的车联网警报模型的正确率与更新前相比未提高或降低，则对所述更新后的车联网警报模型进行再训练，以使所述更新后的车联网警报模型的正确率与更新前相比更高。5.如权利要求1至4中任一项所述的车联网警报模型的构建方法，其特征在于，基于不同的应用场景，对所述样本数据集中的样本数据进行与该应用场景对应的降维处理。6.如权利要求1至4中任一项所述的车联网警报模型的构建方法，其特征在于，所述循环神经网络是长短期记忆循环神经网络。7.一种车联网警报模型，其特征在于，
所述车联网警报模型是通过权利要求1至6中任一项所述的车联网警报模型的构建方法形成的最终车联网警报模型。8.一种车联网警报模型推定结果的修正方法，其特征在于，对权利要求7所述的车联网警报模型的推定结果进行修正，包括：利用所述手标数据集中的每一手标数据对所述车联网警报模型进行评估，以筛选出所述车联网警报模型推定结果错误的所对应的手标数据；针对筛选出的所述车联网警报模型推定结果错误的所对应的手标数据，建立能够对所述车联网警报模型的推定结果进行修正的第二算法模型；以及利用所述第二算法模型对所述车联网警报模型的推定结果进行修正。9.一种车联网警报系统，其特征在于，包括：数据接收模块，所述数据接收模块对车辆行驶关联数据进行实时获取；报警推定模块，所述报警推定模块基于实时获取到的所述车辆行驶关联数据并通过权利要求7所述的车联网警报模型对是否需要报警进行推定；警报输出模块，所述警报输出模块在所述报警推定模块推定为需要进行报警的情况下输出报警指令。10.如权利要求9所述的车联网警报系统，其特征在于，所述报警推定模块基于权利要求8所述的车联网警报模型推定结果的修正方法中建立的第二算法模型对所述车联网警报模型的推定结果进行修正。11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6、8中任一项所述的方法。12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6、8中任一项所述的方法。

技术总结
一种车联网警报模型构建方法、修正方法、警报系统、可读存储介质及程序产品，能够节省大量时间成本和人力成本，达到更高的正确率。构建方法包括：形成样本数据集；对样本数据集中的一部分进行手动标记以形成手标数据集；基于人为设定的条件，建立第一算法模型；利用手标数据集中的至少一部分手标数据，对第一算法模型的正确率进行评估；利用第一算法模型，对样本数据集中的另一部分进行自动标记以形成机标数据集；利用循环神经网络对机标数据集进行训练以形成初始车联网警报模型；利用评测用手标数据集对初始车联网警报模型进行评估；利用训练用手标数据集对初始车联网警报模型进行更新；利用评测用手标数据集对更新后的车联网警报模型进行评估。网警报模型进行评估。网警报模型进行评估。


技术研发人员：施必成
受保护的技术使用者：株式会社电装
技术研发日：2022.09.02
技术公布日：2023/10/11