一种基于大数据的交通安全智能监测系统及方法与流程

1.本发明涉及安全监测技术领域，具体为一种基于大数据的交通安全智能监测系统及方法。


背景技术：

2.近年来共享单车、共享电单车已经越来越引起人们的注意，由于其兼具环保性和便利性，在国内外受到人们的追捧；但随着共享单车和共享电单车的普及，因其造成的交通事故也频频发生，如果不采取交通安全防范措施，一旦发生交通事故，受伤和死亡的机率都要大大增加。
3.目前我国对家用电动车已有相关的法规要求，要求电动车骑行时必须佩戴头盔，但纵观我国的共享单车市场和共享电单车市场，所有共享单车都未给用户提供有效的交通安全防范措施，例如配套头盔；因此，在使用者使用车辆过程中，需要对使用者佩戴头盔的状态进行实时监测，以确保交通安全。


技术实现要素：

4.本发明的目的在于提供一种基于大数据的交通安全智能监测系统及方法，以解决上述背景技术中提出的问题。
5.为了解决上述技术问题，本发明提供如下技术方案：
6.一种基于大数据的交通安全智能监测系统，本系统包括：安全监测传感器模块、行为状态识别模块、智能监测行为分类模块和实时动态预警模块；
7.所述安全监测传感器模块，用于对安全监测传感器采集到的行为特征数据进行存储，并且根据行为特征数据分别生成姿势状态数据集合和安全距离数据集合，同时将姿势状态数据集合和安全距离数据集合形成对应关联行为关系；
8.所述行为状态识别模块，用于预设划分参数，并且根据划分参数，建立行为特征划分模型；根据行为特征划分模型，对行为特征进行行为状态的划分，所述行为状态包括正常姿势状态、异常姿势状态、正常距离状态和异常距离状态；
9.所述智能监测行为分类模块，根据行为状态，输出安全监测反馈值；同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类；
10.所述实时动态预警模块，根据智能监测行为的分类结果，对交通行为进行实时动态预警，所述实时动态预警包括第一交通行为预警和第二交通行为预警。
11.进一步的，所述安全监测传感器模块还包括红外传感器监测单元、六轴传感器监测单元、行为特征数据存储单元和关联行为关系建立单元；
12.所述红外传感器监测单元，用于采集安全距离数据；
13.所述六轴传感器监测单元，用于采集姿势状态数据；
14.所述行为特征数据存储单元，用于对安全监测传感器采集到的行为特征数据进行存储，所述安全监测传感器包括红外传感器和六轴传感器，所述行为特征数据包括安全距
离数据和姿势状态数据，所述姿势状态数据包括横滚角、俯仰角和偏航角；
15.所述关联行为关系建立单元，用于根据安全监测传感器采集到的行为特征数据，分别将姿势状态数据和安全距离数据生成姿势状态数据集合a
ij
＝{roll，pitch，yaw}和安全距离数据集合b
ij
＝{b}，其中a
ij
和b
ij
分别表示第i个安全监测周期内第j次采集到的姿势状态数据和安全距离数据，并且roll、pitch和yaw分别对应横滚角、俯仰角和偏航角；将在同一安全监测周期内的同一次采集到的姿势状态数据集合和安全距离数据集合建立对应关联行为关系，即g
ij
:a
ij
→bij
，其中g
ij
表示一种关联行为关系；对所有安全监测周期内产生的关联行为关系进行整理，生成关联行为关系集合g＝{g
ij
|i∈[1，k)，j∈[1，ni]}，其中k为当前安全监测周期的序号，ni为第i个安全监测周期内的采集行为特征数据的总次数。
[0016]
进一步的，所述行为状态识别模块还包括行为特征划分模型单元和行为状态分辨单元；
[0017]
所述行为特征划分模型单元，用于预设划分参数，所述划分参数包括横滚角参数u1、俯仰角参数u2、偏航角参数u3和距离参数u4；建立行为特征划分模型，具体计算公式如下：
[0018]
f(x)＝(2πu2)-1/2
exp[-(x-u)2/(2u2)]
[0019]
其中，f(x)表示x的划分值，x∈{roll，pitch，yaw，b}，u∈{u1，u2，u3，u4}；当x分别等于roll、pitch、yaw和b时，u分别等于u1、u2、u3和u4；
[0020]
所述行为状态分辨单元，用于对行为特征进行划分，预设划分门限值，如果f(roll)、f(pitch)和f(yaw)均大于等于划分门限值，则将姿势状态划分为正常姿势状态，否则为异常姿势状态；如果f(b)大于等于划分门限值，则将安全距离划分为正常距离状态，否则为异常距离状态。
[0021]
进一步的，所述智能监测行为分类模块还包括安全监测反馈值输出单元和智能监测行为类型识别单元；
[0022]
所述安全监测反馈值输出单元，用于当姿势状态划分为正常姿势状态时，输出安全监测反馈值f(a
ij
)＝1，当姿势状态划分为异常姿势状态时，输出安全监测反馈值f(a
ij
)＝0；当安全距离划分为正常距离状态时，输出安全监测反馈值f(b
ij
)＝1，当安全距离划分为异常距离状态，输出安全监测反馈值f(b
ij
)＝0；
[0023]
所述智能监测行为类型识别单元，根据安全监测反馈值，对关联行为关系进行智能监测行为类型的识别，所述智能监测行为类型包括安全行为y1、警告行为y2和风险行为y3；如果f(a
ij
)+f(b
ij
)＝2，则将关联行为关系g
ij
记为安全行为，如果f(a
ij
)+f(b
ij
)＝1，则将关联行为关系g
ij
记为警告行为，如果f(a
ij
)+f(b
ij
)＝0，则将关联行为关系g
ij
记为风险行为。
[0024]
进一步的，所述实时动态预警模块还包括第一交通行为预警单元和第二交通行为预警单元；
[0025]
所述第一交通行为预警单元，用于在第k个安全监测周期内，识别安全监测传感器采集到的每一次行为特征数据对应的智能监测行为类型，如果识别的智能监测行为类型为警告行为y2和风险行为y3，则对第k个安全监测周期进行第一交通行为预警；
[0026]
所述第二交通行为预警单元，用于在k-1个安全监测周期中，对每一个安全监测周期内安全监测传感器采集到的每一次行为特征数据对应的关联行为关系进行智能监测行
为类型的识别；将第j次采集到的行为特征数据对应的一种智能监测行为类型转换到第j+1次采集到的行为特征数据对应的另一种智能监测行为类型方式记为y
l
→
ym，其中y
l
、且l≠m；在第i个安全监测周期内，统计转换方式y
l
→
ym的数量，记为numi；根据转换方式数量，对第k个安全监测周期进行第二交通行为预警，且第二交通行为预警判断公式如下：
[0027]
numk/nk》[1/(k-1)]σ
k-1i＝1
numi/ni[0028]
其中，numk表示第k个安全监测周期内统计转换方式y
l
→
ym的数量，nk表示第k个安全监测周期内的采集行为特征数据的总次数；
[0029]
如果满足第二交通行为预警判断公式，则对第k个安全监测周期进行第二交通行为预警。
[0030]
一种基于大数据的交通安全智能监测方法，本方法包括以下步骤：
[0031]
步骤s100：对安全监测传感器采集到的行为特征数据进行存储，并且根据行为特征数据分别生成姿势状态数据集合和安全距离数据集合，同时将姿势状态数据集合和安全距离数据集合形成对应关联行为关系；
[0032]
步骤s200：预设划分参数，并且根据划分参数，建立行为特征划分模型；根据行为特征划分模型，对行为特征进行行为状态的划分，所述行为状态包括正常姿势状态、异常姿势状态、正常距离状态和异常距离状态；
[0033]
步骤s300：根据行为状态，输出安全监测反馈值；同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类；
[0034]
步骤s400：根据智能监测行为的分类结果，对交通行为进行实时动态预警，所述实时动态预警包括第一交通行为预警和第二交通行为预警。
[0035]
进一步的，所述步骤s100的具体实施过程包括：
[0036]
步骤s101：调取安全行为数据存储库中安全监测传感器采集到的行为特征数据，所述安全监测传感器包括红外传感器和六轴传感器，所述行为特征数据包括安全距离数据和姿势状态数据，所述姿势状态数据包括横滚角、俯仰角和偏航角，其中，红外传感器监测采集到的行为特征数据为安全距离数据，六轴传感器监测采集到的行为特征数据为姿势状态数据；
[0037]
步骤s102：根据安全监测传感器采集到的行为特征数据，分别将姿势状态数据和安全距离数据生成姿势状态数据集合a
ij
＝{roll，pitch，yaw}和安全距离数据集合b
ij
＝{b}，其中a
ij
和b
ij
分别表示第i个安全监测周期内第j次采集到的姿势状态数据和安全距离数据，并且roll、pitch和yaw分别对应横滚角、俯仰角和偏航角；将在同一安全监测周期内的同一次采集到的姿势状态数据集合和安全距离数据集合建立对应关联行为关系，即g
ij
:a
ij
→bij
，其中g
ij
表示一种关联行为关系；对所有安全监测周期内产生的关联行为关系进行整理，生成关联行为关系集合g＝{g
ij
|i∈[1，k)，j∈[1，ni]}，其中k为当前安全监测周期的序号，ni为第i个安全监测周期内的采集行为特征数据的总次数；
[0038]
根据上述方法，为确保发生危险时，使用者能得到最大的保护，需要对使用者的佩戴姿势和帽带环扣束紧状态进行监测，正确的姿势可以使头盔发挥最大的保护效果，同时，由于帽带绑住帽体，处于牢固状态，这样在发生撞击时，不会使头盔飞出去，进而确保使用者不脱离保护；因此，本技术发明通过红外传感器来监测帽带与使用者脸颊的距离，根据距
离来判断帽带是否束紧，因为正确的佩戴往往要求扣上帽带卡扣，并束紧帽带，这使帽带必然与脸颊保持较近的距离，同时通过六轴传感器来监测使用者佩戴头盔的姿势；因为佩戴姿势往往存在一定的角度误差，并且帽带与帽体是牢固连接的关系，而不同的佩戴角度误差，往往导致帽带与使用者脸颊的距离也存在误差，因此本技术发明，将在同一安全监测周期内的同一次采集到的姿势状态数据集合和安全距离数据集合建立对应关联行为关系。
[0039]
进一步的，所述步骤s200的具体实施过程包括：
[0040]
步骤s201：预设划分参数，所述划分参数包括横滚角参数u1、俯仰角参数u2、偏航角参数u3和距离参数u4；建立行为特征划分模型，具体计算公式如下：
[0041]
f(x)＝(2πu2)-1/2
exp[-(x-u)2/(2u2)]
[0042]
其中，f(x)表示x的划分值，x∈{roll，pitch，yaw，b}，u∈{u1，u2，u3，u4}；当x分别等于roll、pitch、yaw和b时，u分别等于u1、u2、u3和u4；
[0043]
步骤s202：对行为特征进行划分，预设划分门限值，如果f(roll)、f(pitch)和f(yaw)均大于等于划分门限值，则将姿势状态划分为正常姿势状态，否则为异常姿势状态；如果f(b)大于等于划分门限值，则将安全距离划分为正常距离状态，否则为异常距离状态；
[0044]
根据上述方法，不同的佩戴姿势，存在不同的姿势角度，不同的帽带束紧状态，存在不同的距离，进而将六轴传感器监测的三种角度数据，以及红外传感器监测的距离，与安全参数之间进行对比，所述安全参数为预设划分参数；划分值表示行为特征数据与划分参数的接近程度，行为特征数据与划分参数越接近，则划分值越大，进而通过预设划分门限值，来对行为特征进行划分。
[0045]
进一步的，所述步骤s300的具体实施过程包括：
[0046]
步骤s301：当姿势状态划分为正常姿势状态时，输出安全监测反馈值f(a
ij
)＝1，当姿势状态划分为异常姿势状态时，输出安全监测反馈值f(a
ij
)＝0；当安全距离划分为正常距离状态时，输出安全监测反馈值f(b
ij
)＝1，当安全距离划分为异常距离状态，输出安全监测反馈值f(b
ij
)＝0；
[0047]
步骤s302：根据安全监测反馈值，对关联行为关系进行智能监测行为类型的识别，所述智能监测行为类型包括安全行为y1、警告行为y2和风险行为y3；如果f(a
ij
)+f(b
ij
)＝2，则将关联行为关系g
ij
记为安全行为，如果f(a
ij
)+f(b
ij
)＝1，则将关联行为关系g
ij
记为警告行为，如果f(a
ij
)+f(b
ij
)＝0，则将关联行为关系g
ij
记为风险行为；
[0048]
根据上述方法，使用者在佩戴头盔时的状态往往有四种形式，即正常的佩戴姿势和正常的帽带束紧状态、异常的佩戴姿势和正常的帽带束紧状态、正常的佩戴姿势和异常的帽带束紧状态以及异常的佩戴姿势和异常的帽带束紧状态；其中正常的佩戴姿势和正常的帽带束紧状态是标准安全状态，即安全行为；异常的佩戴姿势和正常的帽带束紧状态以及正常的佩戴姿势和异常的帽带束紧状态，表示使用者虽然佩戴了头盔，但是没按要求佩戴，即警告行为；异常的佩戴姿势和异常的帽带束紧状态，表示使用者有可能没戴头盔，或者头盔和帽带均没戴好，即风险行为。
[0049]
进一步的，所述步骤s400的具体实施过程包括：
[0050]
步骤s401：在第k个安全监测周期内，识别安全监测传感器采集到的每一次行为特征数据对应的智能监测行为类型，如果识别的智能监测行为类型为警告行为y2和风险行为y3，则对第k个安全监测周期进行第一交通行为预警；
[0051]
步骤s402：在k-1个安全监测周期中，对每一个安全监测周期内安全监测传感器采集到的每一次行为特征数据对应的关联行为关系进行智能监测行为类型的识别；将第j次采集到的行为特征数据对应的一种智能监测行为类型转换到第j+1次采集到的行为特征数据对应的另一种智能监测行为类型方式记为y
l
→
ym，其中y
l
、且l≠m；在第i个安全监测周期内，统计转换方式y
l
→
ym的数量，记为numi；根据转换方式数量，对第k个安全监测周期进行第二交通行为预警，且第二交通行为预警判断公式如下：
[0052]
numk/nk》[1/(k-1)]σ
k-1i＝1
numi/ni[0053]
其中，numk表示第k个安全监测周期内统计转换方式y
l
→
ym的数量，nk表示第k个安全监测周期内的采集行为特征数据的总次数；
[0054]
如果满足第二交通行为预警判断公式，则对第k个安全监测周期进行第二交通行为预警；
[0055]
根据上述方法，当识别的智能监测行为类型为警告行为和风险行为时，只需要发出预警信息提示使用者重新佩戴即可；同时，当一个安全监测周期结束后，进一步对使用者的整体行为习惯进行判断，因为即使进行了第一交通行为预警，但是使用者也存在频繁的移动头盔或者摘下头盔的可能，则通过第二交通行为预警来对使用者的整体行为习惯进行监测，公式numi/ni表示安全监测周期内，使用者移动头盔或者摘下头盔的频率，该值越大表示使用者整体行为习惯越不好，进而通过与过去数据进行对比，来判断当前安全监测周期的整体行为水平，如果numk/nk》[1/(k-1)]σ
k-1i＝1
numi/ni，则表示使用者的整体行为习惯比过去更差。
[0056]
与现有技术相比，本发明所达到的有益效果是：本发明提供的一种基于大数据的交通安全智能监测系统及方法中，将姿势状态数据集合和安全距离数据集合形成对应关联行为关系，减小佩戴姿势角度误差和安全距离数据误差；根据行为特征划分模型，对行为特征进行行为状态的划分，进而结合不同佩戴状态，使数据的分析更加全面；根据行为状态，输出安全监测反馈值，同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类，进而使对使用者的保护更加完善；根据智能监测行为的分类结果，对交通行为进行实时动态预警，进而对使用者进行实时动态监测提醒；使使用者能得到最大的保护的同时，对使用者的整体行为习惯作出预警，帮助使用者不断改善和形成良好的安全行为习惯。
附图说明
[0057]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并且不构成对本发明的限制。在附图中：
[0058]
图1是本发明一种基于大数据的交通安全智能监测系统的结构示意图；
[0059]
图2是本发明一种基于大数据的交通安全智能监测方法的步骤示意图；
[0060]
图3是本发明一种基于大数据的交通安全智能监测系统的组成实例图；
[0061]
图4是本发明一种基于大数据的交通安全智能监测系统的模块实例图。
具体实施方式
[0062]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0063]
请参阅图1-图2，本发明提供技术方案：
[0064]
请参阅图1，在本实施例一中：提供一种基于大数据的交通安全智能监测系统，该系统包括：安全监测传感器模块、行为状态识别模块、智能监测行为分类模块和实时动态预警模块；
[0065]
现有技术，一般将红外传感器安装于头盔内部来监测使用者是否佩戴头盔，存在如下缺点：
[0066]
误判率较高：头发为黑色，黑色会吸收红外传感器的发射光，对传感器的检测造成误判，此方法误判率较高；
[0067]
外部干扰严重：夏季等天气炎热时，头盔内的汗渍、污垢更加严重，容易堵塞、遮挡红外传感器的检测通道，也会导致误判率提高；
[0068]
对头盔佩戴的姿势无法判断：比如头盔佩戴不正、歪斜等，头盔使用中不正确的佩戴姿势会使头部的保护效果大大降低；
[0069]
无法判断是否系紧帽带：共享单车、电单车、安全行业不系紧帽带，在危险来临时，头盔很有可能直接飞出去，头盔无法起到保护头部的效果，甚至与不戴头盔效果无异；
[0070]
头盔安全性降低：在头盔内部放置佩戴检测模块会压缩头盔内部安全设计空间，头盔的防碰撞能力降低；
[0071]
使用时间短，常充电，加大安全使用风险：因为头盔内部的空间有限，大大限制了此产品的使用时间，所以目前头盔内带有佩戴检测功能的产品大都只能维持使用1周的时间。为了解决此问题，就需要增加可充电功能。可充电使用的锂聚合物电池，在充电、高温环境中安全性降低，远远不如纽扣电池等安全性优良，安全使用风险增大；
[0072]
需要头盔结构配合特殊设计：针对目前市场上大量的现有头盔，在此方案基础上无法升级替换，白白浪费；
[0073]
安全监测传感器模块，用于对安全监测传感器采集到的行为特征数据进行存储，并且根据行为特征数据分别生成姿势状态数据集合和安全距离数据集合，同时将姿势状态数据集合和安全距离数据集合形成对应关联行为关系；
[0074]
其中，安全监测传感器模块还包括红外传感器监测单元、六轴传感器监测单元、行为特征数据存储单元和关联行为关系建立单元；
[0075]
红外传感器监测单元，用于采集安全距离数据；
[0076]
六轴传感器监测单元，用于采集姿势状态数据；
[0077]
行为特征数据存储单元，用于对安全监测传感器采集到的行为特征数据进行存储，安全监测传感器包括红外传感器和六轴传感器，行为特征数据包括安全距离数据和姿势状态数据，姿势状态数据包括横滚角、俯仰角和偏航角；
[0078]
关联行为关系建立单元，用于根据安全监测传感器采集到的行为特征数据，分别将姿势状态数据和安全距离数据生成姿势状态数据集合a
ij
＝{roll，pitch，yaw}和安全距离数据集合b
ij
＝{b}，其中a
ij
和b
ij
分别表示第i个安全监测周期内第j次采集到的姿势状态数据和安全距离数据，并且roll、pitch和yaw分别对应横滚角、俯仰角和偏航角；将在同一安全监测周期内的同一次采集到的姿势状态数据集合和安全距离数据集合建立对应关联
行为关系，即g
ij
:a
ij
→bij
，其中g
ij
表示一种关联行为关系；对所有安全监测周期内产生的关联行为关系进行整理，生成关联行为关系集合g＝{g
ij
|i∈[1，k)，j∈[1，ni]}，其中k为当前安全监测周期的序号，ni为第i个安全监测周期内的采集行为特征数据的总次数；
[0079]
请参阅图3，一种基于大数据的交通安全智能监测系统的组成实例图，其中，v为帽体，q为帽带，h为安全监测传感器盒，并且安全监测传感器盒连接左或右两条帽带一处即可；在两处帽带安装位置都具有固定的角度姿势，通过锁定角度姿势的范围，即划分参数：横滚角参数u1、俯仰角参数u2、偏航角参数u3；当使用者正确佩戴头盔后，通过6轴传感器检测到的数据满足锁定的角度姿势范围，则判断头盔佩戴姿势正确；
[0080]
请参阅图4，提供一种基于大数据的交通安全智能监测系统的模块实例图，其中，s为安全监测传感器盒，p为红外传感器，w为六轴传感器；红外传感器上方含有小孔装置，孔上放置红外滤光片，可以使红外光透过，滤掉其他的干扰光线；红外传感器通过小孔检测头盔佩戴检测模块靠近皮肤的距离，当检测到的距离满足设定的阈值范围时，即划分参数：距离参数u4，说明帽带已靠近皮肤到合理的范围内，系统则判断帽带卡扣已扣上且帽带已束紧；
[0081]
行为状态识别模块，用于预设划分参数，并且根据划分参数，建立行为特征划分模型；根据行为特征划分模型，对行为特征进行行为状态的划分，行为状态包括正常姿势状态、异常姿势状态、正常距离状态和异常距离状态；
[0082]
其中，行为状态识别模块还包括行为特征划分模型单元和行为状态分辨单元；
[0083]
行为特征划分模型单元，用于预设划分参数，划分参数包括横滚角参数u1、俯仰角参数u2、偏航角参数u3和距离参数u4；建立行为特征划分模型，具体计算公式如下：
[0084]
f(x)＝(2πu2)-1/2
exp[-(x-u)2/(2u2)]
[0085]
其中，f(x)表示x的划分值，x∈{roll，pitch，yaw，b}，u∈{u1，u2，u3，u4}；当x分别等于roll、pitch、yaw和b时，u分别等于u1、u2、u3和u4；
[0086]
行为状态分辨单元，用于对行为特征进行划分，预设划分门限值，如果f(roll)、f(pitch)和f(yaw)均大于等于划分门限值，则将姿势状态划分为正常姿势状态，否则为异常姿势状态；如果f(b)大于等于划分门限值，则将安全距离划分为正常距离状态，否则为异常距离状态；
[0087]
智能监测行为分类模块，根据行为状态，输出安全监测反馈值；同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类；
[0088]
其中，智能监测行为分类模块还包括安全监测反馈值输出单元和智能监测行为类型识别单元；
[0089]
安全监测反馈值输出单元，用于当姿势状态划分为正常姿势状态时，输出安全监测反馈值f(a
ij
)＝1，当姿势状态划分为异常姿势状态时，输出安全监测反馈值f(a
ij
)＝0；当安全距离划分为正常距离状态时，输出安全监测反馈值f(b
ij
)＝1，当安全距离划分为异常距离状态，输出安全监测反馈值f(b
ij
)＝0；
[0090]
智能监测行为类型识别单元，根据安全监测反馈值，对关联行为关系进行智能监测行为类型的识别，智能监测行为类型包括安全行为y1、警告行为y2和风险行为y3；如果f(a
ij
)+f(b
ij
)＝2，则将关联行为关系g
ij
记为安全行为，如果f(a
ij
)+f(b
ij
)＝1，则将关联行为关系g
ij
记为警告行为，如果f(a
ij
)+f(b
ij
)＝0，则将关联行为关系g
ij
记为风险行为；
[0091]
实时动态预警模块，根据智能监测行为的分类结果，对交通行为进行实时动态预警，实时动态预警包括第一交通行为预警和第二交通行为预警；
[0092]
其中，实时动态预警模块还包括第一交通行为预警单元和第二交通行为预警单元；
[0093]
第一交通行为预警单元，用于在第k个安全监测周期内，识别安全监测传感器采集到的每一次行为特征数据对应的智能监测行为类型，如果识别的智能监测行为类型为警告行为y2和风险行为y3，则对第k个安全监测周期进行第一交通行为预警；
[0094]
第二交通行为预警单元，用于在k-1个安全监测周期中，对每一个安全监测周期内安全监测传感器采集到的每一次行为特征数据对应的关联行为关系进行智能监测行为类型的识别；将第j次采集到的行为特征数据对应的一种智能监测行为类型转换到第j+1次采集到的行为特征数据对应的另一种智能监测行为类型方式记为y
l
→
ym，其中y
l
、且l≠m；在第i个安全监测周期内，统计转换方式y
l
→
ym的数量，记为numi；根据转换方式数量，对第k个安全监测周期进行第二交通行为预警，且第二交通行为预警判断公式如下：
[0095]
numk/nk》[1/(k-1)]σ
k-1i＝1
numi/ni[0096]
其中，numk表示第k个安全监测周期内统计转换方式y
l
→
ym的数量，nk表示第k个安全监测周期内的采集行为特征数据的总次数；
[0097]
如果满足第二交通行为预警判断公式，则对第k个安全监测周期进行第二交通行为预警。
[0098]
请参阅图2，在本实施例二中：提供一种基于大数据的交通安全智能监测方法，该方法包括以下步骤：
[0099]
对安全监测传感器采集到的行为特征数据进行存储，并且根据行为特征数据分别生成姿势状态数据集合和安全距离数据集合，同时将姿势状态数据集合和安全距离数据集合形成对应关联行为关系；
[0100]
调取安全行为数据存储库中安全监测传感器采集到的行为特征数据，安全监测传感器包括红外传感器和六轴传感器，行为特征数据包括安全距离数据和姿势状态数据，姿势状态数据包括横滚角、俯仰角和偏航角，其中，红外传感器监测采集到的行为特征数据为安全距离数据，六轴传感器监测采集到的行为特征数据为姿势状态数据；
[0101]
根据安全监测传感器采集到的行为特征数据，分别将姿势状态数据和安全距离数据生成姿势状态数据集合a
ij
＝{roll，pitch，yaw}和安全距离数据集合b
ij
＝{b}，其中a
ij
和b
ij
分别表示第i个安全监测周期内第j次采集到的姿势状态数据和安全距离数据，并且roll、pitch和yaw分别对应横滚角、俯仰角和偏航角；将在同一安全监测周期内的同一次采集到的姿势状态数据集合和安全距离数据集合建立对应关联行为关系，即g
ij
:a
ij
→bij
，其中g
ij
表示一种关联行为关系；对所有安全监测周期内产生的关联行为关系进行整理，生成关联行为关系集合g＝{g
ij
|i∈[1，k)，j∈[1，ni]}，其中k为当前安全监测周期的序号，ni为第i个安全监测周期内的采集行为特征数据的总次数；
[0102]
预设划分参数，并且根据划分参数，建立行为特征划分模型；根据行为特征划分模型，对行为特征进行行为状态的划分，行为状态包括正常姿势状态、异常姿势状态、正常距离状态和异常距离状态；
[0103]
预设划分参数，划分参数包括横滚角参数u1、俯仰角参数u2、偏航角参数u3和距离参数u4；建立行为特征划分模型，具体计算公式如下：
[0104]
f(x)＝(2πu2)-1/2
exp[-(x-u)2/(2u2)]
[0105]
其中，f(x)表示x的划分值，x∈{roll，pitch，yaw，b}，u∈{u1，u2，u3，u4}；当x分别等于roll、pitch、yaw和b时，u分别等于u1、u2、u3和u4；
[0106]
对行为特征进行划分，预设划分门限值，如果f(roll)、f(pitch)和f(yaw)均大于等于划分门限值，则将姿势状态划分为正常姿势状态，否则为异常姿势状态；如果f(b)大于等于划分门限值，则将安全距离划分为正常距离状态，否则为异常距离状态；
[0107]
根据行为状态，输出安全监测反馈值；同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类；
[0108]
当姿势状态划分为正常姿势状态时，输出安全监测反馈值f(a
ij
)＝1，当姿势状态划分为异常姿势状态时，输出安全监测反馈值f(a
ij
)＝0；当安全距离划分为正常距离状态时，输出安全监测反馈值f(b
ij
)＝1，当安全距离划分为异常距离状态，输出安全监测反馈值f(b
ij
)＝0；
[0109]
根据安全监测反馈值，对关联行为关系进行智能监测行为类型的识别，智能监测行为类型包括安全行为y1、警告行为y2和风险行为y3；如果f(a
ij
)+f(b
ij
)＝2，则将关联行为关系g
ij
记为安全行为，如果f(a
ij
)+f(b
ij
)＝1，则将关联行为关系g
ij
记为警告行为，如果f(a
ij
)+f(b
ij
)＝0，则将关联行为关系g
ij
记为风险行为；
[0110]
根据智能监测行为的分类结果，对交通行为进行实时动态预警，实时动态预警包括第一交通行为预警和第二交通行为预警；
[0111]
在第k个安全监测周期内，识别安全监测传感器采集到的每一次行为特征数据对应的智能监测行为类型，如果识别的智能监测行为类型为警告行为y2和风险行为y3，则对第k个安全监测周期进行第一交通行为预警；
[0112]
在k-1个安全监测周期中，对每一个安全监测周期内安全监测传感器采集到的每一次行为特征数据对应的关联行为关系进行智能监测行为类型的识别；将第j次采集到的行为特征数据对应的一种智能监测行为类型转换到第j+1次采集到的行为特征数据对应的另一种智能监测行为类型方式记为y
l
→
ym，其中y
l
、且l≠m；在第i个安全监测周期内，统计转换方式y
l
→
ym的数量，记为numi；根据转换方式数量，对第k个安全监测周期进行第二交通行为预警，且第二交通行为预警判断公式如下：
[0113]
numk/nk》[1/(k-1)]σ
k-1i＝1
numi/ni[0114]
其中，numk表示第k个安全监测周期内统计转换方式y
l
→
ym的数量，nk表示第k个安全监测周期内的采集行为特征数据的总次数；
[0115]
如果满足第二交通行为预警判断公式，则对第k个安全监测周期进行第二交通行为预警。
[0116]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。
[0117]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并且不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于大数据的交通安全智能监测方法，其特征在于，该方法包括以下步骤：步骤s100：对安全监测传感器采集到的行为特征数据进行存储，并且根据行为特征数据分别生成姿势状态数据集合和安全距离数据集合，同时将姿势状态数据集合和安全距离数据集合形成对应关联行为关系；步骤s200：预设划分参数，并且根据划分参数，建立行为特征划分模型；根据行为特征划分模型，对行为特征进行行为状态的划分，所述行为状态包括正常姿势状态、异常姿势状态、正常距离状态和异常距离状态；步骤s300：根据行为状态，输出安全监测反馈值；同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类；步骤s400：根据智能监测行为的分类结果，对交通行为进行实时动态预警，所述实时动态预警包括第一交通行为预警和第二交通行为预警。2.根据权利要求1所述的一种基于大数据的交通安全智能监测方法，其特征在于，所述步骤s100的具体实施过程包括：步骤s101：调取安全行为数据存储库中安全监测传感器采集到的行为特征数据，所述安全监测传感器包括红外传感器和六轴传感器，所述行为特征数据包括安全距离数据和姿势状态数据，所述姿势状态数据包括横滚角、俯仰角和偏航角，其中，红外传感器监测采集到的行为特征数据为安全距离数据，六轴传感器监测采集到的行为特征数据为姿势状态数据；步骤s102：根据安全监测传感器采集到的行为特征数据，分别将姿势状态数据和安全距离数据生成姿势状态数据集合a
ij
＝{roll，pitch，yaw}和安全距离数据集合b
ij
＝{b}，其中a
ij
和b
ij
分别表示第i个安全监测周期内第j次采集到的姿势状态数据和安全距离数据，并且roll、pitch和yaw分别对应横滚角、俯仰角和偏航角；将在同一安全监测周期内的同一次采集到的姿势状态数据集合和安全距离数据集合建立对应关联行为关系，即g
ij
:a
ij
→
b
ij
，其中g
ij
表示一种关联行为关系；对所有安全监测周期内产生的关联行为关系进行整理，生成关联行为关系集合g＝{g
ij
|i∈[1，k)，j∈[1，n
i
]}，其中k为当前安全监测周期的序号，n
i
为第i个安全监测周期内的采集行为特征数据的总次数。3.根据权利要求2所述的一种基于大数据的交通安全智能监测方法，其特征在于，所述步骤s200的具体实施过程包括：步骤s201：预设划分参数，所述划分参数包括横滚角参数u1、俯仰角参数u2、偏航角参数u3和距离参数u4；建立行为特征划分模型，具体计算公式如下：f(x)＝(2πu2)-1/2
exp[-(x-u)2/(2u2)]其中，f(x)表示x的划分值，x∈{roll，pitch，yaw，b}，u∈{u1，u2，u3，u4}；当x分别等于roll、pitch、yaw和b时，u分别等于u1、u2、u3和u4；步骤s202：对行为特征进行划分，预设划分门限值，如果f(roll)、f(pitch)和f(yaw)均大于等于划分门限值，则将姿势状态划分为正常姿势状态，否则为异常姿势状态；如果f(b)大于等于划分门限值，则将安全距离划分为正常距离状态，否则为异常距离状态。4.根据权利要求3所述的一种基于大数据的交通安全智能监测方法，其特征在于，所述步骤s300的具体实施过程包括：步骤s301：当姿势状态划分为正常姿势状态时，输出安全监测反馈值f(a
ij
)＝1，当姿势
状态划分为异常姿势状态时，输出安全监测反馈值f(a
ij
)＝0；当安全距离划分为正常距离状态时，输出安全监测反馈值f(b
ij
)＝1，当安全距离划分为异常距离状态，输出安全监测反馈值f(b
ij
)＝0；步骤s302：根据安全监测反馈值，对关联行为关系进行智能监测行为类型的识别，所述智能监测行为类型包括安全行为y1、警告行为y2和风险行为y3；如果f(a
ij
)+f(b
ij
)＝2，则将关联行为关系g
ij
记为安全行为，如果f(a
ij
)+f(b
ij
)＝1，则将关联行为关系g
ij
记为警告行为，如果f(a
ij
)+f(b
ij
)＝0，则将关联行为关系g
ij
记为风险行为。5.根据权利要求4所述的一种基于大数据的交通安全智能监测方法，其特征在于，所述步骤s400的具体实施过程包括：步骤s401：在第k个安全监测周期内，识别安全监测传感器采集到的每一次行为特征数据对应的智能监测行为类型，如果识别的智能监测行为类型为警告行为y2和风险行为y3，则对第k个安全监测周期进行第一交通行为预警；步骤s402：在k-1个安全监测周期中，对每一个安全监测周期内安全监测传感器采集到的每一次行为特征数据对应的关联行为关系进行智能监测行为类型的识别；将第j次采集到的行为特征数据对应的一种智能监测行为类型转换到第j+1次采集到的行为特征数据对应的另一种智能监测行为类型方式记为y
l
→
y
m
，其中且l≠m；在第i个安全监测周期内，统计转换方式y
l
→
y
m
的数量，记为num
i
；根据转换方式数量，对第k个安全监测周期进行第二交通行为预警，且第二交通行为预警判断公式如下：num
k
/n
k
>[1/(k-1)]σ
k-1i＝1
num
i
/n
i
其中，num
k
表示第k个安全监测周期内统计转换方式y
l
→
y
m
的数量，n
k
表示第k个安全监测周期内的采集行为特征数据的总次数；如果满足第二交通行为预警判断公式，则对第k个安全监测周期进行第二交通行为预警。6.一种基于大数据的交通安全智能监测系统，其特征在于，所述系统包括：安全监测传感器模块、行为状态识别模块、智能监测行为分类模块和实时动态预警模块；所述安全监测传感器模块，用于对安全监测传感器采集到的行为特征数据进行存储，并且根据行为特征数据分别生成姿势状态数据集合和安全距离数据集合，同时将姿势状态数据集合和安全距离数据集合形成对应关联行为关系；所述行为状态识别模块，用于预设划分参数，并且根据划分参数，建立行为特征划分模型；根据行为特征划分模型，对行为特征进行行为状态的划分，所述行为状态包括正常姿势状态、异常姿势状态、正常距离状态和异常距离状态；所述智能监测行为分类模块，根据行为状态，输出安全监测反馈值；同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类；所述实时动态预警模块，根据智能监测行为的分类结果，对交通行为进行实时动态预警，所述实时动态预警包括第一交通行为预警和第二交通行为预警。7.根据权利要求6所述的一种基于大数据的交通安全智能监测系统，其特征在于：所述安全监测传感器模块还包括红外传感器监测单元、六轴传感器监测单元、行为特征数据存储单元和关联行为关系建立单元；所述红外传感器监测单元，用于采集安全距离数据；
所述六轴传感器监测单元，用于采集姿势状态数据；所述行为特征数据存储单元，用于对安全监测传感器采集到的行为特征数据进行存储，所述安全监测传感器包括红外传感器和六轴传感器，所述行为特征数据包括安全距离数据和姿势状态数据，所述姿势状态数据包括横滚角、俯仰角和偏航角；所述关联行为关系建立单元，用于根据安全监测传感器采集到的行为特征数据，分别将姿势状态数据和安全距离数据生成姿势状态数据集合a
ij
＝{roll，pitch，yaw}和安全距离数据集合b
ij
＝{b}，其中a
ij
和b
ij
分别表示第i个安全监测周期内第j次采集到的姿势状态数据和安全距离数据，并且roll、pitch和yaw分别对应横滚角、俯仰角和偏航角；将在同一安全监测周期内的同一次采集到的姿势状态数据集合和安全距离数据集合建立对应关联行为关系，即g
ij
:a
ij
→
b
ij
，其中g
ij
表示一种关联行为关系；对所有安全监测周期内产生的关联行为关系进行整理，生成关联行为关系集合g＝{g
ij
|i∈[1，k)，j∈[1，n
i
]}，其中k为当前安全监测周期的序号，n
i
为第i个安全监测周期内的采集行为特征数据的总次数。8.根据权利要求7所述的一种基于大数据的交通安全智能监测系统，其特征在于：所述行为状态识别模块还包括行为特征划分模型单元和行为状态分辨单元；所述行为特征划分模型单元，用于预设划分参数，所述划分参数包括横滚角参数u1、俯仰角参数u2、偏航角参数u3和距离参数u4；建立行为特征划分模型，具体计算公式如下：f(x)＝(2πu2)-1/2
exp[-(x-u)2/(2u2)]其中，f(x)表示x的划分值，x∈{roll，pitch，yaw，b}，u∈{u1，u2，u3，u4}；当x分别等于roll、pitch、yaw和b时，u分别等于u1、u2、u3和u4；所述行为状态分辨单元，用于对行为特征进行划分，预设划分门限值，如果f(roll)、f(pitch)和f(yaw)均大于等于划分门限值，则将姿势状态划分为正常姿势状态，否则为异常姿势状态；如果f(b)大于等于划分门限值，则将安全距离划分为正常距离状态，否则为异常距离状态。9.根据权利要求8所述的一种基于大数据的交通安全智能监测系统，其特征在于：所述智能监测行为分类模块还包括安全监测反馈值输出单元和智能监测行为类型识别单元；所述安全监测反馈值输出单元，用于当姿势状态划分为正常姿势状态时，输出安全监测反馈值f(a
ij
)＝1，当姿势状态划分为异常姿势状态时，输出安全监测反馈值f(a
ij
)＝0；当安全距离划分为正常距离状态时，输出安全监测反馈值f(b
ij
)＝1，当安全距离划分为异常距离状态，输出安全监测反馈值f(b
ij
)＝0；所述智能监测行为类型识别单元，根据安全监测反馈值，对关联行为关系进行智能监测行为类型的识别，所述智能监测行为类型包括安全行为y1、警告行为y2和风险行为y3；如果f(a
ij
)+f(b
ij
)＝2，则将关联行为关系g
ij
记为安全行为，如果f(a
ij
)+f(b
ij
)＝1，则将关联行为关系g
ij
记为警告行为，如果f(a
ij
)+f(b
ij
)＝0，则将关联行为关系g
ij
记为风险行为。10.根据权利要求9所述的一种基于大数据的交通安全智能监测系统，其特征在于：所述实时动态预警模块还包括第一交通行为预警单元和第二交通行为预警单元；所述第一交通行为预警单元，用于在第k个安全监测周期内，识别安全监测传感器采集到的每一次行为特征数据对应的智能监测行为类型，如果识别的智能监测行为类型为警告行为y2和风险行为y3，则对第k个安全监测周期进行第一交通行为预警；所述第二交通行为预警单元，用于在k-1个安全监测周期中，对每一个安全监测周期内
安全监测传感器采集到的每一次行为特征数据对应的关联行为关系进行智能监测行为类型的识别；将第j次采集到的行为特征数据对应的一种智能监测行为类型转换到第j+1次采集到的行为特征数据对应的另一种智能监测行为类型方式记为y
l
→
y
m
，其中，其中且l≠m；在第i个安全监测周期内，统计转换方式y
l
→
y
m
的数量，记为num
i
；根据转换方式数量，对第k个安全监测周期进行第二交通行为预警，且第二交通行为预警判断公式如下：num
k
/n
k
>[1/(k-1)]σ
k-1i＝1
num
i
/n
i
其中，num
k
表示第k个安全监测周期内统计转换方式y
l
→
y
m
的数量，n
k
表示第k个安全监测周期内的采集行为特征数据的总次数；如果满足第二交通行为预警判断公式，则对第k个安全监测周期进行第二交通行为预警。

技术总结
本发明公开了一种基于大数据的交通安全智能监测系统及方法，属于安全监测技术领域。将姿势状态数据集合和安全距离数据集合形成对应关联行为关系，减小佩戴姿势角度误差和安全距离数据误差；根据行为特征划分模型，对行为特征进行行为状态的划分，进而结合不同佩戴状态，使数据的分析更加全面；根据行为状态，输出安全监测反馈值，同时根据安全监测反馈值，对关联行为关系进行智能监测行为的分类，进而使对使用者的保护更加完善；根据智能监测行为的分类结果，对交通行为进行实时动态预警，进而对使用者进行实时动态监测提醒；使使用者能得到最大的保护的同时，对使用者的整体行为习惯作出预警，帮助使用者不断改善和形成良好的安全行为习惯。安全行为习惯。安全行为习惯。


技术研发人员：谢少桥 王孟谦 杜子祥 李庭
受保护的技术使用者：苏州镁昇智能科技有限公司
技术研发日：2023.03.24
技术公布日：2023/7/6