本发明专利技术设计汽车安全技术领域，公开了一种汽车安全预警方法、装置、设备及存储介质，该方法包括：采集车辆的车牌图像并进行检测，得到车牌信息；获取各个气象因素的初始气象数据，并对各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；基于气象预测模型根据各个气象因素的目标气象数据进行预测，得到气象预测数据；将气象预测数据发送至车牌信息对应的车辆的车载屏进行显示。本发明专利技术通过根据不同气象因素的气象数据预测下一时刻的气象数据并显示在车载屏上，解决了天气情况的快速变化导致不能实时、准确地预测气象情况，容易发生安全事故的问题，从而能够准确的预测气象情况，提高了汽车驾驶的出行安全。车驾驶的出行安全。车驾驶的出行安全。
【技术实现步骤摘要】
汽车安全预警方法、装置、设备及存储介质
[0001]本专利技术涉及汽车安全
，尤其涉及一种汽车安全预警方法、装置、设备及存储介质。
技术介绍
[0002]汽车是人类生活中的重要代步工具，据统计大约39％的道路交通事故都是由各种极端天气条件造成的，且当汽车行驶于高速公路等室外环境中，汽车当前所处环境的天气类型是变化的。
[0003]当前，随着城市化进程的不断加快，城市道路交通越来越拥堵，交通安全问题也日益凸显。此外，天气情况和车辆信息的快速变化也给交通管理带来了更高的挑战，不能实时地、准确地预测气象情况，亦不能并基于预测的气象情况，获得相关预警信息，容易造成安全事故，从而降低了汽车驾驶的安全性。
技术实现思路
[0004]本专利技术的主要目的在于提供一种汽车安全预警方法、装置、设备及存储介质，旨在解决现有技术天气情况的快速变化导致不能实时地、准确地预测气象情况，容易发生安全事故的技术问题。
[0005]为实现上述目的，本专利技术提供了一种汽车安全预警方法，所述方法包括以下步骤：
[0006]采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；
[0007]获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；
[0008]基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；
[0009]将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
[0010]可选地，所述获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据，包括：
[0011]通过气象传感器分别对各个气象因素进行预设周期的数据采集直至采集次数达到预设值，得到各个气象因素的初始气象数据；
[0012]去除所述各个气象因素的初始气象数据中含有缺失值、无穷值、Nan值以及重复的数据，并对剩余数据进行时间格式统一化，得到各个气象因素的数据清洗后的气象数据；
[0013]对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据。
[0014]可选地，所述对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据，包括：
[0015]获取各个气象因素的历史最小值数据和历史最大值数据；
[0016]根据所述各个气象因素的历史最小值数据和历史最大值数据将所述各个气象因
素的数据清洗后的气象数据归一化到预设区间内，得到各个气象因素的目标气象数据。
[0017]可选地，基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，包括：
[0018]将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，其中，所述卷积神经网络包括与各个气象因素对应的卷积模块，每个卷积模块包括第一卷积层、第二卷积层、第一池化层以及第二池化层；
[0019]将所述目标特征矩阵输入至所述长短期记忆网络对下一时间的气象数据进行预测，得到气象预测数据。
[0020]可选地，所述将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，包括：
[0021]将所述各个气象因素的目标气象数据输入至对应的卷积模块；
[0022]通过第一卷积层对所述各个气象因素的目标气象数据进行卷积，得到各个气象因素的初始特征矩阵；
[0023]通过所述第一池化层对所述各个气象因素的初始特征进行下采样，得到各个气象因素的池化特征矩阵；
[0024]通过所述第二卷积层对所述各个气象因素的池化特征进行卷积，得到各个气象因素的中间特征矩阵；
[0025]通过所述第二池化层对所述各个气象因素的中间特征进行下采样，得到各个气象因素的最终特征矩阵；
[0026]将所述各个气象因素的最终特征矩阵进行预设维度的拼接，得到目标特征矩阵。
[0027]可选地，所述基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据之前，还包括：
[0028]获取各个气象因素的气象数据，并根据所述各个气象因素的气象数据得到数据集；
[0029]将所述数据集根据预设比较划分为训练集与测试集；
[0030]根据所述训练集对所述气象预测模型进行训练，得到训练中的气象预测数据；
[0031]根据所述训练中的气象预测数据与对应的实际数据进行计算，得到交叉熵损失函数；
[0032]通过所述交叉熵损失函数更新所述气象预测模型的参数；
[0033]通过所述测试集对所述气象预测模型进行测试并计算性能参数；
[0034]当所述性能参数达到预设阈值时，停止训练并执行所述基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据的步骤。
[0035]可选地，所述采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息，包括：
[0036]采集车辆的车牌图像，对所述车牌图像进行数据预处理，得到预处理后的车牌图像，其中，所述数据预处理包括灰度化、剪裁、缩放以及归一化中的至少一项；
[0037]将所述数据增强后的车牌图像输入至车牌检测模型中进行目标检测，得到车牌信息，其中，所述车牌检测模型是基于卷积神经网络模型建立的。
[0038]此外，为实现上述目的，本专利技术还提出一种汽车安全预警装置，所述汽车安全预警
装置包括：
[0039]检测模块，用于采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；
[0040]获取模块，用于获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；
[0041]预测模块，用于基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；
[0042]显示模块，用于将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。
[0043]此外，为实现上述目的，本专利技术还提出一种汽车安全预警设备，所述汽车安全预警设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车安全预警程序，所述汽车安全预警程序配置为实现如上文所述的汽车安全预警方法的步骤。
[0044]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有汽车安全预警程序，所述汽车安全预警程序被处理器执行时实现如上文所述的汽车安全预警方法的步骤。
[0045]本专利技术通过采集车辆的车牌图像并对车牌图像进行检测，得到车牌信息；获取各个气象因素的初始气象数据，并对各个气象因素的初始气象数据进行数据清洗以及数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种汽车安全预警方法，其特征在于，所述方法包括：采集车辆的车牌图像并对所述车牌图像进行检测，得到车牌信息；获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据；基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，其中，所述气象预测模型是基于卷积神经网络以及长短期记忆网络建立的；将所述气象预测数据发送至所述车牌信息对应的车辆的车载屏进行显示。2.如权利要求1所述的方法，其特征在于，所述获取各个气象因素的初始气象数据，并对所述各个气象因素的初始气象数据进行数据清洗以及数据预处理，得到各个气象因素的目标气象数据，包括：通过气象传感器分别对各个气象因素进行预设周期的数据采集直至采集次数达到预设值，得到各个气象因素的初始气象数据；去除所述各个气象因素的初始气象数据中含有缺失值、无穷值、Nan值以及重复的数据，并对剩余数据进行时间格式统一化，得到各个气象因素的数据清洗后的气象数据；对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据。3.如权利要求2所述的方法，其特征在于，所述对所述各个气象因素的数据清洗后的气象数据进行归一化，得到各个气象因素的目标气象数据，包括：获取各个气象因素的历史最小值数据和历史最大值数据；根据所述各个气象因素的历史最小值数据和历史最大值数据将所述各个气象因素的数据清洗后的气象数据归一化到预设区间内，得到各个气象因素的目标气象数据。4.如权利要求3所述的方法，其特征在于，基于气象预测模型根据所述各个气象因素的目标气象数据进行预测，得到气象预测数据，包括：将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，其中，所述卷积神经网络包括与各个气象因素对应的卷积模块，每个卷积模块包括第一卷积层、第二卷积层、第一池化层以及第二池化层；将所述目标特征矩阵输入至所述长短期记忆网络对下一时间的气象数据进行预测，得到气象预测数据。5.如权利要求4所述的方法，其特征在于，所述将所述各个气象因素的目标气象数据输入至卷积神经网络进行特征提取，得到目标特征矩阵，包括：将所述各个气象因素的目标气象数据输入至对应的卷积模块；通过第一卷积层对所述各个气象因素的目标气象数据进行卷积，得到各个气象因素的初始特征矩阵；通过所述第一池化层对所述各个气象因素的初始特征进行下采样，得到各个气象因素的池化特征矩阵；通过所述第二卷积层对所述各个气象因素的池化特征...
【专利技术属性】
技术研发人员：冯晓祥，张小庆，许荣杰，叶亮，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。