CN106846863B - 基于增强现实和云端智能决策的事故黑点警告系统及方法 - Google Patents

Abstract

本发明公开了一种基于增强现实和云端智能决策的车联网事故黑点警告系统及方法，其车载客户端系统层实现行车数据的采集，并通过蜂窝通信网络层将采集到的行车数据发送到云端控制中心层；并接收从云端控制中心层发回的数据决策包，以增强现实的方式结合实景路况显示给驾驶员；云端控制中心层依据实时接收的行车数据和黑点数据库中数据，针对车辆行车状态和当时的交通和天气情况做出决策分析，并将相应警告信息以数据包格式发布到车载客户端系统层。本发明通过融合各类动态交通数据源，结合云端智能决策和增强现实，可以大大提高司机在道路黑点对各类事故风险的觉察力，增强驾驶员在不可见的道路黑点的安全意识，从而降低事故率，改善道路黑点安全。

Description

基于增强现实和云端智能决策的事故黑点警告系统及方法

技术领域

本发明属于车联网技术领域，更具体地说，涉及一种基于增强现实显示和云端智能决策的车联网事故黑点警告系统及其相关实现方法。

背景技术

随着全世界城市化进程的加快，道路交通安全已经成为一个全球性的问题。根据以往对交通事故的研究调查指出，交通事故在路网上并非均匀分布，绝大部分集中于路网上的某些频发路段，因此，这些路段一般也被称之为道路交通黑点。发展道路黑点的安全技术对合理配置交通资源，降低整理交通事故率有很重要的意义和作用。

道路交通黑点的形成比较复杂，一般由多种事故致因组合所致，这些致因可概括为四大类容易导致交通事故的因素，主要包括汽车因素、道路因素、驾驶员因素和环境因素这四大诱因。譬如，汽车因素(例如，车辆失控、擦碰、追尾、侧翻)，道路因素(路面陡峭、湿滑、坡度过大、弯角过大)，驾驶员因素(例如，司机分心、疲劳驾驶、酒后驾驶)，环境因素(交通拥堵、暴雨、大雪，大雾)等。更需要注意的是，事故的发生往往是由于多种因素的集中作用而非单一因素，并且，这些导致事故的因素在各个地方并不一致。除此之外，这些因素导致车辆或驾驶员在类似情况下容易发生相类似的交通事故，有较高可能的事故重复性。因此，在道路黑点，通过分析已有的事故历史经验并结合驾驶员实际情况来提醒驾驶员相关的事故风险对降低道路黑点事故率将会大有前景。

被定义为道路黑点的事故频发路段多种多样，典型的道路黑点包括城市平交口，立交桥、T型汇合口、弯道、野生动物流窜区等。黑点的范围在不同交通和环境条件下也大小不一，有的大小不过几米，有的大小则包括了几十米内的风险区域。目前，主流的道路黑点警告方式主要依靠安置静态的警告路牌，通过警示信息提醒司机潜在的道路安全风险。随着科技的进步，通过车载导航系统(或智能手机)内嵌入预定义的道路安全信息也成为另外一种可能的警告方式。但是，如前所述，道路黑点诱因一般由多种事故致因组合，这些致因不仅有静态的(比如，道路线型)，绝大多数是动态的(天气、交通、驾驶员状态)。现有这些方法基本没有系统的考虑人、车、路以及环境的各种动态要素的作用，因此在交通警告上作用相当有限。比如，司机很多时候没法注意到相关路牌，而且每个司机的驾驶情况也很不一样，路牌安置点没法根据情况进行调整等。对于嵌入式系统，内容仅仅是静态数据，没有和实际数据以及大环境交通数据结合，警告信息不可靠，不能满足实际的安全需求。

以下内容收集并研究了多例现有的基于车联网技术的安全系统：

专利【基于车联网的智能手机车载系统，201210485142.2】使用智能手机和车载诊断系统OBD结合汽车CAN总线采集车载传感器数据，并通过手机通信模块发送到一个远端的车联网控制中心存储。车联网中心提供数据存储后经过相关后处理服务，将车载状态信息显示给用户。目前绝大多数市面车联网诊断系统和该发明类似，主要用于汽车相应传感器的检测和显示，比如，引擎、车门等，该类系统基本没有智能化模块，无法深入应用于安全领域，只能用于开发一些消费类应用，比如防盗和油耗检测。

专利【一种基于车联网的车道偏离预警的标定系统和方法，201410521225.1】使用车联网提供汽车安全辅助驾驶系统。该发明使用车载控制器单元和一对摄像头对道路标线进行视频识别，通过辨识和提取标线后与汽车的实时位置对比提供车道偏离预警。类似系统功能只能提供基于汽车周边(一般在1至2米范围内)的近距离交通安全应用，比如，换道警告，盲点警告，这是目前许多车载系统的基本应用类型，但该类型系统无法利用基于特定环境范围的全局信息，比如交通路况和天气信息，然后将大范围信息转换为道路安全应用。

专利【一种基于车联网的行车安全预警方法及系统，201510843968.5】使用车联网系统获取特定车辆及其周边车辆的位置，通过云端中心实现对各个车辆位置的实时监控和对比，并依据特定算法预估汽车碰撞风险从而为司机提供实时安全警告。该发明充分考虑了汽车间的几何空间位置关系，但该发明无法考虑各种实时的环境因素，比如，交通路况、天气情况等，对汽车安全和驾驶行为的影响。因此，此类系统只能在理想状况对各汽车间的空间位置建模然后来提供警告。该类系统的警告具有很大的不确定性，在贴近实际的情况下警告不准确，无法提供基于路况环境的超前的、预防类提醒功能。

专利【基于车联网的驾驶分析系统，201410767104.5】该发明在车载终端获取行车数据并向远程服务器发送行车数据。远程服务器根据行车数据中各类数据的风险预设权重，分析得出车辆安全驾驶的状态，并向移动终端发送安全驾驶分析结果并通过移动终端显示车辆安全驾驶分析结果。和同类系统类似，该发明也没有考虑各种实时的交通路况和天气情况对驾驶行为的影响，以及对其他参数的风险权重的影响，在各种交通环境作用下，安全驾驶的分析结果并不可靠。

专利【一种基于车联网的双向主动限速与超速预警系统，201310364536.7】该发明涉及一种基于车联网的主动限速与超速预警系统，在此系统上，驾驶员可根据自己的需要和实际情况使用遥控器在规定范围内主动限速，或可按监管需要在专线路段规定范围内为汽车主动限速或预设限速。该系统仅仅考虑速度为主要的安全辅助特征，在特定路段，除了速度之外的其他安全行为，比如，提高对行人穿行的警告和对交通环境突然事件的注意力，以及需要考虑特定的交通状况的路段和历史事故黑点，由于多种因素作用的关系，此类系统较难以在这些地方发挥有效作用。

综上所述，目前市面上的汽车安全系统在处理道路风险警告方面多数功能单一，缺乏智能性，大多数系统只能开发相对较短视野的安全警告，并不能有效融合各类丰富的历史数据和实时数据，综合考虑多种事故致因来感知特定路段并提供道路黑点安全警告。除此之外，基本绝大多数安全系统没有考虑到使用增强现实和实景路况结合提供直观安全信息，因此，需设计开发一款能够综合考虑多种事故因素，历史数据和实时数据，并能够根据司机驾驶状态提供具备直观性和更好用户友好性警告的车载黑点安全警告系统。

发明内容

1.发明要解决的技术问题

为解决缺乏相应安全系统应对事故黑点的行车安全警告的有效性问题，本发明提供了一种基于增强现实和云端智能决策的车联网事故黑点警告系统及方法。本发明通过采集多种行车安全数据(关联到汽车因素、道路因素、驾驶员因素和环境因素四大诱因)，通过无线通信网络传输到云端，并在云端控制中心进行综合决策，综合决策的过程不仅考虑了历史的事故经验，同时也考虑以往系统不可获取的安全信息，比如人的因素，道路因素和天气因素等，将综合的警告信息传回给驾驶员，为驾驶员提供可靠的事故黑点警告，并将警告信息和路景结合以增强现实显示给驾驶员。该系统可以大大提高司机在道路黑点对各类事故风险的觉察力，增强驾驶员在不可见的道路黑点的安全意识，从而降低事故率，改善道路黑点安全。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

为解决在事故黑色路段的行车安全问题，本发明提供一种基于车联网和增强现实的智能行车黑点安全预警系统及方法，通过采集行车安全数据，驾驶员数据，路况数据等，在云端控制中心进行综合判断后提供驾驶员事故黑点安全警告并将警告信息以增强现实显示给驾驶员。

本发明的一种基于增强现实和云端智能决策的车联网事故黑点警告系统，包括车载客户端系统层、蜂窝通信网络层以及云端控制中心层，其中：

所述车载客户端系统层实现行车数据的采集，并通过蜂窝通信网络层将采集到的行车数据发送到云端控制中心层；同时，接收从云端控制中心层发回的数据决策包，并以增强现实的方式结合实景路况直观地显示给驾驶员；

所述蜂窝通信网络层实现车载客户端系统层和云端控制中心层的双向通信；

所述云端控制中心层依据实时接收的行车数据和黑点数据库中数据，针对车辆行车状态和当时的情况做出决策分析，并将相应警告信息以数据包格式发布到车载客户端系统层；所述黑点数据库中数据包括从交管中心获取的交通路况数据、历史事故黑点数据以及从气象站获取的天气数据。

更进一步地，所述的车载客户端系统层包括至少一个车载客户端系统，车载客户端系统主机包括车载前装系统和车载后装系统，车载前装系统包括温度湿度传感器、光照压力传感器、胎压摩擦传感器、雨刷传感器、汽车转向灯指示系统、汽车悬挂系统和汽车刹车系统；车载后装系统包括卫星定位导航模块、蜂窝通信模块、数字地图模块，驾驶员监控摄像模块，增强现实显示模块；车载客户端系统由车载系统显示模块完成各类数据的整合。

更进一步地，所述的车载系统显示模块为车载行车电脑、外接的智能手机或抬头显示仪。

更进一步地，所述的蜂窝通信网络层采用基于蜂窝通信的TCP/IP通信协议，采用套接字作为通信中介器，通过蜂窝基站为云端控制中心和应用端软件间的通信提供通信和数据传输。

更进一步地，所述的云端控制中心层包括13个功能模块，各功能模块通过数据流逻辑相互串联；其中：数据通信模块接收车载客户端系统传输的通信数据包，数据解码模块和视频数据解码模块分别给接收到的通信数据包解码，相关解码信息发送给数据分析模块；事故数据挖掘模块用于线上或线下挖掘历史交通事故数据，并将相应的事故黑点位置、事故成因及其结果存储在事故黑点数据库；数据整合模块负责接收解码后数据，并将数据整合成规定的格式发送到智能决策模块进行运算；外部数据库用于存储从外部获取的数据流，包括从实时交通数据库获取的交通数据，从天气数据库获取的天气数据，所述数据流最后也传输到智能决策模块，智能决策模块处理的结果经数据编码模块编码后输出；此外，交管人员可通过可视化平台地理信息系统管理车辆位置、事故黑点以及交通信息。

本发明的一种基于增强现实和云端智能决策的车联网事故黑点警告方法，其步骤为：

步骤一、事故黑点警告系统开启，车载客户端系统自动获取与内外部系统端口连接，如果连接正常，车载客户端系统依照黑点数据信息采集规则采集所需数据，数据采集完毕后存储在车载客户端系统缓存待用；

步骤二、车辆行驶过程中，车载客户端系统打开通信链接并与云端控制中心实时连接，在非事故黑点路段车载客户端发送基本安全数据到云端控制中心，用以保持云端控制中心对汽车基本状态的监测，并实时匹配汽车位置与对应区域事故黑点的位置判定关系；

步骤三、当检测到汽车进入事故黑点区域，云端控制中心启动事故黑点模式，此时，车载客户端系统采集扩展安全数据，并将采集数据进行编码后发送到云端控制中心，数据在云端控制中心解码后发送到各功能模块进行分析；

步骤四、云端控制中心将采集到的数据进行分析和推算，如果推算到行车数据和事故黑点致因推导获得的事故风险出现吻合，根据编码规则生成黑点警告数据，启动安全警告机制并将黑点警告数据推送到车载客户端系统；

步骤五、车载客户端系统接收黑点警告数据，并将黑点警告数据解码后通过蓝牙传递到抬头显示仪，抬头显示仪通过建立匹配的路网模型，以和路网结合的形式将黑点信息以增强现实可视化的形式显示于抬头显示仪，并辅以声光和震动模式提醒司机。

更进一步地，上述警告进程中，确定驶入和驶出事故黑点的具体过程如下：

步骤一、采集基于汽车的当前GPS位置数据Location(x,y)，根据其坐标格式转换为在当前数字地图局部坐标下的局部坐标Local Location(x,y)，简称LLocation(x,y)；

步骤二、依次循环事故黑点数据库中的每个事故黑点的几何中心坐标，寻找离当前局部坐标LLocation(x,y)最近的事故黑点坐标集，并提取黑点多边形顶点坐标集合C(C₁，C₂，C₃...C_N)；

步骤三、计算LLocation(x,y)的坐标横交线PL，通过开发横交线PL横穿并交汇多边形，并计算其与多边形各个边线位置的横交点个数；如果横交线与多边形形成的边线相交，横交点计数器则自动增加相应的横交点数目；否则，横交点计数器计数不增加；

步骤四、横交点计数器根据横交点个数作进出入决策判断，如果横交点个数为奇数，汽车当前位置判定在事故黑点内部；如果横交点个数为偶数，则汽车在事故黑点外部；进入驶出判断发生改变时，则是汽车进入事故黑点的时刻，改变时刻记为汽车进入事故黑点的时间，也是警告启动或是数据采集算法开始的判断条件。

更进一步地，上述警告进程中，历史事故黑点挖掘的具体过程如下：

步骤一、在交通管理部门获取特定交通区域的道路历史事故原数据，对事故数据进行整理，清理不完整数据和删除冗余数据；

步骤二、采用多种数据统计和基于地理信息系统的时空统计技术对交通事故黑点进行挖掘，并标注每个事故黑点发生可能的主要事故致因；

步骤三、将交通事故黑点的历史数据依据其地理位置进行地理信息化编辑，设计对应的事故黑点关系数据库，并建立空间地理信息事故黑点向量图层，作为黑点数据相关的属性存入地理信息系统数据库；

步骤四、将交通事故黑点的数据按照导航数据格式格式化，并将事故黑点数据依照导航数据格式和导航系统结合后导入车载客户端系统，与导航地图和系统集成，开发成为基于车载的黑点数据库，并在车载客户端系统和云端控制中心显示黑点。

更进一步地，上述警告进程中，云端控制中心进行推理决策的具体过程如下：

步骤一、在线下，云端控制中心通过数据挖掘技术确定特定地理区域范围内主要的事故黑点，包括事故黑点的地理位置，以及其主要的事故成因，将主要的事故成因分类并确定优先级别，在此基础上定制基于智能决策的法则匹配消解模板，确定黑点风险匹配规则；

步骤二、在具体实施状态下，云端控制中心获取特定地理区域范围内车载客户端系统的行车数据，将所需要的信息分类存储，同时，云端控制中心实时获取交管部门的交通数据和气象站和天气数据，并将数据存储于云端数据库中；

步骤三、采集数据解码后，在智能决策模块首先解码定位信息，执行事故黑点驶入和驶出判定，如果车辆进入特定黑点，获取该黑点的各类事故致因数据，并提取与致因相关的实时状态数据供智能决策；

步骤四、执行基于法则的消解算法，首先对单个事故致因进行判断，然后依次对多个致因进行判断，依照设计的权重公式得出事故黑点风险指数，并决定是否给予驾驶员特定的行车警告；所述权重公式的权重依据特定路段的历史记录和专家意见做出综合判断后给出；

步骤五、当云端控制中心决定给予驾驶员行车警告，警告信息需匹配特定的风险原因一并发送到车载客户端；

步骤六、车载客户端收到警告编码信息，并将信息解码到车载导航系统和增强现实模块，增强现实模块以增强现实和实景路段结合的显示方式直观显示给驾驶员。

更进一步地，上述警告进程中，将路段拆分为事故黑点路段以及非事故黑点路段，对不同路段执行不同的信息采集，从而提升采集效率和降低带宽消耗；其中在非事故黑点路段采集基本安全数据，所述的基本安全数据依照带宽最省原则采集行车数据；在事故黑点路段采集扩展安全数据，该扩展安全数据为高密度、信息量丰富的行车数据；对进入事故黑点并推断有事故风险的车辆发送黑点警告数据，所述的黑点警告数据将提供黑点的潜在的风险致因以及相应的安全操作指引等。

3.有益效果

采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：

(1)本发明的一种基于增强现实和云端智能决策的车联网事故黑点警告系统，考虑了多种事故致因，并对相联系的多种数据源进行综合的事故黑点风险判断，该技术同时兼顾实时行车状态数据和历史事故记录数据，充分考虑人、车、路和环境数据作为事故致因，使用基于法则的云端算法决策动态判断事故发生的风险和可能性，比一般基于单一数据源、静态的警告方式可靠性更高，并能在推断出风险后启动自动报警；

(2)本发明的一种基于增强现实和云端智能决策的车联网事故黑点警告系统，在客户端实施基于车载的数据采集系统用于采集前装系统数据，同时也实现外装系统数据的采集，比如，GPS的定位数据和视频识别数据；在云端，系统通过应用程序接口API获取实现对相应的天气和交通数据的数据接入；该系统采集的相关数据囊括了人、车、路和环境，数据类型全面，内容丰富，相关数据既可以存储于汽车本机，也可传输到云端数据中心，云端数据中心可将采集到的多种数据采集归类，并通过开放数据接口将数据用于开发各类智能车载安全应用；

(3)本发明的一种基于增强现实和云端智能决策的车联网事故黑点警告系统，通过对后台历史事故数据进行挖掘实现对路网黑点的空间位置的获取和事故致因的获取，并将历史黑点数据和空间路网数据集成；车载客户端系统和云端数据中心可通过集成事故黑点地图实现事故黑点位置判断和黑点致因信息获取；

(4)本发明的一种基于增强现实和云端智能决策的车联网事故黑点警告系统，使用可用的抬头显示仪或其他相应的增强现实显示器，将路景与安全信息相结合，使用基于增强现实的显示技术直观呈现道路事故黑点，提供实时的风险规避指引，对提高司机驾驶安全意识，改善道路安全有积极作用；

(5)本发明的一种基于增强现实和云端智能决策的车联网事故黑点警告系统，设备要求简单、便于安装，同时可扩展性强、系统功能完备、可在此基础上不断更新迭代，开发新型应用，符合对行车安全改善和道路交通安全监管的要求。

附图说明

图1为本发明的车联网系统层架构图；

图2为本发明的车载系统主机结构框图；

图3为本发明的车联网系统云端控制中心层模块结构图；

图4为本发明的车联网系统TCP/IP通信模块结构图；

图5为本发明的事故黑点数据库生成流程图；

图6为本发明的黑点信息编码规则和采样图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。

实施例1

结合图1，本实施例的车联网事故黑点警告系统基于车联网系统架构，整个系统由三个系统功能层完成，包括车载客户端系统层101、蜂窝通信网络层102、以及云端控制中心层103。

各系统功能层依照设计的车联网结构实现预期功能，具体功能实施描述如下：

车载客户端系统层101主要实现两个功能：首先，通过车载客户端系统实现行车数据的采集，并通过蜂窝通信网络层102将采集到的行车数据发送到云端控制中心层103。此处，车载系统采集的数据囊括四类和事故致因相关的数据源，包括：驾驶员数据、行车状态数据、局部交通数据和环境数据。因各类数据来自于不同数据源，可以基于数据格式和类别将数据分类存储到车载客户端(例如，文本格式或视频格式)；其次，如前所述，相应行车数据采集到云端数据中心层103后被云端决策中心处理，推断形成黑点警告信息并反馈到车载客户端系统。因此，车载客户端的第二个功能是接收从云端控制中心层103发回的数据决策包，并以增强现实的方式与实景路况结合后直观地显示给驾驶员，从而起到警告提醒和安全指引的作用。

蜂窝通信网络层102的主要作用是作为中间通信层(类似于粘合剂的功能)，用于实现车载客户端系统层101和云端控制中心层103的双向通信。双向通信的模式包括实现从车载客户端到云端控制中心的数据发送(正向通信)，以及从云端控制中心到车载客户端的数据播报(反向通信)。此处，选择蜂窝通信的优点是因为其可以实现长距离可靠的双向通信，同时，因为蜂窝通信的基础设施已经在绝大部分城市建立，因此可以最大化降低成本，增加通信覆盖率。

云端控制中心层103是本实施例的核心功能层，其主要实现三个功能：第一，将采集并接收到的车载端行车数据解码，按照设计的系统逻辑再加工并存储到云端数据库并通过决策模块执行黑点警告的信息决策；第二，通过应用程序接口API和交管中心以及相应的地方气象站相连，获取特定区域的交通状况(比如路网交通流情况)和天气状况(比如突然暴雨天气)，同时，通过数据挖掘技术挖掘历史事故黑点，并将事故黑点集成到空间地图数据库，建立以交通路况、天气数据库和事故热点数据库为一体的黑点决策数据库；第三，在云端决策中心依据开发的智能决策算法应用实时行车数据和黑点数据库中各类数据，针对特定车辆的行车状态和当时的情况做出决策分析，并将相应的警告信息以数据包格式发布到车载客户端系统层101，并通过车载客户端的增强现实显示模块显示警告信息。

本实施例中各系统功能层的详细设计描述如下：

车载客户端系统主机主要由车载前装系统和车载后装系统两部分构成，如图2所示：

车载前装系统包括汽车系统已经安装的各类传感器，比如，温度湿度传感器201、光照压力传感器202、胎压摩擦传感器203、雨刷传感器204、汽车转向灯指示系统205、汽车悬挂系统206、汽车刹车系统207。以上列举的车载传感器可以提供汽车行驶过程的驾驶参数及汽车运行环境参数和驾驶环境参数。比如，温度湿度传感器可用于指示汽车行驶环境周边温度和湿度，温度和湿度影响驾驶员的行车疲劳度从而用于评估安全风险；光照传感器用于评估汽车周边光照条件，从而用于评估汽车可视范围及性能；胎压摩擦传感器用于判断轮胎状况和路面摩擦力用于评估路面特征；雨刷传感器可通过雨刷的打开与关闭采集局部降雨天气以及降雨程度；转向灯系统用于采集行驶过程的转向意图；悬挂系统用于指示路面平整度；刹车系统用于驾驶行为、加速度及交通状况推断等。

车载后装系统包括各汽车厂商或者用户后装的驾驶辅助系统，比如，GPS导航系统，行车记录仪等。这些系统可用于提供除前装系统传感器外所包含的行车信息。后装系统模块可包括卫星定位导航模块209、蜂窝通信模块210、数字地图模块211，基于行车记录仪的驾驶员监控摄像模块212，基于抬头显示仪的增强现实显示模块213，后装系统也可灵活增加其他模块用于提高后装系统功能。相对于车载前装系统，车载后装系统在许多方面可以提供更精准的交通安全辅助信息，比如，卫星定位导航模块209可以提供精密时间、高精度定位(经纬度)、速度、高程、实时转向和方位角等；蜂窝通信模块210用于提供车载客户端和云端控制中心的双向长程通信，蜂窝通信模块210通过可靠数据通信协议TCP建立双向可校验的通信从而保证通信可靠程度，在硬件层可以通过结合第三代3G通信或第四代4G蜂窝通信技术提高更稳定的通信质量。数字地图模块211可以提供集成显示的数字导航地图，数字地图模块211通过数字地图存储地图信息、地图属性数据，并通过和黑点数据集成后提供路网的排布、线型、类型、弯道、黑点数据等，数据地图模块211可用于基于车载的局部决策也可以用于云端的决策；驾驶员监控摄像模块212通过前后摄像头实现汽车车外视频的路况记录和车内驾驶员的面部和行车操作监控，可通过视频识别等可用技术辨识驾驶员行为和驾驶状态，将获取的数据信息发回云端控制中心。增强现实显示模块213可将云端控制中心发回的安全警告信息通过友好的可视化界面显示给驾驶员，通过将增强现实图景和实时路况结合提供直观简洁的安全警告。

车载客户端系统的信息集成主要由车载系统显示模块208完成数据整合。如果汽车装载行车电脑，车载系统显示模块208可通过行车电脑进行快速的信息集成和运算。对一般未装载行车电脑的车辆，也可通过单独的外接智能手机或抬头显示仪进行运算，通过内置处理器处理和整合数据，并显示相关信息，但须注意通过手机等外接设备的运算速度会小于车载电脑，有可能降低数据运算效率和系统信息的及时性。

云端控制中心层103是处理所有收集数据的和处理数据的核心。云端控制中心103所有的功能模块都设置在云端，可以充分利用云端的大数据存储能力和云端的高速运算能力。如图3所示，云端控制中心主要功能由一共13个模块实现，包括：数据通信模块301、数据解码模块302、事故数据挖掘模块303、事故黑点数据库304、数据分析模块305、视频数据解码模块306、数据整合模块307、智能决策模块308、数据编码模块309、外部数据库310、地理信息系统311、实时交通数据库312和天气数据库313。

各功能模块通过数据流逻辑相互串联构成云端控制中心。各功能模块功能组织如下：数据通信模块301负责接收车载客户端系统传输的通信数据包。数据包接收完成后，数据解码模块302和视频数据解码模块306依照通信协议和编码规范分别给车载通信数据包(一般性文本数据)和视频数据包(视频数据)解码。数据解码模块302负责解码车辆数据包，包括两类数据，第一类数据包括汽车行动参数，比如车速、位置等；第二类包括汽车局部环境状态数据，比如，天气状况(例如：雨刷判断)，路面异常(例如：摩擦传感器判断)情况。数据解码完成后，数据解码模块302和视频数据解码模块306将相关解码信息发送给数据分析模块305。由于数据格式存在较大不同，相应的视频信息可传输给视频数据解码模块306并解码生成驾驶员监控数据，通过抓取司机脸部特征等算法实现疲劳判断。事故数据挖掘模块303主要提供数据挖掘技术，用于线上或线下挖掘历史交通事故数据，并将相应的事故黑点位置和事故成因及其结果存储在事故黑点数据库304。事故黑点数据库304为一个可以存储空间向量数据的空间数据库。事故黑点数据库304可以存储事故的地理空间向量，也可存储对应的事故黑点数据属性。数据整合模块307负责接收解码后的车辆状况信息和解码后的驾驶员状态信息，然后将数据依照算法规则整合成规定的格式发送到智能决策模块308进行运算。外部数据库310主要用于存储通过与外部联入后获取的数据流，比如，数据流可以是通过互联网接入到天气数据库313的天气数据，或者是联入到交管中心交通数据库312的实时交通数据(比如，获取交通流量和堵塞分布等)。数据接入后传输给外部数据解码模块解码后传输到核心模块----智能决策模块308。智能决策模块308主要负责处理两方面数据信息和数据源，包括来自车辆数据解码模块的解码后数据和来着外部交通数据库的数据信息，同时，能够处理来自多个数据源的数据，包括基于历史的交通事故黑点数据、实时天气、路况数据等等。智能决策模块308处理的结果经数据编码模块309编码后输出。除此之外，在云端控制中心交管人员可以通过可视化平台地理信息系统311直观的管理车辆位置，事故黑点，以及其他相应的交通信息。

本实施例的车联网事故黑点警告系统必须满足汽车的安全性需求，因此云端控制中心与车载客户端系统的通信必须基于可靠安全协议，保证数据通信的可靠性以及车联网整个架构系统的安全性。整个通信架构如图4所示，本实施例采用基于蜂窝通信的TCP/IP通信协议，采用套接字(Socket)402作为通信中介器，通过蜂窝基站404，为云端控制中心401和应用端软件405间的通信提供通信和数据传输功能。

具体通信系统功能和通信流程设计如下：

步骤一、云端控制中心401通过通信模块保持侦听状态，装备车载客户端的车辆进入可接通的蜂窝基站404的覆盖范围后，车载客户端系统应用端启用套接字402请求与蜂窝通信端口进行数据对接，云端控制中心401侦听到数据对接请求后分配相应通信数据端口给特定车载客户端系统；

步骤二、车载客户端系统将采集到的数据按规定格式进行数据编码并打包发送到数据通信模块，通过套接字402连接到蜂窝基站404，通过TCP/IP通信网络403分配的端口和确立数据传输端口，建立并开启双工数据通信模式；

步骤三、车载客户端系统将车载前装系统和车载后装系统采集到的数据统一编码，并依靠通信协定和通信系统传输数据到云端控制中心401；

步骤四、蜂窝基站404将数据发送到云端控制中心401的套接字402，套接字402将数据发送到云端应用软件的数据解码模块，数据解码模块解码数据并校核数据类别以及数据完整性等，并同步提供数据发送成功验证信息给应用端软件405，同时，在系统内部数据解码模块将数据传送到各模块做进一步云端决策分析；

步骤五、云端控制中心401决策完成后，将决策信息编码并将数据通过套接字402发送给蜂窝基站404，蜂窝基站404将数据包发送给应用端套接字并通过套接字发送给应用端并显示给驾驶员；

本实施例的核心算法是一系列基于云端的功能和算法模块，通过功能性模块实现数据整理，基于知识的推理，以及决策模块相结合而成。道路黑点的决策和实现包括准备、决策和实施三个主要阶段。准备阶段将前期数据挖掘和知识经验整理、分析、归纳为一系列的判断条件。决策阶段通过推理决策机实施，通过将不同的事故致因整合，最后形成依托于特定路段、特定驾驶员行为的热点推理决策机制。实施阶段进行实时推导，最后生成相应热点警告信息，将信息和实际交通情况以及路段结合后用增强现实显示方式给驾驶员提供安全警告。

本实施例的算法可以细分为事故黑点挖掘、黑点决策推理、黑点信息编码、黑点数据采样四个步骤。详细的算法描述如下：

事故黑点数据挖掘流程：

事故黑点模块通过采集历史交通事故数据，前期执行数据整理和清理，包括清理不完整数据和删除冗余数据。将事故数据导入地理信息系统，利用黑点统计(空间数据统计技术)和黑点辨识技术对道路网的事故黑点进行空间和时间统计分析识别。黑点技术将根据特定区域的交通历史数据，依照多种数据统计方式(时间、空间、时空)对交通事故黑点进行挖掘，并将相应信息编码存储到空间路网数据库。

黑点数据库属性应该包括黑点的时间信息、地理位置信息、属性信息三大类信息。时间信息代表黑点频发时间段，比如高发日时段和周时段，季节时间段等；地理信息包括事故黑点频发区域(一系列经纬度的集合)，比如斜坡路段，交叉路段；属性信息代表事故黑点对应的属性，比如，事故数量、主要致因、黑点风险等。

如图5所示，事故黑点挖掘主要步骤描述如下：

步骤一、在交通管理部门获取在特定交通区域的道路历史事故原数据，确定数据格式(对应501)，依照需求将事故数据进行整理，包括清理不完整数据和删除冗余数据(对应502)，并将事故数据导入到统计软件和地理信息系统分别进行数据统计分析和空间统计分析(对应503)；

步骤二、采用多种数据统计和基于地理信息系统的时空统计技术对交通事故黑点进行挖掘，并标注每个事故黑点发生可能的主要事故致因(时间、地点、车况、行车状况、交通情况、天气情况等)(对应504)；

步骤三、将交通事故黑点的历史数据依据其地理位置进行地理信息化编辑，设计对应的事故黑点数据关系数据库(对应505)，并建立空间地理信息事故黑点向量图层，作为黑点数据相关的属性存入地理信息系统数据库(对应506)；

步骤四、将交通事故黑点的数据按照导航数据格式格式化，并将事故黑点数据依照导航数据格式和导航系统结合后导入车载客户端系统与导航地图和系统集成(对应507)，开发成为基于车载的黑点数据库，并在客户端和云端显示黑点(对应508，509)。

黑点进入和驶出决定算法：

位置接近关系是黑点部分相应警告触发的前提条件。本实施例的黑点进入驶出决定算法基于计算机图像学中的点与多边形的关系算法。在操作层面，汽车在道路黑点的驶入与驶出主要决定于汽车与事故黑点的地理位置接近关系(Proximity)。黑点进入和驶出决定算法的逻辑步骤描述如下：

汽车当前位置坐标被考虑为记录点Location(x，y)。依据汽车位置变化，汽车位置坐标则形成位置点变化的集合，为L₁，L₂，L₃...L_t。因此，汽车当前位置与其行驶的路径集合的关系为L_i∈L_N。对任意的事故黑点，根据其空间地理位置考虑其为多边形，每个多边形的顶点定义为多边形集合C(C₁，C₂，C₃...C_N)，对每个顶点定义一个编号ID，对应的地理坐标为C(x，y)，多边形集合构成了事故黑点的空间范围。整个算法执行步骤如下：

步骤一、采集基于汽车的当前GPS位置数据Location(x，y)，根据其坐标格式转换为在当前数字地图局部坐标下的局部坐标Local Location(x，y)，以下简称LLocation(x，y)；

步骤二、依次循环事故黑点数据库中的每个事故黑点的几何中心坐标，寻找离当前局部坐标LLocation(x，y)最近的事故黑点坐标集，并提取黑点多边形顶点坐标集合C(C₁，C₂，C₃...C_N)；

步骤三、计算LLocation(x,y)的坐标横交线PL，通过开发横交线PL横穿并交汇多边形，并计算其与多边形各个边线位置的横交点个数；如果横交线与多边形形成的边线相交，横交点计数器则自动增加相应的横交数目；否则，横交点计数器计数不增加；

步骤四、横交点计数器根据横交点个数作进出入决策判断。依据横交点数目判断汽车位置与事故黑点关系：如果横交点个数为奇数，汽车当前位置判定在事故黑点内部；否则，如果横交点个数为偶数，则汽车在事故黑点外部；如果进入驶出判断发生改变的时候，则是汽车进入到事故黑点的时刻，改变的时间可定义为汽车进入事故黑点的相应时间，也是警告启动或是数据采集算法开始的判断条件。

智能决策算法：

本实施例的智能决策算法在云端控制中心通过一系列推理决策机制经过智能算法推理生成事故黑点的警告内容。算法可以在前期按不同黑点特点进行前期组装，通过不同的事故致因权重不断的整合，最后形成基于依托于特定路段、以及特定司机行为的黑点警告推理决策机制。

决策算法的判断格式为“IF-CONDITION(如果-条件)THEN-ACTION(然后-执行)”的推导机制，事故黑点的判定和相应的事故黑点致因来自于对以往历史交通事故数据的统计和分析，同时依据专业的交通知识和历史事故数据挖掘，生成一系列基于各类事故致因的规则推理决策机。在事故黑点警告决策过程中，通过推理决策机，不同的事故致因推导法可以根据其特定情况进行组合，最后形成依托于特定路段、特定司机行为的热点推理决策机制。比如，一个在平交口事故黑点可能根据其历史数据分析将汽车速度变量作为优先考虑因素，而一个弯道事故黑点可能将车速和天气作为决策的优先考虑因素。因此，该算法机制具备可延展性，可以打散或重组形成不同推理条件并形成基于特定黑点的警告推理。

使用该推理决策机的决策过程如下：

步骤一、在线下，云端控制中心通过数据挖掘技术确定特定地理区域范围内主要的事故黑点，包括它们主要的地理位置，以及各事故黑点的主要事故成因；比如，数据挖掘技术通过分析历史的事故记录，将主要的事故原因分类并确定优先级别，比如，事故主要的原因是道路线性不佳，极端天气，还是交通拥堵所致，在此基础上定制基于智能决策的法则匹配消解模板(比如，路况判断集，行驶行为判断集，天气判断集)。决策机可以根据设定判断模板，在实时数据进入的情况下进行判定，比如，一个特定的路段根据历史事故记录分析得出其主要事故特点是由于不良天气的超速行为造成，在设计决策规则时重点通过匹配速度和天气来进行智能判定。

步骤二、在具体实施状态下，云端控制中心通过数据通信模块获取特定地理区域范围内车载客户端系统的行车数据，将所需要的信息分类存储。同时，云端外部数据库通过应用程序接口API数据接入交管部门或气象站采集局部区域的当时的交通状况数据和天气数据，并将数据存储于云端数据库中；

步骤三、数据采集解码后，发送到智能决策模块，首先解码定位信息，执行黑点进出入决定算法。此算法将决定汽车是否进入到黑点数据库内的特定黑点，同时，如果车辆进入特定黑点，启动相应黑点的属性数据获取(各类事故致因)，并同时将致因相关的实时状态数据提取并发送到决策机待用；

步骤四、执行基于法则的消解算法，首先对单致因进行判断，比如，如果司机实时的行车速度超过事故黑点的事故风险速度，则对驾驶员执行特定速度风险警告，或者，如果事故黑点致因复杂，事故黑点由多重致因在多种可能情况下容易发生交通风险(如前所述，此处经过数据挖掘算法判断)，则可依次多个致因进行判断，依照设计的权重公式得出事故黑点风险指数，并决定是否给予驾驶员特定的行车警告。权重公式的权重依据特定路段的历史记录做出综合判断和专家意见后给出；

步骤五、注意，当云端控制中心决定给予驾驶员行车警告，警告信息需匹配特定的风险原因给司机，让司机对特定的事故风险因素起到重视，比如，事故的致因是速度超标还是雨天情况下的路面湿滑登因素。警告信息需经过约定的编码规则后发送到车载客户端；

步骤六、车载客户端收到警告编码信息，并将信息解码到车载导航系统和增强现实模块。此处，显示模块以增强现实和实景路段结合的显示方式直观显示给驾驶员。此处，增强现实的作用在于与路景的结合后直观显示给驾驶员，比如，黑点部分将路景以红色渲染并以增强现实模式显示到抬头显示仪器或投影到汽车挡风玻璃；

黑点数据采集信息和黑点警告信息的编码规则：

行车数据采样技术主要用途是在黑点警告系统下降低通信带宽使用和提高数据收集效率。行车数据采样主要包括采样率和采样内容。通过调整数据采样率车载客户端系统可以在重要位置(比如，黑点内部)采集详细的安全信息从而提升警告的可靠性，在非重要位置(比如，非事故黑点路段)仅仅采集必要的数据信息，从而降低通信带宽，提升黑点警告系统的效率。

行车数据采样技术所采集的数据结构主要由三块构成：基本安全数据601，扩展安全数据602和黑点警告数据603。采样技术通过将路网的路段拆分为事故黑点路段以及非事故黑点路段，对在不同路段执行不同的信息采集方法，从而提升采集效率和降低带宽消耗。

(1)基本安全数据–提供非重要位置(非事故黑点路段)所需要的行车数据。基本安全数据设计的主要目的是降低带宽但采集基础的行车数据(比如，位置)。基本安全数据包较小，采样频率低，可设定为周期性的行车数据监测包(比如，5秒采集或10秒采集)，依照带宽最省原则采集行车数据。基本安全数据包的结构包括必要的汽车安全数据，比如，行车位置，行车速度等；

(2)扩展安全数据–对重要位置(事故黑点路段)提供高密度、信息量丰富的行车数据。采集的信息主要用于对各方面致因的判断，因此信息量要求较大。信息格式不仅仅囊括了基本的安全信息(如基本安全数据所包括的数据)，同时还包括了其他方面汽车安全数据，还包括了决策分析所有需要的各种扩展信息，比如，导航信息，还应该有车载传感器数据信息，驾驶员信息等；

(3)黑点警告数据–黑点警告信息用于提供驾驶员在黑点的安全警告。警告信息主要提供黑点的风险致因以及相应的警告推荐，并提供相对应的危险信息标记，用于显示和提醒驾驶员。信息格式不仅仅包括基本的黑点信息，比如黑点位置信息，黑点警告的内容，比如具体的致因内容，车速警告，还包括相应的安全推荐警告信息；黑点警告信息在云端智能中心根据数据推断后，将相应的警告信息和安全驾驶的推介信息发送给司机；

本实施例的车联网事故黑点警告系统的安装过程如下：

(1)根据车辆的实际情况将车载客户端系统的相关部件安装在汽车适当位置，包括抬头显示仪、行车摄像头、车载手机(或安装调整车载前装电脑软件)、OBD数据收集器、卫星定位系统天线、3G通信天线等，保证相关仪器显示不会遮挡视线。

(2)从车辆电瓶上引线与车载系统主机相连保证电源供应，将OBD收集器安装到汽车的OBD接口，将OBD数据接口与车载抬头显示仪通过蓝牙相连接；将驾驶员监控摄像头模块安装到合适位置，并将驾驶摄像头与OBD数据通过蓝牙相连接，反面摄像头能够正对拍摄司机脸部，正面摄像头正对街景。

(3)在汽车上外部安装外接系统相关所需要的外部天线，并反复调整将相关的3G通信天线，卫星定位系统安装在离车壳较近和信号接受良好的位置，保证系统能接受到低噪音影响的信号，确保信号稳定无干扰。

(4)各外部系统安装设置完成后，开启电源供应，保证数据采集模块(包括，GPS数据连接通畅，3G通信，车载传感数据等)工作正常。手动开启系统的APP软件，通过软件启动系统并通过系统检测客户端各子模块的数据链接状况，调整符合相应车载系统的设置，保证各模块工作正常。打开车载远程数据通信端口，通过3G连接云端控制中心，测试车载系统的通信系统和云端系统的链接情况，调试实时的数据编码情况在客户端和云端是否一致。

本实施例的车联网事故黑点警告系统运行过程如下：

(1)当系统开启时，车载客户端自动检测到汽车引擎开启，车载系统自动获取车载客户端系统和各内外部系统的端口连接，如果一切连接正常，车载系统自动依照黑点数据采集信息(如前所述)采集所需数据，数据采集完毕后存储在车载系统缓存待用；

(2)在行驶过程中，车载系统打开通信链接并与云端控制中心实时相连，在非事故黑点路段车载客户端发送基本安全数据(行车监控数据)到云端控制中心，用以保持云端控制中心对汽车基本状态的监测，并实时匹配汽车位置与对应区域事故黑点的位置判定关系；

(3)当汽车被检测到进入事故黑点区域，云端控制中心启动事故黑点模式，车载客户端自动改变模式，切换至黑点采集模式，采集扩展安全数据，并将传感数据进行数据编码后发送到云端控制中心，数据在云端控制中心接收后将通过解码模块解码并将数据发送到云端各个模块进行分析；

(4)云端控制中心将采集到的车载数据流通过决策模块依照决策程序进行分析和推算，如果推算到司机各类状态数据和事故黑点致因推导的事故风险出现吻合，根据编码规则生成黑点警告数据，启动安全警告机制并将黑点警告数据推送到车载客户端系统。

(5)车载系统接受黑点警告数据，并将黑点警告数据解码后通过蓝牙传递到抬头显示仪，通过建立匹配的路网模型，以和路网结合的形式将黑点信息以可视化形式显示抬头显示仪，并辅以声光和震动的模式提醒司机。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (8)

1.一种基于增强现实和云端智能决策的事故黑点警告系统，其特征在于：包括车载客户端系统层(101)、蜂窝通信网络层(102)以及云端控制中心层(103)，其中：

所述车载客户端系统层(101)实现行车数据的采集，并通过蜂窝通信网络层(102)将采集到的行车数据发送到云端控制中心层(103)；同时，接收从云端控制中心层(103)发回的数据决策包，并以增强现实的方式结合实景路况直观地显示给驾驶员；

所述蜂窝通信网络层(102)实现车载客户端系统层(101)和云端控制中心层(103)的双向通信；

所述云端控制中心层(103)依据实时接收的行车数据和黑点数据库中数据，针对车辆行车状态和当时的情况做出决策分析，并将相应警告信息以数据包格式发布到车载客户端系统层(101)；所述黑点数据库中数据包括从交管中心获取的交通路况数据、历史事故黑点数据以及从气象站获取的天气数据；

所述的云端控制中心层(103)包括13个功能模块，各功能模块通过数据流逻辑相互串联；其中：数据通信模块(301)接收车载客户端系统传输的通信数据包，数据解码模块(302)和视频数据解码模块(306)分别给接收到的通信数据包解码，相关解码信息发送给数据分析模块(305)；事故数据挖掘模块(303)用于线上或线下挖掘历史交通事故数据，并将相应的事故黑点位置、事故成因及其结果存储在事故黑点数据库(304)；数据整合模块(307)负责接收解码后数据，并将数据整合成规定的格式发送到智能决策模块(308)进行运算；外部数据库(310)用于存储从外部获取的数据流，包括从实时交通数据库(312)获取的交通数据，从天气数据库(313)获取的天气数据，所述数据流最后也传输到智能决策模块(308)，智能决策模块推算行车数据和事故黑点致因推导获得的事故风险是否吻合，智能决策模块(308)处理的结果经数据编码模块(309)编码后输出；此外，交管人员可通过可视化平台地理信息系统(311)管理车辆位置、事故黑点以及交通信息。

2.根据权利要求1所述的一种基于增强现实和云端智能决策的事故黑点警告系统，其特征在于：所述的车载客户端系统层(101)包括至少一个车载客户端系统，车载客户端系统主机包括车载前装系统和车载后装系统，车载前装系统包括温度湿度传感器(201)、光照压力传感器(202)、胎压摩擦传感器(203)、雨刷传感器(204)、汽车转向灯指示系统(205)、汽车悬挂系统(206)和汽车刹车系统(207)；车载后装系统包括卫星定位导航模块(209)、蜂窝通信模块(210)、数字地图模块(211)、驾驶员监控摄像模块(212)和增强现实显示模块(213)；车载客户端系统由车载系统显示模块(208)完成各类数据的整合。

3.根据权利要求2所述的一种基于增强现实和云端智能决策的事故黑点警告系统，其特征在于：所述的车载系统显示模块(208)为车载行车电脑、外接的智能手机或抬头显示仪。

4.根据权利要求2所述的一种基于增强现实和云端智能决策的事故黑点警告系统，其特征在于：所述的蜂窝通信网络层(102)采用基于蜂窝通信的TCP/IP通信协议，采用套接字作为通信中介器，通过蜂窝基站为云端控制中心和应用端软件间的通信提供通信和数据传输。

5.一种基于增强现实和云端智能决策的事故黑点警告方法，其步骤为：

步骤一、事故黑点警告系统开启，车载客户端系统自动获取与内外部系统端口的连接，如果连接正常，车载客户端系统依照黑点数据信息采集规则采集所需数据，即将路段拆分为事故黑点路段以及非事故黑点路段，对不同路段执行不同的信息采集，从而提升采集效率和降低带宽消耗；其中在非事故黑点路段采集基本安全数据，所述的基本安全数据依照带宽最省原则采集行车数据；在事故黑点路段采集扩展安全数据，该扩展安全数据为高密度、信息量丰富的行车数据；数据采集完毕后存储在车载客户端系统缓存待用；

步骤二、车辆行驶过程中，车载客户端系统打开通信链接并与云端控制中心实时连接，在非事故黑点路段车载客户端发送基本安全数据到云端控制中心，用以保持云端控制中心对汽车基本状态的监测，并实时匹配汽车位置与对应区域事故黑点的位置判定关系；

步骤三、当检测到汽车进入事故黑点区域，云端控制中心启动事故黑点模式，此时，车载客户端系统采集扩展安全数据，并将采集数据进行编码后发送到云端控制中心，数据在云端控制中心解码后发送到各功能模块进行分析；

步骤四、云端控制中心将采集到的数据进行分析和推算，如果推算到行车数据和事故黑点致因推导获得的事故风险出现吻合，根据编码规则生成黑点警告数据，启动安全警告机制并将黑点警告数据推送到车载客户端系统；所述的黑点警告数据将提供黑点的潜在的风险致因以及相应的安全操作指引；

步骤五、车载客户端系统接收黑点警告数据，并将黑点警告数据解码后通过蓝牙传递到抬头显示仪，抬头显示仪通过建立匹配的路网模型，以和路网结合的形式将黑点信息以增强现实可视化的形式显示于抬头显示仪，并辅以声光和震动模式提醒司机。

6.根据权利要求5所述的一种基于增强现实和云端智能决策的事故黑点警告方法，其特征在于：上述步骤三中，确定驶入和驶出事故黑点的具体过程如下：

步骤1、采集基于汽车的当前GPS位置数据Location(x,y)，根据其坐标格式转换为在当前数字地图局部坐标下的局部坐标Local Location(x,y)，简称LLocation(x,y)；

步骤2、依次循环事故黑点数据库中的每个事故黑点的几何中心坐标，寻找离当前局部坐标LLocation(x,y)最近的事故黑点坐标集，并提取黑点多边形顶点坐标集合C(c₁，c₂，c₃…c_N)；

步骤3、计算LLocation(x,y)的坐标横交线PL，通过开发横交线PL横穿并交汇多边形，并计算其与多边形各个边线位置的横交点个数；如果横交线与多边形形成的边线相交，横交点计数器则自动增加相应的横交点数目；否则，横交点计数器计数不增加；

步骤4、横交点计数器根据横交点个数作进出入决策判断，如果横交点个数为奇数，汽车当前位置判定在事故黑点内部；如果横交点个数为偶数，则汽车在事故黑点外部；进入驶出判断发生改变时，则是汽车进入事故黑点的时刻，改变时刻记为汽车进入事故黑点的时间，也是警告启动或是数据采集算法开始的判断条件。

7.根据权利要求5所述的一种基于增强现实和云端智能决策的事故黑点警告方法，其特征在于：上述步骤一中还需进行历史事故黑点挖掘，具体过程如下：

步骤(1)、在交通管理部门获取特定交通区域的道路历史事故原数据，对事故数据进行整理，清理不完整数据和删除冗余数据；

步骤(2)、采用多种数据统计和基于地理信息系统的时空统计技术对交通事故黑点进行挖掘，并标注每个事故黑点发生可能的主要事故致因；

步骤(3)、将交通事故黑点的历史数据依据其地理位置进行地理信息化编辑，设计对应的事故黑点关系数据库，并建立空间地理信息事故黑点向量图层，作为黑点数据相关的属性存入地理信息系统数据库；

步骤(4)、将交通事故黑点的数据按照导航数据格式格式化，并将事故黑点数据依照导航数据格式和导航系统结合后导入车载客户端系统，与导航地图和系统集成，开发成为基于车载的黑点数据库，并在车载客户端系统和云端控制中心显示黑点。

8.根据权利要求5-7任一项所述的一种基于增强现实和云端智能决策的事故黑点警告方法，其特征在于：上述步骤四中，云端控制中心进行推理决策的具体过程如下：

步骤A、在线下，云端控制中心通过数据挖掘技术确定特定地理区域范围内主要的事故黑点，包括事故黑点的地理位置，以及其主要的事故成因，将主要的事故成因分类并确定优先级别，在此基础上定制基于智能决策的法则匹配消解模板，确定黑点风险匹配规则；

步骤B、在具体实施状态下，云端控制中心获取特定地理区域范围内车载客户端系统的行车数据，将所需要的信息分类存储，同时，云端控制中心实时获取交管部门的交通数据和气象站的天气数据，并将数据存储于云端数据库中；

步骤C、采集数据解码后，在智能决策模块首先解码定位信息，执行事故黑点驶入和驶出判定，如果车辆进入特定黑点，获取该黑点的各类事故致因数据，并提取与致因相关的实时状态数据供智能决策；

步骤D、执行基于法则的消解算法，首先对单个事故致因进行判断，然后依次对多个致因进行判断，依照设计的权重公式得出事故黑点风险指数，并决定是否给予驾驶员特定的行车警告；所述权重公式的权重依据特定路段的历史记录和专家意见做出综合判断后给出；

步骤E、当云端控制中心决定给予驾驶员行车警告，警告信息需匹配特定的风险原因一并发送到车载客户端；

步骤F、车载客户端收到警告编码信息，并将信息解码到车载导航系统和增强现实模块，增强现实模块以增强现实和实景路段结合的显示方式直观显示给驾驶员。

Images