一种智能网联汽车汽车风险评估方法及系统技术方案

本发明专利技术公开了一种智能网联汽车汽车风险评估方法及系统，包括以下步骤：

【技术实现步骤摘要】
一种智能网联汽车汽车风险评估方法及系统


[0001]本专利技术涉及智能规划以及机器学习
，更具体地，涉及一种智能网联汽车汽车风险评估方法及系统
。

技术介绍

[0002]汽车风险评估是指对汽车在使用过程中可能出现的各种风险进行评估和预测，以便采取相应的措施来降低风险
。
随着汽车行业的不断发展和进步，汽车安全已经成为了汽车制造商和消费者关注的重点之一
。
汽车风险评估的背景主要有以下几个方面
。
[0003]首先，汽车交通事故频繁发生
。
根据统计数据显示，全球每年有数百万人因车祸死亡或受伤
。
而汽车交通事故的原因往往是多方面的，包括驾驶员失误
、
道路条件差
、
车辆故障等
。
因此，进行汽车风险评估可以帮助制造商和消费者更好地理解汽车存在的潜在风险，从而采取相应的措施来避免或降低风险
。
[0004]其次，消费者对汽车安全性的要求越来越高
。
随着人们生活水平的提高，对于汽车的安全性能要求也越来越高
。
消费者购买汽车时会考虑到车辆的各种安全配置，例如安全气囊
、ABS
制动系统
、
车身稳定控制等
。
汽车制造商需要对这些安全配置进行评估和测试，以确保其在使用过程中的可靠性和有效性
。
[0005]第三，政府对汽车安全的法规要求越来越严格
。
各国政府对汽车安全方面的法规要求也越来越高，例如欧盟和美国都有针对汽车安全的法规标准
。
汽车制造商需要对这些法规进行遵守，并进行相应的测试和评估，以确保其生产的汽车符合法规标准
。
[0006]最后，汽车技术的不断升级和更新也促进了汽车风险评估的发展
。
随着科技的不断发展，汽车的安全配置也在不断升级和更新，例如自动驾驶技术
、
智能安全系统等
。
汽车制造商需要对这些新技术进行评估和测试，以确保其在使用过程中的可靠性和有效性
。
[0007]现有技术中公开了一种驾驶风险评估方法装置设备及存储介质，通过采集预设数量车辆在第一设定时长内的驾驶数据，利用多个风险评估模型获取该驾驶数据对应车辆的车辆驾驶风险评估数据，再进一步对风险评估数据进行准确性评估，确立驾驶风险评估模型
。
该方案的缺陷是，仅仅是对一阶风险进行评估，没有更进一步的评估，准确性较低
。
[0008]为此，结合以上需求和现有技术缺陷，本申请提出了一种智能网联汽车汽车风险评估方法及系统
。

技术实现思路

[0009]本专利技术提供了一种智能网联汽车汽车风险评估方法及系统，将汽车风险的一阶风险进一步量化为二阶风险，大大提高了风险评估的准确性
。
[0010]本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
[0011]本专利技术第一方面提供了一种智能网联汽车汽车风险评估方法，本方法包括以下步骤：
[0012]S1、
获取车辆的数据流向
。
[0013]S2、
对车辆的数据流向进行整理分类，分析得到若干一阶风险，将一阶风险的子风险设定为二阶风险
。
[0014]S3、
根据二阶风险的相对重要性指标，计算出各一阶风险内部的二阶风险之间的相对权重区间以及各一阶风险之间的相对权重区间，并对所得的相对权重区间进行调整拟合
。
[0015]S4、
根据调整拟合后的相对权重区间计算汽车当前的风险等级
。
[0016]进一步的，步骤
S1
中获取车辆的全部数据流向包括有：采用
GPS
定位车辆位置；利用图像处理技术对车辆进行监控与跟踪；获取周边环境监测数据；获取车辆启动或停止命令；获取车辆启动或关闭状态数据；获取刹车控制指令；获取车辆推进控制指令；获取车辆推进状态数据；获取车辆转向控制指令；获取车辆转向状态数据；获取控制车辆平稳行驶指令；获取调整车辆悬架高度数据；获取车辆实际状态数据；获取车联网中心数据
。
[0017]进一步的，步骤
S2
的具体过程为：根据
ISO 26262
标准对所有数据流向进行整理分类，得到若干类一阶风险，将一阶风险下的子风险设定为二阶风险；所述一阶风险包括有：
ECU
耦合风险
、
车载通信风险
、
车辆历史安全问题风险和车辆代码复杂度风险
。
[0018]进一步的，所述二阶风险为每个一阶风险的子风险，具体为：
[0019]所述
ECU
耦合风险下的子风险包括有：发动机管理系统耦合风险
、
传输控制单元耦合风险
、
电动助力转向联轴器风险
、
车身稳定性控制耦合风险
、、
主动悬架系统耦合风险
、
自适应电池寿命耦合风险
、
道路保持辅助耦合风险和自动紧急制动耦合风险
。
[0020]所述车载通信风险下的子风险包括有：车载通信风险
、
用户对车辆通信风险
、
车辆对车辆通信风险和车辆到基础设施通信风险
。
[0021]所述车辆历史安全问题风险下的子风险包括有：车辆功能安全历史问题
、
车辆预期功能安全历史问题和车辆信息安全历史问题
。
[0022]所述车辆代码复杂度风险下的子风险包括有：源代码行数度量风险和运算符和操作数复杂性度量风险
。
[0023]进一步的，在所述
ECU
耦合风险中，各个子风险的耦合方程如下所示：
[0024][0025]其中，
N
表示车辆系统中子部件的总数，当子系统
s
i
和
s
j
之间存在连接时，表面二者之间存在调用关系，此时的值为1，否则为
0。
[0026]在所述车载通信风险中，整体的风险如下所示：
[0027][0028]其中，
ρ
表示车辆每次通信攻击的严重程度，表示车辆中使用
LIN
网络进行通信的模块数量，表示车辆中使用高速
CAN
网络进行通信的车辆的模块数量，表示使用低速
CAN
网络进行通信的车辆中的模块数，表示使用
FlexRay
网络进行通信的车辆中的模块数，表示使用
MOST
网络进行通信的车辆中的模块数量，
i
表示车辆中的每个模块，
N
表示整个系统车辆模块
。
[0029]进一步的，在车载通信风险的子风险中，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能网联汽车汽车风险评估方法，其特征在于，包括以下步骤：
S1、
获取车辆的数据流向；
S2、
对车辆的数据流向进行整理分类，得到若干一阶风险，将一阶风险的子风险设定为二阶风险；
S3、
根据二阶风险的相对重要性指标，计算出各一阶风险内部的二阶风险之间的相对权重区间以及各一阶风险之间的相对权重区间，并对所得的相对权重区间进行调整拟合；
S4、
根据调整拟合后的相对权重区间计算汽车当前的风险等级
。2.
根据权利要求1所述的一种智能网联汽车汽车风险评估方法，其特征在于，步骤
S1
中获取车辆的全部数据流向包括有：采用
GPS
定位车辆位置；利用图像处理技术对车辆进行监控与跟踪；获取周边环境监测数据；获取车辆启动或停止命令；获取车辆启动或关闭状态数据；获取刹车控制指令；获取车辆推进控制指令；获取车辆推进状态数据；获取车辆转向控制指令；获取车辆转向状态数据；获取控制车辆平稳行驶指令；获取调整车辆悬架高度数据；获取车辆实际状态数据；获取车联网中心数据
。3.
根据权利要求2所述的一种智能网联汽车汽车风险评估方法，其特征在于，步骤
S2
的具体过程为：根据
ISO 26262
标准对所有数据流向进行整理分类，得到若干类一阶风险，将一阶风险下的子风险设定为二阶风险；所述一阶风险包括有：
ECU
耦合风险
、
车载通信风险
、
车辆历史安全问题风险和车辆代码复杂度风险
。4.
根据权利要求3所述的一种智能网联汽车汽车风险评估方法，其特征在于，所述二阶风险为每个一阶风险的子风险，具体为：所述
ECU
耦合风险下的子风险包括有：发动机管理系统耦合风险
、
传输控制单元耦合风险
、
电动助力转向联轴器风险
、
车身稳定性控制耦合风险
、、
主动悬架系统耦合风险
、
自适应电池寿命耦合风险
、
道路保持辅助耦合风险和自动紧急制动耦合风险；所述车载通信风险下的子风险包括有：车载通信风险
、
用户对车辆通信风险
、
车辆对车辆通信风险和车辆到基础设施通信风险；所述车辆历史安全问题风险下的子风险包括有：车辆功能安全历史问题
、
车辆预期功能安全历史问题和车辆信息安全历史问题；所述车辆代码复杂度风险下的子风险包括有：源代码行数度量风险和运算符和操作数复杂性度量风险
。5.
根据权利要求4所述的一种智能网联汽车汽车风险评估方法，其特征在于，在所述
ECU
耦合风险中，各个子风险的耦合方程如下所示：其中，
N
表示车辆系统中子部件的总数，当子系统
s
i
和
s
j
之间存在连接时，表面二者之间存在调用关系，此时的值为1，否则为0；在所述车载通信风险中，整体的风险如下所示：
其中，
ρ
表示车辆每次通信攻击的严重程度，表示车辆中使用
LIN
网络进行通信的模块数量，表示车辆中使用高速
CAN
网络进行通信的车辆的模块数量，表示使用低速
CAN
网络进行通信的车辆中的模块数，表示使用
FlexRay
网络进行通信的车辆中的模块数，表示使用
MOST
网络进行通信的车辆中的模块数量，
i
表示车辆中的每个模块，
N
表示整个系统车辆模块
。6.
根据权利要求5所述的一种智能网联汽车汽车风险评估方法，其特征在于，在车载通信风险的子风险中，所述用户对车辆通信风险为：其中，表示车辆中使用蓝牙和专用短程通信
DSRC
网络进行用户到车辆通信的模块数量；所述车辆对车辆通信风险为：其中，表示使用车载自组织网络
VANETs
进行车辆对车辆通信的模块数量；所述车辆到基础设施通信风险为：其中，
α
表示每次通信损坏后对车辆造成的伤害程度，表示使用
VANETs
网络进行车辆与基础设施之间通信的模块数量，表示车辆中使用
Wi
‑
Fi
进行通信的模块数量，表示车辆中使用蜂窝网络进行通信的模块数量；在所述车辆历史安全问题风险的子风险中，所述车辆功能安全历史问题具体为：其中，
η
d
表示该车型最后一次召回数量，
τ
d
表示该车型因电气和电子系统故障最后维修次数，
λ
表示遗忘因子，用于计算车辆购买后更换所需时间的车辆部件，时间越长，
λ
的值越小；所述车辆预期功能安全历史问题具体为：其中，表示由于系统性能限制导致的车辆事故数量；所述车辆信息安全历史问题具体为：
其中，表示对车载终端的攻击次数，表示对车载终端的攻击次数，表示网络侧收到的攻击次数车辆，表示车辆云端受到攻击的次数，
ε
表示车辆各核心部件受到攻击对车辆造成...

【专利技术属性】
技术研发人员：方良达，官全龙，苗浩，张天，李哲夫，罗伟其，
申请(专利权)人：暨南大学，
类型：发明
国别省市：