CN108154681B - 发生交通事故的风险预测方法、装置及系统 - Google Patents
发生交通事故的风险预测方法、装置及系统 Download PDFInfo
- Publication number
- CN108154681B CN108154681B CN201611111798.2A CN201611111798A CN108154681B CN 108154681 B CN108154681 B CN 108154681B CN 201611111798 A CN201611111798 A CN 201611111798A CN 108154681 B CN108154681 B CN 108154681B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic accident
- information
- condition information
- target road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Abstract
本发明实施例提供了发生交通事故的风险预测方法、装置及系统，该方法包括：获得目标路段上的监控视频；根据该监控视频，获得视频结构化信息；根据所述视频结构化信息中的车牌号码信息，在预设数据库中查询该目标路段上每个第一车辆的车况信息和历史行为信息；获取目标路段在拍摄所述监控视频时的环境状况信息；针对所述每个第一车辆，根据该目标路段发生交通事故的历史信息、所述车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。本发明实施例以实现车辆发生交通事故的风险预测，提高道路发生交通事故风险预测的准确性。
Description
技术领域
本发明涉及智能交通管理和控制技术领域，特别是涉及一种发生交通事故的风险预测方法、装置及系统。
背景技术
随着社会的发展，我国机动车保有量呈现急速膨胀，随之而来，道路事故的发生频率也呈急剧上升趋势。对特定路段和车辆风险状态进行有效预测，可降低交通事故发生率，减少人们生命财产损失，具有巨大的现实意义和价值。
目前，预测目标路段上的道路事故风险的方法具体为：实时收集目标路段上的人、车、路以及环境等影响道路事故风险的信息；根据收集的信息，预测目标路段道路事故的风险状态。
现有技术的预测道路事故风险的方法是基于目标路段的道路风险来预测事故风险，并没有考虑到目标路段上各车辆的车况差异，比如，对于一辆已经使用二十年且待维修的旧车和一辆刚出厂且质检符合标准的新车，使用上述预测道路事故风险方法得到的发生事故的概率是相同的。这样，上述预测道路事故风险方法，没有针对具体车辆风险状态进行预测。
发明内容
本发明实施例的目的在于提供一种发生交通事故的风险预测方法、装置及系统，以实现车辆发生交通事故的风险预测，提高道路发生交通事故风险预测的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种车辆发生交通事故的风险预测方法，包括：
获得目标路段上的监控视频；
根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
第二方面，本发明实施例提供了一种道路发生交通事故的风险预测方法，包括：
获得目标路段上的监控视频；
根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息和历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
获得所述预测模型输出的道路发生交通事故的第一发生概率值；
将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
第三方面，本发明实施例提供了一种车辆发生交通事故的风险预测装置，包括：
第一获得单元，用于获得目标路段上的监控视频；
处理单元，用于根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
查找单元，用于根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
第二获得单元，用于获取目标路段在拍摄所述监控视频时的环境状况信息；
第一确定单元，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
第二确定单元，用于将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
第四方面，本发明实施例提供了一种道路发生交通事故的风险预测装置，包括：
第一获得单元，用于获得目标路段上的监控视频；
处理单元，用于根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
查找单元，用于根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
第二获得单元，用于获取目标路段在拍摄所述监控视频时的环境状况信息；
第一确定单元，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
第三获得单元，用于对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息和历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
输入单元，用于将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
第四获得单元，用于获得所述预测模型输出的道路发生交通事故的第一发生概率值；
第二确定单元，用于将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
第五方面，本发明实施例提供了一种车辆发生交通事故的风险预测系统，包括：
视频监控设备，用于采集目标路段上的监控视频；
车辆信息数据库，用于存储所述目标路段上每个第一车辆的车况信息和历史行为信息；
智能分析服务器，用于获得所述视频监控设备采集的目标路段上的监控视频；根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；根据所述车牌号码信息，在所述车辆信息数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；在外部信息源系统中获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
第六方面，本发明实施例提供了一种道路发生交通事故的风险预测系统，包括：
视频监控设备，用于采集目标路段上的监控视频；
车辆信息数据库，用于存储所述目标路段上每个第一车辆的车况信息和历史行为信息；
智能分析服务器，用于获得所述视频监控设备采集的所述目标路段上的监控视频；根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；根据所述车牌号码信息，在所述车辆信息数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；在外部信息源系统中获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息、所述每个第一车辆的历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
获得所述预测模型输出的道路发生交通事故的第一发生概率值；将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
本发明实施例提供的一种发生交通事故的风险预测方法、装置及系统，所述方法包括：获得目标路段上的监控视频；根据所述监控视频，获得视频结构化信息；根据所述视频结构化信息中的车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；获取目标路段在拍摄所述监控视频时的环境状况信息；针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果，应用本发明实施例，实现了车辆发生交通事故的风险预测。
另外，在所述每个第一车辆发生交通事故的风险因子的基础上，结合目标路段发生交通事故的历史信息，确定目标路段的道路发生交通事故的交通事故发生概率值；将所述道路发生交通事故的交通事故发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。应用本发明实施例，提高了道路发生交通事故风险的准确性；同时，本发明实施例无需在每一车辆上安装额外设备，改造成本低。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a为本发明实施例所提供的车辆发生交通事故的风险预测方法的一种流程图；
图1b为本发明实施例所提供的车辆发生交通事故的风险预测方法的另一种流程图；
图2a为本发明实施例所提供的道路发生交通事故的风险预测方法的一种流程图；
图2b为本发明实施例所提供的道路发生交通事故的风险预测方法的另一种流程图；
图3a为本发明实施例所提供的车辆发生交通事故的风险预测装置的一种结构图；
图3b为本发明实施例所提供的车辆发生交通事故的风险预测装置的另一种结构图；
图4a为本发明实施例所提供的道路发生交通事故的风险预测装置的一种结构图；
图4b为本发明实施例所提供的道路发生交通事故的风险预测装置的另一种结构图；
图5a为本发明实施例所提供的车辆发生交通事故的风险预测系统的一种结构图；
图5b为本发明实施例所提供的车辆发生交通事故的风险预测系统的另一种结构图；
图6a为本发明实施例所提供的道路发生交通事故的风险预测系统的一种结构图；
图6b为本发明实施例所提供的道路发生交通事故的风险预测系统的另一种结构图。
具体实施方式
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。
本发明实施例所提供了发生交通事故的风险预测方法、装置及系统，实现了车辆发生交通事故的风险预测，提高了道路发生交通事故风险预测的准确性。
下面首先对本发明实施例所提供的一种车辆发生交通事故的风险预测方法进行介绍。
如图1a所示，本发明实施例所提供的一种车辆发生交通事故的风险预测方法，可以包括如下步骤：
S101，获得目标路段上的监控视频；
实际应用中，在目标路段上预先安装了多个摄像头，每个摄像头用于的监控该摄像头监控区域内移动目标的运动状态，同时每个摄像头将返回所监控区域内的监控视频。这里，每个摄像头负责监控该摄像头所在的区域范围，目标路段上的所有摄像头共同监控该目标路段上的移动目标的运动状态，这里的移动目标包括车辆，但不限于此。
S102，根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
具体的，在获得目标路段上的各个摄像头返回的监控视频时，对所返回的监控视频，采用视频分析技术，获得视频结构化信息，所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息，且所述视频结构化信息还可以包括车牌号码信息、司机是否系安全带信息、司机是否打手机信息、车辆型号信息、车辆颜色的信息等。
需要注意的是，目标路段上的可以同时存在至少一辆车或者不存在任何一辆车。当目标路段上存在至少一辆车时，通过视频分析技术对所述监控视频进行结构化分析，获得所述至少一辆车中的每辆车的视频结构化信息。其中，目标路段上的每一辆车对应一个视频结构化信息。例如，如表1所示，表1示出了5辆车的视频结构化信息，且视频结构化信息包括：车牌信息、司机是否系安全带信息、司机是否打手机信息、车辆型号信息、车辆颜色的信息，但不限于此。
表1
S103，根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
第一车辆包括行驶在目标路段上的所有车辆，每个第一车辆是指目标路段上所有车辆中的一辆车。根据视频结构化信息中的车牌号码信息，在预设数据库中查询该车牌号码信息对应的每个第一车辆的车况信息以及历史行为信息，可以理解的是，每辆车的车牌号码信息在预设数据库中对应该辆车的车况信息和历史行为信息，具体的，车况信息包括：车辆年检信息(例如，车辆未年检次数)、车龄等，历史行为信息包括：闯红灯次数、超速次数、违规变道等。这里的预设数据库可以包括交警系统的车辆信息数据库。
S104，获取目标路段在拍摄所述监控视频时的环境状况信息；
所述目标路段的环境状况信息可以包括：获取监控视频时的天气(阴、雨、雪等)、目标路段是否存在弯道、是否存在斜坡、能见度等。因为，不同的环境状况信息对车辆发生交通事故有一定的影响，例如，在能见度低的情况下，当前车意外停止时，后车司机可能看不清前车的行驶状况，没有采取相应的措施，导致交通事故发生。所以，在预测车辆发生交通事故的风险时，要考虑车辆在目标路段所处的环境状况信息。
S105，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
具体的，目标路段上的每个第一车辆对应其车况信息和历史行为信息，可以理解的是，目标路段上的所有车辆的环境状况信息可以是相同的。在实际应用中，当获得每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息后，结合目标路段发生交通事故的历史信息，确定每一第一车辆发生交通事故的风险因子。这里的每个第一车辆发生交通事故的风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度，也就是根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定每个第一车辆发生交通事故的交通事故发生概率值，或者根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定每个第一车辆发生交通事故的严重程度。
S106，将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
可以理解的是，风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度，这里将交通事故发生概率值和/或发生交通事故的严重程度确定为风险预测结果。
本发明实施例，通过所获得目标路段上的监控视频，获得视频结构化信息，并根据该视频结构化信息中的车牌号码信息，在预设数据库中查询该目标路段上每个第一车辆的车况信息和历史行为信息，同时，获得拍摄所述监控视频时的环境状况信息，由所获得的车况信息和历史行为信息、环境状况信息，结合目标路段上发生交通事故的历史信息，确定每个第一车辆发生交通事故的风险因子，就能够获得车辆的风险预测结果。
如图1b所示，本发明实施例所提供的一种车辆发生交通事故的风险预测方法，可以包括如下步骤：
S201，获得目标路段上的监控视频；
S202，根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
S203，根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
S204，获取目标路段上在拍摄所述监控视频时的环境状况信息；
其中，步骤S201～步骤S204与图1a所示的步骤S101～步骤S104的相同，在此不再赘述。
S205，接收所述目标路段上的每个第一车辆的速度；根据所述监控视频，获得所述目标路段的道路全景图；根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对距离；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
可以理解的是，目标路段上的每个第一车辆的速度可以不相同，通常，采用传感器获得每个第一车辆的速度；该传感器可以包括雷达测速装置，但不限于此。
通过对监控视频进行分析，构建目标路段上的道路全景图，该道路全景图用于表示拍摄所获得的该目标路段上的监控视频时，每个第一车辆的相对位置关系。根据该道路全景图中每个第一车辆的相对位置关系，得到每个第一车辆和相邻车辆的相对距离。同时，根据该道路全景图及每个第一车辆的速度，计算获得每个第一车辆与其相邻车辆的相对速度。例如，道路全景图中，与A车相邻的车辆包括：B车、C车，由传感器测量得到的A车的速度为50km/s，B车的速度为45km/s，C车的速度为40km/s，则A车与B车的相对速度为5km/s，A车与C车的相对速度为10km/s。
S206，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的风险因子；
具体的，所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；
所述历史信息还包括：目标路段上历史上发生的每种交通事故时，第二车辆的当前司机行为信息，该第二车辆当前司机行为信息是相对于历史上发生交通事故时的司机的行为信息。
具体的，每个第一车辆的当前司机行为信息，是指在获得目标路段上的监控视频时，根据该监控视频获得视频结构化信息中还包括当前司机行为信息，所述当前司机行为信息如表1所示，包括：司机是否系安全带信息、司机是否打手机信息，等但不限于此，还可以包括：司机是否抽烟的信息、司机是否吃东西的信息等。
可以理解的是，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的风险因子的步骤可以包括：针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的风险因子；
可以理解的是，在确定每个第一车辆发生交通事故的初始的风险因子时，需要将每个第一车辆的当前司机行为信息予以考虑。因为当前司机行为信息可能是直接导致交通事故发生的一大因素，例如，当司机一边开车，一边打电话，容易引起司机注意力不集中，没有注意到其他邻近车辆的急刹车、或者道路的交通状况，导致交通事故发生，所以在确定车辆发生交通事故的初始的风险因子时，要结合当前司机行为信息。
这里，历史信息是相对于拍摄监控视频时的每个第一车辆对应的车况信息、历史行为信息、环境状况信息而言，也就是历史信息具体的指，在目标路段上历史上发生交通事故时的第二车辆对应的车况信息(第二车辆在发生交通事故时的年检情况、车龄等)、历史行为信息(第二车辆在发生交通事故时的闯红灯次数、超速次数、违规变道等)、环境状况信息(第二车辆在发生事故时目标路段上的天气、能见度等)。这里所获的每个第一车辆发生交通事故的初始的风险因子并没有考虑与每个第一车辆相邻车辆对该第一车辆的影响。
S207，针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和相对速度，对该第一车辆发生交通事故的初始的风险因子进行修正，获得所述每个第一车辆发生交通事故的最终的风险因子；
基于所获得每个第一车辆与其相邻车辆的相对距离和相对速度，修正每个第一车辆发生交通事故的初始的风险因子，得到该第一车辆发生交通事故的最终的风险因子。
可以理解的是，在目标路段上的相邻车辆越靠近，发生交通事故的交通事故发生概率和/或发生交通事故的严重程度越大，相邻车辆的相对速度越接近，发生交通事故的交通事故发生概率和/或发生交通事故的严重程度越大。所以，在确定每个第一车辆的风险因子时，要考虑该第一车辆与其相邻车辆的相对距离和相对速度。本发明实施例，根据每个第一车辆与其相邻车辆的相对距离和相对速度，修正了每个第一车辆发生交通事故的初始的因子，得到每个第一车辆发生交通事故的最终的风险因子。使得车辆发生交通事故的风险预测更为准确。
S208，将所述每个第一车辆发生交通事故的最终的风险因子作为预测车辆发生交通事故的风险预测结果。
本发明实施例中，对所获得的目标路段上监控视频进行分析，得到视频结构化信息和道路全景图，基于视频结构化信息中的车牌号码信息，在预设数据库中查询获得每个第一车辆的车况信息和历史行为信息，同时，获取目标路段上在拍摄监控视频时的环境状况信息，获得每个第一车辆的速度，并结合道路全景图，确定每个第一车辆与其相邻车辆的相对距离和相对速度，将所获得车况信息、历史行为信息、当前司机行为信息、环境状况信息、相对距离以及相对速度，输入到所述目标路段发生交通事故的历史信息训练的分类器，以使分类器输出每个第一车辆的发生交通事故的初始的风险因子，根据每个第一车辆与其相邻车辆的相对距离和相对速度，修正该初始的风险因子，得到每个第一车辆发生交通事故的最终的风险因子，将最终的风险因子作为预测车辆发生交通事故的风险预测结果。可见，本发明实施中，基于每个第一车辆与其相邻车辆的相对速度和相对距离，修正每个第一车辆发生交通事故的初始的风险因子，提高了车辆发生交通事故的风险预测的准确性。
在本发明实施例的一种可能的实现方式中，基于所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的风险因子，包括：
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆的交通事故发生概率值和/或发生交通事故的严重程度作为该第一车辆发生交通事故的初始的风险因子。实际应用中，获取以存储的评分表，该评分表是针对历史上已经发生的一种交通事故，对发生该种交通事故的第二车辆的所述历史信息进行评分的表，也就是根据评分表中历史上已发生交通事故的第二车辆的历史信息的分数，为每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息进行评分，这里，每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，在评分表有对应的评分。具体的，每种交通事故对应一个评分表。
在本发明实施例的一种可能的实现方式中，所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的风险因子的步骤，包括：
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；
实际应用中，在将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器之前，所述方法还包括：将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息数值化，将数值化后的每个第一车辆的车况信息和历史行为信息，以及环境状况信息和当前司机行为信息，输入至多个预设的分类器中，这样，获得每个分类器输出的交通事故发生概率值和/或发生交通事故的严重程度值作为该第一车辆发生交通事故的初始的风险因子，其中，每一种交通事故对应一种分类器。
具体的，针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和相对速度，对该第一车辆发生交通事故的初始的风险因子进行修正，获得所述每个第一车辆发生交通事故的最终的风险因子的步骤包括：
针对每个第一车辆发生交通事故的初始的风险因子中的每种交通事故发生概率值和/或发生交通事故的严重程度值，用如下公式分别进行计算，获得所述每个第一车辆发生交通事故的最终的风险因子：
其中，
为第i辆车发生第t种交通事故的最终的风险因子，
为第i辆车发生第t种交通事故的初始的风险因子，Ni为与第i辆车相邻的车辆数量或者与第i辆车的距离小于第一预设值的车辆数目，d为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，v为所述道路全景图信息中第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的风险因子，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数。
需要注意的是，γ、η根据实际情况进行调整，Xtτ是基于历史统计数据获得的，例如，在前车发生撞护栏的t事故类型下，导致后车发生追尾的τ事故类型的概率。
可见，与每个第一车辆发生交通事故的初始的风险因子相比，每个第一车辆发生交通事故的最终的风险因子考虑了每个第一车辆与其相邻车辆的相对距离和相对速度，所以，对于预测每个第一车辆发生交通事故的风险因子更为准确。例如，每个第一车辆与其相邻车辆的距离较远时，当前车发生意外情况时，后车司机可以有相对较长的时间来采取措施，减少或避免发生交通事故。
在本发明实施例的一种可能的实现方式中，所述方法还包括：
判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故发生概率值是否大于预设第一阈值；如果判断结果为是，针对大于预设第一阈值的每个第一车辆，生成预警信息输出；和/或判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故的严重程度值是否大于预设第二阈值；如果判断结果为是，针对大于预设第二阈值的每个第一车辆，生成预警信息输出。
可以理解的是，大于预设第一阈值的第一车辆的数目可以是一辆或多辆，大于预设第二阈值的第一车辆的数目可以是一辆或多辆。
如图2a所示，本发明实施例所提供的一种道路发生交通事故的风险预测方法，包括以下步骤：
步骤S301～步骤S304与图1a所示的步骤S101～步骤S104相同，因此，这里不再赘述。
从步骤S305开始，所述道路发生交通事故的风险预测方法具体如下：
S305，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
步骤S305和图1a所示的S105类似，S305确定了每个第一车辆发生交通事故的交通事故发生概率值，而S105中确定了每个第一车辆发生交通事故的风险因子，该风险因子包括交通事故发生概率值和/或发生交通事故的严重程度值，所以，S305确定每个第一车辆发生交通事故的交通事故发生概率值的方法参照S105。
S306，对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息、所述每个第一车辆的历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
具体的，根据S305中获得的每个第一车辆发生交通事故的交通事故发生概率值，确定目标路段上所有车辆发生交通事故的交通事故发生概率值的平均值，也就是，对目标路段上的所有车辆发生交通事故的交通事故发生概率值求平均值，得到目标路段上所有车辆发生交通事故的交通事故发生概率值的平均值。所述平均车况信息包括：平均车龄、平均历史违章记录次数、车型分布、平均年检次数等，但不限于此。所述平均历史行为信息包括：平均闯红灯次数、平均超速次数、平均违规变道次数等，但不限于此。所述平均当前司机行为信息包括：平均打手机次数、平均吃东西次数，平均不系安全带人数等，但不限于此。所述道路状况信息包括：平均车速、平均前后车的相对距离及平均前后车的相对车速，但不限于此。
实际应用中，获得所述平均车速的步骤包括：获取目标路段上每个第一车辆的速度，根据每个第一车辆的速度，获得目标路段上的平均车速；
获得所述平均前后车的相对距离的步骤包括：获得所述在道路全景图中，获得每个第一车辆的相对位置关系，根据该相对位置，获得每个第一车辆与相邻车辆的相对距离，根据每个第一车辆与相邻车辆的相对距离，获得目标路段上所有车辆的平均前后车的相对距离。
获得所述平均前后车的相对车速的步骤包括：根据道路全景图中每个第一车辆的相对位置关系，及每个第一车辆的速度，获得每个第一车辆与该第一车辆相邻车辆的相对车速，基于所述相对车速，计算获得目标路段上所有车辆的平均前后车的相对车速。
S307，将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的。
将所获得的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息数值化，并将数值化后的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息，输入到预先设置的预测模型。需要注意的是，输入到该预测模型的信息都是数值化的信息。
S308，获得所述预测模型输出的道路发生交通事故的第一发生概率值；
预测模型根据输入其的数值化的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息，计算获得道路发生交通事故的第一发生概率值。
S309，将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
本发明实施例中，在所获得的每个第一车辆发生交通事故的交通事故发生概率值的基础上，计算获得该所有车辆发生交通事故的交通事故发生概率值的平均值，并结合所有车辆的平均车况信息、平均历史行为信息、以及所有车辆的平均当前司机行为信息和道路状况信息，确定道路发生交通事故的第一概率值。这样，在确定道路发生交通事故的第一发生概率值时，考虑了所有车辆发生交通事故的交通事故发生概率值，提高了道路发生交通事故的风险预测的准确性。
如图2b所示，本发明实施例所提供的一种道路发生交通事故的风险预测方法，包括以下步骤：
步骤S401～步骤S405与图1b所示的步骤S201～步骤S205相同，因此，这里不再赘述。
从步骤S406开始，所述道路发生交通事故的风险预测方法具体如下：
S406，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值；
其中，S406和图1b所示的S206类似，S406确定每个第一车辆发生交通事故的交通事故发生概率值，而S206中确定每个第一车辆发生交通事故的初始的风险因子，该风险因子包括交通事故发生概率值和/或发生交通事故的严重程度值，所以S406中确定每个第一车辆发生交通事故的交通事故发生概率值的步骤参照S206。
S407，针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和相对速度，对该第一车辆发生交通事故的初始的交通事故发生概率值进行修正，获得所述每个第一车辆发生交通事故的最终的交通事故发生概率值；将所获得的每个第一车辆发生交通事故的最终的交通事故发生概率值作为每个第一车辆发生交通事故的交通事故发生概率值；
其中，S407和图1b所示的S207类似，S407在考虑每个第一车辆与其相邻车辆的相对距离和相对速度的基础上，对每个第一车辆发生交通事故的初始的交通事故发生概率值进行修正，而S207中是在考虑每个第一车辆与其相邻车辆的相对距离和相对速度的基础上，对每个第一车辆发生交通事故的初始的风险因子进行修正，该风险因子包括交通事故发生概率值和/或发生交通事故的严重程度值，所以S407中对每个第一车辆发生交通事故的初始的交通事故发生概率值进行修正的参照S207。
S408，对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息、所述每个第一车辆的历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
其中，S408与图2a中的步骤S306相同，此处不再赘述。
S409，将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
这里，需要对所获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和道路状况信息数值化，并将数值化后的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和道路状况信息输入至预先设置的预测模型，使得预测模型输出数值化的值。
S410，获得所述预测模型输出的道路发生交通事故的第一发生概率值；
S411，将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
本发明实施例中，对所获得的每个第一车辆发生交通事故的初始的交通事故发生概率值进行修正，获得每个第一车辆发生交通事故的最终的交通事故发生概率值的基础上，计算获得该车辆发生交通事故的交通事故发生概率值的平均值，并结合所有车辆的平均车况信息、平均历史行为信息、以及所有车辆的平均当前司机行为信息和道路状况信息，确定道路发生交通事故的第一概率值。这样，在确定道路发生交通事故的第一发生概率值时，考虑了每个第一车辆发生交通事故的交通事故发生概率值，提高了道路发生交通事故的风险预测的准确性。
在本发明实施例中，所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值的步骤，包括：针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值。可见，在确定每个第一车辆发生交通事故的初始的交通事故发生概率值时，需要将每个第一车辆的当前司机行为信息考虑进去，例如，当前司机行为信息包括：司机打电话，玩手机等，当司机开车的时候，玩手机，影响司机的注意力，使得当前的交通事故发生概率值的增加。
在本发明实施例的一中可能的实现方式中，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值，包括：
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆发生交通事故的交通事故发生概率值作为该第一车辆发生交通事故的初始的交通事故发生概率值。
在本发明实施例的一中可能的实现方式中，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值的步骤，包括：
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；获得所述每个分类器输出的交通事故发生概率值作为该每个第一车辆发生交通事故的初始的交通事故发生概率值。
在本发明实施例，所述针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和速度关系，对该第一车辆发生交通事故的初始的交通事故发生概率值进行修正，获得所述每个第一车辆发生交通事故的最终的交通事故发生概率值的步骤，包括：
针对每个第一车辆发生交通事故的初始的交通事故发生概率值，用如下公式分别进行计算，获得每个第一车辆发生交通事故的最终的交通事故发生概率值：
其中，
为第i辆车发生第t种交通事故的最终的交通事故发生概率值，
为第i辆车发生第t种交通事故的初始的交通事故发生概率值，Ni为与第i辆车相邻的车辆数量或者与第i辆车距离小于第二预设值的车辆数目，d为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，v为第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的交通事故发生概率值，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数；
将所获得的每个第一车辆发生交通事故的最终的交通事故发生概率值作为每个第一车辆发生交通事故的交通事故发生概率值。
在本发明实施例的一种可能的实现方式中，该道路发生交通事故的风险预测方法还包括：判断所述预测模型输出的道路发生交通事故的第一发生概率值是否大于预设第三阈值；如果判断结果为是，生成预警信息输出。
实际应用中，当确定的第一发生概率大于预设第三阈值时，就生成并输出预警信息。目标路段上的道路管理员、司机、交警等人员通过道路电子屏接收到预警信息，采取规避交通事故发生的措施，从而有效降低车辆及道路发生交通事故的风险。
如图3a所示，本发明实施例所提供的一种车辆发生交通事故的风险预测装置，所述装置包括：
第一获得单元301a，用于获得目标路段上的监控视频；
处理单元302a，用于根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
查找单元303a，用于根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
第二获得单元304a，用于获取目标路段在拍摄所述监控视频时的环境状况信息；
第一确定单元305a，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
第二确定单元306a，用于将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
本发明实施例，通过所获得目标路段上的监控视频，获得视频结构化信息，并根据该视频结构化信息中的车牌号码信息，在预设数据库中查询该目标路段上每个第一车辆的车况信息和历史行为信息，同时，获得拍摄所述监控视频时的环境状况信息，由所获得的车况信息和历史行为信息、环境状况信息，结合目标路段上发生交通事故的历史信息，确定每个第一车辆发生交通事故的风险因子，就能够获得车辆的风险预测结果。
如图3b所示，本发明实施例所提供的一种车辆发生交通事故的风险预测装置，该装置包括；
其中，第一获得单元301b、处理单元302b、查找单元303b及第二获得单元304b与图3a所示的第一获得单元301a、处理单元302a、查找单元303a及第二获得单元304a相同，此处不再赘述。
接收单元305b，用于接收所述目标路段上的每个第一车辆的速度；
第三获得单元306b，用于根据所述监控视频，获得所述目标路段的道路全景图；
第四获得单元307b，用于根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对距离；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
第一确定单元308b，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的风险因子；
修正单元309b，用于针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和相对速度，对该第一车辆发生交通事故的初始的风险因子进行修正，获得所述每个第一车辆发生交通事故的最终的风险因子；
第二确定单元310b，用于将所述每个第一车辆发生交通事故的最终的风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
本发明实施例中，根据所获得的每个第一车辆与其相邻车辆的相对距离和相对速度，修正每个第一车辆发生交通事故的初始的风险因子，得到每个第一车辆发生交通事故的最终的风险因子，将最终的风险因子作为预测车辆发生交通事故的风险预测结果。可见，应用本发明实施，提高了车辆发生交通事故的风险预测的准确性。
在本发明实施例中，所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
所述第一确定单元308b具体用于，针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的风险因子。
所述第一确定子单元308b具体用于，获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆的交通事故发生概率值和/或发生交通事故的严重程度作为该第一车辆发生交通事故的初始的风险因子。
所述第一确定子单元308b具体用于针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；获得所述每个分类器输出的交通事故发生概率值和/或发生交通事故的严重程度值作为该第一车辆发生交通事故的初始的风险因子。
在本发明实施例的一种可能的实现方式中，所述修正子单元309b具体用于，
针对每个第一车辆发生交通事故的初始的风险因子中的每种交通事故发生概率值和/或发生交通事故的严重程度值，用如下公式分别进行计算，获得所述每个第一车辆发生交通事故的最终的风险因子：
其中，
为第i辆车发生第t种交通事故的最终的风险因子，
为第i辆车发生第t种交通事故的初始的风险因子，Ni为与第i辆车相邻的车辆数量或者与第i辆车的距离小于第一预设值的车辆数目，d为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，v为所述道路全景图信息中第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的风险因子，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数。
在本发明实施例的一种可能的实现方式中，所述装置还包括：
判断单元，用于判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故发生概率值是否大于预设第一阈值；如果判断结果为是，针对大于预设第一阈值的每个第一车辆，生成预警信息输出；和/或，判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故的严重程度值是否大于预设第二阈值；如果判断结果为是，针对大于预设第二阈值的每个第一车辆，生成预警信息输出。
如图4a所示，本发明实施例所提供的一种道路发生交通事故的风险预测装置，所述装置包括：
其中，本发明实施例中的第一获得单元401a、处理单元402a、查找单元403a和第二获得单元404a分别与图3a所示实施例中的第一获得单元301a、处理单元302a、查找单元303a和第二获得单元304a相同，因此，这里不再赘述。
第一确定单元405a，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
第三获得单元406a，用于对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息、所述每个第一车辆的历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
输入单元407a，用于将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
第四获得单元408a，用于获得所述预测模型输出的道路发生交通事故的第一发生概率值；
第二确定单元409a，用于将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
本发明实施例中，通过所获得目标路段上的监控视频，获得视频结构化信息，并根据该视频结构化信息中的车牌号码信息，在预设数据库中查询该目标路段上每个第一车辆的车况信息和历史行为信息，同时，获得拍摄所述监控视频时的环境状况信息，由所获得的车况信息和历史行为信息、环境状况信息，结合目标路段上发生交通事故的历史信息，确定每个第一车辆发生交通事故的交通事故发生概率值，并计算得到所有车辆发生交通事故的交通事故发生概率值的平均值，并结合所有车辆的平均车况信息、平均历史行为信息、以及所有车辆的平均当前司机行为信息和道路状况信息，确定道路发生交通事故的第一概率值作为目标路段的道路发生交通事故的风险预测结果。本发明实施例中，考虑了所有车辆发生交通事故的交通事故发生概率值的平均值，提高了道路发生交通事故的风险预测的准确性。
如图4b所示，本发明实施例所提供的一种道路发生交通事故的风险预测装置，该装置包括：
需要说明的是，本实施例中的第一获得单元401b、处理单元402b、查找单元403b和第二获得单元404b分别与图3a所示的第一获得单元301a、处理单元302a、查找单元303a和第二获得单元304a相同，因此，这里不再赘述。
接收单元405b，用于接收所述目标路段上的每个第一车辆的速度；
第三获得单元406b，用于根据所述监控视频，获得所述目标路段的道路全景图；
第四获得单元407b，具体用于根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对距离；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
第一确定单元408b，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值；
修正单元409b，用于针对每个第一车辆，根据该第一车辆与其相邻车辆的相对速度和相对距离，对该第一车辆发生交通事故的初始的交通事故发生概率值进行修正，获得所述每个第一车辆发生交通事故的最终的交通事故发生概率值；将所获得的每个第一车辆发生交通事故的最终的交通事故发生概率值作为每个第一车辆发生交通事故的交通事故发生概率值。
第五获得单元410b，用于对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息和历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
输入单元411b，用于将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
第六获得单元412b，用于获得所述预测模型输出的道路发生交通事故的第一发生概率值；
第二确定单元413b，用于将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
本发明实施例，根据所获得的每个第一车辆与其相邻车辆的相对距离和相对速度，修正每个第一车辆发生交通事故的初始的交通事故发生概率值，得到每个第一车辆发生交通事故的交通事故发生概率值，并结合所有车辆的平均车况信息、平均历史行为信息、以及所有车辆的平均当前司机行为信息和道路状况信息，确定道路发生交通事故的第一概率值作为目标路段的道路发生交通事故的风险预测结果。应用本发明实施例，提高了道路发生交通事故的风险预测的准确性。
具体的，所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
所述第一确定单元408b，具体用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值。
其中，所述第一确定单元408b，具体用于获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆发生交通事故的交通事故发生概率值作为该第一车辆发生交通事故的初始的交通事故发生概率值。
所述第一确定子单元408b具体用于，针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；获得所述每个分类器输出的交通事故发生概率值作为该每个第一车辆发生交通事故的初始的交通事故发生概率值。
所述修正子单元409b，具体用于针对每个第一车辆发生交通事故的初始的交通事故发生概率值，用如下公式分别进行计算，获得每个第一车辆发生交通事故的最终的交通事故发生概率值：
其中，
为第i辆车发生第t种交通事故的最终的交通事故发生概率值，
为第i辆车发生第t种交通事故的初始的交通事故发生概率值，Ni为与第i辆车相邻的车辆数量或者与第i辆车距离小于第二预设值的车辆数目，d为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，v为第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的交通事故发生概率值，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数。
在本发明实施例的一种可能的实现方式中，所述装置还包括：
判断单元，用于判断所述预测模型输出的道路发生交通事故的第一发生概率值是否大于预设第三阈值；用于如果判断结果为是，生成预警信息输出。
如图5a所示，本发明实施例所提供的一种车辆发生交通事故的风险预测系统，所述系统510包括：
视频监控设备511，用于采集目标路段上的监控视频；
车辆信息数据库512，用于存储所述目标路段上每个第一车辆的车况信息和历史行为信息；
智能分析服务器513，用于获得所述视频监控设备511采集的目标路段上的监控视频；根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；根据所述车牌号码信息，在所述车辆信息数据库512中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；在外部信息源系统514中获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
本发明实施例，通过所获得目标路段上的监控视频，获得视频结构化信息，并根据该视频结构化信息中的车牌号码信息，在预设数据库中查询该目标路段上每个第一车辆的车况信息和历史行为信息，同时，获得拍摄所述监控视频时的环境状况信息，由所获得的车况信息和历史行为信息、环境状况信息，结合目标路段上发生交通事故的历史信息，确定每个第一车辆发生交通事故的风险因子，就能够获得车辆的风险预测结果。
如图5b所示，本发明实施例所提供的一种车辆发生交通事故的风险预测系统，所述系统520包括：
其中，图5b中的视频监控设备521、车辆信息数据库522及智能分析服务器523与图5a中的视频监控设备511、车辆信息数据库512及智能分析服务器513相同，在此处不再赘述，其中，图5b中的外部信息源系统526不属于系统520。
传感器524，用于测量所述目标路段上的每个第一车辆的速度；
所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；
所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
所述智能分析服务器523具体用于，接收所述传感器524发送的所述目标路段上的每个第一车辆的速度；根据所述监控视频，获得所述目标路段的道路全景图；根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对距离；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息和所述第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆的交通事故发生概率值和/或发生交通事故的严重程度作为该第一车辆发生交通事故的初始的风险因子；
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；获得所述每个分类器输出的交通事故发生概率值和/或发生交通事故的严重程度值作为该第一车辆发生交通事故的初始的风险因子；
针对每个第一车辆发生交通事故的初始的风险因子中的每种交通事故发生概率值和/或发生交通事故的严重程度值，用如下公式分别进行计算，获得所述每个第一车辆发生交通事故的最终的风险因子：
其中，
为第i辆车发生第t种交通事故的最终的风险因子，
为第i辆车发生第t种交通事故的初始的风险因子，Ni为与第i辆车相邻的车辆数量或者与第i辆车的距离小于第一预设值的车辆数目，d为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，v为所述道路全景图信息中第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的风险因子，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数；
判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故发生概率值是否大于预设第一阈值；如果判断结果为是，针对大于预设第一阈值的每个第一车辆，生成预警信息输出；
和/或
判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故的严重程度值是否大于预设第二阈值；如果判断结果为是，针对大于预设第二阈值的每个第一车辆，生成预警信息输出。
预警设备525，用于接收所述智能分析服务器输出的预警信息。
如图6a所示，本发明实施例所提供的一种道路发生交通事故的风险预测系统，该系统610包括：
视频监控设备611，用于采集目标路段上的监控视频；
车辆信息数据库612，用于存储所述目标路段上每个第一车辆的车况信息和历史行为信息；
智能分析服务器613，用于获得所述视频监控设备611发送的所述目标路段上的监控视频；根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；根据所述车牌号码信息，在所述车辆信息数据库612中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；在外部信息源系统614中获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息、所述每个第一车辆的历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
获得所述预测模型输出的道路发生交通事故的第一发生概率值；将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
如图6b所示，本发明实施例所提供的一种道路发生交通事故的风险预测系统，该系统620包括：
图6b中的视频监控设备621、车辆信息数据库622及智能分析服务器623与图6a中的视频监控设备611、车辆信息数据库612及智能分析服务器613相同，在此处不再赘述，其中，图6b中的外部信息源系统不属于系统620。
传感器624，用于测量所述目标路段上的每个第一车辆的速度；
所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；
所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
所述智能分析服务器623具体用于，接收所述传感器624发送的所述目标路段上的每个第一车辆的速度；根据所述监控视频，获得所述目标路段的道路全景图；根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对速度；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆的交通事故发生概率值作为该第一车辆发生交通事故的初始的交通事故发生概率值；或者
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；获得所述每个分类器输出的交通事故发生概率值作为该每个第一车辆发生交通事故的初始的交通事故发生概率值；其中，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息；
针对每个第一车辆发生交通事故的初始的交通事故发生概率值，用如下公式分别进行计算，获得每个第一车辆发生交通事故的最终的交通事故发生概率值：
其中，
为第i辆车发生第t种交通事故的最终的交通事故发生概率值，
为第i辆车发生第t种交通事故的初始的交通事故发生概率值，Ni为与第i辆车相邻的车辆数量或者与第i辆车距离小于第二预设值的车辆数目，d为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，v为第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的交通事故发生概率值，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数；
将所获得的每个第一车辆发生交通事故的最终的交通事故发生概率值作为每个第一车辆发生交通事故的交通事故发生概率值；
判断所述预测模型输出的道路发生交通事故的第一发生概率值是否大于预设第三阈值；如果判断结果为是，生成预警信息输出。
预警设备625，用于接收所述智能分析服务器输出的预警信息。
对于装置及系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。
Claims (22)
1.一种车辆发生交通事故的风险预测方法，其特征在于，包括：
获得目标路段上的监控视频；
根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
2.根据权利要求1所述的方法，其特征在于，在所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子的步骤前，所述方法还包括：
接收所述目标路段上的每个第一车辆的速度；
根据所述监控视频，获得所述目标路段的道路全景图；
根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对距离；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子的步骤，包括：
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的风险因子；
针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和相对速度，对该第一车辆发生交通事故的初始的风险因子中的交通事故发生概率值和/或发生交通事故的严重程度值进行修正，获得所述每个第一车辆发生交通事故的最终的风险因子。
3.根据权利要求2所述的方法，其特征在于，所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；
所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的风险因子的步骤，包括：
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的风险因子。
4.根据权利要求3所述的方法，其特征在于，所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的风险因子的步骤，包括：
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；
针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息的对应评分；
根据所述对应评分，获得所述每个第一车辆的交通事故发生概率值和/或发生交通事故的严重程度作为该第一车辆发生交通事故的初始的风险因子。
5.根据权利要求3所述的方法，其特征在于，所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的风险因子的步骤，包括：
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；
获得所述每个分类器输出的交通事故发生概率值和/或发生交通事故的严重程度值作为该第一车辆发生交通事故的初始的风险因子。
6.根据权利要求4或5所述方法，其特征在于，所述针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和相对速度，对该第一车辆发生交通事故的初始的风险因子中的交通事故发生概率值和/或发生交通事故的严重程度值进行修正，获得所述每个第一车辆发生交通事故的最终的风险因子的步骤，包括：
针对每个第一车辆发生交通事故的初始的风险因子中的每种交通事故发生概率值和/或发生交通事故的严重程度值，用如下公式分别进行计算，获得所述每个第一车辆发生交通事故的最终的风险因子：
其中，
为第i辆车发生第t种交通事故的最终的风险因子，
为第i辆车发生第t种交通事故的初始的风险因子，Ni为与第i辆车相邻的车辆数量或者与第i辆车的距离小于第一预设值的车辆数目，dj为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，vj为所述道路全景图信息中第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的风险因子，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数。
7.根据权利要求6所述的方法，其特征在于，该方法还包括：
判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故发生概率值是否大于预设第一阈值；
如果判断结果为是，针对大于预设第一阈值的每个第一车辆，生成预警信息输出；
和/或
判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故的严重程度值是否大于预设第二阈值；
如果判断结果为是，针对大于预设第二阈值的每个第一车辆，生成预警信息输出。
8.一种道路发生交通事故的风险预测方法，其特征在于，包括：
获得目标路段上的监控视频；
根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息和历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
获得所述预测模型输出的道路发生交通事故的第一发生概率值；
将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
9.根据权利要求8所述的方法，其特征在于，在所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值的步骤前，该方法还包括：
接收所述目标路段上的每个第一车辆的速度；
根据所述监控视频，获得所述目标路段的道路全景图；
根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对速度；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值的步骤，包括：
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值；
针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和相对速度，对该第一车辆发生交通事故的初始的交通事故发生概率值进行修正，获得所述每个第一车辆发生交通事故的最终的交通事故发生概率值；
将所述每个第一车辆发生交通事故的最终的交通事故发生概率值确定为所述每个第一车辆发生交通事故的交通事故发生概率值。
10.根据权利要求9所述的方法，其特征在于，包括：
所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；
所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值的步骤，包括：
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值。
11.根据权利要求10所述的方法，其特征在于，所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值，包括：
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；
针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息的对应评分；
根据所述对应评分，获得所述每个第一车辆发生交通事故的交通事故发生概率值作为该第一车辆发生交通事故的初始的交通事故发生概率值。
12.根据权利要求10所述的方法，其特征在于，所述针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，确定所述每个第一车辆发生交通事故的初始的交通事故发生概率值的步骤，包括：
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；
获得所述每个分类器输出的交通事故发生概率值作为该每个第一车辆发生交通事故的初始的交通事故发生概率值。
13.根据权利要求11或12所述方法，其特征在于，所述针对每个第一车辆，根据该第一车辆与其相邻车辆的相对距离和速度关系，对该第一车辆发生交通事故的初始的交通事故发生概率值进行修正，获得所述每个第一车辆发生交通事故的最终的交通事故发生概率值的步骤，包括：
针对每个第一车辆发生交通事故的初始的交通事故发生概率值，用如下公式分别进行计算，获得每个第一车辆发生交通事故的最终的交通事故发生概率值：
其中，
为第i辆车发生第t种交通事故的最终的交通事故发生概率值，
为第i辆车发生第t种交通事故的初始的交通事故发生概率值，Ni为与第i辆车相邻的车辆数量或者与第i辆车距离小于第二预设值的车辆数目，dj为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，vj为第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的交通事故发生概率值，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数。
14.根据权利要求8所述的方法，其特征在于，所述方法还包括：
判断所述预测模型输出的道路发生交通事故的第一发生概率值是否大于预设第三阈值；
如果判断结果为是，生成预警信息输出。
15.一种车辆发生交通事故的风险预测装置，其特征在于，包括：
第一获得单元，用于获得目标路段上的监控视频；
处理单元，用于根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
查找单元，用于根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
第二获得单元，用于获取目标路段在拍摄所述监控视频时的环境状况信息；
第一确定单元，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
第二确定单元，用于将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
16.一种道路发生交通事故的风险预测装置，其特征在于，包括：
第一获得单元，用于获得目标路段上的监控视频；
处理单元，用于根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；
查找单元，用于根据所述车牌号码信息，在预设数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；
第二获得单元，用于获取目标路段在拍摄所述监控视频时的环境状况信息；
第一确定单元，用于针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
第三获得单元，用于对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息和历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
输入单元，用于将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和所述目标路段上的道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
第四获得单元，用于获得所述预测模型输出的道路发生交通事故的第一发生概率值；
第二确定单元，用于将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
17.一种车辆发生交通事故的风险预测系统，其特征在于，所述系统包括：
视频监控设备，用于采集目标路段上的监控视频；
车辆信息数据库，用于存储所述目标路段上每个第一车辆的车况信息和历史行为信息；
智能分析服务器，用于获得所述视频监控设备采集的目标路段上的监控视频；根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；根据所述车牌号码信息，在所述车辆信息数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；在外部信息源系统中获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息，确定所述每个第一车辆发生交通事故的风险因子；所述风险因子包括：交通事故发生概率值和/或发生交通事故的严重程度值，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
将所述风险因子确定为所述目标路段的车辆发生交通事故的风险预测结果。
18.根据权利要求17所述的系统，其特征在于，所述系统还包括：
传感器，用于测量所述目标路段上的每个第一车辆的速度；
所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；
所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
所述智能分析服务器具体用于，接收所述传感器发送的所述目标路段上的每个第一车辆的速度；根据所述监控视频，获得所述目标路段的道路全景图；根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对距离；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息和所述第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆的交通事故发生概率值和/或发生交通事故的严重程度作为该第一车辆发生交通事故的初始的风险因子；或者，
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述的环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；获得所述每个分类器输出的交通事故发生概率值和/或发生交通事故的严重程度值作为该第一车辆发生交通事故的初始的风险因子；
针对每个第一车辆发生交通事故的初始的风险因子中的每种交通事故发生概率值和/或发生交通事故的严重程度值，用如下公式分别进行计算，获得所述每个第一车辆发生交通事故的最终的风险因子：
其中，
为第i辆车发生第t种交通事故的最终的风险因子，
为第i辆车发生第t种交通事故的初始的风险因子，Ni为与第i辆车相邻的车辆数量或者与第i辆车的距离小于第一预设值的车辆数目，dj为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，vj为所述道路全景图信息中第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的风险因子，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数；
判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故发生概率值是否大于预设第一阈值；如果判断结果为是，针对大于预设第一阈值的每个第一车辆，生成预警信息输出；和/或
判断所述每个第一车辆发生交通事故的最终的风险因子中的每种交通事故的严重程度值是否大于预设第二阈值；如果判断结果为是，针对大于预设第二阈值的每个第一车辆，生成预警信息输出。
19.根据权利要求18所述的系统，其特征在于，所述系统还包括：
预警设备，用于接收所述智能分析服务器输出的预警信息。
20.一种道路发生交通事故的风险预测系统，其特征在于，所述系统包括：
视频监控设备，用于采集目标路段上的监控视频；
车辆信息数据库，用于存储所述目标路段上每个第一车辆的车况信息和历史行为信息；
智能分析服务器，用于获得所述视频监控设备采集的所述目标路段上的监控视频；根据所述监控视频，获得视频结构化信息；所述视频结构化信息至少包括所述目标路段上每个第一车辆的车牌号码信息；根据所述车牌号码信息，在所述车辆信息数据库中查询所述目标路段上每个第一车辆的车况信息和历史行为信息；在外部信息源系统中获取目标路段在拍摄所述监控视频时的环境状况信息；
针对所述每个第一车辆，根据所述目标路段发生交通事故的历史信息、所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息，确定所述每个第一车辆发生交通事故的交通事故发生概率值；所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息；
对所述目标路段上的每个第一车辆的信息进行统计，获得所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息；所述每个第一车辆的信息，包括：所述视频结构化信息、所述每个第一车辆的车况信息、所述每个第一车辆的历史行为信息、所述每个第一车辆发生交通事故的交通事故发生概率值；
将获得的所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及所有车辆的平均当前司机行为信息和道路状况信息，输入至预先设置的预测模型中，所述预测模型是预先针对历史上发生的一种交通事故，对每个发生该种交通事故所述目标路段上的所有车辆的平均车况信息、平均历史行为信息、发生交通事故的交通事故发生概率值的平均值、以及平均当前司机行为信息和所述目标路段上的道路状况信息，以及发生该种交通事故时的环境状况信息进行训练获得的；
获得所述预测模型输出的道路发生交通事故的第一发生概率值；将所述第一发生概率值确定为所述目标路段的道路发生交通事故的风险预测结果。
21.根据权利要求20所述的系统，其特征在于，所述系统还包括：
传感器，用于测量所述目标路段上的每个第一车辆的速度；
所述视频结构化信息还包括：所述每个第一车辆的当前司机行为信息；
所述历史信息还包括：发生每种交通事故时，所述第二车辆的当前司机行为信息；
所述智能分析服务器具体用于，接收所述传感器发送的所述目标路段上的每个第一车辆的速度；根据所述监控视频，获得所述目标路段的道路全景图；根据所述道路全景图，获得所述每个第一车辆与其相邻车辆的相对速度；根据所述道路全景图和所述每个第一车辆的速度，获得所述每个第一车辆与其相邻车辆的相对速度；
获取已存储的评分表，所述评分表是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的所述历史信息进行评分的表；针对所述每个第一车辆，在所述评分表中查找该每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述第一车辆的当前司机行为信息的对应评分；根据所述对应评分，获得所述每个第一车辆的交通事故发生概率值作为该第一车辆发生交通事故的初始的交通事故发生概率值；
针对所述每个第一车辆，将所述每个第一车辆的车况信息和历史行为信息，以及所述环境状况信息和所述每个第一车辆的当前司机行为信息，输入至多个预设的分类器中，每个分类器对应所述目标路段历史上发生的一种交通事故；所述每个分类器，是预先针对历史上发生的一种交通事故，对每个发生该种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息进行训练获得的；
获得所述每个分类器输出的交通事故发生概率值作为该每个第一车辆发生交通事故的初始的交通事故发生概率值；其中，所述历史信息包括：所述目标路段历史上发生的一种交通事故的第二车辆的车况信息和历史行为信息，以及发生该种交通事故时的环境状况信息和所述第二车辆的当前司机行为信息；
针对每个第一车辆发生交通事故的初始的交通事故发生概率值，用如下公式分别进行计算，获得每个第一车辆发生交通事故的最终的交通事故发生概率值：
其中，
为第i辆车发生第t种交通事故的最终的交通事故发生概率值，
为第i辆车发生第t种交通事故的初始的交通事故发生概率值，Ni为与第i辆车相邻的车辆数量或者与第i辆车距离小于第二预设值的车辆数目，dj为所述道路全景图信息中的第i辆车和第j辆车之间的相对距离，vj为第i辆车和第j辆车之间的相对速度，
为第i辆车和第j辆车之间的相对距离影响因子，
为第i辆车和第j辆车之间的相对速度影响因子，Xtτ为前车发生事故t类型导致后车发生τ事故类型或加剧后车事故严重程度的影响因子，
为第j辆车发生第τ种交通事故的初始的交通事故发生概率值，T为事故类型集合，t为前车发生事故类型，τ为后车发生事故类型，a、β、γ、η、Xtτ分别为预设常数，均为0～1之间的任一小数；
将所述每个第一车辆发生交通事故的最终的交通事故发生概率值确定为所述每个第一车辆发生交通事故的交通事故发生概率值；
判断所述预测模型输出的道路发生交通事故的第一发生概率值是否大于预设第三阈值；如果判断结果为是，生成预警信息输出。
22.根据权利要求21所述的系统，其特征在于，所述系统还包括：
预警设备，用于接收所述智能分析服务器输出的预警信息。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611111798.2A CN108154681B (zh) | 2016-12-06 | 2016-12-06 | 发生交通事故的风险预测方法、装置及系统 |
| PCT/CN2017/090874 WO2018103313A1 (zh) | 2016-12-06 | 2017-06-29 | 发生交通事故的风险预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611111798.2A CN108154681B (zh) | 2016-12-06 | 2016-12-06 | 发生交通事故的风险预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108154681A CN108154681A (zh) | 2018-06-12 |
| CN108154681B true CN108154681B (zh) | 2020-11-20 |
Family
ID=62468416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611111798.2A Active CN108154681B (zh) | 2016-12-06 | 2016-12-06 | 发生交通事故的风险预测方法、装置及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108154681B (zh) |
| WO (1) | WO2018103313A1 (zh) |
Families Citing this family (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146217A (zh) * | 2017-06-19 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 行程安全评估方法、装置、服务器、计算机可读存储介质 |
| CN108357496A (zh) * | 2018-02-12 | 2018-08-03 | 北京小马智行科技有限公司 | 自动驾驶控制方法及装置 |
| WO2019242286A1 (en) * | 2018-06-19 | 2019-12-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for allocating service requests |
| CN110766258B (zh) * | 2018-07-25 | 2022-04-01 | 阿里巴巴（中国）有限公司 | 一种道路风险的评估方法及装置 |
| CN109558969A (zh) * | 2018-11-07 | 2019-04-02 | 南京邮电大学 | 一种基于AdaBoost-SO的VANETs车辆事故风险预测模型 |
| CN109615852B (zh) * | 2018-11-20 | 2021-03-30 | 上海海事大学 | 一种突发事故下路段交通流分配快速预测的方法 |
| WO2020225634A1 (en) * | 2019-05-06 | 2020-11-12 | 3M Innovative Properties Company | Risk assessment for temporary zones |
| CN110458244B (zh) * | 2019-08-20 | 2021-03-30 | 合肥工业大学 | 一种应用于区域路网的交通事故严重度预测方法 |
| CN111862628B (zh) * | 2019-10-24 | 2022-11-08 | 联友智连科技有限公司 | 基于云服务器的车速定制系统及方法 |
| CN110867076B (zh) * | 2019-11-05 | 2021-02-26 | 武汉理工大学 | 一种交通事故预测方法及装置 |
| CN111179141B (zh) * | 2019-12-04 | 2023-05-09 | 江苏大学 | 一种基于双阶段分类的事故多发路段识别方法 |
| CN111159478A (zh) * | 2019-12-31 | 2020-05-15 | 上海依图网络科技有限公司 | 一种基于视频解析的事件预测方法、装置及其介质和系统 |
| CN111354225B (zh) * | 2020-03-03 | 2022-05-03 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路车辆事故风险评估及预警干预方法 |
| CN111339168B (zh) * | 2020-03-06 | 2023-08-22 | 德联易控科技(北京)有限公司 | 数据处理方法、装置、系统、存储介质和处理器 |
| CN112150807B (zh) * | 2020-09-18 | 2024-01-09 | 腾讯科技（深圳）有限公司 | 车辆预警方法和装置、存储介质及电子设备 |
| CN114446042B (zh) * | 2020-11-04 | 2023-11-24 | 腾讯科技（深圳）有限公司 | 预警交通事故的方法、装置、设备以及存储介质 |
| CN112735124B (zh) * | 2020-12-16 | 2022-05-20 | 阿波罗智联(北京)科技有限公司 | 交通数据的分析方法、装置、设备、车辆及存储介质 |
| CN112802335B (zh) * | 2020-12-31 | 2023-04-07 | 维特瑞交通科技有限公司 | 一种基于北斗导航系统的智能交通管理方法 |
| CN112927497B (zh) * | 2021-01-14 | 2023-01-17 | 阿里巴巴集团控股有限公司 | 一种浮动车识别方法、相关方法和装置 |
| CN113066287B (zh) * | 2021-03-24 | 2022-04-26 | 公安部交通管理科学研究所 | 一种高速公路交通事故现场风险主动防控方法及系统 |
| CN113256997B (zh) * | 2021-04-30 | 2022-09-06 | 贵州数据宝网络科技有限公司 | 一种交通车辆违规行为检测装置及方法 |
| CN113096405B (zh) * | 2021-06-10 | 2021-09-03 | 天津所托瑞安汽车科技有限公司 | 预测模型的构建方法、车辆事故预测方法及装置 |
| CN113536949B (zh) * | 2021-06-21 | 2023-07-28 | 上汽通用五菱汽车股份有限公司 | 事故危险等级评估方法、装置及计算机可读存储介质 |
| CN113744526B (zh) * | 2021-08-25 | 2022-12-23 | 贵州黔通智联科技股份有限公司 | 一种基于lstm和bf的高速公路风险预测方法 |
| CN113888866B (zh) * | 2021-09-30 | 2022-09-06 | 苏州百宁通智能科技有限公司 | 一种具有多级预警功能的道路车辆管理系统 |
| CN113749915B (zh) * | 2021-10-13 | 2023-09-01 | 中国计量大学 | 一种场景复现的导盲方法与系统 |
| CN114333317B (zh) * | 2021-12-31 | 2023-06-02 | 杭州海康威视数字技术股份有限公司 | 一种交通事件的处理方法、装置、电子设备及存储介质 |
| WO2023132800A2 (en) * | 2022-01-06 | 2023-07-13 | Xena Vision Yazilim Ve Savunma Anonim Sirketi | A method for anticipation detection and prevention in a 3d environment |
| CN115100846A (zh) * | 2022-05-09 | 2022-09-23 | 山东金宇信息科技集团有限公司 | 一种隧道内的道路事故预测方法、设备及介质 |
| CN115691130B (zh) * | 2022-10-28 | 2023-08-25 | 易点无忧(北京)网络科技有限责任公司 | 交通事故通畅时长预测系统 |
| CN117494589B (zh) * | 2024-01-03 | 2024-04-09 | 北京中机车辆司法鉴定中心 | 基于车身颜色的车辆事故预测方法、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198685A (zh) * | 2013-03-15 | 2013-07-10 | Tcl集团股份有限公司 | 一种实现驾驶安全预警的方法、系统 |
| CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
| CN104732075A (zh) * | 2015-03-06 | 2015-06-24 | 中山大学 | 一种城市道路交通事故风险实时预测方法 |
| CN104867327A (zh) * | 2014-02-21 | 2015-08-26 | 中国移动通信集团公司 | 一种驾驶安全监测方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4578795B2 (ja) * | 2003-03-26 | 2010-11-10 | 富士通テン株式会社 | 車両制御装置、車両制御方法および車両制御プログラム |
| JP4940206B2 (ja) * | 2008-09-09 | 2012-05-30 | 株式会社東芝 | 道路交通情報提供システム及び方法 |
| KR101711025B1 (ko) * | 2011-04-21 | 2017-02-28 | 한국전자통신연구원 | 우선 관제 대상 선정 장치와 방법 및 대상물 관제 장치 |
| CN103198711B (zh) * | 2013-03-21 | 2014-12-17 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
| CN103531042B (zh) * | 2013-10-25 | 2015-08-19 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
| US9519670B2 (en) * | 2014-08-29 | 2016-12-13 | Ford Global Technologies, Llc | Method and apparatus for road risk indices generation |
| CN105719510B (zh) * | 2016-04-15 | 2018-07-06 | 江苏大学 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
-
2016
- 2016-12-06 CN CN201611111798.2A patent/CN108154681B/zh active Active
-
2017
- 2017-06-29 WO PCT/CN2017/090874 patent/WO2018103313A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198685A (zh) * | 2013-03-15 | 2013-07-10 | Tcl集团股份有限公司 | 一种实现驾驶安全预警的方法、系统 |
| CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
| CN104867327A (zh) * | 2014-02-21 | 2015-08-26 | 中国移动通信集团公司 | 一种驾驶安全监测方法及装置 |
| CN104732075A (zh) * | 2015-03-06 | 2015-06-24 | 中山大学 | 一种城市道路交通事故风险实时预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108154681A (zh) | 2018-06-12 |
| WO2018103313A1 (zh) | 2018-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154681B (zh) | 发生交通事故的风险预测方法、装置及系统 | |
| US10933881B1 (en) | System for adjusting autonomous vehicle driving behavior to mimic that of neighboring/surrounding vehicles | |
| CN108513674B (zh) | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 | |
| DE102016000532B4 (de) | Verfahren und Vorrichtung zum Betreiben eines Verkehrsüberwachungsgerätes, Verkehrsüberwachungsgerät und Verkehrsüberwachungssystem | |
| KR101617349B1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
| CN108877213B (zh) | 交通事故的识别方法及系统 | |
| US20220327406A1 (en) | Systems and methods for classifying driver behavior | |
| EP2562735A1 (de) | Verfahren und Vorrichtung zur Analysierung eines von einem Fahrzeug zu befahrenden Streckenabschnitts | |
| US11361556B2 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
| US9870708B2 (en) | Methods for enabling safe tailgating by a vehicle and devices thereof | |
| CN110807930A (zh) | 危险车辆预警方法及装置 | |
| CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
| US20170091872A1 (en) | Apparatus and method for evaluating driving ability, and program for causing computer to perform method | |
| CN111025297A (zh) | 一种车辆监测方法、装置、电子设备及存储介质 | |
| Gao et al. | Predicting hazardous driving events using multi-modal deep learning based on video motion profile and kinematics data | |
| CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 | |
| US20210201665A1 (en) | Apparatus and method for correlating environment data with traffic data | |
| CN115019514B (zh) | 一种基于车联网的公路巡查系统 | |
| US20230103670A1 (en) | Video analysis for efficient sorting of event data | |
| Ebner et al. | Identifying and analyzing reference scenarios for the development and evaluation of active safety: application to preventive pedestrian safety | |
| Zhou et al. | Comparison of factors affecting crash severities in hit-and-run and non-hit-and-run crashes | |
| CN113380039B (zh) | 数据处理方法、装置和电子设备 | |
| JP7276276B2 (ja) | 危険運転検出装置、危険運転検出システム、及び危険運転検出プログラム | |
| JP7347390B2 (ja) | 運転評価装置、運転評価システム、及び運転評価プログラム | |
| JP2023012147A (ja) | 運転評価装置、運転評価システム、及び運転評価プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |