CN111814081B - 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质 - Google Patents

高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN111814081B
CN111814081B CN202010651561.3A CN202010651561A CN111814081B CN 111814081 B CN111814081 B CN 111814081B CN 202010651561 A CN202010651561 A CN 202010651561A CN 111814081 B CN111814081 B CN 111814081B
Authority
CN
China
Prior art keywords
intersection
discriminator
node
training
detected
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
Application number
CN202010651561.3A
Other languages
English (en)
Other versions
CN111814081A (zh
Inventor
薄琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010651561.3A priority Critical patent/CN111814081B/zh
Publication of CN111814081A publication Critical patent/CN111814081A/zh
Application granted granted Critical
Publication of CN111814081B publication Critical patent/CN111814081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供的高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质，通过获取路口的路口特征以及与路口具有链接关系的节点的节点特征，在此基础上获得节点与路口之间、节点之间的链接信息。基于路口特征、节点特征以及链接信息，并通过预先训练得到的检测模型进行检测得到检测结果，根据检测结果判别路口是否为高危路口。该方案中结合节点特征、路口特征以及节点和路口之间、节点之间的链接信息，进行路口的检测判别，以节点和路口构成的图网络的信息进行检测判别，综合考虑了路口和节点单独的特征以及相互之间的关系，提高检测判别的准确性。

Description

高危路口检测方法、检测模型建立方法、装置、电子设备和可 读存储介质
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质。
背景技术
通过对历史交通事故数据的统计分析，发现大部分的交通事故，或者是说较为严重的交通事故，大多发生的道路路口处，例如十字路口、丁字路口等。因此，如何基于路口处的相关信息来对路口的情况进行检测、评估，以判定路口的危险情况，从而在司机将要到达危险性较高的路口时，提前对司机进行提醒十分重要。
目前，对路口的危险情况进行检测大多是基于机器学习的方法进行，但是目前的检测方法中多是对路口处的节点及其特征进行统计，例如商场、道路、医院、学校等，单纯的历史统计值难以体现出实际的人流、车流情况等，导致得到的检测结果与实际情况相差较远，检测准确率低。
发明内容
有鉴于此，本申请的目的在于提供一种高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质，能够通过综合考虑路口和节点单独特征以及相互之间的关系，达到提高检测判别的准确性的效果。
第一方面，本发明实施例提供一种高危路口检测方法，所述方法包括：
获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；
获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息；
将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；
根据所述检测结果判别所述待检测路口是否为高危路口。
在可选的实施方式中，所述获得各所述节点与所述待检测路口之间的链接信息的步骤，包括：
获得各所述节点的位置信息以及所述待检测路口的位置信息；
针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角；
根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。
在可选的实施方式中，所述获取待检测路口的路口特征的步骤，至少包括以下步骤之一：
获取待检测路口的路口类型；或
获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或
获取待检测路口处的红绿灯信息。
在可选的实施方式中，所述节点包括道路节点，所述道路节点的节点特征包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。
在可选的实施方式中，所述节点包括POI信息节点，所述POI信息节点的节点特征包括POI信息节点的节点类型、历史时段内在距离所述POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内所述POI信息节点处的人流量中的至少一种。
在可选的实施方式中，所述检测模型包含第一判别器，所述将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果的步骤，包括：
通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量；
通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量；
通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。
在可选的实施方式中，所述方法还包括：
获取服务提供方的行驶导航信息；
在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。
在可选的实施方式中，在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息的步骤，包括：
在所述行驶导航信息中包含判定为高危路口的路口时，基于所述路口的位置信息以及所述服务提供方的实时位置信息，以在所述服务提供方相距所述路口的距离小于预设值时，向所述服务提供方发送提示信息。
第二方面，本发明实施例提供一种检测模型建立方法，所述检测模型用于进行高危路口检测，所述方法包括：
构建网络模型，所述网络模型包括第一判别器和第二判别器；
获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本；
利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型。
在可选的实施方式中，所述第一判别器和所述第二判别器包含共用的编码器，所述利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型的步骤，包括：
通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量；
通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量；
根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。
在可选的实施方式中，所述根据所述图向量对所述第一判别器进行训练的步骤，包括：
根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签；
比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。
在可选的实施方式中，所述根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练的步骤，包括：
将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果；
将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果；
调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。
在可选的实施方式中，所述预设条件为基于所述第一判别器构建的第一损失函数和基于所述第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。
第三方面，本发明实施例提供一种高危路口检测装置，所述装置包括：
特征获取模块，用于获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；
信息获得模块，用于获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息；
检测模块，用于将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；
判别模块，用于根据所述检测结果判别所述待检测路口是否为高危路口。
在可选的实施方式中，所述信息获得模块用于通过以下方式获得各所述节点与所述待检测路口之间的链接信息：
获得各所述节点的位置信息以及所述待检测路口的位置信息；
针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角；
根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。
在可选的实施方式中，所述特征获取模块用于通过以下至少一种方式获取待检测路口的路口特征：
获取待检测路口的路口类型；或
获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或
获取待检测路口处的红绿灯信息。
在可选的实施方式中，所述节点包括道路节点，所述道路节点的节点特征包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。
在可选的实施方式中，所述节点包括POI信息节点，所述POI信息节点的节点特征包括POI信息节点的节点类型、历史时段内在距离所述POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内所述POI信息节点处的人流量中的至少一种。
在可选的实施方式中，所述检测模型包含第一判别器，所述检测模块用于通过以下方式进行检测得到检测结果：
通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量；
通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量；
通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。
在可选的实施方式中，所述装置还包括提示模块，所述提示模块用于：
获取服务提供方的行驶导航信息；
在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。
在可选的实施方式中，所述提示模块用于通过以下方式向所述服务提供方发送提示信息：
在所述行驶导航信息中包含判定为高危路口的路口时，基于所述路口的位置信息以及所述服务提供方的实时位置信息，以在所述服务提供方相距所述路口的距离小于预设值时，向所述服务提供方发送提示信息。
第四方面，本发明实施例提供一种检测模型建立装置，所述检测模型用于进行高危路口检测，所述装置包括：
构建模块，用于构建网络模型，所述网络模型包括第一判别器和第二判别器；
样本获取模块，用于获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本；
训练模块，用于利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型。
在可选的实施方式中，所述第一判别器和所述第二判别器包含共用的编码器，所述训练模块用于通过以下方式训练得到检测模型：
通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量；
通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量；
根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。
在可选的实施方式中，所述训练模块用于通过以下方式对所述第一判别器进行训练：
根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签；
比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。
在可选的实施方式中，所述训练模块用于通过以下方式对所述第二判别器进行训练：
将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果；
将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果；
调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。
在可选的实施方式中，所述预设条件为基于所述第一判别器构建的第一损失函数和基于所述第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。
第五方面，本发明实施例提供一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如前述实施方式任一所述方法的步骤。
第六方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如前述实施方式任一所述方法的步骤。
基于上述任一方面，本申请提供的高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质，通过获取路口的路口特征以及与路口具有链接关系的节点的节点特征，在此基础上获得节点与路口之间、节点之间的链接信息。基于路口特征、节点特征以及链接信息，并通过预先训练得到的检测模型进行检测得到检测结果，根据检测结果判别路口是否为高危路口。该方案中结合节点特征、路口特征以及节点和路口之间、节点之间的链接信息，进行路口的检测判别，以节点和路口构成的图网络的信息进行检测判别，综合考虑了路口和节点单独的特征以及相互之间的关系，提高检测判别的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例提供的一种高危路口检测系统的架构示意图；
图2示出了本申请实施例提供的一种高危路口检测方法的流程图；
图3示出了本申请实施例提供的路口场景示意图；
图4示出了本申请实施例提供的路口与节点构成的图网络的示意图；
图5示出了本申请实施例提供的高危路口检测方法中，链接信息获得方法的流程图；
图6示出了本申请实施例提供的检测模型网络结构示意图；
图7示出了本申请实施例提供的高危路口检测方法中，获得检测结果的方法的流程图；
图8示出了本申请实施例提供的高危路口检测方法中，提示方法的流程图；
图9示出了本申请实施例提供的检测模型建立方法的流程图；
图10示出了本申请实施例提供的检测模型建立方法中，得到检测模型的方法的流程图；
图11示出了本申请实施例提供的检测模型建立方法中，训练第一判别器的方法的流程图；
图12示出了本申请实施例提供的检测模型建立方法中，训练第二判别器的方法的流程图；
图13示出了本申请实施例提供的高危路口检测装置的功能模块框图；
图14示出了本申请实施例提供的检测模型建立装置的功能模块框图；
图15示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“网约车”进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务请求方”、“服务需求方”、“服务请求端”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”、“服务提供端”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
本申请中的术语“服务请求”和“订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GLONASS)，罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等，或其任意组合。一个或多个上述定位系统可以在本申请中互换使用。
本申请的一个方面涉及一种高危路口检测系统。该系统可以通过获取与路口具有链接关系的节点的节点特征，以及节点与路口之间、节点与节点之间的链接信息。结合节点特征、路口特征、节点和路口之间以及节点之间的链接信息，进行路口的检测判别。以节点和路口构成的图网络的信息进行检测判别，综合考虑了路口和节点单独的特征以及相互之间的关系，提高检测判别的准确性。
值得注意的是，在本申请提出申请之前，在进行高危路口检测判别时，通常是采用机器学习的方法来实现。例如，首先对路口进行特征提取得到路口特征，然后以路口是否发生过事故作为高危路口标签，训练监督学习模型，如梯度提升迭代决策树(GradientBoosting Decision Tree,GBDT)模型预测路口是否为高危路口。其中，得到的路口特征包括路口的静态特征和动态特征的历史统计值。其中，静态特征如道路等级、道路宽度及有无红绿灯等，动态特征包括道路上车辆平均行驶速度、急刹车比例等。目前这类常用方式中，仅以路口特征及其历史统计值进行检测判别，并不能完整的表征路口场景的特性，导致得到的检测结果与实际情况相差较远，检测准确率低。
然而，本申请提供的高危路口检测方式，可以结合路口特征、节点特征、节点与路口之间的链接信息以及节点与节点之间的链接信息，进行路口的检测判别。以节点和路口构成的图网络的信息进行检测判别，综合考虑了路口和节点单独的特征以及相互之间的关系，可提高检测判别的准确性。
第一实施例
图1是本申请实施例提供的一种高危路口检测系统100的架构示意图。例如，高危路口检测系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。高危路口检测系统100可以包括服务器110、网络120、服务请求端130、服务提供端140、和数据库150中的一种或多种。
在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从服务请求端130获得的服务请求来确定目标车辆。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(M))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等，或其任意组合。
在一些实施例中，服务请求端130和服务提供端140对应的设备类型可以是移动设备，比如可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，也可以是平板计算机、膝上型计算机、或机动车辆中的内置设备等。
在一些实施例中，数据库150可以连接到网络120以与高危路口检测系统100中的一个或多个组件(例如，服务器110，服务请求端130，服务提供端140等)通信。高危路口检测系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到高危路口检测系统100中的一个或多个组件，或者，数据库150也可以是服务器110的一部分。
下面结合上述图1示出的高危路口检测系统100中描述的内容，对本申请实施例提供的高危路口检测方法进行详细说明。
第二实施例
参照图2所示，为本申请实施例提供的一种高危路口检测方法的流程示意图，该方法可以由高危路口检测系统100中的服务器110来执行。应当理解，在其它实施例中，本实施例所述的高危路口检测方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该高危路口检测方法的详细步骤介绍如下。
步骤S210，获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征。
步骤S220，获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息。
步骤S230，将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果。
步骤S240，根据所述检测结果判别所述待检测路口是否为高危路口。
通过对历史交通事故数据进行统计分析后发现，大部分的交通事故发生在路口附近。因此，如果能够基于路口的相关信息对路口的危险程度进行评估，从而在平台(如出行平台)上的服务提供方将要经过高危路口时，对服务提供方进行提前警示，将有助于保障服务提供方的出行安全。
本实施例中，考虑到路口附近的节点与路口的危险程度紧密相关，其中，节点可以是例如与路口连接的道路、路口附近的商场、学校、医院、地铁等。而现有技术中简单地以路口附近的节点的统计值的形式来体现路口特征，往往难以完整体征路口场景的特性。例如，如图3中所示的场景，针对图3中的路口，现有技术中往往简单地使用聚合到路口的特征“路口附近有一个地铁站、一个学校”。这样的特征难以清晰地表达出地铁站和学校与路口的关系，以及地铁站和学校之间的相互关系。实际情况下，根据图3中所示的场景，地铁站和学校分别位于路口的左上方和右下方，且分别与路口连接，则合理推断得到上学或放学的时间段内可能会有大量人流穿越路口往返于地铁站和学校之间，可能增加路口的危险性。
此外，针对一些场景复杂的路口，例如一个路口下包含多个子路口的情况，使用简单地聚合得到路口的统计特征(如路口链接道路数)将难以清晰地表示路口的实际几何结构。
因此，基于上述考虑，在本实施例中，针对待检测路口，首先获得待检测路口本身的路口特征，在此基础上，获得与待检测路口具有链接关系的各个节点的节点特征。其中，所谓的具有链接关系，可以是实际场景下，节点与路口之间存在可通行的道路，即物理上的连接关系。例如图3中所示的地铁站与路口之间本身具有连接的道路，即地铁站和路口之间具有链接关系。此外，该链接关系也可以是工作人员对节点是否归属于路口的划分所确定的，例如图3中所示的超市，在图中该超市与路口相距相对较远，可以认为两者之间没有之间连接的道路。但在实施过程中，工作人员发现该超市附近的人流情况较多地影响到路口的人流情况，则工作人员可以添加以建立该超市与路口之间的链接关系。
在此基础上，为了将包含路口以及多个节点的场景构建为彼此之间具有相互关系的图网络，本实施例中，获得各个节点与待检测路口之间的链接信息，以及节点之间的链接信息。其中，链接信息可以包含两者之间的距离、方位角等可以表征两者之间清晰的相对位置的信息。
本实施例中，节点与节点之间的链接信息可根据实际场景中，具有链接关系的节点得到。所谓的链接关系可参见上述节点与路口之间的链接关系。基于上述过程，则可以得到如图4中所示的包含路口以及多个节点的图网络形式。
本实施例中，预先基于历史样本训练得到检测模型，可将上述得到的路口特征、各个节点的节点特征、各个节点与待检测路口之间的链接信息以及节点之间的链接信息导入该检测模型。检测模型可对导入的信息进行处理，最终输出检测结果，该检测结果可以是一个二分类结果，也可以是一表示程度高低的数值形式的结果，具体不作限制。根据得到的检测结果可判别出待检测路口是否为高危路口。
本实施例所提供的高危路口检测方案，结合路口特征、节点特征、节点与路口之间的链接信息以及节点与节点之间的链接信息，进行路口检测判别。综合考虑了路口和节点单独的特征以及相互之间的关系，提高检测判别的准确性。
本实施例中，获取待检测路口的路口特征可以通过以下至少一种方式获得：
获取待检测路口的路口类型；或获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或获取待检测路口处的红绿灯信息。
其中，路口类型可以包括十字路口、丁字路口等，路口类型的不同可能影响到路口的危险程度。例如，对于路口较为复杂的十字路口，由于车流、人流情况复杂，将导致路口处的危险程度增加。因此，可将路口类型纳入路口的属性，以有助于路口危险性的判别。
此外，在用于向出行平台上的服务提供方进行危险性提醒时，出行平台上路口附近的发单情况也将影响到路口的危险程度。例如若某个路口的发单数量越高，表示在该路口的处的人流量越高，在该路口处需要坐车的用户越多，一定程度上该路口的危险程度也将增高。因此，在本实施例中，可统计在历史时段内，例如历史一周、历史十天等不限，在距离待检测路口预设范围内由服务需求方发起的服务请求次数。例如，可以是以待检测路口为中心的预设半径内的范围内发起的服务请求。即统计在历史一段时间内在待检测路口附近处用户发起的订单的数量。将获得的服务请求次数纳入待检测路口的属性信息中，以用于路口危险性的检测判别。
此外，路口处的红绿灯情况对于路口的交通安全尤为重要，若路口有设备完善的红绿灯，则相对来说，路口处的危险性较低。而若路口处没有红绿灯，将大大增加路口处的危险性。因此，本实施例中，还可获取待检测路口处的红绿灯信息，该红绿灯信息可以包括如有红绿灯、无红绿灯或者是红绿灯的完善程度等。
由上述可知，与待检测路口具有链接关系的节点包括道路节点，即与路口连接的道路。其中，获取的道路节点的节点特征可以包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。即可以包括上述特征中的一种、两种或多种的任意组合。
道路宽度一定程度影响到道路上的拥挤程度，例如若道路越窄，则道路上车流、人流越拥挤，将导致路口处的危险程度增加。而道路长度可能影响到后续道路的切换或后续路口的出现，例如，若道路长度越短，则在经过当前路口之后，可能紧接着将出现道路切换，或紧接着出现后一个路口，将导致危险程度增加。此外，道路相对于路口的角度影响到在经过当前路口后是否会紧接着出现较大弯度的转弯等。例如，若道路相对于路口的角度较大，则可能在经过当前路口后需要紧接着转过较大的弯度，将一定程度上增加危险的程度。
此外，道路上的车辆的行驶速度也将大大影响到路口的危险程度，因此，本实施例中，可通过统计历史时段内，如历史一周或历史十天内等，在该道路上行驶的车辆的平均行驶速度。
除了上述的道路节点特征之外，考虑到道路上的车辆的急刹车现象也将影响到路口的危险性，因此，还可统计历史时段内道路上的车辆的急刹车次数等作为道路节点特征。
由上述可知，与路口具有链接关系的节点还可包括如商场、超市、地铁等，这些节点类型可以统一归类为POI(Point of Information，信息点)信息节点。获取的POI信息节点的节点特征可以包括POI信息节点的节点类型、历史时段内在距离POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内POI信息节点处的人流量的中的至少一种。
其中，POI信息节点的节点类型即如超市、商场、地铁、学校等。而接收到的在POI信息节点的附近发起的订单数量体现出在POI信息节点附近需要坐车的用户的数量，例如在节点附近需要坐车的用户越多，则在该节点附近聚集的车辆越多，将一定程度上增加路口处的危险程度。此外，若POI信息节点处的人流量越大，也将一定程度上增加路口处的危险程度。
本实施例中，通过获取上述的路口特征、道路节点的节点特征、POI信息节点的节点特征，从而可以全面地得到路口以及各个节点本身的属性信息，有助于后续的路口检测判别。
为了避免如现有技术中以简单地统计信息来体现路口周边情况带来的弊端，本实施例中，通过获得链接信息来清晰表达节点与路口之间的相对关系。可选地，请参阅图5，上述获得节点与待检测路口之间的链接信息的步骤可通过以下方式实现：
步骤S221，获得各所述节点的位置信息以及所述待检测路口的位置信息。
步骤S222，针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角。
步骤S223，根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。
本实施例中，可基于全球定位系统或全球导航卫星系统等方式，获得待检测路口的位置信息以及各个节点的位置信息。最后得到的链接信息可包括基于位置信息得到的节点与待检测路口之间的距离以及节点相对于路口的方位角。
此外，在获得节点与节点之间的链接信息时，也可以采用上述的节点与路口之间的链接信息相同的获取方式，本实施例在此不作赘述。
在一种可能的实施方式中，可将获得的路口特征、各个节点的节点特征构成一个特征矩阵，将获得的节点与路口之间的链接信息、节点与节点之间的链接信息构成一个信息矩阵。将包含上述信息的特征矩阵和信息矩阵导入训练得到的检测模型中，输出检测结果。
本实施例中，考虑到实际情况下事故标签较少，即可作为正样本的标记为高危路口的样本在实际情况下是较少的，正负样本数量存在不均衡的问题。使得检测模型容易造成过拟合，也即模型学习到特征不能很好地区别正常路口与危险路口，造成模型识别效果差。因此，为了避免事故标签稀少对训练学习带来的影响，本实施例提供的检测模型中引入了对抗学习，加入了与事故标签无关的无监督学习模型，从而约束模型对特征表示的学习，有效避免因为事故标签稀少带来的过拟合问题，提高得到的检测模型对高危路口的识别准确率和召回率。
本实施例中，预先可构建网络模型，该网络模型可包括第一判别器和第二判别器。获取训练样本集，其中，该训练样本集中包含多个训练样本。针对训练样本集中的任一目标训练样本，从训练样本集中随机选取一个训练样本作为该目标训练样本的匹配训练样本。
可利用目标训练样本对第一判别器进行训练，第一判别器的训练可以是基于事故标签的监督学习。此外，利用目标训练样本和匹配训练样本对第二判别器进行训练，该第二判别器的训练为与事故标签无关的无监督学习。同时实现第一判别器和第二判别器的训练，并根据训练的结果调整模型的参数，最终得到满足预设条件的检测模型。
在本实施例中，第一判别器和第二判别器包含共用的编码器，即第一判别器和第二判别器共用检测模型的编码器。在对第一判别器和第二判别器进行训练时，首先可通过编码器获得目标训练样本的特征向量和匹配训练样本的特征向量。通过第一判别器的聚合层对目标训练样本的特征向量进行聚合处理，得到图向量。应当理解，目标训练样本中包含路口特征、节点特征以及链接信息，该链接信息相当于连接在各个特征之间的连线，使得样本成为包含相互连接的多个节点的图网络。通过对目标训练样本的特征向量进行聚合处理，可得到图网络整体的向量表示，即图向量。根据得到的图向量可对第一判别器进行训练，该图向量可通过多个网络层将图网络的信息最终映射到样本标记空间，以用于判别路口是否高危。
此外，可根据得到的图向量、目标训练样本的特征向量及匹配训练样本的特征向量对第二判别器进行训练，最终得到满足预设条件的检测模型。
本实施例中，第二判别器并非用于判别路口是否高危的判别器，而是利用第二判别器用于辨别出不同训练样本之间的差异信息，对第二判别器进行训练调整的过程中，同时实现对第一判别器和第二判别器共用的编码器的参数调整，从而提高第一判别器对于高危路口判别的准确率。
本实施例中，需要说明的是，第一判别器和第二判别器的训练可同时进行，在对第一判别器进行训练调整的过程中，第二判别器也执行训练过程。对第二判别器的训练实质是为了调整其共用的编码器的参数从而提高第一判别器的检测判别准确率。
本实施例中，在根据图向量对第一判别器进行训练时，可通过以下方式实现：
根据图向量并通过第一判别器包含的分类层得到目标训练样本的分类标签。而目标训练样本本身携带有标记标签，该标记标签为根据目标训练样本实际是否为高危路口所标记的。
通过比对目标训练样本携带的标记标签和得到的分类标签，以调整第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。
本实施例中，在利用图向量、目标训练样本和匹配训练样本对第二判别器进行训练时，可通过以下方式实现：
将图向量和目标训练样本的特征向量导入第二判别器包含的分类层得到第一判别结果。将图向量和匹配训练样本的特征向量导入第二判别器包含的分类层得到第二判别结果。通过调整第二判别器的模型参数，以使第一判别结果表明图向量和目标训练样本的特征向量来自同一训练样本、第二判别结果表明图向量和匹配训练样本的特征向量来自不同的训练样本。例如，得到的第一判别结果可为1，即表明图向量和目标训练样本的特征向量来自同一训练样本，得到的第二判别结果可为0，即表明图向量和匹配训练样本的特征向量来自不同的训练样本。
如此，训练第二判别器使得来自同一训练样本的局部向量表示(特征向量)和全局向量表示(图向量)的互信息最大化。
本实施例中，检测模型的损失函数由两部分组成，一部分是基于第一判别器构建的第一损失函数Lcls，一部分是基于第二判别器构建的第二损失函数LD，具体可如下式所示。
Loss＝Lcls+λLD
其中，上式中λ为0到1之间的小数。
在检测模型的由第一损失函数和第二损失函数构成的多任务损失函数Loss的值不再降低达到收敛时，则可以认为得到的检测模型满足预设条件，为停止训练过程，得到后续用于检测判别的检测模型。
本实施例中，为了更清晰地对检测模型的训练过程进行说明，结合图6中所示的网络模型对训练过程进行介绍。
如图6中所示的检测模型，假设X为目标训练样本，X’为目标训练样本的匹配训练样本。利用编码器获得目标训练样本X的特征向量
Figure BDA0002575157120000171
以及匹配训练样本X’的特征向量
Figure BDA0002575157120000172
其中，编码器是第一判别器和第二判别器共用的。
针对第一判别器，再利用第一判别器包含的聚合层对目标训练样本的特征向量进行聚合处理，得到图向量
Figure BDA0002575157120000173
利用第一判别器包含的分类层对图向量
Figure BDA0002575157120000174
进行处理，得到分类标签。基于目标训练样本自身携带的标记标签和分类标签的比对结果，对第一分类器的模型参数进行调整后继续训练。
针对第二判别器，将图向量
Figure BDA0002575157120000175
和目标训练样本的特征向量
Figure BDA0002575157120000176
导入第二判别器的分类层，得到第一分类结果。此外，将图向量
Figure BDA0002575157120000177
和匹配训练样本的特征向量
Figure BDA0002575157120000178
导入第二判别器的分类层，得到第二分类结果。通过调整第二判别器的模型参数，使得第一分类结果可表明输入的信息为来自同一个训练样本的信息，而第二分类结果表明输入的信息为来自不同的训练样本的信息。
最后，在基于第一判别器构建的第一损失函数和基于第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛时，停止对检测模型的训练，得到满足要求的检测模型。
由上述可知，第二判别器的训练是为了提高第一判别器的检测判别准确率，在进行高危路口检测判别时是利用第一判别器进行判别，请参阅图7，本实施例中，上述步骤S230中进行路口检测判别时，可通过以下方式实现：
步骤S231，通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量。
步骤S232，通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量。
步骤S233，通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。
本实施例中，基于上述训练得到的检测模型中的第一判别器实现路口的检测判别，可综合路口特征、节点特征，并利用链接信息实现路口特征和节点特征的聚合处理，得到可表征图网络信息的图向量。最后实现基于图向量的分类处理，得到待检测路口的检测结果。
本实施例中，在训练得到满足要求的检测模型，并利用检测模型对路口进行检测判别，判别出各个路口是否为高危路口后，可将其应用于出行平台上服务提供方日常出行的交通提示中，以保障服务提供方的交通安全。
可选地，请参阅图8，本实施例所提供的高危路口检测方法还包括以下步骤：
步骤S310，获取服务提供方的行驶导航信息。
步骤S320，在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。
实施时，服务需求方可通过发起服务请求，服务器110基于服务请求可从出行平台中的服务提供方中为服务需求方匹配对应的服务提供方。在匹配的服务提供方接受该服务请求后，在服务提供端140将根据服务请求中的目的地等生成行驶导航信息，并展示给服务提供方。服务器110可获取服务提供方的行驶导航信息，并基于获得行驶导航信息检测在行驶导航信息中是否包含判定为高危路口的路口。若包含有，则可向服务提供方发送提示信息，以便服务提供方可知晓后续将要经过高危路口，可提前引起重视，降低出现交通事故的现象。
可选地，本实施例中，为了能够提高向服务提供方发起提示信息的提示效果，可在行驶导航信息中包含判定为高危路口的路口时，基于该判定为高危路口的路口的位置信息以及服务提供方的实时位置信息，以在服务提供方相距该路口的距离小于预设值时，向服务提供方发送提示信息。如此，可在即将到达高危路口时，向服务提供方发送提示信息，提高警示的效果。
本实施例所提供的高危路口检测方案，结合路口特征、节点特征、路口与节点之间的链接信息以及节点之间的链接信息构建图网络，基于训练得到的检测模型对路口进行检测判别。综合了路口和节点的单独的特征信息以及相互之间的关系信息，使得检测判别结果更加准确。
此外，构建的检测模型中包含基于事故标签学习的判别器，以及引入的与事故标签无关的对抗学习模型，可避免由于实际情况下正负样本不均衡导致的学习过拟合的问题，提高得到的判别器的分类判别准确性。
请参阅图9，本申请实施例还提供了一种检测模型建立方法，该检测模型可用于上述的高危路口的检测。该方法可以由高危路口检测系统100中的服务器110来执行。该检测模型建立方法的详细步骤介绍如下。
步骤S410，构建网络模型，所述网络模型包括第一判别器和第二判别器。
步骤S420，获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本。
步骤S430，利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型。
本实施例训练得到的检测模型中，引入了基于目标训练样本和匹配训练样本训练得到的第二判别器，使得模型可对来自不同的训练样本的差异进行学习，从而提高后续对路口的检测判别准确性。
本实施例中的检测模型的具体建立过程以及将其应用于高危路口检测的具体过程可参见上述实施例的相关内容，本实施例在此不作赘述。
由上述可知，第一判别器和第二判别器包含共用的编码器，请参阅图10，上述步骤S430中进行检测模型的训练时，可通过以下步骤实现：
步骤S431，通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量。
步骤S432，通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量。
步骤S433，根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。
本实施例中，由于目标训练样本为包含路口特征、节点特征以及链接信息的图网络信息，因此，可基于路口与节点、节点与节点之间的链接信息实现路口特征、节点特征的聚合处理，得到图网络整体的图向量表示。通过图向量并利用第一判别器将图网络信息最终映射到样本标记空间，从而实现对第一判别器的训练。
此外，基于来自目标训练样本的图向量、特征向量和来自匹配训练样本的特征向量实现第二判别器的训练，第二判别器的训练与样本标签无关，主要是着重于不同样本之间的差异信息的学习。对第二判别器进行训练调整的同时，也影响第一判别器的模型参数的调整，因此，利用第二判别器实质是为了提高第一判别器的检测判别准确性。
关于上述具体的训练过程可参见上述实施例中的相关描述，本实施例在此不作赘述。
请参阅图11，本实施例中，上述步骤S433中进行第一判别器的训练过程可通过以下方式实现：
步骤S4331，根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签。
步骤S4332，比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。
请参阅图12，本实施例中，上述步骤S433中进行第二判别器的训练过程可通过以下方式实现：
步骤S4333，将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果。
步骤S4334，将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果。
步骤S4335，调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。
本实施例中，上述的预设条件为基于第一判别器构建的第一损失函数和基于第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。
关于上述第一判别器和第二判别器具体的训练过程，以及多任务损失函数具体的形式可参见上述实施例中的相关内容，本实施例在此不作赘述。
第三实施例
基于同一发明构思，本申请实施例中还提供了与高危路口检测方法对应的高危路口检测装置210，请参阅图13，由于本申请实施例中的装置解决问题的原理与本申请实施例上述高危路口检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图13，为本申请提供的一种高危路口检测装置210的示意图，所述装置包括：特征获取模块211、信息获得模块212、检测模块213以及判别模块214。
特征获取模块211，用于获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征。
可以理解，该特征获取模块211可以用于执行上述步骤S210，关于该特征获取模块211的详细实现方式可以参照上述对步骤S210有关的内容。
信息获得模块212，用于获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息。
可以理解，该信息获得模块212可以用于执行上述步骤S220，关于该信息获得模块212的详细实现方式可以参照上述对步骤S220有关的内容。
检测模块213，用于将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果。
可以理解，该检测模块213可以用于执行上述步骤S230，关于该检测模块213的详细实现方式可以参照上述对步骤S230有关的内容。
判别模块214，用于根据所述检测结果判别所述待检测路口是否为高危路口。
可以理解，该判别模块214可以用于执行上述步骤S240，关于该判别模块214的详细实现方式可以参照上述对步骤S240有关的内容。
一种可能的实施方式中，所述信息获得模块212用于通过以下方式获得各所述节点与所述待检测路口之间的链接信息：
获得各所述节点的位置信息以及所述待检测路口的位置信息；
针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角；
根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。
一种可能的实施方式中，所述特征获取模块211用于通过以下至少一种方式获取待检测路口的路口特征：
获取待检测路口的路口类型；或
获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或
获取待检测路口处的红绿灯信息。
一种可能的实施方式中，所述节点包括道路节点，所述道路节点的节点特征包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。
一种可能的实施方式中，所述节点包括POI信息节点，所述POI信息节点的节点特征包括POI信息节点的节点类型、历史时段内在距离所述POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内所述POI信息节点处的人流量中的至少一种。
一种可能的实施方式中，所述检测模型包含第一判别器，所述检测模块213用于通过以下方式进行检测得到检测结果：
通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量；
通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量；
通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。
一种可能的实施方式中，所述装置还包括提示模块，所述提示模块用于：
获取服务提供方的行驶导航信息；
在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。
一种可能的实施方式中，所述提示模块用于通过以下方式向所述服务提供方发送提示信息：
在所述行驶导航信息中包含判定为高危路口的路口时，基于所述路口的位置信息以及所述服务提供方的实时位置信息，以在所述服务提供方相距所述路口的距离小于预设值时，向所述服务提供方发送提示信息。
此外，基于同一发明构思，本申请实施例中还提供了与检测模型建立方法对应的检测模型建立装置220，请参阅图14，由于本申请实施例中的装置解决问题的原理与本申请实施例上述检测模型建立方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图14，为本申请提供的一种检测模型建立装置220的示意图，所述装置包括：构建模块221、样本获取模块222以及训练模块223。
构建模块221，用于构建网络模型，所述网络模型包括第一判别器和第二判别器。
可以理解，该构建模块221可以用于执行上述步骤S410，关于该构建模块221的详细实现方式可以参照上述对步骤S410有关的内容。
样本获取模块222，用于获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本。
可以理解，该样本获取模块222可以用于执行上述步骤S420，关于该样本获取模块222的详细实现方式可以参照上述对步骤S420有关的内容。
训练模块223，用于利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型。
可以理解，该训练模块223可以用于执行上述步骤S430，关于该训练模块223的详细实现方式可以参照上述对步骤S430有关的内容。
一种可能的实施方式中，所述第一判别器和所述第二判别器包含共用的编码器，所述训练模块223用于通过以下方式训练得到检测模型：
通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量；
通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量；
根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。
一种可能的实施方式中，所述训练模块223用于通过以下方式对所述第一判别器进行训练：
根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签；
比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。
一种可能的实施方式中，所述训练模块223用于通过以下方式对所述第二判别器进行训练：
将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果；
将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果；
调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。
一种可能的实施方式中，所述预设条件为基于所述第一判别器构建的第一损失函数和基于所述第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。
第四实施例
请参阅图15，本申请实施例还提供了一种电子设备300，该电子设备300可为上述的服务器110。该电子设备300包括：处理器310、存储器320、和总线330。所述存储器320存储有所述处理器310可执行的机器可读指令，当电子设备300运行时，所述处理器310与所述存储器320之间通过总线330通信，所述机器可读指令被所述处理器310执行时执行如下处理：
一种可能的实施方式中，处理器310执行的指令中，包括如下过程：
获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征；
获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息；
将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；
根据所述检测结果判别所述待检测路口是否为高危路口。
另一种可能的实施方式中，处理器310执行的指令中，包括如下过程：
构建网络模型，所述网络模型包括第一判别器和第二判别器；
获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本；
利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型。
关于电子设备300运行时，处理器310执行的指令中所涉及的过程，可以参照上述方法实施例中的相关说明，这里不再详述。
第五实施例
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述高危路口检测方法或检测模型建立方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述高危路口检测方法或检测模型建立方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (28)

1.一种高危路口检测方法，其特征在于，所述方法包括：
获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征，所述节点包括与所述待检测路口之间存在通行道路或划分的归属于所述待检测路口的道路节点和POI信息节点；
获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息，所述链接信息包括两者之间的相对位置；
将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；
根据所述检测结果判别所述待检测路口是否为高危路口。
2.根据权利要求1所述的高危路口检测方法，其特征在于，所述获得各所述节点与所述待检测路口之间的链接信息的步骤，包括：
获得各所述节点的位置信息以及所述待检测路口的位置信息；
针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角；
根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。
3.根据权利要求1所述的高危路口检测方法，其特征在于，所述获取待检测路口的路口特征的步骤，至少包括以下步骤之一：
获取待检测路口的路口类型；或
获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或
获取待检测路口处的红绿灯信息。
4.根据权利要求1所述的高危路口检测方法，其特征在于，所述道路节点的节点特征包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。
5.根据权利要求1所述的高危路口检测方法，其特征在于，所述POI信息节点的节点特征包括POI信息节点的节点类型、历史时段内在距离所述POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内所述POI信息节点处的人流量中的至少一种。
6.根据权利要求1所述的高危路口检测方法，其特征在于，所述检测模型包含第一判别器，所述将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果的步骤，包括：
通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量；
通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量；
通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。
7.根据权利要求1-6任意一项所述的高危路口检测方法，其特征在于，所述方法还包括：
获取服务提供方的行驶导航信息；
在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。
8.根据权利要求7所述的高危路口检测方法，其特征在于，在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息的步骤，包括：
在所述行驶导航信息中包含判定为高危路口的路口时，基于所述路口的位置信息以及所述服务提供方的实时位置信息，以在所述服务提供方相距所述路口的距离小于预设值时，向所述服务提供方发送提示信息。
9.一种检测模型建立方法，所述检测模型用于进行高危路口检测，其特征在于，所述方法包括：
构建网络模型，所述网络模型包括第一判别器和第二判别器；
获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本；
利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型；
其中，所述目标训练样本和匹配训练样本包含训练路口的路口特征、与所述训练路口具有链接关系的各个训练节点的节点特征以及各所述训练节点与所述训练路口之间的链接信息和训练节点之间的链接信息；
所述训练节点包括与所述训练路口之间存在通行道路或划分的归属于所述训练路口的道路节点和POI信息节点，所述链接信息包括两者之间的相对位置。
10.根据权利要求9所述的检测模型建立方法，其特征在于，所述第一判别器和所述第二判别器包含共用的编码器，所述利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型的步骤，包括：
通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量；
通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量；
根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。
11.根据权利要求10所述的检测模型建立方法，其特征在于，所述根据所述图向量对所述第一判别器进行训练的步骤，包括：
根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签；
比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。
12.根据权利要求10所述的检测模型建立方法，其特征在于，所述根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练的步骤，包括：
将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果；
将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果；
调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。
13.根据权利要求9所述的检测模型建立方法，其特征在于，所述预设条件为基于所述第一判别器构建的第一损失函数和基于所述第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。
14.一种高危路口检测装置，其特征在于，所述装置包括：
特征获取模块，用于获取待检测路口的路口特征，以及与所述待检测路口具有链接关系的各个节点的节点特征，所述节点包括与所述待检测路口之间存在通行道路或划分的归属于所述待检测路口的道路节点和POI信息节点；
信息获得模块，用于获得各所述节点与所述待检测路口之间的链接信息，以及节点之间的链接信息，所述链接信息包括两者之间的相对位置；
检测模块，用于将所述路口特征、各所述节点特征、各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息，导入预先训练得到的检测模型进行检测得到检测结果；
判别模块，用于根据所述检测结果判别所述待检测路口是否为高危路口。
15.根据权利要求14所述的高危路口检测装置，其特征在于，所述信息获得模块用于通过以下方式获得各所述节点与所述待检测路口之间的链接信息：
获得各所述节点的位置信息以及所述待检测路口的位置信息；
针对每个所述节点，根据所述节点的位置信息和所述待检测路口的位置信息获得所述节点与所述待检测路口之间的距离以及所述节点相对于所述待检测路口的方位角；
根据所述距离和所述方位角，得到所述节点与所述待检测路口之间的链接信息。
16.根据权利要求14所述的高危路口检测装置，其特征在于，所述特征获取模块用于通过以下至少一种方式获取待检测路口的路口特征：
获取待检测路口的路口类型；或
获取历史时段内，在距离待检测路口预设范围内由服务需求方发起的服务请求次数；或
获取待检测路口处的红绿灯信息。
17.根据权利要求14所述的高危路口检测装置，其特征在于，所述道路节点的节点特征包括道路宽度、道路长度、道路类型、道路相对于路口的角度以及历史时段内统计得到的道路上的车辆的平均速度中的至少一种。
18.根据权利要求14所述的高危路口检测装置，其特征在于，所述POI信息节点的节点特征包括POI信息节点的节点类型、历史时段内在距离所述POI信息节点预设范围内由服务需求方发起的服务请求次数、历史时段内所述POI信息节点处的人流量中的至少一种。
19.根据权利要求14所述的高危路口检测装置，其特征在于，所述检测模型包含第一判别器，所述检测模块用于通过以下方式进行检测得到检测结果：
通过所述检测模型包含的第一判别器中的编码器，根据所述待检测路口的路口特征和各所述节点的节点特征，得到对应的路口特征向量和节点特征向量；
通过所述第一判别器包含的聚合层，根据各所述节点与所述待检测路口之间的链接信息以及节点之间的链接信息对所述路口特征向量和节点特征向量进行聚合处理，得到所述待检测路口的图向量；
通过所述第一判别器包含的分类层，对所述图向量进行分类处理，得到所述待检测路口的检测结果。
20.根据权利要求14-19任意一项所述的高危路口检测装置，其特征在于，所述装置还包括提示模块，所述提示模块用于：
获取服务提供方的行驶导航信息；
在所述行驶导航信息中包含判定为高危路口的路口时，向所述服务提供方发送提示信息。
21.根据权利要求20所述的高危路口检测装置，其特征在于，所述提示模块用于通过以下方式向所述服务提供方发送提示信息：
在所述行驶导航信息中包含判定为高危路口的路口时，基于所述路口的位置信息以及所述服务提供方的实时位置信息，以在所述服务提供方相距所述路口的距离小于预设值时，向所述服务提供方发送提示信息。
22.一种检测模型建立装置，所述检测模型用于进行高危路口检测，其特征在于，所述装置包括：
构建模块，用于构建网络模型，所述网络模型包括第一判别器和第二判别器；
样本获取模块，用于获取训练样本集，针对所述训练样本集中的任一目标训练样本，从所述训练样本集中随机选取一个训练样本作为所述目标训练样本的匹配训练样本；
训练模块，用于利用所述目标训练样本对所述第一判别器进行训练，并利用所述目标训练样本和所述匹配训练样本对所述第二判别器进行训练，以得到满足预设条件的检测模型；
其中，所述目标训练样本和匹配训练样本包含训练路口的路口特征、与所述训练路口具有链接关系的各个训练节点的节点特征以及各所述训练节点与所述训练路口之间的链接信息和训练节点之间的链接信息；
所述训练节点包括与所述训练路口之间存在通行道路或划分的归属于所述训练路口的道路节点和POI信息节点，所述链接信息包括两者之间的相对位置。
23.根据权利要求22所述的检测模型建立装置，其特征在于，所述第一判别器和所述第二判别器包含共用的编码器，所述训练模块用于通过以下方式训练得到检测模型：
通过所述编码器获得所述目标训练样本的特征向量以及所述匹配训练样本的特征向量；
通过所述第一判别器的聚合层对所述目标训练样本的特征向量进行聚合处理，得到图向量；
根据所述图向量对所述第一判别器进行训练，并根据所述图向量、所述目标训练样本的特征向量及所述匹配训练样本的特征向量对所述第二判别器进行训练，以得到满足预设条件的检测模型。
24.根据权利要求23所述的检测模型建立装置，其特征在于，所述训练模块用于通过以下方式对所述第一判别器进行训练：
根据所述图向量并通过所述第一判别器包含的分类层得到所述目标训练样本的分类标签；
比对所述目标训练样本携带的标记标签和得到的分类标签，以调整所述第一判别器的模型参数后继续训练，直至满足预设条件时，得到训练完成的第一判别器。
25.根据权利要求23所述的检测模型建立装置，其特征在于，所述训练模块用于通过以下方式对所述第二判别器进行训练：
将所述图向量和所述目标训练样本的特征向量导入所述第二判别器包含的分类层得到第一判别结果；
将所述图向量和所述匹配训练样本的特征向量导入所述第二判别器包含的分类层得到第二判别结果；
调整所述第二判别器的模型参数，以使所述第一判别结果表明所述图向量和所述目标训练样本的特征向量来自同一训练样本、所述第二判别结果表明所述图向量和所述匹配训练样本的特征向量来自不同的训练样本。
26.根据权利要求22所述的检测模型建立装置，其特征在于，所述预设条件为基于所述第一判别器构建的第一损失函数和基于所述第二判别器构建的第二损失函数共同构成的多任务损失函数的值不再降低达到收敛。
27.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-8或9-13任一所述方法的步骤。
28.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-8或9-13任一所述方法的步骤。
CN202010651561.3A 2020-07-08 2020-07-08 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质 Active CN111814081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010651561.3A CN111814081B (zh) 2020-07-08 2020-07-08 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010651561.3A CN111814081B (zh) 2020-07-08 2020-07-08 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN111814081A CN111814081A (zh) 2020-10-23
CN111814081B true CN111814081B (zh) 2021-03-09

Family

ID=72842929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010651561.3A Active CN111814081B (zh) 2020-07-08 2020-07-08 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111814081B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118262530A (zh) * 2022-12-28 2024-06-28 深圳云天励飞技术股份有限公司 交通路口管理方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147981A (zh) * 2010-12-20 2011-08-10 成都天奥信息科技有限公司 一种船载自动识别系统警戒区域报警的方法
WO2016106281A1 (en) * 2014-12-26 2016-06-30 Intel Corporation Noise cancellation with enhancement of danger sounds
CN106205120A (zh) * 2015-05-08 2016-12-07 北京四维图新科技股份有限公司 一种提取道路路口交通限制的方法及装置
CN107430006A (zh) * 2014-12-02 2017-12-01 凯文·孙林·王 避免事故的方法和系统
CN109118771A (zh) * 2018-09-19 2019-01-01 青岛海信网络科技股份有限公司 一种城市交通常发性拥堵特征确定的方法及装置
CN109658700A (zh) * 2019-03-05 2019-04-19 上汽大众汽车有限公司 交叉路口防撞预警装置及预警方法
CN110288097A (zh) * 2019-07-01 2019-09-27 腾讯科技（深圳）有限公司 一种模型训练的方法以及相关装置
CN111080158A (zh) * 2019-12-26 2020-04-28 安徽揣菲克科技有限公司 一种基于复合权重的城市路口通行危险指数评价方法
CN111183464A (zh) * 2019-06-13 2020-05-19 北京嘀嘀无限科技发展有限公司 基于车辆轨迹数据估计信号交叉路口的饱和流量
CN111259877A (zh) * 2020-05-06 2020-06-09 杭州智诚惠通科技有限公司 一种交通异常场景的判断方法、装置、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201402512Y (zh) * 2009-05-15 2010-02-10 鲍继怀 一种移动式老人定位求救包
US9652965B2 (en) * 2010-03-12 2017-05-16 Rajendra Padma Sadhu System and method for transmitting alerts and notifications to a user
CN106211073A (zh) * 2016-07-21 2016-12-07 宁波力芯科信息科技有限公司 一种基于地理位置安全指数的出行预测和报警方法
CN106781570B (zh) * 2016-12-30 2019-08-02 大唐高鸿信息通信研究院（义乌）有限公司 一种适用于车载短距离通信网络的高速公路危险路况识别和告警方法
CN207833705U (zh) * 2018-01-06 2018-09-07 江苏恒绿建设工程有限公司 一种智能控制道路预警亮化系统
CN108647582A (zh) * 2018-04-19 2018-10-12 河南科技学院 一种复杂动态环境下目标行为识别与预测方法
CN111091222A (zh) * 2018-10-24 2020-05-01 上海博泰悦臻网络技术服务有限公司 人流量预测方法、装置及系统
CN111369817A (zh) * 2018-12-26 2020-07-03 北京嘀嘀无限科技发展有限公司 一种通行控制方法、装置及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147981A (zh) * 2010-12-20 2011-08-10 成都天奥信息科技有限公司 一种船载自动识别系统警戒区域报警的方法
CN107430006A (zh) * 2014-12-02 2017-12-01 凯文·孙林·王 避免事故的方法和系统
WO2016106281A1 (en) * 2014-12-26 2016-06-30 Intel Corporation Noise cancellation with enhancement of danger sounds
CN106205120A (zh) * 2015-05-08 2016-12-07 北京四维图新科技股份有限公司 一种提取道路路口交通限制的方法及装置
CN109118771A (zh) * 2018-09-19 2019-01-01 青岛海信网络科技股份有限公司 一种城市交通常发性拥堵特征确定的方法及装置
CN109658700A (zh) * 2019-03-05 2019-04-19 上汽大众汽车有限公司 交叉路口防撞预警装置及预警方法
CN111183464A (zh) * 2019-06-13 2020-05-19 北京嘀嘀无限科技发展有限公司 基于车辆轨迹数据估计信号交叉路口的饱和流量
CN110288097A (zh) * 2019-07-01 2019-09-27 腾讯科技（深圳）有限公司 一种模型训练的方法以及相关装置
CN111080158A (zh) * 2019-12-26 2020-04-28 安徽揣菲克科技有限公司 一种基于复合权重的城市路口通行危险指数评价方法
CN111259877A (zh) * 2020-05-06 2020-06-09 杭州智诚惠通科技有限公司 一种交通异常场景的判断方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
采用非平衡小样本数据的风机主轴承故障深度对抗诊断;黄南天 等;《中国电机工程学报》;20200120;第 40 卷(第 2 期);563-573 *

Also Published As

Publication number Publication date
CN111814081A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
US11580755B2 (en) Method, apparatus, and system for determining polyline homogeneity
US10971001B2 (en) Artificial intelligent systems and methods for predicting traffic accident locations
US11118921B2 (en) Vehicle routing guidance to an authoritative location for a point of interest
CN107389085B (zh) 一种道路通行属性的确定方法、装置、计算机及存储介质
CN111324824B (zh) 一种目的地推荐方法、其装置、电子设备及可读存储介质
US20220137641A1 (en) Method, apparatus, and computer program product for generating an autonomous driving profile map index
CN112805762B (zh) 提高交通状况可视化的系统和方法
CN111325986B (zh) 异常停车监测方法、装置、电子设备以及存储介质
US20190188538A1 (en) Method, apparatus, and system for providing skip areas for machine learning
CN116737857A (zh) 道路数据处理方法、相关装置和介质
CN114664085A (zh) 危险路段的提醒方法、装置、电子设备及介质
CN114596709B (zh) 数据处理方法、装置、设备以及存储介质
CN111814081B (zh) 高危路口检测方法、检测模型建立方法、装置、电子设备和可读存储介质
CN114677848A (zh) 感知预警系统、方法、装置及计算机程序产品
US20220198262A1 (en) Method, apparatus, and computer program product for surveillance of road environments via deep learning
EP4092388B1 (en) Method and apparatus of recommending information, storage medium, and program product
JP2018180906A (ja) 混雑予測プログラム、混雑予測装置、及び混雑予測方法
KR20220106718A (ko) 이미지 인식 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
CN114881096A (zh) 多标签的类均衡方法及其装置
CN107610467B (zh) 一种交通状态判别方法和装置
CN115982306B (zh) 一种目标对象的逆行行为识别方法、装置
US20240212486A1 (en) Method and apparatus for determining an intersection condition
CN112732859B (zh) 提示信息生成方法、装置、电子设备以及存储介质
CN114529768B (zh) 确定对象类别的方法、装置、电子设备和存储介质
US20240151541A1 (en) Method and apparatus for risk computation of concealed areas on a street

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