CN111859291B - 交通事故识别方法、装置、设备和计算机存储介质 - Google Patents

交通事故识别方法、装置、设备和计算机存储介质 Download PDF

Info

Publication number
CN111859291B
CN111859291B CN202010583070.XA CN202010583070A CN111859291B CN 111859291 B CN111859291 B CN 111859291B CN 202010583070 A CN202010583070 A CN 202010583070A CN 111859291 B CN111859291 B CN 111859291B
Authority
CN
China
Prior art keywords
road
traffic flow
accident
vector representation
model
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
CN202010583070.XA
Other languages
English (en)
Other versions
CN111859291A (zh
Inventor
黄际洲
王海峰
张昊
范淼
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010583070.XA priority Critical patent/CN111859291B/zh
Publication of CN111859291A publication Critical patent/CN111859291A/zh
Priority to US16/951,922 priority patent/US11328600B2/en
Priority to EP21164459.6A priority patent/EP3929805A1/en
Priority to JP2021103344A priority patent/JP7204826B2/ja
Priority to KR1020210080912A priority patent/KR102544760B1/ko
Application granted granted Critical
Publication of CN111859291B publication Critical patent/CN111859291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)

Abstract

本申请公开了一种交通事故识别方法、装置、设备和计算机存储介质，涉及智能交通和大数据技术领域。具体实现方案为：获取道路特征、环境特征和道路上的车流特征；将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。本申请能够依据道路特征、环境特征和道路上的车流特征，自动识别出道路上是否发生事故。相比较传统人工上报的方式，时效性更强、覆盖率更高。

Description

交通事故识别方法、装置、设备和计算机存储介质
技术领域
本申请涉及计算机应用技术领域，特别涉及智能交通和大数据技术领域。
背景技术
交通事故可能会对整个交通网络产生冲击，让原本通畅的交通变得拥堵，让原本宽敞的道路变得无法通行，让用户原本的出行计划变得不可实现。因此，很多司机都宁愿多绕路也要尽量避开交通事故发生地。如果无法避开前方事故发生地，但若能尽早知道事故发生的位置和状态，也能提前做好变道准备，尽快驶离现场。因此，一个时效性强、覆盖率高的交通事故发现能力将给用户带来极大的帮助。
发明内容
有鉴于此，本申请旨在提供一种时效性强、覆盖率高的交通事故识别方法、装置、设备和计算机存储介质。
第一方面，本申请提供了一种交通事故识别方法，包括：
获取道路特征、环境特征和道路上的车流特征；
将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。
第二方面，本申请提供了一种训练交通事故识别模型的方法，包括：
从历史交通事故记录中获取第一训练样本，所述第一训练样本包括标注为发生事故的道路的道路特征、环境特征和道路上的车流特征作为正样本，标注为未发生事故的道路的道路特征、环境特征和道路上的车流特征作为负样本；
利用所述正样本和负样本训练得到所述交通事故识别模型，所述交通事故识别模型能够依据道路特征、环境特征和道路上的车流特征得到对应道路上的事故信息识别结果，所述事故信息识别结果至少包括是否发生事故的识别结果。
第三方面，本申请提供了一种交通事故识别装置，包括：
获取单元，用于获取道路特征、环境特征和道路上的车流特征；
识别单元，用于将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果。
第四方面，本申请提供了一种训练交通事故识别模型的装置，包括：
样本获取单元，用于从历史交通事故记录中获取第一训练样本，所述第一训练样本包括标注为发生事故的道路的道路特征、环境特征和道路上的车流特征作为正样本，标注为未发生事故的道路的道路特征、环境特征和道路上的车流特征作为负样本；
模型训练单元，用于利用所述正样本和负样本训练得到所述交通事故识别模型，所述交通事故识别模型能够依据道路特征、环境特征和道路上的车流特征得到对应道路上的事故信息识别结果，所述事故信息识别结果至少包括是否发生事故的识别结果。
第五方面，本申请还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
第六方面，本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一项所述的方法。
第七方面，本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一项所述的方法。
由以上技术方案可以看出，本申请能够依据道路特征、环境特征和道路上的车流特征，自动识别出道路上是否发生事故。相比较传统人工上报的方式，时效性更强、覆盖率更高。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1示出了可以应用本发明实施例的示例性系统架构；
图2为本申请实施例一提供的主要方法流程图；
图3a为本申请实施例二提供的一种交通事故识别模型的结构示意图；
图3b为本申请实施例三提供的另一种交通事故识别模型的结构示意图；
图4为本申请实施例提供了车辆汇流角度特征的示意图；
图5为本申请实施例四提供的训练交通事故识别模型的方法流程图；
图6为本申请实施例五提供的交通事故识别装置的结构图；
图7为本申请实施例六提供的训练交通事故识别模型的装置结构图；
图8是用来实现本申请实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
传统的交通事故发现方式大部分是人工参与的，包括用户主动在app内上报以及交警处理事故时上传到交管局系统等。然而，传统的交通事故发现方式存在以下弊端：
1)覆盖率低。不是所有的事故都有用户愿意主动上报或者有交警参与处理，因此就造成有些事故无法被发现。
2)时效性差。事故发生的时间与人工上传事故信息的时间会有间隔，且间隔时间不确定。
3)交通事故的信息不详尽。对于人工提交事故信息的方式上，用户可能并不愿意手工添加更多的信息，例如发生事故的车道信息等，也就造成即便获知交通事故发生，也无法获知交通事故的具体信息。
4)对事故造成的拥堵持续时长无法预判，无法有效地为用户规划路线提供帮助。
本申请的核心思路在于，依据道路特征、环境特征和道路上的车流特征对道路上的事故信息进行识别，这种识别方式摆脱了人力的束缚，能够更加及时地获知各道路上是否发生事故，覆盖率更高、时效性更好。下面结合实施例对本申请提供的方法进行详细描述。
图1示出了可以应用本发明实施例的示例性系统架构。如图1所示，该系统架构可以包括终端设备101和102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用，例如地图类应用、语音交互类应用、网页浏览器应用、通信类应用等。
终端设备101和102可以是能够支持并展现地图类应用的各种电子设备，包括但不限于智能手机、平板电脑、智能穿戴式设备等等。本发明所提供的装置可以设置并运行于上述服务器104中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
例如，交通事故识别装置设置并运行于上述服务器104中，服务器104可以获取并存储各种路网数据、交通流量数据等。交通事故识别装置使用本发明实施例提供的方式对发生交通事故的道路进行识别，并可以及时将事故信息下发给各终端设备101或102。
再例如，训练交通事故识别模型的装置设置并运行于上述服务器104中，服务器104能够利用历史交通事故记录对交通事故识别模型进行训练，以供交通事故识别装置进行交通事故的识别。
服务器104可以是单一服务器，也可以是多个服务器构成的服务器群组。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
实施例一、
图2为本申请实施例一提供的主要方法流程图，本实施例的执行主体可以为交通事故识别装置，该装置可以位于服务器端的应用，或者还可以为位于服务器端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者，还可以位于其他较强计算能力的计算机系统中，本发明实施例对此不进行特别限定。如图2中所示，该方法可以包括以下步骤：
在201中，获取道路特征、环境特征和道路上的车流特征。
其中，道路特征可以道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级中的至少一种。
环境特征可以包括时间特征和天气特征中的至少一种。
道路上的车流特征可以包括道路上的车辆汇流角度特征和车流量特征中的至少一种。
上述各种特征的表示将在后续实施例中进行详细描述。
在202中，将道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到对应道路上的事故信息识别结果。
其中，道路上的事故信息识别结果至少包括是否发生事故的识别结果，还可以进一步包括发生事故的车道信息和拥堵持续时长中的至少一种。其中，若进一步预测事故时序时长，则在201中还需要进一步获取道路所在区域的车流特征。
在本申请中，可以将路网中的各条道路分别执行本实施例中的流程来识别各道路上的交通事故信息。也可以对于指定道路执行本实施例中的流程来识别该指定道路上的交通事故信息。也可以对于指定区域中的各条道路分别执行本实施例中的流程来识别各道路上的交通事故信息，等等。
下面结合实施例二和实施例三对本申请采用的交通事故识别模型的结构和工作机制进行详细描述。
实施例二、
图3a为本申请实施例二提供的一种交通事故识别模型的结构示意图，如图3a中所示。交通事故识别模型可以包括：第一编码器、第二编码器、第三编码器和事故识别子任务模型。
其中第一编码器用于对道路特征进行编码映射，得到道路特征的向量表示。
由于路网维度极为庞大，很难收集到每条道路出现事故的样本，而在未来发生事故的道路集合中也可能含有冷启动道路，因此道路特征表示需要具有泛化能力。针对道路i，在本申请实施例中可以抽取影响通行能力的核心特征，并对每种特征进行离散化分级表示。采用的道路特征可以包括但不限于：
1)道路等级。该道路等级通常是按照行政级别、交通量等进行划分的，例如从高速国道到县道小路共被划分为10个等级。
2)道路速度等级。例如可以根据道路上轨迹的平均速度划分为10个等级。
3)道路宽度等级。例如可以根据道路实际测绘宽度划分为10个等级。
4)道路行驶方向等级。例如可以划分顺行和逆行2个等级。
5)道路长度等级。例如可以根据道路实际测绘长度划分为20个等级。
可以将道路i的道路特征都映射到上述离散化的分级中，并按照顺序拼接在一起，得到道路的onehot(独热)编码向量表示，然后经过全连接层映射得到道路特征的向量表示li。
第二编码器，用于对环境特征进行编码映射，得到环境特征的向量表示。
影响通行能力的环境因素很多，在本实施例中以时间特征和天气特征为例，但也可以扩展其他因素。
时间特征的表示可以采用诸如
Figure GDA0002873870870000071
和
Figure GDA0002873870870000072
进行连续性表达。其中，x是小时，y是分钟，z是秒钟。比如，早晨8：00：30时，x＝8，y＝0，z＝30，代入公式计算出两个值，共同作为时间特征进行记录。
时间特征还可以包括：星期特征以及是否为工作日的特征等。其中星期特征可以的表达可以采用诸如
Figure GDA0002873870870000081
和
Figure GDA0002873870870000082
进行连续性表达，m是星期。比如，星期一对应m是0，星期二对应m是1，以此类推。是否为工作日的特征则可以采用2维，例如0代表工作日，1代表公休日。
天气特征可以分为诸如晴天、阴天、小雨、中雨、大雨、暴雨、小雪、中雪、大雪、暴雪、有雾等分类，使用one-hot(独热)编码形式进行表达，最终得到30维特征。然后将特征按照顺序进行拼接后，经过全连接层映射得到环境特征的向量表示ei。
第三编码器，用于对道路上的车流特征进行编码映射，得到道路上的车流特征的向量表示。
由于交通事故发生后往往会有明显的汇流现象出现，同时车流量也会出现明显的变化，因此，本申请实施例中采用的道路上的车流特征可以包括道路上的车辆汇流角度特征和车流量特征中的至少一种。
关于道路上的车辆汇流角度特征采用的是一定时长内通过该道路的车辆速度方向(例如平均速度方向)夹角与道路夹角的差。以图4为例，假设一条道路中包含四个形状点：L1、L2、L3和L4。相邻两个形状点之间的道路片段都是直线。假设车辆速度方向为P1、P2、P3和P4四个形状点表示的折线。其中，P1P2和L1L2对比出夹角x°，线段P2P3和L2L3对比出夹角-y°，线段P3P4和L3L4对比出夹角-z°其中，车辆速度方向比道路方向为顺时针时角度为正，逆时针时角度为负。那么该道路上的车辆汇流角度特征就可以表示为每一段道路片段的夹角累积，例如可以采用算数和F1＝x°+(-y°)+(-z°)以及绝对值和F2＝|x°|+|-y°|+|-z°|两个特征来表示。然后将F1和F2以10°为一个分段进行离散化后，得到72维离散值。每一维离散值表示符合该夹角离散标准的归一化车辆比例。
道路上的车流量特征使用的是一定时长内穿行该道路的车辆绝对值。
在本实施例中可以将上述特征进行顺序拼接后，经过全连接层映射得到道路上的车流特征的向量表示
Figure GDA0002873870870000091
特别地，因为车流的表现是连续的，上述一定时长可以分别取最近1分钟以及最近5分钟，然后将最近1分钟统计出的特征和最近5分钟统计出的特征进行顺序拼接，经过全连接层映射得到道路上的车流特征的向量表示
Figure GDA0002873870870000092
事故识别子任务模型，用于利用道路特征的向量表示li、环境特征的向量表示ei和道路上车流特征的向量表示
Figure GDA0002873870870000093
进行分类，得到对应道路是否发生事故的识别结果。该事故识别子任务模型是一个二分类任务，若发生事故的分类表示为1，未发生事故的分类表示为0，则该任务可以表示为：
Figure GDA0002873870870000094
即事故识别子任务模型依据输入的道路特征的向量表示li、环境特征的向量表示ei和道路上车流特征的向量表示
Figure GDA0002873870870000095
确定该道路i发生事故的概率。
实施例三、
图3b为本申请实施例三提供的另一种交通事故识别模型的结构示意图，如图3b中所示，交通事故识别模型除了包括第一编码器、第二编码器、第三编码器和事故识别子任务模型之外，还可以进一步包括车道识别子任务模型和持续时长预测子任务模型中的至少一种(本实施例中以同时包含车道识别子任务模型和持续时长预测子任务模型为例。其中，若包含持续时长预测子任务模型，则交通事故识别模型会进一步包括第四编码器。
其中，第一编码器、第二编码器、第三编码器和事故识别子任务模型的功能与实施例二中类似，在此不做赘述。
不同的是，第一编码器、第二编码器和第三编码器会进一步分别输出至车道识别子任务模型和持续时长预测子任务模型。
车道识别子任务模型，用于利用道路特征的向量表示li、环境特征的向量表示ei和道路上车流特征的向量表示
Figure GDA0002873870870000101
进行分类，得到发生事故的车道信息。
该车道识别子任务模型是一个多分类任务，将道路上的车道预先进行分类，例如分为左侧车道、右侧车道，还可以进一步分为中间车道、从右往左第二车道等等。该任务可以表示为：
Figure GDA0002873870870000102
其中，k表示车道，即车道识别子任务模型依据输入的道路特征的向量表示li、环境特征的向量表示ei和道路上车流特征的向量表示
Figure GDA0002873870870000103
确定事故发生在车道k上的概率。
第四编码器，用于对道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示。第四编码器会输出至持续时长预测子任务模型。
在交通事故发生后，如果未来一段时间内持续有车辆计划途径事故区域，大概率会加重拥堵并延长事故的拥堵持续时长。因此，在本实施例中引入了区域的车流特征。区域内车流特征旨在刻画一定区域范围内的车流量密度，因此可以采用道路所在区域所包含各子区域的车流量特征。对于道路所在区域可以以行政区域进行划分，也可以以道路为中心点向外扩展一定范围的区域，然后将区域划分为固定数量的子区域。例如以道路为中心点向外扩展5km的矩形区域，从而得到一个10km*10km的矩形区域。将该矩形区域划分为100个1km*1km的小区域。
子区域内的车流量特征由子区域内的道路拥堵系数加权道路长度的平均值表示：
Figure GDA0002873870870000111
其中，Ix为子区域内的车流量特征，Lj为子区域内道路j的长度，rj为子区域内道路j的拥堵系数。
各子区域内的车流量特征的取值构成的矩阵输入CNN(Convolutional NeuralNetworks，卷积神经网络)，然后CNN输出的特征矩阵经过全连接层映射得到区域车流特征的向量表示
Figure GDA0002873870870000112
除了CNN之外，也可以采用其他编码模型，例如GCN(Graph ConvolutionalNetwork，图卷积神经网络)等。
持续时长预测子任务模型，用于利用道路特征的向量表示li、环境特征的向量表示ei、道路上车流特征的向量表示
Figure GDA0002873870870000113
和区域车流特征的向量表示
Figure GDA0002873870870000114
进行回归预测，得到对应道路上事故的拥堵持续时长信息。该持续时长预测子任务模型是个回归任务，这个任务可以采用下面这个公式回归表示：
Figure GDA0002873870870000115
其中，wl、we、
Figure GDA0002873870870000116
和
Figure GDA0002873870870000117
为模型参数。
可以看出，交通事故识别模型实际上是个多任务模型，下面将结合实施例四对交通事故识别模型的训练过程进行详细描述。
实施例四、
图5为本申请实施例四提供的训练交通事故识别模型的方法流程图，如图5中所示，该方法可以包括以下步骤：
在501中，从历史交通事故记录中获取第一训练样本，所述第一训练样本包括标注为发生事故的道路特征、环境特征和道路上的车流特征作为正样本，标注为未发生事故的道路特征、环境特征和道路上的车流特征作为负样本。
其中历史交通事故记录可以是用户上报的交通事故记录，也可以是交通上报的交通事故记录，还可以是其他官方提供的交通事故记录。将这些交通事故记录中过滤掉未产生明显拥堵或者拥堵时长较短的交通事故，然后从过滤后得到的高质量交通事故中抽取一些交通事故记录，将这部分交通事故记录的道路标注为发生事故，并从对应道路获取道路特征、环境特征和道路上的车流特征，从而产生正样本。在构造负样本时，可以从未发生事故的道路中抽取一些标注为为发生事故，并从对应道路获取道路特征、环境特征和道路上的车流特征，从而产生负样本。
在502中，利用正样本和负样本训练得到交通事故识别模型，交通事故识别模型能够依据道路特征、环境特征和道路上的车流特征得到对应道路上的事故信息识别结果，事故信息识别结果至少包括是否发生事故的识别结果。
对于如图3a中所示的交通事故识别模型，在训练过程中，第一编码器对第一训练样本中的道路特征进行编码映射，得到道路特征的向量表示。第二编码器对第一训练样本中的环境特征进行编码映射，得到环境特征的向量表示。第三编码器对第一训练样本中的道路上的车流特征进行编码映射，得到道路上的车流特征的向量表示。然后事故识别子任务模型利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到对应道路是否发生事故的识别结果。训练目标为：事故识别子任务模型的识别结果与所述第一训练样本中对应的标注一致。即对于正样本而言，事故识别子任务模型的预测目标为发生事故，对于负样本而言，事故识别子任务模型的预测目标为未发生事故。可以依据该训练目标构建损失函数(loss)，每一轮迭代依据loss的取值优化第一编码器、第二编码器、第三编码器和事故识别子任务模型的模型参数。
而对于如图3b中所示的交通事故识别模型，若该模型中还包括车道识别子任务模型。则需要获取第二训练样本用以对该子任务模型进行训练。
其中第二训练样本同样从上述的历史交通事故记录中获取，可以上述第一训练样本中的正样本中进一步选择存在发生事故的车道信息的交通事故记录，对发生事故的车道信息进行标注，并从发生事故的道路中获取道路特征、环境特征、道路上的车流特征作为第二训练样本。
第一编码器、第二编码器、第三编码器对第二训练样本的编码映射结果会输出至车道识别子任务模型。由车道识别子任务模型利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息。训练目标为：车道识别子任务模型的识别结果与所述第二训练样本中对应的标注一致。可以依据该训练目标构建损失函数(loss)，每一轮迭代依据loss的取值优化第一编码器、第二编码器、第三编码器和车道识别子任务模型的模型参数。
若该模型中还包括持续时长预测子任务模型。则需要获取第三训练样本用以对该子任务模型进行训练。同样从上述的历史交通事故记录中获取，可以上述第一训练样本中的正样本中进一步选择可以确定出拥堵持续时长信息的交通事故记录，对拥堵持续时长进行标注，并从发生事故的道路中获取道路特征、环境特征、道路上的车流特征、道路所在区域的车流特征作为第三训练样本。
除了上述第一编码器、第二编码器和第三编码器分别针对第三训练样本进行编码映射输出至持续时长预测子任务模型之外，第四编码器对第三训练样本中道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示，并输出至持续时长预测子任务模型。
持续时长预测子任务模型利用道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和区域车流特征的向量表示进行回归预测，得到对应道路上事故的拥堵持续时长信息。训练目标为：持续时长预测子任务模型的预测结果与第三训练样本中对应的标注一致。可以利用该训练目标构建loss，例如利用持续时长预测子任务模型的预测结果与第三训练样本中对应的标注的差异构建loss。每一轮迭代依据loss的取值优化第一编码器、第二编码器、第三编码器、第四编码器和持续时长预测子任务模型的模型参数。
在图3b所示的交通事故识别模型的训练中，是一个多任务训练过程。三个子任务模型共享第一编码器、第二编码器和第三编码器。由于具有发生事故的车道信息(即第二训练样本)和拥堵持续时长的样本(即第三训练样本)数量级远远低于是否发生事故的样本(即第一训练样本)数量，因此采用多任务学习的方式，通过共享层(第一编码器、第二编码器和第三编码器)能够有效地提升车道识别子任务模型和持续时长预测子任务模型训练的准确性。
对于图3b所示的交通事故识别模型包括两个以上的子任务模型，其在训练的每轮迭代中可以选择一个子任务模型以及该子任务模型对应的训练样本进行训练，直至各子任务模型均达到训练目标。
其中，在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练时，可以随机选择一个子任务模型或交替选择一个子任务模型，再从选择的子任务模型对应的训练样本中随机抽取或依次抽取训练样本。
举个例子，先从第一训练样本中随机抽取训练样本，利用事故识别子任务模型输出的loss，更新第一编码器、第二编码器、第三编码器和事故识别子任务模型的模型参数。然后从第二训练样本中随机抽取训练样本，利用车道识别子任务模型输出的loss，更新第一编码器、第二编码器、第三编码器和车道识别子任务模型的模型参数。再从第三训练样本中随机抽取训练样本，利用持续时长预测子任务模型的loss，更新第一编码器、第二编码器、第三编码器、第四编码器和持续时长预测子任务模型的模型参数。以此循环，直至满足迭代终止条件。其中迭代终止条件可以包括诸如：所有子任务模型的loss都收敛、迭代次数达到预设的迭代次数阈值、所有训练样本都训练完毕，等等。
以上是对本申请所提供方法进行的详细描述。下面结合实施例对本申请提供的装置进行详细描述。
实施例五、
图6为本申请实施例五提供的交通事故识别装置的结构图，如图6所示，该装置可以包括：获取单元01和识别单元02。其中各组成单元的主要功能如下：
获取单元01，用于获取道路特征、环境特征和道路上的车流特征。
道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
环境特征包括时间特征和天气特征中的至少一种；
道路上的车流特征包括道路上的车辆汇流角度特征和车流量特征中的至少一种，其中车辆汇流角度特征由道路上车辆速度方向与道路夹角的差值得到。
识别单元02，用于将道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到道路上的事故信息识别结果，道路上的事故信息识别结果至少包括是否发生事故的识别结果。
其中，如图3a中所示，交通事故识别模型可以包括：第一编码器、第二编码器、第三编码器和事故识别子任务模型。
第一编码器，用于对道路特征进行编码映射，得到道路特征的向量表示。
第二编码器，用于对环境特征进行编码映射，得到环境特征的向量表示。
第三编码器，用于对道路上的车流特征进行编码映射，得到道路上车流特征的向量表示。
事故识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到道路是否发生事故的识别结果。
更进一步地，如图3b中所示，交通事故识别模型还可以包括：
车道识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息。
更进一步地，交通事故识别模型还可以包括：
第四编码器，用于对道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示。
道路所在区域的车流特征包括：区域所包含各子区域的车流量特征。其中，车流量特征由子区域内的道路拥堵系数加权道路长度的平均值表示。
持续时长预测子任务模型，利用道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和区域车流特征的向量表示进行回归预测，得到道路上事故的拥堵持续时长信息。
实施例六、
图7为本申请实施例六提供的训练交通事故识别模型的装置结构图，如图7中所示，该装置可以包括：样本获取单元11和模型训练单元12。其中各组成单元的主要功能如下：
样本获取单元11，用于从历史交通事故记录中获取第一训练样本，第一训练样本包括标注为发生事故的道路特征、环境特征和道路上的车流特征作为正样本，标注为未发生事故的道路特征、环境特征和道路上的车流特征作为负样本。
其中，道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
环境特征包括时间特征和天气特征中的至少一种；
道路上的车流特征包括道路上的车辆汇流角度特征和车流量特征中的至少一种，其中车辆汇流角度特征由道路上车辆速度方向与道路夹角的差值得到。
模型训练单元12，用于利用正样本和负样本训练得到交通事故识别模型，交通事故识别模型能够依据道路特征、环境特征和道路上的车流特征得到对应道路上的事故信息识别结果，事故信息识别结果至少包括是否发生事故的识别结果。
如图3a中所示，交通事故识别模型可以包括第一编码器、第二编码器、第三编码器和事故识别子任务模型。
第一编码器，用于对道路特征进行编码映射，得到道路特征的向量表示。
第二编码器，用于对环境特征进行编码映射，得到环境特征的向量表示。
第三编码器，用于对道路上的车流特征进行编码映射，得到道路上的车流特征的向量表示。
事故识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到对应道路是否发生事故的识别结果。
此时，模型训练单元12利用第一训练样本对第一编码器、第二编码器、第三编码器和事故识别子任务模型进行训练，训练目标为：事故识别子任务模型的识别结果与第一训练样本中对应的标注一致。
如图3b中所示，交通事故识别模型还可以包括：车道识别子任务模型。
此时，样本获取单元11，还用于从历史交通事故记录中获取第二训练样本，第二训练样本包括发生事故的道路特征、环境特征、道路上的车流特征以及对发生事故的车道信息的标注。
车道识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息。
模型训练单元12，还用于利用第二训练样本对第一编码器、第二编码器、第三编码器和车道识别子任务模型进行训练，训练目标为：车道识别子任务模型的分类结果与第二训练样本中对应的标注一致。
如图3b中所示，通事故识别模型还可以包括：第四编码器和持续时长预测子任务模型。
此时，样本获取单元11，还用于从历史交通事故记录中获取第三训练样本，第三训练样本包括：发生事故的道路特征、环境特征、道路上的车流特征、道路所在区域的车流特征以及对事故的拥堵持续时长信息的标注；
第四编码器，用于对道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示。
其中，道路所在区域的车流特征包括：区域所包含各子区域的车流量特征。车流量特征由子区域内的道路拥堵系数加权道路长度的平均值表示。
持续时长预测子任务模型，用于利用道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和区域车流特征的向量表示进行回归预测，得到对应道路上事故的拥堵持续时长信息。
模型训练单元12可以利用第三训练样本对第一编码器、第二编码器、第三编码器、第四编码器和持续时长预测子任务模型进行训练，训练目标为：持续时长预测子任务模型的预测结果与第三训练样本中对应的标注一致。
其中，若交通事故识别模型包括两个以上的子任务模型，则模型训练单元12在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练，直至各子任务模型均达到训练目标。
作为一种优选的实施方式，模型训练单元12在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练时，具体用于：随机选择一个子任务模型或交替选择一个子任务模型，再从选择的子任务模型对应的训练样本中随机抽取或依次抽取训练样本。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的交通事故识别方法和训练交通事故识别模型的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的交通事故识别方法和训练交通事故识别模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的交通事故识别方法和训练交通事故识别模型的方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的交通事故识别方法和训练交通事故识别模型的方法对应的程序指令/模块。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的交通事故识别方法和训练交通事故识别模型的方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据该电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与该电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
由以上描述可以看出，本申请实施例提供的方法、装置、设备和计算机存储介质可以具备以下优点：
1)本申请能够依据道路特征、环境特征和道路上的车流特征，自动识别出发生事故的道路。相比较传统依赖人工上报的方式，时效性更强、覆盖率更高。
2)除了道路是否发生事故的识别结果之外，还可以进一步识别出发生事故的车道信息，从而使得用户获取更加详尽的事故信息，尽早变道避开发生事故的车道。
3)本申请还可以对事故的拥堵持续时长进行预测，可以有效地为用户规划路线提供帮助。
4)本申请使用了多维度的、泛化的、能够准确体现道路上事故所带来影响的特征信息，使得对交通事故信息的识别更加准确。
5)本申请能够利用历史交通事故记录对交通事故识别模型进行训练，从而使得交通事故识别模型能够实现上述的发生事故的道路、车道信息以及拥堵持续时长的识别和预测。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (26)

1.一种交通事故识别方法，包括：
获取道路特征、环境特征、道路上的车流特征以及道路所在区域的车流特征；
将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果；
所述事故识别模型进一步利用所述道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和所述区域车流特征的向量表示进行回归预测，得到所述道路上事故的拥堵持续时长信息；
其中，所述道路上的车流特征包括所述道路上的车辆汇流角度特征，所述车辆汇流角度特征由道路上车辆速度方向夹角与道路夹角的差值得到；所述道路所在区域的车流特征包括各子区域的车流量特征，子区域的车流量特征由子区域内的道路拥堵系数加权道路长度的平均值表示。
2.根据权利要求1所述的方法，其中，所述交通事故识别模型利用第一编码器、第二编码器和第三编码器分别对所述道路特征、环境特征和道路上的车流特征进行编码映射，得到所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示；
所述交通事故识别模型中的事故识别子任务模型利用所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到所述道路是否发生事故的识别结果。
3.根据权利要求2所述的方法，其中，所述事故信息识别结果还包括发生事故的车道信息；
该方法还包括：
所述交通事故识别模型中的车道识别子任务模型利用所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息。
4.根据权利要求2所述的方法，其中，所述交通事故识别模型还利用第四编码器对所述道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示；所述交通事故识别模型中的持续时长预测子任务模型利用所述道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和所述区域车流特征的向量表示进行回归预测，得到所述道路上事故的拥堵持续时长信息。
5.根据权利要求1至4中任一项所述的方法，所述道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
所述环境特征包括时间特征和天气特征中的至少一种；
所述道路上的车流特征还包括所述道路上的车流量特征。
6.一种训练交通事故识别模型的方法，包括：
从历史交通事故记录中获取第一训练样本和第三训练样本，所述第一训练样本包括标注为发生事故的道路的道路特征、环境特征和道路上的车流特征作为正样本，标注为未发生事故的道路的道路特征、环境特征和道路上的车流特征作为负样本；所述第三训练样本包括：发生事故的道路特征、环境特征、道路上的车流特征、道路所在区域的车流特征以及对事故的拥堵持续时长信息的标注；
利用所述正样本和负样本训练得到所述交通事故识别模型，所述交通事故识别模型能够依据道路特征、环境特征和道路上的车流特征得到对应道路上的事故信息识别结果，所述事故信息识别结果至少包括是否发生事故的识别结果；
进一步利用所述第三训练样本训练所述事故识别模型，所述事故识别模型能够进一步利用所述道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和所述区域车流特征的向量表示进行回归预测，得到所述道路上事故的拥堵持续时长信息；
其中，所述道路上的车流特征包括所述道路上的车辆汇流角度特征，所述车辆汇流角度特征由道路上车辆速度方向夹角与道路夹角的差值得到；所述道路所在区域的车流特征包括各子区域的车流量特征，子区域的车流量特征由子区域内的道路拥堵系数加权道路长度的平均值表示。
7.根据权利要求6所述的方法，其中，所述交通事故识别模型包括第一编码器、第二编码器、第三编码器和事故识别子任务模型；
所述第一编码器，用于对道路特征进行编码映射，得到道路特征的向量表示；
所述第二编码器，用于对环境特征进行编码映射，得到环境特征的向量表示；
所述第三编码器，用于对道路上的车流特征进行编码映射，得到道路上的车流特征的向量表示；
所述事故识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到对应道路是否发生事故的识别结果；
利用所述第一训练样本对所述第一编码器、第二编码器、第三编码器和事故识别子任务模型进行训练，训练目标为：所述事故识别子任务模型的识别结果与所述第一训练样本中对应的标注一致。
8.根据权利要求7所述的方法，还包括：
从所述历史交通事故记录中获取第二训练样本，所述第二训练样本包括发生事故的道路特征、环境特征、道路上的车流特征以及对发生事故的车道信息的标注；
所述交通事故识别模型还包括：车道识别子任务模型；
所述车道识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息；
利用所述第二训练样本对所述第一编码器、第二编码器、第三编码器和所述车道识别子任务模型进行训练，训练目标为：所述车道识别子任务模型的分类结果与所述第二训练样本中对应的标注一致。
9.根据权利要求7所述的方法，其中，所述交通事故识别模型还包括：第四编码器和持续时长预测子任务模型；
所述第四编码器，用于对道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示；
所述持续时长预测子任务模型，用于利用道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和区域车流特征的向量表示进行回归预测，得到对应道路上事故的拥堵持续时长信息；
利用所述第三训练样本对所述第一编码器、第二编码器、第三编码器、第四编码器和持续时长预测子任务模型进行训练，训练目标为：所述持续时长预测子任务模型的预测结果与所述第三训练样本中对应的标注一致。
10.根据权利要求8或9所述的方法，其中，若所述交通事故识别模型包括两个以上的子任务模型，则在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练，直至各子任务模型均达到训练目标。
11.根据权利要求10所述的方法，其中，所述在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练时，随机选择一个子任务模型或交替选择一个子任务模型，再从选择的子任务模型对应的训练样本中随机抽取或依次抽取训练样本。
12.根据权利要求6至9中任一项所述的方法，其中，所述道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
所述环境特征包括时间特征和天气特征中的至少一种；
所述道路上的车流特征还包括所述道路上的车流量特征。
13.一种交通事故识别装置，包括：
获取单元，用于获取道路特征、环境特征、道路上的车流特征以及道路所在区域的车流特征；
识别单元，用于将所述道路特征、环境特征和道路上的车流特征输入预先训练得到的交通事故识别模型，得到所述道路上的事故信息识别结果，所述道路上的事故信息识别结果至少包括是否发生事故的识别结果；所述事故识别模型进一步利用所述道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和所述区域车流特征的向量表示进行回归预测，得到所述道路上事故的拥堵持续时长信息；
其中，所述道路上的车流特征包括所述道路上的车辆汇流角度特征，所述车辆汇流角度特征由道路上车辆速度方向夹角与道路夹角的差值得到；所述道路所在区域的车流特征包括各子区域的车流量特征，子区域的车流量特征由子区域内的道路拥堵系数加权道路长度的平均值表示。
14.根据权利要求13所述的装置，其中，所述交通事故识别模型包括：第一编码器、第二编码器、第三编码器和事故识别子任务模型；
所述第一编码器，用于对所述道路特征进行编码映射，得到所述道路特征的向量表示；
所述第二编码器，用于对所述环境特征进行编码映射，得到所述环境特征的向量表示；
所述第三编码器，用于对所述道路上的车流特征进行编码映射，得到所述道路上车流特征的向量表示；
所述事故识别子任务模型，用于利用所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到所述道路是否发生事故的识别结果。
15.根据权利要求14所述的装置，其中，所述交通事故识别模型还包括：
车道识别子任务模型，用于利用所述道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息。
16.根据权利要求14所述的装置，其中，所述交通事故为别模型还包括：
第四编码器，用于对所述道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示；
持续时长预测子任务模型，利用所述道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和所述区域车流特征的向量表示进行回归预测，得到所述道路上事故的拥堵持续时长信息。
17.根据权利要求13至16中任一项所述的装置，其中，所述道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
所述环境特征包括时间特征和天气特征中的至少一种；
所述道路上的车流特征还包括所述道路上的车流量特征。
18.一种训练交通事故识别模型的装置，包括：
样本获取单元，用于从历史交通事故记录中获取第一训练样本和第三训练样本，所述第一训练样本包括标注为发生事故的道路的道路特征、环境特征和道路上的车流特征作为正样本，标注为未发生事故的道路的道路特征、环境特征和道路上的车流特征作为负样本；所述第三训练样本包括：发生事故的道路特征、环境特征、道路上的车流特征、道路所在区域的车流特征以及对事故的拥堵持续时长信息的标注；
模型训练单元，用于利用所述正样本和负样本训练得到所述交通事故识别模型，所述交通事故识别模型能够依据道路特征、环境特征和道路上的车流特征得到对应道路上的事故信息识别结果，所述事故信息识别结果至少包括是否发生事故的识别结果；进一步利用所述第三训练样本训练所述事故识别模型，所述事故识别模型能够进一步利用所述道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和所述区域车流特征的向量表示进行回归预测，得到所述道路上事故的拥堵持续时长信息；
其中，所述道路上的车流特征包括所述道路上的车辆汇流角度特征，所述车辆汇流角度特征由道路上车辆速度方向夹角与道路夹角的差值得到；所述道路所在区域的车流特征包括各子区域的车流量特征，子区域的车流量特征由子区域内的道路拥堵系数加权道路长度的平均值表示。
19.根据权利要求18所述的装置，其中，所述交通事故识别模型包括第一编码器、第二编码器、第三编码器和事故识别子任务模型；
所述第一编码器，用于对道路特征进行编码映射，得到道路特征的向量表示；
所述第二编码器，用于对环境特征进行编码映射，得到环境特征的向量表示；
所述第三编码器，用于对道路上的车流特征进行编码映射，得到道路上的车流特征的向量表示；
所述事故识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到对应道路是否发生事故的识别结果；
所述模型训练单元，具体用于利用所述第一训练样本对所述第一编码器、第二编码器、第三编码器和事故识别子任务模型进行训练，训练目标为：所述事故识别子任务模型的识别结果与所述第一训练样本中对应的标注一致。
20.根据权利要求19所述的装置，其中，所述样本获取单元，还用于从所述历史交通事故记录中获取第二训练样本，所述第二训练样本包括发生事故的道路特征、环境特征、道路上的车流特征以及对发生事故的车道信息的标注；
所述交通事故识别模型还包括：车道识别子任务模型；
所述车道识别子任务模型，用于利用道路特征的向量表示、环境特征的向量表示和道路上车流特征的向量表示进行分类，得到发生事故的车道信息；
所述模型训练单元，还用于利用所述第二训练样本对所述第一编码器、第二编码器、第三编码器和所述车道识别子任务模型进行训练，训练目标为：所述车道识别子任务模型的分类结果与所述第二训练样本中对应的标注一致。
21.根据权利要求19所述的装置，其中，所述交通事故识别模型还包括：第四编码器和持续时长预测子任务模型；
所述第四编码器，用于对道路所在区域的车流特征进行编码映射，得到区域车流特征的向量表示；
所述持续时长预测子任务模型，用于利用道路特征的向量表示、环境特征的向量表示、道路上车流特征的向量表示和区域车流特征的向量表示进行回归预测，得到对应道路上事故的拥堵持续时长信息；
所述模型训练单元，还用于利用所述第三训练样本对所述第一编码器、第二编码器、第三编码器、第四编码器和持续时长预测子任务模型进行训练，训练目标为：所述持续时长预测子任务模型的预测结果与所述第三训练样本中对应的标注一致。
22.根据权利要求20或21所述的装置，其中，若所述交通事故识别模型包括两个以上的子任务模型，则所述模型训练单元在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练，直至各子任务模型均达到训练目标。
23.根据权利要求22所述的装置，其中，所述模型训练单元在训练的每轮迭代中选择一个子任务模型以及该子任务模型对应的训练样本进行训练时，具体用于：随机选择一个子任务模型或交替选择一个子任务模型，再从选择的子任务模型对应的训练样本中随机抽取或依次抽取训练样本。
24.根据权利要求19至21中任一项所述的装置，其中，所述道路特征包括以下至少一种：道路等级、道路速度等级、道路宽度等级、道路行驶方向等级和道路长度等级；
所述环境特征包括时间特征和天气特征中的至少一种；
所述道路上的车流特征还包括所述道路上的车流量特征。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
CN202010583070.XA 2020-06-23 2020-06-23 交通事故识别方法、装置、设备和计算机存储介质 Active CN111859291B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010583070.XA CN111859291B (zh) 2020-06-23 2020-06-23 交通事故识别方法、装置、设备和计算机存储介质
US16/951,922 US11328600B2 (en) 2020-06-23 2020-11-18 Method and apparatus for identifying traffic accident, device and computer storage medium
EP21164459.6A EP3929805A1 (en) 2020-06-23 2021-03-24 Method and apparatus for identifying traffic accident, device and computer storage medium
JP2021103344A JP7204826B2 (ja) 2020-06-23 2021-06-22 交通事故識別方法、装置、デバイス及びコンピュータ記憶媒体
KR1020210080912A KR102544760B1 (ko) 2020-06-23 2021-06-22 교통 사고 인식 방법, 장치, 기기 및 컴퓨터 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010583070.XA CN111859291B (zh) 2020-06-23 2020-06-23 交通事故识别方法、装置、设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN111859291A CN111859291A (zh) 2020-10-30
CN111859291B true CN111859291B (zh) 2022-02-25

Family

ID=72989516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010583070.XA Active CN111859291B (zh) 2020-06-23 2020-06-23 交通事故识别方法、装置、设备和计算机存储介质

Country Status (5)

Country Link
US (1) US11328600B2 (zh)
EP (1) EP3929805A1 (zh)
JP (1) JP7204826B2 (zh)
KR (1) KR102544760B1 (zh)
CN (1) CN111859291B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257954A (zh) * 2020-11-04 2021-01-22 北京世纪高通科技有限公司 预测分段道路风险等级的方法、装置、系统及存储介质
WO2022099608A1 (zh) * 2020-11-13 2022-05-19 金序能 高速公路上交通事故属性类别的获取方法
CN113033713B (zh) * 2021-05-24 2021-07-23 天津所托瑞安汽车科技有限公司 事故片段的识别方法、装置、设备及可读存储介质
US20230138325A1 (en) * 2021-10-29 2023-05-04 Tusimple, Inc. Autonomous Vehicle Navigation in Response to a Closed Railroad Crossing
CN114611867A (zh) * 2022-01-24 2022-06-10 广西交通设计集团有限公司 一种基运营期高等级公路事故易发点鉴别方法
CN114462313B (zh) * 2022-01-25 2024-04-16 青岛海信网络科技股份有限公司 交通事故风险预测方法、装置、设备、介质及产品
CN114443303A (zh) * 2022-01-26 2022-05-06 深圳壹账通科技服务有限公司 资源分配方法、装置、设备及介质
CN115148019A (zh) * 2022-05-16 2022-10-04 中远海运科技股份有限公司 一种基于节假日拥堵预测算法的预警方法及系统
CN115240407B (zh) * 2022-06-10 2024-01-12 深圳市综合交通与市政工程设计研究总院有限公司 交通事故黑点的鉴别方法、装置、电子设备及存储介质
CN115100867B (zh) * 2022-07-27 2022-11-29 武汉微晶石科技股份有限公司 一种基于数字孪生的城市智能交通仿真方法
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
CN116128224B (zh) * 2022-12-23 2024-01-26 山东省人工智能研究院 一种融合路网均衡和事故风险评估的智能驾驶决策方法
CN117649632B (zh) * 2024-01-29 2024-05-07 杭州感想科技有限公司 基于多源交通数据的高速公路事件识别方法及识别装置
CN117953692B (zh) * 2024-03-26 2024-06-18 江西交通职业技术学院 一种计算机集成的网络化交通管控系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646534B (zh) * 2013-11-22 2015-12-02 江苏大学 一种道路实时交通事故风险控制方法
CN105975915A (zh) * 2016-04-28 2016-09-28 大连理工大学 一种基于多任务卷积神经网络的前方车辆参数识别方法
CN106781458A (zh) * 2016-11-30 2017-05-31 成都通甲优博科技有限责任公司 一种交通事故监控方法及系统
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN107845262A (zh) * 2017-11-09 2018-03-27 山东浪潮云服务信息科技有限公司 一种交通事故预测方法和装置
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
CN110264711A (zh) * 2019-05-29 2019-09-20 北京世纪高通科技有限公司 一种交通事故概率的确定方法及装置
CN111144485A (zh) * 2019-12-26 2020-05-12 北京中交兴路车联网科技有限公司 基于xgboost分类算法的车辆事故判断方法和系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201248425A (en) * 2010-12-28 2012-12-01 Kei Tashiro Comprehensive glaucoma determination method utilizing glaucoma diagnosis chip and deformed proteomics cluster analysis
CN102496280B (zh) * 2011-12-13 2014-04-23 北京航空航天大学 一种路况信息实时获取方法
JP6819594B2 (ja) * 2015-08-28 2021-01-27 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
KR20170065898A (ko) * 2015-12-04 2017-06-14 한국교통연구원 도로 상에서의 기상악화로 인한 교통사고 발생 가능성 예측 방법 및 이를 위한 장치
KR101833359B1 (ko) 2016-03-22 2018-02-28 고려대학교 산학협력단 차량의 외부 영상 빅데이터를 이용한 교통 정보 수집 방법 및 장치
GB201704023D0 (en) * 2017-03-14 2017-04-26 Cimtek Systems Ltd Methods and/or systems of predicting the degree of bodily harm in an accident
WO2018181560A1 (ja) * 2017-03-30 2018-10-04 アイシン・エィ・ダブリュ株式会社 情報配信システム、及び情報配信プログラム
JP6655762B2 (ja) * 2017-05-26 2020-02-26 株式会社日立国際電気 機械学習モデル不正検知システム及び不正検知方法
US11049389B2 (en) * 2017-11-14 2021-06-29 International Business Machines Corporation Accident prevention device
CN109969172B (zh) * 2017-12-26 2020-12-01 华为技术有限公司 车辆控制方法、设备及计算机存储介质
CN111699519A (zh) 2018-01-23 2020-09-22 西门子交通有限责任公司 用于检测地理位置中的异常交通事件的系统、设备和方法
CN108922188B (zh) * 2018-07-24 2020-12-29 河北德冠隆电子科技有限公司 雷达跟踪定位的四维实景交通路况感知预警监控管理系统
JPWO2020116030A1 (ja) * 2018-12-03 2021-10-07 日本電気株式会社 道路監視システム、道路監視装置、道路監視方法、及びプログラム
CN111275957A (zh) * 2018-12-05 2020-06-12 杭州海康威视系统技术有限公司 一种交通事故信息采集方法、系统及摄像机
US11131993B2 (en) * 2019-05-29 2021-09-28 Argo AI, LLC Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646534B (zh) * 2013-11-22 2015-12-02 江苏大学 一种道路实时交通事故风险控制方法
CN105975915A (zh) * 2016-04-28 2016-09-28 大连理工大学 一种基于多任务卷积神经网络的前方车辆参数识别方法
CN106781458A (zh) * 2016-11-30 2017-05-31 成都通甲优博科技有限责任公司 一种交通事故监控方法及系统
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN107845262A (zh) * 2017-11-09 2018-03-27 山东浪潮云服务信息科技有限公司 一种交通事故预测方法和装置
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
CN110264711A (zh) * 2019-05-29 2019-09-20 北京世纪高通科技有限公司 一种交通事故概率的确定方法及装置
CN111144485A (zh) * 2019-12-26 2020-05-12 北京中交兴路车联网科技有限公司 基于xgboost分类算法的车辆事故判断方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Accident Lane Prediction Using Probabilistic Inference;Ilgin Gokasar 等;《2019 6th International Conference on Models and Technologies for Intelligent Transportation Systems》;20190607;1-8 *
RiskOracle: A Minute-level Citywide Traffic Accident Forecasting Framework;Zhengyang Zhou 等;《https://arxiv.org/abs/2003.00819?context=eess》;20200219;1-8 *
交通事故持续时间预测理论与方法;赵小强;《中国优秀硕士学位论文全文数据库工程科技II辑》;20120515(第05期);C034-615,26,32 *

Also Published As

Publication number Publication date
US11328600B2 (en) 2022-05-10
KR102544760B1 (ko) 2023-06-15
CN111859291A (zh) 2020-10-30
US20210398427A1 (en) 2021-12-23
JP7204826B2 (ja) 2023-01-16
KR20210158342A (ko) 2021-12-30
EP3929805A1 (en) 2021-12-29
JP2022003521A (ja) 2022-01-11

Similar Documents

Publication Publication Date Title
CN111859291B (zh) 交通事故识别方法、装置、设备和计算机存储介质
CN111489553B (zh) 一种路线规划方法、装置、设备和计算机存储介质
Yuan et al. A survey of traffic prediction: from spatio-temporal data to intelligent transportation
CN112560609B (zh) 路况预估方法、建立路况预估模型的方法及对应装置
WO2020034903A1 (zh) 一种基于拓扑图的智能导航的方法和系统
US7706964B2 (en) Inferring road speeds for context-sensitive routing
US20210239486A1 (en) Method and apparatus for predicting destination, electronic device and storage medium
CN109115237B (zh) 一种乘车位置推荐方法及服务器
CN108021858A (zh) 移动客体识别方法及客体流量分析方法
CN110411469B (zh) 导航规划方法、装置、设备和介质
CN112101527B (zh) 识别车道变化的方法和装置、电子设备和存储介质
KR20230012953A (ko) 운전 가능 표면 주석 달기를 위한 머신 러닝 기반 프레임워크
CN111815098A (zh) 基于极端天气的交通信息处理方法、装置、存储介质和电子设备
CN112269930A (zh) 建立区域热度预测模型、区域热度预测的方法及装置
US20200051430A1 (en) System and method to generate recommendations for traffic management
CN114742280B (zh) 路况预测方法及相应的模型训练方法、装置、设备及介质
CN112800153A (zh) 隔离带信息的挖掘方法、装置、设备和计算机存储介质
CN113706857B (zh) 道路通行性的确定方法、装置、设备及存储介质
CN112070288A (zh) 出发时间预估方法、装置、设备以及存储介质
Lakshna et al. Smart traffic: traffic congestion reduction by shortest route* search algorithm
CN113139138B (zh) 信息推荐方法和装置、电子设备、存储介质
Zafar et al. Traffic prediction in smart cities based on hybrid feature space
Fazekas et al. Detecting change in the urban road environment along a route based on traffic sign and crossroad data
KR102484139B1 (ko) 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템
Durga et al. Analysis of IoT and Artificial Intelligence Smart Transportation System Application Technology

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