CN112101670A - 数据处理方法、装置、电子设备和可读存储介质 - Google Patents
数据处理方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112101670A CN112101670A CN202010997096.9A CN202010997096A CN112101670A CN 112101670 A CN112101670 A CN 112101670A CN 202010997096 A CN202010997096 A CN 202010997096A CN 112101670 A CN112101670 A CN 112101670A
- Authority
- CN
- China
- Prior art keywords
- road
- accident
- track
- determining
- road section
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 34
- 238000005065 mining Methods 0.000 claims description 23
- 206010039203 Road traffic accident Diseases 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 241000283070 Equus zebra Species 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种数据处理方法、装置、电子设备和可读存储介质,涉及计算机技术领域,在本发明实施例中,道路特征可以作为判断某路段是否为高危路段的重要依据,进而,基于路段风险概率确定模型良好的学习能力,本发明实施例可以通过道路特征以及事故路段标记对路段风险概率确定模型进行预训练,使得训练后的路段风险概率确定模型可以更准确的判断待预测路段出现事故的概率,相较于现有技术中仅通过人工依据事故发生的频次来判断待预测路段出现事故的概率的方法更加客观、全面且平滑。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种数据处理方法、装置、电子设备和可读存储介质。
背景技术
目前,交通安全一直以来都是人们重点关注的对象,近几年来,人们可以基于互联网对正在开车的司机派发高危路段提示等信息。
现有技术中,一般通过人工定位历史交通事故的发生地点,并人工依据事故发生的频次,对路段进行危险等级的划分。
然而,通过人工统计的方式会使得统计的效率低下,而且,仅通过事故发生的频次无法客观、全面以及平滑的刻画全路网中路段发生事故的危险等级。
发明内容
有鉴于此,本发明实施例提供数据处理方法、装置、电子设备和可读存储介质,可以更加客观、全面且平滑的预测交通事故出现的概率。
第一方面,提供了一种数据处理方法,所述方法应用于电子设备,所述方法包括:
确定待预测路段的道路特征;
以所述待预测路段的道路特征为输入,通过训练后的路段风险概率确定模型确定所述待预测路段的事故概率,所述事故概率用于表征所述待预测路段出现交通事故的概率,所述路段风险概率确定模型基于多个事故路段的道路特征以及各事故路段的事故路段标记训练得到。
可选的,所述事故路段的事故路段标记基于如下步骤确定:
获取轨迹数据,所述轨迹数据为预设时间段内,通过预定区域路网的车辆的卫星定位数据;
根据所述轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,以对所述预定区域路网的各路段设置对应的事故路段标记,所述路网数据用于表征道路属性,所述事故路段为所述预定区域路网中的一部分。
可选的,所述路段风险概率确定模型基于如下步骤训练得到:
根据所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的道路特征;
基于各路段的事故路段标记以及所述道路特征训练路段风险概率确定模型,所述路段风险概率确定模型的输入为待预测路段的道路特征,输出为所述待预测路段出现交通事故的概率。
可选的,所述事故路段包括:事故道路和事故路口;
所述根据所述轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,包括:
确定所述轨迹数据中的事故轨迹,所述事故轨迹为发生事故的车辆对应的行驶轨迹数据;
基于预设的地图匹配算法,确定所述事故轨迹经过的道路或者路口;
基于预设的事故挖掘规则以及所述事故轨迹经过的道路或者路口,确定所述事故道路或者所述事故路口。
可选的,所述基于预设的事故挖掘规则以及所述事故轨迹经过的道路或者路口,确定所述事故道路或者所述事故路口,包括:
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口小于预设距离的第一轨迹点,确定所述第一轨迹点所处的位置为事故路口;
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口大于等于预设距离的第二轨迹点,确定所述第二轨迹点所处的位置为事故道路。
可选的,所述道路特征包括:静态特征和动态特征;
所述根据所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的道路特征,包括:
基于所述路网数据,确定所述预定区域路网各路段的静态特征,所述静态特征用于表征路段的客观属性;
基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的动态特征,所述动态特征用于表征所述预定区域路网各路段中车辆的行驶规律。
可选的,所述道路特征还包括:邻接特征;
所述方法还包括:
基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的邻接特征,所述邻接特征包括所述预定区域路网中,每个路段邻接的多个路口或者多个道路各自对应的静态特征以及动态特征。
可选的,所述动态特征包括路段中车辆的轨迹点密度、车辆的速度分布和超速分布信息中的至少一项。
可选的,所述基于各路段的事故路段标记以及所述道路特征训练路段风险概率确定模型,包括:
将所述事故路段标记以及所述道路特征作为模型训练集,训练路段风险概率确定模型。
第二方面,提供了一种数据处理装置,所述装置应用于电子设备,所述装置包括:
第一道路特征确定模块,用于确定待预测路段的道路特征;
事故概率确定模块,用于以所述待预测路段的道路特征为输入,通过训练后的路段风险概率确定模型确定所述待预测路段的事故概率,所述事故概率用于表征所述待预测路段出现交通事故的概率,所述路段风险概率确定模型基于多个事故路段的道路特征以及各事故路段的事故路段标记训练得到。
可选的,所述装置还包括:获取模块和事故路段标记确定模块;
所述获取模块,用于获取轨迹数据,所述轨迹数据为预设时间段内,通过预定区域路网的车辆的卫星定位数据;
所述事故路段标记确定模块,用于根据所述轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,以对所述预定区域路网的各路段设置对应的事故路段标记,所述路网数据用于表征道路属性,所述事故路段为所述预定区域路网中的一部分。
可选的,所述装置还包括:第二道路特征确定模块和训练模块;
所述第二道路特征确定模块,用于根据所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的道路特征;
所述训练模块,用于基于各路段的事故路段标记以及所述道路特征训练路段风险概率确定模型,所述路段风险概率确定模型的输入为待预测路段的道路特征,输出为所述待预测路段出现交通事故的概率。
可选的,所述事故路段包括:事故道路和事故路口;
所述事故路段标记确定模块,具体用于:
确定所述轨迹数据中的事故轨迹,所述事故轨迹为发生事故的车辆对应的行驶轨迹数据;
基于预设的地图匹配算法,确定所述事故轨迹经过的道路或者路口;
基于预设的事故挖掘规则以及所述事故轨迹经过的道路或者路口,确定所述事故道路或者所述事故路口。
可选的,所述事故路段标记确定模块,具体用于:
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口小于预设距离的第一轨迹点,确定所述第一轨迹点所处的位置为事故路口;
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口大于等于预设距离的第二轨迹点,确定所述第二轨迹点所处的位置为事故道路。
可选的,所述道路特征包括:静态特征和动态特征;
所述第二道路特征确定模块,具体用于:
基于所述路网数据,确定所述预定区域路网各路段的静态特征,所述静态特征用于表征路段的客观属性;
基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的动态特征,所述动态特征用于表征所述预定区域路网各路段中车辆的行驶规律。
可选的,所述道路特征还包括:邻接特征;
所述装置还包括:
邻接特征确定模块,用于基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的邻接特征,所述邻接特征包括所述预定区域路网中,每个路段邻接的多个路口或者多个道路各自对应的静态特征以及动态特征。
可选的,所述动态特征包括路段中车辆的轨迹点密度、车辆的速度分布和超速分布信息中的至少一项。
可选的,所述训练模块,具体用于:
将所述事故路段标记以及所述道路特征作为模型训练集,训练路段风险概率确定模型。
第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
在本发明实施例中,道路特征可以作为判断某路段是否为高危路段的重要依据,进而,基于路段风险概率确定模型良好的学习能力,本发明实施例可以通过道路特征以及事故路段标记对路段风险概率确定模型进行预训练,使得训练后的路段风险概率确定模型可以更准确的判断待预测路段出现事故的概率,相较于现有技术中仅通过人工依据事故发生的频次来判断待预测路段出现事故的概率的方法更加客观、全面且平滑。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1为本发明实施例提供的一种数据处理方法的流程图;
图2为本发明实施例提供的另一种数据处理方法的流程图;
图3为本发明实施例提供的另一种数据处理方法的流程图;
图4为本发明实施例提供的一种事故挖掘规则的示例性示意图;
图5为本发明实施例提供的另一种数据处理方法的流程图;
图6为本发明实施例提供的一种道路的示意图;
图7为本发明实施例提供的一种路口的示意图;
图8为本发明实施例提供的一种确定动态特征的流程示意图;
图9为本发明实施例提供的一种道路与路口的示意图;
图10为本发明实施例提供的一种训练路段风险概率确定模型的流程示意图;
图11为本发明实施例提供的一种数据处理装置的结构示意图;
图12为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供一种数据处理方法,该方法可以应用于电子设备,电子设备可以是服务器或者终端,其中,终端可以是移动终端也可以是个人计算机(PersonalComputer,PC)终端,例如,移动终端可以是智能手机、智能手表或者平板电脑等。
下面将结合具体实施方式,对本发明实施例提供的一种数据处理方法进行详细的说明,如图1所示,具体步骤如下:
步骤100、确定待预测路段的道路特征。
步骤200、以待预测路段的道路特征为输入,通过训练后的路段风险概率确定模型确定待预测路段的事故概率。
其中,事故概率用于表征待预测路段出现交通事故的概率,路段风险概率确定模型基于多个事故路段的道路特征以及各事故路段的事故路段标记训练得到。
在本发明实施例中,道路特征可以作为判断某路段是否为高危路段的重要依据,进而,基于路段风险概率确定模型良好的学习能力,本发明实施例可以通过道路特征以及事故路段标记对路段风险概率确定模型进行预训练,使得训练后的路段风险概率确定模型可以更准确的判断待预测路段出现事故的概率,相较于现有技术中仅通过人工依据事故发生的频次来判断待预测路段出现事故的概率的方法更加客观、全面且平滑。
更进一步的,如图2所示,可以基于如下步骤训练路段风险概率确定模型:
步骤300、根据轨迹数据以及路网数据,确定预定区域路网各路段的道路特征。
其中,车辆上的定位装置或设置与车辆上的终端设备按照预定的周期(例如每30秒)根据接收到的卫星信号进行一次定位操作,然后将定位获得的经纬度向服务器上报,由此,可以获得车辆在地段时间内的轨迹数据。该轨迹点可以包括卫星定位该车辆的时间以及该车辆所处的经纬度,该车辆的一段轨迹数据可以由该车辆的多个轨迹点组成。
在一种可实施的场景中,本发明实施例可以应用于网约车平台,其中,网约车平台的服务器可以获取该平台网约车司机的车辆卫星定位数据,以提供正常的网约车服务。
需要说明的,本发明实施例提供的场景仅作为举例说明,本发明实施例对应用场景不做具体限定。
步骤400、基于各路段的事故路段标记以及道路特征训练路段风险概率确定模型。
其中,路段风险概率确定模型的输入为待预测路段的道路特征,输出为待预测路段出现交通事故的概率。
在一种可实施方式中,可以基于如下步骤确定事故路段的事故路段标记:获取轨迹数据;以及根据轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,以对预定区域路网的各路段设置对应的事故路段标记。
其中,轨迹数据为预设时间段内,通过预定区域路网的车辆的卫星定位数据,路网数据用于表征道路属性,事故路段为预定区域路网中的一部分。
通过本发明实施例,可以基于轨迹数据和路网数据更准确的确定事故路段并为事故路段设置标记,而且,基于轨迹数据和路网数据确定的道路特征可以作为判断某路段是否为高危路段的重要依据,因此,电子设备基于事故路段标记以及道路特征训练得到的路段风险概率确定模型可以更准确的判断待预测路段出现事故的概率,相较于现有技术中仅通过人工依据事故发生的频次来判断待预测路段出现事故的概率的方法更加客观、全面且平滑。
可选的,如图3所示,确定事故路段的过程可以包括以下步骤:
步骤31、确定轨迹数据中的事故轨迹。
其中,事故轨迹为发生事故的车辆对应的行驶轨迹数据。
在实际应用中,司机在发生交通事故之后可以通过终端将交通事故上报,上报的内容可以包括发生事故的时间,电子设备可以根据发生事故的时间选取该司机在预设时间段内的轨迹数据作为事故轨迹。
例如,某司机A上报的内容包括在13:00时发生交通事故,那么,电子设备可以将司机A在12:30至13:30之间的轨迹数据作为事故轨迹。
需要说明的,由于司机上报的内容不一定是准确的,因此,预设时间段可以根据实际情况进行调整,本发明实施例不做限定。
步骤32、基于预设的地图匹配算法,确定事故轨迹经过的道路或者路口。
在实际应用中,电子设备可以通过地图匹配(Map Matching,MM)算法将事故轨迹与路网进行匹配,进而确定事故轨迹经过的道路或者路口。
步骤33、基于预设的事故挖掘规则以及事故轨迹经过的道路或者路口,确定事故道路或者事故路口。
其中,事故路段包括:事故道路和事故路口,事故路段标记包括:事故道路标记和事故路口标记。
通过本发明实施例,由于电子设备通过预设的地图匹配算法将事故轨迹与路网数据进行匹配,使得事故轨迹中的每个轨迹点均可以准确的定位到路网中,进而使得电子设备确定的事故道路或者事故路口更加准确。
可选的,电子设备基于预设的事故挖掘规则确定事故路口的过程,具体可以执行为:基于事故轨迹经过的道路或者路口,响应于事故轨迹中存在停留时长大于预设时长,且停留地点距离路口小于预设距离的第一轨迹点,确定第一轨迹点所处的位置为事故路口。
同样可选的,电子设备基于预设的事故挖掘规则确定事故道路的过程,具体可以执行为:基于事故轨迹经过的道路或者路口,响应于事故轨迹中存在停留时长大于预设时长,且停留地点距离路口大于等于预设距离的第二轨迹点,确定第二轨迹点所处的位置为事故道路。
具体的,如图4所示,图4为本发明实施例提供的一种事故挖掘规则的示例性流程图,该流程图具体包括以下步骤:
步骤41、确定事故轨迹。
步骤42、判断事故轨迹中是否存在停留时长大于3分钟的轨迹点,响应于事故轨迹中存在停留时长大于3分钟的轨迹点,执行步骤43,响应于事故轨迹中不存在停留时长大于3分钟的轨迹点,执行步骤41。
其中,3分钟为预设时长,在实际应用中可以根据实际情况调整预设时长,本发明实施例对预设时长不做限定。
步骤43、判断停留地点距离路口是否小于30米,响应于停留地点距离路口小于30米,执行步骤44,响应于停留地点距离路口大于等于30米,执行步骤45。
其中,30米为预设距离,在实际应用中可以根据实际情况调整预设距离,本发明实施例对预设距离不做限定。
步骤44、确定轨迹点所处位置为事故路口。
步骤45、确定轨迹点所处位置为事故道路。
需要说明的,在一种情况下,一段事故轨迹中可能包含多个符合预设的事故挖掘规则的轨迹点,因此,电子设备可能会根据事故轨迹以及预设的事故挖掘规则确定多个事故路口、多个事故道路或者多个事故路口和事故道路。
通过本发明实施例,电子设备可以依据预设的事故挖掘规则在事故轨迹中快速确定符合条件的轨迹点,提高了确定事故路口以及事故道路的效率。
可选的,如图5所示,上述步骤300可以包括以下步骤:
步骤310、基于路网数据,确定预定区域路网各路段的静态特征。
其中,道路特征包括:静态特征和动态特征,静态特征用于表征路段的客观属性。
例如,静态特征可以包括:道路的类别、宽度、通行方向、收费设置、起终点类型、长度、穿越限制、限速和路口的类别、红绿灯、人行横道、连接道路的数量等。
在一种实现方式中,电子设备可以通过编码(例如one-hot编码)技术对静态特征进行预处理,具体的,电子设备可以将静态特征的数据进行编码,得到静态特征的特征向量,进而电子设备可以基于静态特征的特征向量进行计算。
在另一种实现方式中,电子设备也可以直接基于静态特征进行计算,即电子设备也可以不对静态特征进行编码。
需要说明的,在本发明实施例中,电子设备还可以采用其它方式对静态特征进行预处理,本发明实施例不做限定。
如图6所示,图6为本发明实施例提供的一种道路的示意图,其中,该道路的静态特征可以包括:双向通行车道、宽50米、长200米、无收费以及限速60千米/小时。
如图7所示,图7为本发明实施例提供的一种路口的示意图,其中,该路口的静态特征可以包括:十字路口、有红绿灯、有人行横道以及连接4条道路。
需要说明的,图6与图7仅为本发明实施例提供的示意图,因为实际道路或者路口比图6与图7更为复杂,所以实际道路或者路口包含的静态特征可能比图6与图7更多。
步骤320、基于轨迹数据以及路网数据,确定预定区域路网各路段的动态特征。
其中,动态特征用于表征预定区域路网各路段中车辆的行驶规律。
可选的,动态特征包括路段中车辆的轨迹点密度、车辆的速度分布和超速分布信息中的至少一项。
其中,车辆的轨迹点密度可以用于表征道路或者路口的车流量,另外,车辆的轨迹点密度还可以分为高峰时期车辆的轨迹点密度、平峰时期车辆的轨迹点密度和夜间时期车辆的轨迹点密度。
车辆的速度分布可以用于表征道路或者路口的拥堵情况,另外,车辆的速度分布还可以分为高峰时期车辆的速度分布、平峰时期车辆的速度分布和夜间时期车辆的速度分布。
超速分布信息可以用于表征道路或者路口的超速违章情况,另外,超速分布信息还可以分为高峰时期超速分布信息、平峰时期超速分布信息和夜间时期超速分布信息。
同样的,在一种实现方式中,电子设备可以通过对动态特征进行预处理,确定动态特征的特征向量,进而电子设备可以基于动态特征的特征向量进行计算。
需要说明的,在本发明实施例中,电子设备还可以采用其它方式对动态特征进行预处理,本发明实施例不做限定。
在实际应用中,电子设备可以先根据MM算法将轨迹数据和路网数据进行匹配,然后根据匹配后的结果确定预定区域路网的动态特征。
例如,如图8所示,图8为本发明实施例提供的一种确定动态特征的流程示意图。
其中,图8中车辆1至车辆n的轨迹数据为:车辆1至车辆n通过道路或者路口的过程中的轨迹数据。
具体的,电子设备可以获取通过某道路或者某路口的车辆1至车辆n的轨迹数据,然后,电子设备可以通过MM算法,将车辆1至车辆n的轨迹数据与路网进行匹配,得到车辆1至车辆n在路网中的轨迹1至轨迹n,然后,电子设备可以根据轨迹1至轨迹n计算得到该道路或者路口的高峰/平峰/夜间时期车辆的轨迹点密度、高峰/平峰/夜间时期车辆的速度分布以及高峰/平峰/夜间时期超速分布信息。
在电子设备确定某路段的静态特征以及动态特征后,可以将该路段的静态特征以及动态特征作为该路段的道路特征。
可选的,道路特征还可以包括:邻接特征,进而,电子设备还可以执行:基于轨迹数据以及路网数据,确定预定区域路网各路段的邻接特征。
其中,邻接特征包括预定区域路网中,每个路段邻接的多个路口或者多个道路各自对应的静态特征以及动态特征。
在实际应用中,电子设备可以基于预设的邻接特征聚合算法,将预定区域路网中,每个路口邻接的多个路口或者道路各自对应的静态特征以及动态特征进行聚合。
例如,如图9所示,图9为本发明实施例提供的一种道路与路口的示意图,该示意图中包括:道路A、路口B以及路口C。
其中,路口B与道路A邻接,路口C与道路A邻接,路口B有红绿灯,路口C没有红绿灯,路口B与路口C均有斑马线。
在图9中,与道路A邻接且具有红绿灯的路口的比例为0.5,与道路A邻接且具有斑马线的路口的比例为1,进而,电子设备可以将上述0.5与1作为道路A的邻接特征的静态特征部分。
同理,电子设备也可以将路口B和路口C的动态特征作为道路A的邻接特征的动态特征部分。
进而,电子设备可以将道路A的邻接特征的静态特征部分与动态特征部分作为道路A的邻接特征。
在电子设备确定某路段的静态特征、动态特征以及邻接特征后,可以将该路段的静态特征、动态特征以及邻接特征作为该路段的道路特征。
通过本发明实施例,静态特征、动态特征以及邻接特征可以客观、全面且平滑地刻画道路或者路口,进而,电子设备可以根据这些特征客观、全面且平滑地预测道路或者路口出现事故的概率。
可选的,上述步骤400可以执行为:将事故路段标记以及道路特征作为模型训练集,训练路段风险概率确定模型。
例如,如图10所示,图10为本发明实施例提供的一种训练路段风险概率确定模型的流程示意图,具体步骤包括:
步骤101、将道路特征作为输入,输入至路段风险概率确定模型。
步骤102、获取路段风险概率确定模型的输出。
步骤103、基于路段风险概率确定模型的输出、事故路段标记以及损失函数,调整路段风险概率确定模型的模型参数。
步骤104、判断路段风险概率确定模型是否收敛,响应于路段风险概率确定模型收敛,执行步骤105,响应于路段风险概率确定模型未收敛,执行步骤101。
步骤105、存储路段风险概率确定模型的模型参数。
在实际应用中,路段风险概率确定模型可以采用梯度提升迭代决策树(GradientBoosting Decision Tree,GBDT)模型。
其中,GBDT模型有一系列决策树组成,可以捕捉特征之间较为复杂的交互关系,电子设备可以基于GBDT模型对交通事故出现的概率进行准确的预测,另外,在计算的过程中还可以引入起到正则化作用的项,可以有效防止模型过度拟合。
需要说明的,对于具体实现框架,电子设备可以采用任意适用的实现框架(例如XGBoost框架等),本发明实施例对实现框架的选择不做具体限定。
需要进一步说明的,在实际应用中,可以只针对道路或者路口对路段风险概率确定模型进行训练,单独针对道路或者单独针对路口的路段风险概率确定模型可以更针对性的预测事故概率,即可以更准确的预测事故概率。
通过在实际应用中的测试,当训练后的路段风险概率确定模型用于预测30天内,道路和路口发生交通事故的概率时,针对道路的路段风险概率确定模型的受试者工作特征曲线下的面积(Area Under Curve,AUC)为94%,针对路口的路段风险概率确定模型的AUC为90%。
其中,AUC的值越接近100%表征模型预测的概率越准确,由此可见,通过本发明实施例训练得到的路段风险概率确定模型确定的事故概率很准确。
需要说明的,在电子设备A训练的路段风险概率确定模型可以应用于其它电子设备中,例如,在服务器训练路段风险概率确定模型后,终端设备可以从服务器中请求获取该模型的模型参数,进而,该终端设备可以在本地使用该模型。
通过本发明实施例,由于道路特征可以客观、全面且平滑地刻画道路或者路口,所以训练后的道路概率确定模型可以基于待预测路段的道路特征准确确定该待预测路段的事故概率,提高了预测交通事故的准确率。
基于相同的技术构思,本发明实施例还提供了一种数据处理装置,如图11所示,该装置包括:第一道路特征确定模块111和事故概率确定模块112;
第一道路特征确定模块111,用于确定待预测路段的道路特征;
事故概率确定模块112,用于以待预测路段的道路特征为输入,通过训练后的路段风险概率确定模型确定待预测路段的事故概率,事故概率用于表征待预测路段出现交通事故的概率,路段风险概率确定模型基于多个事故路段的道路特征以及各事故路段的事故路段标记训练得到。
可选的,该装置还包括:获取模块和事故路段标记确定模块;
获取模块,用于获取轨迹数据,轨迹数据为预设时间段内,通过预定区域路网的车辆的卫星定位数据;
事故路段标记确定模块,用于根据轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,以对预定区域路网的各路段设置对应的事故路段标记,路网数据用于表征道路属性,事故路段为预定区域路网中的一部分。
可选的,该装置还包括:第二道路特征确定模块和训练模块;
第二道路特征确定模块,用于根据轨迹数据以及路网数据,确定预定区域路网各路段的道路特征;
训练模块,用于基于各路段的事故路段标记以及道路特征训练路段风险概率确定模型,路段风险概率确定模型的输入为待预测路段的道路特征,输出为待预测路段出现交通事故的概率。
可选的,事故路段包括:事故道路和事故路口;
事故路段标记确定模块,具体用于:
确定轨迹数据中的事故轨迹,事故轨迹为发生事故的车辆对应的行驶轨迹数据;
基于预设的地图匹配算法,确定事故轨迹经过的道路或者路口;
基于预设的事故挖掘规则以及事故轨迹经过的道路或者路口,确定事故道路或者事故路口。
可选的,事故路段标记确定模块,具体用于:
基于事故轨迹经过的道路或者路口,响应于事故轨迹中存在停留时长大于预设时长,且停留地点距离路口小于预设距离的第一轨迹点,确定第一轨迹点所处的位置为事故路口;
基于事故轨迹经过的道路或者路口,响应于事故轨迹中存在停留时长大于预设时长,且停留地点距离路口大于等于预设距离的第二轨迹点,确定第二轨迹点所处的位置为事故道路。
可选的,道路特征包括:静态特征和动态特征;
第二道路特征确定模块,具体用于:
基于路网数据,确定预定区域路网各路段的静态特征,静态特征用于表征路段的客观属性;
基于轨迹数据以及路网数据,确定预定区域路网各路段的动态特征,动态特征用于表征预定区域路网各路段中车辆的行驶规律。
可选的,道路特征还包括:邻接特征;
该装置还包括:
邻接特征确定模块,用于基于轨迹数据以及路网数据,确定预定区域路网各路段的邻接特征,邻接特征包括预定区域路网中,每个路段邻接的多个路口或者多个道路各自对应的静态特征以及动态特征。
可选的,动态特征包括路段中车辆的轨迹点密度、车辆的速度分布和超速分布信息中的至少一项。
可选的,训练模块,具体用于:
将事故路段标记以及道路特征作为模型训练集,训练路段风险概率确定模型。
在本发明实施例中,道路特征可以作为判断某路段是否为高危路段的重要依据,进而,基于路段风险概率确定模型良好的学习能力,本发明实施例可以通过道路特征以及事故路段标记对路段风险概率确定模型进行预训练,使得训练后的路段风险概率确定模型可以更准确的判断待预测路段出现事故的概率,相较于现有技术中仅通过人工依据事故发生的频次来判断待预测路段出现事故的概率的方法更加客观、全面且平滑。
图12是本发明实施例的电子设备的示意图。如图12所示,图12所示的电子设备为通用地址查询装置,其包括通用的计算机硬件结构,其至少包括处理器121和存储器122。处理器121和存储器122通过总线123连接。存储器122适于存储处理器121可执行的指令或程序。处理器121可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器121通过执行存储器122所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线123将上述多个组件连接在一起,同时将上述组件连接到显示控制器124和显示装置以及输入/输出(I/O)装置125。输入/输出(I/O)装置125可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置125通过输入/输出(I/O)控制器126与系统相连。
本领域的技术人员应明白,本发明的实施例可提供为方法、装置(设备)或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本发明是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各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、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (20)
1.一种数据处理方法,其特征在于,所述方法包括:
确定待预测路段的道路特征;
以所述待预测路段的道路特征为输入,通过训练后的路段风险概率确定模型确定所述待预测路段的事故概率,所述事故概率用于表征所述待预测路段出现交通事故的概率,所述路段风险概率确定模型基于多个事故路段的道路特征以及各事故路段的事故路段标记训练得到。
2.根据权利要求1所述的方法,其特征在于,所述事故路段的事故路段标记基于如下步骤确定:
获取轨迹数据,所述轨迹数据为预设时间段内,通过预定区域路网的车辆的卫星定位数据;
根据所述轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,以对所述预定区域路网的各路段设置对应的事故路段标记,所述路网数据用于表征道路属性,所述事故路段为所述预定区域路网中的一部分。
3.根据权利要求2所述的方法,其特征在于,所述路段风险概率确定模型基于如下步骤训练得到:
根据所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的道路特征;
基于各路段的事故路段标记以及所述道路特征训练路段风险概率确定模型,所述路段风险概率确定模型的输入为待预测路段的道路特征,输出为所述待预测路段出现交通事故的概率。
4.根据权利要求2所述的方法,其特征在于,所述事故路段包括:事故道路和事故路口;
所述根据所述轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,包括:
确定所述轨迹数据中的事故轨迹,所述事故轨迹为发生事故的车辆对应的行驶轨迹数据;
基于预设的地图匹配算法,确定所述事故轨迹经过的道路或者路口;
基于预设的事故挖掘规则以及所述事故轨迹经过的道路或者路口,确定所述事故道路或者所述事故路口。
5.根据权利要求4所述的方法,其特征在于,所述基于预设的事故挖掘规则以及所述事故轨迹经过的道路或者路口,确定所述事故道路或者所述事故路口,包括:
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口小于预设距离的第一轨迹点,确定所述第一轨迹点所处的位置为事故路口;
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口大于等于预设距离的第二轨迹点,确定所述第二轨迹点所处的位置为事故道路。
6.根据权利要求3所述的方法,其特征在于,所述道路特征包括:静态特征和动态特征;
所述根据所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的道路特征,包括:
基于所述路网数据,确定所述预定区域路网各路段的静态特征,所述静态特征用于表征路段的客观属性;
基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的动态特征,所述动态特征用于表征所述预定区域路网各路段中车辆的行驶规律。
7.根据权利要求6所述的方法,其特征在于,所述道路特征还包括:邻接特征;
所述方法还包括:
基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的邻接特征,所述邻接特征包括所述预定区域路网中,每个路段邻接的多个路口或者多个道路各自对应的静态特征以及动态特征。
8.根据权利要求6所述的方法,其特征在于,所述动态特征包括路段中车辆的轨迹点密度、车辆的速度分布和超速分布信息中的至少一项。
9.根据权利要求3所述的方法,其特征在于,所述基于各路段的事故路段标记以及所述道路特征训练路段风险概率确定模型,包括:
将所述事故路段标记以及所述道路特征作为模型训练集,训练路段风险概率确定模型。
10.一种数据处理装置,其特征在于,所述装置包括:
第一道路特征确定模块,用于确定待预测路段的道路特征;
事故概率确定模块,用于以所述待预测路段的道路特征为输入,通过训练后的路段风险概率确定模型确定所述待预测路段的事故概率,所述事故概率用于表征所述待预测路段出现交通事故的概率,所述路段风险概率确定模型基于多个事故路段的道路特征以及各事故路段的事故路段标记训练得到。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:获取模块和事故路段标记确定模块;
所述获取模块,用于获取轨迹数据,所述轨迹数据为预设时间段内,通过预定区域路网的车辆的卫星定位数据;
所述事故路段标记确定模块,用于根据所述轨迹数据、路网数据以及预设的事故挖掘规则,确定事故路段,以对所述预定区域路网的各路段设置对应的事故路段标记,所述路网数据用于表征道路属性,所述事故路段为所述预定区域路网中的一部分。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:第二道路特征确定模块和训练模块;
所述第二道路特征确定模块,用于根据所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的道路特征;
所述训练模块,用于基于各路段的事故路段标记以及所述道路特征训练路段风险概率确定模型,所述路段风险概率确定模型的输入为待预测路段的道路特征,输出为所述待预测路段出现交通事故的概率。
13.根据权利要求11所述的装置,其特征在于,所述事故路段包括:事故道路和事故路口;
所述事故路段标记确定模块,具体用于:
确定所述轨迹数据中的事故轨迹,所述事故轨迹为发生事故的车辆对应的行驶轨迹数据;
基于预设的地图匹配算法,确定所述事故轨迹经过的道路或者路口;
基于预设的事故挖掘规则以及所述事故轨迹经过的道路或者路口,确定所述事故道路或者所述事故路口。
14.根据权利要求13所述的装置,其特征在于,所述事故路段标记确定模块,具体用于:
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口小于预设距离的第一轨迹点,确定所述第一轨迹点所处的位置为事故路口;
基于所述事故轨迹经过的道路或者路口,响应于所述事故轨迹中存在停留时长大于预设时长,且停留地点距离路口大于等于预设距离的第二轨迹点,确定所述第二轨迹点所处的位置为事故道路。
15.根据权利要求12所述的装置,其特征在于,所述道路特征包括:静态特征和动态特征;
所述第二道路特征确定模块,具体用于:
基于所述路网数据,确定所述预定区域路网各路段的静态特征,所述静态特征用于表征路段的客观属性;
基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的动态特征,所述动态特征用于表征所述预定区域路网各路段中车辆的行驶规律。
16.根据权利要求15所述的装置,其特征在于,所述道路特征还包括:邻接特征;
所述装置还包括:
邻接特征确定模块,用于基于所述轨迹数据以及所述路网数据,确定所述预定区域路网各路段的邻接特征,所述邻接特征包括所述预定区域路网中,每个路段邻接的多个路口或者多个道路各自对应的静态特征以及动态特征。
17.根据权利要求15所述的装置,其特征在于,所述动态特征包括路段中车辆的轨迹点密度、车辆的速度分布和超速分布信息中的至少一项。
18.根据权利要求12所述的装置,其特征在于,所述训练模块,具体用于:
将所述事故路段标记以及所述道路特征作为模型训练集,训练路段风险概率确定模型。
19.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-9中任一项所述的方法。
20.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010997096.9A CN112101670A (zh) | 2020-09-21 | 2020-09-21 | 数据处理方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010997096.9A CN112101670A (zh) | 2020-09-21 | 2020-09-21 | 数据处理方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101670A true CN112101670A (zh) | 2020-12-18 |
Family
ID=73756396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010997096.9A Pending CN112101670A (zh) | 2020-09-21 | 2020-09-21 | 数据处理方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101670A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907959A (zh) * | 2021-01-29 | 2021-06-04 | 北京百度网讯科技有限公司 | 电子眼管理方法、设备和存储介质 |
CN112927498A (zh) * | 2021-01-20 | 2021-06-08 | 蔡家斌 | 一种基于智慧交通监控的数据分析方法及装置 |
CN113516353A (zh) * | 2021-04-29 | 2021-10-19 | 安徽达尔智能控制系统股份有限公司 | 一种事故采集分析方法及系统 |
CN113850297A (zh) * | 2021-08-31 | 2021-12-28 | 北京百度网讯科技有限公司 | 道路数据的监测方法、装置、电子设备及存储介质 |
CN115171075A (zh) * | 2022-07-07 | 2022-10-11 | 北京百度网讯科技有限公司 | 道路类型识别方法、装置及设备 |
CN117522226A (zh) * | 2023-12-04 | 2024-02-06 | 中路高科交通检测检验认证有限公司 | 一种道路工程质量的控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160127356A (ko) * | 2015-04-27 | 2016-11-04 | 주식회사 이에스피 | 초광대역 레이더를 이용한 신호등 안전사고 감지 시스템 |
CN106931980A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种行驶数据的生成方法及装置 |
CN109215348A (zh) * | 2018-10-25 | 2019-01-15 | 苏州正载信息技术有限公司 | 一种把交通事故准确定位到相关路段的方法 |
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 |
-
2020
- 2020-09-21 CN CN202010997096.9A patent/CN112101670A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160127356A (ko) * | 2015-04-27 | 2016-11-04 | 주식회사 이에스피 | 초광대역 레이더를 이용한 신호등 안전사고 감지 시스템 |
CN106931980A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种行驶数据的生成方法及装置 |
CN109215348A (zh) * | 2018-10-25 | 2019-01-15 | 苏州正载信息技术有限公司 | 一种把交通事故准确定位到相关路段的方法 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927498A (zh) * | 2021-01-20 | 2021-06-08 | 蔡家斌 | 一种基于智慧交通监控的数据分析方法及装置 |
CN112907959A (zh) * | 2021-01-29 | 2021-06-04 | 北京百度网讯科技有限公司 | 电子眼管理方法、设备和存储介质 |
CN113516353A (zh) * | 2021-04-29 | 2021-10-19 | 安徽达尔智能控制系统股份有限公司 | 一种事故采集分析方法及系统 |
CN113850297A (zh) * | 2021-08-31 | 2021-12-28 | 北京百度网讯科技有限公司 | 道路数据的监测方法、装置、电子设备及存储介质 |
CN115171075A (zh) * | 2022-07-07 | 2022-10-11 | 北京百度网讯科技有限公司 | 道路类型识别方法、装置及设备 |
CN115171075B (zh) * | 2022-07-07 | 2023-09-26 | 北京百度网讯科技有限公司 | 道路类型识别方法、装置及设备 |
CN117522226A (zh) * | 2023-12-04 | 2024-02-06 | 中路高科交通检测检验认证有限公司 | 一种道路工程质量的控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101670A (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
US20220121550A1 (en) | Autonomous Vehicle Testing Systems and Methods | |
US20200133308A1 (en) | Vehicle to vehicle (v2v) communication less truck platooning | |
CN112885145B (zh) | 路口风险预警的方法和装置 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN104575050A (zh) | 一种基于浮动车的快速路匝道智能诱导方法及装置 | |
CN112767683B (zh) | 一种基于反馈机制的路径诱导方法 | |
CN115294767B (zh) | 一种高速公路车道线实时检测与交通安全预警方法及装置 | |
CN113554263A (zh) | 基于交通仿真的高速公路施工组织方案交通影响评估方法 | |
CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
JP2020123259A (ja) | 自動運転プログラム評価システム、及び自動運転プログラム評価方法 | |
CN115547084A (zh) | 道路通行状况预测方法、装置、电子设备及计算机程序产品 | |
CN116187475A (zh) | 轨迹预测模型生成方法及装置、模型训练方法及装置 | |
CN114454878A (zh) | 车速控制模型训练样本的确定方法及装置 | |
CN111613060A (zh) | 一种数据处理方法以及设备 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
WO2020241815A1 (en) | On-board apparatus, driving assistance method, and driving assistance system | |
CN115081662A (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN111553199A (zh) | 一种基于计算机视觉的机动车交通违法行为自动检测技术 | |
CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
US20220405618A1 (en) | Generating roadway crossing intent label | |
CN115171075A (zh) | 道路类型识别方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |