CN112132335A - 预测交通事故的方法、装置、设备以及存储介质 - Google Patents

预测交通事故的方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN112132335A
CN112132335A CN202010988155.6A CN202010988155A CN112132335A CN 112132335 A CN112132335 A CN 112132335A CN 202010988155 A CN202010988155 A CN 202010988155A CN 112132335 A CN112132335 A CN 112132335A
Authority
CN
China
Prior art keywords
probability
factor
monitorable
target
determining
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
Application number
CN202010988155.6A
Other languages
English (en)
Inventor
侯琛
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010988155.6A priority Critical patent/CN112132335A/zh
Publication of CN112132335A publication Critical patent/CN112132335A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)

Abstract

提供一种预测交通事故的方法、装置、设备以及存储介质。该方法包括：基于目标道路上的历史交通事故获取目标车辆的历史概率；确定至少一个可监控因素分别对应的至少一个第一占比；基于该历史概率和至少一个第一占比确定第一概率；基于该第一概率确定该目标车辆的预测概率，该预测概率用于表示该目标车辆在该目标道路发生交通事故的可能性。该方法可涉及人工智能的自动驾驶或辅助驾驶等技术，该方法不仅能够提升事故预测的准确度，有利于提升预警效果，还能够降低实现复杂度，提升预测和预警的及时性和实用性。

Description

预测交通事故的方法、装置、设备以及存储介质
技术领域
本申请实施例涉及人工智能的自动驾驶等技术领域，并且更具体地，涉及预测交通事故的方法、装置、设备以及存储介质。
背景技术
安全风险的有效控制，是公路货运行业整体走入成熟的标志之一。在安全辅助驾驶领域，大货车车队潜伏着极高的驾驶风险。如何对大货车进行动态预警是车路协同落地面临的关键问题之一。
相关技术中，预警系统可以从交通管理系统获取大货车当前所在路段的卷入了大货车的交通事故的历史概率，并将其直接作为大货车在当前所在路段上行驶时会再一次被卷入交通事故的预测概率，以实现对大货车的动态预警。虽然将历史概率作为预测概率，可以实现对大货车的动态预警，但预测准确率过低，达不到预期的预警效果。
发明内容
提供一种预测交通事故的方法、装置、设备以及存储介质，不仅能够提升事故预测的准确度，有利于提升预警效果，还能够降低实现复杂度，提升预测和预警的及时性和实用性。
第一方面，提供了一种预测交通事故的方法，在一些可能实现的方式中，包括：
基于目标道路上的历史交通事故获取目标车辆的历史概率；
确定至少一个可监控因素分别对应的至少一个第一占比，该至少一个可监控因素为路测设备监控到的可触发该目标车辆发生交通事故的因素，该至少一个第一占比分别为至少一个可监控因素触发的交通事故在该历史交通事故中的占比；
基于该历史概率和至少一个第一占比确定第一概率；
基于该第一概率确定该目标车辆的预测概率，该预测概率用于表示该目标车辆在该目标道路发生交通事故的可能性。
基于该历史概率和至少一个可监控因素分别对应的至少一个第一占比，确定第一概率，以基于该第一概率确定该预测概率；一方面，历史概率能够体现目标道路发生交通事故的平均水平；另一方面，通过该至少一个第一占比确定该第一概率，进而基于第一概率确定预测概率，不仅能够实现对目标车辆发生交通事故的可能性进行预测，还能够降低基于该至少一个可监控因素调整该历史概率的复杂度。
此外，由于不同的可监控因素触发目标车辆发生交通事故的概率有可能存在差异，在该历史概率的基础上，结合该至少一个可监控因素中每一个可监控因素对应的第一占比，确定该第一概率，以基于该第一概率确定该预测概率；相当于，考虑了不同的可监控因素触发目标车辆发生交通事故的概率之间的差异，相应的，能够提升事故预测的准确度，有利于提升预警效果。
另外，由于可通过实时监控的方式获取该至少一个可监控因素的实际情况，有利于提升预测和预警的及时性和实用性。
综上，基于该历史概率和至少一个可监控因素分别对应的至少一个第一占比，确定目标车辆的预测概率，不仅能够提升事故预测的准确度，有利于提升预警效果，还能够降低实现复杂度，提升预测和预警的及时性和实用性。
在一些可能实现的方式中，该基于该第一概率确定该目标车辆的预测概率，包括：
将1与该第一概率的差值确定为该预测概率。
将1与该第一概率的差值构造为该预测概率，相当于，将该至少一个可监控因素对交通事故的影响转化为该至少一个可监测因素均不触发该目标车辆发生交通事故的概率，即以该至少一个可监控因素为粒度，利用互斥事件的概率理论，将该至少一个可监测因素均不触发交通事故的对立事件的概率，确定为该预测概率，能够尽可能的考虑每一个可监控因素触发的交通事故的概率，相应的，能够保证事故预测的准确度。
该基于该历史概率和至少一个第一占比确定第一概率，包括：
基于该历史概率和该至少一个第一占比，确定该至少一个可监控因素分别对应的至少一个第二概率，该至少一个可监控因素中的同一个可监控因素对应的第二概率用于表示该同一个可监控因素不触发该目标车辆发生交通事故的可能性；
基于该至少一个第二概率确定该第一概率。
在一些可能实现的方式中，该基于该历史概率和该至少一个第一占比，确定至少一个第二概率，包括：
基于该至少一个第一占比确定至少一个变化量，该至少一个变化量为该至少一个第一占比分别相对第一平均占比的变化量；
将该至少一个变化量分别加1，以生成该至少一个可监控因素分别对应的至少一个权重；
将该至少一个权重分别乘以该历史概率，以生成该至少一个可监控因素分别对应的至少一个第三概率，该至少一个可监控因素中的同一个可监控因素对应的第三概率用于表示该同一个可监控因素触发该目标车辆发生交通事故的可能性；
利用1分别减去该至少一个第三概率，以生成至少一个第二概率。
在一些可能实现的方式中，该方法还包括：
通过道路监控系统获取该目标车辆的周围车辆的分布情况；
其中，该基于该至少一个第二概率确定该第一概率，包括：
基于该该至少一个第二概率和该目标车辆的周围车辆的分布情况，确定该第一概率。
在一些可能实现的方式中，该基于该该至少一个第二概率和该目标车辆的周围车辆的分布情况，确定该第一概率，包括：
基于该目标车辆的周围车辆的分布情况，确定该至少一个可监控因素中每一个可监控因素对应的车辆的数量；
基于该至少一个第二概率和该至少一个可监控因素中的每一个可监控因素对应的车辆的数量，确定该至少一个可监控因素分别对应的至少一个第四概率，该至少一个可监控因素中的同一可监控因素对应的第四概率用于表示该同一可监控因素触发该目标车辆和该同一可监控因素对应的所有车辆均发生交通事故的可能性；
将该至少一个第四概率的乘积确定为该第一概率。
通过道路监控系统获取该目标车辆的周围车辆的分布情况，在考虑不同的可监控因素触发的交通事故的概率之间的差异的基础上，考虑到了每一个可监控因素涉及的有可能与目标车辆发生交通事故的车辆，相当于，考虑到了目标车辆是否满足发生交通事故的条件，由此，能够进一步提升事故预测的准确度。
在一些可能实现的方式中，该至少一个可监控因素包括至少一类驾驶盲区；沿该目标车辆的行驶方向，该至少一类驾驶盲区包括以下中的至少一项：前盲区、后盲区、左盲区或右盲区；或者，该至少一类驾驶盲区包括全盲区或半盲区。
基于该历史概率和至少一类驾驶盲区中每一个驾驶盲区对应的第一占比，确定预测概率，一方面，驾驶盲区是触发交通事故的最主要因素，尤其是针对车身较长且车高较大的车辆，通过检测目标车辆的每一个驾驶盲区的实际情况，能够帮助驾驶员对盲区的车况进行监控，通过考虑不同的驾驶盲区触发目标车辆发生交通事故的概率之间的差异，能够进一步提升事故预测的准确度。
在一些可能实现的方式中，该方法还包括：
确定至少一个不可监控因素分别对应的至少一个第二占比；
在该至少一个第二占比中确定目标占比；
基于该目标占比调整该预测概率。
在一些可能实现的方式中，该基于该目标占比调整该预测概率，包括：
基于该目标占比确定目标变化量，该目标变化量为该目标占比相对第二平均占比的变化量；
将该目标变化量分别加1，以生成目标权重；
将该预测概率和该目标权重的乘积确定为调整后的概率。
与可监控因素类似，不同的不可监控因素触发该目标车辆发生交通事故的概率可能存在差异，通过该目标占比调整该预测概率，能够在考虑可监控因素的基础上，进一步考虑不可监控因素对交通事故的影响，尤其是，针对某些不可监控的但对交通事故概率的影响特别重要的因素，能够进一步提升事故预测的准确度。
在一些可能实现的方式中，该在该至少一个第二占比中确定目标占比，包括：
获取在区间[0，1]上服从均匀分布的随机变量；
基于该随机变量在该至少一个第二占比中确定该目标占比。
在一些可能实现的方式中，该基于该目标占比调整该预测概率，包括：
将该至少一个第二占比中的大于或等于该随机变量的第二占比，确定为该目标占比；或者
将该至少一个第二占比中的小于该随机变量的第二占比，确定为该目标占比。
在一些可能实现的方式中，该基于该目标占比调整该预测概率，包括：
确定目标区间
Figure BDA0002689947170000051
该随机变量位于该目标区间内，wi表示该至少一个不可监控因素中的第i个不可监控因素对应的第二占比；
将该至少一个不可监控因素中的第k个不可监控因素对应的第二占比，确定为该目标占比。
在一些可能实现的方式中，该至少一个不可监控因素包括至少一类驾驶行为，该至少一类驾驶行为包括以下行为中的至少一项：激进驾驶、疲劳驾驶、注意力分散驾驶或危险驾驶。
第二方面，提供了一种预测交通事故的装置，包括：
获取单元，用于基于目标道路上的历史交通事故获取目标车辆的历史概率；
第一确定单元，用于确定至少一个可监控因素分别对应的至少一个第一占比，该至少一个可监控因素为路测设备监控到的可触发该目标车辆发生交通事故的因素，该至少一个第一占比分别为至少一个可监控因素触发的交通事故在该历史交通事故中的占比；
第二确定单元，用于基于该历史概率和至少一个第一占比确定第一概率，该第一概率为该至少一个可监测因素均不触发该目标车辆发生交通事故的概率；
第三确定单元，用于基于所述第一概率确定所述目标车辆的预测概率，所述预测概率用于表示所述目标车辆在所述目标道路发生交通事故的可能性。
第三方面，提供了一种终端设备，包括：
处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，以执行第一方面该的方法。
第四方面，提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序使得计算机执行第一方面该的方法。
附图说明
图1是本申请实施例提供的系统框架的示意性框图。
图2是本申请实施例提供的预测交通事故的示意性流程图。
图3至图5是本申请实施例提供的具有至少一类驾驶盲区的目标车辆的示意图。
图6是本申请实施例提供的的具有至少一类驾驶盲区的目标车辆的另一示意图。
图7和图8均是图6所示的目标车辆行驶在目标道路的示意图。
图9是本申请实施例提供的预测交通事故的装置的示意性框图。
图10是本申请实施例提供的终端设备的示意性框图。
具体实施方式
下面将结合附图，对本申请实施例中的技术方案进行描述。
需要说明的是，本申请提供的预测交通事故的方案可应用于任何需要控制车辆安全风险的场景。
例如，本申请提供的预测交通事故的方案可涉及人工智能技术。
其中，人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
应理解，人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请提供的预测交通事故的方案可涉及人工智能的自动驾驶技术或辅助驾驶等技术。
例如，本申请中的预测交通事故的方法可以是一种自动驾驶技术。基于此，可通过本申请提供的方法，在自动驾驶中降低车辆发生交通事故的概率，进而提升安全性。其中，自动驾驶技术可包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自定驾驶技术有着广泛的应用前景。再如，本申请中的预测交通事故的方法可以是一种辅助驾驶技术。基于此，可通过本申请提供的方法辅助驾驶员驾驶车辆，以降低车辆发生交通事故的概率，进而提升安全性。
此外，本申请提供的预测交通事故的方案涉及各种网络框架中，例如应用于交通行业的物联网(The Internet of Things，IOT)或应用于交通行业的云物联(Cloud IOT)。应用于交通行业的物联网也可称为车联网。
物联网是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物体或过程，采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息，通过各类可能的网络接入，实现物与物、物与人的泛在连接，实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络。
云物联旨在将传统物联网中传感设备感知的信息和接受的指令连入互联网中，真正实现网络化，并通过云计算技术实现海量数据存储和运算，由于物联网的特性是物与物相连接，实时感知各个“物体”当前的运行状态，在这个过程中会产生大量的数据信息，如何将这些信息汇总,如何在海量信息中筛取有用信息为后续发展做决策支持,这些已成为影响物联网发展的关键问题，而基于云计算和云存储技术的物联云也因此成为物联网技术和应用的有力支持。
图1是本申请实施例提供的系统框架100的示例。
如图1所示，系统框架100可包括交通管理系统101、道路监控系统102、预警系统103以及车辆104。需要说明的是，图1中的交通管理系统101、道路监控系统102、预警系统103以及车辆104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交通管理系统101、道路监控系统102、预警系统103以及车辆104。
其中，交通管理系统101可用于管理车辆104的驾驶信息，例如，某一路段上的车辆发生交通事故的统计信息，再如，车辆104的登记信息。该道路监控系统102可用于监控车辆104，例如，该道路监控系统102可用于实时监控经过特定路段的车辆。预警系统103可用于预测车辆104发生交通事故的可能性，进而向用户提示车辆104存在交通事故风险的提示信息。交通管理系统101与道路监控系统102、预警系统103以及车辆104之间可通过网络连接，以接收或发送消息。
在本申请的一些实施例中，该交通管理系统101可针对某一路段的交通事故进行统计或汇总。例如，该交通管理系统101可针对某一路段的交通事故的以下信息进行统计或汇总：车辆型号、导致车辆发生交通事故的因素以及碰撞位置等信息。该交通管理系统101可以包括交通管理数据库的任意具有数据处理能力的装置或设备，或者，该交通管理系统101可以是交通管理云平台。
在本申请的一些实施例中，该道路监控系统102可以通过路测装置实时监控车辆104。换言之，该道路检测系统102可包括各种类型的路测装置。路测装置可以安装在路侧，路测装置可以是智能摄像头，还可以是安装在路侧的具有拍摄和计算能力其他任何装置。
在本申请的一些实施例中，预警系统103是本申请实施例提供的预测交通事故的方法的执行主体，用于生成车辆驾驶风险的预警通知，相应地，车辆驾驶风险的预测装置可以设置于预警系统103中。预警系统103可以是任何具有计算功能的装置或设备，例如，智能手机、平板电脑、便携式计算机、台式计算机等等，再如，车联网云平台。
车辆104可以是任何类型的车辆，例如，卡车、货车或轿车等等。车辆104与交通管理系统101、道路监控系统102、或预警系统103之间可通过网络连接，以接收或发送消息。例如，预警系统103可以将生成的车辆驾驶风险的预警通知输出至目标车辆103。
应理解，术语“系统”和“网络”在本文中可互换使用。
图2是本申请实施例提供的预测交通事故的方法200的示意性流程图。应理解，该方法200可以由预警系统或预警设备执行。例如图1所示的终预警系统103。
如图2所示，该方法200可包括：
S211，基于目标道路上的历史交通事故获取目标车辆的历史概率。
S212，确定至少一个可监控因素分别对应的至少一个第一占比，该至少一个可监控因素为路测设备监控到的可触发该目标车辆发生交通事故的因素，该至少一个第一占比分别为至少一个可监控因素触发的交通事故在该历史交通事故中的占比。
S213，基于该历史概率和至少一个第一占比确定第一概率。
S214，基于该第一概率确定该目标车辆的预测概率，该预测概率用于表示该目标车辆在该目标道路发生交通事故的可能性。
例如，预警系统可从交通管理系统获取该历史概率和该至少一个第一占比，并基于该历史概率和该至少一个第一占比确定第一概率，以基于该第一概率确定该预测概率。可选的，该目标车辆可以为图1所示的车辆104。可选的，该预测概率可用于生成预警信息。例如，在该预测概率大于或等于某一阈值的情况下，预警系统可向该目标车辆或有可能与该目标车辆发生交通事故的车辆发生预警信息。
换言之，该历史概率作为该目标车辆的发生交通事故的初步预测概率，该至少一个第一占比用于调整该历史概率，以确定该第一概率。
基于该历史概率和至少一个可监控因素分别对应的至少一个第一占比，确定第一概率，以基于该第一概率确定预测概率；一方面，历史概率能够体现目标道路发生交通事故的平均水平；另一方面，过该至少一个可监控因素中每一个可监控因素对应的第一占比确定该第一概率，进而基于第一概率确定预测概率，不仅能够实现对目标车辆发生交通事故的可能性进行预测，还能够降低基于该至少一个可监控因素调整该历史概率的复杂度。
此外，由于不同的可监控因素触发目标车辆发生交通事故的概率有可能存在差异，在该历史概率的基础上，结合该至少一个可监控因素中每一个可监控因素对应的第一占比，确定该第一概率，以基于该第一概率确定该预测概率，相当于，考虑了不同的可监控因素触发目标车辆发生交通事故的概率之间的差异，相应的，能够提升事故预测的准确度，有利于提升预警效果。
另外，由于可通过实时监控的方式获取该至少一个可监控因素的实际情况，有利于提升预测和预警的及时性和实用性。
综上，基于该历史概率和至少一个可监控因素分别对应的至少一个第一占比，确定目标车辆的预测概率，不仅能够提升事故预测的准确度，有利于提升预警效果，还能够降低实现复杂度，提升预测和预警的及时性和实用性。
下面结合表1的实验结果对本申请的预测交通事故的准确率进行说明。
表1
Figure BDA0002689947170000101
如表1所示，可通过第一方案和第二方案之间的虚警比和第一方案和第二方案之间的漏警比，体现本申请的预测交通事故的准确率，其中，第一方案可以理解为直接基于该历史概率进行预警的方案，该第二方案可以理解为基于该预测概率进行预警的方案，即本申请提供的方案可作为该第二方案，该第一方案和该第二方案之间的虚警比可以理解为第一方案的虚假预警和第二方案的虚假预警之间的比值，该第一方案和该第二方案之间的漏警比可理解为该第一方案的遗漏预警和该第二方案的遗漏预警之间的比值，通过表1可见，该第一方案的虚假预警和遗漏预警的比率分别大于第二方案的的虚假预警和遗漏预警的比率，也即是说，基于该历史概率和至少一个可监控因素分别对应的至少一个第一占比，确定目标车辆的预测概率，不仅能够提升事故预测的准确度，有利于提升预警效果。
需要说明的是，本申请中的历史概率旨在体现该目标类型的车辆在该目标道路上行驶时会再一次被卷入交通事故的平均水平。该目标车辆属于目标类型的车辆。本申请对历史概率的具体定义不作限定。例如，该历史概率为发生在该目标道路上的并卷入了该目标类型的车辆的交通事故率。该历史概率还可以称为历史事故发生率。再如，该历史概率可以是发生在该目标道路上的并卷入了该目标类型的车辆的交通事故，在统计的交通事故中的占比。再如，该历史概率可以是在该目标道路上发生了交通事故的该目标类型的车辆，在统计的该目标类型的车辆中的占比。
此外，该至少一个第一占比旨在体现该至少一个可监控因素对交通事故的影响程度。例如，该至少一个第一占比也可称为至少一个权重。例如，该至少一个第一占比可以理解为该至少一个可监控因素作为主要因素触发的交通事故，在统计的交通事故中的占比。
另外，该至少一个可监控因素旨在体现影响交通事故发生概率的因素。换言之，该至少一个可监控因素有可能触发该目标车辆发生交通事故。例如，该至少一个可监控因素中的每一个可监控因素对应可能与该目标车辆发生交通事故的车辆。再如，该至少一个可监控因素可以是针对一个可监控因素的不同分类。当然，该至少一个可监控因素也可以是针对多个可监控因素的混合因素，本申请对此不作具体限定。例如，该至少一个可监控因素可以是针对驾驶盲区的不同分类。例如，假设该至少一个可监控因素为该至少一类驾驶盲区，则该至少一类驾驶盲区中的每一类驾驶盲区内存在可能与该目标车辆发生交通事故的车辆。例如，该至少一个可监控因素也可以包括其他因素。例如，时间段、拥堵程度、驾驶员性别、目标路段的类别等。该目标路段的类别可以包括直行路段、丁字路口或十字路口等。
另外，本申请的交通事故不仅可以理解为该目标车辆与其他车辆发生碰撞，还可以理解为该目标车辆和任意物体、行人发生碰撞。
作为示例，该至少一个可监控因素可包括至少一类驾驶盲区。可选的，沿该目标车辆的行驶方向，该至少一类驾驶盲区包括以下中的至少一项：前盲区、后盲区、左盲区或右盲区。可选的，该至少一类驾驶盲区包括全盲区或半盲区。
基于该历史概率和至少一类驾驶盲区中每一个驾驶盲区对应的第一占比，确定预测概率，一方面，驾驶盲区是触发交通事故的最主要因素，尤其是针对车身较长且车高较大的车辆，通过检测目标车辆的每一个驾驶盲区的实际情况，能够帮助驾驶员对盲区的车况进行监控，通过考虑不同的驾驶盲区触发目标车辆发生交通事故的概率之间的差异，能够进一步提升事故预测的准确度。
图3至图5是本申请实施例提供的具有至少一类驾驶盲区的目标车辆的示意图。图6是本申请实施例提供的的具有至少一类驾驶盲区的目标车辆的另一示意图。
下面结合图3至图6对本申请实施例的至少一类驾驶盲区进行说明。
如图3所示，车辆300的驾驶盲区可包括盲区310、盲区320、盲区321、盲区322、盲区323、盲区341、盲区342以及盲区343。
例如，盲区323和盲区343可以是由于该目标车辆300的挡风玻璃的边框或边柱形成的盲区。可选的，该盲区323和盲区343可以作为全盲区。
例如，盲区321和盲区341可以是由于驾驶员的视线之外且位于后视镜视线之外的区域，该后视镜可以包括车内的一个后视镜以及车外的两个后视镜。可选的，盲区321和盲区341可以作为全盲区。
例如，盲区322和盲区342可以是车门遮挡的区域。例如，如图4所示，由于车门的遮挡，驾驶员350不会看到位于盲区322的行人352，类似的，驾驶员350也不会看到位于盲区342的行人351。可选的，盲区322和盲区342可以作为半盲区。
例如，盲区310可以是车头遮挡的区域。例如，如图5所示，由于车头的遮挡，驾驶员不会看到位于盲区310的行人353。可选的，盲区310可以作为半盲区。
例如，盲区320可以是车厢遮挡的区域。可选的，盲区320可以作为半盲区。
如图6所示，车辆300的驾驶盲区可包括前盲区410、后盲区420、左盲区430以及右盲区440。
例如，可以将图3至图5所示的盲区划分为前盲区410、后盲区420、左盲区430以及右盲区440。例如，该前盲区410可包括盲区310。例如，该后盲区420为盲区320。例如，该左盲区430可包括盲区321、盲区322以及盲区323。。例如，该右盲区440可包括盲区341、盲区342以及盲区343。当然，盲区323和盲区343也可以分别作为该前盲区410中的盲区。
应理解，图3至图6仅为本申请的示例，不应理解为对本申请的限制。例如，在其他可替代实施例中，还可以将盲区323和盲区343作为可选盲区。
还应理解，本申请对该至少一类驾驶盲区中的每一个盲区的具体尺寸不作限定。作为示例，可以基于该目标车辆300的框架、车辆尺寸以及驾驶员身高等信息确定该至少一类驾驶盲区中每一类驾驶盲区的尺寸。作为示例，盲区310可以包括位于该目标车辆300的车头的正前方1.2m以及位于右前方的1.5m。作为示例，可将距离目标车辆的最大垂直距离大于或等于某一阈值的盲区，将其确定为全盲区。当然，也可以采用其他准则确定全盲区或半盲区。
在本申请的一些实施例中，该第一概率为该至少一个可监测因素均不触发该目标车辆发生交通事故的概率，该S214可包括：
将1与该第一概率的差值确定为该预测概率。
换言之，可利用互斥事件的概率原理，基于该第一概率确定该预测概率。
将1与该第一概率的差值构造为该预测概率，相当于，将该至少一个可监控因素对交通事故的影响转化为该至少一个可监测因素均不触发该目标车辆发生交通事故的概率，即以该至少一个可监控因素为粒度，利用互斥事件的概率理论，将该至少一个可监测因素均不触发交通事故的对立事件的概率，确定为该预测概率，能够尽可能的考虑每一个可监控因素触发的交通事故的概率，相应的，能够保证事故预测的准确度。
在本申请的一些实施例中，该S213可包括：
基于该历史概率和该至少一个第一占比，确定该至少一个可监控因素分别对应的至少一个第二概率，该至少一个可监控因素中的同一个可监控因素对应的第二概率用于表示该同一个可监控因素不触发该目标车辆发生交通事故的可能性。
例如，可将该至少一个第二概率的乘积确定为该第一概率。
在本申请的一些实施例中，可通过以下方式确定该至少一个第二概率：
基于该至少一个第一占比确定至少一个变化量，该至少一个变化量为该至少一个第一占比分别相对第一平均占比的变化量；将该至少一个变化量分别加1，以生成该至少一个可监控因素分别对应的至少一个权重；将该至少一个权重分别乘以该历史概率，以生成该至少一个可监控因素分别对应的至少一个第三概率，该至少一个可监控因素中的同一个可监控因素对应的第三概率用于表示该同一个可监控因素触发该目标车辆发生交通事故的可能性；利用1分别减去该至少一个第三概率，以生成至少一个第二概率。
例如，可通过以下公式确定该至少一个第二概率：
p2i＝1-ph(1+ui-1/m)；
其中，p2i表示该至少一个第二概率中第i个第二概率，m表示该至少一个可监控因素的数量，ph表示该历史概率，ui表示该至少一个可监控因素中第i个可监控因素对应的第一占比，ci表示该至少一个可监控因素中第i个可监控因素对应的车辆的数量。
在本申请的一些实施例中，该方法200还可包括：
通过道路监控系统获取该目标车辆的周围车辆的分布情况。
基于此，可基于该该至少一个第二概率和该目标车辆的周围车辆的分布情况，确定该第一概率。
例如，可通过以下方式确定该第一概率：
基于该目标车辆的周围车辆的分布情况，确定该至少一个可监控因素中每一个可监控因素对应的车辆的数量；基于该至少一个第二概率和该至少一个可监控因素中的每一个可监控因素对应的车辆的数量，确定该至少一个可监控因素分别对应的至少一个第四概率，该至少一个可监控因素中的同一可监控因素对应的第四概率用于表示该同一可监控因素触发该目标车辆和该同一可监控因素对应的所有车辆均发生交通事故的可能性；将该至少一个第四概率的乘积确定为该第一概率。
例如，可通过以下方式确定该第一概率：
Figure BDA0002689947170000141
其中，p1表示该第一概率，∏表示求乘积运算，m表示该至少一个可监控因素的数量，ph表示该历史概率，ui表示该至少一个可监控因素中第i个可监控因素对应的第一占比，ci表示该至少一个可监控因素中第i个可监控因素对应的车辆的数量。
通过道路监控系统获取该目标车辆的周围车辆的分布情况，在考虑不同的可监控因素触发的交通事故的概率之间的差异的基础上，考虑到了每一个可监控因素涉及的有可能与目标车辆发生交通事故的车辆，相当于，考虑到了目标车辆是否满足发生交通事故的条件，由此，能够进一步提升事故预测的准确度。
换言之，可以按照以下公式确定预测概率：
Figure BDA0002689947170000151
其中，pp表示该预测概率，∏表示求乘积运算，m表示该至少一个可监控因素的数量，ph表示该历史概率，ui表示该至少一个可监控因素中第i个可监控因素对应的第一占比，ci表示该至少一个可监控因素中第i个可监控因素对应的车辆的数量。
下面以该至少一个可监控因素为至少一类驾驶盲区为例，对本申请的方案啊为例进行说明。
预警系统初步预测该目标车辆因为周围车辆而卷入交通事故的概率：例如，预警系统从交通管理系统获取该目标车辆所属的类型的车辆在当前道路卷过交通事故的历史概率，该可以概率可记为ph。
此外，预警系统将该至少一类驾驶盲区对应的至少一个第一占比分别记为u1,u2,...,um，其中，m表示该至少一类驾驶盲区的数量，将m个盲区分别称为盲区1,2,...,m。驾驶盲区的分类可视具体情况而定，例如，可以以从交通管理系统获取到的盲区分类及各类占比为准。通过u1,u2,...,um量化该至少一类盲区对该目标车辆发生交通事故的影响程度，相当于，交通事故的占比越高意味着驾驶盲区应被关注的程度越高，能够保证该至少一类驾驶盲区的量化精度。
继而，该预警系统可以基于ph和u1,u2,...,um确定该预测概率。
例如，该预警系统可得到各驾驶盲区导致的交通事故的占比相对第一平均占比，即u1-1/m,u2-1/m,...,um-1/m；如果其他车辆位于该盲区1,2,...,m，则预警系统可预测出每一类驾驶盲区触发的交通事故的概率，即ppre,1＝ph(1+u1-1/m),ppre,2＝ph(1+u2-1/m),...,ppre,m＝ph(1+um-1/m)；进一步，预警系统可从道路监控系统实时获取位于该目标车辆的盲区1,2,...,m内的车辆数量，即c1,c2,...,cm，由此，可预测出这些车辆与该目标车辆发生交通事故的概率为：
Figure BDA0002689947170000152
换言之，
Figure BDA0002689947170000153
可作为上述第一概率。
图7和图8均是图6所示的目标车辆行驶在目标道路的示意图。
如图7所示，目标车辆300行驶在丁字路段400上，前盲区410内存在有可能与该目标车辆300发生碰撞的车辆451，后盲区420内存在有可能与该目标车辆300发生碰撞的车辆453，左盲区430内存在有可能与该目标车辆300发生碰撞的车辆452，车辆454并未在右盲区440内，即右盲区440内不存在有可能与该目标车辆300发生碰撞的车辆。
换言之，该预测概率可表示为：
pp＝1-(1-ppre,410)1(1-ppre,420)1(1-ppre,430)1(1-ppre,440)0。
其中，ppre,410、ppre,420、ppre,430、ppre,440分别表示前盲区410、后盲区420、左盲区430以及后盲区440触发该目标车辆300发生的交通事故的概率。
如图8所示，目标车辆300行驶在直行路段450上，前盲区410内存在有可能与该目标车辆300发生碰撞的车辆455，后盲区420内存在有可能与该目标车辆300发生碰撞的车辆456，左盲区430内不存在有可能与该目标车辆300发生碰撞的车辆。右盲区440内存在有可能与该目标车辆300发生碰撞的车辆457。
换言之，该预测概率可表示为：
pp＝1-(1-ppre,410)1(1-ppre,420)1(1-ppre,430)0(1-ppre,440)1。
其中，ppre,410、ppre,420、ppre,430、ppre,440分别表示前盲区410、后盲区420、左盲区430以及后盲区440触发该目标车辆300发生的交通事故的概率。
应理解，图7和图8仅为本申请的示例，不应理解为对本申请的限制。例如，在其他可替代实施例中，该目标车辆300可行驶在十字路段上。
在本申请的一些实施例中，该方法200还可包括：
S215，确定至少一个不可监控因素分别对应的至少一个第二占比。
S216，在该至少一个第二占比中确定目标占比。
S217，基于该目标占比调整该预测概率。
例如，监控系统从交通管理系统获取该至少一个第二占比，并在至少一个第二占比中确定该目标占比，继而，可基于该目标占比调整该预测概率。
与可监控因素类似，不同的不可监控因素触发该目标车辆发生交通事故的概率可能存在差异，通过该目标占比调整该预测概率，能够在考虑可监控因素的基础上，进一步考虑不可监控因素对交通事故的影响，尤其是，针对某些不可监控的但对交通事故概率的影响特别重要的因素，能够进一步提升事故预测的准确度。
例如，可以按照以下方式调整该预测概率：
基于该目标占比确定目标变化量，该目标变化量为该目标占比相对第二平均占比的变化量；将该目标变化量分别加1，以生成目标权重；将该预测概率和该目标权重的乘积确定为调整后的概率。
再如，可以基于以下公式修正该预测概率：
pt＝pp(1+wt-1/n)；
其中，pt表示该预测概率的修正值，pp表示该预测概率，wt表示该目标占比，n表示该至少一个不可监控因素的数量。
在本申请的一些实施例中，该至少一个不可监控因素包括至少一类驾驶行为。例如，该至少一类驾驶行为包括以下行为中的至少一项：激进驾驶、疲劳驾驶、注意力分散驾驶或危险驾驶。
应理解，本申请对驾驶行为的分类仅为示例，不应理解为对本申请的限制。可选的，可基于驾驶员的具体行为分类驾驶行为。
例如，该激进驾驶可包括路口超速、车速过快、过快转弯、超车剐蹭、未保持安全距离等。由于该激进驾驶在驾驶员的行为导致的交通事故中据很大的比例，例如80％，因此，通过该目标占比调整该预测概率，能够在考虑可监控因素的基础上，进一步降低或弥补驾驶行为对交通事故的影响，能够进一步提升事故预测的准确度。
再如，疲劳驾驶可以理解为驾驶员长时间未得到充足休息或身体状况欠佳的情况下，驾驶车辆。再如，注意力分散驾驶可理解为驾驶员在驾驶车辆的过程中进行其他分散注意力的事情。例如打电话、看手机、抽烟等。再如，危险驾驶可理解为缺乏基本驾驶认知的驾驶员的驾驶行为，或该危险驾驶也可以理解为严重违规驾驶的驾驶行为。例如，该严重违规驾驶的驾驶行为包括但不限于逆行或溜车等驾驶行为。
下面以该至少一个不可监控因素为至少一类驾驶行为为例，对本申请的方案啊为例进行说明。
预警系统可从交通管理系统获取该至少一类驾驶行为分别对应的至少第二占比，即w1,w2,...,wn，其中，n表示该至少一类驾驶行为的数量。驾驶行为的分类可视具体情况而定，例如，可以以从交通管理系统获取到的驾驶行为分类及各类占比为准。通过w1,w2,...,wn量化该至少一类驾驶行为对该目标车辆发生交通事故的影响程度，相当于，交通事故的占比越高意味着驾驶行为应被关注的程度越高，能够保证该至少一类驾驶行为的量化精度。
继而，该预警系统可以基于w1,w2,...,wn调整该预测概率。
由于不能实时监控到该目标车辆里面的驾驶员的行为，即使能够监控到驾驶员的行为，也难以判断出驾驶员的行为所属的类别。基于此，该预警系统需要基于w1,w2,...,wn进行随机预警。
例如，假设驾驶员的行为为第t类驾驶行为，即上述目标占比，则可以在该w1,w2,...,wn中确定出第t类驾驶行为对应的第二占比，即wt；基于此，该预警系统可得到wt相对第二平均占比的变化量，即wt-1/n；由此，可将该预测概率修正为pp(1+Wt-1/n)。
下面对确定目标占比的实现方式进行说明。
在本申请的一些实施例中，可以按照以下方式确定该目标占比：
获取在区间[0，1]上服从均匀分布的随机变量；基于该随机变量确定该目标占比。
例如，将该至少一个第二占比中的大于或等于该随机变量的第二占比，确定为该目标占比。再如，将该至少一个第二占比中的小于该随机变量的第二占比，确定为该目标占比。
再如，确定目标区间
Figure BDA0002689947170000181
该随机变量位于该目标区间内，wi表示该至少一个不可监控因素中的第i个不可监控因素对应的第二占比；将该至少一个不可监控因素中的第k个不可监控因素对应的第二占比，确定为该目标占比。
换言之，该预警系统可生成一个服从0-1均匀分布U(0,1)的随机变量，即ξ；基于此，该预警系统可基于ξ在w1,w2,...,wn中确定目标占比，即wt。例如，如果ξ小于或等于wk，则预警系统可将wk确定为wt。再如，ξ位于w1+w2+...+wk与w1+w2+...+wk+1之间，则预警系统可将wk确定为wt。再如，如果ξ大于wk，则预警系统可将wk确定为wt。需要说明的是，wk可以是w1,w2,...,wn中的任意一个。进一步的，若存在满足条件的多个wk，还可以在该多个wk中选择一个wk作为wt，例如，在该多个wk中选择最大的或最小的wk作为wt，再如，在该多个wk选择与该随机变量差值最小或最大的wk作为wt
此外，本申请对生成随机变量的具体实现方式不作限定。例如，可以采用各种用于生成随机变量的工具或函数生成随机变量。另外，基于随机变量确定目标占比仅为本申请的示例，在其他可替代实施例中，还可以采用其他方式在该至少一个第二占比中，确定该目标占比。例如，可以采用随机的方式确定该目标占比。
以上结合附图详细描述了本申请的优选实施方式，但是，本申请并不限于上述实施方式中的具体细节，在本申请的技术构思范围内，可以对本申请的技术方案进行多种简单变型，这些简单变型均属于本申请的保护范围。例如，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本申请对各种可能的组合方式不再另行说明。又例如，本申请的各种不同的实施方式之间也可以进行任意组合，只要其不违背本申请的思想，其同样应当视为本申请所公开的内容。
还应理解，在本申请的各种方法实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上文结合图1至图8，详细描述了本申请的方法实施例，下文结合图9至图10，详细描述本申请的装置实施例。
图9是本申请实施例提供的预测交通事故的装置500的示意性框图。
如图9所示，该装置500可包括：
获取单元510，用于基于目标道路上的历史交通事故获取目标车辆的历史概率；
第一确定单元520，用于确定至少一个可监控因素分别对应的至少一个第一占比，该至少一个可监控因素为路测设备监控到的可触发该目标车辆发生交通事故的因素，该至少一个第一占比分别为至少一个可监控因素触发的交通事故在该历史交通事故中的占比；
第二确定单元530，用于基于该历史概率和至少一个第一占比确定第一概率；
第三确定单元540，用于基于该第一概率确定该目标车辆的预测概率，该预测概率用于表示该目标车辆在该目标道路发生交通事故的可能性。
在本申请的一些实施例中，该第一概率为该至少一个可监测因素均不触发该目标车辆发生交通事故的概率，该第三确定单元540具体用于：
将1与该第一概率的差值确定为该预测概率。
在本申请的一些实施例中，该第二确定单元530具体用于：
基于该历史概率和该至少一个第一占比，确定该至少一个可监控因素分别对应的至少一个第二概率，该至少一个可监控因素中的同一个可监控因素对应的第二概率用于表示该同一个可监控因素不触发该目标车辆发生交通事故的可能性；
基于该至少一个第二概率确定该第一概率。
在本申请的一些实施例中，该第二确定单元530具体用于：
基于该至少一个第一占比确定至少一个变化量，该至少一个变化量为该至少一个第一占比分别相对第一平均占比的变化量；
将该至少一个变化量分别加1，以生成该至少一个可监控因素分别对应的至少一个权重；
将该至少一个权重分别乘以该历史概率，以生成至少一个可监控因素分别对应的至少一个第三概率，该至少一个可监控因素中的同一个可监控因素对应的第三概率用于表示该同一个可监控因素触发该目标车辆发生交通事故的可能性；
利用1分别减去该至少一个第三概率，以生成至少一个第二概率。
在本申请的一些实施例中，该获取单元510还用于：
通过道路监控系统获取该目标车辆的周围车辆的分布情况；
其中，该第二确定单元530具体用于：
基于该该至少一个第二概率和该目标车辆的周围车辆的分布情况，确定该第一概率。
在本申请的一些实施例中，该第二确定单元530具体用于：
基于该目标车辆的周围车辆的分布情况，确定该至少一个可监控因素中每一个可监控因素对应的车辆的数量；
基于该至少一个第二概率和该至少一个可监控因素中的每一个可监控因素对应的车辆的数量，确定该至少一个可监控因素分别对应的至少一个第四概率，该至少一个可监控因素中的同一可监控因素对应的第四概率用于表示该同一可监控因素触发该目标车辆和该同一可监控因素对应的所有车辆均发生交通事故的可能性；
将该至少一个第四概率的乘积确定为该第一概率。
在本申请的一些实施例中，该至少一个可监控因素包括至少一类驾驶盲区；沿该目标车辆的行驶方向，该至少一类驾驶盲区包括以下中的至少一项：前盲区、后盲区、左盲区或右盲区；或者，该至少一类驾驶盲区包括全盲区或半盲区。
在本申请的一些实施例中，该第三确定单元540还用于：
确定至少一个不可监控因素分别对应的至少一个第二占比；
在该至少一个第二占比中确定目标占比；
基于该目标占比调整该预测概率。
在本申请的一些实施例中，该第三确定单元540具体用于：
基于该目标占比确定目标变化量，该目标变化量为该目标占比相对第二平均占比的变化量；
将该目标变化量分别加1，以生成目标权重；
将该预测概率和该目标权重的乘积确定为调整后的概率。
在本申请的一些实施例中，该第三确定单元540具体用于：
获取在区间[0，1]上服从均匀分布的随机变量；
基于该随机变量确定该目标占比。
在本申请的一些实施例中，该第三确定单元540具体用于：
将该至少一个第二占比中的大于或等于该随机变量的第二占比，确定为该目标占比；或者
将该至少一个第二占比中的小于该随机变量的第二占比，确定为该目标占比。
在本申请的一些实施例中，该第三确定单元540具体用于：
确定目标区间
Figure BDA0002689947170000211
该随机变量位于该目标区间内，wi表示该至少一个不可监控因素中的第i个不可监控因素对应的第二占比；
将该至少一个不可监控因素中的第k个不可监控因素对应的第二占比，确定为该目标占比。
在本申请的一些实施例中，该至少一个不可监控因素包括至少一类驾驶行为，该至少一类驾驶行为包括以下行为中的至少一项：激进驾驶、疲劳驾驶、注意力分散驾驶或危险驾驶。
应理解，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图9所示的装置500可以对应于执行本申请实施例的方法200中的相应主体，并且装置500中的各个模块的前述和其它操作和/或功能分别为了实现图2中的各个方法中的相应流程，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置500。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。
图10是本申请实施例提供的终端设备600的示意性框图。
如图10所示，该终端设备600可包括：
存储器610和处理器620，该存储器610用于存储计算机程序611，并将该程序代码611传输给该处理器620。换言之，该处理器620可以从存储器610中调用并运行计算机程序611，以实现本申请实施例中的方法。
例如，该处理器620可用于根据该计算机程序611中的指令执行上述方法200中的步骤。
在本申请的一些实施例中，该处理器620可以包括但不限于：
通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中，该存储器610包括但不限于：
易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。
在本申请的一些实施例中，该计算机程序611可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器610中，并由该处理器620执行，以完成本申请提供的录制页面的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序611在该终端设备600中的执行过程。
如图10所示，该终端设备600还可包括：
收发器630，该收发器630可连接至该处理器620或存储器610。
其中，处理器620可以控制该收发器630与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器630可以包括发射机和接收机。收发器630还可以进一步包括天线，天线的数量可以为一个或多个。
应当理解，该终端设备600中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
根据本申请的一个方面，提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。
根据本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方法实施例的方法。
换言之，当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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。例如，以上所描述的装置实施例仅仅是示意性的，例如，该模块的划分，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，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。
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模块，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模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
以上所述，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该权利要求的保护范围为准。

Claims (15)

1.一种预测交通事故的方法，其特征在于，包括：
基于目标道路上的历史交通事故获取目标车辆的历史概率；
确定至少一个可监控因素分别对应的至少一个第一占比，所述至少一个可监控因素为路测设备监控到的可触发所述目标车辆发生交通事故的因素，所述至少一个第一占比分别为至少一个可监控因素触发的交通事故在所述历史交通事故中的占比；
基于所述历史概率和至少一个第一占比确定第一概率；
基于所述第一概率确定所述目标车辆的预测概率，所述预测概率用于表示所述目标车辆在所述目标道路发生交通事故的可能性。
2.根据权利要求1所述的方法，其特征在于，所述第一概率为所述至少一个可监测因素均不触发所述目标车辆发生交通事故的概率，所述基于所述第一概率确定所述目标车辆的预测概率，包括：
将1与所述第一概率的差值，确定为所述预测概率。
3.根据权利要求1所述的方法，其特征在于，所述基于所述历史概率和至少一个第一占比确定第一概率，包括：
基于所述历史概率和所述至少一个第一占比，确定所述至少一个可监控因素分别对应的至少一个第二概率，所述至少一个可监控因素中的同一个可监控因素对应的第二概率用于表示所述同一个可监控因素不触发所述目标车辆发生交通事故的可能性；
基于所述至少一个第二概率确定所述第一概率。
4.根据权利要求3所述的方法，其特征在于，所述基于所述历史概率和所述至少一个第一占比，确定所述至少一个可监控因素分别对应的至少一个第二概率，包括：
基于所述至少一个第一占比确定至少一个变化量，所述至少一个变化量为所述至少一个第一占比分别相对第一平均占比的变化量；
将所述至少一个变化量分别加1，以生成所述至少一个可监控因素分别对应的至少一个权重；
将所述至少一个权重分别乘以所述历史概率，以生成所述至少一个可监控因素分别对应的至少一个第三概率，所述至少一个可监控因素中同一个可监控因素对应的第三概率用于表示所述同一个可监控因素触发所述目标车辆发生交通事故的可能性；
利用1分别减去所述至少一个第三概率，以生成所述至少一个第二概率。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过道路监控系统获取所述目标车辆的周围车辆的分布情况；
其中，所述基于所述至少一个第二概率确定所述第一概率，包括：
基于所述所述至少一个第二概率和所述目标车辆的周围车辆的分布情况，确定所述第一概率。
6.根据权利要求5所述的方法，其特征在于，所述基于所述所述至少一个第二概率和所述目标车辆的周围车辆的分布情况，确定所述第一概率，包括：
基于所述目标车辆的周围车辆的分布情况，确定所述至少一个可监控因素中每一个可监控因素对应的车辆的数量；
基于所述至少一个第二概率和所述至少一个可监控因素中的每一个可监控因素对应的车辆的数量，确定所述至少一个可监控因素分别对应的至少一个第四概率，所述至少一个可监控因素中的同一可监控因素对应的第四概率用于表示所述同一可监控因素触发所述目标车辆和所述同一可监控因素对应的所有车辆均发生交通事故的可能性；
将所述至少一个第四概率的乘积确定为所述第一概率。
7.根据权利要求1所述的方法，其特征在于，所述至少一个可监控因素包括至少一类驾驶盲区；沿所述目标车辆的行驶方向，所述至少一类驾驶盲区包括以下中的至少一项：前盲区、后盲区、左盲区或右盲区；或者，所述至少一类驾驶盲区包括全盲区或半盲区。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：
确定至少一个不可监控因素分别对应的至少一个第二占比；
在所述至少一个第二占比中确定目标占比；
基于所述目标占比调整所述预测概率。
9.根据权利要求8所述的方法，其特征在于，所述基于所述目标占比调整所述预测概率，包括：
基于所述目标占比确定目标变化量，所述目标变化量为所述目标占比相对第二平均占比的变化量；
将所述目标变化量分别加1，以生成目标权重；
将所述预测概率和所述目标权重的乘积确定为调整后的概率。
10.根据权利要求9所述的方法，其特征在于，所述在所述至少一个第二占比中确定目标占比，包括：
获取在区间[0，1]上服从均匀分布的随机变量；
基于所述随机变量在所述至少一个第二占比中确定所述目标占比。
11.根据权利要求10所述的方法，其特征在于，所述基于所述目标占比调整所述预测概率，包括：
将所述至少一个第二占比中的大于或等于所述随机变量的第二占比，确定为所述目标占比；或者
将所述至少一个第二占比中的小于所述随机变量的第二占比，确定为所述目标占比。
12.根据权利要求10所述的方法，其特征在于，所述基于所述目标占比调整所述预测概率，包括：
确定目标区间
Figure FDA0002689947160000031
所述随机变量位于所述目标区间内，wi表示所述至少一个不可监控因素中的第i个不可监控因素对应的第二占比；
将所述至少一个不可监控因素中的第k个不可监控因素对应的第二占比，确定为所述目标占比。
13.一种预测交通事故的装置，其特征在，包括：
获取单元，用于基于目标道路上的历史交通事故获取目标车辆的历史概率；
第一确定单元，用于确定至少一个可监控因素分别对应的至少一个第一占比，所述至少一个可监控因素为路测设备监控到的可触发所述目标车辆发生交通事故的因素，所述至少一个第一占比分别为至少一个可监控因素触发的交通事故在所述历史交通事故中的占比；
第二确定单元，用于基于所述历史概率和至少一个第一占比确定第一概率；
第三确定单元，用于基于所述第一概率确定所述目标车辆的预测概率，所述预测概率用于表示所述目标车辆在所述目标道路发生交通事故的可能性。
14.一种终端设备，其特征在于，包括：
处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行权利要求1至12中任一项所述的方法。
15.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1至12中任一项所述的方法。
CN202010988155.6A 2020-09-18 2020-09-18 预测交通事故的方法、装置、设备以及存储介质 Pending CN112132335A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010988155.6A CN112132335A (zh) 2020-09-18 2020-09-18 预测交通事故的方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010988155.6A CN112132335A (zh) 2020-09-18 2020-09-18 预测交通事故的方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN112132335A true CN112132335A (zh) 2020-12-25

Family

ID=73843002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010988155.6A Pending CN112132335A (zh) 2020-09-18 2020-09-18 预测交通事故的方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN112132335A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112064A (zh) * 2021-04-09 2021-07-13 浙江和达科技股份有限公司 供水管网渗透预警的方法、系统、电子设备和存储介质
CN113256997A (zh) * 2021-04-30 2021-08-13 贵州数据宝网络科技有限公司 一种交通车辆违规行为检测装置及方法
CN113689042A (zh) * 2021-08-25 2021-11-23 华自科技股份有限公司 监测节点的故障源预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112064A (zh) * 2021-04-09 2021-07-13 浙江和达科技股份有限公司 供水管网渗透预警的方法、系统、电子设备和存储介质
CN113112064B (zh) * 2021-04-09 2023-10-31 浙江和达科技股份有限公司 供水管网渗透预警的方法、系统、电子设备和存储介质
CN113256997A (zh) * 2021-04-30 2021-08-13 贵州数据宝网络科技有限公司 一种交通车辆违规行为检测装置及方法
CN113689042A (zh) * 2021-08-25 2021-11-23 华自科技股份有限公司 监测节点的故障源预测方法

Similar Documents

Publication Publication Date Title
KR102387240B1 (ko) 자율 주행 능력들을 갖는 차량들에 대한 위험 처리
US11235761B2 (en) Operational risk assessment for autonomous vehicle control
Shirazi et al. Looking at intersections: a survey of intersection monitoring, behavior and safety analysis of recent studies
CN112132335A (zh) 预测交通事故的方法、装置、设备以及存储介质
Arvin et al. Safety critical event prediction through unified analysis of driver and vehicle volatilities: Application of deep learning methods
Peng et al. Uncertainty evaluation of object detection algorithms for autonomous vehicles
CN110910673B (zh) 一种提醒行人碰撞车辆的方法及系统、摄像头、移动终端
Balan et al. An improved deep learning-based technique for driver detection and driver assistance in electric vehicles with better performance
TWI774034B (zh) 基於車聯網的行車示警方法、系統及設備
Yuan et al. Investigating safety and liability of autonomous vehicles: Bayesian random parameter ordered probit model analysis
Parada et al. Machine learning-based trajectory prediction for vru collision avoidance in v2x environments
Kumar et al. Moving Vehicles Detection and Tracking on Highways and Transportation System for Smart Cities
CN114162133A (zh) 驾驶场景的风险评估方法、装置和计算机可读存储介质
Katrakazas Developing an advanced collision risk model for autonomous vehicles
Hu et al. Detecting socially abnormal highway driving behaviors via recurrent graph attention networks
CN116451862A (zh) 模型训练方法和装置、交通事件发生概率评估方法和装置
CN114446042B (zh) 预警交通事故的方法、装置、设备以及存储介质
Alagarsamy et al. A Novel Machine Learning Technique for Predicting Road Accidents
Rao et al. Accident Detection using DenseNet
Lv et al. A novel rear-end collision warning algorithm in VANET
Ahmad et al. Comparative study of dashcam-based vehicle incident detection techniques
Wang et al. Towards safe autonomy in hybrid traffic: Detecting unpredictable abnormal behaviors of human drivers via information sharing
Hayashi et al. Prioritization of Lane-based Traffic Jam Detection for Automotive Navigation System utilizing Suddenness Index Calculation Method for Aggregated Values
WO2018134831A1 (en) System and method for enhancing road security
Uchiyama et al. Risky Traffic Situation Detection and Classification Using Smartphones

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