CN112633557A - 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例所公开一种基于大数据的道路安全预警方法、装置、电子设备及存储介质，具体方法包括获取道路图像、碰撞信号、天气数据和道路车辆密度，进而根据道路图像和/或碰撞信号，确定事故类型以及确定事故类型对应的严重等级，若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置，并且根据事故类型对应的严重等级和事故位置，确定预测影响区域，同时根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间，最后向预测影响区域内的车辆发送事故位置和预测持续时间。本申请可以使得用户提早做好准备应对行驶途中其他车辆事故的影响，还可以保证驾乘人员的安全。

Description

一种基于大数据的道路安全预警方法、装置、电子设备及存储 介质

技术领域

本发明涉及安全驾驶技术领域，尤其涉及一种基于大数据的道路安全预警方法、装置、电子设备及存储介质。

背景技术

随着社会经济的不断进步，汽车行业飞速发展，受汽车保有量逐年上涨影响，道路交通事故的发生率也在逐年增加，因此，提高道路安全驾驶成为交通管理部门和汽车制造厂商主要的关注热点。在车辆的行驶过程中，由于驾驶员对于道路信息的掌握程度十分有限，尤其是对初次行驶的道路，驾驶员仅仅能够获取视野范围内的路况信息，难以发现视野范围外远距离的安全隐患和交通事故，若无法得到及时的警示，将会造成严重的交通事故，对驾驶员和乘坐人员的生命财产具有重大威胁。

发明内容

本申请实施例提供一种基于大数据的道路安全预警方法、装置、电子设备及存储介质，可以使得用户提早做好准备应对事故，还可以保证驾乘人员的安全。

本申请实施例提供了一种基于大数据的道路安全预警方法，该方法包括：

获取道路图像、碰撞信号、天气数据和道路车辆密度；

根据道路图像和/或碰撞信号，确定事故类型以及确定事故类型对应的严重等级；

若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置；

根据事故类型对应的严重等级和事故位置，确定预测影响区域；

根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间；

向预测影响区域内的车辆发送事故位置和预测持续时间。

进一步地，根据道路图像和/或碰撞信号，确定事故类型，包括：

对道路图像进行图像识别处理，得到道路图像中目标对象对应的类别；

确定所述碰撞信号对应的强度；

根据目标对象对应的类别和碰撞信号对应的强度，确定事故类型；事故类型包括交通事故和道路阻断。

进一步地，根据事故类型对应的严重等级和事故位置，确定预测影响区域，包括：

根据事故类型对应的严重等级，确定与事故位置相距预设距离的区域为预测影响区域；事故类型对应的严重等级与预设距离对应。

进一步地，若事故类型为交通事故，该方法还包括：

获取交管部门位置；

根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间，包括：

根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度、事故位置和交管部门位置中的至少部分数据，确定预测持续时间。

进一步地，事故的严重等级包括第一等级和第二等级；

确定事故类型对应的严重等级，包括：

基于定位系统确定车辆碰撞前的第一位置数据和碰撞后的第二位置数据；

根据碰撞信号对应的强度、第一位置数据和第二位置数据，确定交通事故对应的严重等级。

进一步地，若事故类型对应的严重等级为第一等级，

根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度、交管部门位置和事故位置中的至少部分数据，确定预测持续时间，包括：

根据天气数据和道路车辆密度确定车辆移动时间；

确定车辆移动时间为预测持续时间。

进一步地，若事故类型对应的严重等级为第二等级，

根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度、交管部门位置和事故位置中的至少部分数据，确定预测持续时间，包括：

确定交通事故对应的处理时间；

确定交管部门位置和事故位置间的距离；

根据距离、天气数据和道路车辆密度，确定行驶时间；

根据处理时间和行驶时间确定预测持续时间。

进一步地，若事故类型为道路阻断，

根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间，包括：

根据天气数据和道路车辆密度确定等待时间；

确定等待时间为预测持续时间。

相应地，本申请实施例还公开了一种基于大数据的道路安全预警装置，该装置包括：

获取模块，用于获取道路图像、碰撞信号、天气数据和道路车辆密度；

第一确定模块，用于根据道路图像和/碰撞信号，确定事故类型以及确定事故类型对应的严重等级；

第二确定模块，用于若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置；

第三确定模块，用于根据事故类型对应的严重等级和事故位置，确定预测影响区域；

第四确定模块，用于根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间；

发送模块，用于向预测影响区域内的车辆发送事故位置和预测持续时间。

相应地，本申请实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述基于大数据的道路安全预警方法。

相应地，本申请实施例还提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述基于大数据的道路安全预警方法。

本申请实施例具有如下有益效果：

本申请实施例所公开的一种基于大数据的道路安全预警方法、装置、电子设备及存储介质，其中，方法包括获取道路图像、碰撞信号、天气数据和道路车辆密度，进而根据道路图像和/或碰撞信号，确定事故类型以及确定事故类型对应的严重等级，若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置，并且根据事故类型对应的严重等级和事故位置，确定预测影响区域，同时根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间，最后向预测影响区域内的车辆发送事故位置和预测持续时间。基于本申请实施例，将碰撞信号和云平台大数据结合，并利用图像识别技术对道路图像进行识别，确定道路中事故类型以及事故类型对应的严重程度，进而根据天气情况和道路车辆密度确定预测影响区域和预测持续时间，以精准推送至用户进行警示，可以使得用户提早做好准备应对行驶途中其他车辆事故的影响，还可以保证驾乘人员的安全。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例所提供的一种应用环境的示意图；

图2是本申请实施例所提供的一种基于大数据的道路安全预警方法的流程示意图；

图3是本申请实施例所提供的一种确定预测持续时间的方法的流程示意图；

图4是本申请实施例所提供的一种基于大数据的道路安全预警方法的架构图；

图5是本申请实施例所提供的一种基于大数据的道路安全预警装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例作进一步地详细描述。显然，所描述的实施例仅仅是本申请一个实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

此处所称的“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例能够以除了在这里图示或描述以外的顺序实施。此外，术语“包括”、“具有”和“为”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、装置、产品或设备固有的其它步骤或模块。

请参阅图1，其所示为本申请实施例所提供的一种应用环境的示意图，包括服务器101，服务器101中的基于大数据的道路安全预警装置可以获取道路图像、碰撞信号、天气数据和道路车辆密度，进而根据道路图像和/或碰撞信号，确定事故类型以及确定事故类型对应的严重等级，若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置，并且根据事故类型对应的严重等级和事故位置，确定预测影响区域，同时根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间，最后向预测影响区域内的车辆发送事故位置和预测持续时间。

下面介绍本申请一种基于大数据的道路安全预警方法的具体实施例，图2是本申请实施例提供的一种基于大数据的道路安全预警方法的流程示意图，本说明书提供了如实施例或流程图所示的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式，不代表唯一的执行顺序，在实际执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，该方法包括：

S201：获取道路图像、碰撞信号、天气数据和道路车辆密度。

本申请实施例中，服务器可以实时获取事故车辆发送的碰撞信号和声音信号，车载图像采集设备采集的道路图像，百度地图开放接口采集交管部门位置和道路车辆密度，以及中国天气网开放接口采集的天气数据。服务器还可以实时获取车辆上的多个感知器件采集并上传至云端的道路图像、碰撞信号、天气数据和道路车辆密度。

S203：根据道路图像和/或碰撞信号，确定事故类型以及确定事故类型对应的严重等级。

本申请实施例中，在一种可选的实施方式中，服务器中的碰撞识别模型可以根据碰撞信号，确定事故类型以及确定事故类型对应的严重等级，也即是碰撞程度。当服务器获取到事故车辆发送的碰撞信号和声音信号，确定事故类型为交通事故，进而服务器确定碰撞信号对应的强度以确定交通事故对应的严重等级。例如，当车辆发生严重的交通事故(人员伤亡或车辆严重变形)时，将发送强度大于预设强度阈值的碰撞信号，当车辆发生轻微的交通事故(车辆漆面破损)时，将发送强度小于预设强度阈值的碰撞信号。如此，当服务器获取到事故车辆发送的碰撞信号之后，可以直接确定碰撞信号对应的强度，并基于定位系统确定事故车辆碰撞前的第一位置数据和碰撞后的第二位置数据，进而根据碰撞信号对应的强度、第一位置数据和第二位置数据，确定交通事故对应的严重等级。例如，当碰撞信号对应的强度大于预设强度阈值且第一位置数据和第二位置数据大于预设距离阈值时，确定事故类型对应的严重等级为第二等级，也即是，事故车辆不可移动，需要交管部门辅助移动处理；当碰撞信号对应的强大小于预设强度阈值且第一位置数据和第二位置数据小于预设距离阈值时，确定事故类型对应的严重等级为第一等级，也即是，事故车辆可移动，无需交管部门辅助移动处理。再例如，无论车辆发生严重的交通事故还是轻微的交通事故，事故车辆仅发送碰撞信号，当服务器获取到事故车辆发送的碰撞信号以及声音信号之后，可以根据获取的声音信号的分贝确定碰撞信号对应的强度，并基于定位系统确定事故车辆碰撞前的第一位置数据和碰撞后的第二位置数据，进而根据碰撞信号对应的强度、第一位置数据和第二位置数据，确定交通事故对应的严重等级。例如，当碰撞信号对应的强度大于预设事故强度阈值且第一位置数据和第二位置数据大于预设距离阈值时，确定事故类型对应的严重等级为第二等级；当碰撞信号对应的强大小于预设强度阈值且第一位置数据和第二位置数据小于预设距离阈值时，确定事故类型对应的严重等级为第一等级。

在另一种可选的实施方式中，服务器中的图像识别模型可以根据道路图像，确定事故类型以及确定事故类型对应的严重等级。具体地，车端设备可以基于初步障碍物检测模型对获取的道路图像进行数据清洗，即利用深度学习物体识别算法判断道路图像中是否存在障碍物，如此，可以减轻道路图像的采集和传输压力。进而将清洗后的数据发送至服务端，服务器基于障碍物类型分类模型对获取的道路图像中的障碍物进行分类，即基于深度学习物体识别算法，使用Single-Shot MuLTIbox Detector框架，对道路图像中的障碍物进行分类。这里，障碍物是指道路中的一般障碍物和目标障碍物，例如，一般障碍物包括正常行驶的车辆、道路护栏和道路标识牌等，目标障碍物包括事故车辆、道路阻塞警示牌、受损桥梁、损坏路段和山体滑坡积石等。如此，服务器可以根据目标对象及目标障碍物对应的类别确定事故类型，例如，目标障碍物为事故车辆，则确定事故类型为交通事故，再例如，目标障碍物为道路阻塞警示牌或者山体滑坡积石，则确定事故类型为道路阻断。

在另一种可选的实施方式中，服务器还可以根据道路图像和碰撞信号，确定事故类型以及确定事故类型对应的严重等级，也即是，综合考虑上述两种实施方式，具体实施过程不再赘述，如此，可以提高确定事故类型和事故类型对应的严重等级的准确性。具体地，可以将道路图像、碰撞信号、事故车辆碰撞前的第一位置数据和碰撞后的第二位置数据输入碰撞程度预测模型中，进而可以根据碰撞程度预测模型的输出确定是否需要警示。该碰撞程度预测模型利用机器学习逻辑回归算法，使用交叉验证的方式对输入的数据进行训练得到的。

S205：若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置。

本申请实施例中，若根据碰撞程度预测模型输出的事故类型对应的严重等级高于预设预警等级，服务器基于定位系统确定事故位置。也即是，服务器根据碰撞程序预测模型的输出确定需要警示，则基于定位系统确定事故位置。

S207：根据事故类型对应的严重等级和事故位置，确定预测影响区域。

本申请实施例中，服务器可以根据事故类型对应的严重等级，确定与事故位置相距预设距离的区域为预测影响区域，其中，事故类型对应的严重等级与预设距离是对应的，第一等级的事故所对应的预设距离小于第二等级的事故对应的预设距离。

在一种可选的实施方式中，可以根据事故类型对应的严重等级、道路类型以及事故位置，确定与事故位置相距预设距离的区域为预测影响区域。当道路类型为高速公路时，确定的预设距离将大于普通道路对应的预设距离。

S209：根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间。

本申请实施例中，如图3示例了一种确定预测持续时间的方法的流程示意图。可以将事故类型、事故类型对应的严重等级、天气数据、道路密度和事故位置输入事故持续时间预测模型，根据所述事故持续时间预测模型的输出确定预测持续时间。该事故持续时间预测模型是利用机器学习线性回归算法，使用交叉验证方式对输入的数据进行训练得到的。

本申请实施例中，若确定事故类型为交通事故，服务器还需要获取交管部门位置，进而根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度、事故位置和交管部门位置中的至少部分数据，确定预测持续时间。在一种可选的实施方式中，若交通事故对应的严重等级为第一等级，也即是上文中描述的事故车辆可移动，无需交管部门辅助移动处理，服务器可以根据天气数据和道路车辆密度确定车辆移动时间，进而确定车辆移动时间为预测持续时间。这里，车辆移动时间是指事故车辆可自己移动至应急车道来等待交管部门处理交通事故所需的移动时间。

在另一种可选的实施方式中，若交通事故对应的严重等级为第二等级，也即是上文中描述的事故车辆不可移动，需要交管部门辅助移动处理，服务器可以确定交管部门位置与事故位置间的距离，进而根据交管部门与事故位置间的距离、天气数据和道路密度，确定交管部门到达事故位置所需的行驶时间，同时确定交通事故对应的处理时间，即交管部门辅助移动车辆至应急车道或者拖移事故车辆所需的处理时间，之后，可以确定处理时间和行驶时间之和为预测持续时间。

在另一种可选的实施方式中，若确定事故类型为道路阻断，服务器可以根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度、事故位置和交管部门位置中的至少部分数据，确定预测持续时间。当道路阻塞但允许单辆车辆行驶时，即道路阻断对应的严重等级为第一等级，例如道路维修时，不需要交管部门辅助清理道路，服务器可以根据天气数据和道路车辆密度确定等待时间，这里等待时间可以是指每辆车辆行驶通过道路阻塞路段所需的等待时间，也可以是根据道路车辆密度对应的全部车辆行驶通过道路阻塞路段所需的等待时间，进而确定等待时间为预测持续时间。需要进行说明的是，当道路阻断对应的严重等级为第二等级，例如山体滑坡积石覆盖全部道路时，需要交管部门辅助清理道路，此时确定预测持续时间的方法和上文中提及的交通事故对应的严重等级为第二等级的确定方法相同，此处不再赘述。

S211：向预测影响区域内的车辆发送事故位置和预测持续时间。

本申请实施例中，服务器中的警示推送模块利用5G进行数据传输，将事故位置和预测时间推送至预测影响区域内的车辆，具体可以根据预测影响区域内的车辆对应的不同预警级别选定不同的预警方式进行预警，例如，向预测影响区域内距离事故位置较近的车辆同时发送高预警级别的车机端信息预警，比如中控屏的图标闪烁和多媒体语音播报事故位置和预测持续时间同时进行警示，向预测影响区域内距离事故位置较远的车辆发送低预警级别的用户终端信息预警，比如向车辆所注册的驾驶员发送事故位置和预测持续时间。如图4示例了一种基于大数据的道路安全预警方法的架构图。其中，在大数据处理部分，可以使用Kafka传输采集的数据，并使用Spark Sql或者Spark Core对采集的数据进行离线处理，离线处理后的数据可以存储至数据库，以供模型预测模块进行计算确定预测影响区域和预测影响时间。

本申请实施例中，服务器还获取用户反馈，即根据用户反馈的所推送的事故位置和预测持续时间是否与实际情况相符的反馈，来对图4中的模型预测模块进行训练，以提高模型预测模块的准确率。

采用本申请实施例所提供的基于大数据的道路安全预警方法，将碰撞信号和云平台大数据结合，并利用图像识别技术对道路图像进行识别，确定道路中事故类型以及事故类型对应的严重程度，进而根据天气情况和道路车辆密度确定预测影响区域和预测持续时间，以精准推送至用户进行警示，可以使得用户提早做好准备应对事故，还可以保证驾乘人员的安全。

本申请实施例还提供的一种基于大数据的道路安全预警装置，图5是本申请实施例提供的一种基于大数据的道路安全预警装置的结构示意图，如图5所示，该装置包括：

获取模块501用于获取道路图像、声音信号、天气数据和道路车辆密度；

第一确定模块503用于根据道路图像和声音信号，确定事故类型以及确定事故类型对应的严重等级；

第二确定模块505用于若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置；

第三确定模块507用于根据事故类型对应的严重等级和事故位置，确定预测影响区域；

第四确定模块509用于根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间；

发送模块511用于向预测影响区域内的车辆发送事故位置和预测持续时间。

本申请实施例中的装置与方法实施例基于同样的申请构思。

本申请实施例还提供的一种电子设备，电子设备可设置于服务器之中以保存用于实现方法实施例中的一种基于大数据的道路安全预警方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该存储器加载并执行以实现上述的基于大数据的道路安全预警方法。

本申请实施例还提供的一种存储介质，存储介质可设置于服务器之中以保存用于实现方法实施例中一种基于大数据的道路安全预警方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述基于大数据的道路安全预警方法。

可选的，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于包括：U盘、只读存储器(ROM，Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

由上述本申请提供的基于大数据的道路安全预警方法、装置、电子设备或存储介质的实施例可见，本申请中方法包括获取道路图像、碰撞信号、天气数据和道路车辆密度，进而根据道路图像和/或碰撞信号，确定事故类型以及确定事故类型对应的严重等级，若事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置，并且根据事故类型对应的严重等级和事故位置，确定预测影响区域，同时根据事故类型、事故类型对应的严重等级、天气数据、道路车辆密度和事故位置中的至少部分数据，确定预测持续时间，最后向预测影响区域内的车辆发送事故位置和预测持续时间。基于本申请实施例，将碰撞信号和云平台大数据结合，并利用图像识别技术对道路图像进行识别，确定道路中事故类型以及事故类型对应的严重程度，进而根据天气情况和道路车辆密度确定预测影响区域和预测持续时间，以精准推送至用户进行警示，可以使得用户提早做好准备应对事故，还可以保证驾乘人员的安全。

需要说明的是：上述本申请实施例的先后顺序仅仅为了描述，不代表实施例的优劣，且上述本说明书对特定的实施例进行了描述，其他实施例也在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或者步骤可以按照不同的实施例中的顺序来执行并且能够实现预期的结果。另外，在附图中描绘的过程不一定要求示出特定顺序或者而连接顺序才能够实现期望的结果，在某些实施方式中，多任务并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的均为与其他实施例的不同之处。尤其，对于装置的实施例而言，由于其基于相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (11)

1.一种基于大数据的道路安全预警方法，其特征在于，包括：

获取道路图像、碰撞信号、天气数据和道路车辆密度；

根据所述道路图像和/或所述碰撞信号，确定事故类型以及确定所述事故类型对应的严重等级；

若所述事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置；

根据所述事故类型对应的严重等级和所述事故位置，确定预测影响区域；

根据所述事故类型、所述事故类型对应的严重等级、所述天气数据、所述道路车辆密度和所述事故位置中的至少部分数据，确定预测持续时间；

向所述预测影响区域内的车辆发送所述事故位置和所述预测持续时间。

2.根据权利要求1所述的方法，其特征在于，所述根据所述道路图像和/或所述碰撞信号，确定事故类型，包括：

对所述道路图像进行图像识别处理，得到所述道路图像中目标对象对应的类别；

确定所述碰撞信号对应的强度；

根据所述目标对象对应的类别和所述碰撞信号对应的强度，确定事故类型；所述事故类型包括交通事故和道路阻断。

3.根据权利要求1所述的方法，其特征在于，所述根据所述事故类型对应的严重等级和所述事故位置，确定预测影响区域，包括：

根据所述事故类型对应的严重等级，确定与所述事故位置相距预设距离的区域为预测影响区域；所述事故类型对应的严重等级与所述预设距离对应。

4.根据权利要求2所述的方法，其特征在于，若所述事故类型为所述交通事故，所述方法还包括：

获取交管部门位置；

所述根据所述事故类型、所述事故类型对应的严重等级、所述天气数据、所述道路车辆密度和所述事故位置中的至少部分数据，确定预测持续时间，包括：

根据所述事故类型、所述事故类型对应的严重等级、所述天气数据、所述道路车辆密度、所述事故位置和所述交管部门位置中的至少部分数据，确定预测持续时间。

5.根据权利要求4所述的方法，其特征在于，所述事故的严重等级包括第一等级和第二等级；

所述确定所述事故类型对应的严重等级，包括：

基于所述定位系统确定车辆碰撞前的第一位置数据和碰撞后的第二位置数据；

根据所述碰撞信号对应的强度、所述第一位置数据和第二位置数据，确定所述交通事故对应的严重等级。

6.根据权利要求5所述的方法，其特征在于，若所述事故类型对应的严重等级为所述第一等级，

所述根据所述事故类型、所述事故类型对应的严重等级、所述天气数据、所述道路车辆密度、所述交管部门位置和所述事故位置中的至少部分数据，确定预测持续时间，包括：

根据所述天气数据和所述道路车辆密度确定车辆移动时间；

确定所述车辆移动时间为所述预测持续时间。

7.根据权利要求5所述的方法，其特征在于，若所述事故类型对应的严重等级为所述第二等级，

所述根据所述事故类型、所述事故类型对应的严重等级、所述天气数据、所述道路车辆密度、所述交管部门位置和所述事故位置中的至少部分数据，确定预测持续时间，包括：

确定所述交通事故对应的处理时间；

确定所述交管部门位置和所述事故位置间的距离；

根据所述距离、所述天气数据和所述道路车辆密度，确定行驶时间；

根据所述处理时间和所述行驶时间确定所述预测持续时间。

8.根据权利要求2所述的方法，其特征在于，若所述事故类型为所述道路阻断，

所述根据所述事故类型、所述事故类型对应的严重等级、所述天气数据、所述道路车辆密度和所述事故位置中的至少部分数据，确定预测持续时间，包括：

根据所述天气数据和所述道路车辆密度确定等待时间；

确定所述等待时间为所述预测持续时间。

9.一种基于大数据的道路安全预警装置，其特征在于，包括：

获取模块，用于获取道路图像、碰撞信号、天气数据和道路车辆密度；

第一确定模块，用于根据所述道路图像和/或所述碰撞信号，确定事故类型以及确定所述事故类型对应的严重等级；

第二确定模块，用于若所述事故类型对应的严重等级高于预设预警等级，基于定位系统确定事故位置；

第三确定模块，用于根据所述事故类型对应的严重等级和所述事故位置，确定预测影响区域；

第四确定模块，用于根据所述事故类型、所述事故类型对应的严重等级、所述天气数据、所述道路车辆密度和所述事故位置中的至少部分数据，确定预测持续时间；

发送模块，用于向所述预测影响区域内的车辆发送所述事故位置和所述预测持续时间。

10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-8任意一项所述基于大数据的道路安全预警方法。

11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-8任意一项所述基于大数据的道路安全预警方法。

Images