CN112836626A - 事故确定方法及装置、模型训练方法及装置、电子设备 - Google Patents
事故确定方法及装置、模型训练方法及装置、电子设备 Download PDFInfo
- Publication number
- CN112836626A CN112836626A CN202110133296.4A CN202110133296A CN112836626A CN 112836626 A CN112836626 A CN 112836626A CN 202110133296 A CN202110133296 A CN 202110133296A CN 112836626 A CN112836626 A CN 112836626A
- Authority
- CN
- China
- Prior art keywords
- road section
- traffic track
- accident
- sample
- target road
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000011144 upstream manufacturing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000005065 mining Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000009412 basement excavation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开了事故确定方法及装置、模型训练方法及装置、电子设备以及存储介质,涉及数据/图像处理技术领域,尤其涉及人工智能和智能交通等领域。其中,事故确定方法具体实现方案为:确定处于拥堵状态的目标路段和与上述目标路段相邻的关联路段;获取上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息;根据上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息,对上述目标路段进行事故检测,得到检测结果;在根据上述检测结果确定上述目标路段为事故发生路段的情况下,调取上述目标路段的图像信息;以及根据上述目标路段的图像信息确定事故发生原因。
Description
技术领域
本公开涉及数据/图像处理技术领域,尤其涉及人工智能和智能交通等领域。
背景技术
驾驶导航中不可或缺的一个部分为路况发布,而路况发布所传递的信息一般是畅通,缓行以及拥堵等状态,目前的路况发布存在信息传递单一的问题,因此,反映为路况的可解释性低,给用户造成不好的体验。例如,用户长时间处于拥堵等待而无法获悉拥堵原因会影响用户心情。
发明内容
本公开提供了一种事故确定方法及装置、模型训练方法及装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种事故确定方法,包括:确定处于拥堵状态的目标路段和与上述目标路段相邻的关联路段;获取上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息;根据上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息,对上述目标路段进行事故检测,得到检测结果;在根据上述检测结果确定上述目标路段为事故发生路段的情况下,调取上述目标路段的图像信息;以及根据上述目标路段的图像信息确定事故发生原因。
根据本公开的另一方面,提供了一种模型训练方法,包括:获取训练样本集,其中,上述训练样本集中包括多个训练样本,每个上述训练样本包括路段样本的交通轨迹图和与上述路段样本相邻的关联路段样本的交通轨迹图,以及每个上述训练样本具有用于表征路段是否发生事故的标签;以及利用上述训练样本集训练初始检测模型,输出训练完成的事故检测模型。
根据本公开的另一方面,提供了一种事故确定装置,包括:第一确定模块、第一获取模块、检测模块、调取模块和第二确定模块。
第一确定模块,用于确定处于拥堵状态的目标路段和与上述目标路段相邻的关联路段。
第一获取模块,用于获取上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息。
检测模块,用于根据上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息,对上述目标路段进行事故检测,得到检测结果。
调取模块,用于在根据上述检测结果确定上述目标路段为事故发生路段的情况下,调取上述目标路段的图像信息。
第二确定模块,用于根据上述目标路段的图像信息确定事故发生原因。
根据本公开的另一方面,提供了一种模型训练装置,包括:第二获取模块和第一训练模块。
第二获取模块,用于获取训练样本集,其中,上述训练样本集中包括多个训练样本,每个上述训练样本包括路段样本的交通轨迹图和与上述路段样本相邻的关联路段样本的交通轨迹图,以及每个上述训练样本具有用于表征路段是否发生事故的标签。
第一训练模块,用于利用上述训练样本集训练初始检测模型,输出训练完成的事故检测模型。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面,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如上所述的方法。
根据本公开的另一方面,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如上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用本公开所提供的方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的事故确定方法的流程图;
图3示意性示出了根据本公开实施例的上游路段的交通轨迹图;
图4示意性示出了根据本公开实施例的目标路段的交通轨迹图;
图5示意性示出了根据本公开实施例的下游路段的交通轨迹图;
图6示意性示出了根据本公开实施例的事故检测模型的训练过程的流程图;
图7示意性示出了根据本公开实施例的检测框的示意图;
图8示意性示出了根据本公开实施例的使用事故解释模型确定事故发生原因的流程图;
图9示意性示出了根据本公开实施例的事故确定装置的框图;
图10示意性示出了根据本公开实施例的模型训练装置的框图;以及
图11示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
在实现本公开的过程中发现,用户长时间处于拥堵等待而无法获悉等待原因会影响用户心情,同时无法获悉事故种类甚至进一步造成用户绕路、违章和交通事故。
虽然可以通报事故发生的位置,预计消散的时间等等,但对于事故发生的种类一般不通报。在确定某一段路发生了拥堵,还可以通过观察拥堵地段的时空轨迹特征以及图像采集特征等,确定事故发生的地点,概率等,但是以上方式均存在一些问题。
如果基于大数据时空轨迹计算,会受到异常慢轨迹的影响,从而易发出极度拥堵的判断,给出事故发现的误判。同时,基于大数据时空轨迹挖掘出的事故,无法表现出事故的种类。如果通过图像挖掘事故,也存在图像覆盖率低的问题。同时,基于每天发生大量拥堵的情况,图像的调度对应用架构来说也会存在不合理性,从而无法做到事故的及时准确发现以及事故种类的输出。如果对所有的拥堵事件进行图像调度,也会增加资源浪费,同时加大架构延迟,影响服务。
因此,在实际应用中,不能较好的兼顾事故发掘的准确性以及事故可解释的全面性。此外,也未同时考虑到架构实现的可行性。
本公开的实施例提供了一种事故确定方法,包括:确定处于拥堵状态的目标路段和与上述目标路段相邻的关联路段;获取上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息;根据上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息,对上述目标路段进行事故检测,得到检测结果;在根据上述检测结果确定上述目标路段为事故发生路段的情况下,调取上述目标路段的图像信息;以及根据上述目标路段的图像信息确定事故发生原因。
图1示意性示出了根据本公开实施例的可以应用本公开所提供的方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用事故确定方法或模型训练方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的事故确定方法或模型训练方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如导航类应用、地图应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的事故确定方法或模型训练方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的事故确定方法或模型训练装置也可以设置于终端设备101、102、或103中。
或者,本公开实施例所提供的事故确定方法或模型训练方法一般也可以由服务器105执行。相应地,本公开实施例所提供的事故确定方法或模型训练装置一般可以设置于服务器105中。本公开实施例所提供的事故确定方法或模型训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的事故确定方法或模型训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
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。
图2示意性示出了根据本公开实施例的事故确定方法的流程图。
如图2所示,该方法包括操作S210~S250。
在操作S210,确定处于拥堵状态的目标路段和与目标路段相邻的关联路段。
在操作S220,获取目标路段的交通轨迹信息和关联路段的交通轨迹信息。
在操作S230,根据目标路段的交通轨迹信息和关联路段的交通轨迹信息,对目标路段进行事故检测,得到检测结果。
在操作S240,在根据检测结果确定目标路段为事故发生路段的情况下,调取目标路段的图像信息。
在操作S250,根据目标路段的图像信息确定事故发生原因。
根据本公开的实施例,确定路段是否处于拥堵状态的方式不做限定。例如,可以根据路段中当前的车辆数量确定路段是否处于拥堵状态,或者,根据路段中当前的车辆数量和车辆行驶速度确定路段是否处于拥堵状态。或者,根据不同用户上传的路段状态信息综合确定路段是否处于拥堵状态。
根据本公开的实施例,路段上的车辆状态包括但不限于极度拥堵、拥堵、缓慢、畅通等等,其中,极度拥堵和拥堵可以统称为拥堵。本领域技术人员可以按照预设量化条件确定在何种情况下属于拥堵状态,在何种情况下属于缓慢或畅通状态。
根据本公开的实施例,与目标路段相邻的关联路段例如可以包括目标路段的上游路段和/或下游路段。
在实现本公开的过程中发现,事故发生的地点往往有此类特征,即发生事故的路段的上游为拥堵,而其下游会为畅通。在地图的空间上会反映出路况的一个突变,同时这个突变会在一定时间内保持。本公开的实施例在确定路段是否拥堵时,综合考虑了目标路段和目标路段相邻的关联路段,相比于仅考虑目标路段本身而言,具有更高的事故判断准确性。
根据本公开的实施例,交通轨迹信息例如可以包括车辆数量、每个车辆通过路段的行驶轨迹以及驶入驶出时间等。目标路段的交通轨迹信息可以包括该目标路段上的车辆数量,通过该目标路段的部分或所有车辆的行驶轨迹以及驶入驶出时间等。关联路段的交通轨迹信息可以包括该关联路段上的车辆数量,通过该关联路段的部分或所有车辆的行驶轨迹以及驶入驶出时间等。
根据本公开的实施例,在对目标路段进行事故检测时,可以根据目标路段和关联路段上的车辆数量,通过该路段的部分或所有车辆的行驶轨迹以及驶入驶出时间等信息进行事故检测。检测结果类型包括但不限于发生事故或没有发生事故。
根据本公开的实施例,在确定目标路段为事故发生路段的情况下,可以基于应用架构调取目标路段的图像信息。可以基于图像检测的方式确定事故发生原因,达到高准确率和满足可解释性。
通过本公开的实施例,根据目标路段的交通轨迹信息和关联路段的交通轨迹信息,对目标路段进行事故检测,实现了通过轨迹挖掘的方式,发掘可能存在事故的大概位置;在根据检测结果确定目标路段为事故发生路段的情况下,调取目标路段的图像信息;以及根据目标路段的图像信息确定事故发生原因,由于可以定点采集事故高置信度区域的图像信息,同时采集的图像信息相较于纯图像调度方案可以降低调取数量,也节约了计算资源,提高了时效性。充分结合了基于轨迹信息和图像信息的特点,达到了高可用性。在轨迹挖掘的结果上通过图像信息进行再一次验证,提高了事故检测的可信度。同时,根据目标路段的图像信息确定出事故发生原因。
根据本公开的实施例,在确定事故发生原因之后,还可以输出目标路段的位置信息和事故发生原因。
例如,当用户搜索该目标路段的地图,可以输出该目标路段的位置信息和事故发生原因,使得用户可以获知该目标路段的实际情况,达到了高准确率和满足可解释性。
根据本公开的实施例,确定处于拥堵状态的目标路段和与目标路段相邻的关联路段包括:获取不同用户上传的交通轨迹信息;根据不同用户上传的交通轨迹信息确定处于拥堵状态的目标路段;根据目标路段确定与目标路段相邻的关联路段。
根据本公开的实施例,用户上传的交通轨迹信息例如可以包括用户的车辆通过路段的行驶轨迹以及驶入驶出时间等。
根据本公开的实施例,例如,可以根据不同用户上传的路段的驶入驶出时间确定处于拥堵状态的目标路段,或者,根据不同用户上传的路段中的车辆数量确定处于拥堵状态的目标路段。
根据本公开的实施例,根据不同用户上传的交通轨迹信息确定处于拥堵状态的目标路段包括:根据不同用户上传的交通轨迹信息确定每条交通轨迹通过路段的速度;根据每条交通轨迹通过相同路段的速度,确定通过该相同路段的平均速度;在通过相同路段的平均速度满足预设条件的情况下,确定该相同路段为处于拥堵状态的目标路段。
根据本公开的实施例,每条交通轨迹可以对应于一个用户上传的交通轨迹信息。可以根据用户的车辆通过路段的行驶轨迹以及驶入驶出时间确定每条交通轨迹通过路段的速度,例如,利用行驶路长除以驶入驶出时间差得到每条交通轨迹通过路段的速度。
根据本公开的实施例,针对同一条路段,可以计算所有的交通轨迹通过该相同路段的速度的平均值。预设条件包括行驶速度阈值,例如可以是小于10km/h。在路段的平均速度小于10km/h的情况下,确定该路段为处于拥堵状态的目标路段。
根据本公开的实施例,平台可以实时接收用户的轨迹数据并存储;基于轨迹数据,完成每条轨迹通过路段的速度到所通过路段的映射;根据某时刻通过该路段轨迹的平均速度得到路段在该时刻的通行速度,通过该通行速度可以筛选出拥堵的目标路段及其关联路段。根据本公开的实施例,关联路段包括目标路段的上游路段和/或下游路段。
根据本公开的实施例,根据目标路段的交通轨迹信息和关联路段的交通轨迹信息,对目标路段进行事故检测,得到检测结果包括:根据目标路段的交通轨迹信息生成目标路段的交通轨迹图;根据关联路段的交通轨迹信息生成关联路段的交通轨迹图;以及根据目标路段的交通轨迹图和关联路段的交通轨迹图,对目标路段进行事故检测,得到检测结果。
根据本公开的实施例,路段的交通轨迹信息例如可以包括预设时长范围内的交通轨迹信息,交通轨迹信息例如可以轨迹的通过速度,驶入驶出时间等。
根据本公开的实施例,针对极度拥堵的目标路段及其上下游路段,可以获取该时刻之前n分钟内极度拥堵的目标路段及其上下游路段的轨迹信息,包括所有轨迹的通过速度,驶入驶出时间等。根据这些轨迹信息可以生成目标路段的交通轨迹图。
根据本公开的实施例,交通轨迹图的横坐标可以表示时间,纵坐标可以表示平均行驶速度,轨迹图中横线的起始和结束分别表示驶入时间点至驶出时间点。
图3示意性示出了根据本公开实施例的上游路段的交通轨迹图。
如图3所示,示意性示出了当前时刻之前的10分钟内,在上游路段中不同车辆的行驶轨迹。由图3可知,在上游路段车辆的行驶速度较慢,而且较为拥堵。
图4示意性示出了根据本公开实施例的目标路段的交通轨迹图。
如图4所示,示意性示出了当前时刻之前的10分钟内,在目标路段中不同车辆的行驶轨迹。由图4可知,在目标路段车辆的行驶速度较慢,而且较为拥堵。
图5示意性示出了根据本公开实施例的下游路段的交通轨迹图。
如图5所示,示意性示出了当前时刻之前的10分钟内,在下游路段中不同车辆的行驶轨迹。由图5可知,在下游路段车辆的行驶速度较快,而且车辆较少。
需要说明的是,图3~5仅示意性示出了目标路段及其上下游路段的轨迹信息图,实际拟合效果需要根据路段的实际交通轨迹信息进行确定。
由图3~5可知,事故发生的地点往往有此类特征,发生事故的路段以及该路段的上游为拥堵,而其下游会为畅通。在地图的空间上会反映出路况的一个突变,同时这个突变会在一定时间内保持。
根据本公开的实施例,根据目标路段的交通轨迹图和关联路段的交通轨迹图,对目标路段进行事故检测,得到检测结果包括:将目标路段的交通轨迹图和关联路段的交通轨迹图输入事故检测模型中,输出用于表征目标路段是否发生事故的结果。
图6示意性示出了根据本公开实施例的事故检测模型的训练过程的流程图。
如图6所示,该事故检测模型的训练过程包括操作S610~S620。
在操作S610,获取训练样本集,其中,训练样本集中包括多个训练样本,每个训练样本包括路段样本的交通轨迹图和与路段样本相邻的关联路段样本的交通轨迹图,以及每个训练样本具有用于表征路段是否发生事故的标签。
在操作S620,利用训练样本集训练初始检测模型,输出训练完成的事故检测模型。
通过本公开的实施例,利用路段样本的交通轨迹图和与路段样本相邻的关联路段样本的交通轨迹图生成训练样本,基于具有关联关系的路段的轨迹图的特征,不仅考虑了路段本身的特征,还充分考虑了上下游路段的特征,使得训练得到的事故检测模型达到了较为精准的事故检测效果。
根据本公开的实施例,训练样本集的数据量不做限定,例如,可以选取一个月内的数据作为训练样本筛选范围,筛选出极度拥堵的路段及时刻。根据本公开的实施例,通过交警上报信息,可以筛选出发生事故的路段位置及时刻,对于未有交警上报的极度拥堵样本可以作为未发生事故的样本。可以通过交警上报的真实情况作为标注信息,1代表发生事故,0代表未发生事故。
根据本公开的实施例,针对发生事故路段以及其上下游路段,拟合出事故发生所对应的时刻前n分钟内的轨迹图。由于一个路段可能对应多个时刻,以发生事故的路段id和时刻为key。
根据本公开的实施例,训练样本集中的训练样本的生成过程包括:获取路段样本和关联路段样本在预设时长范围内分别对应的交通轨迹信息;根据路段样本在预设时长范围内的交通轨迹信息生成路段样本的交通轨迹图;根据关联路段样本在预设时长范围内的交通轨迹信息生成关联路段样本的交通轨迹图;以及根据路段样本的交通轨迹图和关联路段样本的交通轨迹图生成一个训练样本。
根据本公开的实施例,预设时长可以根据实际情况进行设定,例如,可以是10分钟,或者15分钟等等。
根据本公开的实施例,关联路段样本包括路段样本的上游路段样本和/或下游路段样本。
根据本公开的实施例,一个训练样本中可以包括路段样本的交通轨迹图和上游路段样本的交通轨迹图,或者,一个训练样本中可以包括路段样本的交通轨迹图和下游路段样本的交通轨迹图,或者,一个训练样本中可以包括路段样本的交通轨迹图、上游路段样本的交通轨迹图和下游路段样本的交通轨迹图。
根据本公开的实施例,在模型训练阶段,可以固定时间域的取样范围,根据路段和时刻获取其附近道路集合。针对不同的省份,还可以分别进行采样。对于筛选出的样本,可以提取训练特征,即交通轨迹图。
根据本公开的实施例,初始检测模型可以采用3d卷积为基础的深度学习模型,可以利用K-fold交叉验证提升模型泛化能力,同时,还可以利用加权损失函数以及过采样和欠采样相结合方法解决样本不均衡的问题,有效的防止了过拟合,综合万级别样本得到离线的事故检测模型。
根据本公开的实施例,可以确定处于拥堵状态的目标路段和与目标路段相邻的关联路段;然后将目标路段的交通轨迹图和关联路段的交通轨迹图输入事故检测模型中,输出用于表征目标路段是否发生事故的结果。
根据本公开的实施例,例如,在预测使用时,通过输入路段以及其上下游的三张交通轨迹图,事故检测模型可以计算出路段发生事故的情况(如发生或未发生事故)。
根据本公开的实施例,事故检测模型还可以输出置信度。事故检测模型可以共输出三个结果,即发生事故的概率,未发生事故的概率以及置信度。
根据本公开的实施例,根据目标路段的图像信息确定事故发生原因包括:将目标路段的图像信息输入事故解释模型中,输出图像信息中对象的对象类别;以及根据图像信息中对象的对象类别确定事故发生原因。
根据本公开的实施例,事故发生原因例如可以包括但不限于积雪、积水、交通管制、车祸等等。
根据本公开的实施例,事故解释模型的训练过程包括:获取图像样本集,其中,图像样本集中包括多个图像样本,每个图像样本中标注有用于表征事故发生原因的标志性对象;以及利用图像样本集训练初始解释模型,输出训练完成的事故解释模型。
根据本公开的实施例,针对图像样本集的选取,可以选取一段时长内的数据作为训练样本筛选范围,通过交警上报的事故信息(位置、时间)以及事故种类(包括积雪、积水、交通管制等),筛选出发生事故时行车记录仪回传的图片。
在样本的标注方面,可以针对每一张图片,人工或机器通过检测框的形式标注积雪、积水、管制指示桩、修理车辆等标志性物体。
在模型训练阶段,输入标注好的图片进行迭代训练。采用目标深度学习模型,利用K-fold交叉验证提升模型泛化能力,同时利用加权损失函数以及过采样和欠采样相结合方法解决样本不均衡的问题,有效的防止了过拟合,综合万级别样本得到离线模型。
根据本公开的实施例,将目标路段的图像信息输入事故解释模型中,输出图像信息中对象的对象类别包括:将目标路段的图像信息输入事故解释模型中,输出对象的对象类别、对象在图像信息中的位置信息和对象的尺寸信息。
根据本公开的实施例,在预测使用时,可以输入发生事故路段的图片,事故解释模型可以输出一个或多个检测框,每个检测框可以包含以下信息:检测框左上角的位置(x,y)以及框的长宽(l,w),检测框中物体的类别(如积雪)以及置信度。
图7示意性示出了根据本公开实施例的检测框的示意图。
如图7所示,通过事故解释模型,在发生事故路段的图片中标记出了抢险车辆标志性物体的检测框。
根据本公开的实施例,对象类别包括以下至少之一:积水、积雪、事故维修车辆、管制指示桩。
通过本公开的实施例,通过构建了事故挖掘的准确空间时间信息,同时提供了路况的可解释服务,满足了用户所需,保障了用户在道路选择上的合理性,科学的指导了用户的出行,降低了用户被误导的概率,节约了出行时间,持续提升用户的路况感知体验。
图8示意性示出了根据本公开实施例的使用事故解释模型确定事故发生原因的流程图。
如图8所示,该使用事故解释模型确定事故发生原因包括操作S810~S870。
在操作S810,向事故解释模型输入目标路段的图像信息。
在操作S820,判断是否有一级物体,并且一级物体的置信度大于第一阈值,若是,执行操作S830,若否,执行操作S840。其中,一级物体是可以直接定性事故类型的物体。例如可以包括积水,积雪,事故维修车辆。
在操作S830,定性事故类型。
在操作S840,判断是否有二级物体,并且二级物体的置信度大于第二阈值,若是,执行操作S850,若否,执行操作S860。其中,二级物体是可以需要借助一级物体进行定性事故类型的物体,例如,管制指示桩等。
在操作S850,判断是否有交警上报信息,若是,执行操作S870,若否,执行操作S860。
在操作S860,无法判断类型。
在操作S870,定性事故类型。
根据本公开的实施例,在筛选出路况发布中的极度拥堵区域后,将拥堵区域的位置,轨迹等信息传递给事故检测模型。事故检测模型的作用是基于空间上的轨迹图特征,挖掘出该处存在事故的概率,即输出发生事故的路段以及置信度。当置信度较高时,即大概率有事故时,可以调度行车记录仪回传的图像给到事故解释模型。
根据本公开的实施例,事故解释模型的作用是在事故检测模型的基础上,对事故发生高置信度的地区进行图像调度,通过图像检测的方法确定事故种类。
根据本公开的实施例,利用空间域方面的轨迹信息,获得事故发生的位置以及置信度信息。在事故发生置信度高的地方,调度行车记录仪回传的图像,利用图像检测的方法,构建事故种类和特征之间映射关系,为用户提供更加准确及时的事故展示,更好的支持下游导航路线排序等工作。
图9示意性示出了根据本公开实施例的事故确定装置的框图。
如图9所示,事故确定装置900包括:第一确定模块910、第一获取模块920、检测模块930、调取模块940和第二确定模块950。
第一确定模块910,用于确定处于拥堵状态的目标路段和与上述目标路段相邻的关联路段。
第一获取模块920,用于获取上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息。
检测模块930,用于根据上述目标路段的交通轨迹信息和上述关联路段的交通轨迹信息,对上述目标路段进行事故检测,得到检测结果。
调取模块940,用于在根据上述检测结果确定上述目标路段为事故发生路段的情况下,调取上述目标路段的图像信息。
第二确定模块950,用于根据上述目标路段的图像信息确定事故发生原因。
通过本公开的实施例,根据目标路段的交通轨迹信息和关联路段的交通轨迹信息,对目标路段进行事故检测,实现了通过轨迹挖掘的方式,发掘可能存在事故的大概位置;在根据检测结果确定目标路段为事故发生路段的情况下,调取目标路段的图像信息;以及根据目标路段的图像信息确定事故发生原因,由于可以定点采集事故高置信度区域的图像信息,同时采集的图像信息相较于纯图像调度方案可以大大降低调取数量,也节约了计算资源,提高了时效性。充分结合了基于轨迹信息和图像信息的特点,达到了高可用性。在轨迹挖掘的结果上通过图像信息进行再一次验证,提高了事故检测的可信度。同时,根据目标路段的图像信息确定出事故发生原因。
根据本公开的实施例,上述检测模块930包括:第一生成单元、第二生成单元和检测单元。
第一生成单元,用于根据上述目标路段的交通轨迹信息生成上述目标路段的交通轨迹图;
第二生成单元,用于根据上述关联路段的交通轨迹信息生成上述关联路段的交通轨迹图;以及
检测单元,用于根据上述目标路段的交通轨迹图和上述关联路段的交通轨迹图,对上述目标路段进行事故检测,得到检测结果。
根据本公开的实施例,上述检测单元用于:将上述目标路段的交通轨迹图和上述关联路段的交通轨迹图输入事故检测模型中,输出用于表征上述目标路段是否发生事故的结果。
根据本公开的实施例,事故确定装置900还包括:第二获取模块和第一训练模块。
第二获取模块,用于获取训练样本集,其中,上述训练样本集中包括多个训练样本,每个上述训练样本包括路段样本的交通轨迹图和与上述路段样本相邻的关联路段样本的交通轨迹图,以及每个上述训练样本具有用于表征路段是否发生事故的标签;以及
第一训练模块,用于利用上述训练样本集训练初始检测模型,输出训练完成的上述事故检测模型。
根据本公开的实施例,上述第二获取模块包括:第一获取单元、第三生成单元、第四生成单元和第五生成单元。
第一获取单元,用于获取上述路段样本和上述关联路段样本在预设时长范围内分别对应的交通轨迹信息;
第三生成单元,用于根据上述路段样本在上述预设时长范围内的交通轨迹信息生成路段样本的交通轨迹图;
第四生成单元,用于根据上述关联路段样本在上述预设时长范围内的交通轨迹信息生成关联路段样本的交通轨迹图;以及
第五生成单元,用于根据上述路段样本的交通轨迹图和上述关联路段样本的交通轨迹图生成一个上述训练样本。
根据本公开的实施例,上述关联路段包括上述目标路段的上游路段和/或下游路段。
根据本公开的实施例,上述第二确定模块包括:输入单元和第一确定单元。
输入单元,用于将上述目标路段的图像信息输入事故解释模型中,输出上述图像信息中对象的对象类别;以及
第一确定单元,用于根据上述图像信息中对象的对象类别确定上述事故发生原因。
根据本公开的实施例,事故确定装置900还包括:第三获取模块和第二训练模块。
第三获取模块,用于获取图像样本集,其中,上述图像样本集中包括多个图像样本,每个上述图像样本中标注有用于表征事故发生原因的标志性对象;以及
第二训练模块,用于利用上述图像样本集训练初始解释模型,输出训练完成的上述事故解释模型。
根据本公开的实施例,上述输入单元用于:将上述目标路段的图像信息输入事故解释模型中,输出上述对象的对象类别、上述对象在上述图像信息中的位置信息和上述对象的尺寸信息。
根据本公开的实施例,上述对象类别包括以下至少之一:积水、积雪、事故维修车辆、管制指示桩。
根据本公开的实施例,上述第一确定模块包括:第二获取单元、第二确定单元和第三确定单元。
第二获取单元,用于获取不同用户上传的交通轨迹信息;
第二确定单元,用于根据上述不同用户上传的交通轨迹信息确定处于拥堵状态的目标路段;以及
第三确定单元,用于根据上述目标路段确定与上述目标路段相邻的关联路段。
根据本公开的实施例,上述第二确定单元包括:第一确定子单元、第二确定子单元和第三确定子单元。
第一确定子单元,用于根据上述不同用户上传的交通轨迹信息确定每条交通轨迹通过路段的速度;
第二确定子单元,用于根据每条交通轨迹通过相同路段的速度,确定通过上述相同路段的平均速度;以及
第三确定子单元,用于在上述通过上述相同路段的平均速度满足预设条件的情况下,确定上述相同路段为处于拥堵状态的目标路段。
根据本公开的实施例,事故确定装置900还包括:输出模块,用于输出上述目标路段的位置信息和上述事故发生原因。
图10示意性示出了根据本公开实施例的模型训练装置的框图。
如图10所示,模型训练装置1000包括:第二获取模块1010和第一训练模块1020。
第二获取模块1010,用于获取训练样本集,其中,上述训练样本集中包括多个训练样本,每个上述训练样本包括路段样本的交通轨迹图和与上述路段样本相邻的关联路段样本的交通轨迹图,以及每个上述训练样本具有用于表征路段是否发生事故的标签。
第一训练模块1020,用于利用上述训练样本集训练初始检测模型,输出训练完成的事故检测模型。
通过本公开的实施例,利用路段样本的交通轨迹图和与路段样本相邻的关联路段样本的交通轨迹图生成训练样本,基于具有关联关系的路段的轨迹图的特征,不仅考虑了路段本身的特征,还充分考虑了上下游路段的特征,使得训练得到的事故检测模型达到了较为精准的事故检测效果。
根据本公开的实施例,上述第二获取模块1010包括:第一获取单元、第三生成单元、第四生成单元和第五生成单元。
第一获取单元,用于获取上述路段样本和上述关联路段样本在预设时长范围内分别对应的交通轨迹信息;
第三生成单元,用于根据上述路段样本在上述预设时长范围内的交通轨迹信息生成路段样本的交通轨迹图;
第四生成单元,用于根据上述关联路段样本在上述预设时长范围内的交通轨迹信息生成关联路段样本的交通轨迹图;以及
第五生成单元,用于根据上述路段样本的交通轨迹图和上述关联路段样本的交通轨迹图生成一个上述训练样本。
根据本公开的实施例,上述关联路段样本包括上述路段样本的上游路段样本和/或下游路段样本。
根据本公开的实施例,模型训练装置1000还包括:第三确定模块和输入模块。
第三确定模块,用于确定处于拥堵状态的目标路段和与上述目标路段相邻的关联路段;以及
输入模块,用于将上述目标路段的交通轨迹图和上述关联路段的交通轨迹图输入上述事故检测模型中,输出用于表征上述目标路段是否发生事故的结果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
通过本公开的实施例,根据目标路段的交通轨迹信息和关联路段的交通轨迹信息,对目标路段进行事故检测,实现了通过轨迹挖掘的方式,发掘可能存在事故的大概位置;在根据检测结果确定目标路段为事故发生路段的情况下,调取目标路段的图像信息;以及根据目标路段的图像信息确定事故发生原因,由于可以定点采集事故高置信度区域的图像信息,同时采集的图像信息相较于纯图像调度方案可以大大降低调取数量,也节约了计算资源,提高了时效性。充分结合了基于轨迹信息和图像信息的特点,达到了高可用性。在轨迹挖掘的结果上通过图像信息进行再一次验证,提高了事故检测的可信度。同时,根据目标路段的图像信息确定出事故发生原因。
图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。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/或者要求的本公开的实现。
如图11所示,设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理,例如模型训练方法。例如,在一些实施例中,模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (22)
1.一种事故确定方法,包括:
确定处于拥堵状态的目标路段和与所述目标路段相邻的关联路段;
获取所述目标路段的交通轨迹信息和所述关联路段的交通轨迹信息;
根据所述目标路段的交通轨迹信息和所述关联路段的交通轨迹信息,对所述目标路段进行事故检测,得到检测结果;
在根据所述检测结果确定所述目标路段为事故发生路段的情况下,调取所述目标路段的图像信息;以及
根据所述目标路段的图像信息确定事故发生原因。
2.根据权利要求1所述的方法,其中,所述根据所述目标路段的交通轨迹信息和所述关联路段的交通轨迹信息,对所述目标路段进行事故检测,得到检测结果包括:
根据所述目标路段的交通轨迹信息生成所述目标路段的交通轨迹图;
根据所述关联路段的交通轨迹信息生成所述关联路段的交通轨迹图;以及
根据所述目标路段的交通轨迹图和所述关联路段的交通轨迹图,对所述目标路段进行事故检测,得到检测结果。
3.根据权利要求2所述的方法,其中,所述根据所述目标路段的交通轨迹图和所述关联路段的交通轨迹图,对所述目标路段进行事故检测,得到检测结果包括:
将所述目标路段的交通轨迹图和所述关联路段的交通轨迹图输入事故检测模型中,输出用于表征所述目标路段是否发生事故的结果。
4.根据权利要求3所述的方法,其中,所述事故检测模型的训练过程包括:
获取训练样本集,其中,所述训练样本集中包括多个训练样本,每个所述训练样本包括路段样本的交通轨迹图和与所述路段样本相邻的关联路段样本的交通轨迹图,以及每个所述训练样本具有用于表征路段是否发生事故的标签;以及
利用所述训练样本集训练初始检测模型,输出训练完成的所述事故检测模型。
5.根据权利要求4所述的方法,其中,所述训练样本集中的训练样本的生成过程包括:
获取所述路段样本和所述关联路段样本在预设时长范围内分别对应的交通轨迹信息;
根据所述路段样本在所述预设时长范围内的交通轨迹信息生成路段样本的交通轨迹图;
根据所述关联路段样本在所述预设时长范围内的交通轨迹信息生成关联路段样本的交通轨迹图;以及
根据所述路段样本的交通轨迹图和所述关联路段样本的交通轨迹图生成一个所述训练样本。
6.根据权利要求1所述的方法,其中,所述关联路段包括所述目标路段的上游路段和/或下游路段。
7.根据权利要求1所述的方法,其中,所述根据所述目标路段的图像信息确定事故发生原因包括:
将所述目标路段的图像信息输入事故解释模型中,输出所述图像信息中对象的对象类别;以及
根据所述图像信息中对象的对象类别确定所述事故发生原因。
8.根据权利要求7所述的方法,其中,所述事故解释模型的训练过程包括:
获取图像样本集,其中,所述图像样本集中包括多个图像样本,每个所述图像样本中标注有用于表征事故发生原因的标志性对象;以及
利用所述图像样本集训练初始解释模型,输出训练完成的所述事故解释模型。
9.根据权利要求7所述的方法,其中,所述将所述目标路段的图像信息输入事故解释模型中,输出所述图像信息中对象的对象类别包括:
将所述目标路段的图像信息输入事故解释模型中,输出所述对象的对象类别、所述对象在所述图像信息中的位置信息和所述对象的尺寸信息。
10.根据权利要求7所述的方法,其中,所述对象类别包括以下至少之一:积水、积雪、事故维修车辆、管制指示桩。
11.根据权利要求1所述的方法,其中,所述确定处于拥堵状态的目标路段和与所述目标路段相邻的关联路段包括:
获取不同用户上传的交通轨迹信息;
根据所述不同用户上传的交通轨迹信息确定处于拥堵状态的目标路段;以及
根据所述目标路段确定与所述目标路段相邻的关联路段。
12.根据权利要求11所述的方法,其中,所述根据所述不同用户上传的交通轨迹信息确定处于拥堵状态的目标路段包括:
根据所述不同用户上传的交通轨迹信息确定每条交通轨迹通过路段的速度;
根据每条交通轨迹通过相同路段的速度,确定通过所述相同路段的平均速度;以及
在所述通过所述相同路段的平均速度满足预设条件的情况下,确定所述相同路段为处于拥堵状态的目标路段。
13.根据权利要求1所述的方法,还包括:
输出所述目标路段的位置信息和所述事故发生原因。
14.一种模型训练方法,包括:
获取训练样本集,其中,所述训练样本集中包括多个训练样本,每个所述训练样本包括路段样本的交通轨迹图和与所述路段样本相邻的关联路段样本的交通轨迹图,以及每个所述训练样本具有用于表征路段是否发生事故的标签;以及
利用所述训练样本集训练初始检测模型,输出训练完成的事故检测模型。
15.根据权利要求14所述的方法,其中,所述训练样本集中的训练样本的生成过程包括:
获取所述路段样本和所述关联路段样本在预设时长范围内分别对应的交通轨迹信息;
根据所述路段样本在所述预设时长范围内的交通轨迹信息生成路段样本的交通轨迹图;
根据所述关联路段样本在所述预设时长范围内的交通轨迹信息生成关联路段样本的交通轨迹图;以及
根据所述路段样本的交通轨迹图和所述关联路段样本的交通轨迹图生成一个所述训练样本。
16.根据权利要求14所述的方法,其中,所述关联路段样本包括所述路段样本的上游路段样本和/或下游路段样本。
17.根据权利要求14所述的方法,还包括:
确定处于拥堵状态的目标路段和与所述目标路段相邻的关联路段;以及
将所述目标路段的交通轨迹图和所述关联路段的交通轨迹图输入所述事故检测模型中,输出用于表征所述目标路段是否发生事故的结果。
18.一种事故确定装置,包括:
第一确定模块,用于确定处于拥堵状态的目标路段和与所述目标路段相邻的关联路段;
第一获取模块,用于获取所述目标路段的交通轨迹信息和所述关联路段的交通轨迹信息;
检测模块,用于根据所述目标路段的交通轨迹信息和所述关联路段的交通轨迹信息,对所述目标路段进行事故检测,得到检测结果;
调取模块,用于在根据所述检测结果确定所述目标路段为事故发生路段的情况下,调取所述目标路段的图像信息;以及
第二确定模块,用于根据所述目标路段的图像信息确定事故发生原因。
19.一种模型训练装置,包括:
第二获取模块,用于获取训练样本集,其中,所述训练样本集中包括多个训练样本,每个所述训练样本包括路段样本的交通轨迹图和与所述路段样本相邻的关联路段样本的交通轨迹图,以及每个所述训练样本具有用于表征路段是否发生事故的标签;以及
第一训练模块,用于利用所述训练样本集训练初始检测模型,输出训练完成的事故检测模型。
20.一种电子设备,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1-13中任一项所述的方法或者权利要求14-17中任一项所述的方法。
21.一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根据权利要求1-13中任一项所述的方法或者权利要求14-17中任一项所述的方法。
22.一种计算机程序产品,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权利要求1-13中任一项所述的方法或者权利要求14-17中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133296.4A CN112836626B (zh) | 2021-01-29 | 2021-01-29 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133296.4A CN112836626B (zh) | 2021-01-29 | 2021-01-29 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836626A true CN112836626A (zh) | 2021-05-25 |
CN112836626B CN112836626B (zh) | 2023-10-27 |
Family
ID=75932721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110133296.4A Active CN112836626B (zh) | 2021-01-29 | 2021-01-29 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836626B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118334604A (zh) * | 2024-06-12 | 2024-07-12 | 海信集团控股股份有限公司 | 基于多模态大模型的事故检测、数据集构建方法及设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020092107A (ko) * | 2001-06-02 | 2002-12-11 | 엘지산전 주식회사 | 영상정보를 이용한 교통정보 추출 방법 및 장치 |
JP2006038469A (ja) * | 2004-07-22 | 2006-02-09 | Nissan Motor Co Ltd | 交通状況予測装置および方法 |
CN103034715A (zh) * | 2012-12-11 | 2013-04-10 | 北京百度网讯科技有限公司 | 一种交通事件的发布方法和装置 |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN103236158A (zh) * | 2013-03-26 | 2013-08-07 | 中国公路工程咨询集团有限公司 | 一种基于视频的交通事故实时预警方法 |
US20150170514A1 (en) * | 2013-12-13 | 2015-06-18 | Here Global B.V. | Systems and Methods for Detecting Road Congestion and Incidents in Real Time |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN111028507A (zh) * | 2019-12-16 | 2020-04-17 | 北京百度网讯科技有限公司 | 交通拥堵致因确定方法及装置 |
CN111160289A (zh) * | 2019-12-31 | 2020-05-15 | 欧普照明股份有限公司 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
US20200200543A1 (en) * | 2018-12-20 | 2020-06-25 | Here Global B.V. | Method, apparatus, and system for providing road closure graph inconsistency resolution |
CN111369807A (zh) * | 2020-03-24 | 2020-07-03 | 北京百度网讯科技有限公司 | 一种交通事故的检测方法、装置、设备和介质 |
CN111833632A (zh) * | 2020-07-03 | 2020-10-27 | 重庆蓝岸通讯技术有限公司 | 基于导航定位的拥堵点拥堵车道精准定位提示方法 |
CN111862605A (zh) * | 2020-07-20 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN112084928A (zh) * | 2020-09-04 | 2020-12-15 | 东南大学 | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 |
WO2020253039A1 (zh) * | 2019-06-21 | 2020-12-24 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、计算机设备及存储介质 |
-
2021
- 2021-01-29 CN CN202110133296.4A patent/CN112836626B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020092107A (ko) * | 2001-06-02 | 2002-12-11 | 엘지산전 주식회사 | 영상정보를 이용한 교통정보 추출 방법 및 장치 |
JP2006038469A (ja) * | 2004-07-22 | 2006-02-09 | Nissan Motor Co Ltd | 交通状況予測装置および方法 |
CN103034715A (zh) * | 2012-12-11 | 2013-04-10 | 北京百度网讯科技有限公司 | 一种交通事件的发布方法和装置 |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN103236158A (zh) * | 2013-03-26 | 2013-08-07 | 中国公路工程咨询集团有限公司 | 一种基于视频的交通事故实时预警方法 |
US20150170514A1 (en) * | 2013-12-13 | 2015-06-18 | Here Global B.V. | Systems and Methods for Detecting Road Congestion and Incidents in Real Time |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
US20200200543A1 (en) * | 2018-12-20 | 2020-06-25 | Here Global B.V. | Method, apparatus, and system for providing road closure graph inconsistency resolution |
WO2020253039A1 (zh) * | 2019-06-21 | 2020-12-24 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、计算机设备及存储介质 |
CN111028507A (zh) * | 2019-12-16 | 2020-04-17 | 北京百度网讯科技有限公司 | 交通拥堵致因确定方法及装置 |
CN111160289A (zh) * | 2019-12-31 | 2020-05-15 | 欧普照明股份有限公司 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
CN111369807A (zh) * | 2020-03-24 | 2020-07-03 | 北京百度网讯科技有限公司 | 一种交通事故的检测方法、装置、设备和介质 |
CN111833632A (zh) * | 2020-07-03 | 2020-10-27 | 重庆蓝岸通讯技术有限公司 | 基于导航定位的拥堵点拥堵车道精准定位提示方法 |
CN111862605A (zh) * | 2020-07-20 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN112084928A (zh) * | 2020-09-04 | 2020-12-15 | 东南大学 | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 |
Non-Patent Citations (2)
Title |
---|
JU-WON HWANG ETAL.: "Hierarchical Probabilistic Network-Based System for Traffic Accident Detection at Intersections", 《2010 7TH INTERNATIONAL CONFERENCE ON UBIQUITOUS INTELLIGENCE & COMPUTING AND 7TH INTERNATIONAL CONFERENCE ON AUTONOMIC & TRUSTED COMPUTING》 * |
魏玲玲等: "一种基于移动终端交通事故检测方法的研究", 《科技风》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118334604A (zh) * | 2024-06-12 | 2024-07-12 | 海信集团控股股份有限公司 | 基于多模态大模型的事故检测、数据集构建方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112836626B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113066285B (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
CN112434260B (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
US20230091252A1 (en) | Method for processing high-definition map data, electronic device and medium | |
CN112434075B (zh) | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 | |
CN113538915B (zh) | 交通拥堵事件的处理方法、设备、存储介质及程序产品 | |
US20220244060A1 (en) | Method and apparatus for generating route information, device, medium and product | |
CN111613053A (zh) | 一种交通扰动的检测分析方法、装置、存储介质及终端 | |
CN113360792A (zh) | 信息推荐方法、装置、电子设备以及存储介质 | |
CN118171035B (zh) | 人流热力的预警方法及装置、电子设备和存储介质 | |
EP4123527A1 (en) | Online car-hailing information processing method and apparatus, and device and computer storage medium | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN112836626B (zh) | 事故确定方法及装置、模型训练方法及装置、电子设备 | |
CN114676178A (zh) | 事故检测方法、装置及电子设备 | |
CN113901341A (zh) | 导航信息提示方法、装置、介质及程序产品 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
EP4099292A2 (en) | Method and apparatus of determining state of target object, electronic device, storage medium, and program product | |
CN115206102B (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN114676175B (zh) | 一种道路颠簸点检测方法、装置、设备及介质 | |
CN113326889A (zh) | 用于训练模型的方法和装置 | |
CN114863285B (zh) | 识别目标道路的方法、装置、设备以及存储介质 | |
CN113554206B (zh) | 等车时间预估方法、装置、设备及存储介质 | |
CN113190769B (zh) | 通勤特征数据确定方法、装置、电子设备和存储介质 | |
CN116246460A (zh) | 路段通行时长的确定方法、装置、电子设备和介质 | |
CN116564093A (zh) | 道路拥堵状态检测方法、装置、电子设备以及路侧单元 |
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 |