CN112860764B - 一种路网异常事件处理方法、装置、设备和介质 - Google Patents
一种路网异常事件处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112860764B CN112860764B CN202110178068.9A CN202110178068A CN112860764B CN 112860764 B CN112860764 B CN 112860764B CN 202110178068 A CN202110178068 A CN 202110178068A CN 112860764 B CN112860764 B CN 112860764B
- Authority
- CN
- China
- Prior art keywords
- target
- event
- road network
- plan
- network abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 208
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000009471 action Effects 0.000 claims description 56
- 238000013136 deep learning model Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000012790 confirmation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路网异常事件处理方法、装置、设备和介质，由于该方法中预先保存有预案库中的每种预案，并根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定出每种目标事件影响因素的目标字段信息，并根据每种目标事件影响因素的目标字段信息，确定出对应的目标因素值，根据每种目标事件影响因素的目标因素值、以及每种预案对应的每种事件影响因素及因素值范围，确定与待处理的目标路网异常事件匹配的目标预案，从而降低了路网异常事件处置时间，保障了路网的畅通和安全。
Description
技术领域
本申请涉及交通技术领域，尤其涉及一种路网异常事件处理方法、装置、设备和介质。
背景技术
高速公路的路网监测中心的主要职责就是掌握路网运行情况，实时掌握路网运行的状态和发生的路网异常事件，并快速协调处置路网异常事件，保障路网运行安全畅通。
而现有技术中主要由人工确定对路网异常事件进行处置的处置流程，由于人工处置路网异常事件时处置流程靠经验，而路网异常事件种类多样，基于车辆、地点、环境的组合多达上千种，依赖经验不能针对性的处置；相同路网异常事件跨部门调度平均需要重复3次以上，综合巡查调度，养护巡查调度，应急事件处置调度等业务主要依赖电话沟通；事件处置过程中效率低且大量事件处置步骤需要人工确定，每一步都需要人工输入、发布等，因此路网异常事件处置时间长，导致现有的路网异常事件容易造成事故二次发生和拥堵产生，降低了运营效率、无法保障道路安全畅通和通行能力；因此，如何保障路网畅通和安全就成为迫切解决的问题。
发明内容
本申请提供了一种路网异常事件处理方法、装置、设备和介质，用以解决现有技术中如何保障路网畅通和安全的问题。
第一方面，本申请提供了一种路网异常事件处理方法，所述方法包括：
根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息；
针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值；
根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案包括：
针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；
针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述方法还包括：
若未确定出与所述待处理的目标路网异常事件匹配的目标预案，则将所述预案库中的默认预案作为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述根据预先录入的待处理的路网异常事件的每种事件影响因素的字段信息、以及确定的所述路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息之前，所述方法还包括：
接收路网数据；
根据预先训练完成的深度学习模型和所述路网数据，确定每种路网异常事件。
进一步地，所述方法还包括：
输出发生所述每种路网异常事件的提示信息；
接收用户的确认操作，确定所述每种路网异常事件中待处理的目标路网异常事件。
进一步地，训练所述深度学习模型的过程包括：
获取所述样本集中预先保存的任一样本路网数据和对应的第一标识信息，其中所述第一标识信息用于标识该样本路网数据包含的路网异常事件的类型；
将该样本路网数据输入到原始深度学习模型中，确定该样本路网数据的第二标识信息；
根据所述第一标识信息和所述第二标识信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述深度学习模型。
进一步地，所述方法还包括：
根据预先保存的所述目标预案中的处置动作，判断所述处置动作是否为高频处置动作；
若是，则自动执行所述处置动作；
若否，则发送执行所述处置动作的提示信息。
第二方面，本申请提供了一种路网异常事件处理装置，所述装置包括：
第一确定模块，用于根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息；
第二确定模块，用于针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值；
第三确定模块，用于根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述第三确定模块，具体用于针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述第三确定模块，具体还用于若未确定出与所述待处理的目标路网异常事件匹配的目标预案，则将所述预案库中的默认预案作为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述装置还包括：
第四确定模块，具体用于所述根据预先录入的待处理的路网异常事件的每种事件影响因素的字段信息、以及确定的所述路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息之前，接收路网数据；根据预先训练完成的深度学习模型和所述路网数据，确定每种路网异常事件。
进一步地，所述装置还包括：
通信模块，用于输出发生所述每种路网异常事件的提示信息；接收用户的确认操作，确定所述每种路网异常事件中待处理的目标路网异常事件。
进一步地，所述装置还包括：
训练模块，具体用于获取所述样本集中预先保存的任一样本路网数据和对应的第一标识信息，其中所述第一标识信息用于标识该样本路网数据包含的路网异常事件的类型；将该样本路网数据输入到原始深度学习模型中，确定该样本路网数据的第二标识信息；根据所述第一标识信息和所述第二标识信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述深度学习模型。
进一步地，所述装置还包括：
判断模块，用于根据预先保存的所述目标预案中的处置动作，判断所述处置动作是否为高频处置动作；
执行模块，用于若确定所述处置动作是高频处置动作，则自动执行所述处置动作；若确定所述处置动作不是高频处置动作，则发送执行所述处置动作的提示信息。
第三方面，本申请提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现上述路网异常事件处理方法中任一所述方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述路网异常事件处理方法中任一所述方法的步骤。
本申请提供了一种路网异常事件处理方法、装置、设备和介质，由于该方法中预先保存有预案库中的每种预案，并根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定出每种目标事件影响因素的目标字段信息，并根据每种目标事件影响因素的目标字段信息，确定出对应的目标因素值，根据每种目标事件影响因素的目标因素值、以及每种预案对应的每种事件影响因素及因素值范围，确定与待处理的目标路网异常事件匹配的目标预案，从而降低了路网异常事件处置时间，保障了路网的畅通和安全。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一些实施例提供的一种路网异常事件处理方法的过程示意图；
图2为本申请一些实施例提供的一种路网异常事件处理装置的结构示意图；
图3为本申请一些实施例提供的一种电子设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本发明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部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
为了保障路网畅通和安全，本申请提供了一种路网异常事件处理方法、装置、设备和介质。
实施例1：
图1为本申请一些实施例提供的一种路网异常事件处理方法的过程示意图，该过程包括以下步骤：
S101：根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息。
本申请提供的一种路网异常事件处理方法应用于电子设备，其中该电子设备可以是PC、平板电脑、智能手机等智能终端设备、也可以是服务器，其中该服务器可以是本地服务器，也可以是云端服务器。
由于现有技术中是通过个人的经验对路网异常事件进行处理，因此导致路网异常事件处置时间长，为了减少处置路网异常事件的处置时间，保障路网畅通，本申请中预先设置有针对各种路网异常事件的目标预案。
为了确定出处置待处理的目标路网异常事件的目标预案，本申请中的电子设备要先确定出待处理的目标路网异常事件，由于路网异常事件的事件影响因素和具体因素值不同时,路网异常事件对应的预案就不同，因此该电子设备预先录入有该目标路网异常事件的每种事件影响因素的字段信息。
其中路网异常事件是指对路网的车辆运行会产生影响的事件，具体包括拥堵、恶劣天气、流量、预录入车辆、危化品车辆、事故、停车、长时间占用应急车道、逆行、抛洒物、行人、管制、施工等事件；事件影响因素包括事件基本信息、事故信息、天气信息、人员伤亡信息、路面状况信息、拥堵信息等，其中该事件基本信息具体包括事件起因、事件位置、事件影响车道、通行状态、阻断类型等，该事故信息包括事故形态、车辆使用性质、车辆类型、是否装载危险品、危险品类型、泄露程度、事故后果、事故车辆类型、事故车辆数等，该天气信息具体为气象灾害类型，该人员伤亡信息包括死亡人数、受伤人数等。
为了确定出该目标路网异常事件对应的目标预案，预先确定有该目标路网异常事件的每种目标事件影响因素，其中每种目标事件影响因素可以是预先人工确定的固定事件影响因素，例如，目标事件影响因素包括事件起因、事件位置、事件影响车道；也可以是根据预先录入的该目标路网异常事件的具体事件类型确定的，例如，若该目标路网异常事件属于是事故类型，则确定每种目标事件影响因素为预先保存的事故类型对应的事故形态、是否装载危险品和受伤人数。
根据预先录入的该目标路网异常事件的每种事件影响因素的字段信息，以及确定的该目标路网异常事件的每种目标事件影响因素，在该预先录入的每种事件影响因素确定出每种目标事件影响因素，并将每种目标事件影响因素对应的字段信息作为目标字段信息。
S102：针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值。
为了确定出该目标路网异常事件对应的目标预案，本申请中电子设备还要确定出每种目标事件影响因素的目标因素值。
为了确定出每种目标事件影响因素的目标因素值，针对每种目标事件影响因素，该目标事件影响因素对应有设定数量的字段信息。例如该目标事件影响因素为事件起因时，该事件起因对应的字段信息包括交通事故、气象灾害、涉路施工、车流量大、车辆故障、焚烧烟雾、设备故障、地质灾害、节假日预防管制、重大灾害、治安事件、执法事件、特勤任务、安检、本省跨域、外省跨域等信息。
电子设备预先保存有该种目标事件影响因素的每种字段信息对应的因素值，根据该种目标事件影响因素的目标字段信息，在预先保存的每种字段信息对应的因素值确定出该目标字段信息，并将该目标字段信息对应的因素值确定为目标因素值。
S103：根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案。
电子设备中预先保存有每种预案组成的预案库，该预案库中的任一种预案对应多种事件影响因素，其中每种事件影响因素均有其对应的因素值范围，该因素值范围为预先选择的数学关系和因素值确定的，该数学关系包括大于、小于、等于、大于等于、小于等于、不等于、包含等关系；根据该预案库中的每种预案、以及每种目标事件影响因素的目标因素值，确定出该目标路网异常事件对应的目标预案。
具体的，根据该预案库中的每种预案对应的每种事件影响因素及因素值范围、以及每种目标事件影响因素的目标因素值，确定出事件影响因素匹配且因素值匹配的预案，并将其确定为目标路网异常事件的目标预案。
其中，该事件影响因素匹配是指预案对应的每种事件影响因素中包括每种目标事件影响因素，该因素值匹配是指针对同一个事件影响因素，该事件影响因素的目标因素值位于该事件影响因素的因素值范围内时，可以确定该事件影响因素的因素值匹配。
举例来说，若目标路网异常事件的每种目标事件影响因素包括事件起因、事件位置、事故形态和受伤人数时，若存在一种预案对应的每种事件影响因素包括事件起因、事件位置、事故形态、死亡人数和受伤人数，由于事件起因、事件位置、事故形态、死亡人数和受伤人数中包括事件起因、事件位置、事故形态和受伤人数，因此确定该预案与该目标路网异常事件的事件影响因素匹配。
若事件影响因素“受伤人数”的因素值为3人，该事件影响因素“受伤人数”的因素值范围为2人以上，5人及5人以下，由于3人位于该2人以上，5人及5人以下，因此确定该事件影响因素“受伤人数”的因素值匹配。
由于本申请中的该方法预先保存有预案库中的每种预案，并根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定出每种目标事件影响因素的目标字段信息，并根据每种目标事件影响因素的目标字段信息，确定出对应的目标因素值，根据每种目标事件影响因素的目标因素值、以及每种预案对应的每种事件影响因素及因素值范围，确定与待处理的目标路网异常事件匹配的目标预案，从而降低了路网异常事件处置时间，保障了路网的畅通和安全。
实施例2：
为了确定出目标预案，在上述实施例的基础上，在本申请中，所述根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案包括：
针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；
针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
为了确定出待处理的目标路网异常事件的目标预案，在本申请中，电子设备首先确定出每种目标事件影响因素包含在每种事件影响因素对应的第一预案。具体的，针对该预案库中的每种预案，根据该种预案对应的每种事件影响因素，判断每种目标事件影响因素是否均包含在该种预案对应的每种事件影响因素，即判断该种预案对应的每种事件影响因素是否包括每种目标事件影响因素，若该种预案对应的每种事件影响因素包括每种目标事件影响因素，则将该种预案确定为第一预案，若该种预案对应的每种事件影响因素并不完全包括每种目标事件影响因素，则不讲该种预案确定为第一预案。
举例来说，若该目标路网异常事件中的每种目标事件影响因素包括事件起因、事件位置、事故形态和受伤人数时，该预案库中的预案1对应的事件影响因素包括事件影响车道、是否装载危险品和气象灾害类型，预案2对应的事件影响因素包括事件起因、事件位置、事故形态、死亡人数和受伤人数，预案3对应的事件影响隐私包括事件起因、事故形态、死亡人数和受伤人数时，由于该预案2中包括该目标路网异常事件中的每种目标事件影响因素，因此将该预案2确定为第一预案。
为了确定该目标路网异常事件的目标预案，电子设备还从每种第一预案中确定出对应每种目标事件影响因素的目标因素值的目标预案。具体的，针对确定出的每种第一预案，确定出该种第一预案的每种目标事件影响因素对应的因素值范围，根据每种目标事件影响因素对应的因素值范围和目标因素值，判断每种目标事件影响因素的目标因素值是否位于对应的因素值范围内，若确定每种目标事件影响因素的目标因素值均位于对应的因素值范围内，则将该种第一预案确定为目标路网异常事件的目标预案，若确定任一种目标事件影响因素的目标因素值不位于对应的因素值范围内，则不将该种第一预案确定为目标路网异常事件的目标预案。
举例来说，若该目标路网异常事件中的每种目标事件影响因素包括事件起因、事件位置、事故形态和受伤人数时，事件起因为超速、事件位置为第134号隧道、事故形态为碰撞、受伤人数为3人时。第一预案中的预案4包括事件起因、事件位置、事故形态、死亡人数和受伤人数，事件起因为超速、事件位置为第134号隧道、事故形态为碰撞、受伤人数为2人及以下时，死亡人数为1人；第一预案中的预案5包括事件起因、事件位置、事故形态、死亡人数和受伤人数，事件起因为超速、事件位置为第134号隧道、事故形态为碰撞、受伤人数为2人以上，5人及5人以下时，死亡人数为2人时。由于该目标路网异常事件中目标事件影响因素“事件起因”与预案4和预案5中的“事件起因”相同均为超速，目标事件影响因素“事件位置”与预案4和预案5中的“事件位置”相同均为第134号隧道，目标事件影响因素“事故形态”与预案4和预案5中的“事故形态”相同均为碰撞，目标事件影响因素“受伤人数”为3人，位于预案5中的受伤人数的2人以上，5人及5人以下的范围内，因此该预案5为目标路网异常事件的目标预案。
为了确定出目标预案，在本申请中，所述方法还包括：
若未确定出与所述待处理的目标路网异常事件匹配的目标预案，则将所述预案库中的默认预案作为与所述待处理的目标路网异常事件匹配的目标预案。
由于在本申请中，还可能未确定出与该待处理的目标路网异常事件匹配的目标预案；具体存在两种情况，第一种情况是不存在对应每种目标事件影响因素的第一预案，因此为了确定出目标路网异常事件的目标预案，本申请中的预案库中还包括一种默认预案，用于简单处置每种路网异常事件；因此在不存在对应每种目标事件影响因素的第一预案时，确定出预案库中的默认预案作为与待处理的目标路网异常事件匹配的目标预案；第二种情况是存在第一预案但第一预案中不存在与该目标路网异常事件匹配的目标预案，为了实现对目标路网异常事件的简单处置，在确定存在第一预案但第一预案中不存在与该目标路网异常事件匹配的目标预案时，还确定出预案库中的默认预案作为与待处理的目标路网异常事件匹配的目标预案。
实施例3：
为了提高确定路网异常事件的效率，在上述各实施例的基础上，在本申请中，所述根据预先录入的待处理的路网异常事件的每种事件影响因素的字段信息、以及确定的所述路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息之前，所述方法还包括：
接收路网数据；
根据预先训练完成的深度学习模型和所述路网数据，确定每种路网异常事件。
由于现有技术中在确定路网异常事件时，主要靠路人、交警、综合巡查、视频巡检等手段来确定，确定路网异常事件的效率较低。因此为了提高确定路网异常事件的效率，在本申请中，电子设备接收路网数据。其中该路网数据包括外部设备采集并发送的数据、以及外部单位的数据；其中该外部设备包括互联网路网摄像机、气象检测器、流量检测器、事件检测器、重点车辆检测器等设备。
为了确定出路网异常事件，电子设备还包括预先训练完成的深度学习模型，其中该深度学习模型是用于确定路网异常事件的，将接收到的路网数据输入到该训练完成的深度学习模型中，根据深度学习模型对该路网数据的处理，确定出该路网数据包含的每种路网异常事件。
为了确定出待处理的目标路网异常事件，在本申请中，所述方法还包括：
输出发生所述每种路网异常事件的提示信息；
接收用户的确认操作，确定所述每种路网异常事件中待处理的目标路网异常事件。
由于本申请中的深度学习模型确定出的路网异常事件可能会出现错误，因此电子设备中的深度学习模型确定出每种路网异常事件后，还可以将输出发生每种路网异常事件的提示信息。具体的，电子设备可以是输出文字形式的提示信息、也可以是输出语音形式的提示信息，还可以是输出语音形式和文字形式的提示信息。
作为一种可能的实施方式，本申请中的深度学习模型确定出路网异常事件后，还可以过滤掉重复的路网异常事件，并将确定的非重复的路网异常事件的提示信息进行输出。
在输出提示发生每种路网异常事件的提示信息后，接收用户的确认操作，根据用户的确认操作，确定该确认操作对应位置的路网异常事件，并将其确定为待处理的目标路网异常事件。
具体的，电子设备接收用户的确认操作可以是接收用户对显示屏上任意路网异常事件所在位置的确认按钮的点击操作，也可以是滑动、按压、触摸等预先设置的操作。
为了训练深度学习模型，在本申请中，训练所述深度学习模型的过程包括：
获取所述样本集中预先保存的任一样本路网数据和对应的第一标识信息，其中所述第一标识信息用于标识该样本路网数据包含的路网异常事件的类型；
将该样本路网数据输入到原始深度学习模型中，确定该样本路网数据的第二标识信息；
根据所述第一标识信息和所述第二标识信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述深度学习模型。
为了实现对深度学习模型的训练，本申请中保存有进行训练有的样本集，该样本集中包括样本路网数据以及样本路网数据对应的第一标识信息，该第一标识信息用于标识该样本路网数据中包含的路网异常事件的类型。
在本申请中，在获取到样本集中的任一样本路网数据及该样本路网数据对应的第一标识信息后，将该样本路网数据输入到原始深度学习模型中，该原始深度学习模型输出该样本路网数据的第二标识信息，该第二标识信息为原始深度学习模型确定的标识样本路网数据中包含的路网异常事件的类型。
在根据该原始深度学习模型确定出该样本路网数据的第二标识信息后，根据该第二标识信息以及该样本路网数据的第一标识信息，对该原始深度学习模型进行训练，以调整该原始深度学习模型的各项参数的参数值，得到训练完成深度学习模型。
对原始深度学习模型进行训练的样本集中包含的每一样本路网数据都进行上述操作，当满足预设的条件时，得到训练完成的深度学习模型。其中，该预设的条件可以是样本集中的样本路网数据通过原始深度学习模型训练后得到的第二标识信息与第一标识信息一致的样本路网数据的数量大于设定数量；也可以是对原始深度学习模型进行训练的迭代次数达到设置的最大迭代次数等。具体的，本申请对此不做限制。
作为一种可能的实施方式，在对原始深度学习模型进行训练时，可以把样本集中的样本路网数据分为训练样本路网数据和测试样本路网数据，先基于训练样本路网数据对原始深度学习模型进行训练，再基于测试样本路网数据对训练完成的深度学习模型的可靠性进行测试。
实施例4：
为了提高目标预案的执行效率，在上述各实施例的基础上，在本申请中，所述方法还包括：
根据预先保存的所述目标预案中的处置动作，判断所述处置动作是否为高频处置动作；
若是，则自动执行所述处置动作；
若否，则发送执行所述处置动作的提示信息。
为了提高目标预案的执行效率，电子设备还可以确定出目标预案中的高频处置动作并自动执行。具体的，为了确定出目标预案中的高频处置动作，电子设备针对预先保存的目标预案中的处置动作，判断该处置动作是否为确定的高频处置动作，其中该高频处置动作包括领导信息报送、情报板信息发布以及通知巡查或联动单位等处置动作，确定该处置动作为确定的高频处置动作后，电子设备自动执行该高频处置动作，确定该处置动作不是确定的高频处置动作后，发送执行该处置动作的提示信息，再由用户确认后由用户执行该处置动作。其中该提示信息可以是文字形式的提示信息、也可以是语音形式的提示信息，还可以是语音形式和文字形式的提示信息。
表1-高频处置动作自动化策略
表1为本申请提高的一种执行高频处置动作的自动化策略，具体的，如表1所示，在该目标预案为施工类事件的目标预案时，在事件创建过程时的高频处置动作包括领导信息报送和情报板信息发布；具体的，领导信息报送是在施工开始报告，报送内容是自动生成，处置策略是施工开始时系统自动处置，情报板信息发布的发布范围是事件影响位置来车方向50Km内的情报板，含隧道、收费站，发布内容是自动生成，发布方式是追加，处置策略是施工开始时系统自动处置。
在过程信息时的高频处置动作包括领导信息报送和情报板信息发布；具体的，领导信息报送是造成拥堵、管制时报送，报送内容是自动生成，添加管制处置策略是添加管制信息提交时自动处置；添加拥堵处置策略是添加拥堵信息提交时自动处置；结束管制处置策略包括：①写入管制结束时间提交时自动处置；②结束旧管制添加新管制时只添加管制信息提示，不做结束管制提示。情报板信息发布是造成管制发情报板，发布内容是自动生成，发布方式是追加，处置策略是保存时提示，系统自动处置，确认后发布。
在结束时的高频处置动作包括领导信息报送和情报板信息发布；具体的，领导信息报送是施工结束报送，报送内容是自动生成，处置策略是施工结束时自动处置；情报板信息发布是撤销情报板发布，发布内容是系统自动生成，发布方式是撤销或重新发布，处置策略包括：①施工进行期间未人工修改过相关情报板信息时，随施工结束自动处置②施工期间人工修改过相关情报板信息时，点击处置按钮进入处置页面后提示，由用户一键确认。
在该目标预案为气象类事件的目标预案时，在事件创建过程时的高频处置动作包括领导信息报送、情报板信息发布、和通知巡查或联动单位；具体的，领导信息报送的报送内容是自动生成，处置策略是事件保存时自动处置；情报板信息发布的发布内容是自动生成，发布方式是追加，处置策略是事件保存时自动处置；通知巡查或联动单位的处置策略包括：①非巡查上报时②事件保存时提示，由用户一键确认③范为影响路段当班巡查。
在过程信息时的高频处置动作包括领导信息报送和情报板信息发布，具体的，领导信息报送是事件信息补录：报送内容是自动生成，处置策略是报送内容中涉及字段有变化保存时自动处置，造成拥堵、管制报送：报送内容是自动生成，添加管制处置策略是事件保存时自动处置，添加拥堵处置策略：事件保存时自动处置；情报板信息发布是造成管制发情报板，发布内容：系统自动生成，发布方式：追加，处置策略：保存时提示，确认后发布。
在结束时的高频处置动作包括领导信息报送和情报板信息发布，具体的，领导信息报送是气象类事件结束报送，报送内容是自动生成，处置策略是气象事件结束时自动处置；情报板信息发布是撤销情报板发布，发布内容：系统自动生成，发布方式：撤销发布。
在该目标预案为事故类事件的目标预案时，在事件创建过程时的高频处置动作包括领导信息报送、情报板信息发布、和通知巡查或联动单位；具体的，领导信息报送的报送内容是自动生成，处置策略是事件保存时自动处置。情报板信息发布的发布范围是事件影响位置来车方向50Km内的情报板，含隧道、收费站，发布内容是自动生成，发布方式是追加，无管制处置策略；处置策略是事件保存时提示，一键确认后发布，有管制处置策略是保存时提示，确认后发布。通知巡查或联动单位人员调度-通知巡查(电话)，处置策略包括：①非巡查上报时，②事件保存时提示，由用户一键确认，③范为影响路段当班巡查，人员调度-通知养护(电话)，处置策略包括：①有路产损失时②事件保存时提示，由用户一键确认人员调度-通知交警，处置策略包括：①非交警通知时②事件保存时提示，由用户一键确认人员调度-通知医疗，处置策略包括：①有人员伤亡时②事件保存时提示，由用户一键确认。
过程信息的高频处置动作包括领导信息报送、情报板信息发布、和通知巡查或联动单位；具体的，领导信息报送是造成人员伤亡、路产损失等报送，处置进展报送，报送内容是自动生成，处置策略是报送内容中涉及字段有变化保存提示，由用户一键确认，造成拥堵、管制报送：报送内容是自动生成，添加管制处置策略是事件保存时自动处置添加拥堵，处置策略：事件保存时自动处置。情报板信息发布是造成管制发情报板，发布内容是自动生成，发布方式是追加，处置策略是事件保存时自动处置。通知巡查或联动单位人员是调度-通知养护(电话)，处置策略包括：①有路产损失时，②未通知过养护时，③事件保存时提示，由户一键确认；人员调度-通知医疗；处置策略包括：①有人员伤亡时，②未通知过医疗时，③事件保存时提示，由户一键确认；人员调度-通知交警；处置策略包括：①非交警通知时，②未通知过交警时，③事件保存时提示，由户一键确认。
结束的高频处置动作包括领导信息报送和情报板信息发布；具体的，领导信息报送是事件结束报送；报送内容是自动生成；处置策略是事件结束时自动处置。情报板信息发布是撤销情报板发布；发布内容是自动生成；发布方式是撤销发布。
实施例5：
在上述各实施例的基础上，图2为本申请一些实施例提供的一种路网异常事件处理装置的结构示意图，所述装置包括：
第一确定模块201，用于根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息；
第二确定模块202，用于针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值；
第三确定模块203，用于根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述第三确定模块，具体用于针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述第三确定模块，具体还用于若未确定出与所述待处理的目标路网异常事件匹配的目标预案，则将所述预案库中的默认预案作为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述装置还包括：
第四确定模块，具体用于所述根据预先录入的待处理的路网异常事件的每种事件影响因素的字段信息、以及确定的所述路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息之前，接收路网数据；根据预先训练完成的深度学习模型和所述路网数据，确定每种路网异常事件。
进一步地，所述装置还包括：
通信模块，用于输出发生所述每种路网异常事件的提示信息；接收用户的确认操作，确定所述每种路网异常事件中待处理的目标路网异常事件。
进一步地，所述装置还包括：
训练模块，具体用于获取所述样本集中预先保存的任一样本路网数据和对应的第一标识信息，其中所述第一标识信息用于标识该样本路网数据包含的路网异常事件的类型；将该样本路网数据输入到原始深度学习模型中，确定该样本路网数据的第二标识信息；根据所述第一标识信息和所述第二标识信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述深度学习模型。
进一步地，所述装置还包括：
判断模块，用于根据预先保存的所述目标预案中的处置动作，判断所述处置动作是否为高频处置动作；
执行模块，用于若确定所述处置动作是高频处置动作，则自动执行所述处置动作；若确定所述处置动作不是高频处置动作，则发送执行所述处置动作的提示信息。
实施例6：
图3为本申请一些实施例提供的一种电子设备结构示意图，在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
所述存储器303中存储有计算机程序，当所述程序被所述处理器301执行时，使得所述处理器301执行如下步骤：
根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息；
针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值；
根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述处理器301具体用于所述根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案包括：
针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；
针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述处理器301还用于若未确定出与所述待处理的目标路网异常事件匹配的目标预案，则将所述预案库中的默认预案作为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述处理器301还用于所述根据预先录入的待处理的路网异常事件的每种事件影响因素的字段信息、以及确定的所述路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息之前，所述方法还包括：
接收路网数据；
根据预先训练完成的深度学习模型和所述路网数据，确定每种路网异常事件。
进一步地，所述处理器301还用于输出发生所述每种路网异常事件的提示信息；
接收用户的确认操作，确定所述每种路网异常事件中待处理的目标路网异常事件。
进一步地，所述处理器301还用于训练所述深度学习模型的过程包括：
获取所述样本集中预先保存的任一样本路网数据和对应的第一标识信息，其中所述第一标识信息用于标识该样本路网数据包含的路网异常事件的类型；
将该样本路网数据输入到原始深度学习模型中，确定该样本路网数据的第二标识信息；
根据所述第一标识信息和所述第二标识信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述深度学习模型。
进一步地，所述处理器301还用于根据预先保存的所述目标预案中的处置动作，判断所述处置动作是否为高频处置动作；
若是，则自动执行所述处置动作；
若否，则发送执行所述处置动作的提示信息。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列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。
实施例7：
在上述各实施例的基础上，本申请一些实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行如下步骤：
根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息；
针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值；
根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案包括：
针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；
针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述方法还包括：
若未确定出与所述待处理的目标路网异常事件匹配的目标预案，则将所述预案库中的默认预案作为与所述待处理的目标路网异常事件匹配的目标预案。
进一步地，所述根据预先录入的待处理的路网异常事件的每种事件影响因素的字段信息、以及确定的所述路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息之前，所述方法还包括：
接收路网数据；
根据预先训练完成的深度学习模型和所述路网数据，确定每种路网异常事件。
进一步地，所述方法还包括：
输出发生所述每种路网异常事件的提示信息；
接收用户的确认操作，确定所述每种路网异常事件中待处理的目标路网异常事件。
进一步地，训练所述深度学习模型的过程包括：
获取所述样本集中预先保存的任一样本路网数据和对应的第一标识信息，其中所述第一标识信息用于标识该样本路网数据包含的路网异常事件的类型；
将该样本路网数据输入到原始深度学习模型中，确定该样本路网数据的第二标识信息；
根据所述第一标识信息和所述第二标识信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述深度学习模型。
进一步地，所述方法还包括：
根据预先保存的所述目标预案中的处置动作，判断所述处置动作是否为高频处置动作；
若是，则自动执行所述处置动作；
若否，则发送执行所述处置动作的提示信息。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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用存储介质(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的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可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，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种路网异常事件处理方法，其特征在于，所述方法包括：
根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息；
针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值；
根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案；
其中，所述根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案包括：
针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；
针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若未确定出与所述待处理的目标路网异常事件匹配的目标预案，则将所述预案库中的默认预案作为与所述待处理的目标路网异常事件匹配的目标预案。
3.根据权利要求1所述的方法，其特征在于，所述根据预先录入的待处理的路网异常事件的每种事件影响因素的字段信息、以及确定的所述路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息之前，所述方法还包括：
接收路网数据；
根据预先训练完成的深度学习模型和所述路网数据，确定每种路网异常事件。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
输出发生所述每种路网异常事件的提示信息；
接收用户的确认操作，确定所述每种路网异常事件中待处理的目标路网异常事件。
5.根据权利要求3所述的方法，其特征在于，训练所述深度学习模型的过程包括：
获取样本集中预先保存的任一样本路网数据和对应的第一标识信息，其中所述第一标识信息用于标识该样本路网数据包含的路网异常事件的类型；
将该样本路网数据输入到原始深度学习模型中，确定该样本路网数据的第二标识信息；
根据所述第一标识信息和所述第二标识信息，对所述原始深度学习模型的各参数的参数值进行调整，得到训练完成的所述深度学习模型。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预先保存的所述目标预案中的处置动作，判断所述处置动作是否为高频处置动作；
若是，则自动执行所述处置动作；
若否，则发送执行所述处置动作的提示信息。
7.一种路网异常事件处理装置，其特征在于，所述装置包括：
第一确定模块，用于根据预先录入的待处理的目标路网异常事件的每种事件影响因素的字段信息、以及确定的所述目标路网异常事件的每种目标事件影响因素，确定所述每种目标事件影响因素的目标字段信息；
第二确定模块，用于针对每种目标事件影响因素，根据该种目标事件影响因素的目标字段信息、以及预先保存的该种目标事件影响因素的每种字段信息对应的因素值，确定所述目标字段信息的目标因素值；
第三确定模块，用于根据所述每种目标事件影响因素的目标因素值、以及预先保存的预案库中每种预案对应的每种事件影响因素及因素值范围，确定与所述待处理的目标路网异常事件匹配的目标预案；
其中，所述第三确定模块，具体用于针对预先保存的预案库中每种预案，若所述每种目标事件影响因素包含在该种预案对应的每种事件影响因素中，则将该种预案确定为第一预案；针对确定出的每种第一预案，若所述每种目标事件影响因素的目标因素值均位于该种第一预案的对应因素值范围，则将该种第一预案确定为与所述待处理的目标路网异常事件匹配的目标预案。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一所述路网异常事件处理方法的步骤。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述路网异常事件处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178068.9A CN112860764B (zh) | 2021-02-09 | 2021-02-09 | 一种路网异常事件处理方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178068.9A CN112860764B (zh) | 2021-02-09 | 2021-02-09 | 一种路网异常事件处理方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112860764A CN112860764A (zh) | 2021-05-28 |
| CN112860764B true CN112860764B (zh) | 2022-06-03 |
Family
ID=75989453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110178068.9A Active CN112860764B (zh) | 2021-02-09 | 2021-02-09 | 一种路网异常事件处理方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112860764B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741218A (zh) * | 2016-03-04 | 2016-07-06 | 公安部道路交通安全研究中心 | 应急预案生成服务器、方法、系统以及客户端 |
| CN106710209A (zh) * | 2016-11-09 | 2017-05-24 | 东南大学 | 一种大型活动期间交通意外事件的检测确认方法及系统 |
| CN110502318A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技（深圳）有限公司 | 事件处理方法、事件处理服务器、存储介质及装置 |
| CN111915880A (zh) * | 2020-06-05 | 2020-11-10 | 重庆首讯科技股份有限公司 | 一种高速公路异常事件事发点有效通行能力估计方法 |
| CN112215458A (zh) * | 2020-09-01 | 2021-01-12 | 青岛海信网络科技股份有限公司 | 灾害分析方法和电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093619A (zh) * | 2013-01-05 | 2013-05-08 | 北京世纪高通科技有限公司 | 基于智能交通系统的交通评价方法及装置 |
| CN106157564A (zh) * | 2016-07-06 | 2016-11-23 | 贵州道坦坦科技股份有限公司 | 一种公路隧道异常事件应急处理的方法 |
| US11222532B2 (en) * | 2016-07-13 | 2022-01-11 | Nec Corporation | Traffic control support system, traffic control support method, and program recording medium |
| JP6833642B2 (ja) * | 2017-08-10 | 2021-02-24 | 株式会社東芝 | 要因分析装置、要因分析方法、およびプログラム |
| CN109212520B (zh) * | 2018-09-29 | 2021-04-27 | 河北德冠隆电子科技有限公司 | 全方位检测雷达的路况感知异常事件检测报警系统及方法 |
-
2021
- 2021-02-09 CN CN202110178068.9A patent/CN112860764B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741218A (zh) * | 2016-03-04 | 2016-07-06 | 公安部道路交通安全研究中心 | 应急预案生成服务器、方法、系统以及客户端 |
| CN106710209A (zh) * | 2016-11-09 | 2017-05-24 | 东南大学 | 一种大型活动期间交通意外事件的检测确认方法及系统 |
| CN110502318A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技（深圳）有限公司 | 事件处理方法、事件处理服务器、存储介质及装置 |
| CN111915880A (zh) * | 2020-06-05 | 2020-11-10 | 重庆首讯科技股份有限公司 | 一种高速公路异常事件事发点有效通行能力估计方法 |
| CN112215458A (zh) * | 2020-09-01 | 2021-01-12 | 青岛海信网络科技股份有限公司 | 灾害分析方法和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于辽宁高速公路综合运营管理平台大数据在指挥调度领域的应用探讨;樊公鹏，王忠发，孙代耀，史源，王浩;《中国公路学会养护与管理分会第十届学术年会论文集》;20200109;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112860764A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20140114692A1 (en) | System for Integrating First Responder and Insurance Information | |
| KR101858039B1 (ko) | 자동차 교통법규 위반 실시간 알림, 확인 시스템 및 방법 | |
| CN107154008B (zh) | 一种基于数字源预案处理紧急事件的方法及系统 | |
| US20150186991A1 (en) | Creditor alert when a vehicle enters an impound lot | |
| Li | Traffic incident duration analysis and prediction models based on the survival analysis approach | |
| US20140032402A1 (en) | Systems, methods and computer program products that facilitate satisfaction of financial obligations | |
| CN108269386A (zh) | 突发事件预警信息的短信发送装置、发布装置及系统 | |
| CN113743892B (zh) | 电网基建问题的跟踪处理方法、装置、计算机设备及介质 | |
| CN109508797A (zh) | 基于区块链的车险理赔方法及相关设备 | |
| CN111260215A (zh) | 风险预警方法及相关装置 | |
| CN107454275B (zh) | 一种报警信息的处理方法及其系统 | |
| CN107481528A (zh) | 一种车辆的抓拍方法、装置及终端设备 | |
| CN110020755B (zh) | 基于人机协同的城市管理系统 | |
| CN112860764B (zh) | 一种路网异常事件处理方法、装置、设备和介质 | |
| CN111341072A (zh) | 气象预警分析精准快速推送提醒系统及方法 | |
| CN115841243A (zh) | 非法运营车辆的识别方法及电子设备 | |
| CN116798199A (zh) | 工业园区的预警方法、电子设备及预警系统 | |
| CN107665577B (zh) | 一种交通警情处理方法和装置 | |
| CN111383150A (zh) | 一种用于交通警务违规行为的识别监管方法和装置 | |
| CN118037028A (zh) | 用于危险化学品双重预防机制的运行效果管控方法、系统、设备和存储介质 | |
| CN107464036A (zh) | 一种调派资源的方法及其系统 | |
| CN115641945A (zh) | 一种自动化运营方法、系统、电子设备及存储介质 | |
| CN113256256A (zh) | 一种工单预警方法、装置、设备及存储介质 | |
| CN113946464A (zh) | 一种结合模型及经验的预训练和并行推演的告警降噪方法 | |
| CN110570055B (zh) | 一种工业场所智能状态报告系统 |
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 |